基于图像处理的路面裂缝识别研究

传统的人工视觉检测裂缝方法具有耗力、耗时、不精确、影响交通、危险、花费高等缺点。这里介绍一种基于图像处理的路面裂缝类病害自动识别方法。首先使用一种掩膜平滑法,对有大量噪音的路面图像进行增强,再采用最大类间、类内距离准则对图像进行阈值分割,提取图像上的裂缝特征,实验结果表明了该方法的有效性。     

基于图像处理的路面裂缝识别研究

传统的人工视觉检测裂缝方法具有耗力、耗时、不精确、影响交通、危险、花费高等缺点。这里介绍一种基于图像处理的路面裂缝类病害自动识别方法。首先使用一种掩膜平滑法,对有大量噪音的路面图像进行增强,再采用最大类间、类内距离准则对图像进行阈值分割,提取图像上的裂缝特征,实验结果表明了该方法的有效性。     

基于各向异性测度的路面三维图像裂缝识别

为准确而完整地识别路面裂缝,提出了基于1 mm/像素的路面三维图像裂缝自动识别算法．该算法主要包括各向异性测度计算与自适应优化阈值分割、深度验证和多分辨率去噪处理3个部分．首先,针对路面图像像素特征,基于0°、45°、90°和135°四个方向的线性邻域的均值和标准差计算每个像素的各向异性测度（表征方向性的强弱）,并应用最大类间方差法确定最优阈值,将路面图像分为强方向性和弱方向性像素两类;其次,根据半径为d的正方形邻域深度均值设定阈值,用方向性强且深度低于或等于该阈值的像素形成初步的裂缝图像;最后,将裂缝图像划分为多个子块,设计去噪模板对裂缝图像进行滑动窗口去噪处理,获得最终裂缝图像．基于166幅含有各类裂缝的三维路面图像（2048×2048像素）进行测试分析,结果显示,本文算法获得了较高的准确率（均值91．57％）和召回率（均值81．29％）,最终以84．26％的F1均值优于种子识别算法（F1均值69．19％）、Canny边缘检测（F1均值8．15％）和OTSU分割（F1均值5．11％）．     

基于小波的路面裂缝识别研究

应用基于小波变换的图像分解和重构方案可以进行公路路面裂缝的检测与识别。首先对路面图像进行多分辨二维离散小波分解,根据在每个尺度2j上小波系数模最大值和相位(梯度方向)这两个分量的大小确定边缘的位置,进一步变换小波分解系数,达到去除噪音,加强裂缝边缘的效果。并通过实验分析和讨论了不同的小波基、不同分辨率水平、重构中使用的分解子图像对路面图像裂缝分割的影响,最后用简单的阈值技术生成二值图像,把裂缝从背景图像中分离出来。     

基于机器视觉的路桥裂缝病害自动检测技术

为解决路桥表面因荷载作用、疲劳与腐蚀效应、材料老化以及维修养护不及时等原因产生裂缝病害的问题,进一步提高日常养护工作效率,对机器视觉技术、图像处理技术在路桥裂缝病害检测工作中的应用进行了研究.采用对比分析和数据验证相结合的方法,重点针对利用机器视觉技术实现病害特征提取、特征识别和量化计算算法进行了比较研究.研究结果显示...     

旧沥青路面的裂缝与车辙病害

基于对S219线西岸大渠至沙湾公路旧路面裂缝以及车辙两种最为常见的病害问题的调查,分析了病害产生的主要原因,并提出了病害的处置措施。可为旧沥青路面病害的治理提供一定的参考与借鉴。     

基于自动阈值检测和边缘连接的路面裂缝边缘提取方法

随着不同等级公路的快速发展,对道路裂纹或裂缝的检测技术也提出了更高的要求。道路裂纹或裂缝检测技术主要依赖于图像处理、模式识别等数字图像处理技术,针对道路裂纹或裂缝检测的关键技术,提出了一种基于改进的边缘提取算法的路面裂缝检测方法。该方法有效降低了传统图像边缘提取算法对噪声、异常的敏感度,提高了对不同图像阈值的自适应性,数值算例表明该算法可有效、准确地对路面裂纹或裂缝进行检测。     

基于卷积神经网络的路基病害自动识别方法研究

路基病害导致的道路坍塌事件时有发生,利用探地雷达(ground penetrating radar,GPR)技术对道路路基进行周期性的无损检测和评估,可有效识别处于早期阶段的路基病害,为及时治理提供技术支撑。传统的GPR路基病害图像解释大多依靠人工,存在评价不客观且效率低下的问题。为实现路基病害的自动识别,提出基于卷积神经网络(CNN)提取GPR路基病害图像特征的方法。该方法所采用的网络结构由卷积层、池化层和全连接层组成;输入病害图像后首先经过5层卷积层和5层池化层提取图像特征,然后将提取到的图像特征输入两层全连接层分类,最后通过softmax层输出识别结果。正演模拟数据集表明,该方法对路基空洞充气、路基空洞充水、路基脱空及路基含水层这4种典型道路路基病害的雷达图像识别准确率达到 96.75%,验证了该方法的有效性。     

基于改进Unet模型的混凝土裂缝分割研究

【目的】针对桥梁、隧道等环境下产生的混凝土裂缝情况复杂、干扰因素多的问题,提出一种改进Unet模型（A-Unet）的裂缝检测方法。【方法】以Unet网络为基础,研究了编码器的深度如何影响模型训练时间、检测精度。在解码过程中设计一种融合空间和通道注意力模块,将高分辨率的浅层特征与上采样获得的深层特征信息赋予不同权重,进一步增强裂缝特征。同时,增加dice损失函数对模型进行评价,减少因检测目标与背景数量相差较大,导致评价不准确的问题。【结果】在测试数据集中进行评价,精确度,MIou,召回率分别达到94.70%,86.16%,91.34%。A-Unet模型检测效果明显优于其他5种模型。【结论】利用该方法检测混凝土裂缝精度得到较大提升,且节约了模型训练时间,提高检测效率。     

基于改进的YOLOv3接触网鸟巢检测与识别

接触网上鸟巢对铁路安全稳定运行存在严重威胁.为检测和识别接触网上鸟巢以解决鸟巢对铁路运行造成的不良影响,提出一种改进的YOLOv3算法.首先对接触网鸟巢图像进行前期预处理,去噪等操作能够加强对鸟巢本质特征的提取,数据增强一定程度上避免神经网络的过拟合现象产生.然后在网络结构中加入空间金字塔池化模块,对特征图进行不同尺度...     

基于机器学习的RC桥梁病害检测方法

针对现有桥梁检测中人工判别病害工作量大、效率低的问题,以钢筋混凝土(RC)桥梁为对象,阐述了机器学习在RC桥梁病害检测中的应用。从现有桥梁病害检测方法、机器学习方法、机器学习在RC桥梁中的应用进展三个方面进行研究,结果表明,基于深度学习的病害检测方法能够自动从病害图像中提取特征,实现病害的分类和定位,提供了一种病害自动化检测场景,有利于桥梁智能化管养。     

路面裂缝病害产生的成因分析

路面裂缝产生后．由于水在裂缝中是自由流动的,不会产生很大的动水压力,因此在沥青面层混合料较密实时．裂缝对路面的水损坏不会产生很大的影响。但裂缝毕竟为水分进入沥青层内部提供了更为便捷的通道,在沥青混合料不够密实甚至透水时．     

基于深度图像的机场道面裂缝自动检测算法

为了实现强噪声、弱光照、低对比度条件下的机场道面细小裂缝检测, 设计了基于深度图像的机场道面裂缝检测算法; 将采集到的深度图像划分成多个网格, 并对每个网格进行扩充, 获得了局部道面区域; 针对每个网格区域, 基于随机抽样一致算法进行局部三次曲面构建和优化估计; 在此基础上, 在全局尺度下融合全部网格区域的曲面模型, 生成整个图像采集区域道面的全局曲面模型; 利用全局曲面模型与原始深度图像之间的差值图像, 采用自适应阈值方法分割出候选裂缝像素, 并利用裂缝的像素总数、长度以及长宽比等多种形态学约束筛选候选裂缝像素, 去除错误的候选裂缝像素, 从而获得了最终的裂缝检测结果; 在机场道面深度图像数据集上进行了试验, 以人工标注结果作为真实值, 以准确率、召回率以及F值作为量化评估指标, 将提出的算法分别与4种有代表性的传统算法进行了对比。试验结果表明: 传统算法能够取得的最高准确率、召回率以及F值分别为77.05%、41.02%和50.02%, 提出的算法在准确率、召回率和F值3个指标上均有明显优势, 其均值分别为91.20%、97.99%和94.12%;提出的算法能够在分辨率为1 984像素×2 000像素的深度图像上检测出最小宽度为3 mm、最小长度为10 cm的裂缝, 实现了在复杂机场道面场景中识别细小裂缝的目标。     

基于多特征检验的三维沥青路面裂缝检测

针对由裂缝对比度低、路面纹理复杂多变等因素引起的沥青路面三维图像的裂缝检测精度低的问题,对原始三维裂缝图像进行尺寸降维、灰度校正、高斯滤波等预处理;然后以图像截面为研究对象,分别对4个方向的截面依次进行特别设计的倾斜度、高斯分布、边缘梯度3种特征检验,从而获得裂缝截面;接着对各个方向的裂缝截面进行融合和去噪,获得完整的裂缝二值图像;最后,根据路面粗糙度的高低,变化高斯分布特征检验中的相关参数,实现裂缝的高精度检测. 研究结果表明:提出的算法能达到89.19%的准确率、93.69%的召回率及91.06%的 F 值,优于基于三维光影、种子识别的典型三维图像裂缝检测方法.      

图像分块下的隧道裂缝识别方法

针对隧道衬砌表面不均匀光照、渗水和噪声等强视觉干扰,设计了基于图像分块的隧道衬砌裂缝检测算法;根据中国西部地区的地理特征和隧道衬砌的外观病害,研制开发出一种快速、自动化的非接触式智能隧道结构物外观检测系统; 以非均匀光照下隧道图像数据集为研究对象,在图像分块的基础上提出一种适用于隧道裂缝特征提取的图像识别算法;研究了电子元件产生的噪声,并分析和总结了隧道衬砌的灾害特征;根据裂缝特征和分辨率将图像矩阵划分为适当数量的区域块,根据区域块的灰度特征将原始图像划分为目标背景区、目标病害区、病害背景区和其他区域,通过最大类间方差法和局部阈值法分割得到了隧道裂缝的粗图像,在此基础上进行了粗图像裂缝特征提取;对原始图像的每个区域块进行了对比度受限的自适应直方图均衡操作和局部阈值分割,得到了细节图像;将细节图像和粗图像的重叠区域设为理想裂缝二值化图像;结合隧道结构物外观检测系统对不同方向的裂缝图像进行了二值化试验,并通过隧道裂缝定位和投影法得到了隧道衬砌图像中裂缝的位置信息和方向。研究结果表明：提出的算法对隧道裂缝识别的准确值、召回率和F值可分别达90.34%、98.78%和94.37%,既可以保证隧道裂缝的完整性,也可以在非均匀光照下最大程度地保留目标裂缝的细节,可用于处理一般灰度图像的二值化问题。     

基于深度学习的公路货车车型识别

为判断公路货车车型,并提升货车车型识别的速度与精度,提出基于深度学习的方法对公路货车及其轮轴进行精细化目标检测;采用道路监控拍摄和网络爬取的方式获得了16 403张公路货车侧方图像,建立了货车侧方图像数据集,并采用Retinex理论和加入限制对比度的自适应直方图均衡化(CLAHE)等视觉增强方法预处理所采集图像中的光照不均图像和夜视图像;通过理论分析和对比试验选取单阶段检测网络YOLOv3作为公路货车车型识别的目标检测网络,并从调整先验框和模型输入大小以及引入注意力机制3个方面优化了检测模型;针对单帧图像可能同时出现多辆货车的情况,采用基于目标位置信息挖掘的算法分析了货车与轮轴的位置信息,提出一种通过轮轴中心点与货车预测框位置信息判定公路货车与轮轴隶属关系的方法。研究结果表明：图像经过预处理可显著增强车辆的特征信息,优化后检测模型的网络性能得到提高,通过对目标位置信息的挖掘与利用可以很好地解决货车车型判定问题;优化后的检测模型实时检测速度可达47帧·s^-1,对公路货车车型的识别综合准确率达到了94.4%。该方法实现了对公路货车车型的无接触、快速和准确识别,为公路货车车型识别提供了新的手段,符合智慧交通系统的建设需要,可进一步提升道路服务水平。     

隧道衬砌裂缝病害原因分析及整治加固技术的探讨

对海南东线高速公路大茅隧道右幅衬砌裂缝病害原因进行了分析,介绍了其整治加固技术。     

基于数字图像的隧道表观病害识别方法研究

阐述了公路隧道结构快速检测车图像采集的原理,以隧道结构表观图像为研究目标,系统分析了隧道裂缝和渗漏水病害的图像特征;基于裂缝图像特征,通过CTA测度算法和边缘检测结合可准确地识别裂缝;根据渗漏水图像特征,采用改进的CTA算法,并结合形态学处理方法,可实现隧道结构渗漏水的识别与定位。研究表明:采用CTA测度及其改进算法可较好地实现表观病害识别,可有效地减弱线缆干扰、光照变化带来的影响。     

基于图像识别技术的桥梁病害检测技术研究

研究桥梁病害检测技术,运用程序语言基于数字图像处理,设计出一套桥梁病害检测程序,对已知桥梁病害信息进行数据信息采集,并标识病害部位,快速准确简洁的得到病害信息数据,从而为桥梁病害检测工作提供了便捷的、精确的、快速的处理手段。该程序系统由数据处理子系统和图像采集子系统两部分组成,两系统相互结合使得病害信息在检测处理中能达到相当好的效果。桥梁结构病害可以通过此方法快速准确的标识出病害的精确位置。裂缝病害在这项技术应用中得到了充分发挥,可为日后桥梁检测工作提供可靠的技术支持,使得桥梁检测工作更加快速。     

基于机器视觉的公路隧道衬砌检测系统研究

以人工方式为主的公路隧道检测已经不能满足快速发展的要求。针对该问题,笔者基于机器视觉技术提出一套公路隧道车载检测系统,对其实施方法与工作原理进行了阐述。根据检测任务需求,对系统的硬件设备进行了选型,并搭建了一套车载试验样机系统。通过隧道内的测试,获取了完整的隧道衬砌图片,满足了快速检测的要求。