本發(fā)明涉及一種路面病害圖像的自動(dòng)識(shí)別方法和系統(tǒng)，屬于圖像處理技術(shù)領(lǐng)域。

背景技術(shù)：

路面病害中路面裂縫作為路面病害在高等級(jí)公路路面破損的主要表現(xiàn)形式，對(duì)于現(xiàn)代化、高效率的公路養(yǎng)護(hù)非常重要。由于傳統(tǒng)的人工檢測(cè)方法耗時(shí)長(zhǎng)、不準(zhǔn)確、危險(xiǎn)性高、妨礙交通、主觀差異性大，現(xiàn)在多采用高精度相機(jī)快速拍攝路面圖像，進(jìn)行計(jì)算機(jī)自動(dòng)檢測(cè)。各種各樣的路面裂縫檢測(cè)定位算法被提出。

根據(jù)裂縫區(qū)域的灰度值較低的圖像特點(diǎn)，謝昌榮等發(fā)表路面裂縫檢測(cè)圖像處理算法的研究中通過(guò)分析各種經(jīng)典的圖像處理算法優(yōu)異性，進(jìn)行裂縫檢測(cè)。kirschkekr提出了基于直方圖統(tǒng)計(jì)的裂縫檢測(cè)策略。egement等提出了直方圖投影的算法，采用形態(tài)學(xué)算子消除圖像分割后的噪聲，獲取裂縫。根據(jù)裂縫特征的頻域角度出發(fā)，bahramj等提出了基于小波變換的檢測(cè)算法，馬常霞等提出了結(jié)合nsct和圖像形態(tài)學(xué)的裂縫檢測(cè)算法，王剛等運(yùn)用了脊波變換檢測(cè)局部線性裂縫。將二維圖像映射到三維曲面，唐磊等提出了基于三維地形的路面裂縫檢測(cè)方法。也有一些跨領(lǐng)域的方法也被提出，用以刻畫復(fù)雜環(huán)境下的裂縫特征，如任亮等提出的基于prim最小生成樹的方法，鄒勤等提出的利用目標(biāo)點(diǎn)最小生成樹的檢測(cè)算法，馬常霞等提出的基于分?jǐn)?shù)階微分的裂縫檢測(cè)算法。這些算法在某些環(huán)境的路面圖像中，取得了較好的檢測(cè)效果。但對(duì)于復(fù)雜情況下的含有較多非裂縫信息，較多干擾物的情況下，卻無(wú)法達(dá)到理想的識(shí)別效果。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：針對(duì)現(xiàn)有技術(shù)中存在的問(wèn)題，本發(fā)明目的在于提供一種路面病害圖像的自動(dòng)識(shí)別方法和系統(tǒng)，提高路面裂縫檢測(cè)效率，且能適用于不同特征的裂縫圖像，具有較理想識(shí)別效果。

技術(shù)方案：為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供一種路面病害圖像的自動(dòng)識(shí)別方法，包括如下步驟：

(1)將拍攝的路面圖像進(jìn)行預(yù)處理，所述預(yù)處理包括gamma灰度校正、高斯濾波增強(qiáng)和局部自適應(yīng)二值化；

(2)對(duì)預(yù)處理后得到的二值化圖像進(jìn)行邊緣檢測(cè)；

(3)對(duì)邊緣檢測(cè)后的圖像進(jìn)行連通域輪廓檢測(cè)，獲得連通域的個(gè)數(shù)和連通域輪廓的外接矩形；

(4)根據(jù)連通域輪廓的外接矩形的形狀判斷出路面裂縫所在區(qū)域；

(5)根據(jù)路面裂縫所在區(qū)域的位置信息從邊緣檢測(cè)后的圖像中提取裂縫區(qū)域圖像，并疊加黑色模板形成與原始圖像大小相同的裂縫特征圖像；

(6)基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)裂縫特征圖像進(jìn)行分類。

作為優(yōu)選，所述步驟(1)中對(duì)圖像進(jìn)行g(shù)amma灰度校正時(shí)，校正參數(shù)γ<1，將圖像的高光部分拓展而暗調(diào)部分壓縮。

作為優(yōu)選，所述步驟(1)中局部自適應(yīng)二值化的計(jì)算方法為：

其中，(x1,y1)、(x2,y2)為局部區(qū)域的左上角和右下角點(diǎn)的坐標(biāo)值，為局部區(qū)域的長(zhǎng)和寬，s(x,y)為局部區(qū)域范圍內(nèi)像素點(diǎn)積分圖像值，s(i,j)為局部區(qū)域的中心點(diǎn)的積分圖像值，i(i,j)為二值化后的灰度值。

作為優(yōu)選，所述步驟(2)中采用canny算子進(jìn)行邊緣檢測(cè)。

作為優(yōu)選，所述步驟(4)中路面裂縫所在區(qū)域的判斷依據(jù)為：若外接矩形的寬和高之和大于等于設(shè)定的閾值，則認(rèn)為是路面裂縫所在區(qū)域。

作為優(yōu)選，所述步驟(6)中卷積神經(jīng)網(wǎng)絡(luò)包括三層卷積層和一層全連接層，前兩層卷積層連接池化層，全連接層有四個(gè)神經(jīng)元，神經(jīng)網(wǎng)絡(luò)訓(xùn)練集中的圖像包括橫向裂縫圖像、縱向裂縫圖像、網(wǎng)狀裂縫圖像和無(wú)裂縫圖像。

本發(fā)明還提供一種路面病害圖像的自動(dòng)識(shí)別系統(tǒng)，包括：預(yù)處理模塊，用于對(duì)拍攝的路面圖像進(jìn)行預(yù)處理，所述預(yù)處理模塊包括：灰度校正單元，用于對(duì)原始圖像進(jìn)行g(shù)amma灰度校正處理；濾波增強(qiáng)單元，用于對(duì)灰度校正后的圖像進(jìn)行高斯濾波增強(qiáng)處理；以及，二值化單元，用于對(duì)濾波增強(qiáng)后的圖像進(jìn)行局部自適應(yīng)二值化處理；邊緣檢測(cè)模塊，用于對(duì)二值化后的圖像進(jìn)行邊緣檢測(cè)；裂縫區(qū)域定位模塊，用于對(duì)邊緣檢測(cè)后的圖像進(jìn)行連通域輪廓檢測(cè)，獲取連通域輪廓的外接矩形，并基于外接矩形的形狀定位路面裂縫所在區(qū)域；裂縫精確分割模塊，用于根據(jù)裂縫所在區(qū)域的位置信息從邊緣檢測(cè)后的圖像中提取裂縫區(qū)域圖像，并疊加黑色模板形成與原始圖像大小相同的裂縫特征圖像；以及，裂縫分類模塊，用于基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)裂縫特征圖像進(jìn)行分類。

有益效果：本發(fā)明提供的路面病害圖像的自動(dòng)識(shí)別方法和系統(tǒng)，是在大量觀察裂縫圖像的特征，發(fā)現(xiàn)路面裂縫圖像具有灰度值低、稀疏性、裂縫區(qū)域的連通性等特征的基礎(chǔ)上，對(duì)傳統(tǒng)的圖像處理算法進(jìn)行分析與改進(jìn)，結(jié)合最大連通域，設(shè)計(jì)了適用于檢測(cè)裂縫的定位和分割算法，并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)裂縫特征圖像進(jìn)行分類，以實(shí)現(xiàn)路面病害圖像的自動(dòng)識(shí)別。實(shí)驗(yàn)表明，與現(xiàn)有技術(shù)相比，本發(fā)明對(duì)于路面病害中的裂縫定位具有十分優(yōu)異的檢測(cè)效率，而且對(duì)于不同特征的裂縫圖像具有不錯(cuò)的魯棒性表現(xiàn)。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例的方法流程圖。

圖2為局部自適應(yīng)二值化方法中4×4圖像的灰度值數(shù)組示意圖。其中(a)為圖像灰度值數(shù)組，(b)為灰度值求和后的數(shù)組。

圖3為局部自適應(yīng)二值化方法中圖像區(qū)域劃分示意圖。

圖4裂縫圖像預(yù)處理結(jié)果圖。其中(a)為原始圖像，(b)為灰度校正后的圖像，(c)為高斯濾波后圖像，(d)為局部自適應(yīng)二值化后的圖像。

圖5為邊緣檢測(cè)得到的圖像結(jié)果圖。

圖6為裂縫定位算法opencv實(shí)現(xiàn)流程圖。

圖7為基于裂縫區(qū)域位置信息對(duì)裂縫進(jìn)行精確分割的流程圖。

圖8為各種裂縫檢測(cè)定位視覺效果圖。其中(a)為橫向裂縫1的檢測(cè)定位，(b)為橫向裂縫2的檢測(cè)定位，(c)為縱向裂縫檢測(cè)定位，(d)網(wǎng)狀裂縫的檢測(cè)定位。

圖9為裂縫分割圖視覺效果對(duì)比圖。其中(a)為原圖，(b)-(d)分別為采用ac算法思想、lc算法思想、ft算法思想的分割結(jié)果圖，(e)為本發(fā)明精確分割的結(jié)果圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解這些實(shí)施例僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對(duì)本發(fā)明的各種等價(jià)形式的修改均落于本申請(qǐng)所附權(quán)利要求所限定的范圍。

如圖1所示，本發(fā)明實(shí)施例公開的一種路面病害圖像自動(dòng)識(shí)別方法，首先將拍攝的路面圖像進(jìn)行預(yù)處理，然后對(duì)預(yù)處理后圖像進(jìn)行邊緣檢測(cè)，接著進(jìn)行連通域輪廓檢測(cè)，并基于連通域輪廓的外接矩形的形狀進(jìn)行裂縫區(qū)域定位和分割得到裂縫特征圖像，最后基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)裂縫特征圖像進(jìn)行分類。詳細(xì)處理步驟如下。

步驟1：圖像預(yù)處理

通過(guò)攝像機(jī)實(shí)際拍攝的路面裂縫圖像，存在復(fù)雜大量的噪聲成分：路面材料顆粒形成的大范圍隨機(jī)紋理覆蓋整幅圖像；光照不均引起圖像中間亮周圍暗的典型變化；路面油污、水漬、雜物以及行道線的干擾。

鑒定于原始路面圖像中的情況復(fù)雜，且缺乏豐富的彩色信息，本發(fā)明先從圖像預(yù)處理的角度出發(fā)，進(jìn)行灰度矯正和濾波處理，降低背景噪聲影響，突出裂縫信息。

步驟1.1：灰度矯正

經(jīng)過(guò)大量觀察裂縫圖片可知，路面裂縫最明顯的特征就是裂縫中心的灰度級(jí)比其周圍背景要黑。由于光照不均產(chǎn)生的中間亮兩邊暗、偏暗的影響。并且整體灰度偏低，為了突出裂縫灰度級(jí)上的顯著性，在此應(yīng)用一種非線性變化算法gamma灰度矯正算法。

該算法對(duì)輸入圖像的灰度值進(jìn)行指數(shù)變換，進(jìn)而矯正亮度偏差，可應(yīng)用于擴(kuò)展暗亮的細(xì)節(jié)，其計(jì)算公式如下：

其中a是常數(shù)，vin為矯正前輸入圖像，vout為矯正后的圖像，γ為矯正的參數(shù)。當(dāng)γ>1時(shí)，圖像高光部分被壓縮而暗調(diào)部分被拓展，當(dāng)γ<1時(shí)，圖像的高光部分被拓展而暗調(diào)部分被壓縮。經(jīng)過(guò)大量實(shí)驗(yàn)，γ＝0.75，效果最佳。

步驟1.2通過(guò)濾波增強(qiáng)圖像特征

對(duì)于路面裂縫的圖像其最明顯的一個(gè)特點(diǎn)是存在復(fù)雜大量的噪聲和干擾點(diǎn)，由于裂縫具有稀疏性和連續(xù)性，可以對(duì)其進(jìn)行濾波操作進(jìn)而減少非裂縫因素的影響。同時(shí)由于裂縫特征明顯，可以達(dá)到增強(qiáng)裂縫顯著性特征的效果。因此，對(duì)灰度校正后的圖像應(yīng)用高斯濾波進(jìn)行處理。考慮到公路路面的粗糙程度，本發(fā)明實(shí)施例采用5*5的高斯卷積核進(jìn)行處理。

步驟1.3局部自適應(yīng)二值化

圖像二值化是指圖像上的像素點(diǎn)的灰度值設(shè)置為0或255，也就是將整個(gè)圖像呈現(xiàn)出明顯的黑白效果。經(jīng)過(guò)以上處理的圖像在圖像二值化時(shí)，傳統(tǒng)的二值化方法對(duì)于路面裂縫圖像的二值化效果均不佳。本發(fā)明參照dbgroth的方法，進(jìn)行改進(jìn)優(yōu)化達(dá)到了對(duì)于裂縫圖像的裂縫區(qū)域良好的二值化效果。

首先灰度化后的單通道，各處的像素值如圖2(a)。之后得到每個(gè)點(diǎn)的左上方所有點(diǎn)的像素值之和(包括該點(diǎn)，即灰度值積分)并可用一個(gè)二維數(shù)組暫時(shí)存儲(chǔ)，如圖2(b)所示。

一般地，圖像二值化就是給定一個(gè)閾值，當(dāng)圖像中某一點(diǎn)的像素值大于閾值時(shí)令它的像素為255(0)，像素值小于閾值時(shí)為0(255)。而區(qū)域二值化，就是把圖片劃分為若干的區(qū)域，每個(gè)區(qū)域有各自的閾值，再分別判定。

如圖3所示，我們要判定區(qū)域d時(shí)，就可以利用圖2(b)的積分圖像，通過(guò)計(jì)算區(qū)域d的總閾值，計(jì)算公式如下：

其中，(x1,y1)、(x2,y2)為區(qū)域d的左上角和右下角點(diǎn)的坐標(biāo)值，s(x,y)為點(diǎn)(x,y)的積分圖像值。

總閾值與區(qū)域內(nèi)的像素個(gè)數(shù)求平均值得到該區(qū)域的平均值p。本實(shí)施例中使用區(qū)域中心點(diǎn)(i,j)的積分圖像值與平均值p進(jìn)行比較，若s(i,j)>p,則重寫點(diǎn)(i,j)的像素為255(0)，反之為0(255)。計(jì)算公式如下：

其中表示圖像中區(qū)域d的長(zhǎng)和寬，s(i,j)為區(qū)域中心點(diǎn)的灰度值，i(i,j)為二值化后的灰度值。

圖4為對(duì)一幅橫向裂縫圖像進(jìn)行預(yù)處理后的結(jié)果圖，其中(a)為原始圖像，(b)為灰度校正后的圖像，(c)為高斯濾波后圖像，(d)為局部自適應(yīng)二值化后的圖像。

步驟2：圖像邊緣檢測(cè)

通過(guò)上述對(duì)于路面裂縫圖像的預(yù)處理，大大削弱了已存在復(fù)雜大量的噪聲和干擾點(diǎn)對(duì)裂縫信息的干擾?？刹捎贸Ｒ姷倪吘墮z測(cè)算法對(duì)二值化后的圖像進(jìn)行邊緣檢測(cè)，如sobel、laplace、roberts、canny等。本發(fā)明實(shí)施例采用canny算子實(shí)現(xiàn)邊緣檢測(cè)，如圖5所示為邊緣檢測(cè)的結(jié)果。

步驟3：圖像中裂縫的定位與裂縫的精確分割

步驟3.1：基于最大連通域的輪廓定位

通過(guò)對(duì)大量的裂縫進(jìn)行圖像預(yù)處理和圖像分割后發(fā)現(xiàn)，裂縫在圖片中具有最大連通性。利用該特性，我們可用通過(guò)檢測(cè)裂縫圖像中的連通域來(lái)確定裂縫的位置。

該算法在裂縫圖像的預(yù)處理和邊緣檢測(cè)的基礎(chǔ)上，可以對(duì)裂縫進(jìn)行一個(gè)檢測(cè)定位。通過(guò)圖像輪廓函數(shù)檢測(cè)，獲取每個(gè)連通域輪廓矩形，通過(guò)遍歷所有輪廓的外接矩形，根據(jù)矩形的形狀判斷選取較大的連通域?yàn)槟繕?biāo)區(qū)域。記錄該區(qū)域的坐標(biāo)，標(biāo)記出該區(qū)域。

算法如下：

第一步：對(duì)于邊緣檢測(cè)圖像進(jìn)行連通域輪廓檢測(cè)，輪廓個(gè)數(shù)為n；

第二步：獲取連通域輪廓的外接矩形為rectn(x,y,width,height)，其中x,y,width,height分別為矩形的左上角點(diǎn)的坐標(biāo)和矩形的寬和高；

第三步：通過(guò)遍歷檢測(cè)出的所有輪廓，輪廓個(gè)數(shù)n，設(shè)置輪廓外接矩形的寬與高之和大于等于參數(shù)限制t，即width+height≥t，獲取我們所需要的連通域輪廓的位置信息rectn。

第四步：對(duì)于獲取到的連通域輪廓的外接矩形進(jìn)行記錄，該外接矩形對(duì)應(yīng)的位置區(qū)域在原圖中即為路面裂縫區(qū)域。

在本實(shí)驗(yàn)中，對(duì)于512×512的裂縫輸入圖像，經(jīng)過(guò)大量實(shí)驗(yàn)，參數(shù)限制t選取200。并通過(guò)c++和opencv進(jìn)行實(shí)現(xiàn)。opencv算法流程圖如圖6。

步驟3.2：基于連通域的裂縫精確分割

對(duì)于一些路面情況復(fù)雜、噪聲多、干擾信強(qiáng)的裂縫而言，邊緣檢測(cè)后的圖像不能明顯突出裂縫信息，容易造成裂縫特征信息的干擾。通過(guò)觀察發(fā)現(xiàn)，裂縫特征雖然不明顯，但仍具有最大連通性，利用該特性，結(jié)合上述基于連通域的輪廓定位算法可以對(duì)裂縫圖片進(jìn)行精確分割。

如圖7所示，具體算法流程如下：

第一步：通過(guò)3.1算法將圖像中裂縫區(qū)域定位，得到裂縫圖像中的裂縫位置信息為rectn(x,y,width,height)，其中x,y,width,height分別為矩形的左上角點(diǎn)的坐標(biāo)和矩形的寬和高；若通過(guò)3.1算法沒(méi)有檢測(cè)出裂縫區(qū)域的位置(無(wú)裂縫)，跳過(guò)二、三步驟，輸出512×512的黑色圖像；

第二步：在邊緣檢測(cè)結(jié)果圖中使用該位置信息提取裂縫區(qū)域；

第三步：通過(guò)與512×512的黑色圖像模板的疊加后組成與原圖大小一致的完整的裂縫特征圖像。

步驟4：基于卷積神經(jīng)網(wǎng)絡(luò)的裂縫分類

卷積神經(jīng)網(wǎng)絡(luò)在圖像分類識(shí)別中具有很好的表現(xiàn)，卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)如下：

輸入層：直接接收二維視覺模式，即二維特征圖像。

卷積層：也稱為特征提取層(convolutionallayer，簡(jiǎn)稱c層)，每個(gè)卷積層包含多個(gè)卷積神經(jīng)元，每個(gè)卷積神經(jīng)元的輸入與前一層的局部感受域相連，并提取該局部的圖像特一旦該局部特征被提取后，它與其他特征間的位置關(guān)系也隨之確定下來(lái)。

激活函數(shù)：(rectifiedlinearunits，簡(jiǎn)稱relu)relu是作用于各連接單元后的激活單元，采用折頁(yè)函數(shù)。它相對(duì)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的sigmoid函數(shù)而言，在保證非線性的同時(shí)，能更好地反傳梯度，還使得每層結(jié)果具有一定稀疏性。

池化層：池化方法一般有最大池化和平均池化，相當(dāng)于對(duì)圖像進(jìn)行下采樣，即以某圖像區(qū)域的最大值或平均值取代該區(qū)域，從而縮小圖像尺寸，使提取特征具有一定旋轉(zhuǎn)、平移不變性。

全連接層：(fullyconnectedlayers，簡(jiǎn)稱fc)最后一層隱層所得到的二維特征模式被拉伸成一個(gè)向量，與輸出層以全連接方式相連，起到將學(xué)到的“分布式特征表示”映射到樣本標(biāo)記空間的作用?？奢敵鲱悇e標(biāo)簽之間的映射關(guān)系。

隨機(jī)dropout：隨機(jī)dropout每次隨機(jī)選取該層部分權(quán)重進(jìn)行訓(xùn)練，有利于防止過(guò)擬合，提升網(wǎng)絡(luò)泛化能力。

softmax函數(shù)：softmax函數(shù)用于最后的結(jié)果輸出，表達(dá)式如式4所示，k為類別數(shù)，zj為k維向量的第j維分量，輸出可視為第j類的概率。

針對(duì)路面病害中裂縫的分類問(wèn)題，本發(fā)明實(shí)施例方法設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)共有4層，前3層為卷積層，最后一層為全連接層。

網(wǎng)絡(luò)的輸入為512×512大小的單通道灰度圖像(將原始圖像經(jīng)過(guò)預(yù)處理、邊緣檢測(cè)、裂縫定位和分割后得到的裂縫特征圖像)。為保證網(wǎng)絡(luò)深度，減少參數(shù)，提升網(wǎng)絡(luò)泛化能力，該網(wǎng)絡(luò)前兩個(gè)卷積層采用的卷積核的尺寸較小，均為3×3。最后一個(gè)卷積層卷積核大小為15×15。所有卷積核都同時(shí)作用于相應(yīng)前一層的所有特征圖上，且同一卷積核對(duì)于前一層不同特征圖的權(quán)重不一致。三個(gè)卷積層所采用的卷積核種類依次為16、32、216個(gè)，逐層抽象地提取不同特征。

在前兩個(gè)卷積層之后都連接了池化層，池化方法為平均池化。池化過(guò)程中未對(duì)圖像進(jìn)行擴(kuò)充，池化窗口大小依次為2×2、4×4，滑動(dòng)窗口步長(zhǎng)相應(yīng)分別為2、4。每個(gè)池化層后都通過(guò)激活函數(shù)進(jìn)行非線性激活。

最后一層為全連接層，共有4個(gè)神經(jīng)單元。在最后一個(gè)卷積層和全連接層后都增加了隨機(jī)dropout層以提升網(wǎng)絡(luò)泛化能力，比例為0.5。最后采用softmax函數(shù)進(jìn)行輸出。

本發(fā)明實(shí)施例公開的一種路面病害圖像的自動(dòng)識(shí)別系統(tǒng)，主要包括預(yù)處理模塊、邊緣檢測(cè)模塊、裂縫區(qū)域定位模塊、裂縫精確分割模塊以及裂縫分類模塊。其中預(yù)處理模塊用于對(duì)拍攝的路面圖像進(jìn)行預(yù)處理，主要包括：灰度校正單元，用于對(duì)原始圖像進(jìn)行g(shù)amma灰度校正處理；濾波增強(qiáng)單元，用于對(duì)灰度校正后的圖像進(jìn)行高斯濾波增強(qiáng)處理；以及二值化單元，用于對(duì)濾波增強(qiáng)后的圖像進(jìn)行局部自適應(yīng)二值化處理。邊緣檢測(cè)模塊用于對(duì)二值化后的圖像進(jìn)行邊緣檢測(cè)；裂縫區(qū)域定位模塊用于對(duì)邊緣檢測(cè)后的圖像進(jìn)行連通域輪廓檢測(cè)，獲取連通域輪廓的外接矩形，并基于外接矩形的形狀定位路面裂縫所在區(qū)域；裂縫精確分割模塊用于根據(jù)裂縫所在區(qū)域的位置信息從邊緣檢測(cè)后的圖像中提取裂縫區(qū)域圖像，并疊加黑色模板形成與原始圖像大小相同的裂縫特征圖像；裂縫分類模塊用于基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)裂縫特征圖像進(jìn)行分類。

下面結(jié)合具體實(shí)驗(yàn)，對(duì)本發(fā)明實(shí)施例的效果及優(yōu)勢(shì)做進(jìn)一步說(shuō)明。

實(shí)驗(yàn)環(huán)境為intel(r)core(tm)i5-4210ucpu，8g內(nèi)存的pc機(jī)。實(shí)驗(yàn)數(shù)據(jù)來(lái)源為淮安公路養(yǎng)護(hù)處的公路裂縫圖片數(shù)據(jù)集，圖像大小為512×512像素，精度為0.92mm/pixel，共5000張，其中含有裂縫的圖像為3668張。根據(jù)裂縫的分類標(biāo)準(zhǔn)，我們采用具有代表性的橫向裂縫、縱向裂縫以及網(wǎng)狀裂縫進(jìn)行實(shí)驗(yàn)。

通過(guò)圖像的灰度矯正、濾波增強(qiáng)、具備自適應(yīng)二值化、邊緣檢測(cè)處理后，利用裂縫圖像中裂縫區(qū)域的最大連通性，設(shè)計(jì)出針對(duì)裂縫圖像的裂縫區(qū)域的檢測(cè)定位算法，通過(guò)圖框?qū)⒘芽p區(qū)域在原圖中顯示出來(lái)。圖8(a)、(b)為橫向裂縫存在的路面圖像的算法效果，圖8(c)為縱向裂縫存在的路面圖像的算法效果，圖8(d)為網(wǎng)狀裂縫存在的路面圖像的算法效果。可以從實(shí)驗(yàn)結(jié)果看出可以準(zhǔn)確定位到路面圖像中的裂縫位置。

為了驗(yàn)證算法的有效性和正確性，我們?nèi)z測(cè)路段中不同光照條件和檢測(cè)條件下的三組圖像，每組各1000幅圖像，各組別222張、400張、284張裂縫圖片。

設(shè)圖像總數(shù)為k，實(shí)際存在裂縫的圖像數(shù)為m,不存在裂縫的圖像數(shù)為n，檢測(cè)出的裂縫圖像數(shù)為t,存在裂縫但未檢測(cè)出來(lái)的數(shù)目為m，算法將無(wú)裂縫圖像誤檢為存在裂縫圖像的數(shù)目為n，則檢測(cè)結(jié)果的正確率如表1：

表1裂縫圖像檢測(cè)定位正確率結(jié)果

漏檢率和誤檢率結(jié)果如表2：

表2漏檢率和誤檢率統(tǒng)計(jì)結(jié)果

從表1和表2中可知，三組數(shù)據(jù)中的檢測(cè)正確率都在92％以上，漏檢率和誤檢率都小于8％，證明本方法有效，滿足實(shí)際檢測(cè)需求。

在圖像分割算法的處理方面，本發(fā)明通過(guò)與現(xiàn)有的基于顯著性分割處理的算法進(jìn)行比較?，F(xiàn)有的顯著性算法主要有ac、lc和ft算法，將這些經(jīng)典的顯著性算法思想作用于裂縫灰度圖像，命名為ac-g、lc-g、ft-g，通過(guò)與本發(fā)明方法中結(jié)合裂縫特征的精確分割算法的對(duì)比，結(jié)果如圖9。圖9(a)為有橫向裂縫存在的路面圖像，其中存在著水泥結(jié)塊、小凹槽、橫向條紋、局部黑斑等影響。9(b)-9(d)為ac-g、lc-g、ft-g算法顯著性分割的結(jié)果，雖然對(duì)于裂縫具有較好的分割效果，但對(duì)于非裂縫信息和路面背景噪聲的過(guò)濾確效果不佳。ac-g和ft-g整體分割較好、但對(duì)于非裂縫信息水泥結(jié)塊、小凹槽無(wú)法過(guò)濾、裂縫特性顯示較弱，lc-g在分割后產(chǎn)生了很多細(xì)碎的噪聲點(diǎn)。

通過(guò)實(shí)驗(yàn)結(jié)果可以看出本發(fā)明方法在通過(guò)灰度矯正、濾波增強(qiáng)在很大程度上削弱了路面噪聲的影響，通過(guò)利用裂縫在圖像中的最大連通性，有效過(guò)濾掉了多余的非裂縫信息(如圖中的水泥結(jié)塊、小凹槽)，并且裂縫整體更加突出，如圖9(d)。

在裂縫圖像的識(shí)別方面，本發(fā)明設(shè)計(jì)的4層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行裂縫圖像的分類識(shí)別。根據(jù)裂縫的分類標(biāo)準(zhǔn)，訓(xùn)練集來(lái)源淮安公路養(yǎng)護(hù)處的裂縫數(shù)據(jù)圖片集，其中橫向裂縫1024張、縱向裂縫1024張、網(wǎng)狀裂縫1024張，同時(shí)添加負(fù)樣本集即不含有裂縫的圖像1024張。圖像為512×512大小、經(jīng)過(guò)預(yù)處理、分割后的灰度圖像。每類120張非訓(xùn)練集中的圖像進(jìn)行識(shí)別效果測(cè)試，結(jié)果見表3。

表3算法測(cè)試識(shí)別準(zhǔn)確率結(jié)果

從表3可以看出本發(fā)明設(shè)計(jì)的4層卷積神經(jīng)網(wǎng)絡(luò)算法在準(zhǔn)確率以及識(shí)別速度上相比傳統(tǒng)的特征+svm算法具有一定的優(yōu)勢(shì)性。

綜上，本發(fā)明實(shí)施例將裂縫的檢測(cè)和分割與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，首先通過(guò)圖像預(yù)處理與邊緣檢測(cè)后，利用裂縫圖像中裂縫區(qū)域的最大連通性，設(shè)計(jì)出針對(duì)裂縫圖像的裂縫區(qū)域的檢測(cè)定位算法，利用該特性在檢測(cè)定位算法的基礎(chǔ)上進(jìn)行裂縫圖像的精確分割。最后使用卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分類識(shí)別。結(jié)果表明本發(fā)明方法對(duì)復(fù)雜環(huán)境下的各種裂縫都有效，即使對(duì)于含有較多非裂縫信息、干擾物較多的路面圖像，也能取得非常優(yōu)異的識(shí)別結(jié)果。