CN108764345B - 一种基于局部与全局聚类的水下大坝裂缝检测方法 - Google Patents

一种基于局部与全局聚类的水下大坝裂缝检测方法 Download PDF

Info

Publication number
CN108764345B
CN108764345B CN201810536235.0A CN201810536235A CN108764345B CN 108764345 B CN108764345 B CN 108764345B CN 201810536235 A CN201810536235 A CN 201810536235A CN 108764345 B CN108764345 B CN 108764345B
Authority
CN
China
Prior art keywords
image
crack
clustering
dam
local
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
CN201810536235.0A
Other languages
English (en)
Other versions
CN108764345A (zh
Inventor
范新南
吴晶晶
史朋飞
张学武
倪建军
罗成名
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.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai 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 Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201810536235.0A priority Critical patent/CN108764345B/zh
Publication of CN108764345A publication Critical patent/CN108764345A/zh
Application granted granted Critical
Publication of CN108764345B publication Critical patent/CN108764345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于局部与全局聚类的水下大坝裂缝检测方法，包括以下步骤：采集水下大坝表面图像，传输到图像数据库中；对图像进行预处理，初步均衡图像背景光照，增强目标区域；对图像进行处理并均衡图像灰度强度后，利用二值阈值分割法实现图像二值化；提取图像块特征，通过聚类分析方法计算二维特征空间得到含有裂缝的图像块；提取出所有的连通域，以每个连通域为样本，分别提取其特征，组成三维特征空间，再次通过聚类分析方法，检测到裂缝；将检测出含有裂缝的图像定位到大坝，从而确定含有裂缝的图像所在区域。本发明实现了水位以下的大坝表面裂缝自动检测，省时省力、成本低，又能实现无损检测，并满足准确率和实时性要求。

Description

一种基于局部与全局聚类的水下大坝裂缝检测方法
技术领域
本发明涉及一种基于局部与全局聚类的水下大坝裂缝检测方法，属于视觉检测技术领域。
背景技术
基于计算机视觉的水下大坝裂缝检测技术的研究方法由于其直观性、安全性、高效性、普遍性成为研究的热点和未来的发展方向之一。传统的大坝裂缝的识别是水下目视检测，该方法具有两个主要缺陷：一、检测结果具有主观性；二、效率低，所需时间长、代价大。并且，该方法要求水下工作，这会对操作人员的身体造成伤害，存在很大的风险。
基于计算机视觉的水下大坝裂缝自动检测系统主要包含两个部分，硬件系统和软件系统。硬件系统部分是水下光学相机CCD(电荷耦合器件)拍摄获取水下大坝表面图像，拍摄图像时，要求CCD相机的轴线与水下大坝表面垂直，并且相机保持与水下大坝表面平行，平行距离保持一定的范围之内；软件系统是指，在计算机平台上通过图像处理软件系统检测CCD获取的水下大坝表面图像，判断大坝表面是否含有裂缝，最终输出含有裂缝的大坝图像结果。然而，由于水介质本身特殊的光学性质，光在水中传输时会产生散射、折射以及吸收等效应，还会受到水中悬浮颗粒的干扰。因此，水下图像通常具有对比度低、颜色失真、光照不均衡、背景复杂以及噪声污染严重等特点。水下获取的图像中目标信息被严重污染，明显增加了对目标的特征信息提取、检测和识别等工作的困难程度。
发明内容
针对现有技术存在的不足，本发明目的是提供一种基于局部与全局聚类的水下大坝裂缝检测方法，用于实现水位以下的大坝表面裂缝自动检测，既能克服传统人工目视检测技术所具有的耗时耗力、成本高的缺点，又能实现无损检测，并满足准确率和实时性要求。
为了实现上述目的，本发明是通过如下的技术方案来实现：
根据现有技术中的缺陷，因此研究水下大坝裂缝自动检测系统中的计算机软件平台的裂缝提取算法，并不断提高裂缝提取的准确率和效率，有着至关重要的应用及研究价值。
本发明的一种基于局部与全局聚类的水下大坝裂缝检测方法，包括以下步骤：
(1)采集数据：
采集水下大坝表面图像，传输到图像数据库中；
(2)预处理数据：
对图像进行预处理，初步均衡图像背景光照，增强目标区域；
(3)局部聚类：
将图像分成大小相等且不重叠的图像块，计算每个图像块的均值和标准差，组成二维特征空间；通过聚类分析方法，得到两类图像块：分别是含有裂缝特征的图像块和不含裂缝特征的图像块；
(4)自适应二级阈值分割：
该步骤主要目的是自动实现图像最优二值化，使得在目标区域本身不被影响的情况下，排除部分干扰。提高以下步骤中的全局连通域特征处理的准确率。
步骤(3)中判定出的不含裂缝特征的图像块为背景；因此之后只需判定含有裂缝特征的图像块中的像素点为裂缝像素点还是背景像素点。
先对图像I1进行简单的灰度强度处理，将含有裂缝特征的所有图像块的整体灰度平均值M赋值给被判定为背景区域中的每一个像素，得到灰度均衡的图像I2,对图像I2的负片采用Otsu算法计算得到原始灰度图像I1的负片的最佳二级阈值T，实现图像自适应二值化；
(5)全局聚类：
步骤(4)中得到的二值图像中很有可能会存在与裂缝灰度强度特征相似的干扰存在，为了进一步排除干扰，提高裂缝提取的准确率，标记二值图像中的所有连通域，以每个连通域为样本，分别提取其特征：圆形度、面积和细长比，组成三维特征空间，再次通过聚类分析方法，从而检测到裂缝；
(6)将检测出含有裂缝的图像定位到大坝，从而确定含有裂缝的图像所在区域。
步骤(1)中，采用CCD光学相机采集水下大坝表面图像。
步骤(2)中，采用直方图均衡法对图像进行预处理。
步骤(3)中，采用聚类分析得到含有裂缝特征的图像块和不含裂缝特征的图像块两类，其中不含有裂缝特征的图像块即为背景区域，之后只需对含有裂缝特征的图像块中的像素进行判定即可。
步骤(4)中，提出的自适应二级阈值分割法是对Otsu阈值分割法的改进，实现了整个流程的自动化。
步骤(3)和步骤(5)中，所述聚类分析方法具体采用的是K均值聚类算法。
本发明提供了适合水位以下大坝表面裂缝检测的方法，方法通过局部分析与全局分析相结合，灰度强度特征与几何特征相结合，提高了裂缝检测的准确率，并提供了自适应二级阈值分割法实现了裂缝自动检测，无需监督、满足无损检测和实时性要求。
附图说明
图1为基于局部与全局聚类的水下大坝裂缝检测方法工作流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
本发明具有低成本、快捷方便的特点，满足大坝检测无损性要求和准确率、实时性要求。局部聚类与全局聚类相结合；灰度强度特征与几何特征相结合，灰度强度特征使用均值和标准差，几何特征使用圆形度、面积和细长比；自动实现二级阈值分割。
首先通过局部特征分析去除不含有裂缝特征的图像块；然后均衡图像的灰度强度，实现自适应二级阈值分割；最后通过全局特征分析进一步去除和裂缝具有相同特征的干扰得到最终的裂缝区域。
参见图1，本发明的基于局部与全局聚类的水下大坝裂缝检测方法具体包括以下几个步骤：
(1)采集数据：
在水下机器人身上，安装光学成像相机采集水下大坝表面的可见光图像。
(2)预处理过程：
采用直方图均衡法对图像作预处理，可以初步减小不均匀光照对裂缝检测过程产生的负面影响，从某种程度上均衡了水下大坝裂缝图像亮度，增强了目标信息并有效去除了噪声。
(3)局部聚类：
从局部出发分析图像可以充分利用局部的灰度波动信息，因此局部先将图像分为大小相同的图像块，然后提取每个图像块的均值和标准差特征，建立二维特征空间，使用K均值聚类算法将图像块分为含有裂缝特征的图像块和不含有裂缝特征的图像块两类。
(4)自适应二级阈值分割：
图像经过局部分块提取后，排除了不含有裂缝信息的图像块直接将这些图像块设置为纯背景(由于裂缝区域一般要暗于背景区域，故将其像素灰度值定义为255)。此时，只需要对含有裂缝信息的图像块中的像素分类即可，一类是可能为裂缝的像素点，另一类是可能为干扰的像素点。先对图像I1进行简单的灰度强度处理，将含有裂缝特征的所有图像块的整体灰度平均值M赋值给被判定为背景区域中的每一个像素，得到灰度均衡的图像I2,对图像I2的负片采用Otsu算法计算得到原始灰度图像I1的负片的最佳二级阈值T，针对灰度图像I1的负片中含有裂缝特征的图像块的像素点的灰度值分析，灰度值大于T的像素点为目标连通域，灰度值小于T的像素点为背景，实现图像自适应二值化；
(5)全局聚类：
局部聚类分析过后，去除了一些确认为不含有裂缝的图像块，然而含有裂缝特征的图像块是通过局部特征确定的，反映的是图像块与块之间的关系，不能反映出图像块与图像中连通域之间的关联。然后通过局部图像块处理，实现图像二值化，进一步排除了一些噪声，但仍存在许多干扰。为了进一步去除干扰，并弥补局部聚类分析算法的不足，从全局出发，提取二值图像中连通域的全局特征，来确认最终的裂缝。
(6)将检测出含有裂缝的图像定位到大坝，以供后期及时进行修补。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (2)

1.一种基于局部与全局聚类的水下大坝裂缝检测方法，其特征在于，包括以下步骤：
（1）采集数据：
采集水下大坝表面图像，传输到图像数据库中；
（2）预处理数据：
对图像进行预处理，初步均衡图像背景光照，增强目标区域；
步骤（2）中，通过直方图均衡方法对图像进行预处理；
（3）局部聚类：
将图像分成大小相等且不重叠的图像块，计算每个图像块的均值和标准差，组成二维特征空间；通过聚类分析方法，得到两类图像块：分别是含有裂缝特征的图像块和不含裂缝特征的图像块；
步骤（3）中，通过聚类分析直接将不含裂缝特征的图像块判定为背景，之后只需将含有裂缝特征的图像块中的像素进行分类即可；
（4）自适应二级阈值分割：
步骤（3）中判定出的不含裂缝特征的图像块为背景；因此之后只需判定含有裂缝特征的图像块中的像素点为裂缝像素点还是背景像素点；先对图像I1进行灰度强度处理，将含有裂缝特征的所有图像块的整体灰度平均值M赋值给被判定为背景区域中的每一个像素，得到灰度均衡的图像I2,对图像I2的负片采用Otsu算法计算得到图像I1的负片的最佳二级阈值T，针对图像I1的负片中含有裂缝特征的图像块的像素点的灰度值分析，灰度值大于T的像素点为目标连通域，灰度值小于T的像素点为背景，实现图像自适应二值化；
步骤（4）中，所述自适应二级阈值分割法是对Otsu阈值分割法的改进；
（5）全局聚类：
步骤（4）得到的二值图像中很有可能会存在与裂缝灰度强度特征相似的干扰存在，为了进一步排除干扰，提高裂缝提取的准确率，标记二值图像中的所有连通域，以每个连通域为样本，分别提取其特征：圆形度、面积和细长比，组成三维特征空间，再次通过聚类分析方法，从而检测到裂缝；
（6）将检测出含有裂缝的图像定位到大坝，从而确定含有裂缝的图像所在区域；
步骤（3）和步骤（5）中，所述聚类分析方法具体采用的是K均值聚类算法。
2.根据权利要求1所述的基于局部与全局聚类的水下大坝裂缝检测方法，其特征在于：步骤（1）中，采用CCD光学相机采集水下大坝表面图像。
CN201810536235.0A 2018-05-30 2018-05-30 一种基于局部与全局聚类的水下大坝裂缝检测方法 Active CN108764345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810536235.0A CN108764345B (zh) 2018-05-30 2018-05-30 一种基于局部与全局聚类的水下大坝裂缝检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810536235.0A CN108764345B (zh) 2018-05-30 2018-05-30 一种基于局部与全局聚类的水下大坝裂缝检测方法

Publications (2)

Publication Number Publication Date
CN108764345A CN108764345A (zh) 2018-11-06
CN108764345B true CN108764345B (zh) 2022-04-26

Family

ID=64003973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810536235.0A Active CN108764345B (zh) 2018-05-30 2018-05-30 一种基于局部与全局聚类的水下大坝裂缝检测方法

Country Status (1)

Country Link
CN (1) CN108764345B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390664A (zh) * 2018-11-30 2019-10-29 武汉滨湖电子有限责任公司 一种基于孔洞填充路面裂缝识别方法
CN110060243B (zh) * 2019-04-11 2022-06-28 国家电网有限公司 一种大坝表面裂缝骨架提取方法
CN110084767A (zh) * 2019-05-09 2019-08-02 腾讯科技（深圳）有限公司 图像处理方法、装置、终端及存储介质
CN110956591B (zh) * 2019-11-06 2021-07-27 河海大学 一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法
CN110853034A (zh) * 2020-01-15 2020-02-28 清华四川能源互联网研究院 裂缝检测方法、装置、电子设备和计算机可读存储介质
CN111709905A (zh) * 2020-03-27 2020-09-25 南京智慧基础设施技术研究院有限公司 一种基于图像检测裂缝的分析方法
CN111612787B (zh) * 2020-06-19 2021-09-14 国网湖南省电力有限公司 混凝土裂纹高分图像无损语义分割方法、装置及存储介质
CN114596262A (zh) * 2022-01-27 2022-06-07 福建华电福瑞能源发展有限公司古田溪水力发电厂 一种基于图像识别技术的大坝监测分析方法及系统
CN114638805B (zh) * 2022-03-21 2024-06-14 武汉纵横天地空间信息技术有限公司 一种轨道板裂缝检测方法、系统及存储介质
CN114677601B (zh) * 2022-04-12 2024-08-06 雅砻江流域水电开发有限公司 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法
CN116012273B (zh) * 2023-03-28 2023-05-30 国科天成科技股份有限公司 一种基于局部灰度波动率的图像增强方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101915764A (zh) * 2010-08-10 2010-12-15 武汉武大卓越科技有限责任公司 基于动态规划的路面裂缝检测方法
CN105975972A (zh) * 2016-04-27 2016-09-28 湖南桥康智能科技有限公司 基于影像的桥梁裂缝检测与特征提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101915764A (zh) * 2010-08-10 2010-12-15 武汉武大卓越科技有限责任公司 基于动态规划的路面裂缝检测方法
CN105975972A (zh) * 2016-04-27 2016-09-28 湖南桥康智能科技有限公司 基于影像的桥梁裂缝检测与特征提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于劳伦茨信息值的水下大坝裂缝提取算法;范新南等;《计算机与现代化》;20180315;第271卷(第3期);73-77 *

Also Published As

Publication number Publication date
CN108764345A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
CN108764345B (zh) 一种基于局部与全局聚类的水下大坝裂缝检测方法
CN110314854B (zh) 一种基于视觉机器人的工件检测分拣的装置及方法
CN116758061B (zh) 基于计算机视觉的铸件表面缺陷检测方法
CN109872300B (zh) 一种摩擦片外观缺陷的视觉显著性检测方法
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
CN110211101A (zh) 一种铁轨表面缺陷快速检测系统及方法
CN105205821B (zh) 一种焊接图像分割方法
Wang et al. Research on crack detection algorithm of the concrete bridge based on image processing
GB2573429A (en) Method for detecting degree of development of asphalt pavement fracture based on infrared thermal image analysis
CN111814686A (zh) 一种基于视觉的输电线路识别及异物入侵在线检测方法
CN113393426B (zh) 一种轧钢板表面缺陷检测方法
CN112528868B (zh) 一种基于改进Canny边缘检测算法的违章压线判别方法
CN109682839A (zh) 一种金属弧形工件表面缺陷在线检测方法
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN113935666B (zh) 基于图像处理的建筑装饰墙面砖异常评估方法
CN111667470B (zh) 一种基于数字图像的工业管道探伤内壁检测方法
CN106651893A (zh) 一种基于边缘检测的墙体裂缝识别方法
CN106909925A (zh) 一种水下图像目标检测方法
Li et al. Detection algorithm of defects on polyethylene gas pipe using image recognition
CN116630813A (zh) 一种公路路面施工质量智能检测系统
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN114049316A (zh) 一种基于金属光泽区域的钢丝绳缺陷检测方法
CN109544513A (zh) 一种钢管端面缺陷提取识别的方法
CN118014933A (zh) 一种基于图像检测的缺陷检测识别方法和装置
CN112132097B (zh) 一种路面裂缝智能识别系统及方法

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