(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210365608.9 (22)申请日 2022.04.07 (71)申请人 浙大城市学院 地址 310015 浙江省杭州市拱 墅区湖州街 51号 (72)发明人 曾瑶瑶　陈国宏　倪杰　陈琢　 黄浩　孙云蕾　许丰日　金凌飞　 李琛　杨辰　 (74)专利代理 机构 杭州九洲专利事务所有限公 司 33101 专利代理师 张羽振 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/50(2022.01) G06V 10/774(2022.01)G06V 10/776(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于灰度梯度融合特征及CNN的高速 路 面破损检测算法 (57)摘要 本发明涉及一种基于灰度梯度融合特征及 CNN的高速路面破损检测算法， 包括： 对路面图像 进行预处理； 将路面图像划分为若干单元， 分别 计算每个单元的灰度特征和方向梯度特征； 融合 灰度特征和方向梯度特征， 构建特征向量图； 利 用深度学习方法对路面的破损情况进行检测。 本 发明的有益效果是： 本发明提出的基于灰度梯度 融合特征及CNN的高速路面破损检测算法提高了 检测精确度， 同时具有较好的适应性和时效性。 权利要求书2页 说明书7页 附图6页 CN 114821098 A 2022.07.29 CN 114821098 A 1.一种基于灰度梯度融合特 征及CNN的高速路面破损检测算法， 其特 征在于， 包括： 步骤1、 获取路面图像， 对所述路面图像进行 预处理； 步骤2、 将所述路面图像划分为若干单元， 分别计算每个单元的灰度 特征和方向梯度 特 征； 步骤3、 融合灰度特 征和方向梯度特 征， 构建特 征向量图； 步骤4、 利用深度学习方法对路面的破损情况进行检测。 2.根据权利要求1所述的基于灰度梯度融合特征及CNN的高速路面破损检测算法， 其特 征在于， 步骤1包括： 步骤1.1、 获取路面图像， 所述路面图像的像素 灰度分布公式为： 其中， E(i)为随机噪声， a为 高斯分布归一化参数， e为自然底数， u为 高斯分布的数学期 望， σ2为高斯分布的方差； 步骤1.2、 对所述路面图像进行伽马校正， 所述伽马校正表示 为： I(x,y)‑→I(x,y)γ 其中， I(x,y)为校正前的图像的像素分布函数， I(x,y)γ为校正后的图像的像素分布函 数， γ为表示图象输出值与输入值关系的系数， γ的确定公式为： 其中， IP是校正前的灰度分布峰值， I0是校正后的灰度分布峰值。 3.根据权利要求1所述的基于灰度梯度融合特征及CNN的高速路面破损检测算法， 其特 征在于， 步骤2包括： 步骤2.1、 将所述路面图像划分成大小为 Nc×Nc的路面图像单 元； 步骤2.2、 利用Sobel算子计算基于步骤2.1所得 图像单元的灰度函数的水平和垂直方 向的梯度； 步骤2.3、 获取每 个路面图像单 元对应的梯度方向直方图hcell； 步骤2.4、 计算每 个路面图像单 元的灰度均值avcell。 4.根据权利要求3所述的基于灰度梯度融合特征及CNN的高速路面破损检测算法， 其特 征在于， 步骤2.2中， 所述Sobel算子的内核大小为3， 所述图像灰度函数的水平方向梯度Gx (x,y)的计算公式为： 其中， I(x,y)为 步骤1.2中伽马校正后的灰度分布； 所述图像灰度函数的垂直方向梯度Gy(x,y)的计算公式为： 梯度幅值G(x,y)的计算公式为：权　利　要　求　书 1/2 页 2 CN 114821098 A 2梯度方向θ(x,y)的计算公式为： 5.根据权利要求3所述的基于灰度梯度融合特征及CNN的高速路面破损检测算法， 其特 征在于， 步骤2.3中， 相邻四个路面图像单元组成路面图像块， 将所述路面图像块内的四个 路面图像单 元的特征向量串联， 构成所述路面图像块的梯度方向直方图。 6.根据权利要求5所述的基于灰度梯度融合特征及CNN的高速路面破损检测算法， 其特 征在于， 步骤3包括： 步骤3.1、 利用所述灰度均值avcell， 对每个路面图像 单元的梯度方向直方图进行逆向加 权， 公式为： Fgg＝hcell*(255‑avcell) 其中， Fgg为加权特 征向量； 步骤3.2、 将相邻四个单元的加权特征向量Fgg串联起来构成一个路面图像块的GHOG特 征向量； 步骤3.3、 根据路面图像块的GHOG特征向量， 构 建路面图像的特征向量矩阵以获取特征 向量图。 7.根据权利要求6所述的基于灰度梯度融合特征及CNN的高速路面破损检测算法， 其特 征在于， 步骤3.3中， 所述特 征向量图的大小为 Ng×Ng， Ng的计算公式为： 其中， 路面图像的大小为 N×N， 路面图像单 元大小为Nc×Nc， mod为 求余函数。 8.根据权利要求1所述的基于灰度梯度融合特征及CNN的高速路面破损检测算法， 其特 征在于， 步骤4包括： 步骤4.1、 构建CN N模型， 所述CN N模型包括卷积层、 池化层和全连接层； 步骤4.2、 向CN N模型输入特 征向量图， 获取路面图像的破损检测结果。 9.根据权利要求8所述的基于灰度梯度融合特征及CNN的高速路面破损检测算法， 其特 征在于， 步骤4.1中， 所述卷积层的每 个像素计算公式为： 其中， yi,j表示卷积输出像素值， f表示激活函数， wu,v表示卷积核第u行第v列权重， U、 V 为卷积核尺寸， b表示卷积核的偏置， xi,j表示特征图的第i行第j列元 素。权　利　要　求　书 2/2 页 3 CN 114821098 A 3