CN107154040B - 一种隧道衬砌表面图像裂缝检测方法 - Google Patents
一种隧道衬砌表面图像裂缝检测方法 Download PDFInfo
- Publication number
- CN107154040B CN107154040B CN201710315833.0A CN201710315833A CN107154040B CN 107154040 B CN107154040 B CN 107154040B CN 201710315833 A CN201710315833 A CN 201710315833A CN 107154040 B CN107154040 B CN 107154040B
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- seepage
- point
- pixel
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 21
- 230000001174 ascending effect Effects 0.000 claims description 12
- 230000001629 suppression Effects 0.000 claims description 12
- 239000006185 dispersion Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000005325 percolation Methods 0.000 claims description 7
- 230000005764 inhibitory process Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000005304 joining Methods 0.000 claims description 4
- DEYFWGXTPWNADC-UHFFFAOYSA-N 6-[2-phenylethyl(propyl)amino]-5,6,7,8-tetrahydronaphthalen-1-ol Chemical compound C1CC2=C(O)C=CC=C2CC1N(CCC)CCC1=CC=CC=C1 DEYFWGXTPWNADC-UHFFFAOYSA-N 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 12
- 238000005286 illumination Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000005336 cracking Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种隧道衬砌表面图像裂缝检测方法,主要解决现有技术中存在的未考虑隧道砼衬砌结构的特殊结构环境的问题,通过采用对待处理图像进行图像畸变校正及使用Mask差值匀光法进行匀光处理,输出预处理图像;对预处理图像预提取裂缝像素点,根据提取的裂缝像素点标记渗流种子点坐标,生成渗流种子点地图;根据渗流种子点地图,提取渗流种子点地图对应待处理图像坐标位置像素点作为渗流种子点,进行点渗流,采取加速条件下的二次渗流处理,检测出裂缝相似目标;对初裂缝检测结果进行裂缝细化及裂缝断裂连接,去除衬砌接缝,去除背景噪声的技术方案,较好的解决了该问题,可用于公路隧道的衬砌表面图像检测中。
Description
技术领域
本发明涉及图像检测领域,特别涉及到一种隧道衬砌表面图像裂缝检测方法。
背景技术
隧道是当前交通基础设施的重要组成部分,表面裂缝的开裂程度、规律、走向及其病害形态是评价隧道砼衬砌结构健康状况的指标。随着图像大数据以及云存储技术的发展,数据存储处理成本不断下降,搭载智能视觉系统的隧道探测机器人、无人机、车载移动装置等使得基于数字图像处理的隧道砼衬砌表面裂缝检测技术飞速发展,成为了公路隧道砼衬砌结构探测与评估监控领域的一个研究热点和难点。基于数字图像处理的裂缝快速、智能检测技术,避免了人工仪器检测的主观性及安全问题,能够高效获取较为真实的裂缝信息,为后续裂缝参数计算、评价分析提供可靠依据,它是一种自动化的无损检测技术,也是目前病害检测领域研究的重点。渗流模型是模拟求解渗流力学的一种统计物理学模型,渗流是基于流体在多孔介质中的流动,其基本思想是:网络区域由节点集群组成,存在临界概率即渗流阈值,可在一个初始节点向周围延伸渗透,从而形成渗流集群。基于渗流模型的图像处理用像素点强度值作为临界条件,根据相似强度的判定阈值对相邻像素点进行渗流生长,最后根据其聚类特征从而判断局部处理中心是否属于感兴趣区域
现有的隧道衬砌表面图像裂缝检测方法利用可变窗口下的局部渗流处理以适应多种形状的裂缝,并提出终止及跳跃条件以提高检测速度;该方法存在时间复杂度高,很难满足实时性的技术问题。另一种基于滑动窗口的裂缝预提取及基于渗流模型的去噪方法以减少背景噪声像素点的冗余渗流计算,并增加渗流加速条件以减少冗余的迭代处理,利用二次渗流及裂缝连接以提高裂缝检测的精确率。该方法存在未考虑隧道砼衬砌结构的特殊结构环境,未考虑与裂缝灰度特征、形状特征等相似的目标,裂缝细化连接时存在与背景噪声的过度连接和错误连接,且有损操作容易导致裂缝宽度失真的技术问题。因此,提供一种消除隧道砼衬砌结构的特殊结构环境影响的隧道衬砌表面图像裂缝检测方法就很有必要。
发明内容
本发明所要解决的技术问题是现有技术中存在的没有考虑隧道表面的复杂背景噪声,加速处理导致噪声相对增加,精确度低、效率低的问题。提供一种新的隧道衬砌表面图像裂缝检测方法,该隧道衬砌表面图像裂缝检测方法具有检测效率高、检测准确度高、不受隧道砼衬砌结构的特殊结构环境影响的特点。
为解决上述技术问题,采用的技术方案如下:
一种隧道衬砌表面图像裂缝检测方法,所述方法包括:
(1)对待处理图像进行图像畸变校正及匀光处理,输出预处理图像,所述匀光处理包括使用Mask差值匀光法进行匀光处理;
(2)对步骤(1)所述预处理图像预提取裂缝像素点,根据提取的裂缝像素点标记渗流种子点坐标,生成渗流种子点地图;
(3)根据步骤(2)中渗流种子点地图,提取渗流种子点地图对应待处理图像坐标位置像素点作为渗流种子点,进行点渗流,采取加速条件下的二次渗流处理,检测出裂缝相似目标;
(4)对步骤(3)中初裂缝检测结果进行裂缝细化及裂缝断裂连接,去除衬砌接缝背景噪声,输出最终检测结果图;所述裂缝断裂连接包括分叉区域判定以及连接校验。
