CN108463717B - 龟裂信息检测装置、龟裂信息检测方法及存储介质 - Google Patents
龟裂信息检测装置、龟裂信息检测方法及存储介质 Download PDFInfo
- Publication number
- CN108463717B CN108463717B CN201780006369.5A CN201780006369A CN108463717B CN 108463717 B CN108463717 B CN 108463717B CN 201780006369 A CN201780006369 A CN 201780006369A CN 108463717 B CN108463717 B CN 108463717B
- Authority
- CN
- China
- Prior art keywords
- crack
- damage
- crack information
- vector
- information
- 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 64
- 238000003860 storage Methods 0.000 title claims description 3
- 239000013598 vector Substances 0.000 claims abstract description 495
- 238000012217 deletion Methods 0.000 claims abstract description 48
- 230000037430 deletion Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims description 53
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 5
- 238000005325 percolation Methods 0.000 claims description 4
- 238000005336 cracking Methods 0.000 claims description 2
- 239000003550 marker Substances 0.000 description 41
- 238000010586 diagram Methods 0.000 description 28
- 230000010365 information processing Effects 0.000 description 20
- 238000000605 extraction Methods 0.000 description 19
- 230000006735 deficit Effects 0.000 description 15
- 230000003902 lesion Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 9
- 230000008439 repair process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000004567 concrete Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 3
- PPTYJKAXVCCBDU-UHFFFAOYSA-N Rohypnol Chemical compound N=1CC(=O)N(C)C2=CC=C([N+]([O-])=O)C=C2C=1C1=CC=CC=C1F PPTYJKAXVCCBDU-UHFFFAOYSA-N 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003028 elevating effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011179 visual inspection Methods 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20096—Interactive definition of curve of interest
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种能够蓄积对自动检测出的损伤的手动编辑履历,从而有助于提高龟裂的检测精度的龟裂信息检测装置、龟裂信息检测方法及龟裂信息检测程序。通过对损伤矢量(C5‑2)的删除操作的完成,视作该损伤矢量(C5‑2)的删除操作标志“1”记录于分级结构信息。此时,若删除操作的完成所需的操作次数或操作时间为规定的阈值以上,例如,点击10次以上,拖动及下拉5次以上,或者编辑操作的开始至结束为止为10分钟以上等,则使角α1及角α2的阈值减少规定的量,例如,5°。
Description
技术领域
本发明涉及一种龟裂信息检测装置、龟裂信息检测方法及龟裂信息检测程序,尤其涉及一种用于检测与结构物的龟裂相关的龟裂信息的龟裂信息检测装置、龟裂信息检测方法及龟裂信息检测程序。
背景技术
桥梁、隧道、道路及大楼等结构物中会产生各种损伤(龟裂),损伤随着时间经过而逐渐变大,因此为了确保结构物的安全,需根据损伤情况进行修补。一直以来,损伤的检查通过工作人员的目视或者利用器具的检查来进行,但由于检查时间及成本、作业场所的环境等问题,近年来,逐渐通过摄像装置和/或图像处理装置进行电子处理。
根据专利文献1,龟裂的检测装置通过与像素值相关的特征量选定与神经网络收敛运算,生成龟裂候选图像。候选图像中的龟裂判定中,进行龟裂候选图像的确定与位于其附近范围内的像素的连结判定。并且,根据相邻像素的欧氏距离,进行当作是飞地且并非龟裂的判定。
专利文献2中,记载有对连结的黑色像素(或白色像素)的块分配相同的标记(编号),对不同的连结成分彼此分配不同的标记(编号)的标注处理,由此,能够分为龟裂等损伤区域的标记、污垢等的标记。
并且,被标注处理的标注图像是对“1”的集合即“1”的块分配“A”、“B”及“C”等标记的图像,能够识别标记“A”是龟裂部分的标记,标记“B”及“C”是相对于污垢等的块部分。并且,作为标记,标注了记号,但也可以设为编号。而且,对出现在图像上的龟裂部分分配标记,从其标注图像测量龟裂部分的像素数,根据像素数及分辨率测量龟裂宽度及长度。
专利文献3中,记载有如下方法,即,从混凝土表面的原图像获取除了污垢和不均以外的已预处理图像,形成通过阶段性的图像压缩对所获取的预处理图像进行压缩而成的4级的4个层图像,从与提取对象相应的层图像提取所对应的异状,集成所有层图像,总括显示检测出的异状。
专利文献4中记载有根据从不包含缺陷的学习图像获取的学习结果检测检查图像中的缺陷的缺陷检测装置。
以往技术文献
专利文献
专利文献1:日本特开2011-242365号公报
专利文献2:日本特开2002-174601号公报
专利文献3:日本特开2014-6222号公报
专利文献4:日本特开2010-203845号公报
发明内容
发明要解决的技术课题
在这些电子损伤自动检测处理中,有可能产生损伤的漏检测、过检测、误检测。其原因在于损伤的断续的形状和混凝土表面的污垢等。因此,需要用户确认自动检测结果,进行龟裂区域的追加或不需要的检测区域的删除等手动的编辑和修正。
可考虑蓄积这些手动编辑履历来机器学习,从而有助于提高龟裂的检测精度。
可是,根据龟裂,有能够精度良好地自动检测的龟裂,也有并不如此的龟裂。若不在编辑履历上对这些龟裂予以区别,则无法进行缩小机器学习的对象的有效的机器学习。
专利文献1中,并未记载对自动龟裂检测结果,用户仅指定特定的龟裂来编辑自动龟裂检测结果的内容。由此,无法进行如上述的龟裂的区别。
通过专利文献2的技术,虽然能够以标记识别龟裂与污垢,但无法通过标记指定龟裂等缺陷信息,或对该指定的缺陷信息进行删除(编辑等)。因此,无法进行如上述的龟裂的区别。
专利文献3中,虽然有对已输入的异状图形,互动性地进行删除或连结等图形编辑的记载,但没有将编辑信息与异状图形一同矢量化来进行管理的记载或根据编辑信息机器学习异状提取的记载。
专利文献4中,没有用户编辑检测出的缺陷信息或将编辑信息保存为机器学习用的记载。
本发明是鉴于这种问题而完成的,其目的在于提供一种能够蓄积对自动检测出的损伤的手动编辑履历,从而有助于提高龟裂的检测精度的龟裂信息检测装置、龟裂信息检测方法及龟裂信息检测程序。
用于解决技术课题的手段
为了解决上述课题,本申请发明的第1方式所涉及的龟裂信息检测装置具备:龟裂信息检测部,检测针对通过结构物的表面图像的图像分析而检测出的结构物的龟裂的龟裂信息;标注部,根据龟裂信息检测部检测出的龟裂信息,赋予用于识别与龟裂对应的龟裂信息的标记;龟裂信息编辑部,接受龟裂信息的编辑;及登录部,将龟裂信息的编辑结果、龟裂信息的编辑所需的操作履历、标记建立对应关联来登录于数据库。
该第1方式所涉及的龟裂信息检测装置中,将龟裂信息的编辑结果、龟裂信息的编辑所需的操作履历、标记建立对应关联来登录于数据库。因此,能够按每个龟裂区别编辑所需的操作履历,能够有助于提高基于机器学习的龟裂的检测精度。
本申请发明的第2方式所涉及的龟裂信息检测装置中,龟裂信息的编辑结果包含构成与相同标记对应的龟裂信息的像素的删除位置、构成与相同标记对应的龟裂信息的像素的追加位置及连接与不同标记对应的不连续的龟裂信息彼此的像素的追加位置中的至少1个。
本申请发明的第3方式所涉及的龟裂信息检测装置中,龟裂信息的编辑所需的操作履历包含构成龟裂信息的像素的删除所需的操作次数及构成龟裂信息的像素的删除所需的操作时间中的至少1个。
本申请发明的第4方式所涉及的龟裂信息检测装置中,龟裂信息的编辑所需的操作履历包含构成龟裂信息的像素的追加所需的操作次数及构成龟裂信息的像素的追加所需的操作时间中的至少1个。
本申请发明的第5方式所涉及的龟裂信息检测装置中,龟裂信息的编辑所需的操作履历包含连接不连续的龟裂信息彼此的像素的追加所需的操作次数及连接不连续的龟裂信息彼此的像素的追加所需的操作时间中的至少1个。
本申请发明的第6方式所涉及的龟裂信息检测装置中,其具备机器学习部,根据登录于数据库的每个标记的龟裂信息的操作履历,确定应学习的编辑履历,根据与所确定的编辑履历对应的编辑结果,机器学习应作为连续的龟裂或不连续的龟裂来检测的龟裂的特征,由此更新基于龟裂信息检测部的检测龟裂信息的模型。
本申请发明的第7方式所涉及的龟裂信息检测装置中,应作为连续的龟裂或不连续的龟裂来检测的龟裂的特征包含包括龟裂的宽度、长度及方向在内的矢量数据。
本申请发明的第8方式所涉及的龟裂信息检测装置中,龟裂信息检测部通过克鲁斯卡算法、普里姆算法、神经网络收敛运算及渗滤法等,检测针对结构物的龟裂的龟裂信息。
本申请发明的第9方式所涉及的龟裂信息检测方法中,计算机执行以下步骤:检测针对通过结构物的表面图像的图像分析检测出的结构物的龟裂的龟裂信息的步骤;根据检测出的龟裂信息,赋予用于识别与龟裂对应的龟裂信息的标记的步骤;接受龟裂信息的编辑的步骤;及将龟裂信息的编辑结果、龟裂信息的编辑所需的操作履历、标记建立对应关联来登录于数据库的步骤。
用于使计算机执行该龟裂信息检测方法的龟裂信息检测程序也包含在本申请发明的方式。
发明效果
根据本发明,将龟裂信息的编辑结果、龟裂信息的编辑所需的操作履历、标记建立对应关联来登录于数据库。因此,能够按每个龟裂区别编辑所需的操作履历,能够有助于提高基于机器学习的龟裂的检测精度。
附图说明
图1是表示作为结构物的例子的桥梁的图。
图2是表示本发明的一实施方式所涉及的损伤信息处理装置的结构的框图。
图3是表示本发明的一实施方式所涉及的损伤信息处理方法的顺序的流程图。
图4是表示分割曲线状的损伤来生成多个损伤矢量的情况的图。
图5是用于说明确定损伤矢量的起点的情况的图。
图6是用于说明确定损伤矢量的起点的情况的另一图。
图7是表示分离的损伤矢量的连结的图。
图8是表示分离的损伤矢量的连结的另一图。
图9是表示分级结构信息中包含的图像信息的表。
图10是表示分级结构信息中包含的损伤矢量的信息的例(与分级确定方法的例1对应)的表。
图11A是用于说明损伤矢量与标记的显示例的图。
图11B是用于说明损伤矢量的局部删除与局部追加的图。
图11C是用于说明与损伤矢量的局部删除和局部追加对应的删除操作标志及追加操作标志的变更的图。
图11D是用于说明损伤矢量与标记的显示例的图。
图12是用于说明损伤矢量的分级确定方法的例2的另一图。
图13是表示与分级确定方法的例2对应的分级结构信息(损伤矢量信息)的例的表。
图14是用于说明损伤矢量的分级确定方法的例3的图。
图15是用于说明损伤矢量的分级确定方法的例3的另一图,是表示在时间上比图14后拍摄的图像的图。
图16是用于说明损伤矢量的分级确定方法的例3的其他图,是表示在时间上比图15后拍摄的图像的图。
图17是表示与分级确定方法的例3对应的分级结构信息(损伤矢量信息)的例子的表。
图18是用于说明损伤矢量的分级确定方法的例4的图。
图19是表示与分级确定方法的例4对应的分级结构信息(损伤矢量信息)的例子的表。
图20是表示选择C1-3的标记,对与该标记对应的损伤矢量进行删除命令输入的情况的图。
图21是表示对与C1-3的标记对应的损伤矢量进行删除命令输入的结果, C1-3的标记的显示被删除且与C1-3的标记对应的损伤矢量的显示被删除的更新显示例的图。
图22是表示进行该删除命令输入的结果,对与C1-3的标记对应的损伤矢量的删除操作标志分配有“1”的分级结构信息的一例的表。
图23是表示选择C1-5及C8-1的标记,进行与这些标记对应的损伤矢量彼此的结合命令输入的情况的图。
图24A是表示进行该结合命令输入的结果,结合与C1-5及C8-1的标记对应的损伤矢量的损伤矢量的线段及对该追加损伤矢量赋予的标记“C1-5+C8- 1”的更新显示例的图。
图24B是表示进行该结合命令输入的结果,结合与C1-5及C8-1的标记对应的损伤矢量的损伤矢量的线段及对该追加损伤矢量赋予的标记“C1-5+C8- 1”的更新显示例、及删除了C1-5及C8-1的标记的显示的更新显示例的图。
图25是表示对与C1-5及C8-1的标记对应的损伤矢量的追加操作标志分配有“2”的分级结构信息的更新例的表。
图26是表示选择与追加损伤矢量对应的“C1-5+C8-1”的标记,进行与这些标记对应的损伤矢量彼此的结合解除命令输入的情况的图。
图27是表示进行该结合解除命令输入的结果,C1-5及C8-1的标记的损伤矢量彼此的结合被解除的显示例的图。
图28是表示对与C1-5及C8-1的标记对应的损伤矢量的追加操作标志分配有“0”的分级结构信息的一例的表。
图29是表示结合C3-1与C4-1的损伤矢量C5-2的结合解除的命令的一例的图。
图30是表示结合C3-1与C4-1的损伤矢量C5-2的结合解除之后的显示的一例的图。
图31是表示通过对损伤矢量C5-2的删除操作的完成,包含该损伤矢量 C5-2的删除操作标志“1”和与此相关联的操作履历的附加信息记录于分级结构信息的情况的表。
具体实施方式
以下,参考附图,对本发明所涉及的龟裂信息检测装置、龟裂信息检测方法及龟裂信息检测程序的实施方式进行说明。
<第1实施方式>
图1是表示适用本发明所涉及的龟裂信息检测装置、龟裂信息检测方法及龟裂信息检测程序的结构物的例子即桥梁1(结构物、混凝土结构物)的结构的立体图。图1所示的桥梁1具有主梁3,主梁3通过接合部3A接合。主梁3 是架设在桥座和/或桥墩之间,支承桥面板2上的车辆等的荷重的部件。并且,在主梁3的上部,浇筑有用于车辆等行进的桥面板2。桥面板2设为钢筋混凝土制。另外,桥梁1除了桥面板2及主梁3以外,还具有未图示的横梁、横撑架及横系杆等部件。
<图像的获取>
检查桥梁1的损伤时,检查人员利用数码相机104(参考图2),从下方 (图1的C方向)拍摄桥梁1,针对检查范围获取表面图像。在沿桥梁1的延伸方向(图1的A方向)及其正交方向(图1的B方向)适当移动的同时进行拍摄。另外,由于桥梁1的周边情况,检查人员难以移动时,可在能够沿桥梁 1移动的移动体设置数码相机104来进行拍摄。这种移动体上,可设置数码相机104的升降机构和/或云台机构。另外,作为移动体的例子,能够举出车辆、机器人及飞行物体,但并不限定于这些。
<损伤信息处理装置的结构>
图2是表示作为本实施方式所涉及的龟裂信息检测装置的实施方式的损伤信息处理装置100的概略结构的框图。损伤信息处理装置100具备损伤信息获取部102、损伤矢量生成部110(与龟裂信息检测部对应)、分级结构信息生成部112(与标注部对应)、损伤矢量提取部114、分级结构信息记录部116 (与登录部对应)、显示部118、操作部120(与龟裂信息编辑部对应)及学习调整部122(与机器学习部对应),相互连接而能够相互收发所需的信息。
各部的功能例如能够通过由CPU(Central Processing Unit(中央处理器))等控制器件执行存储于存储器的程序来实现。并且,损伤信息获取部102包含无线通信用天线及输入输出接口电路,分级结构信息记录部116包含HDD(Hard Disk Drive(硬盘驱动器))等非暂时性记录介质而构成。并且,显示部118包含液晶显示器等显示器件,操作部120包含键盘等输入器件。另外,这些表示本发明所涉及的损伤信息处理装置的结构的一例,可适当采用其他结构。
如上所述,利用数码相机104拍摄的图像通过无线通信输入至图像获取部 106,通过图像处理部108获取损伤信息。数码相机104、图像获取部106及图像处理部108构成损伤信息获取部102。损伤矢量生成部110从由损伤信息获取部102获取的损伤信息,通过图像分析生成损伤矢量(龟裂矢量),并且,连结空间上分离的损伤矢量。分级结构信息生成部112根据由损伤矢量生成部 110生成的损伤矢量生成分级结构信息,所生成的分级结构信息记录于分级结构信息记录部116。损伤矢量提取部114参考分级结构信息,提取满足损伤矢量的所属分级等指定条件的损伤矢量。显示部118显示所输入的图像、生成或者提取的损伤矢量、分级结构信息等。显示部118还从损伤矢量的信息生成线段的图像等,进行显示时所需的图像处理。操作部120接受与损伤矢量及分级结构信息的提取条件以及显示条件的设定及分级结构信息的编辑等相关的用户的命令输入。
<损伤信息处理的顺序>
接着,对利用上述结构的损伤信息处理装置100的损伤信息处理(与本发明的龟裂信息检测方法对应)进行说明。图3是表示本实施方式所涉及的损伤信息处理的顺序的流程图。另外,本实施方式中,对损伤是在桥面板2产生的龟裂的情况进行说明,将损伤适当记载为“龟裂”,但能够适用本发明的损伤并不限于龟裂,也可以是游离石灰等其他损伤。用于通过损伤信息处理装置 100执行该处理的程序(与本发明的龟裂信息检测程序对应)记录于损伤信息处理装置100内置的闪存器等能够计算机读取的非暂时性有形介质。
<损伤信息获取工序>
首先,如上所述,通过无线通信将用数码相机104拍摄的桥梁1的图像输入至图像获取部106(步骤S100;图像输入工序)。桥梁1的图像根据检查范围输入多个,并且,所输入的图像中,通过数码相机104附加有拍摄日期时间的信息。另外,输入图像的拍摄日期时间并不一定要在所有的图像中相同,可横跨多日。图像可总括输入多个图像,也可设为一次输入1个图像。另外,桥梁1的图像可设为经由各种存储卡等非暂时性记录介质输入,而不是无线通信,也可经由互联网输入已经拍摄并记录的图像的数据。另外,步骤S100中输入的桥梁1的图像可以是拍摄图像本身,也可以是对拍摄图像实施预处理的图像。
<损伤提取工序>
接着,图像处理部108从所输入的图像提取损伤(龟裂)(步骤S110;损伤提取工序)。步骤S100的图像输入工序及步骤S110的损伤提取工序构成本发明的损伤信息处理方法中的损伤信息获取工序。另外,步骤S110中,若从在步骤S100中输入的图像提取到损伤,即若识别到图像中的损伤区域,则可视作已获取到损伤信息,无需掌握损伤的详细特征。
步骤S110中的损伤的提取能够通过各种方法进行,例如能够利用日本专利4006007号公报中记载的龟裂检测方法。该方法是由如下工序构成的龟裂检测方法:计算与所对比的2个浓度对应的小波系数,并且计算分别改变该2个浓度时的各自的小波系数来制作小波系数表,通过对拍摄作为龟裂检测对象的混凝土表面的输入图像进行小波转换来制作小波图像的工序;在小波系数表内,将与局部区域内的附近像素的平均浓度和关注像素的浓度对应的小波系数作为阈值,对关注像素的小波系数与该阈值进行比较,由此判定龟裂区域与非龟裂区域的工序。
另外,可设为在对步骤S100中输入的图像实施必要的预处理之后进行步骤S110中的损伤的提取。
<损伤矢量的生成>
若在步骤S110中提取到损伤(若获取到损伤信息),则损伤矢量生成部 110将所获取的损伤信息矢量化来生成损伤矢量(龟裂矢量)(步骤S120;损伤矢量生成工序)。矢量化时,根据需要,对所提取的损伤(龟裂)进行二值化和/或细线化。另外,“矢量化”是指针对损伤,求出由起点及终点确定的线段,损伤(龟裂)为曲线状时,以曲线与线段的距离成为阈值以下的方式,将损伤分割为多个区间,针对多个区间的每一个生成损伤矢量。图4的例子中,将曲线状的损伤Cr分割为4个区间Cr1~Cr4,针对各个区间生成损伤矢量Cv1~Cv4,由此使区间Cr1~Cr4中的损伤与损伤矢量Cv1~Cv4之间的距离 d1~d4成为阈值以下。
生成损伤矢量时,例如能够将桥面板2的特征点作为坐标系的原点,针对损伤矢量的组(矢量组),将自原点的距离最小的端点作为第1起点,以下沿着损伤矢量的行进方向,依次确定终点、起点。图5的例子中,将桥面板2上的点P0作为坐标系原点,将图的右方向及下方向分别作为坐标系的X轴方向、Y轴方向时,能够将矢量组C7的点P13、P14、P15、P16中自点P0的距离 d最短的点P13作为损伤矢量C7-1的起点,以下,将点P14作为损伤矢量C7- 1的终点(且损伤矢量C7-2、C7-3的起点),将点P15、P16分别作为损伤矢量C7-2、C7-3的终点。
然而,若以相同的方法确定矢量组C8的起点,则点P17成为损伤矢量C8- 1的起点,点P18成为损伤矢量C8-2、C8-3的起点,导致损伤矢量C8-3的行进方向(从点P18朝向点P20的方向)与损伤矢量C8-1的行进方向相反。因此,这种情况下,如图6所示,可将点P19作为损伤矢量C8A-1的起点,以下,将点P18作为损伤矢量C8A-1的终点(且损伤矢量C8A-2、C8A-3的起点),将点P17、P20分别作为损伤矢量C8A-2、C8A-3的终点。另外,将此时的损伤矢量的集合体标明为矢量组C8A。这种处理可设为由损伤矢量生成部 110不经由用户的命令输入而进行,也可设为根据经由操作部120的用户的命令输入,由损伤矢量生成部110进行。
<分离的损伤矢量的连结>
如上所述那样生成损伤矢量时,若损伤在桥面板2的内部连续而在表面分离,则有可能识别为分离的损伤矢量。因此,本实施方式所涉及的损伤信息处理装置100中,连结这种多个损伤矢量来生成1个或多个矢量。
图7是表示损伤矢量的连结的例子的图,表示提取到包含损伤矢量C3-1 (点P21、点P22分别为起点、终点)的矢量组C3、包含损伤矢量C4-1(点 P23、点P24分别为起点、终点)的矢量组C4的情况。并且,将损伤矢量C3-1 与连结点P22及点P23的线段所呈的角设为α1,将连结点P22及点P23的线段与损伤矢量C41所呈的角设为α 2。此时,若角α1及角α2均为阈值以下,则连结损伤矢量C3-1及C4-1,并且,融合矢量组C3及C4。具体而言,如图8所示,生成新的损伤矢量C5-2并与其他损伤矢量C5-1(与损伤矢量 C3-1相同)及C5-3(与损伤矢量C4-1相同)连结,将包含这些损伤矢量C5- 1、C5-2及C5-3的新的矢量组作为矢量组C5。
另外,上述方法是损伤矢量连结方法的一例,也可使用其他方法。并且,如上所述,可设为与用户的命令输入无关地,由损伤矢量生成部110判断是否连结损伤矢量彼此,也可设为根据经由操作部120的用户的命令输入,由损伤矢量生成部110进行判断。
如此,本实施方式所涉及的损伤信息处理装置100中,通过适当连结空间上(在桥面板2的表面)分离的损伤矢量,能够准确地掌握损伤矢量彼此的连结关系。
<分级结构信息的生成>
若在步骤S120中生成了损伤矢量,则根据所生成的损伤矢量,由分级结构信息生成部112生成分级结构信息(步骤S130;分级结构信息生成工序)。分级结构信息是分级地表现损伤矢量彼此的连结关系的信息,由图像信息(参考图9)及损伤矢量信息(参考图10、13、17及19)构成。这些图像信息及损伤矢量信息经由损伤矢量(龟裂矢量)的集合体即矢量组建立有关联。因此,还能够参考矢量组的ID(Identification),从损伤的图像提取损伤矢量,相反地,还能够根据损伤矢量提取图像。另外,分级结构信息是与损伤矢量所属的分级(级别)无关地以相同的项目及形式生成的数据库(参考图10、 13、17及19),用户能够轻松地识别及掌握分级结构信息。
<图像信息>
上述图像信息是针对拍摄到损伤的拍摄图像的信息,对损伤矢量的组,规定拍摄图像的识别信息(ID)及图像数据、图像获取日期时间等。图9是表示图像信息的例子的表,对矢量组C1(参考图11A),规定有图像的ID、图像数据、获取日期时间、图像的宽度及高度、通道数、比特/像素、分辨率。关于通道数,若是RGB(R:红、G:绿、B:蓝)彩色图像,则是3通道,若是单色图像,则是1通道。另外,图9中,仅记载了矢量组C1,但存在多个矢量组时,对各组生成相同的信息。
<损伤矢量信息>
图10是损伤矢量信息的例子。损伤矢量信息由损伤矢量所属的矢量组的信息、各损伤矢量的固有信息、在矢量组内与各损伤矢量连结的其他损伤矢量的信息及附加信息构成。
矢量组(参考图10的表的情况下的矢量组C1;参考图11A)的信息包含组的标记(识别信息)。损伤矢量的固有信息包含损伤矢量的标记(识别信息)、分级(级别;所属分级信息)、起点及终点(点编号及位置坐标)、损伤矢量的方向(从起点朝向终点的方向)及长度。在此,关于分级(级别),级别1为最上位,数字越变大,越成为下位的分级。对具体的分级的确定方法的详细内容,将进行后述。如以下说明,其他损伤矢量的信息包含父矢量、兄弟矢量及子矢量的标记(识别信息)。
<父矢量、兄弟矢量及子矢量>
本实施方式中,一损伤矢量的终点成为其他损伤矢量的起点时,将这种一损伤矢量称作“父矢量”,将其他损伤矢量称作“子矢量”。父矢量设为以针对1个损伤矢量成为零或1个的方式确定,子矢量相对于1个父矢量,可存在零以上的任意数量。并且,父矢量的终点成为多个子矢量的起点时,将这些多个子矢量相互称作“兄弟矢量”。兄弟矢量也可存在零以上的任意数量。
如此,本实施方式中,分级结构信息中包含父矢量、兄弟矢量及子矢量的标记(识别信息),因此根据任意的损伤矢量,能够参考矢量的ID,依次确定父矢量、兄弟矢量及子矢量。例如,能够确定一损伤矢量的父矢量,并进一步确定该父矢量的父矢量。如此,本实施方式所涉及的损伤信息处理装置100 中,能够轻松掌握损伤矢量彼此的连结关系,并且,能够轻松进行损伤矢量的分析及搜索。
<附加信息>
附加信息包含损伤的宽度、编辑履历(删除操作标志、追加操作标志)、检查日及修复信息。
附加信息中包含的“宽度”表示与各损伤矢量对应的龟裂的宽度。删除操作标志表示是否为进行删除操作的矢量,已进行删除操作时为“1”,未进行时为“0”。能够参考该删除操作标志,在损伤矢量的显示与不显示之间进行切换。追加操作标志与损伤矢量的检测方式相关联,当为自动检测到的矢量时,为“0”,当为手动(通过用户的命令输入)追加的矢量时,为“1”,当为手动追加且连接不同标记的矢量来生成的矢量时,为“2”。
附加信息仅在编辑履历的删除操作标志为“1”时,作为编辑履历,还包含删除操作次数、删除操作时间、删除像素位置、删除像素面积等操作履历。
并且,附加信息仅在编辑履历的追加操作标志为“1”或“2”时,作为编辑履历,还包含追加操作次数、追加操作时间、追加像素位置、追加像素面积等操作履历。
如图11B中例示,进行构成损伤矢量的区域的加除(局部追加和/或局部去除)时,如图11C中例示,对删除操作标志和/或追加操作标志分配“1”。因此,对某一损伤矢量组合进行区域的局部追加与局部删除时,所对应的删除操作标志成为“1”且追加操作标志成为“1”。其结果,显示损伤矢量的追加部分的线段,且不显示删除部分的线段。
标记履历是伴随操作履历的更新的标记的变更履历。没有操作履历时,不记录标记履历。
此外,操作履历中能够包含各个操作和操作之间的时间的最大值和最小值、每单位时间的操作次数等,关于编辑操作能够测定的各种值。
“删除操作次数”表示上述删除操作的开始至完成为止的操作次数。
“删除操作时间”表示上述删除操作的开始至完成为止的操作时间。
“删除像素位置”表示通过上述删除操作删除的损伤矢量的像素位置。
“删除像素面积”表示通过上述删除操作删除的损伤矢量的像素面积。
“追加操作次数”表示上述追加操作的开始至完成为止的操作次数。
“追加操作时间”表示上述追加操作的开始至完成为止的操作时间。
“追加像素位置”表示通过上述追加操作追加的损伤矢量的像素位置。
“追加像素面积”表示通过上述追加操作追加的损伤矢量的像素面积。
“检查日”中设定拍摄损伤的图像的日期,但也能够通过用户经由操作部 120的命令输入来编辑。并且,“修复”的信息能够根据用户经由操作部120 的命令输入(修复的种类及修复日)生成。修复的种类例如有用水泥填埋、用树脂填埋、放置(持续观察)等(图10的表中,分别记载为R1、R2、R3)。
<损伤矢量的分级>
接着,对损伤矢量所属的分级(级别)进行说明。例如如以下的例1~4 中说明,能够用各种方法确定损伤矢量的分级。
<分级确定方法(例1)>
图11A是表示矢量组C1的图。矢量组C1由损伤矢量C1-1~C1-6构成,这些损伤矢量将点P1~P7作为起点或终点。这种情况下,例1中,损伤矢量每进行分支(一损伤矢量的终点成为其他多个损伤矢量的起点),分级就成为下位。具体而言,将损伤矢量C1-1的分级设为最上位的“级别1”,将损伤矢量C1-1的终点即点P2作为起点的损伤矢量C1-2及C1-3的分级设为比损伤矢量C1-1更下位的“级别2”。同样地,将损伤矢量C1-3的终点即点P4作为起点的损伤矢量C1-5及C1-6的分级设为比损伤矢量C1-3更下位的“级别3”。另一方面,损伤矢量C1-2的终点即点P3为损伤矢量C1-4的起点,但将点P3 作为起点的损伤矢量只有损伤矢量C1-4,没有分支,因此损伤矢量C1-4的分级与C1-2相同,设为“级别2”。如图10的表所示,如此确定的各损伤矢量的分级包含于分级结构信息中。
并且,如图11A所示,对各损伤矢量的标记通过将所对应的各损伤矢量的起点、终点或连结这些的线段的附近的任意位置作为起点的文本框的影像,与各损伤矢量建立关联来显示于显示部118。此外,各损伤矢量的标记可通过将所对应的各损伤矢量的线段附近的任意的位置作为起点的旗、带、板、框 (box)、线、表等影像或者这些的所有或一部分的组合,与各损伤矢量建立关联来显示。文本框配置于避开与损伤矢量本身重复的位置即可。
并且,标记的显示位置和显示形式也任意。图11A中,在损伤矢量的附近配置有标记,但如图11D,可在不与损伤矢量重复的画面的空白部分,用一览表显示标记组,用一对一连结的线对各标记与各损伤矢量建立关联,由此示出两者的对应。另外,用文本框等表示的各个标记或标记的一览表只要避免与相同组的损伤矢量的重复显示即可,可与和不同的组对应的损伤矢量重复显示。
<分级确定方法(例2)>
图12是表示矢量组C1(损伤矢量彼此的连结关系与图11A所示的关系相同)的图。例2中,所连结的损伤矢量中与其他损伤矢量所呈的角度为阈值以下的矢量(相当于树结构中的“干”的损伤矢量)设为属于相同的分级。具体而言,存在于图12的点线内(以参考符号Lv1表示的范围)的损伤矢量C1- 1、C1-2及C1-4设为相同的分级的“级别1”(最上位)。并且,关于除此以外的损伤矢量C1-3、C1-5及C1-6,与例1相同,设为损伤矢量每进行分支,分级就成为下位,将损伤矢量C1-3(相当于树结构中的“枝”)设为“级别 2”,将损伤矢量C1-5及C1-6(相当于树结构中的“叶”)设为“级别3”。如图13的表所示,如此确定的各损伤矢量的分级及类别(干、枝或者叶)包含于分级结构信息中。
<分级确定方法(例2的变形例)>
对上述分级确定方法(例2)的变形例进行说明。如分级确定方法(例 2),将损伤矢量设为相当于树结构中的干、枝及叶来确定分级时,通常认为“枝”比“干”短,因此可将最长的损伤矢量设为“干”(级别1),将其他损伤矢量设为“枝”或“叶”来确定分级。此时,例如,图13的表所示的损伤矢量信息中,长度100mm的损伤矢量C11成为“干”(级别1)。能够将损伤矢量C1-2及C1-3设为“枝”(级别2),将损伤矢量C1-4设为“枝”(级别2)或“叶”(级别3),将损伤矢量C1-5及C1-6设为“叶”(级别3)。
另外,也可不针对“最长的损伤矢量”,而是将构成“最长的龟裂”的损伤矢量设为“干”(级别1),将与从“干”分支的龟裂对应的损伤矢量设为“枝”或“叶”。此时,设为“最长的龟裂”表示“在无论是粗的龟裂还是细的龟裂,均连结的状态下,作为龟裂最长”。
并且,也可如下,除了损伤矢量的长度以外,还考虑宽度(与损伤矢量对应的损伤的宽度)来确定类别(干、枝及叶)及分级。例如,将“长度×宽度”成为最大的损伤矢量设为“干”,将其他损伤矢量设为“枝”或“叶”来确定分级。此时,例如,图13的表所示的损伤矢量信息中,“长度×宽度”最大(100mm2)的损伤矢量C1-1成为“干”。能够将损伤矢量C1-2及C1-3设为“枝”(级别2),将损伤矢量C1-4设为“枝”(级别2)或“叶”(级别 3),将损伤矢量C1-5及C1-6设为“叶”(级别3)。
如上述变形例,通过考虑损伤矢量的长度或“长度×宽度”来确定损伤矢量的分级,能够提高分级化的精度。
<分级确定方法(例3)>
图14~16是表示矢量组C1(损伤矢量彼此的连结关系与图11、12所示的关系相同)的图。例3中,根据桥梁1的图像的拍摄日期时间判断产生损伤矢量的时间的前后,设为在时间上,越是之后产生的损伤矢量,越属于下位的分级。图14~16的情况下设为如下,即,最初拍摄的图像中,产生有包含损伤矢量C1-1的矢量组C1A(图14),接着拍摄的图像中,新产生损伤矢量C1-2 及C1-3而成为矢量组C1B(图15),最后拍摄的图像中,还产生损伤矢量C1-4、C1-5及C1-6而成为矢量组C1(图16)。
这种情况下,例3中设为如下,即,将最初的图像中产生的损伤矢量C1-1 (图14中以参考符号Lv1表示的范围)设为最上位的“级别1”,将在下一图像中产生的损伤矢量C1-2及C1-3(图15中以参考符号Lv2表示的范围)设为“级别2”,在最后的图像中产生的损伤矢量C1-4、C1-5及C1-6(图16中以参考符号Lv3表示的范围)设为“级别3”。
如图17的表所示,如此确定的各损伤矢量的分级包含于分级结构信息中。
<分级确定方法(例4)>
图18是表示龟裂C2A及与此对应的矢量组C2的图。例4中设为如下,即,与一损伤矢量连结的其他损伤矢量只有1个时,将这种其他1个损伤矢量设为属于与一损伤矢量相同的分级。具体而言,如图18所示,若考虑一条曲线状的龟裂C2A分割为多个龟裂C2A-1~C2A-4,这些龟裂分别与将点P8~点 P12作为起点或终点的损伤矢量C2-1~C2-4对应的情况,则在损伤矢量C2- 1~C2-3的终点,仅分别连结有1个损伤矢量(损伤矢量C2-2~C2-4)。这种情况下,例4中设为如下,即,假设损伤矢量C2-1~C2-4(图18中以参考符号Lv1表示的范围)实际上为1个,全部属于作为相同分级的“级别1”(最上位)。
如图19的表所示,如此确定的各损伤矢量的分级包含于分级结构信息中。
以上,对损伤矢量的所属分级确定方法的例1~4进行了说明,这些方法能够根据具体的损伤方式适当分开使用,并且,也可根据需要组合多个方法来使用。例如,针对连结的图案为复杂的损伤矢量的组,可如下,即,一部分用例1确定分级,其他部分用例4确定分级。这种分级方法的组合可由分级结构信息生成部112判断来进行,也能够根据用户经由操作部120的命令输入来进行。
<分级结构信息的项目及形式>
本实施方式中,如图10、13、17及19的表所示,分级结构信息与损伤矢量所属的分级无关地,是相同的项目及形式,因此能够迅速且轻松地掌握损伤矢量彼此的连结关系。
<损伤矢量的提取>
接着,对损伤矢量的提取进行说明。本实施方式中,分级结构信息中,包含损伤矢量所属的矢量组、损伤矢量的标记、所属分级、所连结的其他损伤矢量(父矢量、兄弟矢量及子矢量)的标记等(参考图10、13、17及19),能够对这些项目指定所希望的条件来提取损伤矢量。作为所指定的条件,例如能够举出“损伤矢量所属的分级”及“将特定的矢量作为父矢量、兄弟矢量或者子矢量的矢量”,可指定的条件并不限定于这些例子。
例如,当为图10所示的损伤矢量信息时,若将“损伤矢量的分级(级别)为级别2”指定为条件,则参考分级结构信息的“分级(级别)”的栏,提取损伤矢量C1-2、C1-3及C1-4,若将“与损伤矢量C1-2连结,属于比损伤矢量C1-2更上位的分级的损伤矢量”指定为条件,则提取损伤矢量C1-1(父矢量)。并且,若将“与损伤矢量C1-2连结,属于与损伤矢量C1-2相同的分级的损伤矢量”指定为条件,则提取损伤矢量C1-3(兄弟矢量)及损伤矢量 C1-4(子矢量),若将“与损伤矢量C1-3连结,属于比损伤矢量C1-3更下位的分级的损伤矢量”指定为条件,则提取损伤矢量C1-5及C1-6(子矢量)。这种损伤矢量的提取能够根据用户经由操作部120的命令输入,由损伤矢量提取部114参考分级结构信息记录部116来进行。
如此,本实施方式所涉及的损伤信息处理装置100中,能够轻松地进行损伤矢量的搜索、分析及评价。另外,所提取的损伤矢量能够以各个信息和/或线画的形式显示(后述)。
<损伤矢量及分级结构信息的显示>
步骤S140中,将在步骤S130中生成的分级结构信息显示于显示部118 (显示工序)。分级结构信息的显示例如能够以图9、10、13、17及19所示的表的形式进行,或根据从这些表提取的一部分信息进行。作为这种“一部分信息”的一例,能够举出“以指定的条件提取的损伤矢量的信息”及“针对检查日和/或修复日等特定项目的信息”。
并且,可根据分级结构信息,描绘表示损伤矢量的线画,并显示于显示部 118。如图10、13、17、19的表所示,分级结构信息中包含损伤矢量的起点及终点以及所连结的其他损伤矢量的信息,因此能够根据这些信息描绘表示损伤矢量的线画(例如,参考图11A、11B、12、14~16)来显示。表示损伤矢量的线画中,可标注箭头(参考图11A、11B、12、14~16),以便能够识别损伤矢量的方向(从起点朝向终点的方向)。描绘及显示损伤矢量的线画时,可描绘及显示分级结构信息中包含的所有损伤矢量,也可仅显示一部分损伤矢量(例如,如上所述,以指定的条件提取的矢量)。
另外,显示表示损伤矢量的线画时,可在该线画的附近配置所对应的标记的影像,或根据分级结构信息中包含的信息中的特定信息改变损伤矢量的颜色、粗度及线种(实线、点线等)等显示条件。作为这种信息,例如,能够举出损伤矢量的分级(级别)、类别(干、枝、叶)、产生日期时间、删除操作标志及追加操作标志的值等,可从分级结构信息中包含的项目中适当设定。如此,通过以与损伤矢量的特征相应的方式显示,能够轻松地掌握损伤矢量彼此的连结关系和/或时间变化的情况。
上述的损伤矢量的线画与分级结构信息可显示任意一个,也可同时显示双方。并且,上述显示中,可将拍摄到损伤(龟裂)的图像(例如,图9的表所示的图像“img_2015-001”)与损伤矢量的线画重合或者排列显示,以便能够比较两者(例如,参考图18)。
本实施方式中,由于如此显示损伤矢量和/或分级结构信息,因此能够轻松地掌握损伤矢量的信息及损伤矢量彼此的连结关系。
<损伤矢量及分级结构信息的记录>
步骤S150中,将分级结构信息记录于分级结构信息记录部116(记录工序)。记录于分级结构信息记录部116的分级结构信息能够用于损伤的分析及评价等目的。另外,从分级结构信息提取到一部分信息(例如,满足所指定的条件的损伤矢量)时,如此提取的信息全部包含于原来的分级结构信息中,因此提取结果并不一定要记录,但通过将提取结果也记录于分级结构信息记录部 116,能够根据需要迅速参考。
另外,步骤S100~S150的工序除了上述方法以外,还能够通过普里姆算法执行,该普里姆算法是通过曲线图理论求出加权连结曲线图的最小生成树的最优化问题的算法。
即,例如,假设能够根据曲线图理论的考虑方式,能够在检测结果的像素之间设定成本。成本是利用损伤矢量(龟裂)的方向、宽度或距离等基准值的计算结果,设为连接成本最小的像素之间。作为成本计算的概念,可考虑如下计算方法,即,损伤矢量彼此的距离越远离,成本变得越大,但损伤矢量彼此的方向越相互一致,成本变得越小。即使距离较远,但以其他基准,被视作1 条龟裂的可能性较大时,能够获得反映该信息的连接结果。如果,在周边只有像素之间的成本充分大的损伤矢量,则无需连接损伤矢量彼此。并且,连接的结果,变成以不自然的角度(例如,90°以下的锐角)弯曲的形状或产生不自然的宽度差(例如,在所连接的损伤矢量彼此中产生5像素以上的宽度的阶梯差)时,可设为不连接的条件。如此,对损伤矢量彼此的距离、角度、宽度的差,若两者的距离小、角度小、宽度的差小,则能够设定为成本变小。
此外,能够通过与专利文献1相同的神经网络收敛运算等各种机器学习、基于本申请人的专利申请2015-195769号中记载的渗滤法、克鲁斯卡算法等各种方法、或者普里姆算法、神经网络收敛运算、渗滤法、克鲁斯卡算法等各种方法的一部分或全部的组合、或者这些的一部分或全部的组合的1次以上的反复,精度良好地进行1个损伤矢量的提取。
<损伤矢量及分级结构信息的编辑>
步骤S160中,根据用户经由操作部120的编辑命令输入,分级结构信息生成部112修正记录于分级结构信息记录部116的分级结构信息(编辑工序)。并且,根据该编辑命令输入,基于显示部118的损伤矢量与标记的显示被更新。
该编辑命令输入包含以下内容。
(1)删除与任意选择的标记对应的损伤矢量。进行该编辑命令输入时,对所删除的损伤矢量的删除操作标志分配“1”。
能够如下进行损伤矢量的删除命令输入。例如,若点击选择任意的标记,则强调显示所选择的标记及与该选择的标记对应的损伤矢量的线画。强调显示通过标记或损伤矢量的线画的设计的变更(着色、点线化、粗线化、亮度的变化等)来进行。并且,在所选择的标记的附近,显示确认是否执行能够对损伤矢量进行的编辑操作“删除”的对话框,若从该对话框进行能够执行“删除”的选择,则对与所选择的标记对应的损伤矢量的删除操作标志分配“1”,结束删除命令输入。
图20表示选择C1-3的标记,对与该标记对应的损伤矢量进行删除命令输入的情况。图21中,示出对与C1-3的标记对应的损伤矢量进行删除命令输入的结果,C13的标记的显示被删除且与C1-3的标记对应的损伤矢量的线画的显示被删除的更新显示例。并且,图22是进行该删除命令输入的结果,对与C1-3的标记对应的损伤矢量的删除操作标志分配“1”的分级结构信息的编辑结果的一例。另外,即使对损伤矢量进行删除命令输入也不删除与其损伤矢量对应标记等的分级结构信息。这是因为,如后述,用于机器学习。
(2)对与任意选择的标记对应的损伤矢量,加除(局部追加和/或局部除去)构成该损伤矢量的区域。进行该编辑命令输入时,对与所选择的标记对应的删除操作标志和/或追加操作标志分配“1”。并且,与构成加除区域的像素的位置及范围对应地,更新记录于分级结构信息的损伤矢量的起点、终点、长度、宽度的值。
(3)追加将与任意选择的多个标记建立有关联的多个不连续的损伤矢量彼此结合为1个连续的损伤矢量的损伤矢量。进行该编辑命令输入时,对所结合的各损伤矢量的各追加操作标志分别分配“2”。
能够如下进行损伤矢量的追加命令输入。例如,若点击选择任意的2个标记,则强调显示该选择的标记及所对应的损伤矢量的线画,并且在标记的附近,显示确认是否执行能够对所对应的损伤矢量进行的编辑操作“结合”的对话框,若从该对话框进行能够执行“结合”的选择,则对与所选择的标记对应的各损伤矢量的各追加操作标志分配“2”,完成损伤矢量的追加命令输入。
图23表示选择C1-5及C8-1的标记,进行结合与这些标记对应的损伤矢量彼此的损伤矢量的追加命令输入的情况。图24A表示进行该命令输入的结果,结合与C1-5及C8-1的标记对应的损伤矢量的追加的损伤矢量的线画、对通过该追加的损伤矢量结合的损伤矢量赋予的标记“C1-5+C8-1”的更新显示例。另外,如图24B所示,但与C1-5及C8-1的标记对应的损伤矢量结合为一直线时,可消除点P6、P17的显示。图25是对与C1-5及C8-1的标记对应的损伤矢量的追加操作标志分配“2”的分级结构信息的更新例。所结合的损伤矢量的标记只要能够与其他损伤矢量进行区别,则可以是任意标记。并且,所结合的损伤矢量的矢量组可与所结合的损伤矢量的任意矢量组(例如,长或短的损伤矢量所属的矢量组)相同,也可生成其他新的矢量组。这与<分离的损伤矢量的连结>中说明的内容相同地进行。
另外,该更新的分级结构信息中,将先选择的标记C1-5的损伤矢量作为父矢量,将后选择的标记C81的损伤矢量作为子矢量。先选择标记C81且后选择标记C1-5时,将标记C8-1的损伤矢量作为父矢量,将标记C1-5的损伤矢量作为子矢量。在任何情况下,关于对追加操作标志分配“2”的多个损伤矢量C1-5及C8-1和将这些中的任一个作为父矢量且将另一个作为子矢量来结合的追加的损伤矢量,这些结合为一直线时,汇集成1个连续的结合损伤矢量,对该1个连续的结合损伤矢量赋予新的标记“C1-5+C8-1”(参考图 24B)。
但是,为了机器学习未将损伤矢量C1-5及C8-1作为1个连续的损伤矢量来提取的情况,不删除损伤矢量C1-5及C8-1的标记,将损伤矢量C1-5及C8- 1的追加操作标志“2”记录于分级结构信息。
(4)解除与多个标记建立有关联的多个不连续的损伤矢量彼此的结合。进行该结合的解除命令输入时,对已解除结合的各损伤矢量的各追加操作标志分别分配“0”。
能够如下进行损伤矢量彼此的结合的解除命令输入。例如,若从基于上述 (3)的结合损伤矢量的标记中选择任意的标记,则强调显示该选择的标记及所对应的结合损伤矢量的线画,而且,在该选择的标记的附近,显示确认是否执行能够对该结合损伤矢量进行的编辑操作“结合解除”的对话框,若从该对话框进行能够执行“结合解除”的选择,则通过与所选择的标记对应的结合损伤矢量结合的各损伤矢量的各追加操作标志从“2”变更为“0”,并且两者的父矢量、子矢量关系被删除,完成结合解除命令输入。
图26表示选择与结合损伤矢量对应的“C1-5+C8-1”的标记,进行基于与该标记对应的结合损伤矢量的结合的解除命令输入的情况。图27表示进行该结合的解除命令输入的结果,C1-5及C8-1的标记的损伤矢量彼此的结合被解除的显示例。图28是对与C1-5及C8-1的标记对应的损伤矢量的追加操作标志分配“0”的分级结构信息的更新例。另外,更新分级结构信息,以使已解除结合的损伤矢量之间的父矢量及子矢量的关系也被删除。
可分别对结合解除后的各损伤矢量重新分配能够区别的标记,以此代替将与结合之前的标记相同的标记分别再次分配于结合解除后的各损伤矢量。但是,机器学习特定的损伤矢量彼此的结合为错误而通过手动解除结合的内容时,优选将与结合之前的标记相同的标记分别再次分配于结合解除之后的各损伤矢量。
并且,成为结合解除对象的损伤矢量并不限于手动指定的损伤矢量。例如,还能够删除通过如图8所示的损伤矢量连结方法结合C3-1与C4-1的损伤矢量C5-2,进行C3-1与C4-1的结合解除。具体而言,如图29所示,通过损伤矢量C5-2的标记选择与结合解除的命令,如图30所示,结合前的矢量组 C3、C4及属于它们的损伤矢量的之前的标记C3-1、C4-1复活。为了实现此现象,如图31所示,必需事先将从实施损伤矢量连结方法之前的标记C3-1、C4- 1向实施损伤矢量连结方法之后的标记C5-1、C5-3的过渡的内容作为标记履历,逐一记录于分级结构信息。并且,为了机器学习基于损伤矢量C5-2的结合是错误的情况,事先将损伤矢量C5-2的删除操作标志“1”记录于分级结构信息。
(5)与矢量组对应的标记的显示及选择和与该选择的标记对应的矢量组的删除、结合及结合的解除。这能够与和各个损伤矢量对应的标记的显示及选择等相同地进行。
<损伤矢量提取基准的调整>
步骤S170中,学习S160中的编辑结果,调整损伤矢量的提取基准(调整工序)。该步骤通过学习调整部122进行。
例如,通过普里姆算法获取损伤矢量时,可根据编辑命令输入的完成,变更与损伤矢量的距离、方向、宽度相关的成本的计算基准值,由此调整损伤矢量的提取基准。
例如,如图31所示,通过针对损伤矢量C5-2(参考图8)的删除操作的完成,视作该损伤矢量C5-2的删除操作标志“1”记录于分级结构信息。此时,若删除操作的完成所需的操作次数或操作时间为规定的阈值以上(例如,点击10次以上,拖动及下拉5次以上,或者编辑操作的开始至结束为止为10 分钟以上等),则使角α1及角α2的阈值减小规定的量(例如,5°)。
由此,将连接的删除所需的时间或操作次数尤其大的损伤矢量的对作为删除学习模型,之后,连接具有与该删除学习模型近似的特征(各个矢量的长度、方向、宽度、两个矢量之间的距离)的矢量彼此时,应欲连接的损伤矢量彼此所呈的角度越是锐角,两者之间的与方向相关的成本越变大。即,具有与删除学习模型相同的特征的损伤矢量的对更不易被自动连接,损伤矢量的过检测及错误的自动连接的修正所需的手动编辑的工作量减轻。
或者,假设属于不同矢量组的损伤矢量C1-5、C8-1(参考图25)彼此的方向一致,它们通过规定次数以上或规定时间以上的编辑操作的完成而连接,这些损伤矢量C1-5、C8-1的追加操作标志“2”记录于分级结构信息。此时,将这些损伤矢量C1-5、C8-1的对作为追加学习模型,使连接相同方向的损伤矢量彼此的距离的阈值增加规定的量(例如,10像素)。
由此,之后,对于具有与该追加学习模型近似的特征(各个矢量的长度、方向、宽度、两个矢量所呈的角度)的损伤矢量彼此,损伤矢量之间的与距离相关的成本变小。即,与追加学习模型的特征近似的损伤矢量的对更不易被自动连接,损伤矢量的漏检测及手动连接未自动连接的损伤矢量彼此的工作量减轻。
如以上说明,根据本实施方式所涉及的损伤信息处理装置100及损伤信息处理方法,能够轻松地掌握损伤矢量彼此的连结关系,并且,能够根据分级结构信息轻松地进行损伤矢量的分析和/或搜索。
并且,通过标记的选择,可进行损伤矢量的删除、结合、结合的解除,因此即使不准确地指定复杂形状的损伤矢量的位置,也能够轻松地编辑分级结构信息。
而且,根据损伤矢量的编辑履历与操作履历,修正损伤矢量的提取基准,能够实现更准确的损伤矢量的自动提取。
以上,对本发明的例子进行了说明,但本发明并不限定于上述实施方式及变形例,能够在不脱离本发明的精神的范围进行各种变形。
符号说明
1-桥梁,2-桥面板,3-主梁,3A-接合部,100-损伤信息处理装置,102- 损伤信息获取部,104-数码相机,106-图像获取部,108-图像处理部,110-损伤矢量生成部,112-分级结构信息生成部,114-损伤矢量提取部,116-分级结构信息记录部,118-显示部,120-操作部,S100-图像输入工序,S110-损伤提取工序,S120-损伤矢量生成工序,S130-分级结构信息生成工序,S140-显示工序,S150-记录工序,S160-编辑工序,S170-调整工序。
Claims (8)
1.一种龟裂信息检测装置,其中,
所述龟裂信息检测装置具备:
龟裂信息检测部,检测针对通过结构物的表面图像的图像分析而检测出的结构物的龟裂的龟裂信息;
标注部,根据所述龟裂信息检测部检测出的龟裂信息,赋予用于识别与龟裂对应的龟裂信息的标记;
龟裂信息编辑部,接受所述龟裂信息的编辑;
登录部,将所述龟裂信息的编辑结果、所述龟裂信息的编辑所需的操作履历、所述标记建立对应关联来登录于数据库;及
机器学习部,根据登录于所述数据库的每个所述标记的所述龟裂信息的操作履历,确定应学习的编辑履历,根据与确定的所述编辑履历对应的编辑结果,机器学习应作为连续的龟裂或不连续的龟裂来检测的龟裂的特征,由此更新基于所述龟裂信息检测部的检测龟裂信息的模型,
所述龟裂信息的编辑结果包含构成与相同标记对应的龟裂信息的像素的删除位置、构成与相同标记对应的龟裂信息的像素的追加位置及连接与不同标记对应的不连续的龟裂信息彼此的像素的追加位置中的至少1个。
2.根据权利要求1所述的龟裂信息检测装置,其中,
所述龟裂信息的编辑所需的操作履历包含构成所述龟裂信息的像素的删除所需的操作次数及构成所述龟裂信息的像素的删除所需的操作时间中的至少1个。
3.根据权利要求1所述的龟裂信息检测装置,其中,
所述龟裂信息的编辑所需的操作履历包含构成所述龟裂信息的像素的追加所需的操作次数及构成所述龟裂信息的像素的追加所需的操作时间中的至少1个。
4.根据权利要求1所述的龟裂信息检测装置,其中,
所述龟裂信息的编辑所需的操作履历包含连接所述不连续的龟裂信息彼此的像素的追加所需的操作次数及连接所述不连续的龟裂信息彼此的像素的追加所需的操作时间中的至少1个。
5.根据权利要求1所述的龟裂信息检测装置,其中,
应作为所述连续的龟裂或不连续的龟裂来检测的龟裂的特征包含包括龟裂的宽度、长度及方向在内的矢量数据。
6.根据权利要求1至5中任一项所述的龟裂信息检测装置,其中,
所述龟裂信息检测部通过克鲁斯卡算法、普里姆算法、神经网络收敛运算及渗滤法中的至少1个,检测针对所述结构物的龟裂的龟裂信息。
7.一种龟裂信息检测方法,其中,
在所述龟裂信息检测方法中,计算机执行以下步骤:
检测针对通过结构物的表面图像的图像分析而检测出的结构物的龟裂的龟裂信息的步骤;
根据检测出的所述龟裂信息,赋予用于识别与龟裂对应的龟裂信息的标记的步骤;
接受所述龟裂信息的编辑的步骤;及
将所述龟裂信息的编辑结果、所述龟裂信息的编辑所需的操作履历、所述标记建立对应关联来登录于数据库的步骤,
所述龟裂信息的编辑结果包含构成与相同标记对应的龟裂信息的像素的删除位置、构成与相同标记对应的龟裂信息的像素的追加位置及连接与不同标记对应的不连续的龟裂信息彼此的像素的追加位置中的至少1个。
8.一种计算机可读取的存储介质,其中,
所述计算机可读取的存储介质存储有用于使计算机执行权利要求7所述的龟裂信息检测方法的龟裂信息检测程序。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016-012538 | 2016-01-26 | ||
JP2016012538 | 2016-01-26 | ||
PCT/JP2017/000671 WO2017130699A1 (ja) | 2016-01-26 | 2017-01-11 | ひび割れ情報検出装置、ひび割れ情報検出方法およびひび割れ情報検出プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108463717A CN108463717A (zh) | 2018-08-28 |
CN108463717B true CN108463717B (zh) | 2021-05-25 |
Family
ID=59398852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780006369.5A Active CN108463717B (zh) | 2016-01-26 | 2017-01-11 | 龟裂信息检测装置、龟裂信息检测方法及存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10937138B2 (zh) |
EP (1) | EP3410102B1 (zh) |
JP (1) | JP6682561B2 (zh) |
CN (1) | CN108463717B (zh) |
WO (1) | WO2017130699A1 (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3396359B1 (en) * | 2015-12-25 | 2021-04-28 | FUJIFILM Corporation | Damage information processing device and damage information processing method |
JP6543729B2 (ja) * | 2015-12-25 | 2019-07-10 | 富士フイルム株式会社 | 類似損傷検索装置及び類似損傷検索方法 |
WO2019009214A1 (ja) * | 2017-07-07 | 2019-01-10 | キヤノン株式会社 | 画像から変状を検知する画像処理装置、画像処理方法及びプログラム |
WO2019021729A1 (ja) * | 2017-07-25 | 2019-01-31 | 富士フイルム株式会社 | 損傷図作成方法、損傷図作成装置、損傷図作成システム、及び記録媒体 |
JP6764842B2 (ja) * | 2017-09-22 | 2020-10-07 | エヌ・ティ・ティ・コムウェア株式会社 | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム |
CN107871161A (zh) * | 2017-11-07 | 2018-04-03 | 中国铁道科学研究院铁道建筑研究所 | 一种基于神经网络的桥梁整体损伤预警方法 |
JP6701467B2 (ja) * | 2018-03-16 | 2020-05-27 | 三菱電機株式会社 | 学習装置および学習方法 |
WO2020039688A1 (ja) * | 2018-08-24 | 2020-02-27 | パナソニックIpマネジメント株式会社 | 符号化装置及び符号化方法 |
JP6811217B2 (ja) * | 2018-09-04 | 2021-01-13 | 大成建設株式会社 | コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム |
CN109300126B (zh) * | 2018-09-21 | 2022-01-07 | 重庆建工集团股份有限公司 | 一种基于空间位置的桥梁病害高精度智能检测方法 |
JP7166862B2 (ja) * | 2018-09-27 | 2022-11-08 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム、記憶媒体 |
CN112334732B (zh) * | 2018-10-12 | 2023-06-09 | 松下知识产权经营株式会社 | 预测装置及预测方法 |
WO2020121917A1 (ja) * | 2018-12-13 | 2020-06-18 | 富士フイルム株式会社 | 損傷図作成支援装置、損傷図作成支援方法、損傷図作成支援プログラム及び損傷図作成支援システム |
JP7225810B2 (ja) * | 2019-01-11 | 2023-02-21 | 富士通株式会社 | ひび線抽出装置、ひび線抽出方法、及び、ひび線抽出プログラム |
JP7235242B2 (ja) * | 2019-04-01 | 2023-03-08 | 学校法人五島育英会 | 監視システム及び監視方法 |
WO2021014754A1 (ja) * | 2019-07-23 | 2021-01-28 | 富士フイルム株式会社 | ひび割れ評価装置、ひび割れ評価方法、及びひび割れ評価プログラム |
JP7364786B2 (ja) * | 2020-03-31 | 2023-10-18 | 富士フイルム株式会社 | 点検支援装置、方法及びプログラム |
CN111598845A (zh) * | 2020-04-26 | 2020-08-28 | 北京科技大学 | 基于深度学习与neo-6m定位模块的路面裂缝检测与定位的方法 |
CN111833316A (zh) * | 2020-06-29 | 2020-10-27 | 广东科学技术职业学院 | 路面裂纹识别方法及装置 |
US20220019190A1 (en) * | 2020-07-14 | 2022-01-20 | Saudi Arabian Oil Company | Machine learning-based methods and systems for deffect detection and analysis using ultrasound scans |
KR102359901B1 (ko) * | 2020-07-21 | 2022-02-09 | 울산과학기술원 | 머신 러닝을 이용하여 섬유의 종류에 따라 복합재의 손상 위치를 검출하는 방법 |
CN112465817B (zh) * | 2020-12-17 | 2024-06-14 | 大连海事大学 | 一种基于方向滤波器的路面裂缝检测方法 |
CN113686874B (zh) * | 2021-08-16 | 2022-08-02 | 沭阳林冉塑业有限公司 | 一种基于人工智能的机械零件损伤检测方法及系统 |
CN117677970A (zh) | 2022-06-30 | 2024-03-08 | 宁德时代新能源科技股份有限公司 | 图像处理的方法及其装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5046109A (en) * | 1986-03-12 | 1991-09-03 | Nikon Corporation | Pattern inspection apparatus |
US5046115A (en) * | 1987-10-26 | 1991-09-03 | Kabushiki Kaishakomatsu Seisakusho | Method of processing image data on crack |
JP3635795B2 (ja) * | 1996-07-31 | 2005-04-06 | 石川島播磨重工業株式会社 | 微細線状欠陥の検出方法及びその装置 |
CN1888879A (zh) * | 2005-06-29 | 2007-01-03 | 颜彦 | 基于图像智能识别的印刷品质量检测与控制系统 |
JP2008022005A (ja) * | 2006-07-11 | 2008-01-31 | Tokyo Electron Ltd | 光計測を用いて検査される構造の特徴を表すプロファイルモデルの生成 |
US20080247636A1 (en) * | 2006-03-20 | 2008-10-09 | Siemens Power Generation, Inc. | Method and System for Interactive Virtual Inspection of Modeled Objects |
US20090110236A1 (en) * | 2007-10-29 | 2009-04-30 | Ching-Chun Huang | Method And System For Object Detection And Tracking |
CN101441180A (zh) * | 2007-11-23 | 2009-05-27 | 夏萍 | 树木年轮组成成分快速分析方法 |
CN103106077A (zh) * | 2011-11-15 | 2013-05-15 | 株式会社三丰 | 机器视觉检测系统 |
CN103105193A (zh) * | 2011-11-15 | 2013-05-15 | 株式会社三丰 | 精密机器视觉检测系统和用于操作该系统的方法 |
JP2014190822A (ja) * | 2013-03-27 | 2014-10-06 | Dainippon Screen Mfg Co Ltd | プリント基板の品質管理装置および品質管理方法 |
CN104914111A (zh) * | 2015-05-18 | 2015-09-16 | 北京华检智研软件技术有限责任公司 | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 |
US20160018341A1 (en) * | 2014-07-18 | 2016-01-21 | Process Metrix | Crack detection and measurement in metallurgical vessels |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07111735B2 (ja) * | 1989-10-25 | 1995-11-29 | 東京電力株式会社 | ひび割れ測定システム |
JP2002174601A (ja) | 2000-12-05 | 2002-06-21 | Matsushita Electric Ind Co Ltd | 壁面損傷検出方法及び装置 |
JP4588901B2 (ja) * | 2001-03-02 | 2010-12-01 | 株式会社竹中工務店 | コンクリートの欠陥検査方法およびコンクリートの欠陥検査装置 |
JP2004355203A (ja) * | 2003-05-28 | 2004-12-16 | Nec Corp | データの更新・履歴・集計管理方式 |
JP4006007B2 (ja) | 2004-11-10 | 2007-11-14 | 大成建設株式会社 | ひび割れ検出方法 |
JP5359377B2 (ja) | 2009-03-02 | 2013-12-04 | オムロン株式会社 | 欠陥検出装置、欠陥検出方法および欠陥検出プログラム |
JP5384429B2 (ja) * | 2010-05-21 | 2014-01-08 | 日本電信電話株式会社 | コンクリート構造物画像のひび割れ検知装置、ひび割れ検知方法及びそのプログラム |
JP6029870B2 (ja) * | 2012-06-27 | 2016-11-24 | 公益財団法人鉄道総合技術研究所 | コンクリート表面の変状検出方法及び装置 |
JP6347384B2 (ja) * | 2013-11-13 | 2018-06-27 | 国立大学法人北海道大学 | 変状評価支援システム |
JP5688533B1 (ja) * | 2014-01-23 | 2015-03-25 | デ・ファクト・スタンダード合同会社 | コンクリート構造物維持管理システム |
JP6454973B2 (ja) * | 2014-03-20 | 2019-01-23 | フリュー株式会社 | サーバ、制御プログラム、および記録媒体 |
JP6283247B2 (ja) | 2014-04-02 | 2018-02-21 | キユーピー株式会社 | 菓子 |
JP2016090548A (ja) * | 2014-11-11 | 2016-05-23 | 株式会社東芝 | ひび割れ情報収集方法及びひび割れ情報収集プログラム |
JP6192880B2 (ja) * | 2015-05-26 | 2017-09-06 | 三菱電機株式会社 | 検出装置および検出方法 |
-
2017
- 2017-01-11 EP EP17743930.4A patent/EP3410102B1/en active Active
- 2017-01-11 JP JP2017563782A patent/JP6682561B2/ja active Active
- 2017-01-11 CN CN201780006369.5A patent/CN108463717B/zh active Active
- 2017-01-11 WO PCT/JP2017/000671 patent/WO2017130699A1/ja active Application Filing
-
2018
- 2018-06-25 US US16/016,720 patent/US10937138B2/en active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5046109A (en) * | 1986-03-12 | 1991-09-03 | Nikon Corporation | Pattern inspection apparatus |
US5046115A (en) * | 1987-10-26 | 1991-09-03 | Kabushiki Kaishakomatsu Seisakusho | Method of processing image data on crack |
JP3635795B2 (ja) * | 1996-07-31 | 2005-04-06 | 石川島播磨重工業株式会社 | 微細線状欠陥の検出方法及びその装置 |
CN1888879A (zh) * | 2005-06-29 | 2007-01-03 | 颜彦 | 基于图像智能识别的印刷品质量检测与控制系统 |
US20080247636A1 (en) * | 2006-03-20 | 2008-10-09 | Siemens Power Generation, Inc. | Method and System for Interactive Virtual Inspection of Modeled Objects |
JP2008022005A (ja) * | 2006-07-11 | 2008-01-31 | Tokyo Electron Ltd | 光計測を用いて検査される構造の特徴を表すプロファイルモデルの生成 |
US20090110236A1 (en) * | 2007-10-29 | 2009-04-30 | Ching-Chun Huang | Method And System For Object Detection And Tracking |
CN101441180A (zh) * | 2007-11-23 | 2009-05-27 | 夏萍 | 树木年轮组成成分快速分析方法 |
CN103106077A (zh) * | 2011-11-15 | 2013-05-15 | 株式会社三丰 | 机器视觉检测系统 |
CN103105193A (zh) * | 2011-11-15 | 2013-05-15 | 株式会社三丰 | 精密机器视觉检测系统和用于操作该系统的方法 |
JP2014190822A (ja) * | 2013-03-27 | 2014-10-06 | Dainippon Screen Mfg Co Ltd | プリント基板の品質管理装置および品質管理方法 |
US20160018341A1 (en) * | 2014-07-18 | 2016-01-21 | Process Metrix | Crack detection and measurement in metallurgical vessels |
CN104914111A (zh) * | 2015-05-18 | 2015-09-16 | 北京华检智研软件技术有限责任公司 | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2017130699A1 (ja) | 2017-08-03 |
JP6682561B2 (ja) | 2020-04-15 |
CN108463717A (zh) | 2018-08-28 |
EP3410102A1 (en) | 2018-12-05 |
US20180308230A1 (en) | 2018-10-25 |
JPWO2017130699A1 (ja) | 2018-10-11 |
EP3410102B1 (en) | 2022-07-06 |
EP3410102A4 (en) | 2018-12-05 |
US10937138B2 (en) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108463717B (zh) | 龟裂信息检测装置、龟裂信息检测方法及存储介质 | |
CN108474748B (zh) | 龟裂信息编辑装置、方法及程序 | |
JP7313517B2 (ja) | 損傷情報処理装置、損傷情報処理方法、及び損傷情報処理プログラム | |
US10648922B2 (en) | Crack analysis device, crack analysis method, and crack analysis program | |
JP6944506B2 (ja) | 画像処理方法、画像処理装置、及び画像処理プログラム | |
WO2021014754A1 (ja) | ひび割れ評価装置、ひび割れ評価方法、及びひび割れ評価プログラム | |
US20180293255A1 (en) | Similar damage search device and a similar damage search method | |
CN118279567A (zh) | 目标检测模型的构建方法和道路裂缝检测方法 | |
CN116563202A (zh) | 一种基于卷积神经网络的建筑表面裂纹识别方法及系统 | |
CN117237601A (zh) | 一种水泥路面病害识别方法、介质及系统 | |
Zhang | Four-dimensional and vision-based framework for infrastructure maintenance management |
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 |