CN105719283A - 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 - Google Patents
一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 Download PDFInfo
- Publication number
- CN105719283A CN105719283A CN201610030007.7A CN201610030007A CN105719283A CN 105719283 A CN105719283 A CN 105719283A CN 201610030007 A CN201610030007 A CN 201610030007A CN 105719283 A CN105719283 A CN 105719283A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- hessian matrix
- road surface
- pavement
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 31
- 238000001914 filtration Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims description 7
- 241000270722 Crocodylidae Species 0.000 claims description 6
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 6
- LNNWVNGFPYWNQE-GMIGKAJZSA-N desomorphine Chemical compound C1C2=CC=C(O)C3=C2[C@]24CCN(C)[C@H]1[C@@H]2CCC[C@@H]4O3 LNNWVNGFPYWNQE-GMIGKAJZSA-N 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 208000032767 Device breakage Diseases 0.000 claims description 3
- 241001439627 Schistostoma Species 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G06T5/70—
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明是一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法,该方法通过双目CCD工业摄像机实时采集路面图像,车载GPS实时记录路面图像位置,然后对采集到的图像目标进行识别,对图像进行金字塔结构的高斯滤波,通过多个尺度的特征识别,突出路面裂缝特征,利用Hessian矩阵的特征值和特征方向实现裂缝生长方向的跟踪,再根据裂缝曲率特征对裂缝进行快速分类,并对噪声严重的路面图像进行去噪处理。采用本发明技术方案能够快速提取路面裂缝目标并进行分类,对噪声环境中微小裂缝信号进行有效去噪,抗噪声能力强,错检和误检率很低,适应于大部分复杂路面检测。
Description
技术领域
本发明属于数字图像数据处理技术领域,具体涉及一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法。
背景技术
国家基础设施的建设和维护是一项重要工程,随着国家经济的蓬勃发展,车辆数量快速增长,公路的建设与维护面临着巨大考验。路面裂缝数量和覆盖范围是路面质量评估的重要标准。近年来,传统的人工路面检测方法渐渐被智能化、系统化的路面检测技术替代,国内外研究人员不断追求高效、准确的路面裂缝自动检测与识别方法。国内外的裂缝检测技术大都是采用CCD摄像机获取路面图像,然后对采集到二维图像进行后续处理来识别裂缝。然而现有图像处理算法对大量图像数据的处理运算量过大,无法实现路面裂缝的快速检测和分类,并且对于噪声严重的路面图像,无法识别出微弱的路面裂缝信号,造成相当大的误检率和错检率,无法满足路面管理系统、智能交通系统和日益完善的路面检测技术发展的需要。科技工作在探索中发现,采用基于Hessian矩阵多尺度滤波的路面裂缝图像检测算法能够实现路面裂缝的快速检测和分类。
与本发明专利最为接近的已有技术是由南京理工大学的唐磊等同志于2008年6月发表在“工程图学学报”中第3期99-104页的题为“基于图像分析的路面裂缝检测和分类”的文章,其技术方案如图1所示:裂缝目标检测1、伪裂缝的消除2、裂缝目标分类3。
该检测算法存在的主要问题是:无法满足更加复杂的路面状况,运算量过大无法满足大量的路面图像处理,而且要求采集到的图像足够清晰,对不连续的裂缝的判别出现很多的误检和错检,无法对噪声环境中过于微弱的裂缝信号进行检测,没有实现路面裂缝特征和走向的准确描述。
发明内容
本发明的目的在于克服现有技术存在的问题,提供一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法。
为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法,该检测方法包括以下步骤:
步骤1)路面图像和位置采集
分别通过车载图像采集设备实时采集路面图像、车载GPS实时记录路面图像位置;
步骤2)多尺度滤波及Hessian矩阵特征方向提取,获得裂缝特征以及生长方向
步骤2.1)对包含N个像素的路面原始图像I(a1,a2,......,an)进行多尺度滤波,根据每个像素所包含的路面范围、裂纹的最大最小宽度信息,选取一尺度参数s,并将原始图像与尺度参数s下的高斯核函数卷积;
步骤2.2)计算位置n的像素在尺度参数s下的Hessian矩阵,提取每个Hessian矩阵的特征值和特征向量;
步骤2.3)比较每个Hessian矩阵的特征值和的绝对值和的大小,若,则特征值对应的特征向量沿着裂缝走向,同时转至步骤2.4);若否,则特征值对应的特征向量沿着裂缝走向,同时转至步骤2.4);
步骤2.4)跟踪到裂缝走向确定裂缝范围;
步骤3)通过合并裂缝算法,对小的不连续裂缝进行合并处理实现噪声环境中的微弱裂缝信号的识别
步骤3.1)定义所有检测出的纵向裂缝/横向裂缝/鳄口裂缝位置L=[l1,l2,......,ln]、裂缝m表示为lm=(ls,m,le,m)、每个裂缝的长度p=(p1,p2,......,pn);
步骤3.2)合并裂缝数初始化标志merge=0;
步骤3.3)取任意一对裂缝li,lj(ij),代入式中进行判断,如果该不等式成立,则进入步骤3.4);
步骤3.4)merge=1,裂缝总数n=n-1,更新裂缝位置和长度;
步骤3.5)前面任意取两对裂缝进行比较,判断此时的标志merge,判断merge=1是否成立,若是,则标志存在裂缝合并,那么将合并了的裂缝作为新的裂缝参与比较,并跳转至步骤3.2);若否,则结束;
步骤4)建立三维图形,对裂缝进行分类;
步骤4.1)对图像进行三维目标建模,获得裂缝的像素灰度值和像素位置坐标;
步骤4.2)建立灰度值、坐标三维图;
步骤4.3)计算像素曲率r;
步骤4.4)进行曲率r判断,判断不等式0<r<30是否成立,若是,则判定该裂缝为横向裂缝;若否,继续判断60<r<90是否成立,若是,则判定该裂缝为纵向裂缝;若否,则判定该裂缝为鳄口裂缝;
步骤4.5)然后通过裂缝分类器对裂缝进行统计分类;
步骤5)将获得的裂缝检测和分类结果进行存储。
进一步的,所述步骤1)中的车载图像采集设备为双目CCD工业相机。
进一步的,所述步骤2.1)中的尺度参数s是高斯滤波器的标准差,是与函数图像I相关的一个值,开始时并不是固定值,是根据每个像素包含覆盖的路面范围、裂纹的最大最小宽度信息,选取一些特定的参数,比较随尺度参数s的变化多尺度滤波器获得的不同输出,当输出最大时将选取的尺度参数s作为与路面裂缝匹配值,可以突出路面裂缝特征。
进一步的,所述步骤2.1)中原始图像与尺度参数s下的高斯核函数卷积为:,其中是原始二维图像,高斯核函数取。
进一步的,所述步骤2.2)中Hessian矩阵计算公式为:,其中,,均为二阶导数,其中为了降低噪声的影响,通过原始图像与尺度参数s下的高斯滤波函数的相应二阶导数卷积,。
本发明的有益效果是:
本发明利用基于Hessian矩阵多尺度滤波的路面裂缝图像检测算法,能够快速提取路面裂缝目标并进行分类,对噪声环境中微小裂缝信号进行有效去噪,抗噪声能力强,错检和误检率很低,适应于大部分复杂路面检测。
附图说明
图1是现有技术的结构示意图;
图2是本发明总体实施框图;
图3是多尺度滤波与Hessian矩阵裂缝特征方向提取;
图4是合并裂缝算法流程图;
图5是裂缝分类流程图。
具体实施方式
下面将参考附图并结合实施例,来详细说明本发明。
参照图2至图5所示,一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法,该检测方法包括以下步骤:
步骤1)路面图像和位置采集
分别通过车载图像采集设备实时采集路面图像、车载GPS实时记录路面图像位置;
步骤2)多尺度滤波及Hessian矩阵特征方向提取,获得裂缝特征以及生长方向
步骤2.1)对包含N个像素的路面原始图像I(a1,a2,......,an)进行多尺度滤波,根据每个像素所包含的路面范围、裂纹的最大最小宽度信息,选取一尺度参数s,并将原始图像与尺度参数s下的高斯核函数卷积:,其中是原始二维图像,高斯核函数取;
步骤2.2)计算位置n的像素在尺度参数s下的Hessian矩阵,提取每个Hessian矩阵的特征值和特征向量,其中,Hessian矩阵计算公式为:,其中,,均为二阶导数,其中为了降低噪声的影响,通过原始图像与尺度参数s下的高斯滤波函数的相应二阶导数卷积,。
步骤2.3)比较每个Hessian矩阵的特征值和的绝对值和的大小,若,则特征值对应的特征向量沿着裂缝走向,同时转至步骤2.5);若否,则特征值对应的特征向量沿着裂缝走向,同时转至步骤2.5);
步骤2.4)跟踪到裂缝走向确定裂缝范围;
步骤3)通过合并裂缝算法,对小的不连续裂缝进行合并处理实现噪声环境中的微弱裂缝信号的识别
步骤3.1)定义所有检测出的纵向裂缝/横向裂缝/鳄口裂缝位置L=[l1,l2,......,ln]、裂缝m表示为lm=(ls,m,le,m)、每个裂缝的长度p=(p1,p2,......,pn);
步骤3.2)合并裂缝数初始化标志merge=0,这里的merge相当于一个标志,若不存在合并裂缝,那么其为0,若存在合并裂缝,则置1;
步骤3.3)取任意一对裂缝li,lj(ij),代入式中进行判断,如果该不等式成立,则进入步骤3.4);
步骤3.4)merge=1,裂缝总数n=n-1,更新裂缝位置和长度;
步骤3.5)前面任意取两对裂缝进行比较,判断此时的标志merge,判断merge=1是否成立,若是,则标志存在裂缝合并,那么将合并了的裂缝作为新的裂缝参与比较,并跳转至步骤3.2);若否,则结束;
步骤4)建立三维图形,对裂缝进行分类;
步骤4.1)对图像进行三维目标建模,获得裂缝的像素灰度值和像素位置坐标;
步骤4.2)建立灰度值、坐标三维图;
步骤4.3)计算像素曲率r;
步骤4.4)进行曲率r判断,判断不等式0<r<30是否成立,若是,则判定该裂缝为横向裂缝;若否,继续判断60<r<90是否成立,若是,则判定该裂缝为纵向裂缝;若否,则判定该裂缝为鳄口裂缝;
步骤4.5)然后通过裂缝分类器对裂缝进行统计分类;
步骤5)将获得的裂缝检测和分类结果进行存储。
所述步骤1)中的车载图像采集设备为双目CCD工业相机。
所述步骤2.1)中的尺度参数s是高斯滤波器的标准差,是与函数图像I相关的一个值,开始时并不是固定值,是根据每个像素包含覆盖的路面范围、裂纹的最大最小宽度信息,选取一些特定的参数,比较随尺度参数s的变化多尺度滤波器获得的不同输出,当输出最大时将选取的尺度参数s作为与路面裂缝匹配值,可以突出路面裂缝特征。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法,其特征在于,该检测方法包括以下步骤:
步骤1)路面图像和位置采集
分别通过车载图像采集设备实时采集路面图像、车载GPS实时记录路面图像位置;
步骤2)多尺度滤波及Hessian矩阵特征方向提取,获得裂缝特征以及生长方向
步骤2.1)对包含N个像素的路面原始图像I(a1,a2,......,an)进行多尺度滤波,根据每个像素所包含的路面范围、裂纹的最大最小宽度信息,选取一尺度参数s,并将原始图像与尺度参数s下的高斯核函数卷积;
步骤2.2)计算位置n的像素在尺度参数s下的Hessian矩阵,提取每个Hessian矩阵的特征值和特征向量;
步骤2.3)比较每个Hessian矩阵的特征值和的绝对值和的大小,若,则特征值对应的特征向量沿着裂缝走向,同时转至步骤2.4);若否,则特征值对应的特征向量沿着裂缝走向,同时转至步骤2.4);
步骤2.4)跟踪到裂缝走向确定裂缝范围;
步骤3)通过合并裂缝算法,对小的不连续裂缝进行合并处理实现噪声环境中的微弱裂缝信号的识别
步骤3.1)定义所有检测出的纵向裂缝/横向裂缝/鳄口裂缝位置L=[l1,l2,......,ln]、裂缝m表示为lm=(ls,m,le,m)、每个裂缝的长度p=(p1,p2,......,pn);
步骤3.2)合并裂缝数初始化标志merge=0;
步骤3.3)取任意一对裂缝li,lj(ij),代入式中进行判断,如果该不等式成立,则进入步骤3.4);
步骤3.4)merge=1,裂缝总数n=n-1,更新裂缝位置和长度;
步骤3.5)前面任意取两对裂缝进行比较,判断此时的标志merge,判断merge=1是否成立,若是,则标志存在裂缝合并,那么将合并了的裂缝作为新的裂缝参与比较,并跳转至步骤3.2);若否,则结束;
步骤4)建立三维图形,对裂缝进行分类;
步骤4.1)对图像进行三维目标建模,获得裂缝的像素灰度值和像素位置坐标;
步骤4.2)建立灰度值、坐标三维图;
步骤4.3)计算像素曲率r;
步骤4.4)进行曲率r判断,判断不等式0<r<30是否成立,若是,则判定该裂缝为横向裂缝;若否,继续判断60<r<90是否成立,若是,则判定该裂缝为纵向裂缝;若否,则判定该裂缝为鳄口裂缝;
步骤4.5)然后通过裂缝分类器对裂缝进行统计分类;
步骤5)将获得的裂缝检测和分类结果进行存储。
2.根据权利要求1所述的基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法,其特征在于,所述步骤1)中的车载图像采集设备为双目CCD工业相机。
3.根据权利要求1所述的基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法,其特征在于,所述步骤2.1)中的尺度参数s是高斯滤波器的标准差,是与函数图像I相关的一个值,开始时并不是固定值,是根据每个像素包含覆盖的路面范围、裂纹的最大最小宽度信息,选取一些特定的参数,比较随尺度参数s的变化多尺度滤波器获得的不同输出,当输出最大时将选取的尺度参数s作为与路面裂缝匹配值,可以突出路面裂缝特征。
4.根据权利要求1或2所述的基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法,其特征在于,所述步骤2.1)中原始图像与尺度参数s下的高斯核函数卷积为:,其中是原始二维图像,高斯核函数取。
5.根据权利要求1所述的基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法,其特征在于,所述步骤2.2)中Hessian矩阵计算公式为:,其中,,均为二阶导数,其中为了降低噪声的影响,通过原始图像与尺度参数s下的高斯滤波函数的相应二阶导数卷积,。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610030007.7A CN105719283A (zh) | 2016-01-18 | 2016-01-18 | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610030007.7A CN105719283A (zh) | 2016-01-18 | 2016-01-18 | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105719283A true CN105719283A (zh) | 2016-06-29 |
Family
ID=56147148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610030007.7A Pending CN105719283A (zh) | 2016-01-18 | 2016-01-18 | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105719283A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN106683088A (zh) * | 2016-12-28 | 2017-05-17 | 西北工业大学 | 基于手机传感器的道路裂纹类型识别方法 |
CN106934795A (zh) * | 2017-01-23 | 2017-07-07 | 陕西师范大学 | 一种混凝土桥梁裂缝的自动检测方法和预测方法 |
CN107389697A (zh) * | 2017-07-10 | 2017-11-24 | 北京交通大学 | 一种基于半交互式的裂缝检测方法 |
CN107507170A (zh) * | 2017-07-28 | 2017-12-22 | 中国民航大学 | 一种基于多尺度图像信息融合的机场跑道裂缝检测方法 |
CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
CN109407149A (zh) * | 2018-10-10 | 2019-03-01 | 电子科技大学 | 基于Hessian矩阵的地震相干数据裂缝检测方法 |
CN109716108A (zh) * | 2016-12-30 | 2019-05-03 | 同济大学 | 一种基于双目图像分析的沥青路面病害检测系统 |
WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
CN111179260A (zh) * | 2019-12-31 | 2020-05-19 | 三峡大学 | 基于多尺度Hessian矩阵滤波的陶瓷瓦表面裂纹检测方法 |
CN112950603A (zh) * | 2021-03-11 | 2021-06-11 | 温州大学激光与光电智能制造研究院 | 一种基于图结构异常评价的轨枕细微裂纹检测方法 |
CN114332697A (zh) * | 2021-12-19 | 2022-04-12 | 西安科技大学 | 输电线路中多类目标故障检测方法、系统、设备及介质 |
CN114463324A (zh) * | 2022-02-23 | 2022-05-10 | 中国石油大学(华东) | 基于海森矩阵滤波的岩心图像裂缝识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903268A (zh) * | 2014-04-09 | 2014-07-02 | 南京理工大学 | 基于多种低层显著特征的路面裂缝检测方法 |
CN105113375A (zh) * | 2015-05-15 | 2015-12-02 | 南京航空航天大学 | 一种基于线结构光的路面裂缝检测系统及其检测方法 |
-
2016
- 2016-01-18 CN CN201610030007.7A patent/CN105719283A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903268A (zh) * | 2014-04-09 | 2014-07-02 | 南京理工大学 | 基于多种低层显著特征的路面裂缝检测方法 |
CN105113375A (zh) * | 2015-05-15 | 2015-12-02 | 南京航空航天大学 | 一种基于线结构光的路面裂缝检测系统及其检测方法 |
Non-Patent Citations (5)
Title |
---|
SINDHU GHANTA ET AL: "A Hessian-based Methodology for Automatic Surface Crack Detection and Classification from Pavement Images", 《PROC. SPIE 9437,STRUCTURAL HEALTH MONITORING AND INSPECTION OF ADVANCED MATERIALS, AEROSPACE, AND CIVIL INFRASTRUCTURE 2015》 * |
ZHANG, J ETALS: "Sirom: A scalable intelligent roaming multi-modal multi-sensor framework", 《IN 38TH IEEE INTERNATIONAL CONFERENCE ON COMPUTERS》 * |
唐磊 等: "基于图像三维地形模型的路面裂缝自动检测", 《计算机工程》 * |
唐磊 等: "基于图像分析的路面裂缝检测和分类", 《工程图学学报》 * |
张毅 等: "《移动机器人技术基础与制作》", 31 January 2013, 哈尔滨工业大学出版社 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN106548182B (zh) * | 2016-11-02 | 2020-02-18 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN106683088B (zh) * | 2016-12-28 | 2019-06-21 | 西北工业大学 | 基于手机传感器的道路裂纹类型识别方法 |
CN106683088A (zh) * | 2016-12-28 | 2017-05-17 | 西北工业大学 | 基于手机传感器的道路裂纹类型识别方法 |
CN109716108B (zh) * | 2016-12-30 | 2021-07-13 | 同济大学 | 一种基于双目图像分析的沥青路面病害检测系统 |
CN109716108A (zh) * | 2016-12-30 | 2019-05-03 | 同济大学 | 一种基于双目图像分析的沥青路面病害检测系统 |
CN106934795A (zh) * | 2017-01-23 | 2017-07-07 | 陕西师范大学 | 一种混凝土桥梁裂缝的自动检测方法和预测方法 |
CN107389697A (zh) * | 2017-07-10 | 2017-11-24 | 北京交通大学 | 一种基于半交互式的裂缝检测方法 |
CN107507170A (zh) * | 2017-07-28 | 2017-12-22 | 中国民航大学 | 一种基于多尺度图像信息融合的机场跑道裂缝检测方法 |
WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
US11551341B2 (en) | 2018-01-03 | 2023-01-10 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
CN109407149A (zh) * | 2018-10-10 | 2019-03-01 | 电子科技大学 | 基于Hessian矩阵的地震相干数据裂缝检测方法 |
CN111179260A (zh) * | 2019-12-31 | 2020-05-19 | 三峡大学 | 基于多尺度Hessian矩阵滤波的陶瓷瓦表面裂纹检测方法 |
CN112950603A (zh) * | 2021-03-11 | 2021-06-11 | 温州大学激光与光电智能制造研究院 | 一种基于图结构异常评价的轨枕细微裂纹检测方法 |
CN114332697A (zh) * | 2021-12-19 | 2022-04-12 | 西安科技大学 | 输电线路中多类目标故障检测方法、系统、设备及介质 |
CN114463324A (zh) * | 2022-02-23 | 2022-05-10 | 中国石油大学(华东) | 基于海森矩阵滤波的岩心图像裂缝识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105719283A (zh) | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 | |
CN107767400B (zh) | 基于层次化显著性分析的遥感图像序列动目标检测方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN109460709A (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
CN108197583A (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
CN102567994B (zh) | 基于角点高斯特性分析的红外小目标检测方法 | |
CN109145708A (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN110321855A (zh) | 一种雾天检测预警装置 | |
CN106548131A (zh) | 一种基于行人检测的施工人员安全帽实时检测方法 | |
CN105718964A (zh) | 一种输电线防振锤的视觉检测方法 | |
CN107862262A (zh) | 一种适用于高空侦察的快速可见光图像舰船检测方法 | |
CN102567726B (zh) | 极地冰盖边缘区域浮冰自动提取技术 | |
CN114708208B (zh) | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 | |
CN116415843A (zh) | 用于弱网络环境的多模态遥感辅助矿山生态环境评价方法 | |
CN103473548B (zh) | 一种利用图像处理和先验知识提取断裂构造信息方法 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN106023166B (zh) | 微波图像中人体隐藏危险物体的检测方法和装置 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
Tamim et al. | Detection of Moroccan coastal upwelling fronts in SST images using the microcanonical multiscale formalism | |
Wu et al. | A Dense Litchi Target Recognition Algorithm for Large Scenes | |
CN108665446A (zh) | 一种运用雷达的机场跑道异物检测系统及方法 | |
CN114898100A (zh) | 点云数据提取方法、装置、系统、设备及存储介质 | |
CN102419906A (zh) | 车流量自动检测系统 |
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 |
Application publication date: 20160629 |
|
RJ01 | Rejection of invention patent application after publication |