一种公路路面质量智能检测方法与流程

1.本发明涉及图像数据处理技术领域，具体涉及一种公路路面质量智能检测方法。


背景技术：

2.无人机巡拍路面进行表面质量评估时，在摄取到裂纹图像时，由于无人机运行时的角度和高度影响，加上沥青路面本身就属于表面颗粒状比较强的特征，因此在对路面中隐形裂纹判断和寻找产生较强的干扰。


技术实现要素：

3.为了解决上述技术问题，本发明的目的在于提供一种公路路面质量智能检测方法，所采用的技术方案具体如下：本发明提出了一种公路路面质量智能检测方法，所述方法包括：获取路面图像；获取路边图像中的现有裂纹边缘点；以每个现有裂纹边缘点为中心点，沿着梯度方向以中心点两侧的像素点作为对应现有裂纹边缘点的参考点；获取现有裂纹边缘点对应的两个参考点预设邻域范围内的像素值累加和，根据两个参考点对应的像素值累加和获得现有裂纹边缘点为隐藏裂纹起始点的概率；根据隐藏裂纹起始点的概率筛选出第一隐藏裂纹起始点；以仅存在一个相邻现有裂纹边缘点的现有裂纹边缘点作为断点，每个断点与其相邻现有裂纹边缘点构成一个向量，获得每个断点与距离最近的其他断点之间向量的夹角，根据夹角获得每个断点的平滑程度，根据平滑程度筛选出第二隐藏裂纹起始点；根据第一隐藏裂纹起始点数量、第二隐藏裂纹起始点数量和现有裂纹边缘点的数量获得公路路面质量。
4.进一步地，所述获取路面图像包括：采集初始路面图像，去除初始路面图像中的背景信息，获得路面图像。
5.进一步地，所述获取现有裂纹边缘点对应的两个参考点预设邻域范围内的像素值累加和包括：以每个现有裂纹边缘点为中心点，获取中心点的8邻域中与梯度方向垂直的上边缘方向和下边缘方向；在上边缘方向或者下边缘方向，以参考点为中心分别获得参考点两侧预设数量个像素点的像素值累加和。
6.进一步地，所述根据两个参考点对应的像素值累加和获得现有裂纹边缘点为隐藏裂纹起始点的概率包括：
其中，为参考点左侧的像素值累加和比值，为裂纹边缘点在上边缘方向上第个像素点的像素值，为裂纹边缘点在下边缘方向上第个像素点的像素值，为裂纹边缘点在上边缘方向上第个像素点的像素值，为裂纹边缘点在下边缘方向上第个像素点的像素值，在裂纹边缘点的上边缘和下边缘中第个像素点为对应的参考点，为现有裂纹边缘点为隐藏裂纹起始点的概率，为自然常数。
7.进一步地，所述根据夹角获得每个断点的平滑程度包括：其中，为向量和向量之间的夹角，为平滑程度。
8.进一步地，所述根据第一隐藏裂纹起始点数量、第二隐藏裂纹起始点数量和现有裂纹边缘点的数量获得公路路面质量包括：其中，为平滑程度，为现有裂纹边缘点的数量，为第一隐藏裂纹起始点数量，为第二隐藏裂纹起始点数量，为图像的尺寸。
9.本发明具有如下有益效果：本发明实施例通过路面已存在裂纹进行导向，判断当前已存在裂纹的边缘上像素点邻域的特征值，实现对当前隐藏裂纹生长点的提取，从而实现对隐藏裂纹的发现，并对当前路面质量进行计算评估。
附图说明
10.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
11.图1为本发明一个实施例所提供的一种公路路面质量智能检测方法。
具体实施方式
12.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结
合附图及较佳实施例，对依据本发明提出的一种公路路面质量智能检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
13.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
14.本发明的主要目的是:对受颗粒感影响较重的隐藏裂纹进行查找，并重新对图像进行自适应边缘检测，对隐藏裂纹进行增强。
15.本发明所针对的情景为：在路面质量评测过程中，一般会使用专门的图像采集车辆，来对路面图像进行采集，但是难免会占用公路资源；或是采用人工抽样测量方法，费时费力。使用无人机对路况信息进行采集，方便快捷，但是无人机采集图像时，会由于路面表面颗粒噪声，对隐形裂纹判断产生干扰，因此，通过已有裂纹为导向，去判断当前路面隐藏裂纹存在情况。
16.下面结合附图具体的说明本发明所提供的一种公路路面质量智能检测方法的具体方案。
17.请参阅图1，其示出了本发明一个实施例提供的一种公路路面质量智能检测方法流程图，该方法包括：步骤s1：获取路面图像；获取路边图像中的现有裂纹边缘点；以每个现有裂纹边缘点为中心点，沿着梯度方向以中心点两侧的像素点作为对应现有裂纹边缘点的参考点；获取现有裂纹边缘点对应的两个参考点预设邻域范围内的像素值累加和，根据两个参考点对应的像素值累加和获得现有裂纹边缘点为隐藏裂纹起始点的概率；根据隐藏裂纹起始点的概率筛选出第一隐藏裂纹起始点。
18.使用无人机拍摄图像时拍摄到的初始图像中包含路面信息和非路面信息，去除初始路面图像中的背景信息，获得路面图像。在本发明实施例中使用神经网络对图像进行分割，获取图片中路面信息。
19.本发明实施例采用dnn语义分割的方式来识别分割图像中的目标。
20.该dnn网络的相关内容如下：a.使用的数据集为无人机采集的待检测路面图像数据集。
21.b.需要分割的像素，共分为2类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于道路之外区域的标注为0，属于待检测路面图像的标注为1。
22.c.网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
23.至此，通过dnn实现了待检测路面图像的分割处理处理，获得图像中道路区域的图像，然后进行灰度化处理，获得道路灰度图。
24.要判断当前道路是否含有隐藏裂纹，要根据已有裂纹边缘点为研究对象，隐藏裂纹的起始点都是从现有裂纹开始进行延伸，所以在开始要使用合适的边缘算子检测出现有裂纹的边缘点，结合当前道路上的颗粒程度选取合适的高斯滤波核的大小，获取到理想的现有裂纹的边缘点的集合。
25.canny算子检测图像边缘时，分为以下几个步骤：a)高斯滤波降噪处理
b)差分计算幅值和方向c)非极大值抑制d)滞后阈值其中高斯核的大小，在一定程度上可以平滑路面表面颗粒感，尺寸较小的的高斯滤波核，可以将图像中的噪声过滤出来，避免后面进行边缘检测时将错误的噪声信息也识别为边缘，但是尺寸较大的滤波核对已有边缘信息也进行了平滑，所以在边缘检测过程中应选择合适大小尺寸的滤波核，同时也要选取合适的非极大值抑制阈值范围。
26.所以在获取图像后进行边缘检测时可以选取需要的高斯滤波核对图像进行预处理，使得选取的高斯滤波核的平滑效果能得出需要的现有的裂纹的完整的边缘信息。
27.隐藏裂纹是以现有裂纹边缘点为起始点开始进行延伸，所以在检测道路裂纹时，需要考虑现有裂纹的边缘点的特征，通过对现有裂纹边缘点的邻域内灰度值的特征，来对隐藏裂纹的概率进行计算。
28.以现有检测出的裂纹边缘点图像，以左下角为坐标原点建立直角坐标系，保证图像整体在坐标系第一象限中。获取到检测之后每一个边缘像素点的坐标，同时将原图像以同样的方式放入同一直角坐标系下。以每个现有裂纹边缘点为中心点，沿着梯度方向以中心点两侧的像素点作为对应现有裂纹边缘点的参考点。获取现有裂纹边缘点对应的两个参考点预设邻域范围内的像素值累加和，具体包括：以每个现有裂纹边缘点为中心点，获取中心点的8邻域中与梯度方向垂直的上边缘方向和下边缘方向；在上边缘方向或者下边缘方向，以参考点为中心分别获得参考点两侧预设数量个像素点的像素值累加和。
29.根据两个参考点对应的像素值累加和获得现有裂纹边缘点为隐藏裂纹起始点的概率，具体包括：概率，具体包括：其中，为参考点左侧的像素值累加和比值，为裂纹边缘点在上边缘方向上第个像素点的像素值，为裂纹边缘点在下边缘方向上第个像素点的像素值，为裂纹边缘点在上边缘方向上第个像素点的像素值，为裂纹边缘点在下边缘方向上第个像素点的像素值，在裂纹边缘点的上边缘和下边缘中第个像素点为对应的参考点，为现有裂纹边缘点为隐藏裂纹起始点的概率，为自然常数。
30.其有两种情况：1.左侧对应道路区域，右侧对应隐藏裂纹区域
2.左侧对应隐藏裂纹区域，右侧对应道路区域其中为第一种情况时，则向右寻找最近的满足第二种特征的中心边缘像素点，将其视为一组。为第二种情况时，则向左寻找最近的满足第一种特征的中心边缘像素点，将其视为一组。
31.表示当前中心点像素为隐藏裂纹起始点的概率，若当前中心像素点为隐藏裂纹起始点时，与二者中存在接近于1的值，则g值较大，即远离1;若当前中心像素点不是隐藏裂纹起始点，则与的比值将接近于1，则g值较小，即接近1。
32.那么设置阈值k=0.5，将g值小于0.5的中心像素点标记为非隐藏裂纹起始点，将g值大于0.5的中心像素点标记为第一隐藏裂纹起始点的像素点。设置计数器m，相同的边缘像素点则视为同一组，统计出被标记为第一隐藏裂纹起始点的像素点的数量。
33.步骤s2：以仅存在一个相邻现有裂纹边缘点的现有裂纹边缘点作为断点，每个断点与其相邻现有裂纹边缘点构成一个向量，获得每个断点与距离最近的其他断点之间向量的夹角，根据夹角获得每个断点的平滑程度，根据平滑程度筛选出第二隐藏裂纹起始点。
34.当边缘在检测后为断点时，其断点两侧的延伸方向的确定，也可作为隐藏裂纹判断依据，断点两侧的延伸方向若和断点两侧像素点相邻像素点的方向差异不大，则其边缘像素点断点可判断为由于高斯滤波造成的边缘断开，若断点两侧的延伸方向若和断点两侧像素点相邻像素点的方向差异较大，则可判断其为隐藏像素点造成的边缘点梯度紊乱而导致的边缘像素点的断点。同样以已经获取到的边缘点为研究对象，判断与其相连的像素点的信息，若某一边缘像素点只有一个相邻像素点，判断与其对应的断点像素点的特征值。
35.边缘像素点只有一个相邻像素点的，将此类像素点作为中心像素点，由相邻像素点指向当前中心像素点，获得向量。获得每个断点与距离最近的其他断点之间向量的夹角，根据夹角获得每个断点的平滑程度，具体包括：其中，为向量和向量之间的夹角，为平滑程度。
36.其中p值越小时，表明当前断点处延伸线交点处的角度越平滑，其断点为隐藏裂纹的概率就越小。其特征为异常隐藏像素点的概率越大。
37.设置计数器n，当p值大于0.1时，认为对应像素点为第二隐藏裂纹起始点，则计数器加一，表明当前断点边缘平滑度较低，为隐藏裂纹起始点的概率较大。当p值小于0.1时，认为此类断点边缘属于被图像过度平滑导致的边缘曲线的断裂，不对此类断点处像素点进行计数。
38.步骤s3：根据第一隐藏裂纹起始点数量、第二隐藏裂纹起始点数量和现有裂纹边缘点的数量获得公路路面质量。
39.具体获得公路路面质量的方法包括：
其中，为平滑程度，为现有裂纹边缘点的数量，为第一隐藏裂纹起始点数量，为第二隐藏裂纹起始点数量，为图像的尺寸。n和m属于两种不同情况下的隐藏裂纹起始点的判别方法，m为现有裂纹边缘点经边缘检测不断裂时，检测出的属于隐藏裂纹起始点概率较高的像素点，而n为现有裂纹边缘点经边缘检测断裂后，对断裂的边缘进行检测，检测出的属于隐藏裂纹起始点概率较高的断点，二者同属现有裂纹边缘上的起始点，但属于不同种类的疑似点。因此同时根据已有裂纹像素点占比和计算出的疑似隐藏裂纹起始点的像素点数量，对当前道路图像进行总的质量评估。
40.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
41.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
42.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。