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 PDFInfo
- 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
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
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:
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:
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: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。
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。
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。
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。
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。
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)
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)
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)
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 |
-
2018
- 2018-07-31 CN CN201810858580.6A patent/CN109146853B/zh active Active
Patent Citations (1)
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)
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 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN109146853B (zh) | 基于his不同光学特性的桥梁麻面缺陷检测方法 | |
Yiyang | The design of glass crack detection system based on image preprocessing technology | |
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 | |
CN109544562B (zh) | 基于图像的钢筋端面自动识别计数算法 | |
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 | |
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 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN111862223B (zh) | 一种电子元件的视觉计数及定位方法 |
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 |