公路路面裂缝图像识别技术研究

公路路面裂缝图像识别技术研究

熊雪平

  邵阳通泰路桥建设有限公司 湖南省邵阳市、422000   

摘要：阐述公路路面常见裂缝的形式及产生原因，对基于图像处理的路面裂缝识别技术进行分析，采用对比度增强和高斯滤波对图像像素进行增强处理，基于中值滤波算法对采取的图像进行初期降噪处理，采用Prewitt算子分割法和Otsu阈值分割算法对图像进行分割处理，得到路面裂缝图像背景和目标明显区分效果图，便于采用计算机进行后期识别和分类分析，供同类工程参考。

关键词：公路路面裂缝；图像识别；技术研究

1公路路面常见裂缝种类的分析

高速公路路面裂缝在施工因素、气候条件、交通通行量及车辆类型等综合因素作用下产生，其主要形式包括：横向裂缝、纵向裂缝、网状裂缝和块状裂缝。横向裂缝是由于修筑初期路基压实不足产生的，主要出现在高速公路路面的侧边，受到路面车辆长时间的碾压，裂缝越来越大。其主要特征为裂缝的分布相对规则，裂缝纵向间距较大，方向为垂直道路中线方向。纵向裂缝的产生主要是由于路面加宽压实不足、路面修筑时纵向连接处处理不当及重载车辆过度行驶等原因造成，裂缝特征为长度和深度较大，深度一般为5～40mm；长度较长，可达几十米，裂缝的宽度在1～5mm不等，中部一般较大，两边部分较细浅；方向与公路中线平行。网状裂缝产生的原因是路面基础层软化、稳定性不强和整个路面强度不足等因素引起，其特征为：裂缝的缝间距40cm以下，宽度一般大于0.1cm，其短边的长度一般低于0.4mm，裂缝区域的面积往往大于10m2，其形状多为不规则结构。块状裂缝的产生主要是由于基础层铺设不均匀、沥青老化及外界温度的变化造成。块状裂缝是由纵向裂缝和横向裂缝交错形成，其形状不规则，裂缝的间距均匀，其裂缝的长度长短不一，一般长边不大于3m，短边不小于0.4m。

2图像识别处理技术概述

公路路面裂缝图像采集因受光照、路况及采集设备等因素的影响，造成采集的路面裂缝病害的照片图像模糊，病害特征不够突出，致使计算机不能有效地进行识别，因此对路面裂缝采集的图像进行预处理是重要的技术手段和实施保障。图像数据的预处理能够有效削弱由采集时环境曝光度、光照不均匀及设备噪声等无效信息造成的影响，提高所采集的图像质量、消除设备噪声干扰、突出公路路面图像的特征信息，为后期处理提供优质的图像和数据资源。针对高速公路路面裂缝的实际特点，采用对比度增强和高斯滤波对采集的图像像素进行增强处理。

2.1基于对比度增强和高斯滤波对图像像素的增强处理

对采集的图像进行图像像素增强处理，能够便于后期对裂缝进行准确识别，采用对比度增强和高斯滤波对图像进行预处理，其对比度表示灰度图像素值从白到黑的渐变层次。

2.2基于中值滤波算法对图像进行去噪处理

采集图像过程中，受采集环境、设备的电磁干扰及信号传输等方面的影响，采集的图像数据会存在一定噪点，噪点的存在不仅降低了采集图像分析的准确度，还大幅增加计算机计算的时长。噪点的产生对图像的后处理具有较大的影响，因此，公路路面图像采集后，应在不损失图像信息的前提下进行去噪处理。中值滤波是一种非线性滤波法，即在指定的像素邻域内，采用中值算法得出的像素点代替图像的原像素点，其算法能够有效抑制干扰噪声，在保护图像边缘像素的前提下，有效消除噪声干扰。

2.3基于Prewitt算子的图像分割分析

通过均值滤波算法提高图像的对比度和亮度，改善了图像的质量，提高了图像的视觉效果，便于分析，但对象是整个采集的图像范围，对图像识别的效率影响较大，为提高图像分析效率，需要对经过处理的图像进行分割、提取、降噪，从而提高分析的效率。图像分割是指在图像中提取测试需求的研究对象（纵向裂缝、横向裂缝等）。通过采用Prewitt算子分割法将相关裂缝目标从处理的图像中提取出来，并进行降噪处理，完成对其特征的分析。

2.4基于Otsu的阈值分割算法

经过Prewitt算子对图像分割后，其路面裂缝特征的提取效果存在较大的差异性，因此，在经过Prewitt算子处理后仍需要对其进行阈值分割。本文采用基于Otsu阈值分割算法对图像中的像素点进行处理，该算法简单，可自动求解阈值，算法适用范围较广。Otsu阈值分割算法又称最大类间方差法，其根据Prewitt算子处理的像素点的灰度值具体分布，采用统计学的方法选取参考阈值（目标和背景二者的分界值即为要计算出的阈值），将上述处理的图像分为背景和目标两部分，其中目标图像需要从阈值中分割出来，将这个采集的图像整个灰度值的阈值统计出来，计算背景与目标相对阈值的类间方差，设定选取类间方差为最大值时，对应的阈值即为该算法所要求的阈值。

采用Otsu阈值分割算法的具体操作过程：首先统计采集图像相同灰度值像素点相应的个数和像素点的总体个数，计算所采集图像每个灰度值在采集图像中出现概率及各数值对应的平均灰度值。其次，在采集图像所对应的全部灰度值（0～255）中，按序依次选取阈值T，T将图像分割为背景和目标两大部分，通过数值计算分别求出每类所对应灰度值出现的概率及每类像素点的平均灰度值。最后，计算出每个像素阈值T所对应的类间方差，选取类间方差的最大值为最佳阈值。其处理后的图像背景和目标能够明显区分，具有较好的分割效果，便于计算机进行检测分析。图1和图2分别为经过中值滤波预处理后的路面图像和经过Otsu阈值分割算法后的路面图像。

图1中值滤波预处理后图像

图2Otsu阈值分割处理图像

3结语

随着公路工程的大量建设和投入使用，长期处于工作状态下的路面会受到一定的破坏，公路路面常见的破坏有车辙、裂缝、油污、沉陷等病害，其中裂缝的破坏形式占公路路面破坏的总体不低于90%，裂缝病害的产生主要由车辆超载、自然环境因素等因素造成。路面裂缝的修复是公路养护的重点工作，以往通过人工检测路面裂缝，检测效率和检测精度较低，路面出现纵向裂缝、横向裂缝及不规则裂缝时，不能有效检测裂缝特征。随着科技快速发展和互联网大数据的广泛应用，采用图像处理的自动检测越来越普遍。

参考文献

[1]高子平.基于深度学习的公路路面裂缝图像识别技术研究[D].西南交通大学,2020.

[2]谭海婷,英红,马骁,汪文,包娜娜.路面裂缝图像识别技术研究综述[J].工程技术研究,2017,(02):9+21.

[3]刘玉臣.公路路面裂缝图像自动识别技术研究[D].吉林大学,2005.