CN104700395A - 一种构造物外观裂缝检测方法及系统 - Google Patents
一种构造物外观裂缝检测方法及系统 Download PDFInfo
- Publication number
- CN104700395A CN104700395A CN201410631933.0A CN201410631933A CN104700395A CN 104700395 A CN104700395 A CN 104700395A CN 201410631933 A CN201410631933 A CN 201410631933A CN 104700395 A CN104700395 A CN 104700395A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- pixel
- binary image
- edge
- 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.)
- Pending
Links
Abstract
本发明公开了一种构造物外观裂缝检测方法及系统:读取路面图像,在路面图像上截取矩形的感兴趣区域,并对其进行Contourlet变换算法得到增强图像;对增强图像中的目标裂缝进行边缘提取,对边缘像素点相邻区域使用Canny边缘检测算子,将边缘像素点替代GAC模型边缘像素点得到二值化图像;得到最终的目标裂缝;计算最终的目标裂缝两个端点的横纵坐标之差,得到最终的目标裂缝与水平方向的夹角,旋转该裂缝至水平方向;计算裂缝宽度的最大最小值以及平均宽度值;计算目标裂缝的实际物理宽度。本发明有效降低系统运行时间,保证了分割后图像中的裂缝边缘与原始图像裂缝边缘完全保持一致,裂缝检测误差极小。
Description
技术领域
本发明属于构造物外观裂缝检测技术领域,具体涉及一种构造物外观裂缝的检测方法及系统。
背景技术
定期检测构造物外观的裂缝是否产生和扩展,是有效减少其病害状况及其影响的重要手段。当建筑物、公路、桥梁、隧道以及钢结构等构造物中出现裂缝时必须及时修复,否则将导致构造物内部的损坏或者锈蚀,严重危害构造安全。传统的裂缝检测手段为接触式检测,需要检测人员利用脚手架或云梯等在构造物表面近距离观测,一般由检测人员利用读数显微镜进行人工读数和记录,其危险性极高、劳动强度巨大、检测的客观性严重缺失。而目前先进的无损检测方法如弹性波法、电磁波法及传感仪器检测法则存在着仪器昂贵、测量范围小、无法完全实现非接触测量等缺点。
近年来,CCD技术取得了惊人的发展。CCD摄像机具有较高的动态范围、分辨率和灵敏度,能够有效地实现逆光的背景补偿,能够自动跟踪白平衡,并以数字化图像再现原始图像,因此人们开始采用CCD像机获取构造物表面图像,并通过对图像的分析获得可用信息。基于图像处理的构造物外观裂缝检测方法同时受到了众多研究者的关注。其中,裂缝是构造物外观图像的敏感区域,其提供了用于图像分割的重要信息。由于拍摄光照不同、构造物表面污染、缺陷目标形态的多样性以及受不均匀光照的影响,使得图像处理算法的优化成为裂缝提取过程中的关键。
目前,国内外针对基于图像处理的结构物外观破损自动检测算法虽然也进行了长期的研究,但绝大部分的研究工作都是建立在采集的结构物外观图像质量很好、破损形态简单且破损目标特征清晰的条件下。当采集到的结构物外观图像背景灰度不一致、存在大量噪声时,这些算法就无法准确识别裂缝目标,如果综合考虑各种构造物外观状况以及图像的高噪声、弱信号特点,将使得识别算法极为复杂,处理速度将非常缓慢。因此,目前仍缺少真正能广泛推广的结构物外观裂缝检测方法。
发明内容
针对上述现有技术中存在的缺陷或不足,本发明的一个目的在于,提供一种构造物外观裂缝检测方法。
为了实现上述目的,本发明采用如下技术方案予以实现:
一种构造物外观裂缝检测方法,具体包括如下步骤:
步骤1:读取路面图像,在路面图像上截取矩形的感兴趣区域,并对其进行2~5次基于完全冗余Contourlet变换算法进行图像增强处理,得到增强图像;
步骤2:利用GAC模型对步骤1得到的增强图像中的目标裂缝进行边缘提取得到边缘像素点,对每个边缘像素点相邻区域使用Canny边缘检测算子处理,将处理得到的边缘像素点替代GAC模型边缘像素点,最终得到二值化图像;
步骤3:去除步骤2得到的二值化图像中的孤立噪声点;
步骤4:对步骤3得到的二值化图像进行标记得到标记图像,并得到最终的目标裂缝;
步骤5:计算步骤4得到的最终的目标裂缝的两个端点的横坐标之差和纵坐标之差,得到最终的目标裂缝与水平方向的夹角,旋转该裂缝至水平方向;计算该条裂缝的宽度的最大值、最小值以及平均宽度值;
步骤6:计算目标裂缝的实际物理宽度A。
进一步的,所述步骤2包括以下步骤:
步骤21:通过GAC模型对增强图像中目标裂缝进行边缘提取,将得到的每个边缘像素点的坐标存入数组A1;
步骤22:逐一读取数组A1中的边缘像素点,将每个边缘像素点相邻5×5区域的所有像素点的灰度值使用Canny边缘检测算法进行处理,将处理后得到的矩阵中数值1对应的像素点作为有效的边缘像素点,并将它们的坐标存入数组A2;
步骤23:从数组A1读出目标裂缝的两个端点的坐标,计算该两个端点的横坐标之差以及纵坐标之差,根据差值得到目标裂缝的方向;
步骤24:对数组A1和数组A2求交集,将得到的像素点在增强图像中的灰度值均设为255,同时将增强图像中其余像素点的灰度值均设为0,得到二值化图像。
进一步的,所述步骤3包括以下步骤:
步骤31:利用3×3模板扫描步骤2得到的二值化图像,若二值化图像中像素点的连续区域小于3×3模板,则认为该连续区域是噪声,将其去除,否则保留;
步骤32:在步骤31得到的去噪后的二值化图像中,用长度为4个像素的线段,分别在与目标裂缝方向的夹角为0°、30°、60°、90°、120°和150°六个方向扫描步1得到的二值化图像,扫描的同时将线段的每个像素点与其覆盖的二值化图像中的像素点的像素值进行“与”操作,如果线段上四个像素点对应操作结果均为1,则就保留二值化图像中被 线段覆盖的四个像素值,否则将其作为噪声点去除,得到去噪后的二值化图像。
进一步的,所述步骤4包括以下步骤:
步骤41:采用像素标记法将步骤3得到的二值化图像分割为几个独立的连通区域,并用连续数值标记这些连通区域,得到标记的二值化图像;
步骤42:在标记的二值图像中找出灰度值为255的像素点最多的连通区域作为最终的目标裂缝,将其他的连通区域的像素点的灰度值均修改为0。
进一步的,所述步骤5中所述计算该条裂缝的宽度的最大值、最小值以及平均宽度值,包括以下步骤:
依次读取水平方向的每个点处对应所述裂缝的高度,作为水平方向上每个点的裂缝宽度值,存入数组A3,分别找出数组A3中裂缝宽度值的最大的5个和最小的5个;对最大5个值求和后取平均值,作为该条裂缝宽度的最大值;对最小5个值求和后取平均值,作为该条裂缝宽度的最小值;对数组A3求平均值,作为该条裂缝的平均宽度A′。
进一步的,所述步骤6的计算公式如下:
式中,L为物距,单位:mm,f为镜头焦距,单位:mm;A为目标裂缝的实际物理宽度,单位:mm;A′为目标裂缝的平均宽度值;a为相机CCD长边的物理长度,a’为拍摄图像长边逻辑像素点数。
本发明的另一个目的在于,提供一种构造物外观裂缝检测系统,具体包括如下模块:
路面图像增强模块,用于读取路面图像,在路面图像上截取矩形的感兴趣区域,并对其进行2~5次基于完全冗余Contourlet变换算法进行图像增强处理,得到增强图像;
边缘像素提取及二值化模块,用于利用GAC模型对路面图像增强模块输出的增强图像中的目标裂缝进行边缘提取得到边缘像素点,对每个边缘像素点相邻区域使用Canny边缘检测算子处理,将处理得到的边缘像素点替代GAC模型边缘像素点,得到二值化图像;
去噪模块,用于去除得到的二值化图像中的孤立噪声点;
标记模块,用于对去噪模块输出的二值化图像进行标记得到标记图像,并得到最终的目标裂缝;
裂缝提取模块,用于计算最终的目标裂缝的两个端点的横坐标之差和纵坐标之差,得到最终的目标裂缝与水平方向的夹角,旋转该裂缝至水平方向;计算该条裂缝的宽度 的最大值、最小值以及平均宽度值;
裂缝宽度计算模块,用于计算目标裂缝的实际物理宽度A。
进一步的,所述边缘像素提取及二值化模块包括如下子模块:
第一子模块,用于通过GAC模型对增强图像中目标裂缝进行边缘提取,将得到的每个边缘像素点的坐标存入数组A1;
第二子模块,用于逐一读取数组A1中的边缘像素点,将每个边缘像素点相邻5×5区域的所有像素点的灰度值使用Canny边缘检测算法进行处理,将处理后得到的矩阵中数值1对应的像素点作为有效的边缘像素点,并将它们的坐标存入数组A2;
第三子模块,用于从数组A1读出目标裂缝的两个端点的坐标,计算该两个端点的横坐标之差以及纵坐标之差,根据差值得到目标裂缝的方向;
第四子模块,用于对数组A1和数组A2求交集,将得到的像素点在增强图像中的灰度值均设为255,同时将增强图像中其余像素点的灰度值均设为0,得到二值化图像。
进一步的,所述去噪模块包括以下子模块:
第一子模块,用于利用3×3模板扫描边缘像素提取及二值化模块输出的二值化图像,若二值化图像中像素点的连续区域小于3×3模板,则认为该连续区域是噪声,将其去除,否则保留;
第二子模块,用于在所述第一子模块得到的去噪后的二值化图像中,用长度为4个像素的线段,分别在与目标裂缝方向的夹角为0°、30°、60°、90°、120°和150°六个方向扫描步1得到的二值化图像,扫描的同时将线段的每个像素点与其覆盖的二值化图像中的像素点的像素值进行“与”操作,如果线段上四个像素点对应操作结果均为1,则就保留二值化图像中被线段覆盖的四个像素值,否则将其作为噪声点去除,得到去噪后的二值化图像。
进一步的,所述标记模块包括以下子模块:
第一子模块,用于采用像素标记法将去噪模块输出的二值化图像分割为几个独立的连通区域,并用连续数值标记这些连通区域,得到标记的二值化图像;
第二子模块,用于在标记的二值图像中找出灰度值为255的像素点最多的连通区域作为最终的目标裂缝,将其他的连通区域的像素点的灰度值均修改为0。
与现有的裂缝检测方法相比较,本发明的有益效果如下:
1)相比目前国内外现有裂缝检测手段,本发明的系统结构简单明确、操作过程容易掌握、人工劳动强度低、多种数据有效融合,且投入成本较低;
2)本发明通过人工交互式方法对结构物外观图像中的裂缝敏感区域进行任意大小的截取,可大幅降低光照不均及图像背景噪声点的影响,减少图像处理算法的处理范围,有效降低系统运行时间;
3)结合GAC模型和Canny迭代算法,保证了分割后图像中的裂缝边缘与原始图像裂缝边缘完全保持一致,裂缝检测误差极小;
4)无需用贴片等方式进行裂缝标定,能够依据物距与镜头焦距等参数的关系,提取结构物外观任意位置裂缝物理宽度,同时通过对5组数据的进行均值运算,进一步降低裂缝宽度计算的误差,因此检测精度较高。
附图说明
图1是本发明中构造物外观图像的采集装置的结构框图。
图2是本发明的结构物外观裂缝检测方法的流程图。
以下结合附图和具体实施方式对本发明进行详细说明。
具体实施方式
以下是发明人给出的实施例,需要说明的是,给出以下实施例的目的是为了清楚地说明本发明的具体执行过程,本发明所要求保护的范围不限于该实施例。
实施例:
首先,需要说明的是,本发明的构造物外观裂缝检测方法所处理的原始对象为构造物外观图像,如图1所示,本实施例中,构造物外观图像的采集装置由数字单反相机、长焦镜头、增距仪、相机闪光灯、红外距离传感器和角度传感器组成。针对远距离非接触构造物外观裂缝的检测精度要求,数字单反相机选用Nikon D300,其分辨率达到4288×2048像素。依据成像原理,要求镜头焦距达到1000mm以上才能在20m距离检测到0.1mm的裂缝,同时考虑成本因素;采用500mm长焦镜头,搭配增距仪,使成像焦距达到1000mm。拍摄图像时可利用计算机控制相机快门,避免手动拍摄时造成的抖动。
如图1、图2所示,本实施例的构造物外观裂缝检测方法,具体包括如下步骤:
步骤1:读取路面图像,在路面图像上截取一个60×30像素大小的感兴趣区域,并对其进行3次基于完全冗余Contourlet变换算法进行图像增强处理,得到如图2(b)所示的增强图像。
该步骤的目的是为了使裂缝边缘清晰化,使背景平滑。其中,所述的基于完全冗余Contourlet变换算法采用《Contourle变换-影像处理应用》中2.3节的记载。
步骤2:利用GAC模型对步骤1得到的增强图像中的目标裂缝进行边缘提取得到边 缘像素点,对每个边缘像素点相邻区域使用Canny边缘检测算子处理,将处理得到的边缘像素点替代GAC模型边缘像素点,最终得到二值化图像。具体步骤如下:
步骤21:通过GAC模型对增强图像中目标裂缝进行边缘提取,将得到的每个边缘像素点的坐标存入数组A1;
步骤22:逐一读取数组A1中的边缘像素点,将每个边缘像素点相邻5×5区域的所有像素点的灰度值使用Canny边缘检测算法进行处理,将处理后得到的矩阵中数值1对应的像素点作为有效的边缘像素点,并将它们的坐标存入数组A2;
步骤23:从数组A1读出目标裂缝的两个端点的坐标,计算该两个端点的横坐标之差以及纵坐标之差,根据差值得到目标裂缝的方向;
步骤24:对数组A1和数组A2求交集,将得到的像素点在增强图像中的灰度值均设为255,同时将增强图像中其余像素点的灰度值均设为0,得到如图2(c)所示的二值化图像。
步骤3:去除步骤2得到的二值化图像中的孤立噪声点;该步骤的目的是完全去除步骤2得到的二值化图像中孤立的噪声点。具体步骤如下:
步骤31:利用3×3模板扫描步骤3得到的二值化图像,若图像中像素点的连续区域小于3×3模板,则认为该连续区域是噪声,将其去除,否则保留;其中,去除是指将该连续区域像素灰度值设置为0,保留则是将该连续区域的像素灰度值设置为255。
步骤32:在步骤31得到的去噪后的二值化图像中,用长度为4个像素的线段,在与目标裂缝方向的夹角为0°、30°、60°、90°、120°和150°共六个方向分别扫描步骤31得到的二值化图像,扫描的同时将线段的每个像素点与其覆盖的二值化图像中的像素点的像素值进行“与”操作,如果线段上四个像素点对应操作结果均为1,则就保留二值化图像中被线段覆盖的四个像素值,否则将其作为噪声点去除,得到去噪后的二值化图像。
由于工程实践中发现,由于构造物受外力影响,产生的裂缝方向多种多样,因此,相比其他算法采用的四方向算法,本发明采用六个方向的线段进行扫描,能够更好的保留尽可能多方向上的裂缝,减少算法的误差。
步骤4:对步骤3得到的二值化图像进行标记得到标记图像,并得到最终的目标裂缝。具体步骤如下:
步骤41:采用像素标记法将步骤3得到的二值化图像分割为几个独立的连通区域,并用连续数值标记这些连通区域,得到如图2(d)所示的标记的二值化图像;
步骤42:在标记的二值图像中找出灰度值为255的像素点最多的连通区域作为最终 的目标裂缝,将其他的连通区域的像素点的灰度值均置为0。运行结果见图2(e)。
步骤5:计算步骤4得到的最终的目标裂缝的两个端点的横坐标之差和纵坐标之差,得到最终的目标裂缝与水平方向的夹角,旋转该裂缝至水平方向;依次读取水平方向的每个点处对应的裂缝的高度,作为水平方向上每个点的裂缝宽度值,存入数组A3,分别找出数组A3中裂缝宽度值的最大的5个值和最小的5个值。对最大的5个值求和后取平均值,作为该条裂缝宽度的最大值;对最小的5个值求和后取平均值,作为该条裂缝宽度的最小值;以降低裂缝计算误差。另外,对数组A3求平均值,作为该条裂缝的平均宽度A′。
步骤6:计算目标裂缝的实际物理宽度;计算原理如下:
已知透镜成像公式:
其中,L′为相距,单位:mm;L为物距,物距指测距装置与被测目标之间的距离,单位:mm;f为镜头焦距(单位:mm);由式(1)得式(2):
另外,成像放大倍数θ为:
其中,A为目标尺寸,目标尺寸即裂缝实际物理宽度,单位:mm;A′为平均宽度值,在本发明中即步骤5得到的图像中目标裂缝宽度的最大值、最小值和平均宽度值A′。
综上,在物距L与镜头焦距f已知的情况下,当测量出目标裂缝的平均宽度值A′,即得到裂缝实际物理宽度A:
式中,a为相机CCD长边的物理长度,a’为拍摄图像长边逻辑像素点数。
本实施例中,拍摄距离为16米,即物距L取值为16000mm,镜头焦距f为1000mm,A′为步骤6得到的裂缝宽度像素数,Nikon D300系列单反相机,故相机CCD长边的物理长度a=23.6,拍摄图像长边逻辑像素点数a’=4288。
按照本发明提出的裂缝检测方法,并依据上述公式求得该条裂缝宽度最大值为 0.15mm,最小值为0.13mm,裂缝平均宽度A′为0.14mm;同时,对该路面上的对应目标裂缝采用人工显微镜进行观测,观测得到的裂缝宽度为0.15mm,与本发明得到的裂缝的平均宽度进行比较,误差为0.01mm。可见,采用本发明的裂缝检测方法进行裂缝检测,其检测误差较小。
由于采用人机交互方式截取裂缝目标,本发明的裂缝检测算法大大减少了后续图像处理算法的运算区域,相比其他算法快。
在算法实现程序中加入了时间检测函数可得上述图像分割算法的运算延时,见表1。
表1裂缝图像处理算法延时
从表1的结果可以看出,本文的算法运行时间明显少于迭代Canny算法、数学形态学算法、几何活动轮廓模型算法和C-V模型算法的运行时间。
Claims (10)
1.一种构造物外观裂缝检测方法,其特征在于,包括如下步骤:
步骤1:读取路面图像,在路面图像上截取矩形的感兴趣区域,并对其进行2~5次基于完全冗余Contourlet变换算法进行图像增强处理,得到增强图像;
步骤2:利用GAC模型对步骤1得到的增强图像中的目标裂缝进行边缘提取得到边缘像素点,对每个边缘像素点相邻区域使用Canny边缘检测算子处理,将处理得到的边缘像素点替代GAC模型边缘像素点,最终得到二值化图像;
步骤3:去除步骤2得到的二值化图像中的孤立噪声点;
步骤4:对步骤3得到的二值化图像进行标记得到标记图像,并得到最终的目标裂缝;
步骤5:计算步骤4得到的最终的目标裂缝的两个端点的横坐标之差和纵坐标之差,得到最终的目标裂缝与水平方向的夹角,旋转该裂缝至水平方向;计算该条裂缝的宽度的最大值、最小值以及平均宽度值;
步骤6:计算目标裂缝的实际物理宽度A。
2.如权利要求1所述的构造物外观裂缝检测方法,其特征在于,所述步骤2包括以下步骤:
步骤21:通过GAC模型对增强图像中目标裂缝进行边缘提取,将得到的每个边缘像素点的坐标存入数组A1;
步骤22:逐一读取数组A1中的边缘像素点,将每个边缘像素点相邻5×5区域的所有像素点的灰度值使用Canny边缘检测算法进行处理,将处理后得到的矩阵中数值1对应的像素点作为有效的边缘像素点,并将它们的坐标存入数组A2;
步骤23:从数组A1读出目标裂缝的两个端点的坐标,计算该两个端点的横坐标之差以及纵坐标之差,根据差值得到目标裂缝的方向;
步骤24:对数组A1和数组A2求交集,将得到的像素点在增强图像中的灰度值均设为255,同时将增强图像中其余像素点的灰度值均设为0,得到二值化图像。
3.如权利要求1所述的构造物外观裂缝检测方法,其特征在于,所述步骤3包括以下步骤:
步骤31:利用3×3模板扫描步骤2得到的二值化图像,若二值化图像中像素点的连续区域小于3×3模板,则认为该连续区域是噪声,将其去除,否则保留;
步骤32:在步骤31得到的去噪后的二值化图像中,用长度为4个像素的线段,分别在与目标裂缝方向的夹角为0°、30°、60°、90°、120°和150°六个方向扫描步1得到的二值化图像,扫描的同时将线段的每个像素点与其覆盖的二值化图像中的像素点的像素值进行“与”操作,如果线段上四个像素点对应操作结果均为1,则就保留二值化图像中被线段覆盖的四个像素值,否则将其作为噪声点去除,得到去噪后的二值化图像。
4.如权利要求1所述的构造物外观裂缝检测方法,其特征在于,所述步骤4包括以下步骤:
步骤41:采用像素标记法将步骤3得到的二值化图像分割为几个独立的连通区域,并用连续数值标记这些连通区域,得到标记的二值化图像;
步骤42:在标记的二值图像中找出灰度值为255的像素点最多的连通区域作为最终的目标裂缝,将其他的连通区域的像素点的灰度值均修改为0。
5.如权利要求1所述的构造物外观裂缝检测方法,其特征在于,所述步骤5中所述计算该条裂缝的宽度的最大值、最小值以及平均宽度值,包括以下步骤:
依次读取水平方向的每个点处对应所述裂缝的高度,作为水平方向上每个点的裂缝宽度值,存入数组A3,分别找出数组A3中裂缝宽度值的最大的5个和最小的5个;对最大5个值求和后取平均值,作为该条裂缝宽度的最大值;对最小5个值求和后取平均值,作为该条裂缝宽度的最小值;对数组A3求平均值,作为该条裂缝的平均宽度A′。
6.如权利要求1所述的构造物外观裂缝检测方法,其特征在于,所述步骤6的计算公式如下:
式中,L为物距,单位:mm,f为镜头焦距,单位:mm;A为目标裂缝的实际物理宽度,单位:mm;A′为最终的目标裂缝的像素数;a为相机CCD长边的物理长度,a’为拍摄图像长边逻辑像素点数。
7.一种构造物外观裂缝检测系统,其特征在于,具体包括如下模块:
路面图像增强模块,用于读取路面图像,在路面图像上截取矩形的感兴趣区域,并对其进行2~5次基于完全冗余Contourlet变换算法进行图像增强处理,得到增强图像;
边缘像素提取及二值化模块,用于利用GAC模型对路面图像增强模块输出的增强图像中的目标裂缝进行边缘提取得到边缘像素点,对每个边缘像素点相邻区域使用Canny边缘检测算子处理,将处理得到的边缘像素点替代GAC模型边缘像素点,得到二值化图像;
去噪模块,用于去除得到的二值化图像中的孤立噪声点;
标记模块,用于对去噪模块输出的二值化图像进行标记得到标记图像,并得到最终的目标裂缝;
裂缝提取模块,用于计算最终的目标裂缝的两个端点的横坐标之差和纵坐标之差,得到最终的目标裂缝与水平方向的夹角,旋转该裂缝至水平方向;计算该条裂缝的宽度的最大值、最小值以及平均宽度值;
裂缝宽度计算模块,用于计算目标裂缝的实际物理宽度A。
8.如权利要求7所述的构造物外观裂缝检测方法,其特征在于,所述边缘像素提取及二值化模块包括如下子模块:
第一子模块,用于通过GAC模型对增强图像中目标裂缝进行边缘提取,将得到的每个边缘像素点的坐标存入数组A1;
第二子模块,用于逐一读取数组A1中的边缘像素点,将每个边缘像素点相邻5×5区域的所有像素点的灰度值使用Canny边缘检测算法进行处理,将处理后得到的矩阵中数值1对应的像素点作为有效的边缘像素点,并将它们的坐标存入数组A2;
第三子模块,用于从数组A1读出目标裂缝的两个端点的坐标,计算该两个端点的横坐标之差以及纵坐标之差,根据差值得到目标裂缝的方向;
第四子模块,用于对数组A1和数组A2求交集,将得到的像素点在增强图像中的灰度值均设为255,同时将增强图像中其余像素点的灰度值均设为0,得到二值化图像。
9.如权利要求6所述的构造物外观裂缝检测方法,其特征在于,所述去噪模块包括以下子模块:
第一子模块,用于利用3×3模板扫描边缘像素提取及二值化模块输出的二值化图像,若二值化图像中像素点的连续区域小于3×3模板,则认为该连续区域是噪声,将其去除,否则保留;
第二子模块,用于在所述第一子模块得到的去噪后的二值化图像中,用长度为4个像素的线段,分别在与目标裂缝方向的夹角为0°、30°、60°、90°、120°和150°六个方向扫描步1得到的二值化图像,扫描的同时将线段的每个像素点与其覆盖的二值化图像中的像素点的像素值进行“与”操作,如果线段上四个像素点对应操作结果均为1,则就保留二值化图像中被线段覆盖的四个像素值,否则将其作为噪声点去除,得到去噪后的二值化图像。
10.如权利要求1所述的构造物外观裂缝检测方法,其特征在于,所述标记模块包括以下子模块:
第一子模块,用于采用像素标记法将去噪模块输出的二值化图像分割为几个独立的连通区域,并用连续数值标记这些连通区域,得到标记的二值化图像;
第二子模块,用于在标记的二值图像中找出灰度值为255的像素点最多的连通区域作为最终的目标裂缝,将其他的连通区域的像素点的灰度值均修改为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410631933.0A CN104700395A (zh) | 2014-11-11 | 2014-11-11 | 一种构造物外观裂缝检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410631933.0A CN104700395A (zh) | 2014-11-11 | 2014-11-11 | 一种构造物外观裂缝检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104700395A true CN104700395A (zh) | 2015-06-10 |
Family
ID=53347479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410631933.0A Pending CN104700395A (zh) | 2014-11-11 | 2014-11-11 | 一种构造物外观裂缝检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700395A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320962A (zh) * | 2015-10-21 | 2016-02-10 | 东南大学 | 一种基于分类器集成的路面破损类型识别方法 |
CN106127731A (zh) * | 2016-06-12 | 2016-11-16 | 浙江清华长三角研究院 | 基于触控标注与图像处理的焊缝识别方法 |
CN106225702A (zh) * | 2016-08-03 | 2016-12-14 | 武汉科技大学 | 裂缝宽度检测装置和方法 |
CN107230202A (zh) * | 2017-05-16 | 2017-10-03 | 淮阴工学院 | 路面病害图像的自动识别方法和系统 |
CN108257138A (zh) * | 2018-01-26 | 2018-07-06 | 西安工程大学 | 一种基于边缘检测的瓷质绝缘子裂缝特征检测方法 |
CN109325421A (zh) * | 2018-08-28 | 2019-02-12 | 武汉真元生物数据有限公司 | 一种基于边缘检测的睫毛去除方法及系统 |
CN109459127A (zh) * | 2018-11-27 | 2019-03-12 | 华南农业大学 | 一种基于matlab图像处理非接触式叶片风振测量方法 |
CN110337084A (zh) * | 2019-07-10 | 2019-10-15 | 北京交通大学 | 一种轨道板上拱分布式监控方法及系统 |
CN111242851A (zh) * | 2020-04-10 | 2020-06-05 | 北京思莫特科技有限公司 | 一种混凝土结构表面裂缝检测方法及系统 |
CN112307803A (zh) * | 2019-07-25 | 2021-02-02 | 中国石油天然气股份有限公司 | 数字地质露头裂缝提取方法及装置 |
CN113160168A (zh) * | 2021-04-16 | 2021-07-23 | 浙江高速信息工程技术有限公司 | 基于裂隙图像二值化连通区域的噪声处理方法和系统 |
CN115456956A (zh) * | 2022-08-19 | 2022-12-09 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
CN117058129A (zh) * | 2023-10-09 | 2023-11-14 | 安徽建筑大学 | 基于图像处理的桥梁表观病害自动识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419331A (zh) * | 2011-08-15 | 2012-04-18 | 长安大学 | 桥梁结构裂纹缺陷的图像采集与分析系统 |
-
2014
- 2014-11-11 CN CN201410631933.0A patent/CN104700395A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419331A (zh) * | 2011-08-15 | 2012-04-18 | 长安大学 | 桥梁结构裂纹缺陷的图像采集与分析系统 |
Non-Patent Citations (5)
Title |
---|
李刚等: "《不均匀光照的路面裂缝检测和分类新方法》", 《光子学报》 * |
李刚等: "《桥梁下部结构裂缝提取的改进C-V模型算法》", 《交通运输工程学报》 * |
李刚等: "《远距离混凝土桥梁结构表面裂缝精确提取算法》", 《中国公路学报》 * |
申家双等: "《基于Canny算子和GAC模型相结合的影像水边线提取方法》", 《测绘科学技术学报》 * |
薛晶滢等: "《基于GAC模型实现交互式图像分割的改进算法》", 《电子技术应用》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320962A (zh) * | 2015-10-21 | 2016-02-10 | 东南大学 | 一种基于分类器集成的路面破损类型识别方法 |
CN106127731A (zh) * | 2016-06-12 | 2016-11-16 | 浙江清华长三角研究院 | 基于触控标注与图像处理的焊缝识别方法 |
CN106127731B (zh) * | 2016-06-12 | 2019-03-05 | 浙江清华长三角研究院 | 基于触控标注与图像处理的焊缝识别方法 |
CN106225702A (zh) * | 2016-08-03 | 2016-12-14 | 武汉科技大学 | 裂缝宽度检测装置和方法 |
CN107230202A (zh) * | 2017-05-16 | 2017-10-03 | 淮阴工学院 | 路面病害图像的自动识别方法和系统 |
CN108257138A (zh) * | 2018-01-26 | 2018-07-06 | 西安工程大学 | 一种基于边缘检测的瓷质绝缘子裂缝特征检测方法 |
CN109325421B (zh) * | 2018-08-28 | 2021-01-26 | 武汉真元生物数据有限公司 | 一种基于边缘检测的睫毛去除方法及系统 |
CN109325421A (zh) * | 2018-08-28 | 2019-02-12 | 武汉真元生物数据有限公司 | 一种基于边缘检测的睫毛去除方法及系统 |
CN109459127A (zh) * | 2018-11-27 | 2019-03-12 | 华南农业大学 | 一种基于matlab图像处理非接触式叶片风振测量方法 |
CN110337084A (zh) * | 2019-07-10 | 2019-10-15 | 北京交通大学 | 一种轨道板上拱分布式监控方法及系统 |
CN112307803A (zh) * | 2019-07-25 | 2021-02-02 | 中国石油天然气股份有限公司 | 数字地质露头裂缝提取方法及装置 |
CN111242851A (zh) * | 2020-04-10 | 2020-06-05 | 北京思莫特科技有限公司 | 一种混凝土结构表面裂缝检测方法及系统 |
CN113160168A (zh) * | 2021-04-16 | 2021-07-23 | 浙江高速信息工程技术有限公司 | 基于裂隙图像二值化连通区域的噪声处理方法和系统 |
CN115456956A (zh) * | 2022-08-19 | 2022-12-09 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
CN117058129A (zh) * | 2023-10-09 | 2023-11-14 | 安徽建筑大学 | 基于图像处理的桥梁表观病害自动识别方法 |
CN117058129B (zh) * | 2023-10-09 | 2024-01-12 | 安徽建筑大学 | 基于图像处理的桥梁表观病害自动识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700395A (zh) | 一种构造物外观裂缝检测方法及系统 | |
US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
Li et al. | Long-distance precision inspection method for bridge cracks with image processing | |
CN108759973B (zh) | 一种水位测量方法 | |
Shan et al. | A stereovision-based crack width detection approach for concrete surface assessment | |
CN111855664B (zh) | 一种可调节隧道病害三维检测系统 | |
US10931871B2 (en) | Pipeline detection method and apparatus, and storage medium | |
CN105784710B (zh) | 一种基于数字图像处理的混凝土桥梁裂缝检测装置 | |
JP6620477B2 (ja) | コンクリートのひび割れ検出方法及び検出プログラム | |
CN102297660B (zh) | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 | |
CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
CN108764257A (zh) | 一种多视角的指针式仪表识别方法 | |
CN102768762B (zh) | 一种针对盾构隧道病害数字照相检测的数码相机标定方法及其装置 | |
CN106677037B (zh) | 基于机器视觉的便携式沥青路面病害检测方法及装置 | |
CN107392849B (zh) | 基于图像细分的靶标识别与定位方法 | |
CN107631782B (zh) | 一种基于Harris角点检测的水位检测方法 | |
CN107358628B (zh) | 基于靶标的线阵图像处理方法 | |
CN105335973A (zh) | 运用于带钢加工生产线的视觉处理方法 | |
CN105547602A (zh) | 一种地铁隧道管片渗漏水的远距离测量方法 | |
CN107092905B (zh) | 一种电力巡检机器人的待识别仪器定位方法 | |
CN103149087B (zh) | 一种基于随动视窗与数字图像的非接触式实时应变测量方法 | |
CN111724354B (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
Adhikari et al. | Image-based retrieval of concrete crack properties | |
CN113884011A (zh) | 一种非接触式混凝土表观裂缝测量设备和方法 | |
CN115578315A (zh) | 一种基于无人机图像的桥梁应变近景摄影测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150610 |