CN109754368A - 一种桥梁质量检测中的裂缝拼接方法 - Google Patents
一种桥梁质量检测中的裂缝拼接方法 Download PDFInfo
- Publication number
- CN109754368A CN109754368A CN201910062706.3A CN201910062706A CN109754368A CN 109754368 A CN109754368 A CN 109754368A CN 201910062706 A CN201910062706 A CN 201910062706A CN 109754368 A CN109754368 A CN 109754368A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- value
- point
- bridge
- 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
Links
Abstract
本发明涉及桥梁质量检测中的裂缝拼接方法,可有效解决将机器视觉技术、现代传感技术、数据分析处理技术、计算技术融合到桥梁质量检测之中,针对所获取到的裂缝局部图像,准确完成裂缝图像的拼接,以满足桥梁整条裂缝的自动化检测,确保桥梁安全使用的问题,方法是,安装设备,采集裂缝图像,进行裂缝图像拼接,对拼接图像进行灰度化、灰度级变换和图像滤波预处理,本发明方法科学,易操作,检测效果好,能够快速、精确地实现同一条裂缝在不同视角下的自动拼接,解决了裂缝图像无法容纳长裂缝问题,从而进一步提高桥梁质量检测中最大裂缝宽及其真实位置的自动化检测水平,有效地保障了交通运输的畅通和安全。
Description
技术领域
本发明涉及交通建设,特别是一种桥梁质量检测中的裂缝拼接方法。
背景技术
随着经济和科技的日益增强,公路交通事业也迅猛发展。桥梁是交通道路建设的重要组成部分,与人们的出行安全和交通畅通息息相关。但目前鉴于混凝土桥的优势以及我国的国情,桥梁建设仍以混凝土桥为主。
混凝土桥梁在建设和使用过程中,易受到自然力和人为因素的影响,诸如温度应力、荷载、材料老化、人工浇筑方式等,随时间的推移,会不可避免地产生损害。这些损害的表现形式有多种,如混凝土脱落、碳化、裂缝、钢筋锈蚀、桥墩下沉等,对桥梁的安全与寿命构成严重威胁,情况严重时导致桥梁坍塌事故,给生命财产带来不可挽回的损失。
裂缝作为桥梁病害的一种,对桥梁的安全运营有重大影响,调查发现90%以上的桥梁损坏均由裂缝引起。当裂缝宽度超过0.2~0.3mm以上时,混凝土可能出现碳化、表面层脱落、内部钢筋腐蚀等现象,其强度和刚度会因此大大降低,同时,桥梁的承重能力随之下降,严重时,甚至发生坍塌事故。因此,必须限制混凝土结构中裂缝的宽度,对构成威胁的裂缝采取补救措施,避免出现桥梁坍塌事故,保证交通的畅通运行。定期地开展桥梁巡视和维护工作,通过对裂缝形状特征(如长度、宽度、深度)的识别和检测来准确评估各种裂缝对桥梁建设带来的风险,这具有积极的现实意义。
目前,国内外对桥梁底部裂缝的检测普遍采用人工检测的方法,该检测方法存在劳动强度大、耗时费力、技术人员直接读数人为误差较大等,借助于桥梁检测车进行机器视觉检测的方法也逐渐被采用。在桥梁裂缝的机器视觉检测过程中,能够一次拍摄到多幅桥梁裂缝图像。在桥梁质量检测过程中,由于摄像设备的幅面限制,仅包含局部裂缝段,一条完整的裂缝通常被多幅图像分割开来。桥梁裂缝图像的拼接,其目的就是将多幅图像中的裂缝段进行拼接来形成桥梁最终完整的裂缝,以便得出真实的最大裂缝宽度并确定桥梁裂缝的实际位置,这对于桥梁裂缝的检测,具有重要的现实意义。
发明内容
针对上述情况,为克服现有技术之缺陷,本发明之目的就是提供一种桥梁质量检测中的裂缝拼接方法,可有效解决将机器视觉技术、现代传感技术、数据分析处理技术、计算技术融合到桥梁质量检测之中,针对所获取到的裂缝局部图像,准确完成裂缝图像的拼接,以满足桥梁整条裂缝的自动化检测,确保桥梁安全使用的问题。
本发明解决的技术方案是,一种桥梁质量检测中的裂缝拼接方法,包括以下步骤:
(一)、安装设备:
将检测车行驶至桥梁待检测区域上方,并在检测车上安装向下的机械臂,在机械臂下部安装与桥梁待测部位平行的直线轨道,将直线轨道固定在桥墩上,将行走小车安装在直线轨道上,使行走小车沿着直线导轨进行往复运动,行走小车与控制主机(另配,图中未显示)相连,将环形LED光源、CCD相机经垂直升降台装在行走小车上方,调整相机镜头与桥梁底面的距离,由控制主机实现行走小车的往复行走及定位;
(二)、裂缝图像的采集:
启动桥梁检测车,操控机械臂,将行走小车送入桥梁底部待测部位下方,通过垂直升降台,调整CCD相机镜头与桥梁底面的距离,由控制主机控制行走小车,连续地拍摄桥梁底面的图像,拍摄完一趟后,检测车沿桥梁方向移动一段距离,继续拍摄相邻区域的图像,直至待测部位拍摄完,将采集的图像传给控制主机计算机,完成裂缝图像采集;
(三)、裂缝图像拼接:
1.特征点的提取
在桥梁质量检测过程中,对桥梁裂缝图像进行获取时候,由于摄像机的幅面有限,从而使得获取到的桥梁裂缝图像仅包含局部裂缝,同时,在采集裂缝图像时相机的视角和尺度发生变化,导致拍摄的相邻裂缝图像具有不同的尺度,即两图像具有不同的坐标系。因此需要在裂缝图像中提取出不随图像尺度变化的特征点,方法是:
(1)检测尺度空间极值点
首先,通过裂缝图像采集,获取到一幅裂缝图像的灰度值f(x,y),计算不同尺度下的尺度空间,不同的尺度空间因子,表示高斯正态分布的方差,该值越大,表示裂缝图像被平滑的程度越大,相应的图像尺度也就越大,反之亦然;
x为像素点在X轴上的投影坐标;
y为像素点在Y轴上的投影坐标;
f(x,y)为输入裂缝图像的灰度值,取值范围为0到255;
其次,为快速准确地检测出稳定的特征点,利用计算出的D(x,y,σ)极值作为特征点判断依据;
最后,极值点的确定方法为:将每个像素与周围8个像素,同时加上上下相邻尺度对应的18个像素的D(x,y,σ)值进行比较。当被检测像素点的D(x,y,σ)值比此26个像素点的D(x,y,σ)值都要大时,或者都要小时,则认定该点为极值点,并将这点作为候选特征点同时保存;
(2)删除干扰特征点:
在得到的所有候选特征点中,有两种点是不稳定的:一是对比度低的点,其对噪声敏感;二是边缘上的点,其难以准确定位,需剔除这两种点;
剔除对比度低的点的方法是:
首先,对求得的D(x,y,σ)进行泰勒级数展开;
其次,利用候选特征点x是差分高斯函数的极值点这个事实,对D(x,y,σ)求x的一阶偏导数,并令其为零,求解此偏微分方程;
最后,执行多次迭代过程,求得最终时刻候选点的位置与尺度,借助于解得的Δx,求得设定阈值T,当时,则保留该特征点,否则剔除该点;
剔除边缘点的方法是:
由于边缘上得到的D(x,y,σ)极值点的主曲率值较非边缘区域的极值点曲率值大,所以通过设定阈值,就可以将主曲率比值大于该阈值的点认定为边缘点,并剔除;
(3)确定特征点的方向:
对于参考图像和待拼接图像,求图像中每个点梯度的模与方向,对每个特征点,统计以其为中心的领域像素的梯度分布,生成一直方图,找到直方图的最高峰值,利用距离最高峰值最近的三个柱值通过抛物线差值得到关键点的方向;
(4)生成特征点的特征向量:
以特征点为中心,取一个16×16的窗口,并将窗口分成16个4×4的小块,统计各个小块在8个方向的梯度分布情况,并在每个小块的中心产生一个种子点,每一个种子点含有8个方向的信息,最后每个特征点就有16×8=128个数据,产生128维的特征向量;
2.特征点的匹配:
使用匹配算法识别在参考图像和待拼接图像之间的同一个物体点,方法是:
(1)利用根据上一步得到的特征向量,计算特征点的欧氏距离;
(2)在参考图像中找出与待拼接图像特征点距离最近与次近的两个特征点,得到最近距离与次近距离的比值r;
(3)设定阈值T,若r>T,认为最近点为该特征点的匹配点,即构成一对匹配点;
重复上述步骤,得到两图像的若干对匹配点;
3.裂缝图像拼接:
通过计算欧氏距离确定的匹配算法过程较简单快捷,但有一个明显的不足就是匹配点对数受设定阈值的影响较大。为消除特征点的误匹配,初匹配之后采用下述方法来剔除误匹配,提纯特征点,并通过提纯后的特征点来求解图像之间的变换矩阵,初始变换矩阵为H:
(1)计算待拼接图像I中每个特征点(x,y)对应的参考图像I'中的点(x',y'),计算两点之间的误差e=I'(x',y')-I(x,y),计算累加所有匹配点对的距离之和,把E作为优化hi(i=0,1,...,7)的目标函数,使用非线性迭代算法最小化E;
(2)计算hi,i=0,1,...,7,相对于误差e的偏导数;
(3)构造增量函数Δh=(A+λI)-1b来计算H,其中A的分量为b的分量为求解H增量函数得到一个Δh,并修正H;
(4)判断累加值E,若E值减小但不小于设定阈值,则继续计算新的Δh,否则增大λ,重新计算Δh;
(5)当E小于设定的阈值时,停止迭代,此时的变换矩阵H就是图像间的最终变换矩阵:
根据最终变换矩阵H将待拼接图像变换至与参考图像相同坐标系下,并将待拼接图像和参考图像一起映射到一个新的空白图像中,形成最终拼接图像;
(四)拼接图像预处理:
拼接后的图像中,裂缝与背景通常具备一定的区分度,但由于影像设备、外部环境以及桥面复杂的纹理,往往不能从中直接分离出目标裂缝,因此需对图像做一系列预处理,为后续的图像分割以及图像识别和分析做准备。图像预处理的主要内容有:图像灰度化、灰度级变换和图像滤波,方法是:
1.裂缝图像灰度化
由于拼接后的裂缝图像是真彩RGB图像,在检测裂缝过程中,只需要图像的亮度(灰度)值信息,而图像的颜色信息没有实质的用处,且会徒增计算量,因此,利用灰度变换公式将裂缝图像由真彩RGB图像处理为灰度级图像;
f(x,y)=wRR(x,y)+wGG(x,y)+wBB(x,y)
f(x,y)--裂缝图像处理后的灰度值,取值范围为0到255;
R(x,y)--原始裂缝图像的红原色分量值,取值范围为0到255;
G(x,y)--原始裂缝图像的绿原色分量值,取值范围为0到255;
B(x,y)--原始裂缝图像的蓝原色分量值,取值范围为0到255;
wR--原始裂缝图像的红原色分量值的权值,取值0.299;
wG--原始裂缝图像的绿原色分量值的权值,取值0.587;
wB--原始裂缝图像的蓝原色分量值的权值,取值0.114;
x--裂缝图像像素点在X轴上的投影坐标;
y--裂缝图像像素点在Y轴上的投影坐标;
2.裂缝图像加强
通过设定好的阈值,利用图像加强技术,将数值低于和高于该阈值的灰度分别压缩至两个区间内,从而实现裂缝图像的平衡光照、减弱背景干扰并增强目标裂缝;
对于灰度值低于阈值和高于阈值的像素所在的区间,对比度拉伸会分别将这些区间压缩至两个更窄的区间内,形成较暗和较亮的两个区域,因此输出的是一幅具有高对比度的图像,采用对比度拉伸变换后的图像,裂缝得到明显的增强,同时,弱化背景;
3.裂缝图像滤波:
图像滤波的作用是滤除图像中噪声对应的波形并尽量保留图像细节特征完整,是图像预处理中必不可少的操作,图像滤波结果的质量对于后续图像检测和分析的可信度以及有效性有直接的影响;
对于裂缝图像f(x,y)内任意像素点(x,y),定义滤波模板W,利用滤波公式,计算输出图像g(x,y);
g(x,y)=med{f(x-k,y-l),(k,l∈W)}
g(x,y)--滤波后裂缝图像的灰度值,取值范围为0到255;
f(x,y)--滤波前裂缝图像的灰度值,取值范围为0到255;
med()--取中值运算;
W--滤波模板,采用3×3二维模板;
k--滤波模板X轴上的大小,取值3;
l--滤波模板Y轴上的大小,取值3;
x--像素点在X轴上的投影坐标;
y--像素点在Y轴上的投影坐标。
本发明方法科学,易操作,检测效果好,能够快速、精确地实现桥梁裂缝的拼接,能够快速、精确地实现同一条裂缝在不同视角下的自动拼接,解决了裂缝图像无法容纳长裂缝问题,从而进一步提高桥梁质量检测中最大裂缝宽及其真实位置的自动化检测水平,有效地保障了交通运输的畅通和安全,有显著的经济和社会效益。
附图说明
图1为本发明的设备安装状态图。
图2为本发明的工艺流程图。
图3为本发明的抗噪声试验曲线图。
具体实施方式
以下结合附图和具体情况对本发明的具体实施方式作详细说明。
本发明在具体实施中,一种桥梁质量检测中的裂缝拼接方法,包括以下步骤:
(一)、安装设备:
由图1所示,将检测车1行驶至桥梁2待检测区域上方,并在检测车1上安装向下的机械臂3,在机械臂3下部安装与桥梁待测部位10平行的直线轨道5,将直线轨道5固定在桥墩4上,将行走小车8安装在直线轨道5上,使行走小车8沿着直线导轨5进行往复运动,行走小车8与控制主机(另配,图中未显示)相连,将环形LED光源7、CCD相机6经垂直升降台9装在行走小车8上方,调整相机镜头与桥梁底面的距离,由控制主机实现行走小车的往复行走及定位;
将桥梁检测车行驶至待测区域上方,活动平衡重推出,支撑轮下降,工作装置起升,工作装置伸到桥外,工作平台下放,滑动桁架下降,工作平台向桥内回转,内平台伸出;
清除平台装配面的污物,将直线导轨平稳放在平台上,锁装配螺丝确认螺栓孔是否吻合,使用侧向固定螺丝,确定直线轨道5位置,锁装配螺丝确认螺栓孔是否吻合,并将导轨底部基准面固定于工作平台,依据上述步骤安装其余配对直线轨道;
将行走小车轻轻放置在直线轨道滑块上,不完全锁紧安装螺栓,通过止动螺丝将直线导轨滑块的基准侧与行走小车侧面基准面接触,使行走小车定位,全锁紧基准侧和从动侧的装配螺栓,完成安装;
伺服电机控制行走小车沿着直线导轨进行往复运动,通过MODBUS连接到控制主机;
将环形LED光源安装在CCD相机镜头底部,再将安装有环形LED光源的CCD相机固定在行走小车上方;
通过垂直升降台调整相机镜头与桥梁底面的距离,使相机与桥梁底面的距离控制在180-220mm;
控制主机放置在控制柜,一方面通过MODBUS连接到伺服电机,从而控制电机参数调节、电机转速设定、电机速度获取、位置脉冲获取,最终实现行走小车定位控制;另外一方面通过以太网接口连接到CCD相机,实现图像的裂缝图像的采集;
(二)、裂缝图像的采集:
a.启动桥梁检测车;
b.操控机械臂,将行走小车送入桥梁底部指定位置;
c.通过垂直升降台在垂直方向的运动,调整相机镜头与桥梁底面的距离,使相机与桥梁底面的距离控制在180-220mm;
d.通过控制主机设置行走小车在直线导轨行走的速度、停顿时间与方向,保证相机顺利连续地拍摄桥梁底面图像;
e.扫描完一趟后,桥梁检测车带着机械臂沿桥梁方向移动110mm,小车反向行走,继续拍摄相邻区域的图像,直到扫描整个行程;
f.拍摄完成,将采集的图像经以太网接口传给计算机,由此完成裂缝图像采集;
采集到的图像为真彩RGB图像,采用JPG格式,为后续图像处理与分析提供原始数据;
(三)、裂缝的图像拼接
1.特征点的提取
在桥梁质量检测过程中,对桥梁裂缝图像进行获取时候,由于摄像机的幅面有限,从而使得获取到的桥梁裂缝图像仅包含局部裂缝,同时,在采集裂缝图像时相机的视角和尺度发生变化,导致拍摄的相邻裂缝图像具有不同的尺度,即两图像具有不同的坐标系,因此需要在裂缝图像中提取出不随图像尺度变化的特征点,方法是:
(1)检测尺度空间极值点:
通过裂缝图像采集步骤,获取到的一幅裂缝图像f(x,y),利用式(1),计算不同尺度下的尺度空间:
L(x,y,σ)=G(x,y,σ)*f(x,y) 式(1)
L(x,y,σ)--输出裂缝图像不同尺度下的尺度空间;
G(x,y,σ)--高斯核,
f(x,y)--输入裂缝图像的灰度值,取值范围为0到255;
x--像素点在X轴上的投影坐标;
y--像素点在Y轴上的投影坐标;
σ--尺度空间因子,表示高斯正态分布的方差,该值越大,表示裂缝图像被平滑的程度越大,相应的图像尺度也就越大,反之亦然;
σ为快速准确地检测出稳定的特征点,利用式(2)计算出的D(x,y,σ)极值作为特征点判断依据;
D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]*f(x,y)
=L(x,y,kσ)-L(x,y,σ) 式(2)
D(x,y,σ)--相邻两个高斯平滑后图像的差值;
G(x,y,σ)--相邻两层中,第一层的高斯核,
G(x,y,kσ)--相邻两层中,第二层的高斯核,
L(x,y,σ)--相邻两层中,第一层的尺度空间;
L(x,y,kσ)--相邻两层中,第二层的尺度空间;
f(x,y)--输入裂缝图像的灰度值,取值范围为0到255;
x--像素点在X轴上的投影坐标;
y--像素点在Y轴上的投影坐标;
σ--尺度空间因子,表示高斯正态分布的方差。该值越大,表示裂缝图像被平滑的程度越大,相应的图像尺度也就越大;该值越小,表明被平滑的程度越小,相应的图像尺度也就越小;
k--相邻两尺度的比值;
极值点的确定方法为:将每个像素与周围8个像素,同时加上上下相邻尺度对应的18个像素的D(x,y,σ)值进行比较,当被检测像素点的D(x,y,σ)值比此26个像素点的D(x,y,σ)值都要大时,或者都要小时,则认定该点为极值点,并将这点作为候选特征点同时保存;
(2)删除干扰特征点
在得到的所有候选特征点中,有两种点是不稳定的,一是对比度较低的点,其对噪声敏感;二是边缘上的点,其难以准确定位,因此有必要剔除这两种点;
剔除对比度低的点的具体实施过程为:
将求得的D(x,y,σ)利用式子(3)进行泰勒级数的展开:
Δx--候选特征点x的偏移量;
利用候选特征点x是差分高斯函数的极值点这个事实,令D(x,y,σ)对x的一阶偏导数为零,即解得
执行多次迭代过程,求得最终时刻候选点的位置与尺度借助于解得的Δx,求得设定阈值T,当时,则保留该特征点,否则剔除该点;
剔除边缘点的具体实施过程为:由于边缘上得到的D(x,y,σ)极值点的主曲率值较非边缘区域的极值点曲率值大,所以通过设定阈值,就可以将主曲率比值大于该阈值的点认定为边缘点,并剔除;
候选特征点的D(x,y,σ)的主曲率正比于大小为2×2的Hessian矩阵H的特征值;
H--Hessian矩阵;
Dxx--候选特征点领域(x,x)位置的灰度差分;
Dxy--候选特征点领域(x,y)位置的灰度差分;
Dyy--候选特征点领域(y,y)位置的灰度差分;
x--像素点在X轴上的投影坐标;
y--像素点在Y轴上的投影坐标;
设矩阵H的最大特征值为α,最小特征值为β,则有α+β=Dxx+Dyy,令γ=α/β,则设定阈值T,当时,则该点被认定为边缘点,并予以剔除;
(3)确定特征点的方向:
对于参考图像和待拼接图像,利用式(5)和式(6)求图像中每个点梯度的模m(x,y)与方向θ(x,y):
m(x,y)--特征点梯度的模;
θ(x,y)--特征点梯度的方向;
L(x,y)--特征点所处的图像尺度;
对每个特征点,统计以其为中心的领域像素的梯度分布,生成一直方图,找到直方图的最高峰值,利用距离最高峰值最近的三个柱值通过抛物线差值得到关键点的方向;
(4)生成特征点的特征向量:
以特征点为中心,取一个16×16的窗口,并将窗口分成16个4×4的小块。统计各个小块在8个方向的梯度分布情况,并在每个小块的中心产生一个种子点,每一个种子点含有8个方向的信息,最后每个特征点就有16×8=128个数据,产生128维的特征向量;
2.特征点的匹配:
这一步使用匹配算法识别在参考图像和待拼接图像之间的同一个物体点,方法是:
(1)利用根据上一步得到的特征向量,计算特征点的欧氏距离;
(2)在参考图像中找出与待拼接图像特征点距离最近与次近的两个特征点,得到最近距离与次近距离的比值r;
(3)设定阈值T,若r>T,认为最近点为该特征点的匹配点,即构成一对匹配点;
重复上述步骤,得到两图像的若干对匹配点;
3.裂缝图像拼接
通过计算欧氏距离确定的匹配算法过程较简单快捷,但有一个明显的不足就是匹配点对数受设定阈值的影响较大,为消除特征点的误匹配,初匹配之后采用下述方法来剔除误匹配,提纯特征点,并通过提纯后的特征点来求解图像之间的变换矩阵,方法是:
设初始变换矩阵为
(1)计算待拼接图像I中每个特征点(x,y)对应的参考图像I'中的点(x',y'),计算两点之间的误差e=I'(x',y')-I(x,y),利用式子(8)计算累加所有匹配点对的距离之和:
把E作为优化hi(i=0,1,...,7)的目标函数,使用非线性迭代算法最小化E;
(2)计算hi(i=0,1,...,7)相对于误差e的偏导数;
(3)构造增量函数Δh=(A+λI)-1b来计算H,其中A的分量为b的分量为求解H增量函数得到一个Δh,并修正H;
(4)判断累加值E,若E值减小但不小于设定阈值,则继续计算新的Δh,否则增大λ,重新计算Δh;
(5)当E小于设定的阈值时,停止迭代,此时的变换矩阵H就是图像间的最终变换矩阵;
(四)拼接图像处理
拼接后的图像中,裂缝与背景通常具备一定的区分度,但由于影像设备、外部环境以及桥面复杂的纹理,往往不能从中直接分离出目标裂缝,因此需对图像做一系列预处理,为后续的图像分割以及图像识别和分析做准备,图像预处理包括图像灰度化、灰度级变换和图像滤波,方法是:
1.裂缝图像灰度化:
由于拼接后的裂缝图像是真彩RGB图像,在检测裂缝过程中,只需要图像的亮度(灰度)值信息,而图像的颜色信息没有实质的用处,且会徒增计算量,因此,利用式(9)将裂缝图像由真彩RGB图像处理为灰度级图像:
f(x,y)=wRR(x,y)+wGG(x,y)+wBB(x,y) 式(9)
f(x,y)--裂缝图像处理后的灰度值,取值范围为0到255;
R(x,y)--原始裂缝图像的红原色分量值,取值范围为0到255;
G(x,y)--原始裂缝图像的绿原色分量值,取值范围为0到255;
B(x,y)--原始裂缝图像的蓝原色分量值,取值范围为0到255;
wR--原始裂缝图像的红原色分量值的权值,取值0.299;
wG--原始裂缝图像的绿原色分量值的权值,取值0.587;
wB--原始裂缝图像的蓝原色分量值的权值,取值0.114;
x--裂缝图像像素点在X轴上的投影坐标;
y--裂缝图像像素点在Y轴上的投影坐标;
2.裂缝图像加强:
通过设定好的阈值m,利用式(10),将数值低于和高于该阈值的灰度分别压缩至两个区间内,从而实现裂缝图像的平衡光照、减弱背景干扰并增强目标裂缝:
S--输出图像的灰度值,取值范围为0到255;
r--输入图像的灰度值,取值范围为0到255;
m--设定的阈值,初始取值0.5;
E--用于控制函数的斜率,取值5;
对于灰度值低于m和高于m的像素所在的区间,对比度拉伸会分别将这些区间压缩至两个更窄的区间内,形成较暗和较亮的两个区域,因此输出的是一幅具有高对比度的图像。采用对比度拉伸变换后的图像,裂缝得到明显的增强,同时,弱化背景;
3.裂缝图像滤波:
图像滤波的作用是滤除图像中噪声对应的波形并尽量保留图像细节特征完整,是图像预处理中必不可少的操作。图像滤波结果的质量对于后续图像检测和分析的可信度以及有效性有直接的影响;
对于裂缝图像f(x,y)内任意像素点(x,y),定义滤波模板W,利用式(11),计算输出图像g(x,y):
g(x,y)=med{f(x-k,y-l),(k,l∈W)} 式(11)
g(x,y)--滤波后裂缝图像的灰度值,取值范围为0到255;
f(x,y)--滤波前裂缝图像的灰度值,取值范围为0到255;
med()--取中值运算;
W--滤波模板,采用3×3二维模板;
k--滤波模板X轴上的大小,取值3;
l--滤波模板Y轴上的大小,取值3;
x--像素点在X轴上的投影坐标;
y--像素点在Y轴上的投影坐标。
所述的CCD相机,德国映美精工业相机,型号DFK 23U274,最高分辨率1600×1200,像素尺寸4.4μm×4.4μm,传感器类型CCD,光学尺寸1/1.8",帧率20fps,感光度0.15lx。
所述的LED环形光源,东莞科麦视觉科技有限公司生产的直射环形光源,型号KM-RND7040,发光角度90°,白色,电压12V,功率3W,内径40mm,外径70mm,厚度21mm。
所述的直线导轨,主要作用为导向作用,在本发明中,选择的直线导轨采用上银科技股份有限公司生产的直线导轨滑块滑轨道,型号HGH25CA,直线导轨高度容许尺寸误差±0.1mm,宽度容许尺寸误差±0.1mm,成对高度相互误差0.02mm,成对宽度相互误差0.03mm。
所述的伺服电机,驱动转动轴,转动轴驱动转轮,行走小车沿着导轨在一定的方向上平稳行走,通过程序控制小车的行走方向与速度。在本发明中,行走小车的运动控制器选择庸博(厦门)电气技术有限公司1KW通用伺服驱动器,具有通用MODBUS通讯,多种智能化的监视功能和精巧的操作面板,支持电机参数调节、电机转速设定、电机速度获取、位置脉冲获取、电机故障代码获取等功能。
所述的桥梁检测车,陕西汽车控股集团有限公司生产的桁架式桥梁检测车,型号SX5230JQJ,工作平台最大荷载800kg,平台前端最大荷载400kg,最大水平作业幅度22m,最大作业深度8.5m,第一回转旋转范围0~90°,第二回转旋转范围0~180°,最大跨越护栏高度4.2m,最大跨越人行道宽度3.2m。
所述的控制主机为台式计算机或笔记本式计算机。
由上述可以看出,本发明将机器视觉技术、现代传感技术、数据分析处理技术、最优化计算技术等理论融合到桥梁质量检测之中,能够快速、精确地实现同一条裂缝在不同视角下的自动拼接,解决了裂缝图像无法容纳长裂缝问题,从而进一步提高桥梁质量检测中最大裂缝宽及其真实位置的自动化检测水平,有效地保障了交通运输的畅通和安全,易操作,效果好,并经实地应用和实验,效果非常好,有关资料如下:
1.桥梁裂缝图像的获取
利用本发明实施方式中的“设备安装”及“裂缝图像的采集”实施步骤,获取的裂缝图像是真彩RGB图像。
2.桥梁裂缝图像的拼接
利用本发明实施方式中的“特征点的提取”实施步骤,得到参考图像和待拼接图像剔除了两种特征点后的特征点图。利用本发明实施方式中的“特征点的匹配”实施步骤,得到参考图像和待拼接图像的匹配情况。
利用本发明实施方式中的“裂缝图像拼接”实施步骤,根据最终变换矩阵H将待拼接图像变换至与参考图像相同坐标系下,并将待拼接图像和参考图像一起映射到一个新的空白图像中,形成最终拼接图像。
利用本发明实施方式中的“拼接图像处理”实施步骤,得到处理后的图像。
3.拼接方法的性能分析
本试验从采集到的桥梁裂缝图像中,选取10对两两存在一定角度差异、尺寸大小相同的图像,运用本发明算法作匹配试验,从而验证该算法的性能和效率,其结果如表1所示。
表1不同图像对的匹配性能
注:(1)C0--参考图像特征点数;
(2)C1--待匹配图像特征点数;
(3)P0--预匹配点对数;
(4)P1--提纯后匹配点对数;
(5)r--匹配率,单位:%;
(6)t--耗时,单位:s;
由表1可知,本发明算法能够提取到两幅图像中的特征点,并将其进行配对,提取到的特征点数占总体特征点数目比例高,算法能够在较短的时间内完成匹配,并且维持高的配准率。试验表明该方法可行、准确、高效。
4.拼接方法的旋转角度鲁棒性分析
为了验证本发明算法的抗旋转性能,采用参考图像和待拼接图像,两个图像尺寸大小相同,分别将待拼接图像旋转不同的角度,然后将两幅图像相融合,分析算法的抗旋转性能,其结果如表2所示。
表2抗旋转性能
注:(1)C0--参考图像特征点数;
(2)C1--待匹配图像特征点数;
(3)P0--预匹配点对数;
(4)P1--提纯后匹配点对数;
(5)r--匹配率,单位:%;
(6)角度--待匹配图像的旋转角度,单位:°;
从表中可观察出,随着旋转角度的增加,算法得到的提纯后匹配点对数目减少,匹配率降低,但影响不是很大,减少了8对,配准率也在可以接受的范围内。可见,本发明算法的抗旋转能力强。
5.拼接方法的噪声鲁棒性分析
图像融合算法的性能一定程度上依赖于其抗噪能力,为验证本发明算法的抗躁性能,通过不断地增大高斯方差来测验算法在加入噪声干扰后的匹配性能,试验结果如图3所示。由图3可知,随着高斯噪声方差的增加,算法的匹配率随之下降,但整体匹配性能维持较高,因此该算法的抗噪能力强,对噪声敏感。
实验表明,本发明,将机器视觉技术、现代传感技术、数据分析处理技术、最优化计算技术等理论融合到桥梁质量检测之中,能够快速、精确地实现同一条裂缝在不同视角下的自动拼接,解决了裂缝图像无法容纳长裂缝问题,准确完成裂缝图像的拼接,从而进一步提高桥梁质量检测中最大裂缝宽及其真实位置的自动化检测水平,对桥梁进行及时维修,确保桥梁安全,避免安全事故发具有十分重要的意义,有显著的经济和社会效益。
Claims (2)
1.一种桥梁质量检测中的裂缝拼接方法,其特征在于,包括以下步骤:
(一)、安装设备:
将检测车行驶至桥梁待检测区域上方,并在检测车上安装向下的机械臂,在机械臂下部安装与桥梁待测部位平行的直线轨道,将直线轨道固定在桥墩上,将行走小车安装在直线轨道上,使行走小车沿着直线导轨进行往复运动,行走小车与控制主机相连,将环形LED光源、CCD相机经垂直升降台装在行走小车上方,调整相机镜头与桥梁底面的距离,由控制主机实现行走小车的往复行走及定位;
(二)、裂缝图像的采集:
启动桥梁检测车,操控机械臂,将行走小车送入桥梁底部待测部位下方,通过垂直升降台,调整CCD相机镜头与桥梁底面的距离,由控制主机控制行走小车,连续地拍摄桥梁底面的图像,拍摄完一趟后,检测车沿桥梁方向移动一段距离,继续拍摄相邻区域的图像,直至待测部位拍摄完,将采集的图像传给控制主机计算机,完成裂缝图像采集;
(三)、裂缝图像拼接:
1.特征点的提取
在桥梁质量检测过程中,对桥梁裂缝图像进行获取时候,由于摄像机的幅面有限,从而使得获取到的桥梁裂缝图像仅包含局部裂缝,同时,在采集裂缝图像时相机的视角和尺度发生变化,导致拍摄的相邻裂缝图像具有不同的尺度,即两图像具有不同的坐标系,因此需要在裂缝图像中提取出不随图像尺度变化的特征点,方法是:
(1)检测尺度空间极值点
首先,通过裂缝图像采集,获取到一幅裂缝图像的灰度值f(x,y),计算不同尺度下的尺度空间,不同的尺度空间因子,表示高斯正态分布的方差,该值越大,表示裂缝图像被平滑的程度越大,相应的图像尺度也就越大,反之亦然;
x为像素点在X轴上的投影坐标;
y为像素点在Y轴上的投影坐标;
f(x,y)为输入裂缝图像的灰度值,取值范围为0到255;
其次,为快速准确地检测出稳定的特征点,利用计算出的D(x,y,σ)极值作为特征点判断依据;
最后,极值点的确定方法为:将每个像素与周围8个像素,同时加上上下相邻尺度对应的18个像素的D(x,y,σ)值进行比较,当被检测像素点的D(x,y,σ)值比此26个像素点的D(x,y,σ)值都要大时,或者都要小时,则认定该点为极值点,并将这点作为候选特征点同时保存;
(2)删除干扰特征点:
在得到的所有候选特征点中,有两种点是不稳定的:一是对比度低的点,其对噪声敏感;二是边缘上的点,其难以准确定位,需剔除这两种点;
剔除对比度低的点的方法是:
首先,对求得的D(x,y,σ)进行泰勒级数展开;
其次,利用候选特征点x是差分高斯函数的极值点这个事实,对D(x,y,σ)求x的一阶偏导数,并令其为零,求解此偏微分方程;
最后,执行多次迭代过程,求得最终时刻候选点的位置与尺度,借助于解得的Δx,求得设定阈值T,当时,则保留该特征点,否则剔除该点;
剔除边缘点的方法是:
由于边缘上得到的D(x,y,σ)极值点的主曲率值较非边缘区域的极值点曲率值大,所以通过设定阈值,就可以将主曲率比值大于该阈值的点认定为边缘点,并剔除;
(3)确定特征点的方向:
对于参考图像和待拼接图像,求图像中每个点梯度的模与方向,对每个特征点,统计以其为中心的领域像素的梯度分布,生成一直方图,找到直方图的最高峰值,利用距离最高峰值最近的三个柱值通过抛物线差值得到关键点的方向;
(4)生成特征点的特征向量:
以特征点为中心,取一个16×16的窗口,并将窗口分成16个4×4的小块,统计各个小块在8个方向的梯度分布情况,并在每个小块的中心产生一个种子点,每一个种子点含有8个方向的信息,最后每个特征点就有16×8=128个数据,产生128维的特征向量;
2.特征点的匹配:
使用匹配算法识别在参考图像和待拼接图像之间的同一个物体点,方法是:
(1)利用根据上一步得到的特征向量,计算特征点的欧氏距离;
(2)在参考图像中找出与待拼接图像特征点距离最近与次近的两个特征点,得到最近距离与次近距离的比值r;
(3)设定阈值T,若r>T,认为最近点为该特征点的匹配点,即构成一对匹配点;
重复上述步骤,得到两图像的若干对匹配点;
3.裂缝图像拼接:
通过计算欧氏距离确定的匹配算法过程较简单快捷,但有一个明显的不足就是匹配点对数受设定阈值的影响较大;为消除特征点的误匹配,初匹配之后采用下述方法来剔除误匹配,提纯特征点,并通过提纯后的特征点来求解图像之间的变换矩阵,初始变换矩阵为H:
(1)计算待拼接图像I中每个特征点(x,y)对应的参考图像I'中的点(x',y'),计算两点之间的误差e=I'(x',y')-I(x,y),计算累加所有匹配点对的距离之和,把E作为优化hi(i=0,1,...,7)的目标函数,使用非线性迭代算法最小化E;
(2)计算hi,i=0,1,...,7,相对于误差e的偏导数;
(3)构造增量函数Δh=(A+λI)-1b来计算H,其中A的分量为b的分量为求解H增量函数得到一个Δh,并修正H;
(4)判断累加值E,若E值减小但不小于设定阈值,则继续计算新的Δh,否则增大λ,重新计算Δh;
(5)当E小于设定的阈值时,停止迭代,此时的变换矩阵H就是图像间的最终变换矩阵:
根据最终变换矩阵H将待拼接图像变换至与参考图像相同坐标系下,并将待拼接图像和参考图像一起映射到一个新的空白图像中,形成最终拼接图像;
(四)拼接图像预处理:
拼接后的图像中,裂缝与背景通常具备一定的区分度,但由于影像设备、外部环境以及桥面复杂的纹理,往往不能从中直接分离出目标裂缝,因此需对图像做一系列预处理,为后续的图像分割以及图像识别和分析做准备,图像预处理包括:图像灰度化、灰度级变换和图像滤波,方法是:
1.裂缝图像灰度化
由于拼接后的裂缝图像是真彩RGB图像,在检测裂缝过程中,只需要图像的亮度(灰度)值信息,而图像的颜色信息没有实质的用处,且会徒增计算量,因此,利用灰度变换公式将裂缝图像由真彩RGB图像处理为灰度级图像;
f(x,y)=wRR(x,y)+wGG(x,y)+wBB(x,y)
f(x,y)--裂缝图像处理后的灰度值,取值范围为0到255;
R(x,y)--原始裂缝图像的红原色分量值,取值范围为0到255;
G(x,y)--原始裂缝图像的绿原色分量值,取值范围为0到255;
B(x,y)--原始裂缝图像的蓝原色分量值,取值范围为0到255;
wR--原始裂缝图像的红原色分量值的权值,取值0.299;
wG--原始裂缝图像的绿原色分量值的权值,取值0.587;
wB--原始裂缝图像的蓝原色分量值的权值,取值0.114;
x--裂缝图像像素点在X轴上的投影坐标;
y--裂缝图像像素点在Y轴上的投影坐标;
2.裂缝图像加强
通过设定好的阈值,利用图像加强技术,将数值低于和高于该阈值的灰度分别压缩至两个区间内,从而实现裂缝图像的平衡光照、减弱背景干扰并增强目标裂缝;
对于灰度值低于阈值和高于阈值的像素所在的区间,对比度拉伸会分别将这些区间压缩至两个更窄的区间内,形成较暗和较亮的两个区域,因此输出的是一幅具有高对比度的图像,采用对比度拉伸变换后的图像,裂缝得到明显的增强,同时,弱化背景;
3.裂缝图像滤波:
图像滤波的作用是滤除图像中噪声对应的波形并尽量保留图像细节特征完整,是图像预处理中必不可少的操作,图像滤波结果的质量对于后续图像检测和分析的可信度以及有效性有直接的影响;
对于裂缝图像f(x,y)内任意像素点(x,y),定义滤波模板W,利用滤波公式,计算输出图像g(x,y);
g(x,y)=med{f(x-k,y-l),(k,l∈W)}
g(x,y)--滤波后裂缝图像的灰度值,取值范围为0到255;
f(x,y)--滤波前裂缝图像的灰度值,取值范围为0到255;
med()--取中值运算;
W--滤波模板,采用3×3二维模板;
k--滤波模板X轴上的大小,取值3;
l--滤波模板Y轴上的大小,取值3;
x--像素点在X轴上的投影坐标;
y--像素点在Y轴上的投影坐标。
2.根据权利要求1所述的桥梁质量检测中的裂缝拼接方法,其特征在于,包括以下步骤:
(一)、安装设备:
将检测车(1)行驶至桥梁(2)待检测区域上方,并在检测车(1)上安装向下的机械臂(3),在机械臂(3)下部安装与桥梁待测部位(10)平行的直线轨道(5),将直线轨道(5)固定在桥墩(4)上,将行走小车(8)安装在直线轨道(5)上,使行走小车(8)沿着直线导轨(5)进行往复运动,行走小车(8)与控制主机相连,将环形LED光源(7)、CCD相机(6)经垂直升降台(9)装在行走小车(8)上方,调整相机镜头与桥梁底面的距离,由控制主机实现行走小车的往复行走及定位;
将桥梁检测车行驶至待测区域上方,活动平衡重推出,支撑轮下降,工作装置起升,工作装置伸到桥外,工作平台下放,滑动桁架下降,工作平台向桥内回转,内平台伸出;
清除平台装配面的污物,将直线导轨平稳放在平台上,锁装配螺丝确认螺栓孔是否吻合,使用侧向固定螺丝,确定直线轨道(5)位置,锁装配螺丝确认螺栓孔是否吻合,并将导轨底部基准面固定于工作平台,依据上述步骤安装其余配对直线轨道;
将行走小车轻轻放置在直线轨道滑块上,不完全锁紧安装螺栓,通过止动螺丝将直线导轨滑块的基准侧与行走小车侧面基准面接触,使行走小车定位,全锁紧基准侧和从动侧的装配螺栓,完成安装;
伺服电机控制行走小车沿着直线导轨进行往复运动,通过MODBUS连接到控制主机;
将环形LED光源安装在CCD相机镜头底部,再将安装有环形LED光源的CCD相机固定在行走小车上方;
通过垂直升降台调整相机镜头与桥梁底面的距离,使相机与桥梁底面的距离控制在180-220mm;
控制主机放置在控制柜,一方面通过MODBUS连接到伺服电机,从而控制电机参数调节、电机转速设定、电机速度获取、位置脉冲获取,最终实现行走小车定位控制;另外一方面通过以太网接口连接到CCD相机,实现图像的裂缝图像的采集;
(二)、裂缝图像的采集:
a.启动桥梁检测车;
b.操控机械臂,将行走小车送入桥梁底部指定位置;
c.通过垂直升降台在垂直方向的运动,调整相机镜头与桥梁底面的距离,使相机与桥梁底面的距离控制在180-220mm;
d.通过控制主机设置行走小车在直线导轨行走的速度、停顿时间与方向,保证相机顺利连续地拍摄桥梁底面图像;
e.扫描完一趟后,桥梁检测车带着机械臂沿桥梁方向移动110mm,小车反向行走,继续拍摄相邻区域的图像,直到扫描整个行程;
f.拍摄完成,将采集的图像经以太网接口传给计算机,由此完成裂缝图像采集;
采集到的图像为真彩RGB图像,采用JPG格式,为后续图像处理与分析提供原始数据;
(三)、裂缝的图像拼接
1.特征点的提取
在桥梁质量检测过程中,对桥梁裂缝图像进行获取时候,由于摄像机的幅面有限,从而使得获取到的桥梁裂缝图像仅包含局部裂缝,同时,在采集裂缝图像时相机的视角和尺度发生变化,导致拍摄的相邻裂缝图像具有不同的尺度,即两图像具有不同的坐标系,因此需要在裂缝图像中提取出不随图像尺度变化的特征点,方法是:
(1)检测尺度空间极值点:
通过裂缝图像采集步骤,获取到的一幅裂缝图像f(x,y),利用式(1),计算不同尺度下的尺度空间:
L(x,y,σ)=G(x,y,σ)*f(x,y) 式(1)
L(x,y,σ)--输出裂缝图像不同尺度下的尺度空间;
G(x,y,σ)--高斯核,
f(x,y)--输入裂缝图像的灰度值,取值范围为0到255;
x--像素点在X轴上的投影坐标;
y--像素点在Y轴上的投影坐标;
σ--尺度空间因子,表示高斯正态分布的方差,该值越大,表示裂缝图像被平滑的程度越大,相应的图像尺度也就越大,反之亦然;
σ为快速准确地检测出稳定的特征点,利用式(2)计算出的D(x,y,σ)极值作为特征点判断依据;
D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]*f(x,y)
=L(x,y,kσ)-L(x,y,σ) 式(2)
D(x,y,σ)--相邻两个高斯平滑后图像的差值;
G(x,y,σ)--相邻两层中,第一层的高斯核,
G(x,y,kσ)--相邻两层中,第二层的高斯核,
L(x,y,σ)--相邻两层中,第一层的尺度空间;
L(x,y,kσ)--相邻两层中,第二层的尺度空间;
f(x,y)--输入裂缝图像的灰度值,取值范围为0到255;
x--像素点在X轴上的投影坐标;
y--像素点在Y轴上的投影坐标;
σ--尺度空间因子,表示高斯正态分布的方差,该值越大,表示裂缝图像被平滑的程度越大,相应的图像尺度也就越大;该值越小,表明被平滑的程度越小,相应的图像尺度也就越小;
k--相邻两尺度的比值;
极值点的确定方法为:将每个像素与周围8个像素,同时加上上下相邻尺度对应的18个像素的D(x,y,σ)值进行比较,当被检测像素点的D(x,y,σ)值比此26个像素点的D(x,y,σ)值都要大时,或者都要小时,则认定该点为极值点,并将这点作为候选特征点同时保存;
(2)删除干扰特征点
在得到的所有候选特征点中,有两种点是不稳定的,一是对比度较低的点,其对噪声敏感;二是边缘上的点,其难以准确定位,因此有必要剔除这两种点;
剔除对比度低的点的具体实施过程为:
将求得的D(x,y,σ)利用式子(3)进行泰勒级数的展开:
Δx--候选特征点x的偏移量;
利用候选特征点x是差分高斯函数的极值点这个事实,令D(x,y,σ)对x的一阶偏导数为零,即解得
执行多次迭代过程,求得最终时刻候选点的位置与尺度借助于解得的Δx,求得设定阈值T,当时,则保留该特征点,否则剔除该点;
剔除边缘点的具体实施过程为:由于边缘上得到的D(x,y,σ)极值点的主曲率值较非边缘区域的极值点曲率值大,所以通过设定阈值,就可以将主曲率比值大于该阈值的点认定为边缘点,并剔除;
候选特征点的D(x,y,σ)的主曲率正比于大小为2×2的Hessian矩阵H的特征值;
H--Hessian矩阵;
Dxx--候选特征点领域(x,x)位置的灰度差分;
Dxy--候选特征点领域(x,y)位置的灰度差分;
Dyy--候选特征点领域(y,y)位置的灰度差分;
x--像素点在X轴上的投影坐标;
y--像素点在Y轴上的投影坐标;
设矩阵H的最大特征值为α,最小特征值为β,则有α+β=Dxx+Dyy,令γ=α/β,则设定阈值T,当时,则该点被认定为边缘点,并予以剔除;
(3)确定特征点的方向:
对于参考图像和待拼接图像,利用式(5)和式(6)求图像中每个点梯度的模m(x,y)与方向θ(x,y):
m(x,y)--特征点梯度的模;
θ(x,y)--特征点梯度的方向;
L(x,y)--特征点所处的图像尺度;
对每个特征点,统计以其为中心的领域像素的梯度分布,生成一直方图,找到直方图的最高峰值,利用距离最高峰值最近的三个柱值通过抛物线差值得到关键点的方向;
(4)生成特征点的特征向量:
以特征点为中心,取一个16×16的窗口,并将窗口分成16个4×4的小块,统计各个小块在8个方向的梯度分布情况,并在每个小块的中心产生一个种子点,每一个种子点含有8个方向的信息,最后每个特征点就有16×8=128个数据,产生128维的特征向量;
2.特征点的匹配:
这一步使用匹配算法识别在参考图像和待拼接图像之间的同一个物体点,方法是:
(1)利用根据上一步得到的特征向量,计算特征点的欧氏距离;
(2)在参考图像中找出与待拼接图像特征点距离最近与次近的两个特征点,得到最近距离与次近距离的比值r;
(3)设定阈值T,若r>T,认为最近点为该特征点的匹配点,即构成一对匹配点;
重复上述步骤,得到两图像的若干对匹配点;
3.裂缝图像拼接
通过计算欧氏距离确定的匹配算法过程较简单快捷,但有一个明显的不足就是匹配点对数受设定阈值的影响较大,为消除特征点的误匹配,初匹配之后采用下述方法来剔除误匹配,提纯特征点,并通过提纯后的特征点来求解图像之间的变换矩阵,方法是:
设初始变换矩阵为
(1)计算待拼接图像I中每个特征点(x,y)对应的参考图像I'中的点(x',y'),计算两点之间的误差e=I'(x',y')-I(x,y),利用式子(8)计算累加所有匹配点对的距离之和:
把E作为优化hi(i=0,1,...,7)的目标函数,使用非线性迭代算法最小化E;
(2)计算hi(i=0,1,...,7)相对于误差e的偏导数;
(3)构造增量函数Δh=(A+λI)-1b来计算H,其中A的分量为b的分量为求解H增量函数得到一个Δh,并修正H;
(4)判断累加值E,若E值减小但不小于设定阈值,则继续计算新的Δh,否则增大λ,重新计算Δh;
(5)当E小于设定的阈值时,停止迭代,此时的变换矩阵H就是图像间的最终变换矩阵;
(四)拼接图像处理
拼接后的图像中,裂缝与背景通常具备一定的区分度,但由于影像设备、外部环境以及桥面复杂的纹理,往往不能从中直接分离出目标裂缝,因此需对图像做一系列预处理,为后续的图像分割以及图像识别和分析做准备,图像预处理包括图像灰度化、灰度级变换和图像滤波,方法是:
1.裂缝图像灰度化:
由于拼接后的裂缝图像是真彩RGB图像,在检测裂缝过程中,只需要图像的亮度(灰度)值信息,而图像的颜色信息没有实质的用处,且会徒增计算量,因此,利用式(9)将裂缝图像由真彩RGB图像处理为灰度级图像:
f(x,y)=wRR(x,y)+wGG(x,y)+wBB(x,y) 式(9)
f(x,y)--裂缝图像处理后的灰度值,取值范围为0到255;
R(x,y)--原始裂缝图像的红原色分量值,取值范围为0到255;
G(x,y)--原始裂缝图像的绿原色分量值,取值范围为0到255;
B(x,y)--原始裂缝图像的蓝原色分量值,取值范围为0到255;
wR--原始裂缝图像的红原色分量值的权值,取值0.299;
wG--原始裂缝图像的绿原色分量值的权值,取值0.587;
wB--原始裂缝图像的蓝原色分量值的权值,取值0.114;
x--裂缝图像像素点在X轴上的投影坐标;
y--裂缝图像像素点在Y轴上的投影坐标;
2.裂缝图像加强:
通过设定好的阈值m,利用式(10),将数值低于和高于该阈值的灰度分别压缩至两个区间内,从而实现裂缝图像的平衡光照、减弱背景干扰并增强目标裂缝:
S--输出图像的灰度值,取值范围为0到255;
r--输入图像的灰度值,取值范围为0到255;
m--设定的阈值,初始取值0.5;
E--用于控制函数的斜率,取值5;
对于灰度值低于m和高于m的像素所在的区间,对比度拉伸会分别将这些区间压缩至两个更窄的区间内,形成较暗和较亮的两个区域,因此输出的是一幅具有高对比度的图像,采用对比度拉伸变换后的图像,裂缝得到明显的增强,同时,弱化背景;
3.裂缝图像滤波:
图像滤波的作用是滤除图像中噪声对应的波形并尽量保留图像细节特征完整,是图像预处理中必不可少的操作,图像滤波结果的质量对于后续图像检测和分析的可信度以及有效性有直接的影响;
对于裂缝图像f(x,y)内任意像素点(x,y),定义滤波模板W,利用式(11),计算输出图像g(x,y):
g(x,y)=med{f(x-k,y-l),(k,l∈W)} 式(11)
g(x,y)--滤波后裂缝图像的灰度值,取值范围为0到255;
f(x,y)--滤波前裂缝图像的灰度值,取值范围为0到255;
med()--取中值运算;
W--滤波模板,采用3×3二维模板;
k--滤波模板X轴上的大小,取值3;
l--滤波模板Y轴上的大小,取值3;
x--像素点在X轴上的投影坐标;
y--像素点在Y轴上的投影坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910062706.3A CN109754368B (zh) | 2019-01-23 | 2019-01-23 | 一种桥梁质量检测中的裂缝拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910062706.3A CN109754368B (zh) | 2019-01-23 | 2019-01-23 | 一种桥梁质量检测中的裂缝拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109754368A true CN109754368A (zh) | 2019-05-14 |
CN109754368B CN109754368B (zh) | 2022-09-06 |
Family
ID=66406216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910062706.3A Active CN109754368B (zh) | 2019-01-23 | 2019-01-23 | 一种桥梁质量检测中的裂缝拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109754368B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222609A (zh) * | 2019-05-24 | 2019-09-10 | 江西理工大学 | 一种基于图像处理的墙体裂缝智能识别方法 |
CN110363706A (zh) * | 2019-06-26 | 2019-10-22 | 杭州电子科技大学 | 一种大面积桥面图像拼接方法 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN110596116A (zh) * | 2019-07-23 | 2019-12-20 | 浙江科技学院 | 一种车辆表面瑕疵检测方法及检测系统 |
CN110823742A (zh) * | 2019-11-07 | 2020-02-21 | 常州合欣达旭新能源科技发展有限公司 | 一种风电叶片雨蚀测试系统 |
CN111798423A (zh) * | 2020-07-01 | 2020-10-20 | 上海理工大学 | 一种混凝土裂缝图片拼接与检测方法 |
CN112258433A (zh) * | 2020-10-22 | 2021-01-22 | 大连理工大学 | 一种遥感资料中内波特征增强显示的灰度直方图拉伸方法 |
CN112381009A (zh) * | 2020-11-18 | 2021-02-19 | 安徽国钜工程机械科技有限公司 | 一种线阵相机采集隧道图像和图像拼接方法 |
CN112686806A (zh) * | 2021-01-08 | 2021-04-20 | 腾讯科技(深圳)有限公司 | 图像拼接方法及装置、电子设备、存储介质 |
CN113533346A (zh) * | 2021-07-08 | 2021-10-22 | 广东省交通规划设计研究院集团股份有限公司 | 一种水下勘探装置 |
CN114153235A (zh) * | 2021-09-14 | 2022-03-08 | 中国北方车辆研究所 | 一种基于变结构的伺服拒止平台运动的控制方法 |
CN114463324A (zh) * | 2022-02-23 | 2022-05-10 | 中国石油大学(华东) | 基于海森矩阵滤波的岩心图像裂缝识别方法 |
CN117058129A (zh) * | 2023-10-09 | 2023-11-14 | 安徽建筑大学 | 基于图像处理的桥梁表观病害自动识别方法 |
CN117853484A (zh) * | 2024-03-05 | 2024-04-09 | 湖南建工交建宏特科技有限公司 | 一种基于视觉的桥梁损伤智能监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN107179322A (zh) * | 2017-06-15 | 2017-09-19 | 长安大学 | 一种基于双目视觉的桥梁底面裂缝检测方法 |
CN108921847A (zh) * | 2018-08-08 | 2018-11-30 | 长沙理工大学 | 基于机器视觉的桥梁底部检测方法 |
-
2019
- 2019-01-23 CN CN201910062706.3A patent/CN109754368B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN107179322A (zh) * | 2017-06-15 | 2017-09-19 | 长安大学 | 一种基于双目视觉的桥梁底面裂缝检测方法 |
CN108921847A (zh) * | 2018-08-08 | 2018-11-30 | 长沙理工大学 | 基于机器视觉的桥梁底部检测方法 |
Non-Patent Citations (2)
Title |
---|
李文波等: "基于图像处理技术的混凝土桥梁裂缝宽度检测", 《湖南交通科技》 * |
许薛军等: "基于数字图像的混凝土桥梁裂缝检测技术", 《湖南大学学报(自然科学版)》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222609A (zh) * | 2019-05-24 | 2019-09-10 | 江西理工大学 | 一种基于图像处理的墙体裂缝智能识别方法 |
CN110363706A (zh) * | 2019-06-26 | 2019-10-22 | 杭州电子科技大学 | 一种大面积桥面图像拼接方法 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN110363706B (zh) * | 2019-06-26 | 2023-03-21 | 杭州电子科技大学 | 一种大面积桥面图像拼接方法 |
CN110596116A (zh) * | 2019-07-23 | 2019-12-20 | 浙江科技学院 | 一种车辆表面瑕疵检测方法及检测系统 |
CN110823742A (zh) * | 2019-11-07 | 2020-02-21 | 常州合欣达旭新能源科技发展有限公司 | 一种风电叶片雨蚀测试系统 |
CN110823742B (zh) * | 2019-11-07 | 2022-07-26 | 常州合欣达旭新能源科技发展有限公司 | 一种风电叶片雨蚀测试系统 |
CN111798423A (zh) * | 2020-07-01 | 2020-10-20 | 上海理工大学 | 一种混凝土裂缝图片拼接与检测方法 |
CN111798423B (zh) * | 2020-07-01 | 2022-08-23 | 上海理工大学 | 一种混凝土裂缝图片拼接与检测方法 |
CN112258433A (zh) * | 2020-10-22 | 2021-01-22 | 大连理工大学 | 一种遥感资料中内波特征增强显示的灰度直方图拉伸方法 |
CN112258433B (zh) * | 2020-10-22 | 2024-03-29 | 大连理工大学 | 一种遥感资料中内波特征增强显示的灰度直方图拉伸方法 |
CN112381009A (zh) * | 2020-11-18 | 2021-02-19 | 安徽国钜工程机械科技有限公司 | 一种线阵相机采集隧道图像和图像拼接方法 |
CN112686806A (zh) * | 2021-01-08 | 2021-04-20 | 腾讯科技(深圳)有限公司 | 图像拼接方法及装置、电子设备、存储介质 |
CN113533346A (zh) * | 2021-07-08 | 2021-10-22 | 广东省交通规划设计研究院集团股份有限公司 | 一种水下勘探装置 |
CN114153235A (zh) * | 2021-09-14 | 2022-03-08 | 中国北方车辆研究所 | 一种基于变结构的伺服拒止平台运动的控制方法 |
CN114153235B (zh) * | 2021-09-14 | 2023-08-08 | 中国北方车辆研究所 | 一种基于变结构的伺服拒止平台运动的控制方法 |
CN114463324B (zh) * | 2022-02-23 | 2023-05-05 | 中国石油大学(华东) | 基于海森矩阵滤波的岩心图像裂缝识别方法 |
CN114463324A (zh) * | 2022-02-23 | 2022-05-10 | 中国石油大学(华东) | 基于海森矩阵滤波的岩心图像裂缝识别方法 |
CN117058129A (zh) * | 2023-10-09 | 2023-11-14 | 安徽建筑大学 | 基于图像处理的桥梁表观病害自动识别方法 |
CN117058129B (zh) * | 2023-10-09 | 2024-01-12 | 安徽建筑大学 | 基于图像处理的桥梁表观病害自动识别方法 |
CN117853484A (zh) * | 2024-03-05 | 2024-04-09 | 湖南建工交建宏特科技有限公司 | 一种基于视觉的桥梁损伤智能监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109754368B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754368A (zh) | 一种桥梁质量检测中的裂缝拼接方法 | |
CN109580657B (zh) | 一种桥梁质量检测中的裂缝检测方法 | |
Zhang et al. | Automatic pavement defect detection using 3D laser profiling technology | |
CN104112269B (zh) | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 | |
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
Li et al. | Long-distance precision inspection method for bridge cracks with image processing | |
CN105158257B (zh) | 滑板测量方法及装置 | |
WO2023045299A1 (zh) | 基于三维轮廓的路面技术状况检测方法及设备 | |
CN103279765A (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN107478176A (zh) | 一种受电弓损耗检测方法及系统 | |
CN105404874B (zh) | 一种基于投影和hough直线检测的车窗识别系统 | |
CN106643549A (zh) | 一种基于机器视觉的瓷砖尺寸检测方法 | |
CN107705291A (zh) | 一种基于图像识别的外脚手架安全性自动检查方法 | |
CN106546185A (zh) | 一种基于机器视觉检测的轮廓质量检测方法 | |
CN106355185B (zh) | 一种振动条件下快速提取钢轨表面区域的方法 | |
CN104637049A (zh) | 一种光纤绕环质量的自动检测方法 | |
CN110415221A (zh) | 一种基于图像特征点匹配的集装箱卡车防吊起自动检测方法 | |
CN112561989A (zh) | 一种建造场景下吊装对象的识别方法 | |
CN114919079B (zh) | 基于图像识别的评估双轮铣工作状态的方法及系统 | |
CN115330751A (zh) | 一种基于YOLOv5和Realsense的螺栓检测与定位方法 | |
CN115082849A (zh) | 基于深度学习的模板支架安全智能监测方法 | |
Ho et al. | Automatic image recognition of pavement distress for improving pavement inspection | |
Gao et al. | An Enhanced Percolation Method for Automatic Detection of Cracks in Concrete Bridges | |
Liu et al. | Wear Detection System for Elevator Traction Sheave | |
CN111931651B (zh) | 一种视觉检测图像处理系统及其处理方法 |
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 |