CN115909256B - 基于道路视觉图像的道路病害检测方法 - Google Patents
基于道路视觉图像的道路病害检测方法 Download PDFInfo
- Publication number
- CN115909256B CN115909256B CN202310015515.8A CN202310015515A CN115909256B CN 115909256 B CN115909256 B CN 115909256B CN 202310015515 A CN202310015515 A CN 202310015515A CN 115909256 B CN115909256 B CN 115909256B
- Authority
- CN
- China
- Prior art keywords
- road
- road image
- image
- region
- acquiring
- 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.)
- Active
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 124
- 201000010099 disease Diseases 0.000 title claims abstract description 122
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000000007 visual effect Effects 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 abstract description 8
- 238000007689 inspection Methods 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 13
- 239000010426 asphalt Substances 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了基于道路视觉图像的道路病害检测方法,属于图像处理技术领域;包括以下步骤:获取道路当前的第一道路图像,并获取所述道路完好时的第二道路图像;获取第一道路图像中每个滑窗窗口对应于第二道路图像之间的均方误差;获取每个区域的纹理的特征参数;获取第一道路图像中正常区域和初始病害区域;获取第一道路图像中正常区域对应于第二道路图像的峰值信噪比;即获取去噪后的第一道路图像;对去噪后的第一道路图像通过阈值分割获取去噪后的第一道路图像中的病害区域。本发明通过峰值信噪比评估图像中的噪声含量,并在平滑程度与平滑速度之间进行取舍折中,自适应选择合适强度的高斯滤波进行平滑处理去噪。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于道路视觉图像的道路病害检测方法。
背景技术
道路巡检机器人***是针对公路建养、机场养护等行业需求提出的全新综合解决方案。搭载阵列式探地雷达、冲击回波、相机等检测仪器对机场道面、桥面、(高速)公路等道路的表观和内部缺陷进行全覆盖病害自动化检测,通过数据智能分析,信息管理软件自动生成检测报告,形成目标道路的健康状况大数据,为用户提供预见性养护方案。而巡检机器人在工作时,其搭载的相机以及道路病害检测***总会受到室外复杂的环境光影响,使图像中噪声含量较高,病害图像画面粗糙、质量下降、特征淹没,传统预处理去噪算法总是存在噪声残留或过平滑的现象,影响图像质量。导致最终道路病害数据分析结果以及检测报告可信度较低,也无法获取准确的病害类型并针对病害生成养护方案。
为了实现上述目的,本领域技术人员利用峰值信噪比作为评价图像质量的客观标准,通过模板图像衡量与其相同的目标图像质量,并对含有噪声干扰的图像进行去噪处理,但是,若目标图像中存在病害区域,病害区域相对于模板图像而言属于突变信息,且图像质量较差,便无法仅通过整张图像所计算的峰值信噪比评价图像质量,在噪声存在的情况下也无法识别病害区域,更无法选取合适的滤波器。
发明内容
为了解决背景技术中的不足;本发明提供基于道路视觉图像的道路病害检测方法,该方法通过分析当前道路图像与完好的道路图像之间局部特征,来确定初始病害区域的粗糙轮廓范围,再通过峰值信噪比分别获取第一道路图像中正常区域和初始病害区域所用高斯滤波核内高斯分布的标准差,基于各自的标准差自适应选取滤波器滤除噪声,获取更清晰的当前道路图像,从而基于清晰的当前道路图像借助于道路巡检机器人上的检测模块对病害区域进行识别,并可根据不同病害得到不同的养护方案,大大提高了企业道路养护服务的可信度。
本发明的目的是提供基于道路视觉图像的道路病害检测方法,包括以下步骤:
获取道路当前的第一道路图像,并获取所述道路完好时的第二道路图像;
通过滑窗分别对第一道路图像和第二道路图像进行遍历,根据第一道路图像中每个滑窗窗口内每个像素点的灰度值,以及第二道路图像中位于与所述第一道路图像中位置相同的滑窗窗口内每个像素点的灰度值,获取第一道路图像中每个滑窗窗口对应于第二道路图像之间的均方误差;
对第一道路图像中每个滑窗窗口根据对应的均方误差进行聚类,将同类的窗口进行合并获取多个区域;根据每个区域中灰度级的信息熵和灰度均值获取每个区域的纹理的特征参数;
根据每个区域的纹理的特征参数从多个区域中获取第一道路图像中正常区域和初始病害区域;
根据第一道路图像中正常区域及第二道路图像位于与所述第一道路图像中正常区域相同的区域获取第一道路图像中正常区域对应于第二道路图像的峰值信噪比;
根据峰值信噪比分别获取第一道路图像中正常区域和初始病害区域所用高斯滤波核内高斯分布的标准差,
基于所用高斯滤波核内高斯分布的标准差通过高斯滤波分别对正常区域和初始病害区域进行去噪;即获取去噪后的第一道路图像;
对去噪后的第一道路图像通过阈值分割获取去噪后的第一道路图像中的病害区域。
在一实施例中,所述每个区域的纹理的特征参数是通过将每个区域中灰度级的信息熵和灰度均值分别归一化后进行加和,并将加和值的L2范数作为每个区域的纹理的特征参数。
在一实施例中,所述对第一道路图像中每个滑窗窗口根据对应的均方误差进行聚类,采用K均值聚类算法,并设置K=2。
在一实施例中,对第一道路图像中每个滑窗窗口根据对应的均方误差进行聚类,将同类的滑窗窗口对应于第一道路图像中的区域进行合并获取两个区域。
在一实施例中,获取第一道路图像中正常区域和初始病害区域的过程中,将特征参数最大的对应的区域作为正常区域,将其他区域作为初始病害区域。
在一实施例中,所述去噪后的第一道路图像是按照以下步骤获取:
获取第一道路图像中正常区域内灰度值标准差,通过峰值信噪比对第一道路图像中正常区域内灰度值标准差进行修正获取正常区域所用高斯滤波核内高斯分布的第一标准差;基于第一标准差通过高斯滤波对正常区域进行去噪;
同理,通过峰值信噪比对第一道路图像中初始病害区域内灰度值标准差进行修正获取初始病害区域所用高斯滤波核内高斯分布的第二标准差;基于第二标准差通过高斯滤波对初始病害区域进行去噪;即获取去噪后的第一道路图像。
在一实施例中,还包括:获取所述道路完好时的第二道路图像过程时,对所述第二道路图像中加入对应道路的坐标信息;
获取当前第一道路图像时,根据道路的坐标信息获取对应的第二道路图像。
本发明的有益效果是:
本发明提供的基于道路视觉图像的道路病害检测方法,该方法通过计算的第一道路图像中每个滑窗窗口对应于第二道路图像之间的均方误差,分析当前道路图像与完好的道路图像之间局部特征,来确定初始病害区域的粗糙轮廓范围,对后续滤波方式进行一定引导;再通过每个区域的纹理的特征参数来确定当前道路图像上的正常区域和初始病害区域,将不同区域的特征参数进行对比,较大则为沥青路面正常区域,较小则为初始病害区域。将沥青路面正常区域与模板图像上对应的图像位置计算峰值信噪比,最后通过峰值信噪比分别获取第一道路图像中正常区域和初始病害区域所用高斯滤波核内高斯分布的标准差,基于各自的标准差自适应选取滤波器滤除噪声,获取更清晰的当前道路图像,从而基于清晰的当前道路图像借助于道路巡检机器人上的检测模块对病害区域进行病害分析,并可根据不同病害得到不同的养护方案,大大提高了企业道路养护服务的可信度。
本发明通过获取道路完好时的第二道路图像过程时,对第二道路图像中加入对应道路的坐标信息;获取当前第一道路图像时,根据道路的坐标信息获取对应的第二道路图像。通过对道路无病害的历史数据加以GPS坐标,即可作为后续巡检时的模板图像,能够对与当前道路图像匹配的模板图像快速选取,大大提升了对当前道路图像病害区域的识别效率。
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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明的基于道路视觉图像的道路病害检测方法的实施例总体步骤的流程示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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。
本发明主要针对道路巡检机器人在工作时,其搭载的相机以及道路病害检测***总会受到室外复杂的环境光影响,使图像中噪声含量较高,病害图像画面粗糙、质量下降、特征淹没,传统预处理去噪算法总是存在噪声残留或过平滑的现象。导致最终道路病害数据分析结果以及检测报告可信度较低,从而无法准确识别出道路的病害区域,进而也无法获取准确的病害类型并针对病害生成养护方案。为此,本发明提供基于道路视觉图像的道路病害检测方法,对于道路智能巡检过程中受环境光影响导致病害区域获取不准确的问题提供技术参考。
需要说明的是,道路巡检机器人***是针对公路建养、机场养护等行业需求提出的全新综合解决方案。采用“机器人+”的概念设计,融入土木工程的“检测”技术,由全方位轮式移动平台,操作机构、检测仪器、远程控制***等部件组成。从道路巡检机器人的路面检测模块中获取已采集的路面病害图像,并进行灰度化处理,这是因为路面的色彩特征表达较弱,冗余色彩信息会对图像去噪引起一定干扰,且去噪算法在灰度化后的图像上运算更快,效率更高。
本发明提供的基于道路视觉图像的道路病害检测方法,参见图1所示,包括以下步骤:
S1、获取道路当前的第一道路图像,并获取道路完好时的第二道路图像;
需要说明的是,道路巡检机器人搭载的图像处理模块仅为常规去噪滤波算法,导致图像去噪时经常出现噪声残留或过平滑的现象。由于环境光导致的噪声几乎为高斯噪声,而不同强度的高斯滤波器会出现不同的平滑结果。现有根据峰值信噪比评估图像中的噪声含量,并在平滑程度与平滑速度之间进行取舍折中,自适应选择合适强度的高斯滤波进行平滑。
噪声对道路病害图像的识别造成极大干扰,但由于沥青路面本身的纹理复杂且与噪声重叠,导致正常沥青路面图像所计算的峰值信噪比会比实际值要低,进而一旦存在病害区域,根据无病害区域所计算的峰值信噪比自适应滤波,并不适用于病害区域。同时,存在噪声时也无法通过阈值分割出病害区域,并且病害区域无模板图像,无法计算峰值信噪比进而自适应滤波器强度。为此,本实施例通过获取当前的道路图像与道路完好时的道路图像,根据两者之间差分结构来获取初始病害区域和正常区域。
在本实施例中,道路完好时的第二道路图像是提前录入的,可以将所有巡检路径上的完好道路在道路修好后进行记录,作为历史数据进行保存,并借助道路巡检机器人自带的GPS定位***为每一帧图像加入坐标信息,也可视为第二道路图像为模板图像。为此,获取道路完好时的第二道路图像过程时,对第二道路图像中加入对应道路的坐标信息;获取当前第一道路图像时,根据道路的坐标信息获取对应的第二道路图像。而将获取当前的第一道路图像作为目标图像,对其进行分析获取当前的第一道路图像中是否存在初始病害区域。需要说明的是,本实施例中对采集的道路图像需要灰度化处理。
S2、获取第一道路图像中每个滑窗窗口对应于第二道路图像之间的均方误差;
通过滑窗分别对第一道路图像和第二道路图像进行遍历,根据第一道路图像中每个滑窗窗口内每个像素点的灰度值,以及第二道路图像中位于与第一道路图像中位置相同的滑窗窗口内每个像素点的灰度值,获取第一道路图像中每个滑窗窗口对应于第二道路图像之间的均方误差;
需要说明的是,以同GPS坐标为标签,将实时采集的道路目标图像与模板图像计算峰值信噪比(PSNR)。常用峰值信噪比作为评价图像质量的客观标准,可以通过模板图像衡量与其具有相同GPS坐标的目标图像质量,并对含有噪声干扰的图像进行去噪处理,但在本实施例中,若目标图像中存在病害区域,病害区域相对于模板图像而言属于突变信息,且图像质量较差,便无法仅通过整张图像所计算的峰值信噪比评价图像质量,在噪声存在的情况下也无法识别病害区域,更无法选取合适的滤波器。
假设将模板图像与目标图像进行差分,无论是加性噪声还是乘性噪声均在图像上离散分布,而在道路背景依旧完好无病害时,差分结果与噪声的分布具有一致性,而存在病害时,病害区域的差分结果与背景区域的差分结果尽管都为差分像素点离散分布,但病害区域的差分像素点特征与背景区域的差分像素点特征则并不一致。即在本实施例中利用图像差分的思想,对目标图像与模板图像之间差分结果的局部特征进行计算分析,来确定初始病害区域的粗糙轮廓范围,对后续滤波方式进行一定引导。
在本实施例中,在相同GPS定位坐标的模板图像与目标图像上设置滑窗窗口,逐窗口与模板图像计算两者局部像素点之间的均方误差,即第一道路图像中每个滑窗窗口对应于第二道路图像之间的均方误差计算公式如下:
式中,表示第一道路图像中第个滑窗窗口对应于第二道路图像之间的均方误
差;为第二道路图像上第个滑窗窗口内第(i,j)个位置所对应像素点的灰度值;为第一道路图像上以第个滑窗窗口内第(i,j)个位置所对应像素点的灰度值;为第二道路图像与第一道路图像对应位置像素点灰度值相差;其中,n为滑
窗尺寸;i为n×n矩形窗口内横向任意一个像素点;j为n×n矩形窗口内纵向任意一个像素
点,在本实施例中根据经验设置n=5;A为第二道路图像,B为第一道路图像;
需要说明的是,当第一道路图像中仅存在噪声,无病害时,即可看作目标图像与模
板图像的背景几乎相同,区别在于整个目标图像上存在随机分布的噪声,因此的相差结果应为噪声叠加的部分,计算两张图像局部均方误差,当无病
害时,每个局部窗口所计算的均方误差取值应该相近、相似,而当存在病害区域时,窗口在
病害区域所得均方误差将会明显与非病害区域的窗口均方误差取值存在较大差异。
S3、获取每个区域中灰度级的信息熵和灰度均值获取每个区域的纹理的特征参数;
对第一道路图像中每个滑窗窗口根据对应的均方误差进行聚类,将同类的窗口进行合并获取多个区域;根据每个区域中灰度级的信息熵和灰度均值获取每个区域的纹理的特征参数;
在本实施例中,对第一道路图像中每个滑窗窗口根据对应的均方误差进行聚类,采用K均值聚类算法,并设置K=2。对第一道路图像中每个滑窗窗口根据对应的均方误差进行聚类,将同类的滑窗窗口对应于第一道路图像中的区域进行合并获取两个区域,包括正常区域和初始病害区域;
需要说明的是,沥青路面背景区域为沥青纹理与噪声叠加,两者均为混乱区域,即路面纹理的像素组成本身就比较复杂,叠加上同样混乱的噪声区域则更为混乱,而初始病害区域则混乱度较低,同样叠加上噪声后,尽管也混乱,但相较于路面背景区域仍有差异,在本实施例中路面的背景区域视为正常区域。在本实施例中,每个区域的纹理的特征参数是通过将每个区域中灰度级的信息熵和灰度均值分别归一化后进行加和,并将加和值的L2范数作为每个区域的纹理的特征参数。具体每个区域的纹理的特征参数计算公式如下:
式中,代表第v个灰度级所出现的概率,M代表同一区域内所有灰度级的类型
数量;表示第v个灰度级的数值;为计算同一区域内像素点灰度级的信
息熵,表征该区域内灰度结构的混乱性,熵值越大,混乱性越高,则
为利用双曲正切函数进行正比例归一化,即熵值越大,在0-1之间取
值越大;
表示每个区域的纹理的特征参数。则通过沥青路面正常区域与初始病害区域,被
噪声叠加后的特征,即两个区域的灰度混乱度不同以及初始病害区域低于路面背景灰度
值,来区分两者,将不同区域的特征参数计算结果进行对比即可。具体如下:
S4、根据每个区域的纹理的特征参数从多个区域中获取第一道路图像中正常区域和初始病害区域;
将不同区域的特征参数E进行对比,较大则为沥青路面背景区域,较小则为初始病害区域。具体获取第一道路图像中正常区域和初始病害区域的过程中,将特征参数最大的对应的区域作为正常区域,将其他区域作为初始病害区域。
S5、获取第一道路图像中正常区域对应于第二道路图像的峰值信噪比;
根据第一道路图像中正常区域及第二道路图像位于与第一道路图像中正常区域相同的区域获取第一道路图像中正常区域对应于第二道路图像的峰值信噪比;
根据峰值信噪比分别获取第一道路图像中正常区域和初始病害区域所用高斯滤波核内高斯分布的标准差,
