CN115311260A - 一种公路交通工程路面质量检测方法 - Google Patents
一种公路交通工程路面质量检测方法 Download PDFInfo
- Publication number
- CN115311260A CN115311260A CN202211195054.9A CN202211195054A CN115311260A CN 115311260 A CN115311260 A CN 115311260A CN 202211195054 A CN202211195054 A CN 202211195054A CN 115311260 A CN115311260 A CN 115311260A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- target image
- target
- column
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000009825 accumulation Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 5
- 241000287196 Asthenes Species 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000005336 cracking Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 239000010426 asphalt Substances 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000565 sealant Substances 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理领域,具体涉及一种公路交通工程路面质量检测方法。该方法根据获取的目标路面对应的各帧拍摄图像得到了目标路面对应的目标图像,每个目标图像中包括一个完整的裂缝;计算各目标图像对应的裂缝类型评判指标,根据所述裂缝类型评判指标判断各目标图像的裂缝类型;所述裂缝类型评判指标包括横纵波动范围的比值、行和平均波峰与列和平均波峰的差异程度、行和曲线波动程度以及列和曲线波动程度;根据各目标图像上裂缝总面积所占像素点数量和边缘像素点的数量估算裂缝缝宽。本发明基于拍摄得到的目标路面的图像实现了对目标路面的裂缝类型的判断以及裂缝缝宽的估计,也即实现了对公路交通工程路面质量的检测。
Description
技术领域
本发明涉及图像数据处理领域,具体涉及一种公路交通工程路面质量检测方法。
背景技术
公路作为我国基础设施建设,不仅满足人们群众的出行,而且直接对经济的发展有着基础性的作用,因此,必须要保证公路工程的质量。但是,当前公路路基路面的质量存在着一些问题,影响到了公路安全事业的发展。
裂缝是路面各类破损中最常见、最易发生和最早期产生的病害之一,会影响路容美观和行车的舒适性,而且容易扩展造成路面的结构性破坏,缩短路面的使用寿命。因此路面出现裂缝,应及时进行密封修补,否则雨水及其他杂物就会沿裂缝进入面层结构及路基,导致路面承载能力下降,加速路面局部或成片损坏。裂缝的类型主要包括纵向裂缝,横向裂缝和龟状网裂,每种裂缝的成因互不相同,并且不同宽度裂缝的维护要求也不相同,如何实现对路面裂缝类型以及对应的严重程度的判断,对开展公路维护工作具有重要意义。
发明内容
为了实现对路面裂缝类型以及严重程度的判断,本发明的目的在于提供一种公路交通工程路面质量检测方法。
本发明提供的一种公路交通工程路面质量检测方法,包括以下步骤:
获取目标路面对应的各帧拍摄图像,对所述目标路面对应的各帧拍摄图像进行灰度化和反向处理,得到所述目标路面对应的各帧灰度反向图像;
对所述目标路面对应的各帧灰度反向图像进行增强和二值化处理,并根据处理后各帧图像对应的行和列数据判断各帧图像是否为疑似裂缝图像,若所述目标路面对应的处理后的各帧图像中存在疑似裂纹图像且不存在相邻帧疑似裂纹图像,则将各疑似裂纹图像记为各目标图像;若存在相邻帧疑似裂纹图像,则将所述相邻帧疑似裂纹图像进行图像拼接处理,得到1个或多个目标图像,每个目标图像中包括一个完整的裂缝;
计算各目标图像对应的裂缝类型评判指标,根据所述裂缝类型评判指标判断各目标图像的裂缝类型;所述裂缝类型评判指标包括横纵波动范围的比值、行和平均波峰与列和平均波峰的差异程度、行和曲线波动程度以及列和曲线波动程度;根据各目标图像上裂缝总面积所占像素点数量和边缘像素点的数量估算裂缝缝宽。
进一步的,所述并根据处理后各帧图像对应的行和列数据判断各帧图像是否为疑似裂缝图像,包括:
对二值化后的每帧图像中的像素值按照行、列的方向进行累加分析,计算出行、列白色像素累加曲线,公式如下:
进一步的,利用如下公式计算各目标图像对应的横纵波动范围的比值:
其中,为某目标图像对应的横纵波动范围的比值,为该目标图像中的行坐标的下限值,为该目标图像中的行坐标的上限值;为该目标图像中的列坐标的下限值,为该目标图像中的列坐标的上限值,为第行像素值之和,为第列像素值之和。
进一步的,利用如下公式计算各目标图像对应的行和平均波峰与列和平均波峰的差异程度:
其中,为某目标图像的行和平均波峰与列和平均波峰的差异程度,为该目标图像的行和曲线上峰值的大小,为该目标图像的行和曲线上峰值的数量,为该目标图像的列和曲线上峰值的大小,为该目标图像的列和曲线上峰值的数量。
进一步的,利用如下公式计算各目标图像对应的行和曲线波动程度以及列和曲线波动程度:
其中,为某目标图像的行和曲线的波动程度,为该目标图像的列和曲线的波动程度,为该目标图像的行和曲线的波动比,为该目标图像的列和曲线的波动比,为该目标图像的行和曲线上的平均波峰波谷幅值变化量,为该目标图像的列和曲线上的平均波峰波谷幅值变化量,为该目标图像的行和曲线上所有相邻波峰波谷间差的绝对值求和,为该目标图像的列和曲线上所有相邻波峰波谷间差的绝对值求和,为该目标图像的行和曲线上峰值的数量,为该目标图像的列和曲线上峰值的数量,为该目标图像中的行坐标的下限值,为该目标图像中的行坐标的上限值;为该目标图像中的列坐标的下限值,为该目标图像中的列坐标的上限值,为第行像素值之和,为第列像素值之和。
进一步的,所述裂缝类型包括横向裂缝、纵向裂缝和龟裂网状裂缝。
进一步的,所述根据所述裂缝类型评判指标判断各目标图像的裂缝类型,包括:
若不满足前两者情况,则判定该目标图像对应位置存在的是龟裂网状裂缝。
进一步的,所述根据各目标图像上裂缝总面积所占像素点数量和边缘像素点的数量估算裂缝缝宽,包括:
对列和曲线上的纵坐标值累加,估计裂缝总面积所占像素数量为:
有益效果:本发明基于拍摄得到的目标路面的图像实现了对目标路面的裂缝类型的判断以及裂缝缝宽的估计,也即实现了对公路交通工程路面质量的检测,基于得到的裂缝类型和裂缝缝宽可以实现对目标路面的针对性养护。
附图说明
图1是本发明的一种公路交通工程路面质量检测方法的流程图;
图2是本发明的横向裂缝的灰度反相图;
图3是本发明的纵向裂缝的灰度反相图;
图4是本发明的龟裂网状裂缝的灰度反相图;
图5是本发明的横向裂缝的行和和列和曲线示意图;
图6是本发明的纵向裂缝的行和和列和曲线示意图;
图7是本发明的龟裂网状裂缝的行和和列和曲线示意图。
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介绍。
为了实现对路面裂缝类型以及严重程度的判断,本实施例提供了一种公路交通工程路面质量检测方法,如图1所示,包括以下步骤:
(1)获取目标路面对应的各帧拍摄图像,对所述目标路面对应的各帧拍摄图像进行灰度化和反向处理,得到所述目标路面对应的各帧灰度反向图像;
在公路的使用过程中,路面往往会产生各种质量问题,路面裂缝是公路病害中最常见的一种。为了对后续建设公路的材料配比进行改进,需要对路面裂缝的类型,以及裂缝宽度进行有效估计,为公路维护提供准确建议。
为了实现对目标路面裂缝类型和裂缝宽度的有效估计,本实施例获取了目标路面的拍摄图像,拍摄过程中要保证所拍摄的图像为公路路面水平图像,现有技术中已经公开了对公路路面进行拍摄的路面裂缝检测***,包括路面裂缝测量车辆、设置在路面裂缝测量车辆上的拍摄装置等,随着路面测量车辆向前行驶,拍摄装置按照设定的采样频率拍摄路面图像,具体图像采集过程为现有技术,本实施例不再赘述。
本实施例中拍摄得到的图像对应的实际拍摄尺寸为正方形,记拍摄得到的图像的像素尺寸大小为。本实施例拍摄得到的图像为彩色RGB图像,彩色RGB图像是三层通道,为了降低计算量,对RGB图像进行灰度化处理,得到只有一层通道的灰度图像。具体的,本实施例按心理学公式对RGB三分量进行加权平均,经过灰度化处理得到的灰度图中,最低灰度值0为黑色,最高灰度值255为白色。随后进行灰度反向运算,用255减去每一个像素点对应的灰度值大小,得到灰度反相图;灰度反向图突出了裂缝缺陷信息,便于分析,如图2、3、4分别为横向、纵向、龟裂网状裂缝的灰度反相图。
(2)对所述目标路面对应的各帧灰度反向图像进行增强和二值化处理,并根据处理后各帧图像对应的行和列数据判断各帧图像是否为疑似裂缝图像,若所述目标路面对应的处理后的各帧图像中存在疑似裂纹图像且不存在相邻帧疑似裂纹图像,则将各疑似裂纹图像记为各目标图像;若存在相邻帧疑似裂纹图像,则将所述相邻帧疑似裂纹图像进行图像拼接处理,得到1个或多个目标图像,每个目标图像中包括一个完整的裂缝;
不管是裂缝的低灰度值部分还是高灰度值部分,它与背景都有着明显的像素差别特征。由于采集过程中的噪声引入以及路面纹理自身的特点决定了路面图像中含有大量噪声,所以在进行进一步处理前需要对上述灰度反向图进行增强,即对上述灰度反向图进行初步去噪处理,本实施例采用中值滤波器对上述灰度反向图像进行初步去噪,对于滤除灰度反向图像的椒盐噪声比较有效。
接下来对去噪后的图像进行二值化处理,由于所获得图像有可能含有裂缝缺陷,也有可能是完好公路路面,所以对图像进行自动阈值二值化会有较大干扰。鉴于此,本实施例对去噪后的标准横向裂缝图像采用OSTU大律法二值化,用来提取分割效果较好的阈值。OSTU又名最大类间差方法,通过统计整个图像的直方图特性来实现全局阈值的自动选取,具体选取过程为现有技术,此处不予赘述。对各帧灰度反向图像进行增强后都应用该阈值,图像中像素值大于的像素设置为前景,即将前景区域(对应疑似路面裂缝区域)设置为白色(像素值为1);小于的像素设置为背景,即将背景区域(对应公路路面区域)设置为黑色(像素值0)。
在实际采集到的图像中,裂缝的生成位置具有随机性(在图像中的不同位置出现),由于路面裂缝测量车辆是动态行驶的,因此拍摄装置也是动态的,所拍摄的图像呈现出连续的特征,多帧含有裂缝的图像可能对应的是同一条裂缝。
本实施例中控制路面裂缝测量车辆的行驶车速以及拍摄装置(相机)所拍摄的频率以满足相邻的两张图像的重合度为大约在50%为准,记目标路面对应的图像共张,每张图像标记为,若当前拍摄图像为,那么前一张图像序号为,且每一张图像都有其相应的地理位置信息,为后续维护工作给予坐标。
若某帧图像中存在疑似裂缝区域,那么该帧图像中应会存在较明显的白色像素区域;而若不存在裂缝缺陷,那么该帧图像为全黑色。鉴于此,本实施例对二值化后的每帧图像中的像素值按照行、列的方向进行累加分析,计算出行、列白色像素累加曲线,公式如下:
其中,为某帧二值化后的图像对应的行像素累加序列中的第行像素值之和,为该帧二值化后的图像对应的列灰度累加序列中的第列像素值之和,为该帧二值化后的图像对应的总行数和总列数。代表该帧二值化后图像的第行第列像素的像素值(0或1)。
若某帧二值化后的图像中连续满足的行数大于或/和连续满足的列数大于,则将该帧二值化后的图像判定为疑似裂缝图像,并对其进行提取分析。具体的,分别将该帧二值化后的图像对应的行像素累加序列与列像素累加序列拟合成曲线,从而获得该帧二值图对应的行和累加曲线(H)和列和累加曲线(L)。
由于裂缝区域有很小可能是在单独一张图像中存在,也有很大概率是在相邻的几张图像中存在(即单帧图像拍摄不到裂缝的全貌)。若在上述过程中提取出来的是相邻的几帧二值化图像,那么这几帧相邻的二值图像中的重合区域在行和列上是有部分重合的。记相邻图像集为,其中共有张,序数最小的为,序数最大的为。以相邻的和为例,获得其各自行和曲线(H)上所有波峰、波谷对应的像素值及其位置,按照行位置从小到大(对应图像从上到下)组成一个行和像素值序列,进行两张图像上该序列的重合匹配(像素值相同),且要求两图像行和曲线上的重合序列部分都是连续不断的(在这个过程中若连续两张图像不存在重合情况,那么将两者分隔开,重新建立连续图像集)。提取重合部分中最大的波峰值和其行坐标,在图像上的峰值、行位置分别记为、,在图像上的分别记为、,其中。由此可先将相邻两张图像进行拼接,构成新的图像,它的纵向尺寸为,可得:
将每个拼接完成后得到图像和每个含有裂缝的单独图像记为目标图像,至此,本实施例可以得到一个或多个目标图像,每个目标图像中包括1个完整裂纹。本实施例中多指2个及以上。
(3)计算各目标图像对应的裂缝类型评判指标,根据所述裂缝类型评判指标判断各目标图像的裂缝类型;所述裂缝类型评判指标包括横纵波动范围的比值、行和平均波峰与列和平均波峰的差异程度、行和曲线波动程度以及列和曲线波动程度;根据各目标图像上裂缝总面积所占像素点数量和边缘像素点的数量估算裂缝缝宽。
裂缝是沥青路面最主要的一种破损形式。沥青公路路面出现的裂缝按其成因不同分为横向裂缝、纵向裂缝和龟裂网状裂缝,不同类型裂缝反映出的是公路建设不同质量方面的完善程度。其中:
横向裂缝:裂缝与道路中线近于垂直,成规律的横向分布,每隔一段间距出现一道裂缝;裂缝弯弯曲曲、有时伴有少量支缝;产生的原因为路面横向施工缝未处理好,接缝不紧密结合不良,温度下降路面收缩引起横向开裂。
纵向裂缝:成段沿路线方向开裂,有段落很长,有的成小段分布。形成原因是沥青面层分幅摊铺时两幅接茬处未处理好,路基压实度不均匀,或是路基边缘受水浸泡产生不均匀沉陷。
龟裂网状裂缝:在路面局部出现网状交叉开裂,有的成小片开裂,同时表现在开裂范围内有路面沉降现象。产生原因是沥青与沥青混合料质量差,或是路面结构中夹有柔软和泥灰层,粒料层松动,水稳定性差。
为了实现对各目标图像上裂缝类型和严重程度的分析,对任一目标图像进行如下处理:
更新列和公式为:
行和公式不变,本实施例以上述三种裂缝图像为例,得到横向裂缝的行和和列和曲线如图5所示,得到纵向裂缝的行和和列和曲线如图6所示,得到龟裂网状裂缝的行和和列和曲线如图7所示。这三种裂缝图像的主要差异体现在波动程度和波动区间方面。因此,本实施例对目标图像对应的波动范围和波动程度上进行分析,过程如下:
①波动范围分析;
②波动程度分析。
将行和列和曲线上的所有波峰波谷值提取出来,记行和曲线上共有个波峰、个波谷,列和曲线上共有个波峰、个波谷,并将其所有波峰波谷坐标统计为、、、;其中,为行和曲线上峰值的大小,为行和曲线上谷值的大小,为行和曲线上波峰的个数,为行和曲线上波谷的个数,为列和曲线上峰值的大小,为列和曲线上谷值的大小,为列和曲线上波峰的个数,为列和曲线上波谷的个数。
波峰差异:横向裂缝的行和上平均波峰值要远大于列和上的平均波峰值,纵向裂缝恰好相反,而龟裂网纹裂缝差别程度不会很明显。记行和平均波峰与列和平均波峰的差异程度为:
波动差异:横向裂缝的行和曲线波动程度要比列和曲线波动差异大很多,而纵向裂缝反之,龟裂网状裂缝波动差异相近。本实施例利用波峰个数与波谷个数计算波动比,公式:
同理,得到列和曲线上的平均波峰、波谷幅值变化为:
根据波动比与平均波峰波谷幅值变化,计算行和、列和曲线波动程度:
按照尺寸可将裂缝分为微裂缝、小裂缝、中裂缝和大裂缝,对应尺寸区间分别是0-5mm、5-15mm、15-25mm和大于25mm,而对应的修护工作为微、小、中裂缝,可以开槽清缝和压力灌注密封胶进行灌缝,沥青路面大裂缝采用沥青热再生修补工艺进行修补。记现实尺寸与像素的比例单位为(单位:mm/像素),接下来对裂缝的缝宽进行估计。
估计裂缝像素总面积:对列和曲线上的纵坐标值累加,估计裂缝总面积所占像素数量为:
根据上述分析结果,进行裂缝类型判断以及修护建议,具体内容如下:
裂缝类型判断:若该裂缝特征满足、且,那么判定该目标图像对应位置处存在的是横向裂缝;若该裂缝特征满足、且,那么判定该目标图像对应位置处存在的是纵向裂缝;若不满足前两者情况的,判定该目标图像对应位置存在的是龟裂网状裂缝。
根据上述过程,本实施例实现了对各目标图像中裂缝类型的判断以及裂缝缝宽的估计,也即实现了对公路交通工程路面质量的检测,基于得到的裂缝类型和裂缝缝宽可以实现对目标路面的针对性养护。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种公路交通工程路面质量检测方法,其特征在于,包括以下步骤:
获取目标路面对应的各帧拍摄图像,对所述目标路面对应的各帧拍摄图像进行灰度化和反向处理,得到所述目标路面对应的各帧灰度反向图像;
对所述目标路面对应的各帧灰度反向图像进行增强和二值化处理,并根据处理后各帧图像对应的行和列数据判断各帧图像是否为疑似裂缝图像,若所述目标路面对应的处理后的各帧图像中存在疑似裂纹图像且不存在相邻帧疑似裂纹图像,则将各疑似裂纹图像记为各目标图像;若存在相邻帧疑似裂纹图像,则将所述相邻帧疑似裂纹图像进行图像拼接处理,得到1个或多个目标图像,每个目标图像中包括一个完整的裂缝;
计算各目标图像对应的裂缝类型评判指标,根据所述裂缝类型评判指标判断各目标图像的裂缝类型;所述裂缝类型评判指标包括横纵波动范围的比值、行和平均波峰与列和平均波峰的差异程度、行和曲线波动程度以及列和曲线波动程度;根据各目标图像上裂缝总面积所占像素点数量和边缘像素点的数量估算裂缝缝宽。
5.根据权利要求1所述的公路交通工程路面质量检测方法,其特征在于,利用如下公式计算各目标图像对应的行和曲线波动程度以及列和曲线波动程度:
6.根据权利要求1所述的公路交通工程路面质量检测方法,其特征在于,所述裂缝类型包括横向裂缝、纵向裂缝和龟裂网状裂缝。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211195054.9A CN115311260B (zh) | 2022-09-29 | 2022-09-29 | 一种公路交通工程路面质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211195054.9A CN115311260B (zh) | 2022-09-29 | 2022-09-29 | 一种公路交通工程路面质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115311260A true CN115311260A (zh) | 2022-11-08 |
CN115311260B CN115311260B (zh) | 2023-12-08 |
Family
ID=83866080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211195054.9A Active CN115311260B (zh) | 2022-09-29 | 2022-09-29 | 一种公路交通工程路面质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311260B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823808A (zh) * | 2023-08-23 | 2023-09-29 | 青岛豪迈电缆集团有限公司 | 基于机器视觉的电缆绞线智能检测方法 |
CN117893543A (zh) * | 2024-03-18 | 2024-04-16 | 辽宁云也智能信息科技有限公司 | 基于视觉辅助的路面裂缝智能检测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038883A (zh) * | 2017-12-06 | 2018-05-15 | 陕西土豆数据科技有限公司 | 一种应用于公路路面视频图像的裂缝检测及识别方法 |
CN112419250A (zh) * | 2020-11-13 | 2021-02-26 | 湖北工业大学 | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 |
CN114596551A (zh) * | 2022-03-03 | 2022-06-07 | 湘潭大学 | 一种车载前视图像裂缝检测的方法 |
CN114782428A (zh) * | 2022-06-17 | 2022-07-22 | 南通格冉泊精密模塑有限公司 | 注塑件气泡缺陷检测及成因分析方法及人工智能*** |
-
2022
- 2022-09-29 CN CN202211195054.9A patent/CN115311260B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038883A (zh) * | 2017-12-06 | 2018-05-15 | 陕西土豆数据科技有限公司 | 一种应用于公路路面视频图像的裂缝检测及识别方法 |
CN112419250A (zh) * | 2020-11-13 | 2021-02-26 | 湖北工业大学 | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 |
CN114596551A (zh) * | 2022-03-03 | 2022-06-07 | 湘潭大学 | 一种车载前视图像裂缝检测的方法 |
CN114782428A (zh) * | 2022-06-17 | 2022-07-22 | 南通格冉泊精密模塑有限公司 | 注塑件气泡缺陷检测及成因分析方法及人工智能*** |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823808A (zh) * | 2023-08-23 | 2023-09-29 | 青岛豪迈电缆集团有限公司 | 基于机器视觉的电缆绞线智能检测方法 |
CN116823808B (zh) * | 2023-08-23 | 2023-11-17 | 青岛豪迈电缆集团有限公司 | 基于机器视觉的电缆绞线智能检测方法 |
CN117893543A (zh) * | 2024-03-18 | 2024-04-16 | 辽宁云也智能信息科技有限公司 | 基于视觉辅助的路面裂缝智能检测方法及*** |
CN117893543B (zh) * | 2024-03-18 | 2024-05-10 | 辽宁云也智能信息科技有限公司 | 基于视觉辅助的路面裂缝智能检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115311260B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311260A (zh) | 一种公路交通工程路面质量检测方法 | |
CN104792792B (zh) | 一种逐步求精的路面裂缝检测方法 | |
Liu et al. | Novel approach to pavement cracking automatic detection based on segment extending | |
CN116934748B (zh) | 一种基于乳化高黏沥青的路面裂纹检测*** | |
JP5479944B2 (ja) | 舗装路面のクラックの抽出と損傷レベルの評価方法 | |
US20180137612A1 (en) | A stepwise refinement detection method for pavement cracks | |
CN103630496B (zh) | 基于路面视亮度和最小二乘法的交通视频能见度检测方法 | |
CN103886594B (zh) | 路面线激光车辙检测与识别方法及处理*** | |
CN106529593B (zh) | 路面病害检测方法和*** | |
CN110390256B (zh) | 一种沥青路面裂缝提取方法 | |
CN109410205B (zh) | 一种复杂路面背景下的裂缝提取方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
Staniek | Detection of cracks in asphalt pavement during road inspection processes | |
CN101814138B (zh) | 基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法 | |
CN106023226A (zh) | 一种基于三维虚拟路面的裂缝自动检测方法 | |
CN115841466A (zh) | 排水管网缺陷自动定量评估方法 | |
CN109815961A (zh) | 一种基于局部纹理二值模式的路面修补类病害检测方法 | |
CN116485719A (zh) | 一种用于裂缝检测的自适应canny方法 | |
CN115082377A (zh) | 一种基于无人机的建筑物表面裂缝几何参数测量方法及*** | |
CN115100207A (zh) | 一种基于机器视觉的检测***及检测方法 | |
CN115017979A (zh) | 一种半刚性基层沥青路面的路面状况评价方法 | |
JP6894361B2 (ja) | コンクリート表面上のひび割れ方向特定方法、ひび割れ方向特定装置、ひび割れ方向特定システム及びプログラム | |
CN114418950A (zh) | 道路病害检测方法、装置、设备及存储介质 | |
CN110969103B (zh) | 一种基于ptz相机的高速公路路面病害长度测量方法 | |
Niu et al. | Application of CEM algorithm in the field of tunnel crack identification |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231030 Address after: 010000 No.11 Zhanbei Road, Huimin District, Hohhot City, Inner Mongolia Autonomous Region Applicant after: Inner Mongolia Highway Engineering Consulting and Supervision Co.,Ltd. Address before: Room 401, No. 42, Guangzhou Road, Development Zone, Nantong City, Jiangsu Province, 226000 Applicant before: Nantong Yiyun Zhilian Information Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |