-
摘要: 沥青路面裂缝自动检测是制约公路养护科学决策的最主要瓶颈.针对现有裂缝检测算法在大规模应用特别是广地域、多路况等复杂环境下算法稳定性、可靠性及实时性等方面存在严重不足问题.本文在观察大量实际工程路面图像基础上, 对路面裂缝特征进行全新定义, 提出了一种基于空间聚集特征的沥青路面裂缝检测方法, 参考裂缝的空间分布、灰度、几何等特征, 以子块图像为处理单元, 采用逐步求精的策略对子块图像进行分割, 快速定位空间聚集区域, 再对聚集区域进行评估得到信度高的裂缝候选区域; 最后以裂缝候选区域为种子区域, 在准确估算裂缝发展趋势的基础上, 结合裂缝片段聚集及相似性等特性, 去除噪声同时合并连接断裂的裂缝, 实现了裂缝区域较为完整的检测.通过测试多路况、多采集环境下近万样本, 并采用不同的方法对测试结果进行评估, 结果显示, 算法对不同类型路面图像中具有不同特征的裂缝区域均具有良好的检测性能, 裂缝定位准确性达到95%以上, 裂缝区域检测的完整性达到90%以上.Abstract: Asphalt pavement crack detection is the main bottleneck of advanced decision support for road maintenance. A common problem associated with existing algorithms is lack of stability, reliability and timeliness in large-scale applications, especially in wide geographical areas and varying road conditions. In this paper, a new description of the cracks is proposed by observing a large number of pavement images. And an asphalt pavement crack detection using spatial clustering feature is proposed. Regions of aggregation are the primary targets segmented from original image via a coarse-to-fine methodology which comprehensively takes the spatial distribution, intensities and geometric features of cracks into account. Then candidate crack regions with sufficient confidence are extracted from regions of aggregation. Moreover, a new region growing algorithm is presented on the basis of an accurate estimate of cracks trend, which guarantees the accomplishment of providing complete cracks by merging operation for those highly similar regions and simultaneously eliminating distinct ones. A larger number of images of pavement surface have been taken for experiments, which cover a wide range of different road conditions and varying data collecting environments. The detection results show that our algorithm is satisfactory for a variety of different cracks. The detection accuracy is over 95% and more than 90% of coherent cracks without disconnected fragments have been correctly detected as the integrated ones.
-
Key words:
- Asphalt pavement /
- crack /
- clustering region /
- candidate region /
- growth direction
-
裂缝是沥青路面最常见和最重要的病害表现形式, 路面裂缝一方面预示着路基或基层出现病害, 如:轮迹带网裂可能表明路基或基层强度减弱; 另一方面可能会诱发路基或基层病害, 如:雨水沿裂缝进入基层导致基层或路基失稳, 从而又加剧路面病害.同时, 裂缝不及时处理, 将缩短公路使用寿命, 影响行车的舒适性和安全性.快速裂缝检测、高效识别和及时养护是提升道路服务质量和延长道路使用寿命的有效途径.行业实际应用表明, 国内外没有任何一种裂缝检测算法能满足实际工程应用需求.解决当前高效采集和低效处理之间的矛盾, 提高病害检测效率成为交通信息工程与模式识别等领域亟待解决的问题[1].路面图像质量以及裂缝在图像中的特征描述是影响裂缝自动检测的关键因素.在路面铺装骨料细小、均匀, 路面干净且图像采集环境良好时, 获取的路面图像纹理清晰, 裂缝视觉显著性高.当裂缝具备一定几何形态(长度、宽度等)时, 采用经典的灰度阈值分割[2-3]、形态学[4-5]、机器学习[6-7]、多尺度几何分析[8]的方法都能很好地进行裂缝自动检测, 得到较好效果.但是: 1)实际公路检测中, 受自然光、天气、铺装材料、路面状况及行车状态等影响, 获取的路面图像会存在光照不均、曝光不够或过度曝光、模糊、阴影等现象.2)国家公路养护规程要求对1毫米及以上裂缝进行养护, 而在高速图像采集(如100公里/小时)过程中, 受裂缝自身宽度、深度、方向以及自然光照方向影响, 细微裂缝与背景对比度弱且难以表现出完整的几何形态，如一定的长度、宽度等, 而是表现的断断续续, 若隐若现.3)当路面铺装材料采用粗骨料时, 骨料的纹理深度和宽度会完全掩盖细小裂缝的特征.4)基于裂缝成因与成像原理, 路面裂缝在图像中大都呈现较深的''黑色''或很浅的''白色'', 但是, 部分裂缝随着裂缝慢慢变宽、变深, 裂缝周边开始剥落, 积灰淤塞裂缝, 使得裂缝看起来和背景十分接近, 形成''灰色''裂缝, 过低的前景与背景对比度加大裂缝检测难度.路面图像自身特征以及裂缝在图像中表现特征的不确定性和多样性使得现有算法都难以满足实际应用需求.通过长期观察大量路面图像及裂缝数据, 对裂缝特征进行定义, 即裂缝是由路面图像中空间分布相对集中、与背景形成对比、具备一定几何特征且在整个图像中占有比例非常小的一部分像素组成的特定区域.以上定义主要包含三方面内容: 1)裂缝像素点空间分布特征.以组成裂缝的像素点为研究目标, 在全局上目标点呈随机和离散分布, 而具体裂缝处又呈现出聚集的特点, 利用该特征将有可能快速定位特征类似的像素聚集区域, 从而准确定位裂缝候选区域(Candidate crack regions, CCR).2)裂缝像素点统计特征.对一般路面图像而言, 裂缝像素点分布在某一个特定、较窄的灰度区间, 利用该特征将有可能进行图像快速粗分割.3)裂缝几何形态特征.观察路面裂缝可发现, 路面裂缝出现后将具有一定的发展趋势, 简单裂缝基本沿一个主要方向发展, 而一旦路面出现多条裂缝, 就可能相互影响和渗透, 最终由简单裂缝发展成复杂裂缝, 利用该特征将有可能以简单裂缝为处理单元, 结合裂缝的发展趋势, 实现裂缝完整检测.本文在充分理解沥青路面图像及裂缝在图像中表现特征的基础上, 利用裂缝像素集空间分布特性, 提出了一种基于空间聚集特征的沥青路面裂缝检测方法, 主要包括以下两方面内容:逐步求精的裂缝候选区域定位方法与基于裂缝发展趋势准确估算的裂缝生长方法, 前者实现裂缝准确定位, 后者实现裂缝完整性检测.实验结果表明该算法对各类路面图像中的目标均具有较好的检测性能, 对于图像和目标的各种变化也表现出较好的稳健性.
1. 相关工作
裂缝候选区域是图像中裂缝可能性较大的像素集形成的区域, 候选区域准确定位是裂缝识别的关键, 大部分裂缝候选区域对于人眼观察场景视觉显著性较强, 裂缝候选区域与非裂缝区域交接处灰度变化也相对明显, 而裂缝候选区域内像素灰度值大致表现为均匀或缓慢变化.裂缝候选区域定位可以采用多种方法: 1)视觉显著性特征检测[9], 该方法常常通过计算图像底层特征如亮度、颜色、方向等对比度快速提取与目标相关显著区域.2)模板法[10-11], 通过设计符合目标特征模板快速提取疑似目标点.3)基于多尺度几何分析方法, 如Gabor filter[12]、Beamlet变换[13]、Contourlet变换[14]、Wavelet-Radon[15]等方法都具有良好的局部性、方向性及多尺度性, 能较好地表示显著目标边缘及纹理等特征.4)基于阈值分割方法[16-17], 通常适用于目标与背景灰度形成较大差异场景, 通过分割阈值来快速提取灰度特征显著的聚集区域.然而, 在对Chambon等[4]提供的基准数据进行实验时, 发现上述方法对细微裂缝、不连续裂缝、视觉显著性不高以及边缘特征不明显裂缝检测率较低.同时, 裂缝成因、自然光照和各种阴影等影响, 导致同一条真实裂缝上的像素灰度值往往并非在同一个灰度区间, 如阴影区域内裂缝的灰度值很小, 而光照强烈区域裂缝的灰度值相对偏大等[18], 进行子块划分[6]将有助于降低图像质量问题带来的检测困难.现有的基于图像子块的分析方法, 假设图像局部区域的灰度分布是均匀的, 将图像划分为互不重叠的等尺度的子块, 再以图像子块为单元进行分析, 效果良好.然而, 真实裂缝具有一定的方向性和连续性, 等尺度子块图像划分会破坏目标特征的完整性而导致裂缝检测失败.本文提出一种逐步求精的裂缝候选区域定位方法, 首先对等尺度子块图像进行粗分割大致定位裂缝可能的灰度区间与空间位置等信息, 再融合利用粗分割结果与子块图像的灰度特征实现子块图像的归类与细分割, 得到聚集区域, 最后采用可靠的评估方法从聚集区域中筛选出置信度高的区域得到裂缝候选区域.该方法不仅可以克服光照、阴影等对分割的影响, 而且可以保证分割过程中裂缝特征的完整, 为后续的检测奠定了基础.每个裂缝候选区域是否是一段真实的裂缝需要经过基于该区域的生长后进行判别.现有大多算法采用形态学处理[2]、模板匹配[19]、区域生长[20-21]等方法实现裂缝的生长, 没有重点考虑裂缝发展趋势.裂缝发展趋势是影响裂缝生长准确性的重要因素, 盲目的生长会造成大量误检, 以上算法大多只是简单列举几种可能的发展趋势或只考虑单一因素对发展趋势的影响, 难以准确估算出裂缝的发展趋势, 往往会造成过生长或欠生长的情况.本文提出了一种基于裂缝发展趋势估算的裂缝生长及去噪方法, 在准确估算裂缝生长趋势的基础上, 以裂缝候选区域为种子区域, 沿着裂缝候选区域的发展趋势, 按照合适的生长准则进行裂缝生长, 提高了生长的效率并确保了生长的准确性.
2. 裂缝候选区域定位
2.1 图像灰度校正
实际工程检测表明, 由于线型激光器内部采用光纤耦合匀化技术, 输出端必然会出现干涉现象, 使得图像存在明暗相间条纹, 表现为竖直方向亮暗分布不均.灰度不均图像中, 裂缝像素在整幅路面图像中的不同位置上可能呈现出不同的灰度均值, 不利于裂缝全局特征的提取.因此, 图像灰度校正是裂缝检测的重要步骤.文中提出了一种基于光强分布的灰度校正方法, 先通过已知多张理想图像(无标线、阴影)的光强分布得到灰度校正系数, 再通过灰度校正系数对图像进行校正, 实验证明该方法对图像纵向亮暗分布不均现象具有较好的适应性, 具体实现方法如下:
1)计算已知多张理想图像(大小为m×n)每列灰度均值, 得到图像光强分布特征值, 即大小为1×n的数组V, 并通过计算V的均值, 得到光强分布的整体水平Vavg.
2)通过式(1)计算光强分布特征值偏离整体水平的程度, 得到灰度校正系数L.
$ L = \frac{V}{{{V_{{\rm{avg}}}}}} $
(1) 3)校正图像中第i行第j列的像素点的灰度值$I_{\rm org}(i, j)$按照式(2)校正为$I_{\rm new}(i, j)$.
$ {I_{{\rm{new}}}}(i, j) = \frac{{{I_{{\rm{org}}}}(i, j)}}{{L(j)}} $
(2) 图 1反映了灰度校正的效果, 图 1(c)中实线是原始图像(图 1(a))每列的像素均值, 点线是灰度校正后图像(图 1(b))每列的像素均值.对比可知, 灰度校正后图像的列均值波动较小, 灰度分布更加均匀.
2.2 聚集区域提取
裂缝表象不是孤立的点, 而是一些空间上聚集且灰度相近的像素点的集合.因此可通过提取空间聚集区域初步定位裂缝区域.文中采用逐步求精的技术路线快速提取聚集区域, 以子块图像作为处理单元, 首先利用裂缝的空间分布特征及灰度特征对子块图像进行粗分割得到特征显著区域, 再融合利用显著区域及子块图像特征实现子块的有效分类及二次分割.
2.2.1 粗分割
粗分割可以大致定位组成裂缝像素的灰度值区间以及裂缝可能的分布区域, 利用裂缝的分布区域可以更合理划分图像子块, 而依据裂缝可能的灰度值区间可以获取更有效的分割阈值.根据裂缝像素点统计特征可知, 裂缝与图像的像素总数的比值较小, 且裂缝灰度与背景形成了对比, 因此可以采用P-tile算法[22]对图像进行粗分割, P-tile算法的原理为:以提取灰度值偏小的目标为例, 依据图像的灰度直方图选择灰度阈值T, 使得灰度值小于等于T的图像面积不大于图像总面积的1/p, 灰度值小于等于T+1的图像面积大于图像总面积的1/p.文中先将图像划分成互不重叠的128像素×128像素大小的子块图像, 对于灰度值偏小的裂缝, 每个子块图像采用式(3)获取分割阈值T, 粗分割结果见图 2(b).
$ \left\{ {\begin{array}{*{20}{l}} {\sum\limits_{n = 0}^T {hist(n)} \le \frac{1}{p} \times H \times W}\\ {\sum\limits_{n = 0}^{T + 1} {hist(n)} > \frac{1}{p} \times H \times W} \end{array}} \right. $
(3) 文中扩展P-tile算法的应用, 对于灰度值偏大的裂缝, 采用式(4)获取分割阈值T.
$ \left\{ {\begin{array}{*{20}{l}} {\sum\limits_{n = T}^{255} {hist(n)} \le \frac{1}{p} \times H \times W}\\ {\sum\limits_{n = T-1}^{255} {hist(n)} > \frac{1}{p} \times H \times W} \end{array}} \right. $
(4) 其中, H为图像的高度, W图像的宽度, hist为图像的灰度直方图.1/p取值范围较大, 从表 1可以看出, 工程1中分辨率为2048像素× 2048像素的3320张图像, 当粗分割面积比例1/p从0.1以0.02的步长增加到0.2时, 漏检率(未检出的裂缝总数占实际裂缝总数的比例)及误检率(错误检出的裂缝占检出的裂缝总数的比例)相差不大, 同理可见工程2, 由此可知的取值范围从0.1~0.2均合适, 文中选取中间值0.15.
表 1 不同1/p对检测结果的影响Table 1 The influence of different values of 1/p over detection results工程名 图片大小 图片数量 1/p 漏检率(%) 误检率(%) 0.10 5.12 7.83 0.12 5.03 8.01 工程1 2048×2048 3320 0.14 4.87 8.13 0.16 4.84 8.19 0.18 4.82 8.22 0.20 4.82 8.31 0.10 4.54 6.25 0.12 4.49 6.28 工程2 2048×2048 7648 0.14 4.42 6.29 0.16 4.39 6.33 0.18 4.38 6.35 0.20 4.38 6.41 粗分割后, 再根据裂缝的形态特征, 去除长度不满足要求的连通区域, 得到特征显著区域, 如图 2(c)中的最小外接矩包含区域.提取的特征显著区域虽然不能完整的包含裂缝区域, 但能准确定位到裂缝区域.后续将通过特征显著区域对子块图像进行归类并计算子块图像的二次分割阈值, 因此, 提取的特征显著区域必须准确可靠.
2.2.2 子块图像自适应分类及分割
在路面裂缝检测过程中, Oliveira等[6]采用等尺度图像子块划分方法以克服图像质量问题如光照不均、阴影等对处理的影响, 但等尺度子块图像划分可能会破坏目标特征的完整性而导致裂缝检测失败.文中综合考虑裂缝的空间位置特征以及子块图像的灰度一致性特征, 对子块图像进行归类, 不同类别子块采用不同阈值分割, 既克服了光照、阴影的影响, 又保证了裂缝特征的完整, 具体处理方法如下:
步骤1.含特征显著区域的子块图像分类
含特征显著区域的子块图像, 确保位置相邻且灰度相似的特征显著区域所在的子块采用同一阈值分割.具体方法为:若子块图像内只含有一个特征显著区域, 则当前子块图像的分割阈值可通过对特征显著区域进行聚类[23]求得; 若子块图像内含有多个特征显著区域, 通过对每个特征显著区域进行聚类[23]得到多个阈值, 再选取最佳阈值作为当前子块图像的分割阈值; 将分割阈值相同的子块归为一类, 如图 2(d)所示, 按照上述原则将含特征显著区域的子块图像分为了四类, 同时获得每一类别的分割阈值.
步骤2.未含特征显著区域的子块分类
未含特征显著区域子块图像, 按照灰度一致性准则对其归类, 通过比较该子块图像与步骤1中得到的已知类别子块图像灰度均值的相似性, 将其归为灰度均值最为接近的那一类, 实现所有子块图像的分类, 如图 2(e)所示.
步骤3.子块图像自适应分割
通过上述步骤, 将子块图像分成了若干类别, 同时获得每个类别的分割阈值, 按照此分割阈值对子块图像进行二次分割得到聚集区域, 如图 2(f)所示, 可以发现, 经过二次分割后的图像, 噪声明显减少的同时裂缝区域得到了很好的保留.
注1.为了同时检测灰度值偏大及偏小裂缝, 实际检测中, 按照灰度特征的不同获取不同的灰度阈值分别对图像进行粗分割及二次分割, 再对二次分割的结果进行融合得到最终的分割图像.
2.3 候选区域定位
裂缝区域是聚集区域, 但聚集区域不一定是裂缝区域.如何从聚集区域中提取信度较高的区域形成裂缝候选区域是本节主要解决问题.本文融合利用连通区域的几何形态、空间位置及方向特征得到4个评估因子组成裂缝区域的特征矢量$X=(Len$, $S_{\rm ratio}$, $Pos$, $Ori)$, 在此基础上建立裂缝目标决策机制筛选并合并信度较高的区域, 得到裂缝候选区域.
1) Len是指连通域的有效长度, 即最小面积外接矩形的最长边, 该值反映了裂缝的线性特征, 为了准确获得区域的长度特征值, 文中采用旋转卡壳[24]思想得到每个聚集区域最小面积外接矩形的长度.
2) Sratio是指区域最小面积外接矩形与最小外接圆的面积比, 如式(5)所示.
$ {S_{{\rm{ratio}}}} = \frac{{L \times W}}{{\pi \times {R^2}}} $
(5) 其中, R指最小外接圆的半径, L和W分别为最小面积外接矩的长与宽.该特征值同样反映了裂缝的线性特征, Sratio越小, 表明区域的线性特征越显著, 该区域属于裂缝区域的可能性越高.
3) Pos指区域的空间位置, 空间位置相近的区域可能属于同一裂缝区域, 两个连通区域的位置关系可以通过其最小面积外接矩的位置关系来判断.
4) Ori指区域的方向特征, 裂缝具有一定的发展趋势, 位置相近且方向一致的区域属于同一裂缝的可能性较大, Ori可通过计算连通区域的最小面积外接矩形长边方向得到.
对于图 3(a) 的聚集区域, 先通过Len和Sratio两个特征矢量初步筛选候选区域, 若聚集区域的Len > TLen且Sratio < TSratio, 其中, TLen和TSratio为经验阈值, 则判定该区域为候选区域, 如图 3(b) 最小面积外接矩所示.对筛选出的候选区域, 依据Pos和Ori特征矢量判断不同候选区域的位置关系及方向相似性, 连接合并位置较近且方向相似的候选区域得到特征增强的候选区域, 如图 3(c) 中最小面积外接矩所示.裂缝候选区域属于裂缝的可能性较大, 后续可将其作为裂缝生长的种子区域.
3. 裂缝生长
实际情况中, 裂缝往往具有一定连续性, 为了还原真实的裂缝, 本文以候选区域作为种子区域, 提出了基于裂缝发展趋势估算的区域生长方法, 经典的基于全局的区域生长方法[23], 效率低下, 并且常常会出现过生长或欠生长现象[22].为了克服传统区域生长的缺陷, 文中通过观察大量路面图像, 总结裂缝生长规律, 做了以下两方面改进: 1)准确估算裂缝的发展趋势, 在此基础上计算生长范围, 使裂缝生长限定在有效的局部范围内, 提高了生长的效率; 2)设计了融合裂缝方向、长度等特征的生长准则, 择优生长, 提高了裂缝生长的准确性.
3.1 发展趋势估算
路面裂缝的发展呈现出由短、细发展为长、粗, 由简单的横纵裂缝发展为复杂的龟裂或块裂的现象.观察大量路面裂缝样本, 可以看出, 不管是何种裂缝, 都是由几条主干裂缝沿着一定的发展趋势向周围生长而成.因此, 依据候选区域准确的对裂缝发展趋势进行估算是裂缝快速准确生长的关键.
裂缝一般具有一个主要的发展方向, Liu等[20]提出以连通区域最小面积外接矩的方向作为裂缝的主方向, 如图 4中紧邻α的箭头所示.同时, 依据相邻相似原则, 空间位置越近的裂缝相似度更高, 因此, 裂缝末端区域的方向对裂缝的生长具有参考意义.通过对端点附近的部分连通区域点集进行线性拟合, 得到裂缝末端区域的方向, 如图 4中紧邻β箭头.文中综合考虑裂缝的主轴及末端的方向信息, 以当前连通区域的末端方向β和最小面积外接矩方向α的加权和θ作为发展趋势的估算值, 如图 4中间的箭头所示.
$ \theta = \omega \alpha + (1-\omega )\beta $
(6) 式中, ω是特征权值, ω与候选区域的线性度成正比(与拟合得到的残差成反比), 残差越小, 区域线性度越好, 主轴方向可以较好代表裂缝发展趋势, 因此, ω较大; 反之, ω较小.
图 4(b) 和图 4(d) 展示的是已知裂缝片段分别在α、β及θ方向附近搜索可生长区域的不同效果. 图 4(b) 裂缝片段Ⅰ在β或θ附近极有可能准确搜索到裂缝片段Ⅱ, 而α方向偏离裂缝片段Ⅱ的方向较远, 在该方向附近较难搜索到裂缝Ⅱ. 图 4(d) 裂缝片段Ⅲ沿α或θ可以准确搜索到裂缝片段IV, 而沿β搜索出现偏差.因此, 在大规模应用中, 主方向α及末端方向β均不能单独表示裂缝发展方向.文中综合考虑两者影响, 采用加权方法得到裂缝方向特征矢量θ, 实验证明该方法对大多数裂缝具有较好的适用性.
3.2 生长准则
以当前候选区域为中心确定生长范围, 在生长范围内搜索满足生长准则的区域得到可生长区域.文中主要以区域的方向及长度特征的相似性为依据建立生长准则.算法如下:
输入.单个候选区域CCR, 当前CCR生长范围内的所有区域R={R1 R2 · · · Rk}, 每个区域的长度特征矢量L及方向特征矢量θ.
输出.生长区域集合S.
1)将CCR加入集合S, 记S={S1}, 其中S1=CCR, 可生长区域个数: p=1
2) While (p)
3) M=∅
4) for i=1 to k
5) if Ri∉S and |θSp − θRi|≤Tθ
6) M ← Ri, 将Ri加入集合M
end if
end for
7) M={M1 M2 · · · Mn}
8) if M=∅
break
else
9)将M中最长区域M*加入S, 记S={S1 S2 · · · Sp}, 其中Sp=M*, p=p+1
end if
end while
3.3 生长过程
按照上述原则, 裂缝生长过程如下:
1)提取所有区域的方向θ及长度特征矢量L.
2)从最长的候选区域开始, 分别以候选区域的端点为圆心, 以候选区域的长度L为半径, 沿着候选区域的方向θ, 做偏移θ左右各π/6角度的扇形生长范围.
3)按照生长准则搜索生长范围内的所有可生长区域.
4)合并可生长区域.对于可生长区域集合中的所有区域, 依据候可生长区域空间位置关系, 依次合并位置相近区域, 结束当前候选区域的生长, 所有可生长区域不参与后续的生长.
5)下一个候选区域的生长.重复2)~4), 直到完成所有候选的生长, 此时, 裂缝生长完毕.
图 5展示的是图 4(a)与图 4(c)经裂缝生长及去噪后的效果, 可以看出, 此算法能够按照裂缝的趋势有效的连接断裂的裂缝并去除噪声, 对裂缝的完整性检测起到了至关重要的作用.
4. 实验结果与分析
本文采用6个图像数据集(DB)来测试本系统的自动识别效果. 6个数据集分别来自中国不同的城市道路, 具有不同的特征.其中, DB1连续性较差的''黑裂缝''偏多, DB2细小的''黑裂缝''偏多, DB3图像光照不均现象严重且有少量''白裂缝'', DB4图像光照不均现象严重且有少量''灰裂缝'', DB5路面人工标记较多, DB6图像质量较好.图像的分辨率均为2048像素× 2048像素.为了更好地评估本文算法, 与现有较好的裂缝检测算法CrackTree[18]、VCrack[10]及WeightedCrack[11]方法进行对比, 并从应用效果、裂缝定位的准确性以及裂缝检测的完整性三个角度对实验结果进行了分析.
本文算法与对比算法在Matlab平台下仿真实现, 操作系统为Window7旗舰版; 计算机配置CPU双核Intel E3-1230, 主频3.7GHz, 内存4GB.
重要参数设置:本文算法, 粗分割比例为0.15, TLen=20, TSratio=0.2; CrackTree算法, 张量投票算法投票场的尺度σ=9; T-MST算法对裂缝目标点建图时的边长阈值Le=10, T-MST算法对树进行修剪时的路径长度阈值Lp=50; GSR阴影消除算法的亮度等高区域个数N=240; VCrack算法, 图像压缩64倍, 依据模板提取种子点的阈值为经验值10; WeightedCrack算法, 选择八方向模板计算像素点的权重, 采用双向扫描方法进行连通域标记, 噪声面积小于75.
4.1 检测效果展示
本文分别从6个图像数据集中选取了一些代表性样本, 并用几个实例图来展现本文方法与对比方法的应用效果.图 6(a)~6(f)依次来自DB1~DB6, 分别代表 6个数据集图像及裂缝的典型特征.其中对于图 6(a)、6(b)、6(e)、6(f)中的''黑裂缝'', 本文算法比其他三种算法裂缝检测完整, 而对于图 6(c)中的''白裂缝''及图 6(d)中的''灰裂缝'', 其他三种算法检测失败, 而本文算法仍具有较好的适应性.此外, 对于连续性差(图 6(a))、细小裂缝(图 6(b))及光照不均(图 6(c)和图 6(d))、标线丰富图像(图 6(e)), 本文的检测效果均优于其他算法.由此可见, 本算法对于不同表现特征的图像及裂缝均具有较好的泛化性.
图 6 从左到右分别为原始图像、人工描点、本文算法、CrackTree、VCrack、WeightedCrack检测效果Fig. 6 The performance for some of the representative crack examples with distinctive characteristics (From top to bottom are pavement images, manually detected results, the proposed detection algorithm results, CrackTree detection algorithm results, VCrack detection algorithm results, and WeightedCrack detection algorithm results.)4.2 裂缝定位准确性
多数情况下采集的高速公路图像中, 实际有病害的图像数目所占总数比例较小, 若能可靠地区分图像中是否含有裂缝, 准确定位裂缝的大致位置, 将提高裂缝搜索的效率, 大大减少工作量.本文对6个数据集近万张样本进行测试, 若P (Positive)代表含有裂缝的图像数目, N (Negative)代表无裂缝的图像数目, FN (False negative)代表含裂缝的图像被判别为无裂缝的图像数目, FP (False positive)代表无裂缝的图像被判别为有裂缝的图像数目, TP (True positive)代表正确检出有裂缝的图像数目, TN (True negative)代表正确检出无裂缝的图像数目.采用式(7)计算FNR (False negative rate), FPR (False positive rate)以及PPR (Predicted positive rate)指标评估裂缝定位的准确性.
$ \left\{ {\begin{array}{*{20}{l}} {FNR = \frac{{FN}}{P} \times 100\% }\\ {FPR = \frac{{FP}}{{TP + FP}} \times 100\% }\\ {PPR = \frac{{TP + TN}}{{P + N}} \times 100\% } \end{array}} \right. $
(7) 本文分别采用本文算法(Proposed), CrackTree, VCrack及WeightedCrack算法对6个数据集进行测试, 并按照上述评估指标对测试结果进行统计, 统计值见表 2.
表 2 路面图像分类结果统计表Table 2 Statistics for accuracy of crack localizationDB Method P N TP TN FN FP FNR(%) FPR(%) PPR(%) Proposed 1255 1180 30 50 2.3 3.8 96.8 DB1 CrackTree 1285 1230 1230 1158 55 72 4.3 5.5 95.0 VCrack 1227 1163 58 67 4.5 5.2 95.0 WeightedCrack 1238 1171 47 59 3.6 4.5 95.8 Proposed 344 632 8 32 2.3 8.5 96.1 DB2 CrackTree 352 664 337 627 15 37 4.3 10.0 94.9 VCrack 331 625 21 39 6.0 10.5 94.1 WeightedCrack 340 626 12 38 3.4 10.0 95.1 Proposed 540 0 0 0 0 0 100 DB3 CrackTree 540 0 527 0 13 0 2.4 0 97.6 VCrack 531 0 9 0 1.7 0 98.3 WeightedCrack 531 0 9 0 1.7 0 98.3 Proposed 2351 90 30 9 1.3 0.4 98.4 DB4 CrackTree 2381 99 2316 83 65 16 2.7 0.7 96.7 VCrack 2298 84 83 17 3.5 0.7 96.0 WeightedCrack 2319 87 62 12 2.6 0.5 97.0 Proposed 1373 90 10 7 0.7 0.5 98.8 DB5 CrackTree 1383 97 1352 88 31 9 2.2 0.7 97.3 VCrack 1330 90 53 7 3.8 0.5 96.0 WeightedCrack 1368 92 15 5 1.1 0.4 98.6 Proposed 426 1560 6 8 1.4 1.8 99.3 DB6 CrackTree 432 1568 387 1482 45 86 10.4 18.2 93.5 VCrack 384 1493 48 75 11.1 16.3 93.9 WeightedCrack 411 1538 21 30 4.9 6.8 97.5 图 7直观展示了四种方法6个数据集的对比效果.图 7(a)中FNR指标反映漏检率, 漏检率越低越好, 对于6个数据集, 本文算法FNR均保持在5%以下, 比CrackTree、VCrack及WeightedCrack算法的FNR低.图 7(b) FPR指标反映误检率, 误检率越低越好, 本文算法的FPR比CrackTree、VCrack及WeightedCrack低且控制在10%以内.图 7(c) PPR指标反映正确率, 本文算法的PPR比CrackTree、VCrack及WeightedCrack高且稳定在95%以上.
图 7 四种方法三个指标的比较Fig. 7 The comparison of the FNR, FPR, PPR of Proposed, CrackTree, VCrack, and WeightedCrack methods4.3 裂缝检测完整性
完整的裂缝检测将能准确提供裂缝破损参数, 提高养护决策效率, 本文从DB1~DB6六个数据库中抽取了100张有裂缝的图像, 以裂缝单元格为处理单元, 通过与人工描点结果进行对比, 采用正确率(Precision)、召回率(Recall)及F值评估裂缝检测的完整性.其中Precision指正确检测到的裂缝区域数目占所有检测的裂缝区域数目; Recall指正确检测到的裂缝区域目标占路面上实际存在的裂缝区域数目; Precision与Recall都比较大时, 检测效果才好, 为了一致量化检测结果的好坏, 本文采用了另一指标Fmeasure=(2Precision × Recall)/(Precision + Recall), 其值越大, 检测效果越好.
本文中的人工描点精确到像素级, 但仍然存在一定的主观因素(如标记的宽度误差), 因此按照像素级的匹配方式存在较大的误差.文中将自动识别与人工描点的二值图像分成多个互不重叠的单元格进行统计, 一个单元格代表一个裂缝区域.人工描点图像中含裂缝的单元格总数为实际存在的裂缝区域数目, 自动识别图像中含裂缝的单元格总数为所有检测的裂缝区域数目, 二者共同的单元格总数为正确检测到的裂缝区域数目.单元格大小很重要, 通过观察大量样本, 发现裂缝往往具有2~5个像素宽, 故文中选择单元格的大小为3×3.
按照上述方法, 对100张有裂缝的图像的检测结果进行了统计, 从图 8可以看到, 本文算法取得了90.9%的平均Precision值, 89.1%的平均Recall值以及90%的平均Fmeasure值, 高于其他三种方法: CrackTree (Precision 79.3%, Recall 82.8%, Fmeasure 81%), VCrack (Precision 73.8%, Recall 80.5%, Fmeasure 77%), WeightedCrack (Precision 86.3%, Recall 85.6%, Fmeasure 85.9%).在运行时间上, 本文所提方法处理数据集中的100张图像, 平均一张图像需要5s, CrackTree 1min, WeightedCrack 6.7s, VCrack图像压缩64倍, 平均一张图像500ms, 速度最快.
图 8 裂缝检测完整性评估结果Fig. 8 Performance evaluation of the completeness of the detected cracks5. 结语
裂缝检测并不是全新命题, 业界已经进行了多年研究, 取得了丰富的成果, 但却没有一个成果可以直接应用于实际工程检测.本文通过对全国近百万公路的道路检测数据进行分析及总结, 以新的视角认识路面图像及路面裂缝特征, 在此基础上提出了一种基于空间聚集特征的沥青路面裂缝检测方法.首先采用逐步求精技术路线实现裂缝候选区域快速准确定位.再以裂缝候选区域为种子区域, 提出了基于裂缝发展趋势估算的裂缝生长方法, 保证了裂缝检测的准确性和完整性.最后, 通过测试多路况、多采集环境下的大量样本, 从不同角度对测试结果进行评估, 实验结果表明, 本文算法对各类路面图像中具有不同特征的裂缝区域均具有良好的泛化性, 同现有较好裂缝检测方法相比裂缝定位更准确, 裂缝检测更完整.
本文研究本质上建立在裂缝与背景灰度形成差异的基础上, 对于目标与背景灰度相似的裂缝的检测具有局限性.未来研究过程中, 将继承灰度及深度图像的不同优势, 结合图像的灰度信息及深度信息, 从多个角度认识图像及病害特征, 将有助于进一步提高识别的准确率.同时, 本文研究为低信噪比目标检测问题提供了新的思路, 算法具有较高扩展性与广泛的应用前景, 在未来研究中, 算法思想将能直接应用于道路快速检测技术, 也可以横向扩展到桥梁、隧道等无损检测领域.
-
图 6 从左到右分别为原始图像、人工描点、本文算法、CrackTree、VCrack、WeightedCrack检测效果
Fig. 6 The performance for some of the representative crack examples with distinctive characteristics (From top to bottom are pavement images, manually detected results, the proposed detection algorithm results, CrackTree detection algorithm results, VCrack detection algorithm results, and WeightedCrack detection algorithm results.)
图 7 四种方法三个指标的比较
Fig. 7 The comparison of the FNR, FPR, PPR of Proposed, CrackTree, VCrack, and WeightedCrack methods
图 8 裂缝检测完整性评估结果
Fig. 8 Performance evaluation of the completeness of the detected cracks
表 1 不同1/p对检测结果的影响
Table 1 The influence of different values of 1/p over detection results
工程名 图片大小 图片数量 1/p 漏检率(%) 误检率(%) 0.10 5.12 7.83 0.12 5.03 8.01 工程1 2048×2048 3320 0.14 4.87 8.13 0.16 4.84 8.19 0.18 4.82 8.22 0.20 4.82 8.31 0.10 4.54 6.25 0.12 4.49 6.28 工程2 2048×2048 7648 0.14 4.42 6.29 0.16 4.39 6.33 0.18 4.38 6.35 0.20 4.38 6.41 
下载: 导出CSV
表 2 路面图像分类结果统计表
Table 2 Statistics for accuracy of crack localization
DB Method P N TP TN FN FP FNR(%) FPR(%) PPR(%) Proposed 1255 1180 30 50 2.3 3.8 96.8 DB1 CrackTree 1285 1230 1230 1158 55 72 4.3 5.5 95.0 VCrack 1227 1163 58 67 4.5 5.2 95.0 WeightedCrack 1238 1171 47 59 3.6 4.5 95.8 Proposed 344 632 8 32 2.3 8.5 96.1 DB2 CrackTree 352 664 337 627 15 37 4.3 10.0 94.9 VCrack 331 625 21 39 6.0 10.5 94.1 WeightedCrack 340 626 12 38 3.4 10.0 95.1 Proposed 540 0 0 0 0 0 100 DB3 CrackTree 540 0 527 0 13 0 2.4 0 97.6 VCrack 531 0 9 0 1.7 0 98.3 WeightedCrack 531 0 9 0 1.7 0 98.3 Proposed 2351 90 30 9 1.3 0.4 98.4 DB4 CrackTree 2381 99 2316 83 65 16 2.7 0.7 96.7 VCrack 2298 84 83 17 3.5 0.7 96.0 WeightedCrack 2319 87 62 12 2.6 0.5 97.0 Proposed 1373 90 10 7 0.7 0.5 98.8 DB5 CrackTree 1383 97 1352 88 31 9 2.2 0.7 97.3 VCrack 1330 90 53 7 3.8 0.5 96.0 WeightedCrack 1368 92 15 5 1.1 0.4 98.6 Proposed 426 1560 6 8 1.4 1.8 99.3 DB6 CrackTree 432 1568 387 1482 45 86 10.4 18.2 93.5 VCrack 384 1493 48 75 11.1 16.3 93.9 WeightedCrack 411 1538 21 30 4.9 6.8 97.5
下载: 导出CSV
-
[1] Zhang J P, Wang F Y, Wang K F, Lin W H, Xu X, Chen C. Data-driven intelligent transportation systems:a survey. IEEE Transactions on Intelligent Transportation Systems, 2011, 12(4):1624-1639 doi: 10.1109/TITS.2011.2158001 [2] Kamaliardakani M, Sun L, Ardakani M. Sealed-crack detection algorithm using heuristic thresholding approach. Journal of Computing in Civil Engineering, 2014, DOI: 10.1061/(ASCE)CP.1943-5487.0000447 [3] He Y Q, Qiu H X. A method of cracks image segmentation based on the means of multiple thresholds. Journal of Communication and Computer, 2012, 9(10):1147-1151 http://www.cqvip.com/QK/88584X/201210/43862638.html [4] Chambon S, Moliard J. Automatic road pavement assessment with image processing:review and comparison. International Journal of Geophysics, 2011, 2011:Article ID 989354 https://www.hindawi.com/journals/ijge/2011/989354/ [5] Lee B Y, Kim Y Y, Yi S T, Kim J K. Automated image processing technique for detecting and analysing concrete surface cracks. Structure and Infrastructure Engineering, 2013, 9(6):567-577 doi: 10.1080/15732479.2011.593891 [6] Oliveira H, Correia P L. Automatic road crack detection and characterization. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(1):155-168 doi: 10.1109/TITS.2012.2208630 [7] Mathavan S, Rahman M, Kamal K. Use of a self-organizing map for crack detection in highly textured pavement images. Journal of Infrastructure Systems, 2015, 21(3):04014052 doi: 10.1061/(ASCE)IS.1943-555X.0000237 [8] Nejad F M, Zakeri H. An optimum feature extraction method based on wavelet-radon transform and dynamic neural network for pavement distress classification. Expert Systems with Applications, 2011, 38(8):9442-9460 doi: 10.1016/j.eswa.2011.01.089 [9] Xu W, Tang Z M, Zhou J, Ding J D. Pavement crack detection based on saliency and statistical features. In:Proceedings of the 20th International Conference on Image Processing (ICIP). Melbourne, Australia:IEEE, 2013. 4093-4097 [10] Huang Y X, Xu B G. Automatic inspection of pavement cracking distress. Journal of Electronic Imaging, 2006, 15(1):013017 doi: 10.1117/1.2177650 [11] Sun L, Kamaliardakani M, Zhang Y. Weighted neighborhood pixels segmentation method for automated detection of cracks on pavement surface images. Journal of Computing in Civil Engineering, 2015, DOI: 10.1061/(ASCE)CP.1943-5487.0000488 [12] Zalama E, Gómez-García-Bermejo J, Medina R, Llamas J. Road crack detection using visual features extracted by Gabor filters. Computer-Aided Civil and Infrastructure Engineering, 2014, 29(5):342-358 doi: 10.1111/mice.2014.29.issue-5 [13] Ouyang A, Dong Q, Wang Y, Liu Y. The classification of pavement crack image based on Beamlet algorithm. Computer and Computing Technologies in Agriculture VII. Berlin Heidelberg:Springer, 2014. 129-137 doi: 10.1007%2F978-3-642-54341-8_13 [14] Shu Z B, Guo Y Q. Algorithm on contourlet domain in detection of road cracks for pavement images. Journal of Algorithms and Computational Technology, 2013, 7(1):15-26 doi: 10.1260/1748-3018.7.1.15 [15] Nejad F M, Zakeri H. A comparison of multi-resolution methods for detection and isolation of pavement distress. Expert Systems with Applications, 2011, 38(3):2857-2872 doi: 10.1016/j.eswa.2010.08.079 [16] Oliveira H, Correia P L. Automatic road crack segmentation using entropy and image dynamic thresholding. In:Proceedings of the 17th European Signal Processing Conference. Glasgow, Scotland:IEEE, 2009. 622-626 [17] Wang S C, Tang W S. Pavement crack segmentation algorithm based on local optimal threshold of cracks density distribution. Advanced Intelligent Computing. Berlin Heidelberg:Springer, 2012. 298-302 https://www.researchgate.net/publication/220777974_Pavement_Crack_Segmentation_Algorithm_Based_on_Local_Optimal_Threshold_of_Cracks_Density_Distribution [18] Zou Q, Cao Y, Li Q Q, Mao Q Z, Wang S. CrackTree:automatic crack detection from pavement images. Pattern Recognition Letters, 2012, 33(3):227-238 doi: 10.1016/j.patrec.2011.11.004 [19] Sun Y, Salari E, Chou E. Automated pavement distress detection using advanced image processing techniques. In:Proceedings of the 2009 IEEE International Conference on Electro/Information Technology. Windsor, Ontario, Canada:IEEE, 2009. 373-377 [20] Liu F F, Xu G A, Yang Y X, Niu X X, Pan Y L. Novel approach to pavement cracking automatic detection based on segment extending. In:Proceedings of the 2008 IEEE International Symposium on Knowledge Acquisition and Modeling. Wuhan, China:IEEE, 2008. 610-614 [21] Oliveira H, Correia P L. Automatic crack detection on road imagery using anisotropic diffusion and region linkage. In:Proceedings of the 18th European Signal Processing Conference. Aalborg, Denmark:IEEE, 2010. 274-278 [22] Sonka M, Hlavac V, Boyle R. Image Processing, Analysis, and Machine Vision (4th edition). Boston:CL Engineering, 2014. http://qpdf.aratasushinyc.com/image-processing-analysis-and-machine-phd-hlavac-vaclav-120470.pdf [23] 王德方, 曾卫明, 王倪传.基于改进K-means算法的不均匀光照下道路裂缝检测.计算机应用与软件, 2015, 32(7):244-247 http://edu.wanfangdata.com.cn/Periodical/Detail/jsjyyyrj201507059Wang De-Fang, Zeng Wei-Ming, Wang Ni-Zhuan. Road crack detection under uneven illumination using improved k-means algorithm. Computer Applications and Software, 2015, 32(7):244-247 http://edu.wanfangdata.com.cn/Periodical/Detail/jsjyyyrj201507059 [24] Robert J M, Toussaint G T. Computational geometry and facility location. In:Proceedings of the 1990 International Conference on Operations Research and Management Science. Manila, Philippines:Springer, 1990. 11-15 期刊类型引用(34)
1. 封筠，毕健康，霍一儒，李家宽. 轻量化沥青路面裂缝图像分割网络PIPNet. 计算机应用. 2024(05): 1520-1526 . 
百度学术2. 易钰程，王靖智，朱路，李霄，熊奎，叶盛涛，陈嘉豪. 路面缺陷智能检测系统与方法综述. 华东交通大学学报. 2023(05): 19-31 . 百度学术3. 陶健，田霖，张德津，胡成雪，何莉. 基于局部纹理特征的沥青路面裂缝检测方法. 计算机工程与设计. 2022(02): 517-524 . 百度学术4. 张华卫，贾文娟，张金龙，廉敬，李攀峰. 并联提取与特征融合注意力网络下的裂缝检测. 电子测量技术. 2022(10): 102-111 . 百度学术5. 胡文魁，邓晖，付志旭，安栋阳，段锐. 基于全卷积神经网络的桥梁裂缝分割和测量方法. 工业建筑. 2022(04): 192-201+218 . 百度学术6. 刘军，王慧民，张兴忠，张婷，郭美青. 基于Transformer的端到端路面裂缝检测方法. 太原理工大学学报. 2022(06): 1143-1151 . 百度学术7. 刘信宏，苏成悦，陈静，徐胜，罗文骏，李艺洪，刘拔. 高分辨率桥梁裂缝图像实时检测. 广东工业大学学报. 2022(06): 73-79 . 百度学术8. 傅幼华，罗文婷，李林，倪昌双，杨振. 基于数据微观精分的沥青路面裂缝自动化检测. 交通科技与经济. 2022(06): 45-52 . 百度学术9. 于继明，张燕，徐楠，陈淼，徐伟，王延红，刘国榜，叶飏. 基于三维特征分布的散料机器人最优抓取点寻位方法及应用. 电子器件. 2022(06): 1453-1458 . 百度学术10. 汤青洲，张德津，王墨川，胡成雪，陶健. SLIC超像素与Inception网络的路面裂缝识别方法. 湖北工业大学学报. 2021(04): 8-12 . 百度学术11. 杜建超，于成龙，赵梦楠，汪小鹏. 一种桥梁裂缝图像快速筛选方法. 光子学报. 2021(10): 354-363 . 百度学术12. 封筠，赵颖，毕健康，赖柏江，胡晶晶. 多级卷积神经网络的沥青路面裂缝图像层次化筛选. 图学学报. 2021(05): 719-728 . 百度学术13. 胡敏，李良福. 生成式对抗网络下路面裂缝图像检测识别仿真. 计算机仿真. 2020(01): 365-368+482 . 百度学术14. 李海丰，聂晶晶，吴治龙，彭博，桂仲成. 基于多传感器信息融合的机场道面裂缝检测算法. 现代电子技术. 2020(24): 17-21+25 . 百度学术15. 李海丰，吴治龙，聂晶晶，彭博，桂仲成. 基于深度图像的机场道面裂缝自动检测算法. 交通运输工程学报. 2020(06): 250-260 . 百度学术16. 徐志刚，车艳丽，李金龙，赵祥模，潘勇，王忠仁，韦娜，宋宏勋. 路面破损图像自动处理技术研究进展. 交通运输工程学报. 2019(01): 172-190 . 百度学术17. 徐铃森. 道路桥梁沥青路面裂缝施工处理技术研究. 建筑技术开发. 2019(04): 120-121 . 百度学术18. 韦春桃，余俊辰，赵平，李小勇. 基于自适应阈值的细小裂缝与微灰度差异裂缝自动检测方法. 中外公路. 2019(01): 58-63 . 百度学术19. 孙卫红，李乾坤，邵铁锋，吴慧明. 基于机器视觉的桩护壁裂缝检测方法. 计算机工程与应用. 2019(14): 260-265 . 百度学术20. 翁飘，陆彦辉，齐宪标，杨守义. 基于改进的全卷积神经网络的路面裂缝分割技术. 计算机工程与应用. 2019(16): 235-239+245 . 百度学术21. 卢来运，李杨. 城市道路沥青路面水稳基层裂缝检测方法研究. 科技通报. 2019(08): 98-102 . 百度学术22. 李兴远. 基于冲击响应信号的大规模蛋壳裂纹检测仿真. 计算机仿真. 2019(09): 414-417+464 . 百度学术23. 龚鹏，林京鹏，胡为，王士康，任赵旭. 暗夜下基于激光辅助的路面障碍物视觉识别方法. 科学技术与工程. 2019(32): 225-229 . 百度学术24. 李鹏，蒋威，顾彬彬. 基于统计特征的D邻域滑动窗路面裂缝分割法. 计算机仿真. 2019(12): 117-121 . 百度学术25. 吕渊. 网络服务器信息动态特征实时检测方法仿真. 计算机仿真. 2019(12): 378-381 . 百度学术26. 徐德刚，李翔鑫，阳春华，桂卫华. 基于扇形邻域差异直方图的匣钵裂纹检测. 光学学报. 2018(08): 186-196 . 百度学术27. 张玉雪，唐振民，钱彬，徐威. 基于稀疏表示和多特征融合的路面裂缝检测. 计算机科学. 2018(07): 271-277 . 百度学术28. 徐昊，彭雪村，卢志芳. 基于四旋翼无人机的桥梁裂缝检测系统设计. 水利水运工程学报. 2018(01): 102-110 . 百度学术29. 郭立媛，张磊，李威，韩旭. 基于先验知识MinMax k-Means聚类算法的道路裂缝研究. 中国测试. 2018(04): 112-117 . 百度学术30. 刘启顺. 空间聚集法在沥青路面裂缝自动检测中的应用. 广东公路交通. 2017(02): 22-24 . 百度学术31. 马建，赵祥模，贺拴海，宋宏勋，赵煜，宋焕生，程磊，王建锋，袁卓亚，黄福伟，张健，杨澜. 路面检测技术综述. 交通运输工程学报. 2017(05): 121-137 . 百度学术32. 高尚兵，颉正，潘志庚，覃方哲，李锐. 一种新的路面裂缝自动检测算法. 系统仿真学报. 2017(09): 2009-2015 . 百度学术33. 朱力强，王春薇，王耀东，余祖俊，郭保青. 基于特征点集距离描述的裂缝图像匹配算法研究. 仪器仪表学报. 2016(12): 2851-2858 . 百度学术34. 王维，孟丽娜，闫兆进. 基于区域生长和最外边缘追踪的路面损坏检测. 中国民航大学学报. 2016(06): 51-54 . 百度学术其他类型引用(59)
-
下载:
计量
- 文章访问数: 2196
- HTML全文浏览量: 217
- PDF下载量: 1055
- 被引次数: 93
