一种多维路面损坏数据处理方法技术

本发明专利技术涉及一种多维路面损坏数据处理方法，该方法包括以下步骤：使用二维图像预处理算法对采集的二维灰度图像进行处理，获得处理后二维图像；使用三维图像预处理算法对采集的三维高程图像进行处理，获得三维图像增强输出结果；将所述的处理后二维图像和三维图像增强输出结果作为路面损坏病害识别模型的输入，对路面损坏区域进行定位与自动化快速检测。与现有技术相比，本发明专利技术克服了图像数据缺失、数据特征复杂和数据分布不统一的问题，而且有效提高了识别病害的精确度和效率。高了识别病害的精确度和效率。高了识别病害的精确度和效率。

【技术实现步骤摘要】
一种多维路面损坏数据处理方法


[0001]本专利技术属于路面信息采集与检测
，涉及一种多维路面损坏数据处理方法。

技术介绍

[0002]目前，路面交通越来越拥挤、复杂，导致路面可能出现不同类型的病害，如裂缝、坑槽、车辙、灌缝、块状修补和松散等。为了不影响日常交通和人们的行车安全，需要定期对路面的破损状况进行检测，及时修补病害。现有技术一般采用单向线结构光扫描技术进行路面损坏智能检测，但是存在来自技术原理的限制，一方面，相邻纵断面的光学特征不同，另一方面，相邻横断面高程叠加了车辆震动位移，使得系统输出的二维灰度数据和三维高程数据的数据特征趋向复杂。这样特征不规律的路面数据大大增加了路面病害智能识别的难度。而且路面损坏检测方面，还没有形成比较完整的评价体系，病害自动分类方法在识别效果、类别覆盖、实时处理等方面还不能达到满意的效果。

技术实现思路

[0003]本专利技术的目的是提供一种多维路面损坏数据处理方法，以克服图像数据缺失以及识别的精确度和效率不高的问题。
[0004]本专利技术的目的可以通过以下技术方案来实现：
[0005]一种多维路面损坏数据处理方法，该方法包括以下步骤：
[0006]使用二维图像预处理算法对采集的二维灰度图像进行处理，获得处理后二维图像；
[0007]使用三维图像预处理算法对采集的三维高程图像进行处理，获得三维图像增强输出结果；
[0008]将所述的处理后二维图像和三维图像增强输出结果作为路面损坏病害识别模型的输入，对路面损坏区域进行定位与自动化快速检测。
[0009]进一步地，所述的二维图像预处理算法包括：
[0010]步骤S310、计算初始预处理系数C0，
[0011][0012]其中，是初始整体均值，Benchmark是设定的基准灰度值Benchmark；
[0013]步骤S320、获取路面二维灰度图像I，基于设定的阈值判断该路面二维灰度图像是否含有异常灰度信息，若是，则剔除该图像，若否，则将该图像加入图像列，获得图像列的灰度均值Ave
current
；
[0014]步骤S330、基于预处理系数和灰度均值Ave
current
，获取路面二维灰度图像I的处理后二维图像I
new
，
[0015]I
new
＝I
×
C
[0016]其中，C为预处理系数，若I为第一张待处理图像，C为C0，否则C通过以下公式更新获得：
[0017][0018]Ave
Back
＝αAve
Back
+(1
‑
α)Ave
current
[0019]α是设定的更新比例，Ave
Back
是整体均值，初始值为
[0020]步骤S340、返回步骤S320，直至所有图像数据处理结束。
[0021]进一步地，所述的初始整体均值的获得方法包括：
[0022]获取路面二维灰度图像，基于设定的阈值剔除含有异常灰度信息的图像，提取N张可用于计算预处理系数C0的初始图像，计算N张图像的灰度均值作为所述的初始整体均值
[0023]进一步地，所述的三维数据预处理算法包括：
[0024]步骤S410、对通过数据标定获得的路面相对高程数据采用像素左右相邻插值方法进行处理，获得滤波后三维图像高程值点集；
[0025]步骤S420、对原始三维图像的高程值点集和滤波后三维图像高程值点集采用三维图像增强函数进行处理，获得三维图像增强输出结果。
[0026]进一步地，所述的数据标定借助线结构光原理，对二维灰度图像和三维高程图像建立像素与空间坐标的转换关系，生成用于获得路面相对高程数据的标定参数文件。
[0027]进一步地，所述的像素左右相邻插值方法为，
[0028][0029]其中，X＝{X1，X2，...，X
w
}是每行横断面像素矩阵，X
w
＝0(w＝1，2，...，W)是异常点集，X
w
≠0(w＝1，2，...，W)是正常点集，X
′
＝{X
′1，X
′2，...，X
′
w
}是滤波后的高程值点集，W为横断面高程点个数。
[0030]进一步地，所述的三维图像增强函数的计算公式为：
[0031]A
′
(x，y)＝A+MFF
k
|A|+MFF
k
|A(x
‑
I，y
‑
j)|
[0032][0033]其中，A代表原始三维图像高程值点集的矩阵，A
′
代表经过滤波后三维图像高程值点集的矩阵，MFF是一种自适应均值滤波技术，K为滤波系数，取(2K+1)
×
(2K+1)为滤波模板，A
′
min
代表A
′
集的最小值，A
′
max
代表A
′
集的最大值，A
″
代表三维图像增强输出结果，i，j∈[
‑
K，K]。
[0034]进一步地，所述的路面损坏病害识别模型的构建方法包括：
[0035]步骤S510、对含有路面损坏病害的高质量二维和三维图像进行病害标记；
[0036]步骤S520、叠加标记后的二维和三维图像，获得双通道训练样本数据库；
[0037]步骤S530、使用双通道训练样本数据库训练深度学习网络模型，获得路面损坏病害识别模型。
[0038]进一步地，所述的路面损坏病害识别模型叠加有条件随机场模块，用于提高路面损坏病害识别模型的精度。
[0039]进一步地，所述的路面损坏病害包括裂缝、坑槽、车辙、灌缝、块状修补和松散。
[0040]与现有技术相比，本专利技术具有以下特点：
[0041]1.本专利技术针对二维灰度图像和三维高程数据分别研发了二维图像预处理算法和三维图像预处理算法，能够实现有效解决由车辆颠簸、机械振动、激光强度分布不均等因素导致的图像数据缺失、数据特征复杂和数据分布不统一的问题。
[0042]2.本专利技术通过使用双通道训练样本数据库训练深度学习网络模型，获得路面损坏病害识别模型，能够实现快速精确、大范围地识别裂缝、坑槽、车辙、灌缝、块状修补和松散等多种路面损坏病害。
[0043]3.本专利技术借助结构光原理建立像素和空间的转换关系进行数据标定，实现获得的路面相对高程数据精度较高。
[0044]4.本专利技术使用条件随机场模块叠加到路面损坏病害识别模型中，实现提高路面损坏病害识别模型的精度。
附图说明
[0045]图1为多维路面损坏数据处理方法流程图。
具体实施方式
[0046]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多维路面损坏数据处理方法，其特征在于，该方法包括以下步骤：使用二维图像预处理算法对采集的二维灰度图像进行处理，获得处理后二维图像；使用三维图像预处理算法对采集的三维高程图像进行处理，获得三维图像增强输出结果；将所述的处理后二维图像和三维图像增强输出结果作为路面损坏病害识别模型的输入，对路面损坏区域进行定位与自动化快速检测。2.根据权利要求1所述的多维路面损坏数据处理方法，其特征在于，所述的二维图像预处理算法包括：步骤S310、计算初始预处理系数C0，其中，是初始整体均值，Benchmark是设定的基准灰度值Benchmark；步骤S320、获取路面二维灰度图像I，基于设定的阈值判断该路面二维灰度图像是否含有异常灰度信息，若是，则剔除该图像，若否，则将该图像加入图像列，获得图像列的灰度均值Ave
current
；步骤S330、基于预处理系数和灰度均值Ave
current
，获取路面二维灰度图像I的处理后二维图像I
new
，I
new
＝I
×
C其中，C为预处理系数，若I为第一张待处理图像，C为C0，否则C通过以下公式更新获得：Ave
Back
＝αAve
Back
+(1
‑
α)Ave
current
α是设定的更新比例，Ave
Back
是整体均值，初始值为步骤S340、返回步骤S320，直至所有图像数据处理结束。3.根据权利要求2所述的多维路面损坏数据处理方法，其特征在于，所述的初始整体均值的获得方法包括：获取路面二维灰度图像，基于设定的阈值剔除含有异常灰度信息的图像，提取N张可用于计算预处理系数C0的初始图像，计算N张图像的灰度均值作为所述的初始整体均值4.根据权利要求1所述的多维路面损坏数据处理方法，其特征在于，所述的三维数据预处理算法包括：步骤S410、对通过数据标定获得的路面相对高程数据采用像素左右相邻插值方法进行处理，获得滤波后三维图像高程值点集；步骤S420、对原始三维图像的高程值点集和滤波后三维图像高程值点集采用三维图像增强函数进行处理，获得三维图像增强输出结果。5.根据权利要求4所述的多维路面损坏数据处理方法，其特征在于，所述的数据标定借助线结构光原理，对二维灰度图像和三维高程图像建立像素与空间坐标的转换关系，...

【专利技术属性】
技术研发人员：郎洪，丁朔，邢莹莹，陈江，原野，邹政，
申请(专利权)人：同济大学，
类型：发明
国别省市：