本發(fā)明涉及道路檢測技術(shù)領(lǐng)域，特別是涉及一種路面病害檢測方法和系統(tǒng)。

背景技術(shù)：

隨著社會不斷進(jìn)步，道路交通建設(shè)成為國民經(jīng)濟(jì)賴以生存和發(fā)展的重要基礎(chǔ)設(shè)施建設(shè)。以高速公路運(yùn)輸為例，高速公路里程不斷增加，使用年限不斷增強(qiáng)，高速公路保養(yǎng)問題越來越受到人們重視。在公路建成投入使用后，受車輛大型化、超載嚴(yán)重化、車輪反復(fù)碾壓以及冰、雨雪等各種自然因素的影響，公路在使用過程中出現(xiàn)各種各樣的病害問題，如裂縫、凹陷等，時(shí)間越長情況越嚴(yán)重。

傳統(tǒng)的路面病害通過人工查看判斷，費(fèi)時(shí)費(fèi)力，結(jié)果精確度差，無法滿足道路發(fā)展需求。

技術(shù)實(shí)現(xiàn)要素：

基于此，有必要針對傳統(tǒng)路面病害檢測費(fèi)時(shí)費(fèi)力、結(jié)果精確度差的問題，提供一種路面病害檢測方法和系統(tǒng)。

為了實(shí)現(xiàn)上述目的，本發(fā)明技術(shù)方案的實(shí)施例為：

一種路面病害檢測方法，包括以下步驟：

采集路面圖像，并將所述路面圖像分割成預(yù)設(shè)大小的子區(qū)域；

確定各個(gè)所述子區(qū)域的灰度共生矩陣，并根據(jù)各個(gè)所述灰度共生矩陣分別獲得各個(gè)所述子區(qū)域與其相鄰的各個(gè)子區(qū)域的結(jié)構(gòu)相似度；

統(tǒng)計(jì)獲得的各個(gè)所述結(jié)構(gòu)相似度中大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的結(jié)構(gòu)相似度對應(yīng)的子區(qū)域個(gè)數(shù)；

獲得統(tǒng)計(jì)的子區(qū)域個(gè)數(shù)與所述路面圖像分割的子區(qū)域總個(gè)數(shù)的比值，當(dāng)所述比值小于預(yù)設(shè)比例閾值時(shí)，判定所述路面圖像存在路面病害。

一種路面病害檢測系統(tǒng)，包括：

圖像采集模塊，用于采集路面圖像；

圖像分割模塊，用于將所述路面圖像分割成預(yù)設(shè)大小的子區(qū)域；

結(jié)構(gòu)相似模塊，用于確定各個(gè)所述子區(qū)域的灰度共生矩陣，并根據(jù)各個(gè)所述灰度共生矩陣分別獲得各個(gè)所述子區(qū)域與其相鄰的各個(gè)子區(qū)域的結(jié)構(gòu)相似度；

區(qū)域統(tǒng)計(jì)模塊，用于統(tǒng)計(jì)獲得的各個(gè)所述結(jié)構(gòu)相似度中大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的結(jié)構(gòu)相似度對應(yīng)的子區(qū)域個(gè)數(shù)；

路面病害檢測模塊，用于獲得統(tǒng)計(jì)的子區(qū)域個(gè)數(shù)與所述路面圖像分割的子區(qū)域總個(gè)數(shù)的比值，當(dāng)所述比值小于預(yù)設(shè)比例閾值時(shí)，判定所述路面圖像存在路面病害。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：本發(fā)明路面病害檢測方法和系統(tǒng)，首先采集路面圖像，將所述路面圖像分割成預(yù)設(shè)大小的子區(qū)域；然后確定各個(gè)子區(qū)域的灰度共生矩陣，并根據(jù)各個(gè)灰度共生矩陣分別獲得各個(gè)子區(qū)域與其相鄰的各個(gè)子區(qū)域的結(jié)構(gòu)相似度；統(tǒng)計(jì)獲得的各個(gè)結(jié)構(gòu)相似度中大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的結(jié)構(gòu)相似度對應(yīng)的子區(qū)域個(gè)數(shù)；獲得統(tǒng)計(jì)的子區(qū)域個(gè)數(shù)與所述路面圖像分割的子區(qū)域總個(gè)數(shù)的比值，當(dāng)所述比值小于預(yù)設(shè)比例閾值時(shí)，判定所述路面圖像存在路面病害，本發(fā)明只需單張路面圖像即可完成該路面圖像是否完好的判斷，省時(shí)省力，同時(shí)將路面圖像分割成多個(gè)子區(qū)域，結(jié)合各個(gè)子區(qū)域的灰度共生矩陣對路面病害進(jìn)行檢測，檢測結(jié)果精確。

