形态学和最大熵图像分割的城市路面裂缝检测

针对路面检测过程中后期处理数据工作量大、城市路面图像噪声多等特点,提出利用形态学和最大熵图像分割的城市路面裂缝检测方法.路面图像经过初始分类后,利用数学形态学变换对路面裂缝图像预处理,采用不同尺度、不同方位的结构元素对灰度图像做开运算重构,以提高图像中裂缝目标与路面背景之间的灰度差异;利用最大熵法进行图像分割,并对二值化后的裂缝图像进一步精细化处理;利用投影分析方法进行裂缝分类.研究结果表明:该方法能够在抑制噪声干扰的同时,实现快速、准确地检测路面裂缝边缘,并准确完成裂缝分类.     

一种改进的边界扫描的路面裂缝检测算法

针对路面图像噪声较多、目标裂缝跟踪难等问题,分析对比了几种传统的经典边界扫描方法,如Sobel、Canny等算法,并根据路面裂缝图像的特点,提出了基于绝对梯度值的Sobel改进方法,使得边缘信息得到加强、减少了噪声以及伪边缘。经过后续图像的处理,能够较好地跟踪识别路面图像的裂缝信息。     

路面病害检测中的背景处理和断点连接算法

在基于机器视觉的路面病害检测中,如何进行背景均匀化以及对二值图像中存在的断点问题处理是其中的技术难点.针对该问题,提出一种自适应的倍乘因子不均匀背景去除法来对不一致路面背景进行修正,该方法具有自适应性,可以通过调节自适应因子σ修正背景;然后使用一种基于区域搜寻的断点连接算法对非连续裂缝像素进行连接,它主要基于深度优先原则进行裂缝邻域搜索,然后根据联通性原理去除断点.仿真结果表明,这两种方法对目前的路面检测技术是很好的补充.     

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.     

用图像处理的方法检测公路路面裂缝类病害

公路路面裂缝类病害是公路路面的主要病害之一。在对公路路面裂缝类病害的检测中,将CCD摄像机作为探测系统安装在一个专用测试车上,对路面进行扫描,得到路面图像。构造了8个方向的Sobel模板对路面裂缝类病害图像进行边缘检测,边缘检测处理后,结合加权的邻域平均噪声滤除算法和Ostu图像分割算法对病害图像进行处理。处理结果相对于其他经典算法,裂缝边缘宽度较细,并且裂缝的边缘保护很好,裂缝边缘的连续性也比较好。用图像处理的方法检测公路路面裂缝类病害,检测精度和检测效果都比较满意。     

基于多图像与多分辨率的路面裂缝检测方法

路面图像的复杂性及裂缝信息的弱信号性导致对路面裂缝进行检测非常困难,为此提出一种基于多图像和多分辨率的路面裂缝检测方法.首先,在数据采集上,本文使用双摄像机对同一段路面于不同角度进行数据采集,光源分别使用定向光源和自然光源进行测试.其次,在裂缝检测上,使用金字塔变换对图像进行多尺度分解,再将每个尺度的分解图像阈值处理后重建为类梯度(gradient-like)图像,然后使用分水岭算法对类梯度图像进行分割,得到细化后的检测图像.最后,将同一块路面的两张检测图像进行融合,得到最终的检测图像.经试验证明,融合后的结果比单张图像检测效果更好,且使用多尺度的方法能更好保存图像的几何特性,很大程度提高了路面裂缝检测的可靠性和精度.     

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。     

基于动态阈值的混凝土裂缝高抗噪提取及识别方法

针对表面布有蜂窝麻面等复杂噪声的混凝土裂缝,提出了一种基于动态阈值的混凝土裂缝高抗噪提取方法.首先,通过灰度变换、高斯滤波、信息增强等技术弱化、去除噪声,增强图像中裂缝的亮度,提高裂缝与背景的对比度;然后,采用OTSU阈值分割算法去除伪裂缝,基于裂缝与干扰噪声面积的差异,引入动态阈值,实现各类型裂缝的提取;最后,基于边缘检测和裂缝骨架细化处理,计算裂缝的长度、宽度和面积3项特征参数.基于室内实验和室外实际桥梁拍摄的4组裂缝图像结果表明,4组裂缝的平均宽度分别为2.01、1.07、1.34、0.97 mm,说明该方法适用于不同背景下各类型裂缝的提取,具有较强的鲁棒性.     

路面裂缝自动识别与测量

为了提高道路裂缝损伤检测效率,保证检测工作的安全性,加强检测数据的标准化建设,研究了路面裂缝自动识别与测量方法。通过分析既有方法的缺陷,提出采用均值漂移技术的图像平滑与分割方法,初步分割候选裂缝,采用定向跟踪方法提取裂缝骨架;基于裂缝骨架内插得到完整裂缝,完成裂缝自动提取与编码;最后将裂缝骨架分段,精确计算裂缝形态参数,实现裂缝形态完整测量。研究结果表明:该方法对路面粗糙度和裂缝方向不敏感,可以识别较细小裂缝,裂缝识别的定位精度达到0.5个像素以下,裂缝长度的相对误差小于2%,具有较高精度和可靠性。     

基于分数域加窗和对比度增强的路面裂缝检测

针对传统人工路面裂缝检测的效率和精度低以及耗费大量人力物力等问题，提出了一种基于分数域加窗和对比度增强的路面裂缝检测方法。首先，使用分数阶傅里叶变换将裂缝图像转化到分数域，利用最优窗函数对频谱进行加窗处理达到去噪效果。然后，使用分数阶同态滤波算法对去噪图像进行对比度增强，并通过迭代的方法获取最佳阶次下对比度最高的图像。最后，使用Canny算法和Otsu算法分别对增强图像做边缘检测和阈值分割，通过对两者结果做或运算和图像形态学运算来有效提取裂缝图像中的裂缝特征。将检测结果与分数频域处理法和改进HC显著法对比，该方法的准确率分别提升了5.84%和4.5%，召回率分别提升了5.58%和3.52%，表明该方法在路面裂缝检测上具有更好的检测效果和更高的识别率。     

基于差分计盒法和数学形态学的路面裂缝分割和提取方法

路面裂缝检测是道路维护工作的重要内容之一。分维数可以很好地表现裂缝的特征。在差分计盒方法计算图像分维数的基础上,提出了一种改进算法;并将其应用到路面裂缝图像的阈值化。再结合数学形态学中的膨胀、腐蚀、开和闭运算以及底帽变换,采用多个合适的结构元素,在阈值化的裂缝图像基础上进行裂缝骨架提取,并去除噪声和毛刺,将利用该方法得到的检测结果与利用最大类间方差法和Canny算子得到的结果比较,表明该方法能够很好的实现路面裂缝的分割和提取。分割提取的裂缝位置准确,抗噪性能改善,更具实用性。     

基于YOLOv5和U-Net3+的桥梁裂缝智能识别与测量

为了克服传统数字图像处理方法进行桥梁裂缝识别时面临的效率低、效果不佳等问题,提出了集成深度学习YOLOv5和U-Net3+算法的一体化桥梁裂缝智能检测方法.通过调整算法宽度和深度参数,优化边界框损失函数,构建基于YOLOv5目标检测算法的裂缝识别定位模型,实现桥梁裂缝快速识别与定位;引入结合深度监督策略及预测输出模块的U-Net3+图像分割算法,训练并构建桥梁裂缝高效分割模型,实现像素级裂缝智能化提取;建立结合连通域去噪、边缘检测、形态学处理的八方向裂缝宽度测量法,基于U-Net3+裂缝分割结果实现裂缝形态及宽度高精度测量;利用LabelImg图像标注软件制作包含4 414张图像的裂缝识别定位模型训练数据集;利用LabelImg图像标注软件及CFD数据集制作包含908张图像的裂缝分割模型训练数据集;利用无人机航拍的485张5 280×2 970 pixels桥梁索塔裂缝图像,来制作裂缝智能检测模型的测试对象.将所提出的裂缝检测方法应用于上述裂缝测试对象,其裂缝识别定位准确率91.55%、召回率95.15%、F1分数93.32%,裂缝分割准确率93.02%、召回率92.22%、F1分数92.22%.结果表明,基于YOLOv5与U-Net3+的桥梁裂缝智能检测方法,可实现桥梁裂缝高效率、高精度、智能化检测,具有较强的研究价值和广泛的应用前景.     

基于改进Faster R-CNN的路面灌封裂缝检测方法

路面灌封裂缝对路面使用寿命的影响较为突出,为了解决目前灌封裂缝检测技术匮乏的问题,文中提出了一种基于改进Faster R-CNN的路面灌封裂缝检测方法。首先,建立灌封裂缝图像集,对采集到的图像进行增广处理,构建路面灌封裂缝标注样本数据集,并将图像集按6∶2∶2的比例划分为训练集、验证集和测试集;接着,采用Faster R-CNN模型对灌封裂缝进行检测,针对Faster R-CNN检测灌封裂缝存在漏检、定位效果不够理想的问题,文中分别将VGG16、ZFNet和Resnet50网络的特征提取层与Faster R-CNN模型进行结合,结果表明,VGG16和Faster R-CNN结合的模型检测精度最高,达到0. 9031;然后,通过增加灌封裂缝候选框宽高比的方法继续改进模型,检测精度达到0. 907 3,且原先被漏检的目标能被检测出来;最后,对改进Faster R-CNN与YOLOv2模型的检测精度及定位效果进行对比,结果表明,文中提出的改进Faster RCNN能够明显提高对灌封裂缝的检测准确率和定位精度。     

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.     

基于对抗神经网络的建筑混凝土细小裂缝精准识别方法研究

针对常规方法识别裂缝图像目标像素时噪声点作为虚假裂缝仍保留在像素区域中,导致建筑混凝土裂缝几何参数识别误差较大的问题,提出一种基于对抗神经网络的建筑混凝土细小裂缝精准识别方法.首先,灰度转换混凝土裂缝原始图像,结合阈值分割和高斯梯度法,区分图像目标和背景;然后,设置裂缝和虚假裂缝判别条件,去除目标像素中的噪声点,利用初...     

基于图像分析技术的混凝土桥梁结构表面裂缝宽度检测

针对目前检测裂缝宽度时通常采用的接触式人工直接测量方法费时费力、且难以准确测量最大裂缝宽度的问题,基于图像分析技术的应用,提出采用在混凝土表面粘贴纯色标定块来标定、修正原始图像,并对其进行对比增强、平滑等一系列处理后直接在图像上确定裂缝宽度的无接触式测量方法.基于所提方法,分别以正拍和斜拍图像对一开裂混凝土梁的表面裂缝进行了检测,结果表明:基于正拍和斜拍图像确定的裂缝宽度的识别精度分别为93.4%和90.9%,表明该方法能有效检测混凝土结构表面的裂缝宽度.     

基于1mm精度路面三维图像的裂缝自动并行识别算法

为了快速、准确、完整地识别裂缝,基于1 mm/像素的路面三维图像提出了具有并行结构的裂缝自动识别算法.首先,进行降维处理,分别以像素(0,0)和(4,4)为起点将源图像划分为8×8像素的子块,获得2幅部分重叠的降维图像;然后,基于降维图像进行裂缝种子识别和裂缝连接,形成10个并列的子流程,从而产生10幅初步裂缝图像;最后,对10幅图像进行裂缝融合与滑动窗口去噪处理,获得裂缝图像.测试结果表明:提出的算法具有较高的准确率(平均92.56%)和召回率(平均90.59%),并以90.59%的F值优于Otsu阈值分割及Canny边缘检测算法;该算法的并行结构有利于程序并行化,能有效提高运算速度.     

融于图像多特征的路面裂缝智能化识别

路面裂缝形状不规则复杂程度高。传统路面裂缝识别技术需要对路面图像进行复杂预处理工作进行识别,不能自动化对路面裂缝图像进行分类。为提高对路面裂缝识别精度和效率,本文将基于深度学习方法提出一种自动识别路面裂缝并能减少图像预处理工作量的方法。首先,将原始图像切割为小样本图像,根据图像多特征进行分类,各选取相同类型样本2000张图像构建数据集;其次,利用双线性内插法对裁剪后图像进行上采样,凸显图像特征便于神经网络学习;最后,使用深度学习神经网络对训练样本进行特征提取训练模型。实验结果表明：ResNet101模型评估指标均优于其他深度学习模型和机器学习模型,模型测试精度达0.898,kappa系数为0.815。