CN108564579A - 一种基于时空相关的混凝土裂缝检测方法及检测装置 - Google Patents
一种基于时空相关的混凝土裂缝检测方法及检测装置 Download PDFInfo
- Publication number
- CN108564579A CN108564579A CN201810361201.2A CN201810361201A CN108564579A CN 108564579 A CN108564579 A CN 108564579A CN 201810361201 A CN201810361201 A CN 201810361201A CN 108564579 A CN108564579 A CN 108564579A
- Authority
- CN
- China
- Prior art keywords
- region
- frame
- image
- measured
- crack
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图像处理技术领域,提供了一种基于时空相关的混凝土裂缝检测方法及检测设备,包括:通过视频采集设备对待检测的混凝土结构进行视频采集得到至少两帧图像,并将采集到的图像按帧数排序,得到待检测的混凝土结构的图像序列;分别对所述混凝土结构的图像序列中的每一帧图像进行单帧静态裂缝检测,得到候选裂缝区域及候选裂缝区域信息;根据所述候选裂缝区域信息,并基于时空相关策略对所述候选裂缝区域进行检测,获得检测结果;根据所述检测结果,获得所述待检测的混凝土结构的裂缝标记。本发明实施例通过对单张静态图像的裂缝检测结果进行再检测,从而有效地解决了虚警及裂缝漏检的问题,提高了裂缝检测方法的可靠性和鲁棒性。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于时空相关的混凝土裂缝检测方法及检测装置。
背景技术
随着图像处理技术的发展,基于图像处理的混凝土裂缝检测方法逐渐成为混凝土裂缝检测的主要研究方向。
目前,混凝土裂缝的检测方法大多受环境影响,在光照不均匀、存在阴影噪声、存在背景干扰等情况下,现有的检测方法的鲁棒性差,且检测结果的可靠性低。
发明内容
有鉴于此,本发明实施例提供了一种基于时空相关的混凝土裂缝检测方法及检测装置,以解决现有技术中混凝土裂缝检测方法的鲁棒性差、检测结果可靠性低的问题。
本发明实施例的第一方面提供了一种基于时空相关的混凝土裂缝检测方法,包括:
通过视频采集设备对待检测的混凝土结构进行视频采集得到至少两帧图像,并将采集到的图像按帧数排序,得到待检测的混凝土结构的图像序列;
分别对所述混凝土结构的图像序列中的每一帧图像进行单帧静态裂缝检测,得到候选裂缝区域及候选裂缝区域信息;
根据所述候选裂缝区域信息,并基于时空相关策略对所述候选裂缝区域进行检测,获得检测结果;
根据所述检测结果,获得所述待检测的混凝土结构的裂缝标记。
本发明实施例的第二方面提供了一种检测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被一个或多个处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
本发明实施例通过视频采集设备对待检测的混凝土结构进行视频采集得到至少两帧图像,并将采集到的图像按帧数排序,得到待检测的混凝土结构的图像序列;分别对所述混凝土结构的图像序列中的每一帧图像进行单帧静态裂缝检测,得到候选裂缝区域及候选裂缝区域信息;根据所述候选裂缝区域信息,并基于时空相关策略对所述候选裂缝区域进行检测,获得检测结果;根据所述检测结果,获得所述待检测的混凝土结构的裂缝标记。本发明实施例通过对单张静态图像的裂缝检测结果进行再检测,从而有效地解决了虚警及裂缝漏检的问题,提高了裂缝检测方法的可靠性和鲁棒性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于时空相关的混凝土裂缝检测方法的实现流程示意图;
图2是本发明实施例提供的基于时空相关的混凝土裂缝检测装置的示意图;
图3是本发明又一实施例提供的基于时空相关的混凝土裂缝检测装置的示意图;
图4是本发明实施例提供的基于时空相关的混凝土裂缝检测方法的流程示意图;
图5是本发明实施例提供的视频采集过程的示例图;
图6是本发明实施例提供的单帧静态裂缝检测的过程示意图;
图7是本发明实施例提供的基于时空相关策略的检测过程示意图;
图8是本发明实施例提供的推算位置框的计算过程示意图;
图9是本发明实施例提供的基于时空相关策略的检测结果示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1是本发明实施例提供的基于时空相关的混凝土裂缝检测方法的实现流程示意图,图4是本发明实施例提供的基于时空相关的混凝土裂缝检测方法的示意图,结合图4,可以更清楚地解释本申请中的方法。如图1所示,所述方法可以包括以下步骤:
步骤S101,通过视频采集设备对待检测的混凝土结构进行视频采集得到至少两帧图像,并将采集到的图像按帧数排序,得到待检测的混凝土结构的图像序列。
其中,视频采集设备可以是摄像机或其他包含摄像功能的设备,如手机、相机等。因为视频是由多张静态图像在一定时间内按照一定的顺序显现而形成的,所以需要将采集到的图像按照采集顺序排列,并按照采集顺序对采集到的图像标记帧数。示例性的,假设共采集到两张图像A和B,将最先采集到的图像A的帧数记为1,将后采集到的图像B的帧数记为2,将两张图像按照帧数排序,得到的图像序列为A、B,其帧数依次为1、2。
可选的,在将采集到的图像按帧数排序,得到待检测的混凝土结构的图像序列之后,还包括:
获取所述视频采集设备的运动参数;
根据所述运动参数计算相邻两帧图像之间的区域位移量。
其中,视频采集设备的运动参数包括视频采集设备的运动速率。参见图5,图5是本发明实施例提供的视频采集过程的示意图,如图5所示,视频采集设备按照速率v做匀速运动对待检测的混凝土结构进行视频采集,利用视频采集设备的运动速度v以及每帧图像的采集时间间隔t,可以估算出相邻两帧图像的区域位移量d=v×t。为了减小d的误差,要求视频采集设备在图像采集过程中尽可能保持匀速运动。
步骤S102,分别对所述混凝土结构的图像序列中的每一帧图像进行单帧静态裂缝检测,得到候选裂缝区域及候选裂缝区域信息。
其中,所述候选裂缝区域信息包括:
所述候选裂缝区域所在图像的帧数、所述候选裂缝区域的面积、所述候选裂缝区域在所述图像中的位置。
步骤S103,根据所述候选裂缝区域信息,并基于时空相关策略对所述候选裂缝区域进行检测,获得检测结果。
步骤S104,根据所述检测结果,获得所述待检测的混凝土结构的裂缝标记。
在一个实施例中,步骤S102,所述分别对所述混凝土结构的图像序列中的每一帧图像进行单帧静态裂缝检测,得到候选裂缝区域及候选裂缝区域信息,包括:
分别将所述混凝土结构的图像序列中的每一帧图像划分为N个相等的且不重叠的图像块;
分别提取每一帧图像中的每个图像块的预设特征;
根据提取到的预设特征,并利用最小二乘支持向量机方法对所述图像进行裂缝检测;
若所述图像中包含裂缝,则将所述图像中每条裂缝的最大外接矩形所占的区域标记为候选裂缝区域,并获取所述候选裂缝区域对应的候选裂缝区域信息。
在实际应用中,在保证检测精度的同时,还要考虑计算量的大小,所以N不同太大也不能太小,可以根据实际经验选择一个较为合适的N值,优选的,可以令N=75×75。
在本实施例中,预设特征为图像特征,常用的图像特征包括:HOG(Histogram ofOriented Gradient,方向梯度直方图)特征、LBP(Local Binary Pattern,局部二值模式)特征、Haar-like特征等。其中,HOG特征主要用来计算和统计方块图像区域像素的梯度或边缘方向直方图,被广泛应用于图像识别领域中,尤其在行人检测中获得了极大的成功,由于图像中的裂缝具有和行人检测类似的线状分布特点,可以被梯度或边缘的方向密度分布很好地描述,因此HOG特征是适用于混凝土裂缝区域检测的。同时,局部区域梯度的统计计算,可以很好地抑制光照不均匀产生的干扰,也是HOG特征应用在混凝土裂缝区域检测的一个重要原因;LBP特征通过比较方块区域中心像素与周边像素的大小关系,获得每个中心像素的二进制编码,由此获得图像区域的纹理特征谱;Haar-like特征主要由边缘、线性、中心和对角线等特征模板组成的特征向量构成,具有很强的内部结构判别能力,可以很清楚地描述裂缝像素区域的线状分布特性,因此也可以用于混凝土裂缝区域检测。需要说明的是,本发明中对所述图像块提取至少一种特征包括但不限于上述列出的各种特征,还可以包括其他图像特征,在此不做具体限定。
分别提取每一帧图像中的每个图像块的预设特征,可以提取图像块的一个图像特征,也可以提取图像块的多个图像特征;如果提取图像块的一个特征,则生成特征向量,根据特征向量对图像进行裂缝检测;如果提取图像块的多个特征,则生成多个特征向量,可以将多个特征向量合并为特征矩阵,根据特征矩阵对图像进行裂缝检测。
另外,在本实施例中,利用最小二乘支持向量机方法对所述图像进行裂缝检测,需要说明的是,只要是能够用于对图像进行裂缝与非裂缝分类检测的分类方法,均可以用于本实施例中,并不局限于最小二乘支持向量机方法。如果只是分类方法的简单替换,仍在本申请的保护范围内。
参见图6,图6是本发明实施例提供的单帧静态裂缝检测的过程示意图,如图所示,先对检测器进行训练,从训练样本库中选取样本图像,将每个样本图像划分为N个图像块,分别对每个图像块进行HOG特征提取,并利用所提取的特征对LS-SVM(最小二乘支持向量机)分类器进行进行训练。当训练完成后,将实际采集图像划分为N个图像块,分别对每个图像块进行HOG特征提取,根据提取的特征,利用训练好的LS-SVM对实际采集图像进行检测,得到裂缝区域检测结果。
在一个实施例中,步骤S103,所述根据所述候选裂缝区域信息,并基于时空相关策略对所述候选裂缝区域进行检测,包括:
根据所述候选裂缝区域及所述候选裂缝区域信息,建立所述图像序列的第一位置框集合,所述第一位置框集合为:
其中,K表示所述图像序列中图像的个数,ri,j表示第i帧图像中的第j个候选裂缝区域的实际位置框;
按照预设顺序分别将每个候选裂缝区域作为待测区域,并将所述待测区域对应的候选裂缝区域信息作为待测区域信息;
根据所述待测区域信息和所述区域位移量,建立所述待测区域的第二位置框集合,所述第二位置框集合为:
其中,n表示根据所述区域位移量推算得到的包含所述待测区域的图像的帧数,pi表示所述待测区域在第i帧图像中的推算位置框;
根据所述第一位置框集合和所述第二位置框集合,对所述待测区域进行第一次相关检测;
根据所述第一次相关检测的结果,对所述待测区域进行第二次相关检测。
在实际应用中,第一位置框集合是图像序列中所有图像中所有候选裂缝区域的实际位置框的集合,实际位置框为候选裂缝区域的边框,即图像中每条裂缝的最大外接矩形。第二位置框集合是图像序列中所有图像中所有候选裂缝区域的推算位置框的集合,推算位置框为根据待测区域信息和区域位移量推算出的待测区域在所有包含该待测区域的图像中的位置框。
示例性的,参见图7,图7是本发明实施例提供的基于时空相关策略的检测过程示意图,如图7所示,利用单帧静态裂缝检测方法,在每帧图像中分别检测出候选裂缝区域(如图7中的各幅图中的实线边框包围的区域),则实线边框即为候选裂缝区域的实际位置框;将第n帧图像中的候选裂缝区域作为待测区域,根据待测区域信息(待测区域所在图像的帧数为n,待测区域的面积为s,待测区域在图像中的位置为图中实线边框所在的位置)和区域位移量推算可能包含该待测区域的图像为第n-2帧图像到第n+2帧图像,并推算出在第n-2帧图像到第n+2帧图像中该待测区域的推算位置框(如图7中第一幅图、第二幅图、第四幅图和第五幅图中的虚线边框)。
根据待测区域信息和区域位移量推算出推算位置框的过程可参见图8,图8是本发明实施例提供的推算位置框的计算过程示意图,如图所示,设每帧图像长度为L,宽为D,视频采集方向为水平方向,某待测区域存在于第a帧图像中,以图像的左下角顶点作为坐标原点,则待测区域的实际位置框的左下角顶点坐标为(x,y),待测区域长为w,宽为h。从第a帧图像到第a-1帧图像,相当于把第a帧图像的右边界向左平移d(如图8右图中虚线所示),所以计算时需要考虑的是待测区域的左边界到第a帧图像的右边界的余量,即L-x。当L-x>d的时候,说明在第a-1帧图像当中还会包含待测区域。第a-1帧图像左侧的图像,只需再将右边界再向左移d即可。当L-x<m*d时,则说明第a-m帧图像中不再包含该待测区域,即在第a帧图像左侧的n1=(L-x)÷d张图片中,都将包含(或部分包含)该待测区域;同理,在第a帧图像右侧的n2=(x+w)÷d张图片中,都将包含(或部分包含)该待测区域。其中当n1,n2不为整数时,向下取整。最后得到包含该待测区域的图像的帧数为n=n1+n2+1,即在第a-n1帧图像到第a+n2帧图像中都包含或部分包含该待测区域。如图8的右图中待测区域为根据单帧静态裂缝检测得到的候选裂缝区域,将该候选裂缝区域作为待测区域,根据待测区域信息和区域位移量推算出图8的左图中只包含了该待测区域的一部分,此时这部分待测区域的边框为该待测区域的推算位置框。
可选的,所述根据所述第一位置框集合和所述第二位置框集合,对所述待测区域进行第一次相关检测,包括:
根据所述第一位置框集合和所述第二位置框集合,分别计算所述待测区域在n帧图像中的实际位置框与推送位置框的重叠率,所述重叠率为:
其中,Area(·)表示计算区域面积函数,W1表示所述待测区域的实际位置框与推算位置框的重叠区域,W2表示待测区域的实际位置框区域,W3表示待测区域的推算位置框区域;
若所述重叠率大于或等于第一阈值,则判定所述待测区域在当前图像中被检测到;
若所述重叠率小于第一阈值,则判定所述待测区域在当前图像中未被检测到。
在实际应用中,第一阈值可以是人为预先设定的,可以是根据试验经验设定的阈值。当重叠率大于或等于第一阈值时,说明当前图像中的根据单帧静态裂缝检测得到的实际位置框有较高的可信度,则判断待测区域在当前的图像中被检测到。
可选的,所述根据所述第一次相关检测的结果,对所述待测区域进行第二次相关检测,包括:
根据所述第一次相关检测的结果,统计在n帧图像中所述待测区域被成功检测到的图像的帧数,并将该帧数作为第一帧数;
根据所述第一次相关检测的结果,统计在n帧图像中所述待测区域未被成功检测到的图像的帧数,并将该帧数作为第二帧数;
根据所述第一帧数和所述第二帧数,并基于最大后验概率模型,计算所述待测区域为裂缝区域的后验概率;
若所述后验概率大于或等于第二阈值,则判定所述待测区域为裂缝区域;
若所述后验概率小于第二阈值,则判定所述待测区域为非裂缝区域。
示例性的,假设待测区域在第a帧图像中,根据待测区域信息和区域位移量推算出共有n帧图像中包含或部分包含该待测区域,对待测区域进行第一次相关检测,根据第一次相关检测的结果可知,n帧图像中共有m帧图像中检测到了该待测区域,共有n-m帧图像中未检测到该待测区域,则将n和n-m带入最大后验概率模型进行第二次相关检测,计算该待测区域为裂缝区域的后验概率。由此,实际上是对待测区域进行了两次相关检测,这样可以有效解决虚警和漏检的问题,大大提高了混凝土裂缝检测的可靠性和鲁棒性。
其中,第二阈值可以是人为预先设定的,可以是根据试验经验设定的阈值。
其中,所述最大后验概率模型为:
式中,P(AC)表示根据标定数据确定的所述图像中预定区域包含裂缝的概率,P(NC)表示根据标定数据确定的所述图像中预定区域不包含裂缝的概率,P(T|AC)表示所述待测区域在n帧图像中被判定为裂缝区域的概率,P(F|AC)表示所述待测区域在n帧图像中被判定为非裂缝区域的概率,P(T|NC)表示预定非裂缝区域在n帧图像中被判定为非裂缝区域的概率,P(F|NC)表示预定非裂缝区域在n帧图像中被判定为裂缝区域的概率,m表示所述第一帧数,n-m表示所述第二帧数。
在实际应用中,P(AC)和P(NC)这2个概率值可以根据人工标记的标定数据计算得到。其中,预定区域可以是图像中任一区域,示例性的,可以是图像中各图像块所在的区域。利用单帧静态裂缝检测对图像序列中的图像进行检测,并根据裂缝区域与非裂缝区域的检测结果,可得到P(T|AC)、P(F|AC)、P(T|NC)以及P(F|NC)这4个概率值。
参见图9,图9是本发明实施例提供的基于时空相关策略的检测结果示意图,如图所示,图中实线边框部分是最终的裂缝标记结果。图9与图7相比可发现,图9中剔除了一些误判为裂缝的候选裂缝区域,得到的裂缝检测结果可靠性更高。
本发明实施例通过视频采集设备对待检测的混凝土结构进行视频采集得到至少两帧图像,并将采集到的图像按帧数排序,得到待检测的混凝土结构的图像序列;分别对所述混凝土结构的图像序列中的每一帧图像进行单帧静态裂缝检测,得到候选裂缝区域及候选裂缝区域信息;根据所述候选裂缝区域信息,并基于时空相关策略对所述候选裂缝区域进行检测,获得检测结果;根据所述检测结果,获得所述待检测的混凝土结构的裂缝标记。本发明实施例通过对单张静态图像的裂缝检测结果进行再检测,从而有效地解决了虚警及裂缝漏检的问题,提高了裂缝检测方法的可靠性和鲁棒性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图2是本发明实施例提供的基于时空相关的混凝裂缝检测装置的示意图,为了便于说明,仅示出与本发明实施例相关的部分。
所述检测装置2包括:
采集单元21,用于通过视频采集设备对待检测的混凝土结构进行视频采集得到至少两帧图像,并将采集到的图像按帧数排序,得到待检测的混凝土结构的图像序列。
单帧检测单元22,用于分别对所述混凝土结构的图像序列中的每一帧图像进行单帧静态裂缝检测,得到候选裂缝区域及候选裂缝区域信息。
相关检测单元23,用于根据所述候选裂缝区域信息,并基于时空相关策略对所述候选裂缝区域进行检测,获得检测结果。
标记单元24,用于根据所述检测结果,获得所述待检测的混凝土结构的裂缝标记。
可选的,所述装置2还包括:
获取单元25,用于在将采集到的图像按帧数排序,得到待检测的混凝土结构的图像序列之后,获取所述视频采集设备的运动参数。
计算单元26,用于根据所述运动参数计算相邻两帧图像之间的区域位移量。
可选的,单帧检测单元22包括:
划分子单元,用于分别将所述混凝土结构的图像序列中的每一帧图像划分为N个相等的且不重叠的图像块。
提取子单元,用于分别提取每一帧图像中的每个图像块的预设特征。
单帧检测子单元,用于根据提取到的预设特征,并利用最小二乘支持向量机方法对所述图像进行裂缝检测。
获取子单元,用于若所述图像中包含裂缝,则将所述图像中每条裂缝的最大外接矩形所占的区域标记为候选裂缝区域,并获取所述候选裂缝区域对应的候选裂缝区域信息。
其中,所述候选裂缝区域信息包括:
所述候选裂缝区域所在图像的帧数、所述候选裂缝区域的面积、所述候选裂缝区域在所述图像中的位置。
可选的,所述相关检测单元23包括:
第一建立子单元,用于根据所述候选裂缝区域及所述候选裂缝区域信息,建立所述图像序列的第一位置框集合,所述第一位置框集合为:
其中,K表示所述混凝土图像序列中图像的个数,ri,j表示第i帧图像中的第j个候选裂缝区域的实际位置框。
标记子单元,用于按照预设顺序分别将每个候选裂缝区域作为待测区域,并将所述待测区域对应的候选裂缝区域信息作为待测区域信息。
第二建立子单元,用于根据所述待测区域信息和所述区域位移量,建立所述待测区域的第二位置框集合,所述第二位置框集合为:
其中,n表示根据所述区域位移量推算得到的包含所述待测区域的图像的帧数,pi表示所述待测区域在第i帧图像中的推算位置框。
第一相关检测子单元,用于根据所述第一位置框集合和所述第二位置框集合,对所述待测区域进行第一次相关检测。
第二相关检测子单元,用于根据所述第一次相关检测的结果,对所述待测区域进行第二次相关检测。
可选的,第一相关检测子单元包括:
第一计算模块,用于根据所述第一位置框集合和所述第二位置框集合,分别计算所述待测区域在n帧图像中的实际位置框与推送位置框的重叠率,所述重叠率为:
其中,Area(·)表示计算区域面积函数,W1表示所述待测区域的实际位置框与推算位置框的重叠区域,W2表示待测区域的实际位置框区域,W3表示待测区域的推算位置框区域。
第一判断模块,用于若所述重叠率大于或等于第一阈值,则判定所述待测区域在当前图像中被检测到。
第二判断模块,用于若所述重叠率小于第一阈值,则判定所述待测区域在当前图像中未被检测到。
可选的,第二相关检测子单元包括:
第一统计模块,用于根据所述第一次相关检测的结果,统计在n帧图像中所述待测区域被成功检测到的图像的帧数,并将该帧数作为第一帧数。
第二统计模块,用于根据所述第一次相关检测的结果,统计在n帧图像中所述待测区域未被成功检测到的图像的帧数,并将该帧数作为第二帧数。
第二计算模块,用于根据所述第一帧数和所述第二帧数,并基于最大后验概率模型,计算所述待测区域为裂缝区域的后验概率。
第三判断模块,用于若所述后验概率大于或等于第二阈值,则判定所述待测区域为裂缝区域。
第四判断模块,用于若所述后验概率小于第二阈值,则判定所述待测区域为非裂缝区域。
其中,最大后验概率模型为:
式中,P(AC)表示根据标定数据确定的所述图像中预定区域包含裂缝的概率,P(NC)表示根据标定数据确定的所述图像中预定区域不包含裂缝的概率,P(T|AC)表示所述待测区域在n帧图像中被判定为裂缝区域的概率,P(F|AC)表示所述待测区域在n帧图像中被判定为非裂缝区域的概率,P(T|NC)表示预定非裂缝区域在n帧图像中被判定为非裂缝区域的概率,P(F|NC)表示预定非裂缝区域在n帧图像中被判定为裂缝区域的概率,m表示所述第一帧数,n-m表示所述第二帧数。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图3是本发明实施例提供的基于时空相关的混凝土裂缝检测装置的示意图。如图6所示,该实施例的检测装置6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个基于时空相关的混凝土裂缝检测方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图2所示模块21至26的功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述检测装置6中的执行过程。例如,所述计算机程序62可以被分割成采集单元、单帧检测单元、相关检测单元、标记单元,各单元具体功能如下:
采集单元,用于通过视频采集设备对待检测的混凝土结构进行视频采集得到至少两帧图像,并将采集到的图像按帧数排序,得到待检测的混凝土结构的图像序列。
单帧检测单元,用于分别对所述混凝土结构的图像序列中的每一帧图像进行单帧静态裂缝检测,得到候选裂缝区域及候选裂缝区域信息。
相关检测单元,用于根据所述候选裂缝区域信息,并基于时空相关策略对所述候选裂缝区域进行检测,获得检测结果。
标记单元,用于根据所述检测结果,获得所述待检测的混凝土结构的裂缝标记。
可选的,所述装置还包括:
获取单元,用于在将采集到的图像按帧数排序,得到待检测的混凝土结构的图像序列之后,获取所述视频采集设备的运动参数。
计算单元,用于根据所述运动参数计算相邻两帧图像之间的区域位移量。
可选的,单帧检测单元包括:
划分子单元,用于分别将所述混凝土结构的图像序列中的每一帧图像划分为N个相等的且不重叠的图像块。
提取子单元,用于分别提取每一帧图像中的每个图像块的预设特征。
单帧检测子单元,用于根据提取到的预设特征,并利用最小二乘支持向量机方法对所述图像进行裂缝检测。
获取子单元,用于若所述图像中包含裂缝,则将所述图像中每条裂缝的最大外接矩形所占的区域标记为候选裂缝区域,并获取所述候选裂缝区域对应的候选裂缝区域信息。
其中,所述候选裂缝区域信息包括:
所述候选裂缝区域所在图像的帧数、所述候选裂缝区域的面积、所述候选裂缝区域在所述图像中的位置。
可选的,所述相关检测单元包括:
第一建立子单元,用于根据所述候选裂缝区域及所述候选裂缝区域信息,建立所述图像序列的第一位置框集合,所述第一位置框集合为:
其中,K表示所述混凝土图像序列中图像的个数,ri,j表示第i帧图像中的第j个候选裂缝区域的实际位置框。
标记子单元,用于按照预设顺序分别将每个候选裂缝区域作为待测区域,并将所述待测区域对应的候选裂缝区域信息作为待测区域信息。
第二建立子单元,用于根据所述待测区域信息和所述区域位移量,建立所述待测区域的第二位置框集合,所述第二位置框集合为:
其中,n表示根据所述区域位移量推算得到的包含所述待测区域的图像的帧数,pi表示所述待测区域在第i帧图像中的推算位置框。
第一相关检测子单元,用于根据所述第一位置框集合和所述第二位置框集合,对所述待测区域进行第一次相关检测。
第二相关检测子单元,用于根据所述第一次相关检测的结果,对所述待测区域进行第二次相关检测。
可选的,第一相关检测子单元包括:
第一计算模块,用于根据所述第一位置框集合和所述第二位置框集合,分别计算所述待测区域在n帧图像中的实际位置框与推送位置框的重叠率,所述重叠率为:
其中,Area(·)表示计算区域面积函数,W1表示所述待测区域的实际位置框与推算位置框的重叠区域,W2表示待测区域的实际位置框区域,W3表示待测区域的推算位置框区域。
第一判断模块,用于若所述重叠率大于或等于第一阈值,则判定所述待测区域在当前图像中被检测到。
第二判断模块,用于若所述重叠率小于第一阈值,则判定所述待测区域在当前图像中未被检测到。
可选的,第二相关检测子单元包括:
第一统计模块,用于根据所述第一次相关检测的结果,统计在n帧图像中所述待测区域被成功检测到的图像的帧数,并将该帧数作为第一帧数。
第二统计模块,用于根据所述第一次相关检测的结果,统计在n帧图像中所述待测区域未被成功检测到的图像的帧数,并将该帧数作为第二帧数。
第二计算模块,用于根据所述第一帧数和所述第二帧数,并基于最大后验概率模型,计算所述待测区域为裂缝区域的后验概率。
第三判断模块,用于若所述后验概率大于或等于第二阈值,则判定所述待测区域为裂缝区域。
第四判断模块,用于若所述后验概率小于第二阈值,则判定所述待测区域为非裂缝区域。
其中,最大后验概率模型为:
式中,P(AC)表示根据标定数据确定的所述图像中预定区域包含裂缝的概率,P(NC)表示根据标定数据确定的所述图像中预定区域不包含裂缝的概率,P(T|AC)表示所述待测区域在n帧图像中被判定为裂缝区域的概率,P(F|AC)表示所述待测区域在n帧图像中被判定为非裂缝区域的概率,P(T|NC)表示预定非裂缝区域在n帧图像中被判定为非裂缝区域的概率,P(F|NC)表示预定非裂缝区域在n帧图像中被判定为裂缝区域的概率,m表示所述第一帧数,n-m表示所述第二帧数。
所述检测装置6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述检测装置可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是检测装置6的示例,并不构成对检测装置6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述检测装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述检测装置6的内部存储单元,例如检测装置6的硬盘或内存。所述存储器61也可以是所述检测装置6的外部存储设备,例如所述检测装置6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述检测装置6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述检测装置所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于时空相关的混凝土裂缝检测方法,其特征在于,包括:
通过视频采集设备对待检测的混凝土结构进行视频采集得到至少两帧图像,并将采集到的图像按帧数排序,得到待检测的混凝土结构的图像序列;
分别对所述混凝土结构的图像序列中的每一帧图像进行单帧静态裂缝检测,得到候选裂缝区域及候选裂缝区域信息;
根据所述候选裂缝区域信息,并基于时空相关策略对所述候选裂缝区域进行检测,获得检测结果;
根据所述检测结果,获得所述待检测的混凝土结构的裂缝标记。
2.如权利要求1所述的基于时空相关的混凝土裂缝检测方法,其特征在于,在将采集到的图像按帧数排序,得到待检测的混凝土结构的图像序列之后,还包括:
获取所述视频采集设备的运动参数;
根据所述运动参数计算相邻两帧图像之间的区域位移量。
3.如权利要求1所述的基于时空相关的混凝土裂缝检测方法,其特征在于,所述分别对所述混凝土结构的图像序列中的每一帧图像进行单帧静态裂缝检测,得到候选裂缝区域及候选裂缝区域信息,包括:
分别将所述混凝土结构的图像序列中的每一帧图像划分为N个相等的且不重叠的图像块;
分别提取每一帧图像中的每个图像块的预设特征;
根据提取到的预设特征,并利用最小二乘支持向量机方法对所述图像进行裂缝检测;
若所述图像中包含裂缝,则将所述图像中每条裂缝的最大外接矩形所占的区域标记为候选裂缝区域,并获取所述候选裂缝区域对应的候选裂缝区域信息。
4.如权利要求3所述的基于时空相关的混凝土裂缝检测方法,其特征在于,所述候选裂缝区域信息包括:
所述候选裂缝区域所在图像的帧数、所述候选裂缝区域的面积、所述候选裂缝区域在所述图像中的位置。
5.如权利要求2或4所述的基于时空相关的混凝土裂缝检测方法,其特征在于,所述根据所述候选裂缝区域信息,并基于时空相关策略对所述候选裂缝区域进行检测,包括:
根据所述候选裂缝区域及所述候选裂缝区域信息,建立所述图像序列的第一位置框集合,所述第一位置框集合为:
其中,K表示所述混凝土图像序列中图像的个数,ri,j表示第i帧图像中的第j个候选裂缝区域的实际位置框;
按照预设顺序分别将每个候选裂缝区域作为待测区域,并将所述待测区域对应的候选裂缝区域信息作为待测区域信息;
根据所述待测区域信息和所述区域位移量,建立所述待测区域的第二位置框集合,所述第二位置框集合为:
其中,n表示根据所述区域位移量推算得到的包含所述待测区域的图像的帧数,pi表示所述待测区域在第i帧图像中的推算位置框;
根据所述第一位置框集合和所述第二位置框集合,对所述待测区域进行第一次相关检测;
根据所述第一次相关检测的结果,对所述待测区域进行第二次相关检测。
6.如权利要求5所述的基于时空相关的混凝土裂缝检测方法,其特征在于,所述根据所述第一位置框集合和所述第二位置框集合,对所述待测区域进行第一次相关检测,包括:
根据所述第一位置框集合和所述第二位置框集合,分别计算所述待测区域在n帧图像中的实际位置框与推送位置框的重叠率,所述重叠率为:
其中,Area(·)表示计算区域面积函数,W1表示所述待测区域的实际位置框与推算位置框的重叠区域,W2表示待测区域的实际位置框区域,W3表示待测区域的推算位置框区域;
若所述重叠率大于或等于第一阈值,则判定所述待测区域在当前图像中被检测到;
若所述重叠率小于第一阈值,则判定所述待测区域在当前图像中未被检测到。
7.如权利要求6所述的基于时空相关的混凝土裂缝检测方法,其特征在于,根据所述第一次相关检测的结果,对所述待测区域进行第二次相关检测,包括:
根据所述第一次相关检测的结果,统计在n帧图像中所述待测区域被成功检测到的图像的帧数,并将该帧数作为第一帧数;
根据所述第一次相关检测的结果,统计在n帧图像中所述待测区域未被成功检测到的图像的帧数,并将该帧数作为第二帧数;
根据所述第一帧数和所述第二帧数,并基于最大后验概率模型,计算所述待测区域为裂缝区域的后验概率;
若所述后验概率大于或等于第二阈值,则判定所述待测区域为裂缝区域;
若所述后验概率小于第二阈值,则判定所述待测区域为非裂缝区域。
8.如权利要求7所述的基于时空相关的混凝土裂缝检测方法,其特征在于,所述最大后验概率模型为:
式中,P(AC)表示根据标定数据确定的所述图像中预定区域包含裂缝的概率,P(NC)表示根据标定数据确定的所述图像中预定区域不包含裂缝的概率,P(T|AC)表示所述待测区域在n帧图像中被判定为裂缝区域的概率,P(F|AC)表示所述待测区域在n帧图像中被判定为非裂缝区域的概率,P(T|NC)表示预定非裂缝区域在n帧图像中被判定为非裂缝区域的概率,P(F|NC)表示预定非裂缝区域在n帧图像中被判定为裂缝区域的概率,m表示所述第一帧数,n-m表示所述第二帧数。
9.一种检测装置,其特征在于,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810361201.2A CN108564579B (zh) | 2018-04-20 | 2018-04-20 | 一种基于时空相关的混凝土裂缝检测方法及检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810361201.2A CN108564579B (zh) | 2018-04-20 | 2018-04-20 | 一种基于时空相关的混凝土裂缝检测方法及检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564579A true CN108564579A (zh) | 2018-09-21 |
CN108564579B CN108564579B (zh) | 2020-03-27 |
Family
ID=63535997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810361201.2A Active CN108564579B (zh) | 2018-04-20 | 2018-04-20 | 一种基于时空相关的混凝土裂缝检测方法及检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564579B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029381A (zh) * | 2018-10-19 | 2018-12-18 | 石家庄铁道大学 | 一种隧道裂缝的检测方法、系统及终端设备 |
CN110689538A (zh) * | 2019-10-12 | 2020-01-14 | 太原科技大学 | 隧道衬砌裂缝图像检测方法 |
JP6749528B1 (ja) * | 2020-01-31 | 2020-09-02 | 三菱電機株式会社 | 変状管理装置、変状管理方法、および変状管理プログラム |
CN112229500A (zh) * | 2020-09-30 | 2021-01-15 | 石家庄铁道大学 | 结构振动位移监测方法及终端设备 |
CN112634195A (zh) * | 2020-11-23 | 2021-04-09 | 清华大学 | 混凝土结构裂缝预测方法、装置及系统 |
CN112924654A (zh) * | 2021-01-15 | 2021-06-08 | 重庆交通大学 | 非接触式混凝土保塑性能智能化实时检测方法及装置 |
CN113487595A (zh) * | 2020-06-16 | 2021-10-08 | 王昕阳 | 一种基于大数据的混凝土构件检测系统 |
CN115272344A (zh) * | 2022-09-30 | 2022-11-01 | 南通钰昇智能科技有限公司 | 依据图像特征匹配的地面位移检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013020142A3 (en) * | 2011-08-04 | 2013-04-25 | University Of Southern California | Image-based crack detection |
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN103489179B (zh) * | 2013-08-29 | 2016-08-10 | 中国科学院长春光学精密机械与物理研究所 | 机场跑道异物检测中去除水泥裂缝干扰的方法 |
CN106529477A (zh) * | 2016-11-11 | 2017-03-22 | 中山大学 | 基于显著轨迹和时空演化信息的视频人体行为识别方法 |
CN106770325A (zh) * | 2016-12-19 | 2017-05-31 | 湖北省建筑工程质量监督检验测试中心 | 一种混凝土构件裂缝自动检测方法 |
CN107169953A (zh) * | 2017-04-07 | 2017-09-15 | 西安电子科技大学 | 基于hog特征的桥梁混凝土表面裂缝检测方法 |
-
2018
- 2018-04-20 CN CN201810361201.2A patent/CN108564579B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013020142A3 (en) * | 2011-08-04 | 2013-04-25 | University Of Southern California | Image-based crack detection |
CN103489179B (zh) * | 2013-08-29 | 2016-08-10 | 中国科学院长春光学精密机械与物理研究所 | 机场跑道异物检测中去除水泥裂缝干扰的方法 |
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN106529477A (zh) * | 2016-11-11 | 2017-03-22 | 中山大学 | 基于显著轨迹和时空演化信息的视频人体行为识别方法 |
CN106770325A (zh) * | 2016-12-19 | 2017-05-31 | 湖北省建筑工程质量监督检验测试中心 | 一种混凝土构件裂缝自动检测方法 |
CN107169953A (zh) * | 2017-04-07 | 2017-09-15 | 西安电子科技大学 | 基于hog特征的桥梁混凝土表面裂缝检测方法 |
Non-Patent Citations (2)
Title |
---|
林维正等: "混凝土裂缝深度超声波检测方法", 《无损检测》 * |
许薛军: "基于数字图像的混凝土桥梁裂缝检测技术", 《湖南大学学报(自然科学版)》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029381A (zh) * | 2018-10-19 | 2018-12-18 | 石家庄铁道大学 | 一种隧道裂缝的检测方法、系统及终端设备 |
CN110689538A (zh) * | 2019-10-12 | 2020-01-14 | 太原科技大学 | 隧道衬砌裂缝图像检测方法 |
CN110689538B (zh) * | 2019-10-12 | 2022-03-29 | 太原科技大学 | 隧道衬砌裂缝图像检测方法 |
WO2021152855A1 (ja) * | 2020-01-31 | 2021-08-05 | 三菱電機株式会社 | 変状管理装置、変状管理方法、および変状管理プログラム |
JP6749528B1 (ja) * | 2020-01-31 | 2020-09-02 | 三菱電機株式会社 | 変状管理装置、変状管理方法、および変状管理プログラム |
CN113487595A (zh) * | 2020-06-16 | 2021-10-08 | 王昕阳 | 一种基于大数据的混凝土构件检测系统 |
CN112229500A (zh) * | 2020-09-30 | 2021-01-15 | 石家庄铁道大学 | 结构振动位移监测方法及终端设备 |
CN112229500B (zh) * | 2020-09-30 | 2022-05-20 | 石家庄铁道大学 | 结构振动位移监测方法及终端设备 |
CN112634195A (zh) * | 2020-11-23 | 2021-04-09 | 清华大学 | 混凝土结构裂缝预测方法、装置及系统 |
CN112924654A (zh) * | 2021-01-15 | 2021-06-08 | 重庆交通大学 | 非接触式混凝土保塑性能智能化实时检测方法及装置 |
CN112924654B (zh) * | 2021-01-15 | 2023-06-02 | 重庆交通大学 | 非接触式混凝土保塑性能智能化实时检测方法及装置 |
CN115272344A (zh) * | 2022-09-30 | 2022-11-01 | 南通钰昇智能科技有限公司 | 依据图像特征匹配的地面位移检测方法 |
CN115272344B (zh) * | 2022-09-30 | 2023-12-08 | 山西豪正森资源环境规划设计有限公司 | 依据图像特征匹配的地面位移检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108564579B (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564579A (zh) | 一种基于时空相关的混凝土裂缝检测方法及检测装置 | |
Shi et al. | Pisa: Pixelwise image saliency by aggregating complementary appearance contrast measures with spatial priors | |
TWI396143B (zh) | 照片分割方法及系統及照片之影像配合方法 | |
CN107688784A (zh) | 一种基于深层特征和浅层特征融合的字符识别方法及存储介质 | |
CN107492091A (zh) | 基于机器视觉的标签外观检测方法及终端设备 | |
CN109214420A (zh) | 基于视觉显著性检测的高纹理图像分类方法及系统 | |
CN109272016A (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
Nguyen et al. | Gibbs random fields, fuzzy clustering, and the unsupervised segmentation of textured images | |
CN110222582B (zh) | 一种图像处理方法和相机 | |
CN105868708A (zh) | 一种图像目标识别方法及装置 | |
CN110533654A (zh) | 零部件的异常检测方法及装置 | |
CN110414571A (zh) | 一种基于特征融合的网站报错截图分类方法 | |
CN107808126A (zh) | 车辆检索方法及装置 | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及系统 | |
CN108241853A (zh) | 一种视频监控方法、系统及终端设备 | |
CN110135421A (zh) | 车牌识别方法、装置、计算机设备及计算机可读存储介质 | |
CN109492576A (zh) | 图像识别方法、装置及电子设备 | |
Li et al. | Fast and effective text detection | |
CN109472259A (zh) | 基于能量优化的图像协同显著性检测方法 | |
CN108021847A (zh) | 用于识别脸部表情的装置和方法、图像处理装置和系统 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
CN106407908A (zh) | 一种训练模型生成方法、人脸检测方法及装置 | |
CN110163109A (zh) | 一种车道线标注方法及装置 | |
CN109241962A (zh) | 一种字符识别方法及装置 | |
CN108154513A (zh) | 基于双光子成像数据的细胞自动探测和分割方法 |
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 |