第一届挑战赛B2-道路缺陷自动识别

摘要： 论文主要分为以下几部分：先对路面图像去噪，然后图像分割，在预处理过的图片上进行缺陷图像特征提取并作缺陷识别。在分析了路面裂缝的特征之后，本文选用了小波包阀值并辅以中值滤波的方法进行去噪，实验证明经过这样处理之后，图片的质量有了很大的改善，很好抑制了噪音的同时也尽可能地保留了原图片的相关细节。在图片分割的处理上，本文使用了基于分型特征的图像分割方法，这样处理后的道路缺陷图像的分形维数。在提取到路面缺陷图片的裂缝特征向量之后，本文使用了 BP 神经网络算法对道路缺陷进行了分类处理。 由实验可以知道，经过上面的方法之后，能较好地完成了道路缺陷的自动识别。 关键字：道路缺陷自动识别，图像去噪，小波包滤波，分型特征，BP神经网络 The thesis title Abstract: Paper can be divided into the following sections: pavement before image denoising and imagesegmentation, preprocessed images for image feature extraction and defect identification. After the analysisof the characteristics of pavement cracks, we supported the threshold selection of wavelet packet based onmedian filtering approach for denoising, experimental proof after this, picture quality has been greatlyimproved, we were all good suppression of noise while retaining as much as possible the details of theoriginal picture. On the image segmentation, we used image segmentation method based on pattern features,such cracks in road image after processing more clear. After extraction to the eigenvectors of cracks inpavement defects picture, we are using BP neural network classification processing of road defects. Byexperiment can know, after the above method, better completed the automatic recognition of road defects. Key words: automatic recognition of road，image denoising，denoising using Wavelet packet，Fractalcharacteristics，BP neural networks 目录 1.研究目标研究目标研究目标研究目标............................................................................................... 3 2.分析方法与过程分析方法与过程分析方法与过程分析方法与过程.................................................................................... 4 2.1.总体流程..................................................................................................................... 42.2.具体步骤..................................................................................................................... 52.3.结果分析................................................................................................................... 15 1.研究目标研究目标研究目标研究目标 1.1研究意义和背景研究意义和背景研究意义和背景研究意义和背景 城市道路指的是城市内部的道路，它为车辆和行人提出交通往来的便利，在城市的经济发展和人们的衣食住行上都担任了不可或缺的作用。并且它能够连接城市的各个部分，扮演着城市枢纽的角色，是城市建设中至关重要的一环。 改革开放以来，我国的城市建设的步伐越来越快，并提出了城乡一体化的目标，而要很好的实现这个目标就必须在道路建设上投入更大的资源。所以随着城市道路的需求量越来越大，道路建设也成为了城市发展的的主要项目之一。但是由于工程建设涉及面较广，工程条件较复杂，是由多项目、多工序彼此交错和相互制约所组成的线形工程，影响工程质量的因素较多，施工中不可避免地会出现不同程度的质量问题。而且道路在日常的使用，也会因为使用的不得当和使用时间过长，而出现了各种各样的缺陷。因此随着道路网的不断扩大，对以存在的道路的保养维护的问题也显得越来越重要了。 由于道路的缺陷会对路面的承载能力、使用寿命，还有对车辆的行驶速度、燃油消耗、行车舒适和交通安全等都造成了不同程度的不利影响。所以对道路的保养和维护就显得十分重要和迫切了，但是道路缺陷是一种难以估计的破损状态。这为道路的检测带来了难题，而我国现在道路检测主要是使用人工检测的方法，通常是调查人员去到现场，对缺陷的道路的具体状况进行测量和记录，然后对得到的道路缺陷数据进行统计和归类的处理，这样之后就可以对道路的缺陷进行一定的评判了。但是这种方法不但浪费了大量的人力物力，并且效率也很低，检测到的结果误差较大，由此很难对缺陷的道路进行客观和科学准确的判断，而且检测人员的安全也是一个问题。由此看来，研究道路缺陷的自动识别技术，力求达到高效、快速、准确检测道路缺陷的目标，也具有极其重要的意义。 1.21.21.21.2 国内外检测系统的现状国内外检测系统的现状国内外检测系统的现状国内外检测系统的现状 随着这几年来计算机的不断发展和数字图像处理技术的成熟，使道路缺陷的高效、快速、准确的自动识别也变得有可能。国内外都有很多相关的研究人员基于图片处理对道路缺陷自动识别进行了深入的研究，得到了许多方法和技术。在一些发达国家中已经有产品投入到日常道路检测的使用去了，而国内虽然也在这方面取得很大的进展，并且也能够自主地研究出了一些产品，但毕竟在技术上还有一定的差距，所以产品还没达到理想的状态，在某些方面存在着不少的问题，主要有：(1)(1)(1)(1)受光线的影响太大，在晴天和阴天得到的效果相差很大，当晴天的时候，光线充足就可以得到很好的效果，但一旦遇上阴天识别的误差就增大，所以受天气和光线的影响还是挺大的。(2)(2)(2)(2)在(1)说到光线的影响有天气的原因，而受天气的影响的同时，也受到一些不可避免的光线影响，如：道路两边建筑物的阴影和车辆自身的阴影。 第3页，共21页 (3)(3)(3)(3)因为是在行驶的过程中，所以拍到的图片光线不均匀，这也造成了灰度图的不均匀。 (4)(4)(4)(4)经过那么多年的研究，已经得到了很多处理的算法，但是道路的情况十分的复杂，现实证明很多算法和技术都达不到很好的效果。 近二十年来，国际上道路缺陷的检测技术发展十分迅速，用到的技术很多，如：机电一体化、激光技术、雷达技术、模式识别与图像处理技术等等。现在我们主要是谈一下基于图像处理的道路缺陷自动识别的发展和现状： 在20 世纪 80 年代以来，随着摄像技术和计算机图像处理技术的快速发展，一些发达的国家根据其在路面管理的需要，都进行了道路缺陷自动识别的研究。经过几年的研究，在20 世纪 90 年代，他们纷纷发表了自己的研究成果，如：美国开发的 PCES 系统、ADAPT 系统，瑞典的 PAVUE 系统，日本的APDS 系统等等。 而国内也在西方国家得到研究成果之后，在21 世纪陆续出现了自主研究的产品，如：南京理工大学唐振民等人在2002 年 10 月份研制出了国内的首辆路面智能检测车，但是该车检测的精度较差而且检测到的裂痕结果不够全面。 武汉大学的空间信息与网络通信技术研发中心自助研制出了SINC-RTM车载智能路面自动检测系统，这个系统比国内第一辆智能汽车在功能上有了很大补全，在精度上也高了很多，但是它检测裂缝和平和整度的精度较差。 1.31.31.31.3 本文的只要研究工作本文的只要研究工作本文的只要研究工作本文的只要研究工作 本文主要是就基于图像处理的道路缺陷自动识别进行研究，研究工作主要包括以下三部分： （（（（1111））））道路图像的预处理道路图像的预处理道路图像的预处理道路图像的预处理 在道路图像拍摄的时候，由于人为的因素、光线的影响、系统造成的噪音等等原因，使得拍摄到的图片噪音过大，所以为了不干扰下面的识别工作，我们必须对图片进行去噪处理，即图像的预处理。我们的做法是，利用小波包阀值滤波辅以中值滤波的方法进行第一层的处理，然后对图形进行分割，使其图像更加清晰，噪音尽可能减少。然后得到的数据就能很好地为我们下面的处理服务，所以这一步的预处理必不可少。 （（（（2222））））特征提取特征提取特征提取特征提取 只有提取的图像的特征才能适用于分类，所以我们必须要对图像进行特征提取以提供数据支持，我们提取了四个特征，分别是：分型维数、在x 轴和y 轴的投影特征、裂缝区域的像素数。 （（（（3333））））进行分类和结果评价进行分类和结果评价进行分类和结果评价进行分类和结果评价 利用 BP 神经网络进行识别分类，并且输入测试样本去检测模型的准确率，然后通过准确率来评价这个模型的好与坏。 2.分析方法与过程分析方法与过程分析方法与过程分析方法与过程 2.1.总体流程总体流程总体流程总体流程 本数据挖掘的模型流程图如下： 本用例主要包括如下步骤： 步骤一：图像预处理，只要用到小波包滤波法辅以中值滤波。 步骤二：图像特征提取，提取出每幅图像的分形维数、X 轴上投影的最大差分Xmax、Y 轴上投影的最大差分Ymax、每幅图像的像素值。 步骤三：利用 BP 神经网络来进行裂痕识别分类。 2.2.具体步骤具体步骤具体步骤具体步骤 步骤步骤步骤步骤 1111：：：：图片预处理图片预处理图片预处理图片预处理 2.2.1.2.2.1.2.2.1.2.2.1.实际情况分析实际情况分析实际情况分析实际情况分析 道路的路面情况十分复杂，常常会掺杂着其他很多干扰在里面（周围环境如路面上的石子杂物、裂痕附近的污物的干扰，光线不足和分布不均匀带来的影响，路面材料的大小粗糙程度的不同），而在检测拍摄的过程中也由于人为的因素还有拍摄设备的原因而产生了不可避免的噪音，这些都会使得拍摄得到的路面图片质量下降，从而造成计算机在识别上的困难。所以有针对地对图片进行预处理，使得得到的数据能够转换成一种更适合人和机器都易于分析的数据形式，以便在图片中获得更多的数据信息，为得到一个高效、准确的自动识别系统做好数据上的支持。 第5页，共21页 2.2.2.2.2.2.2.2.2.2.2.2.道路图片的特点分析道路图片