本发明的工作原理:本发明中首先进行图像畸变校正、匀光处理。图像畸变校正创建一个原理想图像模板,模板标定为(0,1)正交像元,然后计算模板与实际采集隧道砼衬砌表面图像像元的坐标差,最后对原图手动放置锚点,解出畸变模型系数,重建图像、灰度修正从而进行畸变校正,将图像的扭曲几何元素进行纠正。Mask差值匀光方法不仅平衡了隧道砼衬砌表面图像的亮度,减少了隧道通道光照不足、阴影遮挡等造成的检测误差,降低了后续计算的数据量,提高了整体检测方法的处理效率。Mask匀光法组合了高斯低通滤波、灰度拉伸以及图像差分三部分。本发明在得出预处理图像后预提取裂缝像素点,生成裂缝渗流种子点地图,并基于渗流模型检测裂缝相似目标,最后进行裂缝细化及其断裂连接,去除衬砌接缝等背景噪声,完成隧道砼衬砌表面裂缝的高效、精确检测。断裂连接使用了分叉区域判定以及连接校验过程;主要是改善区域划分骨架端点的选取精确性,提高了裂缝检测精确度,减少了漏检和误检,避免了裂缝宽度失真。
上述技术方案中,为优化,进一步地,所述生成渗流种子点地图包括:
Step1.初始化,采取C1/C2框域的重叠覆盖划分图像子网格,建立子网格状态列表,所有子网格状态设置为UNUSED,初始化设置渗流种子点地图所有像素点为255;
Step2.查询所述子网格的状态列表,将状态为UNUSED的子网格内像素点按灰度值进行升序排序,更新当前子网格状态为USED,建立升序位置列表SA[i];
Step3.去除步骤Step2中升序位置列表SA[i]中位于后序30%的高亮像素点,提取网格内像素点灰度内部平均值ThTrimMean、小值平均值ThMinMean、对比度ThContrast,更新网格内灰度分散度ThDispersion:
Step4.根据对比度展宽中像素点对点的灰度级映射用于更新像素点特征加权:
Step5.根据像素点权数更新子网格提取比例pExtractPercent:
pExtractPercent=ThContrast×pWeight×ThPercentWeight;
Step6.查询所述子网格的状态列表,若无UNUSED状态的子网格则执行 Step7;有UNUSED状态的子网格则返回执行步骤Step2;
Step7.根据当前子网格C1/C2框域的四近邻子网格间的像素点提取比例,再次更新子网格内升序位置列表SA[i]中前NTotal×pExtract个像素点的特征权数:
Step8.将子网格内所有像素点权数进行降序排序,提取降序排序中前5%的像素点中pWeight≥pT的像素点,然后计算前5%的像素点中pWeight≥pT的像素点的个数NWeight>T,并记录到渗流种子点地图PSM中,将像素点灰度值更新为0;计算子网格内像素点密度,若更新像素点值为255;否则,终止计算并输出渗流种子点地图PSM;
其中,其中i为像素点p的位置,pT是权数极小值抑制门限;ThDensity是像素点密度门限;NTotal是子网格所有像素点的个数;α,β,γ分别为灰度映射关系图中不同阈值范围内的斜率,T1,T2,T3为阈值分段,ThPercentWeight为种子点提取比例权重; pExtract(j)为第j个C1/C2框域的近邻子网格的提取比例;
进一步地,所述畸变校正包括创建一个原理想图像模板,原理想图像模板标定为(0,1)正交像元,计算所述原理想图像模板与待处理图像像元的坐标差,在所述待处理图像上手动放置锚点,解出畸变模型系数,重建图像及灰度修正进行畸变校正;
所述畸变模型为:
其中,x,y为实际畸变图像坐标;u,v为原理想图像坐标;λ1,λ2,λ3,λ4为四个畸变系数;Px,Py是像元的横纵尺寸;Mx,My是图像光轴及像面的主交点坐标;f 为工业相机焦距。
进一步地,所述Mask差值匀光方法包括将图像进行高斯低通滤波分离出背景图像,将图像与背景图像进行图像差分处理,得到差分图像,对所述差分图像进行灰度拉伸,完成匀光处理,输出图像。
进一步地,所述点渗流、二次渗流包括:
(A)读取渗流种子点地图种子点坐标位置对应的原图像素点;
(B)将待处理像素点ps加入到渗流聚类Dp中,更新渗流阈值T及加速参数 w,
w′=Fc×w;
(C)更新渗流聚类Dp,所述渗流聚类Dp中每个像素点的8邻域构成候选区域Dc,若存在灰度值I(pc)<T,则将点pc加入到Dp中;否则,将I(pc)最小的像素点加入到Dp中;
(D)计算所述渗流聚类Dp的圆形度为环状特征量Fc:
(E)判定环状特征量Fc与0及1的关系,若环状特征量Fc趋近于0,则ps为裂缝像素点;反之,若Fc趋近于1,则ps为背景非裂缝像素点;
(F)根据步骤(E)中结果,若ps为背景非裂缝像素点,且像素点p∈Dp满足I(p)-n>I(ps)时,则将渗流聚类Dp中的所有像素点判定为背景非裂缝像素点;否则,执行步骤(G);
(G)若ps判定为裂缝像素点,且ps生长的渗流聚类的环状特征Fc<Ts,则直接将渗流聚类所有像素点判定为裂缝像素点;
(H)根据步骤(G)结果,读取裂缝像素点的8邻域,若裂缝像素点未进行处理则进行二次渗流,执行步骤(I);
(I)判断图像中是否存在未处理像素点,若存在未处理像素点则执行步骤 (B);不存在未处理像素点则输出裂缝相似目标检测结果。
其中Ccount为渗流聚类中像素点的个数;Cmax为渗流聚类最小面积外接圆的直径,Ts为判定一定是裂缝像素点的阈值。
进一步地,所述步骤(4)中缝隙断裂连接包括:
(a)去除裂缝相似目标检测结果的点状噪声,进行膨胀腐蚀填充孔洞,平滑图像;
(b)执行Zhang并行细化完成提取待连接裂缝骨架,跟踪扫描优化的8邻域方向链码,进行单一像素化处理并消除裂缝骨架毛刺;
(c)对经步骤(b)处理后的目标骨架划分连通区域RConnect,若连通区域RConnect存在分叉区,则进行基于分叉点的连通区域分割以更新连通区域划分;否则,执行步骤(d);
(d)计算每个连通区域RConnect中像素点的个数Np,若NP>NT,则将该连通区域RConnect中的骨架端点加入点集PEnd,依据点集PEnd建立点集状态列表,将点集状态列表中所有像素点状态设置为UNUSED;
(e)查询所述点集状态列表,选取状态为UNUSED的一点p,更新状态为 USED,以p为中心搜索n个相邻骨架上的像素点进行线性拟合,计算目标走向,并记录其拟合直线角度θ1;
(f)沿拟合直线方向在一定角度容忍度τ范围内的扇形区域搜索符合连接条件的待连接像素点p′;
(g)若未搜索到符合条件的p′,则执行步骤(e);否则根据下式 计算p′的权重p′Weight,并在原图及骨架图上利用直线连接p与p′WeightMin:
p′Weight=(1-ζ)D×ξΔθ;
(h)校验连接区域AreaD灰度特征,采用P分位法对区域AreaD内的所有像素点进行二值化,AreaD内像素点pD参数Dpixel<ThrD;
(i)更新连通区域RConnect,若当前连通区域RConnect长度小于ThrL,则去除区域内裂缝像素并执行步骤(j);否则,直接执行步骤(j);
(j)更新连通区域RConnect,更新骨架端点集PEnd,更新点集状态列表,若存在状态为UNUSED的像素点,则执行步骤(d);否则,输出缝隙断裂连接结果;
其中,NT为有效连接种子区域门限,p′WeightMin为权重最小的像素点,ζ为角度权重比例,Dpixel为连接线pp′WeightMin的邻域像素点与连接线的像素距离,ThrD为其像素校验的距离门限。
进一步地,所述步骤(4)中去除衬砌接缝包括:
(a1)输入缝隙断裂连接结果,进行限制条件下的内轮廓孔洞填充: AreaCon<AreaThr;
(a2)执行PPHT算法,得到相应直线段集合Line,采用改进累计概率霍夫变换或直线分割器线特征检测算法完成直线段的检测及归类;
(a3)遍历直线段集合Line,判定直线段相对位置,合并具有最大重叠的直线段,设置累加器统计各角度区域内出现直线段的次数用以判定角度模板方向,根据合并原则及角度模板方向去除长度过短及角度概率偏小的直线段,提取显著的直线段特征;
(a4)执行增量计算的Bresenham直线扫描转换算法,获取直线段上的点,以单位像素步长的延伸搜索计算单元线;
(a5)初始化待去除衬砌接缝长度LSeam=0,定义单元线标签Tag=0为保留单元线,Tag=1为去除单元线,根据标记准则对所有单元线进行标记;
(a6)根据单元线标记信息,去除Tag=1的单元线,输出去除衬砌接缝后的结果图;
其中,AreaCon为内轮廓即目标孔洞的面积,AreaThr为孔洞面积的极大值抑制门限。
进一步地,所述合并准则包括:
计算直线段P1P2的两端点P1、P2与直线段P3P4的距离Hi:
若H1+H2<HMerge,根据P1P2两端点在所述判定对应点在平行区域内外位置的结果进行最大重叠的合并,并覆盖直线段P1P2及直线段P3P4;
若直线段P1P2长度或直线段P3P4长度满足Lline<LlineMin||Lθ<Lpercent*LSum,则去除该对应直线段实现不同角度区域的合并:
其中,i=1,2,HMerge为两直线段距离的极大值抑制门限;Lline为直线段的长度;LlineMin为待去除直线段长度的极大值抑制门限;Lθ为某一角度范围区域内的直线段总长度;LSum为所有角度范围区域内的直线段总长度;Lpercent为待去除小概率角度区域的直线段比例。
进一步地,所述标记准则包括Rule1-Rule3,包括:
所述Rule1为:若单元线长度L[0]:
其中,以单元线延伸搜索的起始点pstart为中心,L[i]为单元线n个单位像素邻近的单元线的长度;δ为两个单位像素的偏移增量;
其中,LDiff为保留下的半单元线差值的极小值抑制门限,为两个单位像素的偏移误差;
所述Rule3为:衬砌接缝长度满足0<LSeam<LRecover;
其中,LRecover为待去除衬砌接缝长度的极小值抑制门限,LRecover还为还原裂缝的最大长度。
隧道砼衬砌表面裂缝检测技术中隧道拱顶设施环境中存在光照不均、阴影遮挡,隧道衬砌表面存在固有衬砌接缝等特殊噪声影响。由于隧道通道内光源设置分散,一般情况下采集得到的图像容易出现光照不均,且阴暗环境、隧道砼衬砌表面阴影、运动目标伪影等容易降低图像裂缝的对比度。隧道砼衬砌表面图像采集过程中,移动装置的抖动、工业CCD相机的参数、光照环境、遮挡伪影等不定影响也会造成采集图像的定位瞄准偏移,像素当量的误差使得图像极易出现不同程度的畸变扭曲,影响后续图像裂缝检测的效率和精度。由于温度、湿度等变化易造成隧道衬砌结构的胀缩变形,而不均匀沉降、位移、水平方向地震波等将对结构物造成破坏,因此在隧道进行模筑衬砌结构施工过程中,变形缝包括伸缩缝、沉降缝、抗震缝,此外,由于衬砌的分层分段浇筑极易形成施工结合面即施工冷缝,施工冷缝主要为纵向施工缝及环向施工缝。隧道砼衬砌结构常设置变形缝以防止结构构件产生严重的变形开裂,表面这些固有的衬砌接缝与裂缝灰度值相似且线性一致,单纯的渗流检测无法准确提取出单一的裂缝像素点,且连接细化操作容易导致裂缝与背景噪声的过度连接和错误连接。
本发明的有益效果:
效果一,采取图像畸变校正、匀光处理的图像预处理方法,解决了隧道表面图像光照不均、对比度低且存在畸变扭曲的问题;
效果二,提高了检测效率;
效果三,提高了检测精确性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1,畸变模型的径切示意图。
图2,Mask差值匀光法流程示意图。
图3,匀光处理前图像。
图4,匀光处理后图像。
图5,渗流种子点地图生成流程示意图。
图6,渗流种子点地图生成结果示意图。
图7,检测裂缝相似目标流程示意图。
图8,检测裂缝相似目标结果示意图。
图9,断裂连接流程示意图。
图10,衬砌接缝去除流程示意图。
图11,单元线标记流程示意图。
图12,衬砌接缝去除结果示意图。
图13,背景噪声去除后结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提供一种隧道衬砌表面图像裂缝检测方法,所述方法包括:
(1)对待处理图像进行图像畸变校正及匀光处理,输出预处理图像,所述匀光处理包括使用Mask差值匀光法进行匀光处理;
(2)对步骤(1)所述预处理图像预提取裂缝像素点,根据提取的裂缝像素点标记渗流种子点坐标,生成渗流种子点地图;
(3)根据步骤(2)中渗流种子点地图,提取渗流种子点地图对应待处理图像坐标位置像素点作为渗流种子点,进行点渗流,采取加速条件下的二次渗流处理,检测出裂缝相似目标;
(4)对步骤(3)中初裂缝检测结果进行裂缝细化及裂缝断裂连接,去除衬砌接缝背景噪声,输出最终检测结果图。
本发明的工作流程:首先进行图像畸变校正、匀光处理。然后预提取裂缝像素点,生成裂缝渗流种子点地图,并基于渗流模型检测裂缝相似目标,最后进行裂缝细化及其断裂连接,去除衬砌接缝等背景噪声,完成隧道砼衬砌表面裂缝的高效、精确检测。
其中,步骤(1)中图像畸变校正包括:所述畸变校正包括创建一个原理想图像模板,原理想图像模板标定为(0,1)正交像元,计算所述原理想图像模板与待处理图像像元的坐标差,在所述待处理图像上手动放置锚点,解出畸变模型系数,重建图像及灰度修正进行畸变校正,畸变模型的径切图如图1,其中P 点为理想点,Pd点为畸变点;
所述畸变模型为:
其中,x,y为实际畸变图像坐标;u,v为原理想图像坐标;λ1,λ2,λ3,λ4为四个畸变系数;Px,Py是像元的横纵尺寸;Mx,My是图像光轴及像面的主交点坐标;f 为工业相机焦距。
传统的光照不均匀处理方法,如直方图均衡化,通过均衡图像灰度分布以达到匀光处理的效果,虽然该方法可以平衡一定的灰度分布不均问题,但对灰度偏低的点状噪声等也起到了增强作用,降低了原本图像裂缝的明显程度。
因此,本实施例中采用Mask差值匀光方法,如图2,包括将图像进行高斯低通滤波分离出背景图像,将图像与背景图像进行图像差分处理,得到差分图像,对所述差分图像进行灰度拉伸,完成匀光处理,输出图像。
具体地,首先对待处理图像进行高斯低通滤波处理从而获得背景图像,高斯低通滤波作为一种频域滤波,用于削弱图像中的高频信号;通过傅立叶变换,将二维离散信号下的图像转换至频域。由于隧道表面裂缝等检测目标与背景信息频率高低不一致,高斯低通滤波可以有效保留低频信号从而获取背景图像,并达到平滑图像的作用,高斯低通滤波的传递函数H:
其中,u,v为经过变换后的频域图像坐标;D(u,v)为点与 傅立叶变换原点的点距;w,h分别为频域图像尺寸的宽和高;D0为原点到截止频率的距离。
通过高斯低通滤波处理从而获得的背景图像基本包括了部分光照不均的图像信息,将待处理图像与该背景图像作差分运算,能够有效消除光照不均的差分图像信息。
由于差分运算将减去大部分待处理图像的背景信息,得到的差分图像亮度偏低。最后,通过变换函数将其中像素灰度值进行灰度线性拉伸变换解决因差分运算而导致图像模糊不清晰的问题。同时,避免了非线性变换导致的光照不均信息。Mask差值匀光法中待处理图像O(x,y)、背景图像B(x,y)和匀光后图像 R(x,y)关系:
R(x,y)=O(x,y)-B(x,y)+offset
其中,offset为灰度偏移量,采用待处理图像的灰度均值作为灰度偏移量。图3为待处理图像匀光处理前图像,图4为匀光处理后图像。对比图3及图4 得出,Mask差值匀光法有效抑制了图像光照不均的问题,使得裂缝细节得以增强。
经过大量的隧道衬砌表面图像采集实验统计发现,裂缝目标像素点相较于背景非裂缝像素点灰度值低、比例少于20%,且裂缝具有一定空间连续性、方向性、线状性。由于像素点在一定区域内的灰度分布是相似均匀的,本实施例利用C1/C2框域重叠的网格对隧道衬砌表面图像进行局部阈值二值化,根据每个子网格内的灰度分散度、灰度内部平均值、小值平均值、对比度等特征加权提取像素点,更新像素点权数及像素点提取比例权重。灰度对比度小、分散度小,子网格内近似完全不存在裂缝种子点;灰度对比度小、分散度大或对比度大、分散度小,子网格内均可能存在少量裂缝种子点;灰度对比度大、分散度大,子网格内存在大量裂缝种子点;因此,考虑子网格间的种子点提取比例再次更新像素点权数以提高种子点提取的精确性。最终根据种子点提取结果标记渗流种子点坐标,生成渗流种子点地图渗流种子点地图PSM,减少了后期渗流检测种子点数量,加快了渗流检测效率。分区重叠网格方式可有效避免相邻子网格之间的块状效应,使其公共区域检测更准确。
具体地,如图5,所述生成渗流种子点地图流程包括:
Step1.初始化,采取C1/C2框域的重叠覆盖划分图像子网格,建立子网格状态列表,所有子网格状态设置为UNUSED,初始化设置渗流种子点地图所有像素点为255;
Step2.查询所述子网格的状态列表,将状态为UNUSED的子网格内像素点按灰度值进行升序排序,更新当前子网格状态为USED,建立升序位置列表SA[i];
Step3.去除步骤Step2中升序位置列表SA[i]中位于后序30%的高亮像素点,提取网格内像素点灰度内部平均值ThTrimMean、小值平均值ThMinMean、对比度ThContrast,更新网格内灰度分散度ThDispersion:
Step4.根据对比度展宽中像素点对点的灰度级映射用于更新像素点特征加权:
Step5.根据像素点权数更新子网格提取比例pExtractPercent:
pExtractPercent=ThContrast×pWeight×ThPercentWeight;
Step6.查询所述子网格的状态列表,若无UNUSED状态的子网格则执行 Step7;有UNUSED状态的子网格则返回执行步骤Step2;
Step7.根据当前子网格C1/C2框域的四近邻子网格间的像素点提取比例,再次更新子网格内升序位置列表SA[i]中前NTotal×pExtract个像素点的特征权数:
Step8.将子网格内所有像素点权数进行降序排序,提取降序排序中前5%的像素点中pWeight≥pT的像素点,然后计算前5%的像素点中pWeight≥pT的像素点的个数NWeight>T,并记录到渗流种子点地图PSM中,将像素点灰度值更新为0;计算子网格内像素点密度,若更新像素点值为255;否则,终止计算并输出渗流种子点地图PSM,渗流种子点地图的实验结果如图6;
其中,其中i为像素点p的位置,pT是权数极小值抑制门限;ThDensity是像素点密度门限;NTotal是子网格所有像素点的个数;α,β,γ分别为灰度映射关系图中不同阈值范围内的斜率,T1,T2,T3为阈值分段,ThPercentWeight为种子点提取比例权重; pExtract(j)为第j个C1/C2框域的近邻子网格的提取比例。
具体地,所述点渗流、二次渗流流程如图7,包括:
(A)读取渗流种子点地图种子点坐标位置对应的原图像素点;
(B)将待处理像素点ps加入到渗流聚类Dp中,更新渗流阈值T及加速参数 w,
w′=Fc×w;
(C)更新渗流聚类Dp,所述渗流聚类Dp中每个像素点的8邻域构成候选区域Dc,若存在灰度值I(pc)<T,则将点pc加入到Dp中;否则,将I(pc)最小的像素点加入到Dp中;
(D)计算所述渗流聚类Dp的圆形度为环状特征量Fc:
(E)判定环状特征量Fc与0及1的关系,若环状特征量Fc趋近于0,则ps为裂缝像素点;反之,若Fc趋近于1,则ps为背景非裂缝像素点;
(F)根据步骤(E)中结果,若ps为背景非裂缝像素点,且像素点p∈Dp满足I(p)-n>I(ps)时,则将渗流聚类Dp中的所有像素点判定为背景非裂缝像素点;否则,执行步骤(G);
(G)若ps判定为裂缝像素点,且ps生长的渗流聚类的环状特征Fc<Ts,则直接将渗流聚类所有像素点判定为裂缝像素点;
(H)根据步骤(G)结果,读取裂缝像素点的8邻域,若裂缝像素点未进行处理则进行二次渗流,执行步骤(I);
(I)判断图像中是否存在未处理像素点,若存在未处理像素点则执行步骤 (B);不存在未处理像素点则输出裂缝相似目标检测结果。
其中Ccount为渗流聚类中像素点的个数;Cmax为渗流聚类最小面积外接圆的直径,Ts为判定一定是裂缝像素点的阈值。
裂缝相似目标检测结果示意图如图8。
由于渗流检测是一种可变的局部窗口处理方法,全局的弱连续性可能导致断裂裂缝的产生,对断裂严重的渗流结果直接去噪或去除衬砌缝,会造成部分短小裂缝的缺失,因此,本实施例结合裂缝长度、裂缝宏观方向一致性等特征提取,改进连接方法,将检测结果进行断裂连接,对局部细化裂缝单元区域划分进行角度修正,对带有分叉区域的单元进行分割细化,计算待连接点之间的距离及角度的权重,提高角度权重比例,并对连接区域的灰度特征进行校验以防止裂缝与噪声的错误连接和过度连接。断裂连接过程,降低了误检、漏检,保证了裂缝的真实性、准确性。
具体地,如图9,所述步骤(4)中缝隙断裂连接过程包括:
(a)去除裂缝相似目标检测结果的点状噪声,进行膨胀腐蚀填充孔洞,平滑图像;
(b)执行Zhang并行细化完成提取待连接裂缝骨架,跟踪扫描优化的8邻域方向链码,进行单一像素化处理并消除裂缝骨架毛刺;
(c)对经步骤(b)处理后的目标骨架划分连通区域RConnect,若连通区域RConnect存在分叉区,则进行基于分叉点的连通区域分割以更新连通区域划分;否则,执行步骤(d);
(d)计算每个连通区域RConnect中像素点的个数Np,若NP>NT,则将该连通区域RConnect中的骨架端点加入点集PEnd,依据点集PEnd建立点集状态列表,将点集状态列表中所有像素点状态设置为UNUSED;
(e)查询所述点集状态列表,选取状态为UNUSED的一点p,更新状态为 USED,以p为中心搜索n个相邻骨架上的像素点进行线性拟合,计算目标走向,并记录其拟合直线角度θ1;
(f)沿拟合直线方向在一定角度容忍度τ范围内的扇形区域搜索符合连接条件的待连接像素点p′;
(g)若未搜索到符合条件的p′,则执行步骤(e);否则根据下式 计算p′的权重p′Weight,并在原图及骨架图上利用直线连接p与p′WeightMin:
p′Weight=(1-ζ)D×ζΔθ;
(h)校验连接区域AreaD灰度特征,采用P分位法对区域AreaD内的所有像素点进行二值化,AreaD内像素点pD参数Dpixel<ThrD;
(i)更新连通区域RConnect,若当前连通区域RConnect长度小于ThrL,则去除区域内裂缝像素并执行步骤(j);否则,直接执行步骤(j);
(j)更新连通区域RConnect,更新骨架端点集PEnd,更新点集状态列表,若存在状态为UNUSED的像素点,则执行步骤(d);否则,输出缝隙断裂连接结果;
其中,NT为有效连接种子区域门限,p′WeightMin为权重最小的像素点,ζ为角度权重比例,Dpixel为连接线pp′WeightMin的邻域像素点与连接线的像素距离,ThrD为其像素校验的距离门限。
如图10,所述步骤(4)中去除衬砌接缝包括:
(a1)输入缝隙断裂连接结果,进行限制条件下的内轮廓孔洞填充,限制条件为内轮廓面积:
AreaCon<AreaThr;
(a2)执行PPHT算法,得到相应直线段集合Line,采用改进累计概率霍夫变换或直线分割器线特征检测算法完成直线段的检测及归类;
(a3)遍历直线段集合Line,判定直线段相对位置,合并具有最大重叠的直线段,设置累加器统计各角度区域内出现直线段的次数用以判定角度模板方向,根据合并原则及角度模板方向去除长度过短及角度概率偏小的直线段,提取显著的直线段特征;
(a4)执行增量计算的Bresenham直线扫描转换算法,获取直线段上的点,以单位像素步长的延伸搜索计算单元线;具体地,利用Bresenham直线扫描转换算法,只检查一个误差项,获得所检测直线段上所有的点,得到点集PLine,取点集PLine中每一点pstart为起始点进行单位像素步长的搜索计算,若起始点灰度值 I(pstart)=255,即判定起始点属于目标白色像素点,直接计算该起始点所在目标区域的单元线长度及端点坐标位置;若pstart为背景像素点,沿角度模板方向进行搜索长度LSearch<LSearchMax的延伸搜索,当遇到目标白色像素点时,再计算该点所在目标区域的单元线长度及端点坐标位置,因为最大延伸搜索长度LSearchMax设置过长则会导致单元线的过度计算,从而影响去除衬砌接缝的判定,利用衬砌接缝单元线的长度即接缝宽度的平均值设置单元线搜索计算时的最大延伸搜索长度;
由于衬砌接缝上的单元线长度较短,且在宏观上相邻单元线位置是近似一致的,即没有明显的突变情况,而裂缝上的单元线长短不一,且与衬砌接缝相交处有明显的突变情况。
(a5)初始化待去除衬砌接缝长度LSeam=0,定义单元线标签Tag=0为保留单元线,Tag=1为去除单元线,如图11,根据标记准则对所有单元线进行标记;
取一条单元线,判断状态是否为UNUSED,若为UNUSED则选用Rule1,若部位UNUSED则选用Rule3;Rule1进行判定,若结果为Y则标记为Tag=0,进行下一条单元线标记,若结果为N则选用Rule2继续进行判定,Rule结果为 Y则标记为Tag=0,进行下一条单元线标记,Rule2结果为N则标记单元线为 Tag=1,接缝长度加1;Rule3结果为Y则更新接缝长度范围内单元线标签Tag=0,结果为Y则保存单元线标签Tag=1。
(a6)根据单元线标记信息,去除Tag=1的单元线,输出去除衬砌接缝后的结果图如图12,去除背景噪声后的结果图如图13;
其中,AreaCon为内轮廓即目标孔洞的面积,AreaThr为孔洞面积的极大值抑制门限。
其中,所述合并准则包括:
计算直线段P1P2的两端点P1、P2与直线段P3P4的距离Hi:
若H1+H2<HMerge,根据P1P2两端点在所述判定对应点在平行区域内外位置的结果进行最大重叠的合并,并覆盖直线段P1P2及直线段P3P4;
若直线段P1P2长度或直线段P3P4长度满足Lline<LlineMin||Lθ<Lpercent*LSum,则去除该对应直线段实现不同角度区域的合并:
其中,i=1,2,HMerge为两直线段距离的极大值抑制门限;Lline为直线段的长度;LlineMin为待去除直线段长度的极大值抑制门限;Lθ为某一角度范围区域内的直线段总长度;LSum为所有角度范围区域内的直线段总长度;Lpercent为待去除小概率角度区域的直线段比例。
其中,所述标记准则包括Rule1-Rule3,所述Rule1为:若单元线长度L[0]:
其中,以单元线延伸搜索的起始点pstart为中心,L[i]为单元线n个单位像素邻近的单元线的长度;δ为两个单位像素的偏移增量;
其中,LDiff为保留下的半单元线差值的极小值抑制门限,为两个单位像素的偏移误差;
所述Rule3为:衬砌接缝长度满足0<LSeam<LRecover;
其中,LRecover为待去除衬砌接缝长度的极小值抑制门限,LRecover还为还原裂缝的最大长度。
本实施例提出图像畸变校正及Mask差值匀光预处理;利用生成的裂缝渗流种子点地图进行裂缝相似目标检测,提高了方法的效率;在检测结果细化并断裂连接的基础上,校验连接区域;提出直线段检测、合并以及单元线,单元线标记准则下的衬砌接缝等背景噪声去除,减少漏检和误检,提高裂缝检测精度。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员能够理解本发明,但是本发明不仅限于具体实施方式的范围,对本技术领域的普通技术人员而言,只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内,一切利用本发明构思的发明创造均在保护之列。
Claims (8)
1.一种隧道衬砌表面图像裂缝检测方法,其特征在于:所述方法包括:
(1)对待处理图像进行图像畸变校正及匀光处理,输出预处理图像,所述匀光处理包括使用Mask差值匀光法进行匀光处理;
(2)对步骤(1)所述预处理图像预提取裂缝像素点,根据提取的裂缝像素点标记渗流种子点坐标,生成渗流种子点地图;
(3)根据步骤(2)中渗流种子点地图,提取渗流种子点地图对应待处理图像坐标位置像素点作为渗流种子点,进行点渗流,采取加速条件下的二次渗流处理,检测出裂缝相似目标;
(4)对步骤(3)中初裂缝检测结果进行裂缝细化及裂缝断裂连接,去除衬砌接缝,去除背景噪声,输出最终检测结果图;所述裂缝断裂连接包括分叉区域判定及裂缝断裂连接校验;
所述步骤(2)中生成渗流种子点地图包括:
Step1.初始化,采取C1/C2框域的重叠覆盖划分图像子网格,建立子网格状态列表,所有子网格状态设置为UNUSED,初始化设置渗流种子点地图所有像素点为255;
Step2.查询所述子网格的状态列表,将状态为UNUSED的子网格内像素点按灰度值进行升序排序,更新当前子网格状态为USED,建立升序位置列表SA[i];
Step3.去除步骤Step2中升序位置列表SA[i]中位于后序30%的高亮像素点,提取网格内像素点灰度内部平均值ThTrimMean、小值平均值ThMinMean、对比度ThContrast,更新网格内灰度分散度ThDispersion:
Step4.根据对比度展宽中像素点对点的灰度级映射用于更新像素点特征加权:
Step5.根据像素点权数更新子网格提取比例pExtractPercent:
pExtractPercent=ThContrast×pWeight×ThPercentWeight;
Step6.查询所述子网格的状态列表,若无UNUSED状态的子网格则执行Step7;有UNUSED状态的子网格则返回执行步骤Step2;
Step7.根据当前子网格C1/C2框域的四近邻子网格间的像素点提取比例,再次更新子网格内升序位置列表SA[i]中前NTotal×pExtract个像素点的特征权数:
Step8.将子网格内所有像素点权数进行降序排序,提取降序排序中前5%的像素点中pWeight≥pT的像素点,然后计算前5%的像素点中pWeight≥pT的像素点的个数NWeight>T,并记录到渗流种子点地图PSM中,将像素点灰度值更新为0;计算子网格内像素点密度,若更新像素点值为255;否则,终止计算并输出渗流种子点地图PSM;
其中,其中i为像素点p的位置,pT是权数极小值抑制门限;ThDensity是像素点密度门限;NTotal是子网格所有像素点的个数;α,β,γ分别为灰度映射关系图中不同阈值范围内的斜率,T1,T2,T3为阈值分段,ThPercentWeight为种子点提取比例权重;pExtract(j)为第j个C1/C2框域的近邻子网格的提取比例。
3.根据权利要求1所述的隧道衬砌表面图像裂缝检测方法,其特征在于:所述Mask差值匀光方法包括:将图像进行高斯低通滤波分离出背景图像,将图像与背景图像进行图像差分处理,得到差分图像,对所述差分图像进行灰度拉伸,完成匀光处理,输出图像。
4.根据权利要求1所述的隧道衬砌表面图像裂缝检测方法,其特征在于:
所述点渗流、二次渗流包括:
(A)读取渗流种子点地图种子点坐标位置对应的原图像素点;
(B)将待处理像素点ps加入到渗流聚类Dp中,更新渗流阈值T及加速参数w,
w'=Fc×w;
(C)更新渗流聚类Dp,所述渗流聚类Dp中每个像素点的8邻域构成候选区域Dc,若存在灰度值I(pc)<T,则将点pc加入到Dp中;否则,将I(pc)最小的像素点加入到Dp中;
(D)计算所述渗流聚类Dp的圆形度为环状特征量Fc:
(E)判定环状特征量Fc与0及1的关系,若环状特征量Fc趋近于0,则ps为裂缝像素点;反之,若Fc趋近于1,则ps为背景非裂缝像素点;
(F)根据步骤(E)中结果,若ps为背景非裂缝像素点,且像素点p∈Dp满足I(p)-n>I(ps)时,则将渗流聚类Dp中的所有像素点判定为背景非裂缝像素点;否则,执行步骤(G);
(G)若ps判定为裂缝像素点,且ps生长的渗流聚类的环状特征Fc<Ts,则直接将渗流聚类所有像素点判定为裂缝像素点;
(H)根据步骤(G)结果,读取裂缝像素点的8邻域,若裂缝像素点未进行处理则进行二次渗流,执行步骤(I);
(I)判断图像中是否存在未处理像素点,若存在未处理像素点则执行步骤(B);不存在未处理像素点则输出裂缝相似目标检测结果;
其中Ccount为渗流聚类中像素点的个数;Cmax为渗流聚类最小面积外接圆的直径,Ts为判定一定是裂缝像素点的阈值。
5.根据权利要求1所述的隧道衬砌表面图像裂缝检测方法,其特征在于:所述步骤(4)中缝隙断裂连接包括:
(a)去除裂缝相似目标检测结果的点状噪声,进行膨胀腐蚀填充孔洞,平滑图像;
(b)执行Zhang并行细化完成提取待连接裂缝骨架,跟踪扫描优化的8邻域方向链码,进行单一像素化处理并消除裂缝骨架毛刺;
(c)对经步骤(b)处理后的目标骨架划分连通区域RConnect,若连通区域RConnect存在分叉区,则进行基于分叉点的连通区域分割以更新连通区域划分;否则,执行步骤(d);
(d)计算每个连通区域RConnect中像素点的个数Np,若NP>NT,则将该连通区域RConnect中的骨架端点加入点集PEnd,依据点集PEnd建立点集状态列表,将点集状态列表中所有像素点状态设置为UNUSED;
(e)查询所述点集状态列表,选取状态为UNUSED的一点p,更新状态为USED,以p为中心搜索n个相邻骨架上的像素点进行线性拟合,计算目标走向,并记录其拟合直线角度θ1;
(f)沿拟合直线方向在一定角度容忍度τ范围内的扇形区域搜索符合连接条件的待连接像素点p′;
(g)若未搜索到符合条件的p′,则执行步骤(e);否则根据下式计算p′的权重p′Weight,并在原图及骨架图上利用直线连接p与p′WeightMin:
p′Weight=(1-ζ)D×ζΔθ;
(h)校验连接区域AreaD灰度特征,采用P分位法对区域AreaD内的所有像素点进行二值化,AreaD内像素点pD参数Dpixel<ThrD;
(i)更新连通区域RConnect,若当前连通区域RConnect长度小于ThrL,则去除区域内裂缝像素并执行步骤(j);否则,直接执行步骤(j);
(j)更新连通区域RConnect,更新骨架端点集PEnd,更新点集状态列表,若存在状态为UNUSED的像素点,则执行步骤(d);否则,输出缝隙断裂连接结果;
其中,NT为有效连接种子区域门限,p′WeightMin为权重最小的像素点,ζ为角度权重比例,Dpixel为连接线pp′WeightMin的邻域像素点与连接线的像素距离,ThrD为其像素校验的距离门限。
6.根据权利要求1所述的隧道衬砌表面图像裂缝检测方法,其特征在于:所述步骤(4)中去除衬砌接缝包括:
(a1)输入缝隙断裂连接结果,进行限制条件下的内轮廓孔洞填充:
AreaCon<AreaThr;
(a2)执行PPHT算法,得到相应直线段集合Line,采用改进累计概率霍夫变换或直线分割器线特征检测算法完成直线段的检测及归类;
(a3)遍历直线段集合Line,判定直线段相对位置,合并具有最大重叠的直线段,设置累加器统计各角度区域内出现直线段的次数用以判定角度模板方向,根据合并原则及角度模板方向去除长度过短及角度概率偏小的直线段,提取显著的直线段特征;
(a4)执行增量计算的Bresenham直线扫描转换算法,获取直线段上的点,以单位像素步长的延伸搜索计算单元线;
(a5)初始化待去除衬砌接缝长度LSeam=0,定义单元线标签Tag=0为保留单元线,Tag=1为去除单元线,根据标记准则对所有单元线进行标记;
(a6)根据单元线标记信息,去除Tag=1的单元线,输出去除衬砌接缝后的结果图;
其中,AreaCon为内轮廓即目标孔洞的面积,AreaThr为孔洞面积的极大值抑制门限。
7.根据权利要求6所述的隧道衬砌表面图像裂缝检测方法,其特征在于:所述合并准则包括:
计算直线段P1P2的两端点P1、P2与直线段P3P4的距离Hi:
若H1+H2<HMerge,根据P1P2两端点在所述判定对应点在平行区域内外位置的结果进行最大重叠的合并,并覆盖直线段P1P2及直线段P3P4;
若直线段P1P2长度或直线段P3P4长度满足Lline<LlineMin||Lθ<Lpercent*LSum,则去除该对应直线段实现不同角度区域的合并:
其中,i=1,2,HMerge为两直线段距离的极大值抑制门限;Lline为直线段的长度;LlineMin为待去除直线段长度的极大值抑制门限;Lθ为某一角度范围区域内的直线段总长度;LSum为所有角度范围区域内的直线段总长度;Lpercent为待去除小概率角度区域的直线段比例。
8.根据权利要求6所述的隧道衬砌表面图像裂缝检测方法,其特征在于:、
所述标记准则包括标记准则Rule1、标记准则Rule2及标记准则Rule3;
所述标记准则Rule1:若单元线长度L[0]:
其中,以单元线延伸搜索的起始点pstart为中心,L[i]为单元线n个单位像素邻近的单元线的长度;δ为两个单位像素的偏移增量;
其中,LDiff为保留下的半单元线差值的极小值抑制门限,为两个单位像素的偏移误差;
所述标记准则Rule3:衬砌接缝长度满足0<LSeam<LRecover;
其中,LRecover为待去除衬砌接缝长度的极小值抑制门限,LRecover还为还原裂缝的最大长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710315833.0A CN107154040B (zh) | 2017-05-08 | 2017-05-08 | 一种隧道衬砌表面图像裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710315833.0A CN107154040B (zh) | 2017-05-08 | 2017-05-08 | 一种隧道衬砌表面图像裂缝检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107154040A CN107154040A (zh) | 2017-09-12 |
CN107154040B true CN107154040B (zh) | 2021-03-23 |
Family
ID=59793857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710315833.0A Active CN107154040B (zh) | 2017-05-08 | 2017-05-08 | 一种隧道衬砌表面图像裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107154040B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6894339B2 (ja) * | 2017-09-29 | 2021-06-30 | 清水建設株式会社 | ひび割れ検出装置、ひび割れ検出方法、および、コンピュータプログラム |
CN108596869B (zh) * | 2018-01-08 | 2020-06-16 | 东北大学 | 一种隧道衬砌裂缝快速检测方法 |
CN108898080B (zh) * | 2018-06-19 | 2022-03-11 | 广西大学 | 一种基于山脊线邻域评价模型的裂缝连接方法 |
CN108805843B (zh) * | 2018-06-21 | 2022-03-11 | 重庆邮电大学 | 一种基于直线段平移和延伸的隧道砼衬砌缝去除方法 |
CN109159137B (zh) * | 2018-11-05 | 2024-02-27 | 南京特沃斯清洁设备有限公司 | 一种可视频评估洗地效果的洗地机器人 |
CN109523479A (zh) * | 2018-11-10 | 2019-03-26 | 东莞理工学院 | 一种桥墩表面缝隙视觉检测方法 |
CN109493339B (zh) * | 2018-11-20 | 2022-02-18 | 北京嘉恒中自图像技术有限公司 | 一种基于内窥镜成像的铸件内表面气孔缺陷检测方法 |
CN109697717B (zh) * | 2018-12-20 | 2023-02-28 | 上海同岩土木工程科技股份有限公司 | 一种基于图像自动搜索的衬砌裂缝识别方法 |
CN109754378B (zh) * | 2018-12-29 | 2021-01-05 | 重庆邮电大学 | 一种裂缝图像的毛刺去除方法 |
CN109886921A (zh) * | 2019-01-16 | 2019-06-14 | 新而锐电子科技(上海)有限公司 | 基于数字图像的裂纹尺寸度量方法、装置和电子设备 |
CN109949292B (zh) * | 2019-03-20 | 2023-11-14 | 湖南镭目科技有限公司 | 一种带钢表面缺陷的检测方法及装置 |
CN110472623B (zh) * | 2019-06-29 | 2022-08-09 | 华为技术有限公司 | 图像检测方法、设备以及系统 |
CN110514133A (zh) * | 2019-09-30 | 2019-11-29 | 西南石油大学 | 一种基于摄影测量的无人机隧道变形检测方法 |
CN110738646A (zh) * | 2019-10-12 | 2020-01-31 | 北京城市排水集团有限责任公司 | 一种用于管道破裂的自动识别方法 |
CN110782436B (zh) * | 2019-10-18 | 2023-11-17 | 宁波大学 | 一种基于计算机视觉的传送带物料状态检测方法 |
CN111325219A (zh) * | 2020-02-06 | 2020-06-23 | 哈尔滨工业大学 | 基于优化渗透理论的混凝土桥梁裂缝快速识别方法 |
CN111340763A (zh) * | 2020-02-20 | 2020-06-26 | 浙江省交通规划设计研究院有限公司 | 一种隧道开挖面岩体破碎程度快速测量方法 |
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 |
CN111882664A (zh) * | 2020-07-08 | 2020-11-03 | 武汉武大卓越科技有限责任公司 | 一种多窗口累计差分的裂缝提取方法 |
CN112050944B (zh) * | 2020-08-31 | 2023-12-08 | 深圳数联天下智能科技有限公司 | 门口位置确定方法及相关装置 |
CN113689685B (zh) * | 2021-07-16 | 2022-09-27 | 山西工程技术学院 | 一种公路隧道变形情况监测预警系统及方法 |
CN114359147A (zh) * | 2021-12-03 | 2022-04-15 | 深圳大学 | 裂缝检测方法、装置、服务器及存储介质 |
CN114418957B (zh) * | 2021-12-24 | 2022-11-18 | 广州大学 | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 |
CN115761533B (zh) * | 2022-11-03 | 2023-11-21 | 四川省地震局 | 一种基于无人机技术的地震断裂检测方法 |
CN117392126B (zh) * | 2023-12-08 | 2024-03-15 | 四川省水利科学研究院 | 一种水工隧洞缺陷检测方法 |
CN117404072B (zh) * | 2023-12-15 | 2024-02-23 | 山东新云鹏电气有限公司 | 一种基于人工智能的钻场管理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
CN106226217A (zh) * | 2016-07-11 | 2016-12-14 | 中国石油大学(北京) | 一种确定地下裂缝张开度的方法、装置及其应用 |
-
2017
- 2017-05-08 CN CN201710315833.0A patent/CN107154040B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
CN106226217A (zh) * | 2016-07-11 | 2016-12-14 | 中国石油大学(北京) | 一种确定地下裂缝张开度的方法、装置及其应用 |
Non-Patent Citations (4)
Title |
---|
Lining seam elimination algorithm and surface crack detection in concrete tunnel lining;Zhong Qu等;《Journal of Electronic Imaging》;20160630;第25卷(第6期);正文第2-5节和图7-18 * |
opencv相机标定;Monte-Carlo;《CSDN博客https://blog.csdn.net/qq_16149777/article/details/65627612》;20170331;正文1-4段 * |
P分位改进算法及其在路面裂缝检测中应用;文立;《计算机系统应用》;20150430;第24卷(第4期);正文第2节 * |
二值图像连通域的分段标记算法及实现;王静;《红外与激光工程》;20100831;第39卷(第4期);正文2.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107154040A (zh) | 2017-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107154040B (zh) | 一种隧道衬砌表面图像裂缝检测方法 | |
Ni et al. | Zernike‐moment measurement of thin‐crack width in images enabled by dual‐scale deep learning | |
Lei et al. | A novel tunnel-lining crack recognition system based on digital image technology | |
CN109409292B (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
Tang et al. | Novel visual crack width measurement based on backbone double-scale features for improved detection automation | |
Gamba et al. | Improving urban road extraction in high-resolution images exploiting directional filtering, perceptual grouping, and simple topological concepts | |
CN111681197B (zh) | 一种基于Siamese网络结构的遥感图像无监督变化检测方法 | |
CN110246130B (zh) | 基于红外和可见光图像数据融合的机场道面裂缝检测方法 | |
Dang et al. | Automatic tunnel lining crack evaluation and measurement using deep learning | |
CN109559324B (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN105809149A (zh) | 基于最大长度直线的车道线检测方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN107133623A (zh) | 一种基于背景差和圆心定位的指针位置精确检测方法 | |
CN114758222B (zh) | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 | |
CN113313107B (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
Chen et al. | Automated bridge deck evaluation through UAV derived point cloud | |
CN115841449B (zh) | 排水管道结构性缺陷纵向定位的单目测距方法及存储介质 | |
CN116168028B (zh) | 低可见度下基于边缘滤波的高铁原始图像处理方法和系统 | |
CN113192126A (zh) | 一种基于图像圆形物体识别的测距定位方法 | |
Ioli et al. | UAV photogrammetry for metric evaluation of concrete bridge cracks | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN110097524B (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
Wang | Automatic extraction of building outline from high resolution aerial imagery | |
CN109063564B (zh) | 一种目标变化检测方法 | |
CN110826364A (zh) | 一种库位识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |