CN108921813A - 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 - Google Patents

一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 Download PDF

Info

Publication number
CN108921813A
CN108921813A CN201810465241.1A CN201810465241A CN108921813A CN 108921813 A CN108921813 A CN 108921813A CN 201810465241 A CN201810465241 A CN 201810465241A CN 108921813 A CN108921813 A CN 108921813A
Authority
CN
China
Prior art keywords
crack
image
fuzzy
line segment
bridge structure
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
CN201810465241.1A
Other languages
English (en)
Other versions
CN108921813B (zh
Inventor
武建
杨坤
刘宁钟
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.)
Huashe Testing Technology Co ltd
China Design Group Co Ltd
Original Assignee
China Design Group Co Ltd
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 China Design Group Co Ltd filed Critical China Design Group Co Ltd
Priority to CN201810465241.1A priority Critical patent/CN108921813B/zh
Publication of CN108921813A publication Critical patent/CN108921813A/zh
Application granted granted Critical
Publication of CN108921813B publication Critical patent/CN108921813B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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

Abstract

本发明公开了一种基于机器视觉的无人机检测桥梁结构裂缝识别方法，该方法利用模糊核进行第一次模糊裂缝图像复原，将模糊核和第一次复原图像作为非盲图像复原模型的输入，不断交替求最小值从而得到清晰裂缝图像，采用沈俊算子进行边缘检测，在此基础上进行裂缝线段连接，利用链码跟踪方法得到裂缝的长度、面积等信息，然后进行多步的条件筛选去除图像噪声点，最后对裂缝宽度进行定量化测量，提高裂缝识别准确率。

Description

一种基于机器视觉的无人机检测桥梁结构裂缝识别方法
技术领域
本发明涉及一种基于机器视觉的无人机检测桥梁结构裂缝识别方法，属于桥梁工程技术领域及数字图像处理技术领域。
背景技术
桥梁结构裂缝是桥梁质量评价指标的重要组成部分，快速并精确定位分析这些裂缝有利于避免裂缝扩展给桥梁造成的安全隐患。无人机搭载机器视觉传感器是一种方便、快捷检测桥梁结构裂缝的方法，该方法应用的难点在如何对所拍摄图像中的裂缝进快速、精确分析。
通常通过无人机搭载视觉传感器拍摄到的桥梁结构裂缝图像情况较为复杂。首先，由于无人机挂载照相机进行拍摄时，无人机的运动会导致相机抖动从而造成模糊；其次，拍摄的裂缝图像的噪声主要来源于两个方面：一是在图像拍摄、传输和处理过程中，必然会存在噪声影响，严重的噪声会导致图像细节模糊，从而影响裂缝信息的准确性；二是实际环境中桥梁结构表面的状况复杂，往往会存在许多颗粒状纹路、路标、污渍、阴影等干扰，导致裂缝图像的对比度减弱。
现有的无人机检测桥梁结构裂缝的识别方法只是简单地估计模糊参数对图像进行复原，对裂缝细节会有部分损失，不利于后续的裂缝识别；在裂缝识别上，大多数方法都容易受路面树叶、光影的干扰，无法准确识别裂缝，因此在对使用无人机检测桥梁结构裂缝识别时得到的结果不是非常理想。
发明内容
为了解决上述技术问题，本发明提供了一种基于机器视觉的无人机检测桥梁结构裂缝识别方法。
为了达到上述目的，本发明所采用的技术方案是：
一种基于机器视觉的无人机检测桥梁结构裂缝识别方法，包括以下步骤，
利用频谱图估计模糊核；
利用模糊核进行第一次模糊裂缝图像复原；
将模糊核和第一次复原图像作为非盲图像复原模型的输入；
交替计算模糊核和复原图像的最小值，直到收敛，得到最终的复原图像，即清晰裂缝图像；
提取清晰裂缝图像中裂缝边缘信息；
对裂缝线段进行连接；
采用链码跟踪得到裂缝封闭边界，计算裂缝长度和面积；
基于预设的条件去除图像噪声点；
对裂缝宽度进行定量化测量。
对模糊裂缝图像进行傅里叶变换，对变换结果取对数，得到对数频谱图，进行二值化处理后得到规则的明暗相间的条纹，根据频谱图中暗条纹估计模糊核。
根据暗条纹估计模糊核的过程为，
采用Canny算子检测频谱图中暗条纹的边界得到频谱图的梯度图，边界倾斜的角度与模糊方向垂直；
对得到的梯度图使用Hough变换，得到每个边界的角度值，用所有边界角度的均值计算模糊角度；
用模糊角度对梯度图进行旋转，所有暗条纹变为垂直方向，计算相邻暗条纹间距得出模糊长度。
非盲图像复原模型公式为，
其中，y为模糊裂缝图像，k为模糊核，x为复原图像，α,β为正则化参数，为复原图像的平滑梯度，为模糊核的平滑梯度。
对清晰裂缝图像进行灰度化处理，采用沈俊边缘检测算子对灰度图像分别按行和列进行两次正反向的递归滤波计算，计算滤波后的图像与原图像的差，并进行二值化处理，得到带有噪声点的裂缝边缘信息。
对灰度图像分别按行和列进行两次正反向的递归滤波计算，公式为，
f1(x,y)＝a0×[f(x,y)-f1(x,y-1)]+f1(x,y-1),y＝1,2,...,w
f2(x,y)＝a0×[f1(x,y)-f2(x,y+1)]+f2(x,y+1),y＝w-1,w-2,…,1,0
f3(x,y)＝a0×[f2(x,y)-f3(x-1,y)]+f3(x-1,y),x＝1,2,...,h
f4(x,y)＝a0×[f3(x,y)-f4(x+1,y)]+f4(x+1,y),x＝h-1,h-2,…,1,0
其中，f(x,y)是灰度图像，a0为参数，取值范围是(0,1)，w和h分别为分灰度图像f(x,y)的宽和高，f1(x,y)为灰度图像f(x,y)对按行正向滤波得到的结果，f2(x,y)为f1(x,y)对按行反向滤波得到的结果，f3(x,y)为在f2(x,y)上按列进行正向滤波的结果，f4(x,y)为在f3(x,y)上按列进行逆向滤波的结果，h和w分别为行列数。
识别裂缝线段的起点和终点，找出每条裂缝线段的端点，遍历裂缝线段的所有端点，对于两条不同的裂缝线段，找到其中欧氏距离最小的两端点，得到距离d，如果d小于设定的阈值，则将这里两个端点连接。
采用链码跟踪得到裂缝封闭边界，计算裂缝长度L和面积S，将满足条件S≤L2/20的边缘线段保留；
在剔除不满足条件的边缘线段后，每一条保留下的边缘线段即为一个连通区域，寻找剩下每个连通区域的最小外接矩形，得到外接矩形的面积Sr，长Lr和宽Wr，将满足以下条件的裂缝线段保留：
Sr≥Width*Height/1000，Lr≥3*Wr，Lr≥Height/10，其中Width,Height分别是模糊裂缝图像的宽和高。
裂缝宽度定量化测量的过程为，
对去噪后的图像进行分割，将其分割成大小相等的若干块区域；
计算每一块区域裂缝的外接矩形，测量外接矩形的宽度作为本段裂缝的宽度；
求出所有区域裂缝的宽度后，计算它们的平均值作为最终宽度。
本发明所达到的有益效果：本发明利用模糊裂缝图像的频谱图大致估算出模糊核，利用模糊核进行第一次模糊裂缝图像复原，将模糊核和第一次复原图像作为非盲图像复原模型的输入，不断交替求最小值从而得到清晰裂缝图像，采用沈俊算子进行边缘检测，在此基础上进行裂缝线段连接，利用链码跟踪方法得到裂缝的长度、面积等信息，然后进行多步的条件筛选去除图像噪声点，最后对裂缝宽度进行定量化测量，提高裂缝识别准确率。
附图说明
图1是本发明的流程图；
图2是本发明在仿真实验中使用的模糊裂缝图像；
图3是本发明在仿真实验中得到的复原图像；
图4是本发明在仿真实验中得到的最终去噪后的裂缝识别结果；
图5是传统的裂缝识别算法得到的结果。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种基于机器视觉的无人机检测桥梁结构裂缝识别方法，包括以下步骤：
1)利用频谱图估计模糊核。
对模糊裂缝图像进行傅里叶变换，对变换结果取对数，得到对数频谱图，进行二值化处理后得到规则的明暗相间的条纹，根据频谱图中暗条纹估计模糊核。
根据暗条纹估计模糊核的过程如下：
11)采用Canny算子检测频谱图中暗条纹的边界得到频谱图的梯度图，边界倾斜的角度与模糊方向垂直；
12)对得到的梯度图使用Hough变换，可以得到每个边界的角度值，用所有边界角度的均值来计算模糊角度；
13)用模糊角度对梯度图进行旋转，所有暗条纹变为垂直方向，计算相邻暗条纹间距得出模糊长度；
模糊长度的计算公式为，
l＝|u2-u1|/2
其中，l为模糊长度，u2,u1为相邻线段坐标。
2)利用模糊核进行第一次模糊裂缝图像复原。
3)将模糊核和第一次复原图像作为非盲图像复原模型的输入。
非盲图像复原模型公式为：
其中，y为模糊裂缝图像，k为模糊核，x为复原图像，α,β为正则化参数，α＝0.1，β＝5，为复原图像的平滑梯度，为模糊核的平滑梯度。
4)交替计算模糊核和复原图像的最小值，直到收敛，得到最终的复原图像，即清晰裂缝图像。
先固定k，将用牛顿法计算x的最小值，用新的x值计算模糊核的最小值来更新k的值；不断交替计算模糊核和复原图像的最小值，直到收敛，最终得到的图像为清晰裂缝图像。
5)提取清晰裂缝图像中裂缝边缘信息。
对清晰裂缝图像进行灰度化处理，采用沈俊边缘检测算子对灰度图像分别按行和列进行两次正反向的递归滤波计算，计算滤波后的图像与原图像的差，并进行二值化处理，得到带有噪声点的裂缝边缘信息。
递归滤波计算公式为：
f1(x,y)＝a0×[f(x,y)-f1(x,y-1)]+f1(x,y-1),y＝1,2,...,w
f2(x,y)＝a0×[f1(x,y)-f2(x,y+1)]+f2(x,y+1),y＝w-1,w-2,…,1,0
f3(x,y)＝a0×[f2(x,y)-f3(x-1,y)]+f3(x-1,y),x＝1,2,...,h
f4(x,y)＝a0×[f3(x,y)-f4(x+1,y)]+f4(x+1,y),x＝h-1,h-2,…,1,0
其中，f(x,y)是灰度图像，a0为参数，取值范围是(0,1)，w和h分别为分灰度图像f(x,y)的宽和高，f1(x,y)为灰度图像f(x,y)对按行正向滤波得到的结果，f2(x,y)为f1(x,y)对按行反向滤波得到的结果，f3(x,y)为在f2(x,y)上按列进行正向滤波的结果，f4(x,y)为在f3(x,y)上按列进行逆向滤波的结果，h和w分别为行列数。
6)对裂缝线段进行连接。
识别裂缝线段的起点和终点，寻找包含裂缝线段的最小凸多边形，找出每条裂缝线段的端点(裂缝线段与最小凸多边形相交的像素点为裂缝线段的端点)，遍历裂缝线段的所有端点，对于两条不同的裂缝线段，找到其中欧氏距离最小的两端点，得到距离d，如果d小于设定的阈值，则将这里两个端点连接。
7)采用链码跟踪得到裂缝封闭边界，计算裂缝长度和面积。
8)基于预设的条件去除图像噪声点。
将满足条件S≤L2/20的边缘线段(边缘线段既是通过边缘检测算法检测出来的线段)保留；，其中，L为裂缝长度，S为裂缝面积；
在剔除不满足条件的边缘线段后，每一条保留下的边缘线段即为一个连通区域，寻找剩下每个连通区域的最小外接矩形，得到外接矩形的面积Sr，长Lr和宽Wr，将满足以下条件的裂缝线段保留：
Sr≥Width*Height/1000，Lr≥3*Wr，Lr≥Height/10，其中Width,Height分别是模糊裂缝图像的宽和高。
采集的图像中会有经过人工检测带有的记号笔标记，在上述步骤会一直保留下来，根据记号笔迹会远远宽于裂缝的特点，将其消除。
9)对裂缝宽度进行定量化测量。
裂缝宽度定量化测量的过程为：
91)对去噪后的图像进行分割，将其分割成大小相等的若干块区域；
92)计算每一块区域裂缝的外接矩形，测量外接矩形的宽度作为本段裂缝的宽度；
93)求出所有区域裂缝的宽度后，计算它们的平均值作为最终宽度。
如图2所示为采集的模糊裂缝图像，根据上述方法对其进行识别，其中复原的清晰图像如图3所示，最后去噪后的裂缝识别结果如图4所示，图5是传统的裂缝识别算法得到的结果。通过图4和图5的比较可以发现，图5缺少了裂缝的上半部分，同时在裂缝上产生了许多毛刺，而裂缝旁边的记号笔迹，也没有做特别的处理。而本发明由于通过算法中的线段连接，将裂缝的上半部分保留了下来，且本发明的裂缝检测结果更加的平滑和完整。同时，本发明对于一些特殊的情况，例如记号笔迹等做了特殊处理，使得最终的检测结果更为精确。
上述方法利用模糊裂缝图像的频谱图大致估算出模糊核，利用模糊核进行第一次模糊裂缝图像复原，将模糊核和第一次复原图像作为非盲图像复原模型的输入，不断交替求最小值从而得到清晰裂缝图像，采用沈俊算子进行边缘检测，在此基础上进行裂缝线段连接，利用链码跟踪方法得到裂缝的长度、面积等信息，然后进行多步的条件筛选去除图像噪声点，最后对裂缝宽度进行定量化测量，提高裂缝识别准确率。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种基于机器视觉的无人机检测桥梁结构裂缝识别方法，其特征在于：包括以下步骤，
利用频谱图估计模糊核；
利用模糊核进行第一次模糊裂缝图像复原；
将模糊核和第一次复原图像作为非盲图像复原模型的输入；
交替计算模糊核和复原图像的最小值，直到收敛，得到最终的复原图像，即清晰裂缝图像；
提取清晰裂缝图像中裂缝边缘信息；
对裂缝线段进行连接；
采用链码跟踪得到裂缝封闭边界，计算裂缝长度和面积；
基于预设的条件去除图像噪声点；
对裂缝宽度进行定量化测量。
2.根据权利要求1所述的一种基于机器视觉的无人机检测桥梁结构裂缝识别方法，其特征在于：对模糊裂缝图像进行傅里叶变换，对变换结果取对数，得到对数频谱图，进行二值化处理后得到规则的明暗相间的条纹，根据频谱图中暗条纹估计模糊核。
3.根据权利要求2所述的一种基于机器视觉的无人机检测桥梁结构裂缝识别方法，其特征在于：根据暗条纹估计模糊核的过程为，
采用Canny算子检测频谱图中暗条纹的边界得到频谱图的梯度图，边界倾斜的角度与模糊方向垂直；
对得到的梯度图使用Hough变换，得到每个边界的角度值，用所有边界角度的均值计算模糊角度；
用模糊角度对梯度图进行旋转，所有暗条纹变为垂直方向，计算相邻暗条纹间距得出模糊长度。
4.根据权利要求1所述的一种基于机器视觉的无人机检测桥梁结构裂缝识别方法，其特征在于：非盲图像复原模型公式为，
其中，y为模糊裂缝图像，k为模糊核，x为复原图像，α,β为正则化参数，为复原图像的平滑梯度，为模糊核的平滑梯度。
5.根据权利要求1所述的一种基于机器视觉的无人机检测桥梁结构裂缝识别方法，其特征在于：对清晰裂缝图像进行灰度化处理，采用沈俊边缘检测算子对灰度图像分别按行和列进行两次正反向的递归滤波计算，计算滤波后的图像与原图像的差，并进行二值化处理，得到带有噪声点的裂缝边缘信息。
6.根据权利要求5所述的一种基于机器视觉的无人机检测桥梁结构裂缝识别方法，其特征在于：对灰度图像分别按行和列进行两次正反向的递归滤波计算，公式为，
f1(x,y)＝a0×[f(x,y)-f1(x,y-1)]+f1(x,y-1),y＝1,2,...,w
f2(x,y)＝a0×[f1(x,y)-f2(x,y+1)]+f2(x,y+1),y＝w-1,w-2,…,1,0
f3(x,y)＝a0×[f2(x,y)-f3(x-1,y)]+f3(x-1,y),x＝1,2,...,h
f4(x,y)＝a0×[f3(x,y)-f4(x+1,y)]+f4(x+1,y),x＝h-1,h-2,…,1,0
其中，f(x,y)是灰度图像，a0为参数，取值范围是(0,1)，w和h分别为分灰度图像f(x,y)的宽和高，f1(x,y)为灰度图像f(x,y)对按行正向滤波得到的结果，f2(x,y)为f1(x,y)对按行反向滤波得到的结果，f3(x,y)为在f2(x,y)上按列进行正向滤波的结果，f4(x,y)为在f3(x,y)上按列进行逆向滤波的结果，h和w分别为行列数。
7.根据权利要求1所述的一种基于机器视觉的无人机检测桥梁结构裂缝识别方法，其特征在于：识别裂缝线段的起点和终点，找出每条裂缝线段的端点，遍历裂缝线段的所有端点，对于两条不同的裂缝线段，找到其中欧氏距离最小的两端点，得到距离d，如果d小于设定的阈值，则将这里两个端点连接。
8.根据权利要求1所述的一种基于机器视觉的无人机检测桥梁结构裂缝识别方法，其特征在于：采用链码跟踪得到裂缝封闭边界，计算裂缝长度L和面积S，将满足条件S≤L2/20的边缘线段保留；
在剔除不满足条件的边缘线段后，每一条保留下的边缘线段即为一个连通区域，寻找剩下每个连通区域的最小外接矩形，得到外接矩形的面积Sr，长Lr和宽Wr，将满足以下条件的裂缝线段保留：
Sr≥Width*Height/1000，Lr≥3*Wr，Lr≥Height/10，其中Width,Height分别是模糊裂缝图像的宽和高。
9.根据权利要求1所述的一种基于机器视觉的无人机检测桥梁结构裂缝识别方法，其特征在于：裂缝宽度定量化测量的过程为，
对去噪后的图像进行分割，将其分割成大小相等的若干块区域；
计算每一块区域裂缝的外接矩形，测量外接矩形的宽度作为本段裂缝的宽度；
求出所有区域裂缝的宽度后，计算它们的平均值作为最终宽度。
CN201810465241.1A 2018-05-16 2018-05-16 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 Active CN108921813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810465241.1A CN108921813B (zh) 2018-05-16 2018-05-16 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810465241.1A CN108921813B (zh) 2018-05-16 2018-05-16 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法

Publications (2)

Publication Number Publication Date
CN108921813A true CN108921813A (zh) 2018-11-30
CN108921813B CN108921813B (zh) 2020-08-18

Family

ID=64402642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810465241.1A Active CN108921813B (zh) 2018-05-16 2018-05-16 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法

Country Status (1)

Country Link
CN (1) CN108921813B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109631854A (zh) * 2018-12-19 2019-04-16 西安科技大学 一种低空无人机摄影测定矿区采煤塌陷裂缝方法
CN110175987A (zh) * 2019-04-23 2019-08-27 江西科技学院 一种桥梁裂缝检测方法及系统
CN111311559A (zh) * 2020-02-07 2020-06-19 中国石油大学(华东) 一种无偏差的裂缝表征方法
CN112053331A (zh) * 2020-08-28 2020-12-08 西安电子科技大学 一种图像叠加和裂缝信息融合的桥梁裂缝检测方法
CN113052089A (zh) * 2021-03-29 2021-06-29 广东电网有限责任公司 一种表面裂纹的识别系统、方法、装置、设备及存储介质
CN114972333A (zh) * 2022-07-19 2022-08-30 淄博市淄川区市政环卫服务中心 基于人工智能的道路裂缝检测方法及系统
CN116091582A (zh) * 2023-03-16 2023-05-09 北京科技大学 一种基于无人机大场景图像的桥梁裂缝辩识方法及系统
CN116612103A (zh) * 2023-06-01 2023-08-18 中国建筑科学研究院有限公司 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745477A (zh) * 2014-01-22 2014-04-23 汕头大学 基于机器视觉的建筑结构裂缝检测及修复方法
CN107369134A (zh) * 2017-06-12 2017-11-21 上海斐讯数据通信技术有限公司 一种模糊图像的图像复原方法
CN107730468A (zh) * 2017-10-23 2018-02-23 鹰艾思科技(深圳)有限公司 一种无人机模糊噪声图像下清晰图像的恢复方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745477A (zh) * 2014-01-22 2014-04-23 汕头大学 基于机器视觉的建筑结构裂缝检测及修复方法
CN107369134A (zh) * 2017-06-12 2017-11-21 上海斐讯数据通信技术有限公司 一种模糊图像的图像复原方法
CN107730468A (zh) * 2017-10-23 2018-02-23 鹰艾思科技(深圳)有限公司 一种无人机模糊噪声图像下清晰图像的恢复方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHUL MIN YEUM: "《Vision-Based Automated Crack Detection for Bridge Inspection》", 《COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING》 *
XUHANG TONG等: "《A new image-based method for concrete bridge bottom crack detection》", 《2011 INTERNATIONAL CONFERENCE ON IMAGE ANALYSIS AND SIGNAL PROCESSING》 *
仇翔: "《无人机遥感模糊图像恢复技术研究》", 《中国博士学位论文全文数据库 信息科技辑》 *
赵瑞: "《运动模糊车牌识别系统的设计与实现》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
陶晓力 等: "《基于无人机视觉的桥梁裂缝检测》", 《计算机技术与发展》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109631854A (zh) * 2018-12-19 2019-04-16 西安科技大学 一种低空无人机摄影测定矿区采煤塌陷裂缝方法
CN109631854B (zh) * 2018-12-19 2019-12-17 西安科技大学 一种低空无人机摄影测定矿区采煤塌陷裂缝方法
CN110175987A (zh) * 2019-04-23 2019-08-27 江西科技学院 一种桥梁裂缝检测方法及系统
CN110175987B (zh) * 2019-04-23 2022-10-04 江西科技学院 一种桥梁裂缝检测方法及系统
CN111311559B (zh) * 2020-02-07 2022-06-14 中国石油大学(华东) 一种无偏差的裂缝表征方法
CN111311559A (zh) * 2020-02-07 2020-06-19 中国石油大学(华东) 一种无偏差的裂缝表征方法
CN112053331A (zh) * 2020-08-28 2020-12-08 西安电子科技大学 一种图像叠加和裂缝信息融合的桥梁裂缝检测方法
CN112053331B (zh) * 2020-08-28 2023-04-07 西安电子科技大学 一种图像叠加和裂缝信息融合的桥梁裂缝检测方法
CN113052089A (zh) * 2021-03-29 2021-06-29 广东电网有限责任公司 一种表面裂纹的识别系统、方法、装置、设备及存储介质
CN114972333A (zh) * 2022-07-19 2022-08-30 淄博市淄川区市政环卫服务中心 基于人工智能的道路裂缝检测方法及系统
CN114972333B (zh) * 2022-07-19 2022-10-25 淄博市淄川区市政环卫服务中心 基于人工智能的道路裂缝检测方法及系统
CN116091582A (zh) * 2023-03-16 2023-05-09 北京科技大学 一种基于无人机大场景图像的桥梁裂缝辩识方法及系统
CN116612103A (zh) * 2023-06-01 2023-08-18 中国建筑科学研究院有限公司 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统
CN116612103B (zh) * 2023-06-01 2023-12-15 中国建筑科学研究院有限公司 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统

Also Published As

Publication number Publication date
CN108921813B (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN108921813A (zh) 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN113592861B (zh) 一种基于动态阈值的桥梁裂缝检测方法
CN107507208B (zh) 一种基于轮廓上曲率估计的图像特征点提取方法
CN109871938A (zh) 一种基于卷积神经网络的零部件喷码检测方法
CN110443128B (zh) 一种基于surf特征点精确匹配的指静脉识别方法
CN110163219B (zh) 基于图像边缘识别的目标检测方法
CN106875415A (zh) 一种动态背景中弱小动目标的连续稳定跟踪方法
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
CN108615239B (zh) 基于阈值技术和灰度投影的舌图像分割方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN103218605A (zh) 一种基于积分投影与边缘检测的快速人眼定位方法
CN105139391B (zh) 一种雾霾天气交通图像边缘检测方法
CN109376740A (zh) 一种基于视频的水尺读数检测方法
CN107066952A (zh) 一种车道线检测方法
CN109540917B (zh) 一种多角度模式下纱线外观特征参数提取与分析方法
CN110687122A (zh) 一种陶瓦表面裂纹检测方法及系统
CN110717900A (zh) 基于改进Canny边缘检测算法的受电弓磨耗检测方法
CN106778766B (zh) 一种基于定位点的旋转数字识别方法及系统
CN108520252B (zh) 基于广义霍夫变换和小波变换的路标识别方法
CN109636785A (zh) 一种识别金刚砂颗粒的视觉处理方法
CN112926516A (zh) 一种鲁棒的手指静脉图像感兴趣区域提取方法
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质
CN115731257A (zh) 基于图像的叶片形态信息提取方法
CN105989351B (zh) 一种指纹图像背景分割的方法

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 210014 No. 9, Ziyun Avenue, Qinhuai District, Jiangsu, Nanjing

Patentee after: China Design Group Co.,Ltd.

Address before: 210014 No. 9, Ziyun Avenue, Qinhuai District, Jiangsu, Nanjing

Patentee before: CHINA DESIGN GROUP Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220509

Address after: 210000 9 Ziyun Avenue, Qinhuai District, Nanjing, Jiangsu Province

Patentee after: China Design Group Co.,Ltd.

Patentee after: Huashe Testing Technology Co.,Ltd.

Address before: 210014 No. 9 Ziyun Avenue, Qinhuai District, Nanjing City, Jiangsu Province

Patentee before: China Design Group Co.,Ltd.

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 210014 No. 9 Ziyun Avenue, Qinhuai District, Nanjing City, Jiangsu Province

Patentee after: Huashe Testing Technology Co.,Ltd.

Patentee after: China Design Group Co.,Ltd.

Address before: 210000 9 Ziyun Avenue, Qinhuai District, Nanjing, Jiangsu Province

Patentee before: China Design Group Co.,Ltd.

Patentee before: Huashe Testing Technology Co.,Ltd.