CN110060232A - 隧道裂缝识别方法、装置、计算机设备和存储介质 - Google Patents
隧道裂缝识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110060232A CN110060232A CN201910196321.6A CN201910196321A CN110060232A CN 110060232 A CN110060232 A CN 110060232A CN 201910196321 A CN201910196321 A CN 201910196321A CN 110060232 A CN110060232 A CN 110060232A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- correction
- correction image
- obtains
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012937 correction Methods 0.000 claims abstract description 152
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 241000226585 Antennaria plantaginifolia Species 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
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
- G06T7/0002—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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种隧道裂缝识别方法、装置、计算机设备和存储介质。所述方法包括:对隧道衬砌表面图像进行径向畸变校正和切向畸变校正,得到第一校正图像;对所述第一校正图像进行非线性失真校正,得到第二校正图像;将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果;其中,所述识别结果包括所述第二校正图像为裂缝图像或所述第二校正图像为非裂缝图像。采用本方法能够提高隧道裂缝识别的准确度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种隧道裂缝识别方法、装置、计算机设备和存储介质。
背景技术
隧道是埋置于地层内的工程建筑物,是人类利用地下空间的一种形式,隧道可分为交通隧道、水工隧道、市政隧道、矿山隧道。随着社会的发展,人类对隧道的需求越来越大,通过对隧道的建设与扩大,对隧道的维护也变得越来越重要。隧道在使用过程中,由于收到车辆的振动、周边载荷的扰动、岩土的压力以及其它自然环境的风化侵蚀,在隧道的衬砌表面出现裂缝,如果对裂缝不能及时发现和维修,会出现混泥土层对内部的钢筋保护失效、混泥土掉落,甚至严重的会出现隧道坍塌。
目前,出现了通过图像处理技术来实习对隧道衬砌表面的裂缝的识别。然而,现有的识别技术只能识别尺寸较大的裂缝,对于尺寸小裂缝的无法进行识别。
发明内容
基于此,有必要针对上述技术问题,提供一种能够裂缝识别精度的隧道裂缝识别方法、装置、计算机设备和存储介质。
一种隧道裂缝识别方法,所述方法包括:
对隧道衬砌表面图像进行径向畸变校正和切向畸变校正,得到第一校正图像;
对所述第一校正图像进行非线性失真校正,得到第二校正图像;
将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果;其中,所述识别结果包括所述第二校正图像为裂缝图像或所述第二校正图像为非裂缝图像。
在其中一个实施例中,所述方法还包括:对所述裂缝图像根据相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离。
在其中一个实施例中,所述对所述第一校正图像进行非线性失真校正,得到第二校正图像包括:
获取所述第一校正图像中每个像素点所处的网格的四个顶点;所述第一校正图像均匀划分成多个网格;
根据所述四个顶点所对应节点的最优补偿值,通过双线性插值算法计算出所述像素点的补偿值;
根据所述补偿值对每个所述像素点进行位置校正,得到第二校正图像。
在其中一个实施例中,在将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果之前,包括:
从所述第二校正图像中获取裂缝训练集图像,并获得所述裂缝训练集图像的人工识别结果;
将所述裂缝训练集图像输入初始卷积神经网络,得到初始分类结果;其中,所述初始分类结果为对所述裂缝训练集图像的判断为裂缝分数和非裂缝分数;
计算所述初始分类结果与所述人工识别结果的平方误差代价函数的值;
当所述平方误差代价函数的值不为最小时,调整所述初始卷积神经网络的卷积层参数;
当所述平方误差代价函数的值为最小时,得到所述卷积神经网络模型。
在其中一个实施例中,所述当所述平方误差代价函数值不为最小时,调整所述初始卷积神经网络的卷积层参数,包括:
当所述平方误差代价函数的值不为最小时,根据平方误差代价函数的偏导计算卷积层参数的调整步长;
根据所述调整步长对所述初始卷积神经网络的卷积层参数进行调整。
在其中一个实施例中,所述对所述裂缝图像根据相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离,包括:
对所述裂缝图像进行灰度处理、平滑滤波去噪处理、图像增强处理、裂缝边缘检测,得到裂缝图像的二值图;
根据所述裂缝图像的二值图和相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离。
在其中一个实施例中,在所述对所述裂缝图像根据相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离之前,包括:
根据相机拍摄的物体图像的像素个数与实际物体的实际尺寸之间的关系,得到相机标定参数;所述标定参数包括相机坐标系相对于世界坐标系的旋转系数和平移系数。
一种隧道裂缝识别装置,所述装置包括:
第一校正模块,用于对隧道衬砌表面图像进行径向畸变校正和切向畸变校正,得到第一校正图像;
第二校正模块,用于对所述第一校正图像进行非线性失真校正,得到第二校正图像;
裂缝识别模块,用于将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果;其中,所述识别结果包括所述第二校正图像为裂缝图像或所述第二校正图像为非裂缝图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
第一校正模块,用于对隧道衬砌表面图像进行径向畸变校正和切向畸变校正,得到第一校正图像;
第二校正模块,用于对所述第一校正图像进行非线性失真校正,得到第二校正图像;
裂缝识别模块,用于将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果;其中,所述识别结果包括所述第二校正图像为裂缝图像或所述第二校正图像为非裂缝图像。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
第一校正模块,用于对隧道衬砌表面图像进行径向畸变校正和切向畸变校正,得到第一校正图像;
第二校正模块,用于对所述第一校正图像进行非线性失真校正,得到第二校正图像;
裂缝识别模块,用于将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果;其中,所述识别结果包括所述第二校正图像为裂缝图像或所述第二校正图像为非裂缝图像。
上述隧道裂缝识别方法、装置、计算机设备和存储介质,通过对采集的隧道衬砌表面图像进行畸变校正,再通过卷积神经网络模型进行隧道裂缝进行识别,提高了对裂缝的识别的准确度。
附图说明
图1为一个实施例中隧道裂缝识别方法的流程示意图;
图2为一个实施例中非线性失真校正步骤的流程示意图;
图3为一个实施例中卷积神经网络模型训练步骤的流程示意图;
图4为一个实施例中隧道裂缝识别装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种隧道裂缝识别方法,包括以下步骤:
S110,对隧道衬砌表面图像进行径向畸变校正和切向畸变校正,得到第一校正图像。
其中,径向畸变包括桶形畸变和枕形畸变,所述径向畸变可采用张氏标定法或BOX校正方法进行校正。其中,像点的径向位置还可根据式(1)进行校正:
xcorrected=x(1+k1r2+k2r4+k3r6)
ycorrected=y(1+k1r2+k2r4+k3r6) (1)
其中,r是矢量长度,k1、k2、k3为径向畸变系数,x、y为图像坐标,xcorrected、ycorrected为校正后的图像坐标。
其中,像点的切向位置可根据式(2)进行校正:
xcorrected=x+[2p1y+p2(r2+2x2)]
ycorrected=y+[p1(r2+2y2)+2p2x] (2)
其中,r是矢量长度,p1、p2为切向畸变系数,x、y为图像坐标,xcorrected、ycorrected为校正后的图像坐标。
S120,对所述第一校正图像进行非线性失真校正,得到第二校正图像。
其中,非线性失真校正是通过标记N*N的网格图形,N为自然数,测量出实际节点坐标与理想坐标之差,并计算出每个节点需要补偿的差值,其中,节点指的是网格顶点与顶点相交的位置。本申请进行多次测量实验,利用最小二乘法算出每个节点的最优补偿值并通过二维坐标形式记录。
S130,将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果;其中,所述识别结果包括所述第二校正图像为裂缝图像或所述第二校正图像为非裂缝图像。
其中,卷积神经网络是一种二维网络模型,它的权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少权值的数量,同时减小计算复杂度,减少计算开支,且可以直接输入原始图像,避免了传统识别算法中复杂的特征提取和数据重建过程。
在上述隧道裂缝识别方法中,通过对采集的隧道衬砌表面图像进行畸变校正,再通过卷积神经网络模型进行隧道裂缝进行识别,提高了对裂缝的识别的准确度。
在其中一个实施例中,隧道裂缝识别方法还包括步骤:对所述裂缝图像根据相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离。
其中,相机标定参数包括相机的畸变系数、相机坐标系相对于世界坐标系的旋转系数和平移系数。其中,畸变系数包括径向畸变系数和切向畸变系数。其中,裂缝的长度、宽度指的是实际裂缝的长度和宽度,裂缝的距离指的是裂缝到相机的距离。
在其中一个实施例中,所述对所述裂缝图像根据相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离,包括:对所述裂缝图像进行灰度处理、平滑滤波去噪处理、图像增强处理、裂缝边缘检测,得到裂缝图像的二值图;根据所述裂缝图像的二值图和相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离。
在其中一个实施例中,在所述对所述裂缝图像根据相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离之前,包括:根据相机拍摄的物体图像的像素个数与实际物体的实际尺寸之间的关系,得到相机标定参数;所述标定参数包括相机坐标系相对于世界坐标系的旋转系数和平移系数。其中,根据双目相机的左右视差图,得到相机与裂缝之间的距离。
在其中一个实施例中,在步骤S120中,如图2所示,所述对所述第一校正图像进行非线性失真校正,得到第二校正图像包括:
S121,获取所述第一校正图像中每个像素点所处的网格的四个顶点。
其中,所述第一校正图像均匀划分成多个网格,像素点位于划分的网格中。
S122,根据所述四个顶点所对应节点的最优补偿值,通过双线性插值算法计算出所述像素点的补偿值。
其中,网格顶点与顶点相交的位置称为节点,节点的最优补偿值可以通过黑白标定板的标定实验得到。双线性插值算法结合四个节点的最优补偿值来对所述像素点计算补偿值。
S123,根据所述补偿值对每个所述像素点进行位置校正,得到第二校正图像。
通过本实施例所述方法,在对隧道衬砌表面图像进行裂缝识别之前,对图形进行两次校正,能够排除相机在拍摄图像时其本身对图像的影响,大大提高了裂缝识别的准确度。
在其中一个实施例中,如图3所示,在将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果之前,包括:
S131,从所述第二校正图像中获取裂缝训练集图像,并获得所述裂缝训练集图像的人工识别结果。
其中,裂缝训练集图像为小批次张数的图像,人工对所述裂缝训练集图像识别裂缝,当图像中包括裂缝时,判断图片是裂缝的分数为100,判断图片是非裂缝的分数为0;当图像中不包括裂缝时,判断图片是裂缝的分数为0,判断图片是非裂缝的分数为100。
S132,将所述裂缝训练集图像输入初始卷积神经网络,得到初始分类结果。
其中,所述初始分类结果为对所述裂缝训练集图像的判断为裂缝分数和非裂缝分数。当所述裂缝训练集图像的判断为裂缝分数大,表示图像中存在裂缝的可能性大。
S133,计算所述初始分类结果与所述人工识别结果的平方误差代价函数的值。
其中,所述平方误差代价函数为:
其中,N为裂缝训练集图像小批次张数,为第n张图片对应第k类的分数,为真实分数。
S134,判断所述平方误差代价函数的值是否为最小。
S135,当所述平方误差代价函数的值不为最小时,调整所述初始卷积神经网络的卷积层参数。
S136,当所述平方误差代价函数的值为最小时,得到所述卷积神经网络模型。
在本实施例中,通过计算平方误差代价函数的值,来对初始卷积神经网络的卷积层参数进行调整,并重复上述过程,能够使得在卷积层参数最优时,确定卷积神经网络模型,以实现对隧道衬砌表面图像中裂缝的识别。
在其中一个实施例中,所述当所述平方误差代价函数值不为最小时,调整所述初始卷积神经网络的卷积层参数,包括:当所述平方误差代价函数的值不为最小时,根据平方误差代价函数的偏导计算卷积层参数的调整步长;根据所述调整步长对所述初始卷积神经网络的卷积层参数进行调整。
其中,调整步长的具体公式如下:
其中,为调整步长,为当前卷积核权重,l表示卷积层的层数,i、j表示第i排、第j列个图像块,其中,每个裂缝训练集图像分成多个图像块。
应该理解的是,虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种隧道裂缝识别装置,包括:第一校正模块210、第二校正模块220和裂缝识别模块230,其中:
第一校正模块210,用于对隧道衬砌表面图像进行径向畸变校正和切向畸变校正,得到第一校正图像。
