基于灰度极小值的路面裂缝检测算法

为提高路面裂缝检测的识别准确率、提高检测效率和降低检测成本,提出一种基于灰度极小值的路面裂缝检测算法。算法在不对路面灰度图像做任何预处理和标注训练的前提下,依据路面裂缝灰度极小值直方图提取不同对比度的裂缝特征;根据不同对比度裂缝的灰度空间分布特点,设计不同对比度裂缝多方向激活重构算法;依据裂缝的线性特点设计伪裂缝去除算法,在保留裂缝细节信息的前提下去除伪裂缝。在公共数据集上进行测试,结果表明算法能够检测不同类型的路面裂缝,具有一定的实际应用价值。     

基于图像处理技术的混凝土路面裂缝检测方法

为了提高公路混凝土路面病害的检测效率,采用图像处理技术实现了路面裂缝的自动识别和病害参数的自动提取。首先通过阈值分割法检测出路面裂缝,根据线性和网状裂缝图像背景连通域数量的差异,采用区域标记法计算背景连通域的数量实现了裂缝分类;其次根据线性裂缝几何形态的差异性,通过投影法实现了横、纵和斜向裂缝的细分;最后对线性裂缝提取裂缝骨架并细化求出其长度、平均宽度等病害参数;对于网状裂缝通过求其最小外接矩形计算其破损面积。     

基于改进的分水岭算法的路面裂缝检测

传统的分水岭算法在图像处理中具有保持微弱边缘信息良好的优点,但容易产生过分割问题。针对传统分水岭算法过分割的问题对分水岭合并算法进行了改进,结合沥青路面裂缝特点提出了梯度熵的概念,同时提出了自适应区域合并算法作为判断区域合并的准则,通过该方法在路面裂缝检测上的应用,实验结果表明,该方法与改进前分水岭算法相比,提取出的路面裂缝噪声少,细节保持得好,而且有效地解决了过分割问题。     

基于布谷鸟搜索的路面裂缝图像检测算法

针对路面裂缝自动检测难题,提出一种基于布谷鸟搜索的路面裂缝图像检测算法。首先,将RGB彩色图像转换到HSV空间,并用全变差模型对V分量去噪。然后利用直方图计算图像的初始聚类中心,将其作为搜索域约束进行布谷鸟算法迭代。最后利用K均值计算新的聚类中心,更新当前的鸟窝位置,得到最优图像分割阈值。试验结果表明:提出的算法去噪能力强,分割效果好,能很好地提取路面裂缝,性能优于Otsu算法。     

基于Deepcrack网络的混凝土裂缝检测方法

混凝土结构裂缝对建筑安全构成了极大的潜在威胁,裂缝检测对建筑结构的维护具有重要意义,当前基于深度学习的裂缝检测针对提取裂缝细节的能力仍有待提高。因此,该文对Deepcrack网络进行优化,提出了基于金字塔分割注意力和全局上下文的混凝土裂缝检测算法PG-Deepcrack。首先,在编码器中提出双卷积-注意力并行模块,增加金字塔分割注意力分支为卷积层提供更丰富的多尺度裂缝信息;其次,为了捕获长距离依赖关系,并行模块操作后引入全局上下文模块,进一步提升网络对裂缝细节的表达能力;最后,在特征融合阶段利用全维动态卷积和GELU激活函数,对编解码器特征层联级融合,使网络更全面地保留不同尺寸的裂缝信息并提高模型的泛化性能。为验证网络模型的有效性,在Deepcrack数据集上与7个网络模型进行对比试验,所提出的网络表现了最佳性能,IoU达到了72.78%。     

一种基于集成学习的路面裂缝检测仿真算法

针对当前智能学习算法对道面裂缝识别准确率不高的状况,提出了一种采用集成学习识别道面裂缝的算法.对图像进行栅格化和二值化处理,发现像素均值和像素标准差能够较好地反映裂缝信息,因此提取了像素分布密度、均值和标准差的水平投影和垂直投影作为特征量;引入stacking集成学习算法对裂缝进行检测,以基本分类器的输出作为元数据集,...     

基于卷积神经网络的路面裂缝检测

对路面图像块预标记,根据预标记结果对路面图像进行强度归一化预处理,在保留裂缝信息的同时,减少背景光照不均的影响.将预处理后的路面图像输入卷积神经网络(CNN)模型实现路面图像裂缝的检测.由于路面裂缝分布复杂,在训练网络时,使用不同尺度和不同角度的路面图像进行模型训练,使得网络能够检测不同裂缝形状.实验结果显示:裂缝检测结果较好.     

基于图像显著性的路面裂缝检测

有效的视觉显著性方法能准确快速地帮助人们在大量视觉信息中找到感兴趣的物体.针对实际路面图像噪声成分复杂、覆盖面广的特点,提出一种基于图像显著性的路面裂缝检测算法.该算法对路面裂缝图像分块灰度校正后,根据灰度稀疏性、全局对比度计算粗尺度下的裂缝显著值,然后由裂缝局部亮度、边缘特性、连续性特点进行不断扩张的细尺度的局部邻域显著性增强,再经空间显著性加强后,采用自适应阈值分割提取裂缝.大量的实验结果表明,该算法比传统算法更能正确、有效地检测出裂缝整体区域,抗噪声能力强,漏检率和误检率很低,具有和人类视觉特性相符合的检测结果.     

基于空洞卷积和多特征融合的混凝土路面裂缝检测

混凝土路面的裂缝检测是确保道路安全的重要基础任务。针对混凝土路面的复杂背景和裂缝本身复杂的拓扑结构,提出了一种基于空洞卷积和多特征融合的混凝土路面裂缝检测网络,该网络采用基于U-Net的编码-解码结构。在编码阶段,使用改进的残差网络Res2Net提高特征提取能力;在网络的中间部分,使用串联和并联相结合的不同空洞率的空洞卷积,从而在增加特征点的感受野的同时不会降低特征图的分辨率;在解码阶段,融合了从低层卷积到高层卷积的多尺度和多级特征,提高了裂缝检测的准确性。为证明所提算法的有效性和准确性,将其与现有的部分检测方法进行了比较并使用F-score来评估检测性能。在多个混凝土路面数据集上的实验结果表明,该算法提高了裂缝检测的准确性,具有较好的鲁棒性。     

基于加权融合纹理的路面裂缝检测

基于规则纹理的路面裂缝检测算法由于其自身存在的弱规则性、抗噪性差和稳定性差等问题,不能有效地检测出路面裂缝。为了解决此类问题,提出了一种基于加权融合纹理的路面裂缝检测算法。该方法采用单向多级中值滤波器滤除噪声,同时有效地保留裂缝边缘细节信息;然后融合局部二元模式特征、相对标准差和对比度三种纹理特征提取路面裂缝。实验结果表明,该算法抗噪性好,能快速有效地检测出路面裂缝。     

基于改进U-net模型的路面裂缝智能识别

路面裂缝快速检测及响应是道路养护部门的一项重要工作,然而传统的裂缝检测方法耗时且准确度低。因此,本文基于改进后的U-net模型实现对路面裂缝精准地自动识别。结合Canny边缘检测、Otsu 阈值分割算法和人为干预手段研发一款半自动标注软件,用以实现路面裂缝的像素级标注。研究以路面2D激光图像为数据集,并在此基础上通过数据增强进行数据集样本扩充,从而构建模型训练原始样本库;在实验分析阶段,使用交叉熵损失函数判断预测值与真实值的误差大小,并结合Adam 算法优化模型。研究表明改进后的U-net模型在识别精度及泛化能力上均优于原U-net模型及全连接神经网络模型。该研究将为道路养护管理部门的路面病害快速检测提供技术支撑,从而利于快速响应、采取措施保证路面的行车安全。     

基于改进Faster-RCNN的沥青路面裂缝检测

针对目前沥青路面裂缝检测存在的识别率低和细微裂缝在复杂背景下难以检测的问题, 提出了基于改进Faster-RCNN的裂缝检测方法. 首先, 通过多功能路面检测车采集路面图像, 将13 000张图片按8:2的比例分为训练集和测试集来建成路面裂缝检测数据集; 然后分别采用VGG16、MobileNet-V2和ResNet50网络替换Faster-RCNN模型中的特征提取网络对裂缝进行识别, 结果表明, ResNet50与Faster-RCNN结合对裂缝的检测准确率达到0.805 8, 效果最好; 裂缝都分布在同一水平面上, 不存在层次信息, 因此将ResNet系列其它网络与Faster-RCNN模型结合, 以期得到更好的检测效果, 结果表明, 相比于ResNet18和ResNet101, 还是ResNet50检测性能最好; 由于还存在细微裂缝漏检的问题, 将CBAM模块引入ResNet50, 并且比较不同插入位置对检测准确率的影响. 实验表明, 改进的Faster-RCNN模型检测精准度达到85.64%, 能有效检测出复杂背景下的细微裂缝.     

基于空间聚集特征的沥青路面裂缝检测方法

沥青路面裂缝自动检测是制约公路养护科学决策的最主要瓶颈.针对现有裂缝检测算法在大规模应用特别是广地域、多路况等复杂环境下算法稳定性、可靠性及实时性等方面存在严重不足问题.本文在观察大量实际工程路面图像基础上, 对路面裂缝特征进行全新定义, 提出了一种基于空间聚集特征的沥青路面裂缝检测方法, 参考裂缝的空间分布、灰度、几何等特征, 以子块图像为处理单元, 采用逐步求精的策略对子块图像进行分割, 快速定位空间聚集区域, 再对聚集区域进行评估得到信度高的裂缝候选区域; 最后以裂缝候选区域为种子区域, 在准确估算裂缝发展趋势的基础上, 结合裂缝片段聚集及相似性等特性, 去除噪声同时合并连接断裂的裂缝, 实现了裂缝区域较为完整的检测.通过测试多路况、多采集环境下近万样本, 并采用不同的方法对测试结果进行评估, 结果显示, 算法对不同类型路面图像中具有不同特征的裂缝区域均具有良好的检测性能, 裂缝定位准确性达到95%以上, 裂缝区域检测的完整性达到90%以上.     

基于增强卷积神经网络的路面裂纹检测

为了提高路面裂纹检测的效率以及精度,将增强卷积神经网络引入路面裂纹图像识别中。首先,采用线性灰度变换对原始图像进行预处理,减少噪声对识别的影响。接着经过结构设计,算法训练以及实验样本测试几个步骤后,建立了路面裂纹识别模型。最终通过在Matlab实验显示,建立的识别模型能够有效地对路面裂纹进行识别,识别率可达92.8%。实验结果表明相比于其他算法,本算法具有效率高、结果准确等优势,能够满足工程需求。     

沥青路面裂缝检测图像处理算法研究

针对经典图像处理算法对沥青路面裂缝的检测效果不佳,以及神经网络等智能算法不易实现的弊端,通过分析沥青路面的裂缝特性,提出了一种适用于沥青路面裂缝检测的图像处理新算法。该算法通过构造8个方向模板的Sobel算子对沥青路面裂缝进行检测,并结合迭代阈值分割算法和全方位膨胀形态学方法对边缘检测后的图像进行处理,能够很好地获得沥青路面的裂缝特性。最后,在VisualC 6.0编程环境下进行了算法实现。结果表明,裂缝边缘的连接和检测效果较好,为沥青路面裂缝的分析和管理提供了技术基础。     

基于Prim最小生成树的路面裂缝连接算法

在利用数字图像技术检测路面裂缝时,由于部分裂缝过窄或被阴影遮挡或被灰尘填充,导致检测出的裂缝目标不连续,严重影响后续的裂缝参数测量和评价.为此,提出一种基于Prim最小生成树的路面裂缝连接算法.利用屋脊边缘检测方法识别所有的可疑裂缝目标,运用裂缝形状特征去除斑点或块状噪声,实现裂缝的粗定位.在此基础上,通过形态学方法提取粗定位裂缝片段的端点,利用Prim算法构造最小生成树实现路面裂缝片段端点的连接,同时使用裂缝的方向和对比度特征去除连接中的强制伪连接;在连接的基础上对裂缝进行填充和增强,得到完整的裂缝分割目标.对200幅路面图像进行算法测试,应用Hausdorff距离对多种算法的分割性能进行评估,实验结果表明,该算法能明显提高裂缝检测目标的连续性,其检测准确率比灰度直方图等算法高出6个～13个百分点.     

P分位改进算法及其在路面裂缝检测中应用

针对传统的P分位分割算法容易受到道路标线的干扰,设计了一种改进型P分位算法分别对含有或没有含有道路标线的裂缝图像进行二值化,其中对不含道路标线的裂缝图像采用传统的P分位法,而对含道路标线的裂缝图像分三种情况进行细化处理。实验结果表明,与传统P分位算法相比,改进后的算法对路面裂缝图像分割及后续的图像处理产生较好的效果。