CN110161035A - 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 - Google Patents
基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 Download PDFInfo
- Publication number
- CN110161035A CN110161035A CN201910342409.4A CN201910342409A CN110161035A CN 110161035 A CN110161035 A CN 110161035A CN 201910342409 A CN201910342409 A CN 201910342409A CN 110161035 A CN110161035 A CN 110161035A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- frame
- area
- boundary
- 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
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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20—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
- G06T2207/30136—Metal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法,其具体步骤如下:A.采集金属构件表面视频图像和建立检测图像库;B.局部二进制化计算图像纹理特征;C.两步支持向量机图像裂缝扫描与集合;D.贝叶斯数据融合与决策。本发明采用视频图像检测,可以获取许多人力难以到达的区域;采用计算机识别结构构件表面裂缝,可以大大降低判读工作的繁重程度,提高对裂缝的检测率;与构件表面光照强度相关性较好,相比以往的灰度图或其他方式能够提高对纹理的识别效果;能够及时对裂缝病害进行预警,提早发现结构病害;保持了较高的扫描速度前提下,利用径向基函数支持向量机神经网络维持了较高的正确率;提高了对裂缝识别的正确率。
Description
技术领域
本发明涉及结构表面裂缝进行识别的方法。
背景技术
钢结构等结构构件是大量基础设施领域中的重要构件之一,随着运营时间的增长,由于缺乏足够的定期检测和后续的维护,长期使用、超载及材料老化等因素会不可避免地导致退化现象。裂缝、疲劳、材料脆化、磨耗、腐蚀等结构老化问题会带来结构的功能损失和安全性问题。此外,在某些高温、高压、高辐射、酸碱性环境下,结构构件更容易损坏。因此,对结构构件的检测是一项重要工作,有利于减缓构件退化,增加结构安全性。
对于结构构件而言,裂缝是重点检测的病害之一,裂缝不仅会直接导致结构整体强度下降,也会带来锈蚀等其他问题。目前,现场的常规检测手段往往依靠人工进行,采用肉眼或携带便携式工具对大量结构构件进行检测时,费时费力,检测过程单调乏味,且容易产生漏检等问题,也无法及时有效地发现病害。在高温、高压、酸碱性环境下,人工检测对检测人员也存在一定风险。在一些特殊领域和特殊环境中,已经有利用摄像头进行视频采集,然后由人工进行判断的检测方法。与直接在现场进行人工检测相比,这一方法有所改进,可以降低人员风险,但依靠肉眼对视频图像中的裂缝进行判断时,由于结构构件表面对比度低,且结构构件裂缝一般较小,结构构件表面除了真实的裂缝外,还存在刮擦、焊缝等疑似裂缝的结构,因此检测人员难以发现早期以及较小的裂缝。不同结构构件表面亮度差异也很大,而且裂缝与周围区域的对比度不明显,灰度图像处理算法对这一问题不适用,目前存在的基于图像的算法在检测结构构件裂缝时会有较高的误报率和漏报率。
局部二进制模式是一种与照度无关的纹理文类与特征识别方法,可以有效地将裂缝与划痕、焊缝等其他纹理区分开来。支持向量机是一种判断输入数据类型有效的工具。贝叶斯决策被广泛用于结构系统识别和建模,系统识别,运动预测和基础设施缺陷评价与安全分析。以上三种方法的组合可以更好地解决前述提及的裂缝分类等问题,提高结构表面裂缝识别程度。
发明内容
本发明要克服以往在裂缝检测技术在结构表面裂缝检测方面的不足,提出一种基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法。
本发明首先采集结构构件表面视频图像,在每一秒内提取一帧视频中的图像形成待处理的图像库;其次采用两步支持向量机处理图像库,移除非裂缝图像;接着使用贝叶斯数据融合方法在附近帧图像中追踪被识别出的图像;最后使用贝叶斯决策理论判断该裂缝是否为真实裂缝。
本发明的基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法,具体实施步骤如下:
A.采集结构构件表面视频图像和建立检测图像库;
A1.选取目标结构构件,利用录像设备采集该结构物表面视频图像。录像设备扫视构件表面时,应当匀速进行,录像时尽量选取柔和光照条件,避免强烈的反光现象发生;
A2.基于目标结构构件的一般特征,选取一定时间间隔,逐帧采集视频文件中的图像,形成用于检测的图像库。
B.局部二进制化计算图像纹理特征;
B1.对一帧图像进行局部区域扫描,根据图像大小合理确定扫描区域;
B2.计算每一个扫描块的局部二进制积分数值。
C.两步支持向量机图像裂缝扫描与集合;
C1.用包含裂缝以及不含裂缝的训练图片库训练一个线性内核与一个径向基函数内核的支持向量机神经网络。训练图像库内包含的图像需要进行预先定义,且裂缝应当涵盖与构件表面裂缝相似的各个角度以及不同光照条件下的裂缝与非裂缝图片
C2.利用线性内核支持向量机神经网络处理B中每一个扫描区域,移除非裂缝区域的图片。线性支持向量机扫描速度快,但是存在一定误报率。该步骤设置阈值为100%报警,该步骤可以保留所有的裂缝区域和少量误报率范围内的非裂缝区域。
C3.对C2步骤保留的图片采用径向基函数支持向量机逐块扫描,移除非裂缝区块。经过C2步骤后,大部分非裂缝区域被移除,但仍然存在一定的误报率。由于径向基函数支持向量机有较高的准确率,经过该步骤后,可以将保留的区块中非裂缝区域大大减少。
C4.裂缝区域合并。经过二步支持向量机神经网络处理后,余下的区域绝大部分为裂缝区域,而一条裂缝的图像一般大于选取扫描的区域,因此相近的区块可能为同一裂缝的图像,设定某一距离内的裂缝区域为同一裂缝,对相近裂缝区块进行合并,形成真实裂缝的边界。重复上述B与C两步,逐帧处理所提取的检测图像库中的每一帧图像,保留包含裂缝的图像。
D.贝叶斯数据融合与决策;
D1.贝叶斯数据融合。经过C步后,可以形成以帧为单位的裂缝库,由于不同帧包含的裂缝可能为同一条裂缝,因此需要在附近帧追踪裂缝边界。追踪时,利用最大的图片边界匹配附近帧的图像边界,直至最大的图像边界移出该帧图像。将匹配度达到一定阈值的边界认定为同一裂缝边界,判定为同一裂缝,形成同一裂缝的边界框集合。
D2.贝叶斯决策。经过D1步骤后,同一裂缝的边界框集已经进行归类,利用贝叶斯决策判断这一裂缝是否为真实裂缝。根据附近帧内,裂缝是否被追踪到的概率阈值判断一个裂缝是否为真。逐步处理检测图像库得到裂缝图片。
与现有的技术相比,本发明具有如下优点:
1.与采用人工现场检测相比,本发明由于采用视频图像检测,可以获取许多人力难以到达的区域,扩大了检测范围,能够适应高温、高压、高辐射、酸碱性环境等环境下对结构构件的检测需求。
2.与人工判读视频图像相比,本方法采用计算机识别结构构件表面裂缝,可以大大降低判读工作的繁重程度,减少人力成本,加快检测流程,同时提高对裂缝的检测率。
3.本方法采用局部二进制化提取裂缝区域纹理特征。该方法与构件表面光照强度相关性较好,相比以往的灰度图或其他方式能够提高对纹理的识别效果。
4.本方法可以识别较小的结构表面的裂缝,能够及时对裂缝病害进行预警,提早发现结构病害,为后续维护争取更多时间。
5.本方法扫描图像区域时采用两步支持向量机神经网络扫描图片区域,利用线性支持向量机神经网络保持了较高的扫描速度前提下,利用径向基函数支持向量机神经网络维持了较高的正确率。
6.本方法对裂缝进行判断时,经过两步支持向量机扫描后,又经过贝叶斯数据融合与决策,对保留的裂缝图像进行处理,进一步提高了对裂缝识别的正确率。
附图说明
图1是本发明的目标视频采集示意图。
图2是本发明的实施流程图。
具体实施方式
以下结合图1中所示的目标视频采集示意图和图2中所示的实施流程图进一步阐述本发明的具体实施方式。
图1中的代号分别表示:
1——录像机;
2——目标结构构件结构表面;
3——录像机视野区域;
4——目标结构表面裂缝;
备注:本发明采集结构构件表面视频时,应当避免使得表面产生强烈放光的条件。
基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法,其具体步骤如下:
A.采集结构构件表面视频图像和建立检测图像库;
A1.选取目标结构构件(2),利用录像机(1)采集该结构物表面视频图像。录像机(1)扫视构件表面时,应当匀速进行,录像时尽量选取柔和光照条件,避免强烈的反光现象发生;
A2.基于目标结构构件(2)的一般特征,选取一定时间间隔,逐帧采集视频文件中的图像,形成用于检测的图像库。
B.局部二进制化计算图像纹理特征;
B1.对一帧图像进行局部区域扫描,根据图像大小合理确定扫描区域;
B2.计算每一个扫描块的局部二进制化积分数值,计算局部纹理特征。
C.两步支持向量机图像裂缝扫描与集合;
C1.用包含裂缝以及不含裂缝的训练图片库训练一个线性内核与一个径向基函数内核的支持向量机神经网络。训练图像库内包含的图像需要进行预先定义,且裂缝应当涵盖与构件表面裂缝相似的各个角度以及不同光照条件下的裂缝与非裂缝图片
C2.利用线性内核支持向量机神经网络处理B中每一个扫描区域,移除非裂缝区域的图片。线性支持向量机扫描速度快,但是存在一定误报率。该步骤设置阈值为100%报警,该步骤可以保留所有的裂缝区域和少量误报率范围内的非裂缝区域。
C3.对C2步骤保留的图片采用径向基函数支持向量机逐块扫描,移除非裂缝区块。经过C2步骤后,大部分非裂缝区域被移除,但仍然存在一定的误报率。由于径向基函数支持向量机有较高的准确率,经过该步骤后,可以将保留的区块中非裂缝区域大大减少。
C4.裂缝区域合并。经过二步支持向量机神经网络处理后,余下的区域绝大部分为裂缝区域,而一条裂缝的图像一般大于选取扫描的区域,因此相近的区块可能为同一裂缝的图像,设定某一距离内的裂缝区域为同一裂缝,对相近裂缝区块进行合并,形成真实裂缝的边界。重复上述B与C两步,逐帧处理所提取的检测图像库中的每一帧图像,保留包含裂缝的图像。
D.贝叶斯数据融合与决策;
D1.贝叶斯数据融合。经过C步后,可以形成以帧为单位的裂缝库,由于不同帧包含的裂缝可能为同一条裂缝,因此需要在附近帧追踪裂缝边界。追踪时,利用最大的图片边界匹配附近帧的图像边界,直至最大的图像边界移出该帧图像。将匹配度达到一定阈值的边界认定为同一裂缝边界,判定为同一裂缝,形成同一裂缝的边界框集合。
D2.贝叶斯决策。经过D1步骤后,同一裂缝的边界框集已经进行归类,利用贝叶斯决策判断这一裂缝是否为真实裂缝。根据附近帧内,裂缝是否被追踪到的概率阈值判断一个裂缝是否为真。逐步处理检测图像库得到裂缝图片。
Claims (1)
1.基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法,具体实施步骤如下:
A.采集结构构件表面视频图像和建立检测图像库;
A1.选取目标结构构件,利用录像设备采集该结构物表面视频图像;录像设备扫视构件表面时,应当匀速进行,录像时尽量选取柔和光照条件,避免强烈的反光现象发生;
A2.基于目标结构构件的一般特征,选取一定时间间隔,逐帧采集视频文件中的图像,形成用于检测的图像库;
B.局部二进制化计算图像纹理特征;
B1.对一帧图像进行局部区域扫描,根据图像大小合理确定扫描区域;
B2.计算每一个扫描块的局部二进制积分数值;
C.两步支持向量机图像裂缝扫描与集合;
C1.用包含裂缝以及不含裂缝的训练图片库训练一个线性内核与一个径向基函数内核的支持向量机神经网络;训练图像库内包含的图像需要进行预先定义,且裂缝应当涵盖与构件表面裂缝相似的各个角度以及不同光照条件下的裂缝与非裂缝图片
C2.利用线性内核支持向量机神经网络处理B中每一个扫描区域,移除非裂缝区域的图片;线性支持向量机扫描速度快,但是存在一定误报率;该步骤设置阈值为100%报警,该步骤可以保留所有的裂缝区域和少量误报率范围内的非裂缝区域;
C3.对C2步骤保留的图片采用径向基函数支持向量机逐块扫描,移除非裂缝区块;经过C2步骤后,大部分非裂缝区域被移除,但仍然存在一定的误报率;由于径向基函数支持向量机有较高的准确率,经过该步骤后,可以将保留的区块中非裂缝区域大大减少;
C4.裂缝区域合并;经过二步支持向量机神经网络处理后,余下的区域绝大部分为裂缝区域,而一条裂缝的图像一般大于选取扫描的区域,因此相近的区块可能为同一裂缝的图像,设定某一距离内的裂缝区域为同一裂缝,对相近裂缝区块进行合并,形成真实裂缝的边界;重复上述B与C两步,逐帧处理所提取的检测图像库中的每一帧图像,保留包含裂缝的图像;
D.贝叶斯数据融合与决策;
D1.贝叶斯数据融合;经过C步后,可以形成以帧为单位的裂缝库,由于不同帧包含的裂缝可能为同一条裂缝,因此需要在附近帧追踪裂缝边界;追踪时,利用最大的图片边界匹配附近帧的图像边界,直至最大的图像边界移出该帧图像;将匹配度达到一定阈值的边界认定为同一裂缝边界,判定为同一裂缝,形成同一裂缝的边界框集合;
D2.贝叶斯决策;经过D1步骤后,同一裂缝的边界框集已经进行归类,利用贝叶斯决策判断这一裂缝是否为真实裂缝;根据附近帧内,裂缝是否被追踪到的概率阈值判断一个裂缝是否为真;逐步处理检测图像库得到裂缝图片。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910342409.4A CN110161035B (zh) | 2019-04-26 | 2019-04-26 | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 |
US16/858,644 US10783406B1 (en) | 2019-04-26 | 2020-04-26 | Method for detecting structural surface cracks based on image features and bayesian data fusion |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910342409.4A CN110161035B (zh) | 2019-04-26 | 2019-04-26 | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110161035A true CN110161035A (zh) | 2019-08-23 |
CN110161035B CN110161035B (zh) | 2020-04-10 |
Family
ID=67638781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910342409.4A Active CN110161035B (zh) | 2019-04-26 | 2019-04-26 | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10783406B1 (zh) |
CN (1) | CN110161035B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906562A (zh) * | 2021-02-19 | 2021-06-04 | 内蒙古科技大学 | 一种链篦机台车侧板裂缝的安全预警方法 |
CN114119614A (zh) * | 2022-01-27 | 2022-03-01 | 天津风霖物联网科技有限公司 | 一种远程检测建筑物的裂缝的方法 |
CN115063407A (zh) * | 2022-07-28 | 2022-09-16 | 海门市亚泰精密铜材有限公司 | 一种用于环形铜垫片的划痕及裂纹识别方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6308605B1 (ja) * | 2017-03-06 | 2018-04-11 | 株式会社トライフォース・マネジメント | 力覚センサ |
CN109544548A (zh) * | 2018-11-30 | 2019-03-29 | 北京百度网讯科技有限公司 | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 |
CN110361318B (zh) * | 2019-06-04 | 2020-09-01 | 浙江大学 | 一种钢桥面板腐蚀疲劳耦合试验方法及其装置 |
CN112465748B (zh) * | 2020-11-10 | 2022-07-08 | 西南科技大学 | 基于神经网络的裂缝识别方法、装置、设备及存储介质 |
CN113947570B (zh) * | 2021-09-30 | 2024-04-09 | 西安交通大学 | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 |
CN115139307B (zh) * | 2022-08-31 | 2022-11-25 | 北京航空航天大学 | 一种磁吸附机器人裂缝定位及跟踪方法、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903268A (zh) * | 2014-04-09 | 2014-07-02 | 南京理工大学 | 基于多种低层显著特征的路面裂缝检测方法 |
CN104598881A (zh) * | 2015-01-12 | 2015-05-06 | 中国科学院信息工程研究所 | 基于特征压缩与特征选择的歪斜场景文字识别方法 |
CN105335725A (zh) * | 2015-11-05 | 2016-02-17 | 天津理工大学 | 一种基于特征融合的步态识别身份认证方法 |
CN106951921A (zh) * | 2017-03-14 | 2017-07-14 | 西安电子科技大学 | 基于贝叶斯多核学习支持向量机的sar目标识别方法 |
WO2018002861A1 (en) * | 2016-06-29 | 2018-01-04 | Niramai Health Analytix Pvt. Ltd. | Thermography-based breast cancer screening using a measure of symmetry |
CN108062564A (zh) * | 2017-12-12 | 2018-05-22 | 内蒙古科技大学 | 一种优化多核多特征融合支持向量机用于轴承故障识别的方法 |
CN109376773A (zh) * | 2018-09-30 | 2019-02-22 | 福州大学 | 基于深度学习的裂纹检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140095426A1 (en) * | 2011-06-01 | 2014-04-03 | BAE SYSTEEMS plc | Heterogeneous data fusion using gaussian processes |
US10753881B2 (en) * | 2016-05-27 | 2020-08-25 | Purdue Research Foundation | Methods and systems for crack detection |
-
2019
- 2019-04-26 CN CN201910342409.4A patent/CN110161035B/zh active Active
-
2020
- 2020-04-26 US US16/858,644 patent/US10783406B1/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903268A (zh) * | 2014-04-09 | 2014-07-02 | 南京理工大学 | 基于多种低层显著特征的路面裂缝检测方法 |
CN104598881A (zh) * | 2015-01-12 | 2015-05-06 | 中国科学院信息工程研究所 | 基于特征压缩与特征选择的歪斜场景文字识别方法 |
CN105335725A (zh) * | 2015-11-05 | 2016-02-17 | 天津理工大学 | 一种基于特征融合的步态识别身份认证方法 |
WO2018002861A1 (en) * | 2016-06-29 | 2018-01-04 | Niramai Health Analytix Pvt. Ltd. | Thermography-based breast cancer screening using a measure of symmetry |
CN106951921A (zh) * | 2017-03-14 | 2017-07-14 | 西安电子科技大学 | 基于贝叶斯多核学习支持向量机的sar目标识别方法 |
CN108062564A (zh) * | 2017-12-12 | 2018-05-22 | 内蒙古科技大学 | 一种优化多核多特征融合支持向量机用于轴承故障识别的方法 |
CN109376773A (zh) * | 2018-09-30 | 2019-02-22 | 福州大学 | 基于深度学习的裂纹检测方法 |
Non-Patent Citations (4)
Title |
---|
LUÍS F. RAMOS等: "A Bayesian approach for NDT data fusion: The Saint Torcato church case study", 《ENGINEERING STRUCTURES》 * |
SHUAI HE等: "Guided wave-based identification of multiple cracks in beams using a Bayesian approach", 《MECHANICALSYSTEMSANDSIGNALPROCESSING》 * |
葛子建等: "基于贝叶斯线性AVAZ的TTI介质裂缝参数反演", 《地球物理学报》 * |
赵亚峰: "结构裂纹的机器视觉识别算法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906562A (zh) * | 2021-02-19 | 2021-06-04 | 内蒙古科技大学 | 一种链篦机台车侧板裂缝的安全预警方法 |
CN114119614A (zh) * | 2022-01-27 | 2022-03-01 | 天津风霖物联网科技有限公司 | 一种远程检测建筑物的裂缝的方法 |
CN115063407A (zh) * | 2022-07-28 | 2022-09-16 | 海门市亚泰精密铜材有限公司 | 一种用于环形铜垫片的划痕及裂纹识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110161035B (zh) | 2020-04-10 |
US10783406B1 (en) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161035A (zh) | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 | |
Sun et al. | An effective method of weld defect detection and classification based on machine vision | |
Chen et al. | A texture‐based video processing methodology using Bayesian data fusion for autonomous crack detection on metallic surfaces | |
Shafeek et al. | Automatic inspection of gas pipeline welding defects using an expert vision system | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
James et al. | Tracknet-a deep learning based fault detection for railway track inspection | |
Landstrom et al. | Morphology-based crack detection for steel slabs | |
Zou et al. | Automatic weld defect detection method based on Kalman filtering for real-time radiographic inspection of spiral pipe | |
EP3349050A1 (en) | Inspection devices and methods for detecting a firearm | |
Sun et al. | Real-time automatic detection of weld defects in steel pipe | |
EP3889589A1 (en) | Surface defect detecting method, surface defect detecting device, method for manufacturing steel material, steel material quality control method, steel material manufacturing equipment, method for creating surface defect determination model, and surface defect determination model | |
Panella et al. | Deep learning and image processing for automated crack detection and defect measurement in underground structures | |
CN116188459B (zh) | 一种用于皮带撕裂检测的线激光快速识别方法及系统 | |
CN117173461A (zh) | 一种多视觉任务的灌装容器缺陷检测方法、系统及介质 | |
Barkavi et al. | Processing digital image for measurement of crack dimensions in concrete | |
CN112643719A (zh) | 一种基于巡检机器人的隧道安防检测方法及系统 | |
Xia et al. | An automatic machine vision-based algorithm for inspection of hardwood flooring defects during manufacturing | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
Reghukumar et al. | Vision based segmentation and classification of cracks using deep neural networks | |
Shifani et al. | A study of methods using image processing technique in crack detection | |
Zheng et al. | Design of an advanced automatic inspection system for aircraft parts based on fluorescent penetrant inspection analysis | |
Yang et al. | Generalized weld bead region of interest localization and improved faster R-CNN for weld defect recognition | |
Jahanshahi et al. | A novel crack detection approach for condition assessment of structures | |
O'Byrne et al. | Effects of turbidity and lighting on the performance of an image processing based damage detection technique | |
CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 |
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 |