沥青路面裂缝检测图像处理算法研究
沥青路面裂缝检测技术改进研究
科 技资讯 2019 NO.08
SCIENCE & TECHNOLOGY INFORMATION
沥青路面裂缝检测技术改进研究
王伟 陈新轩 韩敏 (长安大学工程机械学院 陕西西安 710000)
摘 要：该文立足于解决沥青路面裂缝识别，基于OpenCV函数库，对该函数库中Canny算子进行改进，将原始Canny算
子高斯平滑滤波器，改进为选择滤波器。改进后的识别算法，不仅能消除原始图像中附带的高斯噪声，还能消除椒盐（脉
冲）噪声。基于改进后的算法进行实验，结果显示，经过算法改进后，路面裂缝识别更加精准。
关键词：路面裂缝识别 OpenCV 选择滤波器
中图分类号：TP274
文献标识码：A
文章编号：1672-3791(2019)03(b)-0055-02
1 利用原始Canny算子检测路面裂缝时的缺陷 O p e n C V是图 像 识 别 领域 广 泛使 用的图 像 处 理 函 数
库，使 用 O p e n C V 提 供 的库函 数，可以极 大 地 提 升 开发 速 度，降 低 开发 难 度。沥 青路面 裂 缝的 检 测，本质 上 是 提 取 裂 缝 边 缘的过 程，O p e n C V 对于 边 缘 提 取，有许 多成 熟的 函数，其中，Canny算子就是被广泛使用的边缘提取函数。 但是，在应用中发现，OpenCV自带的原始Canny算子，对图 像的预处理，使用的是高斯平滑滤波器，虽能一定程度上 抑制图像噪声，但 是 对于 诸如椒 盐噪声在内的其他噪声， 降噪效果不能达到预期，同时，由于该滤波器的局限性，在 图像处理中，往往会将某些冲击噪声识别为待检测边缘。 另一方面，在利用Sobel计算坐标方向时，对噪声敏感度过 高，这也使 得该 方 法很容易将非噪声信号 识 别为噪声，从 而丢失细节信息。
公路路面裂缝图像识别技术研究
公路路面裂缝图像识别技术研究发布时间：2023-02-17T05:23:25.423Z 来源：《中国建设信息化》2022年10月第19期作者：熊雪平[导读] 阐述公路路面常见裂缝的形式及产生原因，对基于图像处理的路面裂缝识别技术进行分析，采用对比度增强和高斯滤波对图像像素进行增强处理，基于中值滤波算法对采取的图像进行初期降噪处理，采用Prewitt算子分割法和Otsu阈值分割算法对图像进行分割处理，得到路面裂缝图像背景和目标明显区分效果图，便于采用计算机进行后期识别和分类分析，供同类工程参考。
熊雪平邵阳通泰路桥建设有限公司湖南省邵阳市、422000摘要：阐述公路路面常见裂缝的形式及产生原因，对基于图像处理的路面裂缝识别技术进行分析，采用对比度增强和高斯滤波对图像像素进行增强处理，基于中值滤波算法对采取的图像进行初期降噪处理，采用Prewitt算子分割法和Otsu阈值分割算法对图像进行分割处理，得到路面裂缝图像背景和目标明显区分效果图，便于采用计算机进行后期识别和分类分析，供同类工程参考。
关键词：公路路面裂缝；图像识别；技术研究1公路路面常见裂缝种类的分析高速公路路面裂缝在施工因素、气候条件、交通通行量及车辆类型等综合因素作用下产生，其主要形式包括：横向裂缝、纵向裂缝、网状裂缝和块状裂缝。
横向裂缝是由于修筑初期路基压实不足产生的，主要出现在高速公路路面的侧边，受到路面车辆长时间的碾压，裂缝越来越大。
其主要特征为裂缝的分布相对规则，裂缝纵向间距较大，方向为垂直道路中线方向。
纵向裂缝的产生主要是由于路面加宽压实不足、路面修筑时纵向连接处处理不当及重载车辆过度行驶等原因造成，裂缝特征为长度和深度较大，深度一般为5～40mm；长度较长，可达几十米，裂缝的宽度在1～5mm不等，中部一般较大，两边部分较细浅；方向与公路中线平行。
网状裂缝产生的原因是路面基础层软化、稳定性不强和整个路面强度不足等因素引起，其特征为：裂缝的缝间距40cm以下，宽度一般大于0.1cm，其短边的长度一般低于0.4mm，裂缝区域的面积往往大于10m2，其形状多为不规则结构。
基于图像处理技术的隧道裂缝检测综述
隧道裂缝检测技术发展趋势
智能化：利用人工智能和机器学习技术提高检测准确性和效率。 自动化：实现自动识别、定位和记录，减少人工干预和误差。 实时化：提高检测速度和实时反馈能力，满足快速检测和安全监控的需求。 精细化：提高检测精度和分辨率，实现更细微裂缝的检测和评估。
基于图像处理技 术的隧道裂缝检 测方法
基于灰度图像的隧道裂缝检测方法
灰度图像处理：通过灰度化处理，将彩色图 像转换为黑白图像，便于后续处理和分析。
图像增强：采用直方图均衡化、对比度拉伸 等算法，提高图像的对比度和清晰度，以便 更好地识别裂缝。
边缘检测：利用边缘检测算法，如Sobel、 Canny等，检测出图像中的边缘信息，以便 进一步提取裂缝特征。
形态学处理技术：通过膨胀、腐蚀等形态学操作，对图像进行降噪和细化，提高裂缝检测的准确性和可靠性。
隧道裂缝检测技 术发展历程
传统隧道裂缝检测方法
传统隧道裂缝检测方法主要是通过人工巡检和望远镜观察进行检测。
这些方法不仅效率低下，而且检测精度和可靠性也难以保证。
随着技术的发展，传统隧道裂缝检测方法逐渐被基于图像处理技术的检测方法所取代。
基于深度学习的隧道裂缝检测方法
深度学习模型：卷积神经网络 （CNN）
数据预处理：图像增强、去噪 等
训练过程：使用大量带标签的 裂缝图像进行训练
检测效果：准确率高，对复杂 背景和裂缝形态具有良好的适 应性
隧道裂缝检测技 术应用案例分析
实际应用案例介绍
案例名称：某高速公路隧道裂缝检测
案例简介：该案例采用了基于图像处理技术的隧道裂缝检测系统，实现了快速、 准确地对隧道裂缝进行检测和分析。
恶劣环境下的工作能力：隧道内部的环境通常比较恶劣，如潮湿、黑暗、灰尘等，对检测设备的稳定性 和可靠性提出了更高的要求。
基于DSP的沥青路面裂缝图像处理系统研究
（ｃ ｏ ｌ ｆｎｏｍａ ｏ ｎ ｉｅｒ ｇ Ｃ ａｇ ａ ｉｅ ｉ ， Ｘ ’ｎ７０ ６ ， Ｃ ｉａ Ｓ ｈ ｏ ｏ Ｉｆｒ ｔ ｎＥ ｇｎ ｅ ｎ ， ｈｎ ’ｎ ｖ ｒ ｔ ｉ ｉ Ｕｎ ｓ ｙ ｉａ １０ ４ ｈｎ）
ｉ ｕ ｉ ｄａ ｄｄ ｓｇ ｅ ．Ｃｏ ｉ ａ ｉ ｎｏ ＤＳ ｃ ｎ ｌ ｇ ｅ ，ｈ ｗ ｌ ｅ ｓ ｔｄｅ ｅｉｎ ｄ ｓ ｎ ｍｂ ｎ ｔ ｆ Ｐ ｔ ｈ ｏ ｏ ｉｓ ｏ ｔ ｓ ｖ Ｐ ｉ ｇ ｒ ｃ ｓ ｉ ｇｐ ｏ ｌｍｓ ｆ ｈ ｓ ｈ ｌ ｐ ｖ ｍｅ ｔ ｕ ｆｃ ｏ ｅ ｏｏ ＤＳ ｍａ ｅ ｏ ｅ ｓｎ ｒ ｂ ｅ ｔ ｅ ｐ ａｔ ａ ｅ ｎ ａ ｅ ｐ ｏ ａ ｓ ｒ ｃ ａ ｋ ｇ ｃ ｕ ｓｔ ｎ ｓ ｓｅ ｉ ｇ ｖ ｎ ｉ ｃｕ ｉ ｇｃ ａ ｋ ｅａ ｅ ， ｃ ｒ ｕ ｆｒ ｎ ｅ ｔ ｐ ， ｌｎ ｔ ， ａ ｅ ａ ｅｗｉ ｔ ， ｔ ｅｐ ｒ ｅ ｔ ｇ ｒ ｃ ｓｉ ｍａ ｅ ａ ｑ ｉｉｉ ｙ ｔ ｍ ｉｅ ， ｎ ｌ ｄ ｎ ｒ ｃ ｓｉ ｔ ｒ ａ ｏ ｓ ｎｈ ｉ ｍ ｅｅ ｃ ， ｙ ｅ ｅ ｇｈ ｃ ｖ ｒｇ ｄｈ ｈ ｅｃｎ ａ ｅ
ｏ ｃ ｒ ｃ ｓ Ｂｙ ａ ｏ ｔ ｇ ｔ ｅｃ ｎ ｒ ｌ ｙ ｔ ｍ ｎ ｓ ｕ ｄ ｏ ｘ ｅ ｍｅ ｔ， ｃ ｍｐ ｒ ｇ ａ ａｙ ｉ ｇ ａ ｄｐ ｏ ｅ ｓ ｒ ｈ ｅ ｕ ｔ ｆ ｆ ｕ ｈｃａ ｋ ． ｓ ｄ ｐ ｉ ｏ ｔｏ ｓｅ ｔ ｆ ｉｈ ｏ ｔ ｏ ｒ ｐ ｒ ｎ ｈ ｓ ｏｉ ｅ ｉ ｎｓ ｏ ａ ｉ ， ｎ ｌ ｚｎ ｒ ｃ ｓ ｉ ｆ ｅｒ ｓ ｌ ｏ ｎ ｎ ｎｇ ｏ ｔ ｓ ｔ ｅａ ｑ ｉｉ ｏ ｇ ｓｉ ｉ ｈ ｓ ｅ ｄ ｏ ｖ ｈ ｃ ｅ ， ｔ ｅｄ ｓｇ ｓｅ ｉ ｒ ｖ ｄ ｔ ｅｏ ｔ ｅｆ ａ ｉ ｉ ｔ ｎ ｒ ｃｉ ａｉ ． ｈ ｃ ｕ ｓ ｉ ｎ ｉ ｔ ｍａ ｅ ｈ ｇ ｅ ｆ ｅ ｉｌ ｓ ｈ ｅ ｉ ｎ ｓ ｔｍ ｐ ｏ ｅ ｂ ｆ ｈ ｓｂ ｌ ｙ ａ ｄ ｐ ａ ｔ ｌ ｙ ｎ ｐ ｙ ｓ ｏ ｅ ｉ ｃ ｔ
关于数字图像处理的路面裂纹识别系统的图像配准
关于数字图像处理的路面裂纹识别系统的图像配准摘要：数字图像处理在路面裂纹识别中应用广泛，目前各种算法的准确性和稳定性仍有待提高。
本文提出了一种针对路面裂纹的数字图像处理技术，采用了图像配准和分割算法，能够准确快速地进行裂纹划分。
在实际应用中取得了较好的效果，能够更好地辅助路面维护工作。
关键词：数字图像处理，路面裂纹识别，图像配准，分割算法，维护正文：一、引言路面裂纹识别是道路维护工作的重要环节之一，随着数字图像处理技术的发展，数字图像处理在路面裂纹识别中的应用越来越广泛。
然而，目前的数字图像处理算法准确性和稳定性还有待提高。
本文提出了一种基于图像配准的路面裂纹识别系统，能够在路面维护中起到较好的辅助作用。
二、图像配准图像配准是数字图像处理中的一个重要步骤，其目的是将多幅图像进行准确的重叠，以实现后续处理的精度。
在路面裂纹识别中，由于路面状况的不同，每次拍摄的图像也会有所不同，而图像的配准则可以保证后续的识别和分割能够更加准确地进行。
本文采用了基于特征点匹配的配准方法，通过选取图像中的特征点，计算这些特征点的相互位置关系，最后得到一个包含配准变换的矩阵，可以将多幅图像进行重叠。
三、分割算法在路面裂纹识别中，分割算法是一个比较复杂的过程，其目的是将裂纹区域和非裂纹区域进行区分。
本文采用了改进的聚类算法，将不同的像素值通过迭代的方式进行聚类，实现裂纹区域和非裂纹区域的分离。
值得注意的是，在聚类算法中采用了自适应的聚类阈值，能够适应不同场景下的不同光照和路面情况，提高了算法的准确性和稳定性。
四、实验结果本文将提出的路面裂纹识别系统应用于一些实际情况中，并进行了数次实验。
实验数据表明，本文提出的算法有效地处理了路面图片中的裂纹问题，在实际应用中取得了较好的效果，能够为路面维护部门提供更好的辅助工具，提高路面的维护质量。
五、结论本文提出了一种基于图像配准和分割算法的路面裂纹识别系统，能够在路面维护中起到较好的辅助作用。
基于机器学习和图像处理的路面裂缝检测技术研究
第52卷第7期2021年7月中南大学学报(自然科学版)Journal of Central South University (Science and Technology)V ol.52No.7Jul.2021基于机器学习和图像处理的路面裂缝检测技术研究张伟光1，钟靖涛1，于建新2，马涛1，毛硕1，石艺兰1(1.东南大学交通学院，江苏南京，210096；2.河南理工大学土木工程学院，河南焦作，454003)摘要：基于机器学习，设计路面裂缝的快速检测算法，搭建卷积神经网络，对沥青路面图像进行收集和处理，分析多层感知机和卷积神经网络两类神经网络模型在沥青路面状态识别的效果。
采用高精度卷积神经网络识别算法提高图像识别效率，借助混淆矩阵对比分析2类模型的识别准确率，对比空间域滤波、阈值二值化以及形态学滤波3类裂缝图像的处理方法，进行裂缝形态提取。
研究结果表明：卷积神经网络模型准确率为99.75%，精度比多层感知机的高，能够对无裂缝、横向裂缝、纵向裂缝以及龟裂4类裂缝图像进行高精度识别。
中值滤波算法能够有效提取路面裂缝的长度、宽度和面积，研究成果可用于路面裂缝快速检测。
关键词：路面裂缝；卷积神经网络；图像处理；裂缝几何特性中图分类号：U416.2文献标志码：A开放科学(资源服务)标识码(OSID)文章编号：1672-7207（2021）07-2402-14Research on pavement crack detection technology based onconvolution neural networkZHANG Weiguang 1,ZHONG Jingtao 1,YU Jianxin 2,MA Tao 1,MAO Shuo 1,SHI Yilan 1(1.School of Transportation,Southeast University,Nanjing 210096,China;2.School of Civil Engineering,Henan Polytechnic University,Jiaozuo 454003,China)Abstract:Based on machine learning,a fast detection algorithm of pavement cracks was designed,and a convolution neural network was built to collect and process the asphalt pavement image.The effect of two kinds of neural network models,multilayer perceptron and convolutional neural network,in asphalt pavement state recognition was analyzed.The high-precision convolution neural network recognition algorithm was used to improve the efficiency of image recognition.The