CN109300103B - 一种混凝土表面裂缝宽度检测方法 - Google Patents

一种混凝土表面裂缝宽度检测方法 Download PDF

Info

Publication number
CN109300103B
CN109300103B CN201710605832.XA CN201710605832A CN109300103B CN 109300103 B CN109300103 B CN 109300103B CN 201710605832 A CN201710605832 A CN 201710605832A CN 109300103 B CN109300103 B CN 109300103B
Authority
CN
China
Prior art keywords
concrete
wet area
crack
liquid
frame
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
CN201710605832.XA
Other languages
English (en)
Other versions
CN109300103A (zh
Inventor
安雪晖
刘祖光
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN201710605832.XA priority Critical patent/CN109300103B/zh
Publication of CN109300103A publication Critical patent/CN109300103A/zh
Application granted granted Critical
Publication of CN109300103B publication Critical patent/CN109300103B/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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20081—Training; Learning
    • 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

本发明公开了一种混凝土表面裂缝宽度检测方法：A、在包含有裂缝的混凝土表面喷预定量的液体，在预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中预定时间间隔下的帧照片；将在该混凝土表面获取的一组帧照片与该混凝土表面的裂缝宽度对应保存到训练集中；根据在不同裂缝宽度处混凝土吸收液体的速率不同，对N个包含有裂缝的混凝土表面区域进行采样，重复执行步骤A；B、将所述训练集采用深度学习的方法训练模型，得到训练后的模型；C、为待检测包含有裂缝的混凝土表面进行喷水的视频记录，将在该混凝土表面获取的一组帧照片输入所述模型进行检测，得到该混凝土表面的裂缝宽度。本发明能够快速、准确、直接地检测裂缝宽度。

Description

一种混凝土表面裂缝宽度检测方法
技术领域
本发明涉及混凝土技术领域，特别涉及一种混凝土表面裂缝宽度检测方法。
背景技术
近年来，我国每年新建建筑约20亿平方米。到2020年底，全国房屋建筑面积预计新增400亿平方米，建筑数量巨大，建设速度迅速。然而，由于前些年对混凝土结构的耐久性重视不足，导致大量的结构在未达到使用年限的情况下严重劣化。这种情况下就需要对结构的劣化情况做一个准确的评估。
以往经常是经由专家在现场进行实地评估，这种评估方法既费时又费力，成本代价过高。采用图像处理的方法就可以利用现场自动拍摄获得的照片，对结构的劣化状况做一个较为准确的评估。采用传统的图像处理办法，图像必须是在一定条件下拍摄的，比如曝光情况相同，距离裂缝距离相同等等。尽管这样，由于图像的噪点等因素，还是很难得到理想的检测结果。
发明内容
有鉴于此，本发明的发明目的是：能够快速、准确、直接地检测裂缝宽度。
为达到上述目的，本发明的技术方案具体是这样实现的：
本发明提供了一种混凝土表面裂缝宽度检测方法，该方法包括：
A、在包含有裂缝的混凝土表面喷预定量的液体，在预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中预定时间间隔下的帧照片；将在该混凝土表面获取的一组帧照片与该混凝土表面的裂缝宽度对应保存到训练集中；根据在不同裂缝宽度处混凝土吸收液体的速率不同，对N个包含有裂缝的混凝土表面区域进行采样，重复执行步骤A；
B、将所述训练集采用深度学习的方法训练模型，得到训练后的用于检测裂缝宽度的模型；
C、在待检测包含有裂缝的混凝土表面喷所述预定量的液体，在所述预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中所述预定时间间隔下的帧照片，将在该混凝土表面获取的一组帧照片输入所述模型进行检测，得到该混凝土表面的裂缝宽度。
本发明还提供了一种混凝土表面裂缝宽度检测方法，该方法包括：
A’、在包含有裂缝的混凝土表面喷预定量的液体，在预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润面积，并计算得到湿润面积比率的变化曲线；
B’、根据所述湿润面积比率的变化曲线选取第一反应吸水速率的指标；
C’、根据在不同裂缝宽度处混凝土吸收液体的速率不同，在不同的裂缝宽度下重复步骤A’，并得到不同裂缝宽度对应的第一反应吸水速率的指标值；根据不同裂缝宽度对应的第一反应吸水速率的指标值，将所选取的第一反应吸水速率的指标与裂缝宽度建立回归关系式；
D’、在待检测包含有裂缝的混凝土表面喷所述预定量的液体，在所述预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中所述预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润面积，并计算得到湿润面积比率的变化曲线；
根据待检测混凝土表面湿润面积比率的变化曲线，以及所选取的第一反应吸水速率的指标，得到待检测混凝土表面第一反应吸水速率的指标值；
将所述待检测混凝土表面第一反应吸水速率的指标值带入所述回归关系式，得到待检测混凝土表面裂缝宽度。
本发明还提供了一种混凝土表面裂缝宽度检测方法，该方法包括：
A”、在包含有裂缝的混凝土表面喷预定量的液体，在预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润区域和湿润面积，并计算得到湿润区域中单位面积内灰度变化曲线；
B”、根据所述湿润区域中单位面积内灰度变化曲线选取第二反应吸水速率的指标；
C”、根据在不同裂缝宽度处混凝土吸收液体的速率不同，在不同的裂缝宽度下重复步骤A”，并得到不同裂缝宽度对应的第二反应吸水速率的指标值；根据不同裂缝宽度对应的第二反应吸水速率的指标值，将所选取的第二反应吸水速率的指标与裂缝宽度建立回归关系式；
D”、在待检测包含有裂缝的混凝土表面喷所述预定量的液体，在所述预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中所述预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润区域和湿润面积，并计算得到湿润区域中单位面积内灰度变化曲线；
根据待检测混凝土表面湿润区域中单位面积内灰度变化曲线，以及所选取的第二反应吸水速率的指标，得到待检测混凝土表面第二反应吸水速率的指标值；
将所述待检测混凝土表面第二反应吸水速率的指标值带入所述回归关系式，得到待检测混凝土表面裂缝宽度。
由上述的技术方案可见，本发明根据在不同裂缝宽度处混凝土吸收液体的速率不同，在不同裂缝宽度下通过视频记录混凝土表面的吸液体过程，并对视频进行处理，得到待检测的混凝土表面裂缝宽度。本发明中对视频进行处理的手段不限，可以是深度学习的方法，也可以是建立回归的方法，等等。只要是利用了在不同裂缝宽度处混凝土吸收液体的速率不同的原理，并结合视频获取混凝土表面裂缝宽度的方法都在本发明的保护范围内。因此，本发明检测裂缝宽度的方法，相比于传统的现有技术更加智能、快速、准确、直接。
附图说明
图1为本发明实施例一混凝土表面裂缝宽度检测方法的流程示意图。
图2为一条训练数据中的10张帧照片。
图3为本发明实施例二混凝土表面裂缝宽度检测方法的流程示意图。
图4为本发明实施例三混凝土表面裂缝宽度检测方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案、及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。
混凝土、砂浆等建筑材料其实是具有孔隙结构的。表面上是坚硬的一个整体，实际上有许多微小的毛细孔连接。因此，在混凝土表面喷洒上水分时，由于毛细孔力的作用，会将水分从表面吸收走。而建筑材料上的裂缝会破坏材料的毛细孔结构，导致吸水速率变慢。同时裂缝的宽度也对吸水的速率有影响。从而得到本发明的裂缝处吸水原理：在不同裂缝宽度处混凝土吸收液体的速率不同。因此我们可以在材料表面喷洒一定量的水分。通过吸水的快慢来判断裂缝的宽度。
同时发现，在混凝土表面喷水后，光线的反射条件被改变，会导致喷水区域与干燥区域颜色不同，而等到水分吸干后，颜色又恢复初始状态。因此，可以将吸水过程录制下来，用计算机处理，使得结果更加准确。
因此，本发明根据在不同裂缝宽度处混凝土吸收液体的速率不同，在不同裂缝宽度下通过视频记录混凝土表面的吸液体过程，并对视频进行处理，得到待检测的混凝土表面裂缝宽度。
实施例一(裂缝处吸水原理+视频+深度学习)
深度学习是人工智能届近年来较大的突破。在计算机图像处理与视频处理领域，深度学习更是取得了突破性的进展。它是以一定量的数据作为训练集，在训练集上按照一定的方法自动训练模型，使得机器可以自主的学习图像的特征而不用人工干预。训练好的模型，就可以运用于实际的生产环境中。因此，将以上喷淋液体的方法与深度学习的方法结合起来，可以更好的检测混凝土结构表面的裂缝宽度。
本发明实施例一混凝土表面裂缝宽度检测方法的流程示意图如图1所示。
A、在包含有裂缝的混凝土表面喷预定量的液体，在预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中预定时间间隔下的帧照片；将在该混凝土表面获取的一组帧照片与该混凝土表面的裂缝宽度对应保存到训练集中；根据在不同裂缝宽度处混凝土吸收液体的速率不同，对N个包含有裂缝的混凝土表面区域进行采样，重复执行步骤A；
其中，所述训练集中保存的混凝土表面的裂缝宽度通过裂缝测量工具测量获取。
所述吸液体过程包括混凝土表面开始吸收液体至液体完全被吸收。
B、将所述训练集采用深度学习的方法训练模型，得到训练后的用于检测裂缝宽度的模型；
其中，所述深度学习的方法为卷积神经网络(CNN)和循环神经网络(LSTM)相结合的方法。
C、在待检测包含有裂缝的混凝土表面喷所述预定量的液体，在所述预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中所述预定时间间隔下的帧照片，将在该混凝土表面获取的一组帧照片输入所述模型进行检测，得到该混凝土表面的裂缝宽度。
为清楚说明本发明实施例一，下面列举具体场景进行说明。
1)本实施例中训练集中保存1000条训练数据，则需要通过裂缝测量工具测量1000个裂缝的宽度，并针对每个裂缝录制1000段有关吸水过程的视频。
2)每次在不同裂缝宽度处喷水的量为0.2ml，保证水分在视频记录的预定时间内可完全吸收并不留下来即可。
用手机、相机等视频设备录制混凝土表面开始吸收水分至完全干噪的过程，录制时间需要5分钟。具体的录制是，在喷水前记录一帧初始状态，之后开始喷水，喷水后开始录像，记录的视频为0.6s一帧。需要注意的是，记录每帧的时间间隔不要太长，每帧的时间间隔不大于30s即可，如果每帧的时间间隔长达2min，就会忽略吸水的变化过程。
对于视频品质的要求，考虑到视频实际是一系列连续的照片拍摄而成，图片的品质即要求分辨率看到裂缝，且能看出吸水表面颜色变化的差别即可。
根据视频记录的预定时间是5min，每帧的时间间隔为0.6s，则会在5min内截取500张帧照片。
深度学习模型是否能很快训练好是和学习对象的复杂程度和网络的复杂程度相关的。理论上不管多么复杂的对象，只要增加很多的训练数据，就可以训练的很好。但是为了节省计算资源，人力成本。对上述视频做一些处理，使得训练更快，更准确。因此，可以不取整个视频作为训练数据，即从500张帧照片中从吸水开始至吸水结束等时间间隔挑选9帧照片。截取帧照片时只取裂缝周围的区域，将照片其他区域删除，最后取得图片大小约为250*250。
3)在实际操作中，保存到训练集中的一条训练数据可以是一裂缝宽度，与该裂缝宽度对应的是，包含该裂缝的混凝土表面喷水前的初始帧照片再加上9帧吸水过程的帧照片。如图2所示，图2为一条训练数据中的10张帧照片。第一张为喷水前的初始状态，第二至十张为喷水后逐渐被混凝土表面完全吸收的状态。
由于不同的裂缝宽度吸水速率不同，所以每条训练数据的一组帧照片颜色或亮度随时间的变化是不同的。
将包含有1000条训练数据的训练集采用深度学习的方法训练模型，得到训练后的用于检测裂缝宽度的模型。
4)对于待检测包含有裂缝的混凝土表面，喷水量、录制视频的时间长度、选取帧照片的时间间隔都必须与训练集中的数值相同。
将待检测包含有裂缝的混凝土表面喷水前的初始帧照片再加上9帧吸水过程的帧照片输入到模型中，模型会输出一个裂缝宽度值，从而达到本发明裂缝宽度检测的目的。
深度学习的优势在于：
(1)无需对图像做任何复杂的处理，只需要搜集到足够多的训练数据对模型训练即可；
(2)目前深度学习对于人脸识别的准确度已经超过人类，对于裂缝同样，只要训练数据足够多，同时包含了各种情况(不同曝光，不同距离等等)，我们就可以建立足够复杂的模型，使得人能通过照片看出来的裂缝，机器就能看出来，这一点的性能已经大大超过了现有图像识别方法。
(3)同时，深度学习的进步空间大，它是一种学习算法，对于目前无法识别出来的情况，只需将多条类似的数据加入训练集中再训练，模型就可以识别出来了。
(4)对于深度学习而言，仅是训练耗时较多，模型训练好后进行使用，不需要很多的计算资源，计算速率很快。
实施例二(裂缝处吸水原理+视频+回归关系式)
由于混凝土的吸水，表面湿润的区域会逐渐缩小，直到缩小到裂缝周围。根据在不同裂缝宽度处混凝土吸收液体的速率不同，在不同的裂缝宽度处，湿润面积的缩小速率是不同的。本发明实施例二利用湿润区域面积缩小的速率与裂缝的宽度建立一个回归关系式。利用这个关系式，以后就可以通过湿润区域缩小速率来衡量裂缝的宽度。
本发明实施例二混凝土表面裂缝宽度检测方法的流程示意图如图3所示。
A’、在包含有裂缝的混凝土表面喷预定量的液体，在预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润面积，并计算得到湿润面积比率的变化曲线；
其中，将每一帧喷液体后照片与未喷液体的照片相减，通过自适应阈值分割的方法计算获取每张帧照片上的湿润面积。
所述计算得到湿润面积比率的变化曲线的方法包括：对喷液体后每张帧照片上的湿润面积进行归一化处理，将喷液体后每张帧照片上的湿润面积除以最大湿润面积，得到喷液体后每张帧照片湿润面积比率；根据喷液体后每张帧照片湿润面积比率，得到湿润面积比率的变化曲线。
B’、根据所述湿润面积比率的变化曲线选取第一反应吸水速率的指标；
其中，所述第一反应吸水速率的指标包括：能反映吸水速率的帧所对应的湿润面积的比率，或者能反映吸水速率的帧所对应的湿润面积比率的割线斜率，或者湿润面积比率的变化曲线拐点所对应的时间，或者湿润面积比率的变化曲线拐点所对应的割线斜率。
C’、根据在不同裂缝宽度处混凝土吸收液体的速率不同，在不同的裂缝宽度下重复步骤A’，并得到不同裂缝宽度对应的第一反应吸水速率的指标值；根据不同裂缝宽度对应的第一反应吸水速率的指标值，将所选取的第一反应吸水速率的指标与裂缝宽度建立回归关系式；
D’、在待检测包含有裂缝的混凝土表面喷所述预定量的液体，在所述预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中所述预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润面积，并计算得到湿润面积比率的变化曲线；
根据待检测混凝土表面湿润面积比率的变化曲线，以及所选取的第一反应吸水速率的指标，得到待检测混凝土表面第一反应吸水速率的指标值；
将所述待检测混凝土表面第一反应吸水速率的指标值带入所述回归关系式，得到待检测混凝土表面裂缝宽度。
为清楚说明本发明实施例二，下面列举具体场景进行说明。
1)实施例二中，第一反应吸水速率的指标X与裂缝宽度Y建立回归关系式，也需要多条训练数据。假设需要1000条训练数据，则需要通过裂缝测量工具测量1000个裂缝的宽度，并针对每个裂缝录制1000段有关吸水过程的视频。
2)在不同裂缝处喷水的量为0.2ml、录制每段视频的时间长度5min、以及记录每帧的时间间隔0.6s，都与实施例一相同。如此，会在5min内截取500张帧照片。
具体的视频录制过程也与实施例一相同，在喷水前记录一帧初始状态，之后开始喷水，喷水后开始录像，记录的视频为0.6s一帧。
3)对于所截取的500张帧照片，湿润面积分别记为A1，A2……A500。A1对应最大湿润面积。
对上述湿润面积进行归一化处理，得到喷水后每张帧照片湿润面积比率：(A1/A1＝1)，(A2/A1)，……，(A500/A1)。将这些数值通过曲线表现出来可以得到湿润面积比率的变化曲线，该变化曲线标志着湿润面积比率的变化速率。
从湿润面积比率的变化曲线可以看出能反映吸水速率的帧在300帧以后，则可以将300帧的湿润面积比率(A300/A1)，作为第一反应吸水速率的指标X。
在1000条训练数据中，测量1000个裂缝的宽度，为Y1，Y2，……，Y1000；分别对应X1，X2，……，X1000。通过最小二乘法拟合方法，可以得到例如Y＝a*Xb的回归关系式。
4)对于待检测包含有裂缝的混凝土表面，喷水量、录制视频的时间长度、选取帧照片的时间间隔都必须与训练数据中的数值相同。
获取待检测包含有裂缝的混凝土表面，300帧的湿润面积比率值，作为待检测混凝土表面第一反应吸水速率的指标值。
将待检测混凝土表面第一反应吸水速率的指标值带入回归关系式Y＝a*Xb，则得到待检测混凝土表面裂缝宽度。
需要说明的是，作为第一反应吸水速率的指标，在本实施例中，还可以是第10帧对应的湿润面积比率的割线斜率，或者湿润面积比率的变化曲线拐点所对应的时间，或者湿润面积比率的变化曲线拐点所对应的割线斜率。总之，能够反映吸水快慢的指标均可作为第一反应吸水速率的指标。
实施例三(裂缝处吸水原理+视频+回归关系式)
由于混凝土的吸水，表面湿润的区域灰度会发生变化。根据在不同裂缝宽度处混凝土吸收液体的速率不同，在不同的裂缝宽度处，灰度变化是不同的。本发明实施例二利用湿润区域灰度变化与裂缝的宽度建立一个回归关系式。利用这个关系式，以后就可以通过湿润区域灰度变化来衡量裂缝的宽度。
本发明实施例三混凝土表面裂缝宽度检测方法的流程示意图如图4所示。
A”、在包含有裂缝的混凝土表面喷预定量的液体，在预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润区域和湿润面积，并计算得到湿润区域中单位面积内灰度变化曲线；
其中，将每一帧喷液体后照片与未喷液体的照片相减，通过自适应阈值分割的方法获取每张帧照片上的湿润区域，并计算得到每张帧照片上的湿润面积。
所述计算得到湿润区域中单位面积内灰度变化曲线的方法包括：将每张帧照片湿润区域内的灰度总值，减去未喷液体的照片灰度总值，得到每张帧照片湿润区域的灰度变化值；将每张帧照片湿润区域的灰度变化值，除以相对应每张帧照片的湿润面积，得到每张帧照片湿润区域中单位面积内灰度变化值；根据每张帧照片湿润区域中单位面积内灰度变化值，得到湿润区域中单位面积内灰度变化曲线。
B”、根据所述湿润区域中单位面积内灰度变化曲线选取第二反应吸水速率的指标；
其中，所述第二反应吸水速率的指标包括：能反映吸水速率的帧所对应的湿润区域中单位面积内灰度变化值，或者能反映吸水速率的帧所对应的灰度变化值的割线斜率，或者湿润区域中单位面积内灰度变化曲线拐点所对应的时间，或者湿润区域中单位面积内灰度变化曲线拐点所对应的割线斜率。
C”、根据在不同裂缝宽度处混凝土吸收液体的速率不同，在不同的裂缝宽度下重复步骤A”，并得到不同裂缝宽度对应的第二反应吸水速率的指标值；根据不同裂缝宽度对应的第二反应吸水速率的指标值，将所选取的第二反应吸水速率的指标与裂缝宽度建立回归关系式；
D”、在待检测包含有裂缝的混凝土表面喷所述预定量的液体，在所述预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中所述预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润区域和湿润面积，并计算得到湿润区域中单位面积内灰度变化曲线；
根据待检测混凝土表面湿润区域中单位面积内灰度变化曲线，以及所选取的第二反应吸水速率的指标，得到待检测混凝土表面第二反应吸水速率的指标值；
将所述待检测混凝土表面第二反应吸水速率的指标值带入所述回归关系式，得到待检测混凝土表面裂缝宽度。
为清楚说明本发明实施例三，下面列举具体场景进行说明。
1)实施例三中，第二反应吸水速率的指标x与裂缝宽度y建立回归关系式，也需要多条训练数据。假设需要1000条训练数据，则需要通过裂缝测量工具测量1000个裂缝的宽度，并针对每个裂缝录制1000段有关吸水过程的视频。
2)在不同裂缝处喷水的量为0.2ml、录制每段视频的时间长度5min、以及记录每帧的时间间隔0.6s，都与实施例一相同。如此，会在5min内截取500张帧照片。
具体的视频录制过程也与实施例一相同，在喷水前记录一帧初始状态，之后开始喷水，喷水后开始录像，记录的视频为0.6s一帧。
3)对于所截取的500张帧照片，每张帧照片中湿润区域所对应的湿润面积分别记为A1，A2，……A500。每张帧照片中湿润区域的灰度总值记为M1，M2，……M500。未喷液体的照片灰度总值记为M0。
每张帧照片湿润区域中单位面积内灰度变化值AVCi＝(Mi-M0)/Ai，i＝1，2，……500。将这些数值通过曲线表现出来可以得到湿润区域中单位面积内灰度变化曲线。
从湿润区域中单位面积内灰度变化曲线可以看出能反映吸水速率的帧在300帧以后，则可以将300帧的湿润区域中单位面积内灰度变化值(AVC300)，作为第二反应吸水速率的指标x。
在1000条训练数据中，测量1000个裂缝的宽度，为y1，y2，……，y1000；分别对应x1，x2，……，x1000。通过最小二乘法拟合方法，可以得到例如y＝a*xb的回归关系式。
4)对于待检测包含有裂缝的混凝土表面，喷水量、录制视频的时间长度、选取帧照片的时间间隔都必须与训练数据中的数值相同。
获取待检测包含有裂缝的混凝土表面，300帧的湿润区域中单位面积内灰度变化值，作为待检测混凝土表面第二反应吸水速率的指标值。
将待检测混凝土表面第二反应吸水速率的指标值带入回归关系式y＝a*xb，则得到待检测混凝土表面裂缝宽度。
需要说明的是，作为第二反应吸水速率的指标，在本实施例中，还可以是第10帧对应的灰度变化值的割线斜率，或者湿润区域中单位面积内灰度变化曲线拐点所对应的时间，或者湿润区域中单位面积内灰度变化曲线拐点所对应的割线斜率。总之，能够反映吸水快慢的指标均可作为第二反应吸水速率的指标。
实施例四
实施例一中输入到深度学习的模型中的训练数据是没有经过人工提取特征的一组图片，输出就是裂缝宽度。本发明实施例四，通过对图片提取部分特征后，将提取后的特征输入到深度学习的模型中，快速准确地输出裂缝宽度。提取的特征可以是湿润面积比率的变化曲线，也可以是湿润区域中单位面积内灰度变化曲线，下面进行详细说明。
例一，
本发明又一实施例混凝土表面裂缝宽度检测方法包括以下步骤：
步骤a、在包含有裂缝的混凝土表面喷预定量的液体，在预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润面积，并计算得到湿润面积比率的变化曲线；将在该混凝土表面获取的湿润面积比率的变化曲线与该混凝土表面的裂缝宽度对应保存到训练集中；根据在不同裂缝宽度处混凝土吸收液体的速率不同，对N个包含有裂缝的混凝土表面区域进行采样，重复执行步骤a；
步骤b、将所述训练集采用深度学习的方法训练模型，得到训练后的用于检测裂缝宽度的模型；
步骤c、在待检测包含有裂缝的混凝土表面喷所述预定量的液体，在所述预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中所述预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润面积，并计算得到湿润面积比率的变化曲线；将在该混凝土表面获取的湿润面积比率的变化曲线输入所述模型进行检测，得到该混凝土表面的裂缝宽度。
本例中，提取的特征是湿润面积比率的变化曲线，所以是将湿润面积比率的变化曲线与裂缝宽度对应保存到训练集中，作为一条训练数据。
例如训练集中每个裂缝宽度对应保存一组数据：(A1/A1＝1)，(A2/A1)，……，(A500/A1)，将包含有1000条训练数据的训练集采用深度学习的方法训练模型，得到训练后的用于检测裂缝宽度的模型。
将在待检测包含有裂缝的混凝土表面获取的一组数据：
1，(A2’/A1’)，……，(A500’/A1’)输入到模型中，模型会输出一个裂缝宽度值，从而达到本发明裂缝宽度检测的目的。
例二，
本发明又一实施例混凝土表面裂缝宽度检测方法包括以下步骤：
步骤a’、在包含有裂缝的混凝土表面喷预定量的液体，在预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润区域和湿润面积，并计算得到湿润区域中单位面积内灰度变化曲线；将在该混凝土表面获取的湿润区域中单位面积内灰度变化曲线与该混凝土表面的裂缝宽度对应保存到训练集中；根据在不同裂缝宽度处混凝土吸收液体的速率不同，对N个包含有裂缝的混凝土表面区域进行采样，重复执行步骤a’；
b’、将所述训练集采用深度学习的方法训练模型，得到训练后的用于检测裂缝宽度的模型；
c’、在待检测包含有裂缝的混凝土表面喷所述预定量的液体，在所述预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中所述预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润区域和湿润面积，并计算得到湿润区域中单位面积内灰度变化曲线；将在该混凝土表面获取的湿润区域中单位面积内灰度变化曲线输入所述模型进行检测，得到该混凝土表面的裂缝宽度。
本例中，提取的特征是湿润区域中单位面积内灰度变化曲线，所以是将湿润区域中单位面积内灰度变化曲线与裂缝宽度对应保存到训练集中，作为一条训练数据。
例如训练集中每个裂缝宽度对应保存一组数据：AVCi＝(Mi-M0)/Ai，i＝1，2，……500，将包含有1000条训练数据的训练集采用深度学习的方法训练模型，得到训练后的用于检测裂缝宽度的模型。
将在待检测包含有裂缝的混凝土表面获取的一组数据：
AVC’i＝(M’i-M’0)/A’i，i＝1，2，……500输入到模型中，模型会输出一个裂缝宽度值，从而达到本发明裂缝宽度检测的目的。
综上，本发明根据在不同裂缝宽度处混凝土吸收液体的速率不同，在不同裂缝宽度下通过视频记录混凝土表面的吸液体过程，并对视频进行处理，得到待检测的混凝土表面裂缝宽度。本发明中对视频进行处理的手段不限，可以是深度学习的方法，也可以是建立回归的方法，等等。通过本发明的方法，能够快速、准确、直接地检测裂缝宽度。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种混凝土表面裂缝宽度检测方法，该方法包括：
A’、在包含有裂缝的混凝土表面喷预定量的液体，在预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润面积，并计算得到湿润面积比率的变化曲线；
B’、根据所述湿润面积比率的变化曲线选取第一反应吸水速率的指标；
C’、根据在不同裂缝宽度处混凝土吸收液体的速率不同，在不同的裂缝宽度下重复步骤A’，并得到不同裂缝宽度对应的第一反应吸水速率的指标值；根据不同裂缝宽度对应的第一反应吸水速率的指标值，将所选取的第一反应吸水速率的指标与裂缝宽度建立回归关系式；
D’、在待检测包含有裂缝的混凝土表面喷所述预定量的液体，在所述预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中所述预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润面积，并计算得到湿润面积比率的变化曲线；
根据待检测混凝土表面湿润面积比率的变化曲线，以及所选取的第一反应吸水速率的指标，得到待检测混凝土表面第一反应吸水速率的指标值；
将所述待检测混凝土表面第一反应吸水速率的指标值带入所述回归关系式，得到待检测混凝土表面裂缝宽度。
2.如权利要求1所述的方法，其特征在于，将每一帧喷液体后照片与未喷液体的照片相减，通过自适应阈值分割的方法计算获取每张帧照片上的湿润面积。
3.如权利要求2所述的方法，其特征在于，所述计算得到湿润面积比率的变化曲线的方法包括：
对喷液体后每张帧照片上的湿润面积进行归一化处理，将喷液体后每张帧照片上的湿润面积除以最大湿润面积，得到喷液体后每张帧照片湿润面积比率；
根据喷液体后每张帧照片湿润面积比率，得到湿润面积比率的变化曲线。
4.如权利要求1所述的方法，其特征在于，所述第一反应吸水速率的指标包括：能反映吸水速率的帧所对应的湿润面积的比率，或者能反映吸水速率的帧所对应的湿润面积比率的割线斜率，或者湿润面积比率的变化曲线拐点所对应的时间，或者湿润面积比率的变化曲线拐点所对应的割线斜率。
5.一种混凝土表面裂缝宽度检测方法，该方法包括：
A”、在包含有裂缝的混凝土表面喷预定量的液体，在预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润区域和湿润面积，并计算得到湿润区域中单位面积内灰度变化曲线；
B”、根据所述湿润区域中单位面积内灰度变化曲线选取第二反应吸水速率的指标；
C”、根据在不同裂缝宽度处混凝土吸收液体的速率不同，在不同的裂缝宽度下重复步骤A”，并得到不同裂缝宽度对应的第二反应吸水速率的指标值；根据不同裂缝宽度对应的第二反应吸水速率的指标值，将所选取的第二反应吸水速率的指标与裂缝宽度建立回归关系式；
D”、在待检测包含有裂缝的混凝土表面喷所述预定量的液体，在所述预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中所述预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润区域和湿润面积，并计算得到湿润区域中单位面积内灰度变化曲线；
根据待检测混凝土表面湿润区域中单位面积内灰度变化曲线，以及所选取的第二反应吸水速率的指标，得到待检测混凝土表面第二反应吸水速率的指标值；
将所述待检测混凝土表面第二反应吸水速率的指标值带入所述回归关系式，得到待检测混凝土表面裂缝宽度。
6.如权利要求5所述的方法，其特征在于，将每一帧喷液体后照片与未喷液体的照片相减，通过自适应阈值分割的方法获取每张帧照片上的湿润区域，并计算得到每张帧照片上的湿润面积。
7.如权利要求6所述的方法，其特征在于，所述计算得到湿润区域中单位面积内灰度变化曲线的方法包括：
将每张帧照片湿润区域内的灰度总值，减去未喷液体的照片灰度总值，得到每张帧照片湿润区域的灰度变化值；
将每张帧照片湿润区域的灰度变化值，除以相对应每张帧照片的湿润面积，得到每张帧照片湿润区域中单位面积内灰度变化值；
根据每张帧照片湿润区域中单位面积内灰度变化值，得到湿润区域中单位面积内灰度变化曲线。
8.如权利要求5所述的方法，其特征在于，所述第二反应吸水速率的指标包括：能反映吸水速率的帧所对应的湿润区域中单位面积内灰度变化值，或者能反映吸水速率的帧所对应的灰度变化值的割线斜率，或者湿润区域中单位面积内灰度变化曲线拐点所对应的时间，或者湿润区域中单位面积内灰度变化曲线拐点所对应的割线斜率。
9.一种混凝土表面裂缝宽度检测方法，该方法包括：
步骤a、在包含有裂缝的混凝土表面喷预定量的液体，在预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润面积，并计算得到湿润面积比率的变化曲线；将在该混凝土表面获取的湿润面积比率的变化曲线与该混凝土表面的裂缝宽度对应保存到训练集中；根据在不同裂缝宽度处混凝土吸收液体的速率不同，对N个包含有裂缝的混凝土表面区域进行采样，重复执行步骤a；
步骤b、将所述训练集采用深度学习的方法训练模型，得到训练后的用于检测裂缝宽度的模型；
步骤c、在待检测包含有裂缝的混凝土表面喷所述预定量的液体，在所述预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中所述预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润面积，并计算得到湿润面积比率的变化曲线；将在该混凝土表面获取的湿润面积比率的变化曲线输入所述模型进行检测，得到该混凝土表面的裂缝宽度。
10.一种混凝土表面裂缝宽度检测方法，该方法包括：
步骤a’、在包含有裂缝的混凝土表面喷预定量的液体，在预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润区域和湿润面积，并计算得到湿润区域中单位面积内灰度变化曲线；将在该混凝土表面获取的湿润区域中单位面积内灰度变化曲线与该混凝土表面的裂缝宽度对应保存到训练集中；根据在不同裂缝宽度处混凝土吸收液体的速率不同，对N个包含有裂缝的混凝土表面区域进行采样，重复执行步骤a’；
b’、将所述训练集采用深度学习的方法训练模型，得到训练后的用于检测裂缝宽度的模型；
c’、在待检测包含有裂缝的混凝土表面喷所述预定量的液体，在所述预定时间内通过视频记录该混凝土表面的吸液体过程，并截取视频中所述预定时间间隔下的帧照片；获取喷液体后每张帧照片上的湿润区域和湿润面积，并计算得到湿润区域中单位面积内灰度变化曲线；将在该混凝土表面获取的湿润区域中单位面积内灰度变化曲线输入所述模型进行检测，得到该混凝土表面的裂缝宽度。
CN201710605832.XA 2017-07-24 2017-07-24 一种混凝土表面裂缝宽度检测方法 Active CN109300103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710605832.XA CN109300103B (zh) 2017-07-24 2017-07-24 一种混凝土表面裂缝宽度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710605832.XA CN109300103B (zh) 2017-07-24 2017-07-24 一种混凝土表面裂缝宽度检测方法

Publications (2)

Publication Number Publication Date
CN109300103A CN109300103A (zh) 2019-02-01
CN109300103B true CN109300103B (zh) 2020-12-08

Family

ID=65167584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710605832.XA Active CN109300103B (zh) 2017-07-24 2017-07-24 一种混凝土表面裂缝宽度检测方法

Country Status (1)

Country Link
CN (1) CN109300103B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110952978B (zh) * 2019-12-20 2020-11-06 西南石油大学 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法
CN112347531B (zh) * 2020-09-27 2023-06-30 山东师范大学 一种脆性大理石三维裂纹扩展路径预测方法及系统
CN112924653A (zh) * 2021-01-15 2021-06-08 清华大学 非接触式混凝土离析程度智能化实时分析方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102297660A (zh) * 2011-05-20 2011-12-28 同济大学 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置
CN103364410A (zh) * 2013-07-23 2013-10-23 三峡大学 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法
CN103984856A (zh) * 2014-06-19 2014-08-13 江苏新瑞峰信息科技有限公司 一种基于神经网络的墙体纵向裂缝宽度预测系统及方法
CN105115861A (zh) * 2015-08-14 2015-12-02 北京佳固士防水科技有限公司 检测混凝土表面吸水过程的方法
CN106910187A (zh) * 2017-01-13 2017-06-30 陕西师范大学 一种用于桥梁裂缝检测的图像数据集人工扩增方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102297660A (zh) * 2011-05-20 2011-12-28 同济大学 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置
CN103364410A (zh) * 2013-07-23 2013-10-23 三峡大学 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法
CN103984856A (zh) * 2014-06-19 2014-08-13 江苏新瑞峰信息科技有限公司 一种基于神经网络的墙体纵向裂缝宽度预测系统及方法
CN105115861A (zh) * 2015-08-14 2015-12-02 北京佳固士防水科技有限公司 检测混凝土表面吸水过程的方法
CN106910187A (zh) * 2017-01-13 2017-06-30 陕西师范大学 一种用于桥梁裂缝检测的图像数据集人工扩增方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Practical Image Measurement of Crack Width for Real Concrete Structure;TOMOYUKI YAMAGUCHI 等;《Translated from Denki Gakkai Ronbunshi》;20090923;全文 *

Also Published As

Publication number Publication date
CN109300103A (zh) 2019-02-01

Similar Documents

Publication Publication Date Title
CN109300103B (zh) 一种混凝土表面裂缝宽度检测方法
CN111178206A (zh) 一种基于改进yolo的建筑预埋件检测方法及系统
JP2023139099A (ja) 学習用データ収集装置、学習用データ収集方法、及びプログラム
CN110276752B (zh) 基于android系统的混凝土表面裂缝特征的APP检测方法
CN104700395A (zh) 一种构造物外观裂缝检测方法及系统
Wei et al. Automated bughole detection and quality performance assessment of concrete using image processing and deep convolutional neural networks
CN111126183A (zh) 一种基于近地面影像数据的震后建筑物损毁检测方法
KR102559586B1 (ko) 인공지능을 이용한 구조물 외관 점검 시스템 및 방법
CN112381299A (zh) 一种确定空气质量的方法及装置
Dong et al. Asphalt pavement macrotexture reconstruction from monocular image based on deep convolutional neural network
Park et al. Learning‐based image scale estimation using surface textures for quantitative visual inspection of regions‐of‐interest
CN111141653A (zh) 一种基于神经网络的隧道渗漏速率预测方法
Paglinawan et al. Crack detection using multiple image processing for unmanned aerial monitoring of concrete structure
CN114494826A (zh) 一种多水尺水位识别方法、系统、电子设备以及可存储介质
CN103096117A (zh) 视频噪声检测方法及装置
CN114078127A (zh) 物件的缺陷检测及计数方法、装置、设备和存储介质
CN110322442A (zh) 一种基于SegNet的建筑物表面裂纹检测方法
CN114155551A (zh) 基于YOLOv3改进的复杂环境下的行人检测方法及装置
CN113781400A (zh) 一种基于深度学习光伏电池板玻璃破损预测方法及系统
CN105844671B (zh) 一种变光照条件下的快速背景减除法
CN117011280A (zh) 基于点云分割的3d打印混凝土墙质量监测方法及系统
CN116664846A (zh) 基于语义分割实现3d打印桥面施工质量监测方法及系统
CN116486231A (zh) 一种基于改进YOLOv5的混凝土裂缝检测方法
Mishra et al. Artificial intelligence-assisted visual inspection for cultural heritage: State-of-the-art review
Angheluţă et al. Physical degradation detection on artwork surface polychromies using deep learning models

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