一种新的沥青路面灌封裂缝自动提取方法

为了提高基于图像处理的沥青路面病害识别效率和精度,引入图像增强处理中的多尺度视网膜(multi-scale Retinex,MSR)算法以减弱光照不均匀、道路场景多变等因素对路面病害图像质量的影响。针对SegNet网络难以精确分割沥青路面微小病害的问题,采用比视觉几何群网络(visual geometry group network,VGG)效果更好的残差网络(residual network,ResNet)作为主干网络,同时加入空洞卷积(dilation convolution)层,提高网络对细小病害的识别性能;针对改进网络在识别病害时误检率较高的问题,运用阈值法剔除分割结果中的假阳性。为了验证改进算法的有效性,将其与具有代表性的语义分割方法(如SegNet、BiSeNet)在相同数据集上进行对比,三者的平均交并比(mean intersection over union,MIoU)分别为0.7763、0.6743、0.6971,三者的F_(1)分数(F_(1)-score,F_(1))分别为0.8999、0.8743、0.8990。运用所提方法对甘肃省部分路段的路面灌封裂缝进行识别,结果与人工检测相比,漏检率为0.09%,误检率为2.49%。实验结果表明:所提方法能够更精确地提取沥青路面灌封裂缝。

基于改进SegNet的沥青路面病害提取与分类方法

针对现有SegNet算法难以精确区分裂缝和灌封裂缝等具有相似特征的沥青路面病害的问题,提出了基于改进SegNet网络的沥青路面病害提取方法。针对道路标线和光照不均匀等导致路面病害图像质量差异化的因素,本研究在去除道路标线的基础上,运用带色彩恢复的多尺度视网膜增强算法,降低道路标线和光照对图像质量的影响以及增强路面病害图像的对比度、色调和亮度,提高病害的识别精度;为了充分利用图像的上下文信息,解决SegNet网络对细微病害分割效果不佳的问题,引入残差神经网络(ResNet)作为编码器,并对解码器中每个上采样产生的特征图拼接2个分别由卷积层(1×1的卷积核)和空洞卷积层从对应的编码器中获取的尺度相同的特征图;运用形态学闭运算连接分割结果中不连续的裂缝。为了验证改进算法的有效性,将其与典型的语义分割方法(SegNet和BiSeNet)在测试集上进行测试和性能对比。研究结果表明,3种方法的平均交并比(MIoU)和F1分数(F1-score)分别为(82.4%,98.9%),(69.4%,94.0%),(80.5%,98.1%);利用这3种方法对甘肃省部分路段路面病害的提取效果进行对比测试,提出方法的裂缝漏检率和误检率分别为2.91%,1.94%,优于SegNet(10.68%,14.56%)和BiSeNet(6.80%,12.62%)。本研究所提方法能够更精确地提取和区分沥青路面裂缝和灌封裂缝。

基于机载高光谱遥感图像的城市绿地覆盖研究

针对Kappa系数低,绿地提取结果完整性差和图像分割精度低的问题,进行基于机载高光谱遥感图像的城市绿地覆盖研究。利用小波变换融合机载高光谱遥感图像,增强图像,清晰化图像边缘并分割图像,获取多个不规则的多边形图像,合并匹配度较高的机载高光谱遥感图像,在提高数据完整度的同时简化数据,提取机载高光谱遥感图像中的绿地覆盖特征,融合所有特征,识别图像中的绿地覆盖部位。实例测试结果表明,所提方法的Kappa系数高,绿地提取结果完整性和图像分割精度得到保证,可以准确识别城市绿地覆盖率。