CN105956942B - 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 - Google Patents
基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 Download PDFInfo
- Publication number
- CN105956942B CN105956942B CN201610317303.5A CN201610317303A CN105956942B CN 105956942 B CN105956942 B CN 105956942B CN 201610317303 A CN201610317303 A CN 201610317303A CN 105956942 B CN105956942 B CN 105956942B
- Authority
- CN
- China
- Prior art keywords
- image
- steel bars
- steel bar
- theta
- line
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Abstract
基于机器视觉的电力管廊钢筋网质量检测方法及检测装置,检测方法包括钢筋数量检测、钢筋间距检测以及钢筋直径检测;钢筋数量检测采用图像拼接、哈夫变换直线检测等技术来统计米标内的钢筋数量并判定是否合格;钢筋间距检测采用边缘提取技术,利用最小二乘法拟合出每根钢筋,计算矩形检测区域相邻钢筋之间的距离并判定本段钢筋间距是否合格。钢筋直径检测类似钢筋间距检测,不同之处在于矩形检测区域内利用最小二乘法拟合出每根钢筋的双边界,计算每根钢筋的直径并判定本段钢筋直径是否合格。检测装置包括可伸缩三角支架、双管导轨、步进电机、水平仪及装载超高清摄像机的云台。本发明能够在未浇注钢筋混凝土之前,提前收集在建工程中钢筋网信息。
Description
技术领域
本发明涉及电力管廊钢筋规范检测领域,具体涉及一种基于机器视觉的电力管廊钢筋网质量检测方法及检测装置,实现钢筋规范要求的常用钢筋数量、直径、间距实时检测与预警。
背景技术
随着城市化的发展,现代社会对建筑的需求越来越大。目前建筑行业使用最普遍的建筑材料就是钢筋混凝土,作为现代建筑物的标志性材料,它的使用使得现代建筑工程在质量上有了大幅度的提升和改善。现代建筑对钢筋混凝土技术的施工要求也越来越高,为了保证建筑工程质量,保障建筑人员和住户人身安全,迫切需要对建筑所铺设钢筋是否符合规范进行检测。目前针对建筑工地铺设的钢筋,建筑单位普遍采用根据建筑工程需要以合适吨位采购,再根据需要进行截取的方案,对工程内部钢筋使用巨细不清楚,加上利益的诱惑及施工管理的松懈,以及施工人员安全意识淡薄,屡次出现瘦身钢筋、因施工工艺粗糙造成钢筋分布稀疏等重大问题,导致建筑质量达不到验收标准,埋下安全隐患。对住房与城乡建设部 2004~2013年建筑安全事故快报进行统计,坍塌事故共发生1033起,占总事故起数的13.68%;死亡人数为1764人,占总死亡人数的19.28%,无论是起数和人数均居于各类事故的第二位。 2008年,汶川地震中教学楼的倒塌以及引起的师生伤亡成为舆论的焦点,死亡学生占总死亡人数的6.14%,震后调查中发现,在转角墙、丁字墙等应配钢筋的部位经过反复搜索,并未发现“砖夹筋”迹象,在砖体和周边构件之间也普遍不按规定设置拉结筋等,直接或间接导致了教学楼的坍塌,一时舆论哗然。因此在建筑工程进行过程中,对钢筋质量进行阶段性检测,以保证建筑安全和质量,防范不必要的经济损失,具有重大实际意义。
然而,目前针对电力管廊钢筋质量的检测,主要采用游标卡尺进行检测,通过人眼进行判断,工作量大、效率低、检测精度极差,并且只能进行抽样小批量检测,检测结果不尽人意,整个建筑行业在此处都存在巨大漏洞。
建筑环境复杂多变,针对不同的作业环境需要采取不同的数据采集方式。电力管廊具有窄而深、无线信号干扰较大的特点,因此需要研发一种数据采集设备,以实现电力管廊钢筋质量安全规范的检测与判定,进而检测建筑中使用的几种钢筋是否符合钢筋规范的要求。
发明内容
本发明的目的在于针对上述现有技术中的问题,提供一种基于机器视觉的电力管廊钢筋网质量检测方法及检测装置,通过对施工现场进行视频采集,运用计算机图像处理技术和模式识别分类技术,实现钢筋数量、间距以及直径的规范检测与建筑安全规范判定。
为了实现上述目的,本发明基于机器视觉的电力管廊钢筋网质量检测方法所采用的技术方案,包括以下过程:
A、图像采集:移动相机,垂直采集电力管廊钢筋绑扎视频;
B、钢筋数量检测;
通过图像拼接将采集到的视频转换成图像,具体地,将视频每一帧最后一行的像素与最后一帧的整张图像拼接为图像;对上述图像进行预处理和边缘检测,通过模板匹配设置感兴趣区域,统计米标内的钢筋数量;然后通过哈夫变换直线检测,计算出标定区域内的钢筋数目和整个视频中的钢筋数目;最终根据建筑施工钢筋规范判定数量是否合格;
C、钢筋间距检测;
读取钢筋绑扎视频后设定矩形检测区域,对每一帧图片进行滤波和增强,通过阈值分割将其转化为二值图像并提取边缘,对提取到的边缘进行逐行扫描,认为满足多个点数的直线为同一根钢筋,且将间距小于阈值的直线簇归一化为同一条钢筋,获取每根钢筋与区域的边缘交汇点,根据获得的边缘交汇点,利用最小二乘法拟合出每根钢筋的直线,根据其中一条定位钢筋上多点到另一条定位钢筋距离的平均值作为每根钢筋间距并判定是否合格;
D、钢筋直径检测;
读取钢筋绑扎视频后设定矩形检测区域,进行预处理和边缘提取,然后设定钢筋直径阈值,对提取到的边缘进行逐行扫描,满足阈值的边缘点判定为钢筋的直径边缘,之后采用最小二乘法拟合出每根钢筋的双边界,进而计算出每根钢筋的直径并判定是否合格。
所述的过程B中建筑施工钢筋规范判定数量合格的合格率为100%,若不合格进行报警。
所述的过程B通过图像拼接将采集到的视频转换成图像的具体步骤如下:
假设输入的所述视频共有n帧,每一帧共有i×j个像素点;
阈值分割首先将彩色图像灰度化,然后利用灰度提取工具确定钢筋灰度范围,经过多次实际验证确定阈值分割的阈值,通过该阈值对拼接后的图像分割,从背景中提取钢筋图像;
所述的滤波为中值滤波,具体为计算指定区域范围内的所有原图灰度值,并按照从大到小的次序排列,选择以上统计数的中位数,并将中位数的灰度值赋值给指定区域的二维中心;通过中值滤波滤除椒盐噪声得到平滑图像,将平滑后的图像通过Canny算子提取图像边缘。
所述的过程B米标采用矩形框进行标记,匹配结果以矩形区域的中心点坐标输出,根据所求得的中心点坐标,设置感兴趣区域,统计该区域的钢筋数目。
过程B哈夫变换直线检测使用极坐标空间的直线表达式,图像空间上的一个点(x,y)对应参数空间(ρ,θ)上的一条曲线,参数空间曲线有一个相交的点,即对应图像空间有一条直线;
ρ=xcosθ+ysinθ (1)
其中ρ是原点到直线L在参数空间(ρ,θ)中的距离,θ是x轴与直线L法线间的夹角且θ∈ [0,180°],ρ∈[-R,R],R是原点到直线L的距离的最大可能值;
在具体计算时需要在参数空间(ρ,θ)里建立一个二维累加数组,设这个数组为A(ρ,θ),[ρmin,ρmax]和[θmin,θmax]分别为ρ,θ的范围,即预期的参数取值范围;开始时,置数组A为零,然后对每一个图像空间中的给定点,让θ取遍θ区间上所有可能的值,并根据直线公式算出对应的ρ,再根据ρ和θ的值对A累加,ρ和θ的值假设都已经取整:
A(ρ,θ)=A(ρ,θ)+1 (2)
对图像遍历后,A(ρ,θ)的值即在点(ρ,θ)处共线点的个数,同时(ρ,θ)值也给出了直线方程的参数,这样即得到了点所在的线;
通过哈夫变换检测直线的算法具体过程如下:
a.初始化变换域(r,θ)空间的数组;
其中r表示图像对角线方向上的像素数,θ方向上角度初始化数目为90;
b.顺序搜索图像中所有的物体点,累加计算A(ρ,θ);
遍历待处理图像中的每个物理点,按照公式(1)的图像空间到参数空间的变换规则进行换算,根据公式(2)对变换域的数组A(ρ,θ)进行累加计算,并保存对应的(ρ,θ);
c.求出变换域的值大于设定阈值的点并记录;
对一条直线上的最小点数进行限制,也即限制直线最小长度Lmin,如果直线长度小于Lmin,则抛弃,不予标记;否则,标记当前直线并进行输出;同时,如果直线间间距小于D,就将这一簇直线视为同一条钢筋直线;否则,视为下一条钢筋;
d.根据选定的点在原空间内标记出钢筋直线;
经过上述步骤的筛选,确定出符合要求的钢筋的位置信息,根据每条直线的参数信息,在原图中标记出所有的钢筋位置;
e.计算米标内钢筋数目和整个过程中的钢筋数目。
所述的利用最小二乘法拟合的具体步骤为:
直线函数y=ax+b中的a和b是待定常数,记为εi=yi-(axi+b),它反映计算值y与实际值yi的偏差,使用偏差的平方来反映估计值和实际值间的差异,用来度量总偏差,归结为确定y=ax+b中的常数a和b,以使为最小;
由极值原理知,函数取最小值时,其导数为零,即:
解此联立方程得:
本发明基于机器视觉的电力管廊钢筋网质量检测装置采用的技术方案为:
包括设置在双管导轨上的滑块,滑块上通过云台安装摄像机,所述的云台能够通过转动调整摄像机的拍摄角度,云台的转动范围为-90°~+30°,并且云台上设有用于驱动其沿滑轨进行滑动的步进电机;所述的双管导轨两端分别通过可伸缩三角支架进行支撑,并且可伸缩三角支架上安装有水平仪,摄像机通过调整拍摄角度垂直采集电力管廊钢筋绑扎视频。
与现有技术相比,本发明基于机器视觉的电力管廊钢筋网质量检测方法通过对施工现场视频采集与处理,能够实现钢筋数量的检测与判定、钢筋间距的检测与判定、钢筋直径的检测与判定,本发明方法具有机动性强、易于操作、检测速度快、节省时间的优势,相对于以往人工检测的方法,大大提高了检测效率和检测精度,能在短时间内进行大批量的检测,保障了建筑施工安全。本发明整体钢筋检测方法的实时性较好,能够快速检测出现场钢筋质量是否符合建筑规范的要求,节省人力、物力,进而保证所筑建筑合乎规范,避免出现强制性返工,保护投资不受损失,保护业主人身财产安全,促进建筑业绿色可持续发展。
与现有技术相比,本发明基于机器视觉的电力管廊钢筋网质量检测装置在电力管廊某一阶段钢筋绑扎完工进入检测阶段后,将两端可伸缩三角支架分别安装在电力管廊起始点和终止点,保证双管导轨水平,根据现场条件设置合适高度,保证采集到的视频清晰。双管导轨的一端安装能够拍摄4K超高清视频与1200万像素静态照片的高清摄像机,并配备能够带动摄像机缓慢稳步运行的步进电机,对现场钢筋绑扎情况进行拍摄并保存。高清摄像机安装在云台上,云台可控的转动范围为-90°至+30°。本发明的检测装置自主研发,其结构简单,视频采集可靠性高,垂直拍摄能够保证检测精度和排除不必要的干扰。
附图说明
图1本发明基于机器视觉的电力管廊钢筋网质量检测装置结构示意图;
图2本发明钢筋数量检测原理框图;
图3本发明图像拼接原理框图;
图4本发明钢筋间距检测原理框图;
图5本发明钢筋直径检测原理框图;
附图中:1.滑块;2.可伸缩三角支架;3.双管导轨;4.云台;5.步进电机;6.摄像机;7.水平仪。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
本发明利用自主研发数据采集设备,采集施工现场钢筋绑扎视频,通过监控软件平台,实现钢筋数量、间距以及直径的规范检测与建筑规范判定。本发明分为四个模块:自主研发的视频采集设备、钢筋数量检测与判定、钢筋间距检测与判定、钢筋直径检测与判定。
本发明自主研发的视频采集设备模块包括两个可伸缩三角支架2、一个双管导轨3、步进电机5以及摄像机6。在电力管廊某一层钢筋绑扎完工,进入检测阶段后,对现场钢筋绑扎情况进行视频采集。其中,在电力管廊现场,将两个可伸缩三角支架2间距3米安装在地面,双管导轨3固定安置在两个可伸缩三角支架2之间,通过水平仪7保证双管导轨3水平,微型的步进电机5与装载超高清摄像机6的云台4安装在双管导轨3的一端,步进电机5驱动云台4在双管导轨3上匀速慢速滑动,滑行速度可调可控,进而垂直采集钢筋绑扎视频。
钢筋数量检测模块对采集视频运用图像拼接技术将视频转换成图像,即将视频每一帧最后一行的像素与最后一帧的整张图像拼接为图像,更进一步对上述图像进行预处理和边缘检测,通过模板匹配设置感兴趣区域,用来统计米标内的钢筋数量,通过哈夫变换直线检测技术,计算出标定区域内的钢筋数目和整个视频中的钢筋数目,最终根据建筑施工钢筋规范判定数量是否合格。钢筋数量合格率应为100%,若数量不合格,则发出语音报警。
钢筋间距检测模块读取视频后设定矩形检测区域,然后对每一帧图片进行滤波和增强,进而通过阈值分割将其转化为二值图像、提取边缘,更进一步对提取到的边缘进行逐行扫描,认为满足一定数量点数的直线为同一根钢筋,且将间距小于某一阈值的直线簇归一化为同一条钢筋,进一步获取每根钢筋与区域的边缘交汇点,根据获得的边缘交汇点,利用最小二乘法拟合出每根钢筋的直线,根据其中一条定位钢筋上多点到另一条定位钢筋距离的平均值作为每根钢筋间距。譬如一号圆钢若相邻钢筋间距误差小于1cm,则判定本段检测合格,进而若本检测阶段所有钢筋的合格率达到90%,则本建筑阶段合格,否则发出语音报警。
钢筋直径检测模块读取视频后设定矩形检测区域,预处理和边缘提取过程与所述钢筋间距检测模块相同,设定钢筋直径阈值,对提取到的边缘进行逐行扫描,满足阈值的边缘点判定为钢筋的直径边缘,进一步采用最小二乘法拟合出每根钢筋的双边界,进而计算出每根钢筋的直径。同样是一号圆钢若钢筋直径误差小于0.4mm,则判定本钢筋合格,若本阶段所有钢筋的合格率达到90%,则本检测阶段合格,否则发出语音报警。
本发明基于机器视觉的电力管廊钢筋网质量检测装置能够实现钢筋检测数目、间距及直径的检测与判定。根据钢筋规范要求,钢筋质量如果合格,指示灯显示绿色,若不合格,则指示灯显示红色并发出语音报警,责令该层施工人员不得进行浇灌水泥,立即返工重新绑扎。
本发明自主研发的视频采集设备模块中摄像机6安装在云台4上,云台4的可控转动范围为-90°至+30°。步进电机5用于驱动云台4在双管导轨3上匀慢速滑行,控制摄像机6的拍摄角度,尽可能垂直采集钢筋绑扎情况。在电力管廊某一阶段钢筋绑扎完工,进入检测阶段后,将配备可拍摄4K超高清视频与1200万像素静态照片的高清摄像头的步进电机5放在双管导轨3的一端,控制步进电机5缓慢稳步运行,如图1所示,对现场钢筋绑扎情况进行拍摄,采集到所需待检测视频,并保存。为保证检测精度和排除不必要的干扰,建议尽量采用垂直拍摄,并控制摄像头移动速度保持稳定,保证采集到有价值的视频资料。
钢筋数量检测模块通过图像拼接将所拍摄视频拼接成易于处理的图像,进一步通过阈值分割将钢筋从杂乱无章的现实背景中提取出来,再使用中值滤波滤除椒盐噪声,得到平滑图像;为方便进行直线检测,将平滑后的图像通过Canny算子提取图像边缘,得到前景主要为钢筋的图像;通过模板匹配找到米标的中心点坐标,设置所需要计算钢筋质量的米标间区域,结合钢筋是具有足够相应点数的直线和相邻距离足够小视为同一钢筋的特征,使用哈夫直线检测寻找到钢筋,并在图像中进行标定,最终实现在钢筋检测系统界面输出检测到的规定距离内的钢筋数目和总的钢筋数目。结合图2与图3,具体步骤介绍如下:
步骤一、图像拼接实现视频转换为图像;
由于对视频的处理最终都要转化为对图像的处理,所以需要使用到图像拼接技术。图像拼接技术就是将数张有重叠部分的图像拼成一幅大型的无缝高分辨率图像的技术。图像拼接的方法很多,不同的算法步骤会有一定差异,但大致的过程是相同的。由于低空航拍的视频中,背景复杂,没有参照物,所以采用对视频中每一帧进行拼接的方法,通过矩阵记录视频中每一帧最后一行像素及最后一帧的整张像素,进一步将矩阵转换成拼接成功的图像。
具体步骤如下:
假设输入的所述视频共有n帧,每一帧共有i×j个像素点,那么:
…
本发明设定视频拼接过程中每隔5s拼接一幅图像,然后在这5s的间隔内对该幅图像进行处理,如此能够较好的协调实时性与处理速度两者之间的矛盾。
步骤二、基于阈值分割与中值滤波的图像预处理;
阈值分割是按照灰度级,对像素集合进行划分,得到的每个子集形成一个与现实景物相对应的区域,各个区域内部具有一致的属性,而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。通过设定不同的特征阈值,能够把图像的像素点分为若干类。本发明基于钢筋灰度范围较窄,而钢筋灰度范围之外的所有灰度为无用灰度的特点,首先将彩色图像灰度化,然后利用灰度提取工具确定大致的钢筋灰度范围,经过多次实际验证确定阈值分割的阈值取值,进一步通过该阈值对拼接后的图像经行阈值分割,最终实现将钢筋从杂乱无章的背景中提取出来。
中值滤波是计算指定区域范围内的所有原图灰度值,并按照从大到小的次序排列,选择以上统计数的中位数,并将中位数的灰度值赋值给指定区域的二维中心。
通过中值滤波技术滤除阈值分割后的椒盐噪声,减少阈值分割后的噪点,有效得平滑图像,使得斜坡性灰度阶跃边缘接近理想的灰度阶跃边缘图像,得到较为易于处理的拼接图像。
步骤三、Canny算子提取拼接图像边缘;为将钢筋较明显的从背景中分离出来,为下一步的直线检测做好准备,对中值滤波后的图像通过Canny算子进行边缘检测。经过高斯滤波、一阶偏导的有限差分、非最大抑制、双阈值算法等步骤处理过的拼接图像,可以将钢筋的形态从复杂的背景中很好的还原出来,得到噪声较小的前景图像。
步骤四、模板匹配得到感兴趣区域(ROI区域);
模板匹配,顾名思义,就是匹配给定的模版。模版由人为提供,用于在给定搜索区域,通常是整个图像或者视频寻找模版中指示的内容。最基本的算法是逐个像素点比对,直至在整个图像或视频中寻找到匹配模版所有内容的区域,返回中心点坐标。
ROI(region of interest),感兴趣区域,是在机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。
实际建筑工程中,钢筋质量巨大,为了在得到全部钢筋数目的同时,可以快速确定不合乎钢筋建筑规范区间段,以及排除由于距离造成的离摄像头较远的钢筋因重叠而检测误差较大,在拍摄建筑现场视频的时候,会在一定距离范围内设定米标,以方便进一步确定感兴趣搜索区域,进而统计相应区域内的钢筋数目与减小检测误差。
通过模板匹配技术,将米标用红色矩形框标记,匹配结果以矩形区域的中心点坐标输出,根据所求得的中心点坐标,可以设置感兴趣区(ROI),统计相应区域的钢筋数目。
步骤五、哈夫变换直线检测;
经过步骤一到步骤四处理过的图像,包含了绝大多数的钢筋轮廓信息,由于现场的钢筋多为直线形状,可以使用哈夫变换直线检测的方法来检测出图像中的直线根数。
哈夫变换利用图像全局特性,将边缘像素连接起来,组成区域封闭边界,从而求得边界曲线方程。在预先知道区域形状的条件下,利用哈夫变换可以方便地得到边界曲线。哈夫变换还可以用于寻找某一范围内目标最多的直线,它的基本思想是点—线的对偶性。它的主要优点是受噪声和曲线间断的影响比较小。
实际应用中的做法是,使用极坐标空间的直线表达式,图像空间上的一个点(x,y)就对应参数空间(ρ,θ)上的一条曲线,参数空间曲线有一个相交的点,就对应图像空间有一条直线。
ρ=xcosθ+ysinθ (1)
其中ρ是原点到直线L在参数空间(ρ,θ)中的距离,θ是x轴与直线L的法线间的夹角且θ∈[0,180°],ρ∈[-R,R],R是原点到直线L的距离的最大可能值。
在具体计算时需要在参数空间(ρ,θ)里建立一个二维累加数组。设这个数组为A(ρ,θ), [ρmin,ρmax]和[θmin,θmax]分别为ρ,θ的范围,即预期的参数取值范围。开始时,置数组A为零,然后对每一个图像空间中的给定点,让θ取遍θ区间上所有可能的值,并根据直线公式算出对应的ρ,再根据ρ和θ的值(假设都已经取整)对A累加:
A(ρ,θ)=A(ρ,θ)+1 (2)
对图像遍历后,A(ρ,θ)的值就是在点(ρ,θ)处共线点的个数。同时(ρ,θ)值也给出了直线方程的参数,这样就得到了点所在的线。
本发明通过哈夫变换检测直线的算法具体过程如下:
a.初始化变换域(r,θ)空间的数组;
其中r表示图像对角线方向上的像素数,θ方向上角度初始化数目为90。
b.顺序搜索图像中所有的物体点,累加计算A(ρ,θ);
遍历待处理图像中的每个物理点,按照公式(1)的图像空间到参数空间的变换规则进行换算,根据公式(2)对变换域的数组A(ρ,θ)进行累加计算,并保存对应的(ρ,θ)。
c.求出变换域的值大于一定阈值的点并记录;
Hough直线检测将很多并不相关(处于一条直线上)的点,错误的组合到了一起,即除了钢筋所在直线之外,有许多冗余标记干扰。因此,我们对一条直线上的最小点数进行限制,也即限制直线最小长度Lmin,如果直线长度小于Lmin,则抛弃,不予标记;否则,标记当前直线并输出。我们还对间距小于某一阈值D的直线簇进行归一化处理,如果直线间间距小于D,就将这一簇直线视为同一条钢筋直线;否则,视为下一条钢筋。
d.根据选定的点在原空间内标记出钢筋直线;
经过上述步骤的筛选,已经可以确定符合要求的钢筋的位置信息,根据每条直线的参数信息,在原图中即可标记出所有的钢筋位置;
e.计算米标内钢筋数目和整个过程中的钢筋数目。
根据上述哈夫直线检测的方法,能够计算得出整个视频中的钢筋总数。根据模板匹配得到的感兴趣搜索区域坐标,能够计算出米标内的钢筋数目。根据建筑要求,每10米内的一号圆钢数量至少应为160根,每10米内的二号圆钢数量至少应为160根,每10米内的三号圆钢数量至少应为80根,每10米内的四号圆钢数量至少应为53根,以1号圆钢为例,如果计算结果大于规定值,则显示为数量符合要求,反之则指示灯显红色不合格,并语音报警,即要求钢筋数量的合格率应达到100%。
钢筋间距检测模块,详细步骤见图4,同样对每一帧图片通过中值滤波进行滤波和增强,进而通过阈值分割将其转化为二值图像,再使用Canny算子实施边缘提取,进而对提取到的边缘进行逐行扫描,将满足一定数量点数的直线与间距小于某一阈值的直线簇归一化为同一条钢筋,分别获取每根钢筋的边缘交汇点,根据获得的边缘交汇点,利用最小二乘法拟合出每根钢筋的直线,最后计算每根钢筋之间的距离。
钢筋间距检测属于多距离测量,即测量多条平行线间的多个距离。距离测量的关键是对定位距离的直线的拟合,得到拟合直线方程,最后根据数学方法计算得到两条直线之间的距离。针对多距离测量可采用哈夫变换法和最小二乘拟合法,由于哈夫变换拟合多条直线速度较慢,实时性差,因此此处采用最小二乘法进行拟合。
最小二乘法考虑到直线函数y=ax+b,其中a和b是待定常数。记εi=yi-(axi+b),它反映计算值y与实际值yi的偏差。当然要求偏差越小越好,但由于εi可正可负,所以使用偏差的平方反映估计值和实际值间的差异,用度量总偏差。当偏差平方和最小时,则保证距离每个偏差都不会很大。这时估计的直线方程应与实际很接近。于是直线拟合的问题可归结为确定y=ax+b中的常数a和b,使:最小。
由极值原理可知,函数取最小值时,其导数为零,即:
解此联立方程得:
使用最小二乘法,可以方便快速地求解直线的方程。但是由于定位距离的两条钢筋可能不完全平行,因此一般采用一条直线上多点到另一条直线的距离的平均值来近似计算。电力管沟钢筋间距要求所检测阶段的一号圆钢钢筋,相邻钢筋间距误差小于1cm,平均合格的间距大于等于90%。若相邻钢筋间距误差小于1cm,则检测本段合格,进而若本检测阶段所有钢筋的合格率达到90%,则本阶段合格,否则发出语音报警。
钢筋直径检测模块,亦属于多距离测量,详细步骤见图5,同样需要读取视频后设定矩形检测区域,预处理和边缘提取过程与所述钢筋间距检测模块相同,进而设定钢筋直径阈值,对提取到的边缘进行逐行扫描,满足阈值的边缘点判定为钢筋的直径边缘,进一步采用最小二乘法拟合出每根钢筋的双边界,进而计算每根钢筋的直径。这是粗略计算,为提高直径测量精度,可通过多次拟合双边界与多次计算双边界间的距离等方法,求得双边界间的平均距离作为所求直径。电力管沟钢筋直径检测要求所测一号圆钢钢筋的每根直径偏差不得大于0.4mm,所有钢筋的合格率大于等于90%。若钢筋直径误差小于0.4mm,则本钢筋合格,进而若本阶段所有钢筋的合格率达到90%,则本检测阶段合格,如果所测得的直径偏差大于0.4mm,则判定为瘦身钢筋,质检不合格,并语音报警。
本发明研发的基于自主研发视频采集设备的电力管廊钢筋质量检测装置,只允许具有特定用户名的相关工作人员才能登录,在自主研发的视频采集设备成功采样视频数据后,存储在电力管廊钢筋质量检测软件中,在系统中选择所需检测的视频,根据钢筋安全规范的要求判定钢筋质量,判断和显示钢筋检测数目、间距以及直径的检测结果。当钢筋的数量、间距和直径中有一项不合格,则开发商和质检机构需责令该层施工人员不得进行浇灌水泥,立即返工重新进行绑扎。针对实际建筑现场环境中的钢筋网检测试验后发现,本发明的检测方案具有较好的普适性以及准确率,具有极大的应用前景。
Claims (6)
1.一种基于机器视觉的电力管廊钢筋网质量检测方法,其特征在于,包括以下过程:
A、图像采集:移动相机,垂直采集电力管廊钢筋绑扎视频;
B、钢筋数量检测;
通过图像拼接将采集到的视频转换成图像,具体地,将视频每一帧最后一行的像素与最后一帧的整张图像拼接为图像;对上述图像进行预处理和边缘检测,通过模板匹配设置感兴趣区域,统计米标内的钢筋数量;然后通过哈夫变换直线检测,计算出标定区域内的钢筋数目和整个视频中的钢筋数目;最终根据建筑施工钢筋规范判定数量是否合格;
通过图像拼接将采集到的视频转换成图像的具体步骤如下:
假设输入的所述视频共有n帧,每一帧共有i×j个像素点;
哈夫变换直线检测使用极坐标空间的直线表达式,图像空间上的一个点(x,y)对应参数空间(ρ,θ)上的一条曲线,参数空间曲线有一个相交的点,即对应图像空间有一条直线;
ρ=xcosθ+ysinθ (1)
其中ρ是原点到直线L在参数空间(ρ,θ)中的距离,θ是x轴与直线L法线间的夹角且θ∈[0,180°],ρ∈[-R,R],R是原点到直线L的距离的最大可能值;
在具体计算时在参数空间(ρ,θ)里建立一个二维累加数组,设这个数组为A(ρ,θ),[ρmin,ρmax]和[θmin,θmax]分别为ρ,θ的范围,即预期的参数取值范围;开始时,置数组A为零,然后对每一个图像空间中的给定点,让θ取遍θ区间上所有可能的值,并根据直线公式算出对应的ρ,再根据ρ和θ的值对A累加,ρ和θ的值假设都已经取整:
A(ρ,θ)=A(ρ,θ)+1 (2)
对图像遍历后,A(ρ,θ)的值即在点(ρ,θ)处共线点的个数,同时(ρ,θ)值也给出了直线方程的参数,这样即得到了点所在的线;
通过哈夫变换检测直线的算法具体过程如下:
a.初始化变换域(r,θ)空间的数组;
其中r表示图像对角线方向上的像素数,θ方向上角度初始化数目为90;
b.顺序搜索图像中所有的物体点,累加计算A(ρ,θ);
遍历待处理图像中的每个物理点,按照公式(1)的图像空间到参数空间的变换规则进行换算,根据公式(2)对变换域的数组A(ρ,θ)进行累加计算,并保存对应的(ρ,θ);
c.求出变换域的值大于设定阈值的点并记录;
对一条直线上的最小点数进行限制,也即限制直线最小长度Lmin,如果直线长度小于Lmin,则抛弃,不予标记;否则,标记当前直线并进行输出;同时,如果直线间间距小于D,就将这一簇直线视为同一条钢筋直线;否则,视为下一条钢筋;
d.根据选定的点在原空间内标记出钢筋直线;
经过上述步骤的筛选,确定出符合要求的钢筋的位置信息,根据每条直线的参数信息,在原图中标记出所有的钢筋位置;
e.计算米标内钢筋数目和整个过程中的钢筋数目;
所述的米标采用矩形框进行标记,匹配结果以矩形区域的中心点坐标输出,根据所求得的中心点坐标,设置感兴趣区域,统计该区域的钢筋数目;
C、钢筋间距检测;
读取钢筋绑扎视频后设定矩形检测区域,对每一帧图片进行滤波和增强,通过阈值分割将其转化为二值图像并提取边缘,对提取到的边缘进行逐行扫描,认为满足多个点数的直线为同一根钢筋,且将间距小于阈值的直线簇归一化为同一条钢筋,获取每根钢筋与区域的边缘交汇点,根据获得的边缘交汇点,利用最小二乘法拟合出每根钢筋的直线,根据其中一条定位钢筋上多点到另一条定位钢筋距离的平均值作为每根钢筋间距并判定是否合格;所述的阈值分割首先将彩色图像灰度化,然后利用灰度提取工具确定钢筋灰度范围,经过多次实际验证确定阈值分割的阈值,通过该阈值对拼接后的图像分割,从背景中提取钢筋图像;所述的滤波为中值滤波,具体为计算指定区域范围内的所有原图灰度值,并按照从大到小的次序排列,选择以上统计数的中位数,并将中位数的灰度值赋值给指定区域的二维中心;通过中值滤波滤除椒盐噪声得到平滑图像,将平滑后的图像通过Canny算子提取图像边缘;
D、钢筋直径检测;
读取钢筋绑扎视频后设定矩形检测区域,进行预处理和边缘提取,然后设定钢筋直径阈值,对提取到的边缘进行逐行扫描,满足阈值的边缘点判定为钢筋的直径边缘,之后采用最小二乘法拟合出每根钢筋的双边界,进而计算出每根钢筋的直径并判定是否合格。
2.根据权利要求1所述的基于机器视觉的电力管廊钢筋网质量检测方法,其特征在于:所述的过程B中建筑施工钢筋规范判定数量合格的合格率为100%,若不合格则进行报警。
6.一种实现如权利要求1所述基于机器视觉的电力管廊钢筋网质量检测方法的检测装置,其特征在于:包括设置在双管导轨上的滑块,滑块上通过云台安装摄像机,所述的云台能够通过转动调整摄像机的拍摄角度,云台的转动范围为-90°~+30°,并且云台上设有用于驱动其沿双管导轨进行滑动的步进电机;所述的双管导轨两端分别通过可伸缩三角支架进行支撑,并且可伸缩三角支架上安装有水平仪,摄像机通过调整拍摄角度垂直采集电力管廊钢筋绑扎视频。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610317303.5A CN105956942B (zh) | 2016-05-12 | 2016-05-12 | 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610317303.5A CN105956942B (zh) | 2016-05-12 | 2016-05-12 | 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105956942A CN105956942A (zh) | 2016-09-21 |
CN105956942B true CN105956942B (zh) | 2020-06-16 |
Family
ID=56911379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610317303.5A Active CN105956942B (zh) | 2016-05-12 | 2016-05-12 | 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956942B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107123188B (zh) * | 2016-12-20 | 2020-05-12 | 北京联合众为科技发展有限公司 | 基于模板匹配算法和边缘特征的伤票识别与定位方法 |
CN106895231B (zh) * | 2017-01-05 | 2019-06-11 | 陕西瑞海工程智慧数据科技有限公司 | 一种钢筋质量检测视频数据采集装置及采集方法 |
CN107705291A (zh) * | 2017-09-07 | 2018-02-16 | 江苏大学 | 一种基于图像识别的外脚手架安全性自动检查方法 |
CN110455206A (zh) * | 2018-05-07 | 2019-11-15 | 中铁一局集团有限公司 | 一种结构钢筋间距检测系统及其运行控制方法 |
CN109448044A (zh) * | 2018-11-30 | 2019-03-08 | 重庆大学 | 一种用于钢筋笼中钢筋间距的辅助检测方法及系统 |
CN109632814A (zh) * | 2019-02-01 | 2019-04-16 | 东莞中科蓝海智能视觉科技有限公司 | 零件缺陷检测方法 |
CN110163843B (zh) * | 2019-04-16 | 2023-05-05 | 江苏大学 | 一种基于图像采集的楼板钢筋工程辅助验收方法 |
CN110262594A (zh) * | 2019-04-30 | 2019-09-20 | 广州富港万嘉智能科技有限公司 | 一种移动聚焦控制系统、方法及存储介质 |
CN110515884B (zh) * | 2019-09-04 | 2023-02-03 | 西安工业大学 | 基于图像分析的施工现场钢筋测距装置 |
CN111126415B (zh) * | 2019-12-12 | 2022-07-08 | 创新奇智(合肥)科技有限公司 | 基于雷达探测图像的隧道钢筋检测计数系统、方法 |
CN111310748B (zh) * | 2020-03-17 | 2023-04-07 | 郑州航空工业管理学院 | 一种汉画像石体育图像采集比对装置 |
CN111797311B (zh) * | 2020-06-19 | 2022-12-13 | 冯选明 | 一种电梯重量平衡系数检测系统 |
CN112927131B (zh) * | 2021-01-16 | 2022-11-11 | 中建三局第一建设工程有限责任公司 | 图片拼接方法、装置、计算机设备和存储介质 |
CN113034485A (zh) * | 2021-04-09 | 2021-06-25 | 浙江欧视电科技有限公司 | 融合Hough变换和卡尺聚类的圆检测方法 |
CN113740342A (zh) * | 2021-07-15 | 2021-12-03 | 广东建科创新技术研究院有限公司 | 一种钢筋锈蚀率智能检测设备 |
CN114155258A (zh) * | 2021-12-01 | 2022-03-08 | 苏州思卡信息系统有限公司 | 一种公路施工围封区域的检测方法 |
CN114397815B (zh) * | 2021-12-14 | 2023-08-01 | 国网江苏省电力工程咨询有限公司 | 一种基于电力管廊及运维监控系统的精准甄控方法 |
CN116092012B (zh) * | 2023-03-06 | 2023-06-16 | 安徽数智建造研究院有限公司 | 基于视频流的钢筋绑扎工序监测方法及监测装置 |
CN116524004B (zh) * | 2023-07-03 | 2023-09-08 | 中国铁路设计集团有限公司 | 基于HoughLines算法的钢筋尺寸检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445453A (zh) * | 2011-11-30 | 2012-05-09 | 北京交通大学 | 一种高速铁路线路护栏完整性自动检测装置及识别方法 |
CN103453840A (zh) * | 2013-09-23 | 2013-12-18 | 董仲伟 | 弹子锁锁芯精度的自动检测方法 |
CN103499305A (zh) * | 2013-09-23 | 2014-01-08 | 董仲伟 | 弹子锁锁体精度的自动检测方法 |
CN104392224A (zh) * | 2014-12-04 | 2015-03-04 | 西南交通大学 | 一种公路路面裂纹检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2740220B1 (fr) * | 1995-10-18 | 1997-11-21 | Snecma | Procede de detection automatique des zones expertisables dans des images de pieces mecaniques |
US8559698B2 (en) * | 2012-03-09 | 2013-10-15 | National Applied Research Laboratories | Method of inspecting chip defects |
-
2016
- 2016-05-12 CN CN201610317303.5A patent/CN105956942B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445453A (zh) * | 2011-11-30 | 2012-05-09 | 北京交通大学 | 一种高速铁路线路护栏完整性自动检测装置及识别方法 |
CN103453840A (zh) * | 2013-09-23 | 2013-12-18 | 董仲伟 | 弹子锁锁芯精度的自动检测方法 |
CN103499305A (zh) * | 2013-09-23 | 2014-01-08 | 董仲伟 | 弹子锁锁体精度的自动检测方法 |
CN104392224A (zh) * | 2014-12-04 | 2015-03-04 | 西南交通大学 | 一种公路路面裂纹检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105956942A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956942B (zh) | 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 | |
CN113516660B (zh) | 适用于列车的视觉定位与缺陷检测方法和装置 | |
US10931871B2 (en) | Pipeline detection method and apparatus, and storage medium | |
Kopsida et al. | A review of automated construction progress monitoring and inspection methods | |
Fassi et al. | Comparison between laser scanning and automated 3d modelling techniques to reconstruct complex and extensive cultural heritage areas | |
CN109297428A (zh) | 一种基于无人机的高精度变形巡测技术方法 | |
EP3023912A1 (en) | Crack data collection apparatus and server apparatus to collect crack data | |
CN104236498A (zh) | 一种道岔钢轨件端面尺寸的测量方法 | |
Medeiros Jr et al. | 3D pavement macrotexture parameters from close range photogrammetry | |
CN112580542A (zh) | 一种基于目标检测的钢筋计数方法 | |
Park et al. | Learning‐based image scale estimation using surface textures for quantitative visual inspection of regions‐of‐interest | |
Callahan et al. | Close-Range Photogrammetry with Laser Scan Point Clouds | |
KR20130133596A (ko) | 전주 기울기 측정 방법 및 장치 | |
CN104019772A (zh) | 一种桥梁结构砼表面蜂窝麻面面积测定仪及其检测方法 | |
Golparvar-Fard et al. | Monitoring of construction performance using daily progress photograph logs and 4D as-planned models | |
CN103822592B (zh) | 一种利用移动通讯设备进行道路坑洞深度测量的方法 | |
Shatnawi et al. | Road pavement rut detection using mobile and static terrestrial laser scanning | |
CN114004950A (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
Kong et al. | Detecting type and size of road crack with the smartphone | |
Hart et al. | Using citizen science to collect coastal monitoring data | |
CN210533296U (zh) | 一种隧道洞周变形监测系统 | |
Feng et al. | Evaluation of feature-and pixel-based methods for deflection measurements in temporary structure monitoring | |
Guan et al. | Multi-scale asphalt pavement deformation detection and measurement based on machine learning of full field-of-view digital surface data | |
CN115439792A (zh) | 一种基于人工智能的监控方法和系统 | |
Laureshyn et al. | Automated video analysis as a tool for analysing road user behaviour |
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 |