CN116758059A - 一种用于路基路面的视觉无损检测方法 - Google Patents
一种用于路基路面的视觉无损检测方法 Download PDFInfo
- Publication number
- CN116758059A CN116758059A CN202311002704.8A CN202311002704A CN116758059A CN 116758059 A CN116758059 A CN 116758059A CN 202311002704 A CN202311002704 A CN 202311002704A CN 116758059 A CN116758059 A CN 116758059A
- Authority
- CN
- China
- Prior art keywords
- pixel
- pixel block
- gray
- gray level
- search window
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000000007 visual effect Effects 0.000 title claims abstract description 21
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000001066 destructive effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种用于路基路面的视觉无损检测方法,包括:获取路基路面灰度图像;预设搜索窗口并修正每个搜索窗口的灰度直方图;根据修正后的灰度直方图获取搜索窗口内每个像素点形成像素块的概率;根据搜索窗口内每个像素点形成像素块的概率获取初始像素块;获取初始像素块的重叠区域;根据重叠区域的像素点与初始像素块的灰度差异和距离关系获取第二像素块;根据第二像素块的连通性获得分割难度;根据分割难度获取调整后的预设超像素块个数;根据调整后的预设超像素块分割路基路面灰度图像;根据路基路面灰度图像的分割图像检测路基路面。本发明提高了路基路面检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种用于路基路面的视觉无损检测方法。
背景技术
目前,道路建设发展突飞猛进,通车里程规模的不断增大和机动车驾驶数量的迅速增长,导致道路路面损坏速度加快,路基路面的检测工作也越来越繁重。传统的基于人工视觉的现场调查方法,存在成本高、精确度低等不足随着计算机视觉技术的发展,越来越多的路基路面检测算法被提出,但是在工程实际应用中,依旧存在路面病害特征不明等问题,例如:路面局部松散造成的坑槽缺陷以及路面施工遗留的凹槽问题表现特征相似,所以在检测时可能由于识别不准确的问题造成过度修复或填补不完整。
超像素分割将图像分割为多个图像子区域,不仅保留了进一步进行图像分割的有效信息,且一般不会破坏图像中物体的边界信息,适用于路基路面的缺陷检测。由于超像素分割算法需要预设超像素块个数,个数的多少将直接影响分割效果,因为本实施例基于路基路面图像的分割难度提出一种自适应调整超像素块个数的超像素分割算法。
发明内容
本发明提供一种用于路基路面的视觉无损检测方法,以解决现有的问题。
本发明的一种用于路基路面的视觉无损检测方法采用如下技术方案:
本发明一个实施例提供了一种用于路基路面的视觉无损检测方法,该方法包括以下步骤:
采集路基路面图像并进行灰度化处理,获取路基路面灰度图像;预设搜索窗口尺寸,获取对路基路面灰度图像进行搜索的搜索窗口;
获取每个搜索窗口的灰度直方图,根据预设步长修正每个搜索窗口的灰度直方图,获取修正后的灰度直方图;根据修正后的灰度直方图获取搜索窗口内的每个像素点可形成像素块的概率;根据搜索窗口内的每个像素点可形成像素块的概率标记像素点,以标记像素点形成的像素区域作为初始像素块;
根据若干个初始像素块之间的重叠部分获取初始像素块的重叠区域;根据处于重叠区域的像素点与像素点所在的初始像素块之间的灰度差异和距离关系划分重叠区域的像素点,获得第二像素块;
根据标记像素点获取每个第二像素块的连通性;根据每个第二像素块的连通性获取每个第二像素块的分割难度;以所有第二像素块的分割难度作为调整权重,获取调整后的预设超像素块个数;
根据调整后的预设超像素块个数对路基路面灰度图像进行超像素分割,获取路基路面灰度图像的分割图像;根据路基路面灰度图像的分割图像对路基路面进行检测。
优选的,所述预设搜索窗口尺寸,获取对路基路面灰度图像进行搜索的搜索窗口,包括的具体方法为:
预设超像素块边长,以预设的超像素块边长的两倍作为搜索窗口边长,以预设的超像素块边长作为固定步长滑动搜索窗口。
优选的,所述根据预设步长修正每个搜索窗口的灰度直方图,获取修正后的灰度直方图,包括的具体方法为:
