基于图像处理的路面裂缝检测系统设计与研究
基于MATLAB的路面裂縫檢測系統設計與研究
一、課題背景及研究目的
隨著社會經濟的不斷發展，道路交通在國民經濟和人民生活中起的作用愈發顯著， 交通已成為人們日常出行和我國經濟建設中重要的基礎設施之一，是體現一個地區經濟 發展的關鍵和標志。在所有的交通形式中，道路交通是與人們生活出行密切相關的，并 且最能體現一個國家的經濟實力和綜合國力的就是其道路交通的發展狀況同。
近幾十年來，世界范圍內各國公路特別是高等級公路建設迅速發展，極大的促進了 地區經濟的發展。經過幾十年的快速發展，高速公路已成為我國道路運輸的重要組成部 分。我國高速公路從20世紀70年代末開始研究規劃，80年代末開始建設。截止2012 年底，我國建成并通車的髙速公路已經達到9.6萬公里，位居世界第二。我國高速公路 的快速發展，大大加快了各地區經濟的聯系和發展，已基本形成了一個與我國經濟發展 相適宜的高速公路網。
伴隨髙速發展的道路交通建設，公路的養護及管理任務也隨之而來。尤其是我國早 期修建的一批高等級公路巳經進入中修或大修期，相關道路養護及管理部分已經愈發重 視道路路面病害的監測和病害數據的釆集工作回。但是，目前我國對于路面病害檢測的 研究較少，相關的檢測設備嚴重落后甚至不足，并且引進國外同類檢測設備價格昂貴。 因此，許多道路養護管理部門依然停留在傳統人工檢測的階段。而傳統人工檢測又存在 許多問題，如檢測效率低、勞動強度大、耗時較長以及檢測精度無法保證等。隨著我國 道路通車里程規模的不斷增大，傳統的道路檢測手段已經不能滿足我國道路病害檢測的 需求。因此，研究和開發先進的路面病害檢測技術就成為我國公路發展中亟待解決的問 題。
二、路面檢測技術概況
雖然我國公路通車里程規模在不斷增大，截止到2012年12月，全國已建成通車公 路總里程達到410萬公里，我國道路總里程已居世界前列。但是和一些西方發達國家相 比，我國在道路養護和病害檢測方面的技術手段還有較大差距。國外經濟發達國家早在 19世紀末就開始建設公路，20世紀20?30年代就已經岀現了高速公路，并且經過近幾 十年的不斷發展，道路管理養護作業已經較為成熟和完善，其道路養護及檢測設備先進, 技術水平和自動化程度很高。而我國直到20世界80年代才出現高速公路。目前我國道 路養護管理工作還處于起步階段，在高速公路養護工作中存在技術水平低，道路檢測設 備落后，資源浪費等問題。但是隨著近年來各個科研院所及高校對道路路面自動檢測領 域研究力度的不斷加大，我國在路面自動檢測方面也取得了長足的進步⑶。目前，路面 檢測技術正向路面無損自動檢測的方向發展，使得對道路的質量監控、破損及使用狀況 評價更加方便快捷，大大提高了道路養護的質量和效率。
道路路面破損檢測技術發展大體經歷了三個階段：傳統人工檢測、半人工半自動化 檢測、無損自動檢測。
傳統的路面破損檢測方法一般采用人工檢測法，即步行人眼觀察法、坐車錄像屏幕 測讀法、攝像測量法等⑶。這些方法主要有以下幾方面的缺點：
(2)人工檢測由于需要封閉路段，所以嚴重影響正常的道路通行；
近年來，隨著計算機、圖像處理、GPS (Global Position System)全球定位系統、 數字CCD等一批新技術的快速發展，使得路面無損自動檢測系統的開發成為可能。與 傳統人工檢測方法相比無損自動檢測具有以下幾方面的特點：
四、實現功能
本論文的主要工作是對路面裂縫檢測系統的硬件設計，路面裂紋的圖像處理和裂紋 的分類方法進行了深入的探討和研究。主要工作包括以下內容：
五、路面裂縫檢測硬件系統設計
5.1、圖像處理模塊
圖像處理模塊是路面裂縫檢測系統的核心部分，主要通過工控機完成大數據量的圖 像數據存儲和顯示輸出工作以及后期完成對釆集圖像的處理、分析以及道路使用狀況的 評價工作。圖像處理模塊的算法設計在很大程度上影響到整個檢測系統的檢測效果和精 度。圖像處理模塊的工作流程主要包括：圖像的讀取、圖像預處理(圖像濾波、圖像增 強、圖像恢復以及銳化等)、圖像邊緣檢測及分割、路面裂縫類型的識別。圖像處理模 塊處理流程如圖2-7所示。
圖2-7圖像處理流程
Figure 2-7 Image processing flow
圖像處理模塊的處理流程，首先將釆集存儲在計算機中的路面圖像數據進行解壓， 再通過計算機讀取路面破損的圖像數據。通過圖像處理算法對原始圖像進行預處理，由 于原始圖像在釆集過程中都存在不利于直接進行圖像處理的因素，如圖像噪聲干擾、圖 像模糊、圖像亮度較低等，需要我們通過圖像增強算法，將圖像中我們感興趣的裂縫邊 緣區域進行適當的加強。但是在對裂縫邊緣進行加強的同時，也使得圖像中的各種噪聲 得到加強，所以還需要對圖像進行濾波處理，去除圖像中的噪聲干擾。在對裂縫圖像進 行邊緣檢測的同時，圖像中的噪聲也會被檢測出來PR。這時需要對目標區域進行標示統 計，以濾除噪聲。然后就需要通過迭代算法計算出圖像中感興趣區域的最佳閾值，對裂 縫圖像進行圖像分割，然后通過基于人工神經的分類器對圖像中的裂縫進行分類識別。
本系統的圖像處理算法開發釆用德國MVTec Software GmbH公司的HALCON圖像 處理軟件，該軟件集成有一套完善的標準的機器視覺算法包。HALCON擁有應用廣泛 的機器視覺集成開發環境。它節約了產品的成本，大大縮短了軟件的開發周期。 HALCON提供了包括1800多個算子的函數庫，這些函數功能全面，應用廣泛，性能良 好，主要包括：blob分析、形態學、匹配、測量、識別和立體視覺等。同時HALCON 支持Windows, Linux和Mac OS X操作環境，它保證了投資的有效性。整個函數庫可 以用C, C++, C#, Visual http://Basic.NET和Delphi等多種普通編程語言訪問。HALCON的 軟件開發界面如圖2-8所示。
M程序編借題
"kead_image (linage, ■ C:/Documents and Settings/ zhouJ rg?3_c.o_gray (Image( Image, Image, IroageGray) ?n>ecllen_i?a7e < In^^e-Jray, imagaKcdian, ? circle ? , 2, ~ | ?：ne*n_ii^ta-?e : Ixr.agieGray, l?r>ageReanl, 9. 9) smooth image (IntageGray, IwageSrooothl, ' shen* , 0.5)
?' . ? , ^ - ' ' -
*rcberti (:magSKOGthl, IrnegeRoberc s, ' ^rr3dient_sux* _ i threshold (IroageSmoothl, HighSaturation, 0, 140) ▼.
圖2-8 HALCON軟件開發界面
Figure 2-8 The interface of HALCON software development
5.2、其它功能模塊
整個檢測系統還包括攝像機機架及照明系統的設計。攝像機固定于車載視頻釆集機 架上，機架釆用可調式推拉滑軌結構。機架的設計必須在保證結構剛度的同時，兼顧其 可調節性，為后續攝像機機位的調節提供便利。機架的滑軌置于車尾2m處，釆用可擴 展方式具有良好的兼容性。滑軌與車架和車身固定，有效的防止機架震動對攝像機造成 的影響SI,機架參考設計如圖2.9所示。
圖2-9相機機架安裝參考圖
Figure 2-9 Installation of the camera frame
機架的設計安裝需要注意以下幾點：（1）攝像機機位必須保證一定的高度才能將整 個3.7m寬的車道完全覆蓋，但是支架的高度也不能超過法規規定正常車輛的高度。（2） 攝像機的機架必須保證不對車輛造成物理損壞。（3）固定支架必須釆取減震措施，保證在檢測車在拍攝過程中不受支架震動的影響。（4）固定支架應當易于安裝和拆卸。
檢測車在行駛過程中釆集圖像，由于受道路路面材質顏色較暗、道路陰影以及天氣 等自然條件的影響，可能造成釆集回來的圖像質量不高，為后續的圖像處理增加困難。 系統在檢測車身安裝了 2m長的照明固定支架，照明角度可調，照明設備釆用目前較為 先進的LED作為輔助光源。LED是由超導發光晶體產生的超高強度的燈光。它發出的 熱量很少，功耗相對較低。另外，LED具有超長壽命，省電，低成本，高亮度，適應 環境能力強，安裝方便等特點。
5.3、路面裂縫圖像預處理
圖像增強處理是指處理后的圖像比原始圖像更適合某種特定應用為首要目標的圖 像處理方法。任何一幅沒有經過處理的原始圖像都存在一定程度的噪音。這些噪音使圖 像質量惡化，造成圖像特征不夠清晰，嚴重的甚至會造成圖像特征被淹沒，給后期圖像 的分析帶來一定的困難。因此，必須對質量不高的原始圖像進行增強處理。圖像增強算 法大致可分為兩大類：頻域方法和空間域方法。空間域，又稱為圖像空間A】。這類方法 主要是以矩陣的方式對圖像像素直接進行運算處理為基礎的。頻域處理是建立在圖像的 傅氏變換基礎上的。圖像增強不存在通用性的理論。由于原始圖像是為人類視覺感官進 行處理的，由不同的觀察者來判斷不同方法的處理效果，所以圖像感官的視覺評價是一 個非常主觀的過程。所以需要定義一個標準來衡量某個算法的性能。
“空間域”增強是指對圖像的單個像元進行增強處理，空間域增強處理是對這些像 素直接進行操作的過程。其處理過程可由式3-1進行定義：
g(x,*) = 7l/(時)] (3-1)
式中f(x,y)代表等待處理的圖像，g(xj)為經過處理后的圖像，T是對f(x,y)的一種 運算，定義域為(x,y),鄰域的范圍越大靈活性就越高。一般的處理方法是，利用定義 域中的點(X))來確定鄰域中對應的/值的函數來決定g在點(x,y)處的值。在實際應用 中釆用的主要方法是以所謂的模板(又稱為窗口、掩膜、核或濾波器等)為基礎的。從 形式上講，模板屬于一個兩維矩陣，模板中各元素的值決定了使用模版所處理的性質， 例如灰度變換、圖像銳化等等。因此使用此類方法的圖像增強處理通常是指模板處理或 濾波。
5.4、裂縫圖像的増強處理
圖像釆集系統釆用的是黑白面陣CCD攝像機，系統釆集回來的路面原始圖像已經 是灰度圖像，因此在圖像預處理過程中不需要再進行圖像的灰度變換，可以直接進行后 續圖像處理。由于圖像在硬件系統的設計，圖像信號的形成及圖像的傳輸和存儲過程中 都可能會對原始圖像產生干擾，即噪聲。例如，由于圖像釆集是在檢測車高速行駛狀態 進行了，車身或支架的抖動都會造成拍攝圖像的模糊。另外，原始圖像在傳輸和存儲過 程中受電磁干擾會產生脈沖噪聲等干擾信號。受天氣、照明以及空氣灰塵的影響都有可 能對圖像造成不同程度的影響。因此，通常在對圖像進行處理之前，需要對原始圖像進 行一定的預處理，如圖像濾波、圖像恢復、圖像銳化等處理。圖像預處理通常能較好的 改善圖像質量，消除由于各種因素造成的噪聲污染，達到提高檢測準確率的目的。根據 噪聲產生原理的不同，采用不同的方法進行處理。并通過對比獲得一種較為理想濾波方 法來對圖像進行增強處理。
均值濾波圖像
原始圖像
圖3-5圖像的均值濾波
Figure 3-5 Mean filter image
5.1裂縫圖像邊緣檢測
路面裂縫的主要特征就是裂縫的邊緣，因此我們首先需要對圖像進行比較準確的邊 緣檢測，然后才能進行正確的圖像分割提取裂縫的邊緣特征。本文裂縫的邊緣檢測主要 目的是為了將破損路面圖像中的裂縫從背景圖像中分離和提取出來，作為后續圖像處理 識別和分類的基礎。下面我們首先簡單介紹一下邊緣檢測的基礎理論。下面簡單介紹幾 種常用的邊緣檢測算子：
1、Prewitt 算子
Prewitt算子是最簡單的邊緣檢測算子，其有兩個模版，一個是用來檢測水平邊緣, 一個用于檢驗垂直邊緣。其模型分別為：
| ■-1 | -1 | -1' | 0 | -1" | ||
| 0 | 0 | 0 | 和 | 1 | 0 | -1 |
| 1 | 1 | 1 | 1 | 0 | -1_ |
2、Roberts 算子
Roberts算子是利用局部差分算子尋找邊緣的算子，對噪聲很敏感，并且無法抑制 噪聲的影響。同樣的Roberts有兩個算子，其模版為：
| '0 1' | '1 | 0' | |
| -1 0_ | 和 | 0 | -1_ |
3、Sobel 算子
Sobel算子具有兩個算子，一個用于檢測水平方向邊緣，而另一個用于檢測垂直方
向邊緣。其模版分別是：
| ■-1 | -2 | -f | '1 | 0 | -f | |
| 0 | 0 | 0 | 和 | 2 | 0 | -2 |
| 1 | 2 | 1 | 1 | 0 | -1_ |
Sobel算子有另一個形式的算子Isotropic Sobel0同樣，該算子也有兩個，一個用于
檢測水平邊緣，另一個用于檢測垂直邊緣。其模版分別為:
| "-1 -V2 -f | ■ 1 0 -1 ' | |
| 0 0 0 | 和 | V2 0 -V2 |
| 1 V2 1 | 1 0 -1 |
4、Laplacian 算子
Laplacian算子是n維歐幾里德空間中的一個二階微分算子。Laplacian算子對噪聲 也比較敏感，因此圖像通常需要先進行平滑處理。其模版為：
| '0 | -1 | O' | ■-1 | -1 | -f | '1 | -2 | 1' | ||
| -1 | 4 | -1 | -1 | 8 | -1 | 和 | -2 | 4 | -2 | |
| 0 | -1 | 0 | -1 | -1 | -1_ | 1 | -2 | 1_ |
5、 Canny 算子
Canny邊緣檢測算子是JohnF. Canny于1986年提出的一個多級邊緣檢測算法"門。 其目標是找到一個最優的邊緣檢測算法。Canny算子提出了一下三個指標：
一個好的邊緣檢測算子應該優化上邊的所有準則，因此Canny算子給出了階躍邊緣 的最佳邊緣算子的形式，就是Canny邊緣檢測算子。另外，Canny算法中有兩個很有特 色的方法，就是非極大值抑制和雙閾值法。
6、 LoG算子
LoG算子又稱為高斯拉普拉斯算子(Laplacian of Gaussian, LoG)。是Marr和Hildreth 把Laplace算子和高斯低通濾波復合在一起。由于倒數計算噪聲干擾敏感，直接計算導 數類似于噪聲。但是，如果采用高斯低通濾波，所得結果則比較好的保留了圖像的邊緣。 LoG邊緣檢測算子還有如下特征：
LoG算子既可以給圖像濾波又可以給圖像濾除噪聲，圖像中的孤立點也被濾除。它 主要是通過先和高斯濾波器進行卷積來實現的。
LoG算子的輸出h(x,y)是為：
Kx, y) = A2[g(x, y) * f(x, y)\ (3-36)
根據卷積求導有
[A(x,y) = A2 g(x,y) ]*/(x,y) (3-37)
其中
A2 = 茅 (3-38)
7、基于Sobel算子的8方向邊緣檢測算法
釆用Sobel算子的圖像進行邊緣檢測原理是[42〕：首先，構造一個矩陣模版，然后利 用模版對圖像中的像素點逐個地進行卷積運算，最后得到的結果作為該像素的新值。像 素點的卷積運算可以看做加權求和的過程。
卷積使用的權是用一個較小的矩陣來表示的，矩陣的大小為奇數，而且其區域大小 是相同的。如表3-1所示，表示卷積核。圖像區域內的每一個像素分別和卷積核中的元 素進行相乘，所得的乘積之和為該區域中心像素的新值。
表3-1卷積核
Table 3-1 Convolution kernel
| 先 TJT) | 為+ 1，丿-1) | |
| 貝-1，丿) | 處+ 1J) | |
| /G-1.J + 1) | 丿+ 1) | /。+ 1,力) |
Sobel算子是先進行加權平均，再微分，最后在求梯度，數字圖像處理過程中的微
分是通過差分近似微分得到的，即
mag(/) = [G；+G養 (3-39)
由于傳統的Sobel算子只有兩個方向上的模版，因此在處理諸如裂縫這類具有多方 向性的圖像，對圖像中的噪聲抑制能力效果不好。但是考慮到裂縫圖像的多方向性，這 里我們通過構造8個方向的卷積核來實現裂縫圖像的邊緣檢測：
| -1 -2 -f | '-2 -1 0、 | '-1 o +r | '0 +1 +2、 |
| 0 0 0 | -1 0 +1 | -2 0 +2 | -1 0 +1 |
| 、+i +2 +L | 、0 +1 +2, | 、-1 0 +， | [-2 一1。丿 |
| —? | t | \ | |
| '0 +1 +2、 | '0 +1 +2、 | ‘+1 0 -1、 | '0 -1 -2、 |
| -1 0 +1 | -1 0 +1 | + 2 0 -2 | + 1 0 -1 |
| I"-】0, | 、-2 -1 0 丿 | 、+ 】。-1, | 、+2 +1 0, |
| ■ | 1 |
圖3-10基于Sobel的8方向模版
Figure 3-10 The 8 direction template based on Sobel
裂縫圖像中的每個像元都要用8個模版來做卷積，所以模版只對對應圖像的邊緣有 影響。如圖3-10所示，基于8方向的Sobel邊緣檢測算子效果較好。
如圖3-11為邊緣檢測過程中提取的裂紋邊緣，從檢測的結果可見，對于路面的橫 縱裂紋以及復雜的網裂的邊緣均有較好的檢測效果。
圖3-11提取的裂縫邊緣
Figure 3-11 Crack edge extraction
5.6、圖像分割
圖像分割是圖像處理中最常見的直接檢測區域的分割方法。它是一種基于圖像灰度 進行分割的方法。其原理就是將圖像像素的按其灰度來排序，并通過設置閾值的辦法來 確定目標區域或者要分割的物體邊緣。常用的閾值化處理就是我們所說的圖像二值化處 理，即將圖像轉化為黑白的二值圖像。
邊緣檢測結束后，為了下一步裂縫的提取，需要對圖像進行闕值分割。根據區域劃 分規則的不同，路面裂縫圖像的分割原則上有很多種，但是需要找出裂縫圖像中最容易 區分目標和背景的特征，再通過一定的處理算法對裂縫圖像進行適當運算，得到像素重 新分布的裂縫圖像。如果裂縫圖像分割效果不佳可能會直接導致后期裂紋圖像分類結果 的失敗，因此我們需要建立一個健壯和穩定的圖像分割方法。
5.7、圖像腐蝕與膨脹運算
圖像分割處理完成以后，路面裂縫圖像變為清晰且裂縫明顯的二值圖像，但是圖像 分割后的圖像仍然存在一些細小的孤立點和支縫，因此我們需要通過腐蝕和膨脹運算的 結合使用濾除圖像中的孤立點或將支縫連接起來，形成閉合且貫通的裂縫圖像，為后續 圖像的分類提供基礎。我們可以通過圖像二值形態學方法使用膨脹算法將裂縫鄰近的點 連接起來。而腐蝕和膨脹是一個對偶的運算過程。
腐蝕前裂紋
腐蝕后裂紋
圖3-14腐蝕后裂紋圖像
膨脹實際上就是腐蝕的一種對偶運算過程，表現在人們視覺上的感官就是二值圖像 中裂紋邊界點擴張了。膨脹運算將所有裂紋鄰域中的像素點全部合并到裂紋中。
膨脹前裂紋
膨脹后裂紋
圖3-15膨脹后裂紋圖像
六、人工神經網絡概述
人工神經網絡(Artificial Neural Networks, ANN)也稱為神經網絡(NNS)或連接 模型(ConnectionModel),它是以計算機網絡系統模擬動物神經網絡的智能計算系統， 是對人腦或生物神經網絡的若干基本特性的抽象和模擬。人工神經網絡的數學算法模型 能夠對分布式信息進行并行處理。人工神經網絡是由大量的簡單的神經元(neuron)相 互連接而成的非線性自適應動態系統。神經網絡中每個神經元的結構和功能都比較簡 單，但是它是由大量的處理單元互聯組成的，因此神經網絡是一種非常復雜的非線性、 自適應處理系統。它克服了傳統的人工智能在處理直覺、非結構化信息方面的缺陷。由 于神經網絡具有自組織和自適應的特點，己經大量應用于模式識別、智能控制以及人工 智能等領域。并且己經涉及神經科學、思維科學、計算機科學等多個交叉學科領域，不 斷推動人工智能技術的發展。近年來，神經網絡已經開始和模糊控制、遺傳算法相結合, 并形成新的計算智能將成為一個重要的研究方向，并逐漸向實際應用的方向發展［46】。
七、運行示例圖
八、參考文獻
總結
以上是生活随笔為你收集整理的基于图像处理的路面裂缝检测系统设计与研究的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 路由器的原理与作用 及简单静态路由配置
- 下一篇： VB中do循环的四种格式