CN117853825B - 一种公路施工状态监测方法 - Google Patents
一种公路施工状态监测方法 Download PDFInfo
- Publication number
- CN117853825B CN117853825B CN202410257545.4A CN202410257545A CN117853825B CN 117853825 B CN117853825 B CN 117853825B CN 202410257545 A CN202410257545 A CN 202410257545A CN 117853825 B CN117853825 B CN 117853825B
- Authority
- CN
- China
- Prior art keywords
- sub
- connected domain
- region
- value
- dust
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 239000000428 dust Substances 0.000 claims abstract description 107
- 230000004927 fusion Effects 0.000 claims abstract description 55
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 58
- 238000004891 communication Methods 0.000 claims description 20
- 238000009792 diffusion process Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 7
- 230000001419 dependent effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种公路施工状态监测方法。方法包括:获取施工公路的表面图像,根据表面图像中每个像素点在R、G、B三个通道对应的值获得每个像素点的遮挡程度,确定每个像素点的梯度大小、梯度方向和每个子区域对应的主成分方向,进而计算每两个相邻子区域的融合程度;基于融合程度对所对应的相邻子区域进行合并获得各连通域;根据每个连通域与其他连通域之间的相对位置、每个连通域与其他连通域内像素点的遮挡程度的变化情况,得到每个连通域属于扬尘区域的可能性指标,对表面图像中的像素点进行聚类获得非扬尘区域,进而对施工公路的施工状态进行监测。本发明提高了待监测施工公路施工状态监测结果的准确度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种公路施工状态监测方法。
背景技术
公路施工状态监测对于维护道路安全、提高交通效率和保障施工工人及驾驶员的安全至关重要。通过监测施工状态可以实时了解施工区域的情况,包括道路封闭、施工障碍、交通堵塞等信息,有助于及时采取措施避免交通事故的发生,提高道路通行效率。同时,监测还能确保施工工人的安全,避免施工现场意外事件的发生,保障道路施工的顺利进行。
在公路施工的过程中会产生大量的扬尘,当利用视觉检测技术对公路施工进度进行监测时,会导致施工进度判断的失误,因此需要确定出扬尘区域和非扬尘区域,在判断施工进程时,对非扬尘区域进行判断。扬尘在图像中呈现局部灰度值较高的特点,因此一般基于公路表面图像中像素点的灰度值,利用均值漂移聚类算法对图像中的像素点进行聚类,进而提取出扬尘区域,但是仅根据灰度值进行聚类,存在分类的准确性不高的问题,会将非扬尘区域误判为扬尘区域,进而导致公路施工状态的判断结果的准确度较低。
发明内容
为了解决现有方法在对公路表面图像中的像素点进行聚类时存在的聚类效果较差,扬尘区域提取结果准确度较低的问题,本发明的目的在于提供一种公路施工状态监测方法,所采用的技术方案具体如下:
本发明提供了一种公路施工状态监测方法,该方法包括以下步骤:
获取待监测的施工公路的表面图像,对所述表面图像进行划分获得各子区域;
根据所述表面图像中每个像素点在R、G、B三个通道对应的值,获得每个像素点的遮挡程度;基于所述表面图像中每个子区域内每个像素点与其预设邻域内像素点的遮挡程度,获得每个子区域内每个像素点的梯度大小、梯度方向和每个子区域对应的主成分方向;根据每两个相邻子区域对应的主成分方向、每两个相邻子区域内像素点的梯度大小和梯度方向,得到每两个相邻子区域的融合程度;基于所述融合程度对所对应的相邻子区域进行合并处理获得各连通域;
根据每个连通域与其他连通域之间的相对位置、每个连通域与其他连通域内的像素点的遮挡程度的变化情况,得到每个连通域属于扬尘区域的可能性指标;基于所述可能性指标确定每个连通域的扬尘评价值;
基于所述扬尘评价值对所述表面图像中的像素点进行聚类,基于聚类结果获得非扬尘区域;基于所述非扬尘区域对待监测的施工公路的施工状态进行监测。
优选的,所述根据所述表面图像中每个像素点在R、G、B三个通道对应的值,获得每个像素点的遮挡程度,包括:
对于所述表面图像中的第a个像素点:
将第a个像素点在R、G、B三个通道中的最小值与常数255的比值,记为第a个像素点的灰度占比;将第a个像素点在R、G、B三个通道中的最大值与最小值的差值,记为第a个像素点对应的灰度差值;
根据第a个像素点的灰度占比和第a个像素点对应的灰度差值,获得第a个像素点的遮挡程度,所述灰度占比与所述遮挡程度呈负相关关系,所述灰度差值与所述遮挡程度呈正相关关系。
优选的,所述根据每两个相邻子区域对应的主成分方向、每两个相邻子区域内像素点的梯度大小和梯度方向,得到每两个相邻子区域的融合程度,包括:
对于第x个子区域和与其相邻的第y个子区域:
计算第x个子区域对应的主成分方向的单位向量与第y个子区域对应的主成分方向的单位向量之间的余弦相似度;将第x个子区域所有像素点的平均梯度值与第y个子区域所有像素点的平均梯度值之间的差值绝对值,记为梯度大小差异;根据所述余弦相似度和所述梯度大小差异,得到第x个子区域和与其相邻的第y个子区域的第一融合评价值,所述余弦相似度和所述梯度大小差异均与所述第一融合评价值呈正相关关系;
将第x个子区域所有像素点的平均梯度值和第y个子区域所有像素点的平均梯度值两者中的最小值的归一化结果,作为第x个子区域和与其相邻的第y个子区域的第二融合评价值;
将第x个子区域的中心点和与其相邻的第y个子区域的中心点之间的连线记为特征直线段,将第x个子区域对应的主成分方向与所述特征直线段之间的夹角记为第一角度;
基于所述第一融合评价值、所述第二融合评价值和所述第一角度,得到第x个子区域和与其相邻的第y个子区域的融合程度。
优选的,采用如下公式计算第x个子区域和与其相邻的第y个子区域的融合程度:
其中,表示第x个子区域和与其相邻的第y个子区域的融合程度,/>表示第一角度,/>表示第一角度的正弦值,/>表示第一角度的余弦值,/>表示第x个子区域和与其相邻的第y个子区域的第一融合评价值,/>表示第x个子区域和与其相邻的第y个子区域的第二融合评价值。
优选的,所述基于所述融合程度对所对应的相邻子区域进行合并处理获得各连通域,包括:
判断每两个相邻子区域的融合程度是否大于预设融合阈值,若大于,则将对应两个相邻子区域进行合并处理,获得各连通域。
优选的,所述根据每个连通域与其他连通域之间的相对位置、每个连通域与其他连通域内的像素点的遮挡程度的变化情况,得到每个连通域属于扬尘区域的可能性指标,包括:
对于第w个连通域:
将除第w个连通域外其他所有连通域中与第w个连通域距离最近的连通域,作为第w个连通域的参考连通域;将由所述参考连通域的中心点指向第w个连通域的中心点的方向记为扩散方向;其中两个连通域之间的距离的获取方法为:将两个连通域的中心点之间的距离作为两个连通域的距离;
分别将第w个连通域所有像素点的平均遮挡程度与其他每个连通域所有像素点的平均遮挡程度之间的差值,作为第w个连通域与其他每个连通域之间的第一差值;
根据所述扩散方向、所述第一差值、第w个连通域与其他每个连通域之间的距离,得到第w个连通域属于扬尘区域的可能性指标。
优选的,采用如下公式计算第w个连通域属于扬尘区域的可能性指标:
其中,表示第w个连通域属于扬尘区域的可能性指标,T表示待监测的施工公路的表面图像中连通域的个数,/>表示第w个连通域的中心点与除第w个连通域外的第t个连通域的中心点之间的连线和扩散方向所成的夹角,/>表示第w个连通域的中心点与除第w个连通域外的第t个连通域的中心点之间的连线和扩散方向所成的夹角的余弦值,表示第w个连通域与除第w个连通域外的第t个连通域之间的距离,/>表示第w个连通域所有像素点的平均遮挡程度,/>表示除第w个连通域外的第t个连通域所有像素点的平均遮挡程度,exp( )表示以自然常数为底数的指数函数。
优选的,所述基于所述可能性指标确定每个连通域的扬尘评价值,包括:
对于第w个连通域:
对第w个连通域属于扬尘区域的可能性指标进行归一化处理获得归一化结果;分别获取第w个连通域每个像素点在R、G、B三个通道中的最小值,记为每个像素点的特征值;
将归一化结果与第w个连通域所有像素点的平均特征值的乘积,作为第w个连通域的扬尘评价值。
优选的,所述基于所述扬尘评价值对所述表面图像中的像素点进行聚类,基于聚类结果获得非扬尘区域,包括:
基于每个连通域的扬尘评价值,采用均值漂移聚类算法对所述表面图像中所有连通域内的像素点进行聚类,获得各聚类簇;
计算每个聚类簇内所有连通域的平均扬尘评价值;若所述平均扬尘评价值小于预设评价阈值,则判定对应聚类簇为非扬尘区域。
优选的,所述基于所述非扬尘区域对待监测的施工公路的施工状态进行监测,包括:
对所述非扬尘区域进行边缘检测,基于边缘检测结果判断待监测的施工公路的施工状态。
本发明至少具有如下有益效果:
本发明考虑到当待监测的施工公路在施工的过程中会产生大量的扬尘,采集到的待监测的施工公路的表面图像中会存在扬尘区域,扬尘区域的存在会影响后续待监测施工公路的施工状态的监测结果,本发明首先根据待监测的施工公路的表面图像中每个像素点在R、G、B三个通道对应的值,对每个像素点被扬尘遮挡的程度进行判断,获得了每个像素点的遮挡程度,基于遮挡程度确定了梯度大小、梯度方向以及主成分方向,通过单个连通域与其相邻子区域的梯度大小和梯度方向共同判断相邻子区域是否可以进行合并,从而获得遮挡程度分布相似度较高的区域,也即获得了多个连通域,根据每个连通域与其他连通域之间的相对位置、每个连通域与其他连通域内的像素点的遮挡程度的变化情况,获得了扬尘评价值,将扬尘评价值作为聚类依据对表面图像中的像素点进行聚类,实现了对原聚类依据的调整,达到了对非扬尘区域像素点的聚类依据的抑制,更加准确的判断扬尘区域位置信息,进而提高了非扬尘区域的提取精度,提高了待监测施工公路施工状态监测结果的准确度。
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为本发明实施例所提供的一种公路施工状态监测方法的流程图。
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公路施工状态监测方法进行详细说明如下。
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一种公路施工状态监测方法的具体方案。
一种公路施工状态监测方法实施例:
本实施例所针对的具体场景为:在采用视觉检测技术对待监测的施工公路的施工状态进行监测时,由于公路在施工过程中会产生大量的扬尘,采集到的待监测的施工公路的表面图像中存在扬尘区域,扬尘区域的存在会影响公路施工状况监测结果的准确度,本实施例将结合扬尘本身在图像中呈现的特征,对采集到的待监测的施工公路的表面图像进行分析,筛选出非扬尘区域,后续对非扬尘区域进行分析,对待监测的施工公路的施工状态进行监测。
本实施例提出了一种公路施工状态监测方法,如图1所示,本实施例的一种公路施工状态监测方法包括以下步骤:
步骤S1,获取待监测的施工公路的表面图像,对所述表面图像进行划分获得各子区域。
本实施例首先利用无人机在待监测的施工公路的正上方采集待监测的施工公路的表面图像,需要说明的是,本实施例采集到的表面图像为RGB图像。本实施例将待监测的施工公路的表面图像进行划分,获得多个大小相等的子区域,本实施例将待监测的施工公路的表面图像划分为了100个大小相等的子区域,在具体应用中,实施者可根据具体情况设置子区域的数量。
至此,本实施例获取了待监测的施工公路的表面图像,并将待监测的施工公路的表面图像划分为了多个子区域。
步骤S2,根据所述表面图像中每个像素点在R、G、B三个通道对应的值,获得每个像素点的遮挡程度;基于所述表面图像中每个子区域内每个像素点与其预设邻域内像素点的遮挡程度,获得每个子区域内每个像素点的梯度大小、梯度方向和每个子区域对应的主成分方向;根据每两个相邻子区域对应的主成分方向、每两个相邻子区域内像素点的梯度大小和梯度方向,得到每两个相邻子区域的融合程度;基于所述融合程度对所对应的相邻子区域进行合并处理获得各连通域。
由于公路路面的扬尘越浓,在采集到的待监测的施工公路的表面图像中扬尘区域呈现的颜色越接近白色,RGB三通道的值越高。为了使得扬尘区域与非扬尘区域边缘更加明显,故取每个像素点RGB三通道的最小值作为其灰度值大小。在采集的图像中,采用传统的均值漂移聚类算法依据RGB最小通道值的大小进行聚类,但是在聚类结果中会因为噪声原因将非扬尘区域判定为扬尘区域,所以需要对聚类依据进行调整。在对聚类依据进行调整时,应结合像素点为扬尘像素点的概率,判断像素点的遮挡路面的程度是否符合扬尘扩散性的规律。利用符合扩散性规律的程度,对聚类依据进行调整,从而准确判断扬尘区域位置。
由于公路路面的颜色较重,其RGB三通道值比较接近,公路路面到扬尘区域的过渡过程中,由黑色逐渐过渡为灰色,且扬尘越浓越接近白色,此过程中RGB三通道值的大小保持大小相似的特性,且其通道值可以反应扬尘浓度的大小,扬尘浓度越大,沥青路面被遮挡的程度就越大。基于此,本实施例首先根据所述表面图像中每个像素点在R、G、B三个通道对应的值,对每个像素点的遮挡程度进行评价。
具体地,对于所述表面图像中的第a个像素点:将第a个像素点在R、G、B三个通道中的最小值与常数255的比值,记为第a个像素点的灰度占比;将第a个像素点在R、G、B三个通道中的最大值与最小值的差值,记为第a个像素点对应的灰度差值;根据第a个像素点的灰度占比和第a个像素点对应的灰度差值,获得第a个像素点的遮挡程度,所述灰度占比与所述遮挡程度呈负相关关系,所述灰度差值与所述遮挡程度呈正相关关系。其中,正相关关系表示因变量会随着自变量的增大而增大,因变量会随着自变量的减小而减小,具体关系可以为相乘关系、相加关系、指数函数的幂等,由实际应用进行确定;负相关关系表示因变量会随着自变量的增大而减小,因变量会随着自变量的减小而增大,可以为相减关系、相除关系等,由实际应用进行确定。作为具体实施方式,给出遮挡程度的具体计算公式,第a个像素点的遮挡程度的计算公式为:
其中,表示待监测的施工公路的表面图像中第a个像素点的遮挡程度,/>表示待监测的施工公路的表面图像中第a个像素点在R、G、B三个通道中的最小值,/>表示待监测的施工公路的表面图像第a个像素点在R、G、B三个通道中的最大值,exp( )表示以自然常数为底数的指数函数,255表示R、G、B三通道的最大值。
表示第a个像素点对应的灰度差值,其值越小,说明第a个像素点在R、G、B三个通道中的通道值越相似,第a个像素点为扬尘像素点的概率越大;/>表示第a个像素点的灰度占比,该灰度占比越大,说明第a个像素点所在位置的扬尘浓度越大,第a个像素点为扬尘像素点的概率越大,因此该位置被扬尘遮挡的程度越大。
采用上述方法,能够获得待监测的施工公路的表面图像中每个像素点的遮挡程度,基于每个子区域内每个像素点与其预设邻域内像素点的遮挡程度,采用sobel算子计算每个子区域内每个像素点的梯度大小和梯度方向,需要说明的是,现有技术是基于像素点的灰度值采用sobel算子获得像素点的梯度大小和梯度方向,本实施例只是用遮挡程度替换灰度值,采用sobel算子获取像素点的梯度大小和梯度方向,sobel算子为现有技术,此处不再过多赘述;基于每个采用主成分分析算法(Principal Component Analysis,PCA)对每个子区域进行处理,获得每个子区域对应的主成分方向。本实施例中的预设邻域为八邻域,在具体应用中,实施者可根据具体情况进行设置。PCA算法为现有技术,此处不再过多赘述。
将单个子区域与其相邻的子区域进行合并处理时,若相邻两个子区域的梯度变化情况相似,则说明两者具有相同的变化趋势,故可将两个子区域进行合并处理。将单个子区域与其相邻的子区域进行合并处理时,当相邻子区域位于中心子区域的主成分方向上时,若中心子区域和与其相邻的子区域的梯度大小都较小,则表明中心子区域和与其相邻的子区域的遮挡程度变化不大,故可将两个子区域进行合并处理。基于此,本实施例根据每两个相邻子区域对应的主成分方向、每两个相邻子区域内像素点的梯度大小和梯度方向,对每两个相邻子区域的融合程度进行评价。
对于第x个子区域和与其相邻的第y个子区域:
计算第x个子区域对应的主成分方向的单位向量与第y个子区域对应的主成分方向的单位向量之间的余弦相似度;将第x个子区域所有像素点的平均梯度值与第y个子区域所有像素点的平均梯度值之间的差值绝对值,记为梯度大小差异;根据所述余弦相似度和所述梯度大小差异,得到第x个子区域和与其相邻的第y个子区域的第一融合评价值,所述余弦相似度和所述梯度大小差异均与所述第一融合评价值呈正相关关系。其中,正相关关系表示因变量会随着自变量的增大而增大,因变量会随着自变量的减小而减小,具体关系可以为相乘关系、相加关系、指数函数的幂等,由实际应用进行确定。
将第x个子区域所有像素点的平均梯度值和第y个子区域所有像素点的平均梯度值两者中的最小值的归一化结果,作为第x个子区域和与其相邻的第y个子区域的第二融合评价值;将第x个子区域的中心点和与其相邻的第y个子区域的中心点之间的连线记为特征直线段,将第x个子区域对应的主成分方向与所述特征直线段之间的夹角记为第一角度;基于所述第一融合评价值、所述第二融合评价值和所述第一角度,得到第x个子区域和与其相邻的第y个子区域的融合程度。第x个子区域和与其相邻的第y个子区域的第一融合评价值、第二融合评价值和融合程度的计算公式分别为:
;
;
;
其中,表示第x个子区域对应的主成分方向的单位向量,/>表示第y个子区域对应的主成分方向的单位向量,/>表示第x个子区域对应的主成分方向的单位向量与第y个子区域对应的主成分方向的单位向量之间的余弦相似度,/>表示第x个子区域所有像素点的平均梯度值,/>表示与第x个子区域相邻的第y个子区域所有像素点的平均梯度值,/>表示取绝对值符号,/>表示第x个子区域和与其相邻的第y个子区域的融合程度,/>表示第一角度,/>表示第一角度的正弦值,/>表示第一角度的余弦值,/>表示第x个子区域和与其相邻的第y个子区域的第一融合评价值,/>表示第x个子区域和与其相邻的第y个子区域的第二融合评价值,norm( )为归一化函数。
表示梯度大小差异;/>表示综合梯度的相似程度所占的比重,其值越大,说明其越偏向于中心子区域的主成分方向的垂线方向,梯度相似度的计算比重越大;/>表示梯度大小在融合程度计算过程中所占的比重,其值越大,说明其越偏向于中心子区域的主成分方向,梯度大小在融合程度计算过程中所占的比重越大。
采用上述方法,能够获得每两个相邻子区域的融合程度,接下来本实施例将基于融合程度对所对应的相邻子区域进行合并处理,具体地,判断每两个相邻子区域的融合程度是否大于预设融合阈值,若大于,则将对应两个相邻子区域进行合并处理,合并完成后获得了多个连通域。本实施例中的预设融合阈值为0.5,在具体应用中,实施者可根据具体情况进行设置。
至此,本实施例获得了多个连通域。
步骤S3,根据每个连通域与其他连通域之间的相对位置、每个连通域与其他连通域内的像素点的遮挡程度的变化情况,得到每个连通域属于扬尘区域的可能性指标;基于所述可能性指标确定每个连通域的扬尘评价值。
本实施例将待监测的施工公路的表面图像划分为了多个连通域,每个连通域的遮挡程度可能不同,对于扬尘而言,扬尘具有扩散性,扬尘浓度最高的区域的扬尘会向周围扩散,因此其周围区域的扬尘浓度会逐渐降低,即遮挡程度会逐渐降低。基于此,结合连通域之间遮挡程度的减弱特性,根据每个连通域与其他连通域之间的相对位置、每个连通域与其他连通域内的像素点的遮挡程度的变化情况,对每个连通域属于扬尘区域的可能性进行评价,得到每个连通域属于扬尘区域的可能性指标。
具体地,对于第w个连通域:
将除第w个连通域外其他所有连通域中与第w个连通域距离最近的连通域,作为第w个连通域的参考连通域;将由所述参考连通域的中心点指向第w个连通域的中心点的方向记为扩散方向;其中两个连通域之间的距离的获取方法为:将两个连通域的中心点之间的距离作为两个连通域的距离。分别将第w个连通域所有像素点的平均遮挡程度与其他每个连通域所有像素点的平均遮挡程度之间的差值,作为第w个连通域与其他每个连通域之间的第一差值;根据所述扩散方向、所述第一差值、第w个连通域与其他每个连通域之间的距离,得到第w个连通域属于扬尘区域的可能性指标。第w个连通域属于扬尘区域的可能性指标的具体计算公式为:
其中,表示第w个连通域属于扬尘区域的可能性指标,T表示待监测的施工公路的表面图像中连通域的个数,/>表示第w个连通域的中心点与除第w个连通域外的第t个连通域的中心点之间的连线与扩散方向所成的夹角,/>表示第w个连通域的中心点与除第w个连通域外的第t个连通域的中心点之间的连线与扩散方向所成的夹角的余弦值,表示第w个连通域与除第w个连通域外的第t个连通域之间的距离,/>表示第w个连通域所有像素点的平均遮挡程度,/>表示除第w个连通域外的第t个连通域所有像素点的平均遮挡程度,exp( )表示以自然常数为底数的指数函数。
表示第一差值,其值为正数时,说明第w个连通域在扩散方向上符合扩散性趋势,第w个连通域属于扬尘区域的概率越大。当第w个连通域与除第w个连通域外的连通域之间的距离越近、第w个连通域所有像素点的平均遮挡程度与其他每个连通域所有像素点的平均遮挡程度之间的差值越大时,说明第w个连通域越可能为扬尘区域,第w个连通域属于扬尘区域的可能性指标越大。
采用上述方法能够获得每个连通域属于扬尘区域的可能性指标,可能性指标越大,说明对应连通域越可能为扬尘区域,接下来本实施例将基于所述可能性指标确定每个连通域的扬尘评价值。
具体地,对于第w个连通域:对第w个连通域属于扬尘区域的可能性指标进行归一化处理获得归一化结果;本实施例采用最大最小值归一化方法对属于扬尘区域的可能性指标进行归一化处理,在具体应用中,实施者可根据具体情况进行设置。分别获取第w个连通域每个像素点在R、G、B三个通道中的最小值,记为每个像素点的特征值;将归一化结果与第w个连通域所有像素点的平均特征值的乘积,作为第w个连通域的扬尘评价值。
采用上述方法,能够每个连通域的扬尘评价值。
步骤S4,基于所述扬尘评价值对所述表面图像中的像素点进行聚类,基于聚类结果获得非扬尘区域;基于所述非扬尘区域对待监测的施工公路的施工状态进行监测。
本实施例已经获得了待监测的施工公路的表面图像中每个连通域的扬尘评价值,接下来基于每个连通域的扬尘评价值,采用均值漂移聚类算法对所述表面图像中所有连通域内的像素点进行聚类,获得多个聚类簇;采用均值漂移聚类算法聚类处理时的半径为10,在具体应用中,实施者可根据具体情况进行设置。均值漂移聚类算法为现有技术,此处不再过多赘述。
扬尘评价值越大,说明对应区域越可能为扬尘区域;本实施例根据每个聚类簇内每个连通域的扬尘评价值,分别计算每个聚类簇内所有连通域的平均扬尘评价值;若所述平均扬尘评价值小于预设评价阈值,则判定对应聚类簇为非扬尘区域;若所述平均扬尘评价值大于或等于预设评价阈值,则判定对应聚类簇为扬尘区域。本实施例中的预设评价阈值为200,在具体应用中,实施者可根据具体情况进行设置。
本实施例已经获得了待监测的施工公路的表面图像中的非扬尘区域,排除了扬尘区域对公路施工状态评价的干扰,采用canny边缘检测算法对非扬尘区域进行边缘检测,基于边缘检测结果对待监测的施工公路的施工状态进行判断。canny边缘检测算法为现有技术,此处不再过多赘述。
至此,采用本实施例提供的方法,完成了对待监测的施工公路的施工状态的监测。
本实施例考虑到当待监测的施工公路在施工的过程中会产生大量的扬尘,采集到的待监测的施工公路的表面图像中会存在扬尘区域,扬尘区域的存在会影响后续待监测施工公路的施工状态的监测结果,本实施例首先根据待监测的施工公路的表面图像中每个像素点在R、G、B三个通道对应的值,对每个像素点被扬尘遮挡的程度进行判断,获得了每个像素点的遮挡程度,基于遮挡程度确定了梯度大小、梯度方向以及主成分方向,通过单个连通域与其相邻子区域的梯度大小和梯度方向共同判断相邻子区域是否可以进行合并,从而获得遮挡程度分布相似度较高的区域,也即获得了多个连通域,根据每个连通域与其他连通域之间的相对位置、每个连通域与其他连通域内的像素点的遮挡程度的变化情况,获得了扬尘评价值,将扬尘评价值作为聚类依据对表面图像中的像素点进行聚类,实现了对原聚类依据的调整,达到了对非扬尘区域像素点的聚类依据的抑制,更加准确的判断扬尘区域位置信息,进而提高了非扬尘区域的提取精度,提高了待监测施工公路施工状态监测结果的准确度。
需要说明的是: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 (7)
1.一种公路施工状态监测方法,其特征在于,该方法包括以下步骤:
获取待监测的施工公路的表面图像,对所述表面图像进行划分获得各子区域;
根据所述表面图像中每个像素点在R、G、B三个通道对应的值,获得每个像素点的遮挡程度;基于所述表面图像中每个子区域内每个像素点与其预设邻域内像素点的遮挡程度,获得每个子区域内每个像素点的梯度大小、梯度方向和每个子区域对应的主成分方向;根据每两个相邻子区域对应的主成分方向、每两个相邻子区域内像素点的梯度大小和梯度方向,得到每两个相邻子区域的融合程度;基于所述融合程度对所对应的相邻子区域进行合并处理获得各连通域;
根据每个连通域与其他连通域之间的相对位置、每个连通域与其他连通域内的像素点的遮挡程度的变化情况,得到每个连通域属于扬尘区域的可能性指标;基于所述可能性指标确定每个连通域的扬尘评价值;
基于所述扬尘评价值对所述表面图像中的像素点进行聚类,基于聚类结果获得非扬尘区域;基于所述非扬尘区域对待监测的施工公路的施工状态进行监测;
所述根据所述表面图像中每个像素点在R、G、B三个通道对应的值,获得每个像素点的遮挡程度,包括:
对于所述表面图像中的第a个像素点:
将第a个像素点在R、G、B三个通道中的最小值与常数255的比值,记为第a个像素点的灰度占比;将第a个像素点在R、G、B三个通道中的最大值与最小值的差值,记为第a个像素点对应的灰度差值;
根据第a个像素点的灰度占比和第a个像素点对应的灰度差值,获得第a个像素点的遮挡程度,所述灰度占比与所述遮挡程度呈负相关关系,所述灰度差值与所述遮挡程度呈正相关关系;
所述根据每两个相邻子区域对应的主成分方向、每两个相邻子区域内像素点的梯度大小和梯度方向,得到每两个相邻子区域的融合程度,包括:
对于第x个子区域和与其相邻的第y个子区域:
计算第x个子区域对应的主成分方向的单位向量与第y个子区域对应的主成分方向的单位向量之间的余弦相似度;将第x个子区域所有像素点的平均梯度值与第y个子区域所有像素点的平均梯度值之间的差值绝对值,记为梯度大小差异;根据所述余弦相似度和所述梯度大小差异,得到第x个子区域和与其相邻的第y个子区域的第一融合评价值,所述余弦相似度和所述梯度大小差异均与所述第一融合评价值呈正相关关系;
将第x个子区域所有像素点的平均梯度值和第y个子区域所有像素点的平均梯度值两者中的最小值的归一化结果,作为第x个子区域和与其相邻的第y个子区域的第二融合评价值;
将第x个子区域的中心点和与其相邻的第y个子区域的中心点之间的连线记为特征直线段,将第x个子区域对应的主成分方向与所述特征直线段之间的夹角记为第一角度;
基于所述第一融合评价值、所述第二融合评价值和所述第一角度,得到第x个子区域和与其相邻的第y个子区域的融合程度;
采用如下公式计算第x个子区域和与其相邻的第y个子区域的融合程度:
其中,表示第x个子区域和与其相邻的第y个子区域的融合程度,/>表示第一角度,表示第一角度的正弦值,/>表示第一角度的余弦值,/>表示第x个子区域和与其相邻的第y个子区域的第一融合评价值,/>表示第x个子区域和与其相邻的第y个子区域的第二融合评价值。
2.根据权利要求1所述的一种公路施工状态监测方法,其特征在于,所述基于所述融合程度对所对应的相邻子区域进行合并处理获得各连通域,包括:
判断每两个相邻子区域的融合程度是否大于预设融合阈值,若大于,则将对应两个相邻子区域进行合并处理,获得各连通域。
3.根据权利要求1所述的一种公路施工状态监测方法,其特征在于,所述根据每个连通域与其他连通域之间的相对位置、每个连通域与其他连通域内的像素点的遮挡程度的变化情况,得到每个连通域属于扬尘区域的可能性指标,包括:
对于第w个连通域:
将除第w个连通域外其他所有连通域中与第w个连通域距离最近的连通域,作为第w个连通域的参考连通域;将由所述参考连通域的中心点指向第w个连通域的中心点的方向记为扩散方向;其中两个连通域之间的距离的获取方法为:将两个连通域的中心点之间的距离作为两个连通域的距离;
分别将第w个连通域所有像素点的平均遮挡程度与其他每个连通域所有像素点的平均遮挡程度之间的差值,作为第w个连通域与其他每个连通域之间的第一差值;
根据所述扩散方向、所述第一差值、第w个连通域与其他每个连通域之间的距离,得到第w个连通域属于扬尘区域的可能性指标。
4.根据权利要求3所述的一种公路施工状态监测方法,其特征在于,采用如下公式计算第w个连通域属于扬尘区域的可能性指标:
其中,表示第w个连通域属于扬尘区域的可能性指标,T表示待监测的施工公路的表面图像中连通域的个数,/>表示第w个连通域的中心点与除第w个连通域外的第t个连通域的中心点之间的连线和扩散方向所成的夹角,/>表示第w个连通域的中心点与除第w个连通域外的第t个连通域的中心点之间的连线和扩散方向所成的夹角的余弦值,/>表示第w个连通域与除第w个连通域外的第t个连通域之间的距离,/>表示第w个连通域所有像素点的平均遮挡程度,/>表示除第w个连通域外的第t个连通域所有像素点的平均遮挡程度,exp( )表示以自然常数为底数的指数函数。
5.根据权利要求1所述的一种公路施工状态监测方法,其特征在于,所述基于所述可能性指标确定每个连通域的扬尘评价值,包括:
对于第w个连通域:
对第w个连通域属于扬尘区域的可能性指标进行归一化处理获得归一化结果;分别获取第w个连通域每个像素点在R、G、B三个通道中的最小值,记为每个像素点的特征值;
将归一化结果与第w个连通域所有像素点的平均特征值的乘积,作为第w个连通域的扬尘评价值。
6.根据权利要求1所述的一种公路施工状态监测方法,其特征在于,所述基于所述扬尘评价值对所述表面图像中的像素点进行聚类,基于聚类结果获得非扬尘区域,包括:
基于每个连通域的扬尘评价值,采用均值漂移聚类算法对所述表面图像中所有连通域内的像素点进行聚类,获得各聚类簇;
计算每个聚类簇内所有连通域的平均扬尘评价值;若所述平均扬尘评价值小于预设评价阈值,则判定对应聚类簇为非扬尘区域。
7.根据权利要求1所述的一种公路施工状态监测方法,其特征在于,所述基于所述非扬尘区域对待监测的施工公路的施工状态进行监测,包括:
对所述非扬尘区域进行边缘检测,基于边缘检测结果判断待监测的施工公路的施工状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410257545.4A CN117853825B (zh) | 2024-03-07 | 2024-03-07 | 一种公路施工状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410257545.4A CN117853825B (zh) | 2024-03-07 | 2024-03-07 | 一种公路施工状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117853825A CN117853825A (zh) | 2024-04-09 |
CN117853825B true CN117853825B (zh) | 2024-05-28 |
Family
ID=90535048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410257545.4A Active CN117853825B (zh) | 2024-03-07 | 2024-03-07 | 一种公路施工状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117853825B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580600A (zh) * | 2020-12-29 | 2021-03-30 | 神华黄骅港务有限责任公司 | 粉尘浓度检测方法、装置、计算机设备和存储介质 |
CN114332650A (zh) * | 2022-03-09 | 2022-04-12 | 苏州大学 | 一种遥感图像道路识别方法及系统 |
CN114985150A (zh) * | 2022-08-02 | 2022-09-02 | 山东大拇指喷雾设备有限公司 | 基于视觉感知的喷雾机精准喷雾的控制方法 |
CN115331264A (zh) * | 2022-10-13 | 2022-11-11 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于神经网络的矿山工人安全识别管理方法 |
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
CN116071657A (zh) * | 2023-03-07 | 2023-05-05 | 青岛旭华建设集团有限公司 | 一种建筑施工视频监控大数据的智能预警系统 |
-
2024
- 2024-03-07 CN CN202410257545.4A patent/CN117853825B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580600A (zh) * | 2020-12-29 | 2021-03-30 | 神华黄骅港务有限责任公司 | 粉尘浓度检测方法、装置、计算机设备和存储介质 |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
CN114332650A (zh) * | 2022-03-09 | 2022-04-12 | 苏州大学 | 一种遥感图像道路识别方法及系统 |
CN114985150A (zh) * | 2022-08-02 | 2022-09-02 | 山东大拇指喷雾设备有限公司 | 基于视觉感知的喷雾机精准喷雾的控制方法 |
CN115331264A (zh) * | 2022-10-13 | 2022-11-11 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于神经网络的矿山工人安全识别管理方法 |
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN116071657A (zh) * | 2023-03-07 | 2023-05-05 | 青岛旭华建设集团有限公司 | 一种建筑施工视频监控大数据的智能预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117853825A (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8902053B2 (en) | Method and system for lane departure warning | |
CN108647572B (zh) | 一种基于霍夫变换的车道偏离预警方法 | |
US9818301B2 (en) | Lane correction system, lane correction apparatus and method of correcting lane | |
KR100912746B1 (ko) | 교통 표지판 탐지를 위한 방법 | |
US10943131B2 (en) | Image based lane marking classification | |
EP2031571B1 (en) | Vehicle type determination device, program, and method | |
CN101030256B (zh) | 车辆图像分割方法和装置 | |
US7920721B2 (en) | Vehicle-use image processing system, vehicle-use image processing method, vehicle-use image processing program, vehicle, and method of formulating vehicle-use image processing system | |
JP4587038B2 (ja) | 車両位置検出方法、並びに車両速度検出方法及び装置 | |
KR100975749B1 (ko) | 단일 차선을 이용한 차선 인식 및 차량의 차선 이탈 검출 방법 | |
WO2013129361A1 (ja) | 立体物検出装置 | |
CN101339616A (zh) | 道路识别方法及装置 | |
US20200410257A1 (en) | Division line recognition apparatus | |
WO2023279966A1 (zh) | 一种多车道线检测方法、装置及检测设备 | |
WO2008020544A1 (en) | Vehicle detection device, vehicle detection method, and vehicle detection program | |
CN112001216A (zh) | 一种基于计算机的汽车行驶车道检测系统 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
Chen et al. | A novel lane departure warning system for improving road safety | |
KR20040051778A (ko) | 유고 감지 방법 | |
CN117853825B (zh) | 一种公路施工状态监测方法 | |
CN114530042A (zh) | 一种基于物联网技术的城市交通大脑监控系统 | |
CN105117696B (zh) | 一种基于小线分析的未系安全带自动检测方法 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN112989886A (zh) | 一种实时车辆压线提前预警的方法 | |
Wang et al. | Detection of lane lines on both sides of road based on monocular camera |
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 |