基于所用高斯滤波核内高斯分布的标准差通过高斯滤波分别对正常区域和初始病害区域进行去噪;即获取去噪后的第一道路图像;
需要说明的是,计算峰值信噪比过程中,由于第一道路图像和第二道路图像的GPS坐标信息相同,对第一道路图像上认为是正常区域的部分,与第二道路图像上同样位置的部分计算峰值信噪比;第一道路图像中的初始病害区域,无法计算峰值信噪比,那可以根据同一张图像上正常区域的峰值信噪比所得滤波强度,来调节初始病害区域的滤波强度。
其中,去噪后的第一道路图像是按照以下步骤获取:
获取第一道路图像中正常区域内灰度值标准差,通过峰值信噪比对第一道路图像中正常区域内灰度值标准差进行修正获取正常区域所用高斯滤波核内高斯分布的第一标准差;基于第一标准差通过高斯滤波对正常区域进行去噪;
同理,通过峰值信噪比对第一道路图像中初始病害区域内灰度值标准差进行修正获取初始病害区域所用高斯滤波核内高斯分布的第二标准差;基于第二标准差通过高斯滤波对初始病害区域进行去噪;即获取去噪后的第一道路图像。
需要说明的是,针对已知的图像及噪声强度,其中,峰值信噪比PSNR分别为10,20,30,40,50等峰值信噪比越高代表图像质量越好,越低代表图像质量越差,噪声越多,针对不同强度的高斯噪声采用自适应高斯滤波器对原图进行降噪,对于峰值信噪比较小的噪声选用低强度的高斯滤波,因为噪声多,去噪强度过高会导致过平滑,而峰值信噪比较大时则采用强度较高的滤波核进行降噪,噪声少,较强的滤波可以去除噪声更干净且不会过度平滑,所设计滤波器采用高斯滤波核同与原图进行卷积操作达到降噪目的。对于高斯滤波而言,生成高斯滤波器模板最重要的参数就是高斯分布的标准差,标准差代表着数据的离散程度。也就是高斯滤波后图像被平滑的程度取决于标准差,它的输出是邻域像素的加权平均,同时离中心越近的像素权重越高。为此,本实施例中,已知正常区域的峰值信噪比,并根据其峰值信噪比大小选取合适的标准差值,通过标准差自适应选择合适强度的高斯滤波核。
在本实施例中,正常区域所用高斯滤波核内高斯分布的第一标准差计算公式如下;
式中,表示正常区域所用高斯滤波核内高斯分布的第一标准差;表示第一
道路图像中正常区域对应于第二道路图像的峰值信噪比;表示第一道路图像中正常区域
内第z个像素点的灰度值;表示第一道路图像中正常区域内灰度均值;表示第一
道路图像中正常区域内第z个像素点灰度值与该区域灰度均值的差值;表
示第一道路图像中正常区域的灰度值标准差;表示第一道路图像中正常区域对应于第
二道路图像的峰值信噪比归一化,将第一道路图像中正常区域对应于第二道路图像的峰值
信噪比归一化后的值作为系数,乘以第一道路图像中正常区域的灰度值标准差,获取正常
区域所用高斯滤波核内高斯分布的第一标准差;随后基于第一标准差自适应选择合适强度
的高斯滤波核对正常区域进行去噪;其中,需要说明的是,高斯滤波核内的元素权重符合高
斯分布,其滤波强度受到第一标准差σ大小的影响,具体如下:σ越小,模板的中心系数越大,
周围的系数越小,这样对图像的平滑效果就不是很明显,滤波强度较低;σ越大,模板的各个
系数相差就不是很大,比较类似均值模板,对图像的平滑效果比较明显,滤波强度较高。
在本实施例中,计算的峰值信噪比一般偏低,所用的滤波器强度较小,该强度的滤波器对于初始病害区域而言平滑效果较差,初始病害区域需要比背景区域的滤波强度要高,因此本实施例将初始病害区域的滤波强度相较于同一张图像上正常区域的滤波器强度调高即可。具体通过峰值信噪比对第一道路图像中初始病害区域内灰度值标准差进行修正获取初始病害区域所用高斯滤波核内高斯分布的第二标准差;则初始病害区域所用高斯滤波核内高斯分布的第二标准差计算公式如下
式中,表示初始病害区域所用高斯滤波核内高斯分布的第二标准差;表示在第一道路图像中正常区域对应于第二道路图像的峰值信噪比的基础上
调高0.2进行归一化,此处的0.2是根据经验设置的,操作者可以根据实际情况进行调整;其
中,表示第一道路图像中正常区域对应于第二道路图像的峰值信噪比;表示第一道
路图像中正常区域内第z个像素点的灰度值;表示第一道路图像中正常区域内灰度均值;表示第一道路图像中正常区域内第z个像素点灰度值与该区域灰度均值的差值;表示第一道路图像中正常区域的灰度值标准差;
然后,基于第二标准差自适应选择合适强度的高斯滤波核对初始病害区域进行去噪;具体滤波过程属于现有技术,在此不再赘述。即获取去噪后的第一道路图像。
在本实施例中,同理针对不同GPS定位下的道路图像进行不同方式的去噪:图像中存在噪声但无病害、噪声中存在噪声且有病害,对于后者选用更为灵活的自适应滤波器滤除噪声。
S6、对去噪后的第一道路图像通过阈值分割获取去噪后的第一道路图像中的病害区域。
在本实施例中,对去噪后的第一道路图像,对病害区域的影像数据采集更为清晰,病害分析结果更为准确,为此,通过对去噪后的第一道路图像借助于道路巡检机器人上的检测模块对病害区域进行病害分析,并可根据不同病害得到不同的养护方案,大大提高了企业道路养护服务的可信度。
本发明提供的基于道路视觉图像的道路病害检测方法,该方法通过计算的第一道路图像中每个滑窗窗口对应于第二道路图像之间的均方误差,分析当前道路图像与完好的道路图像之间局部特征,来确定初始病害区域的粗糙轮廓范围,对后续滤波方式进行一定引导;再通过每个区域的纹理的特征参数来确定当前道路图像上的正常区域和初始病害区域,将不同区域的特征参数E进行对比,较大则为沥青路面正常区域,较小则为初始病害区域。将沥青路面正常区域与模板图像上对应的图像位置计算峰值信噪比,最后通过峰值信噪比分别获取第一道路图像中正常区域和初始病害区域所用高斯滤波核内高斯分布的标准差,基于各自的标准差自适应选取滤波器滤除噪声,获取更清晰的当前道路图像,从而基于清晰的当前道路图像借助于道路巡检机器人上的检测模块对病害区域进行病害分析,并可根据不同病害得到不同的养护方案,大大提高了企业道路养护服务的可信度。
本发明通过获取道路完好时的第二道路图像过程时,对第二道路图像中加入对应道路的坐标信息;获取当前第一道路图像时,根据道路的坐标信息获取对应的第二道路图像。通过对道路无病害的历史数据加以GPS坐标,即可作为后续巡检时的模板图像,能够对与当前道路图像匹配的模板图像快速选取,大大提升了对当前道路图像病害区域的识别效率。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.基于道路视觉图像的道路病害检测方法,其特征在于,包括以下步骤:
获取道路当前的第一道路图像,并获取所述道路完好时的第二道路图像;
通过滑窗分别对第一道路图像和第二道路图像进行遍历,根据第一道路图像中每个滑窗窗口内每个像素点的灰度值,以及第二道路图像中位于与所述第一道路图像中位置相同的滑窗窗口内每个像素点的灰度值,获取第一道路图像中每个滑窗窗口对应于第二道路图像之间的均方误差;
获取第一道路图像中每个滑窗窗口对应于第二道路图像之间的均方误差的方法为:
在相同GPS定位坐标的模板图像与目标图像上设置滑窗窗口,逐窗口与模板图像计算两者局部像素点之间的均方误差,即第一道路图像中每个滑窗窗口对应于第二道路图像之间的均方误差计算公式如下:
式中,表示第一道路图像中第/>个滑窗窗口对应于第二道路图像之间的均方误差;为第二道路图像上第/>个滑窗窗口内第(i,j)个位置所对应像素点的灰度值;/>为第一道路图像上以第/>个滑窗窗口内第(i,j)个位置所对应像素点的灰度值;为第二道路图像与第一道路图像对应位置像素点灰度值相差;其中,n为滑窗尺寸;i为n×n矩形窗口内横向任意一个像素点;j为n×n矩形窗口内纵向任意一个像素点; n=5,A为第二道路图像,B为第一道路图像;
对第一道路图像中每个滑窗窗口根据对应的均方误差进行聚类,将同类的窗口进行合并获取多个区域;根据每个区域中灰度级的信息熵和灰度均值获取每个区域的纹理的特征参数;
获取每个区域的纹理的特征参数的方法包括:每个区域的纹理的特征参数是通过将每个区域中灰度级的信息熵和灰度均值分别归一化后进行加和,并将加和值的L2范数作为每个区域的纹理的特征参数;每个区域的纹理的特征参数计算公式如下:
式中,代表第v个灰度级所出现的概率,M代表同一区域内所有灰度级的类型数量;表示第v个灰度级的数值;/>为计算同一区域内像素点灰度级的信息熵,表征该区域内灰度结构的混乱性,熵值越大,混乱性越高,/>则为利用双曲正切函数进行正比例归一化,即熵值越大,/>在0-1之间取值越大;
根据每个区域的纹理的特征参数从多个区域中获取第一道路图像中正常区域和初始病害区域;
根据第一道路图像中正常区域及第二道路图像位于与所述第一道路图像中正常区域相同的区域获取第一道路图像中正常区域对应于第二道路图像的峰值信噪比;
根据峰值信噪比分别获取第一道路图像中正常区域和初始病害区域所用高斯滤波核内高斯分布的标准差;基于所用高斯滤波核内高斯分布的标准差通过高斯滤波分别对正常区域和初始病害区域进行去噪;即获取去噪后的第一道路图像;
所述去噪后的第一道路图像是按照以下步骤获取:
获取第一道路图像中正常区域内灰度值标准差,通过峰值信噪比对第一道路图像中正常区域内灰度值标准差进行修正获取正常区域所用高斯滤波核内高斯分布的第一标准差;基于第一标准差通过高斯滤波对正常区域进行去噪;
同理,通过峰值信噪比对第一道路图像中初始病害区域内灰度值标准差进行修正获取初始病害区域所用高斯滤波核内高斯分布的第二标准差;基于第二标准差通过高斯滤波对初始病害区域进行去噪;即获取去噪后的第一道路图像;
对去噪后的第一道路图像通过阈值分割获取去噪后的第一道路图像中的病害区域。
2.根据权利要求1所述的基于道路视觉图像的道路病害检测方法,其特征在于,所述对第一道路图像中每个滑窗窗口根据对应的均方误差进行聚类,采用K均值聚类算法,并设置K=2。
3.根据权利要求2所述的基于道路视觉图像的道路病害检测方法,其特征在于,对第一道路图像中每个滑窗窗口根据对应的均方误差进行聚类,将同类的滑窗窗口对应于第一道路图像中的区域进行合并获取两个区域。
4.根据权利要求1所述的基于道路视觉图像的道路病害检测方法,其特征在于,获取第一道路图像中正常区域和初始病害区域的过程中,将特征参数最大的对应的区域作为正常区域,将其他区域作为初始病害区域。
5.根据权利要求1所述的基于道路视觉图像的道路病害检测方法,其特征在于,还包括:获取所述道路完好时的第二道路图像过程时,对所述第二道路图像中加入对应道路的坐标信息;
获取当前第一道路图像时,根据道路的坐标信息获取对应的第二道路图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310015515.8A CN115909256B (zh) | 2023-01-06 | 2023-01-06 | 基于道路视觉图像的道路病害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310015515.8A CN115909256B (zh) | 2023-01-06 | 2023-01-06 | 基于道路视觉图像的道路病害检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909256A CN115909256A (zh) | 2023-04-04 |
CN115909256B true CN115909256B (zh) | 2023-05-19 |
Family
ID=85732058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310015515.8A Active CN115909256B (zh) | 2023-01-06 | 2023-01-06 | 基于道路视觉图像的道路病害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909256B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758056B (zh) * | 2023-08-09 | 2023-12-26 | 广东乾威精密连接器有限公司 | 一种电器端子生产缺陷检测方法 |
CN116910629B (zh) * | 2023-09-13 | 2023-12-15 | 四川公路桥梁建设集团有限公司 | 一种基于大数据的路面检测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230202B (zh) * | 2017-05-16 | 2020-02-18 | 淮阴工学院 | 路面病害图像的自动识别方法和*** |
CN107464220B (zh) * | 2017-07-03 | 2020-07-28 | 西安电子科技大学 | 一种基于重力叠加模型的公路面层病害图像增强方法 |
CN111145161B (zh) * | 2019-12-28 | 2023-09-19 | 北京工业大学 | 一种路面裂缝数字图像处理和识别的方法 |
CN111310558B (zh) * | 2019-12-28 | 2023-11-21 | 北京工业大学 | 一种基于深度学习和图像处理法的路面病害智能提取方法 |
CN111985494B (zh) * | 2020-07-07 | 2023-12-22 | 深圳大学 | 一种基于轻量化车载终端的道路病害检测及分类方法 |
CN112326686B (zh) * | 2020-11-02 | 2024-02-02 | 坝道工程医院(平舆) | 无人机智能巡航路面病害检测方法、无人机和检测*** |
-
2023
- 2023-01-06 CN CN202310015515.8A patent/CN115909256B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115909256A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115909256B (zh) | 基于道路视觉图像的道路病害检测方法 | |
CN110261436B (zh) | 基于红外热成像和计算机视觉的轨道故障检测方法及*** | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
CN110490914B (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN104599280B (zh) | 一种道路裂缝交叉点提取方法及*** | |
CN114387273B (zh) | 基于计算机图像识别的环境粉尘浓度检测方法及*** | |
CN111080650B (zh) | 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其*** | |
CN113129268B (zh) | 一种飞机铆接墩头质量检测方法 | |
CN117094914B (zh) | 基于计算机视觉的智慧城市道路监控*** | |
CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN114549441B (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN117152135B (zh) | 一种道路施工裂缝缺陷评估检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测*** | |
CN111753749A (zh) | 一种基于特征匹配的车道线检测方法 | |
CN102175993A (zh) | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 | |
CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
CN116342586B (zh) | 基于机器视觉的路面质量检测方法 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测*** | |
CN107590816A (zh) | 一种基于遥感图像的水体信息拟合方法 | |
CN118015002B (zh) | 一种交通工程路况视觉检测方法及*** | |
CN115171218A (zh) | 一种基于图像识别技术的物资送样异常行为识别*** | |
CN116524196A (zh) | 一种基于图像识别技术的输电线智能检测*** | |
CN105469413B (zh) | 一种基于归一化振铃加权的无参考模糊复原图像综合质量评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |