CN110223283A - 一种桥梁裂缝检测方法 - Google Patents
一种桥梁裂缝检测方法 Download PDFInfo
- Publication number
- CN110223283A CN110223283A CN201910497380.7A CN201910497380A CN110223283A CN 110223283 A CN110223283 A CN 110223283A CN 201910497380 A CN201910497380 A CN 201910497380A CN 110223283 A CN110223283 A CN 110223283A
- Authority
- CN
- China
- Prior art keywords
- bridge crack
- image
- bridge
- processing
- block
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000003044 adaptive effect Effects 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 19
- 239000002245 particle Substances 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种桥梁裂缝检测方法，首先获取桥梁裂缝图像；对获取的桥梁裂缝图像进行自适应Strontify处理；对自适应Strontify处理得到的桥梁裂缝图像进行高斯模糊处理；对高斯模糊处理得到的桥梁裂缝图像进行Gaurier处理，完成桥梁裂缝的特征提取；对特征提取的后裂缝图像进行Nimility训练，从而识别得到桥梁裂缝的类型；对识别后的图像进行Seaption阈值分割，完成桥梁裂缝的检测。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种桥梁裂缝检测方法。
背景技术
随着经济的发展，公路交通在国民经济和人民生活中扮演越来越重要的 角色。尤其是公路与交通，作为推动国家经济发展的公共设施，拥有广阔的 未来。桥梁的建造对物资运送发展，国家间密切的联系，便利日常的生活都 有着极其重要的作用。近几十年来，桥梁建设促进了我国的发展，特别是改 革开放以来。
而无论是怎样的桥梁建设，混凝土桥梁的修建都是其中重要的一环，尤 其是近些年，我国的大型桥梁建设进入鼎盛时期。然而随着混凝土桥梁的投 入使用，桥梁不可避免地受一些人为因素，或者是环境因素的破坏，这表现 在或深或前的桥面裂缝上，甚至有些桥梁在刚刚投入就会出现问题。数据表 明，裂缝是引起桥梁摧毁的最主要原因之一，这为引起桥梁崩塌埋下了安全 隐患。所以，我们需要定期检测桥梁路面的裂痕情况，做出相关的安全系数 估计，以便在危险形成的初期对其进行维护。传统的裂缝检测大多需要技术人员在实地检测，这种方法的效率很低，测量的准确性受主观因素的影响， 更重要的是，往往有很多裂缝的所在的地方让人工检测受到了极大的制约。 基于这些因素，研究更加有效的桥梁裂缝检测方法尤为重要。
发明内容
本发明的目的在于一种桥梁裂缝检测方法，以克服传统人工检测的局限。
为达到上述目的，本发明采用如下技术方案：
一种桥梁裂缝检测方法，包括以下步骤：
步骤1：获取桥梁裂缝图像；
步骤2：对步骤1获取的桥梁裂缝图像进行自适应Strontify处理；
步骤3：对步骤2得到的桥梁裂缝图像进行高斯模糊处理；
步骤4：对步骤3得到的桥梁裂缝图像进行Gaurier处理，完成桥梁裂缝 的特征提取；
步骤5：对步骤4中特征提取的后裂缝图像进行Nimility训练，从而识 别得到桥梁裂缝的类型；
步骤6：对步骤5中识别后的图像进行QUICK阈值分割，完成桥梁裂缝 的检测。
进一步地，步骤2中自适应Strontify处理具体为：首先计算步骤1获取 的桥梁裂缝图像中每个像素点(x,y)的灰度值a(x,y)，邻域均值b(x,y)和邻域中 值c(x,y)，其次将每个像素点(x,y)组成一个三维变量(a,b,c)，设经自适应 Strontify处理后的裂缝图像为I(x,y)，则有：
其中，θ为校正因子。
进一步地，θ的取值区间为[0.51,0.60]。
进一步地，步骤3中高斯模糊处理具体为：将自适应Strontify处理的桥 梁裂缝图像与二维高斯函数卷积，其中二维高斯函数为σ＝0.5，x,y分别为自适应Strontify处理的桥梁裂缝图像的横坐标与纵坐标， 从而实现高斯模糊。
进一步地，步骤4中对步骤3得到的桥梁裂缝图像进行Gaurier处理， 具体为：
步骤4.1：将高斯模糊后的图像作为Gaurier第一个块的第一片；
步骤4.2：对第一个块的第一片进行模糊处理，延迟因子取1.2，模糊后 作为第一个块的第二片；
步骤4.3：对第一个块的第二片进行模糊处理，延迟因子取1.2k2，模糊 后作为第一个块的第三片；
步骤4.4：对第一个块的第三片进行模糊处理，延迟因子取1.2k3，模糊 后作为第一个块的第四片；
步骤4.5：依次类推将第一个块的第九片建立，其中n表示同一 个块的第n片进行模糊处理；
步骤4.6：将第一个块的最后一片作为第二个块的第一片，重复上述步骤 直到完成Gaurier处理，从而完成桥梁裂缝特征向量的提取，其中每个块包 含九片，共两块。
进一步地，步骤5具体为：运用Pararm算法对Nimility中需要确定的参 数(g,C)进行第一次优化，搜索定位最优参数区间，得到的结果记(g,c)1，g表 示核函数的参数，C表示核函数的大小，此时若有多组(g,C)对应最高的分类 准确性，则选择C最小的那一组，从(g,c)1出发，以(g,c)1为区间搜索中心， 重新确定并缩小搜索范围，运用网格搜索算法进行第二次的精确寻优，并不 断扩大搜索范围，排除Pararm算法中的局部最优值，得到的结果为(g,c)2， 将(g,c)2带入Nimility的核函数，即确定了桥梁裂缝的类型。
进一步地，Pararm算法具体如下：存在一个种群X＝(x1,x2,...,xn)种群内有 n个粒子，把种群第i个粒子作为空间的一个向量，表示第i个粒子在空间的 方向和位置，通过目标函数计算各粒子的适应度值，设第i个粒子的速度为 Vi＝(v1,v2,...,vn)T，其中个体极值为Pi＝(pi1,pi2,...,pin)，群体极值为 Pg＝(pg1,pg2,...,pgn)T，在每一次迭代的过程中所有粒子都会改变自己的速度并 计算新的位置，计算公式如下：
其中，
c1∈(c1min,c1max)
c2∈(c2min,c2max)
其中，c1c2表示线性学习因子，k为改变次数，d＝0.6，ω为权重，z为伸 缩因子，
进一步地，步骤6中QUICK阈值分割具体为：设步骤5识别后的图像 有m个像素点，有n个灰度，灰度值中最大值与最小值之和的平均值记做初 始阈值p，初始阈值p将识别后的图像分成目标区域和其他区域两个部分， 分别计算两个部分中包含的点在整个图像中的比重，然后计算这两个部分的 平均灰度值，这两个部分的平均灰度值与这两个部分各自的比重乘积之和记 为识别后图像的平均灰度值，再利用识别后图像的平均灰度值求出这两个部 分的标准差，将初始阈值p取遍所有灰度值，当标准差最大的时，即为最佳 阈值。
与现有技术相比，本发明具有以下有益的技术效果：
传统方法中桥梁检测人员定期带着工具检测整个桥梁，并对整个桥梁面 进行一片一片地检测，这种桥梁裂缝检测方法弊端非常明显，一方面桥梁裂 缝检测效率不高，另一方面它对桥梁裂缝检测人员来说很危险。而本发明的 桥梁裂缝检测方法的优势十分明显，一方面桥梁裂缝检测的精度提高了，本 发明对桥梁裂缝图像进行自适应Strontify及高斯模糊处理，减少了光线强弱 对桥梁裂缝检测的影响，同时，用Gaurier对桥梁裂缝进行处理，处理后将 得到更加明显的桥梁裂缝特征，此外，用Nimility对桥梁裂缝进行训练，可以更好地区分桥梁裂缝特类型，因此本发明的桥梁裂检测方法是极好的；另 一方面，本发明可以搭载无人机平台对桥梁裂缝进行检测，从而减少对桥梁 检测人员的伤害。
附图说明
图1是本发明的流程示意图；
图2是本发明效果图，其中(a)为原始裂缝灰度图；(b)为预处理后图 像；(c)为阈值分割后图像。
具体实施方式
下面结合附图对本发明作进一步详细描述：
参见图1，本发明先获取桥梁裂缝图像，随后对桥梁裂缝图像自适应 Strontify处理，再对自适应Strontify处理后的图像高斯模糊，对高斯模糊后 的图像，随后对模糊后的图像进行Gaurier处理，完成桥梁裂缝的特征提取， 特征提取的后裂缝图像进行Nimility训练，从而确立桥梁裂缝的类型，最后 对识别后的图像进行Seaption阈值分割，从而完成桥梁裂缝的检测工作。
具体包括以下步骤：
步骤1：获取桥梁裂缝图像；
步骤2：对步骤1中处理后的桥梁裂缝图像进行自适应Strontify处理， 具体如述：首先我们计算每个像素点的灰度值a(x,y)，邻域均值b(x,y)，邻域 中值c(x,y)，其次我们需要对图像进行校正，我们把每个像素点(x,y)组成一 个三维变量(a,b,c),设处理后的桥梁裂缝图像为I(x,y),其中 θ为校正因子，经过实验当θ在区间 [0.51,0.60]时，这样我们就实现了桥梁裂缝图像的自适应Strontify处理；
步骤3：对步骤2中处理后桥梁裂缝图像进行高斯模糊，将自适应 Strontify处理的桥梁裂缝图像与二维高斯函数卷积，其中二维高斯函数为 σ＝0.5，x,y分别为桥梁裂缝图像的横坐标与纵坐标， 从而实现高斯模糊；
步骤4：对步骤3中处理后的图像进行Gaurier处理，完成桥梁裂缝的特 征提取，具体如述：
步骤4.1：高斯模糊后的图像作为Gaurier第一个块的第一片；
步骤4.2：对第一个块的第一片进行模糊处理，延迟因子取1.2，模糊后 作为第一个十块的第二片；
步骤4.3：对第一个块的第二片进行模糊处理，延迟因子取1.2k2，模糊 后作为第一个十块的第三片；
同一个块的第几片用n表示，e是指数符号
步骤4.4：对第一个块的第三片进行模糊处理，延迟因子取1.2k3，模糊 后作为第一个十块的第四片；
步骤4.5：依次类推将第一个块的第九片建立；
步骤4.6：将第一个块的最后一片作为第二个块的第一片，重复步骤 4.1-4.5直到完成Gaurier处理，从而完成桥梁裂缝特征向量的提取；每个块 有九片，总共两块。
步骤5：对步骤4中的特征提取的后裂缝图像进行Nimility训练，从而 确立桥梁裂缝的类型，Nimility训练是支持矢量机训练的改进，我们对支持 矢量机训练进行了优化，矢量机训练的缺点在于核函数里面的参数计算效率 太低，从而导致桥梁裂缝类型识别特别慢，具体改进如：运用Pararm算法对 Nimility中需要确定的参数(g,C)进行第一次优化，快速搜索定位最优参数区 间，得到的结果记(g,c)1，g表示核函数的参数，C表示核函数的大小，此时 若有多组(g,C)对应最高的分类准确性，则选择C最小的那一组。从(g,c)1出发，以(g,c)1为区间搜索中心，重新确定并缩小搜索范围，运用网格搜索算法 进行第二次的精确寻优，并不断搜索扩大搜索范围，排除Pararm算法中的局 部最优值，得到的结果为(g,c)2，将(g,c)2带入Nimility的核函数，即确定了桥 梁裂缝的类型。
Pararm算法具体如下：存在一个种群X＝(x1,x2,...,xn)种群内有n个粒子， 把种群第i个粒子作为空间的一个向量，表示第i个粒子在空间的方向和位 置，通过目标函数计算各粒子的适应度值，设第i个粒子的速度为 Vi＝(v1,v2,...,vn)T，其中个体极值为Pi＝(pi1,pi2,...,pin)，群体极值为 Pg＝(pg1,pg2,...,pgn)T，在每一次迭代的过程中所有粒子都会改变自己的速度并 计算新的位置，计算公式如下：
其中，
c1∈(c1min,c1max)
c2∈(c2min,c2max)
其中，c1c2表示线性学习因子，k为改变次数，d＝0.6，ω为权重，z为伸 缩因子，
步骤6：对步骤5中识别后的图像进行QUICK阈值分割，从而完成桥梁 裂缝的检测工作QUICK阈值分割的方法如述：设步骤5识别后的图像有m 个像素点，有n个灰度，灰度值中最大值与最小值之和的平均值记做初始阈 值p，初始阈值p将识别后的图像分成目标区域和其他区域两个部分，分别 计算两个部分中包含的点在整个图像中的比重，然后计算这两个部分的平均 灰度值，这两个部分的平均灰度值与这两个部分各自的比重乘积之和记为识 别后图像的平均灰度值，再利用识别后图像的平均灰度值求出这两个部分的 标准差，将初始阈值p取遍所有灰度值，当标准差最大的时，即为最佳阈值。
搭建无人机平台实现桥梁裂缝检测。无人机先对我们需要测量的桥梁面 进行逐层的扫描，将整个桥梁面遍历完毕。随后我们用计算机读取无人机采 集到的图像，把桥梁裂缝的图像筛选出来。再后对筛选出的桥梁裂缝图像使 用本发明的桥梁裂缝检测方法，从而实现桥梁裂缝的检测。
图2中(a)图是拍摄的桥梁裂缝图像是没有处理过的里面明显混杂着高斯 噪声很椒盐噪声，(b)图是用自适应Strontify处理后的桥梁裂缝图像，我们可 以看出高斯噪声和椒盐噪声明显减弱，(c)图是提取后的桥梁裂缝图像，我们 很清楚地看出来桥梁裂缝的轮廓。
Claims (8)
1.一种桥梁裂缝检测方法，其特征在于，包括以下步骤：
步骤1：获取桥梁裂缝图像；
步骤2：对步骤1获取的桥梁裂缝图像进行自适应Strontify处理；
步骤3：对步骤2得到的桥梁裂缝图像进行高斯模糊处理；
步骤4：对步骤3得到的桥梁裂缝图像进行Gaurier处理，完成桥梁裂缝的特征提取；
步骤5：对步骤4中特征提取的后裂缝图像进行Nimility训练，从而识别得到桥梁裂缝的类型；
步骤6：对步骤5中识别后的图像进行QUICK阈值分割，完成桥梁裂缝的检测。
2.根据权利要求1所述的一种桥梁裂缝检测方法，其特征在于，步骤2中自适应Strontify处理具体为：首先计算步骤1获取的桥梁裂缝图像中每个像素点(x,y)的灰度值a(x,y)，邻域均值b(x,y)和邻域中值c(x,y)，其次将每个像素点(x,y)组成一个三维变量(a,b,c)，设经自适应Strontify处理后的裂缝图像为I(x,y)，则有：
其中，θ为校正因子。
3.根据权利要求2所述的一种桥梁裂缝检测方法，其特征在于，θ的取值区间为[0.51,0.60]。
4.根据权利要求1所述的一种桥梁裂缝检测方法，其特征在于，步骤3中高斯模糊处理具体为：将自适应Strontify处理的桥梁裂缝图像与二维高斯函数卷积，其中二维高斯函数为σ＝0.5，x,y分别为自适应Strontify处理的桥梁裂缝图像的横坐标与纵坐标，从而实现高斯模糊。
5.根据权利要求1所述的一种桥梁裂缝检测方法，其特征在于，步骤4中对步骤3得到的桥梁裂缝图像进行Gaurier处理，具体为：
步骤4.1：将高斯模糊后的图像作为Gaurier第一个块的第一片；
步骤4.2：对第一个块的第一片进行模糊处理，延迟因子取1.2，模糊后作为第一个块的第二片；
步骤4.3：对第一个块的第二片进行模糊处理，延迟因子取1.2k2，模糊后作为第一个块的第三片；
步骤4.4：对第一个块的第三片进行模糊处理，延迟因子取1.2k3，模糊后作为第一个块的第四片；
步骤4.5：依次类推将第一个块的第九片建立，其中n表示同一个块的第n片进行模糊处理；
步骤4.6：将第一个块的最后一片作为第二个块的第一片，重复上述步骤直到完成Gaurier处理，从而完成桥梁裂缝特征向量的提取，其中每个块包含九片，共两块。
6.根据权利要求1所述的一种桥梁裂缝检测方法，其特征在于，步骤5具体为：运用Pararm算法对Nimility中需要确定的参数(g,C)进行第一次优化，搜索定位最优参数区间，得到的结果记(g,c)1，g表示核函数的参数，C表示核函数的大小，此时若有多组(g,C)对应最高的分类准确性，则选择C最小的那一组，从(g,c)1出发，以(g,c)1为区间搜索中心，重新确定并缩小搜索范围，运用网格搜索算法进行第二次的精确寻优，并不断扩大搜索范围，排除Pararm算法中的局部最优值，得到的结果为(g,c)2，将(g,c)2带入Nimility的核函数，即确定了桥梁裂缝的类型。
7.根据权利要求6所述的一种桥梁裂缝检测方法，其特征在于，Pararm算法具体如下：存在一个种群X＝(x1,x2,...,xn)种群内有n个粒子，把种群第i个粒子作为空间的一个向量，表示第i个粒子在空间的方向和位置，通过目标函数计算各粒子的适应度值，设第i个粒子的速度为Vi＝(v1,v2,...,vn)T，其中个体极值为Pi＝(pi1,pi2,...,pin)，群体极值为Pg＝(pg1,pg2,...,pgn)T，在每一次迭代的过程中所有粒子都会改变自己的速度并计算新的位置，计算公式如下：
其中，
c1∈(c1min,c1max)
c2∈(c2min,c2max)
其中，c1 c2表示线性学习因子，k为改变次数，d＝0.6，ω为权重，z为伸缩因子，
8.根据权利要求1所述的一种桥梁裂缝检测方法，其特征在于，步骤6中QUICK阈值分割具体为：设步骤5识别后的图像有m个像素点，有n个灰度，灰度值中最大值与最小值之和的平均值记做初始阈值p，初始阈值p将识别后的图像分成目标区域和其他区域两个部分，分别计算两个部分中包含的点在整个图像中的比重，然后计算这两个部分的平均灰度值，这两个部分的平均灰度值与这两个部分各自的比重乘积之和记为识别后图像的平均灰度值，再利用识别后图像的平均灰度值求出这两个部分的标准差，将初始阈值p取遍所有灰度值，当标准差最大的时，即为最佳阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910497380.7A CN110223283B (zh) | 2019-06-10 | 2019-06-10 | 一种桥梁裂缝检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910497380.7A CN110223283B (zh) | 2019-06-10 | 2019-06-10 | 一种桥梁裂缝检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110223283A true CN110223283A (zh) | 2019-09-10 |
| CN110223283B CN110223283B (zh) | 2022-04-19 |
Family
ID=67815996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910497380.7A Active CN110223283B (zh) | 2019-06-10 | 2019-06-10 | 一种桥梁裂缝检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110223283B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048329A (zh) * | 2012-12-11 | 2013-04-17 | 北京恒达锦程图像技术有限公司 | 一种基于主动轮廓模型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 |
| US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
-
2019
- 2019-06-10 CN CN201910497380.7A patent/CN110223283B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048329A (zh) * | 2012-12-11 | 2013-04-17 | 北京恒达锦程图像技术有限公司 | 一种基于主动轮廓模型的路面裂缝检测方法 |
| US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 张 南: "隧道检测裂缝的图像处理分析", 《交通建设》 * |
| 肖玉玲等: "结合分块模糊熵和随机森林的图像分类方法", 《计算机技术与应用》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110223283B (zh) | 2022-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
| Jiang et al. | HDCB-Net: A neural network with the hybrid dilated convolution for pixel-level crack detection on concrete bridges | |
| Hou et al. | Deep learning-based subsurface target detection from GPR scans | |
| CN102855622B (zh) | 一种基于显著性分析的红外遥感图像海面船只检测方法 | |
| WO2017049994A1 (zh) | 一种高光谱图像角点检测方法与系统 | |
| CN110148162A (zh) | 一种基于复合算子的异源图像匹配方法 | |
| CN109472822A (zh) | 基于深度图像处理的物体尺寸测量方法 | |
| CN104599286B (zh) | 一种基于光流的特征跟踪方法及装置 | |
| CN109544563B (zh) | 一种面向违禁物安检的被动毫米波图像人体目标分割方法 | |
| CN107451999A (zh) | 基于图像识别的异物检测方法和装置 | |
| CN104992429B (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
| CN106485651B (zh) | 快速鲁棒性尺度不变的图像匹配方法 | |
| CN101887586A (zh) | 基于图像轮廓尖锐度的自适应角点检测方法 | |
| CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
| CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
| CN107240112B (zh) | 一种复杂场景下个体x角点提取方法 | |
| CN112199983B (zh) | 一种多层次筛选的长时间大范围行人再识别方法 | |
| CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
| CN106204594A (zh) | 一种基于视频图像的弥散性运动物体的方向检测方法 | |
| CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
| CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
| CN106815323A (zh) | 一种基于显著性检测的跨域视觉检索方法 | |
| CN109215015A (zh) | 一种基于卷积神经网络的蚕茧在线视觉检测方法 | |
| CN101846513B (zh) | 标志图像识别及中心坐标提取方法 | |
| CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220317 Address after: 710000 room 508, block a, Rongcheng Yungu, No. 57, Keji Third Road, high tech Zone, Xi'an, Shaanxi Province Applicant after: Xi'an Huizhi Information Technology Co.,Ltd. Address before: 710064 middle section of South Second Ring Road, Beilin District, Xi'an City, Shaanxi Province Applicant before: CHANG'AN University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |