CN110175987B - 一种桥梁裂缝检测方法及系统 - Google Patents
一种桥梁裂缝检测方法及系统 Download PDFInfo
- Publication number
- CN110175987B CN110175987B CN201910328595.6A CN201910328595A CN110175987B CN 110175987 B CN110175987 B CN 110175987B CN 201910328595 A CN201910328595 A CN 201910328595A CN 110175987 B CN110175987 B CN 110175987B
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- wavelet
- adopting
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 17
- 230000007797 corrosion Effects 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
-
- G06T5/70—
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种桥梁裂缝检测方法及系统,所述方法包括:S1,对桥梁裂缝区域进行图像采集;S2,采用小波变换将裂缝区域外的纹理和细节影响最小化;S3,采用图像形态学分析方法去除图像中噪声块,初步分割出裂缝信息;S4,采用裂缝连接方法将断开的裂缝连接起来,再将连线之间的小块连通域填充,进而分割出完整裂缝,实现桥梁裂缝检测。本发明在检测裂缝的时候不会破坏裂缝连接性,不影响裂缝区域内部或者边缘像素之间的连接性,从而能够真实表示出裂缝的完整骨架结构,提升了桥梁裂缝检测的可靠性,有利于对桥梁损坏程度进行准确的评估。
Description
技术领域
本发明涉及桥梁工程技术领域,特别是涉及一种桥梁裂缝检测方法及系统。
背景技术
随着我国经济发展、城市化进程加快、高铁等国家工程飞速发展,在公路、铁路或是城市农村水利建设中,修建的跨越障碍的各类桥梁数目日益激增,桥梁在国民经济发展中起着举足轻重的作用,同时也是我国综合实力的一种体现。
桥梁作为道路、公路、铁路等交通系统的枢纽,需要定期的对其健康状况做出评估,而桥梁裂缝作为最主要的桥梁病害之一,严重影响着桥梁的安全运营,更为严重的会发生桥毁人亡的事故。因此,对桥梁裂缝进行检测至关重要。
传统的人工检测方法工作危险性大、作业成本高,且工作效率低。因此,目前发展了一些基于图像处理算法的桥梁裂缝检测方法,以解放人力,但现有技术的桥梁裂缝检测方法,在对裂缝图片进行图像检测时,会对裂缝区域内部或者边缘像素之间的连接性造成破环,使得裂缝的连续性发生变化,影响了桥梁裂缝检测的可靠性。
发明内容
为此,本发明的一个目的在于提出一种桥梁裂缝检测方法及系统,以提升桥梁裂缝检测的可靠性。
根据本发明提供的桥梁裂缝检测方法,包括:
S1,对桥梁裂缝区域进行图像采集;
S2,采用小波变换将裂缝区域外的纹理和细节影响最小化;
S3,采用图像形态学分析方法去除图像中噪声块,初步分割出裂缝信息;
S4,采用裂缝连接方法将断开的裂缝连接起来,再将连线之间的小块连通域填充,进而分割出完整裂缝,实现桥梁裂缝检测。
上述桥梁裂缝检测方法,在采集到桥梁裂缝区域的图像后,先采用小波变换将裂缝区域外的纹理和细节影响最小化,对图像中的裂缝部分进行突出,然后采用图像形态学分析方法去除图像中噪声块,初步分割出裂缝信息,避免噪声干扰,最后采用裂缝连接方法将断开的裂缝连接起来,再将连线之间的小块连通域填充,进而分割出完整裂缝,能够在检测裂缝的时候不会破坏裂缝连接性,不影响裂缝区域内部或者边缘像素之间的连接性,从而能够真实表示出裂缝的完整骨架结构,提升了桥梁裂缝检测的可靠性,有利于对桥梁损坏程度进行准确的评估。
另外,根据本发明上述的桥梁裂缝检测方法,还可以具有如下附加的技术特征:
进一步地,S2,采用小波变换将裂缝区域外的纹理和细节影响最小化的步骤具体包括:
S21,以对应的小波函数簇将信号展开,用不同时移、不同尺度的一系列小波函数的线性组合将信号表示出来,小波系数即是线性组合中每部分的系数,信号在某个尺度下的小波分量为该尺度下不同时移的小波函数的线性组合;
S22,使用小波算法对去模糊后的图像进行粗分割,选用sym 4函数作为小波基函数,进行二层小波分解。
进一步地,S3,采用图像形态学分析方法去除图像中噪声块,初步分割出裂缝信息的步骤具体包括:
S31,将小波处理后的图像先进行腐蚀操作去除细小噪声点,将裂缝轮廓相应腐蚀掉,然后再采用膨胀操作将裂缝轮廓恢复原状;
S32,在二值化图像中对连通域进行处理,以进行面积剔除;
S33,对闭运算后的图像连通域进行面积运算,去除小于阈值面积的连通域,最终将面形态学处理后的二值化图像重构,以去除图像中噪声块,初步分割出裂缝信息。
进一步地,S4,采用裂缝连接方法将断开的裂缝连接起来的步骤具体包括:
S41,获得包含分段裂缝区域的最小凸多边形,裂缝与最小凸多边形相交的像素点即为裂缝线段端点,每一段裂缝至少有两个端点,得到端点集合;
S42,采用KD树查找裂缝端点的最近邻端点,判断其像素距离是否满足预设条件,
S43,若满足,则进行裂缝端点连接,且对连接的线段采用其所在区域的灰度特征进行检验。
进一步地,步骤S1之后,所述方法还包括:
对采集到的图片使用维纳滤波去除运动模糊。
本发明的另一个目的在于提出一种桥梁裂缝检测系统,以提升桥梁裂缝检测的可靠性。
根据本发明提供的桥梁裂缝检测系统,包括:
采集模块,用于对桥梁裂缝区域进行图像采集;
小波变换模块,用于采用小波变换将裂缝区域外的纹理和细节影响最小化;
噪声去除模块,用于采用图像形态学分析方法去除图像中噪声块,初步分割出裂缝信息;
连接模块,用于采用裂缝连接方法将断开的裂缝连接起来,再将连线之间的小块连通域填充,进而分割出完整裂缝,实现桥梁裂缝检测。
上述桥梁裂缝检测系统,采集模块在采集到桥梁裂缝区域的图像后,先通过小波变换模块采用小波变换将裂缝区域外的纹理和细节影响最小化,对图像中的裂缝部分进行突出,然后通过噪声去除模块采用图像形态学分析方法去除图像中噪声块,初步分割出裂缝信息,避免噪声干扰,最后通过连接模块采用裂缝连接方法将断开的裂缝连接起来,再将连线之间的小块连通域填充,进而分割出完整裂缝,能够在检测裂缝的时候不会破坏裂缝连接性,不影响裂缝区域内部或者边缘像素之间的连接性,从而能够真实表示出裂缝的完整骨架结构,提升了桥梁裂缝检测的可靠性,有利于对桥梁损坏程度进行准确的评估。
另外,根据本发明上述的桥梁裂缝检测系统,还可以具有如下附加的技术特征:
进一步地,所述小波变换模块具体包括:
展开单元,用于以对应的小波函数簇将信号展开,用不同时移、不同尺度的一系列小波函数的线性组合将信号表示出来,小波系数即是线性组合中每部分的系数,信号在某个尺度下的小波分量为该尺度下不同时移的小波函数的线性组合;
分割单元,用于使用小波算法对去模糊后的图像进行粗分割,选用sym 4函数作为小波基函数,进行二层小波分解。
进一步地,所述噪声去除模块具体包括:
膨胀单元,用于将小波处理后的图像先进行腐蚀操作去除细小噪声点,将裂缝轮廓相应腐蚀掉,然后再采用膨胀操作将裂缝轮廓恢复原状;
剔除单元,用于在二值化图像中对连通域进行处理,以进行面积剔除;
重构单元,用于对闭运算后的图像连通域进行面积运算,去除小于阈值面积的连通域,最终将面形态学处理后的二值化图像重构,以去除图像中噪声块,初步分割出裂缝信息。
进一步地,所述连接模块具体包括:
端点获取单元,用于获得包含分段裂缝区域的最小凸多边形,裂缝与最小凸多边形相交的像素点即为裂缝线段端点,每一段裂缝至少有两个端点,得到端点集合;
判断单元,用于采用KD树查找裂缝端点的最近邻端点,判断其像素距离是否满足预设条件,
连接单元,用于若像素距离满足预设条件,则进行裂缝端点连接,且对连接的线段采用其所在区域的灰度特征进行检验。
进一步地,所述系统还包括:
模糊去除模块,用于对采集到的图片使用维纳滤波去除运动模糊。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明第一实施例的桥梁裂缝检测方法的流程图;
图2是图1中步骤S2的详细流程图;
图3是图1中步骤S3的详细流程图;
图4是图1中步骤S4的详细流程图;
图5是对横向裂缝的检测,其中,a为原始图片,b为采用本实施例提供的方法的检测结果;
图6是对纵向裂缝的检测,其中,a为原始图片,b为采用本实施例提供的方法的检测结果;
图7是对块状裂缝的检测,其中,a为原始图片,b为采用本实施例提供的方法的检测结果;
图8是对网状裂缝的检测,其中,a为原始图片,b为采用本实施例提供的方法的检测结果;
图9是根据本发明第二实施例的桥梁裂缝检测系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身并没有特定的意义。因此,“模块”与“部件”或“单元”可以混合地使用。
请参阅图1,本发明第一实施例提供的桥梁裂缝检测方法,包括步骤S1~S4:
S1,对桥梁裂缝区域进行图像采集;
其中,具体实施时可以采用机器人对桥梁裂缝区域进行图像采集,由于目前市面上这类机器人比较常见,在此不予赘述。由于机器人对桥梁裂缝区域进行图像采集,可能会存在运动模糊问题,因此,在机器人对桥梁裂缝区域进行图像采集后,可以对采集到的图片使用维纳滤波去除运动模糊。
S2,采用小波变换将裂缝区域外的纹理和细节影响最小化;
由于裂缝检测步骤有获取并传输图片、发送与接收图片及显示图像,整个过程里的任何一个步骤都会使图像信息丢失造成失真。为了突出图像中比较重要的裂缝部分,在图像处理过程中运用小波变换以达到分割出裂缝目标的作用。小波变换对信号和函数从多尺度使用平移、伸缩等运算实行细化分析,将对裂缝区域外的纹理和细节影响达到最小化。
小波变换可以让图像压缩、传输与分析容易起来。小波拥有变化的频率与有限的持续时间,这使得它既保持了频率信息,也保持了时间信息。
具体的,当傅里叶变换满足下式关系时,Ψ(x)函数是小波:
因此,小波是一个有零平均值的振荡函数。出于实用目的,小波需要集中在一个有限的区域[-K,K],即有紧凑支持。二维度的多分辨率小波正交变换在尺度函数和小波基的基础上计算递归预测。图像f(x,y)基于一系列尺度函数的正交投影的内积为:
ci(x,y)=<f(x,y),φi(x),φi(y)>
因此,以上是f(x,y)在低分辨率下的近似,本实施例中,应用小波变换,是为了将裂缝目标进行粗分割,将噪声干扰进行消除或抑制,同时使得裂缝更加突出,更适合下一步固像处理与分析。
其中,请参阅图2,本实施例中,步骤S2具体包括:
S21,以对应的小波函数簇将信号展开,用不同时移、不同尺度的一系列小波函数的线性组合将信号表示出来,小波系数即是线性组合中每部分的系数,信号在某个尺度下的小波分量为该尺度下不同时移的小波函数的线性组合;
S22,使用小波算法对去模糊后的图像进行粗分割,选用sym 4函数作为小波基函数,进行二层小波分解。
S3,采用图像形态学分析方法去除图像中噪声块,初步分割出裂缝信息;
其中,请参阅图3,步骤S3具体包括:
S31,将小波处理后的图像先进行腐蚀操作去除细小噪声点,将裂缝轮廓相应腐蚀掉,然后再采用膨胀操作将裂缝轮廓恢复原状;
S32,在二值化图像中对连通域进行处理,以进行面积剔除;
其中,对裂缝图像进行S31的步骤之后后,虽然可去除小的噪声点,但是当噪声点比较大时,仍然无法消除,因此采用在二值化图像中对连通域进行处理,以进行面积剔除。
S33,对闭运算后的图像连通域进行面积运算,去除小于阈值面积的连通域,最终将面形态学处理后的二值化图像重构,以去除图像中噪声块,初步分割出裂缝信息。
在对所提取的目标图形进行形态学分析处理时,可以采用腐蚀与膨胀,具体的,腐蚀与膨胀是两个互为对偶的运算。
图像腐蚀的目的是收缩目标,图像膨胀的目的则与此相反。开运算与闭运算均由形态学腐蚀和膨胀组合形成,先腐蚀后膨胀称为开运算,先膨胀后腐蚀的过程则称为闭运算。本实施例对膨胀进行详细说明。
本实施例中,设A为目标图像,B为结构元素,则目标A被结构元素B图像膨胀具体为:
其中,B表示结构元素B对应于原点的映射,(B)(x,y)表示B按照(x,y)移动后得到的结构元素,对目标图像A被结构元素B进行操作后的从本质上来讲是目标图像A与结构元素B关于原点映射后再平移后得到的集合至少有一个相同元素。
具体实施时,膨胀算法还可以采用下式:
膨胀操作在图像处理中有很重要的作用,当图像经过膨胀操作后,膨胀后的圈像会占有更多的像素。比如在基于小波变换的粗分割后,很多原来连接在一起的两个区域被分开了,膨胀处理可W—定程度上使这两块区域合并为一个区域,保证了后期处理的准确性。此外,结构元素B对目标困像A开运算,可以采用下式:
开运算能够平滑目标图像A的轮麻,还可断开细小连通和去除细小毛刺。和腐蚀运算不同之处是,目标图像A的总体轮廓未产生整体收缩,位置也未产生变化。比如在基于小波变换的粗分割后,很多原来连接在一起的两个区域被分开了,膨胀处理。
结构元素B对目标困像A开运算,可以采用下式:
使用闭运算一样能够平滑目标图像A的总体轮廓,但是它和开运算相反,闭运算的目的是将物体内细小空洞填充起来,连接邻近物体和平滑边界的作用。
S4,采用裂缝连接方法将断开的裂缝连接起来,再将连线之间的小块连通域填充,进而分割出完整裂缝,实现桥梁裂缝检测。
其中,步骤S4具体是通过建立KD树,通过连接满足阀值条件的相邻裂缝段的端点,以达到裂缝连接的目的。由KD树能够快速准确的找到查询点的近邻,因此优选采用KD树查找裂缝端点的最近邻端点,判断其像素距离是否满足条件,进而连接裂缝端点。
请参阅图4,步骤S4具体包括:
S41,获得包含分段裂缝区域的最小凸多边形,裂缝与最小凸多边形相交的像素点即为裂缝线段端点,每一段裂缝至少有两个端点,得到端点集合;
S42,采用KD树查找裂缝端点的最近邻端点,判断其像素距离是否满足预设条件,
S43,若满足,则进行裂缝端点连接,且对连接的线段采用其所在区域的灰度特征进行检验。
请参阅图5至图8,采用本实施例提供的方法对多种实际的桥梁裂缝进行检测,其中,图5为横向裂缝的检测,图6为纵向裂缝的检测,图7为块状裂缝的检测,图8为网状裂缝的检测,将各种情况裂缝的检测情况与原图进行对比,可以看出,采用本实施例提供的方法能够真实表示出裂缝的完整骨架结构,桥梁裂缝检测可靠性较高。
根据本实施例提供的桥梁裂缝检测方法,在采集到桥梁裂缝区域的图像后,先采用小波变换将裂缝区域外的纹理和细节影响最小化,对图像中的裂缝部分进行突出,然后采用图像形态学分析方法去除图像中噪声块,初步分割出裂缝信息,避免噪声干扰,最后采用裂缝连接方法将断开的裂缝连接起来,再将连线之间的小块连通域填充,进而分割出完整裂缝,能够在检测裂缝的时候不会破坏裂缝连接性,不影响裂缝区域内部或者边缘像素之间的连接性,从而能够真实表示出裂缝的完整骨架结构,提升了桥梁裂缝检测的可靠性,有利于对桥梁损坏程度进行准确的评估。
请参阅图9,基于同一发明构思,本发明第二实施例提出的桥梁裂缝检测系统,包括:
采集模块10,用于对桥梁裂缝区域进行图像采集;
小波变换模块20,用于采用小波变换将裂缝区域外的纹理和细节影响最小化;
噪声去除模块30,用于采用图像形态学分析方法去除图像中噪声块,初步分割出裂缝信息;
连接模块40,用于采用裂缝连接方法将断开的裂缝连接起来,再将连线之间的小块连通域填充,进而分割出完整裂缝,实现桥梁裂缝检测。
其中,所述小波变换模块20具体包括:
展开单元21,用于以对应的小波函数簇将信号展开,用不同时移、不同尺度的一系列小波函数的线性组合将信号表示出来,小波系数即是线性组合中每部分的系数,信号在某个尺度下的小波分量为该尺度下不同时移的小波函数的线性组合;
分割单元22,用于使用小波算法对去模糊后的图像进行粗分割,选用sym4函数作为小波基函数,进行二层小波分解。
其中,所述噪声去除模块30具体包括:
膨胀单元31,用于将小波处理后的图像先进行腐蚀操作去除细小噪声点,将裂缝轮廓相应腐蚀掉,然后再采用膨胀操作将裂缝轮廓恢复原状;
剔除单元32,用于在二值化图像中对连通域进行处理,以进行面积剔除;
重构单元33,用于对闭运算后的图像连通域进行面积运算,去除小于阈值面积的连通域,最终将面形态学处理后的二值化图像重构,以去除图像中噪声块,初步分割出裂缝信息。
其中,所述连接模块40具体包括:
端点获取单元41,用于获得包含分段裂缝区域的最小凸多边形,裂缝与最小凸多边形相交的像素点即为裂缝线段端点,每一段裂缝至少有两个端点,得到端点集合;
判断单元42,用于采用KD树查找裂缝端点的最近邻端点,判断其像素距离是否满足预设条件,
连接单元43,用于若像素距离满足预设条件,则进行裂缝端点连接,且对连接的线段采用其所在区域的灰度特征进行检验。
其中,所述系统还包括:
模糊去除模块50,用于对采集到的图片使用维纳滤波去除运动模糊。
根据本实施例提供的桥梁裂缝检测系统,采集模块在采集到桥梁裂缝区域的图像后,先通过小波变换模块采用小波变换将裂缝区域外的纹理和细节影响最小化,对图像中的裂缝部分进行突出,然后通过噪声去除模块采用图像形态学分析方法去除图像中噪声块,初步分割出裂缝信息,避免噪声干扰,最后通过连接模块采用裂缝连接方法将断开的裂缝连接起来,再将连线之间的小块连通域填充,进而分割出完整裂缝,能够在检测裂缝的时候不会破坏裂缝连接性,不影响裂缝区域内部或者边缘像素之间的连接性,从而能够真实表示出裂缝的完整骨架结构,提升了桥梁裂缝检测的可靠性,有利于对桥梁损坏程度进行准确的评估。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种桥梁裂缝检测方法,其特征在于,包括:
S1,对桥梁裂缝区域进行图像采集;
S2,采用小波变换将裂缝区域外的纹理和细节影响最小化;
S3,采用图像形态学分析方法去除图像中噪声块,初步分割出裂缝信息;
S4,采用裂缝连接方法将断开的裂缝连接起来,再将连线之间的小块连通域填充,进而分割出完整裂缝,实现桥梁裂缝检测;
其中,S2,采用小波变换将裂缝区域外的纹理和细节影响最小化的步骤具体包括:
S21,以对应的小波函数簇将信号展开,用不同时移、不同尺度的一系列小波函数的线性组合将信号表示出来,小波系数即是线性组合中每部分的系数,信号在某个尺度下的小波分量为该尺度下不同时移的小波函数的线性组合;
S22,使用小波算法对去模糊后的图像进行粗分割,选用sym4函数作为小波基函数,进行二层小波分解;
其中,S3,采用图像形态学分析方法去除图像中噪声块,初步分割出裂缝信息的步骤具体包括:
S31,将小波处理后的图像先进行腐蚀操作去除细小噪声点,将裂缝轮廓相应腐蚀掉,然后再采用膨胀操作将裂缝轮廓恢复原状;
S32,在二值化图像中对连通域进行处理,以进行面积剔除;
S33,对闭运算后的图像连通域进行面积运算,去除小于阈值面积的连通域,最终将面形态学处理后的二值化图像重构,以去除图像中噪声块,初步分割出裂缝信息;
其中,S4,采用裂缝连接方法将断开的裂缝连接起来的步骤具体包括:
S41,获得包含分段裂缝区域的最小凸多边形,裂缝与最小凸多边形相交的像素点即为裂缝线段端点,每一段裂缝至少有两个端点,得到端点集合;
S42,采用KD树查找裂缝端点的最近邻端点,判断其像素距离是否满足预设条件,
S43,若满足,则进行裂缝端点连接,且对连接的线段采用其所在区域的灰度特征进行检验。
2.根据权利要求1所述的桥梁裂缝检测方法,其特征在于,步骤S1之后,所述方法还包括:
对采集到的图片使用维纳滤波去除运动模糊。
3.一种桥梁裂缝检测系统,其特征在于,包括:
采集模块,用于对桥梁裂缝区域进行图像采集;
小波变换模块,用于采用小波变换将裂缝区域外的纹理和细节影响最小化;
噪声去除模块,用于采用图像形态学分析方法去除图像中噪声块,初步分割出裂缝信息;
连接模块,用于采用裂缝连接方法将断开的裂缝连接起来,再将连线之间的小块连通域填充,进而分割出完整裂缝,实现桥梁裂缝检测;
所述小波变换模块具体包括:
展开单元,用于以对应的小波函数簇将信号展开,用不同时移、不同尺度的一系列小波函数的线性组合将信号表示出来,小波系数即是线性组合中每部分的系数,信号在某个尺度下的小波分量为该尺度下不同时移的小波函数的线性组合;
分割单元,用于使用小波算法对去模糊后的图像进行粗分割,选用sym4函数作为小波基函数,进行二层小波分解;
所述噪声去除模块具体包括:
膨胀单元,用于将小波处理后的图像先进行腐蚀操作去除细小噪声点,将裂缝轮廓相应腐蚀掉,然后再采用膨胀操作将裂缝轮廓恢复原状;
剔除单元,用于在二值化图像中对连通域进行处理,以进行面积剔除;
重构单元,用于对闭运算后的图像连通域进行面积运算,去除小于阈值面积的连通域,最终将面形态学处理后的二值化图像重构,以去除图像中噪声块,初步分割出裂缝信息;
所述连接模块具体包括:
端点获取单元,用于获得包含分段裂缝区域的最小凸多边形,裂缝与最小凸多边形相交的像素点即为裂缝线段端点,每一段裂缝至少有两个端点,得到端点集合;
判断单元,用于采用KD树查找裂缝端点的最近邻端点,判断其像素距离是否满足预设条件,
连接单元,用于若像素距离满足预设条件,则进行裂缝端点连接,且对连接的线段采用其所在区域的灰度特征进行检验。
4.根据权利要求3所述的桥梁裂缝检测系统,其特征在于,所述系统还包括:
模糊去除模块,用于对采集到的图片使用维纳滤波去除运动模糊。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910328595.6A CN110175987B (zh) | 2019-04-23 | 2019-04-23 | 一种桥梁裂缝检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910328595.6A CN110175987B (zh) | 2019-04-23 | 2019-04-23 | 一种桥梁裂缝检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175987A CN110175987A (zh) | 2019-08-27 |
CN110175987B true CN110175987B (zh) | 2022-10-04 |
Family
ID=67689929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910328595.6A Active CN110175987B (zh) | 2019-04-23 | 2019-04-23 | 一种桥梁裂缝检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175987B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807216B (zh) * | 2019-09-26 | 2022-12-06 | 杭州鲁尔物联科技有限公司 | 一种基于图像的桥梁bim模型裂纹可视化的创建方法 |
CN111127450B (zh) * | 2019-12-27 | 2023-03-31 | 南京大学 | 一种基于图像的桥梁裂缝检测方法及系统 |
CN114972333B (zh) * | 2022-07-19 | 2022-10-25 | 淄博市淄川区市政环卫服务中心 | 基于人工智能的道路裂缝检测方法及系统 |
CN116958138B (zh) * | 2023-09-19 | 2023-12-19 | 河南省建筑质量监督检验中心有限公司 | 一种用于桥梁检测的取样控制方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
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 |
CN108921813A (zh) * | 2018-05-16 | 2018-11-30 | 中设设计集团股份有限公司 | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 |
-
2019
- 2019-04-23 CN CN201910328595.6A patent/CN110175987B/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 |
CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
CN108921813A (zh) * | 2018-05-16 | 2018-11-30 | 中设设计集团股份有限公司 | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 |
Non-Patent Citations (2)
Title |
---|
基于图像连通域的桥梁裂缝提取方法;于泳波等;《公路交通科技》;20110715(第07期);全文 * |
基于爬壁机器人的桥梁裂缝图像检测与分类方法;陈瑶等;《中国科学技术大学学报》;20160915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110175987A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175987B (zh) | 一种桥梁裂缝检测方法及系统 | |
Sun et al. | Automated pavement distress detection using advanced image processing techniques | |
CN105046651B (zh) | 一种图像的超分辨率重构方法和装置 | |
CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
Priyadharsini et al. | Object detection in underwater acoustic images using edge based segmentation method | |
KR20170040983A (ko) | 다중 스케일 블록 영역 검출을 이용한 영상 잡음 제거 방법 및 장치 | |
Ijitona et al. | SAR sea ice image segmentation using watershed with intensity-based region merging | |
Li et al. | A study of crack detection algorithm | |
JPH0961138A (ja) | ひび割れ抽出装置 | |
Wan et al. | Statistical multiscale image segmentation via alpha-stable modeling | |
CN111311586B (zh) | 基于非线性健康分析系统数据多指标动态整合算法和系统 | |
JP4521485B2 (ja) | 文書、特に技術図面を分割し認識する方法 | |
Mustapha et al. | Crack Detection on Surfaces Using Digital Image Processing | |
de Blois et al. | Learning of image dehazing models for segmentation tasks | |
Wenjuan et al. | Brain CT Image Segmentation Based on Improved Watershed Algorithm | |
Naouai et al. | Line recognition algorithm using constrained delaunay triangulation | |
CN112215851B (zh) | 一种道路网自动构建方法、存储介质及系统 | |
KR100908384B1 (ko) | 블록상관계수를 이용한 영역기반 질감 추출 장치 및 그 방법 | |
Bhushan | Ultrasound image segmentation | |
JP4101005B2 (ja) | 連結成分抽出方法とその方法をコンピュータに実行させるプログラム | |
Talal et al. | Extraction of roads from high-resolution satellite images with the discrete wavelet transform | |
Chou et al. | A novel image database analysis system for maintenance of transportation facility: phase I. | |
Wang et al. | Automatic road network extraction by hierarchical grouping | |
CN114419072A (zh) | 一种面向初烤烟叶的身份特征评价方法 | |
Ma et al. | A novel method based on adaptive median filtering and wavelet transform in noise images |
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 |