基于深度神经网络的路面裂缝检测模型构建及检测方法

    公开(公告)号:CN110070520A

    公开(公告)日:2019-07-30

    申请号:CN201910208224.4

    申请日:2019-03-19

    Applicant: 长安大学

    Abstract: 本发明公开了基于深度卷积神经网络的路面裂缝检测模型的构建及检测方法,具包括:获取不同路面背景下的路面裂缝图像集,使用不同角度的sigmoid曲线进行特征提取,获得特征图;将特征图作为输入,将所述的的标签作为输出,训练神经网络,获得路面裂缝检测模型;其中,神经网络包括依次设置的特征提取层和分类层。再将待检测路面图像输入到检测模型中,输出路面裂缝检测结果。实现对不同背景环境下修补和未修补的路面裂缝进行检测分类的目的,具有较高的检测分类精度。

    一种基于光照补偿的路面图像去阴影方法

    公开(公告)号:CN109064411B

    公开(公告)日:2021-08-17

    申请号:CN201810607022.2

    申请日:2018-06-13

    Applicant: 长安大学

    Abstract: 本发明提供了一种基于光照补偿的路面图像去阴影方法,包括以下步骤:步骤1,采集路面二维阴影图像,并对路面二维阴影图像进行灰度化处理,得到灰度路面图像I(i,j);对灰度路面图像I(i,j)进行预处理,得到预处理路面图像Ih(i,j);步骤2,对预处理路面图像Ih(i,j)进行光照补偿处理,得到光照补偿后图像I′h(i,j);将阴影因子C(i,j)补偿给灰度路面图像I(i,j)中阴影区域的像素,得到初步去阴影图像I′(i,j);步骤3,对初步去阴影图像I′(i,j)中每一行和每一列像素点的半影区域进行样条插值处理,得到插值图像I′non(i,j);对插值图像I′non(i,j)的半影区域进行纹理恢复,得到路面去阴影图像Inon(i,j)。本发明完整保留了路面纹理信息,采用光照补偿对路面图像去阴影,避免了裂缝监测车造价高、运动相机裂缝检测系统裂缝检测精度低的缺点。

    基于深度神经网络的路面裂缝检测模型构建及检测方法

    公开(公告)号:CN110070520B

    公开(公告)日:2022-09-30

    申请号:CN201910208224.4

    申请日:2019-03-19

    Applicant: 长安大学

    Abstract: 本发明公开了基于深度卷积神经网络的路面裂缝检测模型的构建及检测方法,具包括:获取不同路面背景下的路面裂缝图像集,使用不同角度的sigmoid曲线进行特征提取,获得特征图;将特征图作为输入,将所述的的标签作为输出,训练神经网络,获得路面裂缝检测模型;其中,神经网络包括依次设置的特征提取层和分类层。再将待检测路面图像输入到检测模型中,输出路面裂缝检测结果。实现对不同背景环境下修补和未修补的路面裂缝进行检测分类的目的,具有较高的检测分类精度。

    一种基于光照补偿的路面图像去阴影方法

    公开(公告)号:CN109064411A

    公开(公告)日:2018-12-21

    申请号:CN201810607022.2

    申请日:2018-06-13

    Applicant: 长安大学

    Abstract: 本发明提供了一种基于光照补偿的路面图像去阴影方法,包括以下步骤:步骤1,采集路面二维阴影图像,并对路面二维阴影图像进行灰度化处理,得到灰度路面图像I(i,j);对灰度路面图像I(i,j)进行预处理,得到预处理路面图像Ih(i,j);步骤2,对预处理路面图像Ih(i,j)进行光照补偿处理,得到光照补偿后图像I′h(i,j);将阴影因子C(i,j)补偿给灰度路面图像I(i,j)中阴影区域的像素,得到初步去阴影图像I′(i,j);步骤3,对初步去阴影图像I′(i,j)中每一行和每一列像素点的半影区域进行样条插值处理,得到插值图像I′non(i,j);对插值图像I′non(i,j)的半影区域进行纹理恢复,得到路面去阴影图像Inon(i,j)。本发明完整保留了路面纹理信息,采用光照补偿对路面图像去阴影,避免了裂缝监测车造价高、运动相机裂缝检测系统裂缝检测精度低的缺点。

Patent Agency Ranking