CN117934417B - 基于神经网络识别道路表观缺陷方法、装置、设备及介质 - Google Patents

Abstract

本发明设计道路识别区域，揭露了一种基于神经网络实现道路表观缺陷识别方法，包括：获取道路的实时图像；对实时图像进行灰度化处理，得到灰度图像；对灰度图像进行归一化处理，得到归一化图像；对归一化图像进行降噪处理，得到降噪图像；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；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。此外，本发明还提出一种基于神经网络实现道路表观缺陷识别装置、设备及介质。本发明可高效且精简的提取道路图像中的有用信息，并配合神经网络进行精准的道路表观缺陷识别。

Description

基于神经网络识别道路表观缺陷方法、装置、设备及介质

技术领域

本发明涉及道路识别技术领域，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。

背景技术

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。

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。

发明内容

本发明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。

为实现上述目的，本发明提供的一种基于神经网络实现道路表观缺陷识别方法，所述方法包括：

获取道路的实时图像；

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；

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；

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；

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。

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：

提取所述实时图像中各个像素点的三通道像素值；

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：

Grayi＝0.299*Ri+0.578*Gi+0.114*Bi

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；

根据计算后的各个像素点的灰色像素值，得到灰度图像。

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：

提取所述灰度图像中各个像素点的灰色像素值；

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：

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；

根据所述各个像素点的标准值，得到归一化图像。

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：

S41、创建奇数*奇数像素值大小的滑动窗口；

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；

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；

S44、将中间值赋予滑动窗口中心的像素点；

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。

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：

根据降噪图像生成原灰度直方图；

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：

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]。

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：

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；

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；

若所述对比结果相似度高于等于95％，则道路没有表观缺陷；

若所述对比结果相似度低于95％，则道路有表观缺陷。

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：

根据所述实时灰度直方图，生成增强图像；

将所述增强图像分割为若干个图块；

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；

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；

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”；

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。

为了解决上述问题，本发明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：

获取模块，获取道路的实时图像；

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；

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；

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。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述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。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于神经网络实现道路表观缺陷识别方法。

本发明实施例能够根据获取到的实时图像，提取得到实时图像中的各个特征值，利用加权平均值法将实时图像转化为灰度图像，减少实时图像中的信息值，加快系统读取信息的过程，利用最大最小值法将灰度图像转化为归一化图像，减小灰度图像中各个像素点的灰色像素值跨度，进一步减少识别计算的工作量，加快工作速度，利用中值滤波法将归一化图像转化为降噪图像，减少归一化图像中的颗粒和变色，保留图像中有用的信息，使图像变的清晰，利用直方图均衡化算法将降噪图像转化为实时灰度直方图，利用预设的神经网络提取实时灰度直方图像，可快速识别道路是否有表观缺陷，在有表观缺陷的情况下，根据实时灰度直方图生成增强图像，在增强图像上分割出缺陷区域。因此，本发明提出的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，可高效提取道路图像中的有用信息，配合神经网络进行道路表观缺陷识别，并设置了双次识别方式，第一次识别道路是否有表观缺陷，第二次识别道路表观缺陷区域，合理分配运用设备的算力，延长设备的使用寿命。

附图说明

图1为本发明一实施例提供的基于神经网络实现道路表观缺陷识别方法的流程示意图；

图2为本发明一实施例提供的利用加权平均值法对所述实时图像进行灰度化处理，得到灰度图像的流程示意图；

图3为本发明一实施例提供的利用最大最小值法对所述灰度图像进行归一化处理，得到归一化图像的流程示意图；

图4为本发明一实施例提供的利用中值滤波对所述归一化图像进行降噪处理，得到降噪图像的流程示意图；

图5为本发明一实施例提供的于神经网络实现道路表观缺陷识别装置的功能模块图；

图6为本发明一实施例提供的实现基于神经网络实现道路表观缺陷识别方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于神经网络实现道路表观缺陷识别方法。所述基于神经网络实现道路表观缺陷识别方法执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于神经网络实现道路表观缺陷识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的一种基于神经网络实现道路表观缺陷识别方法的流程示意图。

在本实施例中，所述基于神经网络实现道路表观缺陷识别方法包括：

S1、获取道路实时图像。

具体的，可通过车载摄像装置和卫星图片相结合的方式获取道路场景的实时图像，获取方式不做要求，根据实际情况更改。

S2、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。

本发明实施例中，实时图像为彩色图像，彩色图像每个像素点的颜色都由R、G、B三个通道像素值决定，每个通道像素值取值范围都在0至255之间，这样在计算过程，每一个像素点的变化范围就有256*256*256＝16777216种可能性，信息量过大，运算速度缓慢，灰度化处理就是将一幅彩色图像转化为灰度图像的过程，在灰度图像中，每个像素点的颜色由Gray通道像素值决定，从而简化了实时图像中的信息量，提高了运算速度。

参照图2所示，本发明实施例中，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：

S21、提取所述实时图像中各个像素点的三通道像素值；

S22、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：

Grayi＝0.299*Ri+0.578*Gi+0.114*Bi

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；

S23、根据计算后的各个像素点的灰色像素值，得到灰度图像。

在本发明实施例中，各个像素点都有三个值(红、绿、蓝)表示颜色，称为三通道，每个颜色通道的灰度值都在0～255之间，三通道叠加，显示为彩色像素。

具体地，所述提取所述实时图像中各个像素点的三通道像素值，例如，利用预设的第一matlab语句对所述实时图像中的各个像素点进行提取三通道像素值操作，得到各个像素点三通道的具体数值，提取顺序为从左至右、从上至下的方式，并进行顺序标记，例如，从左至有依次提取实时图像上方第一行的三通道像素值，第一行提取完成后，依次提取实时图像上方第二行的三通道像素值，依此类推，直至提取整个实时图像，在提取过程中，用i表示提取的次数。

详细地，所述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，例如，利用预设的第一matlab语句中的加权平均值算法计算三通道像素值，其中，算法选择也可采用最大值法、分量法和平均值法等算法，具体算法选择根据实际情况决定。

加权平均法是将三通道(红、绿、蓝)转化为单通道(灰)的算法，0.299、0.578和0.114三个不同权值是由于人眼对绿色的敏感度最高，对蓝色的敏感度最低，因此，将R、G、B三个分量以不同的权值进行加权平均，即能得到合理的灰色像素值。

进一步地，所述根据计算后的各个像素点的灰色像素值，得到灰度图像，例如，利用预设的第一matlab语句结合灰色像素值，根据提取顺序，将各个像素点的灰色像素值填充到一个空白图像中，直至填充所有像素点的灰色像素值，即得到灰度图像。

本实施例中，预设的第一matlab语句不做具体要求，也可采用Java语句等方式达到第一matlab语句相同的功能和效果，根据具体情况选择。

S3、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。

本发明实施例中，由于S2中得到的灰度图像中的各个像素点的灰色像素值跨度很大，导致识别计算的工作量过大，进行归一化处理，减小各个像素点的灰色像素值跨度，从而减少识别计算的工作量，加快工作速度。

参照图3所示，本发明实施例中，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：

S31、提取所述灰度图像中各个像素点的灰色像素值；

S32、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：

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；

S33、根据所述各个像素点的标准值，得到归一化图像。

其中，所述灰度图像中各个像素点的提取方法参照S2，用i表示提取的次数，利用预设的第二matlab语句依次提取各个像素点的灰色像素值，并根据提取顺序进行标记，把各个像素点的灰色像素值的最大项标记为max(x)，最小项标记为min(x)。

详细地，所述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，利用预设的第二matlab语句中的最大最小值算法依次遍历计算各个像素点的灰色像素值，从而得到各个像素点的标准值，也可采用Z-score方法进行归一化操作，具体方法根据实际情况选择。

进一步地，所述根据所述各个像素点的标准值，得到归一化图像，利用预设的第二matlab语句结合各个像素点的标准值，根据提取顺序，将各个像素点的标准值填充到第二个空白图像中，直至填充所有像素点的标准值，即得到归一化图像。

S4、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。

本发明实施例中，上述将实时图像转为灰度图像再转为归一化图像的过程中，由于技术的局限性，不可避免的发生了失真，导致图像质量下降，不清晰，进行降噪处理后，可减少图像中的颗粒和变色，保留图像中有用的信息，使图像变的清晰且提高处理图像信息的过程。

参照图4所示，本发明实施例中，所述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：

S41、创建奇数*奇数像素值大小的滑动窗口；

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；

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；

S44、将中间值赋予滑动窗口中心的像素点；

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。

其中，中值滤波法是将某一个像素点为中心，围绕中心创建窗口，根据窗口内所有像素点的标准值进行从小到大的排列，将排列中的中间值作为中值，并使用中值替换为某一个像素点的标准值。

详细地，使用第三matlab语句读取归一化图像。

本发明实施例中，所述创建(奇数*奇数)像素值大小的滑动窗口，例如，创建一个3*3的滑动窗口，滑动窗口的大小需按照奇数*奇数的规则选取，具体情况可根据实际情况更改。

进一步地，所述从所述归一化图像的左下角开始，收集之前需对归一化图像边界做扩展，在扩展边界中填充0，例如，归一化图像的像素点数为k*k，扩充后的图像像素点数则为(k+2)*(k+2)，所述收集滑动窗口中各个像素点的标准值时，按照收集顺序进行标号。

所述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，3*3像素值大小的滑动窗口，收集到9个标准值，9个标准值从小到大排列，中间值为排列第5的标准值。

详细地，所述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，原归一化图像中每个像素点的标准值都替换为中间值，即整幅归一化图像被替换为降噪图像。

S5、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。

本发明实施例中，一个图像像素点的灰度级范围为[0，L-1]，其直方图表示为一个离散函数h(rk)＝nk，rk是第k级灰度值，nk是灰度值为rk的像素个数，即图像的灰度直方图表现该图像的灰度分布，若一个图像的灰度直方图几乎覆盖整个灰度的取值范围，灰度值分布近似均匀分布的条件下，这一个图像就具有较大的灰度动态范围和较高的对比度，即图像的细节更为丰富，直方图均衡化便是根据输入图像的直方图信息，得到一个变换函数，利用该变换函数重新计算输入图像，得到实时灰度直方图。

本发明实施例中，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，得到增强图像，包括：

根据降噪图像生成原灰度直方图；

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：

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]。

本发明实施例中，使用第四matlab语句读取降噪图像中各像素点的信息，并根据信息中的灰度级rk、像素数nk和概率p(ri)生成灰度直方图。

详细地，直方图均衡化是一种映射方法，是将图像中的原灰度直方图经过公式计算，转化为实时灰度直方图，算法反应实时灰度直方图和原灰度直方图之间的映射关系。

具体执行语言选择根据实际情况更改。

S6、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。

本发明实施例中，通过使用预设的神经网络快速提取实时灰度直方图中的各个特征，并将提取到的特征与预设的灰度直方图的特征进行对比，通过判断对比结果，从而确定道路是否有表观缺陷，预设的神经网络具有高性能计算速度快，从而有着较高的及时性的优点。

本发明实施例中，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：

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；

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；

若所述对比结果相似度高于等于95％，则道路没有表观缺陷；

若所述对比结果相似度低于95％，则道路有表观缺陷。

其中，预设的神经网络需提前利用道路的各时间段、各地点的图像进行训练。

预设的神经网络可实现目标检测功能和语义分割功能。

预设的神经网络使用VGG16模型。

预设灰度直方图为没有表观缺陷道路的灰度直方图，预设在神经网络中，用于作为对比。

进一步地，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，具体对比两个图形的均值区别，并对比两个图形特征的正态分布、双峰特征值和最值等情况，具体提取的特征值和特征值对比方式根据实时需求更改。

详细地，道路表观缺陷，可分为道路裂缝、道路龟裂和道路松散等情况，每种情况的灰度直方图展示的特征都与预设灰度直方图展示的特征不同。

其中，所述若所述对比结果相似度高于等于95％，则道路没有表观缺陷，根据预设的神经网络的训练过程及结果得知，当相似度高于等于95％时，道路便没有表观缺陷，95％作为判断阙值是由于神经网络进行特征提取的时候，丢失了部分数据，无法达到100％的相似度。

详细地，将实时灰度直方图与预设灰度直方图进行对比，可判定出道路表观缺陷，例如，可以发现道路上有异物情况时，相较于预设灰度直方图，有异物道路的灰度直方图的双峰特征值较高，道路有变形情况时，相较于预设灰度直方图，有变形道路的灰度直方图分布不均匀，其它表观缺陷的灰度直方图也有其特有的特征。

S7、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。

本发明实施例中，若道路没有表观缺陷时，则无需进行S7，从而节省算力，若道路有表观缺陷时，根据实时灰度直方图，生成增强图像，将增强图像分割为若干个模块，并判断每一个模块是否有表观缺陷，将有表观缺陷的模块统一分割出来，形成缺陷区域，便于人员查看，行车时及时躲避。

本发明实施例中，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：

根据所述实时灰度直方图，生成增强图像；

将所述增强图像分割为若干个图块；

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；

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；

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”；

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。

其中，通过使用imshow函数，结合实时灰度直方图生成增强图像。

详细地，所述将所述增强图像分割为若干个图块，具体图块大小和数量根据实际需求分割。

进一步地，所述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，所述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，此处步骤与S6类似，可采用类似方法进行操作，具体操作方法不做要求。

对增强图像上的每一个图块的特征逐个与预设的灰度直方图的正态分布、均值和双峰特征值进行对比，若一个图块的对比结果的相似度低于95％，则将此图块标记为“1”。

进一步地，将被标记为“1”的一类图块在增强图像上进行分割，分割区域作为缺陷区域，根据增强图像和实时图像之间的联系，可在实时图像上标记出缺陷区域，例如，可在实时图像上采用红色填充的方式标记缺陷区域，从而提醒使用人员，也可采用其它方式进行标记，具体方式不做要求，根据实际情况更改。

如图5所示，是本发明一实施例提供的一种基于神经网络实现道路表观缺陷识别装置的功能模块图。

本发明所述基于神经网络实现道路表观缺陷识别装置可以安装于电子设备中。根据实现的功能，所述基于神经网络实现道路表观缺陷识别装置可以包括获取模块、特征提取模块、图像转化模块及神经网络模块。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

获取模块，获取道路的实时图像；

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；

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；

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。

如图6所示，是本发明一实施例提供的基于神经网络实现道路表观缺陷识别方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于神经网络实现道路表观缺陷识别方法的程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于神经网络实现道路表观缺陷识别方法的程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于神经网络实现道路表观缺陷识别方法的程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的基于神经网络实现道路表观缺陷识别方法的程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取道路的实时图像；

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；

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；

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。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取道路的实时图像；

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；

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；

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。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围并不仅依据上述说明进行限定，因此旨在将落在保护范围内的等同要件的含义和范围内的所有变化涵括在本发明内。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (7)

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：

获取道路的实时图像；

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；

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；

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；

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：

根据降噪图像生成原灰度直方图；

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：

；

其中为降噪图像像素点总数，为实时灰度直方图的灰度级，rk为降噪图像的灰度级，为当前灰度级的像素点个数，p 为每个灰度级的概率，为降噪图像的总灰度级数量，为灰度级范围；

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：

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；

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；

若所述对比结果相似度高于等于95%，则道路没有表观缺陷；

若所述对比结果相似度低于95%，则道路有表观缺陷；

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：

根据所述实时灰度直方图，生成增强图像；

将所述增强图像分割为若干个图块；

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；

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；

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”；

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。

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：

提取所述实时图像中各个像素点的三通道像素值；

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：

；

表示第次提取像素点的灰色像素值，代表第次提取像素点的红色通道像素值，表示第次提取像素点的绿色通道像素值，表示第次提取像素点的蓝色通道像素值，表示第次提取像素点，、和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次提取的像素点的灰色像素值；

根据计算后的各个像素点的灰色像素值，得到灰度图像。

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：

提取所述灰度图像中各个像素点的灰色像素值；

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：

；

其中，表示提取的次数，表示第次提取像素点的标准值，表示第次提取像素点的灰色像素值，表示所述灰度图像中各个像素点中的最小灰色像素值，表示所述灰度图像中各个像素点中的最大灰色像素值；

根据所述各个像素点的标准值，得到归一化图像。

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：

S41、创建奇数奇数像素值大小的滑动窗口；

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；

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；

S44、将中间值赋予滑动窗口中心的像素点；

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。

5.一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：

获取模块，获取道路的实时图像；

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；

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；

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；

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：

根据降噪图像生成原灰度直方图；

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：

；

其中为降噪图像像素点总数，为实时灰度直方图的灰度级，rk为降噪图像的灰度级，为当前灰度级的像素点个数，p 为每个灰度级的概率，为降噪图像的总灰度级数量，为灰度级范围；

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：

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；

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；

若所述对比结果相似度高于等于95%，则道路没有表观缺陷；

若所述对比结果相似度低于95%，则道路有表观缺陷；

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：

根据所述实时灰度直方图，生成增强图像；

将所述增强图像分割为若干个图块；

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；

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；

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”；

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。

6.一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4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。

7.一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4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。