recognition accuracy of the two types of models was compared收稿日期：2020−09−21；修回日期：2020−11−09基金项目(Foundation item)：高寒高海拔地区道路工程安全与健康国家重点实验室开放基金资助项目(YGY2020KYPT-02)；国家自然基金资助项目(51674100)(Project(YGY2020KYPT-02)supported by Open Fund Program of State Key Laboratory of Road Engineering Safety and Health in Alpine and High Altitude Areas;Project(51674100)supported by the National Natural Science Foundation of China)通信作者：于建新，博士，讲师，从事岩土工程防灾减灾，爆破理论及应用等研究；E-mail:*****************.cnDOI:10.11817/j.issn.1672-7207.2021.07.026引用格式：张伟光,钟靖涛,于建新,等.基于机器学习和图像处理的路面裂缝检测技术研究[J].中南大学学报(自然科学版),2021,52(7):2402−2415.Citation:ZHANG Weiguang,ZHONG Jingtao,YU Jianxin,et al.Research on pavement crack detection technology based on convolution neural network[J].Journal of Central South University(Science and Technology),2021,52(7):2402−2415.第7期张伟光，等：基于机器学习和图像处理的路面裂缝检测技术研究and analyzed with the help of confusion matrix.Three kinds of processing methods of extracting crack image were compared,which were spatial domain filtering,threshold binarization and morphological filtering.The results show that the accuracy of the convolutional neural network model is99.75%,which is higher than that of the multi-layer perceptron.It can recognize four kinds of crack images with high accuracy,including noncrack, transverse crack,longitudinal crack and alligator crack.Median filtering algorithm can extract the length,width and area of pavement cracks effectively,and the research results can be used for rapid detection of pavement cracks.Key words:pavement crack;convolution neural network;image processing;crack geometry characteristics传统的路面病害检测以人工为主，对同一路面状况的评价存在极大的主观性，并且效率很低，不能够处理大量的信息。
基于图像处理的公路路面缺陷自动检测技术研究
基于图像处理的公路路面缺陷自动检测技术研究摘要公路路面缺陷对行车产生安全隐患，因此需要对公路路面进行定期的检测和维护。
传统的路面检测方式是通过人工巡查进行，无法满足实际需要。
基于图像处理的公路路面缺陷自动检测技术可以更加准确和高效地检测和维护公路路面。
本文介绍了基于图像处理的公路路面缺陷自动检测技术的研究现状和发展趋势，分析了各种算法的优缺点，并提出了一种基于深度学习的公路路面缺陷自动检测方法。
实验结果表明，该方法具有较高的检测精度和鲁棒性，可以有效地应用于公路路面缺陷自动检测领域。
关键词：公路路面，缺陷检测，图像处理，深度学习1. 前言公路路面是人们出行的重要交通工具，公路路面缺陷会对行车产生安全隐患。
传统的路面检测方式是通过人工巡查进行，这种方法既费时又费力，无法满足实际需要。
随着计算机技术和图像处理技术的发展，基于图像处理的公路路面缺陷自动检测技术可以更加准确和高效地检测和维护公路路面。
现有的缺陷检测方法主要基于图像处理和机器学习技术，如基于传统特征提取的方法、基于机器学习的方法等，这些方法虽然可以对公路路面进行缺陷检测，但是具有一定的局限性和缺陷。
随着近年来深度学习技术的发展，基于深度学习的公路路面缺陷自动检测方法得到了广泛的应用。
深度学习方法具有强大的特征学习和表征能力，可以更好地提取图像中的关键特征，因此可以更加准确地检测和定位公路路面缺陷。
在本文中，我们将介绍基于图像处理的公路路面缺陷自动检测技术的研究现状和发展趋势，以及各种算法的优缺点。
此外，我们还将提出一种基于深度学习的公路路面缺陷自动检测方法，并通过实验来验证该方法的检测效果。
2. 主要路面缺陷(1)沥青路面龟裂：路面裂缝比较细，多数似网状分布。
(2)沥青路面龟裂：路面裂缝比较宽。
(3)沥青路面起鼓：沥青路面局部或整体凸起，一般的造成因素是路面下基础结构凹陷或存在松动或空心现象。
(4)黑色素沥青驳岸路面不平整：路面出现了高低差，一般来说高低差不超过20毫米。
基于视觉图像处理的路面裂缝量测算法研究
第３ ５卷 ， ２期 第 ２ ０ １０ 年 ４ 月
公 路 工 程
Ｈｉ ｈ ｙ Ｅｎ ｉ ｅ ｒｎ ｇ ｗａ ｇ ｎ ｅ ｉ ｇ
Ｖｏ ． ５， Ｎｏ ２ １３ ．
Ａｐｒ． ，２０ １０
基 于视 觉 图像 处 理 的路 面 裂 缝量 测算 法研 究
李 勇 刘 军 ，肖 宇 ，
［ 关键 词 ］高 速公 路 路 面 ；图像 处理 ； 器 视 觉 ；裂 缝 ； 机
［ 图 分 类 号 】Ｕ４ ８ ６ 中 １ ． ６
【 献 标 识 码 ］Ｂ 文
［ 文章 编 号 ］１７ — ６ ０ ２ １ ）２ ００ — ４ ６４ ０ １ （ ００ ０ — １４ ０
Ａ ｅ ｓ ｅ ｅ ｔ Ｒｅ ｅ ｒ ｈ ｏ ｇ Ｍ ａ ｕｒ ｍ ｎ ｓ ａ ｃ ｆＨｉ ｈｗａ ｖ ｍ ｅ ｔ Ｃｒ ｃ ｓ ｙ Ｐａ ｅ ｎ ａ ｋ Ｂａ ｅ ｎ Ｖｉｕ ｌＩ ａ ｅ Ｐｒ ｃ ｓ ｉ ｇ ｓ ｄ ｏ ｓ ａ ｍ ｇ ｏ ｅ ｓｎ
㈩
第 ２期
李 勇 ， ： 于 视 觉 图 像 处 理 的 路 面裂 缝量 测 算 法 研 究 等 基
１５ ０
然 而 ， 只是个 理 想 模 型 ， 中 ， 这 其 我们 忽 视 了几
个 重 要 的情 况 ：
相 机坐标 系 和世界 坐标 系 。
设 （ 表示 以像 素 为 单位 的图像 坐 标 系 的坐 ，） 标 ， ） 表示 以毫 米为 单 位 的图像 坐 标 系的 坐标 。 （ ， ， ）
公路路面裂缝类病害图像处理算法研究
文章编号 &""!<6##&<（ !""# ） #%<"!&!<"!
!"#$% &’()%**+,$ -.$(’+/0" 1(’ 2%/%)/+,$ /0% %"%,/ 4’#)5 2+*%#*%*
6+ 7+,08+
（ I,0/5C=,3C *J K*=0DC,5 )12,31, /3L ;3M23,,523M ， N2O/3 P3AC2CDC, *J F,1?3*-*MQ ， N2O/3 :&""#!）
路路面裂缝类病害的识别检测过程中， 边缘检测算法在很大程 度上影响识别和检测的效果与精度。 图像最基本的特征是边缘， 它是图像分割所依赖的最重要 的特征， 也是纹理特征的重要信息源和形状特征的基础。经典 的、 最简单的边缘检测方法是对原始图像按像素的某邻域构造 边缘检测算子。常用边缘 检 测 算 子 有 ： 梯度算子、 )*+,- 算 子 、 梯度算子基本思 ./0-/12/3 算子、 4/55 算子等。在这些算法中， 想简单， 运行速度较快， 但是梯度算子只有水平和垂直两个方 向的模板， 其模板方向仅表示灰度变化的梯度方向， 而不是图 像的实际边缘方向。 )*+,- 算子运行速度较块，能滤除一些噪 声， 去掉部分伪边缘， 并可提供最精确的边缘方向估计， 同时，
!" （ / 4） < @)A !" （ /）
7"/ "&
!
!
对当前图像采用最大类间方差算法进行图像分割， 得到裂 缝的最终二值化图像。如图 ! 所示。
基于数字图像处理技术的路面裂缝检测算法研究
单位代码： 10293 密 级：硕 士 学 位 论 文论文题目： 基于数字图像处理技术的路面裂缝检测算法研究Y001090429 胡世昆 李晓飞 教授 信号与信息处理信息网络与多媒体技术工学硕士 二零一二年二月学号姓名导 师学 科 专 业 研 究 方 向 申请学位类别 论文提交日期南京邮电大学学位论文原创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。
尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。
与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。
本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。
研究生签名：_____________ 日期：____________南京邮电大学学位论文使用授权声明本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索；可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。
本文电子文档的内容和纸质论文的内容相一致。
论文的公布（包括刊登）授权南京邮电大学研究生院（筹）办理。
涉密学位论文在解密后适用本授权书。
研究生签名：____________ 导师签名：____________ 日期：_____________南京邮电大学硕士学位论文摘要学科、专业：工学信号与信息处理研究方向：信息网络与多媒体技术作者：2009级研究生胡世昆指导教师：李晓飞题目：基于数字图像处理技术的路面裂缝检测算法研究英文题目：Research on Pavement Crack Detection Algorithom based on Digital Image Processing主题词：数字图像处理；路面裂缝；图像增强；图像分割；裂缝分类Keywords:Digital Image Processing；Pavement Crack；Image Enhancement；Image Segmentation；Crack Classification南京邮电大学硕士研究生学位论文摘要摘 要在公路养护中，路面裂缝是衡量公路质量最重要的一个指标，目前国内主要依靠人工来检测高速公路的路况，不仅会受到养护工主观意识的影响，而且还浪费了大量的人力资源，因此基于数字图像处理技术的路面裂检测技术成为路面裂缝检测发展的必然趋势，这种检测技术可以准确快速的对路面情况作出评价。
高等级沥青公路路面裂缝图像处理技术
像 。７是对ｌ １ 厂的某种增强操作。如果 ７定义在每个（ ， ） １ Ｙ
参 数 ７可 取 图像 的 全 局 阈值 。用 这 个 全 局 阈 值 将 图 －
上的。则 ７ １ 为点操 作；如果 ７定义在 ｘ， ） １ Ｙ 的某一个领域 像 的 灰 度 值 分 为 两 部 分 ， 部 分 灰 度 值 大 于 ７。 另 一 部 一 － 上 ，则 ７为模板操 作 。 １ 分灰度值小 于 ７ － 。分别 求出这两部 分的平均灰度值 作为
２ １ 直 方图均衡 化 ．
像 素 是 “ 晰 ” 像 素 。对 应 于黑 色 或 白色 像 素 。这 部 分 清
直 方 图 是 多 种 空 间 域 处 理 技 术 的 基 础 。 直 方 图操 像 素将 不 进行 增 强运 算 ；隶 属度 （ ／≠ ０或 （ ／≠ ， ） ， ， ） ， 作 能 够 有 效 的 应 用 于 图 像 增 强 。 这 种 变 换 方 法 适 用 于 １的像 素对 应 于 “ 糊 ”像 素 。如 果 （，／＜ ． 。则 该 模 ｆ ） ０５
（ Ｊ ｆ） ，
２
ｆＴ２ ！１ｆ！ 二］≤“） ２ 、 二Ｔ ～
一 一
ｆ １ｒｉ ） １ ｉ ／ 祧 ． ＜ （
其 中 ｆ（ ， ） 输入 图像 。ｇ （ ， ） Ｙ是 Ｙ 是处 理 之后 的 图
缝病 害类型 。在本 文中 ，我们针对 ＣＭＯＳ 图像成像 特 音 ， 由不 同 材 料 粒 度 及 不 同 材 料 颗 粒 之 间 的 间 隔 产 生 ， 点 ，采 用模糊 图像增强 阈值 分割和噪音消除等方法对 是一个随机 高频率 、中低 幅值的信号【］ １。从 裂缝 图像 所 采集 到 的裂缝 图像 进 行处 理 ，以便于 后续 裂缝 类 型 灰 度 直 方 图 上 来 表 现 的 话 ，就 是 直 方 图 表 现 出 “ 峰 ” 单 的 识别和 破损 程度 的评 估 。
基于直方图估计和形状分析的沥青路面裂缝识别算法
图像 分 为 ２６个 ６ ６ ５ ４× ４像 素 大 小 的子 块 ， 后 采 用 直 方 图估 计 的方 法 获 得 每 个 子 块 图像 原 始 直 方 图 的混 合 高 斯 拟 合 函数 ， 然 两
个高斯函数的交叉点 即是每个子块图像 的最优分割闾值 。利用该 阈值对整 幅图像进行二值化后 ， 在两种尺度条件 下采 用形 状
分 析 方 法 对子 块 二 值 图 像 进 行快 速分 类 和 “ 点 ” 除 ， 终 实 现 了 裂缝 区 域 的精 确 定 位 。试 验 结 果 表 明 ： 文 提 出 的 阈值 分 野 删 最 本
割方法应 用于裂缝 图像分割 ， 其性能要优 于极小误差法 、 ｓ Ｏｔ ｕ阈值法 、 最大熵法等经典算法 ； 采用形状分析对分割后二值化图像
Ａｓ ａ ｔｐ ｖ ｍ ｅ ｔ ｃ ａ ｋ ｒ ｃ ｇ ｔｏ ｌ ｏ ｉｈ ｓ ｄ ｏ ｉｔ ｇ ａ ｐｈ ｌ ａ ｅ ｎ ｒ ｃ ｅ ｏ ｎｉｉ ｎ ａ ｇ ｒｔ ｍ ｂａ ｅ ｎ ｈ ｓ ｏ ｒ ｍ ｅ ｔｍ ａ ｉ ｎ ａ ｈａ ｎａ ｙ ｉ ｓ ｉ ｔｏ ｎｄ ｓ ｐｅ ａ ｌ ｓｓ
基 于 直 方 图估 计 和 形 状 分 析 的 沥 青 路 面 裂缝 识别 算 法 木
徐 志刚 ， 祥模 ，宋焕生 ，雷 涛 ，韦 娜 赵
（ 安 大 学 信息 工 程 学 院 长 摘 西安 ７ ０６ ） １０４
要 ： 出 了一种 基 于直 方 图 估计 和形 状 分 析 的 沥 青路 面 裂缝 识 别 算 法 ， 算 法 首 先 将 １ ２ 提 该 ４×１０４像 素 大小 的 路 面 裂 缝 ０ ２
进 行后 续 处 理 ， 可实 现 裂 缝 区 域 的快 速 、 准确 定 位 。
关键词 ： 图像处理 ；路面裂缝检测 ；阈值分割 ； 直方图估计 ； 形状分析 ； 神经网络
基于图像处理和深度学习的沥青路面裂缝检测技术研究
基于图像处理和深度学习的沥青路面裂缝检测技术研究摘要：随着我国经济的高速发展，公路总里程呈现增长逐年放缓的态势，从高速增长阶段进入到建设养护并行阶段。
本文分析了路面检测技术的3个阶段；概述了深度学习的概念原理；论述了基于深度学习的沥青路面裂缝检测技术的发展历程与不足。
研究表明为了减少外界因素对现有检测技术和检测设备的干扰，提高检测信号的信噪比，应该开发适合各种情况下的路面检测和数据处理方法，实现路面检测高效化。
关键词：养护；深度学习；裂缝检测；高效化一、引言截至2021年末，我国公路总里程预计达到520万公里，相比于新中国成立之初全国能通车的公路仅有8.08万公里，如今我国的路网保有量已位居全球第一。
其中高速公路里程、全国四级及以上等级公路里程、二级及以上等级公路里程分别达到13.65万公里、433.86万公里、62.22万公里，各乡镇、各建制村完成硬化路面建设的占到整体总数的98%以上。
我国的高速公路路面以沥青路面为主，由于交通量的日益增加，原有设计与施工质量不能满足现有的交通量及车辆荷载，导致公路路基路面出现了各种病害。
如果不及时发现这些病害，路面性能将大大降低，甚至会发生安全事故。
因此，及时地对路面状况进行检测对道路养护尤为重要，通过道路路面检测判断道路的使用情况以及损坏程度，为道路养护管理提供重要依据。
早期，国内外主要采用传统的人工检测。
这种方法浪费了大量人力资源，且检测时间长，准确度不够。
从1990年代以来，随着计算机技术和数字图像采集处理技术的发展，国内外在基于图像处理技术的路面病害检测已成为主要的研究方向。
二、深度学习概述深度学习是一种特殊的机器学习方法，它是机器学习的一大分支。
深度学习的基本结构就是深层神经网络，它的构思来源于生物神经系统实验，模仿动物神经网络行为特征。
1981 年Roger等经过多年的实验发现了人的视觉系统从低层到高层抽象、从稀疏表达到抽象化原理，越到最后越能表达清楚意图。
图像数据处理机制在沥青道路裂缝病害识别算法训练中的应用
2021年9期创新前沿科技创新与应用Technology Innovation and Application图像数据处理机制在沥青道路裂缝病害识别算法训练中的应用*韩海航1，张丽2，吴皓天2，陈海珠2，胡迪2（1.浙江省交通运输科学研究院，浙江杭州311305；2.浙江网新数字技术有限公司，浙江杭州310030）引言裂缝作为沥青路面主要病害之一，自动化采集路面裂缝图像已成为当前路况调查普遍方式，但由于裂缝类型较多，图像类型纷繁复杂，数据质量干扰因素大，一直难以采用机器自动识别的方法处理。
近年来，诸多研究人员尝试采用人工智能方法进行路面裂缝自动识别。
谭晓晶对采集到的裂缝图像进行像素标定、灰度转换、去噪、阈值分割、中值滤波等步骤，再提取裂缝的图像特征信息，计算裂缝的宽度和长度，最后采用试验方法验证该方法的识别精度。
试验结果表明，该方法能准确有效地检测出裂缝[1]。
卢印举提出一个利用全局K-Means 和高斯混合模型来对路面裂缝图像进行分割的方法。
通过仿真图像和实际裂缝图像实验结果显示，该方法比使用传统K-Means 算法和普通GMM 的分割方法精度更高、稳定性更好[2]。
雷宏卫将加噪灰度网状裂缝图像经小波软阈值去噪增强后，使用Ostu 算法将图像二值化，得到的网状裂缝清晰地目标图像[3]。
王永会针对从复杂的道路背景中难以有效识别路面裂缝的问题，提出了一种基于分数阶傅里叶变换和频谱增强处理的路面裂缝图像识别方法。
与小波变换（WT ）检测算法相比，分数阶傅里叶变换检测图像在准确率和召回率上分别提高了14.35%和17.1%[4]。
胡敏为了有效提高生成式网络下路面裂缝检测精度，针对路面裂缝图像的复杂多样性，提出一种基于分水岭算法的路面裂缝图像检测识别方法。
结果表明：路面裂缝图像检测识别方法检测时间较短、检测准确率较高、误报率较低[5]。
魏海斌基于为了Matlab 软件平台提出了沥青路面裂缝宽度检测方法。
市政道路沥青路面水稳基层裂缝检测方法分析
市政道路沥青路面水稳基层裂缝检测方法分析摘要：本文笔者针对传统检测道路裂缝方法中存在的一系列不足之处，提出一种基于图像处理的城市道路沥青路面水稳基层裂缝检测方法。
希望能为相关工作者提供参考作用。
关键词：市政道路；沥青路面；检测方法；一、城市道路沥青路面水稳基层裂缝检测1.道路基层裂缝图像采集及预处理该设备主要由以下 5 个系统组成: 数字激光断面系统、图像系统、几何系统、GPS系统及处理软件系统。
这5个系统都运用核心部件向传感器发送相同的信号，实现统一控制和管理。
采用强度归一化和像素饱和化对采集的图像进行预处理，以降低环境因素对图像造成的影响。
首先将彩色图像转化成灰度图像，将灰度图像划分成18行、23列的像素图像块，计算每个像素块的均值和标准差，得出18* 23的均值矩阵 Mm和标准差矩阵 STDm。
对Mm矩阵的横向和纵向进行搜寻，找出含有裂缝的像素块，对其进行预标记，该做法的目的是将含有裂缝的像素图像块标记为1，不含有裂缝的像素块标记为0。
首先对 Mm矩阵进行纵向搜寻，预标记的方法表示为：式中: k1= 0.4和k2=2.0表示经验值在k1和k2时，预标记反应的检测质量指标值(Fm)最高。
当图像像素块(i，j)局部平均像素强度值的变化比所在列平均像素强度值的变化大、与像素块(i，j)相邻部分的像素强度平均值的变化比像素块的平均像素强度值大时，像素块(i，j)即为含有基层裂缝。
纵向搜寻完成时会形成一个以 plbv计算结果为参考的二值矩阵。
按照纵向搜寻的方式进行水平方向搜寻，Ah 和Bh 分别代替 Av 和 Bv，预标记方式如下:经过水平搜寻后，根据值创建新的二维矩阵，该矩阵与 Mm具有相同的维数。
经过上述图像预处理，可得出图像含有道路基层裂缝的部分。
在图像采集的过程中，由于光线不同，导致图像的亮度不同，采用图像像素强度归一化处理可缓解这个问题。
首先计算每个图像不含有裂缝像素块的平均像素强度值的平均值bilimg。
基于直方图估计和形状分析的沥青路面裂缝识别算法
=
a e- ( i- uc ) c
/ (2
b)
+
Ec ( i)
( 2)
式中: E b ( i) 和 E c ( i) 为随机噪声, 则子块图像的直方图
函数为二者的叠加, 即:
H ( i) = H b ( i) + H c ( i) =
a e + E ( i) + a e + E ( i) - ( i- ub) 2 /( 2
3 基于直方图估计的阈值分割算法
在对路面图像进行分块后, 需要对每一 个图像子块
进行自动阈值分割。根据裂缝性质 5 可知图像子块内背
景直方图 H b ( i) 和裂缝直方图 H c ( i ) 均近似服从高斯分 布, 因此可以用直方图拟合的方法估计 出这两个高斯分
布函数的参数, 高斯函数的相交处即为 子块图像分割阈 值 T 。利用多个高斯分布的叠加来对直方图进行逼近是
摘 要: 提出了一种基于直方图估计和形状分析的沥青路面裂 缝识别算法, 该算 法首先将 1 024 ! 1 024像 素大小 的路面裂 缝 图像分为 256个 64 ! 64像素大小的子块, 然后采用直方图估计的方法获 得每个子 块图像原始 直方图的 混合高 斯拟合 函数, 两 个高斯函数的交叉点即是每个 子块图像的最优分割阈值。利用该阈值对 整幅图像 进行二值化 后, 在 两种尺度条 件下采用 形状 分析方法对子块二值 图像进行快速分类和 野点 删除 , 最终 实现了 裂缝区域 的精确 定位。试 验结果表 明: 本文提 出的阈值 分 割方法应用于裂缝图 像分割, 其性能要优于极小误差法、O stu阈值法、最大熵法等经典算法; 采用形 状分析对分割后二值化图像 进行后续处理, 可实现裂缝区域的快速、准确定位。 关键词: 图像处理; 路面裂缝 检测; 阈值分割; 直方图估计; 形状分析; 神经网络 中图分类号: TP391 文献标识码: A 国家标准学科分类代码: 520. 2040