基于人工智能的道路施工质量检测方法及系统

技术领域

本发明涉及缺陷区域分割技术领域，具体涉及基于人工智能的道路施工质量检测方法及系统。

背景技术

道路工程在城市整体建设中占据至关重要的地位,然而,受地理的影响、自然和其他多种因素作用,使市政道路质量控制面临着挑战，糟糕的道路质量导致车辆行驶不稳定、打滑、跳动或损坏车辆，进而造成严重的交通事故，因此定期对道路进行质量检测并进行维护和维修是极为重要的。

由于图像预处理导致了缺陷边缘被模糊，现有采用阈值分割进行缺陷区域划分的方法中，并未考虑到模糊边缘的缺陷可能性，也并未可能的缺陷像素点进行可信度的分析，导致最终分割得到的缺陷区域准确性不高，进而使得质量检测的可靠性低。

发明内容

为了解决现有技术中分割得到的缺陷区域准确性不高，进而使得质量检测的可靠性低的技术问题，本发明的目的在于提供一种基于人工智能的道路施工质量检测方法及系统，所采用的技术方案具体如下：

本发明提供了一种基于人工智能的道路施工质量检测方法，所述方法包括：

获取道路灰度图像；根据道路灰度图像中像素点的灰度值分布以及分布形状特征，获取道路灰度图像中的裂缝缺陷区域；

获取每个裂缝缺陷区域的边缘点，根据每个边缘点在对应预设邻域范围内与非裂缝缺陷区域的像素点之间的灰度差异情况，确定每个边缘点对应的待确定像素点；根据每个边缘点与待确定像素点之间的像素特征相似性，获得每个待确定像素点的缺陷指标；根据待确定像素点的缺陷指标确定待确定像素点中的缺陷像素点；

根据缺陷像素点的缺陷指标和灰度值分布差异情况，确定道路灰度图像的初始分割阈值；根据道路灰度图像的初始分割阈值迭代阈值分割，获得最终缺陷区域；

根据最终缺陷区域进行质量检测。

进一步地，所述裂缝缺陷区域的获取方法包括：

将道路灰度图像中每个灰度值的出现频率作为该灰度值的灰度概率；将灰度值在预设灰度范围中对应灰度概率的最小值，作为划分概率，将划分概率对应的灰度值作为划分灰度值；

将划分灰度值作为阈值进行阈值分割，获得初始二值图像；获取初始二值图像中的连通域，并获取每个连通域的最小外接矩形；将每个连通域的最小外接矩形对应长边与短边的边长比值，作为每个连通域的区域评价值；当区域评价值大于预设评价阈值时，将区域评价值对应的连通域作为初始缺陷连通域；所述预设评价阈值为正数；

通过边界跟踪算法获取每个初始缺陷连通域的连通域边缘，将每个连通域边缘在道路灰度图像中围成的区域作为道路灰度图像中的每个裂缝缺陷区域。

进一步地，所述待确定像素点的获取方式包括：

计算所有边缘点的灰度值的平均值，获得边缘灰度评价值；

依次将每个边缘点作为目标边缘点，在目标边缘点的预设邻域范围内，将非裂缝缺陷区域的像素点作为目标边缘点的待分析像素点，将每个待分析像素点的灰度值与边缘灰度评价值的差异作为每个待分析像素点的灰度差异性，当灰度差异性小于预设灰度差异阈值时，将对应的待分析像素点作为目标边缘点对应的待确定像素点。

进一步地，所述缺陷指标的获取方法包括：

对于道路灰度图像中任意一个像素点，将该像素点的灰度值与预设灰度权重的乘积进行归一化处理，获得该像素点的灰度特征值；将该像素点的梯度幅值与预设梯度权重的乘积进行归一化处理，获得该像素点的梯度特征值；计算该像素点梯度方向与水平方向的夹角与预设夹角权重的乘积，进行归一化处理获得该像素点的角度特征值；将该像素点的灰度特征值、梯度特征值和角度特征值组成该像素点的特征向量；预设灰度权重、预设梯度权重和预设夹角权重均为正数且和值为1；

对于任意一个边缘点，将该边缘点与每个待确定像素点的灰度值差异的负相关映射的值作为灰度相似指标；计算该边缘点与每个待确定像素点对应特征向量之间的余弦相似度，获得特征相似指标；将灰度相似指标与特征相似指标加权求和，获得该边缘点对应每个待确定像素点的初始缺陷指标；将每个待确定像素点对应所有初始缺陷指标的平均值作为每个待确定像素点的缺陷指标。

进一步地，所述缺陷像素点的获取方法包括：

当缺陷指标大于或等于预设缺陷阈值时，将对应待确定像素点记为缺陷像素点；预设缺陷阈值为正数。

进一步地，所述初始分割阈值的获取方法包括：

根据缺陷像素点的缺陷指标大小对缺陷像素点进行分类，获得可能性最大类和可能性最小类；

根据所有更新像素点的确定值的大小将更新像素点分为两类，将确定值最大的一类作为最大类像素点，将确定值最小的一类作为最小类像素点；将可能性最大类中缺陷像素点对应的缺陷指标设置为预设缺陷指标值；所述预设缺陷指标值大于可能性最大类中所有缺陷指标的平均值；

计算可能性最大类中所有缺陷像素点的缺陷指标的平均值，获得可能性最大类的最大可能性；计算可能性最小类中所有缺陷像素点的缺陷指标的平均值，获得可能性最小类的最小可能性；将最大可能性与最小可能性的和值作为可能权重和值；将最大可能性与可能权重和值的比值作为最大可能权重；将最小可能性与可能权重和值的比值作为最小可能权重；

计算最大可能权重与可能性最大类中所有缺陷像素点的平均灰度值的乘积，获得最大可能灰度影响值；计算最小可能权重与可能性最小类中所有缺陷像素点的平均灰度值的乘积，获得最小可能灰度影响值；将最大可能灰度影响值和最小可能灰度影响值的和值作为初始分割阈值。

进一步地，所述最终缺陷区域的获取方法包括：

在迭代分割过程中，统计每次迭代对应的缺陷像素点数量，计算当前迭代与前一次迭代之间缺陷像素点数量的数量差异，将当前迭代的缺陷像素点数量与数量差异的比值作为当前迭代的停止指标；

直至当前迭代的停止指标小于预设停止阈值时停止迭代，将当前迭代对应的二值图像中的连通域作为最终缺陷区域。

进一步地，所述根据最终缺陷区域进行质量检测，包括：

将最终缺陷区域中像素点的总数量与道路灰度图像中像素点的总数量的比值，作为道路灰度图像的质量评价指标；

当质量评价指标小于或等于预设优秀阈值时，将对应道路质量记为优秀；当质量评价指标大于预设优秀阈值小于预设良好阈值时，将对应道路质量记为良好；当质量评价指标大于或等于预设良好阈值时，将对应道路质量记为不合格；预设优秀阈值小于预设良好阈值。

进一步地，所述根据缺陷像素点的缺陷指标大小对缺陷像素点进行分类，获得可能性最大类和可能性最小类，包括：

基于缺陷指标采用支持向量机对缺陷像素点进行二分类，将缺陷像素点分为两类；

类别中所有缺陷像素点的缺陷指标的累加值最大的一类作为可能性最大类；类别中所有缺陷像素点的缺陷指标的累加值最小的一类作为可能性最小类。

本发明提供了一种基于人工智能的道路施工质量检测系统，包括存储器和处理器，处理器执行存储器存储的计算程序，以实现如上述一种基于人工智能的道路施工质量检测方法。

本发明具有如下有益效果：

本发明考虑到图像处理对缺陷边缘划分的影响，首先通过初步灰度划分并结合分布形状，得到的裂缝缺陷区域，通过裂缝缺陷区域边缘的被模糊情况，结合灰度差异以及像素点之间的特征差异，获得裂缝缺陷区域边缘的局部像素点的缺陷指标，通过缺陷指标反映像素点为缺陷的可能情况，使得进一步筛选出的缺陷像素点更准确，进而根据缺陷像素点的灰度分布以及缺陷指标能够得到更准确的初始分割阈值，通过初始分割阈值迭代阈值分割，得到整准确的最终缺陷区域进行质量检测。本发明分析裂缝边缘被模糊影响的分割情况，通过筛选出的未被分割的缺陷像素点的不同可信度得到更优的初始分割阈值，减少阈值局部最优的情况，分割出更准确的缺陷区域，提高质量检测的可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于人工智能的道路施工质量检测方法流程图；

图2为本发明一个实施例所提供的一种道路灰度图像；

图3为本发明一个实施例所提供的一种基于人工智能的道路表面缺陷识别方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的道路施工质量检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

一种基于人工智能的道路施工质量检测方法及系统实施例：

下面结合附图具体的说明本发明所提供的一种基于人工智能的道路施工质量检测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的道路施工质量检测方法流程图，该方法包括以下步骤：

S1：获取道路灰度图像；根据道路灰度图像中像素点的灰度值分布以及分布形状特征，获取道路灰度图像中的裂缝缺陷区域。

在道路表面的缺陷中，根据缺陷在灰度图像中的灰度值会较低的特征，通常会通过阈值分割进行缺陷的获取。由于道路表面的复杂情况，对道路表面进行分析时需要对图像进行滤波处理，而在缺陷中表现最明显的缺陷为裂缝缺陷，裂缝缺陷的形状呈现为狭长的线形，受到裂缝缺陷形状的影响，使得图像滤波后的缺陷边缘在分割时并不能得到更准确的分割效果，只能满足局部最优的效果，因此本发明实施例基于裂缝缺陷的边缘特征进行更全面的分析，使初始分割阈值的选取更优，最终分割得到的缺陷部分更准确。

首选，需要获取道路灰度图像，在本发明实施例中，采用工程摄像机获取道路图像，并对道路图像进行灰度化和滤波等预处理，获得道路灰度图像，需要说明的是，对图像进行灰度化和滤波的预处理为本领域技术人员熟知的技术手段，在此不做赘述。请参阅图2，其出示了本发明一个实施例所提供的一种道路灰度图像。

进一步为了根据裂缝缺陷的边缘延伸情况对阈值进行获取，首先基于道路灰度图像中像素点的灰度值分布以及分布形状特征，获取裂缝缺陷区域，裂缝缺陷区域为根据灰度分割后裂缝缺陷的初始范围大小。

优选地，将道路灰度图像中每个灰度值的出现频率作为该灰度值的灰度概率；将灰度值在预设灰度范围中对应灰度概率的最小值，作为划分概率，将划分概率对应的灰度值作为划分灰度值。由于缺陷的存在，缺陷对应像素点的灰度值是较小的，滤波后的缺陷在边缘部分会存在灰度值的逐渐变化，因此缺陷边缘点的数量在道路灰度图像中是较少，因此道路灰度图像中会存在缺陷边缘部分的灰度值较小且概率较低的情况，因此灰度值较低且概率越低时灰度值越可能为边缘对应的灰度值，通过预设灰度范围中灰度概率的最小值初步筛选出边缘对应的划分灰度值，用于后续图像划分。在本发明实施例中，灰度概率为灰度值的出现频率，因此灰度概率为归一化的值，预设灰度范围为[10,60]，反映当灰度值在此灰度范围内可能为缺陷边缘像素点，具体数值实施者可根据具体实施情况进行调整，仅需保证预设范围不超出灰度概率值范围即可。

根据划分灰度值可以将道路灰度图像中的缺陷部分分割出来，在本发明一个实施例中，将划分灰度值作为阈值进行阈值分割，获得初始二值图像，需要说明的是，阈值分割算法为本领域技术人员熟知的技术手段，在此不做赘述。在阈值分割后，缺陷部分在初始二值图像中呈现为连通域部分，因此获取初始二值图像中的连通域，并获取每个连通域的最小外接矩形。通过最小外接矩形可以通过缺陷形状特征筛选出裂缝区域进行分析，根据裂缝缺陷具有狭长的特点，在本发明实施例中，将每个连通域的最小外接矩形对应长边与短边的边长比值，作为每个连通域的区域评价值，当连通域越可能为裂缝缺陷，则区域评价值将会越大，需要说明的是，最小外接矩形的长边为矩形中边长最长的边，短边为矩形中边长最短的边，若矩形的边长均相等，即正方形，则长边与短边的边长取值相等。

当区域评价值大于预设评价阈值时，说明连通域的形状呈狭长的特征，该连通域可能为裂缝缺陷，因此将区域评价值对应的连通域作为初始缺陷连通域，在本发明实施例中，预设评价阈值为正数，设置为20，具体数值实施者可根据具体实施情况进行调整。由于初始缺陷连通域表征的裂缝缺陷区域在二值图像中，不利于对裂缝缺陷区域边缘的分割情况进行分析，因此优选地，通过边界跟踪算法获取每个初始缺陷连通域的连通域边缘，将每个连通域边缘在道路灰度图像中围成的区域作为道路灰度图像中的每个裂缝缺陷区域。裂缝缺陷区域即为经过初步分割后，道路灰度图像中的裂缝缺陷对应的区域，需要说明的是，边界跟踪算法为本领域技术人员熟知的公知技术手段，在此不做赘述。

至此，获得道路灰度图像中表征裂缝缺陷的裂缝缺陷区域，进一步通过裂缝缺陷区域的边缘情况对分割情况进行分析。

S2：获取每个裂缝缺陷区域的边缘点，根据每个边缘点在对应预设邻域范围内与非裂缝缺陷区域的像素点之间的灰度差异情况，确定每个边缘点对应的待确定像素点；根据每个边缘点与待确定像素点之间的像素特征相似性，获得每个待确定像素点的缺陷指标；根据待确定像素点的缺陷指标确定待确定像素点中的缺陷像素点。

由于图像的预处理过程将会造成边缘部分分割较为模糊，部分缺陷像素点未被划分为缺陷区域部分，影响对缺陷的判断，因此通过特征明显的裂缝缺陷区域的边缘未被划分的像素点的情况进行阈值的调整。

首先获取每个裂缝缺陷区域的边缘点，通过边缘点的局部特征进行缺陷可能性的分析，进一步根据每个边缘点在对应预设邻域范围内与非裂缝缺陷区域的像素点之间的灰度差异情况，确定每个边缘点对应的待确定像素点。待确定像素点为在灰度值上初步分析可能为缺陷区域的像素点，在本发明实施例中，计算所有边缘点的灰度值的平均值，获得边缘灰度评价值，通过整体边缘灰度情况分析局部像素点的差异程度。

优选地，依次将每个边缘点作为目标边缘点，在目标边缘点的预设邻域范围内，将非裂缝缺陷区域的像素点作为目标边缘点的待分析像素点，由于属于缺陷区域的像素点在灰度差异上不会与缺陷区域的灰度值差异较大，因此将每个待分析像素点的灰度值与边缘灰度评价值的差异作为每个待分析像素点的灰度差异性，当灰度差异性小于预设灰度差异阈值时，说明待分析像素点很有可能为缺陷区域，将对应的待分析像素点作为目标边缘点对应的待确定像素点。在本发明实施例中，预设邻域范围为八邻域范围，具体数值实施者可根据具体情况进行调整。

进一步对每个待确定像素点进行缺陷可能性的分析，根据每个边缘点与待确定像素点之间的像素特征相似性，获得每个待确定像素点的缺陷指标，根据缺陷指标筛选出未被分割的属于缺陷区域的像素点。首先对每个像素点的灰度变化特征进行表征，优选的，对于道路灰度图像中任意一个像素点，将该像素点的灰度值与预设灰度权重的乘积进行归一化处理，获得该像素点的灰度特征值，将该像素点的梯度幅值与预设梯度权重的乘积进行归一化处理，获得该像素点的梯度特征值，计算该像素点梯度方向与水平方向的夹角与预设夹角权重的乘积，进行归一化处理获得该像素点的角度特征值，综合灰度值到小，梯度大小以及梯度方向表征每个像素点的像素特征，将该像素点的灰度特征值、梯度特征值和角度特征值组成该像素点的特征向量。在本发明实施例中，预设灰度权重、预设梯度权重和预设夹角权重均为正数且和值为1，预设灰度权重设置为0.4，预设梯度权重为0.4，预设夹角权重为0.2，具体数值实施者可根据具体实施情况进行调整。

对于任意一个边缘点，将该边缘点与每个待确定像素点的灰度值差异的负相关映射的值作为灰度相似指标，当灰度差异越小，说明两个像素点之间越相似。计算该边缘点与每个待确定像素点对应特征向量之间的余弦相似度，获得特征相似指标，通过余弦相似度反映向量之间的相似性，特征相似指标越大说明两个像素点之间越相似。将灰度相似指标与特征相似指标加权求和，获得该边缘点对应每个待确定像素点的初始缺陷指标，通过初始缺陷指标可以反映待确定像素点与该边缘点的相似性，当初始缺陷指标越大，说明待确定像素点与边缘点越相似，待确定像素点越可能为缺陷区域的像素点，在本发明实施例中，初始缺陷指标的表达式为：

式中，

其中，

由于在对每个边缘点进行分析时，每个待确定像素点可能与多个边缘点进行计算，因此每个待确定像素点可能对应多个初始缺陷指标，在本发明一个实施例中，将每个待确定像素点对应所有初始缺陷指标的平均值作为每个待确定像素点的缺陷指标。

进一步通过每个待确定像素点的缺陷指标进行缺陷像素点的筛选，根据待确定像素点的缺陷指标确定待确定像素点中的缺陷像素点，优选地，当缺陷指标大于或等于预设缺陷阈值时，说明对应待确定像素点与缺陷区域边缘点较为相似，可能为未被划分的缺陷区域的像素点，将对应待确定像素点记为缺陷像素点。在本发明实施例中，预设缺陷阈值为正数，设置为0.8，具体数值实施者可根据具体实施情况进行调整。

至此，完成对裂缝缺陷区域中边缘点的局部分析，将在基于灰度分割时，未被准确划分到裂缝缺陷区域的缺陷像素点筛选出来，进一步可根据缺陷像素点得到更合适的分割阈值。

S3：根据缺陷像素点的缺陷指标和灰度值分布差异情况，确定道路灰度图像的初始分割阈值；根据道路灰度图像的初始分割阈值迭代阈值分割，获得最终缺陷区域。

通过对缺陷像素点的缺陷指标经常分类，能够更好地处理缺陷边缘模糊的情况，相较于根据缺陷像素点之间进行阈值调整，能够提高阈值的鲁棒性，提升准确性，因此根据缺陷像素点的缺陷指标和灰度值分布差异情况，确定道路灰度图像的初始分割阈值。

优选地，根据缺陷像素点的缺陷指标大小对缺陷像素点进行分类，获得可能性最大类和可能性最小类，通过分类反映出这些缺陷像素点的可信任程度，对于缺陷指标大的可能性最大类考虑的影响程度更大。在本发明实施例中，基于缺陷指标采用支持向量机对缺陷像素点进行二分类，将缺陷像素点分为两类，类别中所有缺陷像素点的缺陷指标累加值最大的一类作为可能性最大类，类别中所有缺陷像素点的缺陷指标累加值最小的一类作为可能性最小类。需要说明的是，采用支持向量机进行二分类的方法为本领域技术人员熟知的技术手段，在此不做赘述。

进一步地，将可能性最大类中缺陷像素点对应的缺陷指标设置为预设缺陷指标值，预设缺陷指标值大于可能性最大类中所有缺陷指标的平均值，保证预设缺陷指标值为了提升可能性最大类的缺陷像素点对初始阈值的影响，在本发明实施例中，预设缺陷指标值为1，具体数值实施者可根据具体实施情况进行调整。

在本发明一个实施例中，计算可能性最大类中所有缺陷像素点的缺陷指标的平均值，获得可能性最大类的最大可能性，计算可能性最小类中所有缺陷像素点的缺陷指标的平均值，获得可能性最小类的最小可能性，通过缺陷指标的大小反映每类缺陷像素点的可信程度，也即为影响阈值选择的程度。进一步对最大可能性与最小可能性进行归一化，保证阈值选择的数值合理，将最大可能性与最小可能性的和值作为可能权重和值，将最大可能性与可能权重和值的比值作为最大可能权重，将最小可能性与可能权重和值的比值作为最小可能权重，最大可能权重与最小可能权重反映两类缺陷像素点对初始分割阈值的灰度贡献程度。

计算最大可能权重与可能性最大类中所有缺陷像素点的平均灰度值的乘积，获得最大可能灰度影响值，计算最小可能权重与可能性最小类中所有缺陷像素点的平均灰度值的乘积，获得最小可能灰度影响值，将最大可能灰度影响值和最小可能灰度影响值的和值作为初始分割阈值。在本发明实施例中，初始分割阈值的具体表达式为：

式中，

其中，

因此根据道路灰度图像的初始分割阈值迭代阈值分割，获得最终缺陷区域，通过迭代分割能够进一步避免阈值的局部最优情况，对边缘的分割效果更好，优选地，在迭代分割过程中，统计每次迭代对应的缺陷像素点数量，每次迭代分割时均能得到一个二值图像，二值图像中连通域对应的部分即为分割较为准确的缺陷区域，也即二值图像中连通域对应像素点的总数量为缺陷像素点数量。

计算当前迭代与前一次迭代之间缺陷像素点数量的数量差异，将当前迭代的缺陷像素点数量与数量差异的比值作为当前迭代的停止指标，通过停止指标反映在迭代调整阈值过程中，分割的效果程度，停止阈值越小说明缺陷部分变化越小，分割效果越稳定。直至当前迭代的停止指标小于预设停止阈值时停止迭代，将当前迭代对应的二值图像中的连通域作为最终缺陷区域，在本发明实施例中，预设停止阈值为0.05，实施者可根据具体实施情况进行调整。

至此，通过对具有特征的裂缝缺陷部分的边缘进行分析，通过边缘模糊情况得到更合理的初始分割阈值，使得迭代分割过程更准确迅速，得到更优的缺陷区域。

S4：根据最终缺陷区域进行质量检测。

根据最终缺陷区域在道路灰度图像中的占比情况可以反映道路的质量问题，因此在本发明实施例中，将最终缺陷区域中像素点的总数量与道路灰度图像中像素点的总数量的比值，作为道路灰度图像的质量评价指标，通过质量评价指标反映缺陷的占比情况，当质量评价指标越小，说明缺陷情况越低，道路质量越优。

优选地，当质量评价指标小于或等于预设优秀阈值时，说明道路基本没有缺陷区域，将对应道路质量记为优秀。当质量评价指标大于预设优秀阈值小于预设良好阈值时，说明道路可能存在微小的缺陷，将对应道路质量记为良好。当质量评价指标大于或等于预设良好阈值时，说明道路表面存在一定明显缺陷，将对应道路质量记为不合格。在本发明实施例中，预设优秀阈值小于预设良好阈值，保证质量判断的合理性，预设优秀阈值设置为0.06，预设良好阈值设置为0.2，具体数值实施者可根据具体实施情况进行调整。

综上，本发明考虑到图像处理对缺陷边缘划分的影响，首先通过初步灰度划分并结合分布形状，得到的裂缝缺陷区域，通过裂缝缺陷区域边缘的被模糊情况，结合灰度差异以及像素点之间的特征差异，获得裂缝缺陷区域边缘的局部像素点的缺陷指标，通过缺陷指标反映像素点为缺陷的可能情况，使得进一步筛选出的缺陷像素点更准确，进而根据缺陷像素点的灰度分布以及缺陷指标能够得到更准确的初始分割阈值，通过初始分割阈值迭代阈值分割，得到整准确的最终缺陷区域进行检测，本发明结合裂缝边缘的明显延伸性，分析边缘被模糊影响的分割情况，通过筛选的缺陷像素点得到更优的初始分割阈值，减少阈值局部最优的影响，得到更准确的缺陷区域，提高质量检测的可靠性。

本发明提供了一种基于人工智能的道路施工质量检测系统，包括存储器和处理器，处理器执行存储器存储的计算程序，以实现如上述一种基于人工智能的道路施工质量检测方法。

一种基于人工智能的道路表面缺陷识别方法实施例：

由于图像预处理导致了缺陷边缘被模糊，现有采用阈值分割进行缺陷区域划分的方法中，并未考虑到模糊边缘的缺陷可能性，也并未可能的缺陷像素点进行可信度的分析，导致最终分割得到的缺陷区域准确性不高，缺陷区域误差较大，为了解决分割得到的缺陷区域准确性不高，缺陷区域误差较大的问题。本发明提供了一种基于人工智能的道路表面缺陷识别方法。请参阅图3，其出示了本发明一个实施例所提供的一种基于人工智能的道路表面缺陷识别方法流程图。该方法包括：

步骤S01：获取道路灰度图像；根据道路灰度图像中像素点的灰度值分布以及分布形状特征，获取道路灰度图像中的裂缝缺陷区域。

步骤S02：获取每个裂缝缺陷区域的边缘点，根据每个边缘点在对应预设邻域范围内与非裂缝缺陷区域的像素点之间的灰度差异情况，确定每个边缘点对应的待确定像素点；根据每个边缘点与待确定像素点之间的像素特征相似性，获得每个待确定像素点的缺陷指标；根据待确定像素点的缺陷指标确定待确定像素点中的缺陷像素点。

步骤S03：根据缺陷像素点的缺陷指标和灰度值分布差异情况，确定道路灰度图像的初始分割阈值；根据道路灰度图像的初始分割阈值迭代阈值分割，获得最终缺陷区域。

其中，步骤S01至步骤S03在上述一种基于人工智能的道路施工质量检测方法及系统实施例中已给出详细说明，在此不做赘述。

本发明考虑到图像处理对缺陷边缘划分的影响，首先通过初步灰度划分并结合分布形状，得到的裂缝缺陷区域，通过裂缝缺陷区域边缘的被模糊情况，结合灰度差异以及像素点之间的特征差异，获得裂缝缺陷区域边缘的局部像素点的缺陷指标，通过缺陷指标反映像素点为缺陷的可能情况，使得进一步筛选出的缺陷像素点更准确，进而根据缺陷像素点的灰度分布以及缺陷指标能够得到更准确的初始分割阈值，通过初始分割阈值迭代阈值分割，得到整准确的最终缺陷区域。本发明分析裂缝边缘被模糊影响的分割情况，通过筛选出的未被分割的缺陷像素点的不同可信度得到更优的初始分割阈值，减少阈值局部最优的情况，分割出更准确的缺陷区域，减少缺陷区域分割的误差。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。