CN106504246A - 隧道裂缝检测的图像处理方法 - Google Patents
隧道裂缝检测的图像处理方法 Download PDFInfo
- Publication number
- CN106504246A CN106504246A CN201610977641.1A CN201610977641A CN106504246A CN 106504246 A CN106504246 A CN 106504246A CN 201610977641 A CN201610977641 A CN 201610977641A CN 106504246 A CN106504246 A CN 106504246A
- Authority
- CN
- China
- Prior art keywords
- region
- label
- image
- pixel
- detection
- 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.)
- Granted
Links
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
- G06T7/0008—Industrial image inspection checking presence/absence
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种隧道裂缝检测的图像处理方法,属于图像处理技术领域,特征是包括下列步骤:读入原始隧道图像,并将其转换为double型;对图像进行预处理,经高斯滤波后进行canny算子检测和阈值分割两个平行操作:经canny算子检测后得到去除图像中长度近似相等的平行区域以及水平和垂直直线包含的区域,经阈值分割后再进行膨胀操作、小面积区域去除、空洞填补和较宽区域去除等一系列处理,将结果与canny边缘检测结果相结合获取有效区域;对预处理后的结果做基于一维信号波谷检测;进行无效边界去除,根据待处理区域均值和方差、矩形度和离心率,去除无效边界;将得到的图像进行后处理。优点是在检测效率和客观性上有大幅度提高;克服了检测成本高,工作繁杂和采集的数据不完整等缺点。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种隧道裂缝检测的图像处理方法。
背景技术
近年来,我国轨道交通发展迅速,特别是隧道工程在轨道交通中越来越被更多的采用,但由于在隧道工程中使用的混凝土收缩徐变、自然风化引起的结构破坏,以及一些地质灾害或人为因素导致的破坏使得大量建筑设施的养护问题显现出来,使轨道交通中的隧道工程进入了养护期,如果能够提前预测线路的安全隐患或在设施出现故障的初期就对其采取相应措施,将会大大降低养护费用,提高线路的安全指数。因此,隧道安全的检测已经成为设施养护中的主要任务。
我国对隧道裂缝的检测主要还是停留在人工判读的水平,在线路无运营任务的时间段,通过人工观测并记录隧道裂缝,首先敲打墙壁,通过肉眼观察裂缝的形态和走势,然后用卷尺测量裂缝长度并记录,用裂缝宽度测量仪测量裂缝宽度并记录,最后根据工作经验判断裂缝潜在的危害性。这种方法不仅费时费力,效率低下,而且不同的专业水平会使判断结果也不尽相同,因此带有很强的主观性,不利于对隧道结构客观地评估。
目前,随着科学技术的发展,一种基于形变数据的固定式自动化检测方法被提出,这种方法是在隧道上安装传感器以获取裂缝形变数据,再利用采集到的数据及算法评估隧道裂缝的危害程度。但这种方法必须在整条线路上都安装传感器,这样不仅成本高,工作繁杂,而且无法均匀覆盖隧道的所有区间,因此不能被广泛采用。
发明内容
本发明的目的是提供一种隧道裂缝检测的图像处理方法,可以有效克服现有技术中存在的缺点。
本发明是这样实现的,其特征是包括下列步骤:
第一步:对读入的一幅隧道图像D进行预处理,去除管状物、电线等有规则的近似直线物体所在的无效区域,包括下列步骤:
一、读入一幅隧道图像D将其转化为double型,并进行高斯滤波得到imb,其分辨率为p×q;
二、对高斯滤波后的图像imb,进行下列操作:
①去除直线类无效区域得到valid1:用Canny算子对imb进行边缘检测,去除Canny检测后图像中的两类区域:一是长度近似相等的平行线条所包含的区域即管状物所在的区域imline_pipe,二是水平和垂直直线所包含的区域即有规则的近似直线的物体所在区域imline_vh;
管状物所在区域imline_pipe须同时满足以下几个特征:
1)经膨胀操作后的图像中,连通区域的长轴长度与短轴长度的比值axis要大于90,以确保该区域近似为直线;
2)经膨胀操作后的图像中,两线条长度的比值ratio要满足0.8<ratio<1.2,以确保两线条长度近似相等;
3)在两条认为长度相等的线条上,由两个不同的位置求出这两线条距离,将所得的两个距离做乘积得dis,且dis要小于待测图像尺寸最小值的1/5;
有规则的近似直线的物体所在区域imline_vh须同时满足以下几个特征:
1)经膨胀操作后的图像中,区域长轴长度与短轴长度的比值axis要大于20,以确保该区域近似为直线;
2)若该区域长轴与x轴交角大于85度或小于-85度,则判为垂直直线;
3)若该区域长轴与x轴交角大于-5度且小于5度,则判为平行直线;
②去除边界闭合的块状物体所在的无效区域得到valid2:先对imb中每个像素点imb(x,y)用公式(1)求取梯度,并根据梯度值对图像进行阈值分割,去除区域中梯度值小于12的部分,再通过膨胀操作、空洞填补和去除较宽区域等处理得到有效区域valid2;
其中x=1,2,3,...,3000;y=1,2,3,...,3000,wx和hy为分别为像素点im(x,y)的横向边缘值和纵向边缘值;
三、对valid1和valid2区域求和,经膨胀处理和小面积区域去除等操作获得裂缝检测的有效区域valid;
第二步:基于一维信号的波谷检测
对预处理后的图像valid进行波谷检测:先从图像valid获取任意行或列得到一维信号并检测信号的波峰点peak,再从该点取一段信号,在此段信号内,找到其他波峰点并与peak比较,将valid中大于像素值32的波峰按峰值从小到大的顺序进行保留,将其他像素值去除,最后去除面积小于32×32的连通区域,得到im_label;
第三步:去除无效边界
一、根据区域矩形度和离心率等特性去除im_label中的无效边界得im_label_1:逐一求取im_label中每个连通区域的矩形度、离心率和区域像素的坐标,将满足下列任一特征的区域视为无效区域并去除;
1)该区域的矩形度recd小于0.5,或大于2;
2)coxx大于c的最大值;
3)coyy大于c的最大值;
4)离心率lixinlv小于0.5;
5)axis小于2;
其中c为待测区域im_label_1的大小;coxx、coyy分别为区域像素横坐标与纵坐标的最大值和最小值之差;axis为区域长轴长度与短轴长度的比值;
二、根据待测区域的均值和方差,去除im_label_1中的无效边界得im_label_2:在im_label_1中去除均值大于128或方差大于15的区域,得到im_label_2;
三、根据两个连通区域的均值和方差,去除im_label_2中的无效边界得im_label_3,其中两个连通区域为im_label_2中待测区域做膨胀处理后,将膨胀部分沿待测区域的长轴方向分开得到的两个区域:将im_label_2中满足下列任一特征的区域视为无效区域并去除,得到im_label_3;
1)两区域均值差的绝对值小于6.5;
2)区域1中像素的最大值与最小值之差maxmin1大于70;
3)区域2中像素的最大值与最小值之差maxmin2大于70;
4)第一个区域的方差std1大于15;
5)第二个区域的方差std2大于15;
四、根据三个连通区域的均值和方差去除无效边界得im_label_4,其中三个连通区域为im_label_3中的待测区域和对该待测区域做膨胀处理,将膨胀部分沿此待测区域的长轴方向分开得到的两个连通区域:将im_label_3中满足下列任一特征的区域视为无效区域并去除,得到im_label_4;
1)区域1和区域2均值差的绝对值大于6;
2)区域0和区域1均值差的绝对值小于4;
3)区域0和区域2均值差的绝对值小于4;
4)区域0中像素的最大值与最小值之差maxmin0大于60;
5)区域1中像素的最大值与最小值之差maxmin1大于60;
6)区域2中像素的最大值与最小值之差maxmin2大于60;
7)第0个区域的方差std0大于7;
8)第1个区域的方差std1大于8;
9)第2个区域的方差std2大于8;
第四步:对im_label_4进行最后的处理
对图像im_label_4中的连通区域进行骨架提取,若同时满足条件:①连通区域长度大于500、②面积与长度的比值小于5.5,则对该连通区域的面积、长度以及宽度进行标记,否则将其去除,最终得到Doutput;
经过上述操作输出标记裂缝的图片Doutput。
本发明的优点及积极效果是:
1、本发明采用的方法与传统的人工检测方法相比,更加客观地对隧道裂缝进行测量和标注,提高检测结果的准确性。
2、该方法克服了基于形变数据的固定式检测方法中存在的缺点,本发明所提出的方法采用移动式的检测车获取隧道图像,不必在整条线路上都安装获取裂缝形变数据的传感器,这样采集的数据可以覆盖整个隧道,同时也节省了检测成本,降低了工作的复杂度。
3、该方法针对隧道裂缝特征先后对图像进行预处理、一维波峰检测、无效边界去除等操作,准确率高、漏检率低,可以髙效、准确地检测出隧道图像中的裂缝。
附图说明
图1是本发明的系统实施框图;
图2待处理的原始隧道图像D;
图3是图2经转换滤波后得到的图像imb;
图4是canny检测后去除管状物体、有规则的近似直线物体以及边界闭合的块状物体所在区域后的图像valid;
图5基于一维信号的波谷检测得到的结果im_label;
图6是根据区域特征、区域均值和方差去除无效边界得到结果im_label_4;
图7是对有效区域进行骨架提取后进一步去除无效边界得到输出图像Doutput。
具体实施方式
对本发明提出的隧道裂缝检测的图像处理方案,我们做了初步的测试实验。采用一幅隧道图像作为输入图像。使用华硕笔记本电脑作检测处理,笔记本参数为:Intel(R),Core(TM)i5CPU,3210,@2.5GHz,4.00GB内存。软件平台为MatlabR2014a,用Matlab语言编程实现了隧道图像裂缝检测的方案。
图1给出了本发明流程图,其特征在于具体步骤如下:
第一步:对读入的一幅隧道图像D进行预处理,去除管状物、电线等有规则的近似直线物体所在的无效区域,包括下列步骤:
一、读入一幅隧道图像D即图2,将其转化为double型,并进行高斯滤波得到imb如图3所示,其分辨率为3000×3000;
二、对高斯滤波后的图像imb,进行下列操作,得到图4所示的有效区域:
①去除直线类无效区域得到valid1:用Canny算子对imb进行边缘检测,去除Canny检测后图像中的两类区域:一是长度近似相等的平行线条所包含的区域即管状物所在的区域imline_pipe,二是水平和垂直直线所包含的区域即有规则的近似直线的物体所在区域imline_vh;
管状物所在区域imline_pipe须同时满足以下几个特征:
1)经膨胀操作后的图像中,连通区域的长轴长度与短轴长度的比值axis要大于90,以确保该区域近似为直线;
2)经膨胀操作后的图像中,两线条长度的比值ratio要满足0.8<ratio<1.2,以确保两线条长度近似相等;
3)在两条认为长度相等的线条上,由两个不同的位置求出这两线条距离,将所得的两个距离做乘积得dis,且dis要小于待测图像尺寸最小值的1/5;
有规则的近似直线的物体所在区域imline_vh须同时满足以下几个特征:
1)经膨胀操作后的图像中,区域长轴长度与短轴长度的比值axis要大于20,以确保该区域近似为直线;
2)若该区域长轴与x轴交角大于85度或小于-85度,则判为垂直直线;
3)若该区域长轴与x轴交角大于-5度且小于5度,则判为平行直线;
②去除边界闭合的块状物体所在的无效区域得到valid2:先对imb中每个像素点imb(x,y)用公式(1)求取梯度,并根据梯度值对图像进行阈值分割,去除区域中梯度值小于12的部分,再通过膨胀操作、空洞填补和去除较宽区域等处理得到有效区域valid2;
其中x=1,2,3,...,3000;y=1,2,3,...,3000,wx和hy为分别为像素点im(x,y)的横向边缘值和纵向边缘值;
三、对valid1和valid2区域求和,经膨胀处理和小面积区域去除等操作获得裂缝检测的有效区域valid如图4所示;
第二步:基于一维信号的波谷检测
对预处理后的图像valid进行波谷检测:先从图像valid获取任意行或列得到一维信号并检测信号的波峰点peak,再从该点取一段信号,在此段信号内,找到其他波峰点并与peak比较,将valid中大于像素值32的波峰按峰值从小到大的顺序进行保留,将其他像素值去除,最后去除面积小于32×32的连通区域,得到im_label如图5所示;
第三步:去除无效边界得到图6所示结果;
一、根据区域矩形度和离心率等特性去除im_label中的无效边界得im_label_1:逐一求取im_label中每个连通区域的矩形度、离心率和区域像素的坐标,将满足下列任一特征的区域视为无效区域并去除;
1)该区域的矩形度recd小于0.5,或大于2;
2)coxx大于c的最大值;
3)coyy大于c的最大值;
4)离心率lixinlv小于0.5;
5)axis小于2;
其中c为待测区域im_label_1的大小;coxx、coyy分别为区域像素横坐标与纵坐标的最大值和最小值之差;axis为区域长轴长度与短轴长度的比值;
二、根据待测区域的均值和方差,去除im_label_1中的无效边界得im_label_2:在im_label_1中去除均值大于128或方差大于15的区域,得到im_label_2;
三、根据两个连通区域的均值和方差,去除im_label_2中的无效边界得im_label_3,其中两个连通区域为im_label_2中待测区域做膨胀处理后,将膨胀部分沿待测区域的长轴方向分开得到的两个区域:将im_label_2中满足下列任一特征的区域视为无效区域并去除,得到im_label_3;
1)两区域均值差的绝对值小于6.5;
2)区域1中像素的最大值与最小值之差maxmin1大于70;
3)区域2中像素的最大值与最小值之差maxmin2大于70;
4)第一个区域的方差std1大于15;
5)第二个区域的方差std2大于15;
四、根据三个连通区域的均值和方差去除无效边界得im_label_4,其中三个连通区域为im_label_3中的待测区域和对该待测区域做膨胀处理,将膨胀部分沿此待测区域的长轴方向分开得到的两个连通区域:将im_label_3中满足下列任一特征的区域视为无效区域并去除,得到im_label_4;
1)区域1和区域2均值差的绝对值大于6;
2)区域0和区域1均值差的绝对值小于4;
3)区域0和区域2均值差的绝对值小于4;
4)区域0中像素的最大值与最小值之差maxmin0大于60;
5)区域1中像素的最大值与最小值之差maxmin1大于60;
6)区域2中像素的最大值与最小值之差maxmin2大于60;
7)第0个区域的方差std0大于7;
8)第1个区域的方差std1大于8;
9)第2个区域的方差std2大于8;
第四步:对im_label_4进行最后的处理
对图像im_label_4中的连通区域进行骨架提取,若同时满足条件:①连通区域长度大于500、②面积与长度的比值小于5.5,则对该连通区域的面积、长度以及宽度进行标记,否则将其去除,最终输出如图7所示的标记有隧道裂缝的图片Doutput;
在实验中,我们使用的图像是3000×3000的隧道图像。首先读入原始隧道图像D,并将其转换为double型;然后,对图像进行预处理操作,在高斯滤波后,同时进行canny算子检测和阈值分割操作:经canny算子检测出图像管状物所在的区域和有规则的近似直线的物体所在区域并将其去除,经阈值分割后再进行膨胀操作、小面积区域去除、空洞填补和较宽区域去除等一系列处理,将结果与canny边缘检测结果相结合获取有效区域如图4;然后,对预处理后得到的结果做基于一维信号的波谷检测得到图5;接着进行无效边界的去除,根据待处理区域的矩形度和离心率等特征,以及待处理区域均值和方差去除无效边界得到图6;最后将得到的图像进行后处理,先逐一对连通区域的长度和面积进行测量标注,再根据线条长度和面积做最终的无效边界去除得到最终结果图7。
本发明采取的隧道裂缝检测方法与传统人工检测方法相比,在检测效率和客观性上都有大幅度提高;与基于形变数据的固定检测方法相比,克服了检测成本高,工作繁杂和采集的数据不完整等缺点。可见,本发明方案对隧道裂缝检测具有极高的现实意义。
Claims (1)
1.一种隧道裂缝检测的图像处理方法方法,其特征是实施步骤为:
第一步:对读入的一幅隧道图像D进行预处理,去除管状物、电线等有规则的近似直线物体所在的无效区域,包括下列步骤:
一、读入一幅隧道图像D将其转化为double型,并进行高斯滤波得到imb,其分辨率为p×q;
二、对高斯滤波后的图像imb,进行下列操作:
①去除直线类无效区域得到valid1:用Canny算子对imb进行边缘检测,去除Canny检测后图像中的两类区域:一是长度近似相等的平行线条所包含的区域即管状物所在的区域imline_pipe,二是水平和垂直直线所包含的区域即有规则的近似直线的物体所在区域imline_vh,
管状物所在区域imline_pipe须同时满足以下几个特征:
1)经膨胀操作后的图像中,连通区域的长轴长度与短轴长度的比值axis要大于90,以确保该区域近似为直线,
2)经膨胀操作后的图像中,两线条长度的比值ratio要满足0.8<ratio<1.2,以确保两线条长度近似相等,
3)在两条认为长度相等的线条上,由两个不同的位置求出这两线条距离,将所得的两个距离做乘积得dis,且dis要小于待测图像尺寸最小值的1/5;
有规则的近似直线的物体所在区域imline_vh须同时满足以下几个特征:
1)经膨胀操作后的图像中,区域长轴长度与短轴长度的比值axis要大于20,以确保该区域近似为直线,
2)若该区域长轴与x轴交角大于85度或小于-85度,则判为垂直直线,
3)若该区域长轴与x轴交角大于-5度且小于5度,则判为平行直线;
②去除边界闭合的块状物体所在的无效区域得到valid2:先对imb中每个像素点imb(x,y)用公式(1)求取梯度,并根据梯度值对图像进行阈值分割,去除区域中梯度值小于12的部分,再通过膨胀操作、空洞填补和去除较宽区域等处理得到有效区域valid2,
其中x=1,2,3,...,3000;y=1,2,3,...,3000,wx和hy为分别为像素点im(x,y)的横向边缘值和纵向边缘值;
三、对valid1和valid2区域求和,经膨胀处理和小面积区域去除等操作获得裂缝检测的有效区域valid;
第二步:基于一维信号的波谷检测
对预处理后的图像valid进行波谷检测:先从图像valid获取任意行或列得到一维信号并检测信号的波峰点peak,再从该点取一段信号,在此段信号内,找到其他波峰点并与peak比较,将valid中大于像素值32的波峰按峰值从小到大的顺序进行保留,将其他像素值去除,最后去除面积小于32×32的连通区域,得到im_label;
第三步:去除无效边界
一、根据区域矩形度和离心率等特性去除im_label中的无效边界得im_label_1:逐一求取im_label中每个连通区域的矩形度、离心率和区域像素的坐标,将满足下列任一特征的区域视为无效区域并去除,
1)该区域的矩形度recd小于0.5,或大于2,
2)coxx大于c的最大值,
3)coyy大于c的最大值,
4)离心率lixinlv小于0.5,
5)axis小于2,
其中c为待测区域im_label_1的大小;coxx、coyy分别为区域像素横坐标与纵坐标的最大值和最小值之差;axis为区域长轴长度与短轴长度的比值;
二、根据待测区域的均值和方差,去除im_label_1中的无效边界得im_label_2:在im_label_1中去除均值大于128或方差大于15的区域,得到im_label_2;
三、根据两个连通区域的均值和方差,去除im_label_2中的无效边界得im_label_3,其中两个连通区域为im_label_2中待测区域做膨胀处理后,将膨胀部分沿待测区域的长轴方向分开得到的两个区域:将im_label_2中满足下列任一特征的区域视为无效区域并去除,得到im_label_3;
1)两区域均值差的绝对值小于6.5,
2)区域1中像素的最大值与最小值之差maxmin1大于70,
3)区域2中像素的最大值与最小值之差maxmin2大于70,
4)第一个区域的方差std1大于15,
5)第二个区域的方差std2大于15;
四、根据三个连通区域的均值和方差去除无效边界得im_label_4,其中三个连通区域为im_label_3中的待测区域和对该待测区域做膨胀处理,将膨胀部分沿此待测区域的长轴方向分开得到的两个连通区域:将im_label_3中满足下列任一特征的区域视为无效区域并去除,得到im_label_4,
1)区域1和区域2均值差的绝对值大于6,
2)区域0和区域1均值差的绝对值小于4,
3)区域0和区域2均值差的绝对值小于4,
4)区域0中像素的最大值与最小值之差maxmin0大于60,
5)区域1中像素的最大值与最小值之差maxmin1大于60,
6)区域2中像素的最大值与最小值之差maxmin2大于60,
7)第0个区域的方差std0大于7,
8)第1个区域的方差std1大于8,
9)第2个区域的方差std2大于8;
第四步:对im_label_4进行最后的处理:
对图像im_label_4中的连通区域进行骨架提取,若同时满足条件:①连通区域长度大于500、②面积与长度的比值小于5.5,则对该连通区域的面积、长度以及宽度进行标记,否则将其去除,最终得到Doutput;
经过上述操作输出标记裂缝的图片Doutput。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610977641.1A CN106504246B (zh) | 2016-11-08 | 2016-11-08 | 隧道裂缝检测的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610977641.1A CN106504246B (zh) | 2016-11-08 | 2016-11-08 | 隧道裂缝检测的图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106504246A true CN106504246A (zh) | 2017-03-15 |
CN106504246B CN106504246B (zh) | 2019-04-30 |
Family
ID=58323323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610977641.1A Active CN106504246B (zh) | 2016-11-08 | 2016-11-08 | 隧道裂缝检测的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106504246B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363986A (zh) * | 2018-03-07 | 2018-08-03 | 曲阜师范大学 | 基于改进Sobel算子的人脸速写系统和轮廓提取方法 |
WO2019127619A1 (zh) * | 2017-12-29 | 2019-07-04 | 中国科学院深圳先进技术研究院 | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 |
CN110175976A (zh) * | 2019-01-23 | 2019-08-27 | 上海应用技术大学 | 基于机器视觉的crtsⅱ板式无砟轨道裂缝检测分类方法 |
CN110687130A (zh) * | 2019-09-27 | 2020-01-14 | 天津大学 | 微细孔内壁缺陷自动检测方法 |
CN111507971A (zh) * | 2020-04-20 | 2020-08-07 | 南京航空航天大学 | 一种隧道表面缺陷检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101691994A (zh) * | 2009-09-30 | 2010-04-07 | 浙江大学 | 一种隧道裂缝最大宽度自动定位和检测方法 |
CN101957178A (zh) * | 2009-07-17 | 2011-01-26 | 上海同岩土木工程科技有限公司 | 一种隧道衬砌裂缝测量方法及其测量装置 |
CN102346013A (zh) * | 2010-07-29 | 2012-02-08 | 同济大学 | 一种隧道衬砌裂缝宽度的测量方法及装置 |
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 |
CN104835132A (zh) * | 2015-05-18 | 2015-08-12 | 上海数久信息科技有限公司 | 道路路况图像快速点检方法与设备 |
US20160055392A1 (en) * | 2014-08-19 | 2016-02-25 | International Business Machines Corporation | Estimating degree of deterioration of road surface |
-
2016
- 2016-11-08 CN CN201610977641.1A patent/CN106504246B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957178A (zh) * | 2009-07-17 | 2011-01-26 | 上海同岩土木工程科技有限公司 | 一种隧道衬砌裂缝测量方法及其测量装置 |
CN101691994A (zh) * | 2009-09-30 | 2010-04-07 | 浙江大学 | 一种隧道裂缝最大宽度自动定位和检测方法 |
CN102346013A (zh) * | 2010-07-29 | 2012-02-08 | 同济大学 | 一种隧道衬砌裂缝宽度的测量方法及装置 |
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 |
US20160055392A1 (en) * | 2014-08-19 | 2016-02-25 | International Business Machines Corporation | Estimating degree of deterioration of road surface |
CN104835132A (zh) * | 2015-05-18 | 2015-08-12 | 上海数久信息科技有限公司 | 道路路况图像快速点检方法与设备 |
Non-Patent Citations (1)
Title |
---|
吴晓军 等: "基于CMOS线阵相机地铁隧道裂缝快速检测系统", 《路基工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019127619A1 (zh) * | 2017-12-29 | 2019-07-04 | 中国科学院深圳先进技术研究院 | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 |
CN108363986A (zh) * | 2018-03-07 | 2018-08-03 | 曲阜师范大学 | 基于改进Sobel算子的人脸速写系统和轮廓提取方法 |
CN108363986B (zh) * | 2018-03-07 | 2021-08-13 | 曲阜师范大学 | 基于改进Sobel算子的人脸速写系统和轮廓提取方法 |
CN110175976A (zh) * | 2019-01-23 | 2019-08-27 | 上海应用技术大学 | 基于机器视觉的crtsⅱ板式无砟轨道裂缝检测分类方法 |
CN110687130A (zh) * | 2019-09-27 | 2020-01-14 | 天津大学 | 微细孔内壁缺陷自动检测方法 |
CN111507971A (zh) * | 2020-04-20 | 2020-08-07 | 南京航空航天大学 | 一种隧道表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106504246B (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106504246B (zh) | 隧道裂缝检测的图像处理方法 | |
Jiang et al. | HDCB-Net: A neural network with the hybrid dilated convolution for pixel-level crack detection on concrete bridges | |
Li et al. | Recognition and evaluation of bridge cracks with modified active contour model and greedy search-based support vector machine | |
Dawood et al. | Machine vision-based model for spalling detection and quantification in subway networks | |
Salman et al. | Pavement crack detection using the Gabor filter | |
CN103076338B (zh) | 高铁接触网棒式绝缘子不良状态检测的快速模糊匹配方法 | |
Li et al. | Long-distance precision inspection method for bridge cracks with image processing | |
CN105387801B (zh) | 一种地铁隧道管片错台量检测方法 | |
CN105447851A (zh) | 一种玻璃面板的音孔缺陷检测方法及系统 | |
CN103440657B (zh) | 一种在线道路裂缝筛查方法 | |
CN102680480A (zh) | 一种混凝土结构裂缝智能化检测方法 | |
CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
Zhou et al. | Concrete roadway crack segmentation using encoder-decoder networks with range images | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
CN104318559A (zh) | 用于视频图像匹配的特征点快速检测方法 | |
Min et al. | Online condition diagnosis for a two-stage gearbox machinery of an aerospace utilization system using an ensemble multi-fault features indexing approach | |
CN104166986A (zh) | 一种条状物体表面缺陷在线视觉注意力检测方法 | |
Jung et al. | Rapid and non-invasive surface crack detection for pressed-panel products based on online image processing | |
CN104517295A (zh) | 一种三维太赫兹图像的图像分割方法及系统 | |
CN104102900A (zh) | 一种车辆识别系统 | |
Wang et al. | Crack image recognition on fracture mechanics cross valley edge detection by fractional differential with multi-scale analysis | |
CN104517296A (zh) | 一种三维毫米波图像的分割方法及系统 | |
CN103106663A (zh) | 计算机系统中基于图像处理实现sim卡缺陷检测的方法 | |
CN110082354A (zh) | 一种隧道衬砌浅层潜在剥落剥离红外探测装置 | |
CN104766047A (zh) | 基于车辆长度检测的高速收费站车辆识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |