CN110223332B - 一种桥梁裂缝标定方法 - Google Patents

一种桥梁裂缝标定方法 Download PDF

Info

Publication number
CN110223332B
CN110223332B CN201910497372.2A CN201910497372A CN110223332B CN 110223332 B CN110223332 B CN 110223332B CN 201910497372 A CN201910497372 A CN 201910497372A CN 110223332 B CN110223332 B CN 110223332B
Authority
CN
China
Prior art keywords
image
points
crack
point
calibration
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
Application number
CN201910497372.2A
Other languages
English (en)
Other versions
CN110223332A (zh
Inventor
黄鹤
罗伟杰
郭璐
王会峰
许哲
汪贵平
黄莺
惠晓滨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Guangke Experimental Testing Co ltd
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN201910497372.2A priority Critical patent/CN110223332B/zh
Publication of CN110223332A publication Critical patent/CN110223332A/zh
Application granted granted Critical
Publication of CN110223332B publication Critical patent/CN110223332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods

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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种桥梁裂缝标定方法，获取桥梁裂缝原始图像；对获得的桥梁裂缝原始图像进行灰度处理；对灰度处理后的图像进行图像分块；对分块得到的裂缝图像进行高斯处理；对高斯处理后的裂缝图像进行特征提取；对特征提取后的裂缝图像进行SVM训练，从而确立桥梁裂缝的类型；对识别后的图像进行阈值分割；对分块得到的标定图像进行棋盘标定，通过改进的角点提取方法实现对棋盘角点的提取，从而确定像素点的单应性矩阵；对阈值分割后的图像，通过单应性矩阵确定裂缝的宽度，从而实现桥梁裂缝标定。

Description

一种桥梁裂缝标定方法
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标定方法。
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，促进城乡跨区域的发展，实现全面建成小康社会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。
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。据数据统计，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标定方法尤为重要。
发明内容
本发明的目的在于一种桥梁裂缝标定方法，以克服传统人工检测的局限，本发明是一种有效的桥梁裂缝检测标定方法，且检测效率高，准确率高。
为达到上述目的，本发明采用如下技术方案：
一种桥梁裂缝标定方法，包括以下步骤：
步骤1：获取桥梁裂缝原始图像；
步骤2：对步骤1中获得的桥梁裂缝原始图像进行灰度处理；
步骤3：对步骤2灰度处理后的图像进行图像分块，得到裂缝图像和标定图像；
步骤4：对步骤3中的裂缝图像进行去噪处理；
步骤5：对步骤4中的去噪处理后的裂缝图像进行特征提取；
步骤6：对步骤5中的特征提取后的裂缝图像进行SVM训练，从而识别出桥梁裂缝的类型；
步骤7：对步骤6中识别后的图像进行阈值分割；
步骤8：对步骤3中的标定图像进行棋盘标定，通过改进的角点提取方法实现对棋盘角点的提取，从而确定棋盘角点的单应性矩阵；
步骤9：针对步骤7阈值分割后的图像，通过步骤8的单应性矩阵确定裂缝的宽度，从而实现桥梁裂缝标定。
进一步地，步骤2中采用线性灰度变换进行灰度处理。
进一步地，步骤4中去噪处理具体为：首先对裂缝图像进行高斯差分处理，然后对高斯差分后的图像进行二值化处理。
进一步地，步骤7中通过阈值分割将识别后的图像分割为目标区域和其他区域，在阈值分割过程中，通过QUICK阈值自适应法获得最佳阈值。
进一步地，QUICK阈值自适应法具体如下：设识别后的图像有m个像素点，有n个灰度值，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。
进一步地，步骤8中改进的角点提取方法具体为：
步骤8.1：获取步骤3中的标定图像；
步骤8.2：对步骤8.1中获得的标定图像进行灰度处理；
步骤8.3：对步骤8.2中灰度处理后的图像进行高斯去噪；
步骤8.4：对步骤8.3中高斯去噪后的图像进行FASTEST预处理，筛选符合要求的点；
步骤8.5：计算符合要求的点的角点响应值，如下所示：
Figure GDA0003155657280000031
其中，wu,v为高斯函数，(x,y)为像素点，(u,v)为偏移量；
忽略高阶无穷小项O(u2,v2)，即得：
Figure GDA0003155657280000032
将Eu,v(x,y)化为二次型，即Eu,v(x,y)＝(u,v)M(u,v)T
其中，
Figure GDA0003155657280000033
由此：
Figure GDA0003155657280000034
Figure GDA0003155657280000035
R＝m in(L 1,L 2)
其中M为像素点的自相关矩阵，Eu,v表示窗口灰度值，I(x,y)为像素点的灰度，
Figure GDA0003155657280000036
R为角点响应值，L1为响应一，L2为响应二；
步骤8.6：对步骤8.5中的角点响应值中小于0.006*R(max)的角点作为伪角点，采用自适应阈值去掉伪角点，其中R(max)表示角点响应值R的最大值；
步骤8.7：使用imregionalmax函数对步骤8.6剩余的点进行非最大值抑制，抑制后的点便是真正的角点；
步骤8.8：计算步骤8.7中得到的角点个数，并标记出来，完成角点检测过程，即实现棋盘角点的提取，棋盘角点提取后，即得到棋盘角点的图像坐标，根据单目视觉即确定像素点的单应性矩阵。
进一步地，步骤8.3中高斯去噪具体为：首先用x方向的prewitt算子对图像的x方向进行滤波记为Ix，用y方向的prewitt算子对图像的y方向进行滤波记为Iy，Ix2＝Ix^2，Iy2＝Iy^2，Ixy＝Ix*Iy，创建9*9的高斯窗，分别用高斯窗对Ix2，Iy2，Ixy进行高斯去噪。
进一步地，步骤8.4中FASTEST预处理具体为：首先在高斯去噪后的图像中任选一点q，该点q像素的亮度为Iq，阈值为0.15Iq，设定q点周围点的数目z为16，分别判断点2亮度和点10亮度，如果这两点的亮度与q点亮度差值的绝对值都大于阈值，则继续，否则去除点q；再次判断点2，点6，点10，点14，如果这四点与点q的亮度差值的绝对值有两个以上大于阈值，则继续，否则去除点q；最后判断16个点与q点亮度差值的绝对值大于阈值的数目是否大于等于12个，如果是，那么这个q点就是FASTEST处理过的符合要求的点。
进一步地，步骤8.6中将自适应阈值t设定为角点响应函数最大值的k倍，即t＝k*max(R)，其中k取[0.006,0.014]。
进一步地，步骤9具体为：通过统计步骤7中阈值分割后的图像中与裂缝相垂直的像素的个数，与裂缝垂直的像素个数最多的位置即为最大值位置，然后确定最大值位置上相差最远的两个坐标，利用步骤8中的单应性矩阵，换算成世界坐标系的坐标值，即得到裂缝最宽处的宽度。
与现有技术相比，本发明具有以下有益的技术效果：
传统方法中桥梁标定人员定期带着标定卡尺检测整个桥梁，并对整个桥梁面进行一片一片地标定。这种桥梁裂缝标定方法弊端非常明显，一方面桥梁裂缝宽度的精度不高，另一方面它对桥梁裂缝标定人员很危险。而本发明的桥梁裂缝标定方法的优势十分明显，一方面桥梁裂缝的精度提高了，本发明利用角点的单应性矩阵，换算桥梁裂缝的世界坐标，从而实现桥梁裂缝的标定，在这个过程中，没有使用传统的标定卡尺，所以人为读数误差大大减小；另一方面，本发明可以搭载无人机平台对桥梁裂缝进行标定，从而减少对桥梁标定人员的伤害，本发明的桥梁裂缝检测方法检测效率高，准确率高。
附图说明
图1是本发明的流程示意图；
图2是本发明的角点提取流程图；
图3是q点及q周围的16个点示意图；
图4是本发明各个步骤的效果图，其中(a)是获取的裂缝图像，(b)是标定棋盘的图像，(c)是阈值分割的图像，(d)是角点提取的图像。
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至图2，本发明先获取桥梁裂缝图像，在对裂缝图像进行处理，得到裂缝与标定图像，利用改进的角点提取方法，实现棋盘标定，进而求出单应性矩阵，最终求得桥梁裂缝的宽度。
具体包括以下步骤：
步骤1：获取桥梁裂缝原始图像；
步骤2：对步骤1中获得的桥梁裂缝原始图像进行灰度处理；
步骤3：对步骤2灰度处理的图像进行图像分块，由于读取的桥梁裂缝图像包含裂缝图像与标定图像两部分，为了更提高图像标定的精度，把灰度处理的图像分为裂缝图像与标定图像，方便后续对裂缝的处理与棋盘标定；
步骤4：对步骤3中的裂缝图像进行高斯处理，先对裂缝图像进行高斯差分，在对高斯差分后的图像进行二值化处理去除裂缝图像的噪声；
步骤5：对步骤4中的高斯处理后的裂缝图像进行特征提取；
步骤6：对步骤5中特征提取的裂缝图像进行支持矢量机的学习，导入训练好的SVM，通过对SVM的训练，从而确定分块后的裂缝的类型；
步骤7：对步骤6中识别后的图像进行阈值分割，本方法采用QUICK阈值自适应法，具体步骤如述：设识别后的图像有m个像素点，有n个灰度值，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将识别后的图像分为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，阈值p取遍所有灰度值，当标准差最大的时候，此时就是最佳阈值。
步骤8：对步骤3中的标定图像进行棋盘标定，通过改进的角点提取方法实现对棋盘角点的提取，从而确定像素标定的单应性矩阵，角点提取的具体步骤如述：
步骤8.1：获取标定图像；
步骤8.2：对步骤8.1中获得的标定图像进行灰度处理；
步骤8.3：对步骤8.2中对灰度处理后的图像进行了高斯去噪，首先用x方向的prewitt算子对图像的x方向进行滤波记为Ix，用y方向的prewitt算子对图像的y方向进行滤波记为Iy，Ix2＝Ix^2，Iy2＝Iy^2，Ixy＝Ix*Iy，创建9*9的高斯窗，分别用高斯窗对Ix2，Iy2，Ixy进行高斯去噪；
步骤8.4：首先在高斯去噪后的图像中任选一点q，该点q像素的亮度为Iq，阈值为0.15Iq，设定数目z为16，分别判断点2亮度和点10亮度，如果这两点的亮度与q点亮度差值的绝对值都大于阈值，则继续，否则去除这个点(指代q点)；再次判断点2，点6，点10，点14，如果这四点与点q的亮度差值的绝对值有两个以上大于阈值，则继续，否则去除这个点(还是q点)；最后判断圆周中16个点与q点亮度差值的绝对值大于阈值的数目是否大于等于12个，如果是，那么这个q点就是FASTEST处理过的符合要求的点，参见图3；
步骤8.5：对步骤8.4中FASTEST处理过的符合要求的点，
计算符合要求的点的角点响应值，如下所示：
Figure GDA0003155657280000071
其中，wu,v为高斯函数，(x,y)为像素点，(u,v)为偏移量；
忽略高阶无穷小项O(u2,v2)，即得：
Figure GDA0003155657280000072
将Eu,v(x,y)化为二次型，即Eu,v(x,y)＝(u,v)M(u,v)T
其中，
Figure GDA0003155657280000073
由此：
Figure GDA0003155657280000074
Figure GDA0003155657280000075
R＝m in(L 1,L 2)
其中M为像素点的自相关矩阵，Eu,v表示窗口灰度值，I(x,y)为像素点的灰度，
Figure GDA0003155657280000081
R为角点响应值，L1为响应一，L2为响应二；
步骤8.6：对步骤8.5中的响应值中比较小的点(比较小的点指角点响应值中小于0.006*R(max)的角点，其中R(max)表示角点响应值R的最大值)，自适应阈值去掉伪角点，本算法实现了阈值的自适应，将阈值设定为角点响应函数最大值的k倍，即t＝k*m ax(R)，经过不断测试k取[0.006,0.014]时，基本会检测出所有的角点，同时检测的伪角点最少；
步骤8.7：使用imregionalmax函数对步骤8.6剩余的点进行非最大值抑制，抑制后的点便是真正的角点；
步骤8.8：统计步骤8.7中的角点个数，并标记出来，完成角点检测过程，即实现棋盘角点的提取，棋盘角点提取后，即得到棋盘角点的图像坐标，根据单目视觉即确定像素点的单应性矩阵；
步骤9：通过统计步骤7中阈值分割后的图像中与裂缝相垂直的像素的个数，找到其中最大值，进而找到两个距离最远的坐标，利用步骤8中求的单应性矩阵，从而确定裂缝的宽度。与裂缝垂直方向像素个数最多的那个位置就是最大值位置，然后确定这个位置上相差最远的两个坐标，利用步骤8中的单应性矩阵，换算成世界坐标系里面的坐标值，这样就得到了裂缝的最宽处。
搭建无人机平台实现桥梁裂缝标定。无人机先对我们需要测量的桥梁面进行逐片的扫描，将整个桥梁面拍摄完毕。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标定方法，从而实现桥梁裂缝最宽度的测量。
图4是本发明各个步骤的效果图，(a)是拍摄的桥梁裂缝原始图像，(b)是分块处理后的标定图像，(c)是阈值分割后的桥梁裂缝图像，(d)是棋盘角点提取图像。(a)图是拍摄的桥梁裂缝原始图像是没有处理的，很明显图像里面混杂着高斯噪声很椒盐噪声，在图像的右边是标定棋盘；(b)图是分块处理后的标定图像，为了减少同时处理对裂缝原始图像标定的影响，这里我们将图像进行分块处理，以便确定单应性矩阵；(c)图是阈值分割后的桥梁裂缝图像，这个图像方便后面桥梁裂缝的测宽；(d)图是棋盘角点提取的图像，是计算棋盘的单应性矩阵的前提。

Claims (9)

1.一种桥梁裂缝标定方法，其特征在于，包括以下步骤：
步骤1：获取桥梁裂缝原始图像；
步骤2：对步骤1中获得的桥梁裂缝原始图像进行灰度处理；
步骤3：对步骤2灰度处理后的图像进行图像分块，得到裂缝图像和标定图像；
步骤4：对步骤3中的裂缝图像进行去噪处理；
步骤5：对步骤4中的去噪处理后的裂缝图像进行特征提取；
步骤6：对步骤5中的特征提取后的裂缝图像进行SVM训练，从而识别出桥梁裂缝的类型；
步骤7：对步骤6中识别后的图像进行阈值分割；
步骤8：对步骤3中的标定图像进行棋盘标定，通过改进的角点提取方法实现对棋盘角点的提取，从而确定棋盘角点的单应性矩阵；
改进的角点提取方法具体为：
步骤8.1：获取步骤3中的标定图像；
步骤8.2：对步骤8.1中获得的标定图像进行灰度处理；
步骤8.3：对步骤8.2中灰度处理后的图像进行高斯去噪；
步骤8.4：对步骤8.3中高斯去噪后的图像进行FASTEST预处理，筛选符合要求的点；
步骤8.5：计算符合要求的点的角点响应值，如下所示：
Figure FDA0003155657270000011
其中，wu,v为高斯函数，(x,y)为像素点，(u,v)为偏移量；
忽略高阶无穷小项O(u2,v2)，即得：
Figure FDA0003155657270000012
将Eu,v(x,y)化为二次型，即Eu,v(x,y)＝(u,v)M(u,v)T
其中，
Figure FDA0003155657270000021
由此：
Figure FDA0003155657270000022
Figure FDA0003155657270000023
R＝min(L1,L2)
其中M为像素点的自相关矩阵，Eu,v表示窗口灰度值，I(x,y)为像素点的灰度，
Figure FDA0003155657270000024
R为角点响应值，L1为响应一，L2为响应二；
步骤8.6：对步骤8.5中的角点响应值中小于0.006*R(max)的角点作为伪角点，采用自适应阈值去掉伪角点，其中R(max)表示角点响应值R的最大值；
步骤8.7：使用imregionalmax函数对步骤8.6剩余的点进行非最大值抑制，抑制后的点便是真正的角点；
步骤8.8：计算步骤8.7中得到的角点个数，并标记出来，完成角点检测过程，即实现棋盘角点的提取，棋盘角点提取后，即得到棋盘角点的图像坐标，根据单目视觉即确定像素点的单应性矩阵；
步骤9：针对步骤7阈值分割后的图像，通过步骤8的单应性矩阵确定裂缝的宽度，从而实现桥梁裂缝标定。
2.根据权利要求1所述的一种桥梁裂缝标定方法，其特征在于，步骤2中采用线性灰度变换进行灰度处理。
3.根据权利要求1所述的一种桥梁裂缝标定方法，其特征在于，步骤4中去噪处理具体为：首先对裂缝图像进行高斯差分处理，然后对高斯差分后的图像进行二值化处理。
4.根据权利要求1所述的一种桥梁裂缝标定方法，其特征在于，步骤7中通过阈值分割将识别后的图像分割为目标区域和其他区域，在阈值分割过程中，通过QUICK阈值自适应法获得最佳阈值。
5.根据权利要求4所述的一种桥梁裂缝标定方法，其特征在于，QUICK阈值自适应法具体如下：设识别后的图像有m个像素点，有n个灰度值，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，当标准差最大时，即为最佳阈值。
6.根据权利要求1所述的一种桥梁裂缝标定方法，其特征在于，步骤8.3中高斯去噪具体为：首先用x方向的prewitt算子对图像的x方向进行滤波记为Ix，用y方向的prewitt算子对图像的y方向进行滤波记为Iy，Ix2＝Ix^2，Iy2＝Iy^2，Ixy＝Ix*Iy，创建9*9的高斯窗，分别用高斯窗对Ix2，Iy2，Ixy进行高斯去噪。
7.根据权利要求1所述的一种桥梁裂缝标定方法，其特征在于，步骤8.4中FASTEST预处理具体为：首先在高斯去噪后的图像中任选一点q，该点q像素的亮度为Iq，阈值为0.15Iq，设定q点周围点的数目z为16，分别判断点2亮度和点10亮度，如果这两点的亮度与q点亮度差值的绝对值都大于阈值，则继续，否则去除点q；再次判断点2，点6，点10，点14，如果这四点与点q的亮度差值的绝对值有两个以上大于阈值，则继续，否则去除点q；最后判断16个点与q点亮度差值的绝对值大于阈值的数目是否大于等于12个，如果是，那么这个q点就是FASTEST处理过的符合要求的点。
8.根据权利要求1所述的一种桥梁裂缝标定方法，其特征在于，步骤8.6中将自适应阈值t设定为角点响应函数最大值的k倍，即t＝k*max(R)，其中k取[0.006,0.014]。
9.根据权利要求1所述的一种桥梁裂缝标定方法，其特征在于，步骤9具体为：通过统计步骤7中阈值分割后的图像中与裂缝相垂直的像素的个数，与裂缝垂直的像素个数最多的位置即为最大值位置，然后确定最大值位置上相差最远的两个坐标，利用步骤8中的单应性矩阵，换算成世界坐标系的坐标值，即得到裂缝最宽处的宽度。
CN201910497372.2A 2019-06-10 2019-06-10 一种桥梁裂缝标定方法 Active CN110223332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910497372.2A CN110223332B (zh) 2019-06-10 2019-06-10 一种桥梁裂缝标定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910497372.2A CN110223332B (zh) 2019-06-10 2019-06-10 一种桥梁裂缝标定方法

Publications (2)

Publication Number Publication Date
CN110223332A CN110223332A (zh) 2019-09-10
CN110223332B true CN110223332B (zh) 2021-08-31

Family

ID=67815964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910497372.2A Active CN110223332B (zh) 2019-06-10 2019-06-10 一种桥梁裂缝标定方法

Country Status (1)

Country Link
CN (1) CN110223332B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112039439B (zh) * 2020-07-15 2021-07-27 华东师范大学 一种太阳能电池缺陷的自动检测系统及检测方法
CN113052920B (zh) * 2021-04-26 2022-11-22 歌尔光学科技有限公司 摄像头标定方法、装置及计算机可读存储介质
CN117875949A (zh) * 2024-03-13 2024-04-12 山东交通学院 一种桥梁表观病害智能检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108647593A (zh) * 2018-04-26 2018-10-12 东华大学 基于图像处理和svm的无人机路面破损分类检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750697B (zh) * 2012-06-08 2014-08-20 华为技术有限公司 一种参数标定方法及装置
CN106959365B (zh) * 2017-01-16 2019-04-09 长沙理工大学 一种钢筋混凝土主梁结构锈胀裂缝开裂参数监测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108647593A (zh) * 2018-04-26 2018-10-12 东华大学 基于图像处理和svm的无人机路面破损分类检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于数字图像的混凝土桥梁裂缝检测技术;许薛军;《湖南大学学报》;20130730;第40卷(第7期);第34-40页 *

Also Published As

Publication number Publication date
CN110223332A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110223332B (zh) 一种桥梁裂缝标定方法
CN106934795B (zh) 一种混凝土桥梁裂缝的自动检测方法和预测方法
CN103714538B (zh) 道路边缘检测方法、装置及车辆
CN107203973B (zh) 一种三维激光扫描系统中线激光中心的亚像素定位方法
CN110246130B (zh) 基于红外和可见光图像数据融合的机场道面裂缝检测方法
CN112651968B (zh) 一种基于深度信息的木板形变与凹坑检测方法
CN110569857B (zh) 一种基于质心距离计算的图像轮廓角点检测方法
CN114677601B (zh) 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法
CN108088799B (zh) 机动车尾气林格曼黑度的测量方法及系统
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN111274939B (zh) 基于单目摄像头的道路路面坑洼破损自动提取方法
CN107798293A (zh) 一种道路裂缝检测装置
CN103400141A (zh) 一种基于改进图像法的输电导线覆冰厚度的计算方法
CN107610092B (zh) 基于视频流的路面裂缝动态检测方法
CN112767359B (zh) 复杂背景下的钢板角点检测方法及系统
CN114219773B (zh) 一种桥梁裂缝检测数据集预筛选与标定方法
CN104700395A (zh) 一种构造物外观裂缝检测方法及系统
CN114549441A (zh) 基于图像处理的吸管缺陷检测方法
CN103400140A (zh) 一种基于改进图像法处理绝缘子覆冰的方法
CN115018785A (zh) 基于视觉振频识别的提升钢丝绳张力检测方法
CN103455985A (zh) 基于Hessian结构分析的道路裂缝增强方法
CN109800641B (zh) 基于阈值自适应二值化和连通域分析的车道线检测方法
CN115984806B (zh) 道路标线破损动态检测系统
CN113076959A (zh) 基于卷积神经网络的混凝土结构表面微裂纹特征提取方法
CN112484664A (zh) 一种基于激光三维扫描的缺陷识别装置及方法

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
TR01 Transfer of patent right

Effective date of registration: 20230228

Address after: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd.

Address before: 710064 middle section of South Second Ring Road, Beilin District, Xi'an City, Shaanxi Province

Patentee before: CHANG'AN University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240108

Address after: 115000 Zhengtun Village, Tuanshan Street Office, Gaizhou City, Yingkou City, Liaoning Province

Patentee after: Liaoning Guangke Experimental Testing Co.,Ltd.

Address before: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd.

TR01 Transfer of patent right