安世全 曹悅欣 瞿中
摘 要:針對傳統(tǒng)的基于滲流模型的裂縫檢測算法效率過低且檢測結(jié)果易存在斷裂的問題,提出一種多因子判定與滲流模型相結(jié)合的裂縫檢測算法。首先,提出了一種改進(jìn)的滲流加速算法,通過減少大量參與滲流處理的冗余像素點,提高滲流處理效率;然后,對提取到的滲流點進(jìn)行滲流處理;最后,提出了一種結(jié)合裂縫走向的多因子判定連接算法,算法通過四個判定因子對裂縫連接的合理性進(jìn)行分析,以提高裂縫連接的準(zhǔn)確性。對背景中存在不同干擾物的不同形態(tài)裂縫圖像進(jìn)行實驗,與傳統(tǒng)滲流模型檢測算法以及原滲流加速骨架連接算法相比,所提算法中滲流點數(shù)量分別平均減少了99.7%與38.1%,精確率分別平均提高了60.5%與6.4%,召回率分別平均提高了10.5%與4.0%。實驗結(jié)果表明,所提算法能夠明顯提高滲流處理效率,同時提高裂縫檢測的準(zhǔn)確性。
關(guān)鍵詞:裂縫檢測;滲流模型;多因子判定;裂縫連接
中圖分類號: TP391.413
文獻(xiàn)標(biāo)志碼:A
Abstract: Concerning the problem that traditional crack detection algorithm based on percolation model has low efficiency and detection results are prone to fracture, a crack detection algorithm based on multi-factor decision and percolation model was proposed. Firstly, an improved algorithm of accelerating crack inspection based on percolation model was proposed, which improves the efficiency of percolation processing by reducing a large number of redundant pixel points involved in percolation processing. Secondly, the extracted percolation points were used to percolation processing. Finally, a multi-factor decision connection algorithm based on crack orientation was proposed. In the algorithm, the rationality of crack connection was analyzed by four decision factors to improve the accuracy of crack connection. Different morphological crack images with different interfering objects in background were used in experiments. Compared with traditional percolation model detection algorithm and original algorithm of accelerating crack inspection based on percolation model and skeleton connection algorithm, the number of percolation points of the proposed algorithm was reduced by an average of 99.7% and 38.1%, respectively. The precision was increased by an average of 60.5% and 6.4%, respectively, and the recall was increased by an average of 10.5% and 4.0%, respectively. The experimental results show that the proposed algorithm can significantly improve the efficiency of percolation processing and improve the accuracy of crack detection.
Key words: crack detection; percolation model; multi-factor decision; crack connection
0 引言
由于車輛反復(fù)碾壓,混凝土路面的結(jié)構(gòu)層無法承受荷載,常導(dǎo)致路面損壞,產(chǎn)生裂縫。及時處理路面產(chǎn)生的病害,不僅可以保障行車安全,同時可以減少后期對公路養(yǎng)護(hù)的開支。傳統(tǒng)的人工裂縫檢測方式不僅耗時多、開支大,而且由于人工檢測具有主觀性,難以保障檢測的準(zhǔn)確性。相比之下,基于數(shù)字圖像處理的裂縫檢測具有高效性與客觀性。
學(xué)者們提出了一系列基于數(shù)字圖像處理的路面裂縫檢測方法:Liu等[1]提出一種基于多尺度與視覺特征的裂縫檢測算法,算法的魯棒性較好,減小了低對比度對檢測結(jié)果的影響,但裂縫細(xì)小部分可能被忽略。王軍等[2]提出一種基于Hessian矩陣多尺度濾波的裂縫檢測方法,該方法可有效實現(xiàn)裂縫特征的快速提取和分類,但易受路面背景污漬干擾。Aldea等[3]提出一種反向決策框架下的裂縫檢測方法,該方法在圖像模糊的情況下檢測結(jié)果較好,但易忽略明顯裂縫旁的細(xì)小裂縫。Sun等[4]提出一種用于路面裂縫檢測的加權(quán)鄰域像素分割方法,該方法魯棒性強(qiáng),可準(zhǔn)確、快速地對裂縫圖像進(jìn)行分割,但檢測結(jié)果受不均勻光照影響。任亮等[5]提出一種基于Prim最小生成樹的裂縫連接算法,該算法在連接斷裂的同時使用裂縫方向與對比度特征去除偽連接,但其連接結(jié)果仍存在很多斷裂。趙珊珊等[6]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的裂縫檢測方法,該方法對低對比度圖像檢測效果較好,但不適用于具有背景干擾物的圖像。Amhaz等[7]提出一種基于最小路徑的檢測算法,該算法對裂縫細(xì)節(jié)信息保留較好,但計算量較大。宰柯楠等[8]提出一種基于遺傳算法和簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network, PCNN)請補(bǔ)充PCNN的中文名稱和英文全稱的裂縫檢測方法,該方法以最小誤差準(zhǔn)則作為遺傳算法的適應(yīng)度函數(shù),實現(xiàn)了自適應(yīng)閾值分割,但時間復(fù)雜度較高。朱平哲等[9]提出一種基于主動生長的斷裂裂縫塊的連接方法,該方法在提取裂縫邊緣后對斷裂部分進(jìn)行連接,對細(xì)小斷裂部分的連接效果較好,但效率一般。
目前的裂縫檢測算法普遍存在易忽略裂縫細(xì)節(jié)部分的問題。Yamaguchi等[10-11]提出一種基于滲流模型的混凝土表面裂縫檢測算法,該算法能夠充分考慮裂縫的連通性與圖像的局部細(xì)節(jié),對細(xì)小裂縫識別率較高,但效率過低,裂縫易存在斷裂。對此,Qu等[12]提出一種帶有重疊窗口的裂縫預(yù)提取算法與基于骨架提取的連接算法,該算法在一定程度上提高了滲流處理效率,并改善裂縫斷裂情況,但效率仍不理想。之后,瞿中等[13]提出一種滲流加速算法,改進(jìn)了帶有重疊窗口的預(yù)提取算法,極大提高了滲流處理速度,但檢測精確率受到影響,檢測效率仍有提高空間。
針對滲流處理冗余點過多導(dǎo)致的效率低、毛刺多等問題,本文提出一種改進(jìn)的滲流加速裂縫檢測算法,在保證檢測精確率的同時,通過進(jìn)一步減少滲流處理的冗余像素點,提高滲流處理效率,減少毛刺產(chǎn)生。為減少滲流處理結(jié)果中的裂縫斷裂現(xiàn)象,保證裂縫完整性,根據(jù)裂縫連接時易產(chǎn)生的不合理連接現(xiàn)象,本文提出一種結(jié)合裂縫走向的多因子判定連接算法。
1 基于滲流模型的裂縫檢測加速算法
滲流加速算法[13]中的暗點提取方法能夠?qū)α芽p進(jìn)行粗提取,將基本不可能為裂縫的像素點排除,從而減少參與滲流處理的像素點個數(shù)。本文提出的改進(jìn)滲流加速算法通過進(jìn)一步處理提取到的暗點圖,只保留必要的滲流像素點,提高滲流處理的檢測效率。
1.1 暗點提取算法
暗點提取算法[13]的基本思想是:將圖像劃分為若干個帶有重疊區(qū)域的窗口,根據(jù)每個小窗口的像素值均值與最小值之差所在的范圍,設(shè)置小窗口內(nèi)像素點的權(quán)值與提取比例;然后根據(jù)暗點提取比例選取窗口中灰度值升序排序靠前的像素點,排位越靠前權(quán)值越大;最后計算每個像素點的權(quán)值之和,根據(jù)全局提取比例提取權(quán)值靠前的像素點。
1.2 改進(jìn)的滲流加速算法
滲流加速算法[13]中的暗點提取方法極大提升了滲流處理的速度,同時基本能夠保持裂縫完整性,但滲流過程仍處理了大量冗余點?;谶@點,本文提出了改進(jìn)的滲流加速算法,對暗點圖進(jìn)行處理,保留暗點圖中的孤立點以及提取到的裂縫骨架作為滲流點,從而減少非必要滲流點,進(jìn)一步提高滲流處理的效率。為提高檢測精確度,根據(jù)裂縫的走向提出了12鄰域滲流方法,對骨架端點部分單獨進(jìn)行12鄰域滲流。算法具體步驟如下:
1)對裂縫圖像使用帶有重疊窗口的暗點提取算法[13]進(jìn)行處理,得到去噪后的暗點圖。
2)運用8方向鏈碼掃描與跟蹤的圖像細(xì)化算法[14]對暗點圖進(jìn)行細(xì)化,保留細(xì)化后的圖像(包括短骨架)以及孤立點。
3)將暗點圖中的孤立點,與提取到的骨架一起存入圖operateImg中。
4)將圖operateImg中的像素點依次作為滲流起始點Dp,在裂縫原圖中進(jìn)行滲流處理,得到滲流結(jié)果圖resultImg1。
5)提取裂縫骨架的端點,將所有端點保存。
6)將提取的裂縫骨架端點依次作為滲流起始點Dp,然后對其12鄰域進(jìn)行滲流處理,得到滲流結(jié)果圖resultImg2,12鄰域示意圖如圖1所示。
7)將resultImg1與resultImg2進(jìn)行合并,得到最終的滲流結(jié)果圖resultImg。
本文提出的改進(jìn)滲流加速算法只保留必要滲流點進(jìn)行滲流,減少了滲流所需時間。在某些情況下,滲流檢測結(jié)果可能會導(dǎo)致裂縫產(chǎn)生斷裂,直接進(jìn)行去噪會將較短裂縫同噪聲一并去除,因此本文對檢測結(jié)果不進(jìn)行去噪。對圖2(a)所示圖像進(jìn)行裂縫提取,圖2(b)為原滲流加速算法的檢測結(jié)果,本文算法結(jié)果如圖2(c)所示。從實驗結(jié)果可以看出,本文算法的檢測結(jié)果并未因滲流點的減少而受到明顯影響,由于對端點進(jìn)行12鄰域滲流,還可以檢測到原算法未能檢測到的部分,檢測結(jié)果基本能保持原滲流加速算法的精確度。
2 結(jié)合裂縫走向的多因子判定連接算法
對于復(fù)雜裂縫的滲流結(jié)果,往往存在多處斷裂,且斷裂處形態(tài)各異,連接算法要盡可能準(zhǔn)確連接斷裂部分。文獻(xiàn)[12]在連接裂縫時,沒有考慮當(dāng)前端點是否需要連接,并且連接范圍有限,因此可能會造成誤連接與漏連接。本文針對該問題,提出了結(jié)合裂縫走向的多因子判定連接算法。在判斷連接點時,連接距離以及裂縫延伸方向尤為重要。其中,裂縫延伸方向應(yīng)由整體方向及部分方向共同決定。裂縫整體走勢只是裂縫的大致方向,并不能完全代表延伸方向,局部方向同樣重要。本文中,分別使用裂縫弧度、方向因子考慮裂縫整體方向以及裂縫末端方向;然而如果僅根據(jù)連接長度與裂縫方向進(jìn)行判斷,通常會將距離與方向合適的線性噪聲作為連接對象,由此產(chǎn)生誤連接。通過考慮連接線的像素值,可以避免產(chǎn)生本不應(yīng)存在的連接線,因此,本文算法通過計算連接長度、裂縫弧度、方向因子以及顏色比例,綜合判定連接的合理性。
2.1 連接長度
當(dāng)裂縫出現(xiàn)斷裂時,兩個裂縫區(qū)域往往距離較近。在指定搜索范圍內(nèi),與裂縫末端的連接長度lenth越短的候選連接點,越有可能是合理連接點,因此,連接長度對裂縫的準(zhǔn)確連接具有重要意義。lenth的示意圖如圖3所示,計算如式(1)所示:
其中:Epx與Dlx分別為端點與候選連接點的橫坐標(biāo);Epy與Dly分別為端點與候選連接點的縱坐標(biāo)。lenth取值過小會導(dǎo)致斷裂無法連接,取值過大會降低連接效率,實驗中取lenth≤25較為合理。
2.2 裂縫弧度
裂縫尾部的走向預(yù)示著裂縫的延伸方向??紤]到連接效率與噪聲長度,選取裂縫骨架尾部5個像素點進(jìn)行線性擬合,得到擬合直線角度α1;將當(dāng)前裂縫端點與候選連接點連接,得到連接線角度α2。為使裂縫延伸方向遵循原裂縫走向,α1與α2的角度差α應(yīng)控制在一定范圍內(nèi),α的示意圖如圖3所示,計算如式(2)所示:
為遵循原裂縫走向,α應(yīng)控制在較小范圍內(nèi),實驗表明α≤30°時搜索范圍比較合理。當(dāng)連接距離較近時,可能會出現(xiàn)較大連接角度,經(jīng)過實驗,lenth≤9時合理連接線的角度易于偏大,因此不限制α的取值范圍。
2.3 方向因子
裂縫弧度考慮的是裂縫尾部的走向趨勢,而方向因子[15]考慮的是裂縫末端方向,兩者對于判斷下一裂縫點的走向都起著重要作用。本文將方向因子作為連接線合理性的判斷依據(jù)之一,根據(jù)方向因子來判斷下一裂縫點在每個方向的可能性,與裂縫尾部方向共同控制裂縫延伸方向。將裂縫末端延伸方向定義為0~7八個方向,如圖4(a)所示。
如果當(dāng)前端點Ep的方向為0,則下一裂縫點在0方向上的可能性最大,距離0方向越遠(yuǎn)的方向可能性越小。當(dāng)前端點方向為u時,八個方向i的方向因子Fi可根據(jù)式(3)~(4)計算:
其中:θui為u與i的夾角(如圖4(a)所示), β為弧度權(quán)值(β=1.5)。圖4(b)給出了u=0時,端點Ep的8鄰域方向因子。
2.4 顏色比例
在判斷連接是否誤連時,連接線中的點在原圖中的像素值是尤為重要的參考因素。連接線中較暗的像素點越多,則其越有可能是合理連接線。本文將連接線中像素值大于小于應(yīng)為“?? 小于”。
注:此處筆誤,后續(xù)算法步驟中描述正確,故不影響后續(xù)實驗及結(jié)論。平均值的點的個數(shù)占連接線總點數(shù)的比例,作為連接時的一個判定因子。根據(jù)連接線中的像素點位置,找到裂縫原圖像中對應(yīng)的像素點。連接線的平均像素值avgcolor的計算如式(5)所示:
其中:n為連接線的像素點總數(shù);colori為像素點的像素值。根據(jù)式(6)計算連接線中colori><應(yīng)為“??? < ” 。avgcolor的像素點數(shù)量number在連接線中的比例proportion:
2.5 多因子判定連接算法
結(jié)合裂縫走向的多因子判定連接算法主要步驟如下:
1)去除滲流結(jié)果圖中的點狀噪聲及孔洞,并對圖像進(jìn)行平滑處理。
2)運用8方向鏈碼掃描與跟蹤的圖像細(xì)化算法[14],得到單一像素的骨架圖。
3)尋找骨架圖中的連通區(qū)域,計算每個連通區(qū)域中像素點的個數(shù)Nl,將Nl 4)選取一個未處理的Ep,在該連通域的裂縫骨架上,取5個與當(dāng)前Ep相鄰的像素點進(jìn)行線性擬合,得到擬合直線及其角度α1。 5)以Ep為中心,將步驟4)中擬合直線延伸方向兩側(cè)各30°,且半徑為25的扇形區(qū)域,以及半徑為9的圓形作為搜索范圍,尋找與Ep屬于不同連通區(qū)域的候選連接點Dl。 6)若在搜索區(qū)域未找到候選連接點,跳至步驟4)。 7)將Ep與Dl擬連接,得到連接線。 8)根據(jù)式(1)計算連接線的長度lenth。 9)計算連接線的角度α2,根據(jù)式(2)計算α1與α2的角度差α。 10)根據(jù)式(3)、(4)計算屬于Ep的8鄰域且屬于連接線的像素點的方向因子Fi。 11)在原圖中找到連接線對應(yīng)的像素點。根據(jù)式(6)計算像素值colori小于連接線平均像素值avgcolor的像素點個數(shù)number在連接線中所占的比例proportion,其中avgcolor根據(jù)式(5)計算。 12)計算候選連接點的權(quán)值W,W的計算如式(7)所示: 13)從Dl中選出權(quán)值W最小的像素點Dmin,若W 當(dāng)lenth≤9時,由于不限制α的取值范圍,連接線方向與裂縫末端方向的夾角可能較大,方向因子取值較小,因此根據(jù)式(7)計算的權(quán)值偏大,故式(8)對TW分段取值。 14)若Dmin與之最近的骨架端點距離小于3,將端點設(shè)置為待連接點。 15)將Dmin與Ep分別在原圖和骨架圖上進(jìn)行連接,更新骨架圖的連通區(qū)域并檢測新Ep,若還有未處理的Ep,跳至步驟4)。 16)對裂縫連接結(jié)果進(jìn)行去噪。 某些情況下,滲流過程會使噪聲演變?yōu)轭愃屏芽p的細(xì)長形狀,容易發(fā)生誤連;同時,復(fù)雜裂縫的斷裂往往很難準(zhǔn)確連 接。圖5為兩組有代表性的滲流結(jié)果圖的連接結(jié)果對比,可以看出,本文算法的連接準(zhǔn)確性得到提高,連接結(jié)果更加合理。 3 實驗結(jié)果及分析 實驗采用了100幅400×300像素大小的混凝土路面裂縫圖像進(jìn)行測試,實驗數(shù)據(jù)集由作者實驗室拍攝采集,其中包括橫向裂縫、縱向裂縫、網(wǎng)狀裂縫等不同形狀特征的裂縫,圖像存在不同類型的噪聲干擾因素,如光照、污漬、顏色不均的路面。實驗軟件和硬件環(huán)境:CPU為Intel Core i5-3210M 2.5GHz,OS為Windows 7,Library為OpenCV 2.3.0。本文選取了噪聲與裂縫形態(tài)有代表性的4幅圖像作為分析對象,實驗結(jié)果如圖6所示。 從圖6的實驗結(jié)果可以看出,三種算法對存在不同形態(tài)裂縫以及不同種類噪聲的圖像都能提取出較為完整的裂縫。圖6(a)中,Image 5的背景顏色不均,但由于顏色不均區(qū)域為塊狀,因此并未對三種算法的實驗結(jié)果造成干擾;Image 6的背景中存在細(xì)小線性污漬,對滲流結(jié)果容易造成一定干擾,但由于原滲流加速骨架連接算法以及本文算法對滲流結(jié)果進(jìn)行連接,因此經(jīng)過去噪可以將該噪聲去除,而原滲流模型檢測算法的檢測結(jié)果存在很多斷裂,強(qiáng)制去除噪聲則會造成裂縫缺失,為保證裂縫完整性,受污漬影響的噪聲無法去除;Image 7的背景粗糙不均,存在與裂縫顏色相似的點狀顆粒,且裂縫周圍有干擾物散落,但是對三種算法檢測結(jié)果影響不大;Image 8中裂縫受到不均勻光照影響,該干擾因素對原滲流模型檢測算法的影響較大,造成檢測結(jié)果斷裂,而另外兩種算法由于對裂縫進(jìn)行連接,檢測結(jié)果并未受到明顯影響。 實驗結(jié)果表明,原滲流模型檢測算法對復(fù)雜裂縫的細(xì)節(jié)信息提取更加完整,但更容易受到背景中干擾因素的影響,產(chǎn)生噪聲、毛刺、斷裂等;原滲流加速骨架連接算法對背景干擾因素不敏感,但斷裂處存在誤連接或漏連接的現(xiàn)象;本文算法同樣對背景干擾因素不敏感,但連接更加準(zhǔn)確、合理,檢測結(jié)果更加接近真實裂縫。 為評估本文提出的算法性能,對原滲流模型檢測算法、原滲流加速骨架連接算法以及本文提出算法的實驗結(jié)果,運用精確率P與召回率R進(jìn)行評估[10],如式(9)、(10)所示: 其中:Np是被正確檢測的裂縫點數(shù);Nr是人工提取的裂縫點數(shù);Nt是檢測結(jié)果中裂縫像素點數(shù)。 運用圖2的Image 1~4和圖6中的Image 5~8原圖進(jìn)行實驗,精確率低表示誤檢的像素點多,召回率低則代表漏檢的像素點多。從圖7的精確率與召回率對比可以看出,原滲流加速骨架連接算法與本文算法的檢測精確率與召回率基本都高于原滲流模型檢測算法。雖然原滲流模型檢測算法對Image 5的檢測較為完整;但是由于毛刺過多,裂縫寬于真實裂縫,導(dǎo)致誤檢數(shù)量偏多,精確率較低。相比其他算法,本文算法減少了噪聲的提取,檢測較為準(zhǔn)確,同時漏檢現(xiàn)象得到改善,因此召回率和精確率相對提高。 表1為三種算法的加速效果分析??梢钥闯觯瑑煞N改進(jìn)的滲流加速算法相比原滲流模型檢測算法都減少了大量滲流點;而本文提出的滲流加速算法在原滲流加速算法的基礎(chǔ)上,進(jìn)一步減少了參與滲流處理的像素點個數(shù)。 表2為3種算法的效率分析。經(jīng)過分析,三種算法在滲流部分的時間復(fù)雜度均為O(n),其滲流處理時間完全由滲流點數(shù)決定。從表2可以看出,本文算法與原滲流加速骨架連接算法的處理時間相對較短。相對另外兩種算法而言,本文算法由于減少了大量滲流點,滲流效率得到明顯提升。在算法的連接部分中,原滲流加速骨架連接算法的時間復(fù)雜度為O(n);而本文算法由于分別對每個候選連接點進(jìn)行4個因子的計算,相對于原滲流加速骨架連接算法來說,考慮因素更加全面,計算量增加,其算法時間復(fù)雜度為O(nm),因此連接時間相應(yīng)延長,由此導(dǎo)致算法整體效率的提升幅度較滲流階段而言有所減小。從表2可以看出,本文算法總效率仍存在小幅提升。 4 結(jié)語 針對滲流模型檢測算法處理效率過低以及裂縫檢測后連接過程中易產(chǎn)生漏連接與誤連接的問題,本文改進(jìn)了滲流加速算法,并提出了結(jié)合裂縫走向的多因子判定連接算法。本文提出的滲流加速算法大幅度減少了參與滲流處理的像素點個數(shù),滲流處理效率得到明顯提高,但細(xì)節(jié)信息有少量丟失;本文提出的連接算法提高了檢測的精確率與召回率,但算法效率不理想。在接下來的工作中,如何提高連接算法的效率以及如何保留更多裂縫細(xì)節(jié)信息是下一步的研究重點。 參考文獻(xiàn) (References) [1] LIU X Z, AI Y F, SEBASTIAN S. Robust image-based crack detection in concrete structure using multi-scale enhancement and visual features [C]// Proceedings of the 2017 IEEE International Conference on Image Processing. Piscataway, NJ: IEEE, 2017: 2304 – 2308. [2] 王軍,孫慧婷,姜志,等.基于Hessian矩陣多尺度濾波的路面裂縫圖像檢測方法[J].計算機(jī)應(yīng)用,2016,36(S1):174-176.(WANG J, SUN H T, JIANG Z, et al. Pavement crack detection based on Hessian matrix multi-scale filtering [J]. Journal of Computer Applications, 2016, 36(S1): 174-176.) [3] ALDEA E, LE HGARAT-MASCLE S. Robust crack detection for unmanned aerial vehicles inspection in an a-contrario decision framework [J]. Journal of Electronic Imaging, 2015, 24(6): 061119. [4] SUN L, KAMALIARDAKANI M, ZHANG Y M. Weighted neighborhood pixels segmentation method for automated detection of cracks on pavement surface images [J]. Journal of Computing in Civil Engineering, 2016, 30(2): 04015021. [5] 任亮,徐志剛,趙祥模,等.基于Prim最小生成樹的路面裂縫連接算法[J].計算機(jī)工程,2015,41(1):31-36.(REN L, XU Z G, ZHAO X M, et al. Pavement crack connection algorithm based on Prim minimum spanning tree [J]. Computer Engineering, 2015, 41(1): 31-36.) [6] 趙珊珊,何寧.基于卷積神經(jīng)網(wǎng)絡(luò)的路面裂縫檢測[J].傳感器與微系統(tǒng),2017,36(11):135-138.(ZHAO S S, HE N. Pavement crack detection based on convolution neural network [J]. Transducer and Microsystem Technologies, 2017, 36(11): 135-138.) [7] AMHAZ R, CHAMBON S, IDIER J, et al. Automatic crack detection on two-dimensional pavement images: an algorithm based on minimal path selection [J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(10): 2718-2729. [8] 宰柯楠,徐江峰.基于遺傳算法和簡化PCNN的裂縫檢測方法[J].計算機(jī)應(yīng)用研究,2017,34(6):1885-1888.(ZAI K N, XU J F. Method of crack detection based on genetic algorithm and simplified pulse coupled neural network [J]. Application Research of Computers, 2017, 34(6): 1885-1888.) [9] 朱平哲,黎蔚.基于主動生長的斷裂裂縫塊的連接方法[J].計算機(jī)應(yīng)用,2011,31(12):3382-3384.(ZHU P Z, LI W. Linking algorithm of discontinuity crack block based on autonomous edge growing [J]. Journal of Computer Applications, 2011, 31(12): 3382-3384.) [10] YAMAGUCHI T, HASHIMOTO S. Automated crack detection for concrete surface image using percolation model and edge information [C]// Proceedings of the 2006 IEEE Conference on Industrial Electronics. Piscataway, NJ: IEEE, 2006: 3355-3360. [11] YAMAGUCHI T, HASHIMOTO S. Fast crack detection method for large-size concrete surface images using percolation-based image processing [J]. Machine Vision and Applications, 2010, 21(5): 797-809. [12] QU Z, GUO Y, JU F R, et al. The algorithm of accelerated cracks detection and extracting skeleton by direction chain code in concrete surface image [J]. The Imaging Science Journal, 2016, 64(3): 119-130. [13] 瞿中,郭陽,鞠芳蓉.一種基于改進(jìn)滲流模型的混凝土表面裂縫快速檢測算法[J].計算機(jī)科學(xué),2017,44(1):300-302.(QU Z, GUO Y, JU F R. Algorithm of accelerated cracks detection based on improved percolation model in concrete surface image [J]. Computer Science, 2017, 44(1): 300-302.) [14] 瞿中,蔣玉萍,文倩云.一種方向鏈碼掃描與跟蹤的圖像細(xì)化后期處理算法[J].計算機(jī)科學(xué),2015,42(2):292-295.(QU Z, JIANG Y P, WEN Q Y. Algorithm of image thinning post-processing based on direction chain code scanning and tracking [J]. Computer Science, 2015, 42(2): 292-295.) [15] 吳成東,盧佰華,陳東岳,等.基于方向特征及引力模型的路面裂縫檢測[J].東北大學(xué)學(xué)報(自然科學(xué)版),2012,33(4):469-472.(WU C D, LU B H, CHEN D Y, et al. Pavement crack detection based on direction feature and gravitational model [J]. Journal of Northeastern University (Natural Science), 2012, 33(4): 469-472.)