逢吉祥 厲丹 王玲龍 王泳淞 葛一 張麗娜

摘要：隨著城市道路行業(yè)從大規(guī)模建設(shè)周期過渡到大規(guī)模養(yǎng)護(hù)周期，城市路面裂縫檢測就道路養(yǎng)護(hù)部門的工作重點(diǎn)之一。目前城市路面裂縫檢測技術(shù)已從傳統(tǒng)的人工處理向自動化的方向發(fā)展。城市路面裂縫檢測技術(shù)包括路面圖像灰度化，圖像濾波，圖像增強(qiáng)，圖像二值化，迭代閾值分割，K-means算法，路面裂縫參數(shù)計(jì)算。本文重點(diǎn)闡述了基于機(jī)器視覺的智慧城市路面裂縫檢測關(guān)鍵技術(shù)研究。

關(guān)鍵詞：路面裂縫檢測;圖像灰度化;迭代閾值分割;K-means算法

中圖分類號：TP391;U41? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）11-0174-02

Crack Detection of Smart City Pavement Based on Machine Vision Research on Key Technologies

FENG Ji-xiang， LI Dan， WANG Ling-long，WANG Yong-song，GE Yi， ZHANG Li-na

（Information and Electrical Engineering College，Xuzhou Institute of Technology ，Xuzhou 221000， China）

Abstract ： With the transition of urban road industry from large-scale construction cycle to large-scale maintenance cycle， urban pavement crack detection is one of the key work of road maintenance department. At present， the detection technology of urban pavement cracks has developed from traditional manual processing to automation. Urban pavement crack detection technology includes pavement image graying， image filtering， image enhancement， image binarization， iterative threshold segmentation， K-means algorithm， pavement crack parameter calculation. This paper focuses on the research on the key technology of pavement crack detection in smart city based on machine vision.

Key words： pavement crack detection; image graying; iterative threshold segmentation; K-means algorithm

1 引言

隨著改革開放的深入發(fā)展，我國在交通運(yùn)輸領(lǐng)域的發(fā)展取得了重大的突破。道路行業(yè)已從大建設(shè)周期過渡到了大養(yǎng)護(hù)周期。目前我國對城市路面的裂縫檢測主要依靠人工，人工檢測的同時就伴隨著人力物力的浪費(fèi)，還容易出現(xiàn)遺漏裂縫的現(xiàn)象。伴隨著智慧城市的飛速發(fā)展，基于圖像處理城市路面裂縫的關(guān)鍵技術(shù)研究就迫在眉睫。

2 城市路面裂縫檢測關(guān)鍵技術(shù)

整個系統(tǒng)過程如圖1所示。

2.1 圖像灰度化-加權(quán)平均法

圖像灰度化：假設(shè)F（i， j）為RGB模型中的某像素，若其3種基色的亮度值相等，則會產(chǎn)生灰度顏色，將該R=G=B的值稱為灰度值。針對城市路面裂縫圖像的檢測要求，需要將RGB圖像轉(zhuǎn)換為灰度圖像。本系統(tǒng)采用加權(quán)平均計(jì)算灰度圖像的方式對裂縫圖像進(jìn)行灰度化，即選取像素F（i， j）的R、G、B分量的亮度加權(quán)均值作為該像素的灰度值：

[Fg（i，j）=0.30*R（i，j）+0.59*G（i，j）+0.11*B（i，j）]? ? ? ?（1）

2.2 K-means算法

K-means算法即K均值聚類算法，它是一種迭代求解的聚類分析算法。對于給定的樣本集，按照樣本之間的距離大小，將樣本集劃分為K個簇。讓簇內(nèi)的點(diǎn)盡量緊密的連在一起，而讓簇間的距離盡量大。如果用數(shù)據(jù)表達(dá)式表示，假設(shè)簇劃分為（[C1]，[C2]，...，[Ck]），則我們的目標(biāo)是最小化平方誤差E：

[E=i=1Kx∈ci||x-ui||2]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

其中[ui]是簇[Ci]的均值向量，表達(dá)式為：

[ui=1Cix∈Cix]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

2.3圖像分割-迭代閾值分割

圖像分割是由圖像處理到圖像分析的關(guān)鍵步驟，是把圖像分成若干個特定的、具有獨(dú)特性質(zhì)的區(qū)域并提取關(guān)鍵目標(biāo)的技術(shù)和過程。本文采用的是迭代閾值分割算法。迭代閾值分割算法的關(guān)鍵是確定閾值，閾值確定后，將閾值與像素點(diǎn)的灰度值逐個進(jìn)行比較，像素分割可對各像素并行地進(jìn)行，分割的結(jié)果直接給出圖像區(qū)域。

假設(shè)一副灰度裂縫圖像用f（i，j）表示，其中（i，j）表示圖像中像素的位置坐標(biāo)，T為閾值，則閾值分割后的二值圖像b（i，j）滿足[b（i，j）={10f（i，j）≥Tf（i，j）

迭代閾值分割的具體步驟如下：

1）初始閾值。統(tǒng)計(jì)圖像的最小灰度值[Tmin]、最大灰度值[Tmax]，取二者平均值為初始閾值，即：

[T=Tmin+Tmax2]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

2）分割。根據(jù)閾值T對圖像進(jìn)行分割，得到兩個像素集合分別為[G1={f（i，j）≥T}] 和[G2={f（i，j）

3）灰度平均值。計(jì)算像素集合[G1]的灰度平均值[u1]，即：

[u1=1num（G1）（x，y）∈G1f（i，j）]? ? ? ? ? ? ? ? ? ? ? ?（6）

像素集合[G2]的灰度平均值[u2]，即：

[u2=1num（G2）（x，y）∈G2f（i，j）]? ? ? ? ? ? ? ? ? ? ? ? ?（7）

4）迭代。根據(jù)步驟3所求的[u1]和[u2]，取二者平均值為新的閾值，即：

[T=u1+u22]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（8）

重復(fù)步驟2-4，直至閾值T收斂到某一范圍為止。

3 基于機(jī)器視覺的圖像處理系統(tǒng)

本系統(tǒng)的機(jī)器視覺的圖像處理內(nèi)容包含直方圖均衡化、中值濾波去噪、對比度增強(qiáng)、二值化處理、二值圖像濾波、裂縫識別、裂隙判斷、裂縫拼接、裂縫投影、裂縫標(biāo)記、顯示參數(shù)等功能。

系統(tǒng)初始界面如圖3所示。

用戶點(diǎn)擊載入圖像時，系統(tǒng)自動將圖像進(jìn)行灰度化處理，依次點(diǎn)擊直方圖均衡化、中值濾波去噪、對比度增強(qiáng)、二值化處理、二值圖像濾波對圖像進(jìn)行預(yù)處理消除圖像的影響（干擾）因素，突出裂縫目標(biāo)。再點(diǎn)擊裂縫識別、裂隙判斷、裂縫拼接，精確地獲取裂縫區(qū)域信息，通過裂縫投影，判斷裂縫方向，獲取裂縫的特征。點(diǎn)擊裂縫標(biāo)記、顯示參數(shù)，標(biāo)記出裂縫位置以及顯示裂縫信息。

3.1實(shí)驗(yàn)過程

系統(tǒng)總共可以分為三個步驟。

1）圖像預(yù)處理，用戶點(diǎn)擊載入圖像時，系統(tǒng)自動將圖像進(jìn)行灰度化處理，依次點(diǎn)擊直方圖均衡化、中值濾波去噪、對比度增強(qiáng)、二值化處理、二值圖像濾波對圖像進(jìn)行預(yù)處理消除圖像的影響（干擾）因素，如圖4。

2）圖像處理，對步驟1處理后的圖像再進(jìn)行裂縫識別、裂隙判斷、裂縫拼接的操作，精確地獲取裂縫區(qū)域信息，通過裂縫投影，判斷裂縫方向，獲取裂縫的特征，如圖5。

3）顯示結(jié)果，裂縫標(biāo)記如圖6，裂縫參數(shù)信息如圖7。

4 總結(jié)

路面的安全對于國家發(fā)展、社會穩(wěn)定以及個人安全至關(guān)重要，本文針對城市路面設(shè)計(jì)的裂縫檢測系統(tǒng)便是為了有效的檢測和識別出城市路面的裂縫。本系統(tǒng)通過圖像預(yù)處理、迭代閾值分割關(guān)鍵技術(shù)，在統(tǒng)計(jì)國內(nèi)外裂縫特征選取的基礎(chǔ)上，利用機(jī)器模擬人眼，用戶首先導(dǎo)入圖像，然后經(jīng)過圖像的預(yù)處理后導(dǎo)出分割降噪后的裂縫的效果圖，再經(jīng)過形態(tài)學(xué)特征的效果圖，并標(biāo)記出裂縫的位置。

參考文獻(xiàn)：

[1] 李翠，馮冬青.基于改進(jìn)K-均值聚類的圖像分割算法研究[J].鄭州大學(xué)學(xué)報(bào)（理學(xué)版），2011，43（1）：109-113.

[2] 王龍?jiān)?路面裂縫檢測算法研究[D].南京：南京郵電大學(xué)，2012.

[3] 李清泉，劉向龍.路面裂縫影像幾何特征提取算法[J].中國科技論文在線，2007，2（7）：517-522.

[4] 楊洪偉，朱紅金.基于BP神經(jīng)網(wǎng)絡(luò)裂縫分級方法研究[J].國外測井技術(shù)，2009（5）：30-32，4.

[5] 馬榮貴，徐琨，劉飛飛.高速公路路面裂縫識別算法研究[J].交通信息與安全，2014，32（2）：90-94.

【通聯(lián)編輯：梁書】