CN109146853B - 基于his不同光学特性的桥梁麻面缺陷检测方法 - Google Patents

基于his不同光学特性的桥梁麻面缺陷检测方法 Download PDF

Info

Publication number
CN109146853B
CN109146853B CN201810858580.6A CN201810858580A CN109146853B CN 109146853 B CN109146853 B CN 109146853B CN 201810858580 A CN201810858580 A CN 201810858580A CN 109146853 B CN109146853 B CN 109146853B
Authority
CN
China
Prior art keywords
image
pitted surface
value
height
gray
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
CN201810858580.6A
Other languages
English (en)
Other versions
CN109146853A (zh
Inventor
贺福强
平安
姚学练
罗红
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.)
Guizhou University
Original Assignee
Guizhou 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 Guizhou University filed Critical Guizhou University
Priority to CN201810858580.6A priority Critical patent/CN109146853B/zh
Publication of CN109146853A publication Critical patent/CN109146853A/zh
Application granted granted Critical
Publication of CN109146853B publication Critical patent/CN109146853B/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
    • 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
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于HIS不同光学特性的桥梁麻面缺陷检测方法。本发明通过图像识别技术来检测桥梁麻面缺陷，这样的方式检测效率高，而且准确可靠，相对于目前检测人员采用目测、使用红外线或超声波等检测技术而言，其检测时间显著降低，检测质量也有大幅的提升。

Description

基于HIS不同光学特性的桥梁麻面缺陷检测方法
技术领域
本发明涉及图像处理技术领域，具体为一种基于HIS不同光学特性的桥梁麻面缺陷检测方法。
背景技术
混凝土桥梁结构的安全维护是保障顺畅交通运输的必要工作。而在混凝土桥梁结构施工过程和后期使用过程中，往往会产生各种形式的缺陷，例如麻面、蜂窝和裂缝等。麻面、蜂窝不仅影响混凝土结构外观质量，而且对建筑工程带来安全隐患。因此，对混凝土结构麻面、蜂窝的检测与维护十分必要。
目前，国内大部分桥梁缺陷检测都是依靠于检测人员目测或使用红外线、超声波等检测技术，需要耗费大量的人力、物力，其效率和检测质量也不是很理想，以至于不能及时对桥梁采取适当的安全维护措施。
发明内容
本发明的目的是提供了一种基于HIS不同光学特性的桥梁麻面缺陷检测方法，它能提高桥梁麻面缺陷的检测效率，并且准确性高，以克服现有技术的不足。
本发明是这样实现的：基于HIS不同光学特性的桥梁麻面缺陷检测方法，该方法的步骤如下：
1)将待处理的彩色图像由RGB彩色空间转换为HSI彩色空间，提取获得彩色图像的H分量图像，S分量图像或I分量图像；
2)根据麻面缺陷在S分量图像或I分量图像中的区域分布以及灰度差异性，对对应的分量图像进行预处理，找出对应的分量图像灰度直方图中缺陷灰度值的波峰波谷；
3)根据步骤2)的波峰波谷的情况对相应分量图像进行分割，获得二值化图像，再对二值化图像去噪；
4)统计去噪后的二值图像连通区域的面积，对麻面缺陷进行分类。
步骤1)中所述的将待处理的彩色图像由RGB彩色空间转换为HSI彩色空间的转换公式为：
Figure BDA0001749155220000021
其中
Figure BDA0001749155220000022
Figure BDA0001749155220000023
其中，R,G,B分别为图像中一个像素的红色、绿色、蓝色分量，H,S,I分别为图像中一个像素的色调、饱和度和亮度分量。
步骤2)中所述的根据麻面缺陷在S分量图像或I分量图像中的区域分布以及灰度差异性，对图像进行预处理，找出图像灰度直方图中缺陷灰度值的波峰波谷；具体为：
①将S分量图像的灰度直方图中每相邻的两个灰度值之间求差分(diff(N),N∈[0,255])，然后差分值取绝对值，计算图像像素的灰度值的总体偏差值std；
②根据diff(N)，寻求灰度直方图中波峰波谷的灰度值，波峰记为peak(i)，波谷记为trough(i)；
③求出各个波峰与相邻波谷的高度差height(i)，判断高度差height(i)与总体偏差值std之间的大小，若height(i)>std，则保留该波峰波谷，记为height′(i)，否则剔除；
④对保留的height′(i)求局部偏差deviation，再次筛选满足条件的波峰与波谷，若height(i)>deviation，保留该波峰波谷，记为height″(i)，否则剔除；
⑤求出height″(i)中波峰的最大值max(peak(i))，根据该波峰找到其相邻的波谷点，取max(trough(i))为阈值threshold，若S分量图像像素点的灰度值N<threshold，则该像素点置0，否则像素点置为255；
⑥统计二值图像连通区域的总面积area，并计算连通区域总面积所占图像的面积比△1，判断△1的大小，若△1>exp(exp为经验值)，执行步骤S3，否则提取I分量图像执行步骤2)；
其中，当I分量图像执行步骤2)时，求出height″(i)中波峰的最小值min(peak(i))，取min(peak(i))为阈值threshold，若像素点的灰度值N>threshold，则该像素点置0，否则像素点置为255。
步骤3)中所述的实现图像分割，对二值化图像去噪，具体为：计算二值图像各个连通区域的面积area(i)，设置阈值实现二值图像的去噪处理，若area(i)<minarea×p，则剔除该连通区域；其中，minarea为连通区域面积最小的值，p为比例系数。
步骤4)中所述的统计二值图像连通区域的面积，对麻面缺陷破坏程度进行分类；具体为：统计二值图像连通区域的总面积area′，并计算连通区域总面积所占连通区域最小外接矩形面积S的密集度△2，若△2≤T1，则判定该图像的麻面缺陷破坏程度属于Ⅰ级；否则，若△2≤T2，则判定该图像的麻面缺陷破坏程度属于II级；否则判定该图像的麻面缺陷破坏程度属于Ⅲ级。
有益效果
与现有技术相比，本发明通过图像识别技术来检测桥梁麻面缺陷，这样的方式检测效率高，而且准确可靠，相对于目前检测人员采用目测、使用红外线或超声波等检测技术而言，其检测时间显著降低，检测质量也有大幅的提升。
附图说明
图1是本发明基于图像处理的桥梁麻面缺陷检测结构框图。
图2是本发明基于图像处理的桥梁麻面缺陷检测流程示意图。
图3是本发明基于图像处理的桥梁麻面缺陷检测灰度图像。
图4是本发明基于图像处理的桥梁麻面缺陷检测图像分割的目标图像。
具体实施方式
本发明的实施例：基于HIS不同光学特性的桥梁麻面缺陷检测方法
1)由于麻面缺陷形状不规则且分散成多个区域，若将原彩色图像直接灰度化，灰度图像中缺陷和背景不易区分；而彩色图像由RGB彩色空间转换为HSI彩色空间后，缺陷区域的饱和度S或亮度I与背景有较明显的差异，便于缺陷的识别。
因此，将待处理的彩色图像由RGB彩色空间转换为HSI彩色空间，提取获得彩色图像的H分量图像，S分量图像或I分量图像，转换公式为：
Figure BDA0001749155220000041
其中
Figure BDA0001749155220000042
Figure BDA0001749155220000043
其中，R,G,B分别为图像中一个像素的红色、绿色、蓝色分量，H,S,I分别为图像中一个像素的色调、饱和度和亮度分量。
2)麻面缺陷在S分量图像或I分量图像中以块状形式聚集在多个区域，其灰度值较集中且与背景灰度值有明显差异，在灰度直方图中形成急剧变化的波峰。本发明基于此特征找出缺陷灰度值形成的波峰波谷，并据此设置阈值实现图像分割。具体方法如下：
①获取S分量图像，并采用模板为3×3的高斯低通滤波器对图像进行去噪处理，使图像的灰度直方图曲线趋于顺滑，去除噪声引起的微小毛刺，见图3。该滤波器的二维形式为：
Figure BDA0001749155220000051
其中取σ＝1，D(u,v)是距频率矩形中心的距离。
②对各个灰度值求差分(diff(N),N∈[0,254])，对差分值取绝对值(abs(diff(N)))，依据该值计算出图像灰度值的总体偏差std。偏差值std反映图像各个像素点的灰度值之间分散程度，std值小表明灰度值比较集中，std值大表明灰度值比较分散。
diff(N)＝hist(N+1)-hist(N)，其中hist(N)是灰度值N的像素个数。
Figure BDA0001749155220000052
其中
Figure BDA0001749155220000053
是abs(diff(N))的平均值。
③根据差分diff(N)求出灰度直方图中所有波峰波谷的坐标，波峰记为peak(i)，波谷记为trough(i)：①当diff(N)<0时，判断diff(N+1)的值，若diff(N+1)>0，则在灰度直方图中，灰度值(N+1)为波谷；若diff(N+1)<0，寻找diff(N+M)>0,则灰度值(N+M)为波谷；②当diff(N)>0时，判断diff(N+1)的值，若diff(N+1)<0，则灰度值(N+1)为波峰，；若diff(N+1)<0，寻找diff(N+M)<0，则灰度值(N+M)为波峰。
④求出各个波峰与相邻波谷的高度差height(i)，并取其中的最大值。
height(i)＝max(abs(peak(i)-trough(i)),abs(peak(i)-trough(i+1)))
⑤判断height(i)与std的大小，height(i)越大表明该波峰到波谷范围内的灰度值变化急剧，height(i)越小表明该波峰到波谷范围内的灰度值变化趋于平缓。麻面缺陷灰度值与背景差异较大，故在灰度直方图中产生高度差较大的波峰波谷。若height(i)>std，则保留该波峰波谷，记为height′(i)，否则剔除。
⑥经过上一步的筛选，不能完全将噪声干扰去除，需要进行二次筛选。对保留的height′(i)求局部偏差，再次筛选满足条件的波峰与波谷。
Figure BDA0001749155220000061
其中
Figure BDA0001749155220000062
为S2.5剔除后height′(i)的平均值，M是height′(i)的个数。
判断height′(i)与deviation的大小，若height(i)>deviation，保留该波峰波谷，记为height″(i)，否则剔除。
⑦求出height″(i)中波峰的最大值max(peak(i))，根据该波峰找到其相邻的波谷点，取max(trough(i))为阈值threshold，灰度图像二值化，若S分量图像像素点的灰度值N<threshold，则该像素点置0，否则像素点置为255。
⑧麻面缺陷种类繁多，颜色也有很大的区别。本发明方法选取饱和度S或亮度I作为特征指标需要进行判断：
统计二值图像连通区域的总面积area，并计算连通区域总面积所占图像的面积比△1，判断△1的大小，若△1>exp(exp为经验值)，执行步骤3)，否则提取I分量图像执行步骤2)。
其中，当I分量图像执行步骤⑦时，求出height″(i)中波峰的最小值min(peak(i))，取min(peak(i))为阈值threshold，若像素点的灰度值N>threshold，则该像素点置0，否则像素点置为255。
3)计算二值图像各个连通区域的面积area(i)，设置阈值实现二值图像的去噪处理，若area(i)<minarea×p(其中，minarea为连通区域面积最小的值，p为比例系数)，则剔除该连通区域。
4)统计二值图像连通区域的总面积area′，并计算连通区域总面积所占连通区域最小外接矩形面积S的密集度△2，最终结果如图4所示。
Figure BDA0001749155220000071
若△2≤T1，则判定该图像的麻面缺陷破坏程度属于Ⅰ级；否则，若△2≤T2，则判定该图像的麻面缺陷破坏程度属于II级；否则判定该图像的麻面缺陷破坏程度属于Ⅲ级。其中，T1、T2为经验值，取T1＝0.2、T2＝0.4。
根据实例图3所示，计算二值图像连通区域的总面积为30705，最小外接矩形面积为246576，则该图像的麻面缺陷密集度为0.1245，属于Ⅰ级麻面。

Claims (4)

1.一种基于HIS不同光学特性的桥梁麻面缺陷检测方法，其特征在于，该方法的步骤如下：
1)将待处理的彩色图像由RGB彩色空间转换为HSI彩色空间，提取获得彩色图像的H分量图像，S分量图像或I分量图像；
2)根据麻面缺陷在S分量图像或I分量图像中的区域分布以及灰度差异性，对对应的分量图像进行预处理，找出对应的分量图像灰度直方图中缺陷灰度值的波峰波谷；
3)根据步骤2)的波峰波谷的情况对相应分量图像进行分割，获得二值化图像，再对二值化图像去噪；
4)统计去噪后的二值图像连通区域的面积，对麻面缺陷进行分类；
步骤2)中所述的根据麻面缺陷在S分量图像或I分量图像中的区域分布以及灰度差异性，对图像进行预处理，找出图像灰度直方图中缺陷灰度值的波峰波谷；具体为：
①将S分量图像的灰度直方图中每相邻的两个灰度值之间求差分(diff(N),N∈[0,255])，然后差分值取绝对值，计算图像像素的灰度值的总体偏差值std；
②根据diff(N)，寻求灰度直方图中波峰波谷的灰度值，波峰记为peak(i)，波谷记为trough(i)；
③求出各个波峰与相邻波谷的高度差height(i)，判断高度差height(i)与总体偏差值std之间的大小，若height(i)>std，则保留该波峰波谷，记为height′(i)，否则剔除；
④对保留的height′(i)求局部偏差deviation，再次筛选满足条件的波峰与波谷，若height(i)>deviation，保留该波峰波谷，记为height″(i)，否则剔除；
⑤求出height″(i)中波峰的最大值max(peak(i))，根据该波峰找到其相邻的波谷点，取max(trough(i))为阈值threshold，若S分量图像像素点的灰度值N<threshold，则该像素点置0，否则像素点置为255；
⑥统计二值图像连通区域的总面积area，并计算连通区域总面积所占图像的面积比△1，判断△1的大小，若△1>exp，exp为经验值，执行步骤S3，否则提取I分量图像执行步骤2)；
其中，当I分量图像执行步骤2)时，求出height″(i)中波峰的最小值min(peak(i))，取min(peak(i))为阈值threshold，若像素点的灰度值N>threshold，则该像素点置0，否则像素点置为255。
2.根据权利要求1所述的基于HIS不同光学特性的桥梁麻面缺陷检测方法，其特征在于：步骤1)中所述的将待处理的彩色图像由RGB彩色空间转换为HSI彩色空间的转换公式为：
Figure FDA0003640752400000021
其中
Figure FDA0003640752400000022
Figure FDA0003640752400000023
其中，R,G,B分别为图像中一个像素的红色、绿色、蓝色分量，H,S,I分别为图像中一个像素的色调、饱和度和亮度分量。
3.根据权利要求1所述的基于HIS不同光学特性的桥梁麻面缺陷检测方法，其特征在于：步骤3)中所述的对相应分量图像进行分割，获得二值化图像，再对二值化图像去噪，具体为：计算二值图像各个连通区域的面积area(i)，设置阈值实现二值图像的去噪处理，若area(i)<minarea×p，则剔除该连通区域；其中，minarea为连通区域面积最小的值，p为比例系数。
4.根据权利要求1所述的基于HIS不同光学特性的桥梁麻面缺陷检测方法，其特征在于：步骤4)中所述的统计二值图像连通区域的面积，对麻面缺陷破坏程度进行分类；具体为：统计二值图像连通区域的总面积area′，并计算连通区域总面积所占连通区域最小外接矩形面积S的密集度△2，若△2≤T1，则判定该图像的麻面缺陷破坏程度属于Ⅰ级；否则，若△2≤T2，则判定该图像的麻面缺陷破坏程度属于Ⅱ级；否则判定该图像的麻面缺陷破坏程度属于Ⅲ级。
CN201810858580.6A 2018-07-31 2018-07-31 基于his不同光学特性的桥梁麻面缺陷检测方法 Active CN109146853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810858580.6A CN109146853B (zh) 2018-07-31 2018-07-31 基于his不同光学特性的桥梁麻面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810858580.6A CN109146853B (zh) 2018-07-31 2018-07-31 基于his不同光学特性的桥梁麻面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN109146853A CN109146853A (zh) 2019-01-04
CN109146853B true CN109146853B (zh) 2022-07-01

Family

ID=64798406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810858580.6A Active CN109146853B (zh) 2018-07-31 2018-07-31 基于his不同光学特性的桥梁麻面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN109146853B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886133B (zh) * 2019-01-25 2020-11-03 北京市遥感信息研究所 一种基于光学遥感图像的船只检测方法及系统
CN113516193B (zh) * 2021-07-19 2024-03-01 中国农业大学 基于图像处理的红枣缺陷识别分类方法及装置
CN114445410A (zh) * 2022-04-11 2022-05-06 武汉飞恩微电子有限公司 基于图像识别的电路板检测方法、计算机及可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169953A (zh) * 2017-04-07 2017-09-15 西安电子科技大学 基于hog特征的桥梁混凝土表面裂缝检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI603074B (zh) * 2015-07-03 2017-10-21 元智大學 光學薄膜缺陷辨識方法及其系統

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169953A (zh) * 2017-04-07 2017-09-15 西安电子科技大学 基于hog特征的桥梁混凝土表面裂缝检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
光照不均匀图像的灰度波动局部阈值分割;朱磊等;《计算机工程与应用》;20151231;第51卷(第12期);全文 *
基于HS分量联合统计的自适应阈值分割算法;李峻等;《东南大学学报》;20100930;第40卷;全文 *

Also Published As

Publication number Publication date
CN109146853A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109872300B (zh) 一种摩擦片外观缺陷的视觉显著性检测方法
CN109146853B (zh) 基于his不同光学特性的桥梁麻面缺陷检测方法
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
Yiyang The design of glass crack detection system based on image preprocessing technology
CN109544562B (zh) 基于图像的钢筋端面自动识别计数算法
CN108038883B (zh) 一种应用于公路路面视频图像的裂缝检测及识别方法
CN111260616A (zh) 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法
CN112149543B (zh) 一种基于计算机视觉的建筑扬尘识别系统与方法
CN103942816B (zh) 一种基于图像处理的木材单板节子数量和大小的识别方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN106485708B (zh) 一种基于图像识别的圆木计数方法
CN109544583B (zh) 一种提取皮革图像感兴趣区域的方法、装置及设备
CN106875412B (zh) 一种两个重叠果实的分割定位方法
CN111932490B (zh) 一种用于工业机器人的视觉系统抓取信息提取方法
CN114219773B (zh) 一种桥梁裂缝检测数据集预筛选与标定方法
CN104700417A (zh) 木材节子瑕疵的计算机图像自动识别方法
CN114511770A (zh) 道路标识标牌识别方法
CN117036341A (zh) 一种基于图像处理的路面裂缝检测方法
CN113252103A (zh) 一种基于matlab图像识别技术计算物料堆体积及质量的方法
CN106815602B (zh) 一种基于多层次特征描述的跑道fod图像探测方法及装置
CN116542968A (zh) 一种基于模板匹配的钢筋智能计数方法
CN115731493A (zh) 基于视频图像识别的降水微物理特征参量提取与分析方法
CN113962994B (zh) 基于图像处理的三连杆上锁销清洁度检测方法
CN109446896B (zh) 基于图像处理的无人机信号识别检测算法
CN113971681A (zh) 一种复杂环境下带式输送机边缘检测方法

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