基于计算机视觉的路面裂缝检测研究

基于计算机视觉的路面裂缝检测研究
摘要：随着我国公路使用寿命的增长和交通负荷的增加，路面裂缝检测和养
护已成为道路交通领域的首要任务。

为改善人工检测的准确性不高和效率低的问题，使用计算机视觉技术对图象进行识别处理与计算可一定上程度改善此类问题。

本文主要从路面裂缝成因分析、路面裂缝图像处理、裂缝几何特征提取、裂缝图
像滤波增强算法展开研究，基于计算机对路面裂缝图像进行处理，提取裂缝主要
特征，进行计算分析，从而提高路面裂缝检测的效率和精确度。

关键词：路面裂缝检测；计算机视觉；图像处理；计算分析
0 引言
目前，公路行业将从大规模建设阶段逐步过渡到大规模养护阶段。

行车荷载
导致路面裂缝产生，雨雪等天气加剧路面裂缝破损。

裂缝是路面损害的初期表现
形式，及时检测发现裂缝非常重要。

目前我国的路面裂缝检测主要以人工检测为主，但人工检测主要存在检测效率不高、精确度不高、人工耗费过大、影响正常
交通等缺点，已经不能满足需求越来越大的道路维保检测任务。

随着自动化检测
技术的不断成熟发展，将计算机视觉技术应用于路面的养护检测上，能够对人工
检测的不足加以改善，提高检测的效率及精度[1]。

近年来，机器学习和深度学习相关技术得到了井喷式发展，其对图像的识别
检测拥有更强的鲁棒性和准确率。

基于计算机视觉对路面裂缝的识别研究方向大
致分为基于数字图像处理和基于深度学习[2]。

路面病害的修补与参数测量计算逐
渐结合机器视觉技术被广泛应用于路面养护、路面材料与结构设计和路面性能评
价分析等领域。

1路面裂缝分析
1.1路面裂缝成因分析
造成路面裂缝的原因有很多种，外部原因主要是路面行车数量的增加、超载、施工标准不合格以及自然环境等因素的影响，内部原因主要为路面建设时地基不
牢靠、填土不均匀以及路面材料质量不合格等原因。

这些原因都会使得路面出现
不同程度的损坏，因此路面损坏所表现出的形式和特征也是多种多样的[3]。

2裂缝图像数据采集
2.1路面裂缝图像数据采集
表1摄像头参数
型号传感器
参数像素厂商单位像
素尺寸
IMX486CMOS2000w SONY 1.2μm×
1.2μm
为了获取足够多的路面裂缝图像，本文从两个方面收集数据：第一，从Internet上爬取用于路面裂缝检测数据；第二，人工采集并标注路面裂缝图像，建立数据集。

本文在路面裂缝图像采集过程中使用的相机具体参数如表1所示。

3图像预处理与裂缝几何特征提取
3.1 裂缝图像前期预处理
本文采用的图像预处理提取分类特征之前进行的图像灰度化和裁剪尺寸的图像预处理较为复杂，进一步增加了直方图均衡化、中值滤波、锐化等处理流程，从而之后能够更好地对裂缝目标进行分割、提取和定位。

3.2 裂缝几何特征提取
经过去噪处理后的图像，裂缝特征明显，通过统计分析白色的像素点，计算裂缝的几何信息。

通过比例尺计算裂缝的长度、宽度和面积等信息。

在计算裂缝宽度时，对于纵向裂缝，统计每一行的灰度为255的像素点信息，记录裂缝最大
宽度，并计算裂缝的平均宽度；对于横向裂缝，则是统计每列的像素信息[4]。

通
过对图像进行细化处理来计算裂缝长度，将裂缝细化成一条单位像素的骨架，细
化后裂缝宽度变为1个像素的线条，通过统计其中灰度为255像素得到裂缝长度[5]。

4裂缝图像滤波与增强算法研究
深度图像是能够较好地反映被测物体的结构信息，不仅表达了被测物体的亮
度信息也表达了被测物体表面与相机之间相应的距离大小。

深度图像通过一定方
式读取了图像中各点的深度值，然后结合二维图像的平面信息得到了所测物体的
三维坐标，从而对被测物体实现三维可视化模型的建立。

4.1 裂缝深度图像的特点及误差分析
路面吸光性对后续的裂缝特征提取和参数测量计算产生很大的影响。

采集路
面裂缝深度图像时，路面较强纹理特征会影响裂缝深度信息的获取和路面裂缝深
度图像的质量。

这些因素都会对后续进行裂缝三维可视化模型的建立及裂缝的参
数检测带来巨大的干扰。

4.2图像滤波
4.2.1滤波算法概述
Kinect二代利用飞行时间原理（TOF）采集的深度图像具有较强的边缘性，对图像进行滤波去噪时对边缘信息进行保留，避免因为平滑降噪造成部分边缘信
息的模糊或丢失，影响后续被测物体的三维重建。

4.2.2中值滤波
中值滤波基于排序统计理论的非线性的滤波算法，对噪声的抑制去除效果较
为理想，将该统计排序的中值作为滤波窗口中心点（x，y）新的像素值，如公式(1)所示：
(1)
中值滤波在对图像去除噪声的同时能够一定程度上保留图像的边缘，但由于
其仅仅只考虑窗口内部元素信息的特点，容易造成滤波过后图像边缘产生抖动或
模糊图像细节。

4.2.3高斯滤波
高斯滤波算法是一种线性的图像平滑滤波算法。

高斯滤波算法中对图像有着
较好的滤波效果，但在对图像实现去除噪声的同时也对图像的边缘信息进行了破坏，极易破坏图像边缘信息。

4.2.4双边滤波
双边滤波算法是共同结合图像各像素点的空间相关性和像素值相关性的一种
处理方法，其权值是根据像素点邻域范围内的像素值相似度的大小来做相应调整，在滤波的同时结合像素值相似度实现保边去噪目的。

上述四种滤波算法都是在像素点及其邻域作滤波算法运算，噪声点与周边像
素点具有较大的像素差值，因此这些算法会导致在一定程度上会模糊边缘信息。

双边滤波不仅对像素点的差值起到限制作用，考虑到图像中各像素点之间的空间
位置关联性，而且涉及到图像各点像素值大小差异的情况，避免对图像进行噪声
去除时破坏图像的边缘信息[6]。

5结语
本文以路面裂缝检测为主要研究目标，以提高裂缝识别准确性为目的，基于
计算机视觉的方法对路面裂缝识别以及路面裂缝特征提取进行描述，对路面裂缝
成因进行分析，梳理识别方法。

通过深度图像的路面裂缝检测与识别，分析裂缝
的几何特性，结合多种算法对噪声进行处理，增强深度图像对比度，保证图像获
取的准确性及稳定性。

参考文献：
[1] 姚立平,潘中良.基于图像处理的路面裂缝检测系统设计与研究[J].广东
石油化工学院学报,2019,29(04):41-44+58.
[2]汪珂.基于计算机视觉的道路路面裂缝检测研究[D].华南理工大学,2020.
[3] 周岚.高速公路沥青路面使用性能评价及预测研究[D].东南大学,2015.
[4] 高建贞,任明武,唐振民,等.路面裂缝的自动检测与识别[J].计算机工
程,2003, 29(2): 149−150.
[5] 张伟光,钟靖涛,于建新,马涛,毛硕,石艺兰.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(07):2402-2415.
[6 ]陈晓明.基于Kinect深度信息的实时三维重建和滤波算法研究[D].上海：上海交通大学,2013。