CN109064417B - 地铁隧道图像处理方法及装置 - Google Patents

地铁隧道图像处理方法及装置 Download PDF

Info

Publication number
CN109064417B
CN109064417B CN201810756554.2A CN201810756554A CN109064417B CN 109064417 B CN109064417 B CN 109064417B CN 201810756554 A CN201810756554 A CN 201810756554A CN 109064417 B CN109064417 B CN 109064417B
Authority
CN
China
Prior art keywords
slope
boundary
value
segment
optimization
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
CN201810756554.2A
Other languages
English (en)
Other versions
CN109064417A (zh
Inventor
汪俊
鲁德宁
刘元朋
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201810756554.2A priority Critical patent/CN109064417B/zh
Publication of CN109064417A publication Critical patent/CN109064417A/zh
Application granted granted Critical
Publication of CN109064417B publication Critical patent/CN109064417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种地铁隧道图像处理方法及装置，其中，该方法包括：获取地铁隧道图像；识别地铁隧道图像中的所有边界，并确定管片边界；其中，管片边界是地铁隧道中各管片之间的边界；计算管片边界的斜率优化值，对管片边界进行斜率优化。本发明解决了现有技术中动态检测获取的地铁隧道影像存在边界偏斜的问题，提高了地铁隧道影像分析的效率和准确度。

Description

地铁隧道图像处理方法及装置
技术领域
本发明涉及轨道交通技术领域，具体而言，涉及一种地铁隧道图像处理方法及装置。
背景技术
随着轨道交通技术的快速发展，早期建设的地铁隧道基础设施已经进入养护维护期，而新建成的地铁隧道，因地质、地下水、邻近基坑施工以及本身结构负荷等各方面的综合影响，可能会使隧道结构产生渗水、裂缝、形变等危害隧道安全的变化，必须及时准确的进行长期的形变监测和病害调查以便及时发现和预报险情，保证隧道运营安全。特别是，隧道病害是隧道健康状态最直接的表观反映，如果对地铁隧道病害特征不及时预警，会使隧道基础设施进一步被破坏，一旦发生事故，给生命财产带来巨大损失。
目前地铁隧道病害检测，主要采用人工静态检查为主、少量动态检测车为辅的方式，主要在晚上线路无运营任务时进行。这种以人工为主的肉眼检测方式检测速度慢、工作效率低、占用线路时间长，不符合现代城市轨道交通发展的需求。随着三维激光扫描技术进入地铁隧道检测领域，获取的大规模三维激光点云数据不仅含有隧道坐标信息，还包含激光反射率信息，准确反映了隧道表面病害状态。通过车载三维激光扫描技术获得的高清隧道影像进行病害特征分析，能够对地铁隧道可能出现的问题及时采取处理措施。
但是，在移动地铁隧道扫描过程中，由于移动扫描初始状态标定未与隧道轴线严格垂直、设备移动过程中振动等原因，扫描得到的地铁隧道影像普遍存在管片边界偏斜问题，这对后期分析地铁隧道病害特征产生了很大的干扰，影响了病害分析的效率和准确度。
针对现有技术中动态检测获取的地铁隧道影像存在边界偏斜的问题，目前尚未提出有效的解决方案。
发明内容
本发明提供了一种地铁隧道图像处理方法及装置，以至少解决现有技术中动态检测获取的地铁隧道影像存在边界偏斜的问题。
为解决上述技术问题，根据本发明实施例的一个方面，提供了一种地铁隧道图像处理方法，包括：获取地铁隧道图像；识别地铁隧道图像中的所有边界，并确定管片边界；其中，管片边界是地铁隧道中各管片之间的边界；计算管片边界的斜率优化值，对管片边界进行斜率优化。
进一步地，识别地铁隧道图像中的所有边界，包括：对地铁隧道图像进行锐化处理，增强边界信息；采用边界检测方法识别地铁隧道图像中的所有边界；其中，边界检测方法为Canny算法。
进一步地，确定管片边界，包括：采用霍夫变换算法检测所有边界中的直线，并计算直线的斜率值；根据直线的斜率值和像素值确定管片边界。
进一步地，根据直线的斜率值和像素值确定管片边界，包括：将直线的斜率值与边界斜率区间进行对比；其中，边界斜率区间是预设的管片边界的斜率值范围区间；在直线的斜率值位于边界斜率区间内时，判断直线的像素值是否满足最小像素值；其中，最小像素值是预设的管片边界的最小像素个数；在直线的像素值满足最小像素值时，确定对应的直线为管片边界。
进一步地，计算管片边界的斜率优化值，对管片边界进行斜率优化，包括：根据管片边界的斜率值计算边界斜率优化值；根据边界斜率优化值计算管片边界上各点的优化量；根据管片边界上各点的优化量调整管片边界上各点的位置。
进一步地，边界斜率优化值为斜率加权平均值；根据管片边界的斜率值计算边界斜率优化值，包括：根据管片边界的斜率值，计算斜率算术平均值，斜率算术平均值为：
Figure GDA0003303774320000021
其中，n为管片边界的数量，Ki为第i条管片边界的斜率值；
根据计算得到的斜率算术平均值，计算斜率值与斜率算术平均值不相等的每条管片边界的斜率加权系数，斜率加权系数为：
Figure GDA0003303774320000031
其中，wj为第j(j<i)条与斜率算术平均值不相等的管片边界的斜率加权系数，Kj为第j(j<i)条与斜率算术平均值不相等的管片之间边界的斜率值，q为与斜率算术平均值不相等的所有管片边界的数量，其中，q<n；
根据斜率加权系数，计算斜率加权平均值，斜率加权平均值为：
Figure GDA0003303774320000032
其中，wj为加权系数，KA为斜率算术平均值，Kj为第j(j<i)条与斜率算术平均值不相等的管片边界的斜率。
进一步地，根据边界斜率优化值计算管片边界上各点的优化量，包括：计算管片边界上各点与该管片边界最高点之间的高度差；根据高度差和斜率加权平均值，计算边界上各点的优化量；边界上各点的优化量为：
Figure GDA0003303774320000033
其中，δi为第i个边界点的优化量，H为边界点与该管片边界最高点之间的高度差，KW为斜率加权平均值。
进一步地，在对管片边界进行斜率优化之后，还包括：检测优化后的管片边界的斜率值，并判断是否小于预设阈值；其中，预设阈值是预设的用于判断管片边界是否优化完成的值；在优化后的管片边界的斜率值大于等于预设阈值时，重新计算管片边界的斜率优化值，对管片边界进行斜率优化，直至优化后的管片边界的斜率值小于预设阈值。
根据本发明实施例的另一方面，提供了一种地铁隧道图像处理装置，包括：获取模块，用于获取地铁隧道图像；识别模块，用于识别地铁隧道图像中的所有边界，并确定管片边界；其中，管片边界是地铁隧道中各管片之间的边界；优化模块，用于计算管片边界的斜率优化值，对管片边界进行斜率优化。
进一步地，识别模块包括：预处理单元，用于对地铁隧道图像进行锐化处理，增强边界信息；边界识别单元，用于采用边界检测方法识别地铁隧道图像中的所有边界；其中，边界检测方法为Canny算法；直线识别单元，用于采用霍夫变换算法检测所有边界中的直线，并计算直线的斜率值；确定单元，用于根据直线的斜率值和像素值确定管片边界。
进一步地，确定单元包括：对比子单元，用于将直线的斜率值与边界斜率区间进行对比；其中，边界斜率区间是预设的管片边界的斜率值范围区间；判断子单元，用于在直线的斜率值位于边界斜率区间内时，判断直线的像素值是否满足最小像素值；其中，最小像素值是预设的管片边界的最小像素个数；确定子单元，用于在直线的像素值满足最小像素值时，确定对应的直线为管片边界。
进一步地，优化模块包括：斜率优化计算单元，用于根据管片边界的斜率值计算边界斜率优化值；点优化计算单元，用于根据边界斜率优化值计算管片边界上各点的优化量；调整单元，用于根据管片边界上各点的优化量调整管片边界上各点的位置。
在本发明中，为地铁隧道病害特征分析影像中管片之间边界的偏斜问题提供了准确的自动检测优化方法，具体通过以下方式实现：获取地铁隧道图像，识别地铁隧道图像中的所有边界，并确定管片边界，之后，计算管片边界的斜率优化值，对管片边界进行斜率优化。上述方法可以有效降低地铁隧道病害特征分析难度，能够更加有效的避免因管片边界偏斜导致的分析错误，提高了影像分析效率和准确度。
附图说明
图1是根据本发明实施例1的地铁隧道图像处理方法的一种可选的流程图；
图2是根据本发明实施例1的地铁隧道图像；
图3是根据本发明实施例1的地铁隧道图像的管片边界检测结果；
图4是根据本发明实施例1的地铁隧道图像斜率优化结果；以及
图5是根据本发明实施例2的地铁隧道图像处理装置的一种可选的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
实施例1
在本发明优选的实施例1中提供了一种地铁隧道图像处理方法，该方法可以直接应用至各种地铁隧道图像处理装置上，具体实现时，可以通过在写入地铁隧道图像处理装置控制器相应的程序的方式来实现。具体来说，图1示出该方法的一种可选的流程图，如图1所示，该方法包括如下步骤S102-S106：
S102：获取地铁隧道图像；
S104：识别地铁隧道图像中的所有边界，并确定管片边界；其中，管片边界是地铁隧道中各管片之间的边界；
S106：计算管片边界的斜率优化值，对管片边界进行斜率优化。
在上述实施方式中，为地铁隧道病害特征分析影像中管片之间边界的偏斜问题提供了准确的自动检测优化方法，具体通过以下方式实现：获取地铁隧道图像，识别地铁隧道图像中的所有边界，并确定管片边界，之后，计算管片边界的斜率优化值，对管片边界进行斜率优化。上述方法可以有效降低地铁隧道病害特征分析难度，能够更加有效的避免因管片边界偏斜导致的分析错误，提高了影像分析效率和准确度。
图2所示的是地铁隧道影像图，该地铁隧道影像图是地铁隧道管片展开图像，如图2所示，该影像中的边界线不仅仅只有管片与管片之间的边界线，还有每个管片内部管片块接缝边界以及隧道管片横向边界线，这对检测识别管片之间的边界线造成了很大的干扰，基于上述因素，本发明需要对不同类型的边界线进行区分辨别，使后续处理步骤的对象只有管片之间的边界线。
具体地，可以通过如下步骤实现：对地铁隧道图像进行锐化处理，增强边界信息；采用边界检测方法识别地铁隧道图像中的所有边界；其中，边界检测方法为Canny算法。识别出所有边界后，采用霍夫变换算法检测所有边界中的直线，并计算直线的斜率值；根据直线的斜率值和像素值确定管片边界。
在上述实施方式中，根据直线的斜率值和像素值确定管片边界，包括：将直线的斜率值与边界斜率区间进行对比；其中，边界斜率区间是预设的管片边界的斜率值范围区间；在直线的斜率值位于边界斜率区间内时，判断直线的像素值是否满足最小像素值；其中，最小像素值是预设的管片边界的最小像素个数；在直线的像素值满足最小像素值时，确定对应的直线为管片边界。根据影像中已经检测到的边界，通过边界线上的像素点坐标计算该边界线的斜率，遍历所有已检测的边界，计算各边界线的斜率得到斜率分布范围。管片之间的边界线斜率较大，一般在5.6～6.0之间，其他非管片间的边界线斜率较小，一般在-0.1～+0.1之间。由已获得的边界斜率分布范围可知，非管片之间的边界斜率和管片之间的边界斜率有明显区别，为提高区分准确度，边界斜率区间取为[1，100]。根据已确定的斜率区分预设区间，排除影像中非各管片之间的边界，确定所述影像中各管片之间的边界。根据已确定的斜率区分预设区间[1，100]，符合该预设区间要求的边界，并且像素值满足最小像素值，均属于管片之间的边界，其他的则为非管片之间边界。从而排除了影像中非各管片之间的边界，使后续处理步骤的对象只有管片之间的边界线。
图3显示了根据本发明实施例的地铁隧道图像的边界检测结果，管片间的边界直线已被识别并提取(图中椭圆标识部分)。由此可见，上述实施方式能够切实可行地排除地铁隧道病害特征分析影像中其他边界的干扰，自动提取需要的管片边界直线。
在提取管片边界后，进一步地，计算管片边界的斜率优化值，对管片边界进行斜率优化，包括：根据管片边界的斜率值计算边界斜率优化值；根据边界斜率优化值计算管片边界上各点的优化量；根据管片边界上各点的优化量调整管片边界上各点的位置。
优选地，边界斜率优化值为斜率加权平均值；根据管片边界的斜率值计算边界斜率优化值，包括：根据管片边界的斜率值，计算斜率算术平均值，斜率算术平均值为：
Figure GDA0003303774320000071
其中，n为管片边界的数量，Ki为第i条管片边界的斜率值；
根据计算得到的斜率算术平均值，计算斜率值与斜率算术平均值不相等的每条管片边界的斜率加权系数，斜率加权系数为：
Figure GDA0003303774320000072
其中，wj为第j(j<i)条与斜率算术平均值不相等的管片边界的斜率加权系数，Kj为第j(j<i)条与斜率算术平均值不相等的管片之间边界的斜率值，q为与斜率算术平均值不相等的所有管片边界的数量，其中，q<n；
根据斜率加权系数，计算斜率加权平均值，斜率加权平均值为：
Figure GDA0003303774320000073
其中，wj为加权系数，KA为斜率算术平均值，Kj为第j(j<i)条与斜率算术平均值不相等的管片边界的斜率。
进一步地，根据边界斜率优化值计算管片边界上各点的优化量，包括：计算管片边界上各点与该管片边界最高点之间的高度差；根据高度差和斜率加权平均值，计算边界上各点的优化量；边界上各点的优化量为：
Figure GDA0003303774320000074
其中，δi为第i个边界点的优化量，H为边界点与该管片边界最高点之间的高度差，KW为斜率加权平均值。
在本发明另一个优选的实施方式中，在对管片边界进行斜率优化之后，还包括：检测优化后的管片边界的斜率值，并判断是否小于预设阈值；其中，预设阈值是预设的用于判断管片边界是否优化完成的值；在优化后的管片边界的斜率值大于等于预设阈值时，重新计算管片边界的斜率优化值，对管片边界进行斜率优化，直至优化后的管片边界的斜率值小于预设阈值。
图4为根据本发明实施例的地铁隧道图像优化结果示意图，与图2相比，其影像内管片间边界线偏斜问题已优化，而其他非管片之间的边界没有发生任何变化。基于此，能够准确地优化地铁隧道病害特征分析影像中存在的管片间边界偏移问题，还原地铁隧道的真实情况。对影像中管片之间偏斜边界的自动检测和优化可以克服人工手动检测耗时耗力、准确度不高、容易漏检等缺点，为地铁隧道病害特征分析处理了一种高效的手段。
实施例2
基于上述实施例1中提供的地铁隧道图像处理方法，在本发明优选的实施例2中还提供了一种地铁隧道图像处理装置，具体地，图5示出该装置的一种可选的结构框图，如图5所示，该装置包括：
获取模块502，用于获取地铁隧道图像；
识别模块504，与获取模块502连接，用于识别地铁隧道图像中的所有边界，并确定管片边界；其中，管片边界是地铁隧道中各管片之间的边界；
优化模块506，与识别模块504连接，用于计算管片边界的斜率优化值，对管片边界进行斜率优化。
在上述实施方式中，为地铁隧道病害特征分析影像中管片之间边界的偏斜问题提供了准确的自动检测优化方法，具体通过以下方式实现：获取地铁隧道图像，识别地铁隧道图像中的所有边界，并确定管片边界，之后，计算管片边界的斜率优化值，对管片边界进行斜率优化。上述方法可以有效降低地铁隧道病害特征分析难度，能够更加有效的避免因管片边界偏斜导致的分析错误，提高了影像分析效率和准确度。
优选地，识别模块包括：预处理单元，用于对地铁隧道图像进行锐化处理，增强边界信息；边界识别单元，用于采用边界检测方法识别地铁隧道图像中的所有边界；其中，边界检测方法为Canny算法；直线识别单元，用于采用霍夫变换算法检测所有边界中的直线，并计算直线的斜率值；确定单元，用于根据直线的斜率值和像素值确定管片边界。
进一步地，确定单元包括：对比子单元，用于将直线的斜率值与边界斜率区间进行对比；其中，边界斜率区间是预设的管片边界的斜率值范围区间；判断子单元，用于在直线的斜率值位于边界斜率区间内时，判断直线的像素值是否满足最小像素值；其中，最小像素值是预设的管片边界的最小像素个数；确定子单元，用于在直线的像素值满足最小像素值时，确定对应的直线为管片边界。
可选地，优化模块包括：斜率优化计算单元，用于根据管片边界的斜率值计算边界斜率优化值；点优化计算单元，用于根据边界斜率优化值计算管片边界上各点的优化量；调整单元，用于根据管片边界上各点的优化量调整管片边界上各点的位置。
关于上述实施例中的装置，其中各个单元、模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (7)

1.一种地铁隧道图像处理方法，其特征在于，包括：
获取地铁隧道图像；
识别所述地铁隧道图像中的所有边界，并确定管片边界；其中，所述管片边界是地铁隧道中各管片之间的边界；
计算所述管片边界的斜率优化值，对所述管片边界进行斜率优化：包括：
根据所述管片边界的斜率值计算边界斜率优化值；
根据所述边界斜率优化值计算所述管片边界上各点的优化量；
根据所述管片边界上各点的优化量调整所述管片边界上各点的位置；
所述确定管片边界，包括：
采用霍夫变换算法检测所述所有边界中的直线，并计算所述直线的斜率值；
根据所述直线的斜率值和像素值确定所述管片边界，包括：将所述直线的斜率值与边界斜率区间进行对比；其中，所述边界斜率区间是预设的所述管片边界的斜率值范围区间；在所述直线的斜率值位于所述边界斜率区间内时，判断所述直线的像素值是否满足最小像素值；其中，所述最小像素值是预设的所述管片边界的最小像素个数；在所述直线的像素值满足所述最小像素值时，确定对应的直线为所述管片边界。
2.根据权利要求1所述的方法，其特征在于，所述识别所述地铁隧道图像中的所有边界，包括：
对所述地铁隧道图像进行锐化处理，增强边界信息；
采用边界检测方法识别所述地铁隧道图像中的所有边界；其中，所述边界检测方法为Canny算法。
3.根据权利要求1所述的方法，其特征在于，所述边界斜率优化值为斜率加权平均值；所述根据所述管片边界的斜率值计算边界斜率优化值，包括：
根据所述管片边界的斜率值，计算斜率算术平均值，所述斜率算术平均值为：
Figure FDA0003434911470000021
其中，n为所述管片边界的数量，Ki为第i条所述管片边界的斜率值；
根据计算得到的所述斜率算术平均值，计算斜率值与所述斜率算术平均值不相等的每条管片边界的斜率加权系数，所述斜率加权系数为：
Figure FDA0003434911470000022
其中，wj为第j条与所述斜率算术平均值不相等的所述管片边界的斜率加权系数，Kj为第j条与所述斜率算术平均值不相等的所述管片之间边界的斜率值，q为与所述斜率算术平均值不相等的所有管片边界的数量，其中，q<n，j<i；
根据所述斜率加权系数，计算所述斜率加权平均值，所述斜率加权平均值为：
Figure FDA0003434911470000023
其中，wj为所述斜率加权系数，KA为所述斜率算术平均值，Kj为第j条与所述斜率算术平均值不相等的所述管片边界的斜率。
4.根据权利要求3所述的方法，其特征在于，所述根据所述边界斜率优化值计算所述管片边界上各点的优化量，包括：
计算所述管片边界上各点与该管片边界最高点之间的高度差；
根据所述高度差和所述斜率加权平均值，计算所述边界上各点的优化量；所述边界上各点的优化量为：
Figure FDA0003434911470000024
其中，δi为第i个边界点的优化量，H为所述边界点与该管片边界最高点之间的高度差，KW为所述斜率加权平均值。
5.根据权利要求4所述的方法，其特征在于，在所述对所述管片边界进行斜率优化之后，还包括：
检测优化后的所述管片边界的斜率值，并判断是否小于预设阈值；其中，预设阈值是预设的用于判断所述管片边界是否优化完成的值；
在优化后的所述管片边界的斜率值大于等于所述预设阈值时，重新计算所述管片边界的斜率优化值，对所述管片边界进行斜率优化，直至优化后的所述管片边界的斜率值小于预设阈值。
6.一种地铁隧道图像处理装置，其特征在于，包括：
获取模块，用于获取地铁隧道图像；
识别模块，用于识别所述地铁隧道图像中的所有边界，并确定管片边界；其中，所述管片边界是地铁隧道中各管片之间的边界；
优化模块，用于计算所述管片边界的斜率优化值，对所述管片边界进行斜率优化；
所述优化模块包括：
斜率优化计算单元，用于根据所述管片边界的斜率值计算边界斜率优化值；
点优化计算单元，用于根据所述边界斜率优化值计算所述管片边界上各点的优化量；
调整单元，用于根据所述管片边界上各点的优化量调整所述管片边界上各点的位置；
所述识别模块包括：
直线识别单元，用于采用霍夫变换算法检测所述所有边界中的直线，并计算所述直线的斜率值；
确定单元，用于根据所述直线的斜率值和像素值确定所述管片边界；
所述确定单元包括：
对比子单元，用于将所述直线的斜率值与边界斜率区间进行对比；其中，所述边界斜率区间是预设的所述管片边界的斜率值范围区间；
判断子单元，用于在所述直线的斜率值位于所述边界斜率区间内时，判断所述直线的像素值是否满足最小像素值；其中，所述最小像素值是预设的所述管片边界的最小像素个数；
确定子单元，用于在所述直线的像素值满足所述最小像素值时，确定对应的直线为所述管片边界。
7.根据权利要求6所述的装置，其特征在于，所述识别模块包括：
预处理单元，用于对所述地铁隧道图像进行锐化处理，增强边界信息；
边界识别单元，用于采用边界检测方法识别所述地铁隧道图像中的所有边界；其中，所述边界检测方法为Canny算法。
CN201810756554.2A 2018-07-11 2018-07-11 地铁隧道图像处理方法及装置 Active CN109064417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810756554.2A CN109064417B (zh) 2018-07-11 2018-07-11 地铁隧道图像处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810756554.2A CN109064417B (zh) 2018-07-11 2018-07-11 地铁隧道图像处理方法及装置

Publications (2)

Publication Number Publication Date
CN109064417A CN109064417A (zh) 2018-12-21
CN109064417B true CN109064417B (zh) 2022-03-15

Family

ID=64815879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810756554.2A Active CN109064417B (zh) 2018-07-11 2018-07-11 地铁隧道图像处理方法及装置

Country Status (1)

Country Link
CN (1) CN109064417B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554664B (zh) * 2021-07-06 2024-02-09 南京航空航天大学 一种地铁隧道反射率影像优化剪裁方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104808248A (zh) * 2015-04-22 2015-07-29 长江大学 基于电成像测井全井眼图像的地层产状检测方法
CN105547602A (zh) * 2015-11-04 2016-05-04 上海大学 一种地铁隧道管片渗漏水的远距离测量方法
CN106682652A (zh) * 2017-02-27 2017-05-17 上海大学 基于增强现实的结构表面病害巡检和分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7490828B2 (en) * 2005-10-17 2009-02-17 Avago Technologies Ecbu Ip (Singapore) Pte. Ltd. Image-based edge detection of stacked sheet media

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104808248A (zh) * 2015-04-22 2015-07-29 长江大学 基于电成像测井全井眼图像的地层产状检测方法
CN105547602A (zh) * 2015-11-04 2016-05-04 上海大学 一种地铁隧道管片渗漏水的远距离测量方法
CN106682652A (zh) * 2017-02-27 2017-05-17 上海大学 基于增强现实的结构表面病害巡检和分析方法

Also Published As

Publication number Publication date
CN109064417A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN111322985B (zh) 基于激光点云的隧道限界分析方法、装置和系统
US11551341B2 (en) Method and device for automatically drawing structural cracks and precisely measuring widths thereof
CN109754368B (zh) 一种桥梁质量检测中的裂缝拼接方法
CN108230344B (zh) 一种隧道渗漏水病害自动识别方法
CN109489724B (zh) 一种隧道列车安全运行环境综合检测装置及检测方法
CN107798293A (zh) 一种道路裂缝检测装置
CN103196372B (zh) 一种电气化铁路接触网支持装置的光学成像检测方法
CN110567680B (zh) 一种基于角度比对的轨道扣件松动检测方法
CN104101600A (zh) 连铸坯断面微小裂纹检测方法及装置
CN105133471A (zh) 一种基于线结构光路面检测系统的路面深度图像生产方法
Shahrokhinasab et al. Performance of image-based crack detection systems in concrete structures
CN115880304A (zh) 基于复杂场景下的枕轨缺陷识别方法
CN109993742B (zh) 基于对角导数算子的桥梁裂缝快速识别方法
CN111539927B (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测方法
CN117173661B (zh) 基于计算机视觉的沥青道路质量检测方法
CN110619328A (zh) 基于图像处理和深度学习的船舶水尺读数智能识别方法
CN111080650A (zh) 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法
CN108508023B (zh) 一种铁路接触网中接触端部顶紧螺栓的缺陷检测系统
CN112198170A (zh) 一种无缝钢管外表面三维检测中识别水滴的检测方法
CN109064417B (zh) 地铁隧道图像处理方法及装置
CN115082849A (zh) 基于深度学习的模板支架安全智能监测方法
CN110672632A (zh) 一种隧道病害识别方法
CN117610375A (zh) 基于机器视觉的桥梁悬浇施工数字孪生方法、装置和设备
CN116309447B (zh) 一种基于深度学习的水坝斜坡裂缝检测方法
CN112785594B (zh) 基于图像二维幅值估计的桥梁自动结构裂缝识别方法

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