CN107862677A - 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统 - Google Patents
一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统 Download PDFInfo
- Publication number
- CN107862677A CN107862677A CN201710960623.7A CN201710960623A CN107862677A CN 107862677 A CN107862677 A CN 107862677A CN 201710960623 A CN201710960623 A CN 201710960623A CN 107862677 A CN107862677 A CN 107862677A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- gradient
- denoising
- tunnel
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000003708 edge detection Methods 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 9
- 239000011800 void material Substances 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000003628 erosive effect Effects 0.000 claims description 10
- 241000566145 Otus Species 0.000 claims description 9
- 230000010339 dilation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000005641 tunneling Effects 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统，其方法包括(1)对隧道裂缝图像进行去噪处理；(2)采用梯度类间阈值算法对去噪后的图像进行二值化处理，并根据得到的二值化图像进行边缘检测，标定裂缝指标；(3)对所述二值化图像进行形态学处理，去除裂缝本身的杂点并填充内部空洞；根据填充后的图像进行裂缝指标提取；其系统包括依次连接的包括图像增强模块、边缘检测模块和裂缝识别提取模块；本发明提供的基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统对于处理量巨大、多干扰的隧道衬砌裂缝图像，有良好的识别效果；适用于高速铁路隧道天窗期的衬砌自动检测。
Description
技术领域
本发明涉及图像识别技术领域，更具体地，涉及基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统。
背景技术
裂缝普遍存在于隧道工程中，是隧道运营期最主要病害之一。设计、施工和使用等方面的原因都可能引起衬砌表面产生裂缝。当裂缝宽度达到一定值时，会引起渗漏、混凝土碳化、衬砌掉块等现象，从而降低工程的承载能力和使用功能。准确掌握裂缝的形态、长度和宽度有利于对其出现原因进行有效判断，对于隧道结构安全评估和病害治理是必要的。随着图像处理技术的日益成熟，将车载探测系统和图像后处理技术结合在一起的信息化检测技术，为快速高效进行隧道工程病害探测提供了可能。
针对混凝土结构表面裂缝有关学者做出研究，T.Yamaguchi等建立一种基于图像的渗流模型，根据图像灰度和区域的形状来识别裂缝；Y.Fujita和Y.Hamamoto应用Hessian矩阵的特征值和特征向量来判别结构形状以区分裂缝；S.K.Sinha和P.W.Fieguth提出了一个统计过滤的识别算法，并对图像分别通过canny边缘检测与Otsu阈值分割的结果进行比较；储江伟等将图像分为子块图像，运用BP神经网络设计分类器对破损类型进行识别；J.K.Oh等采用裂缝追踪算法进行裂缝识别；S.N.Yu通过Sobel和Laplacian检测裂缝边缘；张娟利用裂缝梯度算子，采用相位编组法进行裂缝识别；Z.W.Liu等将二值化的图像应用子图像分类器(采用SVM)进行裂缝识别。上述算法主要包括图像二值化和裂缝识别2个部分。考虑到实际拍摄图像背景与梯度有效性的情况，上述算法在图像二值化阶段效果欠佳。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统，其目的在于提高现有隧道衬砌裂缝识别方法的准确度。
为实现本发明目的，按照本发明的一个方面，提供了一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法，包括如下步骤：
(1)对隧道裂缝图像进行去噪处理以剔除由于输入输出设备及周边环境影响而产生的噪声，获得平滑效果，达到增强图像质量的目的；
(2)采用Otus算法与Prewitt算子结合的梯度类间阈值算法对去噪后的图像进行二值化处理、并根据得到的二值化图像进行边缘检测，标定裂缝指标；
在本步骤中提出运用Otus算法与Prewitt算子相结合的梯度类间阈值算法，以获取最佳图像阈值，并采用该阈值对去噪的隧道裂缝图像进行分割，不仅较好地滤除了噪声，裂缝边缘也得到了很好的保存；
具体地，二值化处理的方法具体包括如下子步骤：
(2.1)计算去噪后图像的梯度图像并存入一个新的二维矩阵中，获得梯度矩阵；
(2.2)将所述梯度矩阵进行二值化，获得二值图像；
(2.3)将去噪后图像的二维矩阵与所述二值图像的二维数组对应点相乘，得到新的图像矩阵；
(2.4)采用Otus算法根据所述的图像矩阵计算出图像阈值，采用所述图像阈值对去噪的隧道裂缝图像进行分割，得到二值化图像；
(3)对步骤(2)获得的图像进行形态学处理，去除裂缝本身的杂点和内部空洞，对裂缝实现精确识别和特征提取。
优选地，上述基于梯度类间阈值算法的隧道衬砌裂缝识别方法，其步骤(1)包括如下子步骤：
(1.1)将隧道裂缝图像进行直方图均衡化处理；
(1.2)利用自适应中值滤波算法对均衡化后的图像进行去噪处理，具体是：若滤波窗中心像素为噪声时，利用中值来代替，否则不改变其像素值。
优选地，上述基于梯度类间阈值算法的隧道衬砌裂缝识别方法，其步骤(3)包括如下子步骤：
(3.1)对二值化图像依次进行膨胀和腐蚀运算；
(3.2)对膨胀腐蚀运算后的图像进行开、闭运算，去除图像中的多余部分，并填充其内部空洞；
(3.3)根据填充后的图像进行裂缝各项指标提取。
为实现本发明目的，根据本发明的另一个方面，提供一种基于梯度类间阈值算法的隧道衬砌裂缝识别系统，包括图像增强模块、边缘检测模块和裂缝识别提取模块；
其中，图像增强模块用于对输入的隧道裂缝图像进行第一图像处理以剔除由于输入输出设备及周边环境影响而产生的噪声，获得平滑效果；
边缘检测模块用于对去噪处理后的裂缝图像进行第二图像处理，二值化图像信息，实现裂缝的边缘检测，标定裂缝相关指标；
裂缝识别提取模块用于对二值化图像进行形态学处理，去除裂缝本身的杂点和内部空洞，对裂缝实现精确识别和特征提取。
优选的，上述的隧道衬砌裂缝识别系统，其边缘检测模块根据以下方法对去噪处理后的裂缝图像进行第二图像处理：
(2.1)计算去噪处理后的裂缝图像的梯度图像并存入一个新的二维矩阵中，获得梯度矩阵；
(2.2)将所述梯度矩阵进行二值化，获得二值图像；
(2.3)将去噪处理后的裂缝图像的二维矩阵与所述二值图像的二维数组对应点相乘，得到新的图像矩阵；
(2.4)采用Otus算法根据所述的图像矩阵计算出图像阈值，采用所述图像阈值对去噪处理后的裂缝图像进行分割，得到二值化图像。
优选的，上述的隧道衬砌裂缝识别系统，其图像增强模块采用以下方法对隧道裂缝图像进行第一图像处理：
(1.1)将隧道裂缝图像进行直方图均衡化处理；
(1.2)利用自适应中值滤波算法对均衡化后的图像进行去噪处理，具体是：若滤波窗中心像素为噪声时，利用中值来代替，否则不改变其像素值。
优选的，上述的隧道衬砌裂缝识别系统，其裂缝识别提取模块采用以下方法进行裂缝指标提取：
(3.1)对二值化图像依次进行膨胀和腐蚀运算；
(3.2)对膨胀腐蚀运算后的图像进行开、闭运算，去除图像中的多余部分，并填充其内部空洞；
(3.3)根据填充后的图像进行裂缝指标提取，包括面积、周长和集中度。
为实现本发明目的，根据本发明的另一个方面，提供一种基于梯度类间阈值算法的隧道衬砌裂缝识别系统，包括用于存储隧道裂缝图像的存储器、处理器，以及可在该处理器上执行并在执行时提取该存储器中的隧道裂缝图像进行上述的基于梯度类间阈值算法的隧道衬砌裂缝识别方法的处理的计算机程序。
本发明提供的基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统，利用自适应滤波算法进行隧道裂缝图像去噪、并采用本发明提出的梯度类间阈值算法进行图像二值化处理以及边缘检测，结合了Prewitt算子与Otus算法的优势，不仅较好地滤除了噪声，裂缝边缘也得到了很好的保存，借助图像的腐蚀和膨胀，去除了二值化图像的裂缝内部的空洞和杂点，使目标图像内部连通，同外部相互分开；对图像内的裂缝信息实现了精确识别和特征提取，并输出裂缝长度，宽度，位置信息，方便自动、快速、高效地对隧道衬砌质量进行检测和维修，适用于空窗时间短、隧道长度长以及状况复杂的隧道裂缝检测场景并可通过计算机程序实现，为裂缝自动判别系统训练集的生成奠定了基础。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明提供的基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统，对现有的图像二值化算法提出改进，在考虑实际拍摄图像背景与梯度有效性的情况下采用本发明提出的梯度类间阈值算法，对图像进行二值化处理并进行裂缝识别，结合了梯度算法与Otsu阈值方法的优势，提取裂缝和其他区域的形态集合特征，对其进行定量描述，由于很好的保存了裂缝边缘，极大提高了裂缝识别的准确率；
(2)本发明提供的基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统，可通过计算机程序实现；工程实践通过对多裂缝模型进行实测验证了该方法对于处理量巨大、多干扰的隧道衬砌裂缝图像，有良好的识别效果，验证结果表明本发明提出的方法识别效果具有更高的精确性和更快的检测速度，适用于高速铁路隧道天窗期的衬砌自动检测；可有效提高隧道衬砌病害的自动化检测速度，大大提高隧道运营期间的安全系数，保障了人员的安全；此外，节省了大量的检测维修时间，降低了人工检测成本，具有较高的社会、经济、技术效益。
附图说明
图1是实施例提供的基于梯度类间阈值算法的隧道衬砌裂缝识别方法流程图；
图2是实施例中的隧道衬砌裂缝图像识别实施例示意图；
图3是实施例提供的基于梯度类间阈值算法的隧道衬砌裂缝识别系统的示意图。
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，以下结合附图及实施例，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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1所示，是实施例提供的基于梯度类间阈值算法的隧道衬砌裂缝识别方法流程图，具体包括如下步骤：
(1)对隧道裂缝图像进行去噪处理，以去除输入输出设备及周边环境影响而产生的噪声，获得平滑效果；
(2)对去噪后的图像进行二值化处理，并根据二值化后的图像进行边缘检测，标定裂缝指标；
(3)对步骤(2)获得的二值化图像进行形态学处理，去除裂缝本身的杂点和内部空洞，对裂缝实现精确识别和特征提取。
其中，步骤(1)包括如下子步骤：
(1.1)将输入的隧道裂缝图像进行直方图均衡化处理；
(1.2)利用自适应中值滤波算法对均衡化后的图像进行去噪处理，对于滤波窗中心像素为噪声的点，利用中值来代替滤波窗中心像素为噪声的点的像素值；其中，自适应滤波器可根据设定条件增加滤窗大小；
该子步骤具体为：
(a)判断是否满足fmin＜fmed＜fmax，若是则进入步骤(b)；否则在自适应滤波器窗口不大于Smax的范围内增加窗口尺寸，重复步骤(a)；
其中fmin,fmed,fmax分别为设定的领域S中的最小亮度值、亮度中值以及最大亮度值；Smax为允许的最大自适应滤波器窗口大小；S为即将被处理的子图像；
(b)判断是否满足fmin＜f(x,y)＜fmax，若是则输出f(x,y)；否则输出fmed；
其中，f(x,y)为图像中某点的像素值，x,y是指其坐标；经过本步骤处理后的图像不仅较好地滤除了噪声，裂缝边缘也能得到很好的保存。
其中，步骤(2)包括如下子步骤：
(2.1)计算输入图像的梯度图像，根据梯度图像获得二维梯度矩阵M；
将一幅图像定义为一个二维函数f(x,y)，获取其梯度
在(x,y)处的幅度值大小为：
Gx，Gy用Prewitt算子获取，
(2.2)将二维梯度矩阵M进行二值化，得到二值图像g(x,y)，其对应的二维矩阵的元素非0即1；
具体为：
其中，T为二维梯度矩阵M的阈值，其值为二维梯度矩阵M中的最大元素的α倍(0＜α＜1)。
(2.3)将输入的原图像的二位函数f(x,y)的二维矩阵与二值图像g(x,y)的二维矩阵对应点相乘，得到新的图像矩阵
g(x,y)对应矩阵中为1的位置显示相应原图像像素值，其余位置像素值为0。
(2.4)用Otus算法根据图像矩阵计算获得图像阈值，利用该阈值对输入图像进行分割得到二值化图像；其中，Otus算法是指寻找最佳阈值，用该阈值来对整幅图像的灰度进行分界的方法。
其中，步骤(3)包括如下子步骤：
(3.1)对二值化图像依次进行膨胀和腐蚀运算；
假设A为目标图像，B为结构元素对象，则用B来膨胀A可以用下式表示：
假设A为目标图像，B为结构元素对象，则用B来腐蚀A可以用下式表示：
(3.2)对膨胀腐蚀处理后的图像进行开、闭运算，去除图像中的多余部分，填充其内部空洞；
根据下式对图像进行开运算：
根据下式对图像进行闭运算：
其中，F是待处理图像，B是核，即结构元素。
(3.3)提取裂缝各项指标；
包括面积A：
由于拍摄图像的实际大小与像素尺寸大小之间具有对应关系，故用区域所占的像素个数代表面积；
周长p：采用边长所占的像素个数代表周长；
以及集中度com：集中度com用于反映目标区域的紧凑程度，
如图2所示，是采用实施例提供的基于梯度类间阈值算法的隧道衬砌裂缝识别方法进行隧道衬砌裂缝识别的流程示意图，包括如下步骤：
(1)以预先采集的隧道衬砌裂缝的图像作为处理对象；
(2)利用自适应中值滤波算法滤除隧道衬砌裂缝图像的噪声；
(3)利用梯度类间阈值算法，迭代计算出图像阈值T，采用该阈值T对去噪后的裂缝图像进行分割，得到二值化后的图像；
(4)通过形态学的腐蚀、膨胀运算，对二值化后的图像进行开闭运算以去除裂缝内部杂点与空洞，保留裂缝区域结构不变，使内部连通，外部分开，便于进行图像分析；
(5)对经过形态学处理后的二值化图片进行连通域划分，采用最小外接矩形的方法对图像进行几何特性分析，提取裂缝面积、周长、宽度、集中度信息。
如图3所示，是实施例提供的基于梯度类间阈值算法的隧道衬砌裂缝识别系统，包括图像增强模块、边缘检测模块和裂缝识别提取模块；
图像增强模块，用于对输入的隧道裂缝图像进行第一图像处理以剔除由于输入输出设备及周边环境影响而产生的噪声，获得平滑效果；
边缘检测模块，用于对图像增强模块输出的图像进行第二图像处理，二值化图像信息，实现裂缝的边缘检测，标定裂缝指标；
裂缝识别提取模块，用于对边缘检测模块输出的图像进行形态学处理，去除裂缝本身的杂点和内部空洞，对裂缝实现精确识别和特征提取。
本发明提供的隧道衬砌裂缝识别系统及方法，对隧道衬砌裂缝图像进行运算处理，主要包括三个步骤：其一，增强图像质量，去除多余噪声；其二，标定裂缝边缘，二值化裂缝图像；其三，形态学处理二值化图像，提取特征值。在每个处理步骤中，运用不同的算法对图像数据进行处理分析，利用不同算子综合计算图像合适阈值，结合几何形态学和自动化处理技术，实现对隧道衬砌裂缝的精确识别和定量提取。
实施例中，按照本发明提出的基于梯度类间阈值算法的隧道衬砌裂缝识别方法，通过计算机程序了实现基于Matlab程序的界面操作系统，并对多个裂缝模型进行了实测；工程实测结果证明了本发明提出的方法识别效果具有更高的精确性和更快的检测速度，表明其具有良好的工程实用性。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法，其特征在于，包括如下步骤：
(1)对隧道裂缝图像进行去噪处理；
(2)采用梯度类间阈值算法对去噪后的图像进行二值化处理、并根据得到的二值化图像进行边缘检测，标定裂缝指标；
所述二值化处理的方法具体包括如下子步骤：
(2.1)计算去噪后图像的梯度图像并存入一个新的二维矩阵中，获得梯度矩阵；
(2.2)将所述梯度矩阵进行二值化，获得二值图像；
(2.3)将去噪后图像的二维矩阵与所述二值图像的二维数组对应点相乘，得到新的图像矩阵；
(2.4)采用Otus算法根据所述的图像矩阵计算出图像阈值，采用所述图像阈值对去噪的隧道裂缝图像进行分割，得到二值化图像；
(3)对所述二值化图像进行形态学处理，去除裂缝本身的杂点并填充内部空洞；根据填充后的图像进行裂缝指标提取。
2.如权利要求1所述的隧道衬砌裂缝识别方法，其特征在于，所述步骤(1)包括如下子步骤：
(1.1)将隧道裂缝图像进行直方图均衡化处理；
(1.2)利用自适应中值滤波算法对均衡化后的图像进行去噪处理，具体是：若滤波窗中心像素为噪声时，利用中值来代替，否则不改变其像素值。
3.如权利要求1或2所述的隧道衬砌裂缝识别方法，其特征在于，所述步骤(3)包括如下子步骤：
(3.1)对二值化图像依次进行膨胀和腐蚀运算；
(3.2)对膨胀腐蚀运算后的图像进行开、闭运算，去除图像中的多余部分，并填充其内部空洞；
(3.3)根据填充后的图像进行裂缝指标提取，包括面积、周长和集中度。
4.一种基于梯度类间阈值算法的隧道衬砌裂缝识别系统，其特征在于，包括图像增强模块、边缘检测模块和裂缝识别提取模块；
所述图像增强模块用于对输入的隧道裂缝图像进行第一图像处理以剔除由于输入输出设备及周边环境影响而产生的噪声，获得平滑效果；
所述边缘检测模块用于对去噪处理后的裂缝图像进行第二图像处理，二值化图像信息，实现裂缝的边缘检测，标定裂缝指标；
所述裂缝识别提取模块用于对二值化图像进行形态学处理，去除裂缝本身的杂点并填充内部空洞，根据填充后的图像进行裂缝指标提取。
5.如权利要求4所述的隧道衬砌裂缝识别系统，其特征在于，所述边缘检测模块根据以下方法对去噪处理后的裂缝图像进行第二图像处理：
(2.1)计算去噪处理后的裂缝图像的梯度图像并存入一个新的二维矩阵中，获得梯度矩阵；
(2.2)将所述梯度矩阵进行二值化，获得二值图像；
(2.3)将去噪处理后的裂缝图像的二维矩阵与所述二值图像的二维数组对应点相乘，得到新的图像矩阵；
(2.4)采用Otus算法根据所述的图像矩阵计算出图像阈值，采用所述图像阈值对去噪处理后的裂缝图像进行分割，得到二值化图像。
6.如权利要求4或5所述的隧道衬砌裂缝识别系统，其特征在于，所述图像增强模块采用以下方法对隧道裂缝图像进行第一图像处理：
(1.1)将隧道裂缝图像进行直方图均衡化处理；
(1.2)利用自适应中值滤波算法对均衡化后的图像进行去噪处理，具体是：若滤波窗中心像素为噪声时，利用中值来代替，否则不改变其像素值。
7.如权利要求4或5所述的隧道衬砌裂缝识别系统，其特征在于，所述裂缝识别提取模块采用以下方法进行裂缝指标提取：
(3.1)对二值化图像依次进行膨胀和腐蚀运算；
(3.2)对膨胀腐蚀运算后的图像进行开、闭运算，去除图像中的多余部分，并填充其内部空洞；
(3.3)根据填充后的图像进行裂缝指标提取，包括面积、周长和集中度。
8.一种基于梯度类间阈值算法的隧道衬砌裂缝识别系统，其特征在于，包括用于存储隧道裂缝图像的存储器、处理器，以及可在所述处理器上执行并在执行时提取所述存储器中的隧道裂缝图像进行权利要求1～3的处理的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710960623.7A CN107862677A (zh) | 2017-10-16 | 2017-10-16 | 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710960623.7A CN107862677A (zh) | 2017-10-16 | 2017-10-16 | 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107862677A true CN107862677A (zh) | 2018-03-30 |
Family
ID=61698743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710960623.7A Withdrawn CN107862677A (zh) | 2017-10-16 | 2017-10-16 | 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107862677A (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961230A (zh) * | 2018-06-28 | 2018-12-07 | 武汉大学 | 结构表面裂缝特征的识别与提取方法 |
| CN109035249A (zh) * | 2018-09-10 | 2018-12-18 | 东北大学 | 一种基于图像处理的管道故障并行全局阈值检测方法 |
| CN109410237A (zh) * | 2018-09-14 | 2019-03-01 | 中铁工程装备集团有限公司 | 一种基于激光三维相机的渣片图像分割方法 |
| CN109490317A (zh) * | 2018-12-04 | 2019-03-19 | 广东交科检测有限公司 | 一种隧道快速检测车裂缝检测精度校准方法 |
| CN109584240A (zh) * | 2018-12-20 | 2019-04-05 | 成都理工大学 | 滑坡后缘裂缝位移图像识别方法 |
| CN109765238A (zh) * | 2018-12-12 | 2019-05-17 | 弓立（厦门）医疗用品有限公司 | 一种口罩全自动生产检测设备的产品质量检测方法 |
| CN109767444A (zh) * | 2019-01-21 | 2019-05-17 | 福建省特种设备检验研究院 | 一种基于无人机的裂缝检测方法 |
| CN110390664A (zh) * | 2018-11-30 | 2019-10-29 | 武汉滨湖电子有限责任公司 | 一种基于孔洞填充路面裂缝识别方法 |
| CN110473252A (zh) * | 2019-08-28 | 2019-11-19 | 北京理工大学 | 基于矩阵运算计算任意形状接触面积的方法及模块 |
| CN110852001A (zh) * | 2018-07-25 | 2020-02-28 | 浙江大学 | 一种基于图像处理的桥梁结构安全评估方法 |
| 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 |
| CN111539286A (zh) * | 2020-04-15 | 2020-08-14 | 创新奇智(合肥)科技有限公司 | 衬砌线识别方法、装置及可读存储介质 |
| WO2020199538A1 (zh) * | 2019-04-04 | 2020-10-08 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
| CN111833262A (zh) * | 2020-06-05 | 2020-10-27 | 青岛小鸟看看科技有限公司 | 图像降噪方法、装置及电子设备 |
| CN112036425A (zh) * | 2020-05-09 | 2020-12-04 | 中铁四局集团有限公司 | 一种隧道空洞状态雷达波谱图像识别模型构建方法及隧道空洞状态雷达波谱图像识别方法 |
| CN112215851A (zh) * | 2020-09-28 | 2021-01-12 | 武汉理工大学 | 一种道路网自动构建方法、存储介质及系统 |
| CN112233111A (zh) * | 2020-11-18 | 2021-01-15 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像处理的隧道缝隙检测方法 |
| CN112581433A (zh) * | 2020-12-07 | 2021-03-30 | 上海大学 | 热障涂层裂纹的几何信息提取方法 |
| CN112767353A (zh) * | 2021-01-19 | 2021-05-07 | 中国科学院武汉岩土力学研究所 | 隧道衬砌裂缝病害评价方法及设备 |
| CN113689453A (zh) * | 2021-08-24 | 2021-11-23 | 中石化石油工程技术服务有限公司 | 一种测井图像裂缝自动识别方法、装置、设备及存储介质 |
| CN115830432A (zh) * | 2023-02-15 | 2023-03-21 | 山东科技大学 | 一种基于YOLOv5的隧道衬砌裂缝检测方法及设备 |
| CN117115160A (zh) * | 2023-10-24 | 2023-11-24 | 四川省交通勘察设计研究院有限公司 | 用于隧道衬砌浇筑质量的检测方法、检测终端及存储介质 |
| CN117474912A (zh) * | 2023-12-27 | 2024-01-30 | 浪潮软件科技有限公司 | 一种基于计算机视觉的路段缝隙分析方法及模型 |
-
2017
- 2017-10-16 CN CN201710960623.7A patent/CN107862677A/zh not_active Withdrawn
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961230A (zh) * | 2018-06-28 | 2018-12-07 | 武汉大学 | 结构表面裂缝特征的识别与提取方法 |
| CN110852001A (zh) * | 2018-07-25 | 2020-02-28 | 浙江大学 | 一种基于图像处理的桥梁结构安全评估方法 |
| CN109035249A (zh) * | 2018-09-10 | 2018-12-18 | 东北大学 | 一种基于图像处理的管道故障并行全局阈值检测方法 |
| CN109035249B (zh) * | 2018-09-10 | 2021-08-24 | 东北大学 | 一种基于图像处理的管道故障并行全局阈值检测方法 |
| CN109410237A (zh) * | 2018-09-14 | 2019-03-01 | 中铁工程装备集团有限公司 | 一种基于激光三维相机的渣片图像分割方法 |
| CN110390664A (zh) * | 2018-11-30 | 2019-10-29 | 武汉滨湖电子有限责任公司 | 一种基于孔洞填充路面裂缝识别方法 |
| CN109490317B (zh) * | 2018-12-04 | 2022-03-11 | 广东交科检测有限公司 | 一种隧道快速检测车裂缝检测精度校准方法 |
| CN109490317A (zh) * | 2018-12-04 | 2019-03-19 | 广东交科检测有限公司 | 一种隧道快速检测车裂缝检测精度校准方法 |
| CN109765238A (zh) * | 2018-12-12 | 2019-05-17 | 弓立（厦门）医疗用品有限公司 | 一种口罩全自动生产检测设备的产品质量检测方法 |
| CN109584240A (zh) * | 2018-12-20 | 2019-04-05 | 成都理工大学 | 滑坡后缘裂缝位移图像识别方法 |
| CN109767444A (zh) * | 2019-01-21 | 2019-05-17 | 福建省特种设备检验研究院 | 一种基于无人机的裂缝检测方法 |
| WO2020199538A1 (zh) * | 2019-04-04 | 2020-10-08 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
| CN110473252A (zh) * | 2019-08-28 | 2019-11-19 | 北京理工大学 | 基于矩阵运算计算任意形状接触面积的方法及模块 |
| CN111539286A (zh) * | 2020-04-15 | 2020-08-14 | 创新奇智(合肥)科技有限公司 | 衬砌线识别方法、装置及可读存储介质 |
| 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 |
| CN112036425A (zh) * | 2020-05-09 | 2020-12-04 | 中铁四局集团有限公司 | 一种隧道空洞状态雷达波谱图像识别模型构建方法及隧道空洞状态雷达波谱图像识别方法 |
| CN111833262A (zh) * | 2020-06-05 | 2020-10-27 | 青岛小鸟看看科技有限公司 | 图像降噪方法、装置及电子设备 |
| CN112215851B (zh) * | 2020-09-28 | 2022-06-21 | 武汉理工大学 | 一种道路网自动构建方法、存储介质及系统 |
| CN112215851A (zh) * | 2020-09-28 | 2021-01-12 | 武汉理工大学 | 一种道路网自动构建方法、存储介质及系统 |
| CN112233111A (zh) * | 2020-11-18 | 2021-01-15 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像处理的隧道缝隙检测方法 |
| CN112581433A (zh) * | 2020-12-07 | 2021-03-30 | 上海大学 | 热障涂层裂纹的几何信息提取方法 |
| CN112581433B (zh) * | 2020-12-07 | 2022-10-11 | 上海大学 | 热障涂层裂纹的几何信息提取方法 |
| CN112767353A (zh) * | 2021-01-19 | 2021-05-07 | 中国科学院武汉岩土力学研究所 | 隧道衬砌裂缝病害评价方法及设备 |
| CN113689453A (zh) * | 2021-08-24 | 2021-11-23 | 中石化石油工程技术服务有限公司 | 一种测井图像裂缝自动识别方法、装置、设备及存储介质 |
| CN115830432A (zh) * | 2023-02-15 | 2023-03-21 | 山东科技大学 | 一种基于YOLOv5的隧道衬砌裂缝检测方法及设备 |
| CN117115160A (zh) * | 2023-10-24 | 2023-11-24 | 四川省交通勘察设计研究院有限公司 | 用于隧道衬砌浇筑质量的检测方法、检测终端及存储介质 |
| CN117115160B (zh) * | 2023-10-24 | 2024-02-02 | 四川省交通勘察设计研究院有限公司 | 用于隧道衬砌浇筑质量的检测方法、检测终端及存储介质 |
| CN117474912A (zh) * | 2023-12-27 | 2024-01-30 | 浪潮软件科技有限公司 | 一种基于计算机视觉的路段缝隙分析方法及模型 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107862677A (zh) | 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统 | |
| CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
| CN107045634B (zh) | 一种基于最大稳定极值区域与笔画宽度的文本定位方法 | |
| CN108596166A (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
| CN111738342B (zh) | 一种受电弓异物检测方法、存储介质及计算机设备 | |
| CN111382704A (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
| CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
| CN110378351B (zh) | 印章鉴别方法及装置 | |
| Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
| Sharma et al. | A hybrid technique for license plate recognition based on feature selection of wavelet transform and artificial neural network | |
| CN107194393A (zh) | 一种检测临时车牌的方法及装置 | |
| Antar et al. | Automatic number plate recognition of Saudi license car plates | |
| CN112818952A (zh) | 煤岩分界线的识别方法、装置及电子设备 | |
| CN113240623A (zh) | 一种路面病害检测方法及装置 | |
| Liu et al. | Robust image-based crack detection in concrete structure using multi-scale enhancement and visual features | |
| Zhang et al. | A novel pavement crack detection approach using pre-selection based on transfer learning | |
| Ullah et al. | An approach of locating Korean vehicle license plate based on mathematical morphology and geometrical features | |
| CN117115117B (zh) | 基于小样本下的病理图像识别方法、电子设备及存储介质 | |
| Pratomo et al. | Parking detection system using background subtraction and HSV color segmentation | |
| CN112465817B (zh) | 一种基于方向滤波器的路面裂缝检测方法 | |
| CN109934817A (zh) | 一种果体外部轮廓畸形检测方法 | |
| Muzammil et al. | Application of image processing techniques for the extraction of vehicle number plates over ARM target board | |
| CN103971376A (zh) | 应用程序执行方法和装置 | |
| Gooda et al. | Automatic detection of road cracks using EfficientNet with residual U-net-based segmentation and YOLOv5-based detection | |
| Singh | Texture-based real-time character extraction and recognition in natural images |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180330 |
|
| WW01 | Invention patent application withdrawn after publication |