1、交通信息工程及控制专业毕业论文 精品论文 基于图像处理的路面裂纹识别研究关键词:图像处理 路面裂纹识别 边缘检测 神经网络摘要:随着我国经济的高速的发展,交通在国民经济和人们生活中地位的重要性越来明显。公路更是在国民交通中占有重要地位,其也随着我国经济的高速发展而受到更多的重视。为了提高公路使用寿命,公路养护工作也得到越来越多的重视,只靠传统人工检测路面破损的方法已经不能适应公路快速发展的需求,所以路面破损的自动检测系统的研究与开发就显得尤为迫切。本文介绍了基于图像处理的路面裂纹检测的研究。 首先简单介绍了路面裂纹检测系统的体系结构,说明了硬件选择方法和理由以及系统的工作原理。 其次在分析了路
2、面裂纹图像的特点后,进行路面图像的去噪预处理。由于一般路面状况相当复杂(如路面杂物、路面材料颗粒大小等)、检测设备自身引入的噪声等原因,是采集到的路面图像含有大量噪声,从而给路面裂纹检测带了很多困难。为了便于后续图像处理工作,首先对图像进行去噪处理。根据裂纹图像的特征,本文采用了中值滤波对路面图像进行去噪,并与均值滤波的去噪效果进行了比较,得出中值滤波有效性以及对后续处理的有利性。 再次,在预处理完的图像中要进行边缘检测以及图像分割,将裂纹图像二值化以便后续的识别工作。在边缘检测中通过对比 sobel 和 prewitt 算子,验证了 sobel 的有效及优势,并且扩充了 sobel 算子使得
3、边缘响应更强烈,为二值化图像分割选择简便的双峰法分割奠定基础。在图像分割完毕后,图像中还是会有一些“孤立”点噪声存在,这就需要对二值化图像进行滤波。根据前面边缘检测所得二值图像的特点,我们提出运用形态学的方法对二值化图像进行滤波,通过对图像的分析证明形态学滤波的有效性,同时我们还可以在图像中发现,形态学滤波后将 sobel 算子提取的裂纹边缘进行了填充,而且填充的程度和形态学中用的检测核的矩阵大小相关,裂纹尺度大于矩阵核的地方未被填充,并且裂纹像素数基本不变,这个特点可以用来对裂纹尺寸的测量,以及区别路面上处裂纹意外的其他类型的破损和干扰(如油污,斑马线)。 最后,在裂纹图像被二值化后,对图像
4、进行裂纹特征提取及识别。通过对二值化后裂纹图像的特征分析,提取了二值化图像裂纹在 X,Y 轴上投影像素数目以及总的裂纹像素数目作为识别的特征输入。在确定了特征输入后,本文设计了一个 3 层 BP 神经网络,以三个提取特征作为输入,并规定了 4 个输出分别代表横向裂纹、纵向裂纹、龟裂裂纹和无裂纹。然后分别对隐层神经元数目为 30、60 和 150 的 3 个网络进行了分析对比,最后证明 60 个神经元的网络更能胜任路面裂纹分类识别的工作。正文内容随着我国经济的高速的发展,交通在国民经济和人们生活中地位的重要性越来明显。公路更是在国民交通中占有重要地位,其也随着我国经济的高速发展而受到更多的重视。
5、为了提高公路使用寿命,公路养护工作也得到越来越多的重视,只靠传统人工检测路面破损的方法已经不能适应公路快速发展的需求,所以路面破损的自动检测系统的研究与开发就显得尤为迫切。本文介绍了基于图像处理的路面裂纹检测的研究。 首先简单介绍了路面裂纹检测系统的体系结构,说明了硬件选择方法和理由以及系统的工作原理。 其次在分析了路面裂纹图像的特点后,进行路面图像的去噪预处理。由于一般路面状况相当复杂(如路面杂物、路面材料颗粒大小等)、检测设备自身引入的噪声等原因,是采集到的路面图像含有大量噪声,从而给路面裂纹检测带了很多困难。为了便于后续图像处理工作,首先对图像进行去噪处理。根据裂纹图像的特征,本文采用了
6、中值滤波对路面图像进行去噪,并与均值滤波的去噪效果进行了比较,得出中值滤波有效性以及对后续处理的有利性。 再次,在预处理完的图像中要进行边缘检测以及图像分割,将裂纹图像二值化以便后续的识别工作。在边缘检测中通过对比 sobel 和 prewitt 算子,验证了 sobel 的有效及优势,并且扩充了 sobel 算子使得边缘响应更强烈,为二值化图像分割选择简便的双峰法分割奠定基础。在图像分割完毕后,图像中还是会有一些“孤立”点噪声存在,这就需要对二值化图像进行滤波。根据前面边缘检测所得二值图像的特点,我们提出运用形态学的方法对二值化图像进行滤波,通过对图像的分析证明形态学滤波的有效性,同时我们还
7、可以在图像中发现,形态学滤波后将 sobel 算子提取的裂纹边缘进行了填充,而且填充的程度和形态学中用的检测核的矩阵大小相关,裂纹尺度大于矩阵核的地方未被填充,并且裂纹像素数基本不变,这个特点可以用来对裂纹尺寸的测量,以及区别路面上处裂纹意外的其他类型的破损和干扰(如油污,斑马线)。 最后,在裂纹图像被二值化后,对图像进行裂纹特征提取及识别。通过对二值化后裂纹图像的特征分析,提取了二值化图像裂纹在 X,Y 轴上投影像素数目以及总的裂纹像素数目作为识别的特征输入。在确定了特征输入后,本文设计了一个 3 层 BP 神经网络,以三个提取特征作为输入,并规定了 4 个输出分别代表横向裂纹、纵向裂纹、龟
8、裂裂纹和无裂纹。然后分别对隐层神经元数目为 30、60 和 150 的 3 个网络进行了分析对比,最后证明 60 个神经元的网络更能胜任路面裂纹分类识别的工作。随着我国经济的高速的发展,交通在国民经济和人们生活中地位的重要性越来明显。公路更是在国民交通中占有重要地位,其也随着我国经济的高速发展而受到更多的重视。为了提高公路使用寿命,公路养护工作也得到越来越多的重视,只靠传统人工检测路面破损的方法已经不能适应公路快速发展的需求,所以路面破损的自动检测系统的研究与开发就显得尤为迫切。本文介绍了基于图像处理的路面裂纹检测的研究。 首先简单介绍了路面裂纹检测系统的体系结构,说明了硬件选择方法和理由以及
9、系统的工作原理。 其次在分析了路面裂纹图像的特点后,进行路面图像的去噪预处理。由于一般路面状况相当复杂(如路面杂物、路面材料颗粒大小等)、检测设备自身引入的噪声等原因,是采集到的路面图像含有大量噪声,从而给路面裂纹检测带了很多困难。为了便于后续图像处理工作,首先对图像进行去噪处理。根据裂纹图像的特征,本文采用了中值滤波对路面图像进行去噪,并与均值滤波的去噪效果进行了比较,得出中值滤波有效性以及对后续处理的有利性。 再次,在预处理完的图像中要进行边缘检测以及图像分割,将裂纹图像二值化以便后续的识别工作。在边缘检测中通过对比 sobel 和 prewitt 算子,验证了 sobel 的有效及优势,
10、并且扩充了sobel 算子使得边缘响应更强烈,为二值化图像分割选择简便的双峰法分割奠定基础。在图像分割完毕后,图像中还是会有一些“孤立”点噪声存在,这就需要对二值化图像进行滤波。根据前面边缘检测所得二值图像的特点,我们提出运用形态学的方法对二值化图像进行滤波,通过对图像的分析证明形态学滤波的有效性,同时我们还可以在图像中发现,形态学滤波后将 sobel 算子提取的裂纹边缘进行了填充,而且填充的程度和形态学中用的检测核的矩阵大小相关,裂纹尺度大于矩阵核的地方未被填充,并且裂纹像素数基本不变,这个特点可以用来对裂纹尺寸的测量,以及区别路面上处裂纹意外的其他类型的破损和干扰(如油污,斑马线)。 最后
11、,在裂纹图像被二值化后,对图像进行裂纹特征提取及识别。通过对二值化后裂纹图像的特征分析,提取了二值化图像裂纹在 X,Y 轴上投影像素数目以及总的裂纹像素数目作为识别的特征输入。在确定了特征输入后,本文设计了一个 3 层 BP 神经网络,以三个提取特征作为输入,并规定了 4 个输出分别代表横向裂纹、纵向裂纹、龟裂裂纹和无裂纹。然后分别对隐层神经元数目为 30、60 和 150 的 3 个网络进行了分析对比,最后证明60 个神经元的网络更能胜任路面裂纹分类识别的工作。随着我国经济的高速的发展,交通在国民经济和人们生活中地位的重要性越来明显。公路更是在国民交通中占有重要地位,其也随着我国经济的高速发
12、展而受到更多的重视。为了提高公路使用寿命,公路养护工作也得到越来越多的重视,只靠传统人工检测路面破损的方法已经不能适应公路快速发展的需求,所以路面破损的自动检测系统的研究与开发就显得尤为迫切。本文介绍了基于图像处理的路面裂纹检测的研究。 首先简单介绍了路面裂纹检测系统的体系结构,说明了硬件选择方法和理由以及系统的工作原理。 其次在分析了路面裂纹图像的特点后,进行路面图像的去噪预处理。由于一般路面状况相当复杂(如路面杂物、路面材料颗粒大小等)、检测设备自身引入的噪声等原因,是采集到的路面图像含有大量噪声,从而给路面裂纹检测带了很多困难。为了便于后续图像处理工作,首先对图像进行去噪处理。根据裂纹图
13、像的特征,本文采用了中值滤波对路面图像进行去噪,并与均值滤波的去噪效果进行了比较,得出中值滤波有效性以及对后续处理的有利性。 再次,在预处理完的图像中要进行边缘检测以及图像分割,将裂纹图像二值化以便后续的识别工作。在边缘检测中通过对比 sobel 和 prewitt 算子,验证了 sobel 的有效及优势,并且扩充了sobel 算子使得边缘响应更强烈,为二值化图像分割选择简便的双峰法分割奠定基础。在图像分割完毕后,图像中还是会有一些“孤立”点噪声存在,这就需要对二值化图像进行滤波。根据前面边缘检测所得二值图像的特点,我们提出运用形态学的方法对二值化图像进行滤波,通过对图像的分析证明形态学滤波的
14、有效性,同时我们还可以在图像中发现,形态学滤波后将 sobel 算子提取的裂纹边缘进行了填充,而且填充的程度和形态学中用的检测核的矩阵大小相关,裂纹尺度大于矩阵核的地方未被填充,并且裂纹像素数基本不变,这个特点可以用来对裂纹尺寸的测量,以及区别路面上处裂纹意外的其他类型的破损和干扰(如油污,斑马线)。 最后,在裂纹图像被二值化后,对图像进行裂纹特征提取及识别。通过对二值化后裂纹图像的特征分析,提取了二值化图像裂纹在 X,Y 轴上投影像素数目以及总的裂纹像素数目作为识别的特征输入。在确定了特征输入后,本文设计了一个 3 层 BP 神经网络,以三个提取特征作为输入,并规定了 4 个输出分别代表横向
15、裂纹、纵向裂纹、龟裂裂纹和无裂纹。然后分别对隐层神经元数目为 30、60 和 150 的 3 个网络进行了分析对比,最后证明60 个神经元的网络更能胜任路面裂纹分类识别的工作。随着我国经济的高速的发展,交通在国民经济和人们生活中地位的重要性越来明显。公路更是在国民交通中占有重要地位,其也随着我国经济的高速发展而受到更多的重视。为了提高公路使用寿命,公路养护工作也得到越来越多的重视,只靠传统人工检测路面破损的方法已经不能适应公路快速发展的需求,所以路面破损的自动检测系统的研究与开发就显得尤为迫切。本文介绍了基于图像处理的路面裂纹检测的研究。 首先简单介绍了路面裂纹检测系统的体系结构,说明了硬件选
16、择方法和理由以及系统的工作原理。 其次在分析了路面裂纹图像的特点后,进行路面图像的去噪预处理。由于一般路面状况相当复杂(如路面杂物、路面材料颗粒大小等)、检测设备自身引入的噪声等原因,是采集到的路面图像含有大量噪声,从而给路面裂纹检测带了很多困难。为了便于后续图像处理工作,首先对图像进行去噪处理。根据裂纹图像的特征,本文采用了中值滤波对路面图像进行去噪,并与均值滤波的去噪效果进行了比较,得出中值滤波有效性以及对后续处理的有利性。 再次,在预处理完的图像中要进行边缘检测以及图像分割,将裂纹图像二值化以便后续的识别工作。在边缘检测中通过对比 sobel 和 prewitt 算子,验证了 sobel
17、 的有效及优势,并且扩充了sobel 算子使得边缘响应更强烈,为二值化图像分割选择简便的双峰法分割奠定基础。在图像分割完毕后,图像中还是会有一些“孤立”点噪声存在,这就需要对二值化图像进行滤波。根据前面边缘检测所得二值图像的特点,我们提出运用形态学的方法对二值化图像进行滤波,通过对图像的分析证明形态学滤波的有效性,同时我们还可以在图像中发现,形态学滤波后将 sobel 算子提取的裂纹边缘进行了填充,而且填充的程度和形态学中用的检测核的矩阵大小相关,裂纹尺度大于矩阵核的地方未被填充,并且裂纹像素数基本不变,这个特点可以用来对裂纹尺寸的测量,以及区别路面上处裂纹意外的其他类型的破损和干扰(如油污,
18、斑马线)。 最后,在裂纹图像被二值化后,对图像进行裂纹特征提取及识别。通过对二值化后裂纹图像的特征分析,提取了二值化图像裂纹在 X,Y 轴上投影像素数目以及总的裂纹像素数目作为识别的特征输入。在确定了特征输入后,本文设计了一个 3 层 BP 神经网络,以三个提取特征作为输入,并规定了 4 个输出分别代表横向裂纹、纵向裂纹、龟裂裂纹和无裂纹。然后分别对隐层神经元数目为 30、60 和 150 的 3 个网络进行了分析对比,最后证明60 个神经元的网络更能胜任路面裂纹分类识别的工作。随着我国经济的高速的发展,交通在国民经济和人们生活中地位的重要性越来明显。公路更是在国民交通中占有重要地位,其也随着
19、我国经济的高速发展而受到更多的重视。为了提高公路使用寿命,公路养护工作也得到越来越多的重视,只靠传统人工检测路面破损的方法已经不能适应公路快速发展的需求,所以路面破损的自动检测系统的研究与开发就显得尤为迫切。本文介绍了基于图像处理的路面裂纹检测的研究。 首先简单介绍了路面裂纹检测系统的体系结构,说明了硬件选择方法和理由以及系统的工作原理。 其次在分析了路面裂纹图像的特点后,进行路面图像的去噪预处理。由于一般路面状况相当复杂(如路面杂物、路面材料颗粒大小等)、检测设备自身引入的噪声等原因,是采集到的路面图像含有大量噪声,从而给路面裂纹检测带了很多困难。为了便于后续图像处理工作,首先对图像进行去噪
20、处理。根据裂纹图像的特征,本文采用了中值滤波对路面图像进行去噪,并与均值滤波的去噪效果进行了比较,得出中值滤波有效性以及对后续处理的有利性。 再次,在预处理完的图像中要进行边缘检测以及图像分割,将裂纹图像二值化以便后续的识别工作。在边缘检测中通过对比 sobel 和 prewitt 算子,验证了 sobel 的有效及优势,并且扩充了sobel 算子使得边缘响应更强烈,为二值化图像分割选择简便的双峰法分割奠定基础。在图像分割完毕后,图像中还是会有一些“孤立”点噪声存在,这就需要对二值化图像进行滤波。根据前面边缘检测所得二值图像的特点,我们提出运用形态学的方法对二值化图像进行滤波,通过对图像的分析
21、证明形态学滤波的有效性,同时我们还可以在图像中发现,形态学滤波后将 sobel 算子提取的裂纹边缘进行了填充,而且填充的程度和形态学中用的检测核的矩阵大小相关,裂纹尺度大于矩阵核的地方未被填充,并且裂纹像素数基本不变,这个特点可以用来对裂纹尺寸的测量,以及区别路面上处裂纹意外的其他类型的破损和干扰(如油污,斑马线)。 最后,在裂纹图像被二值化后,对图像进行裂纹特征提取及识别。通过对二值化后裂纹图像的特征分析,提取了二值化图像裂纹在 X,Y 轴上投影像素数目以及总的裂纹像素数目作为识别的特征输入。在确定了特征输入后,本文设计了一个 3 层 BP 神经网络,以三个提取特征作为输入,并规定了 4 个
22、输出分别代表横向裂纹、纵向裂纹、龟裂裂纹和无裂纹。然后分别对隐层神经元数目为 30、60 和 150 的 3 个网络进行了分析对比,最后证明60 个神经元的网络更能胜任路面裂纹分类识别的工作。随着我国经济的高速的发展,交通在国民经济和人们生活中地位的重要性越来明显。公路更是在国民交通中占有重要地位,其也随着我国经济的高速发展而受到更多的重视。为了提高公路使用寿命,公路养护工作也得到越来越多的重视,只靠传统人工检测路面破损的方法已经不能适应公路快速发展的需求,所以路面破损的自动检测系统的研究与开发就显得尤为迫切。本文介绍了基于图像处理的路面裂纹检测的研究。 首先简单介绍了路面裂纹检测系统的体系结
23、构,说明了硬件选择方法和理由以及系统的工作原理。 其次在分析了路面裂纹图像的特点后,进行路面图像的去噪预处理。由于一般路面状况相当复杂(如路面杂物、路面材料颗粒大小等)、检测设备自身引入的噪声等原因,是采集到的路面图像含有大量噪声,从而给路面裂纹检测带了很多困难。为了便于后续图像处理工作,首先对图像进行去噪处理。根据裂纹图像的特征,本文采用了中值滤波对路面图像进行去噪,并与均值滤波的去噪效果进行了比较,得出中值滤波有效性以及对后续处理的有利性。 再次,在预处理完的图像中要进行边缘检测以及图像分割,将裂纹图像二值化以便后续的识别工作。在边缘检测中通过对比 sobel 和 prewitt 算子,验
24、证了 sobel 的有效及优势,并且扩充了sobel 算子使得边缘响应更强烈,为二值化图像分割选择简便的双峰法分割奠定基础。在图像分割完毕后,图像中还是会有一些“孤立”点噪声存在,这就需要对二值化图像进行滤波。根据前面边缘检测所得二值图像的特点,我们提出运用形态学的方法对二值化图像进行滤波,通过对图像的分析证明形态学滤波的有效性,同时我们还可以在图像中发现,形态学滤波后将 sobel 算子提取的裂纹边缘进行了填充,而且填充的程度和形态学中用的检测核的矩阵大小相关,裂纹尺度大于矩阵核的地方未被填充,并且裂纹像素数基本不变,这个特点可以用来对裂纹尺寸的测量,以及区别路面上处裂纹意外的其他类型的破损
25、和干扰(如油污,斑马线)。 最后,在裂纹图像被二值化后,对图像进行裂纹特征提取及识别。通过对二值化后裂纹图像的特征分析,提取了二值化图像裂纹在 X,Y 轴上投影像素数目以及总的裂纹像素数目作为识别的特征输入。在确定了特征输入后,本文设计了一个 3 层 BP 神经网络,以三个提取特征作为输入,并规定了 4 个输出分别代表横向裂纹、纵向裂纹、龟裂裂纹和无裂纹。然后分别对隐层神经元数目为 30、60 和 150 的 3 个网络进行了分析对比,最后证明60 个神经元的网络更能胜任路面裂纹分类识别的工作。随着我国经济的高速的发展,交通在国民经济和人们生活中地位的重要性越来明显。公路更是在国民交通中占有重
26、要地位,其也随着我国经济的高速发展而受到更多的重视。为了提高公路使用寿命,公路养护工作也得到越来越多的重视,只靠传统人工检测路面破损的方法已经不能适应公路快速发展的需求,所以路面破损的自动检测系统的研究与开发就显得尤为迫切。本文介绍了基于图像处理的路面裂纹检测的研究。 首先简单介绍了路面裂纹检测系统的体系结构,说明了硬件选择方法和理由以及系统的工作原理。 其次在分析了路面裂纹图像的特点后,进行路面图像的去噪预处理。由于一般路面状况相当复杂(如路面杂物、路面材料颗粒大小等)、检测设备自身引入的噪声等原因,是采集到的路面图像含有大量噪声,从而给路面裂纹检测带了很多困难。为了便于后续图像处理工作,首
27、先对图像进行去噪处理。根据裂纹图像的特征,本文采用了中值滤波对路面图像进行去噪,并与均值滤波的去噪效果进行了比较,得出中值滤波有效性以及对后续处理的有利性。 再次,在预处理完的图像中要进行边缘检测以及图像分割,将裂纹图像二值化以便后续的识别工作。在边缘检测中通过对比 sobel 和 prewitt 算子,验证了 sobel 的有效及优势,并且扩充了sobel 算子使得边缘响应更强烈,为二值化图像分割选择简便的双峰法分割奠定基础。在图像分割完毕后,图像中还是会有一些“孤立”点噪声存在,这就需要对二值化图像进行滤波。根据前面边缘检测所得二值图像的特点,我们提出运用形态学的方法对二值化图像进行滤波,
28、通过对图像的分析证明形态学滤波的有效性,同时我们还可以在图像中发现,形态学滤波后将 sobel 算子提取的裂纹边缘进行了填充,而且填充的程度和形态学中用的检测核的矩阵大小相关,裂纹尺度大于矩阵核的地方未被填充,并且裂纹像素数基本不变,这个特点可以用来对裂纹尺寸的测量,以及区别路面上处裂纹意外的其他类型的破损和干扰(如油污,斑马线)。 最后,在裂纹图像被二值化后,对图像进行裂纹特征提取及识别。通过对二值化后裂纹图像的特征分析,提取了二值化图像裂纹在 X,Y 轴上投影像素数目以及总的裂纹像素数目作为识别的特征输入。在确定了特征输入后,本文设计了一个 3 层 BP 神经网络,以三个提取特征作为输入,
29、并规定了 4 个输出分别代表横向裂纹、纵向裂纹、龟裂裂纹和无裂纹。然后分别对隐层神经元数目为 30、60 和 150 的 3 个网络进行了分析对比,最后证明60 个神经元的网络更能胜任路面裂纹分类识别的工作。随着我国经济的高速的发展,交通在国民经济和人们生活中地位的重要性越来明显。公路更是在国民交通中占有重要地位,其也随着我国经济的高速发展而受到更多的重视。为了提高公路使用寿命,公路养护工作也得到越来越多的重视,只靠传统人工检测路面破损的方法已经不能适应公路快速发展的需求,所以路面破损的自动检测系统的研究与开发就显得尤为迫切。本文介绍了基于图像处理的路面裂纹检测的研究。 首先简单介绍了路面裂纹
30、检测系统的体系结构,说明了硬件选择方法和理由以及系统的工作原理。 其次在分析了路面裂纹图像的特点后,进行路面图像的去噪预处理。由于一般路面状况相当复杂(如路面杂物、路面材料颗粒大小等)、检测设备自身引入的噪声等原因,是采集到的路面图像含有大量噪声,从而给路面裂纹检测带了很多困难。为了便于后续图像处理工作,首先对图像进行去噪处理。根据裂纹图像的特征,本文采用了中值滤波对路面图像进行去噪,并与均值滤波的去噪效果进行了比较,得出中值滤波有效性以及对后续处理的有利性。 再次,在预处理完的图像中要进行边缘检测以及图像分割,将裂纹图像二值化以便后续的识别工作。在边缘检测中通过对比 sobel 和 prew
31、itt 算子,验证了 sobel 的有效及优势,并且扩充了sobel 算子使得边缘响应更强烈,为二值化图像分割选择简便的双峰法分割奠定基础。在图像分割完毕后,图像中还是会有一些“孤立”点噪声存在,这就需要对二值化图像进行滤波。根据前面边缘检测所得二值图像的特点,我们提出运用形态学的方法对二值化图像进行滤波,通过对图像的分析证明形态学滤波的有效性,同时我们还可以在图像中发现,形态学滤波后将 sobel 算子提取的裂纹边缘进行了填充,而且填充的程度和形态学中用的检测核的矩阵大小相关,裂纹尺度大于矩阵核的地方未被填充,并且裂纹像素数基本不变,这个特点可以用来对裂纹尺寸的测量,以及区别路面上处裂纹意外
32、的其他类型的破损和干扰(如油污,斑马线)。 最后,在裂纹图像被二值化后,对图像进行裂纹特征提取及识别。通过对二值化后裂纹图像的特征分析,提取了二值化图像裂纹在 X,Y 轴上投影像素数目以及总的裂纹像素数目作为识别的特征输入。在确定了特征输入后,本文设计了一个 3 层 BP 神经网络,以三个提取特征作为输入,并规定了 4 个输出分别代表横向裂纹、纵向裂纹、龟裂裂纹和无裂纹。然后分别对隐层神经元数目为 30、60 和 150 的 3 个网络进行了分析对比,最后证明60 个神经元的网络更能胜任路面裂纹分类识别的工作。随着我国经济的高速的发展,交通在国民经济和人们生活中地位的重要性越来明显。公路更是在
33、国民交通中占有重要地位,其也随着我国经济的高速发展而受到更多的重视。为了提高公路使用寿命,公路养护工作也得到越来越多的重视,只靠传统人工检测路面破损的方法已经不能适应公路快速发展的需求,所以路面破损的自动检测系统的研究与开发就显得尤为迫切。本文介绍了基于图像处理的路面裂纹检测的研究。 首先简单介绍了路面裂纹检测系统的体系结构,说明了硬件选择方法和理由以及系统的工作原理。 其次在分析了路面裂纹图像的特点后,进行路面图像的去噪预处理。由于一般路面状况相当复杂(如路面杂物、路面材料颗粒大小等)、检测设备自身引入的噪声等原因,是采集到的路面图像含有大量噪声,从而给路面裂纹检测带了很多困难。为了便于后续
34、图像处理工作,首先对图像进行去噪处理。根据裂纹图像的特征,本文采用了中值滤波对路面图像进行去噪,并与均值滤波的去噪效果进行了比较,得出中值滤波有效性以及对后续处理的有利性。 再次,在预处理完的图像中要进行边缘检测以及图像分割,将裂纹图像二值化以便后续的识别工作。在边缘检测中通过对比 sobel 和 prewitt 算子,验证了 sobel 的有效及优势,并且扩充了sobel 算子使得边缘响应更强烈,为二值化图像分割选择简便的双峰法分割奠定基础。在图像分割完毕后,图像中还是会有一些“孤立”点噪声存在,这就需要对二值化图像进行滤波。根据前面边缘检测所得二值图像的特点,我们提出运用形态学的方法对二值
35、化图像进行滤波,通过对图像的分析证明形态学滤波的有效性,同时我们还可以在图像中发现,形态学滤波后将 sobel 算子提取的裂纹边缘进行了填充,而且填充的程度和形态学中用的检测核的矩阵大小相关,裂纹尺度大于矩阵核的地方未被填充,并且裂纹像素数基本不变,这个特点可以用来对裂纹尺寸的测量,以及区别路面上处裂纹意外的其他类型的破损和干扰(如油污,斑马线)。 最后,在裂纹图像被二值化后,对图像进行裂纹特征提取及识别。通过对二值化后裂纹图像的特征分析,提取了二值化图像裂纹在 X,Y 轴上投影像素数目以及总的裂纹像素数目作为识别的特征输入。在确定了特征输入后,本文设计了一个 3 层 BP 神经网络,以三个提
36、取特征作为输入,并规定了 4 个输出分别代表横向裂纹、纵向裂纹、龟裂裂纹和无裂纹。然后分别对隐层神经元数目为 30、60 和 150 的 3 个网络进行了分析对比,最后证明60 个神经元的网络更能胜任路面裂纹分类识别的工作。随着我国经济的高速的发展,交通在国民经济和人们生活中地位的重要性越来明显。公路更是在国民交通中占有重要地位,其也随着我国经济的高速发展而受到更多的重视。为了提高公路使用寿命,公路养护工作也得到越来越多的重视,只靠传统人工检测路面破损的方法已经不能适应公路快速发展的需求,所以路面破损的自动检测系统的研究与开发就显得尤为迫切。本文介绍了基于图像处理的路面裂纹检测的研究。 首先简
37、单介绍了路面裂纹检测系统的体系结构,说明了硬件选择方法和理由以及系统的工作原理。 其次在分析了路面裂纹图像的特点后,进行路面图像的去噪预处理。由于一般路面状况相当复杂(如路面杂物、路面材料颗粒大小等)、检测设备自身引入的噪声等原因,是采集到的路面图像含有大量噪声,从而给路面裂纹检测带了很多困难。为了便于后续图像处理工作,首先对图像进行去噪处理。根据裂纹图像的特征,本文采用了中值滤波对路面图像进行去噪,并与均值滤波的去噪效果进行了比较,得出中值滤波有效性以及对后续处理的有利性。 再次,在预处理完的图像中要进行边缘检测以及图像分割,将裂纹图像二值化以便后续的识别工作。在边缘检测中通过对比 sobe
38、l 和 prewitt 算子,验证了 sobel 的有效及优势,并且扩充了sobel 算子使得边缘响应更强烈,为二值化图像分割选择简便的双峰法分割奠定基础。在图像分割完毕后,图像中还是会有一些“孤立”点噪声存在,这就需要对二值化图像进行滤波。根据前面边缘检测所得二值图像的特点,我们提出运用形态学的方法对二值化图像进行滤波,通过对图像的分析证明形态学滤波的有效性,同时我们还可以在图像中发现,形态学滤波后将 sobel 算子提取的裂纹边缘进行了填充,而且填充的程度和形态学中用的检测核的矩阵大小相关,裂纹尺度大于矩阵核的地方未被填充,并且裂纹像素数基本不变,这个特点可以用来对裂纹尺寸的测量,以及区别
39、路面上处裂纹意外的其他类型的破损和干扰(如油污,斑马线)。 最后,在裂纹图像被二值化后,对图像进行裂纹特征提取及识别。通过对二值化后裂纹图像的特征分析,提取了二值化图像裂纹在 X,Y 轴上投影像素数目以及总的裂纹像素数目作为识别的特征输入。在确定了特征输入后,本文设计了一个 3 层 BP 神经网络,以三个提取特征作为输入,并规定了 4 个输出分别代表横向裂纹、纵向裂纹、龟裂裂纹和无裂纹。然后分别对隐层神经元数目为 30、60 和 150 的 3 个网络进行了分析对比,最后证明60 个神经元的网络更能胜任路面裂纹分类识别的工作。特别提醒 :正文内容由 PDF 文件转码生成,如您电脑未有相应转换码
40、,则无法显示正文内容,请您下载相应软件,下载地址为 http:/ 。如还不能显示,可以联系我 q q 1627550258 ,提供原格式文档。“垐垯櫃 换烫梯葺铑?endstreamendobj2x 滌?U 閩 AZ箾 FTP 鈦X 飼?狛P? 燚?琯嫼 b?袍*甒?颙嫯?4)=r 宵?i?j 彺帖 B3 锝檡骹笪 yLrQ#?0 鯖 l 壛枒l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛渓?擗#?“?# 綫 G 刿#K 芿$?7. 耟?Wa 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 皗 E|?pDb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$F?責鯻 0 橔 C,f 薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵秾腵薍秾腵%?秾腵薍秾腵薍