CN105787486B - 一种基于图像处理的钢梁裂纹检测方法 - Google Patents
一种基于图像处理的钢梁裂纹检测方法 Download PDFInfo
- Publication number
- CN105787486B CN105787486B CN201510916229.4A CN201510916229A CN105787486B CN 105787486 B CN105787486 B CN 105787486B CN 201510916229 A CN201510916229 A CN 201510916229A CN 105787486 B CN105787486 B CN 105787486B
- Authority
- CN
- China
- Prior art keywords
- image
- girder steel
- crack
- crackle
- width
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
Abstract
本发明涉及一种基于图像处理的钢梁裂纹检测方法,属于故障诊断技术与信号处理分析技术领域。本发明包括步骤:首先建立钢梁裂纹的特征训练样本集,并制作样本图像的Ground Truth集合,建立基于结构化随机森林的钢梁裂纹检测分类器;然后对采集图像中每个时间段内的裂纹图像进行拼接;利用生成的钢梁裂纹检测分类器对拼接后的裂纹图像进行钢梁裂纹的粗略边缘检测,得到粗略边缘检测结果;最后对粗略边缘检测结果进行精确的裂纹筛选与定位。本发明用训练好的钢梁裂纹检测分类器能够高效、快速、准确地提取方形钢梁存在的裂纹信息的,以实现及时快速地进行故障的排除,提高工厂的经济效益并保障工作人员的人身安全。
Description
技术领域
本发明涉及一种基于图像处理的钢梁裂纹检测方法,属于故障诊断技术与信号处理分析技术领域。
背景技术
工业和企业使用的钢梁一旦在表面出现裂纹,便会对其生产造成极大的经济损失和引发严重的人身安全问题,尤其是生产线中顶部的导轨,在受到吊架滚轮运行中向上或向下的挤压分力、应力积聚会导致破坏断裂频频发生。而车间工作人员目前仅能依靠目视化检查发现裂纹,检测工作量大、效率低、耗时长。因此迫切需要一种有效的自动检测方法。
目前,钢结构中常用的无损检测技术有宏观检查、超声、磁粉、渗透、应力应变测试等,但都难以对钢梁进行有效检测。宏观检查即目视检测,可以直接发现表面裂纹,但效率很低。磁粉、渗透、应力应变测试也只适合检测表层或较浅的结构损伤,并且检测效率低,也只适用于局部检测。超声的检测深度较高,但对形状和裂纹方向都有要求,只能检测对接焊缝。超声检测同样只适合局部检测。声发射检测的检测范围较大,也不受制于结构形式和裂纹形态,并且需要对结构施加载荷,检测结果也有一定的不确定性。因此,基于图像处理的钢梁裂纹检测方法能够以较低的成本、可靠的检测质量达到此目的。
目前利用图像处理来实现钢梁表面的裂纹检测方法和产品在国内外也都已经拥有比较成熟的产品和专利。如韩国浦项工程大学研究人员于2010年发明了一套包括检测硬件和检测软件的钢件表面缺陷检测系统专利。该系统不仅检测速度较快,而且应用范围较广,但该方法对光源存在较大的依赖性。同时期国内香港大学的发明专利融合高斯滤波、二阶微分算子求导和形态学处理等方法进行钢件表面裂纹检测,其方法简单快捷,但仅适用于背景较为单一的图像处理。台湾大学研究人员提出利用神经网络分类器(BPN)和相关向量机(RVM)的方法对钢件进行裂纹检测,但该系统运行的结果严格依赖于分类器的特性。电子科技大学相关人员于2014年提出利用直方图、阈值处理、形态学处理和Sobel算子检测等方法进行快速裂纹检测,但以上4种方法的裂纹检测精度较低,而且国内外关于钢梁的裂纹检测都是逐幅的图像处理,工业现场钢梁长度往往达到几十米,甚至几百米长度,不能满足快速检测和定位的要求,而且缺乏较为自动化的设计流程。
本发明由国家自然科学基金项目(61302173,61461022)资助研究,主要在于探索整体与局部特征多尺度耦合机制以及多尺度感知误差测度鲁棒融合算法,解决耦合后验与真实分 布不一致和多尺度误差测度优化结构不一致的难题,为动态场景下生产线高效、快速、准确的前景目标信息检测与分割提供理论依据。为基于视觉平台的动态场景下准确推理和鲁棒性分割,以及多尺度误差测度全局优化提供理论依据。
发明内容
基于以上问题,本发明提供了一种基于图像处理的钢梁裂纹检测方法,当生产线中顶部的导轨在受到吊架滚轮运行中向上或向下的挤压分力、应力积聚导致破坏断裂频频发生时,解决了车间工作人员目前仅能依靠目视化检查发现裂纹,检测工作量大、效率低、耗时长,其他无损检测技术也都难以对钢梁进行有效检测的问题。
本发明的技术方案是:一种基于图像处理的钢梁裂纹检测方法,首先建立钢梁裂纹的特征训练样本集,并制作样本图像的Ground Truth集合,建立基于结构化随机森林的钢梁裂纹检测分类器;然后对采集图像中每个时间段内的裂纹图像进行拼接;利用生成的钢梁裂纹检测分类器对拼接后的裂纹图像进行钢梁裂纹的粗略边缘检测,得到粗略边缘检测结果;最后对粗略边缘检测结果进行精确的裂纹筛选与定位。
所述基于图像处理的钢梁裂纹检测方法的具体步骤如下:
Step1、首先抽取钢梁裂纹图像,建立钢梁裂纹的特征训练样本集,并制作样本图像的Ground Truth集合,共同构成基于钢梁裂纹图像的训练集合S;其次建立基于结构化随机森林的钢梁裂纹检测分类器h(x,θj),通过建立节点j的训练集合Sj∈X×Y,确立h(x,θj)中随机变量θj能够最大化信息增益的森林模型,使得钢梁裂纹检测分类器的输出结果为离散数值;
Step2、对采集图像中每个时间段内的裂纹图像进行2个侧面和1个底面共3个面的拼接,并依据检测钢梁的先后顺序对拼接后的裂纹图像进行命名并保存到电脑中相应的文件夹里;
Step3、对拼接后的裂纹图像进行钢梁裂纹的粗略边缘检测;首先利用裂纹拼接图像的常规性、相关性进行裂纹图像特征向量提取,然后用生成的钢梁裂纹检测分类器对每一幅图像提取的特征向量进行投票判断类别,每棵树都对新样本判断一种类别,最后输出由所有决策树的分类判断结果,即粗略边缘检测结果;
Step4、对得到的粗略边缘检测结果进行精确的裂纹筛选与定位;根据符合规定裂纹的尺寸、面积等特性,筛选去冗余的信息,保留符合要求的裂纹信息,并以图像左上角为坐标原 点确定图像内的裂纹位置,显示处理后的图像并以Excel表格的形式告知工作人员焊接裂纹的坐标;
Step5、循环步骤Step2至Step4,直至已有钢梁检测完毕。
所述步骤Step1中,构造钢梁裂纹检测分类器的主要步骤如下:
Step1.1、挑选具有指定特征的裂纹的多幅钢梁图像组成特征训练样本集,提取每一幅训练样本图像不同通道、不同尺度以及相应尺度不同方向的特征值,计算每一幅裂纹图像中所有特征值的常规性和相关性属性结果,组合成具有多幅图像的综合候选特征;
Step1.2、人工制作样本裂纹图像的Ground Truth裂纹集合,构成分类标签y∈Y=Zd×d;其中,d为所选图像块的宽度,Zd×d为分类标签的为(0,1)的Ground Truth集合;
Step1.3、利用Bagging算法从综合候选特征中随机抽取固定维度的特征构成特征向量x=(x1,…,xs)∈Rs;和固定宽度的分类标签图像块y=(y1,…,ys)∈Zd×d,共同构成基于钢梁裂纹图像的训练集合S,其中,s为特征向量的维数;
Step1.4、根据基于决策树的分类算法ID3算法,再依据信息增益选择分类效果最好的一个特征α作为节点j的分裂属性,依照节点不纯度原则将Sj分裂为左、右两个分枝子节点的集合和并根据属性构造各个分支,直到整棵树能准确地分类训练集或所有属性都已经被使用过;
其中,表示经过节点j时分裂的分枝子节点集合且k∈{L,R};对于节点j,两个子集满足并且H(Sj)和分别表示训练集合S经过节点j时的基尼不纯度和经过节点j分裂后形成左、右两个分枝的基尼不纯度,p(y)表示特征向量x中属于分类标签y的经验分布;
Step1.5、循环利用步骤Step1.3—Step1.4,直到建立指定数量的决策树,最后提取每棵树的属性综合为钢梁裂纹检测分类器。
所述步骤Step2中,钢梁裂纹的裂纹图像拼接的主要步骤如下:
Step2.1、从原始钢梁裂纹图像中顺序抽取第1幅二维钢梁裂纹图像I(x,y)与一个可变尺度的2维高斯函数G(x,y,σ)卷积运算建立第1幅钢梁裂纹图像的尺度空间L(x,y,σ);不同尺度因子的卷积操作进行组合得到高斯金字塔的分层结构,其公式表示为:L(x,y,σ)=G(x,y,σ)*I(x,y);
Step2.2、通过高斯金字塔中相邻尺度空间函数相减,即得到基于第1幅钢梁裂纹图像I(x,y)的高斯差分金字塔,其公式表示为:D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-I(x,y,σ);其中,k=21/t,t表示差分金字塔每组的层数;
Step2.3、第1幅钢梁裂纹图像I(x,y)中样本像素点其相邻的8个像素点,以及上下相邻图像层中的各9个像素点共26个点进行比较来检测D(x,y,σ)中的极大值和极小值;精确确定裂纹信息的关键点的位置、尺度,需要对检测到的极值点进行三维二次函数拟和:其中极值X=(x,y,σ),D表示D(x,y,σ);
Step2.4、根据主曲率公式选择关键点;其中主曲率Dxx表示第1幅钢梁裂纹图像I(x,y)差分金字塔中某一尺度的图像x方向求导两次;Tr(C)2是C主对角线上元素之和,Det(C)是C的行列式,r为阈值;
Step2.5、利用关键点邻域像素的梯度方向分布特征为每个关键点指定方向参数,关键点的方向参数的梯度幅值和方向其中L为高斯平滑滤波后的裂纹图像;
Step2.6、将16个小区域内关键点的8个方向的梯度方向直方图描述出来,并组成128维向量的SIFT特征描述子;
Step2.7、顺序抽取待拼接的第1幅钢梁裂纹图像I1(x,y),并利用Step2.1至Step2.6的方法构造128维向量的SIFT特征描述子;
Step2.8、根据欧式距离实现两个SIFT特征描述子的相似性度量和特征点的匹配;
Step2.9、利用RANSAC算法和匹配后的特征点构建裂纹图像序列间的变换矩阵H,对待拼接的第1幅钢梁裂纹图像I1(x,y)进行投影变换;利用变换后的钢梁裂纹图像I1P(x,y)与第1 幅钢梁裂纹图像I(x,y)间的重叠区域进行图像配准;其中变换矩阵h11~h33分别为待拼接的第1幅钢梁裂纹图像I1(x,y)变换为图像I1P(x,y)的方向系数和角度系数;
Step2.10、利用渐入渐出平滑过渡的方法消除重叠区域,第1幅钢梁裂纹图像I(x,y)和图像I1P(x,y)融合为最终的拼接图IS1(x,y);渐变因子σ和重叠区域的图像强度IO之间的公式为:σ=(xmax-x)/(xmax-xmin)和IO=σIA(x,y)+(1-σ)IB(x,y);
其中,σ∈(0,1),xmax,xmin和ymax,ymin分别表示第1幅钢梁裂纹图像I(x,y)和变换后的待拼接裂纹图像I1P(x,y)的重叠区x轴和y轴的最大值和最小值,IA、IB分别为以上两幅图像相对应的重叠像素值;
Step2.11、循环步骤Step2.1至Step2.10拼接指定时间段内的裂纹图像,直至完成另外1个侧面和1个底面共3个面所有裂纹图像的完整拼接。
所述步骤Step1.1中,具有制定特征的裂纹是指裂纹面积为[100,1000]像素个数的裂纹。
所述步骤Step2.2中,差分金字塔每组的层数选择2层。
本发明的有益效果是:
(1)本发明克服了传统检测方法如人工目测误报率高及渗透探伤对环境污染等存在的弊端,提出利用图像处理的检测方法能够在无监督的情况下以较低的成本、可靠的检测质量进行裂纹检测,同时该系统不需要工作人员拥有相关的专业背景,方便操作;
(2)本发明所述方法可以对较长的钢梁进行图像信息的分段拼接,并能够有效地对钢梁进行直观的分段检测和定位;
(3)本发明所述方法提出利用结构化随机森林的方法对拼接后的图像进行裂纹的边缘检测,能够明显的将符合要求的裂纹信息从复杂的背景当中分离出来;利用训练好的钢梁裂纹检测分类器能够高效、快速、准确地提取方形钢梁存在的裂纹信息的,以实现及时快速地进行故障的排除,提高工厂的经济效益并保障工作人员的人身安全。
附图说明
图1是本发明的方法流程图;
图2是本发明训练钢梁裂纹检测分类器的方法流程图;
图3是本发明关于裂纹图像拼接系统的方法流程图;
图4是本发明关于裂纹图像拼接系统的拼接示意图;
图5是本发明利用钢梁裂纹检测分类器得到的粗略边缘检测示意图;
图6是本发明利用Canny算子得到的粗略边缘检测示意图;
图7是本发明利用Robert算子得到的粗略边缘检测示意图;
图8是本发明利用Sobel算子得到的粗略边缘检测示意图;
图9是本发明关于钢梁裂纹的精确边缘检测示意图;
图10是本发明关于钢梁裂纹的Ground Truth结果图。
具体实施方式
实施例1:如图1-10所示,一种基于图像处理的钢梁裂纹检测方法,首先建立钢梁裂纹的特征训练样本集,并制作样本图像的Ground Truth集合,建立基于结构化随机森林的钢梁裂纹检测分类器;然后对采集图像中每个时间段内的裂纹图像进行拼接;利用生成的钢梁裂纹检测分类器对拼接后的裂纹图像进行钢梁裂纹的粗略边缘检测,得到粗略边缘检测结果;最后对粗略边缘检测结果进行精确的裂纹筛选与定位。
所述基于图像处理的钢梁裂纹检测方法的具体步骤如下:
Step1、首先抽取钢梁裂纹图像,建立钢梁裂纹的特征训练样本集,并制作样本图像的Ground Truth集合,共同构成基于钢梁裂纹图像的训练集合S;其次建立基于结构化随机森林的钢梁裂纹检测分类器h(x,θj),通过建立节点j的训练集合Sj∈X×Y,确立h(x,θj)中随机变量θj能够最大化信息增益的森林模型,使得钢梁裂纹检测分类器的输出结果为离散数值;
所述步骤Step1中,构造钢梁裂纹检测分类器的主要步骤如下:
Step1.1、挑选具有指定特征的裂纹的多幅钢梁图像组成特征训练样本集,提取每一幅训练样本图像不同通道、不同尺度以及相应尺度不同方向的特征值,计算每一幅裂纹图像中所有特征值的常规性和相关性属性结果,组合成具有多幅图像的综合候选特征;所述步骤Step1.1中,具有制定特征的裂纹是指裂纹面积为[100,1000]像素个数的裂纹。
Step1.2、人工制作样本裂纹图像的Ground Truth裂纹集合,构成分类标签y∈Y=Zd×d;其中,d为所选图像块的宽度,Zd×d为分类标签的为(0,1)的Ground Truth集合;
Step1.3、利用Bagging算法从综合候选特征中随机抽取固定维度的特征构成特征向量x=(x1,…,xs)∈Rs;和固定宽度的分类标签图像块y=(y1,…,ys)∈Zd×d,共同构成基于钢梁裂纹图 像的训练集合S,其中,s为特征向量的维数;
Step1.4、根据基于决策树的分类算法ID3算法,再依据信息增益选择分类效果最好的一个特征α作为节点j的分裂属性,依照节点不纯度原则将Sj分裂为左、右两个分枝子节点的集合和并根据属性构造各个分支,直到整棵树能准确地分类训练集或所有属性都已经被使用过;
其中,表示经过节点j时分裂的分枝子节点集合且k∈{L,R};对于节点j,两个子集满足并且H(Sj)和分别表示训练集合S经过节点j时的基尼不纯度和经过节点j分裂后形成左、右两个分枝的基尼不纯度,p(y)表示特征向量x中属于分类标签y的经验分布;
Step1.5、循环利用步骤Step1.3—Step1.4,直到建立指定数量的决策树,最后提取每棵树的属性综合为钢梁裂纹检测分类器。
Step2、对采集图像中每个时间段内的裂纹图像进行2个侧面和1个底面共3个面的拼接,并依据检测钢梁的先后顺序对拼接后的裂纹图像进行命名并保存到电脑中相应的文件夹里;
所述步骤Step2中,钢梁裂纹的裂纹图像拼接的主要步骤如下:
Step2.1、从原始钢梁裂纹图像中顺序抽取第1幅二维钢梁裂纹图像I(x,y)与一个可变尺度的2维高斯函数G(x,y,σ)卷积运算建立第1幅钢梁裂纹图像的尺度空间L(x,y,σ);不同尺度因子的卷积操作进行组合得到高斯金字塔的分层结构,其公式表示为:L(x,y,σ)=G(x,y,σ)*I(x,y);
Step2.2、通过高斯金字塔中相邻尺度空间函数相减,即得到基于第1幅钢梁裂纹图像I(x,y)的高斯差分金字塔,其公式表示为:D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-I(x,y,σ);其中,k=21/t,t表示差分金字塔每组的层数;所述步骤Step2.2中,差分金字塔每组的层数选择2层。
Step2.3、第1幅钢梁裂纹图像I(x,y)中样本像素点其相邻的8个像素点,以及上下相邻图像层中的各9个像素点共26个点进行比较来检测D(x,y,σ)中的极大值和极小值;精确确定裂纹信息的关键点的位置、尺度,需要对检测到的极值点进行三维二次函数拟和:其中极值X=(x,y,σ),D表示D(x,y,σ);
Step2.4、根据主曲率公式选择关键点;其中主曲率Dxx表示第1幅钢梁裂纹图像I(x,y)差分金字塔中某一尺度的图像x方向求导两次;Tr(C)2是C主对角线上元素之和,Det(C)是C的行列式,r为阈值;
Step2.5、利用关键点邻域像素的梯度方向分布特征为每个关键点指定方向参数,关键点的方向参数的梯度幅值和方向其中L为高斯平滑滤波后的裂纹图像;
Step2.6、将16个小区域内关键点的8个方向的梯度方向直方图描述出来,并组成128维向量的SIFT特征描述子;
Step2.7、顺序抽取待拼接的第1幅钢梁裂纹图像I1(x,y),并利用Step2.1至Step2.6的方法构造128维向量的SIFT特征描述子;
Step2.8、根据欧式距离实现两个SIFT特征描述子的相似性度量和特征点的匹配;
Step2.9、利用RANSAC算法和匹配后的特征点构建裂纹图像序列间的变换矩阵H,对待拼接的第1幅钢梁裂纹图像I1(x,y)进行投影变换;利用变换后的钢梁裂纹图像I1P(x,y)与第1幅钢梁裂纹图像I(x,y)间的重叠区域进行图像配准;其中变换矩阵h11~h33分别为待拼接的第1幅钢梁裂纹图像I1(x,y)变换为图像I1P(x,y)的方向系数和角度系数;
Step2.10、利用渐入渐出平滑过渡的方法消除重叠区域,第1幅钢梁裂纹图像I(x,y)和图像I1P(x,y)融合为最终的拼接图IS1(x,y);渐变因子σ和重叠区域的图像强度IO之间的公式为:σ=(xmax-x)/(xmax-xmin)和IO=σIA(x,y)+(1-σ)IB(x,y);
其中,σ∈(0,1),xmax,xmin和ymax,ymin分别表示第1幅钢梁裂纹图像I(x,y)和变换后的待拼接裂纹图像I1P(x,y)的重叠区x轴和y轴的最大值和最小值,IA、IB分别为以上两幅图像相对应的重叠像素值;
Step2.11、循环步骤Step2.1至Step2.10拼接指定时间段内的裂纹图像,直至完成另外1 个侧面和1个底面共3个面所有裂纹图像的完整拼接。
Step3、对拼接后的裂纹图像进行钢梁裂纹的粗略边缘检测;首先利用裂纹拼接图像的常规性、相关性进行裂纹图像特征向量提取,然后用生成的钢梁裂纹检测分类器对每一幅图像提取的特征向量进行投票判断类别,每棵树都对新样本判断一种类别,最后输出由所有决策树的分类判断结果,即粗略边缘检测结果;
Step4、对得到的粗略边缘检测结果进行精确的裂纹筛选与定位;根据符合规定裂纹的尺寸、面积等特性,筛选去冗余的信息,保留符合要求的裂纹信息,并以图像左上角为坐标原点确定图像内的裂纹位置,显示处理后的图像并以Excel表格的形式告知工作人员焊接裂纹的坐标;
Step5、循环步骤Step2至Step4,直至已有钢梁检测完毕。
实施例2:如图1-10所示,一种基于图像处理的钢梁裂纹检测方法,所述基于图像处理的钢梁裂纹检测方法的具体步骤如下:
A、首先抽取钢梁裂纹图像,建立标准6m方形钢梁裂纹的特征训练样本集,并制作样本图像的Ground Truth集合,共同构成基于钢梁裂纹图像的训练集合S;其次建立基于结构化随机森林的钢梁裂纹检测分类器h(x,θj),构建该裂纹检测分类器的流程图如图2所示,通过建立节点j的训练集合Sj∈X×Y,确立h(x,θj)中随机变量θj能够最大化信息增益的森林模型,使得钢梁裂纹检测分类器的输出结果为离散数值;
所述步骤A中,构造钢梁裂纹检测分类器的主要步骤如下:
A1、挑选具有裂纹面积为[100,1000]像素个数的500幅钢梁图像组成特征训练样本集,提取每一幅训练样本图像R、G、B 3个通道、原尺度和降采样尺度2个尺度以及各个尺度4个方向总共13个通道的特征,计算所有图像特征值的常规性和相关性属性结果,组合成具有500幅图像的综合候选特征;
A2、人工制作500幅样本裂纹图像的Ground Truth裂纹集合,构成分类标签y∈Y=Zd×d;其中,d为所选图像块的宽度,Zd×d为分类标签的为(0,1)的Ground Truth集合;
A3、利用Bagging算法从综合候选特征中随机抽取综合候选特征中1/4的特征构成特征向量x=(x1,…,xs)∈Rs和固定宽度的分类标签图像块y=(y1,…,ys)∈Zd×d,共同构成基于钢梁裂纹图像的训练集合S;其中,d=16为所选图像块的宽度,s=7228为特征的维数;
A4、根据基于决策树的分类算法ID3算法,再依据信息增益选择分类效果最好的一个特征α作为节点j的分裂属性,依照节点不纯度原则将Sj分裂为左、右两个分枝子节点的集合和并根据属性构造各个分支,直到整棵树能准确地分类训练集或所有属性都已经被使用过;
其中,表示经过节点j时分裂的分枝子节点集合且k∈{L,R};对于节点j,两个子集满足并且H(Sj)和分别表示训练集合S经过节点j时的基尼不纯度和经过节点j分裂后形成左、右两个分枝的基尼不纯度,p(y)表示特征向量x中属于分类标签y的经验分布;
A5、循环利用步骤A3—A4,直到建立指定数量的决策树,最后提取每棵树的属性综合为钢梁裂纹检测分类器。
B、对采集图像中每个时间段内的裂纹图像进行2个侧面和1个底面共3个面的拼接,拼接的流程如图3所示,并依据检测钢梁的先后顺序对拼接后的裂纹图像进行命名并保存到电脑中相应的文件夹里;
所述步骤B中,钢梁裂纹的裂纹图像拼接的主要步骤如下:
B1、从原始钢梁裂纹图像中顺序抽取第1幅二维钢梁裂纹图像I(x,y)与一个可变尺度的2维高斯函数G(x,y,σ)卷积运算建立第1幅钢梁裂纹图像的尺度空间L(x,y,σ);不同尺度因子的卷积操作进行组合得到高斯金字塔的分层结构,其公式表示为:L(x,y,σ)=G(x,y,σ)*I(x,y);
B2、通过高斯金字塔中相邻尺度空间函数相减,即得到基于第1幅钢梁裂纹图像I(x,y)的高斯差分金字塔,其公式表示为:D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-I(x,y,σ);其中,k=21/t,t表示差分金字塔每组的层数;所述步骤B2中,差分金字塔每组的层数选择t=2层。
B3、第1幅钢梁裂纹图像I(x,y)中样本像素点其相邻的8个像素点,以及上下相邻图像层中的各9个像素点共26个点进行比较来检测D(x,y,σ)中的极大值和极小值;精确确定裂纹信息的关键点的位置、尺度,需要对检测到的极值点进行三维二次函数拟和:其中极值X=(x,y,σ),D表示D(x,y,σ);
B4、根据主曲率公式选择关键点;其中主曲率Dxx表示第1幅钢梁裂纹图像I(x,y)差分金字塔中某一尺度的图像x方向求导两次;Tr(C)2是C主对角线上元素之和,Det(C)是C的行列式,本发明取阈值r=10;
B5、利用关键点邻域像素的梯度方向分布特征为每个关键点指定方向参数,关键点的方向参数的梯度幅值和方向其中L为高斯平滑滤波后的裂纹图像;
B6、将16个小区域内关键点的8个方向的梯度方向直方图描述出来,并组成128维向量的SIFT特征描述子;
B7、顺序抽取待拼接的第1幅钢梁裂纹图像I1(x,y),并利用步骤B1至步骤B6的方法构造128维向量的SIFT特征描述子;
B8、根据欧式距离实现两个SIFT特征描述子的相似性度量和特征点的匹配;
B9、利用RANSAC算法和匹配后的特征点构建裂纹图像序列间的变换矩阵H,对待拼接的第1幅钢梁裂纹图像I1(x,y)进行投影变换;利用变换后的钢梁裂纹图像I1P(x,y)与第1幅钢梁裂纹图像I(x,y)间的重叠区域进行图像配准;其中变换矩阵 h11~h33分别为待拼接的第1幅钢梁裂纹图像I1(x,y)变换为图像I1P(x,y)的方向系数和角度系数;
B10、利用渐入渐出平滑过渡的方法消除重叠区域,第1幅钢梁裂纹图像I(x,y)和图像I1P(x,y)融合为最终的拼接图IS1(x,y);渐变因子σ和重叠区域的图像强度IO之间的公式为: σ=(xmax-x)/(xmax-xmin)和IO=σIA(x,y)+(1-σ)IB(x,y);
其中,σ∈(0,1),xmax,xmin和ymax,ymin分别表示第1幅钢梁裂纹图像I(x,y)和变换后的待拼接裂纹图像I1P(x,y)的重叠区x轴和y轴的最大值和最小值,IA、IB分别为以上两幅图像相对应的重叠像素值;
B11、循环步骤B1至B10拼接指定时间段内的裂纹图像,直至完成另外1个侧面和1个底面共3个面(每个面6段)共18段裂纹图像的完整拼接。图4为两个时间段内的24幅裂纹图像拼接后的截图结果。
C、对拼接后的18幅裂纹图像进行钢梁裂纹的粗略边缘检测;首先利用裂纹拼接图像13个通道内常规性、相关性进行裂纹图像特征向量提取,然后用生成的钢梁裂纹检测分类器对每一幅图像提取的特征向量进行投票判断类别,每棵树都对新样本判断一种类别,最后输出由所有决策树的分类判断结果,即粗略边缘检测结果;
其中,随机森林最终类别的二值判定结果可以利用算术平均规则来实现。决策树的总数量T=8,c∈(0,1)为分类标签;图5为裂纹随机森林分类得到的粗略边缘检测结果,图6、图7和图8分别为Canny算子,Robert算子和Sobel算子进行粗略边缘检测得到的结果;可以看出,裂纹随机森林分类得到的粗略边缘检测结果具有更高的鲁棒性,提取的裂纹信息更精确。而其他三中方法中相对较好的Canny算子方法也仅能得到部分结果,但大量符合规定的裂纹信息仍大量丢失。表1为4种方法利用500幅钢梁裂纹图像进行粗略边缘检测的平均时间比较。表中可以看出,虽然本发明方法所用时间多于检测结果较差的Robert算子方法和Sobel算子方法,但与相对鲁棒性较好的Canny算子方法相比运算时间节省了0.6秒;
表1 4种方法利用500幅钢梁裂纹图像进行粗略边缘检测的平均时间比较
方法 | 本发明 | Canny | Robert | Sobel |
平均时间(s) | 0.841382 | 1.441358 | 0.267976 | 0.275903 |
D、对得到的粗略边缘检测结果进行精确的裂纹筛选与定位;根据符合规定裂纹的尺寸、面积等特性,筛选去冗余的信息,保留符合要求的裂纹信息,并以图像左上角为坐标原点确 定图像内的裂纹位置,显示处理后的图像并以Excel表格的形式告知工作人员焊接裂纹的坐标;
图9为钢梁裂纹面积为[100,1000]间的精确边缘检测后的结果和附加面积信息后的结果,图10为人工分割的标准Ground Truth结果。表2为14条钢梁裂纹的定位结果,该结果中包含规定裂纹的质心坐标、倾角、高度、宽度和面积信息。可以看出本发明所用方法得到能够得到14条标准裂纹,与人工分割的15条标准裂纹结果相比较准确率达到93.33%。所遗漏的一条裂纹是因为检测过程中钢梁裂纹检测分类器将其误认为钢梁上挡板的信息,所以本法明能够产生较好的裂纹检测效果。
表2钢梁裂纹的定位结果
裂纹 | 质心坐标X | 质心坐标Y | 倾角 | 高度 | 宽度 | 面积 |
1 | 437.29 | 51.60 | 90.11 | 72.00 | 24.00 | 697.00 |
2 | 753.56 | 39.25 | 122.62 | 36.00 | 24.00 | 280.00 |
3 | 863.96 | 63.69 | 68.88 | 82.00 | 48.00 | 780.00 |
4 | 992.89 | 69.07 | 93.05 | 92.00 | 24.00 | 770.00 |
5 | 1084.11 | 59.16 | 77.77 | 72.00 | 40.00 | 758.00 |
6 | 133.99 | 66.51 | 68.17 | 72.00 | 35.00 | 641.00 |
7 | 1181.47 | 55.94 | 52.73 | 48.00 | 40.00 | 547.00 |
8 | 1268.93 | 55.13 | 36.75 | 32.00 | 40.00 | 376.00 |
9 | 373.97 | 79.92 | 40.60 | 50.00 | 56.00 | 595.00 |
10 | 1503.04 | 59.68 | 4.69 | 10.00 | 48.00 | 266.00 |
11 | 233.56 | 94.42 | 48.88 | 59.00 | 63.00 | 696.00 |
12 | 1383.03 | 90.09 | 150.30 | 48.00 | 16.00 | 419.00 |
13 | 523.24 | 102.85 | 146.74 | 16.00 | 24.00 | 159.00 |
14 | 1175.80 | 129.07 | 24.81 | 16.00 | 16.00 | 127.00 |
E、循环步骤B至D,直至已有钢梁检测完毕。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.一种基于图像处理的钢梁裂纹检测方法,其特征在于:首先建立钢梁裂纹的特征训练样本集,并制作样本图像的Ground Truth集合,建立基于结构化随机森林的钢梁裂纹检测分类器;然后对采集图像中每个时间段内的裂纹图像进行拼接;利用生成的钢梁裂纹检测分类器对拼接后的裂纹图像进行钢梁裂纹的粗略边缘检测,得到粗略边缘检测结果;最后对粗略边缘检测结果进行精确的裂纹筛选与定位;
所述基于图像处理的钢梁裂纹检测方法的具体步骤如下:
Step1、首先抽取钢梁裂纹图像,建立钢梁裂纹的特征训练样本集,并制作样本图像的Ground Truth集合,共同构成基于钢梁裂纹图像的训练集合S;其次建立基于结构化随机森林的钢梁裂纹检测分类器h(x,θj),通过建立节点j的训练集合Sj∈X×Y,确立h(x,θj)中随机变量θj能够最大化信息增益的森林模型,使得钢梁裂纹检测分类器的输出结果为离散数值;x表示特征训练样本集中的某一个特征向量,X表示特征训练样本集中的特征向量集合,Y表示特征训练样本集中的Ground Truth集合;
Step2、对采集图像中每个时间段内的裂纹图像进行2个侧面和1个底面共3个面的拼接,并依据检测钢梁的先后顺序对拼接后的裂纹图像进行命名并保存到电脑中相应的文件夹里;
Step3、对拼接后的裂纹图像进行钢梁裂纹的粗略边缘检测;首先利用裂纹拼接图像的常规性、相关性进行裂纹图像特征向量提取,然后用生成的钢梁裂纹检测分类器对每一幅图像提取的特征向量进行投票判断类别,每棵树都对新样本判断一种类别,最后输出由所有决策树的分类判断结果,即粗略边缘检测结果;
Step4、对得到的粗略边缘检测结果进行精确的裂纹筛选与定位;根据符合规定裂纹的尺寸、面积等特性,筛选去冗余的信息,保留符合要求的裂纹信息,并以图像左上角为坐标原点确定图像内的裂纹位置,显示处理后的图像并以Excel表格的形式告知工作人员焊接裂纹的坐标;
Step5、循环步骤Step2至Step4,直至已有钢梁检测完毕。
2.根据权利要求1所述的基于图像处理的钢梁裂纹检测方法,其特征在于:所述步骤Step1中,构造钢梁裂纹检测分类器的主要步骤如下:
Step1.1、挑选具有指定特征的裂纹的多幅钢梁图像组成特征训练样本集,提取每一幅训练样本图像不同通道、不同尺度以及相应尺度不同方向的特征值,计算每一幅裂纹图像中所有特征值的常规性和相关性属性结果,组合成具有多幅图像的综合候选特征;
Step1.2、人工制作样本裂纹图像的Ground Truth裂纹集合,构成分类标签y∈Y=Zd×d;其中,d为所选图像块的宽度,Zd×d为分类标签的为(0,1)的Ground Truth集合;
Step1.3、利用Bagging算法从综合候选特征中随机抽取固定维度的特征构成特征向量x=(x1,…,xs)∈Rs;和固定宽度的分类标签图像块y=(y1,…,ys)∈Zd×d,共同构成基于钢梁裂纹图像的训练集合S,其中,s为特征向量的维数;
Step1.4、根据基于决策树的分类算法ID3算法,再依据信息增益选择分类效果最好的一个特征α作为节点j的分裂属性,依照节点不纯度原则将Sj分裂为左、右两个分枝子节点的集合和并根据属性构造各个分支,直到整棵树能准确地分类训练集或所有属性都已经被使用过;
其中,表示经过节点j时分裂的分枝子节点集合且k∈{L,R};对于节点j,两个子集满足并且H(Sj)和分别表示训练集合S经过节点j时的基尼不纯度和经过节点j分裂后形成左、右两个分枝的基尼不纯度,p(y)表示特征向量x中属于分类标签y的经验分布;
Step1.5、循环利用步骤Step1.3—Step1.4,直到建立指定数量的决策树,最后提取每棵树的属性综合为钢梁裂纹检测分类器。
3.根据权利要求1所述的基于图像处理的钢梁裂纹检测方法,其特征在于:所述步骤Step2中,钢梁裂纹的裂纹图像拼接的主要步骤如下:
Step2.1、从原始钢梁裂纹图像中顺序抽取第1幅二维钢梁裂纹图像I(x,y)与一个可变尺度的2维高斯函数G(x,y,σ)卷积运算建立第1幅钢梁裂纹图像的尺度空间L(x,y,σ);不同尺度因子的卷积操作进行组合得到高斯金字塔的分层结构,其公式表示为:L(x,y,σ)=G(x,y,σ)*I(x,y);
Step2.2、通过高斯金字塔中相邻尺度空间函数相减,即得到基于第1幅钢梁裂纹图像I(x,y)的高斯差分金字塔,其公式表示为:D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-I(x,y,σ);其中,k=21/t,t表示差分金字塔每组的层数;
Step2.3、第1幅钢梁裂纹图像I(x,y)中样本像素点其相邻的8个像素点,以及上下相邻图像层中的各9个像素点共26个点进行比较来检测D(x,y,σ)中的极大值和极小值;精确确定裂纹信息的关键点的位置、尺度,需要对检测到的极值点进行三维二次函数拟和:其中极值X=(x,y,σ),D表示D(x,y,σ);
Step2.4、根据主曲率公式选择关键点;其中主曲率Dxx表示第1幅钢梁裂纹图像I(x,y)差分金字塔中某一尺度的图像x方向求导两次;Tr(C)2是C主对角线上元素之和,Det(C)是C的行列式,r为阈值;
Step2.5、利用关键点邻域像素的梯度方向分布特征为每个关键点指定方向参数,关键点的方向参数的梯度幅值和方向其中L为高斯平滑滤波后的裂纹图像;
Step2.6、将16个小区域内关键点的8个方向的梯度方向直方图描述出来,并组成128维向量的SIFT特征描述子;
Step2.7、顺序抽取待拼接的第1幅钢梁裂纹图像I1(x,y),并利用Step2.1至Step2.6的方法构造128维向量的SIFT特征描述子;
Step2.8、根据欧式距离实现两个SIFT特征描述子的相似性度量和特征点的匹配;
Step2.9、利用RANSAC算法和匹配后的特征点构建裂纹图像序列间的变换矩阵H,对待拼接的第1幅钢梁裂纹图像I1(x,y)进行投影变换;利用变换后的钢梁裂纹图像I1P(x,y)与第1幅钢梁裂纹图像I(x,y)间的重叠区域进行图像配准;其中变换矩阵h11~h33分别为待拼接的第1幅钢梁裂纹图像I1(x,y)变换为图像I1P(x,y)的方向系数和角度系数;
Step2.10、利用渐入渐出平滑过渡的方法消除重叠区域,第1幅钢梁裂纹图像I(x,y)和图像I1P(x,y)融合为最终的拼接图IS1(x,y);渐变因子σ和重叠区域的图像强度IO之间的公式为:σ=(xmax-x)/(xmax-xmin)和IO=σIA(x,y)+(1-σ)IB(x,y);
其中,σ∈(0,1),xmax,xmin和ymax,ymin分别表示第1幅钢梁裂纹图像I(x,y)和变换后的待拼接裂纹图像I1P(x,y)的重叠区x轴和y轴的最大值和最小值,IA、IB分别为以上两幅图像相对应的重叠像素值;
Step2.11、循环步骤Step2.1至Step2.10拼接指定时间段内的裂纹图像,直至完成另外1个侧面和1个底面共3个面所有裂纹图像的完整拼接。
4.根据权利要求2所述的基于图像处理的钢梁裂纹检测方法,其特征在于:所述步骤Step1.1中,具有指定特征的裂纹是指裂纹面积为[100,1000]像素个数的裂纹。
5.根据权利要求3所述的基于图像处理的钢梁裂纹检测方法,其特征在于:所述步骤Step2.2中,差分金字塔每组的层数选择2层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510916229.4A CN105787486B (zh) | 2015-12-11 | 2015-12-11 | 一种基于图像处理的钢梁裂纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510916229.4A CN105787486B (zh) | 2015-12-11 | 2015-12-11 | 一种基于图像处理的钢梁裂纹检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787486A CN105787486A (zh) | 2016-07-20 |
CN105787486B true CN105787486B (zh) | 2019-04-09 |
Family
ID=56390277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510916229.4A Active CN105787486B (zh) | 2015-12-11 | 2015-12-11 | 一种基于图像处理的钢梁裂纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787486B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446905B (zh) * | 2016-07-25 | 2019-05-28 | 广东省智能制造研究所 | 渗透算法和自适应Canny算法相融合的表面裂纹纹理的提取方法 |
CN106530274B (zh) * | 2016-10-11 | 2019-04-12 | 昆明理工大学 | 一种钢梁裂纹的定位方法 |
CN107220664B (zh) * | 2017-05-18 | 2019-12-31 | 南京大学 | 一种基于结构化随机森林的油瓶装箱清点方法 |
TWI625174B (zh) * | 2017-07-27 | 2018-06-01 | 中國鋼鐵股份有限公司 | 鋼帶尾端破損的偵測方法 |
CN108982544B (zh) * | 2018-06-20 | 2020-09-29 | 青岛联合创智科技有限公司 | 一种印制电路板瑕疵部件检测方法 |
SG11202101353TA (en) * | 2018-08-31 | 2021-03-30 | Agency Science Tech & Res | A method and apparatus for training a neural network to identify cracks |
CN109859171B (zh) * | 2019-01-07 | 2021-09-17 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN109885868B (zh) * | 2019-01-09 | 2022-07-05 | 昆明理工大学 | 一种用于有限元分析的结构内部裂纹扩展建模方法 |
CN111523429A (zh) * | 2020-04-16 | 2020-08-11 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的堆钢识别方法 |
CN112950508B (zh) * | 2021-03-12 | 2022-02-11 | 中国矿业大学(北京) | 一种基于计算机视觉的排水管道视频数据修复方法 |
CN113128521B (zh) * | 2021-04-30 | 2023-07-18 | 西安微电子技术研究所 | 一种小型化人工智能模型特征提取方法、系统、计算机设备及存储介质 |
CN114486939B (zh) * | 2022-04-08 | 2022-07-22 | 欧普康视科技股份有限公司 | 一种镜片划痕检测系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915764A (zh) * | 2010-08-10 | 2010-12-15 | 武汉武大卓越科技有限责任公司 | 基于动态规划的路面裂缝检测方法 |
CN103593668A (zh) * | 2013-11-14 | 2014-02-19 | 昆明理工大学 | 一种金属板材冲压接头力学性能试验裂纹自动识别方法 |
CN103761506A (zh) * | 2014-01-02 | 2014-04-30 | 上海大学 | 基于支持向量机的裂纹舌识别方法 |
CN104281838A (zh) * | 2014-09-23 | 2015-01-14 | 西南交通大学 | 基于HOG特征与二维Gabor小波变换的高铁接触网支撑装置耳片断裂检测方法 |
-
2015
- 2015-12-11 CN CN201510916229.4A patent/CN105787486B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915764A (zh) * | 2010-08-10 | 2010-12-15 | 武汉武大卓越科技有限责任公司 | 基于动态规划的路面裂缝检测方法 |
CN103593668A (zh) * | 2013-11-14 | 2014-02-19 | 昆明理工大学 | 一种金属板材冲压接头力学性能试验裂纹自动识别方法 |
CN103761506A (zh) * | 2014-01-02 | 2014-04-30 | 上海大学 | 基于支持向量机的裂纹舌识别方法 |
CN104281838A (zh) * | 2014-09-23 | 2015-01-14 | 西南交通大学 | 基于HOG特征与二维Gabor小波变换的高铁接触网支撑装置耳片断裂检测方法 |
Non-Patent Citations (3)
Title |
---|
"Fast Edge Detection Using Structured Forests";Piotr Dollar ET AL;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20150831;第37卷(第8期);第2-3、4.1、4.2节 |
"Pavement crack characteristic detection based on sparse representation";Xiaoming Sun ET AL;《EURASIP Journal on Advances in Signal Processing》;20121231;全文 |
"基于Adaboosting 算法的表面裂纹图象检测";胡雄心 等;《机械设计与制造》;20100331;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN105787486A (zh) | 2016-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787486B (zh) | 一种基于图像处理的钢梁裂纹检测方法 | |
Zhang et al. | Automatic pavement defect detection using 3D laser profiling technology | |
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
Li et al. | Recognition and evaluation of bridge cracks with modified active contour model and greedy search-based support vector machine | |
CN111062915B (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
Zhu et al. | Detection of large-scale concrete columns for automated bridge inspection | |
Jahanshahi et al. | Adaptive vision-based crack detection using 3D scene reconstruction for condition assessment of structures | |
CN109115812A (zh) | 一种焊缝底片缺陷识别方法及系统 | |
CN107230203B (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
Dorafshan et al. | Automatic surface crack detection in concrete structures using OTSU thresholding and morphological operations | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
Li et al. | Sewer pipe defect detection via deep learning with local and global feature fusion | |
Gui et al. | Automated defect detection and visualization for the robotic airport runway inspection | |
Panella et al. | Deep learning and image processing for automated crack detection and defect measurement in underground structures | |
Arjapure et al. | Deep learning model for pothole detection and area computation | |
Li et al. | Bounding box–based technique for pavement crack classification and measurement using 1 mm 3D laser data | |
CN101013126A (zh) | 用计算机预测木质人造板强度的方法 | |
CN112561989B (zh) | 一种建造场景下吊装对象的识别方法 | |
Guldur et al. | Automated classification of detected surface damage from point clouds with supervised learning | |
Jiang | A crack detection and diagnosis methodology for automated pavement condition evaluation | |
Safaei | Pixel and region-based image processing algorithms for detection and classification of pavement cracks | |
Chen et al. | Research on edge defects image recognition technology based on artificial neural network | |
CN106530274B (zh) | 一种钢梁裂纹的定位方法 | |
CN104764402A (zh) | 柑橘体积的视觉检测方法 | |
Ashraf et al. | Efficient Pavement Crack Detection and Classification Using Custom YOLOv7 Model |
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 |