基于分数阶积分谷底边界检测的路面裂缝提取

针对路面裂缝图像噪声大、边界弱、裂缝细小导致分割难的问题,提出了一种基于谷底边界的路面裂缝提取方法.该方法首先对原始图像进行邻域平滑处理,在消除噪声的同时扩展了裂缝的相对宽度;接着对图像进行基于分数阶积分的谷底边界检测;然后采用形态学方法对图像进行处理,使裂缝趋于光滑后进行短线噪声去除,并结合最大熵阈值断线连接法自动连接裂缝断口,从而得到最终的裂缝检测结果.实验结果表明,该方法能快速检测出细小的路面裂缝,具有抗噪性能好、定位准确及检测精度高的特点.     

基于数字图像处理的路面裂缝识别关键技术研究

为提升基于数字图像处理技术的高速公路路面裂缝自动检测识别技术的识别速度及识别率,对采集到的路面裂缝图像,通过均衡化处理增强路面裂缝图像,提出一种自适应的快速去噪方法可提升识别速度;对经过图像预处理的裂缝图像,采用大津阈值分割法提取出图像中的裂缝,并在此基础上施加适当的形态学方法加以修正.实验表明,该方法可以快速有效地识别图像中裂缝的类型、长度、宽度、面积等信息.     

基于匀光处理的自适应裂缝分割与提取算法

针对光照不均匀与水体模糊效应导致水下图像中建筑物裂缝提取难度增加的问题,提出一种基于匀光处理的自适应阈值分割算法。首先,通过对全局图像进行匀光处理。在保护纹理信息的同时消除亮度分布不均的问题。然后,使用Hessian矩阵去除部分非裂缝信息,根据处理前后图像直方图的变化自适应确定分割阈值。最后,使用张量投票对分割结果进行线性增强,以实现去除噪声、连接裂缝片段的效果。实验结果表明:该算法不仅能对水下光照不均匀图像中的弱裂缝进行有效分割提取,同时也适用于常见水上裂缝图像。     

基于Faster R-CNN的隧道图像裂缝检测

近几年,随着城市隧道建设力度加大,隧道已进入中年期,其健康问题不容忽视。目前,基于图像处理技术的隧道裂缝检测已成为一种便捷的检测手段。然而,由于隧道图像存在对比度低、光照不均匀、噪声多等问题,对传统图像处理方法造成较多挑战,对此提出了一种基于深度学习网络Faster R-CNN的隧道图像裂缝检测方法。首先利用大量隧道裂缝图像训练产生裂缝模型,然后用此模型对隧道图像进行裂缝检测。实验结果表明,该方法能够弱化隧道图像质量问题,实现了对隧道图像裂缝的快速检测和准确定位与标注。     

隧道衬砌裂缝检测中的背景处理和断点连接算法

基于机器视觉的裂缝病害检测中存在虚假信息和断点的问题,需要有效的阈值分割和断点连接方法.基于边缘作为判别裂缝的关键,将梯度算子与应用广泛的Otsu相结合进行算法改进,并将其应用于采集图像的二值化,取得了理想的效果.裂缝检测中不同程度的断裂现象,对后续目标识别和目标提取等带来极大的困难.综合考虑实际情况(断接部分在整个裂缝中所占比例小,形态学处理已经对裂缝区域有影响),将裂缝断接段以一簇单像素宽的形式表示,确定待连接段的起点终点坐标,辅以直线顺序法和生长操作进行处理实现连接,便于后续的裂缝信息提取.     

基于差分计盒维数及最大熵阈值的裂缝提取

为了解决在公路路面裂缝的识别和检测过程中,边界细节不明显,噪声干扰不易去除,且存在断裂现象等难点问题,提出了一种新的路面裂缝提取方法。首先利用灰度的垂直和水平投影曲线判断裂缝的类型为横向裂缝、纵向裂缝或网状裂缝;继而根据裂缝的走向进行图像的非对称缩小,减少了背景的无用信息,保留了目标特征边缘,同时提高了检测速度;再采用改进分形理论中的差分计盒维数法对灰度图像分割,即通过计算尺度为1时像素点2×2区域的分维数作为裂缝分割的基础;最后提出通过最大熵阈值法确定阈值,并从端点处循环进行8邻域搜索,找到下个端点,进行断点连接,并去除细小孤立分支,准确地提取裂缝。最后与传统方法进行了对比试验。结果表明:对于具有单条或几条裂缝的图像,新方法能令人满意地提取路面裂缝,抗噪性能好,其结果与人工识别的结果较接近。     

结合路面深度影像梯度方向直方图和分水岭算法的裂缝检测

裂缝检测对于道路维护和管理具有重要作用.由于深度影像对路面油污、阴影等因素不敏感,近些年来基于深度影像的检测方法已成为路面裂缝检测新的研究方向之一.传统的激光扫描线方法没有顾及裂缝在整个空间分布的变异性、各向异性和全局性特征,无法有效检测横向、块状、网状等裂缝.针对以往算法的不足,提出一种结合梯度方向直方图和分水岭算法的路面裂缝检测方法.首先,通过梯度方向直方图算法提取路面深度影像的裂缝边缘强度和方向;然后,利用裂缝边缘方向改进传统分水岭算法,最终提取裂缝目标.实验结果表明,该方法不仅能够准确检测多种类型的裂缝目标,而且能识别裂缝破损程度.     

基于方向特征及引力模型的路面裂缝检测

针对全局性路面裂缝检测方法的局限,提出了一种基于方向特征及引力模型的路面裂缝检测方法.算法首先根据裂缝的延伸性及局部过渡性,搜索裂缝端点,并设计了反映裂缝线型特征的方向因子及方向导数区分度判据,使裂缝判别局限在裂缝端点延伸方向的局部邻域内,有效地阻止了非裂缝区域冗余信息的引入.进一步根据人类判别裂缝的视觉特性,借鉴物理学原理建立了裂缝引力模型,增强了噪斑存在时裂缝连接的鲁棒性.结合颜色距离,设计了裂缝延伸与连接的多判据判别函数,实现对裂缝像素区域的判别检测.实验结果表明所提方法的准确性.     

基于深度学习的三维路面裂缝类病害检测方法

为了在路面三维图像的基础上快速、准确、完整地识别裂缝,提出一种基于深度学习的路面裂缝类病害自动检测方法.首先,以子块图像为处理单元,将三维图像划分为裂缝面元和背景面元,其中背景面元包含了路面标线、不同纹理和桥接缝等复杂场景.根据对面元图像的分析,提出一种基于卷积神经网络的PCCNet分类模型,用于路面背景面元和路面裂缝面元的自动识别.然后,为了进一步提取裂缝面元内裂缝的完整轮廓,考虑路面三维图像中裂缝像素级邻域特征,利用PCCNet模型结合裂缝高程检查方法对路面裂缝进行检测.研究结果表明:通过训练集4 300张高精度三维图像的训练,模型在3 850次迭代之后出现过拟合,且此时PCCNet模型在验证集上的总体F值达到最大,为92.9％;将PCCNet模型结合裂缝高程检查方法应用在测试集的200张三维图像上,方法准确率、召回率和F值分别为87.8％、90.1％和88.9％.与改进Canny方法和种子识别方法对比,所提出的方法在抑制噪声和检测细小裂纹方面具有更强的鲁棒性.     

机械式数字仪表字符定位方法

针对实际环境下的数字仪表图像光照不均匀、产生畸变等问题,提出一种自适应的数字字符定位方法.首先从图像预处理入手,针对图像灰度不均匀,采用动态自适应阈值的S.D.Yanowitz二值化算法,能很好地分割目标和背景.然后再利用分级检测的Hough变换计算倾角进行图像矫正,最后利用投影算法进行逐步求精的字符精确定位.实验结果表明,该算法具有较好的鲁棒性,满足识别系统的要求.     

基于稀疏自编码的路面裂缝检测

针对传统路面裂缝检测系统在复杂纹理背景噪声下检测效率低,易造成漏检、错检等现象提出了一种基于稀疏自编码的裂缝自动检测方法. 该方法首先采用一种基于各向异性的检测算法进行裂缝子块的初步筛选,经过稀疏自编码提取出特征后由softmax分类器进行训练和分类,最后由张量投票算法进行空间加强和去噪从而得到裂缝信息. 实验结果表明,文中提出的算法在无人工干预的情况下能够有效检测出图像裂缝区域,相比传统检测算法具有更高的检测精度和抗干扰能力.      

基于双树复小波的直方图路面裂缝检测算法

分割算法广泛用于公路路面裂缝的检测,然而低抗噪性是这类算法存在的主要问题.将双树复小波变换和直方图方向梯度相结合,提出一种基于双树复小波变换的路面裂缝检测算法.该算法用双树复小波变换对路面裂缝图像进行子带分解,对各子带图像进行直方图方向梯度矩阵计算,阈值化后确定裂缝边缘.实验结果表明,与传统边缘检测算法相比,该算法目标识别度高、抗干扰能力强及准确率高.     

基于统计特性的路面图像光照不均匀校正算法

针对传统的灰度校正方法不能有效地校正全局光照不均匀的路面图像,提出基于统计特性的路面图像光照不均匀校正算法。算法根据路面图像自身的特点,以及正态分布特性,利用图像的均值和方差估计每个子块图像的背景灰度值,然后利用双线性插值的方法构造背景灰度矩阵,最后原图像减去背景灰度即可得到校正后的图像。仿真实验证实,该算法能有效地减少图像的光照不均匀,达到校正图像的目的。     

基于分区域多尺度分析的路面裂缝检测算法

为了提高高速公路路面裂缝检测的准确性,提出一种基于分区域多尺度分析的新型路面缺陷检测算法,从图像的不同尺度上提取裂缝及其周围不同区域的灰度、熵和纹理特征分布信息,获得蕴含方向走势和弯曲程度等参数的特征向量,通过支持向量机(supportvectormachine,SVM)的学习并对所得特征向量进行判断,检测出裂缝点所在位置.实验结果表明,算法与其他路面裂缝检测算法相比,有效地提高了检测的抗噪性、通用性以及准确性,达到了理想的裂缝检测效果,满足公路质检的要求.     

基于数字图像处理的路面裂缝自动识别与评价系统

在论述国内外路面裂缝检测技术发展现状的基础上,分析了基于数字图像处理的路面裂缝识别与评价系统的工作原理。通过研究路面裂缝图像的特点和现有裂缝识别算法,提出了该技术应用中尚存在分析结果的可靠性、图像处理的速度以及路面裂缝评价技术的完善等几个关键技术,并探讨了解决这些问题的途径。     

基于脉冲耦合神经网络的路面裂缝提取

考虑裂缝比路面背景更暗的特点,采用结合赋时矩阵的脉冲耦合神经网络模型,实现了路面图像分割和裂缝的粗提取;利用裂缝比杂质面积大的特点,提出一种基于数字形态学的连通区域提取算法,通过计算每个区域包含的像素数量,采用阈值方法剔除杂质,实现裂缝的精提取。研究结果表明:脉冲耦合神经网络裂缝粗提取方法的平均检测率和虚检率分别为92.43%和47.67%;综合方法平均检测率和虚检率分别为91.1%和7.68%,显著提高了路面裂缝检测的准确性。     

适于路面破损图像处理的边缘检测方法

根据路面图像存在的背景不均、损坏比例低和损坏方向不规则的问题,提出了适于路面损坏图像处理的边缘检测方法.在传统边缘检测方法的基础上,引入了预处理和边缘增强.其中预处理包括背景校正、高斯平滑、灰度直方图变换,并提出有效灰度区间的概念;边缘增强则采用了数学形态学的膨胀运算和中值滤波.针对路面损坏图像实例,采用8方向Sobel算子和最大类间方差分割算法,按照上述流程进行边缘检测.结果表明,该方法能有效降低噪声对路面图像处理的影响并最大限度地保留图像中的损坏特征,而背景校正和基于有效灰度区间的灰度直方图变换则是该方法的关键.对经过预处理的边缘图像,最大类间方差法可取得理想的分割效果.     

基于图像高维特征压缩映射的混凝土表面裂缝检测算法

在复杂背景下,基于单一朴素特征表示的混凝土裂缝检测算法易受光照、背景杂波的干扰.利用多种图像区域特征描述子可以提取混凝土图像区域大量丰富的纹理特征,取得良好的裂缝病害检测效果.然而高维度的图像区域特征向量给后续的裂缝分类检测过程带来巨大的存储与计算负担.针对此问题,提出一种基于图像高维特征压缩映射的混凝土表面裂缝检测算法.基于Johnson-Lindenstrauss引理,本文算法可以利用较少的区域特征向量获得关于裂缝与非裂缝区域具有良好区分度的特征描述.在高维特征压缩映射的基础上,进一步利用最小二乘支持向量机快速准确地判断出裂缝与非裂缝样本.通过在实际采集的混凝土图像数据集上进行测试验证,本文算法的训练效率比高维样本模型训练快150多倍,同时裂缝病害区域检测准确率为90.3%、召回率为91.2%,优于其他对比裂缝检测算法.      

基于深度学习的公路路面病害检测算法

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于PANet的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用AP-loss函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071s。与Faster R-CNN算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。