基于不变矩特征的沥青路面破损图像识别

摘要/Abstract

参考文献

相关文章 15

Metrics

摘要： 提出了一种减少沥青路面破损图像识别计算量的图像分割方法。将路面图像等分为64×64像素的子块图像,并用灰度方差值描述子块图像特征。设计了基于BP神经网络的子块图像模式分类器,利用子块图像模式分类结果所组成的矩阵作为路面破损图像分割结果。并将路面破损图像子块模式矩阵的不变矩作为路面破损图像的整体特征,在此基础上设计了基于全局优化算法的路面破损前馈神经网络分类器。最后进行了路面破损图像识别试验,识别率达到83 3%。

关键词: 路面破损, 模式识别, 不变矩, 神经网络

Abstract: A method of image feature representation is put forward,which may reduce calculation of pavement surface distress image classification.Pavement surface image is divided into 64?64 pixels subimages,and greyness variances are used to represent subimages feature.Meanwhile,a subimage pattern classifier is designed based on BP artificial neural network,all classifying results of subimages pattern are arrayed in a matrix,which represents pavement surface distress image segmentation.Moment invariant of matrix is used to represent pavement distress image feature,and furthermore,a pavement distress forward feed neural network classifier is designed based on global optimization algorithm.Finally,pavement distress image recognition experiment is done,and accurately classifying rate is 83.3%.

Key words: pavement surface distress, model recognition, moment invariant, neural network

中图分类号:

U416

初秀民, 王荣本, 储江伟, 王超. 基于不变矩特征的沥青路面破损图像识别[J]. 吉林大学学报(工学版), 2003, (1): 1-7.

CHU Xiu-min, WANG Rong-ben, CHU Jiang-wei, WANG Chao . Asphalt Pavement Surface Distress Image Recognition Based on Moment Invariant Feature[J]. 吉林大学学报(工学版), 2003, (1): 1-7.

[1] Cheng H D,Miyojim M.Novel system for automatic pavement distress detection［J］.Journal of Computer in Civil Engineering,1998(7):145～152.
[2] Kelvin.Designs and implementation of automated systems for pavement surface distress survey［J］.Journal of Infrastructure Systems,2000(3):24～32.
[3] Kaseko Mohamed S,Ritchie,Stephen G.Pavement image processing using neural networks[A].Proceedings of the 2nd International Conference on Applications of Advanced Technologies in Transportation Engineering［C］,1991:18～21.
[4] Chou Ch P,Liau T.Development of automated algorithms for pavement condition survey[A],Transportation Research Record,1996:103～109.
[5] Chou J,Cheng H D.Pavement distress classification using neural networks[A].Proceedings,IEEE International Conference on Systems,Man and Cybernetics［C］,1994:397～401.

[1]	席利贺,张欣,孙传扬,王泽兴,姜涛. 增程式电动汽车自适应能量管理策略[J]. 吉林大学学报(工学版), 2018, 48(6): 1636-1644.
[2]	江涛,林学东,李德刚,杨淼,汤雪林. 基于人工神经网络的放热规律的量化预测[J]. 吉林大学学报(工学版), 2018, 48(6): 1747-1754.
[3]	徐岩,孙美双. 基于卷积神经网络的水下图像增强方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1895-1903.
[4]	刘富, 兰旭腾, 侯涛, 康冰, 刘云, 林彩霞. 基于优化k-mer频率的宏基因组聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1593-1599.
[5]	李雄飞, 冯婷婷, 骆实, 张小利. 基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版), 2018, 48(3): 866-873.
[6]	底晓强, 王英政, 李锦青, 从立钢, 祁晖. 基于量子细胞神经网络超混沌的视频加密方法[J]. 吉林大学学报(工学版), 2018, 48(3): 919-928.
[7]	王方石, 王坚, 李兵, 王博. 基于深度属性学习的交通标志检测[J]. 吉林大学学报(工学版), 2018, 48(1): 319-329.
[8]	刘东亮, 王秋爽. 基于NGSIM数据的车辆瞬时速度获取方法[J]. 吉林大学学报(工学版), 2018, 48(1): 330-335.
[9]	谢志江, 吴小勇, 范乃吉, 郭宗环, 袁岳军, 王康. 神光-III精密装校平台运动学分析[J]. 吉林大学学报(工学版), 2017, 47(5): 1504-1511.
[10]	马淼, 李贻斌. 基于多级图像序列和卷积神经网络的人体行为识别[J]. 吉林大学学报(工学版), 2017, 47(4): 1244-1252.
[11]	王德军, 吕志超, 王启明, 张贤达, 王子健. 基于汽缸压力辨识的发动机失火故障诊断[J]. 吉林大学学报(工学版), 2017, 47(3): 917-923.
[12]	黄璇, 郭立红, 李姜, 于洋. 改进粒子群优化BP神经网络的目标威胁估计[J]. 吉林大学学报(工学版), 2017, 47(3): 996-1002.
[13]	李琳辉, 伦智梅, 连静, 袁鲁山, 周雅夫, 麻笑艺. 基于卷积神经网络的道路车辆检测方法[J]. 吉林大学学报(工学版), 2017, 47(2): 384-391.
[14]	王庆年, 段本明, 王鹏宇, 拱印生, 朱庆林. 插电式混合动力汽车动力传动系参数优化[J]. 吉林大学学报(工学版), 2017, 47(1): 1-7.
[15]	郭应时, 付锐, 赵凯, 马勇, 袁伟. 驾驶人换道意图实时识别模型评价及测试[J]. 吉林大学学报(工学版), 2016, 46(6): 1836-1844.

Just accepted

Online first

Just accepted

Online first

Viewed

Full text

Abstract

Just accepted	Online first	Issue

0	0	0

	From	Others

	Times	1
	Rate	100%

Cited

Web of Science	Crossref	ScienceDirect	Search for Citations in Google Scholar >>


This page requires you have already subscribed to WoS.

Shared

Discussed