基于灰度分析的路面裂缝图像分类算法研究

为了应对传统人工调查方法已不能适应当今道路养护管理发展需求的问题,从提高路面图像分类检测效率的需求角度出发,设计基于图像掩膜的去噪增强算法,采取路面图像的灰度作为分类特征,并且设计路面图像子块灰度方差的最值之差、一幅路面图像中子块图像方差的最值之差超过阈值的子块图像数量,以及子块图像灰度熵的最值之差为特征的分类算法,并引入神经网络进行路面图像的分类.实验结果表明,相对于中值滤波、均值滤波、偏微分方程、掩膜增强算法,所选取的图像去噪增强算法能够保留路面图像中的细微裂缝;且图像分类算法具有高检测率,零误检率,能够实现大规模路面图像的快速、准确分类.此外,所建立的分类算法能够保证分离出的完好图像中,不会掺杂路面裂缝图像,可以降低后续对路面裂缝图像处理的工作量,且其能为公路养护管理的决策提供依据.

基于YOLOv5s模型的新型道路裂缝检测系统

针对现有道路裂缝检测自动化程度低、检测精度低等问题,提出一种基于YOLOv5s模型的新型道路裂缝检测系统。该系统包括基于深度学习网络的路面裂缝检测模块和自主开发的自动驾驶模块。其中,路面裂缝检测模块采用YOLOv5s网络作为裂缝检测与分类的模型,实时获取路面裂缝图片作为数据集并在此数据集上对网络进行训练,利用训练好的网络提取不同类型裂缝图像的特征信息,实现路面裂缝的分类与检测。自动驾驶模块使用自主设计的工程作业车作为载体,搭载激光雷达、高清摄像头等设备,结合云端后台搭建一套功能完善的路面裂缝检测系统。实验证明该系统具有路面裂缝识别、自主导航、联网、定位、远程控制等功能,适用于常规与特种道路的安全检测工作。