将每个搜索窗口的灰度直方图作为修正前的灰度直方图,对修正前的灰度直方图进行修正操作:将任意灰度值作为当前灰度值,将当前灰度值在修正前的灰度直方图中对应的频数与修正前的灰度直方图中当前灰度值左右两侧预设步长范围内的灰度值对应的频数相加,作为当前灰度值对应的新的频数,获取每个灰度值对应的新的频数,得到新的灰度直方图,将新的灰度直方图作为修正后的灰度直方图。
优选的,所述根据修正后的灰度直方图获取搜索窗口内的每个像素点可形成像素块的概率,包括的具体方法为:
利用每个灰度值在修正后的灰度直方图中对应的频数与搜索窗口像素点个数的比值表示每个灰度值在搜索窗口内的占比,将每个灰度值在搜索窗口内的占比作为搜索窗口内每个像素点在搜索窗口内可形成像素块的概率。
优选的,所述根据搜索窗口内的每个像素点可形成像素块的概率标记像素点,以标记像素点形成的像素区域作为初始像素块,包括的具体方法为:
将搜索窗口内每个像素点可形成像素块的概率由大到小进行排序,将概率最大的前个像素点标记为0,/>为预设的超像素块尺寸,对所有标记像素点进行凸包检测,获取包含所有标记像素点的最小凸多边形区域,以最小凸多边形区域作为初始像素块。
优选的,所述根据处于重叠区域的像素点与像素点所在的初始像素块之间的灰度差异和距离关系划分重叠区域的像素点,获得第二像素块,包括的具体方法为:
统计所有的重叠区域以及每个重叠区域对应的像素点个数,统计构成每个重叠区域的初始像素块个数;计算重叠区域的每个像素点与其所在的初始像素块的灰度差异,具体计算公式如下:
其中,表示第/>个重叠区域中的第/>个像素点与其所在的第/>个初始像素块的灰度差异,/>表示第/>个初始像素块的第/>个像素点灰度值,/>表示第/>个重叠区域中的第/>个像素点的灰度值,/>表示第/>个初始像素块的像素点个数;
根据欧式距离公式获取第个重叠区域中的第/>个像素点与其所在的第/>个初始像素块的中心像素点之间的距离关系;根据得到的灰度差异和距离关系获取将重叠区域的每个像素点划分到构成重叠区域的每个初始像素块的概率,记为划分概率;
预设划分概率阈值,当划分概率大于等于划分概率阈值,则将第个重叠区域中第/>个像素点保留其所在的第/>个像素块中,若划分概率小于划分概率阈值,则从第/>个像素块中将第/>个重叠区域中第/>个像素点剔除,从而获得新的像素块,将新的像素块记为第二像素块。
优选的,所述划分概率的获取方法为:
其中,表示将第/>个重叠区域中的第/>个像素点划分到其所在的第/>个初始像素块中的概率;/>表示第/>个重叠区域中的第/>个像素点与其所在的第/>个初始像素块的灰度差异,/>表示第/>个重叠区域中的/>个像素点与其所在的第/>个初始像素块的中心像素点之间的距离,/>表示重叠区域中包含的像素点个数,/>表示以自然常数为底的指数函数,/>为超参数。
优选的,所述根据标记像素点获取每个第二像素块的连通性,包括的具体方法为:
统计每个第二像素块中的已标记像素点和未标记像素点的个数,将未标记像素点个数和已标记像素点个数的比值作为每个第二像素块的连通性。
优选的,所述根据每个第二像素块的连通性获取每个第二像素块的分割难度,包括的具体方法为:
其中,表示第/>个第二像素块的分割难度,/>表示第/>个第二像素块的未标记像素点个数,/>表示第/>个第二像素块的已标记像素点个数,/>表示第/>个第二像素块的连通性,/>为超参数。
优选的,所述以所有第二像素块的分割难度作为调整权重,获取调整后的预设超像素块个数,包括的具体方法为:
其中,表示自适应调整后的超像素块个数,/>表示第/>个第二像素块的分割难度,/>为预设的超像素块个数,/>表示第二像素块的总数。
本发明的技术方案的有益效果是:能够分区域分析路基路面图像中局部像素点形成超像素块的概率,增强超像素分割的区域自适应性;能够根据每个区域的分割难度决定每个区域形成超像素块的个数,实现自适应超像素块个数,避免过分割或欠分割;对于形成的重叠搜索区域,通过灰度差异以及距离关系划分像素点,去重叠性使获取的超像素块更准确。
附图说明
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,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地介绍,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他的附图。
图1为本发明一种用于路基路面的视觉无损检测方法的步骤流程图。
具体实施方式
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用于路基路面的视觉无损检测方法,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。
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。
