多级卷积神经网络的沥青路面裂缝图像层次化筛选

如何快速准确地识别与评估沥青路面裂缝病害,已成为路面养护和保障道路安全的重要任务之一。实际采集路面图像中往往存在大量的非裂缝图像,在保证裂缝图像无漏筛的前提下,尽可能提高裂缝图像的精确率与非裂缝图像的真负例率,则对于降低人工筛选的工作强度,以及后续裂缝自动分割与病害损坏程度评估具有重要实际意义。故此,提出了一种多级卷积神经网络的沥青路面裂缝图像筛选方法,由训练、微调与验证三阶段构成,利用微调集获得softmax层输入微调增量。为避免裂缝图像召回率增加与精确率下降的问题,在对比不同卷积神经网络筛除的非裂缝图像异同基础上,采用改进AlexNet作为一级筛选网络,VGG16或ResNet50作为二、三级筛选网络的层次化处理模型。对于含噪声及复杂路面图像测试集的实验结果表明,三级层次化筛选模型能在100%召回裂缝图像时,达到高的真负例率及准确率。与其他方法的对比实验表明,所提方法可有效解决沥青路面裂缝图像漏筛问题,且具有更好的检测效果。

基于多传感器信息融合的机场道面裂缝检测算法

机场道面的裂缝检测只能在夜间停航期间进行,由此带来光照条件差、图像对比度低、噪声干扰强烈等问题,致使传统基于可见光图像的裂缝检测算法难以适用。为此,提出一种融合可见光图像和红外图像的裂缝检测算法。首先通过局部差分法检测不同传感器图像中的初始裂缝;然后,通过局部区域像素的灰度和温度概率分布建立决策级信息融合模型,获得候选裂缝,并对候选裂缝进行像素级融合;最后,利用多种数学形态学约束进行筛选,获得最终的裂缝检测结果。在真实机场道面数据集上进行了测试,并与多个算法完成对比,结果显示该文算法的准确率、召回率和F值均优于对比算法,可以较精确地检测出裂缝,为机场道面裂缝的检测与管理提供了技术基础。

邻域与梯度显著特征融合的沥青路面裂缝检测方法

针对沥青路面裂缝检测中富纹理噪声影响和细小裂缝误识别严重等问题,提出一种邻域与梯度显著特征融合的沥青路面裂缝检测方法.首先采用灰度校正和形态学重建降低外界干扰和富纹理中较亮点状噪声导致亮度不均的影响,根据像素及其邻域的显著差异提取邻域显著特征,通过方向可调滤波器得到不同方向上的梯度显著特征,将两者卷积融合并优选方向生成特征融合显著图;然后对特征融合显著图阈值分割得到疑似裂缝聚集区域,结合聚集区域的不同几何特征引入聚类分析法筛选裂缝候选区域;最后提出区域端点搜索与定位法,剔除无端点聚集区域的子集,并连接不同区域端点,最终实现裂缝较完整提取.在采集的沥青路面裂缝图像数据集上的实验结果表明,该方法的准确率、召回率、F值分别为92.857%, 86.405%和89.515%,可有效地检测沥青路面图像裂缝,尤其能识别细小裂缝,为路面养护工作提供更准确的裂缝信息.