附圖說明

圖1為一個(gè)實(shí)施例中路面病害檢測方法流程圖；

圖2為一個(gè)實(shí)施例中對路面圖像進(jìn)行特征提取的示意圖；

圖3為基于圖1所示方法一個(gè)具體示例中路面病害檢測方法流程圖；

圖4為一個(gè)實(shí)施例中路面病害檢測系統(tǒng)結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步的詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施方式僅僅用以解釋本發(fā)明，并不限定本發(fā)明的保護(hù)范圍。

一個(gè)實(shí)施例中路面病害檢測方法，如圖1所示，包括以下步驟：

步驟S101：采集路面圖像，并將所述路面圖像分割成預(yù)設(shè)大小的子區(qū)域；

這里，可以通過CCD傳感器(Charge Coupled Device，電荷藕合器件圖像傳感器)獲取路面圖像。

具體地，將預(yù)采集的路面圖像分割成n×n大小的子區(qū)域(這里n的取值可根據(jù)所獲取的圖像的大小來設(shè)定，一般盡可能包含足夠多的紋理)。

步驟S102：確定各個(gè)所述子區(qū)域的灰度共生矩陣，并根據(jù)各個(gè)所述灰度共生矩陣分別獲得各個(gè)所述子區(qū)域與其相鄰的各個(gè)子區(qū)域的結(jié)構(gòu)相似度；

由于紋理是由灰度分布在空間位置上反復(fù)出現(xiàn)而形成的，因而在圖像空間中相隔某距離的兩象素之間會存在一定的灰度關(guān)系，即圖像中灰度的空間相關(guān)特性?；叶裙采仃嚲褪且环N通過研究灰度的空間相關(guān)特性來描述紋理的方法。

具體地，把每個(gè)灰度共生矩陣看做一個(gè)“像素點(diǎn)”，分別計(jì)算子區(qū)域A的灰度共生矩陣與子區(qū)域A相鄰的各個(gè)子區(qū)域的灰度共生矩陣的結(jié)構(gòu)相似度，以此來判斷兩子區(qū)域的結(jié)構(gòu)相似度，若子區(qū)域A有四個(gè)相鄰的子區(qū)域，則分別計(jì)算子區(qū)域A的灰度共生矩陣與四個(gè)相鄰子區(qū)域的灰度共生矩陣的結(jié)構(gòu)相似度，根據(jù)計(jì)算結(jié)果判斷子區(qū)域A與四個(gè)相鄰子區(qū)域的結(jié)構(gòu)相似度，子區(qū)域A為各個(gè)子區(qū)域中的任意一個(gè)子區(qū)域。

步驟S103：統(tǒng)計(jì)獲得的各個(gè)所述結(jié)構(gòu)相似度中大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的結(jié)構(gòu)相似度對應(yīng)的子區(qū)域個(gè)數(shù)；

這里，分別將確定各個(gè)結(jié)構(gòu)相似度與預(yù)設(shè)結(jié)構(gòu)相似度閾值進(jìn)行比較，獲取大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的結(jié)構(gòu)相似度，再根據(jù)獲取的結(jié)構(gòu)相似度統(tǒng)計(jì)相應(yīng)的子區(qū)域個(gè)數(shù)。

步驟S104：獲得統(tǒng)計(jì)的子區(qū)域個(gè)數(shù)與所述路面圖像分割的子區(qū)域總個(gè)數(shù)的比值，當(dāng)所述比值小于預(yù)設(shè)比例閾值時(shí)，判定所述路面圖像存在路面病害。

具體地，計(jì)算統(tǒng)計(jì)的子區(qū)域個(gè)數(shù)和所述路面圖像分割的子區(qū)域總個(gè)數(shù)的比值，將計(jì)算得到的比值與預(yù)設(shè)比例閾值進(jìn)行比較，當(dāng)計(jì)算得到的比值大于預(yù)設(shè)比例閾值時(shí)，檢測所述路面圖像存在路面病害，否則不存在路面病害。

這里，無論是水泥還是瀝青路面，在通車使用一段時(shí)間之后，都會陸續(xù)出現(xiàn)各種損壞、變形及其它缺陷，這些統(tǒng)稱為路面病害。常見的路面病害有：裂縫、坑槽、車轍、松散、沉陷、橋頭涵頂跳車、表面破損等。

從以上描述可知，本發(fā)明路面病害檢測方法，解決傳統(tǒng)路面病害檢測費(fèi)時(shí)費(fèi)力、結(jié)果精確度差的問題，滿足實(shí)際應(yīng)用需求。

此外，在一個(gè)具體示例中，在檢測所述路面圖像存在路面病害后，還包括步驟：

根據(jù)所述路面圖像分割的子區(qū)域大小確定卷積核；

根據(jù)所述卷積核對所述路面圖像進(jìn)行第一次卷積處理，輸出預(yù)設(shè)第一數(shù)目的第一特征圖，所述第一特征圖的大小根據(jù)所述路面圖像的大小和所述卷積核的大小確定；

對所述預(yù)設(shè)第一數(shù)目的第一特征圖進(jìn)行第一次采樣，輸出預(yù)設(shè)第一數(shù)目的第二特征圖，所述第二特征圖的大小根據(jù)第一次采樣大小和所述第一特征圖的大小確定；

根據(jù)所述卷積核對所述預(yù)設(shè)第一數(shù)目的第二特征圖進(jìn)行第二次卷積處理，輸出預(yù)設(shè)第二數(shù)目的第三特征圖，所述第三特征圖的大小根據(jù)所述第二特征圖的大小和所述卷積核的大小確定；

對所述預(yù)設(shè)第二數(shù)目的第三特征圖進(jìn)行第二次采樣，輸出預(yù)設(shè)第二數(shù)目的第四特征圖，所述第四特征圖的大小根據(jù)第二次采樣大小和所述第三特征圖的大小確定；

根據(jù)所述卷積核對所述預(yù)設(shè)第二數(shù)目的第四特征圖進(jìn)行第三次卷積處理，輸出預(yù)設(shè)第三數(shù)目的第五特征圖，所述第五特征圖的大小根據(jù)所述第四特征圖的大小和所述卷積核的大小確定；

將所述預(yù)設(shè)第三數(shù)目的第五特征圖中的多維特征向量轉(zhuǎn)換為一維特征向量，輸出預(yù)設(shè)第四數(shù)目的一維特征向量；

根據(jù)所述預(yù)設(shè)第四數(shù)目的一維特征向量和預(yù)先建立的一維特征向量與路面病害類別的對應(yīng)關(guān)系表，確定所述路面圖像中路面病害的類別。

如圖2所示，通過建立卷積神經(jīng)網(wǎng)絡(luò)模型來完成圖像的特征提取，存在路面病害的路面圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，路面圖像大小為M×M，被分割成n×n大小的子區(qū)域。該卷積神經(jīng)網(wǎng)絡(luò)模型分7層，分別為：C1層、S2層、C3層、S4層、C5層、F6層和output(輸出)層。根據(jù)路面圖像分割的子區(qū)域大小確定卷積核，這里的卷積核取大小為n×n，滑動步長為1。C1層根據(jù)上述卷積核對路面圖像進(jìn)行第一次卷積處理，輸出10個(gè)特征圖，每個(gè)特征圖的大小根據(jù)所述路面圖像的大小和所述卷積核的大小確定，為(M-n+1)×(M-n+1)，特征圖中每個(gè)神經(jīng)元與輸入中n×n的鄰域相連。S2層對C1層輸出的特征圖進(jìn)行第一次采樣，輸出10個(gè)特征圖，每個(gè)特征圖的大小根據(jù)第一次采樣大小和C1層輸出特征圖的大小確定，為((M-n+1)/2)×((M-n+1)/2)，特征圖中的每個(gè)單元與C1層中相對應(yīng)的特征圖的2×2鄰域相連。C3層根據(jù)所述卷積核對S2層輸出的特征圖進(jìn)行第二次卷積處理，輸出30個(gè)特征圖，每個(gè)特征圖的大小根據(jù)S2層輸出特征圖的大小和所述卷積核的大小確定，為((M-n+1)/2-n+1)×((M-n+1)/2-n+1)。S4層對C3層輸出的特征圖進(jìn)行第二次采樣，輸出30個(gè)特征圖，每個(gè)特征圖的大小根據(jù)第二次采樣大小和C3層輸出的特征圖大小確定，為(((M-n+1)/2-n+1)/2)×(((M-n+1)/2-n+1)/2)，特征圖中的每個(gè)單元與C3層中相對應(yīng)的特征圖的2×2鄰域相連。C5層根據(jù)所述卷積核對S4層輸出的特征圖進(jìn)行第三次卷積處理，輸出200個(gè)特征圖，每個(gè)特征圖的大小根據(jù)S4層輸出特征圖的大小和所述卷積核的大小確定，為(((M-n+1)/2-n+1)/2-n+1)×(((M-n+1)/2-n+1)/2-n+1)，每個(gè)單元與S4層的所有單元的n×n鄰域相連。F6層將C5層輸出的特征圖中的多維特征向量轉(zhuǎn)換為一維特征向量，輸出120個(gè)神經(jīng)元，與C5層全連接，output層由徑向基函數(shù)單元組成，以誤差反向傳播的形式來訓(xùn)練整個(gè)模型，根據(jù)F6層輸出的一維特征向量和預(yù)先建立的一維特征向量與路面病害類別的對應(yīng)關(guān)系表，確定所述路面圖像中路面病害的類別。

此外，在一個(gè)具體示例中，在所述采集路面圖像之后，將所述路面圖像分割成預(yù)設(shè)大小的子區(qū)域之前，還包括步驟：

對所述路面圖像進(jìn)行預(yù)處理，所述預(yù)處理包括：若所述路面圖像為彩色路面圖像，將所述彩色路面圖像轉(zhuǎn)換為灰度圖像，并對所述灰度圖像的灰度進(jìn)行均衡化處理，否則對所述路面圖像的灰度進(jìn)行均衡化處理。

這里，先將彩色圖像進(jìn)行灰度化，灰度化可以減少計(jì)算量，對灰度圖像的灰度進(jìn)行均衡化處理，例如進(jìn)行直方圖均衡化處理，可以增強(qiáng)圖像紋理的對比度，方便后續(xù)路面病害的檢測。

此外，在一個(gè)具體示例中，在所述采集路面圖像之后，對所述路面圖像進(jìn)行預(yù)處理之前，還包括步驟：

根據(jù)所述路面圖像對應(yīng)的路面長度設(shè)置所述路面圖像的步長。

這里，根據(jù)獲得的路面圖像的范圍，將路面圖像對應(yīng)的路面長度作為獲取的路面圖像的步長，能夠有效避免獲取重復(fù)的圖像，并在一定程度上保證獲取路面的全部圖像的前提下，節(jié)省了圖像的存儲容量。

此外，在一個(gè)具體示例中，在所述根據(jù)各個(gè)所述灰度共生矩陣分別獲得各個(gè)所述子區(qū)域與其相鄰的各個(gè)子區(qū)域的結(jié)構(gòu)相似度之后，統(tǒng)計(jì)獲得的各個(gè)所述結(jié)構(gòu)相似度中大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的結(jié)構(gòu)相似度對應(yīng)的子區(qū)域個(gè)數(shù)之前，還包括步驟：

對獲得的各個(gè)所述結(jié)構(gòu)相似度中大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的結(jié)構(gòu)相似度對應(yīng)的子區(qū)域添加標(biāo)記。

通過對子區(qū)域添加標(biāo)記可以快速統(tǒng)計(jì)結(jié)構(gòu)相似度中大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的子區(qū)域的數(shù)量，根據(jù)統(tǒng)計(jì)的子區(qū)域的數(shù)量檢測路面圖像是否存在路面病害，解決人工篩選路面圖像耗時(shí)長的問題。

為了更好地理解上述方法，以下詳細(xì)闡述一個(gè)本發(fā)明路面病害檢測方法的應(yīng)用實(shí)例。

如圖3所示，可以包括以下步驟：

通過CCD傳感器采集路面圖像，根據(jù)CCD傳感器所能獲得的路面圖像的范圍，將路面圖像對應(yīng)的路面長度作為獲取的路面圖像的步長，這樣能夠有效避免獲取重復(fù)的圖像，并在一定程度上保證獲取路面的全部圖像的前提下，節(jié)省了圖像的存儲容量。

判斷整條路面圖像是否采集完畢，當(dāng)判定整條路面圖像采集完畢時(shí)，結(jié)束路面病害檢測，否則，對上述CCD傳感器采集的路面圖像進(jìn)行預(yù)處理，所述預(yù)處理包括：若上述路面圖像為彩色路面圖像，將該彩色路面圖像轉(zhuǎn)換為灰度圖像，并對該灰度圖像的灰度進(jìn)行直方圖均衡化處理，否則，結(jié)束檢測；

這里，灰度化可以減少計(jì)算量，對灰度圖像的灰度進(jìn)行直方圖均衡化處理，可以增強(qiáng)圖像紋理的對比度，方便后續(xù)路面病害的檢測。

將預(yù)處理后的圖像分割成n×n大小的子區(qū)域(這里n取30，該值可根據(jù)所獲取的圖像的大小來設(shè)定，一般盡可能包含足夠多的紋理)；

計(jì)算出每個(gè)子區(qū)域的灰度共生矩陣，然后把每個(gè)灰度共生矩陣看做一個(gè)“像素點(diǎn)”，利用SSIM算法(Structural Similarity，結(jié)構(gòu)相似性)分別計(jì)算子區(qū)域A的灰度共生矩陣與子區(qū)域A相鄰的各個(gè)子區(qū)域的灰度共生矩陣的結(jié)構(gòu)相似度，以此來判斷兩子區(qū)域的結(jié)構(gòu)相似度，子區(qū)域A為各個(gè)子區(qū)域中的任意一個(gè)子區(qū)域；

具體地，把每個(gè)灰度共生矩陣看做一個(gè)“像素點(diǎn)”，根據(jù)各個(gè)子區(qū)域的“像素點(diǎn)”確定子區(qū)域A與子區(qū)域A相鄰的各個(gè)子區(qū)域的結(jié)構(gòu)相似度，若子區(qū)域A有四個(gè)相鄰的子區(qū)域，則分別計(jì)算子區(qū)域A的灰度共生矩陣與四個(gè)相鄰子區(qū)域的灰度共生矩陣的結(jié)構(gòu)相似度，根據(jù)計(jì)算結(jié)果判斷子區(qū)域A與四個(gè)相鄰子區(qū)域的結(jié)構(gòu)相似度。

分別將計(jì)算得到的各個(gè)結(jié)構(gòu)相似度與預(yù)設(shè)結(jié)構(gòu)相似度閾值進(jìn)行比較，對各個(gè)結(jié)構(gòu)相似度中大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的結(jié)構(gòu)相似度對應(yīng)的子區(qū)域添加標(biāo)記；

這里，當(dāng)相似度值大于閾值threshold時(shí)(該值可通過實(shí)驗(yàn)進(jìn)行調(diào)整，這里取threshold＝0.65)，則認(rèn)為該子區(qū)域與該相似度值所對應(yīng)的子區(qū)域的紋理相同，接著對它們進(jìn)行標(biāo)記。

在遍歷完整幅圖像后，通過上述標(biāo)記統(tǒng)計(jì)結(jié)構(gòu)相似度中大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的子區(qū)域的數(shù)量；

計(jì)算統(tǒng)計(jì)的子區(qū)域個(gè)數(shù)和所述路面圖像分割的子區(qū)域總個(gè)數(shù)的比值，將計(jì)算得到的比值與預(yù)設(shè)比例閾值進(jìn)行比較，當(dāng)計(jì)算得到的比值大于預(yù)設(shè)比例閾值時(shí)(預(yù)設(shè)比例閾值一般取95％)，則認(rèn)為該路面圖像是完好的，否則認(rèn)為該路面圖像存在病害。

將完好的路面圖像存儲在完好路面圖像數(shù)據(jù)庫中，將存在病害的路面圖像存儲在路面病害圖像數(shù)據(jù)庫中。

這里，在完好的瀝青路面上，每一個(gè)子區(qū)域圖像的紋理特征基本相同，與病害路面的特征相比，比較單一和穩(wěn)定。利用這個(gè)特點(diǎn)，結(jié)合灰度共生矩陣和SSIM算法來對完好路面圖像進(jìn)行過濾，留下可疑的路面圖像進(jìn)行下一步的特征提取。該方法的優(yōu)點(diǎn)在于，只需單張路面圖像本身即可完成該路面圖像是否完好的判斷。

對路面病害圖像數(shù)據(jù)庫中存儲的任意一張存在路面病害的圖像通過建立卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行圖像的特征提取，確定路面圖像中路面病害的類別。重新采集路面圖像，檢測采集的路面圖像是否存在路面病害。

具體步驟為：如圖2所示，通過建立卷積神經(jīng)網(wǎng)絡(luò)模型來完成圖像的特征提取，路面病害圖像數(shù)據(jù)庫中存儲的任意一張存在路面病害的路面圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，路面圖像大小為M×M，被分割成n×n大小的子區(qū)域，。該卷積神經(jīng)網(wǎng)絡(luò)模型分7層，分別為：C1層、S2層、C3層、S4層、C5層、F6層和output層。根據(jù)路面圖像分割的子區(qū)域大小確定卷積核，這里的卷積核取大小為n×n，滑動步長為1。C1層根據(jù)上述卷積核對路面圖像進(jìn)行第一次卷積處理，輸出10個(gè)特征圖，每個(gè)特征圖的大小根據(jù)所述路面圖像的大小和所述卷積核的大小確定，為(M-n+1)×(M-n+1)，特征圖中每個(gè)神經(jīng)元與輸入中n×n的鄰域相連。S2層對C1層輸出的特征圖進(jìn)行第一次采樣，輸出10個(gè)特征圖，每個(gè)特征圖的大小根據(jù)第一次采樣大小和C1層輸出特征圖的大小確定，為((M-n+1)/2)×((M-n+1)/2)，特征圖中的每個(gè)單元與C1層中相對應(yīng)的特征圖的2×2鄰域相連。C3層根據(jù)所述卷積核對S2層輸出的特征圖進(jìn)行第二次卷積處理，輸出30個(gè)特征圖，每個(gè)特征圖的大小根據(jù)S2層輸出特征圖的大小和所述卷積核的大小確定，為((M-n+1)/2-n+1)×((M-n+1)/2-n+1)。S4層對C3層輸出的特征圖進(jìn)行第二次采樣，輸出30個(gè)特征圖，每個(gè)特征圖的大小根據(jù)第二次采樣大小和C3層輸出的特征圖大小確定，為(((M-n+1)/2-n+1)/2)×(((M-n+1)/2-n+1)/2)，特征圖中的每個(gè)單元與C3層中相對應(yīng)的特征圖的2×2鄰域相連。C5層根據(jù)所述卷積核對S4層輸出的特征圖進(jìn)行第三次卷積處理，輸出200個(gè)特征圖，每個(gè)特征圖的大小根據(jù)S4層輸出特征圖的大小和所述卷積核的大小確定，為(((M-n+1)/2-n+1)/2-n+1)×(((M-n+1)/2-n+1)/2-n+1)，每個(gè)單元與S4層的所有單元的n×n鄰域相連。F6層將C5層輸出的特征圖中的多維特征向量轉(zhuǎn)換為一維特征向量，輸出120個(gè)神經(jīng)元，與C5層全連接，output層由徑向基函數(shù)單元組成，以誤差反向傳播的形式來訓(xùn)練整個(gè)模型，根據(jù)F6層輸出的一維特征向量和預(yù)先建立的一維特征向量與路面病害類別的對應(yīng)關(guān)系表，確定所述路面圖像中路面病害的類別。

從以上描述可知，本實(shí)施例采集路面圖像，對路面圖像進(jìn)行預(yù)處理后將路面圖像分割成n×n大小的子區(qū)域；計(jì)算各個(gè)子區(qū)域的灰度共生矩陣，并根據(jù)各個(gè)灰度共生矩陣分別獲得各個(gè)子區(qū)域與其相鄰的各個(gè)子區(qū)域的結(jié)構(gòu)相似度；統(tǒng)計(jì)獲得的各個(gè)結(jié)構(gòu)相似度中大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的結(jié)構(gòu)相似度對應(yīng)的子區(qū)域個(gè)數(shù)；根據(jù)統(tǒng)計(jì)的子區(qū)域個(gè)數(shù)、上述路面圖像分割的子區(qū)域總個(gè)數(shù)和預(yù)設(shè)比例閾值，檢測所述路面圖像是否存在路面病害，并通過建立卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行圖像的特征提取，確定路面圖像中路面病害的類別，省時(shí)省力，檢測結(jié)果精確，滿足實(shí)際應(yīng)用需要。

一個(gè)實(shí)施例中路面病害檢測系統(tǒng)，如圖4所示，包括：

圖像采集模塊401，用于采集路面圖像；

圖像分割模塊402，用于將所述路面圖像分割成預(yù)設(shè)大小的子區(qū)域；

結(jié)構(gòu)相似模塊403，用于確定各個(gè)所述子區(qū)域的灰度共生矩陣，并根據(jù)各個(gè)所述灰度共生矩陣分別獲得各個(gè)所述子區(qū)域與其相鄰的各個(gè)子區(qū)域的結(jié)構(gòu)相似度；

區(qū)域統(tǒng)計(jì)模塊404，用于統(tǒng)計(jì)獲得的各個(gè)所述結(jié)構(gòu)相似度中大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的結(jié)構(gòu)相似度對應(yīng)的子區(qū)域個(gè)數(shù)；

路面病害檢測模塊405，用于獲得統(tǒng)計(jì)的子區(qū)域個(gè)數(shù)與所述路面圖像分割的子區(qū)域總個(gè)數(shù)的比值，當(dāng)所述比值小于預(yù)設(shè)比例閾值時(shí)，判定所述路面圖像存在路面病害。

如圖3所示，在一個(gè)具體示例中，所述路面病害檢測系統(tǒng)還包括路面病害類別確定模塊406，用于在所述路面病害檢測模塊判定所述路面圖像存在路面病害后，根據(jù)所述路面圖像分割的子區(qū)域大小確定卷積核；

根據(jù)所述卷積核對所述路面圖像進(jìn)行第一次卷積處理，輸出預(yù)設(shè)第一數(shù)目的第一特征圖，所述第一特征圖的大小根據(jù)所述路面圖像的大小和所述卷積核的大小確定；

對所述預(yù)設(shè)第一數(shù)目的第一特征圖進(jìn)行第一次采樣，輸出預(yù)設(shè)第一數(shù)目的第二特征圖，所述第二特征圖的大小根據(jù)第一次采樣大小和所述第一特征圖的大小確定；

根據(jù)所述卷積核對所述預(yù)設(shè)第一數(shù)目的第二特征圖進(jìn)行第二次卷積處理，輸出預(yù)設(shè)第二數(shù)目的第三特征圖，所述第三特征圖的大小根據(jù)所述第二特征圖的大小和所述卷積核的大小確定；

對所述預(yù)設(shè)第二數(shù)目的第三特征圖進(jìn)行第二次采樣，輸出預(yù)設(shè)第二數(shù)目的第四特征圖，所述第四特征圖的大小根據(jù)第二次采樣大小和所述第三特征圖的大小確定；

根據(jù)所述卷積核對所述預(yù)設(shè)第二數(shù)目的第四特征圖進(jìn)行第三次卷積處理，輸出預(yù)設(shè)第三數(shù)目的第五特征圖，所述第五特征圖的大小根據(jù)所述第四特征圖的大小和所述卷積核的大小確定；

將所述預(yù)設(shè)第三數(shù)目的第五特征圖中的多維特征向量轉(zhuǎn)換為一維特征向量，輸出預(yù)設(shè)第四數(shù)目的一維特征向量；

根據(jù)所述預(yù)設(shè)第四數(shù)目的一維特征向量和預(yù)先建立的一維特征向量與路面病害類別的對應(yīng)關(guān)系表，確定所述路面圖像中路面病害的類別

如圖3所示，在一個(gè)具體示例中，所述路面病害檢測系統(tǒng)還包括圖像預(yù)處理模塊407，用于在所述圖像采集模塊401采集路面圖像后，對所述路面圖像進(jìn)行預(yù)處理，所述預(yù)處理包括：若所述路面圖像為彩色路面圖像，將所述彩色路面圖像轉(zhuǎn)換為灰度圖像，并對所述灰度圖像的灰度進(jìn)行均衡化處理，否則對所述路面圖像的灰度進(jìn)行均衡化處理；

所述圖像分割模塊402將進(jìn)行預(yù)處理后的路面圖像分割成預(yù)設(shè)大小的子區(qū)域。

如圖3所示，在一個(gè)具體示例中，所述路面病害檢測系統(tǒng)還包括圖像步長設(shè)置模塊408，用于在所述圖像采集模塊401采集路面圖像后，根據(jù)所述路面圖像對應(yīng)的路面長度設(shè)置所述路面圖像的步長；

所述圖像預(yù)處理模塊407對設(shè)置步長后的路面圖像進(jìn)行預(yù)處理。

如圖3所示，在一個(gè)具體示例中，所述路面病害檢測系統(tǒng)還包括標(biāo)記添加模塊409，用于在所述結(jié)構(gòu)相似模塊403根據(jù)各個(gè)所述灰度共生矩陣分別獲得各個(gè)所述子區(qū)域與其相鄰的各個(gè)子區(qū)域的結(jié)構(gòu)相似度之后，對獲得的各個(gè)所述結(jié)構(gòu)相似度中大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的結(jié)構(gòu)相似度對應(yīng)的子區(qū)域添加標(biāo)記；

所述區(qū)域統(tǒng)計(jì)模塊404根據(jù)添加的標(biāo)記統(tǒng)計(jì)獲得的各個(gè)所述結(jié)構(gòu)相似度中大于預(yù)設(shè)結(jié)構(gòu)相似度閾值的結(jié)構(gòu)相似度對應(yīng)的子區(qū)域個(gè)數(shù)。

從以上描述可知，本發(fā)明路面病害檢測系統(tǒng)，解決傳統(tǒng)路面病害檢測費(fèi)時(shí)費(fèi)力、結(jié)果精確度差的問題，滿足實(shí)際應(yīng)用需求。

以上所述實(shí)施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡潔，未對上述實(shí)施例中的各個(gè)技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說明書記載的范圍。

以上所述實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。