基于增强深度边缘特征的二维及三维路面裂缝识别方法技术

本发明专利技术提供了一种基于增强深度边缘特征的二维及三维路面裂缝识别方法，包括：读入路面采集系统获取的三维路面数据/二维路面数据；数据预处理；三维路面数据姿态起伏/二维路面数据光照不均信息去除；边缘增强数据获取；整体嵌套边缘检测深度网络训练，根据训练模型获取测试数据边缘概率图；S6，对边缘概率图转化处理，获取路面数据强边缘信息；S7，强边缘选取和连接；S8，提取二维/三维路面的裂缝属性信息。本发明专利技术融合了路面横断面频率成分特性以及深度学习网络获取的多尺度边缘特性，对路面裂缝边缘进行增强，有助于二维、三维路面数据裂缝的准确提取，适用于二维、三维数据采集系统获取的多种典型路面的裂缝自动识别任务。获取的多种典型路面的裂缝自动识别任务。获取的多种典型路面的裂缝自动识别任务。

【技术实现步骤摘要】
基于增强深度边缘特征的二维及三维路面裂缝识别方法


[0001]本专利技术涉及路面破损自动检测识别
，特别涉及一种基于增强深度边缘特征的二维及三维路面裂缝识别方法。

技术介绍

[0002]随着公路路面破损测量设备和自动检测技术的发展，车载公路路面测量系统能获取越来越多的二维和三维路面数据，包括不同路面背景及不同裂缝类型的数据。二维光学路面数据获取设备具有经济实惠、技术成熟的特点，而且适用于典型机器学习方法的引入，但是在实际应用中容易受到光照、阴影、路表轮胎磨痕和油渍等的影响。线扫描三维路面检测方法能克服实际路面检测工程中光照阴影不均匀的干扰，而且能获取路面破损的三维信息，是目前的发展趋势。但是，高精度三维路面数据在实际动态采集环境中包含了严重的载车姿态起伏信息，而且三维数据中包含了路面破损、路面纹理、标志线以及其他路面目标的高程信息。相较于二维光学路面破损检测算法的快速发展，目前三维路面破损检测技术还相对滞后。裂缝作为路面破损中最常见的破损类型，是实际路面养护检测工程应用中最受关注的检测指标。由于二维路面数据和三维路面数据在实际公路检测工程应用中都有一定优势，目前也都在具体的检测工程中发挥作用。但是，目前针对二维路面和三维路面裂缝检测的方法都是各自独立的，缺乏能同时处理二维和三维路面数据裂缝检测的方法。
[0003]由于实际路面裂缝检测工程应用中二维、三维路面数据的海量大数据特性，利用机器学习方法从海量路面数据中快速自动检测裂缝位置和属性信息具有重要的理论和应用价值。由于二维光学路面数据更符合计算机视觉机器学习模型的数据集需求，目前二维光学路面机器学习深度学习方法得到了广泛的研究和实际生产应用。然而，机器学习难以直接在线扫描三维路面数据裂缝检测应用中获取较好的效果，一方面线扫描三维数据中包含行车姿态及变形病害等因素的干扰，实际裂缝检测任务对于方法的鲁棒性较高，需要适用于不同类型裂缝不同路面背景的数据；另一方面由于三维数据与二维数据中裂缝特性差异较大，三维路面标注一般获取更加困难，传统的监督机器学习方法甚至深度学习方法对不同数据不同路面裂缝的适用性有限。
[0004]应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的
技术介绍
部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

技术实现思路

[0005]本专利技术的目的是：针对上述
技术介绍
中存在的不足，提供一种基于增强深度边缘特征的二维及三维路面裂缝自动检测方法，以充分增强并利用裂缝在路面数据中表现出来的连续边缘特性，能适用于二维和三维路面数据各种典型路面裂缝提取的裂缝检测应用。
[0006]为了达到上述目的，本专利技术提供了一种基于增强深度边缘特征的二维及三维路面裂缝识别方法，包括如下步骤：
[0007]S1，读入路面采集系统获取的三维路面数据/二维路面数据；
[0008]S2，数据预处理；
[0009]S3，三维路面数据姿态起伏/二维路面数据光照不均信息去除；
[0010]S4，边缘增强数据获取；
[0011]S5，整体嵌套边缘检测深度网络训练，根据训练模型获取测试数据边缘概率图；
[0012]S6，对边缘概率图转化处理，获取路面数据强边缘信息；
[0013]S7，强边缘选取和连接；
[0014]S8，提取二维/三维路面的裂缝属性信息。
[0015]进一步地，二维路面数据是利用车载二维相机获取的路面光学数据，三维路面数据是利用线扫描三维测量传感器，沿测量方向采集一系列路面断面轮廓，将一系列路面断面轮廓拼接得到。
[0016]进一步地，其特征在于，S2中对系统异常及环境异常产生的异常值进行矫正，断面轮廓通过标定文件进行像方到物方转换，获取物方的断面数据，校正测量系统中的系统误差。
[0017]进一步地，S3中对于获取的三维路面数据/二维路面数据，将各个横断面进行成分分解，去除低频成分影响，增强裂缝高频边缘特征。
[0018]进一步地，S4中将各个横断面高频成分进行拼接，形成边缘特性增强后的高频成分数据，将边缘增强后的数据统一转化为数值分布在0
‑
255范围内的灰度图。
[0019]进一步地，S5中将S4获得的数据输入到整体嵌套边缘检测深度网络获取边缘概率图，整体嵌套边缘检测深度网络由开源的二维路面数据集和对应的裂缝标注进行训练，训练过程输入的数据集也经过S3和S4步骤的处理。
[0020]进一步地，S6中将获取的边缘概率图转化为数值分布在0
‑
255范围内的灰度图，结合边缘图均值Ave，获取阈值Th1＝3*Ave。
[0021]进一步地，S7中基于所获取及转化后的边缘概率图以及阈值Th1，将低于阈值的弱边缘去除，保留不小于阈值的强边缘，将选取的强边缘的连通域作为图像边缘对象，图像边缘对象位置及其方向作为张量投票算法的输入，结合边缘对象区域及对象方向张量编码，获取输入边缘对象数据的张量显著性场，结合获取的张量显著性场中较为显著的线段，构造出可能的连接结果，将连接结果与强边缘图进行结合，利用连通域面积参数，删除连通域较小的边缘图。
[0022]进一步地，S8中基于S7获取的裂缝边缘连接结果和S4获取的高频成分数据，利用裂缝对象区域属性特征获取裂缝面积、严重程度属性信息。
[0023]进一步地，在最终获取的推理裂缝的位置的基础上，对应地获取边缘子对象位置及其连通域信息；对于二维数据，根据裂缝边缘对象连通域特征确定裂缝的长度、面积属性，结合高频成分数据灰度判定裂缝的严重程度；对于三维数据，根据裂缝边缘对象连通域特征确定裂缝的长度、面积属性，结合高频成分数据高程图判定裂缝的深度信息，进而判定裂缝的严重程度及其分布属性。
[0024]本专利技术的上述方案有如下的有益效果：
[0025]本专利技术提供的基于增强深度边缘特征的二维及三维路面裂缝识别方法，结合了实际应用环境获取的二维路面和三维路面数据，能够适用于二维、三维数据采集系统获取的
沥青路面、水泥路面、粗纹理、细纹理和普通纹理路面等多种典型路面的裂缝自动识别任务；融合路面横断面频率成分特性以及深度学习网络获取的多尺度边缘特性，对路面裂缝边缘进行增强，一方面能去除路面数据采集系统由于光照不均匀(二维路面数据情况)、载车姿态起伏(三维路面数据情况)对裂缝边缘特性的淹没影响，另一方面能顾及到裂缝的不同粗细不同深浅的边缘特性，有助于二维、三维路面数据裂缝的准确提取；
[0026]本专利技术中，经过断面成分分解增强后的路面裂缝边缘特性得到增强，基于增强成分数据和少量裂缝标注数据，训练深度学习边缘检测网络，基于此深度学习边缘检测网络能同时处理二维路面增强数据以及三维路面增强数据的裂缝边缘概率结果，从而利用已有的二维路面标注数据集训练深度学习模型，克服路面标注样本不足难以训练网络的缺陷，在有限的标注条件下获取准确全面的二维和三维路面裂缝边缘概率信息，能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增强深度边缘特征的二维及三维路面裂缝识别方法，其特征在于，包括如下步骤：S1，读入路面采集系统获取的三维路面数据/二维路面数据；S2，数据预处理；S3，三维路面数据姿态起伏/二维路面数据光照不均信息去除；S4，边缘增强数据获取；S5，整体嵌套边缘检测深度网络训练，根据训练模型获取测试数据边缘概率图；S6，对边缘概率图转化处理，获取路面数据强边缘信息；S7，强边缘选取和连接；S8，提取二维/三维路面的裂缝属性信息。2.根据权利要求1所述的基于增强深度边缘特征的二维及三维路面裂缝识别方法，其特征在于，二维路面数据是利用车载二维相机获取的路面光学数据，三维路面数据是利用线扫描三维测量传感器，沿测量方向采集一系列路面断面轮廓，将一系列路面断面轮廓拼接得到。3.根据权利要求2所述的基于增强深度边缘特征的二维及三维路面裂缝识别方法，其特征在于，S2中对系统异常及环境异常产生的异常值进行矫正，断面轮廓通过标定文件进行像方到物方转换，获取物方的断面数据，校正测量系统中的系统误差。4.根据权利要求3所述的基于增强深度边缘特征的二维及三维路面裂缝识别方法，其特征在于，S3中对于获取的三维路面数据/二维路面数据，将各个横断面进行成分分解，去除低频成分影响，增强裂缝高频边缘特征。5.根据权利要求4所述的基于增强深度边缘特征的二维及三维路面裂缝识别方法，其特征在于，S4中将各个横断面高频成分进行拼接，形成边缘特性增强后的高频成分数据，将边缘增强后的数据统一转化为数值分布在0
‑
255范围内的灰度图。6.根据权利要求5所述的基于增强深度边缘特征的二维及三维路面裂缝识别方法，其特征在于，S5中将S4获得的数据输入到整体嵌套边缘检测深度网络获取边...

【专利技术属性】
技术研发人员：桂容，胡俊，张德津，
申请(专利权)人：中南大学，
类型：发明
国别省市：