CN107633516B - 一种识别路面变形类病害的方法和装置 - Google Patents

Abstract

本发明提供了一种识别路面变形类病害的方法和装置，所述方法包括：S1，根据预先获取的待检测路面的三维数据，获取所述待检测路面的变形深度信息；S2，根据所述变形深度信息，通过边缘检测算法提取疑似病害边缘；S3，根据所述变形深度信息和所述疑似病害边缘获取初定位病害区域，并通过区域生长还原处理定位病害区域；S4，获取所述病害区域的病害属性集合，并根据所述病害属性集合，识别所述病害区域的病害类型。本发明通过获取病害深度信息和变形深度图像，对路面中的病害区域进行了精确地提取，保证了病害区域的完整性；还通过病害属性对病害区域的病害类型进行了准确地识别，实现了高效、准确地检测并识别路面变形类病害。

Description

一种识别路面变形类病害的方法和装置

技术领域

本发明涉及路面检测技术领域，具体涉及一种识别路面变形类病害的方法和装置。

背景技术

随着经济水平的不断提高，我国公路建设正在飞速的发展。随着交通量的不断增加，人们对行车舒适度以及行车安全的追求与日俱增，公路的表面特性直接影响了人们对上述两方面的需求，这就需要不断提高公路服务水平来保证优良的公路表面特性。

在公路的使用过程中，由于受到各种自然和非自然因素的影响，会产生多种公路变形类病害(诸如车辙、坑槽、拥包、沉陷等)。因此，快速准确地检测公路的健康状况，为公路养护维修提供路面状况分析指标是非常重要的。

现有技术中，为了对路面健康状况进行检测，可以通过人工实地勘察记录，但这种方法需要耗费大量的人力、财力和物力，还存在着安全、效率及精度等诸方面的问题，并且后期处理的工作量也很大，不适应大规模公路检测的要求。

此外，还可以利用基于模拟摄影技术及基于模拟视频技术的路面快速检测***，其主要是利用高速度高精度摄像机和车辆定位***来实现路面破损图像的同步采集，然后利用计算机进行处理，得到路面病害信息，但由于路面环境通常具有较强的噪声(路面材料粒径噪声、不均匀光照和遮挡阴影等)以及摄像机安装方式或者自身畸变造成图像扭曲、拖尾、模糊现象，导致这种方法存在实时性差、识别率和分类难等缺点。

并且，由于拍摄的图像是平面图形，而对于平面二维图像数据的处理方法通常为：将目标图像进行灰度处理、平滑处理和锐化处理等预处理；然后将经过预处理后的路面图像中的病害进行图像分割、形态学处理、轮廓提取，最后对路面图像中病害的特征提取和度量将病害进行精确定位输出。

但这种处理方法受采集到的数据质量的影响较大，在病害的识别过程中误检率较高；特别是对于在二维灰度图像中无明显特征的病害(例如部分较浅的车辙病害等)，因此，基于二维图像数据的变形类病害识别的准确率较低，且无法获取变形类病害的深度信息。

发明内容

针对现有技术中存在的上述缺陷，本发明提供一种识别路面变形类病害的方法和装置。

本发明的一方面提供一种识别路面变形类病害的方法，包括：S1，根据预先获取的待检测路面的三维数据，获取所述待检测路面的变形深度信息；S2，根据所述变形深度信息，通过边缘检测算法提取疑似病害边缘；S3，根据所述变形深度信息和所述疑似病害边缘获取初定位病害区域，并通过区域生长还原处理定位病害区域；S4，获取所述病害区域的病害属性集合，并根据所述病害属性集合，识别所述病害区域的病害类型。

其中，所述步骤S1进一步包括：S11，对所述三维数据进行异常值剔除处理、数据标定处理及滤波处理，获取断面控制轮廓；S12，对所述断面控制轮廓的轮廓特征进行分析，获取与所述断面控制轮廓对应的断面标准轮廓；S13，将所述断面控制轮廓和所述断面标准轮廓作差，获取所述待检测路面的断面实际高程和标准高程的断面高程差信息；S14，根据所述断面高程差信息，将连续多个断面进行拼接处理，获取所述待检测路面的变形深度信息。

其中，所述步骤S3进一步包括：S31，将所述变形深度信息划分为多个图像子块，获取所述多个图像子块分别对应的深度属性信息；其中，所述深度属性信息包括深度平均值、深度值方差和深度值分布信息；S32，结合变形类病害知识库，依据所述多个图像子块对应的深度属性信息以及所述疑似病害边缘，对所述多个图像子块的置信度进行评估，将较高置信度的图像子块作为所述初定位病害区域；S33，对所述初定位病害区域进行连通区域标记，获取各连通区域的区域参数；其中，所述区域参数包括区域长度、区域面积、区域位置和区域方向；S34，对所述区域参数满足预设条件的所述连通区域进行边缘延伸，获取所述病害区域。

其中，所述步骤S4进一步包括：S41，获取所述病害区域的有效长度、有效宽度、长宽比和病害位置，并根据所述有效长度和所述有效宽度获取所述病害区域的最大深度、平均深度和病害面积；所述病害属性集合包括所述病害区域的有效长度、有效宽度、长宽比、病害位置、最大深度、平均深度和病害面积；S42，根据所述病害属性集合，基于变形类病害知识库，获取所述病害区域所包含病害的病害类型。

其中，所述步骤S34进一步包括：S341，对区域长度和区域面积大于预设阈值的第一连通区域，沿所述第一连通区域的区域方向进行边缘延伸；S342，若延伸区域内存在第二连通区域，且所述第一连通区域与所述第二连通区域之间的距离小于预设距离，则获取所述第一连通区域和所述第二连通区域的中心连线；S343，沿所述中心连线的方向，将所述第一连通区域和所述第二连通区域进行合并，合并得到的区域作为新的病害区域。

其中，所述步骤S2进一步包括：S21，根据预设的边缘检测算子和所述变形深度信息，获取每个像素点的梯度分量；S22，获取梯度分量大于预设梯度阈值的像素点，作为疑似病害边缘点，根据所述疑似病害边缘点获取所述疑似病害边缘。

其中，所述步骤S42进一步包括：S421，根据所述变形类病害知识库获取分类器；S422，根据所述病害属性集合，基于病害线性特征、深度特征、面阵特征、位置特征和变形程度，通过所述分类器获取所述病害区域所包含病害的病害类型；其中，所述线性特征包括有效长度、有效宽度、长宽比；所述深度特征包括最大深度和平均深度；所述面阵特征包括病害面积；所述位置特征包括病害位置；所述变形程度包括轻微变形、中度变形和重度变形。

本发明的另一方面提供一种识别路面变形类病害的装置，包括：获取模块，用于根据预先获取的待检测路面的三维数据，获取所述待检测路面的变形深度信息；处理模块，用于根据所述变形深度信息，通过边缘检测算法提取疑似病害边缘；定位模块，用于根据所述变形深度信息和所述疑似病害边缘获取初定位病害区域，并通过区域生长还原处理定位病害区域；识别模块，用于获取所述病害区域的病害属性集合，并根据所述病害属性集合，识别所述病害区域的病害类型。

本发明的又一方面提供一种识别路面变形类病害的设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行本发明上述方面提供的识别路面变形类病害的方法，例如包括：S1，根据预先获取的待检测路面的三维数据，获取所述待检测路面的变形深度信息；S2，根据所述变形深度信息，通过边缘检测算法提取疑似病害边缘；S3，根据所述变形深度信息和所述疑似病害边缘获取初定位病害区域，并通过区域生长还原处理定位病害区域；S4，获取所述病害区域的病害属性集合，并根据所述病害属性集合，识别所述病害区域的病害类型。

本发明的又一方面提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行本发明上述方面提供的识别路面变形类病害的方法，例如包括：S1，根据预先获取的待检测路面的三维数据，获取所述待检测路面的变形深度信息；S2，根据所述变形深度信息，通过边缘检测算法提取疑似病害边缘；S3，根据所述变形深度信息和所述疑似病害边缘获取初定位病害区域，并通过区域生长还原处理定位病害区域；S4，获取所述病害区域的病害属性集合，并根据所述病害属性集合，识别所述病害区域的病害类型。

本发明提供的识别路面变形类病害的方法和装置，通过获取病害深度信息和变形深度图像，对路面中的病害区域进行了精确地提取，保证了病害区域的完整性；还通过病害属性对病害区域的病害类型进行了准确地识别，实现了高效、准确地检测并识别路面变形类病害。

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一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的识别路面变形类病害的方法的流程示意图；

图2本发明实施例提供的识别路面变形类病害的方法的坑槽病害的变形深度图像(a)、初定位病害区域(b)、病害区域(c)和病害特征提取(d)的示意图；

图3本发明实施例提供的识别路面变形类病害的方法的坑槽病害断面轮廓示意图；

图4本发明实施例提供的识别路面变形类病害的方法的拥包病害断面轮廓示意图；

图5本发明实施例提供的识别路面变形类病害的方法的识别病害类别的示意图；

图6为本发明实施例提供的识别路面变形类病害的装置的结构示意图；

图7为本发明实施例提供的识别路面变形类病害的设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，三维建模技术已经广泛应用于各个领域，从宏观国土调查、三维可视化、三维动漫、高精度三维建模到三维打印均得到广泛应用。根据激光三角测量原理，基于线结构光结合视觉传感器测量的方法实现同一姿态、同一时刻的同步测量，即要求一次测量采样一个完整断面，保证一个断面在同一个姿态下完成测量，基于线结构光结合视觉传感器测量获取的三维点云数据可准确获取高精度的路面断面轮廓三维信息，同时也包含了路面病害的二维信息，从而三维点云数据能较直接和方便地获取变形类病害完整信息，包括变形位置、病害类型及病害程度等。本发明实施例是基于路面的三维数据对路面病害进行识别。

图1为本发明实施例提供的识别路面变形类病害的方法的流程示意图，如图1所示，包括：S1，根据预先获取的待检测路面的三维数据，获取所述待检测路面的变形深度信息；S2，根据所述变形深度信息，通过边缘检测算法提取疑似病害边缘；S3，根据所述变形深度信息和所述疑似病害边缘获取初定位病害区域，并通过区域生长还原处理定位病害区域；S4，获取所述病害区域的病害属性集合，并根据所述病害属性集合，识别所述病害区域的病害类型。

其中，三维数据是通过线扫描三维测量传感器对待检测路面进行测量所得到的数据。具体地，线扫描三维测量传感器能够测量得到被测物表面高程相对变化情况，获取的三维数据可以反映被测物表面的高程变化信息。线扫描三维测量传感器能够实现同一姿态、同一时刻的断面轮廓同步测量，采集方式包含两种方式：其一，三维测量传感器安装在固定支架上，在三维测量传感器测量范围内，被测物体以一定速度穿过测量区域，在被测物体运动过程中，实现对被测物体的三维轮廓数据采集；其二，三维测量传感器安装在运动载体上，在测量载体运动过程中，对被测物体三维轮廓进行数据采集。本发明实施例中，以将线扫描三维测量传感器设置于车辆上，在待检测路面上行驶一遍以获取三维数据为例进行说明，但本发明实施例的保护范围并不限于此。

其中，变形深度信息反映整个待检测路面不同位置处的深度信息，例如以坐标的形式表征待检测路面的各点以及各点对应的深度值；变形深度图像则反映整个待检测路面不同位置处深度信息的图像，该图像能够直观反映整个待检测路面的深度变化情况。

其中，边缘是图像上灰度变化最明显的地方，边缘检测算法利用此特点来标识数字图像中亮度变化明显的点，图像属性中的显著变化通常反映了属性的重要事件和变化。本发明实施例中的边缘反映病害区域的边缘。

其中，病害属性集合包括多种病害属性，病害属性集合能够从形状和深度上反映病害区域的特征；使得能够根据病害属性集合，对病害区域中的病害进行分类。

在步骤S1中，可以采用线扫描三维测量传感器对待检测路面进行三维数据的采集；采集后，对三维数据进行处理，进一步获取待检测路面的变形深度信息和变形深度图像。图2为本发明实施例提供的识别路面变形类病害的方法的坑槽病害的变形深度图像(a)的示意图，如图2所示，以坑槽病害为例，待检测路面上越深的位置，具有越深的颜色，以此区别待检测路面的不同位置处的深度值。

在步骤S2中，根据步骤S1获取的变形深度信息，利用边缘检测算法对变形深度信息进行求解，得到的边缘即为疑似病害边缘；疑似病害边缘在一定程度上能够反映病害区域。

在步骤S3中，根据步骤S1获取的变形深度信息以及步骤S2中获取的疑似病害边缘，首先获得初定位病害区域；然后通过区域生长还原的处理能够获取病害区域。其中，区域生长还原是利用路面变形类病害具有区域聚集性和深度变化延续性的特点，利用病害区域之间的拓扑关系提取病害区域。

在步骤S4中，根据步骤S3获取的病害区域，获取该病害区域中的病害属性集合；病害属性集合反映病害区域的形状和深度等特征，通过该属性集合能够对病害区域的病害类别进行有效地识别。

本发明实施例提供的识别路面变形类病害的方法，通过获取病害深度信息和变形深度图像，对路面中的病害区域进行了精确地提取，保证了病害区域的完整性；还通过病害属性对病害区域的病害类型进行了准确地识别，实现了高效、准确地检测并识别路面变形类病害。

在上述任一实施例的基础上，所述步骤S1进一步包括：S11，对所述三维数据进行异常值剔除处理、数据标定处理及滤波处理，获取断面控制轮廓；S12，对所述断面控制轮廓的轮廓特征进行分析，获取与所述断面控制轮廓对应的断面标准轮廓；S13，将所述断面控制轮廓和所述断面标准轮廓作差，获取所述待检测路面的断面实际高程和标准高程的断面高程差信息；S14，根据所述断面高程差信息，将连续多个断面进行拼接处理，获取所述待检测路面的变形深度信息。

其中，三维数据是由多个连续的断面轮廓组成的，每个断面轮廓主要包含了断面标准轮廓、断面控制轮廓、路面纹理；其中，断面标准轮廓表示正常的路面轮廓，包含测量姿态(车载三维***由于横滚等因素造成的横断面倾斜现象)，但不包含宏观和微观病害轮廓信息(如：坑槽、车辙、沉陷、拥包和裂缝等)；断面控制轮廓为贴合路面数据的轮廓，包含宏观病害轮廓信息(如：坑槽、车辙、沉陷和拥包等)，但不包含微观病害信息(如：裂缝等)；路面纹理为正常情况下路面材料颗粒形成的轮廓局部细小起伏。

其中，异常值剔除处理是去除三维数据中包含的明显错误的值；数据标定处理是将像方高程数据转换为物方高程数据，从而准确获取被测物体的实际轮廓。

其中，滤波可采用均值滤波、高斯滤波等，以均值滤波为例，它是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素(以目标像素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身)，再用模板中的全体像素的平均值来代替原来像素值。

在步骤S11中，对预先采集的三维数据进行预处理，预处理包括异常值剔除处理和数据标定处理；图3为本发明实施例提供的识别路面变形类病害的方法的坑槽病害断面轮廓示意图，图4为本发明实施例提供的识别路面变形类病害的方法的拥包病害断面轮廓示意图，坑槽病害的断面控制轮廓如图3所示，拥包病害的断面控制轮廓如图4所示。

在步骤S12中，根据步骤S11中获取的断面控制轮廓，由于断面控制轮廓反映路面的真实情况，因此需要对断面控制轮廓的轮廓特征进行分析，获取反映正常路面情况的断面标准轮廓；其中，轮廓特征可以包括断面控制轮廓线条的走向趋势、曲率、峰值点等特征。例如图3所示的断面标准轮廓，由于断面控制轮廓向下凹陷，因此可以在一定程度上确定断面标准轮廓应当在向下的峰值点的上部；而如图4所示的断面标准轮廓，由于断面控制轮廓向上凸起，因此可以在一定程度上确定断面标准轮廓应当在向上的峰值点的下部。

在步骤S13中，根据步骤S12获取的断面控制轮廓和断面标准轮廓，由于断面控制轮廓包含了断面病害的轮廓信息以及断面标准轮廓；因此，用断面标准轮廓SP_j减去断面控制轮廓CP_j即可得到断面高程差信息F_j＝{F_ji|i＝1,2,...,n}，(n为单个断面测量点个数)。

在步骤S14中，根据步骤S13中获取的断面高程差信息，将待检测路面上连续多个断面拼接起来，组成了待检测路面的变形深度信息F＝{F_ji|j＝1,2,...,m,i＝1,2...n}；(其中，m为拼接断面个数，n为单个断面测量点个数)；变形深度图像则为与变形深度信息对应的图像。

通过上述步骤，能够有效地对待检测路面的深度信息进行提取，保证了完整性。

在上述任一实施例的基础上，所述步骤S3进一步包括：S31，将所述变形深度信息划分为多个图像子块，获取所述多个图像子块分别对应的深度属性信息；其中，所述深度属性信息包括深度平均值、深度值方差和深度值分布信息；S32，结合变形类病害知识库，依据所述多个图像子块对应的深度属性信息以及所述疑似病害边缘，对所述多个图像子块的置信度进行评估，将较高置信度的图像子块作为所述初定位病害区域；S33，对所述初定位病害区域进行连通区域标记，获取各连通区域的区域参数；其中，所述区域参数包括区域长度、区域面积、区域位置和区域方向；S34，对所述区域参数满足预设条件的所述连通区域进行边缘延伸，获取所述病害区域。

在步骤S31中，将待检测路面的变形深度信息或变形深度图像合理划分成大小互不重叠的图像子块(大小为sm*sn)，SU＝{SU_xy|x＝1,2,...M,y＝1,2,...N}，SU_xy＝{F_ji|j∈X_x,i∈Y_y}，其中M＝m/sm为图像子块在行方向上的个数；N＝n/sn为图像子块在列方向上的个数；X_x∈[(x-1)*sm+1x*sm]且X_x∈{1,2,...m}，Y_y∈[(y-1)*sn+1y*sn]且Y_y∈{1,2,...n}。

划分为多个图像子块后，通过对各个图像子块SU中的深度值进行统计和分析，获取图像子块中的深度值属性信息，深度值属性信息可以包括深度平均值、深度值方差和深度值分布信息，其中，分布信息可以为正负分布信息；例如，深度值属性信息可以为SUA＝{均值AVG_xy,方差STD_xy，正负分布信息PM_xy|x＝1,2,...,M,y＝1,2,...,N},其中，M为图像子块在行方向的个数，N为图像子块在列方向上的个数。

在步骤S32中，变形类病害知识库存储了变形类病害中包括的各类病害(例如车辙、拥包、坑槽和沉陷等)的形状特征、深度特征等，将实际参数与知识库进行比对和匹配能在一定程度上确认病害类型。具体地，根据变形类病害知识库，结合图像子块SU、深度属性信息SUA及疑似病害边缘，对各图像子块的置信度进行评估，获取置信度较高的图像子块(置信度较高表明该图像子块为病害区域的可能性较大)及其位置信息(例如坐标值)，实现病害初定位，将获得的较高置信度的图像子块作为初定位病害区域；图2本发明实施例提供的识别路面变形类病害的方法的坑槽病害的初定位病害区域(b)的示意图，以坑槽病害为例示出了初定位病害区域。

在步骤S33中，根据步骤S32中获取的初定位病害区域，对初定位病害区域进行连通区域标记，记录标记值为FR＝{FR_ji|j＝1,2,...,m；i＝1,2,...n}(其中，m为拼接断面的个数，n为单个断面的测量点个数)，并统计连通域标记图像FR中各连通区域UR_u(标记值为u的连通区域，u＝1,2，…,U；U为连通区域的总个数)的区域参数，区域参数包括：区域长度URL_u、区域面积URA_u、区域位置URS_u和区域方向URD_u。其中，区域长度URL_u为标记值为u的连通区域外接矩长边或对角线的长度；区域面积URA_u为标记值为u的连通区域的像素个数；区域位置URS_u为连通区域重心的坐标；区域方向URD_u可以采用如最小二乘拟合法获取。

在步骤S34中，根据步骤S33中获取的区域参数，对每个区域参数(例如区域长度URL_u和区域面积URA_u)满足预设条件(例如分别大于预设的阈值，其中，阈值由变形类病害知识库获得)要求的病害区域进行边缘延伸(延伸方向依据其几何形态的区域方向URD_u确定)，获取最终的病害区域。

在上述任一实施例的基础上，所述步骤S4进一步包括：S41，获取所述病害区域的有效长度、有效宽度、长宽比和病害位置，并根据所述有效长度和所述有效宽度获取所述病害区域的最大深度、平均深度和病害面积；所述病害属性集合包括所述病害区域的有效长度、有效宽度、长宽比、病害位置、最大深度、平均深度和病害面积；S42，根据所述病害属性集合，基于变形类病害知识库，获取所述病害区域所包含病害的病害类型。

在步骤S41中，提取病害区域后，利用病害区域DZ_k(k＝1,2,…,s,其中s为病害的总个数)的最小面积外接矩形，获取病害区域的有效长度L、有效宽度W、长宽比LW和病害位置Loc(病害区域内最长连线顶点的位置坐标)，计算病害区域的最大深度Hmax、平均深度H_avg和病害面积Area；得到病害属性集合DZA_k，(DZA_k＝{L,W,LW,Loc,H_max,H_avg,Area},k＝1,2,...,s,s为病害的总个数)。

在步骤S42中，利用变形类病害知识库，将病害属性集合与知识库中的数据进行比对和匹配，进而识别病害区域的病害类型。

在上述任一实施例的基础上，所述步骤S34进一步包括：S341，对区域长度和区域面积大于预设阈值的第一连通区域，沿所述第一连通区域的区域方向进行边缘延伸；S342，若延伸区域内存在第二连通区域，且所述第一连通区域与所述第二连通区域之间的距离小于预设距离，则获取所述第一连通区域和所述第二连通区域的中心连线；S343，沿所述中心连线的方向，将所述第一连通区域和所述第二连通区域进行合并，合并得到的区域作为新的病害区域。

具体地，对每个区域长度URL_u和区域面积URA_u满足阈值(阈值由变形类病害知识库获得)要求的病害区域(即第一连通区域)进行边缘延伸(延伸方向依据其几何形态的区域方向URD_u确定)，判定该延伸区域内是否存在其他病害标记，若存在第二连通区域，且两者具有一定的拓扑关系(即距离较近，小于预设距离)，则获取第一连通区域和第二连通区域的中心连线，沿中心连线延伸合并这两个病害区域(第一连通区域和第二连通区域)；经过多次合并后，若小病害区域周围都不存在较大病害区域，病害生长还原过程结束；生成的较大范围的病害区域的置信度较高，将其保留；未被合并的小范围病害区域的置信度较低，将其剔除；得到最终的病害区域DZ_k(k＝1,2,…,s,其中s为病害的总个数)。

在上述任一实施例的基础上，所述步骤S2进一步包括：S21，根据预设的边缘检测算子和所述变形深度信息，获取每个像素点的梯度分量；S22，获取梯度分量大于预设梯度阈值的像素点，作为疑似病害边缘点，根据所述疑似病害边缘点获取所述疑似病害边缘。

在步骤S21中，由于变形类病害区域具有面积较大的特征，本发明实施例设计11*11的边缘检测算子，对路面变形深度信息F采用差分边缘检测的方法来求解变形类病害的疑似边缘点以定位病害区域；以下以11*11的边缘检测算子为例对过程进行说明，边缘检测算子如下：

根据上述边缘检测算子，计算梯度分量为：

式中，f(j，i)表示坐标为(j，i)处的变形深度值，则像素点(j，i)的梯度分量的大小为：

G(j,i)≈|G_j|+|G_i|

在步骤S22中，根据步骤S21中获取的梯度分量，若G(j,i)＞Th，其中，Th为预设梯度阈值；则G(j,i)为疑似病害边缘点。

通过大量地统计变形类病害边缘的梯度值与所有像素梯度值的比例关系，可以设定Th为最大梯度值的80％，得到疑似病害边缘点；全部疑似病害边缘点组成了疑似病害边缘。

在上述任一实施例的基础上，所述步骤S42进一步包括：S421，根据所述变形类病害知识库获取分类器；S422，根据所述病害属性集合，基于病害线性特征、深度特征、面阵特征、位置特征和变形程度，通过所述分类器获取所述病害区域所包含病害的病害类型；其中，所述线性特征包括有效长度、有效宽度、长宽比；所述深度特征包括最大深度和平均深度；所述面阵特征包括病害面积；所述位置特征包括病害位置；所述变形程度包括轻微变形、中度变形和重度变形。

图5本发明实施例提供的识别路面变形类病害的方法的识别病害类别的示意图，如图5所示，首先结合病害知识库设计分类器，利用分类器基于病害属性特征去识别病害区域的类型；病害属性特征包含病害线性特征、深度特征、面阵特征、位置特征和变形程度；其中，线性特征包括有效长度、有效宽度、长宽比；深度特征包括病害最大深度和平均深度；面阵特征包括病害面积；位置特征包括病害位置；变形程度包括轻微变形、中度变形和重度变形。

分类器基于病害属性特征，将病害进行分类，例如可以采用如下规则：对于某一病害区域，

规则1，根据病害深度信息将大于阈值Th_up的“向上类”病害提取为拥包病害；

规则2，根据有效长度(如车辙有着明显的长度特征)、有效宽度(车轮宽度的一定比例)、病害最大深度(大于阈值T1max)、平均深度(大于阈值T1_mean)、长宽比(大于阈值T_lw,T_lw的值与数据的采样间隔以及分辨率相关)，且病害所处位置符合车轮轨迹等特征，提取为车辙病害；

规则3，根据病害最大深度(大于阈值T2_max)、平均深度(大于阈值T2_mean)，结合面积特征(面积阈值T_area)提取出沉陷病害和坑槽病害；

另外，根据分类结果，确定病害类型(坑槽、沉陷、车辙、拥包)后，可以根据当前的病害区域特点去完善变形类病害知识库。

图6为本发明实施例提供的识别路面变形类病害的装置的结构示意图，如图6所示，包括：获取模块601，用于根据预先获取的待检测路面的三维数据，获取所述待检测路面的变形深度信息；处理模块602，用于根据所述变形深度信息，通过边缘检测算法提取疑似病害边缘；定位模块603，用于根据所述变形深度信息和所述疑似病害边缘获取初定位病害区域，并通过区域生长还原处理定位病害区域；识别模块604，用于获取所述病害区域的病害属性集合，并根据所述病害属性集合，识别所述病害区域的病害类型。

其中，可以采用线扫描三维测量传感器对待检测路面进行三维数据的采集；采集后，获取模块601对三维数据进行处理，进一步获取待检测路面的变形深度信息和变形深度图像。图2为本发明实施例提供的识别路面变形类病害的方法的坑槽病害的变形深度图像(a)的示意图，如图2所示，以坑槽病害为例，待检测路面上越深的位置，具有越深的颜色，以此区别待检测路面的不同位置处的深度值。

其中，处理模块602根据获取模块601获取的变形深度信息，利用边缘检测算法对变形深度信息进行求解，得到的边缘即为疑似病害边缘；疑似病害边缘在一定程度上能够反映病害区域。

其中，定位模块603根据获取模块601获取的变形深度信息以及处理模块602中获取的疑似病害边缘，首先获得初定位病害区域；然后通过区域生长还原的处理能够获取病害区域。其中，区域生长还原是利用路面变形类病害具有区域聚集性和深度变化延续性的特点，利用病害区域之间的拓扑关系提取病害区域。

其中，识别模块604根据定位模块603获取的病害区域，获取该病害区域中的病害属性集合；病害属性集合反映病害区域的形状和深度等特征，通过该属性集合能够对病害区域的病害类别进行有效地识别。

本发明实施例提供的识别路面变形类病害的装置，通过获取病害深度信息和变形深度图像，对路面中的病害区域进行了精确地提取，保证了病害区域的完整性；还通过病害属性对病害区域的病害类型进行了准确地识别，实现了高效、准确地检测并识别路面变形类病害。

在上述任一实施例的基础上，所述获取模块601进一步包括：预处理单元，用于对所述三维数据进行异常值剔除处理、数据标定处理及滤波处理，获取断面控制轮廓；分析单元，用于对所述断面控制轮廓的轮廓特征进行分析，获取与所述断面控制轮廓对应的断面标准轮廓；获取单元，用于将所述断面控制轮廓和所述断面标准轮廓作差，获取所述待检测路面的断面实际高程和标准高程的断面高程差信息；拼接单元，用于根据所述断面高程差信息，将连续多个断面进行拼接处理，获取所述待检测路面的变形深度信息。

在上述任一实施例的基础上，所述定位模块603进一步包括：划分单元，用于将所述变形深度信息划分为多个图像子块，获取所述多个图像子块分别对应的深度属性信息；其中，所述深度属性信息包括深度平均值、深度值方差和深度值分布信息；评估单元，用于结合变形类病害知识库，依据所述多个图像子块对应的深度属性信息以及所述疑似病害边缘，对所述多个图像子块的置信度进行评估，将较高置信度的图像子块作为所述初定位病害区域；标记单元，用于对所述初定位病害区域进行连通区域标记，获取各连通区域的区域参数；其中，所述区域参数包括区域长度、区域面积、区域位置和区域方向；延伸单元，用于对所述区域参数满足预设条件的所述连通区域进行边缘延伸，获取所述病害区域。

在上述任一实施例的基础上，所述识别模块604进一步包括：集合获取单元，用于获取所述病害区域的有效长度、有效宽度、长宽比、病害区域的最大深度、平均深度和病害面积和病害位置；所述病害属性集合包括所述病害区域的有效长度、有效宽度、长宽比、病害位置、最大深度、平均深度和病害面积；类型获取单元，用于根据所述病害属性集合，基于变形类病害知识库，获取所述病害区域所包含病害的病害类型。

在上述任一实施例的基础上，所述延伸单元进一步包括：延伸子单元，用于对区域长度和区域面积大于预设阈值的第一连通区域，沿所述第一连通区域的区域方向进行边缘延伸；连线子单元，用于若延伸区域内存在第二连通区域，且所述第一连通区域与所述第二连通区域之间的距离小于预设距离，则获取所述第一连通区域和所述第二连通区域的中心连线；合并子单元，用于沿所述中心连线的方向，将所述第一连通区域和所述第二连通区域进行合并，合并得到的区域作为新的病害区域。

在上述任一实施例的基础上，所述处理模块602进一步包括：梯度获取单元，用于根据预设的边缘检测算子和所述变形深度信息，获取每个像素点的梯度分量；边缘获取单元，用于获取梯度分量大于预设梯度阈值的像素点，作为疑似病害边缘点，根据所述疑似病害边缘点获取所述疑似病害边缘。

在上述任一实施例的基础上，所述类型获取单元进一步包括：分类器获取子单元，用于根据所述变形类病害知识库获取分类器；类型获取子单元，用于根据所述病害属性集合，基于病害线性特征、深度特征、面阵特征、位置特征和变形程度，通过所述分类器获取所述病害区域所包含病害的病害类型；其中，所述线性特征包括有效长度、有效宽度、长宽比；所述深度特征包括最大深度和平均深度；所述面阵特征包括病害面积；所述位置特征包括病害位置；所述变形程度包括轻微变形、中度变形和重度变形。

图7为本发明实施例提供的识别路面变形类病害的设备的结构示意图，如图7所示，该设备包括：至少一个处理器701；以及与所述处理器701通信连接的至少一个存储器702，其中：所述存储器702存储有可被所述处理器701执行的程序指令，所述处理器701调用所述程序指令能够执行上述各实施例所提供的识别路面变形类病害的方法，例如包括：S1，根据预先获取的待检测路面的三维数据，获取所述待检测路面的变形深度信息；S2，根据所述变形深度信息，通过边缘检测算法提取疑似病害边缘；S3，根据所述变形深度信息和所述疑似病害边缘获取初定位病害区域，并通过区域生长还原处理定位病害区域；S4，获取所述病害区域的病害属性集合，并根据所述病害属性集合，识别所述病害区域的病害类型。

本发明实施例还提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行对应实施例所提供的识别路面变形类病害的方法，例如包括：S1，根据预先获取的待检测路面的三维数据，获取所述待检测路面的变形深度信息；S2，根据所述变形深度信息，通过边缘检测算法提取疑似病害边缘；S3，根据所述变形深度信息和所述疑似病害边缘获取初定位病害区域，并通过区域生长还原处理定位病害区域；S4，获取所述病害区域的病害属性集合，并根据所述病害属性集合，识别所述病害区域的病害类型。

以上所描述的识别路面变形类病害的设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。

本发明实施例提供的识别路面变形类病害的方法、装置和设备，通过计算三维路面标准轮廓与控制轮廓的高程差值，获得断面变形高程信息；通过将沿行车方向的断面拼接起来，组成路面变形深度图像；通过将路面变形深度图像合理划分成大小互不重叠的图像子块，对各个分割子块中的深度值进行统计分析，获取子块中深度值的均值、方差、正负分布信息；实现了路面变形深度信息的快速、准确提取。

在路面变形病害定位过程中，通过利用差分边缘检测提取病害边缘，结合变形类病害知识库和病害子块深度信息，实现了对病害的初定位；利用变形类病害具有区域聚集性及深度变化延续性的特征，基于初定位后的病害目标子块，进行形态学处理，利用其拓扑关系进行区域生长还原，获取置信度高的病害区域，进而实现变形类病害区域提取并保证了病害区域的完整性。

通过结合路面变形病害知识库设计分类器，利用病害线性特征、面阵特征、位置特征、变形程度将提取出的路面变形病害区域进行分类，确定了变形病害类型，同时完善了三维路面变形类病害知识库。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种识别路面变形类病害的方法，其特征在于，包括：

S1，根据预先获取的待检测路面的三维数据，获取所述待检测路面的变形深度信息；

S2，根据所述变形深度信息，通过边缘检测算法提取疑似病害边缘；

S3，根据所述变形深度信息和所述疑似病害边缘获取初定位病害区域，并通过区域生长还原处理定位病害区域；

S4，获取所述病害区域的病害属性集合，并根据所述病害属性集合，识别所述病害区域的病害类型；

所述步骤S1进一步包括：

S11，对所述三维数据进行异常值剔除处理、数据标定处理及滤波处理，获取断面控制轮廓；

S12，对所述断面控制轮廓的轮廓特征进行分析，获取与所述断面控制轮廓对应的断面标准轮廓；

S13，将所述断面控制轮廓和所述断面标准轮廓作差，获取所述待检测路面的断面实际高程和标准高程的断面高程差信息；

S14，根据所述断面高程差信息，将连续多个断面进行拼接处理，获取所述待检测路面的变形深度信息；

所述步骤S2进一步包括：

S21，根据预设的边缘检测算子和所述变形深度信息，获取每个像素点的梯度分量；

S22，获取梯度分量大于预设梯度阈值的像素点，作为疑似病害边缘点，根据所述疑似病害边缘点获取所述疑似病害边缘；

其中，在步骤S21中，利用11*11的边缘检测算子，对路面变形深度信息F采用差分边缘检测的方法来求解变形类病害的疑似边缘点以定位病害区域；所述边缘检测算子为：

根据所述边缘检测算子，计算梯度分量为：

式中，f(j，i)表示坐标为(j，i)处的变形深度值，则像素点(j，i)的梯度分量的大小为：

G(j,i)≈|G_j|+|G_i|；在步骤S22中，根据步骤S21中获取的梯度分量，若G(j,i)＞Th，其中，Th为预设梯度阈值；则G(j,i)为疑似病害边缘点；

所述步骤S3进一步包括：

S31，将所述变形深度信息划分为多个图像子块，获取所述多个图像子块分别对应的深度属性信息；

其中，所述深度属性信息包括深度平均值、深度值方差和深度值分布信息；

S32，结合变形类病害知识库，依据所述多个图像子块对应的深度属性信息以及所述疑似病害边缘，对所述多个图像子块的置信度进行评估，将较高置信度的图像子块作为所述初定位病害区域；

S33，对所述初定位病害区域进行连通区域标记，获取各连通区域的区域参数；

其中，所述区域参数包括区域长度、区域面积、区域位置和区域方向；

S34，对所述区域参数满足预设条件的所述连通区域进行边缘延伸，获取所述病害区域。

2.根据权利要求1所述的方法，其特征在于，所述步骤S4进一步包括：

S41，获取所述病害区域的有效长度、有效宽度、长宽比和病害位置，并根据所述有效长度和所述有效宽度获取所述病害区域的最大深度、平均深度和病害面积；

所述病害属性集合包括所述病害区域的有效长度、有效宽度、长宽比、病害位置、最大深度、平均深度和病害面积；

S42，根据所述病害属性集合，基于变形类病害知识库，获取所述病害区域所包含病害的病害类型。

3.根据权利要求1所述的方法，其特征在于，所述步骤S34进一步包括：

S341，对区域长度和区域面积大于预设阈值的第一连通区域，沿所述第一连通区域的区域方向进行边缘延伸；

S342，若延伸区域内存在第二连通区域，且所述第一连通区域与所述第二连通区域之间的距离小于预设距离，则获取所述第一连通区域和所述第二连通区域的中心连线；

S343，沿所述中心连线的方向，将所述第一连通区域和所述第二连通区域进行合并，合并得到的区域作为新的病害区域。

4.根据权利要求2所述的方法，其特征在于，所述步骤S42进一步包括：

S421，根据所述变形类病害知识库获取分类器；

S422，根据所述病害属性集合，基于病害线性特征、深度特征、面阵特征、位置特征和变形程度，通过所述分类器获取所述病害区域所包含病害的病害类型；

其中，所述线性特征包括有效长度、有效宽度、长宽比；所述深度特征包括最大深度和平均深度；所述面阵特征包括病害面积；所述位置特征包括病害位置；所述变形程度包括轻微变形、中度变形和重度变形。

5.一种识别路面变形类病害的装置，其特征在于，包括：

获取模块，用于根据预先获取的待检测路面的三维数据，获取所述待检测路面的变形深度信息；

处理模块，用于根据所述变形深度信息，通过边缘检测算法提取疑似病害边缘；

定位模块，用于根据所述变形深度信息和所述疑似病害边缘获取初定位病害区域，并通过区域生长还原处理定位病害区域；

识别模块，用于获取所述病害区域的病害属性集合，并根据所述病害属性集合，识别所述病害区域的病害类型；

其中，所述获取模块进一步用于执行以下操作，包括：

S11，对所述三维数据进行异常值剔除处理、数据标定处理及滤波处理，获取断面控制轮廓；

S12，对所述断面控制轮廓的轮廓特征进行分析，获取与所述断面控制轮廓对应的断面标准轮廓；

S13，将所述断面控制轮廓和所述断面标准轮廓作差，获取所述待检测路面的断面实际高程和标准高程的断面高程差信息；

S14，根据所述断面高程差信息，将连续多个断面进行拼接处理，获取所述待检测路面的变形深度信息；

所述处理模块进一步用于执行以下操作，包括：

S21，根据预设的边缘检测算子和所述变形深度信息，获取每个像素点的梯度分量；

S22，获取梯度分量大于预设梯度阈值的像素点，作为疑似病害边缘点，根据所述疑似病害边缘点获取所述疑似病害边缘；

其中，在步骤S21中，利用11*11的边缘检测算子，对路面变形深度信息F采用差分边缘检测的方法来求解变形类病害的疑似边缘点以定位病害区域；所述边缘检测算子为：

根据所述边缘检测算子，计算梯度分量为：

式中，f(j，i)表示坐标为(j，i)处的变形深度值，则像素点(j，i)的梯度分量的大小为：

G(j,i)≈|G_j|+|G_i|；在步骤S22中，根据步骤S21中获取的梯度分量，若G(j,i)＞Th，其中，Th为预设梯度阈值；则G(j,i)为疑似病害边缘点；

所述定位模块进一步用于执行以下操作，包括：

S31，将所述变形深度信息划分为多个图像子块，获取所述多个图像子块分别对应的深度属性信息；

其中，所述深度属性信息包括深度平均值、深度值方差和深度值分布信息；

S32，结合变形类病害知识库，依据所述多个图像子块对应的深度属性信息以及所述疑似病害边缘，对所述多个图像子块的置信度进行评估，将较高置信度的图像子块作为所述初定位病害区域；

S33，对所述初定位病害区域进行连通区域标记，获取各连通区域的区域参数；

其中，所述区域参数包括区域长度、区域面积、区域位置和区域方向；

S34，对所述区域参数满足预设条件的所述连通区域进行边缘延伸，获取所述病害区域。

6.一种识别路面变形类病害的设备，其特征在于，包括：

至少一个处理器；

以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。

7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使计算机执行如权利要求1至4任一所述的方法。

Images