System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及道路识别,尤其涉及一种基于神经网络实现道路表观缺陷识别方法、装置、设备及介质。
技术介绍
1、道路表观缺陷包括道路裂缝、道路松散、道路变形和道路泛油等,种种缺陷导致道路的性能下降,从而影响行车安全,有关人员基于这种情况,采用神经网络来识别道路表观缺陷的方法,获取道路的表观缺陷的具体信息,如具体位置和具体缺陷范围等信息,从而提醒行车规避道路表观缺陷道路。
2、而目前的采用神经网络来识别道路表观缺陷的方法,是先识别道路图像的信息,再配合神经网络进行识别的方法,由于方法本身的局限性,在识别时需要获取大量道路信息,导致神经网络处理的信息量过于庞大,少则数百万,多则上亿,在日常生活中,家用汽车所搭载的硬件配置算力较低,不能迅速的处理大量信息量,从而不能及时提醒车上人员规避缺陷道路,为解决这种计算量过大的问题,一些家用汽车在进行图像处理时采用降低图像信息量的方式进行处理,从而可以迅速处理较少的信息量,但降低图像信息的方式导致处理后的图像信息不完整,识别效果不理想,因此,如何高效且精简的提取道路图像中的有用信息,并合理运用神经网络的算力进行精准的道路表观缺陷识别,成了待解决的问题。
技术实现思路
1、本专利技术提供一种基于神经网络实现道路表观缺陷识别方法,其主要目的在于解决如何高效且精简的提取道路图像中的有用信息,并合理运用神经网络的算力进行精准的道路表观缺陷识别的问题。
2、为实现上述目的,本专利技术提供的一种基于神经网络实现道路表观缺陷识别方法,所述方法
3、获取道路的实时图像;
4、利用加权平均值法对所述实时图像进行灰度化处理,得到灰度图像;
5、利用最大最小值法对所述灰度图像进行归一化处理,得到归一化图像;
6、利用中值滤波对所述归一化图像进行降噪处理,得到降噪图像;
7、利用直方图均衡化算法对所述降噪图像进行灰度增强,得到增强图像;
8、利用预设的神经网络对所述增强图像进行分类识别,判断道路是否有表观缺陷;
9、根据所述道路表观缺陷在所述增强图像上分割形成缺陷区域。
10、可选地,所述利用加权平均值法对所述实时图像进行灰度化处理,得到灰度图像,包括:
11、提取所述实时图像中各个像素点的三通道像素值;
12、利用以下加权平均值算法逐个计算各个像素点的灰色像素值:
13、grayi=0.299*ri+0.578*gi+0.114*bi
14、其中,grayi表示第i次提取像素点的灰色像素值,ri代表第i次提取像素点的红色通道像素值,gi表示第i次提取像素点的绿色通道像素值,bi表示第i次提取像素点的蓝色通道像素值,i表示第i次提取像素点,0.299、0.578和0.114代表着各个不同通道像素值的加权值,通过公式计算得到所述实时图像中第i次提取的像素点的灰色像素值;
15、根据计算后的各个像素点的灰色像素值,得到灰度图像。
16、可选地,所述利用最大最小值法对所述灰度图像进行归一化处理,得到归一化图像,包括:
17、提取所述灰度图像中各个像素点的灰色像素值;
18、利用以下最大最小值法逐个计算所述各个像素点的灰色像素值,得到各个像素点的标准值:
19、
20、其中,i表示提取的次数,normi表示第i次提取像素点的标准值,xi表示第i次提取像素点的灰色像素值,min(x)表示所述灰度图像中各个像素点中的最小灰色像素值,max(x)表示所述灰度图像中各个像素点中的最大灰色像素值;
21、根据所述各个像素点的标准值,得到归一化图像。
22、可选地,所述利用利用中值滤波对所述归一化图像进行降噪处理,得到降噪图像,包括:
23、s41、创建奇数*奇数像素值大小的滑动窗口;
24、s42、将所述滑动窗口放置在所述归一化图像上,收集滑动窗口中各个像素点的标准值;
25、s43、对滑动窗口的各个像素点的标准值进行从小到大的排序,得到中间值;
26、s44、将中间值赋予滑动窗口中心的像素点;
27、s45、持续移动所述滑动窗口,重复s43和s44步骤,直至覆盖整个所述归一化图像,归一化图像转化为降噪图像。
28、可选地,所述利用直方图均衡化算法对所述降噪图像进行灰度增强,得到实时灰度直方图,包括:
29、根据降噪图像生成原灰度直方图;
30、利用以下直方图均衡化算法对原灰度直方图进行均衡化,得到实时灰度直方图:
31、
32、其中mn为降噪图像像素点总数,sk为实时灰度直方图的灰度级,rk为降噪图像的灰度级,nj为当前灰度级的像素点个数,p(ri)为每个灰度级的概率,l为降噪图像的总灰度级数量,k为灰度级范围[0,l-1]。
33、可选地,所述利用预设的神经网络对所述实时灰度直方图进行分类识别,判断道路是否有表观缺陷,包括:
34、利用神经网络提取所述实时灰度直方图中的正态分布、均值和双峰特征值;
35、将所述正态分布、所述均值和所述双峰特征值与预设灰度直方图的正态分布、均值和双峰特征值进行相似度对比,得到对比结果;
36、若所述对比结果相似度高于等于95%,则道路没有表观缺陷;
37、若所述对比结果相似度低于95%,则道路有表观缺陷。
38、可选地,所述利用实时灰度直方图生成增强图像,并在增强图像上分割形成缺陷区域,包括:
39、根据所述实时灰度直方图,生成增强图像;
40、将所述增强图像分割为若干个图块;
41、利用神经网络分别提取若干个图块的灰度直方图的正态分布、均值和双峰特征值;
42、分别将若干个图块的灰度直方图的正态分布、均值和双峰特征值与预设的灰度直方图的正态分布、均值和双峰特征值进行相似度对比,得到若干个第二对比结果;
43、将若干个图块中第二对比结果的相似度低于95%的图块标记为“1”;
44、在所述增强图像上,分割所有标记为“1”的图块,形成缺陷区域。
45、为了解决上述问题,本专利技术还提供一种基于神经网络实现道路表观缺陷识别装置,所述装置包括:
46、获取模块,获取道路的实时图像;
47、图像转化模块,利用加权平均值法对所述实时图像进行灰度化处理,得到灰度图像,利用最大最小值法对所述灰度图像进行归一化处理,得到归一化图像,利用中值滤波对所述归一化图像进行降噪处理,得到降噪图像;
48、图像增强模块,利用直方图均衡化算法对所述降噪图像进行灰度增强,得到实时灰度直方图;
49、神经网络模块,利用预设的神经网络对所述实时灰度直方图进行分类识别,判断道路是否有表观缺陷,利用实时灰度直方图生成增强图像,并在增强图像上分割形成缺陷区域。<本文档来自技高网...
【技术保护点】
1.一种基于神经网络实现道路表观缺陷识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于神经网络实现道路表观缺陷识别方法,其特征在于,所述利用加权平均值法对所述实时图像进行灰度化处理,得到灰度图像,包括:
3.根据权利要求1所述的基于神经网络实现道路表观缺陷识别方法,其特征在于,所述利用最大最小值法对所述灰度图像进行归一化处理,得到归一化图像,包括:
4.根据权利要求1所述的基于神经网络实现道路表观缺陷识别方法,其特征在于,所述利用利用中值滤波对所述归一化图像进行降噪处理,得到降噪图像,包括:
5.如权利要求1所述的基于神经网络实现道路表观缺陷识别方法,其特征在于,所述利用直方图均衡化算法对所述降噪图像进行灰度增强,得到实时灰度直方图,包括:
6.如权利要求1所述的基于神经网络实现道路表观缺陷识别方法,其特征在于,所述利用预设的神经网络对所述实时灰度直方图进行分类识别,判断道路是否有表观缺陷,包括:
7.如权利要求1至6中任一项所述的基于神经网络实现道路表观缺陷识别方法,其特征在于,所述利用实时
8.一种基于神经网络实现道路表观缺陷识别装置,其特征在于,所述装置包括:
9.一种电子设备,所述电子设备包括:
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于神经网络实现道路表观缺陷识别方法。
...【技术特征摘要】
1.一种基于神经网络实现道路表观缺陷识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于神经网络实现道路表观缺陷识别方法,其特征在于,所述利用加权平均值法对所述实时图像进行灰度化处理,得到灰度图像,包括:
3.根据权利要求1所述的基于神经网络实现道路表观缺陷识别方法,其特征在于,所述利用最大最小值法对所述灰度图像进行归一化处理,得到归一化图像,包括:
4.根据权利要求1所述的基于神经网络实现道路表观缺陷识别方法,其特征在于,所述利用利用中值滤波对所述归一化图像进行降噪处理,得到降噪图像,包括:
5.如权利要求1所述的基于神经网络实现道路表观缺陷识别方法,其特征在于,所述利用直方图均衡化算法对所述降噪图像进行灰度增强...
【专利技术属性】
技术研发人员:刘波,姚玲,周卫东,王斌,闫敬辉,李佳文,任伟龙,
申请(专利权)人:北京首发公路养护工程有限公司,
类型:发明
国别省市:
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。