0 引 言

随着我国经济的快速发展，公路交通也进入快速发展轨道，随之而来的路面养护问题也变得日益突出。目前，我国公路裂缝检测主要依靠人工检测和半自动检测，效率低,主观性强，同时劳动强度大，对检测者安全也有一定的威胁[1]，很难满足现代公路快速发展的要求。计算机和数字图像技术的发展为路面裂缝图像的高效分析提供了新的思路，在路面裂缝检测与识别方面有着广阔的应用前景[2]。因此，加强道路破损图像识别技术的研究越来越重要[3-4]。

1) 经过模拟得到拉形辅助的渐进成形最大应力主要分布在板料和支撑模相贴模的位置，回弹后贴模位置应力下降，最大应力集中在渐进成形区域和贴模区域之间。

目前，路面裂缝识别的方法主要有空间域的各种边缘检测算子[5],频域的路面裂缝检测[6-7]及神经网络[8-9]等。路面裂缝识别的相关技术主要集中于图像的裂缝边缘检测及通过阈值分割方式获取裂缝信息这两个方面。这些方法和技术对噪声干扰都较敏感，因而不够稳定[10-11]。

由于沥青路面图像较为复杂，噪声污染多，随机性较强，以往路面破损识别算法在精度方面已很难满足实用性要求[12]。因此，针对传统路面图像在进行滤波、边缘检测等处理过程中不能较好地识别裂缝信息，反而会将一些不需要的噪声信息误当成裂缝等问题[13]，本文结合神经网络的学习性和容错性，提出了一种基于BP神经网络的路面裂缝识别方法，该方法在试验过程中取得了良好的效果，能够较好地满足路面裂缝的识别要求，是一种可行性较高的方法。

1 路面图像同态滤波增强与网格化

1.1 路面图像同态滤波增强

为了增强沥青路面图像的对比度，采用同态滤波增强，运用高斯型滤波器对原图进行增强，滤波器表达式为

(1)

式中：D(u,v)为点(u，v)到傅里叶变换中心的距离；D0为设置的指定距离；γH为高频设定参数；γL为低频设定参数；c为用来控制滤波器函数斜面锐化的常数。

一般而言，为了增强图像对比度，将参数设定为γH>1、γL<1，其目的是为了减小图像中低频亮度的贡献，增强高频亮度的贡献。对原始图像进行不同参数下同态滤波增强，并对增强效果进行分析，从而确定同态滤波的最佳参数。经过大量试验比较后发现，取γH=1.5，γL=0.5，c=0.5时，其增强的效果较好，故取γH=1.5，γL=0.5，c=0.5。滤波增强效果如图1-2所示。

女人喝完一杯热茶之后，拿起电话拨号。话筒里出现一个男人的声音之后，女人问他事情进展得如何？对方压低了嗓音说，刚刚拿到一份资料，价值不大，他在继续想办法。女人说，那就拜托了。

 

 

1.2 路面图像网格化

路面图像分辨率一般较大，而裂缝在图像中所占比例又较小，且裂缝形状复杂多变[14]，这导致在提取路面图像的各个指标时，由于裂缝信息所占的权重有限，不利于各参数的提取。为了提高图像中裂缝的信息比例，有必要对路面图像进行网格化，从而使裂缝在单块图像中的权重较大，有利于图中裂缝信息的提取和保存。在路面图像的网格化中，所取网格不能太小或太大，太小会使得裂缝特征不能与其领域相区分，因而达不到裂缝信息的提取效果；划分太大，会使裂缝所占比例较小，不利于裂缝特征的提取。一般路面图像的网格可划分为16像素×16像素或32像素×32像素，经过试验发现，当网格划分为32像素×32像素时，裂缝的识别率最高，故本文采用的网格为32像素×32像素。其具体效果如图3所示。

一路上我们无数次想象藏族群众如何鞠躬沏茶，采花上马，他们如何寡淡清贫，又能举世无双。只是到色达的第一天，女朋友就因为高原反应废在了床上。夜晚，五明佛学院两公里的路程让她无法到场，可是她不甘的心情强逆太阳穴的疼痛，披上棉袄就拽我上天台去拍银河。

 

2 神经网络输入量的提取

其中输出层为

赤湾港区市政消防配套齐全，蛇口消防中队距改码头约6.5km，西部水上消防中队距本港区约1km。当发生火灾时，水、陆消防中队均可协助灭火，另深圳市在赤湾五路建设小型消防站，与C、D泊位一墙之隔。

考虑到各图像会存在不同光照的影响，故将原有的灰度平均值改为与原图总平均值的差RAvg来代替，这样可较好地避免各图像间由于光照不同造成的灰度值差异以及对裂缝识别带来的不利影响。其具体表达式为

 

(2)

(3)

 

 

(4)

RAvg=Avg-Avg1，

(5)

式中：

为图像围绕质心(cx，cy)的转动惯量；为灰度图像质量；R为目标图像区域；f(x，y)为像素在(x，y)处的灰度值；m，n为图像的原始长和宽。

由于沥青路面裂缝灰度值相对较低，可以运用直方图的计算提取其中像素灰度值较低的点，因为沥青裂缝在图像中所占比例不大，通常情况下，32像素×32像素的小图片，其裂缝的平均宽度不会超过4个像素，其内部裂缝所含的像素点个数一般不超过128个，所占比例不超过12.5%(128/(32×32))。考虑到噪声污染，取其内部较低灰度值像素点数占总数15%的灰度值作为二值化图像的阈值，二值化后结果如图4所示。从图4可以看出，在含有裂缝的小图像中，黑色部分较为集中，所含黑点的个数相对较少；相反没有裂缝时，黑点分布较为均匀，且黑点数目较多。因此，可以通过统计小图像中黑点的个数Num来用于网络的训练。

 

由于沥青路面图像本身的复杂性，包含了颗粒、油污等污染，再加上采集设备和图像数据传输的影响，使得路面图像存在不同程度的噪声，同时给裂缝识别带来一定的困难。为了尽量降低这些噪声的影响，需要对路面图像进行滤波以得到较好的模糊效果。传统的滤波有中值滤波，高斯滤波等，本文采用的是7像素×7像素高斯滤波，同态滤波图2经过高斯滤波后的图像如图5所示。

 

同理，由于裂缝的灰度值较低，路面裂缝在小方格中的形状可以近似看成是一条直线，因此，可以对各小方格中每一行和每一列中的最小灰度值的和进行统计。由于不含裂缝的图像中行和列的统计值不会存在太大差异，而含有裂缝的分块存在一定的差异，故可将其作为神经网络的输入数据。假设图像中各像素点的灰度值为f(x，y)，其中x为图像中横坐标的位置，y为纵坐标的位置。令h(y)等于图像第y列中灰度值最小的值，l(x)等于图像第x行中灰度值最小的值，其数字表达式为

h(y)=min (f(1，y)，f(2，y)，f(3，y)，…，

f(32，y))，

(6)

式中：H1为灰度列差；L1为灰度行差；Avg为网格图像中像素的平均灰度值。

f(x，32))，

(7)

式中：x=1，2，3，…，32;y=1，2，3，…，32。

 

(8)

(9)

Yi+1，j+1)/16。

隐含层为

H1=Avg-H/32，

(10)

L1=Avg-L/32，

为了降低不良样本(比如含有油渍等)对网络训练结果的影响，系统采用全局均方误差函数E，并去除最大单误差ek的影响，ek具体表达式为

(11)

l(x)=min (f(x，1)，f(x，2)，f(x，3)，…，

经过上述计算后可以获得网格图像另两个特征参数H1和L1。之后再对小图像进行自适应阈值操作使图像变为二值图像，裂缝会在图像上呈现为黑色，运用寻找轮廓函数统计各方格区域内含的黑色点个数，计算出各个黑色点长度和面积，经过长度、面积阈值过滤后将剩下的黑点长度和面积相加，其和就是该方格内初步统计黑点的总长度l、总面积A。则该分割内黑点的平均宽度b为

 

(12)

裂缝通常呈现条纹状，易呈现细且长的特性，所以当小图片邻域中出现裂缝时，其本身出现裂缝的概率会大大增加，换而言之，方块图像中是否存在裂缝与其邻域是密不可分的。通过该特点可以将神经网络中各方块图像邻域预测结果与该方块的预测结果相联系。其邻域的影响权重如图6所示。

对照组在此基础上采取常规临床诊疗护理模式,协助医师完成治疗,做好面部护理、眼部护理、口腔护理、情志护理、饮食指导、面部神经康复锻炼等基础护理[3]。

 

假设图像Pi，j中预测结果为Yi，j，其中Yi，j表示i，j为第i行的第j个图像。则有

Yi，j=(Yi-1 ，j-1+Yi-1，j×2+Yi-1，j+1+Yi，j-1×2+

Yi，j×4+Yi，j+1×2+Yi+1，j-1+Yi+1，j×2+

通过城市开发边界与生态红线的“两线合一”，实现通州规划建设北京城市副中心新型城镇化示范区、国际一流和谐宜居之都示范区以及京津冀区域协同发展示范区的带动作用[3]。将通州与北三县衔接，加强跨界地区的统一管控和规划，共同开展生态红线和城市开发边界划定工作，并与京津冀协同发展示范区相结合，带动区域的协调发展。解决通州建设的历史问题，在实施单元上实现管控“两张皮”到管控一体的突破，并在全区层面协调乡镇的发展问题，落实发展和生态方面的重点项目。

式中：H为图像中各列灰度值最小之和；L为图像中各行灰度值最小之和。

黑格尔认为，一个真正的哲学体系应该是一个首尾相连的圆圈式的总体，一种内容只是作为整体的环节，才得到其正确性的证明，在这个整体之外，则是毫无根据的假设或主观的确信。我们的教学应该培养学生对教材整体把握的意识。这样每篇文章的学习都为学生今后的习作提供了一个个模块，便于指导学生进行表达的构思。具体到《广玉兰》这篇课文，这一要求也符合课标提出的对说明要点的把握。

例如：教师在为学生进行“天气和气候”这一课程内容教学的时候，可以结合教材的内容为学生准备好相关的图像，让学生能够在了解气候的同时，明确一年四季应该如何选择衣物，通过这样的教学方式来激发学生学习地理知识的热情。

(13)

经过上述计算可得到用于神经网络训练的14个(Var，NMI，IM1，IM2，IM3，IM4，RAvg，Num，H1，L1，A，l，b，Yi，j)初始数据。

3 BP神经网络的建立

BP神经网络是用于前馈多层网络的学习算法，由输入层、隐含层以及输出层所组成，其中隐含层有单层和多层之分，本网络采用的是双隐含层的BP神经网络。为了权衡网络训练的速度和效果，有必要选取合适的传递函数[16]，本文神经元的传递函数采用的是非对称Sigmoid函数

f(x)=1/(1+e-x)。

(14)

该网络在输入层加有样本X，输出层加训练结果Y，设第k层的神经元的输入和表示为输出为其中i为第i个输入量；从第k-1层的第j个神经元到第k层的第i个神经元的权系数为Wi，j，各神经元的激发函数为f(x)，各变量之间的数学关系为

 

(15)

(16)

为了加快收敛速度，通常考虑上一次权系数的影响，并作为本次修改的重要依据之一，其权系数修改公式为

 

(17)

将图像分成32像素×32像素的小块图像后，含有裂缝与不含裂缝的小块图像其灰度平均值和方差存在一定的差异。通过提取能区分小方块中是否含有裂缝的参数来训练神经网络，并对方格区域内的所有点进行扫描，根据方格区域内各个像素点的灰度值，计算出方格内像素点的灰度平均值Avg和灰度方差值Var以及方格内像素的归一化转动惯量NMI，低阶不变矩IM1，IM2，IM3，IM4特征等7个特征量[15]。

 

(18)

为了降低图像内部光照不均等因素的影响，可将H，L这2个参数改为

 

(19)

围绕中心，服务大局，推动党委重大决策部署的贯彻落实，是党委对巡视工作的根本要求，也是巡视工作的首要任务。按照巡视工作《条例》《办法》规定的职责范围，思考确定巡视工作需要把握的重点内容和关键环节，加大监督检查力度，促使被巡视单位在思想上、政治上、行动上与党委保持高度一致，切实提高被巡视单位对党委重大决策部署的执行力。

(20)

系统采用的BP网络为4层神经网络，其中输入层含有14个神经元，分别为前面提取的14个参数；隐含层1含有18个神经元；隐含层2含有8个神经元；输出层神经元设计为1个，为了简化，其中输出数字1代表含有裂缝，0代表没有裂缝。由于各神经元的激发函数为f(x)=1/(1+e-x)，为了提高学习效率，避免算法不收敛，这里将输出值改为0.9，表示含有裂缝，0.1表示不含裂缝。

农村土地“三权分置”的关键是确定土地经营权的法律性质。关于农村土地经营权的性质，目前主要有“物权说”和“债权说”两种观点。“物权说”虽然受到较多学者支持，但在理论、实践和立法层面还存在诸多问题。本文分析农村土地经营权物权化的现实基础和理论困境，并探讨科学配置集体土地所有权、承包权和经营权的制度方案。

ek=max (ei),i=1，2，3,…,n,

(21)

式中：ei=(yi-ci)2，为理论输出量，ci为实际输出值；n为样本个数。

则有

 

(22)

该方法可以使神经网络有较好的容错性，避免个别不太适合训练的样本，提高了整个神经网络的收敛速度，其改进前后效果对比如表1所示。

 

表1 BP网络效果对比

 

Tab.1 Effect comparison of BP neural networds

  

网络训练次数裂缝方格识别率/%裂缝方格漏检率/%裂缝方格误检率/%原BP网络 8 53488.864.295.74改进BP网络7 78691.373.634.55

4 神经网络运行与裂缝识别

4.1 BP神经网络运行过程

BP神经网络的运算步骤可分为正向传播和反向传播，具体运算过程如下。

(1)初始化连接权值，将初始化的连接权值代入式(16)中计算。

(2)将训练样本中的值输入到神经网络中，包括路面图像分成小方格后的参数，以及通过人眼观察得到的小方格是否含有裂缝的结果分别输入到神经网络的输入层和输出层进行网络训练(本次训练所选用的样本个数为300个)。

(3)输入样本从输入层经过隐含层后传入输出层，在传播的过程中，每个神经元的状态会对下一层的神经元产生影响，当到达输出层时，如果实际输出与期望的误差超过了所设定的误差范围，则会进入反向传播的过程。

一方面在工程项目设计阶段，项目的技术经济决策是项目工程造价的主要控制依据。因此为了保证设计阶段工程造价的有效控制，依据项目工程使用性能要求，在设计阶段，承包方应合理控制工程技术、经济效益之间的关系，结合设计标准进行设备型号的合理选择。

(4)反向传播时是将输出过程中产生的误差信号按照与原先相反的方向进行反向传回，在传回过程中，会对输入层和隐含层中各个神经元的权系数进行修改，从而达到缩小误差的作用。

(5)反向传播后会再一次进入正向传播，直到实际输出与期望的误差满足所设定的误差范围，神经网络训练完成。

(6)训练完成后对所需路面图像进行预测。

4.2 路面图像裂缝识别

将路面裂缝图像的特征参数输入到训练后的神经网络，其中含有裂缝的小方格会将原分块的各像素灰度值显示出来，不含裂缝的小方格会以灰度值255(即白色)显示出来。具体预测效果(为了便于观看在预测图上加上边框)如图7-12所示。

 

 

 

 

 

 

试验表明，该方法对CCD车载相机采集的沥青路面裂缝图像的识别率可达到90%以上，实际应用中能较好地满足路面裂缝识别的要求，是一种可行性较高的方法。其裂缝的识别效果如表2所示。

创造性地开展工作，目标清晰。面对新形势，我们需要重视创新。就要激活思维，开拓创新；激活工作，追求艺术；激活课堂、提高质量。创造性的工作，要研究教学内容、教学方式、学生需要、教学实际、评价标准等诸多因素，用好各种教学资源，融会贯通，提质增效。只有创新才能弯道超车，才能提升学科地位，才能追求卓越。

 

表2 识别效果对比

 

Tab.2 Comparison of recognition effects

  

方格个数识别率/%漏检率/%误检率/%明显裂缝 48 58798.861.140.04不明显裂缝 17 65388.415.592.46含噪声的裂缝23 34690.466.542.52含噪声的路面18 78797.592.413.29

4.3 试验结论

试验证明，通过改变全局均方误差的计算公式，明显降低了不良样本对神经网络训练的影响，增强了BP神经网络的容错性和抗干扰能力，进一步提高了BP神经网络的收敛速度。在裂缝识别方面对于提取包括方格图像邻域预测结果、灰度列差、灰度行差等在内的众多参数是很有效的，能够较好区分裂缝图片与非裂缝图片，为正确识别路面裂缝提供了较好的基础。

5 结 语

沥青路面裂缝千差万别，加上路面图像受到不同程度的噪声污染，给裂缝自动识别带来了很大的困难。本文提出的改进的BP神经网络方法，可以对路面裂缝进行有效识别：(1)通过同态滤波的增强，加大了裂缝与其周边的差别，为后续提取裂缝参数提供了较好的基础；(2)改变全局均方误差的计算公式能够提高BP神经网络容错性和抗干扰能力，加快BP神经网络的收敛速度；(3)试验证明通过图像网格化并提取网格内图像的各个参数及其邻域预测结果，对于路面裂缝的识别十分有效。

牛肚菌。牛肚菌生长于海拔900－2200米的松树混交林中或砍伐不久的边缘地带，多产于云南省。牛肚菌香甜可口、营养丰富，中医认为其具有养血和中、祛风散寒、舒筋活血等功效，是妇科良药，同时还有抗流感、治感冒的作用。

参考文献：

[1] 曹佳煜.基于图像处理的路面裂缝自动检测技术研究[D].西安：长安大学，2014.

CAO J Y.Research on the technology of Automatic pavement crack detection based on digital image processing[D].Xian：Chang’an University，2014.

[2] 姜吉荣.基于图像分析的路面裂缝检测方法与识别研究[D].南京：南京邮电大学，2016.

JIANG J R.Research on pavement crack detection and recognition methods based on image analysis[D].Nanjing：Nanjing University of Posts and Telecommunications，2016.

[3] 高建贞，任明武，唐振民，等.路面裂缝的自动检测与识别[J].计算机工程，2003，19(2)：149-150.

GAO J Z，REN M W，TANG Z M，et al.Automatic road crack detection and identification[J].Computer Engineering，2003，19(2)：149 -150.

[4] 彭博.基于路面高精三维图像的裂缝自动识别与分类算法[D].成都：西南交通大学，2014.

PENG B.Automatic crack detection and classification algorithms based on high resolution 3D pavement images[D].Chengdu：Southwest Jiaotong University，2014.

[5] 荣婧，潘玉利.基于图像的水泥刻槽路面裂缝识别方法[J].公路交通科技，2012，29(3)：45-50.

RONG J，PAN Y L.Image based crack detection algorithm with application to cement concrete pavement[J].Journal of Highway and Transportation Research and Development，2012，29(3)：45-50.

[6] 张宏，英红.频域滤波的水泥路面图像降噪增强方法[J].土木建筑与环境工程，2015，37(3)：48-52.

ZHANG H，YING H.Denoising and enhencing method in cement pavement image based on frequency domain filter[J].Journal of Civil,Architectural & Environmental Engineering，2015，37(3)：48-52.

[7] 孙波成，邱延峻,梁世庆.基于小波的路面裂缝识别研究[J].重庆交通大学学报(自然科学版)，2010，29(1)：69-72.

SUN B C，QIU Y J，LIANG S Q.Cracking recognition of pavement surface based on wavelet technology[J].Journal of Chongqing Jiaotong University (Natural Science Edition)，2010，29(1)：69-72.

[8] 樊海玮，张国翊，丁爱玲，等.BP改进算法及其在路面裂缝检测中的应用[J].长安大学学报(自然科学版)，2010，30(1)：46-53.

FAN H W，ZHANG G Y，DING A L，et al.Improved BP algorithm and its application in detection of pavement crack[J].Journal of Chang’an University (Natural Science Edition)，2010，30(1)：46-53.

[9] 丁爱玲，焦李成.基于支撑矢量机的路面破损识别[J].长安大学学报(自然科学版)，2007，27(2)：34-37.

DING A L，JIAO L C.Automation of recognition pavement surface distress based on support vector machine[J].Journal of Chang’an University (Natural Science Edition)，2007，27(2)：34-37.

[10] 余发山，李睿，陈步威.基于小波变换的Canny检测算法[J].河南理工大学学报(自然科学版)，2009，28(1)：71-74.

YU F S，L R，CHEN B W.Canny operator detection based on wavelet transform[J].Journal of Henan Polytechnic University (Natural Science)，2009，28(1)：71-74.

[11] 褚文涛，李郑明，陆键.路面病害检测中的裂缝信息快速识别方法研究[J].中外公路，2013(6)：80-84.

CHU W T，LI Z M，LU J.Rapid identification method of crack information in pavement distress detection[J].Journal of China & Foreign Highway，2013 (6)：80-84.

[12] 王冲，王葆茜.沥青混凝土路面裂缝自动识别方法研究[J].中外公路，2013(6)：51-55.

WANG C，WANG B Q.Automatic identification method of asphalt concrete pavement cracks[J].Journal of China & Foreign Highway，2013(6)：51-55.

[13] 张雷，肖梅，马建，等.基于视觉模型的路面裂缝检测算法[J].长安大学学报(自然科学版)，2009，29(5)：21-24.

ZHANG L，XIAO M，MA J，et al.Pavement crack detection based on visual model[J].Journal of Chang’an University (Natural Science Edition)，2009，29(5)：21-24.

[14] 彭博，蒋阳升，蒲云.基于数字图像处理的路面裂缝自动分类算法[J].中国公路学报，2014，27(9)：10-18.

PENG B，JIANG Y S，PU Y.Automated classification algorithm of pavement crack based on digital image processing[J].China Journal of Highway and Transport，2014，27(9)：10-18.

[15] 徐婷,祝站东.基于改进神经网络的机器视觉的路面破损检测系统研究[J].公路，2012(9)：210-214.

XU T，ZHU Z D.Development of road surface inspection system based on computer vision with improved neural network[J].Highway，2012(9)：210-214.

[16] JIANG M H，GEORGES G，DENG B X，et al.A fast learning algorithm for time-delay neural networks[J].Information Sciences，2002，24 (3)：27-39.