CN108376401A - 一种基于行方差的自动定位gpr信号病害位置方法 - Google Patents
一种基于行方差的自动定位gpr信号病害位置方法 Download PDFInfo
- Publication number
- CN108376401A CN108376401A CN201810148138.4A CN201810148138A CN108376401A CN 108376401 A CN108376401 A CN 108376401A CN 201810148138 A CN201810148138 A CN 201810148138A CN 108376401 A CN108376401 A CN 108376401A
- Authority
- CN
- China
- Prior art keywords
- disease
- row
- data
- variance
- gpr
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于行方差的自动定位GPR信号病害位置方法,其特征是,包括如下步骤:1)采集探地雷达数据,对所采集的数据进行重叠分割;2)对分割后的数据进行归一化处理;3)对处理后的数据计算行方差,并构成列向量;4)设置行方差的阈值,并对列向量的每个数据与阈值比较,进行判定是否该行有病害;若有病害的行段总行数小于最小行数,判定该图无病害;若有病害的行段总行数大于最小行数,判定该图有病害,并输出最大行数对应的行段;所述最小行数为判定是否有病害的阈值。本发明所达到的有益效果:根据GPR信号公路路基图像有无病害的行方差分布的区别,结合阈值法区分出图像有无病害,并提取病害位置,节省了大量时间和人力。
Description
技术领域
本发明涉及一种基于行方差的自动定位GPR信号病害位置方法,属于病害提取监控技术领域。
背景技术
在GPR信号高速公路路基图像解释上,国内外目前使用最多的方法是人工解译图像。但是人工解译图像极大地依赖解译员的经验,主观性强,尤其当病害区域占整个数据一小部分时,人工解译显得费时又费力。如何自动提取出病害位置,节省解译时间,成为GPR信号公路路基图像解释迫切的需要之一。而现有的其他专利如专利号CN104268839A基于阈值分割的道路病害定位方法,采用卡尔曼滤波和均值滤波对原始数据进行预处理并去除干扰信号,然后利用阈值获取病害位置信息。阈值法提前对数据进行预处理,计算量大,耗费计算资源。同样专利号为CN106446919A是利用自适应cannny边缘检测和图像处理技术提取双曲线边缘点曲线,对于其他形态的病害难以提取。另如专利号CN105844585A利用道间配准算法和道内配准算法比对不同时间采集到的雷达数据,找出差异区域进而检测路基病害发生的位置,容易受到比对样本的影响,降低检测准确率。
发明内容
为解决现有技术的不足,本发明的目的在于提供一种基于行方差的自动定位GPR信号病害位置方法,针对GPR信号高速公路路基的不同数据,根据无病害图像和有病害图像在行方差上的分布差异,通过设置阈值自动区分有病害图像并提取病害位置,节省定位时间。
为了实现上述目标,本发明采用如下的技术方案:
一种基于行方差的自动定位GPR信号病害位置方法,其特征是,包括如下步骤:
1)采集探地雷达数据,对所采集的数据进行重叠分割;
2)对分割后的数据进行归一化处理;
3)对处理后的数据计算行方差,并构成列向量;
4)设置行方差的阈值,并对列向量的每个数据与阈值比较,进行判定是否该行有病害;
若大于阈值的行段总行数小于最小行数,判定该图无病害;
若大于阈值的行段总行数不小于最小行数,判定该图有病害,并输出最大行数对应的行段;所述最小行数为判定是否有病害的阈值。
前述的一种基于行方差的自动定位GPR信号病害位置方法,其特征是,所述步骤1)中分割的具体内容为:对整个数据进行重叠分割,将大量数据分割成矩阵尺寸为M*N的GPR实测数据块,M是每道采样数,N是分割后每个图像包含的迹线数,记其中一个数据块为I,I对应着实际环境中的某一个水平位置采集到的GPR数据。
前述的一种基于行方差的自动定位GPR信号病害位置方法,其特征是,所述步骤2)的具体内容为:对实测数据I的像素值映射到0-255范围内,归一化后的数据记为NI。
前述的一种基于行方差的自动定位GPR信号病害位置方法,其特征是,所述步骤3)的具体内容为:计算归一化后的数据矩阵NI的行方差,一行共有N个数据,计算这N个数据方差,得到一个方差数据,并对每一行都计算行方差,数据矩阵共有M行,最后得到的数据矩阵的行方差数据大小为M*1,形成一个尺寸为M*1的向量NI_v,NI_v中每一个元素代表NI每一行的行方差。
前述的一种基于行方差的自动定位GPR信号病害位置方法,其特征是,所述步骤4)中阈值T依据经验值设定。
前述的一种基于行方差的自动定位GPR信号病害位置方法,其特征是,所述步骤4)中的判定方式为:提取出图像行方差大于阈值T的多个行段记为M1,M2,...Mp′,每个行段的行数记为m1,m2,...,mp′;
若一块混凝土区域出现了病害,该病害所占行数至少为其中,f是天线频率,dt是一个迹线上相邻两个数据的采样间隔;
若m1+m2+...+mp′<m′,则判定该图无病害;
若m1+m2+...+mp'≥m′,则判定该图有病害;
对于有病害的GPR图像,找到m1,m2,...,mp′中最大的数记为ma,a∈{1,2,...,p′},其对应的行段为Ma,Ma判定为要找的病害的位置,即从整个图像中抽取出的含有病害的行,每一行包含N个数据,即N列,且Ma的矩阵大小为P*N,其中P为含有病害的行数,记Ma为矩阵I’。
前述的一种基于行方差的自动定位GPR信号病害位置方法,所述N选择400。
本发明所达到的有益效果:本发明以当前高速公路地下混凝土结构病害的GPR信号为研究对象,设计给出一种自动定位GPR信号病害位置的算法;根据GPR信号公路路基图像有无病害的行方差分布的区别,结合阈值法区分出图像有无病害,并提取病害位置,节省了大量时间和人力。此外,行方差和阈值法不受外界固定干扰和混凝土层结构的影响,准确度高。符合当代高速公路地下混凝土结构GPR信号病害自动定位的迫切要求,有很大的经济和现实意义。
附图说明
图1是本发明病害定位流程详图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明涉及的一种基于行方差的自动定位GPR信号病害位置方法,包括如下步骤:
1)采集探地雷达数据,GPR信号B扫描数据,对所采集的数据进行重叠分割,分割的具体内容为:对整个数据进行重叠分割,将大量数据分割成矩阵尺寸为M*N的GPR实测数据块,M是每道采样数,N不超过400,记其中一个数据块为I,I对应着实际环境中的某一个水平位置。
2)对分割后的数据进行归一化处理,对实测数据I的像素归一化到0-255范围内,归一化后的数据记为NI。
3)计算归一化后的数据矩阵NI的行方差,得到一个尺寸为1*M的向量NI_v,NI_v中每一个元素代表NI每一行的行方差。
4)设置行方差的阈值T,并对列向量的每个数据与阈值比较,进行判定是否该行有病害;阈值T依据经验值设定。
若有病害的行段总行数小于最小行数,判定该图无病害;
若有病害的行段总行数大于最小行数,判定该图有病害,并输出最大行数对应的行段;所述最小行数为判定是否有病害的阈值。
具体地判定方式为:提取出图像行方差大于阈值T的多个行段记为M1,M2,...Mp′,每个行段的行数记为m1,m2,...,mp′;
若一块混凝土区域出现了病害,该病害所占行数至少为其中,f是天线频率,dt是每个scan的采样间隔;
若m1+m2+...+mp′<m′,则判定该图无病害;
若m1+m2+...+mp′≥m′,则判定该图有病害;
对于有病害的GPR图像,找到m1,m2,...,mp′中最大的数,其对应的行段记为I′,判定为要找的病害的位置,I′矩阵大小为P*N。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于行方差的自动定位GPR信号病害位置方法,其特征是,包括如下步骤:
1)采集探地雷达数据,对所采集的数据进行重叠分割;
2)对分割后的数据进行归一化处理;
3)对处理后的数据计算行方差,并构成列向量;
4)设置行方差的阈值,并对列向量的每个数据与阈值比较,进行判定是否该行有病害;
若大于阈值的行段总行数小于最小行数,判定该图无病害;
若大于阈值的行段总行数不小于最小行数,判定该图有病害,并输出最大行数对应的行段;所述最小行数为判定是否有病害的阈值。
2.根据权利要求1所述的一种基于行方差的自动定位GPR信号病害位置方法,其特征是,所述步骤1)中分割的具体内容为:对整个数据进行重叠分割,将大量数据分割成矩阵尺寸为M*N的GPR实测数据块,M是每道采样数,N是分割后每个图像包含的迹线数,记其中一个数据块为I,I对应着实际环境中的某一个水平位置采集到的GPR数据。
3.根据权利要求1所述的一种基于行方差的自动定位GPR信号病害位置方法,其特征是,所述步骤2)的具体内容为:对实测数据I的像素值映射到0-255范围内,归一化后的数据记为NI。
4.根据权利要求1所述的一种基于行方差的自动定位GPR信号病害位置方法,其特征是,所述步骤3)的具体内容为:计算归一化后的数据矩阵NI的行方差,一行共有N个数据,计算这N个数据方差,得到一个方差数据,并对每一行都计算行方差,数据矩阵共有M行,最后得到的数据矩阵的行方差数据大小为M*1,形成一个尺寸为M*1的向量NI_v,NI_v中每一个元素代表NI每一行的行方差。
5.根据权利要求1所述的一种基于行方差的自动定位GPR信号病害位置方法,其特征是,所述步骤4)中阈值T依据经验值设定。
6.根据权利要求5所述的一种基于行方差的自动定位GPR信号病害位置方法,其特征是,所述步骤4)中的判定方式为:提取出图像行方差大于阈值T的多个行段记为M1,M2,...Mp',每个行段的行数记为m1,m2,...,mp';
若一块混凝土区域出现了病害,该病害所占行数至少为其中,f是天线频率,dt是一个迹线上相邻两个数据的采样间隔;
若m1+m2+...+mp′<m′,则判定该图无病害;
若m1+m2+...+mp′≥m′,则判定该图有病害;
对于有病害的GPR图像,找到m1,m2,...,mp′中最大的数记为ma,a∈{1,2,...,p′},其对应的行段为Ma,Ma判定为要找的病害的位置,即从整个图像中抽取出的含有病害的行,每一行包含N个数据,即N列,且Ma的矩阵大小为P*N,其中P为含有病害的行数,记Ma为矩阵I’。
7.根据权利要求1所述的一种基于行方差的自动定位GPR信号病害位置方法,所述N选择400。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810148138.4A CN108376401B (zh) | 2018-02-13 | 2018-02-13 | 一种基于行方差的自动定位gpr信号病害位置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810148138.4A CN108376401B (zh) | 2018-02-13 | 2018-02-13 | 一种基于行方差的自动定位gpr信号病害位置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108376401A true CN108376401A (zh) | 2018-08-07 |
CN108376401B CN108376401B (zh) | 2021-11-02 |
Family
ID=63017902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810148138.4A Active CN108376401B (zh) | 2018-02-13 | 2018-02-13 | 一种基于行方差的自动定位gpr信号病害位置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108376401B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961341A (zh) * | 2018-07-12 | 2018-12-07 | 南京工程学院 | 一种基于行方差的自动定位gpr信号病害位置方法 |
CN111354039A (zh) * | 2018-12-20 | 2020-06-30 | 核动力运行研究所 | 一种基于b扫图像识别的焊缝区域提取快速算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261264A (zh) * | 2007-03-09 | 2008-09-10 | 郑州大学 | 半刚性基层路面病害检测与高聚物注浆快速维修技术 |
US7822556B2 (en) * | 2003-04-29 | 2010-10-26 | The Jackson Laboratory | Expression data analysis systems and methods |
CN102012221A (zh) * | 2010-10-27 | 2011-04-13 | 中公高科(北京)养护科技有限公司 | 基于探地雷达的路面裂缝深度无损检测方法 |
CN104062239A (zh) * | 2014-06-24 | 2014-09-24 | 山东省林业科学研究院 | 植物叶片受害症状的自动识别方法 |
-
2018
- 2018-02-13 CN CN201810148138.4A patent/CN108376401B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7822556B2 (en) * | 2003-04-29 | 2010-10-26 | The Jackson Laboratory | Expression data analysis systems and methods |
CN101261264A (zh) * | 2007-03-09 | 2008-09-10 | 郑州大学 | 半刚性基层路面病害检测与高聚物注浆快速维修技术 |
CN102012221A (zh) * | 2010-10-27 | 2011-04-13 | 中公高科(北京)养护科技有限公司 | 基于探地雷达的路面裂缝深度无损检测方法 |
CN104062239A (zh) * | 2014-06-24 | 2014-09-24 | 山东省林业科学研究院 | 植物叶片受害症状的自动识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961341A (zh) * | 2018-07-12 | 2018-12-07 | 南京工程学院 | 一种基于行方差的自动定位gpr信号病害位置方法 |
CN111354039A (zh) * | 2018-12-20 | 2020-06-30 | 核动力运行研究所 | 一种基于b扫图像识别的焊缝区域提取快速算法 |
Also Published As
Publication number | Publication date |
---|---|
CN108376401B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Identifying the urban-rural fringe using wavelet transform and kernel density estimation: A case study in Beijing City, China | |
CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
CN105718870B (zh) | 自动驾驶中基于前向摄像头的道路标线提取方法 | |
CN104792792B (zh) | 一种逐步求精的路面裂缝检测方法 | |
US10489903B2 (en) | Stepwise refinement detection method for pavement cracks | |
CN105469094B (zh) | 一种路面二值图像的边缘矢量线提取方法 | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN104992429B (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
CN103984946A (zh) | 一种基于K-means的高分辨率遥感地图道路提取方法 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN106295562A (zh) | 一种高分辨率遥感影像道路信息提取方法 | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
CN111025285B (zh) | 一种基于图谱灰度自适应选取的沥青路面水损害检测方法 | |
CN104282026A (zh) | 基于分水岭算法和最小生成树的分布均匀性评估方法 | |
CN101980294A (zh) | 基于遥感图像的黄河凌汛检测方法 | |
CN104463121A (zh) | 人群密度信息获取方法 | |
CN102129566A (zh) | 基于静止气象卫星识别暴雨云团的方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN112085699B (zh) | 一种基于二维图像的路面裂缝提取方法 | |
CN108376401A (zh) | 一种基于行方差的自动定位gpr信号病害位置方法 | |
CN102567726B (zh) | 极地冰盖边缘区域浮冰自动提取技术 | |
CN108764132A (zh) | 一种湖泊湿地遥感图像误差检测方法 | |
CN111476723B (zh) | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 | |
CN110503637A (zh) | 一种基于卷积神经网络的道路裂缝自动检测方法 |
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 |