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 PDF

Info

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
Application number
CN202211195054.9A
Other languages
English (en)
Other versions
CN115311260B (zh
Inventor
张海兵
张�杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inner Mongolia Highway Engineering Consulting And Supervision Co ltd
Original Assignee
Nantong Yiyun Zhilian Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Yiyun Zhilian Information Technology Co ltd filed Critical Nantong Yiyun Zhilian Information Technology Co ltd
Priority to CN202211195054.9A priority Critical patent/CN115311260B/zh
Publication of CN115311260A publication Critical patent/CN115311260A/zh
Application granted granted Critical
Publication of CN115311260B publication Critical patent/CN115311260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种公路交通工程路面质量检测方法
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：
Figure 783135DEST_PATH_IMAGE001
Figure 107806DEST_PATH_IMAGE002
其中，
Figure 632328DEST_PATH_IMAGE003
为某帧二值化后的图像对应的行像素累加序列中的第
Figure 619613DEST_PATH_IMAGE004
行和，
Figure 239514DEST_PATH_IMAGE005
为该帧二值化后的图像对应的列灰度累加序列中的第
Figure 294058DEST_PATH_IMAGE006
列和，
Figure 864848DEST_PATH_IMAGE007
为该帧二值化后的图像对应的总行数和总列数；
Figure 27844DEST_PATH_IMAGE008
代表该帧二值化后图像的第
Figure 99706DEST_PATH_IMAGE004
行第
Figure 149701DEST_PATH_IMAGE006
列像素的像素值；
若某帧二值化后的图像中连续满足
Figure 281605DEST_PATH_IMAGE009
的行数大于
Figure 902205DEST_PATH_IMAGE010
或/和连续满足
Figure 777757DEST_PATH_IMAGE011
的列数大于
Figure 603630DEST_PATH_IMAGE010
，则将该帧二值化后的图像判定为疑似裂缝图像。
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：
Figure 906436DEST_PATH_IMAGE012
其中，
Figure 263599DEST_PATH_IMAGE013
为某目标图像对应的横纵波动范围的比值，
Figure 677263DEST_PATH_IMAGE014
为该目标图像中
Figure 184074DEST_PATH_IMAGE009
的行坐标的下限值，
Figure 657781DEST_PATH_IMAGE015
为该目标图像中
Figure 767819DEST_PATH_IMAGE009
的行坐标的上限值；
Figure 719595DEST_PATH_IMAGE016
为该目标图像中
Figure 847957DEST_PATH_IMAGE011
的列坐标的下限值，
Figure 367931DEST_PATH_IMAGE017
为该目标图像中
Figure 824320DEST_PATH_IMAGE011
的列坐标的上限值，
Figure 205885DEST_PATH_IMAGE003
为第
Figure 64120DEST_PATH_IMAGE004
行像素值之和，
Figure 489416DEST_PATH_IMAGE005
为第
Figure 433101DEST_PATH_IMAGE006
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：
Figure 116892DEST_PATH_IMAGE018
其中，
Figure 829633DEST_PATH_IMAGE019
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，
Figure 691410DEST_PATH_IMAGE020
为该目标图像的行和曲线上峰值的大小，
Figure 856812DEST_PATH_IMAGE021
为该目标图像的行和曲线上峰值的数量，
Figure 848689DEST_PATH_IMAGE022
为该目标图像的列和曲线上峰值的大小，
Figure 681515DEST_PATH_IMAGE023
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：
Figure 714193DEST_PATH_IMAGE024
Figure 366892DEST_PATH_IMAGE025
Figure 392485DEST_PATH_IMAGE026
Figure 751923DEST_PATH_IMAGE027
Figure 706234DEST_PATH_IMAGE028
Figure 111808DEST_PATH_IMAGE029
其中，
Figure 426246DEST_PATH_IMAGE030
为某目标图像的行和曲线的波动程度，
Figure 968085DEST_PATH_IMAGE031
为该目标图像的列和曲线的波动程度，
Figure 591834DEST_PATH_IMAGE032
为该目标图像的行和曲线的波动比，
Figure 219124DEST_PATH_IMAGE033
为该目标图像的列和曲线的波动比，
Figure 337253DEST_PATH_IMAGE034
为该目标图像的行和曲线上的平均波峰波谷幅值变化量，
Figure 733599DEST_PATH_IMAGE035
为该目标图像的列和曲线上的平均波峰波谷幅值变化量，
Figure 26784DEST_PATH_IMAGE036
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，
Figure 141370DEST_PATH_IMAGE037
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，
Figure 63190DEST_PATH_IMAGE021
为该目标图像的行和曲线上峰值的数量，
Figure 314043DEST_PATH_IMAGE023
为该目标图像的列和曲线上峰值的数量，
Figure 279594DEST_PATH_IMAGE014
为该目标图像中
Figure 22422DEST_PATH_IMAGE009
的行坐标的下限值，
Figure 606987DEST_PATH_IMAGE015
为该目标图像中
Figure 604024DEST_PATH_IMAGE009
的行坐标的上限值；
Figure 615842DEST_PATH_IMAGE016
为该目标图像中
Figure 580387DEST_PATH_IMAGE011
的列坐标的下限值，
Figure 780029DEST_PATH_IMAGE017
为该目标图像中
Figure 880840DEST_PATH_IMAGE011
的列坐标的上限值，
Figure 329139DEST_PATH_IMAGE003
为第
Figure 764669DEST_PATH_IMAGE004
行像素值之和，
Figure 691036DEST_PATH_IMAGE005
为第
Figure 911933DEST_PATH_IMAGE006
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：
若横纵波动范围的比值
Figure 531134DEST_PATH_IMAGE038
、行和平均波峰与列和平均波峰的差异程度
Figure 958354DEST_PATH_IMAGE039
且行和曲线波动程度
Figure 688412DEST_PATH_IMAGE040
列和曲线波动程度
Figure 763816DEST_PATH_IMAGE031
，则判定该目标图像对应位置处存在的是横向裂缝；
若横纵波动范围的比值
Figure 288338DEST_PATH_IMAGE041
、行和平均波峰与列和平均波峰的差异程度
Figure 855717DEST_PATH_IMAGE042
且行和曲线波动程度
Figure 264832DEST_PATH_IMAGE043
列和曲线波动程度
Figure 444010DEST_PATH_IMAGE031
，则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，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：
Figure 405012DEST_PATH_IMAGE044
其中，
Figure 53163DEST_PATH_IMAGE045
为某目标图像的裂缝总面积所占像素数量，
Figure 859445DEST_PATH_IMAGE007
为该目标图像的总列数，
Figure 922822DEST_PATH_IMAGE005
为第
Figure 789147DEST_PATH_IMAGE006
列像素值之和；
对目标图像进行Canny边缘检测提取边缘，记边缘像素的总值为
Figure 924593DEST_PATH_IMAGE046
，那么缝宽估计公式为：
Figure 534566DEST_PATH_IMAGE047
其中，
Figure 688336DEST_PATH_IMAGE048
为目标图像上裂缝缝宽，
Figure 991141DEST_PATH_IMAGE049
为与像素现实尺寸的比例单位。
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
Figure 348304DEST_PATH_IMAGE050
。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
Figure 761968DEST_PATH_IMAGE051
。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
Figure 271709DEST_PATH_IMAGE051
，图像中像素值大于
Figure 745416DEST_PATH_IMAGE051
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
Figure 855454DEST_PATH_IMAGE051
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
Figure 541651DEST_PATH_IMAGE052
张，每张图像标记为
Figure 211623DEST_PATH_IMAGE053
，若当前拍摄图像为
Figure 121810DEST_PATH_IMAGE054
，那么前一张图像序号为
Figure 702833DEST_PATH_IMAGE055
，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：
Figure 458300DEST_PATH_IMAGE001
Figure 191900DEST_PATH_IMAGE002
其中，
Figure 648157DEST_PATH_IMAGE003
为某帧二值化后的图像对应的行像素累加序列中的第
Figure 591842DEST_PATH_IMAGE004
行像素值之和，
Figure 291945DEST_PATH_IMAGE005
为该帧二值化后的图像对应的列灰度累加序列中的第
Figure 4686DEST_PATH_IMAGE006
列像素值之和，
Figure 850151DEST_PATH_IMAGE007
为该帧二值化后的图像对应的总行数和总列数。
Figure 281132DEST_PATH_IMAGE008
代表该帧二值化后图像的第
Figure 253767DEST_PATH_IMAGE004
行第
Figure 86594DEST_PATH_IMAGE006
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
Figure 604426DEST_PATH_IMAGE009
的行数大于
Figure 522703DEST_PATH_IMAGE010
或/和连续满足
Figure 299029DEST_PATH_IMAGE011
的列数大于
Figure 720783DEST_PATH_IMAGE010
，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
Figure 173630DEST_PATH_IMAGE056
，其中共有
Figure 313624DEST_PATH_IMAGE057
张，序数最小的为
Figure 893641DEST_PATH_IMAGE058
，序数最大的为
Figure 324229DEST_PATH_IMAGE059
。以相邻的
Figure 823344DEST_PATH_IMAGE058
和
Figure 326001DEST_PATH_IMAGE060
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
Figure 568763DEST_PATH_IMAGE061
，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
Figure 89743DEST_PATH_IMAGE058
图像上的峰值、行位置分别记为
Figure 431863DEST_PATH_IMAGE062
、
Figure 546449DEST_PATH_IMAGE063
，在
Figure 953422DEST_PATH_IMAGE060
图像上的分别记为
Figure 610799DEST_PATH_IMAGE064
、
Figure 451717DEST_PATH_IMAGE065
，其中
Figure 178233DEST_PATH_IMAGE066
。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
Figure 28377DEST_PATH_IMAGE067
，可得：
Figure 274682DEST_PATH_IMAGE068
同理，将接下来的相邻图像按照此方法再进行
Figure 286500DEST_PATH_IMAGE069
次拼接，即对
Figure 739128DEST_PATH_IMAGE057
张相邻的图像共进行
Figure 127384DEST_PATH_IMAGE070
次拼接，可以得出最终含有完整裂缝的图像尺寸为
Figure 228195DEST_PATH_IMAGE071
。同理，若是含有裂缝的单独图像，那么此时
Figure 410915DEST_PATH_IMAGE072
，尺寸为
Figure 112024DEST_PATH_IMAGE073
（令
Figure 38391DEST_PATH_IMAGE074
），仍可用
Figure 993709DEST_PATH_IMAGE071
（
Figure 504587DEST_PATH_IMAGE057
为正整数）所表达。
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：
Figure 302779DEST_PATH_IMAGE075
其中，
Figure 908204DEST_PATH_IMAGE076
为某目标图像的总行数。
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；
首先提取波动区间，将
Figure 842662DEST_PATH_IMAGE009
的行坐标范围记为
Figure 22976DEST_PATH_IMAGE077
，
Figure 308464DEST_PATH_IMAGE014
为
Figure 452000DEST_PATH_IMAGE009
的行坐标的下限值，
Figure 506544DEST_PATH_IMAGE015
为
Figure 90716DEST_PATH_IMAGE009
的行坐标的上限值；
Figure 597920DEST_PATH_IMAGE011
的列坐标范围记为
Figure 810727DEST_PATH_IMAGE078
，
Figure 719777DEST_PATH_IMAGE016
为
Figure 710736DEST_PATH_IMAGE011
的列坐标的下限值，
Figure 111761DEST_PATH_IMAGE017
为
Figure 721734DEST_PATH_IMAGE011
的列坐标的上限值。统计横纵波动范围的比值为：
Figure 376969DEST_PATH_IMAGE012
其中，
Figure 414195DEST_PATH_IMAGE013
为某目标图像对应的横纵波动范围的比值，横向裂缝整体的
Figure 36937DEST_PATH_IMAGE013
很小，纵向裂缝的
Figure 716180DEST_PATH_IMAGE013
很大，而龟裂网状裂缝是局部缺陷，介于两者之间。
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
Figure 724456DEST_PATH_IMAGE021
个波峰
Figure 198163DEST_PATH_IMAGE079
、
Figure 42622DEST_PATH_IMAGE080
个波谷
Figure 994398DEST_PATH_IMAGE081
，列和曲线上共有
Figure 943332DEST_PATH_IMAGE023
个波峰
Figure 214038DEST_PATH_IMAGE082
、
Figure 670427DEST_PATH_IMAGE083
个波谷
Figure 301260DEST_PATH_IMAGE084
，并将其所有波峰波谷坐标统计为
Figure 549708DEST_PATH_IMAGE085
、
Figure 365217DEST_PATH_IMAGE086
、
Figure 184268DEST_PATH_IMAGE087
、
Figure 477846DEST_PATH_IMAGE088
；其中，
Figure 79336DEST_PATH_IMAGE020
为行和曲线上峰值的大小，
Figure 65746DEST_PATH_IMAGE089
为行和曲线上谷值的大小，
Figure 372094DEST_PATH_IMAGE021
为行和曲线上波峰的个数，
Figure 469363DEST_PATH_IMAGE080
为行和曲线上波谷的个数，
Figure 161244DEST_PATH_IMAGE022
为列和曲线上峰值的大小，
Figure 318556DEST_PATH_IMAGE090
为列和曲线上谷值的大小，
Figure 112200DEST_PATH_IMAGE023
为列和曲线上波峰的个数，
Figure 639258DEST_PATH_IMAGE083
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：
Figure 326591DEST_PATH_IMAGE018
其中，
Figure 530171DEST_PATH_IMAGE019
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。
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：
Figure 670165DEST_PATH_IMAGE026
Figure 499450DEST_PATH_IMAGE027
其中，
Figure 41290DEST_PATH_IMAGE032
、
Figure 415770DEST_PATH_IMAGE033
分别为曲线
Figure 43061DEST_PATH_IMAGE091
、
Figure 649272DEST_PATH_IMAGE092
的波动比。
计算行和、列和曲线上的平均波峰波谷幅值变化量：将行和曲线上的波峰波谷横坐标
Figure 311198DEST_PATH_IMAGE093
、
Figure 122159DEST_PATH_IMAGE094
从小到大排列，计算相邻波峰波谷之间像素值
Figure 236745DEST_PATH_IMAGE020
、
Figure 142253DEST_PATH_IMAGE089
的差的绝对值并求和得到
Figure 658685DEST_PATH_IMAGE036
，则行和曲线上的平均波峰、波谷幅值变化量为：
Figure 374969DEST_PATH_IMAGE028
其中，
Figure 868529DEST_PATH_IMAGE036
为行和曲线上所有相邻波峰波谷间差的绝对值求和。
同理，得到列和曲线上的平均波峰、波谷幅值变化为：
Figure 453094DEST_PATH_IMAGE029
其中，
Figure 699399DEST_PATH_IMAGE037
为列和曲线上所有相邻波峰波谷间差的绝对值求和。
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：
Figure 711217DEST_PATH_IMAGE024
Figure 925030DEST_PATH_IMAGE025
其中
Figure 313286DEST_PATH_IMAGE030
为行和曲线的波动程度，
Figure 414097DEST_PATH_IMAGE031
为列和曲线的波动程度。
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
Figure 596817DEST_PATH_IMAGE049
（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：
Figure 62040DEST_PATH_IMAGE044
估计裂缝缝宽：对目标图像进行Canny边缘检测提取边缘，使得缝隙保留了两条边缘，记边缘像素的总值为
Figure 863774DEST_PATH_IMAGE046
，那么缝宽估计公式为：
Figure 943725DEST_PATH_IMAGE095
其中，
Figure 687559DEST_PATH_IMAGE048
为目标图像上裂缝缝宽。
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
Figure 485751DEST_PATH_IMAGE038
、
Figure 825596DEST_PATH_IMAGE039
且
Figure 25634DEST_PATH_IMAGE096
，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
Figure 707413DEST_PATH_IMAGE041
、
Figure 727321DEST_PATH_IMAGE042
且
Figure 292031DEST_PATH_IMAGE097
，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。
修护建议：若
Figure 238253DEST_PATH_IMAGE098
，那么将建议开槽清缝和压力灌注密封胶来灌缝；若
Figure 933676DEST_PATH_IMAGE099
，则建议采用沥青热再生修补工艺进行修补。
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。
2.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：
Figure DEST_PATH_IMAGE001
Figure 696969DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为某帧二值化后的图像对应的行像素累加序列中的第
Figure 985475DEST_PATH_IMAGE004
行和，
Figure 956842DEST_PATH_IMAGE005
为该帧二值化后的图像对应的列灰度累加序列中的第
Figure 980424DEST_PATH_IMAGE006
列和，
Figure 709345DEST_PATH_IMAGE007
为该帧二值化后的图像对应的总行数和总列数；
Figure 584897DEST_PATH_IMAGE008
代表该帧二值化后图像的第
Figure 489399DEST_PATH_IMAGE004
行第
Figure 526626DEST_PATH_IMAGE006
列像素的像素值；
若某帧二值化后的图像中连续满足
Figure 664215DEST_PATH_IMAGE009
的行数大于
Figure 953245DEST_PATH_IMAGE010
或/和连续满足
Figure 836887DEST_PATH_IMAGE011
的列数大于
Figure 674043DEST_PATH_IMAGE010
，则将该帧二值化后的图像判定为疑似裂缝图像。
3.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横纵波动范围的比值：
Figure 643136DEST_PATH_IMAGE012
其中，
Figure 735857DEST_PATH_IMAGE013
为某目标图像对应的横纵波动范围的比值，
Figure 474006DEST_PATH_IMAGE014
为该目标图像中
Figure 243247DEST_PATH_IMAGE009
的行坐标的下限值，
Figure 699637DEST_PATH_IMAGE015
为该目标图像中
Figure 330469DEST_PATH_IMAGE009
的行坐标的上限值；
Figure 923124DEST_PATH_IMAGE016
为该目标图像中
Figure 738634DEST_PATH_IMAGE011
的列坐标的下限值，
Figure 42838DEST_PATH_IMAGE017
为该目标图像中
Figure 601996DEST_PATH_IMAGE011
的列坐标的上限值，
Figure 924524DEST_PATH_IMAGE003
为第
Figure 910934DEST_PATH_IMAGE004
行像素值之和，
Figure 466549DEST_PATH_IMAGE005
为第
Figure 563818DEST_PATH_IMAGE006
列像素值之和。
4.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平均波峰与列和平均波峰的差异程度：
Figure 6432DEST_PATH_IMAGE018
其中，
Figure 163744DEST_PATH_IMAGE019
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，
Figure 439611DEST_PATH_IMAGE020
为该目标图像的行和曲线上峰值的大小，
Figure DEST_PATH_IMAGE021
为该目标图像的行和曲线上峰值的数量，
Figure 419200DEST_PATH_IMAGE022
为该目标图像的列和曲线上峰值的大小，
Figure 747280DEST_PATH_IMAGE023
为该目标图像的列和曲线上峰值的数量。
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：
Figure 75493DEST_PATH_IMAGE024
Figure 90854DEST_PATH_IMAGE025
Figure 529925DEST_PATH_IMAGE026
Figure 196399DEST_PATH_IMAGE027
Figure 836459DEST_PATH_IMAGE028
Figure 463749DEST_PATH_IMAGE029
其中，
Figure 332610DEST_PATH_IMAGE030
为某目标图像的行和曲线的波动程度，
Figure 994536DEST_PATH_IMAGE031
为该目标图像的列和曲线的波动程度，
Figure 539918DEST_PATH_IMAGE032
为该目标图像的行和曲线的波动比，
Figure 388925DEST_PATH_IMAGE033
为该目标图像的列和曲线的波动比，
Figure 560012DEST_PATH_IMAGE034
为该目标图像的行和曲线上的平均波峰波谷幅值变化量，
Figure 76444DEST_PATH_IMAGE035
为该目标图像的列和曲线上的平均波峰波谷幅值变化量，
Figure 792728DEST_PATH_IMAGE036
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，
Figure 129031DEST_PATH_IMAGE037
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，
Figure 336765DEST_PATH_IMAGE021
为该目标图像的行和曲线上峰值的数量，
Figure 707704DEST_PATH_IMAGE023
为该目标图像的列和曲线上峰值的数量，
Figure 594888DEST_PATH_IMAGE014
为该目标图像中
Figure 684067DEST_PATH_IMAGE009
的行坐标的下限值，
Figure 134640DEST_PATH_IMAGE015
为该目标图像中
Figure 625664DEST_PATH_IMAGE009
的行坐标的上限值；
Figure 434482DEST_PATH_IMAGE016
为该目标图像中
Figure 745378DEST_PATH_IMAGE011
的列坐标的下限值，
Figure 547112DEST_PATH_IMAGE017
为该目标图像中
Figure 892642DEST_PATH_IMAGE011
的列坐标的上限值，
Figure 750658DEST_PATH_IMAGE003
为第
Figure 548850DEST_PATH_IMAGE004
行像素值之和，
Figure 154274DEST_PATH_IMAGE005
为第
Figure 354312DEST_PATH_IMAGE006
列像素值之和。
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。
7.根据权利要求6所述的公路交通工程路面质量检测方法，其特征在于，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：
若横纵波动范围的比值
Figure 3468DEST_PATH_IMAGE038
、行和平均波峰与列和平均波峰的差异程度
Figure 288956DEST_PATH_IMAGE039
且行和曲线波动程度
Figure 698071DEST_PATH_IMAGE040
列和曲线波动程度
Figure 752615DEST_PATH_IMAGE031
，则判定该目标图像对应位置处存在的是横向裂缝；
若横纵波动范围的比值
Figure 336787DEST_PATH_IMAGE041
、行和平均波峰与列和平均波峰的差异程度
Figure 843991DEST_PATH_IMAGE042
且行和曲线波动程度
Figure 791219DEST_PATH_IMAGE043
列和曲线波动程度
Figure 700269DEST_PATH_IMAGE031
，则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，则判定该目标图像对应位置存在的是龟裂网状裂缝。
8.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：
Figure 956807DEST_PATH_IMAGE044
其中，
Figure 951308DEST_PATH_IMAGE045
为某目标图像的裂缝总面积所占像素数量，
Figure 702226DEST_PATH_IMAGE007
为该目标图像的总列数，
Figure 465783DEST_PATH_IMAGE005
为第
Figure 129107DEST_PATH_IMAGE006
列像素值之和；
对目标图像进行Canny边缘检测提取边缘，记边缘像素的总值为
Figure 610904DEST_PATH_IMAGE046
，那么缝宽估计公式为：
Figure 899934DEST_PATH_IMAGE047
其中，
Figure 783577DEST_PATH_IMAGE048
为目标图像上裂缝缝宽，
Figure 381917DEST_PATH_IMAGE049
为与像素现实尺寸的比例单位。
CN202211195054.9A 2022-09-29 2022-09-29 一种公路交通工程路面质量检测方法 Active CN115311260B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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***

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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