CN117557569A - 一种道路路面施工质量检测方法及系统 - Google Patents
一种道路路面施工质量检测方法及系统 Download PDFInfo
- Publication number
- CN117557569A CN117557569A CN202410045140.4A CN202410045140A CN117557569A CN 117557569 A CN117557569 A CN 117557569A CN 202410045140 A CN202410045140 A CN 202410045140A CN 117557569 A CN117557569 A CN 117557569A
- Authority
- CN
- China
- Prior art keywords
- cluster
- value
- analysis
- pixel point
- difference
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 230000007547 defect Effects 0.000 claims abstract description 206
- 238000000034 method Methods 0.000 claims abstract description 95
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims description 219
- 230000008569 process Effects 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 27
- 238000005286 illumination Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000000739 chaotic effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 14
- 230000011218 segmentation Effects 0.000 abstract description 3
- 238000003556 assay Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及区域分割技术领域,具体涉及一种道路路面施工质量检测方法及系统。本发明获取路面灰度图像中像素点的综合缺陷值,根据每个像素点与初始聚类中心之间的距离与综合缺陷值之间的差异,将路面灰度图像中像素点进行划分得到初始聚类簇,利用迭代自组织聚类算法并结合优化分裂条件对初始聚类簇进行迭代聚类得到最终聚类簇;依据每次迭代的聚类簇内像素点的综合缺陷值以及与聚类中心之间的距离获取优化分裂条件;基于最终聚类簇内像素点的综合缺陷值对路面施工质量进行检测。本发明对综合缺陷值对迭代自组织聚类算法的分裂条件进行改进,提升缺陷区域聚类效果,提高对路面施工质量检测的准确率。
Description
技术领域
本发明涉及区域分割技术领域,具体涉及一种道路路面施工质量检测方法及系统。
背景技术
道路施工过程中常见的质量问题包括路面开裂、滑动、不均匀沉降、空鼓等,本发明主要对路面上的空鼓缺陷问题进行检测;路面空鼓会导致道路表面出现凸起或凹陷区域,影响路面的平整度和稳定性,给道路使用带来安全隐患,因此对路面施工质量检测非常重要。
通常利用迭代自组织聚类算法对初始聚类结果进行不断地合并与分裂,最终迭代出最符合聚类条件的多个类簇,以达到划分图像中缺陷区域的目的。由于空鼓缺陷区域的不同位置的凸起或凹陷的缺陷程度不同,且拍摄时光照强度可能不均匀,使缺陷区域内部像素具有一定的灰度差异,若利用常规算法中基于聚类簇内像素的灰度差异进行分裂操作,导致同一空鼓缺陷区域可能被划分为多个类簇,进而使算法的迭代收敛效果不佳,可能出现类簇反复合并、分裂的情况,影响算法效率并降低聚类结果的准确性,导致对路面施工质量检测出现误差。
发明内容
为了解决空鼓缺陷区域内部像素具有一定的灰度差异,导致缺陷区域聚类效果不佳,使路面施工质量检测出现误差的技术问题,本发明的目的在于提供一种道路路面施工质量检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种道路路面施工质量检测方法,该方法包括:
获取路面灰度图像;
结合路面灰度图像中每个像素点的预设窗口内灰度分布,所述预设窗口内灰度混乱程度与路面灰度图像中灰度混乱程度之间的差异,以及所述预设窗口内像素点的梯度角度的离散程度,获取路面灰度图像中每个像素点的综合缺陷值;
在路面灰度图像中获取至少两个初始聚类中心,根据路面灰度图像中每个像素点与初始聚类中心之间的距离以及所述综合缺陷值之间的差异,对路面灰度图像中像素点进行划分得到初始聚类簇;
利用迭代自组织聚类算法对初始聚类簇进行迭代聚类获取最终聚类簇,对迭代自组织聚类算法中的分裂条件进行改进,获取优化分裂条件;所述优化分裂条件的获取过程包括:根据每次迭代的聚类簇内像素点的所述综合缺陷值,以及所述聚类簇内像素点与其聚类中心之间的距离对预设分裂阈值进行调整,获取优化分裂条件;
基于最终聚类簇内像素点的所述综合缺陷值对道路的路面施工质量进行检测。
进一步地,所述获取路面灰度图像中每个像素点的综合缺陷值的方法,包括:
选取路面灰度图像中任意一个像素点作为分析像素点,根据分析像素点的预设窗口内灰度分布,获取分析像素点的局部缺陷值;
结合分析像素点的预设窗口内灰度混乱程度与路面灰度图像中灰度混乱程度之间的差异,以及所述预设窗口内像素点的梯度角度的离散程度,获取分析像素点的整体缺陷值;
根据所述局部缺陷值与所述整体缺陷值获取分析像素点的综合缺陷值;所述局部缺陷值与所述整体缺陷值均与所述综合缺陷值为正相关的关系。
进一步地,所述局部缺陷值的方法,包括:
将分析像素点的预设窗口内除分析像素点外其余任意一个像素点作为窗口像素点,将分析像素点与窗口像素点的灰度值之间的差值绝对值作为窗口像素点的灰度差异值,将分析像素点对应的所有窗口像素点的所述灰度差异值的均值作为分析像素点的综合差异值;
由分析像素点的预设窗口内每行中像素点的灰度值构成灰度序列;对于每个灰度序列,选取灰度序列中任意一个灰度值作为分析灰度值,当分析灰度值均小于或者大于其相邻的前一个灰度值、后一个灰度值时,将分析灰度值作为目标灰度值;将分析像素点对应的所有灰度序列中所述目标灰度值的总数量作为分析像素点的变化值;
结合分析像素点的预设窗口内像素点的灰度值的极差、所述综合差异值与所述变化值,获取分析像素点的局部缺陷值;所述极差、所述综合差异值与所述变化值均与所述局部缺陷值为正相关的关系。
进一步地,所述整体缺陷值的方法,包括:
计算分析像素点的预设窗口内所有像素点的灰度值的均值作为分析像素点的灰度局部均值;获取路面灰度图像中所有像素点的灰度值的均值作为灰度整体均值;将所述灰度局部均值与所述灰度整体均值的差值绝对值作为分析像素点的综合均差值;
计算分析像素点的预设窗口内像素点的灰度值的信息熵作为分析像素点的局部混乱度;获取路面灰度图像中所有像素点的灰度值的信息熵作为整体混乱度;将所述局部混乱度与所述整体混乱度的差值绝对值作为分析像素点的综合混乱差值;
将分析像素点的预设窗口内像素点的梯度角度的众数作为分析像素点的梯度特征角度;选取分析像素点的预设窗口内任意一个像素点作为待测像素点,将待测像素点的梯度角度与所述梯度特征角度之间的差值绝对值,作为待测像素点的初始光照差,将分析像素点的预设窗口内所有像素点的所述初始光照差异度的均值作为分析像素点的综合光照差;
结合所述综合均差值、所述综合混乱差值与所述综合光照差获取分析像素点的整体缺陷值;所述综合均差值、所述综合混乱差值与所述综合光照差均与所述整体缺陷值为正相关的关系。
进一步地,所述初始聚类簇的获取方法,包括:
计算分析像素点分别与每个初始聚类中心之间的欧式距离,将最小的第一预设数量个所述欧式距离对应的初始聚类中心作为分析像素点的关联聚类中心;
将分析像素点与每个关联聚类中心的所述局部缺陷值之间的差值绝对值作为分析像素点与每个关联聚类中心的局部关联差异;将分析像素点与每个关联聚类中心的所述整体缺陷值之间的差值绝对值作为分析像素点与每个关联聚类中心的整体关联差异;
结合分析像素点与每个初始聚类中心之间的欧式距离、所述局部关联差异与所述整体关联差异,获取分析像素点与每个初始聚类中心之间的关联度;分析像素点与每个初始聚类中心之间的欧式距离、所述局部关联差异与所述整体关联差异均与所述关联度为负相关的关系;
将分析像素点划分到最大的所述关联度对应的关联聚类中心所在的聚类簇中;遍历路面灰度图像中所有像素点进行聚类簇的划分,将初始聚类中心所在的聚类簇作为初始聚类簇。
进一步地,所述优化分裂条件的获取过程包括:
选取迭代聚类过程中任意一次迭代的任意一个聚类簇作为目标簇,将目标簇内像素点划分为至少两种类型;将目标簇内同种类型的像素点的所述综合缺陷值的均值作为目标簇内每种类型的像素点的缺陷均值;结合目标簇内像素点与其聚类中心之间的欧式距离,目标簇内像素点的所述综合缺陷值以及所述缺陷均值,获取目标簇的内部差异度;
将初次奇数迭代之后的任意一奇数次迭代作为目标奇数次迭代,选取目标奇数次迭代的任意一个聚类簇作为分析簇,所述分析簇由两个聚类簇合并得到,将所述两个聚类簇作为分析簇的组合簇;选取分析簇中任意一个像素点作为判断像素点,将判断像素点在目标奇数次迭代与其之前迭代中所在的聚类簇作为判断像素点的判断簇,若判断簇在对应迭代中出现分裂或合并,则将判断簇作为变化簇,将判断像素点对应的判断簇中所述变化簇的数量作为判断像素点的变化次数;计算分析簇与目标奇数次迭代的除分析簇外的每个聚类簇的聚类中心之间的欧式距离,将最小的第二预设数量个欧式距离对应的所述聚类簇作为分析簇的关联簇;
结合分析簇内像素点的所述变化次数、所述关联簇的所述内部差异度以及分析簇与其所述组合簇的所述内部差异度之间的差异,获取分析簇的阈值修正系数;
将分析簇的所述阈值修正系数与预设分裂阈值的乘积作为分析簇的修正分裂阈值;
所述优化分裂条件为:分析簇的所述内部差异度大于或者等于所述修正分裂阈值。
进一步地,所述目标簇的内部差异度的计算公式如下:
式中,为目标簇的所述内部差异度;Z为目标簇的整体缺陷差异值;/>为目标簇内每种类型的像素点的所述缺陷均值中的最大值;/>为目标簇内每种类型的像素点的所述缺陷均值中的最小值;/>为目标簇内像素点的综合缺陷值的方差;/>为目标簇内像素点与其聚类中心之间的欧式距离的方差;/>为目标簇的像素集合,所述像素集合由目标簇内所有像素点构成;/>为目标簇的像素集合内第j个像素点的特征差异值;/>为目标簇的像素集合内第j个像素点综合缺陷值;/>为目标簇的像素集合内所有像素点的综合缺陷值的均值;/>为目标簇的像素集合内第j个像素点与目标簇的聚类中心之间的欧式距离;/>为目标簇的像素集合内像素点与目标簇的聚类中心之间的欧式距离的均值;Norm为归一化函数;max为最大值函数。
进一步地,所述分析簇的阈值修正系数的计算公式如下:
式中,为分析簇的所述阈值修正系数;/>为分析簇的第k个像素点的所述变化次数;/>为分析簇内像素点的数量;/>为分析簇的所述内部差异度;/>为分析簇对应的第一个组合簇的内部差异度;/>为分析簇对应的第二个组合簇的内部差异度;/>为分析簇的第m个关联簇的所述内部差异度;M为分析簇的关联簇的数量;a为预设正数;exp为以自然常数e为底数的指数函数;Norm为归一化函数。
进一步地,所述基于最终聚类簇内像素点的所述综合缺陷值对道路的路面施工质量进行检测的方法,包括:
对于每个最终聚类簇,将最终聚类簇中所有像素点的所述综合缺陷值的均值作为综合均特征值;若所述综合均特征值大于或者等于预设缺陷阈值,最终聚类簇内像素点构成的连通域为空鼓缺陷区域;当存在空鼓缺陷区域时,路面施工质量不合格。
第二方面,本发明另一个实施例提供了一种道路路面施工质量检测系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时,实现上述任意一项方法的步骤。
本发明具有如下有益效果:
本发明实施例中,利用像素点周围像素的灰度分布特征,以及像素点与整张图像的灰度分布之间的差异构建综合缺陷值,降低空鼓缺陷区域内部存在较大灰度差异对聚类的影响;在基于像素点与初始聚类中心之间的距离的基础上,考虑到像素点与初始聚类中心的综合缺陷值之间的差异,避免了空鼓缺陷区域内部像素的灰度差异对初始聚类的影响,有效提升初始聚类结果的准确性并降低出现局部最优的情况的可能性;利用迭代自组织聚类算法对初始聚类簇进行迭代聚类获取最终聚类簇,依据每次迭代的聚类簇内像素点的综合缺陷值,以及聚类簇内像素点与其聚类中心之间的距离设置算法的优化分裂条件,有效避免了因空鼓缺陷区域内部像素具有一定的灰度差异导致常规利用类簇中内像素灰度差异设定优化分裂条件,导致同一空鼓缺陷区域可能被划分为多个类簇的后果,提高算法的迭代收敛效果,降低出现类簇反复合并、分裂的情况,提高算法运行效率与聚类结果的准确性,降低对路面施工质量检测出现误差的可能性。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种道路路面施工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一种道路路面施工质量检测方法及系统,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。
本发明所针对的具体场景:在对道路路面进行施工后,路面可能因材料黏结力不足、湿度控制不当、施工工艺不规范等问题出现空鼓现象,导致路面表面凸起或凹陷。而采用迭代自组织聚类算法对空鼓缺陷进行检测时,会因缺陷内部的像素表现不一致和特征差异接近阈值而产生迭代收敛不佳和聚类结果不准确的问题,所以需要修改分裂条件并在迭代过程中进行自适应调整来解决以上问题。
下面结合附图具体的说明本发明所提供的一种道路路面施工质量检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种道路路面施工质量检测方法的步骤流程图,该方法包括:
步骤S1:获取路面灰度图像。
具体的,利用无人机拍摄施工完成后道路的俯视图得到施工路面图像,本发明中施工路面图像为RGB图像;对施工路面图像进行灰度化与去噪处理,得到施工路面初始灰度图像。施工路面初始灰度图像中包含无关背景区域与路面区域,为消除无关区域对后续分析的影响,利用语义分割去除无关背景区域,将留下的路面区域作为路面灰度图像。
需要说明的是,本发明实施例中选用加权平均灰度化算法进行灰度化处理,使用高斯滤波进行去噪处理,以及语义分割,具体方法在此不做介绍,均为本领域技术人员熟知的技术手段。在本发明其他实施例中也可选用其他图像采集装置及图像预处理算法,选用神经网络获取路面灰度图像,图像采集和图像预处理算法均为本领域技术人员熟知的技术手段,在此不做限定。
步骤S2:结合路面灰度图像中每个像素点的预设窗口内灰度分布,预设窗口内灰度混乱程度与路面灰度图像中灰度混乱程度之间的差异,以及预设窗口内像素点的梯度角度的离散程度,获取路面灰度图像中每个像素点的综合缺陷值。
在常规的迭代自组织聚类算法中,像素点的聚类条件,类簇的合并与分裂条件基本上是围绕像素点之间的距离与灰度差异进行设定,路面空鼓缺陷区域内部因表面高度不同自身就存在一定的灰度差异,因此仅通过距离和灰度差异进行聚类无法得到较好的效果。本发明根据像素点的缺陷表现来构建综合特征值作为聚类和迭代条件,且同一缺陷区域内可能会存在差异接近迭代阈值即合并分裂阈值的像素点,这种像素点在迭代过程中很可能会多次进行合并与分裂,可以根据类簇在合并前后的变化自适应地调整分裂阈值,以达到整体调控迭代阈值的效果。
(1)获取路面灰度图像中每个像素点的局部缺陷值。
由于正常路面平整且光滑,则正常路面在路面灰度图像中对应区域的灰度分布较为均匀;当道路出现空鼓缺陷时,缺陷位置的表面高度参差不齐,不同位置对光线的反射效果不同,导致空鼓缺陷位置在路面灰度图像中对应区域的灰度分布较为混乱,根据像素点周围像素灰度分布特点构建像素点的局部缺陷值。
优选地,局部缺陷值的具体获取方法为:将分析像素点的预设窗口内除分析像素点外其余任意一个像素点作为窗口像素点,将分析像素点与窗口像素点的灰度值之间的差值绝对值作为窗口像素点的灰度差异值,将分析像素点对应的所有窗口像素点的灰度差异值的均值作为分析像素点的综合差异值;由分析像素点的预设窗口内每行中像素点的灰度值构成灰度序列;对于每个灰度序列,选取灰度序列中任意一个灰度值作为分析灰度值,当分析灰度值均小于或者大于其相邻的前一个灰度值、后一个灰度值时,将分析灰度值作为目标灰度值;将分析像素点对应的所有灰度序列中目标灰度值的总数量作为分析像素点的变化值;结合分析像素点的预设窗口内像素点的灰度值的极差、综合差异值与变化值,获取分析像素点的局部缺陷值;极差、综合差异值与变化值均与局部缺陷值为正相关的关系。
本发明实施例中,像素点的预设窗口的尺寸取经验值,像素点位于其预设窗口的中心位置,实施者可根据具体情况自行设置。
需要说明的是,由于分析像素点的预设窗口的尺寸为,将分析像素点的预设窗口内每行中像素点的灰度值从左到右顺序排列得到灰度序列,分析像素点对应5个灰度序列,且灰度序列中元素为灰度值。每个灰度序列中第一个灰度值与最后一个灰度值不可能为目标灰度值,灰度序列中目标灰度值的数量越多时,说明分析像素点的预设窗口内该行中像素点的灰度值的增减方向发生变化的次数越多,该行像素点的灰度值越不稳定。在本发明其他实施例中,也可以将像素点的预设窗口内每列中像素点的灰度值从上到下顺序排列得到灰度序列。
分析像素点的局部缺陷值的计算公式如下:
式中,为分析像素点的局部缺陷值;H为分析像素点的灰度值;/>为分析像素点的预设窗口内除分析像素点外其余第i个像素点的灰度值;I为分析像素点的预设窗口内像素点的总数量;/>为分析像素点的预设窗口内像素点的灰度值的最大值;/>为分析像素点的预设窗口内像素点的灰度值的最小值;/>为分析像素点的预设窗口内像素点的灰度值的极差;G为分析像素点的变化值;/>为分析像素点的预设窗口内除分析像素点外其余第i个像素点的灰度差异值;/>为分析像素点的综合差异值;Norm为归一化函数;/>为绝对值函数。
本实施例中通过分析像素点与其预设窗口内像素点的灰度差异衡量分析像素点的预设窗口内灰度变化程度,当越大时,说明分析像素点的预设窗口内像素点的灰度变化程度越大,分析像素点位于空鼓缺陷区域的可能性越大,则局部缺陷值/>越大。当越大时,说明分析像素点的预设窗口内像素点的灰度值差异越大,分析像素点位于空鼓缺陷区域的可能性越大,则局部缺陷值/>越大。当G越大时,说明分析像素点的预设窗口内像素点的灰度值的增减方向发生变化的次数越多,分析像素点的预设窗口内像素的灰度值越不稳定,像素点位于空鼓缺陷区域的可能性越大,则局部缺陷值/>越大。
(2)获取路面灰度图像中每个像素点的整体缺陷值。
已知空鼓缺陷区域与正常道路区域的灰度分布存在较大差异,由于空鼓缺陷区域一般面积较小,正常路面区域占据整张图像的大部分面积,则路面灰度图像的整体表现趋于正常区域,因此,空鼓缺陷区域与整张图像的灰度分布存在较大差异,据此获取像素点的整体特征值。
优选地,整体缺陷值的具体获取方法为:计算分析像素点的预设窗口内所有像素点的灰度值的均值作为分析像素点的灰度局部均值;获取路面灰度图像中所有像素点的灰度值的均值作为灰度整体均值;将灰度局部均值与灰度整体均值的差值绝对值作为分析像素点的综合均差值;计算分析像素点的预设窗口内像素点的灰度值的信息熵作为分析像素点的局部混乱度;获取路面灰度图像中所有像素点的灰度值的信息熵作为整体混乱度;将局部混乱度与整体混乱度的差值绝对值作为分析像素点的综合混乱差值;将分析像素点的预设窗口内像素点的梯度角度的众数作为分析像素点的梯度特征角度;选取分析像素点的预设窗口内任意一个像素点作为待测像素点,将待测像素点的梯度角度与梯度特征角度之间的差值绝对值,作为待测像素点的初始光照差,将分析像素点的预设窗口内所有像素点的初始光照差异度的均值作为分析像素点的综合光照差;结合综合均差值、综合混乱差值与综合光照差获取分析像素点的整体缺陷值;综合均差值、综合混乱差值与综合光照差均与整体缺陷值为正相关的关系。
其中,信息熵的计算方法为本领域技术人员公知技术,在此不再赘述。
需要说明的是,由于路面灰度图像中大部分区域受到光照的方向相同,则将分析像素点的预设窗口内像素点的梯度角度的众数作为分析像素点的梯度特征角度。
分析像素点的整体缺陷值的计算公式如下:
式中,为分析像素点的整体缺陷值;/>为分析像素点的灰度局部均值;/>为灰度整体均值;/>为分析像素点的综合均差值;/>为分析像素点的局部混乱度,/>为整体混乱度;/>为分析像素点的综合混乱差值;I为分析像素点的预设窗口内像素点的总数量;/>为分析像素点的预设窗口内第i个像素点的梯度角度;/>为分析像素点的梯度特征角度;/>为分析像素点的初始光照差;/>为分析像素点的综合光照差;Norm为归一化函数;/>为绝对值函数。
已知空鼓缺陷区域与整张图像的灰度分布存在较大差异,空鼓缺陷区域的灰度分布较为混乱,整张图像的灰度分布较为均匀。当越大时,说明分析像素点处于空鼓缺陷区域的可能性越大,则整体缺陷值/>越大。由于空鼓缺陷位置的表面高度参差不齐,导致空鼓缺陷中不同位置的光照发生改变,其在图像中对应区域内灰度分布较为混乱,局部混乱度DA较大;路面灰度图像的灰度分布较为均匀,整体混乱度DB较小,当/>越大时,分析像素点位于空鼓缺陷区域的可能性越大,则整体缺陷值/>越大。
由于路面灰度图像中大部分区域受到光照的方向相同,而空鼓缺陷区域的表面高度参差不齐,导致空鼓缺陷区域中不同位置受到光照的方向发生改变,本发明通过像素点的梯度方向反映像素点处的光照方向。反映像素点的预设窗口内像素点的梯度方向与光照方向之间的差异,当/>越大时,说明分析像素点与其周围像素点的光照越不均匀,/>越大,像素点位于空鼓缺陷区域的可能性越大,则整体缺陷值/>越大。
(3)获取路面灰度图像中每个像素点的综合缺陷值。
将分析像素点的局部缺陷值与整体缺陷值的乘积作为分析像素点的综合缺陷值,当综合缺陷值越大时,说明分析像素点位于空鼓缺陷位置的可能性越大。
需要说明的是,由于分析像素点为路面灰度图像中任意一个像素点,则根据分析像素点的综合缺陷值的获计算方法,获取路面灰度图像中所有像素点的综合缺陷值。
步骤S3:在路面灰度图像中获取至少两个初始聚类中心,根据路面灰度图像中每个像素点与初始聚类中心之间的距离以及所述综合缺陷值之间的差异,对路面灰度图像中像素点进行划分得到初始聚类簇。
本发明选用迭代自组织聚类算法对路面灰度图像中的像素点进行聚类,基于综合缺陷值设定初始聚类条件,以获取初始聚类结果即初始聚类簇。由于本发明主要针对迭代过程中的迭代条件进行自适应优化调整,为了保证初始聚类簇的分布足够均匀,使用等距离选取的方式确定初始聚类中心的位置,具体方法如下:
将路面灰度图像均匀划分尺寸相同的若干个正方形区域,若本发明实施例中路面灰度图像的长宽比为,则将路面灰度图像在长、宽上分别等距离划分为8个部分和6个部分,得到48个尺寸相同的正方形区域,将每个正方形区域的中心位置的像素点作为初始聚类中心。
其中,迭代自组织聚类算法为本领域技术人员公知技术,在此不再赘述。
在常规的迭代自组织聚类算法中首先按最近邻规则将路面灰度图像中像素点划分到初始聚类中心所在的聚类簇中,之后根据设定条件对这些聚类簇进行合并与分裂操作;本发明在基于距离对路面灰度图像中像素点进行划分的基准上,添加综合缺陷值进行分析,获取初始聚类簇,避免了空鼓缺陷区域内部像素的灰度差异聚类的影响,并增强像素点的缺陷特征表现,有效提升聚类的准确性,同时减少了可能出现的局部最优的情况。
优选地,初始聚类簇的划分方法为:计算分析像素点分别与每个初始聚类中心之间的欧式距离,将最小的第一预设数量个欧式距离对应的初始聚类中心作为分析像素点的关联聚类中心;将分析像素点与每个关联聚类中心的局部缺陷值之间的差值绝对值作为分析像素点与每个关联聚类中心的局部关联差异;将分析像素点与每个关联聚类中心的整体缺陷值之间的差值绝对值作为分析像素点与每个关联聚类中心的整体关联差异;结合分析像素点与每个初始聚类中心之间的欧式距离、局部关联差异与整体关联差异,获取分析像素点与每个初始聚类中心之间的关联度;分析像素点与每个初始聚类中心之间的欧式距离、局部关联差异与整体关联差异均与关联度为负相关的关系;将分析像素点划分到最大的关联度对应的关联聚类中心所在的聚类簇中;遍历路面灰度图像中所有像素点进行聚类簇的划分,将初始聚类中心所在的聚类簇作为初始聚类簇。
本发明实施例中第一预设数量取经验值4,实施者可根据具体情况自行设置。需要说明的是,将分析像素点分别与每个初始聚类中心之间的欧式距离从小到大顺序排列,选取前4个欧式距离对应的初始聚类中心作为分析像素点的关联聚类中心。仅考虑分像素点与其关联聚类中心的特征之间的关联程度,有效减少计算量。
分析像素点与其关联聚类中心之间的相关度的计算公式如下:
式中,为分析像素点与其第r个关联聚类中心之间的关联度;/>为分析像素点与其第r个关联聚类中心之间的欧式距离;/>为分析像素点的局部缺陷值;/>为分析像素点的第r个关联聚类中心的局部缺陷值;/>为分析像素点与其第r个关联聚类中心的局部关联差异;/>为分析像素点的整体缺陷值,/>为分析像素点的第r个关联聚类中心的整体缺陷值;/>为分析像素点与其第r个关联聚类中心的整体关联差异;a为预设正数,取经验值0.01,作用为防止分母为零导致分式无意义;/>为绝对值函数。
当越大时,说明分析像素点与其第r个关联聚类中心之间的距离越远,则分析像素点与其第r个关联聚类中心之间的相关性越小,关联度/>越大。/>与/>依次从像素点的局部范围内、整张图像范围内呈现分析像素点与其第r个关联聚类中心的局部范围内呈现空鼓缺陷程度之间的差异程度,当/>与/>均越大时,说明分析像素点与其第r个关联聚类中心呈现空鼓缺陷程度之间的差异程度越大,,两个像素点之间的相关程度越小,则关联度/>越大。
计算分析像素点分别与其4个关联聚类中心之间的相关度,将分析像素点划分到最大的相关度对应的关联聚类中心所在的聚类簇中。根据分析像素点的划分方法,将路面灰度图像中所有像素点均进行划分,遍历路面灰度图像中所有像素点,直至图像中所有像素点均划分完成,将初始聚类中心所在的聚类簇作为初始聚类簇。
步骤S4:利用迭代自组织聚类算法对初始聚类簇进行迭代聚类获取最终聚类簇,对迭代自组织聚类算法中的分裂条件进行改进,获取优化分裂条件;所述优化分裂条件的获取过程包括:根据每次迭代的聚类簇内像素点的所述综合缺陷值,以及所述聚类簇内像素点与其聚类中心之间的距离对预设分裂阈值进行调整,获取优化分裂条件。
将路面灰度图像中像素点初步划分得到初始聚类簇后,迭代自组织聚类算法会基于合并条件对聚类簇进行合并操作,将距离较近、相似度较高的类簇合并为一个类簇,之后便会对类簇进行分裂操作。在常规的迭代自组织聚类算法中的分裂条件是基于类簇中像素点数量、内部像素灰度值方差进行设定,而仅有这些特征显然不适用于检测空鼓缺陷的聚类过程。本发明利用获取的像素点的综合缺陷值与类簇间的整体缺陷的差异获取优化分裂条件,以判断聚类簇是否需要分裂。
利用迭代自组织聚类算法对路面灰度图像中像素点进行迭代聚类,获取最终聚类簇,最终聚类簇均不满足分裂条件与合并条件。需要说明的是,初始聚类簇相当于对路面灰度图像中像素点进行迭代过程中第一次迭代的聚类簇。
优选地,本发明实施例中迭代自组织聚类算法的合并条件可以具体例如为:对于迭代聚类过程中任意一次迭代的任意两个聚类簇,两个聚类簇的聚类中心之间的欧式距离小于预设距离。若上述两个聚类簇满足合并条件即两个聚类簇的聚类中心之间的欧式距离小于预设距离,可以将两个聚类簇合并为一个新的聚类簇。本发明实施例中预设距离取经验值100,实施者可根据体情况自行设置。由于迭代自组织聚类算法的合并条件为本领域所熟知的条件信息,在本发明的另一些实施例中也可以根据实际情况选择其他合适的合并条件,对此不做限制。本发明旨在对分裂条件进行优化,从而更加适应于道路路面缺陷区域的质量检测。
迭代自组织聚类算法的优化分裂条件的获取过程如下:
(1)获取每次迭代的聚类簇的内部差异度。
选取迭代聚类过程中任意一次迭代的任意一个聚类簇作为目标簇,将目标簇内像素点划分为至少两种类型;将目标簇内同种类型的像素点的综合缺陷值的均值作为目标簇内每种类型的像素点的缺陷均值;结合目标簇内像素点与其聚类中心之间的欧式距离,目标簇内像素点的综合缺陷值以及缺陷均值,获取目标簇的内部差异度。
优选地,本发明实施例中将目标簇内像素点划分为至少两种类型的方法具体如下:以目标簇的聚类中心为原点建立平面直角坐标系,将目标簇在同一象限内像素点作为同种类型的像素点,共得到四种类型的像素点。需要说明的是,平面直角坐标系的横轴的正半轴上的像素点与坐标原点归为第一象限对应类型的像素点,横轴的负半轴上的像素点归为第三象限对应类型的像素点,纵轴的正半轴上的像素点归为第二象限对应类型的像素点,纵轴的负半轴上的像素点归为第四象限对应类型的像素点。
在本发明其他实施例中可以依据目标簇内像素点的综合缺陷值进行归一化处理得到归一综合缺陷值,对于目标簇内的像素点,将归一综合缺陷值属于的像素点作为第一种类型的像素点,将归一综合缺陷值属于/>的像素点作为第二种类型的像素点,将归一综合缺陷值属于/>的像素点作为第三种类型的像素点,将归一综合缺陷值属于/>的像素点作为第四种类型的像素点。
目标簇的内部差异度的计算公式如下:
式中,为目标簇的内部差异度;Z为目标簇的整体缺陷差异值;/>为目标簇内每种类型的像素点的缺陷均值中的最大值;/>为目标簇内每种类型的像素点的缺陷均值中的最小值;/>为目标簇内像素点的综合缺陷值的方差;/>为目标簇内像素点与其聚类中心之间的欧式距离的方差;/>为目标簇的像素集合,像素集合由目标簇内所有像素点构成;/>为目标簇的像素集合内第j个像素点的特征差异值;/>为目标簇的像素集合内第j个像素点综合缺陷值;/>为目标簇的像素集合内所有像素点的综合缺陷值的均值;/>为目标簇的像素集合内第j个像素点与目标簇的聚类中心之间的欧式距离;/>为目标簇的像素集合内像素点与目标簇的聚类中心之间的欧式距离的均值;Norm为归一化函数;max为最大值函数。
当越大时,说明目标簇内第j个像素点与该簇对应区域的缺陷程度之间的差异越大,若目标簇代表正常路面区域时,则目标簇内第j个像素点处于空鼓缺陷位置的可能性越大;若目标簇代表空鼓缺陷区域时,则目标簇内第j个像素点处于正常路面区域的可能性越大,目标簇内像素点之间的差异性越大,则特征差异值/>越大。当/>越大时,说明目标簇内像素点较为分散,像素点越分散目标簇对应区域同时处于正常区域与空鼓缺陷区域的可能性越大,则特征差异值/>越大,目标簇内像素点的缺陷程度之间的差异程度越大,则内部差异度/>越大。
与/>均反映目标簇内不同类型的像素点的缺陷程度,当/>越大时,说明目标簇内不同类型的像素点的缺陷程度之间的差异越大,目标簇对应区域同时处于正常道路区域与空鼓缺陷区域的可能性越大,内部差异度/>越大。当/>越小时,说明目标簇内像素点的综合缺陷值较为一致,目标簇内像素点同时处于正常路面区域与空鼓缺陷区域的可能性越大,则内部差异度/>越小。当/>越小,说明目标簇内像素点越密集,目标簇内像素点位于同一类型区域的可能性越大,聚类簇内像素点之间的差异越小,内部差异度/>越小。
获取迭代聚类过程中每次迭代的所有聚类簇的内部差异度,每次迭代的聚类簇的内部差异度与目标簇的内部差异度的计算方法相同。
内部差异度通过聚类簇内像素点的综合缺陷值之间的差异来分析类簇内部的缺陷表现差异,当缺陷表现差异过大时认为该类簇满足优化分裂条件,则执行分裂操作。基于内部差异度设置优化分裂条件可以将同一个类簇中不同表现的像素更好地区分开,使得到的新类簇具有较高的准确性,分裂效果较好。
(2)获取偶数次迭代的聚类簇的阈值修正系数。
在迭代过程中,缺陷表现较为明显的类簇很容易被独立出来,而缺陷表现不明显的类簇在计算分裂条件的过程中得出的结果很可能在阈值上下徘徊,导致类簇反复地合并、分裂,无法收敛出较为准确的结果。因此,本发明让分裂阈值进行自适应变化,使这些类簇在迭代出较好的结果时跳出循环,停止迭代。本发明实施例通过每次迭代过程中合并前后的类簇变化来分析类簇的收敛情况,获取阈值修正系数,据此对分裂条件进行改进。
优选地,阈值修正系数的获取过程为:将迭代聚类过程中任意一偶数次迭代作为目标偶数次迭代,选取目标偶数次迭代的任意一个聚类簇作为分析簇,分析簇由目标偶数次迭代的上一次迭代的两个聚类簇合并得到,将两个聚类簇作为分析簇的组合簇;选取分析簇中任意一个像素点作为判断像素点,将判断像素点在目标偶数次迭代与其之前迭代中所在的聚类簇作为判断像素点的判断簇,若判断簇在对应迭代中出现分裂或合并,则将判断簇作为变化簇,将判断像素点对应的判断簇中变化簇的数量作为判断像素点的变化次数;计算分析簇与目标偶数次迭代的除分析簇外的每个聚类簇的聚类中心之间的欧式距离,将最小的第二预设数量个欧式距离对应的聚类簇作为分析簇的关联簇;结合分析簇内像素点的变化次数、关联簇的内部差异度以及分析簇与其组合簇的内部差异度之间的差异,获取分析簇的阈值修正系数。
在利用迭代自组织聚类过程中当迭代次数是奇数时对聚类簇进行分裂操作,当迭代次数为偶数时对聚类簇进行合并操作。由于本发明仅对迭代聚类过程中的分裂条件进行改进,则需要对当前迭代次的上一次迭代的聚类簇,即偶数次迭代的聚类簇进行分析。
作为一个示例,若第一次迭代有聚类簇、/>、/>;第二次迭代有聚类簇/>、/>;其中,/>与/>内像素点没有改变,/>由/>、/>合并得到;第三次迭代有/>、/>、/>,其中,/>与内像素点没有改变,/>、/>由/>分裂得到;第四次迭代有/>、/>,其中,/>由/>、/>合并得到,/>与/>内像素点没有改变。本发明规定第一次迭代的聚类簇为变化簇,若像素点D为内的像素点且位于聚类簇/>中,则/>与/>为变化簇,像素点的变化次数等于2;若像素点D为/>内的像素点且位于聚类簇/>、/>中,则/>、/>、/>与/>为变化簇,像素点的变化次数等于4;若像素点D为/>内的像素点且位于聚类簇/>、/>中,则/>、/>、/>为变化簇,像素点的变化次数等于3。
本发明实施例中第二预设数量取经验值4,实施者可根据具体情况自行设置。计算分析簇分别与其对应偶数次迭代的除分析簇外的每个聚类簇的聚类中心之间的欧式距离,将欧式距离从小到大顺序排列,将前四个欧式距离对应的聚类簇心作为分析簇的关联簇。
分析簇的阈值修正系数的计算公式如下:
式中,为分析簇的,阈值修正系数;/>为分析簇的第k个像素点的变化次数;/>为分析簇内像素点的数量;/>为分析簇的内部差异度;/>为分析簇对应的第一个组合簇的内部差异度;/>为分析簇对应的第二个组合簇的内部差异度;/>为分析簇的第m个关联簇的内部差异度;M为分析簇的关联簇的数量,即第二预设数量;a为预设正数,取经验值0.01,作用为防止分母为零导致分式无意义;exp为以自然常数e为底数的指数函数;Norm为归一化函数。
需要注意的是,若分析簇对应的迭代次数的上一次迭代中存在聚类簇与分析簇内像素点相同,说明分析簇不是由聚类簇合并得到,则分析簇不存在组合簇,本发明设置等于1,以参与分析簇的阈值修正系数的计算。/>
表示分析簇的不稳定程度,当/>越大时,说明分析簇内第k个像素点的分裂、合并次数越多,则分析簇越不稳定,分析簇进行分裂操作的可能性越大,此时阈值修正系数应越大,以降低分析簇继续分裂的可能性。/>呈现分析簇合并前后的内部差异度的缩减情况;当/>时,两个组合簇合并为分析簇的合并效果较好,,阈值修正系数/>应越大,使分析簇更不容易被分裂;当/>时,两个组合簇合并为分析簇的合并效果较差,/>,阈值修正系数/>应越小,使分析簇更容易被分裂。/>为与分析簇距离较近的聚类簇的内部差异度,/>反映分析簇周围的稳定程度,当/>越小时,说明分析簇周围的聚类簇越稳定、越不容易被分裂,此时即使分析簇被分裂,存在较大可能会再与相同类簇合并回来,所以需要提高阈值修正系数/>让分析簇更不容易被分裂。
(3)获取优化分裂条件。
将分析簇的阈值修正系数与预设分裂阈值的乘积作为分析簇的修正分裂阈值,本发明实施例中预设分裂阈值取经验值0.65,实施者可根据具体情况自行设置。
优化分裂条件为:分析簇的内部差异度大于或者等于分析簇的修正分裂阈值。
迭代聚类过程中每偶数次迭代的聚类簇的修正分裂阈值与分析簇的修正分裂阈值的获取方法相同。
步骤S5:基于最终聚类簇内像素点的综合缺陷值对道路的路面施工质量进行检测。
对于每个最终聚类簇,将最终聚类簇中所有像素点的综合缺陷值的均值作为综合均特征值;若综合均特征值大于或者等于预设缺陷阈值,最终聚类簇内像素点构成的连通域为空鼓缺陷区域;当存在空鼓缺陷区域时,路面施工质量不合格。
本发明实施例中预设缺陷阈值取经验值0.6,实施者可根据具体情况自行设置。
至此,本发明完成。
综上所述,本发明实施例中,获取路面灰度图像中像素点的综合缺陷值,根据每个像素点与初始聚类中心之间的距离与综合缺陷值之间的差异,将路面灰度图像中像素点进行划分得到初始聚类簇,利用迭代自组织聚类算法并结合优化分裂条件对初始聚类簇进行迭代聚类得到最终聚类簇;依据每次迭代的聚类簇内像素点的综合缺陷值以及与聚类中心之间的距离获取优化分裂条件;基于最终聚类簇内像素点的综合缺陷值对路面施工质量进行检测。本发明对综合缺陷值对迭代自组织聚类算法的分裂条件进行改进,提升缺陷区域聚类效果,提高对路面施工质量检测的准确率。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种道路路面施工质量检测系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时,实现上述一种道路路面施工质量检测方法实施例中的步骤,例如图1所示的步骤。该一种道路路面施工质量检测方法在上述实施例中已经详细说明,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (10)
1.一种道路路面施工质量检测方法,其特征在于,该方法包括:
获取路面灰度图像;
结合路面灰度图像中每个像素点的预设窗口内灰度分布,所述预设窗口内灰度混乱程度与路面灰度图像中灰度混乱程度之间的差异,以及所述预设窗口内像素点的梯度角度的离散程度,获取路面灰度图像中每个像素点的综合缺陷值;
在路面灰度图像中获取至少两个初始聚类中心,根据路面灰度图像中每个像素点与初始聚类中心之间的距离以及所述综合缺陷值之间的差异,对路面灰度图像中像素点进行划分得到初始聚类簇;
利用迭代自组织聚类算法对初始聚类簇进行迭代聚类获取最终聚类簇,对迭代自组织聚类算法中的分裂条件进行改进,获取优化分裂条件;所述优化分裂条件的获取过程包括:根据每次迭代的聚类簇内像素点的所述综合缺陷值,以及所述聚类簇内像素点与其聚类中心之间的距离对预设分裂阈值进行调整,获取优化分裂条件;
基于最终聚类簇内像素点的所述综合缺陷值对道路的路面施工质量进行检测。
2.根据权利要求1所述的一种道路路面施工质量检测方法,其特征在于,所述获取路面灰度图像中每个像素点的综合缺陷值的方法,包括:
选取路面灰度图像中任意一个像素点作为分析像素点,根据分析像素点的预设窗口内灰度分布,获取分析像素点的局部缺陷值;
结合分析像素点的预设窗口内灰度混乱程度与路面灰度图像中灰度混乱程度之间的差异,以及所述预设窗口内像素点的梯度角度的离散程度,获取分析像素点的整体缺陷值;
根据所述局部缺陷值与所述整体缺陷值获取分析像素点的综合缺陷值;所述局部缺陷值与所述整体缺陷值均与所述综合缺陷值为正相关的关系。
3.根据权利要求2所述的一种道路路面施工质量检测方法,其特征在于,所述局部缺陷值的方法,包括:
将分析像素点的预设窗口内除分析像素点外其余任意一个像素点作为窗口像素点,将分析像素点与窗口像素点的灰度值之间的差值绝对值作为窗口像素点的灰度差异值,将分析像素点对应的所有窗口像素点的所述灰度差异值的均值作为分析像素点的综合差异值;
由分析像素点的预设窗口内每行中像素点的灰度值构成灰度序列;对于每个灰度序列,选取灰度序列中任意一个灰度值作为分析灰度值,当分析灰度值均小于或者大于其相邻的前一个灰度值、后一个灰度值时,将分析灰度值作为目标灰度值;将分析像素点对应的所有灰度序列中所述目标灰度值的总数量作为分析像素点的变化值;
结合分析像素点的预设窗口内像素点的灰度值的极差、所述综合差异值与所述变化值,获取分析像素点的局部缺陷值;所述极差、所述综合差异值与所述变化值均与所述局部缺陷值为正相关的关系。
4.根据权利要求2所述的一种道路路面施工质量检测方法,其特征在于,所述整体缺陷值的方法,包括:
计算分析像素点的预设窗口内所有像素点的灰度值的均值作为分析像素点的灰度局部均值;获取路面灰度图像中所有像素点的灰度值的均值作为灰度整体均值;将所述灰度局部均值与所述灰度整体均值的差值绝对值作为分析像素点的综合均差值;
计算分析像素点的预设窗口内像素点的灰度值的信息熵作为分析像素点的局部混乱度;获取路面灰度图像中所有像素点的灰度值的信息熵作为整体混乱度;将所述局部混乱度与所述整体混乱度的差值绝对值作为分析像素点的综合混乱差值;
将分析像素点的预设窗口内像素点的梯度角度的众数作为分析像素点的梯度特征角度;选取分析像素点的预设窗口内任意一个像素点作为待测像素点,将待测像素点的梯度角度与所述梯度特征角度之间的差值绝对值,作为待测像素点的初始光照差,将分析像素点的预设窗口内所有像素点的所述初始光照差异度的均值作为分析像素点的综合光照差;
结合所述综合均差值、所述综合混乱差值与所述综合光照差获取分析像素点的整体缺陷值;所述综合均差值、所述综合混乱差值与所述综合光照差均与所述整体缺陷值为正相关的关系。
5.根据权利要求2所述的一种道路路面施工质量检测方法,其特征在于,所述初始聚类簇的获取方法,包括:
计算分析像素点分别与每个初始聚类中心之间的欧式距离,将最小的第一预设数量个所述欧式距离对应的初始聚类中心作为分析像素点的关联聚类中心;
将分析像素点与每个关联聚类中心的所述局部缺陷值之间的差值绝对值作为分析像素点与每个关联聚类中心的局部关联差异;将分析像素点与每个关联聚类中心的所述整体缺陷值之间的差值绝对值作为分析像素点与每个关联聚类中心的整体关联差异;
结合分析像素点与每个初始聚类中心之间的欧式距离、所述局部关联差异与所述整体关联差异,获取分析像素点与每个初始聚类中心之间的关联度;分析像素点与每个初始聚类中心之间的欧式距离、所述局部关联差异与所述整体关联差异均与所述关联度为负相关的关系;
将分析像素点划分到最大的所述关联度对应的关联聚类中心所在的聚类簇中;遍历路面灰度图像中所有像素点进行聚类簇的划分,将初始聚类中心所在的聚类簇作为初始聚类簇。
6.根据权利要求1所述的一种道路路面施工质量检测方法,其特征在于,所述优化分裂条件的获取过程包括:
选取迭代聚类过程中任意一次迭代的任意一个聚类簇作为目标簇,将目标簇内像素点划分为至少两种类型;将目标簇内同种类型的像素点的所述综合缺陷值的均值作为目标簇内每种类型的像素点的缺陷均值;结合目标簇内像素点与其聚类中心之间的欧式距离,目标簇内像素点的所述综合缺陷值以及所述缺陷均值,获取目标簇的内部差异度;
将迭代聚类过程中任意一偶数次迭代作为目标偶数次迭代,选取目标偶数次迭代的任意一个聚类簇作为分析簇,所述分析簇由目标偶数次迭代的上一次迭代的两个聚类簇合并得到,将所述两个聚类簇作为分析簇的组合簇;选取分析簇中任意一个像素点作为判断像素点,将判断像素点在目标偶数次迭代与其之前迭代中所在的聚类簇作为判断像素点的判断簇,若判断簇在对应迭代中出现分裂或合并,则将判断簇作为变化簇,将判断像素点对应的判断簇中所述变化簇的数量作为判断像素点的变化次数;计算分析簇与目标偶数次迭代的除分析簇外的每个聚类簇的聚类中心之间的欧式距离,将最小的第二预设数量个所述欧式距离对应的所述聚类簇作为分析簇的关联簇;
结合分析簇内像素点的所述变化次数、所述关联簇的所述内部差异度以及分析簇与其所述组合簇的所述内部差异度之间的差异,获取分析簇的阈值修正系数;
将分析簇的所述阈值修正系数与预设分裂阈值的乘积作为分析簇的修正分裂阈值;
所述优化分裂条件为:分析簇的所述内部差异度大于或者等于所述修正分裂阈值。
7.根据权利要求6所述的一种道路路面施工质量检测方法,其特征在于,所述目标簇的内部差异度的计算公式如下:
式中,为目标簇的所述内部差异度;Z为目标簇的整体缺陷差异值;/>为目标簇内每种类型的像素点的所述缺陷均值中的最大值;/>为目标簇内每种类型的像素点的所述缺陷均值中的最小值;/>为目标簇内像素点的综合缺陷值的方差;/>为目标簇内像素点与其聚类中心之间的欧式距离的方差;/>为目标簇的像素集合,所述像素集合由目标簇内所有像素点构成;/>为目标簇的像素集合内第j个像素点的特征差异值;/>为目标簇的像素集合内第j个像素点综合缺陷值;/>为目标簇的像素集合内所有像素点的综合缺陷值的均值;/>为目标簇的像素集合内第j个像素点与目标簇的聚类中心之间的欧式距离;/>为目标簇的像素集合内像素点与目标簇的聚类中心之间的欧式距离的均值;Norm为归一化函数;max为最大值函数。
8.根据权利要求6所述的一种道路路面施工质量检测方法,其特征在于,所述分析簇的阈值修正系数的计算公式如下:
式中,为分析簇的所述阈值修正系数;/>为分析簇的第k个像素点的所述变化次数;/>为分析簇内像素点的数量;/>为分析簇的所述内部差异度;/>为分析簇对应的第一个组合簇的内部差异度;/>为分析簇对应的第二个组合簇的内部差异度;/>为分析簇的第m个关联簇的所述内部差异度;M为分析簇的关联簇的数量;a为预设正数;exp为以自然常数e为底数的指数函数;Norm为归一化函数。
9.根据权利要求1所述的一种道路路面施工质量检测方法,其特征在于,所述基于最终聚类簇内像素点的所述综合缺陷值对道路的路面施工质量进行检测的方法,包括:
对于每个最终聚类簇,将最终聚类簇中所有像素点的所述综合缺陷值的均值作为综合均特征值;若所述综合均特征值大于或者等于预设缺陷阈值,最终聚类簇内像素点构成的连通域为空鼓缺陷区域;当存在空鼓缺陷区域时,路面施工质量不合格。
10.一种道路路面施工质量检测系统,其特征在于,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时,实现上述权利要求1-9任意一项所述一种道路路面施工质量检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045140.4A CN117557569B (zh) | 2024-01-12 | 2024-01-12 | 一种道路路面施工质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045140.4A CN117557569B (zh) | 2024-01-12 | 2024-01-12 | 一种道路路面施工质量检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557569A true CN117557569A (zh) | 2024-02-13 |
CN117557569B CN117557569B (zh) | 2024-04-02 |
Family
ID=89817065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410045140.4A Active CN117557569B (zh) | 2024-01-12 | 2024-01-12 | 一种道路路面施工质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557569B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764290A (zh) * | 2024-02-22 | 2024-03-26 | 深圳市智德森水务科技有限公司 | 一种水利工程施工用bim模型数据管理方法 |
CN117853493A (zh) * | 2024-03-08 | 2024-04-09 | 山东天意机械股份有限公司 | 一种基于图像处理的墙板生产质量检测方法 |
CN117893533A (zh) * | 2024-03-14 | 2024-04-16 | 自贡市第一人民医院 | 基于图像特征的心胸比智能检测方法及系统 |
CN117934483A (zh) * | 2024-03-25 | 2024-04-26 | 青岛佳美洋食品有限公司 | 一种基于计算机视觉的鳕鱼肠生产加工质量检测方法 |
CN117953252A (zh) * | 2024-03-26 | 2024-04-30 | 贵州道坦坦科技股份有限公司 | 高速公路资产数据自动化采集方法及系统 |
CN118038278A (zh) * | 2024-04-11 | 2024-05-14 | 武汉同创万智数字科技有限公司 | 一种建筑工程质量智能检测方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517284A (zh) * | 2014-09-29 | 2015-04-15 | 西安电子科技大学 | 基于深度置信网的极化sar图像分割 |
CN108154158A (zh) * | 2017-12-18 | 2018-06-12 | 西安交通大学 | 一种面向增强现实应用的建筑物图像分割方法 |
CN109085468A (zh) * | 2018-07-27 | 2018-12-25 | 上海交通大学 | 一种电缆局部放电绝缘缺陷的识别方法 |
CN111343388A (zh) * | 2019-04-11 | 2020-06-26 | 杭州海康慧影科技有限公司 | 一种曝光时间的确定方法、装置 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
CN116228772A (zh) * | 2023-05-09 | 2023-06-06 | 聊城市检验检测中心 | 一种生鲜食品变质区域快速检测方法及系统 |
CN116342583A (zh) * | 2023-05-15 | 2023-06-27 | 山东超越纺织有限公司 | 一种用于纺纱生产加工的抗起球性能检测方法 |
CN116580024A (zh) * | 2023-07-12 | 2023-08-11 | 山东荣信集团有限公司 | 一种基于图像处理的焦炭质量检测方法 |
CN117036341A (zh) * | 2023-10-07 | 2023-11-10 | 青岛奥维特智能科技有限公司 | 一种基于图像处理的路面裂缝检测方法 |
CN117078672A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市凯尔文电子有限公司 | 基于计算机视觉的手机屏幕缺陷智能检测方法 |
CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及系统 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
-
2024
- 2024-01-12 CN CN202410045140.4A patent/CN117557569B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517284A (zh) * | 2014-09-29 | 2015-04-15 | 西安电子科技大学 | 基于深度置信网的极化sar图像分割 |
CN108154158A (zh) * | 2017-12-18 | 2018-06-12 | 西安交通大学 | 一种面向增强现实应用的建筑物图像分割方法 |
CN109085468A (zh) * | 2018-07-27 | 2018-12-25 | 上海交通大学 | 一种电缆局部放电绝缘缺陷的识别方法 |
CN111343388A (zh) * | 2019-04-11 | 2020-06-26 | 杭州海康慧影科技有限公司 | 一种曝光时间的确定方法、装置 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
CN116228772A (zh) * | 2023-05-09 | 2023-06-06 | 聊城市检验检测中心 | 一种生鲜食品变质区域快速检测方法及系统 |
CN116342583A (zh) * | 2023-05-15 | 2023-06-27 | 山东超越纺织有限公司 | 一种用于纺纱生产加工的抗起球性能检测方法 |
CN116580024A (zh) * | 2023-07-12 | 2023-08-11 | 山东荣信集团有限公司 | 一种基于图像处理的焦炭质量检测方法 |
CN117036341A (zh) * | 2023-10-07 | 2023-11-10 | 青岛奥维特智能科技有限公司 | 一种基于图像处理的路面裂缝检测方法 |
CN117078672A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市凯尔文电子有限公司 | 基于计算机视觉的手机屏幕缺陷智能检测方法 |
CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及系统 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764290A (zh) * | 2024-02-22 | 2024-03-26 | 深圳市智德森水务科技有限公司 | 一种水利工程施工用bim模型数据管理方法 |
CN117764290B (zh) * | 2024-02-22 | 2024-06-07 | 深圳市智德森水务科技有限公司 | 一种水利工程施工用bim模型数据管理方法 |
CN117853493A (zh) * | 2024-03-08 | 2024-04-09 | 山东天意机械股份有限公司 | 一种基于图像处理的墙板生产质量检测方法 |
CN117853493B (zh) * | 2024-03-08 | 2024-05-24 | 山东天意机械股份有限公司 | 一种基于图像处理的墙板生产质量检测方法 |
CN117893533A (zh) * | 2024-03-14 | 2024-04-16 | 自贡市第一人民医院 | 基于图像特征的心胸比智能检测方法及系统 |
CN117893533B (zh) * | 2024-03-14 | 2024-05-28 | 自贡市第一人民医院 | 基于图像特征的心胸比智能检测方法及系统 |
CN117934483A (zh) * | 2024-03-25 | 2024-04-26 | 青岛佳美洋食品有限公司 | 一种基于计算机视觉的鳕鱼肠生产加工质量检测方法 |
CN117934483B (zh) * | 2024-03-25 | 2024-05-31 | 青岛佳美洋食品有限公司 | 一种基于计算机视觉的鳕鱼肠生产加工质量检测方法 |
CN117953252A (zh) * | 2024-03-26 | 2024-04-30 | 贵州道坦坦科技股份有限公司 | 高速公路资产数据自动化采集方法及系统 |
CN117953252B (zh) * | 2024-03-26 | 2024-05-31 | 贵州道坦坦科技股份有限公司 | 高速公路资产数据自动化采集方法及系统 |
CN118038278A (zh) * | 2024-04-11 | 2024-05-14 | 武汉同创万智数字科技有限公司 | 一种建筑工程质量智能检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117557569B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117557569B (zh) | 一种道路路面施工质量检测方法及系统 | |
CN111368683B (zh) | 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法 | |
KR102516360B1 (ko) | 타겟 검출 방법 및 장치 | |
WO2021007744A1 (zh) | 一种集成空间约束的核模糊c均值快速聚类算法 | |
CN109993769B (zh) | 一种深度学习ssd算法结合kcf算法的多目标跟踪系统 | |
CN112579823B (zh) | 基于特征融合和增量滑动窗口的视频摘要生成方法及系统 | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN111553344B (zh) | 文本图像的倾斜校正方法、系统、设备和存储介质 | |
CN111860587B (zh) | 一种用于图片小目标的检测方法 | |
CN109033978B (zh) | 一种基于纠错策略的cnn-svm混合模型手势识别方法 | |
CN111553425B (zh) | 一种用于视觉定位的模板匹配lsp算法、介质和设备 | |
CN111310688B (zh) | 一种基于多角度成像的手指静脉识别方法 | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
TW201516969A (zh) | 視訊物件追蹤方法 | |
CN114862855B (zh) | 基于模板匹配的纺织品缺陷检测方法及系统 | |
CN114612550A (zh) | 一种基于多级优化的圆拟合算法 | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN112329784A (zh) | 一种基于时空感知及多峰响应的相关滤波跟踪方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN110956078A (zh) | 一种电力线检测方法及装置 | |
CN112767429B (zh) | 一种地面-雪面点云快速分割方法 | |
CN108520539B (zh) | 一种基于稀疏学习可变模型的图像目标检测方法 | |
CN112258536A (zh) | 一种胼胝体及小脑蚓部的一体化定位及分割方法 | |
CN115131589B (zh) | 一种互联网文创作品智能设计的图像生成方法 | |
CN110837801B (zh) | 基于分割图像稀疏表示的sar图像融合遮挡目标识别方法 |
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 |