基于机器视觉的裂缝检测和识别毕业论文
2021-11-05 07:11
摘 要
随着道路与桥梁的数量越来越多，一些传统的检测技术无论是从准确率上，还是从效率上，或者是从经济效益上，都难以满足现状庞大的检测需求。本文重点阐述了利用图像技术检测路面裂缝的研究。
本文主要探究了数字图像处理方法，并且介绍了其处理流程，包括图像输入、图像的预处理、裂缝提取以及裂缝识别这四个步骤。并介绍了几种噪声模型，以及消除这些噪声的滤波器。对经过预处理后的图像，利用裂缝位置信息，使用边缘检测方法提取出了裂缝的轮廓。同时在边缘检测的方法不实用的情况下，提出阈值处理方法，利用裂缝与背景的像素值差距较大，有效的将裂缝分离出来。在提取出来的裂缝中，常常因为图像噪声的影响，导致图像提取的图像并不完美。利用了常见的形态学处理方法，可以有效的去除孤立点。并且提出了裂缝的分段直线拟合的方法，找到了一条曲线计算裂缝长度，并且可以将提取时断掉的裂缝拼接起来。
介绍了神经网络的原理，并且根据路面裂缝的特点提取出了裂缝的特征，并设计三层BP神经网络，选取三个裂缝特征作为输入量。然后通过MATLAB进行仿真试验，证明该方法的可行性。
关键词：图像分割；边缘检测；滤波器；分段曲线拟合；神经网络
Abstract
With the increasing number of roads and bridges, it is difficult for some traditional inspection technologies to meet the huge inspection requirements in terms of accuracy, efficiency, or economic benefits. This article focuses on the research of using image technology to detect road cracks.This article mainly explores the digital image processing method, and introduces its processing flow, including the image input, image preprocessing, crack extraction and crack recognition four steps. It also introduces several noise models and filters to eliminate these noises.
Then, after preprocessing the image, using the crack position information, the edge detection method was used to extract the contour of the crack. At the same time, when the edge detection method is not practical, a threshold processing method is proposed, which uses the large gap between the pixel value of the crack and the background to effectively separate the crack. In the extracted cracks, often because of the influence of image noise, the image extracted by the image is not perfect. The use of common morphological processing methods can effectively remove isolated points. In addition, a piecewise straight line fitting method for cracks is proposed, a curve is found to calculate the crack length, and the cracks that were broken during extraction can be stitched together.
The principle of neural network is introduced, and the characteristics of cracks are extracted according to the characteristics of pavement cracks, and a three-layer BP neural network is designed, and three crack characteristics are selected as input. Then, the simulation test is conducted through MATLAB to prove the feasibility of the method.
Key Words：Image enhancement; image segmentation; edge detection; filter; piecewise curve fitting; neural network
目 录
第1章 绪论 1
1.1 课题研究的背景及其意义 1
1.2 路面裂缝检测的研究现状 1
1.2.1 传统的裂缝检测技术 1
1.2.2 形态学和最大熵图像分割 1
1.2.3 模糊逻辑法 1
1.2.4 神经网络法 2
1.2.5 其它检测法 2
1.3 国外道路裂缝检测系统简介 2
1.4 路面裂缝类型及其评判标准 3
1.4.1 路面破损分类 3
1.4.2 关于路面的评价指数 5
1.5 本文主要研究工作 5
1.6 本文的内容安排 5
第2章 路面裂缝图像的预处理法 6
2.1 数字图像处理的简介 6
2.2 数字图像处理的主要内容 6
2.3 处理裂缝图像的流程 6
2.4 裂缝图像的输入 7
2.5 裂缝图像的预处理 7
2.5.1 常见的噪声模型 8
2.5.2 图像的去噪声处理 9
2.6 本章小结 10
第3章 裂缝图像的提取 11
3.1 引言 11
3.2 边缘检测算法 11
3.2.1 Roberts算子 11
3.2.2 Prewitt算子 11
3.2.3 Sobel算子 12
3.2.4 Laplacian算子 12
3.2.5 Canny算子 12
3.2.6 LoG算子 12
3.3 裂缝图像的分割 13
3.3.1 直接分割法 14
3.3.2 最大类间方差（OTUS）法 14
3.3.3 均值迭代法 15
3.4 形态学操作 15
3.4.1 腐蚀和膨胀 15
3.4.2 开运算与闭运算 16
3.5 裂缝的直线拟合 16
3.6 本章小结 17
第4章 裂缝识别算法 18
4.1 神经网络算法 18
4.1.1 神经网络的简介 18
4.1.2 BP神经网络 18
4.2 裂缝图像的特征提取 19
4.2.1 累积投影向量比 19
4.2.2 裂缝占比 20
4.3 BP神经网络分类器设计 20
4.4 本章总结 21
第5章 总结与展望 23
参考文献 24
致谢 26
绪论
1.1课题研究的背景及其意义
随着我国经济建设的快速发展，道路与桥梁的数量越来越多，对道路与桥梁的养护工作变得越来越重要，检测道路路面的裂缝是其中一个关键问题。对这个问题，一些传统的检测技术无论是从准确率上，还是从效率上，或者是从经济效益上，都难以满足现状庞大的检测需求。因此，一个高效，高准确率的路面识别算法尤为重要。
1.2路面裂缝检测的研究现状
1.2.1 传统的裂缝检测技术
传统的检测技术就是人工肉眼观测，经过培训后的工程师对路段或者桥面的情况进行勘察，找寻路段或者桥面潜在的问题或者已经出现的问题。这种方法容易实施，但是其缺点也很明显：
1. 不同的操作人员的不同测量方法不同，导致结果存在误差；
2. 人工的效率比较低；
3. 人工检测的时候，往往需要封锁道路，影响交通；
1.2.2 形态学和最大熵图像分割
路面裂缝一般呈线性，传统的检测裂缝的方法需要裂缝的特征在一定范围呢，而随着道路越多，路况越复杂，裂缝的种类和形态发生了巨大的变化[10]。实际考察中，很难保证传统的检测方法所适合的裂缝特征。而利用数学形态学的方法检测路面裂缝的方法，可以扩大裂缝特征的适用范围。路面图像经过简单的灰度处理后,使用形态学中的腐蚀、膨胀操作对裂缝图像进行初步处理。再采用不同结构元素对灰度图进行开运算处理，来提高图像中裂缝目标与路面背景之间的灰度差异；最后利用最大熵法进行图像分割，将路面裂缝与背景分割开，并对二值化后的裂缝图像进一步精细化处理。
1.2.3模糊逻辑法
在经典逻辑中，对于一件事，比如“周五属于周末吗？”这个问题只有两个答案，是或者否。但是对于少部分人来说，周五属于周末，这种情况在经典逻辑中无法完美的表达。而模糊逻辑解决了这个问题，如果绝对的“是”记为1，绝对的“不是”记为0，那我们可以给出“周五属于周末吗？”的回答为0.2。（可以理解为80%的情况下不属于，但不是绝对不属于）对于图像处理而言，也会存在这样的问题：（1）当一个三维物体映射到二维平面上时，会出现信息丢失的问题；（2）一些边缘，裂缝，花纹等定义存在奇异性或者难以让计算机区别这类东西；（3）在低层次进行图像处理时，其结果也存在模糊与歧义。因此应用模糊逻辑法来检测裂缝，其关键在于要自动找到裂缝图像的关系函数，从图像域转化为模糊域。
1.2.4神经网络法
神经网络法基于神经网络理论，对检测出来的裂缝进行分类[22-25]。这种方法中，先将裂缝进行分类，然后提取出描述裂缝的特征向量（不同的裂缝种类对应的特征向量不同），并设置一个初始值，选取合适的网络层，利用其可以自动学习的能力，使用大量的样本训练并且建立出对已知类别的记忆信息，最后对未知裂缝样本输入，通过神经网络判别出裂缝样本的类别，并且可以根据未知裂缝样本分类的结果，判断其神经网络法识别的正确率。这种方法多用于提取出裂缝之后的裂缝分类中，如果只是单纯的分类为路面或桥面有无裂缝，并且将图像整体作为输入层，这种神经网络分类的方法表现出的效果并不理想。因为图像较大，即特征向量大，造成训练时间长，并且路面情况复杂，不同材料的路面有着不一样的效果。因此这种方法更流行与裂缝分类，而不是裂缝识别中。
1.2.5其它检测法
- 地质雷达探测法：主要是通过电磁波检测墙体内部的裂缝，精度高，操作方便，但该方法效率较低，不能有效探测表面的裂缝。
- 超声波检测法：主要是通过超声波检测裂缝，与地质雷达探测法一样，主要运用于检测墙体内部的裂缝。
- 声发生检测法：主要是通过被测结果内部产生裂缝时释放的弹性波测量裂缝，但适用于动态裂缝，而不是静态裂缝。
- 光纤传感检测法：主要是通过光纤探头光强的变化或者光纤微弯阴气的光强损耗来检测裂缝结果。[7]准确度十分高并且抗噪声能力强，唯一不足的是，光纤传感器网络的构建比较复杂、成本较高。
1.3国外道路裂缝检测系统简介
上世纪八十年代，一些西方发达国家就已经开展了道路病害检测技术方面的研究工作，并伴随着各种新技术的不断涌现在近些年里有所突破。有加拿大RoadWare公司研制的WiseCrax系统等。[1-3]表 1.1比较了这些不同的系统。
表 1.1不同道路病害检测系统的比较
