CN117173661B - 基于计算机视觉的沥青道路质量检测方法 - Google Patents
基于计算机视觉的沥青道路质量检测方法 Download PDFInfo
- Publication number
- CN117173661B CN117173661B CN202311443139.9A CN202311443139A CN117173661B CN 117173661 B CN117173661 B CN 117173661B CN 202311443139 A CN202311443139 A CN 202311443139A CN 117173661 B CN117173661 B CN 117173661B
- Authority
- CN
- China
- Prior art keywords
- crack
- pixel point
- suspected
- pixel
- pixel points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000010426 asphalt Substances 0.000 title claims abstract description 114
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000003064 k means clustering Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 40
- 238000004891 communication Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 238000007670 refining Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 description 10
- 238000003709 image segmentation Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 239000004575 stone Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于计算机视觉的沥青道路质量检测方法,包括:根据沥青路面图像内像素点的裂缝宽度和裂缝长度以及灰度值,确定像素点的疑似裂缝特征值,以此区分正常像素点和疑似裂缝像素点,确定正常像素点的裂缝特征值。获取疑似裂缝像素点对应的参考连通域的边界毛刺数量和参考直线特征,再结合疑似裂缝特征值以及参考连通域内所有像素点的裂缝宽度,确定疑似裂缝像素点的裂缝特征值,从而确定替换灰度值,得到裂缝特征值图像,使用K均值聚类算法对裂缝特征值图像进行分割,得到裂缝区域。本发明通过沥青路面上裂缝的多个特征,得到裂缝特征值来替换单一的灰度值,以增强不同区域之间的区分度,提高分割效果。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于计算机视觉的沥青道路质量检测方法。
背景技术
沥青道路质量直接影响车辆和行人的安全。恶劣的沥青道路质量会导致路面出现不平整、裂缝、坑洞等问题,增加交通事故的风险。通过定期的质量检测,可以及时发现沥青道路中存在的安全隐患,从而采取必要的维护措施,防止问题的进一步恶化,延长道路寿命,减少对道路的频繁维修和更换,降低后续维护和修复的成本。
基于计算机视觉的沥青道路质量检测方法具有非破坏性、高效性、自动化、定量化、实时监测和多维信息获取的优势。其利用图像分割技术,获取沥青路面图像内的缺陷区域,从而提供准确、可靠的道路质量评估结果,为道路维护和管理提供科学依据,改善道路安全性和可行性。
基于K均值聚类算法的图像分割方法是一种常见且简单的图像分割技术,它是一种迭代的无监督学习算法,可以直接对图像进行分割,不需要事先训练模型或标注数据。并且沥青道路质量检测往往需要采集大量的图像,而该算法的计算复杂度较低,在处理大规模图像时具有较高的计算效率。
现有问题:基于K均值聚类算法的图像分割中,常根据像素点的灰度值差异和像素点之间的距离进行分类,而沥青路面图像内的缺陷为低灰度值区域,其会受到道路旁树木、房屋、车辆等产生的阴影的影响,且裂缝缺陷为线状,可能存在裂缝缺陷的两端像素点距离较远的情况,影响图像分割的准确性,从而导致沥青道路质量检测结果可信度较低。
发明内容
本发明提供基于计算机视觉的沥青道路质量检测方法,以解决现有的问题。
本发明的基于计算机视觉的沥青道路质量检测方法采用如下技术方案:
本发明一个实施例提供了基于计算机视觉的沥青道路质量检测方法,该方法包括以下步骤:
使用车载摄像头俯视采集沥青路面图像,根据沥青路面图像内像素点的参考直线之间的夹角值,确定像素点对应的裂缝宽度;
将像素点对应的参考连通域内的骨架线上的像素点数量,记为像素点对应的裂缝长度;根据像素点对应的裂缝长度和像素点对应的裂缝宽度以及像素点灰度值,确定像素点对应的疑似裂缝特征值;
根据像素点对应的疑似裂缝特征值,区分正常像素点和疑似裂缝像素点,确定正常像素点对应的裂缝特征值;对疑似裂缝像素点对应的参考连通域进行形态学处理,确定疑似裂缝像素点对应的参考连通域的边界毛刺数量;
根据疑似裂缝像素点对应的参考连通域内的骨架线上所有像素点的横坐标值和纵坐标值中相同值的种类数量,确定疑似裂缝像素点对应的参考直线特征;根据疑似裂缝像素点对应的参考直线特征和对应的参考连通域的边界毛刺数量,确定疑似裂缝像素点对应的线性特征;根据疑似裂缝像素点对应的线性特征和对应的疑似裂缝特征值以及对应的参考连通域内所有像素点对应的裂缝宽度,确定疑似裂缝像素点对应的裂缝特征值;
根据所有正常像素点对应的裂缝特征值和所有疑似裂缝像素点对应的裂缝特征值,确定沥青路面图像内所有像素点对应的替换灰度值;根据沥青路面图像内所有像素点对应的替换灰度值构建裂缝特征值图像,使用K均值聚类算法对裂缝特征值图像进行分割,得到裂缝区域。
进一步地,所述根据沥青路面图像内像素点的参考直线之间的夹角值,确定像素点对应的裂缝宽度,包括的具体步骤如下:
将沿像素点灰度梯度方向,且过像素点的直线,记为像素点的参考直线;
在沥青路面图像内从任意一个像素点开始,分别向所述像素点的参考直线两侧逐像素点遍历,将所述像素点的参考直线与遍历到的每个其它像素点的参考直线夹角中的最小值,记为参考夹角值;
当参考夹角值大于预设的夹角阈值时,停止遍历,将遍历到的最后一个像素点记为参考像素点,得到像素点对应的两个参考像素点;
将像素点对应的两个参考像素点的欧式距离,记为该像素点对应的裂缝宽度。
进一步地,所述将像素点对应的参考连通域内的骨架线上的像素点数量,记为像素点对应的裂缝长度,包括的具体步骤如下:
在沥青路面图像内以任意一个像素点为种子点,使用区域生长算法得到生长后的连通域,记为参考连通域;
使用最大圆切法对所述像素点对应的参考连通域进行细化处理,得到所述像素点对应的参考连通域内的骨架线;
将所述像素点对应的参考连通域内的骨架线上的像素点数量,记为所述像素点对应的裂缝长度。
进一步地,所述根据像素点对应的裂缝长度和像素点对应的裂缝宽度以及像素点灰度值,确定像素点对应的疑似裂缝特征值,包括的具体步骤如下:
根据像素点对应的裂缝长度和像素点对应的参考连通域边界上的像素点数量以及像素点对应的参考连通域内像素点的数量,确定像素点对应的裂缝长度特征;
将像素点对应的裂缝长度特征和像素点对应的裂缝宽度的乘积,记为像素点对应的裂缝形状特征;
根据像素点对应的裂缝形状特征和像素点灰度值,确定像素点对应的疑似裂缝特征值。
进一步地,所述根据像素点对应的裂缝形状特征和像素点灰度值,确定像素点对应的疑似裂缝特征值对应的具体计算公式为:
其中A为像素点对应的疑似裂缝特征值,B为像素点对应的裂缝宽度,C为像素点对应的裂缝长度特征,D为像素点的灰度值,a为预设的常数,E为像素点对应的裂缝长度,S为像素点对应的参考连通域内像素点的数量,L为像素点对应的参考连通域边界上的像素点数量,为圆周率,/>为线性归一化函数。
进一步地,所述根据像素点对应的疑似裂缝特征值,区分正常像素点和疑似裂缝像素点,确定正常像素点对应的裂缝特征值,包括的具体步骤如下:
根据沥青路面图像内所有像素点对应的疑似裂缝特征值,使用大津算法得到疑似裂缝特征分割阈值,令沥青路面图像内疑似裂缝特征值大于等于疑似裂缝特征分割阈值的像素点为疑似裂缝像素点,令沥青路面图像内疑似裂缝特征值小于疑似裂缝特征分割阈值的像素点为正常像素点;
将正常像素点对应的裂缝特征值设置为所述正常像素点对应的疑似裂缝特征值。
进一步地,所述对疑似裂缝像素点对应的参考连通域进行形态学处理,确定疑似裂缝像素点对应的参考连通域的边界毛刺数量,包括的具体步骤如下:
令沥青路面图像内任意一个疑似裂缝像素点对应的参考连通域内的像素点灰度值为1,其它像素点为0,得到二值沥青路面图像;
对二值沥青路面图像进行形态学开运算操作,得到开运算后的二值沥青路面图像;对二值沥青路面图像和开运算后的二值沥青路面图像进行图像差分,得到差分二值图像;
将差分二值图像内灰度值为1的像素点的数量,记为所述疑似裂缝像素点对应的参考连通域的边界毛刺数量。
进一步地,所述根据疑似裂缝像素点对应的参考连通域内的骨架线上所有像素点的横坐标值和纵坐标值中相同值的种类数量,确定疑似裂缝像素点对应的参考直线特征,包括的具体步骤如下:
将疑似裂缝像素点对应的参考连通域内的骨架线上所有像素点的横坐标值中相同横坐标值的种类数量除以所述疑似裂缝像素点对应的参考连通域内的骨架线上的像素点数量的商,记为横坐标值直线特征;
将疑似裂缝像素点对应的参考连通域内的骨架线上所有像素点的纵坐标值中相同纵坐标值的种类数量除以所述疑似裂缝像素点对应的参考连通域内的骨架线上的像素点数量的商,记为纵坐标值直线特征;
将疑似裂缝像素点对应的横坐标值直线特征和纵坐标值直线特征中的最大值,记为疑似裂缝像素点对应的参考直线特征。
进一步地,所述根据疑似裂缝像素点对应的参考直线特征和对应的参考连通域的边界毛刺数量,确定疑似裂缝像素点对应的线性特征;根据疑似裂缝像素点对应的线性特征和对应的疑似裂缝特征值以及对应的参考连通域内所有像素点对应的裂缝宽度,确定疑似裂缝像素点对应的裂缝特征值,包括的具体步骤如下:
将一减去疑似裂缝像素点对应的参考直线特征之差与疑似裂缝像素点对应的参考连通域的边界毛刺数量的乘积,记为疑似裂缝像素点对应的线性特征;
根据疑似裂缝像素点对应的线性特征和疑似裂缝像素点对应的参考连通域内所有像素点对应的裂缝宽度的方差,确定疑似裂缝像素点对应的疑似裂缝特征值的校正系数;
将疑似裂缝像素点对应的疑似裂缝特征值的校正系数与疑似裂缝像素点对应的疑似裂缝特征值的乘积,记为疑似裂缝像素点对应的裂缝特征值。
进一步地,所述将疑似裂缝像素点对应的疑似裂缝特征值的校正系数与疑似裂缝像素点对应的疑似裂缝特征值的乘积,记为疑似裂缝像素点对应的裂缝特征值对应的具体计算公式为:
其中为疑似裂缝像素点对应的裂缝特征值,/>为疑似裂缝像素点对应的疑似裂缝特征值,/>为疑似裂缝像素点对应的参考连通域边界上的像素点数量,/>为疑似裂缝像素点对应的参考连通域内所有像素点对应的裂缝宽度的方差,F为疑似裂缝像素点对应的参考直线特征,G为疑似裂缝像素点对应的参考连通域的边界毛刺数量,/>为线性归一化函数。
本发明的技术方案的有益效果是:
本发明实施例中,根据沥青路面图像内像素点的参考直线之间的夹角值,确定像素点的裂缝宽度,并将像素点对应的参考连通域内的骨架线上的像素点数量,记为像素点的裂缝长度,从而根据像素点的裂缝长度和裂缝宽度以及灰度值,确定像素点的疑似裂缝特征值,以此区分正常像素点和疑似裂缝像素点,确定正常像素点的裂缝特征值。考虑到阴影处的车道线像素点的疑似裂缝特征值较大,影响裂缝的识别,故对疑似裂缝像素点对应的参考连通域进行形态学处理,确定疑似裂缝像素点对应的参考连通域的边界毛刺数量,再根据疑似裂缝像素点对应的参考连通域内的骨架线上所有像素点的横坐标值和纵坐标值中相同值的种类数量,确定疑似裂缝像素点对应的参考直线特征,再结合疑似裂缝特征值以及对应的参考连通域内所有像素点对应的裂缝宽度,确定疑似裂缝像素点对应的裂缝特征值,从而确定沥青路面图像内所有像素点对应的替换灰度值,得到裂缝特征值图像,使用K均值聚类算法对裂缝特征值图像进行分割,得到裂缝区域。其通过沥青路面上裂缝的多个特征,得到裂缝特征值来替换单一的灰度值,可以增强不同区域之间的区分度,并且裂缝特征值包含了更丰富的信息,使得聚类算法更容易辨别出具有不同特征的像素点,以及减少不均匀光照的影响,使聚类结果更加稳定,可以提高算法在复杂场景下的分割效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于计算机视觉的沥青道路质量检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于计算机视觉的沥青道路质量检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于计算机视觉的沥青道路质量检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于计算机视觉的沥青道路质量检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:使用车载摄像头俯视采集沥青路面图像,根据沥青路面图像内像素点的参考直线之间的夹角值,确定像素点对应的裂缝宽度。
由于需要及时发现并修复沥青道路中存在的安全隐患,防止问题的进一步恶化,延长道路寿命。而沥青道路损坏的初期通常以裂缝的出现为主要表现,因此本实施例主要检查沥青路面上的裂缝缺陷,从而在沥青道路损坏初期就采取必要的维护措施,保障沥青道路质量。
在道路巡检车辆上安装相机设备,通过随行的车载摄像头俯视采集沥青路面图像,对图像进行灰度化处理。已知基于K均值聚类算法的图像分割中,常根据像素点的灰度值差异和像素点之间的距离进行分类,而沥青路面图像内的缺陷为低灰度值区域,其会受到道路旁树木、房屋、车辆等产生的阴影的影响,且裂缝缺陷为线状,可能存在裂缝缺陷的两端像素点距离较远的情况,影响图像分割的准确性。因此本实施例通过分析裂缝与阴影的差异,以及裂缝的线状特征,获取裂缝特征值,使用裂缝特征值替换灰度值,得到裂缝特征值图像,从而使用K均值聚类算法进行图像分割,保障分割的准确性。
取沥青路面图像内的一个像素点为例,将沿该像素点灰度梯度方向,过该像素点的直线,记为该像素点的参考直线,由此得到沥青路面图像内所有像素点的参考直线。在沥青路面图像内从该像素点开始,分别向该像素点的参考直线两侧逐像素点遍历,依次计算该像素点的参考直线与遍历到的每个其它像素点的参考直线夹角中的最小值,记为参考夹角值。当参考夹角值大于设定的夹角阈值时,停止遍历,将遍历到的最后一个像素点记为参考像素点,得到该像素点对应的两个参考像素点。将该像素点对应的两个参考像素点的欧式距离,记为该像素点对应的裂缝宽度。本实施例以夹角阈值等于5度为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
所需说明的是,从该像素点开始,分别向该像素点的参考直线两端逐像素点遍历至沥青路面图像边界像素点上时,都没有参考夹角值大于设定的夹角阈值,则令该沥青路面图像边界像素点为参考像素点。若该像素点处于沥青路面图像边界上,则令该像素点为其对应的一个参考像素点。若该像素点无灰度梯度方向,则令该像素点对应的裂缝宽度为1。若遍历到的其它像素点无灰度梯度方向,则停止遍历。
步骤S002:将像素点对应的参考连通域内的骨架线上的像素点数量,记为像素点对应的裂缝长度;根据像素点对应的裂缝长度和像素点对应的裂缝宽度以及像素点灰度值,确定像素点对应的疑似裂缝特征值。
在沥青路面图像内以该像素点为种子点,使用区域生长算法得到生长后的连通域,记为参考连通域,使用最大圆切法对该像素点对应的参考连通域进行细化处理,得到该像素点对应的参考连通域内的骨架线,将该像素点对应的参考连通域内的骨架线上的像素点数量,记为该像素点对应的裂缝长度。其中,区域生长算法和最大圆切法均为公知技术,具体方法在此不做介绍。本实施例以生长灰度阈值等于10为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
由此可知该像素点对应的疑似裂缝特征值A的计算公式为:
其中A为该像素点对应的疑似裂缝特征值,B为该像素点对应的裂缝宽度,C为该像素点对应的裂缝长度特征,D为该像素点的灰度值,a为设定的常数,E为该像素点对应的裂缝长度,S为该像素点对应的参考连通域内像素点的数量,L为该像素点对应的参考连通域边界上的像素点数量,为圆周率,/>为线性归一化函数,将数据值归一化至[0,1]区间内。本实施例以a等于255为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
所需说明的是:已知沥青路面的主要组成部分为不同规格和大小的石料,沥青路面图像内的裂缝区域灰度较低,即越大,为裂缝的可能性越大,且各裂缝连通域为线性,且长度较长。而沥青路面图像内的正常区域内各石料会形成单独的连通域,其面积较小,且形状不规则,虽然正常区域内部分区域受阴影的影响,导致灰度较低,但其仍符合各石料形成单独的连通域,其面积较小,且形状不规则。/>为该像素点对应的参考连通域的圆度,其值处于0到1之间,其值越大,越接近圆形,而E体现了该像素点对应的参考连通域的长度,因此用/>为E的调整值,两者乘积为该像素点对应的裂缝长度特征。并且裂缝连通域会沿裂缝边界向裂缝中心线,灰度逐渐减小,因此裂缝宽度方向上的像素点对应的参考直线平行,故B越大,说明该像素点对应的裂缝宽度越大,因此用C为B的调整值,两者乘积为该像素点对应的裂缝形状特征,其值越大,说明该裂缝越长越宽,对沥青路面的破坏越严重,进而用/>为/>的调整至,两者乘积为该像素点对应的疑似裂缝特征值。
按照上述方式,得到沥青路面图像内所有像素点对应的裂缝宽度和参考连通域及参考连通内的骨架线,以及疑似裂缝特征值。
步骤S003:根据像素点对应的疑似裂缝特征值,区分正常像素点和疑似裂缝像素点,确定正常像素点对应的裂缝特征值;对疑似裂缝像素点对应的参考连通域进行形态学处理,确定疑似裂缝像素点对应的参考连通域的边界毛刺数量。
由于沥青路面图像内会存在线性的车道线区域,当车道线处于阴影下时,车道线处的像素点对应的疑似裂缝特征值应较大,易将车道线处的像素点误认为裂缝像素点。因此需要进一步分析裂缝和车道线的差异,计算校正系数,获取像素点对应的裂缝特征值。
根据沥青路面图像内所有像素点对应的疑似裂缝特征值,使用大津算法求取疑似裂缝特征分割阈值,令沥青路面图像内疑似裂缝特征值大于等于疑似裂缝特征分割阈值的像素点为疑似裂缝像素点,令沥青路面图像内疑似裂缝特征值小于疑似裂缝特征分割阈值的像素点为正常像素点。其中大津算法为公知技术,具体方法在此不做介绍。
对于沥青路面图像内的正常像素点,将正常像素点对应的裂缝特征值设置为该正常像素点对应的疑似裂缝特征值。
步骤S004:根据疑似裂缝像素点对应的参考连通域内的骨架线上所有像素点的横坐标值和纵坐标值中相同值的种类数量,确定疑似裂缝像素点对应的参考直线特征;根据疑似裂缝像素点对应的参考直线特征和对应的参考连通域的边界毛刺数量,确定疑似裂缝像素点对应的线性特征;根据疑似裂缝像素点对应的线性特征和对应的疑似裂缝特征值以及对应的参考连通域内所有像素点对应的裂缝宽度,确定疑似裂缝像素点对应的裂缝特征值。
对于沥青路面图像内的疑似裂缝像素点,取一个疑似裂缝像素点为例,该疑似裂缝像素点对应的裂缝特征值的获取过程如下:
令沥青路面图像内该疑似裂缝像素点对应的参考连通域内的像素点灰度值为1,其它像素点为0,获得二值沥青路面图像,对二值沥青路面图像进行形态学开运算操作,得到开运算后的二值沥青路面图像,对二值沥青路面图像和开运算后的二值沥青路面图像进行图像差分,得到差分二值图像,将差分二值图像内灰度值为1的像素点的数量,记为该疑似裂缝像素点对应的参考连通域的边界毛刺数量。其中形态学开运算和图像差分均为公知技术,具体方法在此不做介绍。
将该疑似裂缝像素点对应的参考连通域内的骨架线上所有像素点的横坐标值中相同横坐标值的种类数量除以该疑似裂缝像素点对应的参考连通域内的骨架线上的像素点数量的商,记为横坐标值直线特征。将该疑似裂缝像素点对应的参考连通域内的骨架线上所有像素点的纵坐标值中相同纵坐标值的种类数量除以该疑似裂缝像素点对应的参考连通域内的骨架线上的像素点数量的商,记为纵坐标值直线特征。取横坐标值直线特征和纵坐标值直线特征中的最大值,记为该疑似裂缝像素点对应的参考直线特征。
由此可知该疑似裂缝像素点对应的裂缝特征值的计算公式为:
其中为该疑似裂缝像素点对应的裂缝特征值,/>为该疑似裂缝像素点对应的疑似裂缝特征值,/>为该疑似裂缝像素点对应的参考连通域边界上的像素点数量,/>为该疑似裂缝像素点对应的参考连通域内所有像素点对应的裂缝宽度的方差,F为该疑似裂缝像素点对应的参考直线特征,G为该疑似裂缝像素点对应的参考连通域的边界毛刺数量,为线性归一化函数,将数据值归一化至[0,1]区间内。
所需说明的是:沥青路面上裂缝的线性形状往往不规则,裂缝的宽度在不同位置上是有所变化的,并且沥青路面破损的越严重,裂缝会呈现网状结构,且裂缝的边界会显示出较多的毛刺。而车道线为直线状,车道线的宽度在不同位置上是相同的,且车道线的边界平滑。因此G越大,该疑似裂缝像素点对应的参考连通域边界毛刺越多,该疑似裂缝像素点为裂缝像素点的可能性越大,且路面破损越严重。而当该疑似裂缝像素点处于车道线时,该疑似裂缝像素点对应的参考连通域内的骨架线应为直线,该骨架线上所有像素点的横坐标值或者纵坐标值应不相同,即该疑似裂缝像素点对应的参考直线特征接近于1,当该疑似裂缝像素点处于裂缝时,该疑似裂缝像素点对应的参考连通域内的骨架线不规则,且当为网状结构时,该骨架线上所有像素点的横坐标值或者纵坐标值存在大量相同,即该疑似裂缝像素点对应的参考直线特征越小,该疑似裂缝像素点为裂缝像素点的可能性越大,且路面破损越严重,因此用为G的调整值,两者乘积为该疑似裂缝像素点对应的线性特征。为防止裂缝骨架线呈直线状时,需要进一步分析该疑似裂缝像素点对应的参考连通域内不同像素点对应的裂缝宽度是否相同,当V越大时,该疑似裂缝像素点对应的参考连通域内不同像素点对应的裂缝宽度越不相同,故用归一化的/>为V的调整值,两者乘积的归一化值加1为该疑似裂缝像素点对应的疑似裂缝特征值/>的校正系数,由此得到该疑似裂缝像素点对应的裂缝特征值。
按照上述方式,得到沥青路面图像内每个疑似裂缝像素点对应的裂缝特征值。
步骤S005:根据所有正常像素点对应的裂缝特征值和所有疑似裂缝像素点对应的裂缝特征值,确定沥青路面图像内所有像素点对应的替换灰度值;根据沥青路面图像内所有像素点对应的替换灰度值构建裂缝特征值图像,使用K均值聚类算法对裂缝特征值图像进行分割,得到裂缝区域。
根据沥青图像内所有正常像素点对应的裂缝特征值和所有疑似裂缝像素点对应的裂缝特征值,得到沥青路面图像内所有像素点对应的裂缝特征值。使用最小最大归一化法,对沥青路面图像内所有像素点对应的裂缝特征值进行归一化处理至[0,1]区间内,得到沥青路面图像内所有像素点对应的裂缝特征值的归一化值。其中最小最大归一化法为公知技术,具体方法在此不做介绍。
由此可知沥青路面图像内所有像素点对应的替换灰度值的计算公式为:
其中为沥青路面图像内第i个像素点对应的替换灰度值,/>为沥青路面图像内第i个像素点对应的裂缝特征值的归一化值,n为沥青路面图像内像素点的数量,b为设定的常数。本实施例以b等于255为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
由此得到沥青路面图像内所有像素点对应的替换灰度值,根据沥青路面图像内所有像素点对应的替换灰度值构建裂缝特征值图像。
使用K均值聚类算法对裂缝特征值图像进行分割,令聚类簇为2,得到裂缝特征值图像内精准的裂缝区域。根据裂缝特征值图像和沥青路面图像内像素点的一一对应关系,得到沥青路面图像内的精准的裂缝区域,由此完成沥青道路质量检测。其中K均值聚类算法为公知技术,具体方法在此不做介绍。
至此,本发明完成。
综上所述,在本发明实施例中,根据沥青路面图像内像素点的参考直线之间的夹角值,确定像素点的裂缝宽度,并将像素点对应的参考连通域内的骨架线上的像素点数量,记为像素点的裂缝长度,从而根据像素点的裂缝长度和裂缝宽度以及灰度值,确定像素点的疑似裂缝特征值,以此区分正常像素点和疑似裂缝像素点,确定正常像素点对应的裂缝特征值,再获取疑似裂缝像素点对应的参考连通域的边界毛刺数量和参考直线特征,再结合疑似裂缝特征值以及对应的参考连通域内所有像素点对应的裂缝宽度,确定疑似裂缝像素点对应的裂缝特征值,从而确定替换灰度值,得到裂缝特征值图像,使用K均值聚类算法对裂缝特征值图像进行分割,得到裂缝区域。其通过沥青路面上裂缝的多个特征,得到裂缝特征值来替换单一的灰度值,可以增强不同区域之间的区分度,并且裂缝特征值包含了更丰富的信息,使得聚类算法更容易辨别出具有不同特征的像素点,以及减少不均匀光照的影响,使聚类结果更加稳定,可以提高算法在复杂场景下的分割效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于计算机视觉的沥青道路质量检测方法,其特征在于,该方法包括以下步骤:
使用车载摄像头俯视采集沥青路面图像,根据沥青路面图像内像素点的参考直线之间的夹角值,确定像素点对应的裂缝宽度;
将像素点对应的参考连通域内的骨架线上的像素点数量,记为像素点对应的裂缝长度;根据像素点对应的裂缝长度和像素点对应的裂缝宽度以及像素点灰度值,确定像素点对应的疑似裂缝特征值;
根据像素点对应的疑似裂缝特征值,区分正常像素点和疑似裂缝像素点,确定正常像素点对应的裂缝特征值;对疑似裂缝像素点对应的参考连通域进行形态学处理,确定疑似裂缝像素点对应的参考连通域的边界毛刺数量;
根据疑似裂缝像素点对应的参考连通域内的骨架线上所有像素点的横坐标值和纵坐标值中相同值的种类数量,确定疑似裂缝像素点对应的参考直线特征;根据疑似裂缝像素点对应的参考直线特征和对应的参考连通域的边界毛刺数量,确定疑似裂缝像素点对应的线性特征;根据疑似裂缝像素点对应的线性特征和对应的疑似裂缝特征值以及对应的参考连通域内所有像素点对应的裂缝宽度,确定疑似裂缝像素点对应的裂缝特征值;
根据所有正常像素点对应的裂缝特征值和所有疑似裂缝像素点对应的裂缝特征值,确定沥青路面图像内所有像素点对应的替换灰度值;根据沥青路面图像内所有像素点对应的替换灰度值构建裂缝特征值图像,使用K均值聚类算法对裂缝特征值图像进行分割,得到裂缝区域;
所述根据像素点对应的裂缝长度和像素点对应的裂缝宽度以及像素点灰度值,确定像素点对应的疑似裂缝特征值,包括的具体步骤如下:
根据像素点对应的裂缝长度和像素点对应的参考连通域边界上的像素点数量以及像素点对应的参考连通域内像素点的数量,确定像素点对应的裂缝长度特征;
将像素点对应的裂缝长度特征和像素点对应的裂缝宽度的乘积,记为像素点对应的裂缝形状特征;
根据像素点对应的裂缝形状特征和像素点灰度值,确定像素点对应的疑似裂缝特征值;
所述根据像素点对应的裂缝形状特征和像素点灰度值,确定像素点对应的疑似裂缝特征值对应的具体计算公式为:
其中A为像素点对应的疑似裂缝特征值,B为像素点对应的裂缝宽度,C为像素点对应的裂缝长度特征,D为像素点的灰度值,a为预设的常数,E为像素点对应的裂缝长度,S为像素点对应的参考连通域内像素点的数量,L为像素点对应的参考连通域边界上的像素点数量,为圆周率,/>为线性归一化函数;
所述根据疑似裂缝像素点对应的参考直线特征和对应的参考连通域的边界毛刺数量,确定疑似裂缝像素点对应的线性特征;根据疑似裂缝像素点对应的线性特征和对应的疑似裂缝特征值以及对应的参考连通域内所有像素点对应的裂缝宽度,确定疑似裂缝像素点对应的裂缝特征值,包括的具体步骤如下:
将一减去疑似裂缝像素点对应的参考直线特征之差与疑似裂缝像素点对应的参考连通域的边界毛刺数量的乘积,记为疑似裂缝像素点对应的线性特征;
根据疑似裂缝像素点对应的线性特征和疑似裂缝像素点对应的参考连通域内所有像素点对应的裂缝宽度的方差,确定疑似裂缝像素点对应的疑似裂缝特征值的校正系数;
将疑似裂缝像素点对应的疑似裂缝特征值的校正系数与疑似裂缝像素点对应的疑似裂缝特征值的乘积,记为疑似裂缝像素点对应的裂缝特征值;
所述将疑似裂缝像素点对应的疑似裂缝特征值的校正系数与疑似裂缝像素点对应的疑似裂缝特征值的乘积,记为疑似裂缝像素点对应的裂缝特征值对应的具体计算公式为:
其中为疑似裂缝像素点对应的裂缝特征值,/>为疑似裂缝像素点对应的疑似裂缝特征值,/>为疑似裂缝像素点对应的参考连通域边界上的像素点数量,/>为疑似裂缝像素点对应的参考连通域内所有像素点对应的裂缝宽度的方差,F为疑似裂缝像素点对应的参考直线特征,G为疑似裂缝像素点对应的参考连通域的边界毛刺数量,/>为线性归一化函数。
2.根据权利要求1所述基于计算机视觉的沥青道路质量检测方法,其特征在于,所述根据沥青路面图像内像素点的参考直线之间的夹角值,确定像素点对应的裂缝宽度,包括的具体步骤如下:
将沿像素点灰度梯度方向,且过像素点的直线,记为像素点的参考直线;
在沥青路面图像内从任意一个像素点开始,分别向所述像素点的参考直线两侧逐像素点遍历,将所述像素点的参考直线与遍历到的每个其它像素点的参考直线夹角中的最小值,记为参考夹角值;
当参考夹角值大于预设的夹角阈值时,停止遍历,将遍历到的最后一个像素点记为参考像素点,得到像素点对应的两个参考像素点;
将像素点对应的两个参考像素点的欧式距离,记为该像素点对应的裂缝宽度。
3.根据权利要求1所述基于计算机视觉的沥青道路质量检测方法,其特征在于,所述将像素点对应的参考连通域内的骨架线上的像素点数量,记为像素点对应的裂缝长度,包括的具体步骤如下:
在沥青路面图像内以任意一个像素点为种子点,使用区域生长算法得到生长后的连通域,记为参考连通域;
使用最大圆切法对所述像素点对应的参考连通域进行细化处理,得到所述像素点对应的参考连通域内的骨架线;
将所述像素点对应的参考连通域内的骨架线上的像素点数量,记为所述像素点对应的裂缝长度。
4.根据权利要求1所述基于计算机视觉的沥青道路质量检测方法,其特征在于,所述根据像素点对应的疑似裂缝特征值,区分正常像素点和疑似裂缝像素点,确定正常像素点对应的裂缝特征值,包括的具体步骤如下:
根据沥青路面图像内所有像素点对应的疑似裂缝特征值,使用大津算法得到疑似裂缝特征分割阈值,令沥青路面图像内疑似裂缝特征值大于等于疑似裂缝特征分割阈值的像素点为疑似裂缝像素点,令沥青路面图像内疑似裂缝特征值小于疑似裂缝特征分割阈值的像素点为正常像素点;
将正常像素点对应的裂缝特征值设置为所述正常像素点对应的疑似裂缝特征值。
5.根据权利要求1所述基于计算机视觉的沥青道路质量检测方法,其特征在于,所述对疑似裂缝像素点对应的参考连通域进行形态学处理,确定疑似裂缝像素点对应的参考连通域的边界毛刺数量,包括的具体步骤如下:
令沥青路面图像内任意一个疑似裂缝像素点对应的参考连通域内的像素点灰度值为1,其它像素点为0,得到二值沥青路面图像;
对二值沥青路面图像进行形态学开运算操作,得到开运算后的二值沥青路面图像;对二值沥青路面图像和开运算后的二值沥青路面图像进行图像差分,得到差分二值图像;
将差分二值图像内灰度值为1的像素点的数量,记为所述疑似裂缝像素点对应的参考连通域的边界毛刺数量。
6.根据权利要求1所述基于计算机视觉的沥青道路质量检测方法,其特征在于,所述根据疑似裂缝像素点对应的参考连通域内的骨架线上所有像素点的横坐标值和纵坐标值中相同值的种类数量,确定疑似裂缝像素点对应的参考直线特征,包括的具体步骤如下:
将疑似裂缝像素点对应的参考连通域内的骨架线上所有像素点的横坐标值中相同横坐标值的种类数量除以所述疑似裂缝像素点对应的参考连通域内的骨架线上的像素点数量的商,记为横坐标值直线特征;
将疑似裂缝像素点对应的参考连通域内的骨架线上所有像素点的纵坐标值中相同纵坐标值的种类数量除以所述疑似裂缝像素点对应的参考连通域内的骨架线上的像素点数量的商,记为纵坐标值直线特征;
将疑似裂缝像素点对应的横坐标值直线特征和纵坐标值直线特征中的最大值,记为疑似裂缝像素点对应的参考直线特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443139.9A CN117173661B (zh) | 2023-11-02 | 2023-11-02 | 基于计算机视觉的沥青道路质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443139.9A CN117173661B (zh) | 2023-11-02 | 2023-11-02 | 基于计算机视觉的沥青道路质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173661A CN117173661A (zh) | 2023-12-05 |
CN117173661B true CN117173661B (zh) | 2024-01-26 |
Family
ID=88947169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311443139.9A Active CN117173661B (zh) | 2023-11-02 | 2023-11-02 | 基于计算机视觉的沥青道路质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173661B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557572B (zh) * | 2024-01-12 | 2024-03-19 | 大连傲盈科技有限公司 | 基于计算机视觉的公路施工质量检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN109146859A (zh) * | 2018-08-03 | 2019-01-04 | 深圳万智联合科技有限公司 | 一种基于机器视觉的路面裂缝检测系统 |
JP2019102031A (ja) * | 2017-12-08 | 2019-06-24 | 大成建設株式会社 | コンクリート表面上のひび割れ方向特定方法、ひび割れ方向特定装置、ひび割れ方向特定システム及びプログラム |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115294139A (zh) * | 2022-10-08 | 2022-11-04 | 中国电建集团江西省电力设计院有限公司 | 基于图像的边坡裂缝监测方法 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
CN115496918A (zh) * | 2022-11-16 | 2022-12-20 | 山东高速股份有限公司 | 基于计算机视觉的高速公路路况异常检测方法及系统 |
CN116180544A (zh) * | 2023-02-23 | 2023-05-30 | 中铁五局集团成都工程有限责任公司 | 一种钻渣作路基压实度检测装置 |
CN116342586A (zh) * | 2023-05-17 | 2023-06-27 | 中铁九局集团第一建设有限公司 | 基于机器视觉的路面质量检测方法 |
CN116740072A (zh) * | 2023-08-15 | 2023-09-12 | 安徽省云鹏工程项目管理有限公司 | 基于机器视觉的道路表面缺陷检测方法及系统 |
CN116934748A (zh) * | 2023-09-15 | 2023-10-24 | 山东重交路桥工程有限公司 | 一种基于乳化高黏沥青的路面裂纹检测系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10489903B2 (en) * | 2015-04-27 | 2019-11-26 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | Stepwise refinement detection method for pavement cracks |
-
2023
- 2023-11-02 CN CN202311443139.9A patent/CN117173661B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
JP2019102031A (ja) * | 2017-12-08 | 2019-06-24 | 大成建設株式会社 | コンクリート表面上のひび割れ方向特定方法、ひび割れ方向特定装置、ひび割れ方向特定システム及びプログラム |
CN109146859A (zh) * | 2018-08-03 | 2019-01-04 | 深圳万智联合科技有限公司 | 一种基于机器视觉的路面裂缝检测系统 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115294139A (zh) * | 2022-10-08 | 2022-11-04 | 中国电建集团江西省电力设计院有限公司 | 基于图像的边坡裂缝监测方法 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
CN115496918A (zh) * | 2022-11-16 | 2022-12-20 | 山东高速股份有限公司 | 基于计算机视觉的高速公路路况异常检测方法及系统 |
CN116180544A (zh) * | 2023-02-23 | 2023-05-30 | 中铁五局集团成都工程有限责任公司 | 一种钻渣作路基压实度检测装置 |
CN116342586A (zh) * | 2023-05-17 | 2023-06-27 | 中铁九局集团第一建设有限公司 | 基于机器视觉的路面质量检测方法 |
CN116740072A (zh) * | 2023-08-15 | 2023-09-12 | 安徽省云鹏工程项目管理有限公司 | 基于机器视觉的道路表面缺陷检测方法及系统 |
CN116934748A (zh) * | 2023-09-15 | 2023-10-24 | 山东重交路桥工程有限公司 | 一种基于乳化高黏沥青的路面裂纹检测系统 |
Non-Patent Citations (5)
Title |
---|
An efficient and reliable coarse-to-fine approach for asphalt pavement crack detection;Dejin Zhang等;Image and Vision Computing;第57卷;第130-146页 * |
Image-Based Crack Detection Using Crack Width Transform (CWT) Algorithm;Hyunwoo Cho等;IEEE Access;第6卷;第60100-60114页 * |
基于改进K-means算法的不均匀光照下道路裂缝检测;王德方等;计算机应用与软件;第32卷(第7期);第244-247页 * |
基于机器视觉的矿井岩石裂缝识别算法;隋鹏飞等;青岛科技大学学报(自然科学版);第43卷(第6期);第109-118页 * |
基于计算机视觉的沥青路面裂缝图像处理算法研究;陈醉;万方数据;第1-113页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117173661A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109443480B (zh) | 基于图像处理的水位标尺定位及水位测量方法 | |
US10489903B2 (en) | Stepwise refinement detection method for pavement cracks | |
CN107633516B (zh) | 一种识别路面变形类病害的方法和装置 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
Zhao et al. | Improvement of canny algorithm based on pavement edge detection | |
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN115908411B (zh) | 基于视觉检测的混凝土养护质量分析方法 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
CN117173661B (zh) | 基于计算机视觉的沥青道路质量检测方法 | |
CN110866430B (zh) | 一种车牌识别方法及装置 | |
CN104021574A (zh) | 路面病害自动识别方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN116934748B (zh) | 一种基于乳化高黏沥青的路面裂纹检测系统 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN112330663B (zh) | 一种基于变径圆的计算机视觉烟丝宽度检测方法 | |
CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN115393657A (zh) | 基于图像处理的金属管材生产异常识别方法 | |
Safaei | Pixel and region-based image processing algorithms for detection and classification of pavement cracks | |
CN113066041A (zh) | 一种基于栈稀疏自编码深度学习的路面裂缝检测方法 | |
CN116152674A (zh) | 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法 | |
CN113592853A (zh) | 一种基于深度学习的原丝纤维表面缺陷检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |