复杂背景下的路面裂缝检测算法研究

发布时间：2020-06-03 19:57

【摘要】：裂缝是公路路面最常见的一种病害,影响公路的安全运营。因此,对公路路面的裂缝进行及时有效的检测、评估和养护是至关重要的。主流的公路裂缝检测方法通常假设公路路面裂缝影像的成像质量较好、公路路面干净、无任何阴影和干扰物。但是,实际的路面裂缝检测将会遇到各种复杂的道路场景,主要的问题如下所示:(1)一般情况下,公路的两旁往往有树木、路灯、广告牌等公共设施,这些公共设施在太阳的照射下会在公路的路面上形成阴影,公路路面的阴影会严重的影响公路路面裂缝的亮度均衡;(2)公路的路面除了阴影这一干扰物之外,往往还有其它类型的干扰因素,例如最常见的路面油污、水渍、车道线、车辙印、树叶等。这些干扰物的存在,也会极大的影响公路路面裂缝的检测;(3)虽然裂缝的检测和提取算法已经得到了广泛的研究,但是关于公路路面破损程度的评价机制却鲜有学者研究和关注。基于以上原因,本文对公路路面的阴影去除、复杂场景下的公路路面裂缝的检测和提取、路面裂缝参数的提取和路面损伤程度的评价这三个方面进行了深入的研究。(1)路面阴影的存在,不仅破坏了路面裂缝图像亮度的一致性,而且,路面阴影具有形状极其不规则、半影区巨大、阴影区和非阴影区难以界定等特点。路面阴影的这些特点都给路面裂缝的顺利检测带来了巨大的挑战。针对这一问题,本文提出了一种基于自适应亮度高程模型的路面阴影消除算法SGRSR。该算法首先采用形态学膨胀运算和高斯平滑滤波消除路面裂缝和路面纹理对后续阴影区域划分的影响;然后利用最大熵阈值分割算法求解出高斯平滑后路面影像阴影区域和非阴影区域的划分阈值,以此实现划分阈值的自适应确定;最后基于改进的亮度等高区域划分模型和亮度补偿方法实现路面阴影的消除。实验结果表明:与GSR算法相比,SGRSR算法不仅能够对海量的、不同分辨率的路面阴影影像实现自动的路面阴影消除;而且,在路面阴影消除后,路面影像的亮度过渡更加的自然。(2)由于在实际的路面裂缝检测过程中将会遇到各种复杂的道路场景,而主流的公路路面裂缝检测和提取算法又不能很好的解决复杂场景下的路面裂缝的检测和提取问题。考虑到深度学习最近在图像分割领域的巨大成功,因此,如何将卷积神经网络应用到公路路面裂缝的检测和提取过程中是具有较高应用价值的。本文将卷积神经网络应用到了路面裂缝的检测和提取过程中,构建并实现了卷积神经网络和反卷积层神经网络相结合的深度神经网络结构,直接对公路路面的裂缝图像在像素级别的水平上预测其所属的语义类别;然后使用特定的颜色,将路面裂缝的区域标记出来;最后基于这一颜色特征,对标记的路面裂缝图像进行图像分割,从而提取出路面裂缝。实验结果表明:该算法优于主流的路面裂缝检测算法,能够初步的解决复杂背景下的路面裂缝检测问题。(3)在路面裂缝检测和提取之后,如何根据提取出来的路面裂缝评价路面的损伤程度,以及如何量化提取出来的路面裂缝,以便为公路的养护提供一个可供参考的路面损伤指标。针对这一问题,本文对路面裂缝的量化和路面损伤程度的评价算法进行了研究。该算法首先通过人工采集和图像数据集扩增算法构建一个具有一定规模的公路路面裂缝图像数据集合;然后基于AlexNet网络构建一个可以分类龟裂裂缝、块状裂缝、纵向裂缝、横向裂缝、网状裂缝和坑槽损伤的六分类网络;最后基于路面裂缝的检测结果和路面裂缝的分类结果对路面裂缝进行定量的描述,并且根据分类结果和裂缝的定量描述对路面的损伤程度进行评价,以便为公路的养护管理人员提供一个参考的依据。
【图文】：

公路里程

路通车里程己经突破１３万公里（来源：国家统计局），，我国的公路里程总量己经逡逑稳居世界榜首，己成为一个名副其实的公路大国＾邋２００９年一２０１６年全国的公路发逡逑展里程如图１－１所示。逡逑我国公路发展里程逡逑５００逡逑ｉｌｌｌｌｌｌｌｌ逡逑２００９逦２０１０逦２０１１逦２０１２逦２０１３逦２０１４逦２０１５逦２０１６逡逑年份逡逑图１－１邋２０１３－２０１６年全国公路里程发展逡逑Ｆｉｇ邋１－１邋Ｎａｔｉｏｎａｌ邋Ｈｉｇｈｗａｙ邋Ｍｉｌｅａｇｅ邋Ｄｅｖｅｌｏｐｍｅｎｔ邋２０１３－２０１６逡逑随着公路和高速公路在全国范围内的建成通车，有效地缓解了我国陆路交通逡逑运输紧张的情况。但是，随之而来也为我们带来了新的课题，那就是伴随着公路逡逑的使用，大量早期修建的公路逐渐进入了维护期。公路路面的裂缝、坑槽、坍塌、逡逑皱裂等路面病害严重影响着公路的承载力、交通运输通道的运输能力、行车安全逡逑和公路的使用年限。在公路的养护和管理中，如果能及时对路面的病害进行检测、逡逑分析、评估和处理，不仅可以极大地延长公路的使用年限，更重要的是可以极大逡逑地改善公路上的行车安全，从而实际有效地保障人民的财产安全。逡逑虽然我国在公路建设方面取得了举世瞩目的成就，但是由于我国在公路事业逡逑中长期存在着“重建设

示意图,全卷,神经网络模型,示意图

逦Ｉｍａｇｅ邋ｃ逦Ｉｍａｇｅ邋ｄ逡逑图２－４邋Ｇｒａｂ邋ｃｕｔ图像分割方法缺点的示意图逡逑Ｆｉｇｕｒｅ邋２－４邋Ｓｃｈｅｍａｔｉｃ邋ｄｉａｇｒａｍ邋ｏｆ邋ｔｈｅ邋ｄｉｓａｄｖａｎｔａｇｅｓ邋ｏｆ邋ｔｈｅ邋Ｇｒａｂ邋ｃｕｔ邋ｉｍａｇｅ邋ｓｅｇｍｅｎｔａｔｉｏｎ邋ｍｅｔｈｏｄ逡逑综上所述，其实不难得出，在前Ｄｅｅｐ邋Ｌｅａｒｎｉｎｇ时代的图像分割算法，由于没逡逑有图像分割模型的训练过程且图像分割都是基于像素自身的低级信息，因此这些逡逑算法的时间复杂度较低。但是，这些算法在比较困难的图像分割任务中，其自动逡逑分割的结果不是十分的理想。逡逑第二阶段为Ｄｅｅｐ邋Ｌｅａｒｎｉｎｇ时代的图像语义分割算法。自２０１２年基于深度学逡逑习的图像识别算法在图像识别大赛ＩｍａｇｅＮｅｔ获得冠军以来，深度学习在计算机视逡逑觉领域取得了巨大的成功，这也直接推动了图像语义分割算法的进步，自此，图逡逑像语义分割算法进入了一个新的时代％。其中，以深度全卷积神经网络（ＦＣＮ）逡逑为代表的一系列基于卷积神经网络的图像语义分割算法被研究人员提出，并且图逡逑像语义分割的精度被新提出的算法屡屡刷新。在此
【学位授予单位】：陕西师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;U418.6

【参考文献】