CN108764301B - 一种基于反向稀疏表示的混凝土裂缝检测方法 - Google Patents

一种基于反向稀疏表示的混凝土裂缝检测方法 Download PDF

Info

Publication number
CN108764301B
CN108764301B CN201810428186.9A CN201810428186A CN108764301B CN 108764301 B CN108764301 B CN 108764301B CN 201810428186 A CN201810428186 A CN 201810428186A CN 108764301 B CN108764301 B CN 108764301B
Authority
CN
China
Prior art keywords
distress
image block
sparse
image
detected
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
Application number
CN201810428186.9A
Other languages
English (en)
Other versions
CN108764301A (zh
Inventor
王保宪
张全乐
赵维刚
王哲
张宇峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shijiazhuang Tiedao University
Original Assignee
Shijiazhuang Tiedao University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shijiazhuang Tiedao University filed Critical Shijiazhuang Tiedao University
Priority to CN201810428186.9A priority Critical patent/CN108764301B/zh
Publication of CN108764301A publication Critical patent/CN108764301A/zh
Application granted granted Critical
Publication of CN108764301B publication Critical patent/CN108764301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种基于反向稀疏表示的混凝土裂缝检测方法，包括：从预设样本库中获取预设数量的混凝土裂缝图像块，利用所述混凝土裂缝图像块构建裂缝特征集；对待检测图像进行预处理，并利用预处理后的待检测图像构建稀疏字典；计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵，并根据计算出的稀疏相关系数矩阵确定所述待检测图像中的裂缝区域，获得检测结果。通过上述方法，有效提高了混凝土裂缝检测的识别率和检测效率。

Description

一种基于反向稀疏表示的混凝土裂缝检测方法
技术领域
本申请涉及图像处理技术领域，尤其涉及一种基于反向稀疏表示的混凝土裂缝检测方法。
背景技术
裂缝是影响混凝土结构强度的最常见安全隐患之一，准确及时地发现混凝土裂缝对维护混凝土机构安全与寿命意义重大。传统的混凝土裂缝检测方法中，人工检测的速度慢、超声波检测的技术成本高。
随着信息技术的发展，基于图像分析的裂缝检测方法逐渐成为主流。但是目前的基于图像的混凝土裂缝检测方法普遍存在识别率低、检测效率低的技术缺陷，如何克服上述缺陷是一重要课题。
发明内容
有鉴于此，本申请实施例提供了一种估计与反向稀疏表示的混凝土裂缝检测方法，以解决现有技术中的混凝土裂缝检测的识别率低、检测效率低问题。
本申请实施例的第一方面提供了一种基于反向稀疏表示的混凝土裂缝检测方法，包括：
从预设样本库中获取预设数量的混凝土裂缝图像块，利用所述混凝土裂缝图像块构建裂缝特征集；
对待检测图像进行预处理，并利用预处理后的待检测图像构建稀疏字典；
计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵，并根据计算出的稀疏相关系数矩阵确定所述待检测图像中的裂缝区域，获得检测结果。
本申请实施例的第二方面提供了一种基于反向稀疏表示的混凝土裂缝检测装置，包括：
获取单元，用于从预设样本库中获取预设数量的混凝土裂缝图像块，利用所述混凝土裂缝图像块构建裂缝特征集；
预处理单元，用于对待检测图像进行预处理，并利用预处理后的待检测图像构建稀疏字典；
计算单元，用于计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵，并根据计算出的稀疏相关系数矩阵确定所述待检测图像中的裂缝区域，获得检测结果。
本申请实施例的第三方面提供了一种终端设备，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申请实施例第一方面提供的所述方法的步骤。
本申请实施例的第四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申请实施例第一方面提供的所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例通过从预设样本库中获取预设数量的混凝土裂缝图像块，利用所述混凝土裂缝图像块构建裂缝特征集；对待检测图像进行预处理，并利用预处理后的待检测图像构建稀疏字典；计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵，并根据计算出的稀疏相关系数矩阵确定所述待检测图像中的裂缝区域，获得检测结果。通过上述方法，有效提高了混凝土裂缝检测的识别率和检测效率。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请实施例提供的基于反向稀疏表示的混凝土裂缝检测方法的实现流程示意图；
图2是本申请实施例提供的基于反向稀疏表示的混凝土裂缝检测装置的示意图；
图3是本申请实施例提供的终端设备的示意图。
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，以便透彻理解本申请实施例。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申请。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申请的描述。
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，在此本申请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申请。如在本申请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，在本申请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]”。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
图1是本申请实施例提供的基于反向稀疏表示的混凝土裂缝检测方法的实现流程示意图，如图所示，所述方法可以包括以下步骤：
步骤S101，从预设样本库中获取预设数量的混凝土裂缝图像块，利用所述混凝土裂缝图像块构建裂缝特征集。
在一个实施例中，所述利用所述混凝土裂缝图像块构建裂缝特征集，包括：
基于离散余弦变换，分别对所述预设数量的混凝土裂缝图像块进行特征提取，获得预设数量的样本特征。
利用提取出的预设数量的样本特征构建裂缝特征集。
其中，预设样本库可以是人为预先设定，预设样本库中的样本可以是经过人工筛选的包含裂缝区域的图像块。这样就保证了步骤S101中的图像块都是包含裂缝区域的，即选用的都是正模板，避免了对负模板进行特征提取，提升了算法的效率。预设数量可以是根据大量的试验经验预先选取的，优选的，预设数量可以设置为4000。另外，图像块过大时，细小的裂缝可能被忽略，从而导致检测不出包含裂缝的图像块，降低了召回率；而图像块过小时，不但处理数据量大，效率低，还会把一些噪声误判为裂缝，降低精确率；为了保证精确率和召回率，在经验基础上将图像块大小设为75*75。
在实际应用中，对每个图像块提取14维DCT(离散余弦变换)特征。其中，第一维和第二维为图像块灰度均值和标准差；第三维到第六维是将图像块矩阵化后进行DCT变换，再依次取其在第300，600，900，1200这四个数据前后各二十个数据中最大五个数据的均值；第七、八维特征是第三维到第六维特征的均值和标准差；后边的六维特征是将图像块转置后进行前述提取第三到第八维特征的步骤而提取出来的。利用全部预设数量的图像块的DCT特征构建裂缝特征集。本申请中采用14维DCT特征，可以使特征提取的更充分，以便于更准确地描述图像块。
步骤S102，对待检测图像进行预处理，并利用预处理后的待检测图像构建稀疏字典。
在一个实施例中，所述对待检测图像进行预处理，并利用预处理后的待检测图像构建稀疏字典，包括：
将所述待检测图像转换成灰度图像。
对所述灰度图像进行分割，获得N个大小相等的且不重叠的灰度图像块。
基于离散余弦变换，分别对N个灰度图像块进行特征提取，获得待检测特征。
利用提取出的待检测特征构建稀疏字典。
在实际应用中，可以采用单通道转换法Y＝0.3R+0.596G+0.11B，将待检测混凝土的彩色图像转换为灰度图像。其中，G表示彩色图像的绿色分量，R表示彩色图像的红色分量，B表示彩色图像的蓝色分量。之后，可以采用滑动窗方法对灰度图像进行不重叠小块分割，优选的，分割后的每个灰度图像块大小为75*75，对每个灰度图像块提取14维DCT特征，利用所有灰度图像块的DCT特征构建稀疏字典。
步骤S103，计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵，并根据计算出的稀疏相关系数矩阵确定所述待检测图像中的裂缝区域，获得检测结果。
在一个实施例中，所述计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵，包括：
式中，A为所述裂缝特征集，Y为所述稀疏字典，C为稀疏相关系数矩阵，λ为惩罚因子，ψ(C)为非光滑凸函数，1T表示一个全1矩阵的转置。
在本申请实施例中，采用了反向稀疏表示，其中，反向稀疏表达式为：
s.t.c≥0
其中a是裂缝特征集中的一个元素，Y是稀疏字典，c是稀疏相关系数，λ是调整稀疏系数的惩罚因子。由于稀疏性约束和目标最小化重构误差，Y中只有少数几个与a相似的元素参与表示a，c中系数全为正。所以原问题为一组稀疏分解问题：
其中，n是混凝土裂缝图像块的个数，式中稀疏相关系数ci反映了稀疏字典和裂缝特征集之间的相似关系。优选的，可以构建由稀疏相关系数组成的稀疏相关系数矩阵C，并将该稀疏相关系数矩阵C作为整体来计算，即多任务，如下：
s.t.cp≥0，p＝1,2,...n
其中A是已知裂缝特征集，C是稀疏系数矩阵。进一步的，可以根据
将公式(3)优化为：
公式(5)中除了ψ(C)以外的部分定义为F(C)，F(C)是一个可微凸函数，ψ(C)是一个非光滑凸函数。之后使用加速逼近梯度算法解决此问题，如下所示：
其中ζ是李普希兹常数，F(εt-1)表示出了连续梯度的本意，t是加速逼近梯度算法的迭代次数。接下来，定义：
所以有：结合公式(7)(8)，可得：在公式(9)中1*∈Rm(m是裂缝特征集中元素的数量)表示所有项的向量。由上述可知，公式(6)最终为
μt+1＝max(0,gt+1) (10)
本申请实施例采用多任务反向稀疏表示，有效解决了传统稀疏表示方法在拥有大量模板时计算效率低的问题，大大提升了算法效率。
在一个实施例中，在计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵之后，所述方法还包括：
通过对所述稀疏相关系数矩阵进行列累加，得到累加矩阵，其中，W为所述累加矩阵，Si为所述累加矩阵中的第i个元素，Cij为所述稀疏相关系数矩阵中第i行第j列的元素，n为所述灰度图像块的个数。
计算所述累加矩阵的标准差和均值，根据所述标准差和均值计算分割阈值，并根据所述分割阈值对所述累加矩阵进行分割，得到分割结果。
所述根据计算出的稀疏相关系数矩阵确定所述待检测图像中的裂缝区域，获得检测结果包括。
根据所述分割结果确定所述待检测图像中的裂缝区域，获得检测结果。
可选的，所述根据所述标准差和均值计算分割阈值包括：
μ+3σ
式中，μ为所述累加矩阵的均值，σ为所述累加矩阵的标准差。
在实际应用中，稀疏相关系数矩阵中的每个元素代表的是裂缝特征集中每个元素对于稀疏字典中每个元素的稀疏表达，所以对C进行列累加，得到W，并用μ+3σ分割W，则比μ+3σ大的W元素相对应的稀疏字典中的元素即可认为是裂缝区域。
可选的，所述根据所述分割结果确定所述待检测图像中的裂缝区域，包括：
根据所述分割结果，分别计算所述待检测图像中每个连通区域的面积；
若所述连通区域的面积小于预设阈值，则判定所述连通区域为非裂缝区域；
若所述连通区域的面积大于或等于预设阈值，则判定所述连通区域为裂缝区域。
在实际应用中，根据分割结果，计算出待检测图像中的每个连通区域的面积，由裂缝特征可知，连通区域面积过小的可以认为是噪声误差，所以根据经验人为预先设定预设阈值，优选的，预设阈值为4个灰度图像块，之后去除掉面积小于4个灰度图像块的连通区域，并输出混凝土图像的裂缝区域标记。
本申请实施例通过从预设样本库中获取预设数量的混凝土裂缝图像块，利用所述混凝土裂缝图像块构建裂缝特征集；对待检测图像进行预处理，并利用预处理后的待检测图像构建稀疏字典；计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵，并根据计算出的稀疏相关系数矩阵确定所述待检测图像中的裂缝区域，获得检测结果。通过上述方法，有效提高了混凝土裂缝检测的识别率和检测效率。
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，而不应对本申请实施例的实施过程构成任何限定。
图2是本申请实施例提供的基于反向稀疏表示的混凝土裂缝检测装置的示意图，为了便于说明，仅示出与本申请实施例相关的部分。
图2所示的基于反向稀疏表示的混凝土裂缝检测可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
所述基于反向稀疏表示的混凝土裂缝检测装置2包括：
获取单元21，用于从预设样本库中获取预设数量的混凝土裂缝图像块，利用所述混凝土裂缝图像块构建裂缝特征集。
预处理单元22，用于对待检测图像进行预处理，并利用预处理后的待检测图像构建稀疏字典。
计算单元23，用于计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵，并根据计算出的稀疏相关系数矩阵确定所述待检测图像中的裂缝区域，获得检测结果。
可选的，所述获取单元21包括：
第一提取模块，用于基于离散余弦变换，分别对所述预设数量的混凝土裂缝图像块进行特征提取，获得预设数量的样本特征。
第一构建模块，用于利用提取出的预设数量的样本特征构建裂缝特征集。
可选的，所述预处理单元22包括：
转换模块，用于将所述待检测图像转换成灰度图像。
分割模块，用于对所述灰度图像进行分割，获得N个大小相等的且不重叠的灰度图像块。
第二提取模块，用于基于离散余弦变换，分别对N个灰度图像块进行特征提取，获得待检测特征。
第二构建模块，用于利用提取出的待检测特征构建稀疏字典。
可选的，所述计算单元23用于：
式中，A为所述裂缝特征集，Y为所述稀疏字典，C为稀疏相关系数矩阵，λ为惩罚因子，ψ(C)为非光滑凸函数，1T表示一个全1矩阵的转置。
可选的，所述装置2还包括：
累加单元24，用于在计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵之后，通过对所述稀疏相关系数矩阵进行列累加，得到累加矩阵，其中，W为所述累加矩阵，Si为所述累加矩阵中的第i个元素，Cij为所述稀疏相关系数矩阵中第i行第j列的元素，n为所述灰度图像块的个数。
分割单元25，用于计算所述累加矩阵的标准差和均值，根据所述标准差和均值计算分割阈值，并根据所述分割阈值对所述累加矩阵进行分割，得到分割结果。
进一步的，所述计算单元23包括：
获取模块，用于根据所述分割结果确定所述待检测图像中的裂缝区域，获得检测结果。
可选的，所述分割单元25还用于：
μ+3σ
式中，μ为所述累加矩阵的均值，σ为所述累加矩阵的标准差。
可选的，所述获取模块包括：
计算子模块，用于根据所述分割结果，分别计算所述待检测图像中每个连通区域的面积。
第一判定子模块，用于若所述连通区域的面积小于预设阈值，则判定所述连通区域为非裂缝区域。
第二判定子模块，用于若所述连通区域的面积大于或等于预设阈值，则判定所述连通区域为裂缝区域。
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是本申请实施例提供的终端设备的示意图。如图3所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个基于反向稀疏表示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S103。或者，所述处理器30执行所述计算机程序32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25的功能。
示例性的，所述计算机程序32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31中，并由所述处理器30执行，以完成本申请。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32在所述终端设备3中的执行过程。例如，所述计算机程序32可以被分割成获取单元、预处理单元、计算单元，各单元具体功能如下：
获取单元，用于从预设样本库中获取预设数量的混凝土裂缝图像块，利用所述混凝土裂缝图像块构建裂缝特征集。
预处理单元，用于对待检测图像进行预处理，并利用预处理后的待检测图像构建稀疏字典。
计算单元，用于计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵，并根据计算出的稀疏相关系数矩阵确定所述待检测图像中的裂缝区域，获得检测结果。
可选的，所述获取单元包括：
第一提取模块，用于基于离散余弦变换，分别对所述预设数量的混凝土裂缝图像块进行特征提取，获得预设数量的样本特征。
第一构建模块，用于利用提取出的预设数量的样本特征构建裂缝特征集。
可选的，所述预处理单元包括：
转换模块，用于将所述待检测图像转换成灰度图像。
分割模块，用于对所述灰度图像进行分割，获得N个大小相等的且不重叠的灰度图像块。
第二提取模块，用于基于离散余弦变换，分别对N个灰度图像块进行特征提取，获得待检测特征。
第二构建模块，用于利用提取出的待检测特征构建稀疏字典。
可选的，所述计算单元还用于：
式中，A为所述裂缝特征集，Y为所述稀疏字典，C为稀疏相关系数矩阵，λ为惩罚因子，ψ(C)为非光滑凸函数，1T表示一个全1矩阵的转置。
可选的，所述装置2还包括：
累加单元，用于在计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵之后，通过对所述稀疏相关系数矩阵进行列累加，得到累加矩阵，其中，W为所述累加矩阵，Si为所述累加矩阵中的第i个元素，Cij为所述稀疏相关系数矩阵中第i行第j列的元素，n为所述灰度图像块的个数。
分割单元，用于计算所述累加矩阵的标准差和均值，根据所述标准差和均值计算分割阈值，并根据所述分割阈值对所述累加矩阵进行分割，得到分割结果。
进一步的，所述计算单元包括：
获取模块，用于根据所述分割结果确定所述待检测图像中的裂缝区域，获得检测结果。
可选的，所述分割单元还用于：
μ+3σ
式中，μ为所述累加矩阵的均值，σ为所述累加矩阵的标准差。
可选的，所述获取模块包括：
计算子模块，用于根据所述分割结果，分别计算所述待检测图像中每个连通区域的面积。
第一判定子模块，用于若所述连通区域的面积小于预设阈值，则判定所述连通区域为非裂缝区域。
第二判定子模块，用于若所述连通区域的面积大于或等于预设阈值，则判定所述连通区域为裂缝区域。
所述终端设备3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。所述终端设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端设备3的示例，并不构成对终端设备3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，例如所述终端设备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30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31可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备，例如所述终端设备3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31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31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申请的范围。
在本申请所提供的实施例中，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，在本申请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，本申请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申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于反向稀疏表示的混凝土裂缝检测方法，其特征在于，包括：
从预设样本库中获取预设数量的混凝土裂缝图像块，利用所述混凝土裂缝图像块构建裂缝特征集；
对待检测图像进行预处理，并利用预处理后的待检测图像构建稀疏字典；
计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵，并根据计算出的稀疏相关系数矩阵确定所述待检测图像中的裂缝区域，获得检测结果；
其中，所述预设样本库中的混凝土裂缝图像块均为包含裂缝区域的图像块；
所述从预设样本库中获取预设数量的混凝土裂缝图像块，利用所述混凝土裂缝图像块构建裂缝特征集包括：
基于离散余弦变换，分别对所述预设数量的混凝土裂缝图像块进行特征提取，获得预设数量的样本特征，利用提取出的预设数量的样本特征构建裂缝特征集；
所述离散余弦变换为14维DCT，其中，第1维和第2维分别是图像块灰度均值和标准差，第9维到第14维特征是按照第3维到第8维的DCT步骤提取的转置后图像块的特征。
2.如权利要求1所述的基于反向稀疏表示的混凝土裂缝检测方法，其特征在于，所述对待检测图像进行预处理，并利用预处理后的待检测图像构建稀疏字典，包括：
将所述待检测图像转换成灰度图像；
对所述灰度图像进行分割，获得N个大小相等的且不重叠的灰度图像块；
基于离散余弦变换，分别对N个灰度图像块进行特征提取，获得待检测特征；
利用提取出的待检测特征构建稀疏字典。
3.如权利要求1所述的基于反向稀疏表示的混凝土裂缝检测方法，其特征在于，所述计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵，包括：
式中，A为所述裂缝特征集，Y为所述稀疏字典，C为稀疏相关系数矩阵，λ为惩罚因子，ψ(C)为非光滑凸函数，1T表示一个全1矩阵的转置。
4.如权利要求2所述的基于反向稀疏表示的混凝土裂缝检测方法，其特征在于，在计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵之后，还包括：
通过对所述稀疏相关系数矩阵进行列累加，得到累加矩阵，其中，W为所述累加矩阵，Si为所述累加矩阵中的第i个元素，Cij为所述稀疏相关系数矩阵中第i行第j列的元素，n为所述灰度图像块的个数；
计算所述累加矩阵的标准差和均值，根据所述标准差和均值计算分割阈值，并根据所述分割阈值对所述累加矩阵进行分割，得到分割结果；
所述根据计算出的稀疏相关系数矩阵确定所述待检测图像中的裂缝区域，获得检测结果包括：
根据所述分割结果确定所述待检测图像中的裂缝区域，获得检测结果。
5.如权利要求4所述的基于反向稀疏表示的混凝土裂缝检测方法，其特征在于，所述根据所述标准差和均值计算分割阈值包括：
μ+3σ
式中，μ为所述累加矩阵的均值，σ为所述累加矩阵的标准差。
6.如权利要求4所述的基于反向稀疏表示的混凝土裂缝检测方法，其特征在于，所述根据所述分割结果确定所述待检测图像中的裂缝区域，包括：
根据所述分割结果，分别计算所述待检测图像中每个连通区域的面积；
若所述连通区域的面积小于预设阈值，则判定所述连通区域为非裂缝区域；
若所述连通区域的面积大于或等于预设阈值，则判定所述连通区域为裂缝区域。
7.一种基于反向稀疏表示的混凝土裂缝检测装置，其特征在于，包括：
获取单元，用于从预设样本库中获取预设数量的混凝土裂缝图像块，利用所述混凝土裂缝图像块构建裂缝特征集；
预处理单元，用于对待检测图像进行预处理，并利用预处理后的待检测图像构建稀疏字典；
计算单元，用于计算所述裂缝特征集在所述稀疏字典中的稀疏相关系数矩阵，并根据计算出的稀疏相关系数矩阵确定所述待检测图像中的裂缝区域，获得检测结果；
其中，所述预设样本库中的混凝土裂缝图像块均为包含裂缝区域的图像块；
所述获取单元，用于从预设样本库中获取预设数量的混凝土裂缝图像块，利用所述混凝土裂缝图像块构建裂缝特征集包括：
基于离散余弦变换，分别对所述预设数量的混凝土裂缝图像块进行特征提取，获得预设数量的样本特征，利用提取出的预设数量的样本特征构建裂缝特征集；
所述离散余弦变换为14维DCT，其中，第1维和第2维分别是图像块灰度均值和标准差，第9维到第14维特征是按照第3维到第8维的DCT步骤提取的转置后图像块的特征。
8.一种终端设备，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6任一项所述方法的步骤。
9.一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6任一项所述方法的步骤。
CN201810428186.9A 2018-05-07 2018-05-07 一种基于反向稀疏表示的混凝土裂缝检测方法 Active CN108764301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810428186.9A CN108764301B (zh) 2018-05-07 2018-05-07 一种基于反向稀疏表示的混凝土裂缝检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810428186.9A CN108764301B (zh) 2018-05-07 2018-05-07 一种基于反向稀疏表示的混凝土裂缝检测方法

Publications (2)

Publication Number Publication Date
CN108764301A CN108764301A (zh) 2018-11-06
CN108764301B true CN108764301B (zh) 2019-11-26

Family

ID=64010108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810428186.9A Active CN108764301B (zh) 2018-05-07 2018-05-07 一种基于反向稀疏表示的混凝土裂缝检测方法

Country Status (1)

Country Link
CN (1) CN108764301B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764301B (zh) * 2018-05-07 2019-11-26 石家庄铁道大学 一种基于反向稀疏表示的混凝土裂缝检测方法
CN112666167B (zh) * 2020-12-22 2022-12-13 成都圭目机器人有限公司 一种评估水泥混凝土道面裂缝产生fod风险的方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480611A (zh) * 2017-07-31 2017-12-15 浙江大学 一种基于深度学习卷积神经网络的裂缝识别方法
CN108764301A (zh) * 2018-05-07 2018-11-06 石家庄铁道大学 一种基于反向稀疏表示的混凝土裂缝检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824079B (zh) * 2014-02-08 2017-02-01 重庆市国土资源和房屋勘测规划院 基于多层次模式子块划分的图像分类方法
CN105469099B (zh) * 2015-11-20 2019-12-27 南京理工大学 基于稀疏表示分类的路面裂缝检测和识别方法
CN106683049A (zh) * 2016-12-21 2017-05-17 华南理工大学 一种基于显著图和稀疏表示的图像超分辨率重构方法
CN107203750B (zh) * 2017-05-24 2020-06-26 中国科学院西安光学精密机械研究所 一种基于稀疏表达和判别分析相结合的高光谱目标检测方法
CN107506787B (zh) * 2017-07-27 2019-09-10 陕西师范大学 一种基于迁移自学习的混凝土桥梁裂缝分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480611A (zh) * 2017-07-31 2017-12-15 浙江大学 一种基于深度学习卷积神经网络的裂缝识别方法
CN108764301A (zh) * 2018-05-07 2018-11-06 石家庄铁道大学 一种基于反向稀疏表示的混凝土裂缝检测方法

Also Published As

Publication number Publication date
CN108764301A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
CN113159147B (zh) 基于神经网络的图像识别方法、装置、电子设备
CN107316013A (zh) 基于nsct变换和dcnn的高光谱图像分类方法
CN110738235B (zh) 肺结核判定方法、装置、计算机设备及存储介质
CN112580654A (zh) 遥感图像地物语义分割方法
CN113822209B (zh) 高光谱图像识别方法、装置、电子设备及可读存储介质
CN114359738B (zh) 一种跨场景鲁棒的室内人数无线检测方法及系统
CN105117736B (zh) 基于稀疏深度堆栈网络的极化sar图像分类方法
CN104063686A (zh) 作物叶部病害图像交互式诊断系统与方法
CN113095416B (zh) 基于混合损失与图注意力的小样本sar目标分类方法
CN109034370A (zh) 一种基于特征映射剪枝的卷积神经网络精简方法
CN108764301B (zh) 一种基于反向稀疏表示的混凝土裂缝检测方法
WO2020168648A1 (zh) 一种图像分割方法、装置及计算机可读存储介质
CN110490894A (zh) 基于改进的低秩稀疏分解的视频前背景分离方法
CN113379059A (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
WO2022100607A1 (zh) 一种神经网络结构确定方法及其装置
CN113256622A (zh) 基于三维图像的目标检测方法、装置及电子设备
CN110795993A (zh) 一种构建模型的方法、装置、终端设备及介质
CN115564756A (zh) 医学图像病灶定位显示方法与系统
CN114581789A (zh) 一种高光谱图像分类方法及系统
CN108198173A (zh) 一种混凝土裂缝区域的在线检测方法、装置及终端设备
CN116415020A (zh) 一种图像检索的方法、装置、电子设备及存储介质
CN108154107B (zh) 一种确定遥感图像归属的场景类别的方法
CN115801845B (zh) 基于边缘计算的工业互联网数据采集方法及相关设备
CN114283296B (zh) 一种基于结构相似度的目标识别自评估方法
CN115457540B (zh) 点云目标检测模型的构建方法、目标检测标注方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant