基于纹理特征提取的道路表面缺陷检测方法技术
【技术实现步骤摘要】
基于纹理特征提取的道路表面缺陷检测方法
本专利技术涉及一种道路表面缺陷检测方法，尤其涉及一种基于纹理特征提取的道路表面缺陷检测方法。
技术介绍
道路的表面缺陷检测是保证交通正常运行的重要保障，现有技术中，对于道路表面缺陷检测包括如下方法：超声波、探测雷达、激光三角测量、人工检测、机器视觉等；上述中的检测方法中，存在如下缺陷：首先，人工介入较多，浪费人力，效率低，工作强度大，而且在检测过程中难以实现交通隔离，从而为工作人员带来严重的安全隐患；其次，现有的检测方法难以保证检测结果的准确性：由于路况收到环境的影响，自然环境中对于检测中的参数存在较为严重的干扰，为了提出干扰，使得计算过程复杂，难度大。因此，需要提出一种新的道路表面缺陷检测方法，能够对道路表面缺陷进行准确检测，提升结果的精确性，从而利于后续的治理措施进行制定，而且能够有效减少人工介入，节约人力成本，提高检测效率，尤其是能够保证工作人员的安全，而且能够有效避免检测过程中对交通运行的影响。
技术实现思路
有鉴于此，本专利技术的目的是提出一种基于纹理特征提取的道路表面缺陷检测方法，能够对道路表面缺陷进行准确检测，提升...
【技术保护点】
一种基于纹理特征提取的道路表面缺陷检测方法，其特征在于：包括如下步骤：S1.获取具有路面缺陷的图像并进行灰度处理形成路面缺陷灰度图像；S2.对路面缺陷灰度图像进行纹理特征提取，提取出特征值组成纹理特征向量，并以纹理特征向量表征路面缺陷灰度图像；S4.将同一缺陷类别的纹理特征向量表征的路面缺陷灰度图像进行均分，形成训练集和测试集；S5.以两个相同的自编码器构成栈式自编码器，并通过栈式自编码器对训练集进行高维抽象特征提取；S6.将softmax layer逻辑分类层堆栈于栈式自编码器形成深度神经网络，通过深度神经网络对高维抽象特征进行训练，训练完成后，对测试集中的路面灰度图像完成分类识别。
【技术特征摘要】
1.一种基于纹理特征提取的道路表面缺陷检测方法，其特征在于：包括如下步骤：S1.获取具有路面缺陷的图像并进行灰度处理形成路面缺陷灰度图像；S2.对路面缺陷灰度图像进行纹理特征提取，提取出特征值组成纹理特征向量，并以纹理特征向量表征路面缺陷灰度图像；S4.将同一缺陷类别的纹理特征向量表征的路面缺陷灰度图像进行均分，形成训练集和测试集；S5.以两个相同的自编码器构成栈式自编码器，并通过栈式自编码器对训练集进行高维抽象特征提取；S6.将softmaxlayer逻辑分类层堆栈于栈式自编码器形成深度神经网络，通过深度神经网络对高维抽象特征进行训练，训练完成后，对测试集中的路面灰度图像完成分类识别。2.根据权利要求1所述基于纹理特征提取的道路表面缺陷检测方法，其特征在于：还包括步骤S3：对纹理特征向量进行归一化处理，并通过如下公式进行：其中，M为归一化处理后的纹理特征向量，a为待归一化处理的纹理特征向量，b为纹理特征向量中最大特征值，c为纹理特征向量中最小特征值。3.根据权利要求1所述基于纹理特征提取的道路表面缺陷检测方法，其特征在于：获取的路面缺陷包括坑槽、龟裂、裂纹和松散。4.根据权利要求1所述基于纹理特征提取的道路表面缺陷检测方法，其特征在于：步骤S2中，包括如下步骤：S21.采用灰度差分统计法对路面缺陷面灰度图像进行特征提取，并提取出三个特征值：差分平均值、差分对比度以及差分熵；S22.采用Gabor算法对路面缺陷灰度图像进行特征提取，并提取出三个特征值：Gabor平均值、Gabor对比度和Gabor熵；S23.采用灰度梯度法对路面缺陷灰度图像进行特征值提取，并提取出四个特征值：梯度平均值、梯度方差、梯度偏度和梯度峰度；S24.采用灰度共生矩阵法对路面缺陷灰度图像进行特征提取，提取出五个特征值：能量、相关性、共生对比度、同质性和共生熵；S25.采用灰度直方图法对路面缺陷灰度图像进行特征提取，提取出四个特征值：直方图均值、直方图方差、直方图偏度和直方图峰度；S26.采用Tamura算法对路面缺陷灰度图像进行特征提取，提取出六个特征值：粗糙度、规整度、对比度、方向性、线性度和粗略度；S27.将步骤S21-S26中所提取处的特征值排列组成1×25阶表征路面缺陷灰度图像的纹理特征向量。5.根据权利要求4所述基于纹理特征提取的道路表面缺陷检测方法，其特征在于：步骤S27中，按照如下顺序对各特征值进...
【专利技术属性】
技术研发人员：陈里里，任君兰，曹浩，司吉兵，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。