尧图网页设计 
简介这套基于MATLAB的路面裂缝检测识别系统设计资料面向图像处理、计算机视觉与道路养护检测方向的初学者和研究者着力解决路面图像中裂缝的自动检测与识别问题。压缩包为zip格式大小约269KB内含系统设计说明与可运行实现内容可在MATLAB环境中直接加载测试并允许按需调整参数以优化检测效果。目前该资源已有1854人学习具备良好的参考价值。资料完整梳理了裂缝识别的技术路线包括图像预处理环节中的去噪、对比度增强、灰度化与二值化边缘检测环节中的Canny、Sobel等算子特征提取环节中的形态学处理、骨架提取与连通组件分析以及基于模板匹配、机器学习或卷积神经网络的裂缝识别方法同时还说明了图像获取、预处理、特征提取、识别与结果输出等系统模块的设计思路。整体适合用来完成课程设计、毕业设计或作为路面检测项目从零起步的入门参考。1. 路面裂缝检测识别系统的 MATLAB 实现路线与边界路面裂缝检测识别系统要回答两个问题裂缝在图像的哪些位置以及这条裂缝有多长、多宽。现场照片里真正干扰识别的往往不是裂缝本身而是阴影、油渍、水痕、标线和碎石子这些目标同样会触发边缘检测导致系统输出大量伪裂缝。MATLAB 的独特优势在于图像处理、特征工程和深度学习三种路线可以在同一套数据流里切换先用经典方法快速得到候选区域再用分类器或 U-Net 做精细识别最后还能编译成独立程序给不装 MATLAB 的现场人员使用。下面按“候选区域提取 → 特征量化与分类 → 深度学习分割 → 现场参数校准”这条链展开适合课程设计、公路巡检算法验证以及想从灰度图一路做到像素级分割的开发者。2. 用 MATLAB 图像处理工具箱搭建裂缝候选区域提取管线在讨论深度模型之前先把经典图像处理管线打通。原因很简单路面图像分辨率通常达到 1920×1080 甚至更高直接训练逐像素分割模型既费显存又难解释。经典方法先用形态学和阈值把可能出现裂缝的区域筛成少量候选块后续的分类器只需要对这些对象做判断。这个阶段的输出是一张与输入等大的二值掩膜后续所有几何特征都从这里读取。2.1 图像读取、灰度化与 ROI 粗定位裂缝检测先别急着滤波第一步是确定图像里哪些区域可以参与判断。车载相机拍摄时画面里可能出现天空、护栏、路缘或车辆这些内容会干扰全局阈值所以需要用固定 ROI 先裁掉。ROI 的位置应当根据相机安装角度提前标定而不是让算法自动寻找。% 批量读取待检测图片用 datastore 避免一次载入全部文件 imds imageDatastore(pavement_images, FileExtensions, {.jpg, .png}); % 读入第一张图按长边缩放到 1024控制后续计算量 img read(imds); scale 1024 / max(size(img)); img imresize(img, scale); % 灰度化所有后续处理都基于单通道灰度图 gray rgb2gray(img); % 固定 ROI[x, y, width, height]根据相机标定结果设置 roi [100, 80, 1024, 768]; gray imcrop(gray, roi);这段代码里imageDatastore是懒加载的遍历文件时不会在内存里堆积图片imresize会改变裂缝的像素宽度因此要在已知每毫米像素数的前提下进行。ROI 不能完全固定车辆经过减速带时会有俯仰角变化实际项目里通常会给 ROI 加一个抖动范围例如上下偏移 2% 后取并集。2.2 光照校正与裂缝对比度增强路面图像最常见的干扰是大面积阴影和亮度不均。直接做直方图均衡会把沥青纹理一起放大后面阈值分割时噪声会成片出现。更稳的做法是用形态学顶帽变换提取暗目标顶帽运算的结果能突出比背景更暗的裂缝同时抑制缓慢变化的亮度场也就是现场常说的“亮度平衡”。% 圆形结构元素要大于裂缝宽度但不能大到把整段阴影当背景 se strel(disk, 15); enhanced imtophat(gray, se); % 拉伸灰度范围2% 和 98% 分位作为上下限避免个别亮点影响整体映射 enhanced imadjust(enhanced, stretchlim(enhanced, [0.02 0.98]));结构元素的半径选择直接决定增强效果。裂缝在图像里通常只有 3 到 10 个像素宽半径取 15 能保证把裂缝当作前景而不会把 1 到 2 像素的细小纹理全部扩大。采集距离改变时这个参数不能继续写死应该和物理分辨率绑定后面第 5 章会专门讲校准。预处理目的推荐函数与参数适用场景注意事项去除椒盐噪声medfilt2(gray, [5 5])预制块表面、碎石路面滤波窗口过大会把细裂缝抹平局部亮度补偿adapthisteq(gray, NumTiles, [8 8])强烈阴影、侧向光照容易放大纹理后续需再增强提取暗裂缝imtophat(gray, strel(disk, 15))沥青路面上的暗色裂缝半径应大于裂缝宽度且小于目标间距灰度范围拉伸imadjust(I, stretchlim(I, [0.02 0.98]))图像整体偏灰噪声大时把下限从 0.02 提高到 0.05如果路面出现大面积油污阴影和油污的灰度与裂缝重叠单靠增强分不开必须在后续特征阶段处理而不是继续加大滤波强度。2.3 阈值分割与形态学后处理得到候选区域增强完成后用 Otsu 全局阈值获取二值图。裂缝在整体图像中占比通常低于 5%graythresh可能把阈值压得很低导致背景也被保留因此后续要去除小面积噪声并用形态学闭运算把断裂的裂缝连接。% Otsu 全局阈值生成二值图裂缝为目标 bw imbinarize(enhanced, graythresh(enhanced)); % 分别沿垂直和水平方向做闭运算再合并能连接不同走向的裂缝 bwV imclose(bw, strel(line, 21, 90)); bwH imclose(bw, strel(line, 21, 0)); bw bwV | bwH; % 删除面积小于 80 像素的孤立噪点 bw bwareaopen(bw, 80);闭运算的线形结构元素长度需要与裂缝断口大小匹配。21 像素意味着断口小于 21 像素时能被连接如果裂缝破损严重可以提到 31但代价是相邻的独立裂缝也会被连成一片。全局阈值处理不了光照变化过于剧烈的图这时可以换成局部自适应阈值但速度会慢一个量级。我一般先把预处理封装成extractCandidateMask(imgPath)这样的函数一个图对应一张二值掩膜方便后面逐图做特征拼接。3. 裂缝特征量化与分类识别从几何指标到学习模型二值掩膜里仍然包含很多非裂缝目标例如标线边缘、水渍、油斑和沥青修补块。这些目标不能用面积大小一刀切因为横向裂缝与油斑可能等面积。把问题交给学习模型的思路是提取每个连通域的几何、灰度和形状特征再用少量标注样本训练一个二分类器将候选区域分为“裂缝”和“噪声”。3.1 用 regionprops 提取裂缝候选区域的可量化特征regionprops是 MATLAB 图像处理工具箱里最实用的对象统计函数它可以直接计算面积、周长、椭圆拟合参数、灰度均值等。裂缝的共性特征是“细长、边界不规则、灰度偏暗”这些对应到数据上就是离心率接近 1Solidity不会太高MeanIntensity低于周围路面。% 8 连通能让锯齿状裂缝边缘保持连续 cc bwconncomp(bw, 8); % 同时传入原灰度图才能计算 MeanIntensity stats regionprops(cc, gray, table, ... Area, Perimeter, Eccentricity, ... MajorAxisLength, MinorAxisLength, ... Solidity, Extent, MeanIntensity);bwconncomp返回连通域信息比bwlabel更适合大图因为它不生成完整标签矩阵。MeanIntensity的取值范围和曝光直接相关不同设备采集的图片不能放在同一个分类器里训练这是特征阶段最容易踩的坑。特征名对裂缝的判别作用常见干扰物表现Area过滤面积过大的油污和过小的噪点沥青路面修补块面积偏大Eccentricity裂缝细长离心率接近 1水渍和点状油污通常小于 0.8Solidity裂缝边缘不规则凸包比大规则标线接近 1MeanIntensity裂缝区域整体偏暗修复后裂缝可能发白此特征失效Extent有效面积占边界框比例裂缝较低方形修补块和标线较高这些特征不需要全部进模型。我一般先看Area、Eccentricity、Solidity、MeanIntensity四个维度如果现场标线干扰严重再加入Extent或Orientation。3.2 构建特征表并训练 SVM 分类器候选区域数量通常只有几十到几百个用手工标注成本很低。把所有图像的regionprops结果纵向拼接成一张表再为每一行赋值crack或noise就能训练分类器。二分类问题优先用fitcsvm数据类别增加时再换fitcecoc。% 将前面 2.3 节的步骤封装成函数逐图提取特征 allStats []; for k 1:numel(imds.Files) gray preprocessImage(imds.Files{k}); bw extractCandidateMask(gray); st regionprops(bwconncomp(bw, 8), gray, table, ... Area, Eccentricity, Solidity, MeanIntensity); allStats [allStats; st]; end % 构造特征矩阵SVM 对尺度敏感需要标准化 featNames {Area, Eccentricity, Solidity, MeanIntensity}; X zscore(table2array(allStats(:, featNames))); Y allStats.Label; % 训练 RBF 核 SVM model fitcsvm(X, Y, KernelFunction, rbf, Standardize, false);zscore会把特征标准化到零均值单位方差这对面积这种数量级很大的特征尤其重要。fitcsvm的Standardize参数在这里设置为false因为我们已经手动做过标准化如果代码里同时开启效果不变但会让模型保存额外的均值与缩放参数部署时稍显麻烦。数据量太大时可以把核函数换成线性核训练更快且更易部署。3.3 分类结果评估与漏检优先的决策阈值调整评估不能只看分类准确率因为噪声样本通常远多于裂缝样本模型就算把所有候选都判成噪声准确率也可能很高。对裂缝检测场景更关键的是“裂缝有没有漏掉”。[cm, order] confusionmat(testLabel, predict(model, testX)); precision cm(2, 2) / sum(cm(:, 2)); recall cm(2, 2) / sum(cm(2, :)); f1 2 * precision * recall / (precision recall);order会返回类别顺序需要确认第二类是crack。巡检场景对召回率要求更高漏检一条深裂缝远比多看一处油污严重。常见做法是为 SVM 训练一个后验概率模型例如执行fitPosterior然后把默认的 0.5 决策阈值降到 0.3。这样会牺牲一部分精确率但能保证裂缝被完整捕获再用二值掩膜的形态学条件做二次过滤。4. 深度学习路面裂缝分割用 U-Net 替换手工特征管线经典方法在裂缝形态规整时表现很好但遇到龟裂、网状裂缝和标线干扰手工特征就很难覆盖所有情况。深度卷积网络可以逐像素判断所属类别裂缝检测因此变成分割问题。在深度学习 MATLAB 生态里unetLayers提供了现成入口不需要手工搭建编码器解码器。4.1 像素级标签数据准备与数据增强把裂缝当作目标类别背景和裂缝构成二分类分割样本。标签必须是像素级掩膜裂缝像素标 1其余标 0。这里本来可以用“图像标注器”逐张画但如果现场有无人机或连续巡检车最好把相机原始图和人工复核后的二值图直接配对减少标注量。classNames [background, crack]; labelIDs [0 1]; pxds pixelLabelDatastore(labels, classNames, labelIDs); imds imageDatastore(images); augmenter imageDataAugmenter(... RandXReflection, true, ... RandYReflection, true, ... RandRotation, [-15 15], ... RandScale, [0.9 1.1]); dsTrain pixelLabelImageDatastore(imds, pxds, ... DataAugmentation, augmenter, ... OutputSize, [512 512]);pixelLabelImageDatastore会把原始图像和标签掩膜异步配对并在训练时自动做随机反射、旋转和缩放。旋转角度不要设置太大超过 15 度会引入明显的非真实视角随机缩放会改变裂缝宽度的物理尺寸所以尺度范围限制在 0.9 到 1.1避免模型学到错误的宽窄比例。裂缝像素在整张图中占比很小普通交叉熵会把所有像素预测成背景训练准确率也会虚高到 99% 以上。解决办法是在分类层给裂缝类更高的类权重lastName lgraph.Layers(end).Name; lgraph replaceLayer(lgraph, lastName, ... pixelClassificationLayer(Classes, classNames, ... ClassWeights, [0.2 0.8]));不同 MATLAB 版本的最后一层名称可能不同用lgraph.Layers(end).Name先取名字再替换比硬编码层名更稳。如果版本不支持ClassWeights可以在采样时把包含裂缝的图像块重复多读几遍效果接近。4.2 用 unetLayers 搭建网络并配置训练超参数图像尺寸固定为 512×512因为裁剪和缩放对显存影响很大。unetLayers的编码器深度决定了感受野的大小裂缝细节集中在较浅的层但断口连接需要深层上下文所以编码器深度取 4 是比较平衡的选择。imageSize [512 512 3]; lgraph unetLayers(imageSize, 2, ... EncoderDepth, 4, ... NumFirstEncoderFilters, 32); options trainingOptions(adam, ... InitialLearnRate, 1e-3, ... MiniBatchSize, 4, ... MaxEpochs, 80, ... Shuffle, every-epoch, ... Plots, training-progress, ... ExecutionEnvironment, auto); net trainNetwork(dsTrain, lgraph, options);NumFirstEncoderFilters决定第一个卷积层的通道数数据量不大时设为 32 能降低过拟合风险。MiniBatchSize为 4 是在 8GB 显存下比较稳妥的值如果改成 512 像素整图输入显存不够就把图像尺寸降到 384×384再重新调整unetLayers的第一个参数。学习率 1e-3 只适合初始阶段如果训练损失一直震荡就把InitialLearnRate降到 1e-4。4.3 预测结果与裂缝宽度估算训练完成后对待测图直接调用semanticseg得到分类图再把分类图中的crack类转换成逻辑掩膜距离变换可以估算局部宽度。I imresize(readimage(imds, 1), [512 512]); mask semanticseg(I, net); % 转换成逻辑矩阵后续形态学操作都基于该矩阵 crackMask mask crack; % 中轴线和距离变换估算宽度单位是像素 skel bwskel(crackMask); dist bwdist(~crackMask); widthPixels 2 * dist(skel);bwskel提取裂缝骨架bwdist计算每个骨架点到最近背景的距离。将距离乘 2就得到裂缝在当前位置的近似宽度。如果只需要最大宽度对widthPixels做max即可如果统计平均宽度需要剔除骨架末端的离群点避免分支影响均值。5. 路面裂缝检测识别系统落地前的参数校准与验证系统从实验环境走进现场最先要处理的是物理参数和阈值随环境变化的问题。这里给出五个最容易被忽略但直接决定体验的调整项。第一把图像分辨率换算成物理尺寸。相机高度变化会让每毫米像素数发生显著变化必须在预处理里用标定板宽度做标定否则后续的宽度和长度统计毫无意义。第二imtophat的结构元素半径要跟着分辨率走而不是固定写 15。第三ROI 要随车辆俯仰角抖动预处理时对原图先做轻微旋转再裁切 ROI能减少因为路面颠簸产生的误检。第四SVM 的决策阈值要按漏检代价设置巡检场景优先提高召回率。第五U-Net 训练时不能只看准确率要盯着验证集 IoU 和裂缝类别的 F1。% 用 20 张现场图计算预测掩膜和真值掩膜的 IOU、查全率、F1 iou sum(and(pred, gt)) / sum(or(pred, gt)); precision sum(and(pred, gt)) / sum(pred); recall sum(and(pred, gt)) / sum(gt); f1 2 * precision * recall / (precision recall);pred和gt都必须是逻辑矩阵。召回率低说明预处理阶段把细裂缝断开优先调大闭运算结构元素精确率低说明阴影和油渍被误判优先提高 SVM 决策阈值或加入更多阴影样本。最耗时间的往往不是模型训练而是标定 ROI 和调整strel半径建议把这些参数全部收进config.m按采集日期编组方便回归验证时回溯哪组配置导致指标出现波动。本文还有配套的精品资源点击获取 MATLAB路面裂缝检测识别系统：从图像处理到深度学习的完整实现
简介这套基于MATLAB的路面裂缝检测识别系统设计资料面向图像处理、计算机视觉与道路养护检测方向的初学者和研究者着力解决路面图像中裂缝的自动检测与识别问题。压缩包为zip格式大小约269KB内含系统设计说明与可运行实现内容可在MATLAB环境中直接加载测试并允许按需调整参数以优化检测效果。目前该资源已有1854人学习具备良好的参考价值。资料完整梳理了裂缝识别的技术路线包括图像预处理环节中的去噪、对比度增强、灰度化与二值化边缘检测环节中的Canny、Sobel等算子特征提取环节中的形态学处理、骨架提取与连通组件分析以及基于模板匹配、机器学习或卷积神经网络的裂缝识别方法同时还说明了图像获取、预处理、特征提取、识别与结果输出等系统模块的设计思路。整体适合用来完成课程设计、毕业设计或作为路面检测项目从零起步的入门参考。1. 路面裂缝检测识别系统的 MATLAB 实现路线与边界路面裂缝检测识别系统要回答两个问题裂缝在图像的哪些位置以及这条裂缝有多长、多宽。现场照片里真正干扰识别的往往不是裂缝本身而是阴影、油渍、水痕、标线和碎石子这些目标同样会触发边缘检测导致系统输出大量伪裂缝。MATLAB 的独特优势在于图像处理、特征工程和深度学习三种路线可以在同一套数据流里切换先用经典方法快速得到候选区域再用分类器或 U-Net 做精细识别最后还能编译成独立程序给不装 MATLAB 的现场人员使用。下面按“候选区域提取 → 特征量化与分类 → 深度学习分割 → 现场参数校准”这条链展开适合课程设计、公路巡检算法验证以及想从灰度图一路做到像素级分割的开发者。2. 用 MATLAB 图像处理工具箱搭建裂缝候选区域提取管线在讨论深度模型之前先把经典图像处理管线打通。原因很简单路面图像分辨率通常达到 1920×1080 甚至更高直接训练逐像素分割模型既费显存又难解释。经典方法先用形态学和阈值把可能出现裂缝的区域筛成少量候选块后续的分类器只需要对这些对象做判断。这个阶段的输出是一张与输入等大的二值掩膜后续所有几何特征都从这里读取。2.1 图像读取、灰度化与 ROI 粗定位裂缝检测先别急着滤波第一步是确定图像里哪些区域可以参与判断。车载相机拍摄时画面里可能出现天空、护栏、路缘或车辆这些内容会干扰全局阈值所以需要用固定 ROI 先裁掉。ROI 的位置应当根据相机安装角度提前标定而不是让算法自动寻找。% 批量读取待检测图片用 datastore 避免一次载入全部文件 imds imageDatastore(pavement_images, FileExtensions, {.jpg, .png}); % 读入第一张图按长边缩放到 1024控制后续计算量 img read(imds); scale 1024 / max(size(img)); img imresize(img, scale); % 灰度化所有后续处理都基于单通道灰度图 gray rgb2gray(img); % 固定 ROI[x, y, width, height]根据相机标定结果设置 roi [100, 80, 1024, 768]; gray imcrop(gray, roi);这段代码里imageDatastore是懒加载的遍历文件时不会在内存里堆积图片imresize会改变裂缝的像素宽度因此要在已知每毫米像素数的前提下进行。ROI 不能完全固定车辆经过减速带时会有俯仰角变化实际项目里通常会给 ROI 加一个抖动范围例如上下偏移 2% 后取并集。2.2 光照校正与裂缝对比度增强路面图像最常见的干扰是大面积阴影和亮度不均。直接做直方图均衡会把沥青纹理一起放大后面阈值分割时噪声会成片出现。更稳的做法是用形态学顶帽变换提取暗目标顶帽运算的结果能突出比背景更暗的裂缝同时抑制缓慢变化的亮度场也就是现场常说的“亮度平衡”。% 圆形结构元素要大于裂缝宽度但不能大到把整段阴影当背景 se strel(disk, 15); enhanced imtophat(gray, se); % 拉伸灰度范围2% 和 98% 分位作为上下限避免个别亮点影响整体映射 enhanced imadjust(enhanced, stretchlim(enhanced, [0.02 0.98]));结构元素的半径选择直接决定增强效果。裂缝在图像里通常只有 3 到 10 个像素宽半径取 15 能保证把裂缝当作前景而不会把 1 到 2 像素的细小纹理全部扩大。采集距离改变时这个参数不能继续写死应该和物理分辨率绑定后面第 5 章会专门讲校准。预处理目的推荐函数与参数适用场景注意事项去除椒盐噪声medfilt2(gray, [5 5])预制块表面、碎石路面滤波窗口过大会把细裂缝抹平局部亮度补偿adapthisteq(gray, NumTiles, [8 8])强烈阴影、侧向光照容易放大纹理后续需再增强提取暗裂缝imtophat(gray, strel(disk, 15))沥青路面上的暗色裂缝半径应大于裂缝宽度且小于目标间距灰度范围拉伸imadjust(I, stretchlim(I, [0.02 0.98]))图像整体偏灰噪声大时把下限从 0.02 提高到 0.05如果路面出现大面积油污阴影和油污的灰度与裂缝重叠单靠增强分不开必须在后续特征阶段处理而不是继续加大滤波强度。2.3 阈值分割与形态学后处理得到候选区域增强完成后用 Otsu 全局阈值获取二值图。裂缝在整体图像中占比通常低于 5%graythresh可能把阈值压得很低导致背景也被保留因此后续要去除小面积噪声并用形态学闭运算把断裂的裂缝连接。% Otsu 全局阈值生成二值图裂缝为目标 bw imbinarize(enhanced, graythresh(enhanced)); % 分别沿垂直和水平方向做闭运算再合并能连接不同走向的裂缝 bwV imclose(bw, strel(line, 21, 90)); bwH imclose(bw, strel(line, 21, 0)); bw bwV | bwH; % 删除面积小于 80 像素的孤立噪点 bw bwareaopen(bw, 80);闭运算的线形结构元素长度需要与裂缝断口大小匹配。21 像素意味着断口小于 21 像素时能被连接如果裂缝破损严重可以提到 31但代价是相邻的独立裂缝也会被连成一片。全局阈值处理不了光照变化过于剧烈的图这时可以换成局部自适应阈值但速度会慢一个量级。我一般先把预处理封装成extractCandidateMask(imgPath)这样的函数一个图对应一张二值掩膜方便后面逐图做特征拼接。3. 裂缝特征量化与分类识别从几何指标到学习模型二值掩膜里仍然包含很多非裂缝目标例如标线边缘、水渍、油斑和沥青修补块。这些目标不能用面积大小一刀切因为横向裂缝与油斑可能等面积。把问题交给学习模型的思路是提取每个连通域的几何、灰度和形状特征再用少量标注样本训练一个二分类器将候选区域分为“裂缝”和“噪声”。3.1 用 regionprops 提取裂缝候选区域的可量化特征regionprops是 MATLAB 图像处理工具箱里最实用的对象统计函数它可以直接计算面积、周长、椭圆拟合参数、灰度均值等。裂缝的共性特征是“细长、边界不规则、灰度偏暗”这些对应到数据上就是离心率接近 1Solidity不会太高MeanIntensity低于周围路面。% 8 连通能让锯齿状裂缝边缘保持连续 cc bwconncomp(bw, 8); % 同时传入原灰度图才能计算 MeanIntensity stats regionprops(cc, gray, table, ... Area, Perimeter, Eccentricity, ... MajorAxisLength, MinorAxisLength, ... Solidity, Extent, MeanIntensity);bwconncomp返回连通域信息比bwlabel更适合大图因为它不生成完整标签矩阵。MeanIntensity的取值范围和曝光直接相关不同设备采集的图片不能放在同一个分类器里训练这是特征阶段最容易踩的坑。特征名对裂缝的判别作用常见干扰物表现Area过滤面积过大的油污和过小的噪点沥青路面修补块面积偏大Eccentricity裂缝细长离心率接近 1水渍和点状油污通常小于 0.8Solidity裂缝边缘不规则凸包比大规则标线接近 1MeanIntensity裂缝区域整体偏暗修复后裂缝可能发白此特征失效Extent有效面积占边界框比例裂缝较低方形修补块和标线较高这些特征不需要全部进模型。我一般先看Area、Eccentricity、Solidity、MeanIntensity四个维度如果现场标线干扰严重再加入Extent或Orientation。3.2 构建特征表并训练 SVM 分类器候选区域数量通常只有几十到几百个用手工标注成本很低。把所有图像的regionprops结果纵向拼接成一张表再为每一行赋值crack或noise就能训练分类器。二分类问题优先用fitcsvm数据类别增加时再换fitcecoc。% 将前面 2.3 节的步骤封装成函数逐图提取特征 allStats []; for k 1:numel(imds.Files) gray preprocessImage(imds.Files{k}); bw extractCandidateMask(gray); st regionprops(bwconncomp(bw, 8), gray, table, ... Area, Eccentricity, Solidity, MeanIntensity); allStats [allStats; st]; end % 构造特征矩阵SVM 对尺度敏感需要标准化 featNames {Area, Eccentricity, Solidity, MeanIntensity}; X zscore(table2array(allStats(:, featNames))); Y allStats.Label; % 训练 RBF 核 SVM model fitcsvm(X, Y, KernelFunction, rbf, Standardize, false);zscore会把特征标准化到零均值单位方差这对面积这种数量级很大的特征尤其重要。fitcsvm的Standardize参数在这里设置为false因为我们已经手动做过标准化如果代码里同时开启效果不变但会让模型保存额外的均值与缩放参数部署时稍显麻烦。数据量太大时可以把核函数换成线性核训练更快且更易部署。3.3 分类结果评估与漏检优先的决策阈值调整评估不能只看分类准确率因为噪声样本通常远多于裂缝样本模型就算把所有候选都判成噪声准确率也可能很高。对裂缝检测场景更关键的是“裂缝有没有漏掉”。[cm, order] confusionmat(testLabel, predict(model, testX)); precision cm(2, 2) / sum(cm(:, 2)); recall cm(2, 2) / sum(cm(2, :)); f1 2 * precision * recall / (precision recall);order会返回类别顺序需要确认第二类是crack。巡检场景对召回率要求更高漏检一条深裂缝远比多看一处油污严重。常见做法是为 SVM 训练一个后验概率模型例如执行fitPosterior然后把默认的 0.5 决策阈值降到 0.3。这样会牺牲一部分精确率但能保证裂缝被完整捕获再用二值掩膜的形态学条件做二次过滤。4. 深度学习路面裂缝分割用 U-Net 替换手工特征管线经典方法在裂缝形态规整时表现很好但遇到龟裂、网状裂缝和标线干扰手工特征就很难覆盖所有情况。深度卷积网络可以逐像素判断所属类别裂缝检测因此变成分割问题。在深度学习 MATLAB 生态里unetLayers提供了现成入口不需要手工搭建编码器解码器。4.1 像素级标签数据准备与数据增强把裂缝当作目标类别背景和裂缝构成二分类分割样本。标签必须是像素级掩膜裂缝像素标 1其余标 0。这里本来可以用“图像标注器”逐张画但如果现场有无人机或连续巡检车最好把相机原始图和人工复核后的二值图直接配对减少标注量。classNames [background, crack]; labelIDs [0 1]; pxds pixelLabelDatastore(labels, classNames, labelIDs); imds imageDatastore(images); augmenter imageDataAugmenter(... RandXReflection, true, ... RandYReflection, true, ... RandRotation, [-15 15], ... RandScale, [0.9 1.1]); dsTrain pixelLabelImageDatastore(imds, pxds, ... DataAugmentation, augmenter, ... OutputSize, [512 512]);pixelLabelImageDatastore会把原始图像和标签掩膜异步配对并在训练时自动做随机反射、旋转和缩放。旋转角度不要设置太大超过 15 度会引入明显的非真实视角随机缩放会改变裂缝宽度的物理尺寸所以尺度范围限制在 0.9 到 1.1避免模型学到错误的宽窄比例。裂缝像素在整张图中占比很小普通交叉熵会把所有像素预测成背景训练准确率也会虚高到 99% 以上。解决办法是在分类层给裂缝类更高的类权重lastName lgraph.Layers(end).Name; lgraph replaceLayer(lgraph, lastName, ... pixelClassificationLayer(Classes, classNames, ... ClassWeights, [0.2 0.8]));不同 MATLAB 版本的最后一层名称可能不同用lgraph.Layers(end).Name先取名字再替换比硬编码层名更稳。如果版本不支持ClassWeights可以在采样时把包含裂缝的图像块重复多读几遍效果接近。4.2 用 unetLayers 搭建网络并配置训练超参数图像尺寸固定为 512×512因为裁剪和缩放对显存影响很大。unetLayers的编码器深度决定了感受野的大小裂缝细节集中在较浅的层但断口连接需要深层上下文所以编码器深度取 4 是比较平衡的选择。imageSize [512 512 3]; lgraph unetLayers(imageSize, 2, ... EncoderDepth, 4, ... NumFirstEncoderFilters, 32); options trainingOptions(adam, ... InitialLearnRate, 1e-3, ... MiniBatchSize, 4, ... MaxEpochs, 80, ... Shuffle, every-epoch, ... Plots, training-progress, ... ExecutionEnvironment, auto); net trainNetwork(dsTrain, lgraph, options);NumFirstEncoderFilters决定第一个卷积层的通道数数据量不大时设为 32 能降低过拟合风险。MiniBatchSize为 4 是在 8GB 显存下比较稳妥的值如果改成 512 像素整图输入显存不够就把图像尺寸降到 384×384再重新调整unetLayers的第一个参数。学习率 1e-3 只适合初始阶段如果训练损失一直震荡就把InitialLearnRate降到 1e-4。4.3 预测结果与裂缝宽度估算训练完成后对待测图直接调用semanticseg得到分类图再把分类图中的crack类转换成逻辑掩膜距离变换可以估算局部宽度。I imresize(readimage(imds, 1), [512 512]); mask semanticseg(I, net); % 转换成逻辑矩阵后续形态学操作都基于该矩阵 crackMask mask crack; % 中轴线和距离变换估算宽度单位是像素 skel bwskel(crackMask); dist bwdist(~crackMask); widthPixels 2 * dist(skel);bwskel提取裂缝骨架bwdist计算每个骨架点到最近背景的距离。将距离乘 2就得到裂缝在当前位置的近似宽度。如果只需要最大宽度对widthPixels做max即可如果统计平均宽度需要剔除骨架末端的离群点避免分支影响均值。5. 路面裂缝检测识别系统落地前的参数校准与验证系统从实验环境走进现场最先要处理的是物理参数和阈值随环境变化的问题。这里给出五个最容易被忽略但直接决定体验的调整项。第一把图像分辨率换算成物理尺寸。相机高度变化会让每毫米像素数发生显著变化必须在预处理里用标定板宽度做标定否则后续的宽度和长度统计毫无意义。第二imtophat的结构元素半径要跟着分辨率走而不是固定写 15。第三ROI 要随车辆俯仰角抖动预处理时对原图先做轻微旋转再裁切 ROI能减少因为路面颠簸产生的误检。第四SVM 的决策阈值要按漏检代价设置巡检场景优先提高召回率。第五U-Net 训练时不能只看准确率要盯着验证集 IoU 和裂缝类别的 F1。% 用 20 张现场图计算预测掩膜和真值掩膜的 IOU、查全率、F1 iou sum(and(pred, gt)) / sum(or(pred, gt)); precision sum(and(pred, gt)) / sum(pred); recall sum(and(pred, gt)) / sum(gt); f1 2 * precision * recall / (precision recall);pred和gt都必须是逻辑矩阵。召回率低说明预处理阶段把细裂缝断开优先调大闭运算结构元素精确率低说明阴影和油渍被误判优先提高 SVM 决策阈值或加入更多阴影样本。最耗时间的往往不是模型训练而是标定 ROI 和调整strel半径建议把这些参数全部收进config.m按采集日期编组方便回归验证时回溯哪组配置导致指标出现波动。本文还有配套的精品资源点击获取