CN108805855A - 一种混凝土裂纹快速识别方法 - Google Patents

一种混凝土裂纹快速识别方法 Download PDF

Info

Publication number
CN108805855A
CN108805855A CN201810017989.5A CN201810017989A CN108805855A CN 108805855 A CN108805855 A CN 108805855A CN 201810017989 A CN201810017989 A CN 201810017989A CN 108805855 A CN108805855 A CN 108805855A
Authority
CN
China
Prior art keywords
image
concrete
pixel
gray scale
cluster
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
Application number
CN201810017989.5A
Other languages
English (en)
Other versions
CN108805855B (zh
Inventor
王宪
赵前程
邵将
欧佳豪
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.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
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 Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN201810017989.5A priority Critical patent/CN108805855B/zh
Publication of CN108805855A publication Critical patent/CN108805855A/zh
Application granted granted Critical
Publication of CN108805855B publication Critical patent/CN108805855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/8851—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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20036—Morphological image processing
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

本发明公开了一种混凝土裂纹快速识别方法，在待测混凝土灰度图像中，每隔w行、w列取1像素组成尺寸缩小的降采样图像；对降采样图像进行形态学开运算，抑制高亮度值孤立点对后续图像处理的影响；对噪声抑制后的降采样图像进行灰度聚类，把图像中灰度相近的像素归为同一类；将噪声抑制后的降采样图像内中心灰度最低的一类像素灰度值全设为1，其他像素灰度值设为0，生成聚类结果二值图像；计算聚类结果二值图像的信息熵，依据二值图像熵判据判断该待测混凝土图像中是否存在裂纹。本发明可以快速的将采集的混凝土图像分成裂纹图像和非裂纹图像，从而大幅降低后续裂纹提取步骤的难度和耗时。

Description

一种混凝土裂纹快速识别方法
技术领域
本发明涉及计算机视觉检测技术领域,特别是一种混凝土裂纹快速识别方法。
背景技术
为了确保混凝土基础设施的安全性和使用性能，需要持续对其进行状态监测和性能评估。目前，对混凝土设施的状态监测和性能评估主要仍是通过人工巡查实现。随着社会经济的不断发展，世界各国的混凝土桥梁、道路通行里程越来越长，凝土建筑越来越多，人工巡查不但成本高昂，其效率和准确性也难以满足对数量庞大的混凝土设施持续监测的需求。
混凝土设施在使用过程会产生裂缝，过宽的裂缝不但影响混凝土设施的外观，而且会导致混凝土中钢筋锈蚀，加速混凝土老化，削弱承载能力，最终严重影响混凝土设施的正常使用。因此，表面裂纹检测又混凝土设施状态监测中最为关键的项目之一。
计算机视觉测量技术具有非接触、高效性和经济性等显著优势，在混凝土裂纹自动检测领域有着广泛的应用前景。加拿大GIE Technology公司、美国德州大学、瑞典Ramboll公司、哈尔滨工业大学等单位都对基于计算机视觉的混凝土裂纹自动检测技术进行了研究，目前，裂纹图像采集系统已经日趋成熟，基本组成结构相对固定。但是，在混凝土设施现场巡检过程中光照变化、灰尘、水雾、混凝土表面强纹理均会对测量造成不利影响，现有裂纹图像处理技术只有在混凝土表面纹理较少、图像采集过程中干扰较少时才能取得较好的效果，还不能满足现场巡检的要求，裂纹检测的图像处理技术仍相对滞后。
针对这一问题，近年国内外学者做了大量研究，提出了许多新的裂纹图像处理方法，大体可分为两类：第一类以实现干扰条件下测量图像中裂纹的准确提取为目标，着重研究裂纹图像的增强与分割方法；第二类，是结合近年迅速发展的机器学习技术，研究先对裂纹图像进行特征提取，再通过机器学习模型判别特征是否来自裂纹的方法。然而，这些新方法的关注点主要在于从有裂纹图像中精确提取裂纹，实际应用中可能经过大量运算后从无裂纹图像中提取出伪裂纹，对于无裂纹图像处理适应性不强；另外，这些新方法大多需要较多的计算时间，如果对采集的所有混凝土图像都进行处理，则会严重影响检测效率。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种混凝土裂纹快速识别方法，快速地将采集的混凝土图像分成裂纹图像和非裂纹图像，从而大幅降低后续裂纹提取步骤的难度和耗时。
为解决上述技术问题，本发明所采用的技术方案是：一种混凝土裂纹快速识别方法，包括以下步骤：
1)在待测混凝土灰度图像中，每隔w行、w列取1像素组成尺寸缩小的降采样图像；
2)对所述降采样图像进行形态学开运算；
3)对形态学开运算处理后的降采样图像进行灰度聚类，把形态学开运算处理后的降采样图像中灰度相近的像素归为同一类；
4)将灰度聚类后的图像内中心灰度最低的一类像素值全设为1，其余像素灰度值设为0，生成聚类结果二值图像；
5)计算所述聚类结果二值图像的信息熵，依据信息熵判断待测混凝土图像中是否存在裂纹。
w的取值范围为3～18。
形态学开运算处理后的降采样图像Ip为：其中，“Θ”为形态学腐蚀运算符，为形态学膨胀运算符，Ij为降采样图像，s为T×T的矩形结构元素；Sij＝1，i＝1,2,…T；j＝1,2,…T。
参数T的确定方法为：若T'为奇数，则T＝T'；若T'为偶数，则T＝T'-1；其中，INT()为取整函数，min()为求最小值函数，M、N分别为降采样图像Ij以像素为单位的长和宽。
对形态学开运算处理后的降采样图像进行灰度聚类的具体实现过程包括：
1)设定灰度聚类的类别数为3，将3类像素集合的中心灰度m1、m2、m3分别初始化为：
其中，L为形态学开运算处理后的降采样图像的灰度级总数；
2)将形态学开运算处理后的降采样图像中的所有像素逐一归入某类像素集合中，归类方法为：若某像素灰度值为q,且min(q-m1,q-m2,q-m3)＝q-mt，则将该像素归入t类像素集合；t＝1、2、3；
3)将以上3类像素集合的中心灰度分别更新为当前集合中所有像素的平均灰度值；
4)若m1、m2、m3的改变量均小于8，或者m1、m2、m3已被更新60次，则灰度聚类终止，将步骤2)得到的像素集合作为聚类结果输出；否则，转到步骤2)。
生成聚类结果二值图像的具体方法为：若min(m1、m2、m3)＝mp，则将灰度聚类后的降采样图像内中心灰度为mp的像素集合中所有像素的灰度值均置为1，其它像素灰度值均置为0。
聚类结果二值图像的信息熵H的计算公式为：其中，p(i)为聚类结果二值图像中灰度i出现的概率；M*、N*分别为聚类结果二值图像以像素为单位的长和宽，其值与降采样图像Ij以像素为单位的长和宽相等；Wi为聚类结果二值图像中灰度为i的像素个数。
依据信息熵判断待测混凝土图像中是否存在裂纹的具体实现过程为：若H＜HT，则判定测混凝土图像包含裂纹；否则判定待测混凝土灰度图像不包含裂纹；其中，H为聚类结果二值图像的信息熵，HT为裂纹判别熵阈值；0.5≤HT≤0.75。
与现有技术相比，本发明所具有的有益效果为：本发明利用有裂纹图像和非裂纹图像灰度分布情况的差异性，依据以上两类图像聚类结果二值图信息熵的显著差别，快速的将采集的混凝土图像分成裂纹图像和非裂纹图像，从而大幅降低后续裂纹提取步骤的难度和耗时；灰度聚类前先对采集的混凝土图像进行降采样，从而大幅提升聚类运算的速度，进而大幅提升图像有无裂纹识别的速度；噪声抑制步骤中，形态学开运算采用的结构算子尺寸随混凝土图像尺寸自适应调整，兼顾了噪声抑制能力和图像细节保持能力的平衡；灰度聚类步骤中，各类灰度的中心灰度初值依据经验获得的裂纹像素与明暗纹理像素灰度特性先验知识，而非随机取值，可降低灰度聚类迭代次数，进一步提升识别效率；本发明还可推广应用于其他复杂条件下计算机视觉缺陷检测与性能评估系统中。
附图说明
图1为本发明实施例方法流程图；
图2为本发明实施例灰度聚类流程图；
图3为本发明实施例裂纹图像和非裂纹图像二值化结果对比；其中，(a)为一帧有裂纹混凝土灰度图像；(b)为(a)经由本发明二值化的结果；(c)为一帧无裂纹混凝土灰度图像；(d)为(c)经由本发明二值化的结果；
图4为本发明实施例裂纹图像和非裂纹图像聚类结果二值图信息熵计算结果对比；
图5为本发明实施例降采样后再灰度聚类与直接灰度聚类耗时对比。
具体实施方式
如图1所示，本发明一实施例的裂纹图像识别过程如下：
读取分别率为4160×3120像素的待测混凝土灰度图像后，在该图像中，每隔w行、w列取1像素组成尺寸缩小的降采样图像。本实施例中.w取值为12，得到的降采样图像尺寸为400×300像素。
然后，对降采样图像进行形态学开运算，抑制高亮度值孤立点对后续图像处理的影响。本实施例中，降采样图像尺寸为800×600像素，依据本发明方法计算可得，开运算采用的结构元素s为5×5的矩形结构元素：
得到噪声抑制后的降采样图像后，对该图像进行灰度聚类，具体过程为：设定灰度聚类的类别数为3。由于本实施例图像灰度级总数为256，依据本发明方法，将3类像素集合的中心灰度m1、m2、m3分别初始化为32、170、192；将噪声抑制后的降采样图像中的所有像素逐一归入某类像素集合中，归类方法为：若某像素灰度值为q,且min(|q-m1|,|q-m2|,|q-m3|)＝|q-mt|，则将该像素归入t类像素集合(t＝1、2、3)；将以上3类像素集合的中心灰度分别更新为当前集合中所有像素的平均灰度值；若m1、m2、m3跟新后改变量均小于8，或者m1、m2、m3已被更新60次，则灰度聚类终止，将本次归类得到的像素集合作为聚类结果输出；否则，依据与灰度中心最小准则，重新将图像中的所有像素逐一归入某类像素集合中。噪声抑制后的降采样图像灰度聚类过程参见附图2.
得到聚类结果后，若min(m1、m2、m3)＝mp，则将降采样图像内中心灰度为mp的像素集合中所有像素的灰度值均置为1，其它像素灰度值均置为0，得到聚类结果二值图像。实施例中混凝土灰度图像二值化的结果参见附图3。其中，附图3中的(a)为一帧有裂纹混凝土灰度图像，附图3中的(b)为附图3中的(a)经由本发明方法二值化的结果；附图3中的(c)为一帧无裂纹混凝土灰度图像，附图3中的(d)为附图3中的(c)经由本发明方法二值化的结果。由附图3可知，有裂纹混凝土灰度图像灰度聚类后，中心灰度最低的一类像素为不完整的混凝土裂纹和少量混凝土纹理，其数目较少(裂纹通常只占混凝土表面的很小一部分)，聚类结果二值图中白色像素较少，包含的信息量也较少；而无裂纹混凝土灰度图像灰度聚类后，中心灰度最低的一类像素为混凝土表明纹理的较暗部分，其数目较多(纹理通常布满了整个混凝土表面)，聚类结果二值图中白色像素较多，包含的信息量也较多。
得到聚类结果二值图像后，计算二值图像的信息熵。本实施例中，30帧无裂纹混凝土图像聚类结果二值图和30帧有裂纹混凝土图像聚类结果二值图的信息熵计算结果如图4所示。由图可知，无裂纹混凝土图像聚类结果二值图的信息熵在0.8比特上下波动，有裂纹混凝土图像聚类结果二值图的信息熵在0.05比特上下波动两者差别明显。
最后依据二值图像熵判据判断该待测混凝土图像中是否存在裂纹。本实施例中，裂纹判别熵阈值HT取值为0.4，由图4可知，本发明判据可准确的区分裂纹图像和无裂纹图像。
在PC机(主频1.9G双核处理器、内存2G)上通过VS2013编程实现本发明方法，对以上共60帧混凝土图像降采样后再灰度聚类与直接灰度聚类耗时数据如图5所示。由图可知，如果对采集的混凝土图像不经降采样直接灰度聚类平均耗时为45898毫秒；而按照本发明方法对混凝土图像降采样后再灰度聚类平均耗时为470.1毫秒。本发明方法的降采用步骤可显著提升裂纹识别的效率。
本发明利用有裂纹图像和非裂纹图像灰度分布情况的差异性，依据以上两类图像聚类结果二值图信息熵的显著差别，快速的将采集的混凝土图像分成裂纹图像和非裂纹图像，从而大幅降低后续裂纹提取步骤的难度和耗时；灰度聚类前先对采集的混凝土图像进行降采样，从而大幅提升聚类运算的速度，进而大幅提升图像有无裂纹识别的速度；噪声抑制步骤中，形态学开运算采用的结构算子尺寸随混凝土图像尺寸自适应调整，兼顾了噪声抑制能力和图像细节保持能力的平衡；灰度聚类步骤中，各类灰度的中心灰度初值依据经验获得的裂纹像素、与明暗纹理像素灰度特性先验知识，而非随机取值，可降低灰度聚类迭代次数，进一步提升识别效率；本发明还可推广应用于其他复杂条件下计算机视觉缺陷检测与性能评估系统中。

Claims (9)

1.一种混凝土裂纹快速识别方法，其特征在于，包括以下步骤：
1)在待测混凝土灰度图像中，每隔w行、w列取1像素组成尺寸缩小的降采样图像；
2)对所述降采样图像进行形态学开运算；
3)对形态学开运算处理后的降采样图像进行灰度聚类，把形态学开运算处理后的降采样图像中灰度相近的像素归为同一类；
4)将灰度聚类后的图像内中心灰度最低的一类像素值全设为1，其余像素灰度值设为0，生成聚类结果二值图像；
5)计算所述聚类结果二值图像的信息熵，依据信息熵判断待测混凝土图像中是否存在裂纹。
2.根据权利要求1所述的混凝土裂纹快速识别方法，其特征在于，w的取值范围为3～18。
3.根据权利要求1所述的混凝土裂纹快速识别方法，其特征在于，形态学开运算处理后的降采样图像Ip为：其中，“Θ”为形态学腐蚀运算符，为形态学膨胀运算符，Ij为降采样图像，s为T×T的矩形结构元素；Sij＝1，i＝1,2,…T；j＝1,2,…T。
4.根据权利要求3所述的混凝土裂纹快速识别方法，其特征在于，参数T的确定方法为：若T'为奇数，则T＝T'；若T'为偶数，则T＝T'-1；其中，INT()为取整函数，min()为求最小值函数，M、N分别为降采样图像Ij以像素为单位的长和宽。
5.根据权利要求1所述的混凝土裂纹快速识别方法，其特征在于，对形态学开运算处理后的降采样图像进行灰度聚类的具体实现过程包括：
1)设定灰度聚类的类别数为3，将3类像素集合的中心灰度m1、m2、m3分别初始化为：
其中，L为形态学开运算处理后的降采样图像的灰度级总数；
2)将形态学开运算处理后的降采样图像中的所有像素逐一归入某类像素集合中，归类方法为：若某像素灰度值为q,且min(|q-m1|,|q-m2|,|q-m3|)＝|q-mt|，则将该像素归入t类像素集合；t＝1、2、3；
3)将以上3类像素集合的中心灰度分别更新为当前集合中所有像素的平均灰度值；
4)若m1、m2、m3的改变量均小于8，或者m1、m2、m3已被更新60次，则灰度聚类终止，将步骤2)得到的像素集合作为聚类结果输出；否则，转到步骤2)。
6.根据权利要求5所述的混凝土裂纹快速识别方法，其特征在于，生成聚类结果二值图像的具体方法为：若min(m1、m2、m3)＝mp，则将灰度聚类后的降采样图像内中心灰度为mp的像素集合中所有像素的灰度值均置为1，其它像素灰度值均置为0。
7.根据权利要求1所述的混凝土裂纹快速识别方法，其特征在于，聚类结果二值图像的信息熵H的计算公式为：其中，p(i)为聚类结果二值图像中灰度i 出现的概率；M*、N*分别为聚类结果二值图像以像素为单位的长和宽；Wi为聚类结果二值图像中灰度为i的像素个数。
8.根据权利要求1所述的混凝土裂纹快速识别方法，其特征在于，依据信息熵判断待测混凝土图像中是否存在裂纹的具体实现过程为：若H＜HT，则判定测混凝土图像包含裂纹；否则判定待测混凝土灰度图像不包含裂纹；其中，H为聚类结果二值图像的信息熵，HT为裂纹判别熵阈值。
9.根据权利要求8所述的混凝土裂纹快速识别方法，其特征在于，0.5≤HT≤0.75。
CN201810017989.5A 2018-01-09 2018-01-09 一种混凝土裂纹快速识别方法 Active CN108805855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810017989.5A CN108805855B (zh) 2018-01-09 2018-01-09 一种混凝土裂纹快速识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810017989.5A CN108805855B (zh) 2018-01-09 2018-01-09 一种混凝土裂纹快速识别方法

Publications (2)

Publication Number Publication Date
CN108805855A true CN108805855A (zh) 2018-11-13
CN108805855B CN108805855B (zh) 2021-09-24

Family

ID=64095149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810017989.5A Active CN108805855B (zh) 2018-01-09 2018-01-09 一种混凝土裂纹快速识别方法

Country Status (1)

Country Link
CN (1) CN108805855B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986176A (zh) * 2020-08-20 2020-11-24 国网湖南省电力有限公司 一种裂纹图像识别方法、系统、终端及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130034305A1 (en) * 2011-08-04 2013-02-07 University Of Southern California Image-based crack quantification
CN105405132A (zh) * 2015-11-04 2016-03-16 河海大学 基于视觉反差和信息熵的sar图像人造目标检测方法
CN105844053A (zh) * 2016-04-12 2016-08-10 北京理工大学 一种基于分形学信息维数的涡流传感器评价方法
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
CN106841216A (zh) * 2017-02-28 2017-06-13 浙江工业大学 基于全景图像cnn的隧道病害自动识别装置
CN107067039A (zh) * 2017-04-25 2017-08-18 西安电子科技大学 基于超像素的sar图像舰船目标快速检测方法
CN107451995A (zh) * 2017-07-26 2017-12-08 深圳先进技术研究院 在cta图像中提取心血管方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130034305A1 (en) * 2011-08-04 2013-02-07 University Of Southern California Image-based crack quantification
CN105405132A (zh) * 2015-11-04 2016-03-16 河海大学 基于视觉反差和信息熵的sar图像人造目标检测方法
CN105844053A (zh) * 2016-04-12 2016-08-10 北京理工大学 一种基于分形学信息维数的涡流传感器评价方法
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
CN106841216A (zh) * 2017-02-28 2017-06-13 浙江工业大学 基于全景图像cnn的隧道病害自动识别装置
CN107067039A (zh) * 2017-04-25 2017-08-18 西安电子科技大学 基于超像素的sar图像舰船目标快速检测方法
CN107451995A (zh) * 2017-07-26 2017-12-08 深圳先进技术研究院 在cta图像中提取心血管方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DAVID LATTANZI 等: "Robust Automated Concrete Damage Detection Algorithms for Field Applications", 《JOURNAL OF COMPUTING IN CIVIL ENGINEERING》 *
谢平 等: "基于信息嫡的裂纹转子动力特征分析与诊断方法", 《机械工程学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986176A (zh) * 2020-08-20 2020-11-24 国网湖南省电力有限公司 一种裂纹图像识别方法、系统、终端及可读存储介质
CN111986176B (zh) * 2020-08-20 2021-06-15 国网湖南省电力有限公司 一种裂纹图像识别方法、系统、终端及可读存储介质

Also Published As

Publication number Publication date
CN108805855B (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN106093066B (zh) 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法
CN104268505A (zh) 基于机器视觉的布匹疵点自动检测识别装置及方法
CN103729856B (zh) 一种利用s变换信号提取的布匹疵点检测方法
CN110009618A (zh) 一种轴类零件表面质量检测方法及装置
CN101852768A (zh) 磁粉探伤环境下基于复合特征的工件伤痕识别方法
CN109376740A (zh) 一种基于视频的水尺读数检测方法
CN109087286A (zh) 一种基于计算机图像处理和模式识别的检测方法及应用
CN113935666B (zh) 基于图像处理的建筑装饰墙面砖异常评估方法
CN103778627A (zh) 一种基于sar图像的海域溢油检测方法
CN111860143B (zh) 一种面向巡检机器人的火焰实时检测方法
CN106780464A (zh) 一种基于改进阈值分割的织物疵点检测方法
CN107490583A (zh) 一种基于机器视觉的夹片缺陷检测方法
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN114581764B (zh) 基于深度学习算法的地下结构裂纹病害判别方法
CN108470338A (zh) 一种水位监测方法
CN106651831B (zh) 一种竹块缺陷检测方法和系统
CN108335294A (zh) 复杂条件下的配电房异常状态图像识别方法
Wah et al. Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques
CN109540925A (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN114882400A (zh) 一种基于ai智能机器视觉技术的骨料检测分类方法
CN112085699A (zh) 一种基于二维图像的路面裂缝提取方法
Fu et al. Research on image-based detection and recognition technologies for cracks on rail surface
CN114882010A (zh) 基于图片识别的表面缺陷检测方法
CN113435460A (zh) 一种亮晶颗粒灰岩图像的识别方法

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