CN110378866B - 一种基于无人机巡检的渠道衬砌破损图像识别方法 - Google Patents
一种基于无人机巡检的渠道衬砌破损图像识别方法 Download PDFInfo
- Publication number
- CN110378866B CN110378866B CN201910427371.0A CN201910427371A CN110378866B CN 110378866 B CN110378866 B CN 110378866B CN 201910427371 A CN201910427371 A CN 201910427371A CN 110378866 B CN110378866 B CN 110378866B
- Authority
- CN
- China
- Prior art keywords
- channel
- lining
- image
- damage
- unmanned aerial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000007689 inspection Methods 0.000 title claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000003708 edge detection Methods 0.000 claims description 16
- 230000002146 bilateral effect Effects 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010257 thawing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的是一种基于无人机巡检的渠道衬砌破损图像识别方法,属于道衬砌破损检测技术领域,本发明基于双窗Otsu阈值化方法将无人机拍摄图像中的渠道衬砌部分和非衬砌部分进行二值化分类,采用Canny边缘检测,结合最大连通阈及最小外接矩等一系列方法,获得图像中渠道的轮廓,继而得到渠道衬砌破损部分及破损比例。本发明以某引水工程渠道进行基于无人机技术的破损情况研究,得到了渠道衬砌的破损情况,本发明耗时短、操作便捷,有效性高。
Description
技术领域
本发明涉及渠道衬砌破损检测技术领域,具体是涉及一种基于无人机巡检的渠道衬砌破损图像识别方法。
背景技术
渠道作为一种重要的输配水建筑物,在实际工程中应用广泛,但在其所处工作环境发生变化时,会面临冻胀破坏以及其他类型的破坏。由于渠道线路长、分布范围广,受交通条件以及气候条件的影响,传统的人工现场排查很难及时准确的发现破损现象。此外人工检测时检测人员对是否发生破坏以及破坏程度判断的主观因素较大,对破损情况判断或存在一定偏差。因此有必要借助一些现代化手段如无人机、摄像头等工具对渠道的破坏进行检查,并辅以图像识别技术对其破损情况进行自动识别判断。
目前,利用无人机结合图像识别技术检测渠道破坏的研究较少,但随着无人机技术及图像识别技术的进步,越来越多的学者开始使用无人机巡检结合图像识别技术进行相关领域的研究。路宏遥利用无人机技术检测结构损伤,提高了检测效率并满足自动化作业的工作要求。傅柯利用无人机开展渠道巡查,实现了全方位、全时空、全覆盖的渠道运行情况监测。罗章海利用图像识别技术提取识别河道流冰冰块情况,为河道冰情防治提供了高效率的监测手段,实际应用效果较好。罗优使用无人机遥感系统拍摄的灌区图像,利用图像识别技术获取了灌区渠系的分布情况。王淼利用无人机进行输电线路的巡视,识别准确率较高,在电力系统中应用前景广泛。蔡改贫研究了输送带上连续采样矿石粒度的颗粒图像识别。王睿、李庆桐、马德芹、陈建勋等研究了隧道衬砌裂缝图像识别过程的特征提取及参数控制。郭秀军、张盟利用GPR技术实现快速无损的渠道衬砌破损检测。
利用无人机获取渠道衬砌的图像资料具有较大的优势,而图像识别技术在相关领域的研究已取得了较好的成果,结合无人机获取的图像与图像识别技术可以实现快速、高效的渠道破损检测及评估。本文使用无人机巡检采集视频图像进行渠道衬砌损毁的分析,利用无人机航拍采集的图像进行计算机图像识别处理,使损毁的部分及详细信息更为直观的呈现出来,供渠道维修之决策使用。
发明内容
本发明解决的技术问题是:针对现有的渠道破损检测方法比较落后,检测存在一定程度的偏差,从而提供了一种基于无人机巡检的渠道衬砌破损图像识别方法。
本发明的技术方案是:
一种基于无人机巡检的渠道衬砌破损图像识别方法,包括以下步骤:
S1:视频信息采集及分帧图像获取:
利用无人机搭载的摄影机以一定高度及视角飞行,选择一个起点为基准沿渠道轴线方向对渠道两侧衬砌分别采集视频信息;对视频进行分帧处理得到独立的连续图像信息;通过所述图像反映出无人机拍摄视频的次序及河道的实际信息,再将无人机飞行时记录的轨迹坐标信息与时间信息相结合并与图像信息相匹配,即可以得到渠道的位置信息;
S2:基于双窗Otsu阈值化方法将图像中的渠道衬砌部分和非衬砌部分进行二值化分类,在渠道中寻找非衬砌结构区域;
S3:采用Canny边缘检测提取渠道的边缘,在边缘内的非衬砌结构即为渠道衬砌损毁区域;
S4:根据以上步骤获取的渠道损毁特征,识别出衬砌损毁区域以及渠道区域后,进行渠道损毁比例分析;运用图像拼接技术,由单张损毁程度对整个渠道的损毁信息进行定位与分析,得出损毁结果。
进一步地,所述S2中:对获取的渠道图像,通过动态双窗Otsu二值化处理,再进行基于结构元素的膨胀、腐蚀、缝隙填充处理,将渠道衬砌部分和非衬砌部分进行区分,渠道中完好衬砌部分为一类,非衬砌部分呈现为对立的另一类。
进一步地,S2中所述非衬砌部分包括非渠道部分与衬砌损毁部分。
进一步地,所述基于双窗Otsu阈值化方法将图像中的渠道衬砌部分和非衬砌部分进行二值化分类,在渠道中寻找非衬砌结构区域的具体操作方法为:
首先对分帧图像进行双边滤波处理,采用动态自适应Otsu优化分离渠道中的损毁区域,将Otsu的基于最大类间方差的最优阈值与Simphiwe提出的双窗自适应阈值法相结合,根据图像中渠道的图像,针对同一中心像素确定双窗尺寸,再对双窗应用Otsu法分别求得各自局部最优阈值,取两者中的较小者为最佳阈值,其中灰度值大于最佳阈值的为渠道中完好部分,小于最佳阈值的为损毁部分,对原始图像生成二值图。
针对无人机视频分割出的图像抖动大、光照不均的特点,动态自适应Ostu 方法通过小尺度的双窗检测出渠道的完好区域与损毁区域,具有较强的适应性,二值化效果优于传统方法。γ矫正后图像表达为f(x,y),分别求得每个像素p 的两个邻域窗口,尺寸为n×n和m×m(即和),窗口的最优阈值分别为和
式中,t为灰度级范围取值[0,1];σB为最大类间方差,方差越大代表像素错分类率越小。
其次,根据最优阈值将图像f(x,y)二值化,fb(x,y)为二值化后的结果。用 1表示大于阈值的结果,在图像中显示为黑色;0表示小于阈值的结果,在图像中显示为白色。
通过上述阈值化处理,即可将渠道原始图像处理为黑白交替的二值化图像,实现衬砌区域与非衬砌区域的初步分析。
进一步地,所述步骤S3具体为:采用边缘检测、最大联通阈及最小外接矩的方法,综合得出单张图片中河道的轮廓,并进行标记,完成渠道边界定位。
进一步地,所述采用Canny边缘检测算法对二值化图片进行边缘检测时,先进行平滑滤波,滤波后由微分算子进行边界求导。
更进一步地,所述平滑滤波为双边滤波。按照一定的参数规则,求得待滤波图像的像素点及其邻域点的灰度值的加权平均值,有效滤去图像中的高频噪声。
更进一步地,所述双边滤波方法具体为高斯滤波方法。
式(3)为一维的离散高斯函数,选取适当参数获得一维高斯核。
式(4)为二维的离散高斯函数,选取适当参数获得二维高斯核。采用高斯核后滤波,需要对其进行归一化处理:
采用这两个方式需要注意的是,求得高斯核后,需要对其进行归一化处理。
进一步地,所述微分算子进行边界求导具体为:对图像的梯度幅值进行非极大值抑制处理,像素点的梯度幅值很大,不表示该像素点位于边缘位置。应当只保留在其8邻域内的灰度值最大的像素点,而将非8邻域内极大值的像素点的灰度值设为0,剔除掉非边缘点。非极大值抑制是边缘检测过程中重要步骤,它可以实现图像边界的正确定位。
与现有技术相比,本发明的有益效果是:
(1)本发明提出了一种利用无人机及图像识别技术进行渠道衬砌破损的方法,利用无人机对渠道拍摄视频,提取视频中图像信息并使用图像识别技术进行渠道损毁段图像识别,可以实现实时、无人及快速的渠道运行状况检测。
(2)通过对某渠道的无人机巡检的视频信息的提取及图像识别的应用,检测出了衬砌破损部分,通过对河道轮廓的确定,得到了渠道面积、破损面积和破损比例。
(3)本发明可以为图像识别渠道损毁的检测向工程推广应用提供基础,在工程现场使用时,还应根据渠道实际运行水位情况进行识别算法参数的调整。
附图说明
图1是本发明的渠道衬砌损毁检测流程图;
图2是非极大值抑制的原理图;
图3是为不同时段及不同位置的4个渠道原图和对应的4个预处理后的二值图;黑色为渠道完好部分,白色为初步认定与渠道材质不同的部分;
图4为最大连通域效果图;
图5为渠道定位效果图。
具体实施方式
利用无人机搭载的摄影机以一定高度及视角飞行,以某一起点为基准沿渠道轴线方向对渠道两侧衬砌分别采集视频信息。对视频进行分帧处理得到独立的连续图像信息,如图3所示,图像反映了无人机拍摄视频的次序及河道的实际信息,再将无人机飞行时记录的轨迹坐标信息与时间信息相结合并与图像信息相匹配,即可以得到渠道的位置信息。
对获取的渠道图像,通过动态双窗Otsu二值化处理,再进行基于结构元素的膨胀、腐蚀、缝隙填充等一系机器形态学处理,将渠道衬砌部分和非衬砌部分进行区分,渠道中完好衬砌部分为一类,非衬砌部分呈现为对立的另一类,方便进一步处理。
首先进行双边滤波处理,采用动态自适应Otsu优化分离渠道中的损毁区域。将Otsu的基于最大类间方差的最优阈值[13]与Simphiwe[14]提出的双窗自适应阈值法相结合,根据图像中渠道的图像,针对同一中心像素确定双窗尺寸,再对双窗应用Otsu法分别求得各自局部最优阈值,取两者中的较小者为最佳阈值,其中灰度值大于最佳阈值的为渠道中完好部分,小于最佳阈值的为损毁部分,对原始图像生成二值图。
针对无人机视频分割出的图像抖动大、光照不均的特点,动态自适应Ostu 方法通过小尺度的双窗检测出渠道的完好区域与损毁区域,具有较强的适应性,二值化效果优于传统方法。γ矫正后图像表达为f(x,y),分别求得每个像素p 的两个邻域窗口,尺寸为n×n和m×m(即和),窗口的最优阈值分别为和
式中,t为灰度级范围取值[0,1];σB为最大类间方差,方差越大代表像素错分类率越小。
其次,根据最优阈值将图像f(x,y)二值化,fb(x,y)为二值化后的结果。用 1表示大于阈值的结果,在图像中显示为黑色;0表示小于阈值的结果,在图像中显示为白色。
通过上述阈值化处理,即可将渠道原始图像处理为黑白交替的二值化图像,实现衬砌区域与非衬砌区域的初步分析。
在阈值化的基础上,结合原图进行一定方法的预处理,然后采用边缘检测、最大联通阈、最小外接矩等一系列方法,综合得出单张图片中河道的轮廓,并进行标记,完成渠道边界定位。
Canny边缘检测算法是最常用的边缘检测算法,采用Canny算子对二值化图片进行边缘检测时,先进行平滑滤波,后由微分算子进行边界求导。预处理完的渠道图像进行双边滤波,按照一定的参数规则,求得待滤波图像的像素点及其邻域点的灰度值的加权平均值,有效滤去图像中的高频噪声。常采用的为高斯滤波方法,式(3)为一维的离散高斯函数,选取适当参数获得一维高斯核。
式(4)为二维的离散高斯函数,选取适当参数获得二维高斯核。采用高斯核后滤波,需要对其进行归一化处理:
采用这两个方式需要注意的是,求得高斯核后,需要对其进行归一化处理。
滤波后对图像进行微分计算,对图像的梯度幅值进行非极大值抑制处理。像素点的梯度幅值很大,不表示该像素点位于边缘位置。应该只保留那些在其8 邻域内的灰度值最大的像素点,而将非8邻域内极大值的像素点的灰度值设为0,剔除掉非边缘点。非极大值抑制是边缘检测过程中重要步骤,它可以实现图像边界的正确定位。图2为非极大值抑制的原理图。
如图2所示,设点C为待确定点,图中蓝色线条的方向为C的梯度方向,局部的梯度极大值出现在这条蓝色的线上,所以点dTmp1和点dTmp2也可能是局部极大值。通过判断点C与点dTmp1、点dTmp2灰度值的大小即可判断点C是否为局部极大值点,若点C的灰度值小于点dTmp1、点dTmp2中任一灰度值,说明点C非局部极大值,不是边界点。该步处理完成后生成新的二值图像,非边界点的灰度值为0,可能的边界点的灰度值为255,得到了图像的边界图像。
工程应用
某引水工程是以满足生产、生活及灌溉用水的综合性大型无坝引水工程。地处高纬度寒冷地区,总干渠全长205公里。运行20多年来,渠道冻融侵蚀强烈,发生严重的破损,主要包括衬砌的冲淤变形、冻融破坏、衬砌滑塌等破坏.。渠道的完整是安全输水、保障工农业用水的重要保障,由于其工程规模巨大,利用传统的人工检测方法存在效率低,评判水平不一致等缺陷。利用无人机搭载视频采集工具获取渠道沿轴线的衬砌情况,并通过图像进行衬砌破损情况及等级的评估对快速确定渠道衬砌破损情况具有明显的优势。
利用上述的图像处理方法,将无人机录制的视频转为图像,并利用阈值分析处理为二值图,再利用边缘检测方法确定衬砌破损的区域。图3为不同时段及不同位置的4个渠道原图和对应的4个预处理后的二值图。黑色为渠道完好部分,白色为初步认定与渠道材质不同的部分。
在阈值化的基础上,采用Canny边缘检测、最大联通域、最小外接矩等一系列方法,综合得出单张图片中河道的轮廓,并进行标记,完成渠道定位。如图4为最大连通域效果图,即认定白色部分为渠道。将渠道边界用绿色标记,覆盖在预处理后的二值图上即完成渠道定位。如图5所示,灰色为定位后的渠道边界。
在河道定位后的轮廓中,进行直线检测及容错处理,识别出衬砌损毁区域以及未损毁区域,并进行定量分析,判断出视频分帧后每张图片对应河道位置的损毁程度。量化后可以加入人为定义的损毁程度阈值,在该损毁阈值之上定义为需要修复并标记,阈值之下暂不输出。首先统计图中已经定位渠道范围的面积,然后统计出白色损毁区域的面积,即可量化损毁程度。由损毁部分面积与定位渠道的总面积可以计算出损毁比例。在如图5所示的渠道中,经过图像识别得到的渠道面积、衬砌损毁面积、损毁比例分别为516242、72158、13.97%。
Claims (8)
1.一种基于无人机巡检的渠道衬砌破损图像识别方法,其特征在于,包括以下步骤:
S1:视频信息采集及分帧图像获取:
利用无人机搭载的摄影机以一定高度及视角飞行,选择一个起点为基准沿渠道轴线方向对渠道两侧衬砌分别采集视频信息;对视频进行分帧处理得到独立的连续图像信息;
S2:基于双窗Otsu阈值化方法将图像中的渠道衬砌部分和非衬砌部分进行二值化分类,在渠道中寻找非衬砌结构区域;所述基于双窗Otsu阈值化方法将图像中的渠道衬砌部分和非衬砌部分进行二值化分类,在渠道中寻找非衬砌结构区域的具体操作方法为:首先对分帧图像进行双边滤波处理,采用动态自适应Otsu优化分离渠道中的损毁区域,将Otsu的基于最大类间方差的最优阈值与Simphiwe提出的双窗自适应阈值法相结合,根据图像中渠道的图像,针对同一中心像素确定双窗尺寸,再对双窗应用Otsu法分别求得各自局部最优阈值,取两者中的较小者为最佳阈值,其中灰度值大于最佳阈值的为渠道中完好部分,小于最佳阈值的为损毁部分,对原始图像生成二值图;
S3:采用Canny边缘检测提取渠道的边缘,在边缘内的非衬砌结构即为渠道衬砌损毁区域;
S4:根据以上步骤获取的渠道损毁特征,识别出衬砌损毁区域以及渠道区域后,进行渠道损毁比例分析;运用图像拼接技术,由单张损毁程度对整个渠道的损毁信息进行定位与分析,得出损毁结果。
2.根据权利要求1所述的一种基于无人机巡检的渠道衬砌破损图像识别方法,其特征在于,所述S2中:对获取的渠道图像,通过动态双窗Otsu二值化处理,再进行基于结构元素的膨胀、腐蚀、缝隙填充处理,将渠道衬砌部分和非衬砌部分进行区分,渠道中完好衬砌部分为一类,非衬砌部分呈现为对立的另一类。
3.根据权利要求1所述的一种基于无人机巡检的渠道衬砌破损图像识别方法,其特征在于,S2中所述非衬砌部分包括非渠道部分与衬砌损毁部分。
4.权利要求1所述的一种基于无人机巡检的渠道衬砌破损图像识别方法,其特征在于,所述步骤S3具体为:采用边缘检测、最大联通阈及最小外接矩的方法,综合得出单张图片中河道的轮廓,并进行标记,完成渠道边界定位。
5.权利要求4所述的一种基于无人机巡检的渠道衬砌破损图像识别方法,其特征在于,所述采用Canny边缘检测算法对二值化图片进行边缘检测时,先进行平滑滤波,滤波后由微分算子进行边界求导。
6.权利要求5所述的一种基于无人机巡检的渠道衬砌破损图像识别方法,其特征在于,所述平滑滤波为双边滤波。
7.权利要求6所述的一种基于无人机巡检的渠道衬砌破损图像识别方法,其特征在于,所述双边滤波具体为高斯滤波方法。
8.权利要求5所述的一种基于无人机巡检的渠道衬砌破损图像识别方法,其特征在于,所述微分算子进行边界求导具体为:对图像的梯度幅值进行非极大值抑制处理,保留在其8邻域内的灰度值最大的像素点,而将非8邻域内极大值的像素点的灰度值设为0,剔除掉非边缘点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427371.0A CN110378866B (zh) | 2019-05-22 | 2019-05-22 | 一种基于无人机巡检的渠道衬砌破损图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427371.0A CN110378866B (zh) | 2019-05-22 | 2019-05-22 | 一种基于无人机巡检的渠道衬砌破损图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378866A CN110378866A (zh) | 2019-10-25 |
CN110378866B true CN110378866B (zh) | 2021-04-06 |
Family
ID=68248606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910427371.0A Active CN110378866B (zh) | 2019-05-22 | 2019-05-22 | 一种基于无人机巡检的渠道衬砌破损图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378866B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110825098B (zh) * | 2019-11-18 | 2024-05-07 | 国网江苏省电力有限公司泰州供电分公司 | 一种无人机配电网智能巡检系统 |
CN112241690B (zh) * | 2020-09-25 | 2022-12-27 | 天津大学 | 一种bim驱动的输水渠道航拍图像兴趣区提取方法 |
CN113066095B (zh) * | 2021-03-18 | 2024-02-23 | 上海烟草集团有限责任公司 | 重建烟叶轮廓的方法、系统及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109297428A (zh) * | 2018-11-21 | 2019-02-01 | 武汉珈鹰智能科技有限公司 | 一种基于无人机的高精度变形巡测技术方法 |
CN109583293A (zh) * | 2018-10-12 | 2019-04-05 | 复旦大学 | 星载sar图像中的飞机目标检测与鉴别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2481347B1 (es) * | 2012-12-26 | 2015-07-30 | Universidad De Almeria | Procedimiento de interpretación automática de imágenes para la cuantificación de marcadores tumorales nucleares. |
CN104463097B (zh) * | 2014-10-31 | 2018-04-03 | 武汉工程大学 | 基于局部自适应阈值分割算法的高压线图像检测方法 |
CN104992429B (zh) * | 2015-04-23 | 2017-09-12 | 北京宇航时代科技发展有限公司 | 一种基于图像局部增强的山体裂缝检测方法 |
CN107220988B (zh) * | 2017-04-30 | 2020-09-18 | 南京理工大学 | 基于改进canny算子的零部件图像边缘提取方法 |
CN109242791B (zh) * | 2018-08-22 | 2022-07-26 | 东北农业大学 | 一种针对破损植物叶片的批量修复方法 |
CN109636822B (zh) * | 2018-12-13 | 2021-03-16 | 大连理工大学 | 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法 |
CN109584240B (zh) * | 2018-12-20 | 2022-05-03 | 成都理工大学 | 滑坡后缘裂缝位移图像识别方法 |
CN109632822A (zh) * | 2018-12-25 | 2019-04-16 | 东南大学 | 一种准静态高精度路面破损智能识别装置及其方法 |
-
2019
- 2019-05-22 CN CN201910427371.0A patent/CN110378866B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583293A (zh) * | 2018-10-12 | 2019-04-05 | 复旦大学 | 星载sar图像中的飞机目标检测与鉴别方法 |
CN109297428A (zh) * | 2018-11-21 | 2019-02-01 | 武汉珈鹰智能科技有限公司 | 一种基于无人机的高精度变形巡测技术方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110378866A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378866B (zh) | 一种基于无人机巡检的渠道衬砌破损图像识别方法 | |
US10489903B2 (en) | Stepwise refinement detection method for pavement cracks | |
CN101901477B (zh) | 植物叶片田间图像边缘提取方法及其系统 | |
CN104792792B (zh) | 一种逐步求精的路面裂缝检测方法 | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN111179232A (zh) | 基于图像处理的钢筋尺寸检测系统及方法 | |
CN103413290B (zh) | 多特征与多层次结合的矿石粒度图像分割方法 | |
CN103442209A (zh) | 一种输电线路的视频监控方法 | |
CN104021574A (zh) | 路面病害自动识别方法 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
CN110334750A (zh) | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 | |
Munawar | Image and video processing for defect detection in key infrastructure | |
CN113962997A (zh) | 基于图像处理的带钢边裂缺陷检测方法及系统 | |
CN112949484B (zh) | 一种高速铁路落石实时检测方法 | |
Liu et al. | Robust image-based crack detection in concrete structure using multi-scale enhancement and visual features | |
CN105718964A (zh) | 一种输电线防振锤的视觉检测方法 | |
CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
Li et al. | Detection algorithm of defects on polyethylene gas pipe using image recognition | |
CN108961288B (zh) | 一种轨腰塞钉销及引线检测图像智能识别方法 | |
CN113763363B (zh) | 一种排水管道破裂缺陷检测及等级评定方法 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN111573200B (zh) | 一种井下皮带转接处堵塞的视觉检测系统及检测方法 | |
CN115410114A (zh) | 一种基于多特征的城轨防汛预警方法及系统 | |
Danilescu et al. | Road anomalies detection using basic morphological algorithms |
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 |