段明義，崔奧杰，張曉方，張宇凱，惲宣任

（鄭州工程技術學院信息工程學院，河南鄭州，450044）

0 引言

當前并沒有一種方法能夠對公路上產(chǎn)生的細小裂縫問題進行高精度的檢測，因此造成檢測方法效率低的現(xiàn)象發(fā)生[1]。自適應閾值算法是一種利用圖像當中的局部閾值替換掉全部閾值從而對圖像中的信息進行計算的方法。當前自適應閾值算法在應用過程中的主要作用是對顏色差異不明顯的圖像進行識別，因此針對公路當中不明顯的裂縫，本文將開展基于自適應閾值的公路裂縫自動檢測方法研究。

1 基于自適應閾值的公路裂縫自動檢測方法設計

■1.1 公路路面圖像自動采集

選擇CCD 工業(yè)相機，利用其實時拍照功能，進行公路裂縫圖像的自動化采集，為了確保獲取圖像的清晰度，按照相機的陣列坐標軸，構建公路坐標圖像，此過程中考慮到圖像的獲取可能受到外界相關信息的干擾，因此提出使用CCD 工業(yè)相機建立公路裂縫二維面陣的方式，進行公路全程圖像的識別。

為了避免獲取的圖像信息存在曝光的問題，應在獲取圖像后，立刻將圖像上傳至以太網(wǎng)序列中，按照上機位傳輸端信息分布的特征，實現(xiàn)對圖像的高效率上傳[2]?？紤]到實地考察工作的惡劣性較強，公路的整體運行環(huán)境較差，因此可認為獲取的公路裂縫圖像中可能存在較多的無用信息，包括環(huán)境噪聲、車輛行駛干擾信息等。為了滿足后期對公路裂縫的標注需求，降低無用信息對后續(xù)檢測工作實施的干擾，需要對存在噪聲的圖像進行標記處理，并根據(jù)信息的標記，對指定圖像進行除雜降噪處理。假定噪聲在圖像中是以脈沖噪聲的方式存在，因此可將獲取的噪聲信息近似看作高斯噪聲[3]。按照圖像標準化平滑處理方式，對自動采集的公路裂縫圖像進行處理。處理過程可用如下計算公式表示。

公式（1）中，w(x,y) 表示為經(jīng)過平滑處理后的公路路面裂縫圖像；(x,y) 表示為處理后圖像中存在裂縫問題點坐標；m表示為公路路面平整信息的數(shù)據(jù)集合；q表示為相關處理行為；z表示為使用CCD 工業(yè)相機自動獲取的圖像信息。根據(jù)上述計算公式，輸出完成處理的公路裂縫圖像，基于此，完成對除雜去噪公路裂縫圖像的獲取。

■1.2 基于自適應閾值的公路圖像移動平均分割

完成對公路裂縫圖像自動采集后，為了進一步減少公路上的光照強度對檢測效果的影響，結合自適應閾值，沿著提取圖像的掃描線進行移動平均值計算[4]。圖1 為掃描模式下公路圖像移動平均分割逐線執(zhí)行示意圖。

圖1 掃描模式下圖像移動平均分割逐線執(zhí)行示意圖

如圖1 所示，假設Lk表示為在掃描順序中，第k 步時點的灰度，對該灰度點按照公式（2）進行移動平均值計算：

公式（2）中，n表示為用于計算平均值的點數(shù)。公式（2）中，M（k）得出的計算結果還應當與Zk/n 數(shù)值相同。通過移動平均閾值分割的方法，對公路裂縫圖像的處理，可保證在噪聲較小，并且灰度不均現(xiàn)象降低的前提條件下實現(xiàn)對公路裂縫的提取，有利于后續(xù)公路裂縫自動檢測與定位的精度[5]。在實際應用過程中，由于移動平均方法中的閾值是人為設置的，因此在針對不同圖像進行處理的過程中表現(xiàn)出的效果會存在較大差異。由于公路裂縫在圖像當中的灰度比周圍其他未出現(xiàn)裂縫位置的像素相對較低，因此使用傳統(tǒng)設備在獲取圖像時會受到光照不均勻的影響，使得最終獲取到的圖像更容易出現(xiàn)過度分割現(xiàn)象[6]。因此，針對上述問題，本文采用一種粗分割的方法，對公路圖像移動進行平均分割。由于粗分割不會受到灰度不均勻的影響，因此能夠在分割過程中提取到更加完整的裂縫圖像信息。通過粗分割得到的二值圖像其噪聲與一般分割方法相比更低，因此更有利于后續(xù)對分割圖像進行處理，方便對公路裂縫進行檢測和定位從而進一步降低本文提出的基于自適應閾值的公路裂縫自動檢測方法的復雜程度。

■1.3 公路裂縫自動檢測與定位

結合視覺顯著性，將其融入到公路裂縫圖像當中的標記數(shù)字定位當中，結合普殘差顯著特征算法，在一定的頻率域當中獲取到公路裂縫的log 譜，以此在公路裂縫圖像當中構建有關裂縫和細小裂縫的顯著圖像。由于在圖像處理及監(jiān)測領域當中，通過冗余信息，能夠更加快速的反映出在圖像統(tǒng)計過程中存在的各類變化特征，將帶有變化特征的區(qū)域在公路裂縫自動檢測過程中即可看作是公路存在裂縫和區(qū)域，不帶有變化特征的區(qū)域，即可看作是公路不存在裂縫，能夠正常穩(wěn)定運行的區(qū)域。

最后，再利用卷積神經(jīng)網(wǎng)絡，對檢測并定位到的公路裂縫圖像表現(xiàn)出的具體特征進行自主學習，并確保圖像當中的所有細節(jié)特征均保留的前提條件下，降低對檢測方法的特征識別訓練數(shù)據(jù)量。對于可能存在變化特征的圖像，還需要進行相應的灰度化處理，并將上文當中提出的自適應閾值計算的規(guī)格進行轉變，變換為40×40 的圖像，以此完成對圖像的歸一化處理。再將數(shù)據(jù)作為輸入層中的數(shù)據(jù)，利用相同的卷積核對其相應的裂縫特征進行提取，采用8 個10×10 的卷積核，對40×40 的圖像進行平均劃分，得到最終的特征圖像。在檢測輸出層當中，添加365 個神經(jīng)元，并將其彼此相互連接，從而構成一個720 個連接線的網(wǎng)絡結構。通過輸出層當中得出的映射可利用線性特征對其進行裂縫定位，以此實現(xiàn)對公路裂縫的自動檢測。

2 實驗論證分析

■2.1 實驗準備

實驗選用某地區(qū)公路作為實驗對象，該公路整體長度約為128km，貫通整座城市，公路路面的占地面積約為1368km2，分別利用本文提出的基于自適應閾值的公路裂縫自動檢測方法和傳統(tǒng)檢測方法對該公路裂縫進行自動檢測。實驗過程中，選用該公路8 段公路路面作為實驗檢測區(qū)域。在該檢測區(qū)域當中包含了多個不同深度、不同數(shù)量的裂縫。8 段公路路面的裂縫平均深度為0.165m，最淺為0.057m，最深為0.195m。其裂縫的平均長度為0.355m，最短為0.097m，最長為0.483m。為保證實驗結果的客觀性，實驗過程中，兩種檢測方法均通過多態(tài)光譜攝像機對公路路面圖像進行拍攝，并對攝像機設置相同的拍攝參數(shù)：攝像機像素為1200 萬，分別率為85DPI，拍攝頻率為6.83Hz，拍攝周期為15s。分別利用電子表格對兩種檢測方法檢測到的公路裂縫數(shù)量、深度等參數(shù)進行記錄，并將其與該公路實際的裂縫情況進行比較。通過電子表格記錄的內(nèi)容，對比兩種檢測方法的檢測平均相對誤差，并將其作為實驗結果進行輸出。以此，完成對本文公路裂縫自動檢測方法和傳統(tǒng)檢測方法的對比。

■2.2 實驗結果分析

按照上述實驗準備，完成兩種檢測方法的實驗，并將實驗結果進行記錄，將計算得出的兩種方法平均相對誤差與最大誤差允許范圍進行比較，得出如表1 所示的實驗結果對比表。

表1 兩種檢測方法實驗結果對比表

根據(jù)表1 中的數(shù)據(jù)得出，本文檢測方法的平均相對誤差明顯低于傳統(tǒng)檢測方法的平均相對誤差，并且本文檢測方法的檢測精度均低于最大允許誤差范圍，而傳統(tǒng)檢測方法僅在第2 段范圍內(nèi)實現(xiàn)了對公路路面裂縫的高精度檢測。因此，通過對比實驗證明，本文提出的基于自適應閾值的公路裂縫自動檢測方法在實際應用中能夠有效提高檢測結果的準確性，并保證檢測結果的精度滿足公路交通的高精度要求。因此，將本文提出的檢測方法應用于實際能夠為公路交通在后續(xù)公路維修、公路養(yǎng)護等階段，提供可靠的數(shù)據(jù)支撐，以此不僅可以提高公路的運營質(zhì)量，同時還能夠為公路交通安全提供保障。

3 結束語

本文針對當前公路上常出現(xiàn)的裂縫影響道路運行問題，提出一種結合自適應閾值的全新的檢測方法，并通過實驗證明了該方法的實際應用效果。將本文提出的檢測方法與實際公路施工、維護等情況結合，可以著重改善公路裂縫監(jiān)測的錯誤識別率高、細小裂縫監(jiān)測不到位等問題。同時，本文提出的檢測方法在有效降低了錯誤識別率的基礎上，能夠更好地對細小裂縫以及微灰度差異的裂縫進行精準檢測。通過本文論述，可將自適應閾值引入到公路交通建設的公共環(huán)節(jié)當中，更加全面地提升公路質(zhì)量，為實現(xiàn)公路的自動化建設提供新技術、新思路。