本发明属于道路离析检测技术领域，具体涉及一种基于图像纹理特征提取的沥青路面的离析检测方法。
背景技术：
在公路建设中，近年来因为气候的突变和路面没有及时养护的关系，一些公路沥青路面损害较为严重，究其原因，主要是因为施工工艺不合理，同时路面检测手段落后，路面质量只能通过现场检测来进行评定。对于沥青路面而言，离析是导致路面损坏的重要原因之一。目前，沥青路面检测的常用方法主要分为非接触式检测和接触式检测两种。
但这样还是存在着一些缺陷，比如非接触式检测中视觉观察法精度低，钻芯取样法精度高但会损坏路面，费时费力；接触式检测中灰度图像法受到光照和拍摄角度影响大，激光测量法和ct扫描法都步骤繁琐，成本高昂。同时，不论非接触式检测还是接触式检测，都属于事后补救时的检测方法。因此，迫切需要一种能够同时保证精度和稳定性、成本低廉，并且在摊铺过程中就能够使用的沥青路面的离析检测方法。
技术实现要素：
本发明针对上述不足，提供一种基于图像纹理特征提取的沥青路面的离析检测方法，该方法对设备要求低，且精度较高，可以满足在摊铺过程中的沥青离析检测。
为解决上述技术问题，本发明实施例采用以下技术方案：
一种基于图像纹理特征提取的沥青路面的离析检测方法，包括以下步骤：
采集摊铺过程中的沥青路面图像作为训练集，并根据图像建立训练模型；
采集待检测的摊铺过程中的沥青路面图像作为测试集；
将所述测试集输入到训练模型中，得到沥青路面的离析状态。
优选的，所述采集铺摊过程中的沥青路面图像作为训练集，并根据图像建立训练模型，具体包括：
s1，通过图像采集仪器，采集摊铺过程中的沥青路面图像，所述图像采集高度和角度相同；
s2，根据纹理特征提取算法，从所述沥青路面图像中，提取沥青路面图像的灰度共生矩阵作为训练集；
s3，根据图像灰度共生矩阵，计算对比度、相关性、能量和逆差矩作为特征值，组成沥青图像的纹理特征矩阵；
s4，根据纹理特征矩阵，训练支持向量机得到分类器模型作为训练模型。
优选的，所述采集待检测的摊铺过程中的沥青路面图像作为测试集，具体包括：
s1，通过图像采集仪器，采集待检测的摊铺过程中的沥青路面图像，所述图像采集高度和角度相同；
s2，根据纹理特征提取算法，从所述沥青路面图像中，提取沥青路面图像的灰度共生矩阵作为测试集；
s3，根据图像灰度共生矩阵，计算对比度、相关性、能量和逆差矩作为特征值，组成待检测沥青图像的纹理特征矩阵。
优选的，所述根据纹理特征提取算法，从所述沥青路面图像中，提取沥青路面图像的灰度共生矩阵，具体包括：
s2.1，对采集到的图像进行灰度化处理，计算公式如式1所示；
其中，x表示像素点的横坐标，y表示像素点的纵坐标，fr(x,y)表示红色阶像素点在图像中的位置，fg(x,y)表示绿色阶像素点在图像中的位置，fb(x,y)表示蓝色阶像素点在图像中的位置，g(x,y)表示在位置(x,y)处的灰度值；
s2.2，按照如式2所示的公式，选择计算半径与周围像素数，通过uniformpatternlbp算法对灰度图像中的每一个像素进行编码，获得灰度图像的统一模式局部二值图像：
其中，
x表示像素点的横坐标，y表示像素点的纵坐标，lbpp,r(x,y)表示(x,y)点像素的统一模式局部二值，r表示计算半径，p表示周围像素数，gc表示选定的像素；gp表示周围的像素个数；函数u表示数值在二值序列中跳变的次数；
s2.3，将上述统一模式局部二值图像作为输入，根据式3，通过glcm算法提取该图像在不同扫描步长δs和δv时的灰度共生矩阵：
其中，x，y表示像素的灰度值，x＝1，2，…，n，y＝1，2，…，n；l(x,y)表示输入图像中像素组合(x,y)出现的次数；n表示输入的统一模式二值图像中的最大灰度级数，(s,v)表示像素组合对应的坐标值，s,v分别表示图像中像素点的横坐标和纵坐标，i(s,v)表示坐标(s,v)处的像素值。
优选的，所述根据图像灰度共生矩阵，计算对比度、相关性、能量和逆差矩作为特征值，组成沥青图像的纹理特征矩阵，具体包括：
s3.1，分别按照如式4至式7所示公式，计算灰度共生矩阵中的特征值：
contrast＝∑i，j|i-j|2p(i，j)(式4)
energy＝∑i，jp(i，j)2(式6)
其中，contrast表示对比度，correlation表示相关性，energy表示能量，homogeneity表示逆差矩，i表示图像中像素的横坐标，j表示图像中像素的纵坐标，p(i，j)表示在统一模式二值图像中在坐标(i，j)处的像素值；
s3.2，将按照扫描步长(δs，δv)下的灰度共生矩阵提取出的统计量特征组成矩阵，作为沥青图像的纹理特征矩阵。。
优选的，所述根据纹理特征矩阵，训练支持向量机得到分类器模型，具体包括：
s4.1，将采集到的图像标注为离析沥青路面和正常沥青路面两类，用1表示正常沥青路面，用-1表示离析沥青路面；
s4.2，设置支持向量机的参数，其中核函数选用径向基核函数，惩罚系数为34.516，gamma核函数为0.4592。
与现有技术相比，本发明的一种基于图像纹理特征提取的沥青路面的离析检测方法，该方法对设备要求低，且精度较高，可以满足在摊铺过程中的沥青离析检测。本实施例的一种基于图像纹理特征提取的沥青路面的离析检测方法，采集摊铺过程中的沥青路面图像作为训练集，并根据所述图像建立训练模型；采集待检测的摊铺过程中的沥青路面图像作为测试集；将所述测试集输入到训练模型中，得到沥青路面的离析状态。相比于现有技术，本发明通过采集图像并建立模型，然后将待检测的摊铺过程中的沥青路面图像输入训练好的模型中，得到沥青路面的离析状态，精度高且对设备要求低，得到结果后可以直接对摊铺过程进行修正。
附图说明
图1是本发明实施例的流程框图；
图2是本发明实施例中纹理特征提取算法的流程图；
图3(a)是本发明实施例中离析沥青路面的图像；
图3(b)是本发明实施例中正常沥青路面的图像；
图4是本发明实施例中检测结果的示意图。
具体实施方式
以下的说明本质上仅仅是示例性的而并不是为了限制本公开、应用或用途。应当理解的是，在全部附图中，对应的附图标记表示相同或对应的部件和特征。
如图1所示，本发明实施例的一种基于图像纹理特征提取的沥青路面的离析检测方法，包括以下步骤：
采集摊铺过程中的沥青路面图像作为训练集，并根据所述图像建立训练模型；
采集待检测的摊铺过程中的沥青路面图像作为测试集；
将所述测试集输入到训练模型中，得到沥青路面的离析状态。
上述实施例中，通过采集图像并建立模型，然后将待检测的摊铺过程中的沥青路面图像输入训练好的模型中，得到沥青路面的离析状态，精度高且对设备要求低，得到结果后可以直接对摊铺过程进行修正。
其中，所述采集铺摊过程中的沥青路面图像作为训练集，并根据所述图像建立训练模型，具体包括：
s1，通过图像采集仪器，采集摊铺过程中的沥青路面图像，所述图像采集高度和角度相同；
s2，根据纹理特征提取算法，从所述沥青路面图像中，提取沥青路面图像的灰度共生矩阵作为训练集；
s3，根据图像灰度共生矩阵，计算对比度、相关性、能量和逆差矩作为特征值，组成沥青图像的纹理特征矩阵；
s4，根据纹理特征矩阵，训练支持向量机得到分类器模型作为训练模型。
在实际操作过程中，首先通过图像采集仪器对摊铺过程中的沥青路面图像进行采集，图像采集的高度和角度相同，图像采集仪器可以是单反相机或是其他设备，设备可以手持并保持高度和角度进行拍摄，或是将设备固定安装在摊铺设备上，在摊铺的同时进行拍摄；然后根据纹理特征提取算法，从采集到的沥青路面图像中提取灰度共生矩阵；再根据灰度共生矩阵计算特征值，组成纹理特征矩阵；最后将纹理特征矩阵作为训练集，使用支持向量机训练分类模型，最后得到训练好的训练模型。过程中工作人员只需要保证图像采集的方法正确，然后将采集到的图像输入计算机即可，方法简单，检测成本低。
同时，所述采集待检测的摊铺过程中的沥青路面图像作为测试集，具体包括：
s1，通过图像采集仪器，采集待检测的摊铺过程中的沥青路面图像，所述图像采集高度和角度相同；
s2，根据纹理特征提取算法，从所述沥青路面图像中，提取沥青路面图像的灰度共生矩阵作为测试集；
s3，根据图像灰度共生矩阵，计算对比度、相关性、能量和逆差矩作为特征值，组成待检测沥青图像的纹理特征矩阵。
需要说明的是，采集待检测的摊铺过程中的沥青路面图像，并根据图像处理得到测试集的方法，与得到训练集的方法相同，通过纹理特征提取算法，得到灰度共生矩阵，再计算特征值，组成待检测图像的纹理特征矩阵，以供后续放入模型中检测判断是否离析。由于采集的是摊铺过程中的沥青路面图像，如果检测结果为离析就可以直接对还在摊铺过程中的沥青路面进行再处理，改善条件，提前遏止沥青路面离析事件的发生，从根本上解决问题，保证路面质量。
优选的，所述步骤s2，具体包括：
s2.1，对采集到的图像进行灰度化处理，计算公式如式1所示；
其中，x表示像素点的横坐标，y表示像素点的纵坐标，fr(x,y)表示红色阶像素点在图像中的位置，fg(x,y)表示绿色阶像素点在图像中的位置，fb(x,y)表示蓝色阶像素点在图像中的位置，g(x,y)表示在位置(x,y)处的灰度值；
s2.2，按照如式2所示的公式，选择计算半径与周围像素数，通过uniformpatternlbp算法对灰度图像中的每一个像素进行编码，获得灰度图像的统一模式局部二值图像：
其中，
x表示像素点的横坐标，y表示像素点的纵坐标，lbpp,r(x,y)表示(x,y)点像素的统一模式局部二值，r表示计算半径，p表示周围像素数，gc表示选定的像素；gp表示周围的像素个数；函数u表示数值在二值序列中跳变的次数。
s2.3，将上述统一模式局部二值图像作为输入，根据式3，通过glcm算法提取该图像在不同扫描步长δs和δv时的灰度共生矩阵：
其中，x，y表示像素的灰度值，x＝1，2，…，n，y＝1，2，…，n；l(x,y)表示输入图像中像素组合(x,y)出现的次数；n表示输入的统一模式二值图像中的最大灰度级数，(s,v)表示像素组合对应的坐标值，s,v分别表示图像中像素点的横坐标和纵坐标，i(s,v)表示坐标(s,v)处的像素值。
优选的，所述步骤s3，具体包括：
s3.1，分别按照如式4至式7所示公式，计算灰度共生矩阵中的特征值：
contrast＝∑i，j|i-j|2p(i，j)(式4)
energy＝∑i，jp(i，j)2(式6)
其中，contrast表示对比度，correlation表示相关性，energy表示能量，homogeneity表示逆差矩，i表示图像中像素的横坐标，j表示图像中像素的纵坐标，p(i，j)表示在统一模式二值图像中在坐标(i，j)处的像素值；
s3.2，将按照扫描步长(δs，δv)下的灰度共生矩阵提取出的统计量特征组成矩阵，作为沥青图像的纹理特征矩阵。
需要说明的是，通过特征值对比可以看出，正常路面相比离析路面具有较低的对比度和较高的逆差矩。其中低对比度说明正常路面的中纹理深度差距较小，较高的均匀性说明正常路面的纹理分布更为均匀，这与正常路面和离析路面的实际情况是相符的。
优选的，所述步骤s4，具体包括：
s4.1，将采集到的图像标注为离析沥青路面和正常沥青路面两类，用1表示正常沥青路面，用-1表示离析沥青路面；根据现有结果和资料，将采集的图像标注作为正确参考，从两类图像中各随机选取如图3(a)和图3(b)所示的若干图像对应的纹理特征矩阵作为输入训练支持向量机，最终得到训练完成的训练模型，用于后续检测。
s4.2，设置支持向量机的参数，其中核函数选用径向基核函数，惩罚系数为34.516，gamma核函数为0.4592。
支持向量机适合用于建立二分类模型，在用于判断正常沥青路面和离析沥青路面十分合适，选择上述和函数与惩罚系数，能够保证训练模型更准确判断检测的沥青路面图像是否属于离析沥青路面，保证了模型的判断精度。
上述实施例的一种基于图像纹理特征提取的沥青路面的离析检测方法的工作过程为：首先通过型号是olympuse-m5markii的微型单反相机对摊铺过程中的沥青路面进行图像采集，采集时相机距离地面高度为40cm，角度保持垂直于地面，采集图像分辨率为4608*3456；如图2所示，然后将采集到的图像进行灰度化处理，选择计算半径2与周围像素数8，通过uniformpatternlbp算法对灰度图像中的每一个像素进行编码，获得灰度图像的统一模式局部二值图像，将统一模式局部二值图像作为输入，通过glcm算法提取该图像在不同扫描步长和时的灰度共生矩阵；再计算灰度共生矩阵中的特征值，按照扫描步长(δs，δv)下的灰度共生矩阵提取出的统计量特征组成矩阵，得到待检测的摊铺过程中的沥青图像的纹理特征矩阵；
其中，本实施例中，将(1，0)(0，1)(1，1)(1，-1)(-1，1)(-1，0)(0，-1)(-1，-1)作为八组扫描步长，表1显示了一组离析路面图像和正常路面图像计算出的统计量特征值对比表。
表1灰度共生矩阵的统计量特征值
可以看出，正常路面相比离析路面具有较低的对比度和较高的逆差矩。其中低对比度说明正常路面的中纹理深度差距较小，较高的均匀性说明正常路面的纹理分布更为均匀。
得到纹理特征矩阵后，输入到支持向量机中训练分类器作为训练模型，本实施例中，从两类沥青路面图像中各选取了500张作为训练集处理后输入支持向量机，图3(a)和图3(b)分别显示了部分两类沥青路面图像；同时设置支持向量机的参数，其中核函数选用径向基核函数，惩罚系数为34.516，gamma核函数为0.4592。然后使用同样的方式采集待检测的摊铺过程中的沥青路面图像，处理后得到待检测的摊铺过程中的沥青路面图像的纹理特征矩阵作为测试集，将测试集输入训练好的分类模型中，得到判断结果。
为确保本发明的一种基于图像纹理特征提取的沥青路面的离析检测方法的检测精度，选取了两类沥青路面图像各100张进行检测，并对正常沥青路面标记为1，离析沥青路面标记为-1，最终得到的检测结果如图4所示，其中待测图像的实际标签和待测图像的检测标签重合时表示检测正确，检测标签与实际标签不重合表示检测错误，图中显示200例测试样本中检测正确的有188例，错误12例，检测精度达到94％。
与现有技术相比，采用本发明的一种基于图像纹理特征提取的沥青路面的离析检测方法，通过采集图像并建立模型，然后将待检测的摊铺过程中的沥青路面图像输入训练好的模型中，得到沥青路面的离析状态，精度高且对设备要求低，得到结果后可以直接对摊铺过程进行修正。
本发明中所述具体实施案例仅为本发明的优选实施案例而已，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰，都应作为本发明的技术范畴。
1.一种基于图像纹理特征提取的沥青路面的离析检测方法，其特征在于，包括以下步骤：
采集摊铺过程中的沥青路面图像作为训练集，并根据所述图像建立训练模型；
采集待检测的摊铺过程中的沥青路面图像作为测试集；
将所述测试集输入到训练模型中，得到沥青路面的离析状态。
2.按照权利要求1所述的基于图像纹理特征提取的沥青路面的离析检测方法，其特征在于，所述采集铺摊过程中的沥青路面图像作为训练集，并根据所述图像建立训练模型，具体包括：
s1，通过图像采集仪器，采集摊铺过程中的沥青路面图像，所述图像采集高度和角度相同；
s2，根据纹理特征提取算法，从所述沥青路面图像中，提取沥青路面图像的灰度共生矩阵作为训练集；
s3，根据图像灰度共生矩阵，计算对比度、相关性、能量和逆差矩作为特征值，组成沥青图像的纹理特征矩阵；
s4，根据纹理特征矩阵，训练支持向量机得到分类器模型作为训练模型。
3.按照权利要求1所述的基于图像纹理特征提取的沥青路面的离析检测方法，其特征在于，所述采集待检测的摊铺过程中的沥青路面图像作为测试集，具体包括：
s1，通过图像采集仪器，采集待检测的摊铺过程中的沥青路面图像，所述图像采集高度和角度相同；
s2，根据纹理特征提取算法，从所述沥青路面图像中，提取沥青路面图像的灰度共生矩阵作为测试集；
s3，根据图像灰度共生矩阵，计算对比度、相关性、能量和逆差矩作为特征值，组成待检测沥青图像的纹理特征矩阵。
4.按照权利要求2或权利要求3所述的基于图像纹理特征提取的沥青路面的离析检测方法，其特征在于，所述根据纹理特征提取算法，从所述沥青路面图像中，提取沥青路面图像的灰度共生矩阵，具体包括：
s2.1，对采集到的图像进行灰度化处理，计算公式如式1所示；
其中，x表示像素点的横坐标，y表示像素点的纵坐标，fr(x,y)表示红色阶像素点在图像中的位置，fg(x,y)表示绿色阶像素点在图像中的位置，fb(x,y)表示蓝色阶像素点在图像中的位置，g(x,y)表示在位置(x,y)处的灰度值；
s2.2，按照如式2所示的公式，选择计算半径与周围像素数，通过uniformpatternlbp算法对灰度图像中的每一个像素进行编码，获得灰度图像的统一模式局部二值图像：
其中，
x表示像素点的横坐标，y表示像素点的纵坐标，lbpp,r(x,y)表示(x,y)点像素的统一模式局部二值，r表示计算半径，p表示周围像素数，gc表示选定的像素；gp表示周围的像素个数；函数u表示数值在二值序列中跳变的次数；
s2.3，将上述统一模式局部二值图像作为输入，根据式3，通过glcm算法提取该图像在不同扫描步长δs和δv时的灰度共生矩阵：
其中，x，y表示像素的灰度值，x＝1，2，…，n，y＝1，2，…，n；l(x,y)表示输入图像中像素组合(x,y)出现的次数；n表示输入的统一模式二值图像中的最大灰度级数，(s,v)表示像素组合对应的坐标值，s,v分别表示图像中像素点的横坐标和纵坐标，i(s,v)表示坐标(s,v)处的像素值。
5.按照权利要求2或权利要求3所述的基于图像纹理特征提取的沥青路面的离析检测方法，其特征在于，所述根据图像灰度共生矩阵，计算对比度、相关性、能量和逆差矩作为特征值，组成沥青图像的纹理特征矩阵，具体包括：
s3.1，分别按照如式4至式7所示公式，计算灰度共生矩阵中的特征值：
contrast＝∑i，j|i-j|2p(i，j)(式4)
energy＝∑i，jp(i，j)2(式6)
其中，contrast表示对比度，correlation表示相关性，energy表示能量，homogeneity表示逆差矩，i表示图像中像素的横坐标，j表示图像中像素的纵坐标，p(i，j)表示在统一模式二值图像中在坐标(i，j)处的像素值；
s3.2，将按照扫描步长(δs，δv)下的灰度共生矩阵提取出的统计量特征组成矩阵，作为沥青图像的纹理特征矩阵。
6.按照权利要求2所述的基于图像纹理特征提取的沥青路面的离析检测方法，其特征在于，所述根据纹理特征矩阵，训练支持向量机得到分类器模型，具体包括：
s4.1，将采集到的图像标注为离析沥青路面和正常沥青路面两类，用1表示正常沥青路面，用-1表示离析沥青路面；
s4.2，设置支持向量机的参数，其中核函数选用径向基核函数，惩罚系数为34.516，gamma核函数为0.4592。
技术总结