CN103839268A - 一种地铁隧道表面裂缝的检测方法 - Google Patents
一种地铁隧道表面裂缝的检测方法 Download PDFInfo
- Publication number
- CN103839268A CN103839268A CN201410100802.XA CN201410100802A CN103839268A CN 103839268 A CN103839268 A CN 103839268A CN 201410100802 A CN201410100802 A CN 201410100802A CN 103839268 A CN103839268 A CN 103839268A
- Authority
- CN
- China
- Prior art keywords
- image
- centerdot
- crack
- filtering
- connected region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种地铁隧道表面裂缝的检测方法,该方法包括:利用高速面阵相机组成的视觉系统,对地铁隧道洞体表面进行高速图像采集;对采集到的图像进行预处理,获得二值化图像;计算所述二值化图像的连通区域,并基于所述连通区域进行多级滤波处理,获得滤除不规则及分布无规律的噪声点的隧道表面图像;根据所述滤除不规则及分布无规律的噪声点的隧道表面图像进行隧道表面裂缝的检测,并在检测到裂缝后对其大小进行计算。通过采用本发明公开的检测方法,可以有效去除复杂噪声背景,提高了裂缝检测的准确性。
Description
技术领域
本发明涉及轨道交通技术领域,尤其涉及一种地铁隧道表面裂缝的检测方法。
背景技术
随着国内地铁路线的快速发展,早期建设的地铁隧道基础设施已经进入养护维修期,而新建成的地铁隧道,也会诱发洞体形变并出现裂缝,影响隧道的正常使用,威胁行车安全。如果对地铁隧道洞体出现的裂缝不及时预警,会使隧道基础设施进一步被破坏,一旦发生事故,给生命财产带来巨大损失。目前地铁隧道裂缝检测,主要采用人工静态检查为主、少量动态检测车为辅的方式,主要在晚上线路无运营任务时进行。这种以人工为主的肉眼检测方式检测速度慢、工作效率低、占用线路时间长,不符合现代城市轨道交通发展的需求。
随着计算机技术的快速发展,图像处理技术在无损检测中的应用越来越广泛,利用图像处理检测裂缝也受到了人们的关注。这种方法具有非接触,方便快捷,效率高等优点,是一种最有发展潜力的检测方法。
目前基于图像处理技术的裂缝检测取得了众多研究成果。总的来说主要有三个研究方向。第一个方向是完全使用传统的图像处理技术来进行检测。第二个方向是改进传统的图像处理技术来进行检测。第三个方向是将其他领域的技术引入图像处理领域或者设计新的图像处理技术。对于传统的裂缝图像,例如混凝土墙面、沥青路面、桥梁等,上述研究已经能够较好地检测出裂缝。而地铁隧道表面裂缝有着很多复杂的情况,例如光照不均匀,噪声种类繁多、分布无规律,背景纹理复杂,裂缝对比度低等,其自动检测技术仍是当前的一个难题。
现有技术中,主要利用如下两种方法进行隧道裂缝的检测方法:
1)基于图像局部网格特征的隧道衬砌裂缝自动识别算法。该算法通过构造十字形模板进行裂缝的识别,但是该方式只能适用于理想的裂缝图像;如果裂缝图像的背景纹理非常复杂,比如隧道表面的裂缝图像,那么裂缝网格和背景网格的灰度剖面图十分复杂,难以进行有效的识别。并且,该方法通过识别完裂缝种子后,需要对裂缝进行连接,但是裂缝种子点的连接存在着缺陷,连接算法要求背景十分理想;如果存在块状的噪声或者噪声与裂缝连接甚至覆盖了裂缝,那么就可能将噪声包含在内,从而造成裂缝连接的失败,进而对于长度、走向、宽度的计算都将出现误差。另外,该方法利用卷积后寻找极值点的方法计算裂缝的宽度也存在着缺陷,这种计算方法要求背景不能存在噪声,如果存在大量散点噪声,则灰度剖面图中将存在大量极值点,造成无法计算宽度的问题。
2)隧道衬砌裂缝的远距离图像测量技术。该方法提取裂缝的过程同样只适用于理想背景的情况下,如果背景中存在大面积且形状不规则的噪声,或者噪声与裂缝连接在一起,那么该方法无法去除这些噪声;因此该算法不适用隧道表面的裂缝图像检测。另外,该方法计算裂缝宽度采用最小距离法有很大的局限。首先,对于有噪声干扰的裂缝图像,边缘的准确提取非常困难。其次,对于图像来说,需要首先在像素域计算裂缝的宽度,而后根据相机参数换算到实际宽度。而对于细小的裂缝,以像素点表示的两个裂缝边缘间隔非常小,采用最小距离法会存在很大的误差。
发明内容
本发明的目的是提供一种地铁隧道表面裂缝的检测方法,可以有效去除复杂噪声背景,提高了裂缝检测的准确性。
本发明的目的是通过以下技术方案实现的:
一种地铁隧道表面裂缝的检测方法,该方法包括:
利用高速面阵相机组成的视觉系统,对地铁隧道洞体表面进行高速图像采集;
对采集到的图像进行预处理,获得二值化图像;
计算所述二值化图像的连通区域,并基于所述连通区域进行多级滤波处理,获得滤除不规则及分布无规律的噪声点的隧道表面图像;
根据所述滤除不规则及分布无规律的噪声点的隧道表面图像进行隧道表面裂缝的检测,并在检测到裂缝后对其大小进行计算。
由上述本发明提供的技术方案可以看出,基于连通区域的多级滤波算法能够较好地处理复杂的地铁隧道表面裂缝图像,对于大量的、不规则的、分布无规律的噪声能够有效地进行滤除,提高了裂缝检测的准确性;并且,对于海量的隧道图像可进行裂缝的自动检测和识别,代替了人工肉眼,可高效率的完成繁重的检测工作。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例一提供的一种地铁隧道表面裂缝的检测方法的流程图;
图2为本发明实施例二提供的一种地铁隧道表面裂缝的检测方法的流程图;
图3为本发明实施例二提供的一种特殊噪声的示意图;
图4为本发明实施例二提供的一种端点检测的示意图;
图5为本发明实施例二提供的一种计算裂缝点法线的示意图;
图6为本发明实施例二提供的一种裂缝宽度计算规则的示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
实施例一
图1为本发明实施例一提供的一种地铁隧道表面裂缝的检测方法的示意图。如图1所示,该方法主要包括如下步骤:
步骤11、利用高速面阵相机组成的视觉系统,对地铁隧道洞体表面进行高速图像采集。
本发明实施例中,采用安装在轨道车或电客车上的视觉系统,并配合强光照片来采集高质量的地铁隧道洞体表面图像。
步骤12、对采集到的图像进行预处理,获得二值化图像。
本发明实施例中,对采集到的图像进行灰度级腐蚀处理,获得对比度增强后的灰度图像;然后,对所述灰度图像进行局部直方图拉伸处理及局部Otsu(大津算法)分割处理,进而获得隧道表面的二值化图像。
步骤13、计算所述二值化图像的连通区域,并基于所述连通区域进行多级滤波处理,获得滤除不规则及分布无规律的噪声点的隧道表面图像。
本发明实施例所述的基于连通区域进行多级滤波处理主要包括:基于连通区域的零阶矩滤波处理、基于连通区域矩形度滤波处理及特殊噪声滤波处理。
步骤14、根据所述滤除不规则及分布无规律的噪声点的隧道表面图像进行隧道表面裂缝的检测,并在检测到裂缝后对其大小进行计算。
基于上述步骤11-13处理后,可根据滤除不规则及分布无规律的噪声点的隧道表面图像进行隧道裂缝的检测与识别;若检测到裂缝,则对该裂缝的宽度进行计算,主要包括如下步骤:对所述裂缝图像进行细化,获得裂缝的骨架图;对所述骨架图中的毛刺进行滤除,获得滤除毛刺后的裂缝骨架图;基于所述滤除毛刺后的裂缝骨架图进行裂缝宽度的计算。
本发明实施例基于连通区域的多级滤波算法能够较好地处理复杂的地铁隧道表面裂缝图像,对于大量的、不规则的、分布无规律的噪声能够有效地进行滤除,提高了裂缝检测的准确性;并且,对于海量的隧道图像可进行裂缝的自动检测和识别,代替了人工肉眼,可高效率的完成繁重的检测工作。
实施例二
为了便于理解本发明,下面结合附图2-6对本发明做进一步说明。如图2所示,本发明实施例提供的一种地铁隧道表面裂缝的检测方法,主要包括如下1-4个步骤:
1、隧道图像高速采集。
本发明实施例中,利用高速面阵相机组成的视觉系统,对地铁隧道洞体表面进行高速图像采集。视觉系统可以安装于轨道车或电客车上,实现快速移动式的图像采集,并配合强光照明得到高质量的隧道图像。
2、隧道图像预处理。
本发明实施例所述的预处理主要包括三个步骤:灰度级腐蚀、局部直方图拉伸与局部Otsu(大津算法)分割,具体的如下:
1)灰度级腐蚀。
对采集到的图像进行灰度级腐蚀处理(其目的在于增强裂缝图像的对比度),设原始图像为I(x,y),获得腐蚀后的图像G(x,y),其公式为:
G(x,y)=min{I(x+x′,y+y′)-S(x′,y′)|(x′,y′)∈DS};
其中,S(x′,y′)为结构元素,结构元素是图像形态学处理中扫描图像的基本单元,DS为S(x′,y′)的定义域。计算过程为用结构元素扫描整幅图像,在图像中对应位置计算I与S之差的最小值,作为新的像素灰度值。
2)局部直方图拉伸。
将图像G(x,y)分割成若干个宽度为W高度为H的子图像;若边界上子图像的不满足边长条件,则在图像中选取一个包含该子图像且宽度为W高度为H的区域,将该区域作为新的边界子图像;将每一个子图像做归一化处理,其公式为:
其中,Ui(x,y)表示子图像,Vi(x,y)表示归一化后的子图像,K表示子图像的个数,min与max分别表示取最小值和取最大值;
计算所述归一化后的子图像的均值Mi,输出归一化结果Li(x,y),其公式为:
对所述归一化结果Li(x,y)进行反归一化处理,得到最终的拉伸后的图像Qi(x,y),其公式为:
Qi(x,y)=Li(x,y)×255。
3)局部Otsu分割。
对每个子图像利用Otsu分割法得到最佳分割阈值ti,分割灰度图像为二值图像,获得二值化后的图像为P(x,y),其公式为:
其中,Pi(x,y)表示图像P(x,y)中的子图像。
3、基于连通区域的三级滤波。
本发明实施例所述的基于连通区域的三级滤波主要包括:基于连通区域的零阶矩滤波处理、基于连通区域矩形度滤波处理及特殊噪声滤波处理,具体的如下:
首先,计算二值化图像P(x,y)的连通区域,设Ck(x,y)为P(x,y)的连通区域,p为Ck(x,y)中的已知点,B表示边长为3的正方形结构元素,其公式为:
1)基于连通区域零阶矩滤波。
基于所述连通区域进行零阶矩滤波处理,获得零阶矩滤波之后的图像F(x,y),其公式如下:
其中,nk为每个连通区域的零阶矩,Nn为连通区域的个数,Tn为预先设定的阈值。
2)基于连通区域矩形度滤波。
计算零阶矩滤波后的图像F(x,y)中的连通区域Dk(x,y),再计算每个连通区域的矩形度Rk,其公式为:
其中,SM为边长与坐标轴平行的外接矩形的面积。
基于连通区域矩形度进行滤波,获得图像Y(x,y),其公式为:
其中,NR为连通区域的个数,TR为预先设定的阈值。
3)特殊噪声滤波。
在基于矩形度滤波后的图像Y(x,y)中计算连通区域Ek(x,y),逐行扫描图像计算连通区域的最大宽度wmax,逐列扫描图像计算连通区域的最大高度hmax;并根据预先设定的阈值进行特殊噪声滤波处理,以滤除不满足条件的特殊噪声(可参见图3),其公式为:
其中,Tw,Th和Tr为预先设定的阈值,Nw为连通区域的个数。
4、裂缝宽度测量。
当检测到裂缝后还需要对裂缝的宽度进行计算,主要步骤包括:裂缝图细化、毛刺滤除及裂缝宽度计算,具体的如下:
1)对裂缝图像进行细化。
本发明实施例对裂缝图像进行细化操作得到裂缝的骨架图,为后续宽度计算做准备。可以利用zhang快速并行细化算法进行细化处理。设裂缝像素值为0,背景像素值为1,取一个像素点的3×3邻域,设中心点为P1,其坐标为(i,j),邻域中其余像素点按逆时针方向排列分别为P2-P9(如表1所示)。
表1细化算法中3×3邻域表
如果邻域像素点满足如下四个条件,则删除中心点P1;
(a)2≤Z(P1)≤6;
(b)T(P1)=1;
(c)(1-P2)×(1-P4)×(1-P8)=0或者T(P1)≠1;
(d)(1-P2)×(1-P4)×(1-P6)=0或者T(P4)≠1;
其中,Z(P1)为中P2,P3,…,P9像素值为0的点个数,T(P1)为P1点的8邻域点按逆时针方向排列后像素值从0到1变化的次数。
2)对所述骨架图中的毛刺进行滤除。
裂缝骨架图上存在大量毛刺,严重影响裂缝宽度的计算。本发明实施例利用方向链码计算毛刺的长度,然后设定长度阈值进行毛刺的滤除。
首先,检测端点和节点,所述端点到节点为一条完整的分支。具体的:取骨架图上像素点的3×3邻域,如果邻域范围内至少有三个像素点与中心点相连,则该中心点为一个节点。
对于端点检测,参见图4,图4为端点检测的8个模板,其中“○”位置为黑色像素点,即像素值为0。“×”位置为白色像素点,即像素值为1,其余的位置取任意像素值。扫描整幅图像,如果骨架点的3×3邻域满足上述模板之一的条件,则该骨架点为端点。
然后,计算分支长度。设分支为N(x,y),使用方向链码对其编码,利用下式计算分支长度。
L=ANe+BNo+CNc;
设定长度阈值Tl,将长度低于该阈值的分支作为毛刺滤除,过程如下:
其中,Nk(x,y)表示滤除毛刺后的裂缝骨架图,NT表示分支个数。
3)基于所述滤除毛刺后的裂缝骨架图进行裂缝宽度的计算。
本发明实施例中,先根据骨架图上裂缝点的坐标,在裂缝法向上选取一个直线型邻域,而后设计宽度计算的规则,计算每一个裂缝点的宽度。
首先,如图5所示,选取裂缝点的一个5×5邻域,计算邻域内距离最远两点之间的连线,再根据斜率之积为-1得到裂缝点的法向斜率,进而得到法线;设所述邻域为A,邻域半径为D,表示为:
A=(I(x0,y0),I(x1,y1),…,I(xD,yD),…,I(x2D-1,y2D-1),I(x2D,y2D));
其中,I(xD,yD)为裂缝点,(xi,yi)为邻域像素点的坐标;
本发明实施例采用的裂缝宽度计算规则如图6所示,其中,μ为邻域灰度的均值,σ为标准差。
计算步骤如下:
在k1的取值从0到D的过程中,计算满足下述条件的k1的值:
在k2的取值从0到D的过程中,计算满足下述条件的k2的值:
根据计算到的k1与k2的取值计算裂缝的宽度width:
width=k1+k2。
本发明实施例基于连通区域的多级滤波算法能够较好地处理复杂的地铁隧道表面裂缝图像,对于大量的、不规则的、分布无规律的噪声能够有效地进行滤除,提高了裂缝检测的准确性;并且,根据裂缝骨架图端点检测算法能够非常精确地检测出图像中的端点,能够适用于复杂的地铁隧道裂缝图像;另外,对于海量的隧道图像可进行裂缝的自动检测和识别,代替了人工肉眼,可高效率的完成繁重的检测工作。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (10)
1.一种地铁隧道表面裂缝的检测方法,其特征在于,该方法包括:
利用高速面阵相机组成的视觉系统,对地铁隧道洞体表面进行高速图像采集;
对采集到的图像进行预处理,获得二值化图像;
计算所述二值化图像的连通区域,并基于所述连通区域进行多级滤波处理,获得滤除不规则及分布无规律的噪声点的隧道表面图像;
根据所述滤除不规则及分布无规律的噪声点的隧道表面图像进行隧道表面裂缝的检测,并在检测到裂缝后对其大小进行计算。
2.根据权利要求1所述的检测方法,其特征在于,所述对地铁隧道洞体表面进行高速图像采集包括:
采用安装在轨道车或电客车上的视觉系统,并配合强光照片来采集高质量的地铁隧道洞体表面图像。
3.根据权利要求1所述的检测方法,其特征在于,所述对采集到的图像进行预处理,获得二值化图像包括:
对采集到的图像进行灰度级腐蚀处理,获得对比度增强后的灰度图像;
对所述灰度图像进行局部直方图拉伸处理及局部大津算法Otsu分割处理,获得隧道表面的二值化图像。
4.根据权利要求1或3所述的检测方法,其特征在于,所述获得二值化图像,具体包括:
对采集到的图像进行灰度级腐蚀处理,获得腐蚀后的图像G(x,y),其公式为:
G(x,y)=min{I(x+x′,y+y′)-S(x′,y′)|(x′,y′)∈DS};
其中,I(x,y)为原始图像,S(x′,y′)为结构元素,DS为S(x′,y′)的定义域;
对所述图像G(x,y)进行局部直方图拉伸处理;具体的:将图像G(x,y)分割成若干个宽度为W高度为H的子图像;若边界上子图像的不满足边长条件,则在图像中选取一个包含该子图像且宽度为W高度为H的区域,将该区域作为新的边界子图像;将每一个子图像做归一化处理,其公式为:
其中,Ui(x,y)表示子图像,Vi(x,y)表示归一化后的子图像,K表示子图像的个数;
计算所述归一化后的子图像的均值Mi,输出归一化结果Li(x,y),其公式为:
对所述归一化结果Li(x,y)进行反归一化处理,得到最终的拉伸后的图像Qi(x,y),其公式为:
Qi(x,y)=Li(x,y)×255;
对每个子图像利用Otsu分割法得到最佳分割阈值ti,分割灰度图像为二值图像,获得二值化后的图像为P(x,y),其公式为:
5.根据权利要求1所述的检测方法,其特征在于,所述基于所述连通区域进行多级滤波处理包括:
基于连通区域的零阶矩滤波处理、基于连通区域矩形度滤波处理及特殊噪声滤波处理。
6.根据权利要求1或5所述的检测方法,其特征在于,所述获得滤除不规则及分布无规律的噪声点的隧道表面图像包括:
计算二值化图像P(x,y)的连通区域,设Ck(x,y)为P(x,y)的连通区域,p为Ck(x,y)中的已知点,B表示边长为3的正方形结构元素,其公式为:
基于所述连通区域进行零阶矩滤波处理,获得零阶矩滤波之后的图像F(x,y),其公式如下:
其中,nk为每个连通区域的零阶矩,Nn为连通区域的个数,Tn为预先设定的阈值;
计算零阶矩滤波后的图像F(x,y)的连通区域Dk(x,y),再计算每个连通区域的矩形度Rk,其公式为:
其中,SM为边长与坐标轴平行的外接矩形的面积;
基于连通区域矩形度进行滤波,获得图像Y(x,y),其公式为:
其中,NR为连通区域的个数,TR为预先设定的阈值;
在基于矩形度滤波后的图像Y(x,y)中计算连通区域Ek(x,y),逐行扫描图像计算连通区域的最大宽度wmax,逐列扫描图像计算连通区域的最大高度hmax;并根据预先设定的阈值进行特殊噪声滤波处理,其公式为:
其中,Tw,Th和Tr为预先设定的阈值,Nw为连通区域的个数。
7.根据权利要求1或3或5所述的检测方法,其特征在于,计算检测到的裂缝大小包括:
对所述裂缝图像进行细化,获得裂缝的骨架图;
对所述骨架图中的毛刺进行滤除,获得滤除毛刺后的裂缝骨架图;
基于所述滤除毛刺后的裂缝骨架图进行裂缝宽度的计算。
8.根据权利要求7所述的检测方法,其特征在于,所述对所述裂缝图像进行细化包括:
利用zhang快速并行细化算法进行细化处理;设裂缝像素值为0,背景像素值为1,取一个像素点的3×3邻域,设中心点为P1,其坐标为(i,j),邻域中其余像素点按逆时针方向排列分别为P2-P9,如果邻域像素点满足如下四个条件,则删除中心点P1;
(a)2≤Z(P1)≤6;
(b)T(P1)=1;
(c)(1-P2)×(1-P4)×(1-P8)=0或者T(P1)≠1;
(d)(1-P2)×(1-P4)×(1-P6)=0或者T(P4)≠1;
其中,Z(P1)为中P2,P3,…,P9像素值为0的点个数,T(P1)为P1点的8邻域点按逆时针方向排列后像素值从0到1变化的次数。
9.根据权利要求7所述的检测方法,其特征在于,所述对所述骨架图中的毛刺进行滤除,获得滤除毛刺后的裂缝骨架图包括:
利用方向链码计算毛刺的长度,再设定长度阈值进行毛刺的滤除;
其中,计算毛刺的长度包括:
检测端点和节点,所述端点到节点为一条完整的分支;具体的:取骨架图上像素点的3×3邻域,如果邻域范围内至少有三个像素点与中心点相连,则该中心点为一个节点;
设分支为N(x,y),使用方向链码对其编码,利用下式计算分支长度。
L=ANe+BNo+CNc;
设定长度阈值Tl,将长度低于该阈值的分支作为毛刺滤除,过程如下:
其中,Nk(x,y)表示滤除毛刺后的裂缝骨架图,NT表示分支个数。
10.根据权利要求7所述的检测方法,其特征在于,所述基于所述滤除毛刺后的裂缝骨架图进行裂缝宽度的计算包括:
根据骨架图上裂缝点的坐标,在裂缝法向上选取一个直线型邻域;具体的:选取裂缝点的一个5×5邻域,计算邻域内距离最远两点之间的连线,再根据斜率之积为-1得到裂缝点的法向斜率,进而得到法线;设所述邻域为A,邻域半径为D,表示为:
A=(I(x0,y0),I(x1,y1),…,I(xD,yD),…,I(x2D-1,y2D-1),I(x2D,y2D));
其中,I(xD,yD)为裂缝点,(xi,yi)为邻域像素点的坐标;
在k1的取值从0到D的过程中,计算满足下述条件的k1的值:
其中,μ为邻域灰度的均值,σ为标准差;
在k2的取值从0到D的过程中,计算满足下述条件的k2的值:
根据计算到的k1与k2的取值计算裂缝的宽度width:
width=k1+k2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410100802.XA CN103839268B (zh) | 2014-03-18 | 2014-03-18 | 一种地铁隧道表面裂缝的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410100802.XA CN103839268B (zh) | 2014-03-18 | 2014-03-18 | 一种地铁隧道表面裂缝的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103839268A true CN103839268A (zh) | 2014-06-04 |
CN103839268B CN103839268B (zh) | 2017-02-15 |
Family
ID=50802734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410100802.XA Active CN103839268B (zh) | 2014-03-18 | 2014-03-18 | 一种地铁隧道表面裂缝的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103839268B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535589A (zh) * | 2015-01-20 | 2015-04-22 | 广东电网有限责任公司电力科学研究院 | 一种低压电流互感器在线检测方法和装置 |
CN104636750A (zh) * | 2014-12-17 | 2015-05-20 | 长安大学 | 一种基于双尺度聚类算法的路面裂缝识别算法及系统 |
CN104657706A (zh) * | 2015-01-27 | 2015-05-27 | 北京大学 | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 |
CN105387801A (zh) * | 2015-10-03 | 2016-03-09 | 上海大学 | 一种地铁隧道管片错台量检测方法 |
CN105574888A (zh) * | 2016-03-01 | 2016-05-11 | 浙江工业大学 | 基于灰度峰值的裂缝位置查找方法 |
CN106203353A (zh) * | 2016-07-14 | 2016-12-07 | 桂林长海发展有限责任公司 | 一种飞机起落架的检测系统及方法 |
CN106504246A (zh) * | 2016-11-08 | 2017-03-15 | 太原科技大学 | 隧道裂缝检测的图像处理方法 |
CN104008553B (zh) * | 2014-06-17 | 2017-03-22 | 武汉武大卓越科技有限责任公司 | 融合影像梯度信息和分水岭方法的裂缝检测方法 |
CN106934829A (zh) * | 2017-02-14 | 2017-07-07 | 中铁大桥科学研究院有限公司 | 一种表面裂缝的检测方法及系统 |
CN107178054A (zh) * | 2017-06-30 | 2017-09-19 | 杜卫兵 | 一种多功能隧道清洗车的控制方法 |
CN107392313A (zh) * | 2017-06-12 | 2017-11-24 | 五邑大学 | 一种基于深度学习的钢轨识别方法 |
CN107403427A (zh) * | 2017-07-20 | 2017-11-28 | 重庆邮电大学 | 一种基于遗传规划与渗流模型的混凝土表面裂缝检测方法 |
CN108007355A (zh) * | 2017-10-20 | 2018-05-08 | 西安电子科技大学 | 基于图像距离变换的混凝土裂缝检测方法 |
CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
CN109785301A (zh) * | 2018-12-27 | 2019-05-21 | 北京交通大学 | 一种基于图像处理的钢轨波磨自动识别方法与评估方法 |
CN109949294A (zh) * | 2019-03-21 | 2019-06-28 | 哈尔滨理工大学 | 一种基于OpenCV的断口形貌图裂纹缺陷提取方法 |
CN110111322A (zh) * | 2019-05-13 | 2019-08-09 | 招商局重庆交通科研设计院有限公司 | 一种基于图像的隧道病害识别系统 |
CN112258505A (zh) * | 2020-11-18 | 2021-01-22 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像的隧道裂缝宽度计算方法 |
CN113256714A (zh) * | 2021-07-13 | 2021-08-13 | 湖南大学 | 隧道表面图像处理方法及系统 |
CN113447079A (zh) * | 2021-06-29 | 2021-09-28 | 南昌路兴交通工程监理咨询有限公司 | 一种桥梁检测系统 |
CN113674213A (zh) * | 2021-07-26 | 2021-11-19 | 南京航空航天大学 | 一种基于旋转目标检测技术的地铁隧道裂缝识别方法 |
CN116012384A (zh) * | 2023-03-28 | 2023-04-25 | 梁山水泊胶带股份有限公司 | 一种整芯阻燃输送带表面缺陷检测方法 |
CN117058047A (zh) * | 2023-10-11 | 2023-11-14 | 深圳市邦胜能源科技有限公司 | 一种锂电池极片边缘毛刺在线监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680480A (zh) * | 2012-05-03 | 2012-09-19 | 中南大学 | 一种混凝土结构裂缝智能化检测方法 |
JP2013134666A (ja) * | 2011-12-27 | 2013-07-08 | Dainippon Screen Mfg Co Ltd | 二値画像生成装置、分類装置、二値画像生成方法および分類方法 |
-
2014
- 2014-03-18 CN CN201410100802.XA patent/CN103839268B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013134666A (ja) * | 2011-12-27 | 2013-07-08 | Dainippon Screen Mfg Co Ltd | 二値画像生成装置、分類装置、二値画像生成方法および分類方法 |
CN102680480A (zh) * | 2012-05-03 | 2012-09-19 | 中南大学 | 一种混凝土结构裂缝智能化检测方法 |
Non-Patent Citations (4)
Title |
---|
吴选忠: "Zhang快速并行细化算法的扩展", 《福建工程学院学报》, vol. 4, no. 1, 28 February 2006 (2006-02-28), pages 89 - 92 * |
王要峰等: "基于方向链码去除骨架图像毛刺算法", 《计算机应用》, vol. 33, no. 1, 30 June 2013 (2013-06-30) * |
蔡光明: "高速铁路桥梁底面裂缝的视频检测系统研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, 15 September 2011 (2011-09-15) * |
黄卫岭: "基于图像处理技术的桥梁裂缝测量系统研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, 15 February 2014 (2014-02-15) * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008553B (zh) * | 2014-06-17 | 2017-03-22 | 武汉武大卓越科技有限责任公司 | 融合影像梯度信息和分水岭方法的裂缝检测方法 |
CN104636750B (zh) * | 2014-12-17 | 2018-09-21 | 长安大学 | 一种基于双尺度聚类算法的路面裂缝识别算法及系统 |
CN104636750A (zh) * | 2014-12-17 | 2015-05-20 | 长安大学 | 一种基于双尺度聚类算法的路面裂缝识别算法及系统 |
CN104535589A (zh) * | 2015-01-20 | 2015-04-22 | 广东电网有限责任公司电力科学研究院 | 一种低压电流互感器在线检测方法和装置 |
CN104657706A (zh) * | 2015-01-27 | 2015-05-27 | 北京大学 | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 |
CN104657706B (zh) * | 2015-01-27 | 2017-12-29 | 北京大学 | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 |
CN105387801A (zh) * | 2015-10-03 | 2016-03-09 | 上海大学 | 一种地铁隧道管片错台量检测方法 |
CN105387801B (zh) * | 2015-10-03 | 2018-05-01 | 上海大学 | 一种地铁隧道管片错台量检测方法 |
CN105574888A (zh) * | 2016-03-01 | 2016-05-11 | 浙江工业大学 | 基于灰度峰值的裂缝位置查找方法 |
CN105574888B (zh) * | 2016-03-01 | 2018-01-23 | 浙江工业大学 | 基于灰度峰值的裂缝位置查找方法 |
CN106203353B (zh) * | 2016-07-14 | 2019-11-15 | 桂林长海发展有限责任公司 | 一种飞机起落架的检测系统及方法 |
CN106203353A (zh) * | 2016-07-14 | 2016-12-07 | 桂林长海发展有限责任公司 | 一种飞机起落架的检测系统及方法 |
CN106504246B (zh) * | 2016-11-08 | 2019-04-30 | 太原科技大学 | 隧道裂缝检测的图像处理方法 |
CN106504246A (zh) * | 2016-11-08 | 2017-03-15 | 太原科技大学 | 隧道裂缝检测的图像处理方法 |
CN106934829A (zh) * | 2017-02-14 | 2017-07-07 | 中铁大桥科学研究院有限公司 | 一种表面裂缝的检测方法及系统 |
CN107392313A (zh) * | 2017-06-12 | 2017-11-24 | 五邑大学 | 一种基于深度学习的钢轨识别方法 |
CN107178054A (zh) * | 2017-06-30 | 2017-09-19 | 杜卫兵 | 一种多功能隧道清洗车的控制方法 |
CN107178054B (zh) * | 2017-06-30 | 2018-09-14 | 长乐巧通工业设计有限公司 | 一种多功能隧道清洗车的控制方法 |
CN107403427A (zh) * | 2017-07-20 | 2017-11-28 | 重庆邮电大学 | 一种基于遗传规划与渗流模型的混凝土表面裂缝检测方法 |
CN108007355B (zh) * | 2017-10-20 | 2019-06-18 | 西安电子科技大学 | 基于图像距离变换的混凝土裂缝检测方法 |
CN108007355A (zh) * | 2017-10-20 | 2018-05-08 | 西安电子科技大学 | 基于图像距离变换的混凝土裂缝检测方法 |
CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
CN109785301A (zh) * | 2018-12-27 | 2019-05-21 | 北京交通大学 | 一种基于图像处理的钢轨波磨自动识别方法与评估方法 |
CN109949294A (zh) * | 2019-03-21 | 2019-06-28 | 哈尔滨理工大学 | 一种基于OpenCV的断口形貌图裂纹缺陷提取方法 |
CN110111322A (zh) * | 2019-05-13 | 2019-08-09 | 招商局重庆交通科研设计院有限公司 | 一种基于图像的隧道病害识别系统 |
CN112258505A (zh) * | 2020-11-18 | 2021-01-22 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像的隧道裂缝宽度计算方法 |
CN113447079A (zh) * | 2021-06-29 | 2021-09-28 | 南昌路兴交通工程监理咨询有限公司 | 一种桥梁检测系统 |
CN113256714A (zh) * | 2021-07-13 | 2021-08-13 | 湖南大学 | 隧道表面图像处理方法及系统 |
CN113256714B (zh) * | 2021-07-13 | 2021-09-24 | 湖南大学 | 隧道表面图像处理方法及系统 |
CN113674213A (zh) * | 2021-07-26 | 2021-11-19 | 南京航空航天大学 | 一种基于旋转目标检测技术的地铁隧道裂缝识别方法 |
CN113674213B (zh) * | 2021-07-26 | 2024-04-09 | 南京航空航天大学 | 一种基于旋转目标检测技术的地铁隧道裂缝识别方法 |
CN116012384A (zh) * | 2023-03-28 | 2023-04-25 | 梁山水泊胶带股份有限公司 | 一种整芯阻燃输送带表面缺陷检测方法 |
CN117058047A (zh) * | 2023-10-11 | 2023-11-14 | 深圳市邦胜能源科技有限公司 | 一种锂电池极片边缘毛刺在线监测方法 |
CN117058047B (zh) * | 2023-10-11 | 2023-12-22 | 深圳市邦胜能源科技有限公司 | 一种锂电池极片边缘毛刺在线监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103839268B (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839268A (zh) | 一种地铁隧道表面裂缝的检测方法 | |
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
Li et al. | Automatic segmentation and enhancement of pavement cracks based on 3D pavement images | |
CN103364410B (zh) | 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法 | |
CN105387801B (zh) | 一种地铁隧道管片错台量检测方法 | |
CN105574521A (zh) | 房屋轮廓提取方法和装置 | |
CN107784652B (zh) | 一种基于无人机影像的杆塔快速检测方法 | |
CN102609917B (zh) | 一种基于聚类算法的图像边缘拟合b样条生成方法 | |
CN105133471A (zh) | 一种基于线结构光路面检测系统的路面深度图像生产方法 | |
CN104537651A (zh) | 一种路面图像中裂缝比例检测算法及系统 | |
CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
CN109870458B (zh) | 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法 | |
KR20200025480A (ko) | 경계선 기반 구조물의 균열 검출 장치 및 방법 | |
CN116739183B (zh) | 一种矿山安全风险预警预测系统 | |
CN109146888B (zh) | 一种基于差商分析的土裂隙分形维数计算方法 | |
CN103942809A (zh) | 检测岩石图像中节理裂隙的方法 | |
Kumar et al. | An automated road roughness detection from mobile laser scanning data | |
CN105426894A (zh) | 铁道塞钉图像检测方法及装置 | |
CN106023226A (zh) | 一种基于三维虚拟路面的裂缝自动检测方法 | |
CN104134195A (zh) | 基于块几何稀疏的图像修复方法 | |
CN116051992A (zh) | 一种裂缝识别方法 | |
Fang et al. | Towards real-time crack detection using a deep neural network with a Bayesian fusion algorithm | |
CN103177426B (zh) | 一种基于形态学的强干扰激光边缘图像修复方法 | |
Adu-Gyamfi et al. | Functional evaluation of pavement condition using a complete vision system | |
CN105574869A (zh) | 一种基于改进Laplacian边缘检测的线结构光条中心线提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210630 Address after: 100160 1018, 10th floor, building 1, yard 3, South Yuren Road, Fengtai District, Beijing Patentee after: Beijing collaborative innovation rail transit Research Institute Co.,Ltd. Address before: 100044 Beijing city Haidian District Shangyuan Village No. 3 Patentee before: Beijing Jiaotong University |