第二校正模块220,用于对所述第一校正图像进行非线性失真校正,得到第二校正图像。
裂缝识别模块230,用于将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果。
其中,所述识别结果包括所述第二校正图像为裂缝图像或所述第二校正图像为非裂缝图像。
在其中一个实施例中,一种隧道裂缝识别装置包括:尺寸计算模块,对所述裂缝图像根据相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离。
在其中一个实施例中,所述尺寸计算模块包括:图像处理单元,用于对所述裂缝图像进行灰度处理、平滑滤波去噪处理、图像增强处理、裂缝边缘检测,得到裂缝图像的二值图;尺寸计算单元,用于根据所述裂缝图像的二值图和相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离。
在其中一个实施例中,所述第二校正模块包括:顶点获取单元,用于获取所述第一校正图像中每个像素点所处的网格的四个顶点;补偿值计算单元,用于根据所述四个顶点所对应节点的最优补偿值,通过双线性插值算法计算出所述像素点的补偿值;校正模块,用于根据所述补偿值对每个所述像素点进行位置校正,得到第二校正图像。
关于隧道裂缝识别装置的具体限定可以参见上文中对于隧道裂缝识别方法的限定,在此不再赘述。上述隧道裂缝识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储隧道衬砌表面图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种隧道裂缝识别方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对隧道衬砌表面图像进行径向畸变校正和切向畸变校正,得到第一校正图像;
对所述第一校正图像进行非线性失真校正,得到第二校正图像;
将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果;其中,所述识别结果包括所述第二校正图像为裂缝图像或所述第二校正图像为非裂缝图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述裂缝图像根据相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对隧道衬砌表面图像进行径向畸变校正和切向畸变校正,得到第一校正图像;
对所述第一校正图像进行非线性失真校正,得到第二校正图像;
将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果;其中,所述识别结果包括所述第二校正图像为裂缝图像或所述第二校正图像为非裂缝图像。
一个实施例中,计算机程序被处理器执行时还实现以下步骤:对所述裂缝图像根据相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种隧道裂缝识别方法,其特征在于,所述方法包括:
对隧道衬砌表面图像进行径向畸变校正和切向畸变校正,得到第一校正图像;
对所述第一校正图像进行非线性失真校正,得到第二校正图像;
将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果;其中,所述识别结果包括所述第二校正图像为裂缝图像或所述第二校正图像为非裂缝图像。
2.根据权利要求1所述的方法,其特征在于,还包括:
对所述裂缝图像根据相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离。
3.根据权利要求1所述的方法,其特征在于,所述对所述第一校正图像进行非线性失真校正,得到第二校正图像包括:
获取所述第一校正图像中每个像素点所处的网格的四个顶点;所述第一校正图像均匀划分成多个网格;
根据所述四个顶点所对应节点的最优补偿值,通过双线性插值算法计算出所述像素点的补偿值;
根据所述补偿值对每个所述像素点进行位置校正,得到第二校正图像。
4.根据权利要求1所述的方法,其特征在于,在将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果之前,包括:
从所述第二校正图像中获取裂缝训练集图像,并获得所述裂缝训练集图像的人工识别结果;
将所述裂缝训练集图像输入初始卷积神经网络,得到初始分类结果;其中,所述初始分类结果为对所述裂缝训练集图像的判断为裂缝分数和非裂缝分数;
计算所述初始分类结果与所述人工识别结果的平方误差代价函数的值;
当所述平方误差代价函数的值不为最小时,调整所述初始卷积神经网络的卷积层参数;
当所述平方误差代价函数的值为最小时,得到所述卷积神经网络模型。
5.根据权利要求4所述的方法,其特征在于,所述当所述平方误差代价函数值不为最小时,调整所述初始卷积神经网络的卷积层参数,包括:
当所述平方误差代价函数的值不为最小时,根据平方误差代价函数的偏导计算卷积层参数的调整步长;
根据所述调整步长对所述初始卷积神经网络的卷积层参数进行调整。
6.根据权利要求2所述的方法,其特征在于,所述对所述裂缝图像根据相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离,包括:
对所述裂缝图像进行灰度处理、平滑滤波去噪处理、图像增强处理、裂缝边缘检测,得到裂缝图像的二值图;
根据所述裂缝图像的二值图和相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离。
7.根据权利要求2所述的方法,其特征在于,在所述对所述裂缝图像根据相机标定参数,计算得到所述裂缝图像中裂缝的长度、宽度和距离之前,包括:
根据相机拍摄的物体图像的像素个数与实际物体的实际尺寸之间的关系,得到相机标定参数;所述标定参数包括相机坐标系相对于世界坐标系的旋转系数和平移系数。
8.一种隧道裂缝识别装置,其特征在于,所述装置包括:
第一校正模块,用于对隧道衬砌表面图像进行径向畸变校正和切向畸变校正,得到第一校正图像;
第二校正模块,用于对所述第一校正图像进行非线性失真校正,得到第二校正图像;
裂缝识别模块,用于将所述第二校正图像输入卷积神经网络模型,得到所述第二校正图像裂缝的识别结果;其中,所述识别结果包括所述第二校正图像为裂缝图像或所述第二校正图像为非裂缝图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910196321.6A CN110060232A (zh) | 2019-03-15 | 2019-03-15 | 隧道裂缝识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910196321.6A CN110060232A (zh) | 2019-03-15 | 2019-03-15 | 隧道裂缝识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110060232A true CN110060232A (zh) | 2019-07-26 |
Family
ID=67316814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910196321.6A Pending CN110060232A (zh) | 2019-03-15 | 2019-03-15 | 隧道裂缝识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110060232A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110656927A (zh) * | 2019-08-26 | 2020-01-07 | 中国矿业大学 | 一种基于钻孔电视的裂隙影像测量方法 |
CN110751656A (zh) * | 2019-09-24 | 2020-02-04 | 浙江大华技术股份有限公司 | 一种裂缝参数自动提取方法、装置及存储装置 |
CN111951193A (zh) * | 2020-08-21 | 2020-11-17 | 安谋科技(中国)有限公司 | 图像的水平畸变矫正方法及水平畸变矫正装置 |
CN112036425A (zh) * | 2020-05-09 | 2020-12-04 | 中铁四局集团有限公司 | 一种隧道空洞状态雷达波谱图像识别模型构建方法及隧道空洞状态雷达波谱图像识别方法 |
CN114002129A (zh) * | 2021-12-02 | 2022-02-01 | 河北省交通规划设计研究院有限公司 | 一种高水压裂隙岩体渗流试验平台 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102679914A (zh) * | 2012-05-14 | 2012-09-19 | 同济大学 | 一种盾构隧道衬砌管片渗漏水面积的测量方法及装置 |
CN107230202A (zh) * | 2017-05-16 | 2017-10-03 | 淮阴工学院 | 路面病害图像的自动识别方法和系统 |
-
2019
- 2019-03-15 CN CN201910196321.6A patent/CN110060232A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102679914A (zh) * | 2012-05-14 | 2012-09-19 | 同济大学 | 一种盾构隧道衬砌管片渗漏水面积的测量方法及装置 |
CN107230202A (zh) * | 2017-05-16 | 2017-10-03 | 淮阴工学院 | 路面病害图像的自动识别方法和系统 |
Non-Patent Citations (1)
Title |
---|
朱鑫: "隧道结构表面病害特征快速检测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110656927A (zh) * | 2019-08-26 | 2020-01-07 | 中国矿业大学 | 一种基于钻孔电视的裂隙影像测量方法 |
CN110656927B (zh) * | 2019-08-26 | 2021-06-18 | 中国矿业大学 | 一种基于钻孔电视的裂隙影像测量方法 |
CN110751656A (zh) * | 2019-09-24 | 2020-02-04 | 浙江大华技术股份有限公司 | 一种裂缝参数自动提取方法、装置及存储装置 |
CN110751656B (zh) * | 2019-09-24 | 2022-11-22 | 浙江大华技术股份有限公司 | 一种裂缝参数自动提取方法、装置及存储装置 |
CN112036425A (zh) * | 2020-05-09 | 2020-12-04 | 中铁四局集团有限公司 | 一种隧道空洞状态雷达波谱图像识别模型构建方法及隧道空洞状态雷达波谱图像识别方法 |
CN111951193A (zh) * | 2020-08-21 | 2020-11-17 | 安谋科技(中国)有限公司 | 图像的水平畸变矫正方法及水平畸变矫正装置 |
CN111951193B (zh) * | 2020-08-21 | 2024-02-02 | 安谋科技(中国)有限公司 | 图像的水平畸变矫正方法及水平畸变矫正装置 |
CN114002129A (zh) * | 2021-12-02 | 2022-02-01 | 河北省交通规划设计研究院有限公司 | 一种高水压裂隙岩体渗流试验平台 |
CN114002129B (zh) * | 2021-12-02 | 2022-08-09 | 河北省交通规划设计研究院有限公司 | 一种高水压裂隙岩体渗流试验平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060232A (zh) | 隧道裂缝识别方法、装置、计算机设备和存储介质 | |
CN111353969B (zh) | 道路可行驶区域的确定方法、装置及计算机设备 | |
CN111833237B (zh) | 基于卷积神经网络和局部单应性变换的图像配准方法 | |
CN103383773B (zh) | 一种动态提取图像控制点的遥感卫星图像自动正射纠正的框架和方法 | |
EP2686827A1 (en) | 3d streets | |
CN109709551B (zh) | 一种星载合成孔径雷达影像的区域网平面平差方法 | |
CN104537367B (zh) | 一种vin码的校验方法 | |
CN113793270A (zh) | 一种基于无人机姿态信息的航拍图像几何校正方法 | |
CN104318235B (zh) | 一种基于灰度分布建模的光斑中心提取方法及装置 | |
CN108876806A (zh) | 基于大数据分析的目标跟踪方法和系统、存储介质及设备 | |
CN108919319A (zh) | 海岛礁卫星影像无地面控制点定位方法及系统 | |
CN108304243A (zh) | 界面生成方法、装置、计算机设备和存储介质 | |
CN115713487A (zh) | 用于x射线焊缝图像的缺陷识别方法、设备和存储介质 | |
CN109188483B (zh) | 一种时序化高精度外方位元素自动定标方法 | |
US20230379422A1 (en) | Method for vehicle hinge point calibration and corresponding calibration apparatus, computer device, and storage medium | |
CN104599285A (zh) | 一种基于遥感图像的水体信息提取方法及装置 | |
CN112330727A (zh) | 图像匹配方法、装置、计算机设备及存储介质 | |
CN109579796B (zh) | 一种投影后影像的区域网平差方法 | |
CN109063601A (zh) | 唇纹检测方法、装置、计算机设备和存储介质 | |
CN110223250B (zh) | 基于单应变换的sar几何校正方法 | |
CN112070810B (zh) | 定位方法、可移动设备及计算机可读存储介质 | |
CN110910436B (zh) | 基于图像信息增强技术的测距方法、装置、设备和介质 | |
CN112765770B (zh) | 一种水土流失遥感动态监测方法及系统 | |
CN113744361A (zh) | 一种基于三目视觉的三维高精地图构建方法及装置 | |
CN117541469B (zh) | 一种基于图论的sar图像拼接方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |
|
RJ01 | Rejection of invention patent application after publication |