道路表面存在很多缺陷,裂缝是常见的一种缺陷。道路表面还存在其它附属物,例如标志线、井盖、切割线等。目前国内对裂缝缺陷及附属物的检测主要依靠人工,人工检测效率低、可靠性差。机器视觉就是使机器像人眼一样,具备人眼的基本功能,对检测物进行分析、判断。本文研究了利用机器视觉的相关理论对图像进行预处理、分割,对图像中的标志线、井盖、“十字”切割线、“一字”切割线、网状裂缝、横向裂缝和纵向裂缝进行检测。同时还研究了裂缝融合、裂缝方向尺寸计算等内容。解决了混凝土路面裂缝缺陷和附属物检测的问题,为道路自动检测提供了方法基础。预处理是图像处理的第一步。等间隔降采样和基于局部均值的降采样是常用的降采样方法。分析两种降采样方法的优缺点,在本文中采用后者对图像进行降采样处理。去除噪声关系到后续处理的效果。均值滤波、中值滤波、基于形态学的处理是本文主要研究的去噪方法,分析各种去噪算法的效果,采用基于形态学的算法对噪声处理。图像分割是目标提取的关键步骤,分割方法有阈值固定的分割算法、背景差分的分割算法、边缘检测的算法。分析各个算法的优缺点,本文主要采用Canny算子和Otsu相结合的阈值自适应分割算法。附属物的检测也是本文的重点,利用颜色、形状特征对标志线进行检测。对分割后图像进行膨胀腐蚀处理,采用霍夫圆检测算法对井盖进行检测。利用几何形态与像素分布特性对“十字”切割线进行检测。利用统计思想对“一字”切割线进行检测。网状裂缝的检测主要依据其尺寸和像素分布特性。对裂缝骨架进行投影判断其裂缝方向。采用基于尺寸的裂缝融合算法,使属于同一裂缝的信息得到融合。本文利用形态学开闭运算对图像进行预处理,可以去除暗噪声和亮噪声,同时增强了裂缝信息。利用颜色信息和几何特征对标志线进行检测,检测准确性较高。将Canny算子与Otsu相结合实现了分割阈值的自适应选取。由于井盖信息较弱,使检测结果不精确,使用形态学方法增强井盖信息,使检测更加准确。本文算法对“十字”切割线的检出率为95%。对“一字”切割线的检出率可以达到97%。对网状裂缝的检出率为94%。对裂缝方向的检测正确性可以达到100%。对过度分割的裂缝进行融合,提高了检测准确性。