下面结合附图具体的说明本发明所提供的一种用于路基路面的视觉无损检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于路基路面的视觉无损检测方法的步骤流程图,该方法包括以下步骤:
S001.采集路基路面图像并进行灰度化处理后获取路基路面灰度图像,预设路基路面图像的搜索窗口。
需要说明的是,路基路面图像的采集受天气影响较大,若光线过强容易造成图像曝光,光线过弱则会导致图像偏暗,因此在选择合适的天气情况的前提下,利用无人机垂直于路基路面表面进行拍摄,获取路基路面图像。为方便后续分析,对路基路面图像进行灰度化处理后,将获取的路基路面灰度图像上传至路基路面图像数据库中进行储存。
需要说明的是,进行超像素分割时需要预设最终形成的超像素块个数,本实施例设定超像素块个数为,预设/>,本实施例对/>不做限定。统计路基路面灰度图像中的像素点个数为/>,则每个超像素块的大小为/>,则相邻种子点的距离近似为/>,其中/>为向下取整符号,因此预设的超像素块尺寸为/>,则以预设的超像素块边长的两倍作为边长,以预设的超像素块边长作为固定步长获取滑动的搜索窗口,即尺寸为的搜索窗口以步长/>在路面路基灰度图像上滑动进行搜索。
至此,获取了路基路面灰度图像并获取了路基路面灰度图像的搜索窗口。
S002.根据每个搜索窗口的灰度分布离散程度获取窗口中每个像素点形成超像素块的概率,提取初始像素块。
需要说明的是,灰度直方图中相邻灰度值表现相近,且超像素分割算法根据搜索窗口内相近灰度值进行聚类,所以可以通过将相邻灰度值对应的频数相加来修正灰度直方图,从修正后的灰度直方图中提取每个初始聚类中心像素点灰度值的频数,根据此时获取的频数在整个搜索窗口中的占比能够更准确的表达搜索窗口中每个像素点形成超像素块的概率。
在搜索窗口滑动过程中,将每个搜索窗口的灰度直方图作为修正前的灰度直方图,而后对修正前的灰度直方图进行修正操作:将修正前的灰度直方图的横轴上的任意灰度值作为当前灰度值,在修正前的灰度直方图横轴上预设步长,本实施例以/>进行阐述,对/>不做限制,其他实施例可根据实际情况进行调整。将当前灰度值在修正前的灰度直方图中对应的频数与修正前的灰度直方图中当前灰度值左右两侧预设步长范围内的灰度值对应的频数相加,作为当前灰度值对应的新的频数,获取每个灰度值对应的新的频数,得到新的灰度直方图,将新的灰度直方图作为修正后的灰度直方图。
需要说明的是,根据修正后的灰度直方图计算搜索窗口内每个像素点的灰度值对应的频数在整个搜索窗口的像素点个数中的占比,频数占比越高说明搜索窗口内越容易形成超像素块,超像素分割的难度越小,反之则分割难度越大。因此本实施例首先计算搜索窗口中每个灰度值频数在搜索窗口中像素点个数的占比:
其中,表示第/>个搜索窗口中第/>个灰度值的频数在搜索窗口内所有像素点的占比,且/>,/>表示第/>个搜索窗口的灰度直方图中在横轴分布的灰度值种类数,表示/>个搜索窗口中第/>个灰度值在修正后的直方图中对应的频数,/>为搜索窗口的大小。
需要说明的是,通过计算灰度值频数在搜索窗口的所有像素点中的占比可以反映同一搜索窗口内像素点灰度值的相近程度,若搜索窗口内的像素点灰度值越相近说明搜索窗口可以形成超像素块的概率越高,反之则搜索窗口可以形成超像素块的概率越低。
因此在本实施例中,将搜索窗口中每个灰度值频数在搜索窗口中像素点个数的占比看作搜索窗口内每个像素点可形成超像素块的概率。同时由于最终形成的超像素块大小为,按照概率由大到小排序,并将概率最大的前/>个像素点在图像中进行标记:将概率最大的前/>个像素点标记为0,对所有标记像素点进行凸包检测,获取包含所有标记像素点的最小凸多边形区域,以最小凸多边形区域作为初始像素块。
至此,获取了路基路面灰度图像中可形成的初始像素块。
S003.根据灰度差异以及距离关系对处于初始像素块之间的重叠区域的像素点进行划分,获得第二像素块。
需要说明的是,由于搜索窗口是根据预设步长在路基路面灰度图像中滑动的,所以会产生重复的搜索区域,因此在最终提取的像素块中存在重叠区域。为了去除像素块之间的重叠性,需要对重叠区域的像素点进行划分,使其数据唯一的像素块。由于重叠区域的像素点至少处于两个像素块内,若重叠区域的像素点与像素点所在的像素块的灰度差异越大说明将像素点划分为该像素块的概率越小,反之则越大;同时,若重叠区域的像素点与像素点所在的像素块之间的距离关系越远说明将像素点划分为该像素跨的概率越小,因此本实施例通过构建重叠区域像素点与像素点所在像素块的灰度差异以及距离关系的负相关关系,获取对重叠区域像素点划分的概率,具体计算步骤如下:
首先,检测所有的重叠区域以及每个重叠区域对应的像素点个数,记检测到的重叠区域个数为,且构成每个重叠区域的初始像素块个数为/>,构成第/>个重叠区域的初始像素块个数为/>;统计每个重叠区域的像素点个数,则将第/>个重叠区域的像素点个数记为/>。
计算重叠区域的每个像素点与其所在的初始像素块的灰度差异,具体计算公式如下:
其中,表示第/>个重叠区域中的第/>个像素点与其所在的第/>个初始像素块的灰度差异,/>表示第/>个初始像素块的第/>个像素点的灰度值,/>表示第/>个重叠区域中的第/>个像素点的灰度值,/>表示第/>个初始像素块的像素点个数。
由于像素点与聚类中心之间的距离会影响超像素块的形成,当像素点与聚类中心的距离大时形成超像素块的概率会降低,因此本实施例通过量化重叠区域的像素点与其所在的初始像素块之间的距离关系为划分重叠区域像素点提供依据。根据欧式距离公式获取第个重叠区域中的/>个像素点与其所在的第/>个初始像素块的中心像素点之间的距离,记为/>。
最后根据得到的灰度差异和距离关系获取将第个重叠区域中的第/>个像素点划分到其所在的第/>个像素块中的概率,具体计算公式如下:
其中,表示将第/>个重叠区域中的第/>个像素点划分到其所在的第/>个初始像素块中的概率;/>表示第/>个重叠区域中的第/>个像素点与其所在的第/>个初始像素块的灰度差异,则/>表示重叠区域中的像素点与第/>个初始像素块的灰度差异的总和;/>表示第/>个重叠区域中的/>个像素点与其所在的第/>个初始像素块的中心像素点之间的距离,则/>表示重叠区域中每个像素点与第/>个初始像素块的中心像素点之间距离总和,/>表示重叠区域包含的像素点个数。利用/>和对灰度差异和距离关系进行归一化处理,/>表示已自然数为底的指数函数;/>为超参数,用于调节概率随灰度差异和距离关系的变化速率,本实施例以/>进行叙述,对/>不做限制。
需要说明的是,由于重叠区域的像素点与其所在的像素块之间的灰度差异和距离关系均与将像素点划分到像素块的概率呈反比,所以本实施例对归一化处理后的灰度差异和距离关系求和并作为自变量,以概率为因变量利用函数关系构建负相关关系,获取重叠区域的像素点的划分概率。
需要说明的是,在得到重叠区域的像素点划分到每个会构成重叠区域的像素块的概率后,若直接根据概率最大对像素点划分过于绝对,本实施例通过预设划分概率阈值将大于划分概率阈值的均予以保留,提高分割的容错性。
预设划分概率阈值为,本实施例以/>进行阐述,对/>不做限制。当/>,则将第/>个重叠区域中第/>个像素点保留其所在的第/>个像素块中,若/>,从第个像素块中将第/>个重叠区域中第/>个像素点剔除,将经过剔除或保留的像素块作为第二像素块。
至此,获取了第二像素块。
S004.根据第二像素块的连通性获取像素块的分割难度,根据分割难度调整预设超像素块。
需要说明的是,通过像素块的划分以及重叠区域像素点的划分获取第二像素块,由于获取的像素块中包含未被标记的像素点,若未被标记的像素点在像素块中分布的越多说明像素块的连通性越差,则分割难度就越大,反之则分割难度越小。因此,可以利用超像素块内已标记像素点个数与未标记的像素点个数量化像素块的连通性,从而构建连通性与像素块分割难度之间的关系,若分割难度越大则说明需要划分更多的超像素块,因此最终根据分割难度作为权重调整预设超像素块就可以获得划分准确性更高的预设超像素块。
首先,根据像素块连通性与分割难度之间的负相关关系获取分割难度的关系式,表达如下:
其中,表示第/>个像素块的分割难度,/>表示第/>个像素块的未被标记像素点个数,/>表示第/>个像素块的已标记像素点个数,/>表示第/>个像素块的连通性,/>为超参数,本实施例以/>为例进行叙述,对/>不做限制。
然后,将分割难度计算公式应用到所有搜索窗口形成的像素块中,由于搜索窗口在路基路面灰度图像中移动形成的搜索窗口个数为个,则形成的像素块个数也为/>个,本实施例通过获取/>个像素块的平均分割难度作为调整权重调整预设的超像素块个数,表达形式如下;
其中,表示自适应调整后的超像素块个数,/>表示第/>个像素块的分割难度,则表示所有像素块的平均分割难度,/>为预设的超像素块个数。
需要说明的是,路基路面灰度图像中的像素块平均分割难度越大,说明需要预设更多的超像素块分割路基路面灰度图像,以获取更精确的分割结果,则利用调整预设超像素块个数,若分割难度大则最终调整的预设超像素块个数更多,若分割难度相对较小,则对预设超像素块个数的调整较小,避免了过分割的问题。
S005.根据调整后的预设超像素块个数对路基路面灰度图像进行分割,识别并检测路基路面的缺陷。
根据调整后的预设超像素块个数对路基路面灰度图像进行分割,获取路基路面灰度图像的分割图像,根据路基路面灰度图像的分割图像对路基路面的病害等问题进行检测,提高检测的准确性。
以上所述仅为本发明的较佳实施例而已,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。
Claims (10)
1.一种用于路基路面的视觉无损检测方法,其特征在于,该方法包括以下步骤:
采集路基路面图像并进行灰度化处理,获取路基路面灰度图像;预设搜索窗口尺寸,获取对路基路面灰度图像进行搜索的搜索窗口;
获取每个搜索窗口的灰度直方图,根据预设步长修正每个搜索窗口的灰度直方图,获取修正后的灰度直方图;根据修正后的灰度直方图获取搜索窗口内的每个像素点可形成像素块的概率;根据搜索窗口内的每个像素点可形成像素块的概率标记像素点,以标记像素点形成的像素区域作为初始像素块;
根据若干个初始像素块之间的重叠部分获取初始像素块的重叠区域;根据处于重叠区域的像素点与像素点所在的初始像素块之间的灰度差异和距离关系划分重叠区域的像素点,获得第二像素块;
根据标记像素点获取每个第二像素块的连通性;根据每个第二像素块的连通性获取每个第二像素块的分割难度;以所有第二像素块的分割难度作为调整权重,获取调整后的预设超像素块个数;
根据调整后的预设超像素块个数对路基路面灰度图像进行超像素分割,获取路基路面灰度图像的分割图像;根据路基路面灰度图像的分割图像对路基路面进行检测。
2.根据权利要求1所述一种用于路基路面的视觉无损检测方法,其特征在于,所述预设搜索窗口尺寸,获取对路基路面灰度图像进行搜索的搜索窗口,包括的具体方法为:
预设超像素块边长,以预设的超像素块边长的两倍作为搜索窗口边长,以预设的超像素块边长作为固定步长滑动搜索窗口。
3.根据权利要求1所述一种用于路基路面的视觉无损检测方法,其特征在于,所述根据预设步长修正每个搜索窗口的灰度直方图,获取修正后的灰度直方图,包括的具体方法为:
将每个搜索窗口的灰度直方图作为修正前的灰度直方图,对修正前的灰度直方图进行修正操作:将任意灰度值作为当前灰度值,将当前灰度值在修正前的灰度直方图中对应的频数与修正前的灰度直方图中当前灰度值左右两侧预设步长范围内的灰度值对应的频数相加,作为当前灰度值对应的新的频数,获取每个灰度值对应的新的频数,得到新的灰度直方图,将新的灰度直方图作为修正后的灰度直方图。
4.根据权利要求1所述一种用于路基路面的视觉无损检测方法,其特征在于,所述根据修正后的灰度直方图获取搜索窗口内的每个像素点可形成像素块的概率,包括的具体方法为:
利用每个灰度值在修正后的灰度直方图中对应的频数与搜索窗口像素点个数的比值表示每个灰度值在搜索窗口内的占比,将每个灰度值在搜索窗口内的占比作为搜索窗口内每个像素点在搜索窗口内可形成像素块的概率。
5.根据权利要求1所述一种用于路基路面的视觉无损检测方法,其特征在于,所述根据搜索窗口内的每个像素点可形成像素块的概率标记像素点,以标记像素点形成的像素区域作为初始像素块,包括的具体方法为:
将搜索窗口内每个像素点可形成像素块的概率由大到小进行排序,将概率最大的前个像素点标记为0,/>为预设的超像素块尺寸,对所有标记像素点进行凸包检测,获取包含所有标记像素点的最小凸多边形区域,以最小凸多边形区域作为初始像素块。
6.根据权利要求1所述一种用于路基路面的视觉无损检测方法,其特征在于,所述根据处于重叠区域的像素点与像素点所在的初始像素块之间的灰度差异和距离关系划分重叠区域的像素点,获得第二像素块,包括的具体方法为:
统计所有的重叠区域以及每个重叠区域对应的像素点个数,统计构成每个重叠区域的初始像素块个数;计算重叠区域的每个像素点与其所在的初始像素块的灰度差异,具体计算公式如下:
其中,表示第/>个重叠区域中的第/>个像素点与其所在的第/>个初始像素块的灰度差异,/>表示第/>个初始像素块的第/>个像素点灰度值,/>表示第/>个重叠区域中的第/>个像素点的灰度值,/>表示第/>个初始像素块的像素点个数;
根据欧式距离公式获取第个重叠区域中的第/>个像素点与其所在的第/>个初始像素块的中心像素点之间的距离关系;根据得到的灰度差异和距离关系获取将重叠区域的每个像素点划分到构成重叠区域的每个初始像素块的概率,记为划分概率;
预设划分概率阈值,当划分概率大于等于划分概率阈值,则将第个重叠区域中第/>个像素点保留其所在的第/>个初始像素块中,若划分概率小于划分概率阈值,则从第/>个初始像素块中将第/>个重叠区域中第/>个像素点剔除,从而获得新的像素块,将新的像素块记为第二像素块。
7.根据权利要求6所述一种用于路基路面的视觉无损检测方法,其特征在于,所述划分概率的获取方法为:
其中,表示将第/>个重叠区域中的第/>个像素点划分到其所在的第/>个初始像素块中的概率;/>表示第/>个重叠区域中的第/>个像素点与其所在的第/>个初始像素块的灰度差异,/>表示第/>个重叠区域中的/>个像素点与其所在的第/>个初始像素块的中心像素点之间的距离,/>表示重叠区域中包含的像素点个数,/>表示以自然常数为底的指数函数,/>为超参数。
8.根据权利要求1所述一种用于路基路面的视觉无损检测方法,其特征在于,所述根据标记像素点获取每个第二像素块的连通性,包括的具体方法为:
统计每个第二像素块中的已标记像素点和未标记像素点的个数,将未标记像素点个数和已标记像素点个数的比值作为每个第二像素块的连通性。
9.根据权利要求1所述一种用于路基路面的视觉无损检测方法,其特征在于,所述根据每个第二像素块的连通性获取每个第二像素块的分割难度,包括的具体方法为:
其中,表示第/>个第二像素块的分割难度,/>表示第/>个第二像素块的未标记像素点个数,/>表示第/>个第二像素块的已标记像素点个数,/>表示第/>个第二像素块的连通性,/>为超参数。
10.根据权利要求1所述一种用于路基路面的视觉无损检测方法,其特征在于,所述以所有第二像素块的分割难度作为调整权重,获取调整后的预设超像素块个数,包括的具体方法为:
其中,表示自适应调整后的超像素块个数,/>表示第/>个第二像素块的分割难度,/>为预设的超像素块个数,/>表示第二像素块的总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311002704.8A CN116758059B (zh) | 2023-08-10 | 2023-08-10 | 一种用于路基路面的视觉无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311002704.8A CN116758059B (zh) | 2023-08-10 | 2023-08-10 | 一种用于路基路面的视觉无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758059A true CN116758059A (zh) | 2023-09-15 |
CN116758059B CN116758059B (zh) | 2023-10-20 |
Family
ID=87953517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311002704.8A Active CN116758059B (zh) | 2023-08-10 | 2023-08-10 | 一种用于路基路面的视觉无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758059B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011303A (zh) * | 2023-10-08 | 2023-11-07 | 泰安金冠宏油脂工业有限公司 | 基于机器视觉的油料生产质量检测方法 |
CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
CN117115196A (zh) * | 2023-10-25 | 2023-11-24 | 东莞雕宝自动化设备有限公司 | 一种切割机刀具磨损视觉检测方法及系统 |
CN117173616A (zh) * | 2023-11-03 | 2023-12-05 | 南通鑫鑫医药药材有限公司 | 一种用于药物生产过程中药瓶实时跟踪检测方法 |
CN117274247A (zh) * | 2023-11-20 | 2023-12-22 | 深圳市海里表面技术处理有限公司 | 一种ltcc导体表面镀层质量视觉检测方法 |
CN117291919A (zh) * | 2023-11-27 | 2023-12-26 | 山东华盛中天工程机械有限责任公司 | 一种钢轨螺栓表面润滑脂视觉检测方法 |
CN117593305A (zh) * | 2024-01-19 | 2024-02-23 | 天津康博轻钢制造有限公司 | 一种面向高频焊接h型钢的视觉定位系统 |
CN117788464A (zh) * | 2024-02-26 | 2024-03-29 | 卡松科技股份有限公司 | 一种工业齿轮油杂质视觉检测方法 |
CN117853483A (zh) * | 2024-03-05 | 2024-04-09 | 济宁市市政园林养护中心 | 一种混凝土搅拌质量智能分析方法 |
CN118097384A (zh) * | 2024-04-29 | 2024-05-28 | 江西赣粤高速公路股份有限公司 | 一种基于图像处理的预制桥梁铰缝破损检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933707A (zh) * | 2015-07-13 | 2015-09-23 | 福建师范大学 | 一种基于多光子共焦显微细胞图像的超像素重构分割与重建方法 |
CN107767383A (zh) * | 2017-11-01 | 2018-03-06 | 太原理工大学 | 一种基于超像素的道路图像分割方法 |
CN109598726A (zh) * | 2018-10-26 | 2019-04-09 | 哈尔滨理工大学 | 一种基于slic的自适应图像目标区域分割方法 |
WO2019223069A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 基于直方图的虹膜图像增强方法、装置、设备及存储介质 |
CN113298763A (zh) * | 2021-05-09 | 2021-08-24 | 复旦大学 | 一种基于显著性窗口策略的图像质量评估方法 |
CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
WO2023083059A1 (zh) * | 2021-11-15 | 2023-05-19 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
US20230186514A1 (en) * | 2020-05-15 | 2023-06-15 | Shanghai Flexiv Robotics Technology Co., Ltd. | Cable detection method, robot and storage device |
-
2023
- 2023-08-10 CN CN202311002704.8A patent/CN116758059B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933707A (zh) * | 2015-07-13 | 2015-09-23 | 福建师范大学 | 一种基于多光子共焦显微细胞图像的超像素重构分割与重建方法 |
CN107767383A (zh) * | 2017-11-01 | 2018-03-06 | 太原理工大学 | 一种基于超像素的道路图像分割方法 |
WO2019223069A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 基于直方图的虹膜图像增强方法、装置、设备及存储介质 |
CN109598726A (zh) * | 2018-10-26 | 2019-04-09 | 哈尔滨理工大学 | 一种基于slic的自适应图像目标区域分割方法 |
US20230186514A1 (en) * | 2020-05-15 | 2023-06-15 | Shanghai Flexiv Robotics Technology Co., Ltd. | Cable detection method, robot and storage device |
CN113298763A (zh) * | 2021-05-09 | 2021-08-24 | 复旦大学 | 一种基于显著性窗口策略的图像质量评估方法 |
WO2023083059A1 (zh) * | 2021-11-15 | 2023-05-19 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
Non-Patent Citations (2)
Title |
---|
XINLIN XIE: "《Adaptive high-precision superpixel segmentation》", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
李桂清: "《一种自适应产生超像素个数的道路图像分割算法》", 《科学技术与工程》, vol. 19, no. 5 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011303A (zh) * | 2023-10-08 | 2023-11-07 | 泰安金冠宏油脂工业有限公司 | 基于机器视觉的油料生产质量检测方法 |
CN117011303B (zh) * | 2023-10-08 | 2024-01-09 | 泰安金冠宏油脂工业有限公司 | 基于机器视觉的油料生产质量检测方法 |
CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
CN117095009B (zh) * | 2023-10-20 | 2024-01-12 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
CN117115196B (zh) * | 2023-10-25 | 2024-02-06 | 东莞雕宝自动化设备有限公司 | 一种切割机刀具磨损视觉检测方法及系统 |
CN117115196A (zh) * | 2023-10-25 | 2023-11-24 | 东莞雕宝自动化设备有限公司 | 一种切割机刀具磨损视觉检测方法及系统 |
CN117173616A (zh) * | 2023-11-03 | 2023-12-05 | 南通鑫鑫医药药材有限公司 | 一种用于药物生产过程中药瓶实时跟踪检测方法 |
CN117173616B (zh) * | 2023-11-03 | 2024-03-05 | 南通鑫鑫医药药材有限公司 | 一种用于药物生产过程中药瓶实时跟踪检测方法 |
CN117274247A (zh) * | 2023-11-20 | 2023-12-22 | 深圳市海里表面技术处理有限公司 | 一种ltcc导体表面镀层质量视觉检测方法 |
CN117274247B (zh) * | 2023-11-20 | 2024-03-29 | 深圳市海里表面技术处理有限公司 | 一种ltcc导体表面镀层质量视觉检测方法 |
CN117291919B (zh) * | 2023-11-27 | 2024-03-01 | 山东华盛中天工程机械有限责任公司 | 一种钢轨螺栓表面润滑脂视觉检测方法 |
CN117291919A (zh) * | 2023-11-27 | 2023-12-26 | 山东华盛中天工程机械有限责任公司 | 一种钢轨螺栓表面润滑脂视觉检测方法 |
CN117593305A (zh) * | 2024-01-19 | 2024-02-23 | 天津康博轻钢制造有限公司 | 一种面向高频焊接h型钢的视觉定位系统 |
CN117593305B (zh) * | 2024-01-19 | 2024-04-05 | 天津康博轻钢制造有限公司 | 一种面向高频焊接h型钢的视觉定位系统 |
CN117788464A (zh) * | 2024-02-26 | 2024-03-29 | 卡松科技股份有限公司 | 一种工业齿轮油杂质视觉检测方法 |
CN117788464B (zh) * | 2024-02-26 | 2024-04-30 | 卡松科技股份有限公司 | 一种工业齿轮油杂质视觉检测方法 |
CN117853483A (zh) * | 2024-03-05 | 2024-04-09 | 济宁市市政园林养护中心 | 一种混凝土搅拌质量智能分析方法 |
CN118097384A (zh) * | 2024-04-29 | 2024-05-28 | 江西赣粤高速公路股份有限公司 | 一种基于图像处理的预制桥梁铰缝破损检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116758059B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN110866430B (zh) | 一种车牌识别方法及装置 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN117094914B (zh) | 基于计算机视觉的智慧城市道路监控系统 | |
CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
CN108960055B (zh) | 一种基于局部线段模式特征的车道线检测方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN118015002B (zh) | 一种交通工程路况视觉检测方法及系统 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN106780727B (zh) | 一种车头检测模型重建方法及装置 | |
CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
CN110717900B (zh) | 基于改进Canny边缘检测算法的受电弓磨耗检测方法 | |
CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
CN116342586B (zh) | 基于机器视觉的路面质量检测方法 | |
CN105138992A (zh) | 一种基于区域主动轮廓模型的海岸线检测方法 | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN113011392B (zh) | 一种基于路面图像多纹理特征融合的路面类型识别方法 | |
CN1702684A (zh) | 高噪声图像特征点自动提取方法 | |
CN116758401B (zh) | 基于深度学习和遥感图像的城市内河水质评估方法 | |
CN116258864B (zh) | 一种村庄规划建设大数据管理系统 | |
CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN117636268A (zh) | 一种面向冰雪环境的无人机航拍自然驾驶数据集构建方法 | |
CN110866435A (zh) | 一种自相似性梯度朝向直方图的远红外行人训练方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |