CN105574888B - 基于灰度峰值的裂缝位置查找方法 - Google Patents
基于灰度峰值的裂缝位置查找方法 Download PDFInfo
- Publication number
- CN105574888B CN105574888B CN201610115242.4A CN201610115242A CN105574888B CN 105574888 B CN105574888 B CN 105574888B CN 201610115242 A CN201610115242 A CN 201610115242A CN 105574888 B CN105574888 B CN 105574888B
- Authority
- CN
- China
- Prior art keywords
- crack
- value
- gray
- pixel
- target
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Image Analysis (AREA)
Abstract
一种基于灰度峰值的裂缝位置查找方法,包括以下步骤:1)初始化,对于目标图像进行灰度变换和负相变换转换为负相灰度图,同时设定初始阈值;2)裂缝目标像素点的链式搜索,基于灰度峰值的目标像素点查找算法流程如图2所示;3)排除置信区间外的可疑点,利用高次曲线拟合裂缝。本发明提供一种对背景中的离散噪声点抑制能力较好,采用灰度峰值链式搜索和曲线拟合实现裂缝位置查找的方法。
Description
技术领域
本发明属于图象处理技术领域,具体涉及一种裂缝位置查找方法。
背景技术
交通的便利促进当地的经济发展,经济发展又反作用于交通的建设,随着我国经济飞速发展,建造了大量的道路与桥梁,而这些建筑物会随着时间推移而出现许多裂缝,过宽的裂缝不但影响建筑结构的美观,而且会导致混凝土中钢筋锈蚀,加速混凝土老化,削弱建筑物的负载能力,影响建筑物的使用可靠性。不同于以往,如今的桥梁都是几百甚至近千米长,起到了城市与城市间交通枢纽的作用,一旦发生断裂或坍塌,轻则为交通运输带来不便,重则造成车祸甚至危害广大人民群众的生命财产安全。除此之外,因为中国近十几年的经济飞速发展,许多桥梁也是满负荷或超负荷地服役了十几年,桥梁的“老龄化”也在加剧。因此,对大中型桥梁进行定期检测,确保这些建筑物的使用可靠性变得刻不容缓。但是,目前的人工检测方法存在着费时费力,低效率高成本的弊端。
因此,将数字图像处理技术应用于桥梁表面缺陷检测中,不仅可以提高工作效率,而且对桥梁表面缺陷的客观评估具有重要意义。董安国等人对裂缝图像利用谱聚类算法将连通分量聚类,再通过局部旋转算法对裂缝的宽度进行了二次数值计算,能去掉较多的噪声,抗噪能力强,但是存在聚类中心点的初始化问题,并且自适应性较差。李刚等人基于Snake主动轮廓模型图像分割算法,融合距离传感器信息进行裂缝的检测,提高了精度,却也降低了处理效率。张雷等人采用基于视觉模型的路面裂缝检测方法;杨美玲提出了一种改进的Canny算子检测裂缝的边缘,并将连通域轮廓跟踪算法应用于裂缝边缘提取,得到了连续的裂缝轮廓;Abdel-Qader等人将快速Haar小波变换与快速傅立叶变换、Sobel与Canny算子等边缘检测方法进行对比,得出了快速Haar小波变换识别率高,但是存在对细微裂纹的检测效果较差,影响裂缝的提取,而且计算量较大等问题。李广等人利用Chen-Vese模型与Canny边缘检测技术相结合,使用能量函数计算目标的能量值进行图像分割。进行裂缝检测中,最终的目的是将裂缝对象与背景分离,即将图像进行分割。但是由于图像背景的复杂性,以及拍摄过程中的硬件噪声和环境中的光影变幻,都会对图像处理结果造成很大影响,因此在众多的图像分割手段中,并没有哪一种方法能够普遍适用于任意图像的分割。
发明内容
为了克服已有裂缝查找算法精度不高、处理噪声点能力差的不足,本发明提供一种精度较高、抑制噪声像素点能力良好的基于灰度峰值的裂缝位置查找方法。
本发明解决其技术问题所采用的技术方案是:
一种基于灰度峰值的裂缝位置查找方法,所述方法包括以下步骤:
1)初始化,对于目标图像进行灰度变换和负相变换,将其转换为负相灰度图,同时设定初始阈值,过程如下:
1.1)采用RGB彩色空间下的灰度变换,将原本的彩色图像变换为灰度图,将灰度图进行负相变换,即将原本代表裂缝的较小灰度值变为较大值;
1.2)定义查找过程中的阈值:num1为单次连续查找的裂缝目标像素点数,tre_high、tre_low为判断目标的标准差阈值上下限;
2)裂缝目标像素点的查找,过程如下:
2.1)对于步骤1.1)中的负相灰度图,首先查找最大的灰度像素值,并记录其坐标位置(xi,yi),定义其索引值为indexi=n_i,其中n代表查找全局峰值的循环次数,i代表单次查找过程中的目标索引值,i=1,2,3,…,num1;
2.2)顺时针遍历(xi,yi)点的直接邻接像素点p1、p2、p3、p4,计算目标像素点(xi,yi)及其直接邻接像素点p1、p2、p3、p4的标准差,记为stdi,若stdi满足tre_low<stdi<tre_high,i≤num1,则查找像素点p1、p2、p3、p4中的最大值pmax,并将该像素点加入到当前查找过程,此时i=i+1,并将pmax记为下一个目标像素点(xi,yi),定义其索引值indexi=n_i;
重复步骤2.2),直到stdi超出了tre_high、tre_low所限定的标准差阈值上下限或者查找次数i超出了num1所限定的单次连续查找裂缝目标像素点数,则结束本次查找;
2.3)在查找过程中,将之前单次查找中被吸收为目标像素点矩形区域内的像素值置零;结束了步骤2.2)所述的单次查找后,计算原灰度图中的类间方差值,将所有被吸收为目标像素点的类记为cg,类cg点数占图像比例为wcg,平均灰度为ucg;将未加入索引的背景记为cb,类cb点数占图像比例为wcb,平均灰度为ucb,则此时图像的总平均灰度为:un=wcg*ucg+wcb*ucb,类cg和类cb的类间方差为:
gn=wcg*(ucg-un)2+wcb*(ucb-un)2 (1)
将当前次类间方差gn与前次类间方差gn-1相比较,n≥2,若gn<gn-1,则跳到步骤2.4);反之,则继续查找剩余未被吸收为目标的像素点中的全局最大值,并重复以上步骤,此时的n=n+1;
2.4)结束目标像素点的查找;
3)曲线拟合裂缝,过程如下:
3.1)得到目标像素点(xi,yi)的x值与y值,对于小范围内的单条裂缝,根据回归分析中逆函数y=b0+b1/x来拟合此函数关系,令x′=1/x,则y=b0+b1*x′,则利用线性回归模型得到拟合yi=f(xi)曲线;其中x是自变量,y是自变量x的函数;对于图像,将行坐标作为x值,列坐标作为y值,图像左上角作为原点,即将标准的直角坐标系顺时针旋转90°,x轴指向下,y轴指向右;
3.2)采用残差分析计算拟合函数的各残差分布特征,并求得k个奇异点集合(c1,c2,...,ck);
3.3)将得到的k个奇异点集合排除,对剩余目标对象进行三次曲线的拟合,输出高次曲线的拟合结果并结束。
进一步,所述步骤2.3)中,将之前单次查找中被吸收为目标像素点矩形区域内的像素值置零的过程为:对于同一n值,查找其对应的横坐标最大值xmax、最小值xmin,纵坐标的最大值ymax、最小值ymin,将由其组成的矩形区域中的像素值置零。
更进一步,所述步骤2.2)中,对灰度值较大的噪声点进行检测,检测策略为:单次查找有限个数的像素点,并将当前次检测结果的矩形区域内像素值置零,减少孤立的噪声点的影响。
所述步骤2.3)中,对目标和背景进行分割,分割策略为:将当前的所有目标与背景计算所得的类间方差与前次的类间方差相比较,根据最大类间方差法,当类间方差取得最大值时,认为目标与背景的差异最大。
所述步骤3.3)中,对灰度值较大的噪声点进行检测,检测策略为:孤立的噪声点脱离了所在的拟合曲线上,不能描述当前的目标裂缝,即如果当在步骤2)中检测出的目标像素点远离拟合曲线,超出了置信区间范围,那么该目标像素点属于可疑点,应当删除,将排除离群点后的小范围内单条裂缝利用高次曲线拟合,得到裂缝所在的位置。
本发明的技术构思为:基于灰度峰值的裂缝位置查找算法,抑制背景噪声点的影响,对小范围内的单条裂缝进行自动查找。首先进行原始图像的灰度变换和负相变换,再利用负相灰度图中裂缝的像素值较大的特点,进行多次有限相似邻接像素点的查找,利用最大类间方差法判定迭代出口,得到多个离散的目标团。用一次曲线进行拟合,计算残差值并分析排除离群点,再通过高次曲线拟合落在置信区间内的点,得到裂缝的位置信息。
本发明的有益效果主要表现在:对背景中的离散噪声点抑制能力较好,采用灰度峰值查找和曲线拟合实现裂缝的位置确定,降低了图像分割的参数敏感性问题。在真实图像上的实验结果表明,该算法具有良好的适用性和精度,能够有效的处理小范围内的单条裂缝,取得较好的查找效果。
附图说明
图1是遍历目标像素点的直接邻接像素的示意图。
图2是本文算法整体框架示意图。
图3是基于灰度峰值的目标像素点查找算法流程图。
图4是样本数据分布与单次查找过程示意图,tre_high=40,tre_low=20,num1=100,其中,图4(a)为包含有裂缝信息的负相灰度图原始数据,通过查找图中的全局最大值为224,计算该点及其直接邻接像素点的标准差为28.6,落在上下限阈值范围内,符合要求,则记录其坐标为(2,3),并标记索引值为1_1;图4(b)为经过前述查找后的表示形式,接着查找索引为1_1的最大直接邻接像素值为217,计算该点及其直接邻接像素点的标准差为32.5,落在上下限阈值范围内,符合要求,则记录其坐标为(2,4),并标记索引为1_2;图4(c)为经过前述查找后的表示形式,接着查找索引为1_2的最大直接邻接像素值为202,计算该点及其直接邻接像素点的标准差为36.4,落在上下限阈值范围内,符合要求,则记录坐标为(2,5),并标记索引为1_3,然后不断重复这样的链式查找;图4(d)为查找到索引值为1_20时的表示形式,然后查找其最大直接邻接像素值为137,计算该点及其直接邻接像素点的标准差为4.2,超出tre_high、tre_low限定的阈值范围,结束如步骤2.2)所述的单次查找。当然,结束查找的出口除了超出上下限阈值限定这一条件,还有就是查找次数这一约束条件,如果将图中的“num1=100”改为“num1=10”,则是重复10次并记录10个像素点就结束,而不是记录如图4(d)所示的20个像素点。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图4,一种基于灰度峰值的裂缝位置查找方法,包括以下步骤:
1)初始化,对于目标图像进行灰度变换和负相变换转换为负相灰度图,同时设定初始阈值。
1.1)采用RGB彩色空间下的灰度变换,将原本的彩色图像变换为灰度图,为了检测及描述的方便,将灰度图进行负相变换,即将原本代表裂缝的较小灰度值变为较大值,其中灰度变换可以采用线性转换法的灰度转换经验式(其中R、G、B表示原始图像三个通道的像素值):
v_g=0.39*R+0.5*G+0.11*B (2)
或者采用非线性变换公式(其中max()、min()表示取最大值、最小值):
v_g=(max(B,G,R)+min(B,G,R))/2 (3)
负相变换公式为(对于每个像素点以8位二进制数表示的情况下):
I_dest(x,y)=255-I_src(x,y) (4)
1.2)定义查找过程中的阈值,包括以下几个,num1为单次连续查找的裂缝目标像素点数,为减少背景中噪声像素点的影响,num1应该取得小一点,同时考虑计算的时间复杂度,num1又应该取得大一点,经过多次实验,比较效果,建议num1=100。同时定义tre_high、tre_low为判断目标的标准差阈值上下限,tre_high和tre_low的确定需要根据不同图像的灰度水平进行确定;
2)裂缝目标像素点的查找,基于灰度峰值的目标像素点查找算法流程如图3所示;
2.1)对于步骤1.1)中的负相灰度图,首先查找最大的灰度像素值,并记录其坐标位置(xi,yi),定义其索引值为indexi=n_i,其中n代表查找全局峰值的循环次数,i代表单次查找过程中的目标索引值(i=1,2,3,…,num1);
2.2)顺时针遍历(xi,yi)点的直接邻接像素点p1、p2、p3、p4,具体位置标定如图1所示,p1、p2、p3、p4的排列由(xi,yi)点的正上方开始,顺时针排列。计算目标像素点(xi,yi)及其直接邻接像素点p1、p2、p3、p4的标准差,记为stdi,若stdi满足tre_low<stdi<tre_high(i≤num1),则查找像素点p1、p2、p3、p4中的最大值pmax,并将该像素点加入到当前查找过程,此时i=i+1,并将pmax记为下一个目标像素点(xi,yi),定义其索引值indexi=n_i;
重复步骤2.2),直到stdi超出了tre_high、tre_low所限定的标准差阈值上下限或者查找次数i超出了num1所限定的单次连续查找裂缝目标像素点数,则结束本次查找。
存在图像样本数据集DataSet(采集自实验图片的一小部分),其二维空间内数据分布如图4的(a)所示。按照上述步骤进行单次查找,查找结果如图4的(d)所示,涂色部分为查找后的目标像素点。实验结果与实际图像相符合。
2.3)在查找过程中,为方便后续步骤,可将之前单次查找中被吸收为目标像素点矩形区域内的像素值置零。具体步骤为对于同一n值,查找其对应的横坐标最大值xmax、最小值xmin,纵坐标的最大值ymax、最小值ymin,将由其组成的矩形区域中的像素值置零。结束了步骤2.2)所述的单次查找后,计算原灰度图中的类间方差值。具体步骤为将所有被吸收为目标像素点的类记为cg,类cg点数占图像比例为wcg,平均灰度为ucg;将未标记索引的背景记为cb,类cb点数占图像比例为wcb,平均灰度为ucb。则此时图像的总平均灰度为:un=wcg*ucg+wcb*ucb,,类cg和类cb的类间方差为:
gn=wcg*(ucg-un)2+wcb*(ucb-un)2 (1)
将当前次类间方差gn(n≥2)与前次类间方差gn-1相比较,若gn<gn-1,则跳到步骤2.4)。反之,则继续查找剩余未被吸收为目标的像素点中的全局最大值,并重复以上步骤,此时的n=n+1;
2.4)结束目标像素点的查找;
3)曲线拟合裂缝,过程如下:
3.1)得到目标像素点(xi,yi)的x值与y值,对于小范围内的单条裂缝(若为网状裂缝,则将其拆分),根据回归分析中逆函数y=b0+b1/x来拟合此函数关系,令x′=1/x,则y=b0+b1*x′,利用线性回归模型得到拟合yi=f(xi)曲线;其中x是自变量,y是自变量x的函数。对于图像,为方便计算,将行坐标作为x值,列坐标作为y值,图像左上角作为原点,即将标准的直角坐标系顺时针旋转90°,x轴指向下,y轴指向右。
3.2)采用残差分析计算拟合函数的各残差分布特征,并求得k个奇异点集合(c1,c2,...,ck);
3.3)孤立的噪声点脱离了所在的拟合曲线上,不能描述当前的目标裂缝,即将得到的k个奇异点集合排除,对剩余目标对象进行三次曲线的拟合,输出高次曲线的拟合结果并结束查找。
Claims (5)
1.一种基于灰度峰值的裂缝位置查找方法,其特征在于:所述方法包括以下步骤:
1)初始化,对于目标图像进行灰度变换和负相变换,将其转换为负相灰度图,同时设定初始阈值,过程如下:
1.1)采用RGB彩色空间下的灰度变换,将原本的彩色图像变换为灰度图,将灰度图进行负相变换,即将原本代表裂缝的较小灰度值变为较大值;
1.2)定义查找过程中的阈值:num1为单次连续查找的裂缝目标像素点数,tre_high、tre_low为判断目标的标准差阈值上下限;
2)裂缝目标像素点的查找,过程如下:
2.1)对于步骤1.1)中的负相灰度图,首先查找最大的灰度像素值,并记录其坐标位置(xi,yi),定义其索引值为indexi=n_i,其中n代表查找全局峰值的循环次数,i代表单次查找过程中的目标索引值,i=1,2,3,…,num1;
2.2)顺时针遍历(xi,yi)点的直接邻接像素点p1、p2、p3、p4,计算目标像素点(xi,yi)及其直接邻接像素点p1、p2、p3、p4的标准差,记为stdi,若stdi满足tre_low<stdi<tre_high,i≤num1,则查找像素点p1、p2、p3、p4中的最大值pmax,并将该像素点加入到当前查找过程,此时i=i+1,并将pmax记为下一个目标像素点(xi,yi),定义其索引值indexi=n_i;
重复步骤2.2),直到stdi超出了tre_high、tre_low所限定的标准差阈值上下限或者查找次数i超出了num1所限定的单次连续查找裂缝目标像素点数,则结束本次查找;
2.3)在查找过程中,将之前单次查找中被吸收为目标像素点矩形区域内的像素值置零;结束了步骤2.2)所述的单次查找后,计算原灰度图中的类间方差值,将所有被吸收为目标像素点的类记为cg,类cg点数占图像比例为wcg,平均灰度为ucg;将未加入索引的背景记为cb,类cb点数占图像比例为wcb,平均灰度为ucb,则此时图像的总平均灰度为:un=wcg*ucg+wcb*ucb,类cg和类cb的类间方差为:
gn=wcg*(ucg-un)2+wcb*(ucb-un)2 (1)
将当前次类间方差gn与前次类间方差gn-1相比较,n≥2,若gn<gn-1,则跳到步骤2.4);反之,则继续查找剩余未被吸收为目标的像素点中的全局最大值,并重复以上步骤,此时的n=n+1;
2.4)结束目标像素点的查找;
3)曲线拟合裂缝,过程如下:
3.1)得到目标像素点(xi,yi)的x值与y值,对于小范围内的单条裂缝,根据回归分析中逆函数y=b0+b1/x来拟合此函数关系,令x′=1/x,则y=b0+b1*x′,则利用线性回归模型得到拟合yi=f(xi)曲线;其中x是自变量,y是自变量x的函数;对于图像,将行坐标作为x值,列坐标作为y值,图像左上角作为原点,即将标准的直角坐标系顺时针旋转90°,x轴指向下,y轴指向右;
3.2)采用残差分析计算拟合函数的各残差分布特征,并求得k个奇异点集合(c1,c2,...,ck);
3.3)将得到的k个奇异点集合排除,对剩余目标对象进行三次曲线的拟合,输出高次曲线的拟合结果并结束。
2.如权利要求1所述的基于灰度峰值的裂缝位置查找方法,其特征在于:所述步骤2.3)中,将之前单次查找中被吸收为目标像素点矩形区域内的像素值置零的过程为:对于同一n值,查找其对应的横坐标最大值xmax、最小值xmin,纵坐标的最大值ymax、最小值ymin,将由其组成的矩形区域中的像素值置零。
3.如权利要求1或2所述的基于灰度峰值的裂缝位置查找方法,其特征在于:所述步骤2.2)中,对灰度值较大的噪声点进行检测,检测策略为:单次查找有限个数的像素点,并将当前次检测结果的矩形区域内像素值置零,减少孤立的噪声点的影响。
4.如权利要求1或2所述的基于灰度峰值的裂缝位置查找方法,其特征在于:所述步骤2.3)中,对目标和背景进行分割,分割策略为:将当前的所有目标与背景计算所得的类间方差与前次的类间方差相比较,根据最大类间方差法,当类间方差取得最大值时,认为目标与背景的差异最大。
5.如权利要求1或2所述的基于灰度峰值的裂缝位置查找方法,其特征在于:所述步骤3.3)中,对灰度值较大的噪声点进行检测,检测策略为:孤立的噪声点脱离了所在的拟合曲线上,不能描述当前的目标裂缝,即如果当在步骤2)中检测出的目标像素点远离拟合曲线,超出了置信区间范围,那么该目标像素点属于可疑点,应当删除,将排除离群点后的小范围内单条裂缝利用高次曲线拟合,得到裂缝所在的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610115242.4A CN105574888B (zh) | 2016-03-01 | 2016-03-01 | 基于灰度峰值的裂缝位置查找方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610115242.4A CN105574888B (zh) | 2016-03-01 | 2016-03-01 | 基于灰度峰值的裂缝位置查找方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574888A CN105574888A (zh) | 2016-05-11 |
CN105574888B true CN105574888B (zh) | 2018-01-23 |
Family
ID=55884977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610115242.4A Active CN105574888B (zh) | 2016-03-01 | 2016-03-01 | 基于灰度峰值的裂缝位置查找方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574888B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118496A (zh) * | 2018-08-16 | 2019-01-01 | 长春理工大学 | 一种基于最小二乘和阈值分割的磁力显微镜气相光路自动调整方法 |
CN109142794A (zh) * | 2018-08-16 | 2019-01-04 | 长春理工大学 | 一种基于图像处理和线性回归的原子力显微镜光路自动调整方法 |
CN111739042B (zh) * | 2020-06-04 | 2023-06-09 | 中南大学 | 一种基于数字图像特征的复杂背景电力线提取方法 |
CN114723681B (zh) * | 2022-03-22 | 2022-10-18 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土裂缝缺陷检测方法 |
CN114663434B (zh) * | 2022-05-25 | 2022-08-23 | 国家海洋局北海海洋技术保障中心 | 一种侧扫声呐影像的阴影判别方法 |
CN117095004B (zh) * | 2023-10-20 | 2024-01-12 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117132602B (zh) * | 2023-10-27 | 2024-01-02 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839268A (zh) * | 2014-03-18 | 2014-06-04 | 北京交通大学 | 一种地铁隧道表面裂缝的检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150139498A1 (en) * | 2013-01-07 | 2015-05-21 | Tread Gauge Ptr, LLC | Apparatus and method for tire sidewall crack analysis |
-
2016
- 2016-03-01 CN CN201610115242.4A patent/CN105574888B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839268A (zh) * | 2014-03-18 | 2014-06-04 | 北京交通大学 | 一种地铁隧道表面裂缝的检测方法 |
Non-Patent Citations (2)
Title |
---|
Auto inspection system using a mobile robot for detecting concrete cracks in a tunnel;Seung-Nam Yu et al;《Automation in Construction》;20070531;第16卷(第3期);255–261 * |
基于视觉模型的路面裂缝检测算法;张雷 等;《长安大学学报(自然科学版)》;20090930;第29卷(第5期);21-24 * |
Also Published As
Publication number | Publication date |
---|---|
CN105574888A (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574888B (zh) | 基于灰度峰值的裂缝位置查找方法 | |
Akagic et al. | Pavement crack detection using Otsu thresholding for image segmentation | |
CN108197583B (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
CN110532889B (zh) | 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法 | |
CN108776772B (zh) | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 | |
Li et al. | Automatic pavement crack recognition based on BP neural network | |
CN109035298B (zh) | 一种基于黑烟运动特性的黑烟检测与dg计算方法 | |
CN102436644B (zh) | 基于自适应边缘配准的非结构化道路检测方法 | |
CN109325418A (zh) | 基于改进YOLOv3的道路交通环境下行人识别方法 | |
CN108960198A (zh) | 一种基于残差ssd模型的交通标志检测与识别方法 | |
JP2006107462A (ja) | 地形の航空画像において道路を検出する方法 | |
CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及系统 | |
CN103984946A (zh) | 一种基于K-means的高分辨率遥感地图道路提取方法 | |
CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
CN106934829A (zh) | 一种表面裂缝的检测方法及系统 | |
CN109214422A (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
CN109086682A (zh) | 一种基于多特征融合的智能视频黑烟车检测方法 | |
Pereira et al. | Classification of paved and unpaved road image using convolutional neural network for road condition inspection system | |
CN111191570A (zh) | 图像识别方法和装置 | |
WO2023124442A1 (zh) | 积水深度检测方法及装置 | |
CN111241994A (zh) | 一种深度学习的遥感影像农村公路砂化路段的提取方法 | |
CN110276318A (zh) | 夜间公路下雨识别方法、装置、计算机设备及存储介质 | |
CN110852236A (zh) | 目标事件的确定方法及装置、存储介质、电子装置 | |
CN110223332B (zh) | 一种桥梁裂缝标定方法 | |
Mokhtari et al. | Statistical selection and interpretation of imagery features for computer vision-based pavement crack–detection systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |