Detección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de forma

Las grietas son el principal daño en la superficie del pavimento, porque de estas se derivan los demás tipos de deterioros. La mayoría de grietas en imágenes de pavimento se encuentran con objetos no deseados y desconectadas. Para resolver este problema, se aplica el filtro mediana, para el suavizad...

Full description

Autores:: Porras Díaz, Hernán
Castañeda Pinzon, Eduardo Alberto
Sanabria Echeverry, Duván Yahír
Medina Peréz, Gepthe Manuel

Tipo de recurso:: Article of journal

Fecha de publicación:: 2012

Institución:: Corporación Universidad de la Costa

Repositorio:: REDICUC - Repositorio CUC

Idioma:: spa

id	RCUC2_fef4633a274237feb579a4585c2e4832
oai_identifier_str	oai:repositorio.cuc.edu.co:11323/1500
network_acronym_str	RCUC2
network_name_str	REDICUC - Repositorio CUC
repository_id_str
dc.title.eng.fl_str_mv	Detección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de forma
dc.title.translated.eng.fl_str_mv	Automatic asphalt pavement crack detection using geometric features and shape descriptors
title	Detección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de forma
spellingShingle	Detección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de forma Ajuste de contraste Características geométricas y descriptores de forma Corrección de intensidad Detección de grietas Eliminación de ruido Operaciones morfológicas Contrast adjustment Geometric characteristics and shape descriptors Intensity correction Crack detection Elimination of noise Morphological operations
title_short	Detección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de forma
title_full	Detección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de forma
title_fullStr	Detección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de forma
title_full_unstemmed	Detección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de forma
title_sort	Detección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de forma
dc.creator.fl_str_mv	Porras Díaz, Hernán Castañeda Pinzon, Eduardo Alberto Sanabria Echeverry, Duván Yahír Medina Peréz, Gepthe Manuel
dc.contributor.author.spa.fl_str_mv	Porras Díaz, Hernán Castañeda Pinzon, Eduardo Alberto Sanabria Echeverry, Duván Yahír Medina Peréz, Gepthe Manuel
dc.subject.eng.fl_str_mv	Ajuste de contraste Características geométricas y descriptores de forma Corrección de intensidad Detección de grietas Eliminación de ruido Operaciones morfológicas Contrast adjustment Geometric characteristics and shape descriptors Intensity correction Crack detection Elimination of noise Morphological operations
topic	Ajuste de contraste Características geométricas y descriptores de forma Corrección de intensidad Detección de grietas Eliminación de ruido Operaciones morfológicas Contrast adjustment Geometric characteristics and shape descriptors Intensity correction Crack detection Elimination of noise Morphological operations
description	Las grietas son el principal daño en la superficie del pavimento, porque de estas se derivan los demás tipos de deterioros. La mayoría de grietas en imágenes de pavimento se encuentran con objetos no deseados y desconectadas. Para resolver este problema, se aplica el filtro mediana, para el suavizado de la imagen; el ajuste de contraste, para realzar la grieta; la segmentación, aplicando la media y la desviación estándar de los niveles de gris, para delimitar las grietas; el procesamiento morfológico, para fusionar separaciones estrechas; la eliminación de grietas falsas, aplicando características geométricas y descriptores de forma; y la conexión de grietas, para obtener grietas continuas. Los resultados experimentales fueron obtenidos de las imágenes de pavimento captadas por el sistema semiautomático y el algoritmo generador implementado. Las pruebas demostraron que las grietas fueron detectadas, con una sensibilidad de 81,72% y una especificidad de 99,96% para las imágenes captadas
publishDate	2012
dc.date.issued.none.fl_str_mv	2012-10-31
dc.date.accessioned.none.fl_str_mv	2018-11-20T20:23:21Z
dc.date.available.none.fl_str_mv	2018-11-20T20:23:21Z
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_6501
dc.type.content.spa.fl_str_mv	Text
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/article
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/ART
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/acceptedVersion
format	http://purl.org/coar/resource_type/c_6501
status_str	acceptedVersion
dc.identifier.citation.spa.fl_str_mv	Porras Díaz, H., Castañeda Pinzón, E., Sanabria Echeverry, D., & Medina Pérez, G. (2012). Detección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de forma. INGE CUC, 8(1), 261-280. Recuperado a partir de https://revistascientificas.cuc.edu.co/ingecuc/article/view/265
dc.identifier.issn.spa.fl_str_mv	0122-6517, 2382-4700 electrónico
dc.identifier.uri.spa.fl_str_mv	https://hdl.handle.net/11323/1500
dc.identifier.eissn.spa.fl_str_mv	2382-4700
dc.identifier.instname.spa.fl_str_mv	Corporación Universidad de la Costa
dc.identifier.pissn.spa.fl_str_mv	0122-6517
dc.identifier.reponame.spa.fl_str_mv	REDICUC - Repositorio CUC
dc.identifier.repourl.spa.fl_str_mv	https://repositorio.cuc.edu.co/
identifier_str_mv	Porras Díaz, H., Castañeda Pinzón, E., Sanabria Echeverry, D., & Medina Pérez, G. (2012). Detección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de forma. INGE CUC, 8(1), 261-280. Recuperado a partir de https://revistascientificas.cuc.edu.co/ingecuc/article/view/265 0122-6517, 2382-4700 electrónico 2382-4700 Corporación Universidad de la Costa 0122-6517 REDICUC - Repositorio CUC
url	https://hdl.handle.net/11323/1500 https://repositorio.cuc.edu.co/
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.relation.ispartofseries.spa.fl_str_mv	INGE CUC; Vol. 8, Núm. 1 (2012)
dc.relation.ispartofjournal.spa.fl_str_mv	INGE CUC INGE CUC
dc.relation.references.spa.fl_str_mv	[1] L. Hong, Pavement Information System: Detection, Classification and Compression. Thesis (Master of Science Degree in Engineering). The University of Toledo. College of Engineering. Toledo, 2009, 60 p. [2] H. Rababaah, Asphalt Pavement Crack Classification: A Comparative Study of Three AI Approaches: Multilayer Perceptron, Genetic Algorithms, and Self-Organizing Maps. Thesis (Master of Sciences). Indiana University South Bend. Graduate Faculty. Department of Computer and Information Sciences. South Bend, 2005, 120 p. [3] J. Miller and W. Bellinger, Distress Identification Manual for the Long-Term Pavement Performance Program. Virginia, 2003. 164 p. [4] Invías y UNAL, Manual para la inspección visual de pavimentos flexibles. Bogotá D.C., Colombia, Oct. 2006. [Online] Disponible en: http://invias.gov.co/index.php/documentos-tecnicos-izq/doc_details/974-manual-parala-inspeccion-visual-de-pavimentosflexibles?tmpl=component [5] ASTM International, Standard Practice for Roads and Parking Lots Pavement Condition Index Surveys. Estados Unidos, May. 2013. [Online] Disponible en: http://enterprise1.astm.org/DOWNLOAD/D6433.1210479-1.pdf [6] Gevial SAS, Ingeniería y Gestión Vial. Tecnología aplicada a la ingeniería. Bogotá D.C., Colombia, 2012. [Online] Disponible en: http://gevial.co/brochure.pdf [7] M. S. Townes et al., National Cooperative Highway Research Program. Automated Pavement Distress Collection Techniques. Washington D. C.: Transportation Research Board of the National Academies, 2004. 85 p. [8] X. Yu, Pavement Surface Distress Detection and Evaluation Using Image Processing Technology. Thesis (Master of Science Degree in Electrical Engineering). The University of Toledo. Graduate Faculty. The Department of Electrical Engineering. Toledo, 2011, 72 p. [9] K. Wang, “Designs and Implementations of automated systems for pavement surface distress Survey”. Journal of Infrastructure Systems. Vol. 6, No. 1. ASCE: Transportation & Development Institute, March, 2000, pp. 24-32. [10] M. Gunaratne, Investigation of Automated and Interactive Crack Measurement Systems. Report. The University of South Florida. College of Engineering. Department of Civil and Environmental Engineering. Tampa, 2008, 93 p. [11] X. Yao, M. Yao and B. Xu, “Automated Measurements of Road Cracks Using Line-Scan Imaging”. Journal of Testing and Evaluation. Vol. 39, No 4. ASTM: American Society for Testing and Materials, February, 2011, pp. 1-9. [12] S. Zhaoyun, W. Chaofan and S. Aimin, “Study of Image-Based Pavement Cracking Measurement Techniques”. ICEMI: The Ninth International Conference on Electronic Measurements & Instruments. IEEE, 2009, pp. 140-143. [13] S. Chambon and J. Moliard, “Automatic Road Pavement Assessment with Image Processing: Review and Comparison”. International Journal of Geophysics. Vol. 2011. Hindawi Publishing Corporation, June, 2011, pp. 1-20. [14] R. González, R. Woods and S: Eddins, Digital Image Processing Using Matlab. Third New Jersey: Prentice Hall, 2004, 609 p. [15] R. Haas, W. Hudson and J. Zaniewski, Modern Pavement Management. Malabar, Florida: Krieger Publishing Company, 1994, 604 p. [16] B. Xu and Y. Huang, Development of an Automatic Pavement Surface Distress Inspection System. Report. The University of Texas. Center for Transportation Research. Texas Department of Transportation. Austin, 2003, 28 p. [17] F. Liu, G. Xu, Y. Yang, X. Niu and Y. Pan, “Novel Approach to Pavement Cracking Automatic Detection Based on Segment Extending”. International Symposium on Knowledge Acquisition and Modeling. IEEE, 2008, pp. 610-614. [18] Y. Sun, E. Salari and E. Chou, “Automated Pavement Distress Detection Using Advanced Image Processing Techniques”. International Conference on Electro/Information Technology. IEEE, 2009, pp. 373-377. [19] R. Haralick, K. Shanmugam and I. Dinstein, “Textural Features for Image Classification”. IEEE Transactions on Systems, Man and Cybernetics. Vol. SMC-3, 1973, pp. 610-621. [20] Y. Hu, C. Zhao and H. Wang, “Automatic Pavement Crack Detection Using Texture and Shape Descriptors”. IETE Technical Review. Vol. 27, No 5, September, 2010, pp. 398-405. [21] Q. Li, Q. Zou, and X. Liu, “Pavement Crack Classification via Spatial Distribution Features”. EURASIP Journal on Advances in Signal Processing. Vol. 2011, No. 1. Hindawi Publishing Corporation, March, 2011, pp. 649-675. [22] M. Castillo Rangel y S. Mesar Ribero, Algoritmo para reconocimiento de fallas tipo fisura en pavimento rígido mediante tratamiento de imágenes digitales. Trabajo de grado (Ingeniero Civil). Universidad Industrial de Santander. Facultad Fisicomecánicas. Escuela de Ingeniería Civil. Bucaramanga, 2011, 95 p. [23] SONY, Corp. DSC-HX9V Cámara Digital Compacta Sony. [Online] Disponible en: http://www.sony.es/product/dsc-h-series/dsc-hx9v/características#tab [24] H. Freeman, “On the Encoding of Arbitrary Geometric Configurations”. IRE Transactions on Electronic Computers. Vol. 10, 1961, pp. 260-268. [25] Consejo de Directores de Carreteras de Iberia e Iberoamérica. Catálogo de deterioros de pavimentos flexibles. Vol. 11. México, 2002, 25 p. [26] S. Ramírez, Detección de grietas en la cinta asfáltica mediante análisis de imágenes. Tesis. Maestría en Tecnología Avanzada. Instituto Politécnico Nacional. Centro de Investigación en Ciencia Aplicada y Tecnología Avanzada. Querétaro, 2012, 64 p. [27] C. Wang and A. Sha, “Pavement Crack Classification based on Chain Code”. FSKD: Seventh International Conference on Fuzzy Systems and Knowledge Discovery. Rochester, N.Y., 2010, pp. 593- 597. [28] P. Zhang and H. Li, “Recognition of Pavement Surface Crack”. ICNC: Sixth International Conference on Natural Computation, 2010, pp. 3393-3396. [29] L. Ying, Beamlet Transform Based Technique for Pavement Image Processing and Classification. Thesis. Master of Science Degree in Electrical Engineering. The University of Toledo. Graduate Faculty. The Department of Electrical Engineering. Toledo, 2009, 60 p. [30] H. Zhou, S. Yang and J. Zhu, “Illumination Invariant Enhancement and Threshold Segmentation Algorithm for Asphalt Pavement Crack Image”. Image Processing IEEE. 2010. pp. 2-5. [31] Q. Zou, Y. Cao, Q. Li, Q. Mao and S. Wang, “CrackTree: Automatic Crack Detection from Pavement Images”. Pattern Recognition Letters. Vol. 33, No. 3. February, 2011, pp. 227-238. [32] O. C. Puan, M. Mustaffar and T. C. Ling, “Automated Pavement Imaging Program (APIP) for Pavement Cracks Classification and Quantification”. No. i. Image Rochester, N.Y., 1998, pp. 1-17. [33] A. Monem, A. Oloufa and H. Mahgoub, “Asphalt Crack Detection Using Thermography”. Inframation: Thermal Imaging’s Leading Users Conference, 2005. pp. 1-12
dc.relation.ispartofjournalabbrev.spa.fl_str_mv	INGE CUC
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
rights_invalid_str_mv	http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Corporación Universidad de la Costa
dc.source.spa.fl_str_mv	INGE CUC
institution	Corporación Universidad de la Costa
dc.source.url.spa.fl_str_mv	https://revistascientificas.cuc.edu.co/ingecuc/article/view/265
bitstream.url.fl_str_mv	https://repositorio.cuc.edu.co/bitstreams/bf6cb336-6311-48ba-aee8-c50d912cfe51/download https://repositorio.cuc.edu.co/bitstreams/c3ca2f01-e4e9-41a7-ba25-c7c0082935d6/download https://repositorio.cuc.edu.co/bitstreams/75037c91-f69c-4d5b-922b-63e95e67f57f/download https://repositorio.cuc.edu.co/bitstreams/49e84ed2-8979-44bb-be02-3f7ce9e3bcf3/download
bitstream.checksum.fl_str_mv	a0ae56f4807980b4656f531c274d8b90 8a4605be74aa9ea9d79846c1fba20a33 9ded1acbe2c093fadc0d06da795e8efc 673a26b7d0a804c5c317a7015288f8be
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio de la Universidad de la Costa CUC
repository.mail.fl_str_mv	repdigital@cuc.edu.co
_version_	1828166903514791936
spelling	Porras Díaz, HernánCastañeda Pinzon, Eduardo AlbertoSanabria Echeverry, Duván YahírMedina Peréz, Gepthe Manuel2018-11-20T20:23:21Z2018-11-20T20:23:21Z2012-10-31Porras Díaz, H., Castañeda Pinzón, E., Sanabria Echeverry, D., & Medina Pérez, G. (2012). Detección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de forma. INGE CUC, 8(1), 261-280. Recuperado a partir de https://revistascientificas.cuc.edu.co/ingecuc/article/view/2650122-6517, 2382-4700 electrónicohttps://hdl.handle.net/11323/15002382-4700Corporación Universidad de la Costa0122-6517REDICUC - Repositorio CUChttps://repositorio.cuc.edu.co/Las grietas son el principal daño en la superficie del pavimento, porque de estas se derivan los demás tipos de deterioros. La mayoría de grietas en imágenes de pavimento se encuentran con objetos no deseados y desconectadas. Para resolver este problema, se aplica el filtro mediana, para el suavizado de la imagen; el ajuste de contraste, para realzar la grieta; la segmentación, aplicando la media y la desviación estándar de los niveles de gris, para delimitar las grietas; el procesamiento morfológico, para fusionar separaciones estrechas; la eliminación de grietas falsas, aplicando características geométricas y descriptores de forma; y la conexión de grietas, para obtener grietas continuas. Los resultados experimentales fueron obtenidos de las imágenes de pavimento captadas por el sistema semiautomático y el algoritmo generador implementado. Las pruebas demostraron que las grietas fueron detectadas, con una sensibilidad de 81,72% y una especificidad de 99,96% para las imágenes captadasCracks are the main damage to the surface of the pavement, because these are the other types of damage. Most cracks in pavement images encounter unwanted and disconnected objects. To solve this problem, the medium filter is applied, for smoothing the image; the contrast adjustment, to enhance the crack; the segmentation, applying the mean and the standard deviation of the gray levels, to delimit the cracks; morphological processing, to merge narrow separations; the elimination of false cracks, applying geometrical characteristics and shape descriptors; and the connection of cracks, to obtain continuous cracks. The experimental results were obtained from the pavement images captured by the semiautomatic system and the implemented generator algorithm. The tests showed that the cracks were detected, with a sensitivity of 81.72% and a specificity of 99.96% for the images capturedPorras Díaz, HernánCastañeda Pinzon, Eduardo AlbertoSanabria Echeverry, Duván YahírMedina Peréz, Gepthe Manuelapplication/pdfspaCorporación Universidad de la CostaINGE CUC; Vol. 8, Núm. 1 (2012)INGE CUCINGE CUC[1] L. Hong, Pavement Information System: Detection, Classification and Compression. Thesis (Master of Science Degree in Engineering). The University of Toledo. College of Engineering. Toledo, 2009, 60 p.[2] H. Rababaah, Asphalt Pavement Crack Classification: A Comparative Study of Three AI Approaches: Multilayer Perceptron, Genetic Algorithms, and Self-Organizing Maps. Thesis (Master of Sciences). Indiana University South Bend. Graduate Faculty. Department of Computer and Information Sciences. South Bend, 2005, 120 p.[3] J. Miller and W. Bellinger, Distress Identification Manual for the Long-Term Pavement Performance Program. Virginia, 2003. 164 p.[4] Invías y UNAL, Manual para la inspección visual de pavimentos flexibles. Bogotá D.C., Colombia, Oct. 2006. [Online] Disponible en: http://invias.gov.co/index.php/documentos-tecnicos-izq/doc_details/974-manual-parala-inspeccion-visual-de-pavimentosflexibles?tmpl=component[5] ASTM International, Standard Practice for Roads and Parking Lots Pavement Condition Index Surveys. Estados Unidos, May. 2013. [Online] Disponible en: http://enterprise1.astm.org/DOWNLOAD/D6433.1210479-1.pdf[6] Gevial SAS, Ingeniería y Gestión Vial. Tecnología aplicada a la ingeniería. Bogotá D.C., Colombia, 2012. [Online] Disponible en: http://gevial.co/brochure.pdf[7] M. S. Townes et al., National Cooperative Highway Research Program. Automated Pavement Distress Collection Techniques. Washington D. C.: Transportation Research Board of the National Academies, 2004. 85 p.[8] X. Yu, Pavement Surface Distress Detection and Evaluation Using Image Processing Technology. Thesis (Master of Science Degree in Electrical Engineering). The University of Toledo. Graduate Faculty. The Department of Electrical Engineering. Toledo, 2011, 72 p.[9] K. Wang, “Designs and Implementations of automated systems for pavement surface distress Survey”. Journal of Infrastructure Systems. Vol. 6, No. 1. ASCE: Transportation & Development Institute, March, 2000, pp. 24-32.[10] M. Gunaratne, Investigation of Automated and Interactive Crack Measurement Systems. Report. The University of South Florida. College of Engineering. Department of Civil and Environmental Engineering. Tampa, 2008, 93 p.[11] X. Yao, M. Yao and B. Xu, “Automated Measurements of Road Cracks Using Line-Scan Imaging”. Journal of Testing and Evaluation. Vol. 39, No 4. ASTM: American Society for Testing and Materials, February, 2011, pp. 1-9.[12] S. Zhaoyun, W. Chaofan and S. Aimin, “Study of Image-Based Pavement Cracking Measurement Techniques”. ICEMI: The Ninth International Conference on Electronic Measurements & Instruments. IEEE, 2009, pp. 140-143.[13] S. Chambon and J. Moliard, “Automatic Road Pavement Assessment with Image Processing: Review and Comparison”. International Journal of Geophysics. Vol. 2011. Hindawi Publishing Corporation, June, 2011, pp. 1-20.[14] R. González, R. Woods and S: Eddins, Digital Image Processing Using Matlab. Third New Jersey: Prentice Hall, 2004, 609 p.[15] R. Haas, W. Hudson and J. Zaniewski, Modern Pavement Management. Malabar, Florida: Krieger Publishing Company, 1994, 604 p.[16] B. Xu and Y. Huang, Development of an Automatic Pavement Surface Distress Inspection System. Report. The University of Texas. Center for Transportation Research. Texas Department of Transportation. Austin, 2003, 28 p.[17] F. Liu, G. Xu, Y. Yang, X. Niu and Y. Pan, “Novel Approach to Pavement Cracking Automatic Detection Based on Segment Extending”. International Symposium on Knowledge Acquisition and Modeling. IEEE, 2008, pp. 610-614.[18] Y. Sun, E. Salari and E. Chou, “Automated Pavement Distress Detection Using Advanced Image Processing Techniques”. International Conference on Electro/Information Technology. IEEE, 2009, pp. 373-377.[19] R. Haralick, K. Shanmugam and I. Dinstein, “Textural Features for Image Classification”. IEEE Transactions on Systems, Man and Cybernetics. Vol. SMC-3, 1973, pp. 610-621.[20] Y. Hu, C. Zhao and H. Wang, “Automatic Pavement Crack Detection Using Texture and Shape Descriptors”. IETE Technical Review. Vol. 27, No 5, September, 2010, pp. 398-405.[21] Q. Li, Q. Zou, and X. Liu, “Pavement Crack Classification via Spatial Distribution Features”. EURASIP Journal on Advances in Signal Processing. Vol. 2011, No. 1. Hindawi Publishing Corporation, March, 2011, pp. 649-675.[22] M. Castillo Rangel y S. Mesar Ribero, Algoritmo para reconocimiento de fallas tipo fisura en pavimento rígido mediante tratamiento de imágenes digitales. Trabajo de grado (Ingeniero Civil). Universidad Industrial de Santander. Facultad Fisicomecánicas. Escuela de Ingeniería Civil. Bucaramanga, 2011, 95 p.[23] SONY, Corp. DSC-HX9V Cámara Digital Compacta Sony. [Online] Disponible en: http://www.sony.es/product/dsc-h-series/dsc-hx9v/características#tab[24] H. Freeman, “On the Encoding of Arbitrary Geometric Configurations”. IRE Transactions on Electronic Computers. Vol. 10, 1961, pp. 260-268.[25] Consejo de Directores de Carreteras de Iberia e Iberoamérica. Catálogo de deterioros de pavimentos flexibles. Vol. 11. México, 2002, 25 p.[26] S. Ramírez, Detección de grietas en la cinta asfáltica mediante análisis de imágenes. Tesis. Maestría en Tecnología Avanzada. Instituto Politécnico Nacional. Centro de Investigación en Ciencia Aplicada y Tecnología Avanzada. Querétaro, 2012, 64 p.[27] C. Wang and A. Sha, “Pavement Crack Classification based on Chain Code”. FSKD: Seventh International Conference on Fuzzy Systems and Knowledge Discovery. Rochester, N.Y., 2010, pp. 593- 597.[28] P. Zhang and H. Li, “Recognition of Pavement Surface Crack”. ICNC: Sixth International Conference on Natural Computation, 2010, pp. 3393-3396.[29] L. Ying, Beamlet Transform Based Technique for Pavement Image Processing and Classification. Thesis. Master of Science Degree in Electrical Engineering. The University of Toledo. Graduate Faculty. The Department of Electrical Engineering. Toledo, 2009, 60 p.[30] H. Zhou, S. Yang and J. Zhu, “Illumination Invariant Enhancement and Threshold Segmentation Algorithm for Asphalt Pavement Crack Image”. Image Processing IEEE. 2010. pp. 2-5.[31] Q. Zou, Y. Cao, Q. Li, Q. Mao and S. Wang, “CrackTree: Automatic Crack Detection from Pavement Images”. Pattern Recognition Letters. Vol. 33, No. 3. February, 2011, pp. 227-238.[32] O. C. Puan, M. Mustaffar and T. C. Ling, “Automated Pavement Imaging Program (APIP) for Pavement Cracks Classification and Quantification”. No. i. Image Rochester, N.Y., 1998, pp. 1-17.[33] A. Monem, A. Oloufa and H. Mahgoub, “Asphalt Crack Detection Using Thermography”. Inframation: Thermal Imaging’s Leading Users Conference, 2005. pp. 1-12INGE CUCINGE CUChttps://revistascientificas.cuc.edu.co/ingecuc/article/view/265Ajuste de contrasteCaracterísticas geométricas y descriptores de formaCorrección de intensidadDetección de grietasEliminación de ruidoOperaciones morfológicasContrast adjustmentGeometric characteristics and shape descriptorsIntensity correctionCrack detectionElimination of noiseMorphological operationsDetección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de formaAutomatic asphalt pavement crack detection using geometric features and shape descriptorsArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/acceptedVersioninfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2PublicationORIGINAL14. Detección automática de grietas de pavimento asfáltico.pdf14. Detección automática de grietas de pavimento asfáltico.pdfapplication/pdf1537881https://repositorio.cuc.edu.co/bitstreams/bf6cb336-6311-48ba-aee8-c50d912cfe51/downloada0ae56f4807980b4656f531c274d8b90MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.cuc.edu.co/bitstreams/c3ca2f01-e4e9-41a7-ba25-c7c0082935d6/download8a4605be74aa9ea9d79846c1fba20a33MD52THUMBNAIL14. Detección automática de grietas de pavimento asfáltico.pdf.jpg14. Detección automática de grietas de pavimento asfáltico.pdf.jpgimage/jpeg45924https://repositorio.cuc.edu.co/bitstreams/75037c91-f69c-4d5b-922b-63e95e67f57f/download9ded1acbe2c093fadc0d06da795e8efcMD54TEXT14. Detección automática de grietas de pavimento asfáltico.pdf.txt14. Detección automática de grietas de pavimento asfáltico.pdf.txttext/plain47822https://repositorio.cuc.edu.co/bitstreams/49e84ed2-8979-44bb-be02-3f7ce9e3bcf3/download673a26b7d0a804c5c317a7015288f8beMD5511323/1500oai:repositorio.cuc.edu.co:11323/15002024-09-17 14:24:05.459open.accesshttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.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

Detección automática de grietas de pavimento asfáltico aplicando características geométricas y descriptores de forma

Publicaciones similares