CN110390669A - 一种桥梁图像中裂缝的检测方法 - Google Patents
一种桥梁图像中裂缝的检测方法 Download PDFInfo
- Publication number
- CN110390669A CN110390669A CN201910560712.1A CN201910560712A CN110390669A CN 110390669 A CN110390669 A CN 110390669A CN 201910560712 A CN201910560712 A CN 201910560712A CN 110390669 A CN110390669 A CN 110390669A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- pixel
- value
- binary map
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30132—Masonry; Concrete
Abstract
本发明公开了一种桥梁图像中裂缝的检测方法。由于人工标记具有一定的主观性,检测精度较依赖于专家的经验知识,而经验在定量分析中缺乏客观性。本发明如下:一、检测桥面图像中裂缝发生的位置,并完整提取裂缝的形态特征。二、提取图像中裂缝的真实参数。本发明通过图像处理技术,代替人眼完成桥梁裂缝的自动化无损检测。本发明针对桥梁裂缝独特的空间延展性和灰度可区分性,提出的改进的中值滤波算法根据裂缝边缘相似灰度线性分布的特性,在原中值滤波的基础上引入相似灰度扩展方向的思想,不仅能更有效地抑制桥面图像复合噪声的干扰,提高图像信噪比,而且保持了裂缝边缘细节信息的连续性,增加目标裂缝保真滤波的可靠性。
Description
技术领域
本发明属于图像检测技术领域,具体涉及一种桥梁图像中裂缝的检测方法。
背景技术
桥梁作为连接两跨度较大位置点的重要载体,在经过长期的日晒雨淋和负载作业中,所产生的内部应力也会沿着桥梁结构传递到一些薄弱部位,致使该位置结构表面易存在裂缝的产生和发展。而不同走向的表面裂缝对桥梁结构的危害程度也有所不同,若表面裂缝的延伸走向与结构承载面相垂直时,危害影响最大。
经工程实践和理论分析表明,大部分在役桥梁都是带裂缝工作的,而桥梁裂缝带来的潜在危害不容小觑。一旦混凝土桥梁出现较为严重的裂缝,外界空气和有害介质会很容易渗透到混凝土内部经过化学反应产生碳酸盐,造成其中钢筋的碱度环境降低,表面的纯化膜遭受破坏后更易产生锈蚀,此外,混凝土碳化也会加剧收缩开裂,对混凝土桥梁的安全使用产生严重危害。作为桥梁建设中最常见的病害特征,极为细小的裂缝(小于0.05mm)一般对结构性能影响不大,可以允许其存在;而较大裂缝则可能在荷载或外界物理、化学因素的作用下,会不断产生并扩展,形成贯穿缝、深缝,间接甚至直接影响梁体结构的使用寿命和安全性能;若裂缝宽度达到0.3mm以上,则会直接破坏结构的整体性,引起混凝土碳化、保护层剥落和钢筋腐蚀,在桥梁内部形成力学间断面,使桥梁承载能力大为降低,严重时甚至发生垮塌事故,危害结构的正常使用。
因此,桥梁建筑损伤与其表面裂缝的产生和发展有很大关系。为了及时发现裂缝,并采取补救措施以消除安全隐患,通常采用人工巡检和手工标记的方式,表面裂缝由经验丰富的检验人员手工测量并用肉眼观察做记录。但该检测方式机动性差、危险性大、效率低,而且由于人工标记具有一定的主观性,检测精度较依赖于专家的经验知识,而经验在定量分析中缺乏客观性。
发明内容
本发明的目的在于提供一种桥梁图像中裂缝的检测方法。
本发明的步骤如下:
步骤1、裂缝检测
1-1.通过裂缝检测预处理进行裂缝区域的初始定位和灰度化;
对完整桥面图像进行灰度化处理;通过均匀网格划分将完整桥面图像划分为多个局部区域;统计各局部区域内的灰度累计值,得到所有网格区域的灰度分布并提取桥面图像平均灰度值作为灰度阈值;筛选出灰度累计值低于灰度阈值的网格区域作为感兴趣区域;
1-2.对各感兴趣区域进行中值滤波去噪和基于模糊集的图像增强处理,得到多张待分割的裂缝灰度图像;
中值滤波去噪的步骤如下:
(1)遍历感兴趣区域中的各像素点,分别作为目标像素点fij,并各自执行步骤(2)至(4)。
(2)分别对目标像素点fij八邻域内所有像素点与目标像素点fij灰度值进行比较,并取其中灰度差值绝对值最小的2个邻域像素点和
(3)将和作为该目标像素点的邻近灰度扩展方向,并以这两个方向分别向八邻域外扩展一级,得到fp和fq两像素点。
(4)取目标像素点fij、八邻域内所有像素点、像素点fp和像素点fq的中值作为目标像素点fij的替换值。
1-3.通过PCNN简化模型对各待分割的裂缝图像进行二值分割,得到裂缝分割图像;
1-4.对裂缝分割图像进行残余孤立噪声的去除,得到裂缝二值图;
步骤2、裂缝参数提取
2-1.对步骤1所得的裂缝二值图进行基于种子点生长的裂缝特征连接,具体步骤如下:
(1)将裂缝二值图中裂缝断开处位置信息映射到步骤1-2所得的裂缝灰度图像中;
(2)在裂缝断开处对应的两段裂缝的相对端分别选取起始种子点、引导种子点;
(3)起始种子点为第一个生长点进行生长;下一个生长点为上一个生长点八邻域内灰度值最小的像素点,直到生长出的生长点与引导种子点重合;
(4)将步骤(3)所得的各生长点从裂缝灰度图像中映射到裂缝二值图中。
2-2.基于投影法的目标裂缝分类识别,具体如下:
先对经过步骤2-1处理后的裂缝二值图进行取反操作;采用投影法对裂缝二值图分别进行水平和竖直方向的投影,对各行、列像素值分别累加求和,得到行投影数组和列投影数组;
根据裂缝二值图中裂缝的实际尺寸特征,计算裂缝二值图中裂缝部分的长宽比Δx为裂缝二值图中裂缝部分的水平投影长度,Δy为裂缝二值图中裂缝部分的竖直投影长度;
若则判定裂缝二值图中的裂缝为横向裂缝;若则判定裂缝二值图中的裂缝为纵向裂缝;若且行投影数组和列投影数组内所有元素均大于10,则判定裂缝二值图中的裂缝为网状裂缝;否则,判定裂缝二值图中的裂缝为斜向裂缝;
2-3.桥面裂缝特征数据的提取,以得到实际桥梁裂缝的长度、宽度和面积信息;
(1)在裂缝二值图中的裂缝上提取裂缝骨架线;
统计裂缝二值图中的数值为1的像素点个数作为裂缝像素面积;根据裂缝二值图上的裂缝图像,提取裂缝骨架线;以裂缝骨架线上像素点的数量作为裂缝像素长度;
计算桥梁裂缝宽度的方法如下:
(1)设定一个5×5的检索模板,并对裂缝骨架线上的所有裂缝像素点进行扫略,取该检索模板内距离最远的两个裂缝像素点,两个裂缝像素点的连接线作为模板内裂缝局部走向线;再做扫略后得到的各裂缝局部走向线的法线,求其法向角;
(2)根据裂缝骨架线上各裂缝像素点的法向角,求取各裂缝像素点在裂缝上对应的两侧边缘点(xij,yij)和(x′ij,y′ij);裂缝像素点在裂缝上对应的两侧边缘点的欧氏距离作为该位置点上的裂缝像素宽度dij,即所得各裂缝像素宽度dij中的最大值作为裂缝最大像素宽度;各裂缝宽度dij中的平均值作为裂缝平均像素宽度;
(3)将裂缝的各像素参数A′分别代入实际参数换算公式中,得到裂缝的各实际参数A;其中,u为物距、f为焦距、k为换算系数,l为CCD感光芯片长边物理尺寸、L是拍摄图像长边像素点数;裂缝的像素参数包括裂缝像素长度、裂缝最大像素宽度、裂缝平均像素宽度和裂缝像素面积。
作为优选,步骤1-3中,通过PCNN简化模型对各待分割的裂缝图像进行二值分割的具体方法如下:
Step1:初始化PCNN模型参数
(1)输入待分割的裂缝图像的各归一化像素点(i,j)灰度值作为外部刺激信号Iij;
(2)设置衰减时间常数Δt=0.2,最大信息熵值Hmax=0,最大迭代次数n=30和链接强度系数矩阵
(3)通过二维Otsu法得到的最佳阈值,作为PCNN模型的初始阈值θij[0];通过局部灰度方差法确定链接强度系数βij;
Step2:将1赋值k;
Step3:采用PCNN简化模型对待分割的裂缝图像进行分割迭代,得到二值分割图像Y(k);计算PCNN简化模型内各神经元的内部激活Uij及脉冲输出Yij,并通过比较Uij与Yij大小判断各神经元激活状态;
Step4:计算二值分割图像Y(k)所对应的信息熵值H(k),若H(k)>Hmax,则将H(k)赋值给Hmax,并以二值分割图像Y(k)作为新的优选分割图像Y(s);否则,直接进入step5;
Step5:若k<n,则将k增大1后,重复执行步骤Step3和Step 4;否则以当前的优选分割图像Y(s)作为裂缝分割图像输出。
作为优选,步骤1-4中,残余孤立噪声包括离散型噪点和集聚型噪斑;
离散型噪点的去除方法具体如下:
(1)对步骤1-3所得的裂缝分割图像中各个边缘所划分出来的连通区域进行标记;
(2)分别计算最佳裂缝分割图像中各个连通区域的像素面积;将像素面积小于面积阈值的连通区域剔除;面积阈值为20;
(3)采用直线段扫描检索:设定的线段模板长度为5个像素,分别从0°、45°、90°和135°四个方向对步骤(2)保留下来的连通区域的边界线进行扫描检测,并进行“与”操作;若一个连通区域的边界线在0°、45°、90°、135°方向上的直线段扫描检索返还值均为0,则将该连通区域剔除;
集聚型噪斑的去除方法具体如下:
(1)分别计算各连通区域的圆形度e(x,y)如下:
式中,C(x,y)、A(x,y)分别为对应连通区域的周长、面积;
若一个连通区域的圆形度e(x,y)高于圆形度阈值Te(x,y),则将该连通区域剔除,
Te(x,y)=0.3;
(2)分别计算各连通区域的长宽比r(x,y)如下:
式中,L(x,y)和W(x,y)分别为对应连通区域在水平和竖直方向上投影矩阵长和宽;
设置Trl(x,y)为长宽比下限,取值为0.1;Trh(x,y)为长宽比上限,取值为10;若一个连通区域的长宽比r(x,y)满足以下不等式:Trl(x,y)<r(x,y)<Trh(x,y),则将该连通区域剔除。
作为优选,步骤2-3执行后,将所有裂缝二值图中的裂缝像素面积之和除以桥面全景图像的像素个数,得到面裂隙率。
本发明具有的有益效果是:
1、本发明通过图像处理技术,代替人眼完成桥梁裂缝的自动化无损检测,对复杂地形环境下的桥梁裂缝检测技术的研究具有非常重要的现实意义。一方面增强了施工安全性,另一方面提高了作业机动性和灵活性。
3、本发明针对桥梁裂缝独特的空间延展性和灰度可区分性,提出的改进的中值滤波算法根据裂缝边缘相似灰度线性分布的特性,在原中值滤波的基础上引入相似灰度扩展方向的思想,不仅能更有效地抑制桥面图像复合噪声的干扰,提高图像信噪比,而且保持了裂缝边缘细节信息的连续性,增加目标裂缝保真滤波的可靠性,提高了裂缝边缘特征提取算法的抗噪性能。
4、本发明提出的改进的PCNN裂缝检测算法得到的裂缝最佳分割图像不仅保证了完整且清晰的边缘轮廓,而且保留了较为准确的细节纹理特征,有效地消除了绝大多数裂缝图像分割时伴随的背景噪声干扰。与传统图像分割算法相比,改进后的脉冲耦合神经网络算法减少了需人工设定的PCNN参数,对复杂背景下桥梁裂缝图像分割中的抗干扰性和分割性能稳定性有了较大提升,具有较好的鲁棒性。
5、本发明针对桥面图像中离散型噪点和集聚型噪斑提出的滤除准则,可以进一步剔除灰度阈值分割处理后的二值图像中的孤立噪声区域,彻底清除桥面二值图像中的无关噪声信息,完整地保留了目标裂缝的边缘信息,保证后续裂缝特征数据提取的准确度和精度。
6、本发明根据采集到的桥梁裂缝图像形态和像素分布特征,进行了大面积裂缝图像处理以及裂缝特征数据提取的算法设计,并对其中关键计算进行了可靠性分析研究,具有较高的算法创新性与桥梁检测工程参考价值。
附图说明
图1为本发明中桥梁图像裂缝检测示意图;
图2为本发明中裂缝区域初始定位示意图;
图3a、3b为本发明中改进的中值滤波模板示意图;
图4为本发明中PCNN简化模型结构示意图;
图5为本发明中改进的PCNN裂缝图像分割算法流程图;
图6a、6b为本发明中基于种子点生长法裂缝连接示意图;
图7为本发明中裂缝骨架上5*5模板内的局部法线方向计算示意图;
图8为本发明中桥梁裂缝宽度计算示意图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示,一种桥梁图像中裂缝的检测方法,具体步骤如下:
步骤1、裂缝检测
1-1.通过裂缝检测预处理进行裂缝区域的初始定位和灰度化。
对完整桥面图像进行灰度化处理。通过均匀网格划分将完整桥面图像划分为多个局部区域。由于桥梁目标裂缝灰度值要低于局部背景灰度均值,故统计各局部区域内的灰度累计值,得到所有网格区域的灰度分布并提取完整桥面图像平均灰度值作为灰度阈值;筛选出灰度累计值低于灰度阈值的网格区域作为感兴趣区域,进行裂缝目标区域的初始定位标记,如图2所示。
1-2.对各感兴趣区域进行改进的中值滤波去噪和基于模糊集的图像增强处理,得到多张待分割的裂缝灰度图像。
虽然裂缝灰度图像缺乏丰富的颜色对比,但具有独特的空间延展性和灰度可区分性。通过对中值滤波进行改进,根据裂缝局部空间下的线性特征及边缘像素灰度的均匀一致性,在原中值滤波的基础上引入相似灰度扩展方向,如图3a所示,将其方向上的邻接像素点纳入滤波模板,在一定程度上减小了原滤波模板下邻近噪声对中心像素的滤波干扰。
中值滤波去噪的步骤如下:
(1)遍历感兴趣区域中的各像素点,分别作为目标像素点fij,并各自执行步骤(2)至(4)。
(2)分别对目标像素点fij八邻域内所有像素点与目标像素点fij灰度值进行比较,并取其中灰度差值绝对值最小的2个邻域像素点和
(3)将和作为该目标像素点的邻近灰度扩展方向,如图3b所示,并以这两个方向分别向八邻域外扩展一级,得到fp和fq两像素点;
(4)对目标像素点fij、八邻域内所有像素点、像素点fp和像素点fq组成的数组进行灰度值排序,取所述的数组的中值作为目标像素点fij的替换值。
1-3.通过PCNN(脉冲耦合神经网络)简化模型对各待分割的裂缝图像进行二值分割;
本发明为提高裂缝图像分割效率,在保证检测精度的前提下使用PCNN简化模型,如图4所示,去除了部分参数影响。并根据复杂桥面背景下目标裂缝及邻域像素间的空间位置信息,提出通过二维Otsu算法自动求解灰度图像中的最佳初始阈值,以保证模型首次迭代时产生正确的神经脉冲,提高最佳迭代分割效果的寻优效率;结合神经元耦合特性和图像空间灰度分布特性,通过求解桥梁裂缝图像局部灰度均方差得到神经元间的链接强度系数,作为局部区域内神经元间较为准确的耦合强度,以捕获局部灰度范围内的神经元同步脉冲。
通过PCNN简化模型对各待分割的裂缝图像进行二值分割的具体方法如图5所示,具体描述如下:
Step1:初始化PCNN模型参数
(1)输入待分割的裂缝图像的各归一化像素点(i,j)灰度值作为外部刺激信号Iij,即Fij(n)=Iij。
(2)设置衰减时间常数Δt=0.2,最大信息熵值Hmax=0,最大迭代次数n=30和链接强度系数矩阵
(3)通过二维Otsu法得到的最佳阈值,作为PCNN模型的初始阈值θij[0];通过局部灰度方差法确定链接强度系数βij。
Step2:将1赋值k。
Step3:采用PCNN简化模型对待分割的裂缝图像进行分割迭代,得到二值分割图像Y(k),每次分割得到的二值分割图像均不相同;计算PCNN简化模型内各神经元的内部激活Uij及脉冲输出Yij,并通过比较Uij与Yij大小判断各神经元激活状态。
Step4:计算二值分割图像Y(k)所对应的信息熵值H(k),若H(k)>Hmax,则将H(k)赋值给Hmax,并以二值分割图像Y(k)作为新的优选分割图像Y(s)。否则,直接进入step5。
Step5:若k<n,则将k增大1后,重复执行步骤Step3和Step 4;否则,取最大信息熵Hmax所对应的迭代次数作为最佳迭代次数kH,并以当前的优选分割图像Y(s)作为最佳裂缝分割图像输出。
1-4.对最佳裂缝分割图像进行残余孤立噪声的去除,得到裂缝二值图。
由于桥梁表面图像会伴有不同程度的干扰信息,如自身表面的污点、拍摄时光照不均带来的干扰点等,致使经过裂缝边缘分割处理后的桥面二值图像中仍存在少量孤立噪声,根据噪声分布特性,将其分为离散型噪点和集聚型噪斑两类。
桥面图像中离散型噪点分布较为稀疏,而且像素数量较小,往往表现为小噪斑或短线条的特点。因此,根据混凝土桥梁裂缝的形态特征,采用长线段模板对二值化边缘进行“与”操作来判定各连通区域边缘线的长度特征,用面积阈值对二值化边缘所包围的各连通区域面积分别进行计算并判别孤立区域的面积特征。具体算法步骤如下:
(1)对步骤1-3所得的最佳裂缝分割图像中各个边缘所划分出来的连通区域进行标记。
(2)分别计算最佳裂缝分割图像中各个连通区域的像素面积;将像素面积小于面积阈值的连通区域视为孤立噪声区域,进行剔除;面积阈值为20。
(3)采用直线段扫描检索:设定的线段模板长度为5个像素,分别从0°、45°、90°和135°四个方向对步骤(2)保留下来的连通区域的边界线进行扫描检测,并进行“与”操作。若一个连通区域的边界线在0°、45°、90°、135°方向上的直线段扫描检索返还值均为0(即四个方向上均不存在连续5个像素的直线),则将该连通区域视为孤立噪声区域,进行剔除。
桥面图像中集聚型噪斑往往是由表面污泽、坑洼以及阴影遮挡等形成的,内部分布较为紧密集中,面积较大,成块状,根据其形状特点,将其划分为规则噪斑和不规则噪斑。
去除集聚型噪斑的方法具体如下:
(1)根据裂缝圆形度较小的特点,采用圆形度作为规则噪斑的滤除标准。
分别计算各连通区域的圆形度e(x,y)如下:
式中,C(x,y)、A(x,y)分别为对应连通区域的周长、面积。
若一个连通区域的圆形度e(x,y)高于圆形度阈值Te(x,y),则将该连通区域视为规则噪斑,进行剔除,Te(x,y)=0.3。
(2)根据裂缝细长弯曲的形态特征,采用一定的长宽比值作为噪斑区域的滤除标准。
分别计算各连通区域的长宽比r(x,y)如下:
式中,L(x,y)和W(x,y)分别为对应连通区域在水平和竖直方向上投影矩阵长和宽。
考虑到横向裂缝长宽比值极高,纵向裂缝则极低,因此,设置Trl(x,y)为长宽比下限,取值为0.1;Trh(x,y)为长宽比上限,取值为10。若一个连通区域的长宽比r(x,y)满足以下不等式:Trl(x,y)<r(x,y)<Trh(x,y),则将该连通区域视为小面积不规则噪斑区域,进行剔除。
步骤2、数据提取模块
2-1.对步骤3所得的裂缝二值图进行基于种子点生长的裂缝特征连接,并对完整的裂缝图像进行形态学细化和去毛刺处理,保留最为关键的裂缝主体特征。
本发明根据前后断裂两端口所处的边缘切线方向的一致性,提出采用基于种子点生长的裂缝连接算法,通过设置邻接裂缝端口处的起始种子点和引导种子点,对其进行衔接拟合。起始种子点为生长开始的第一个种子点,表示区域生长的起始位置;引导种子点为引导起始种子点衔接生长的种子点,表示拟合延伸的终止区域。但由于从起始种子点到引导种子点的拟合生长取决于延伸方向上的灰度分布,往往会出现生长偏离。因此,需要设定阈值,若出现生长偏离,只需其拟合点在以引导种子点为圆心的阈值距离范围内,同样视为生长连接成功,否则,需重新选取种子点拟合。
其裂缝连接方法如下:
(1)由于经边缘分割后的二值图像不再含有裂缝邻域灰度信息,无法满足区域生长的要求。通过人工选择或利用MATBAL软件中的branchpoints函数获取步骤3所得的裂缝二值图中裂缝断开处位置。将所得断裂处位置信息映射到步骤1-2所得的裂缝灰度图像中,进行种子点生长。
(2)在裂缝断开处对应的两段裂缝的相对端分别选取起始种子点、引导种子点,从而确定该处裂缝的主要衔接生长方向,使得该延伸方向更具真实性。
(3)为了更为准确地拟合由于对比度低而误分割的连接线,需要制定种子点生长规则。由于灰度图像中裂缝像素值较低。以起始种子点为第一个生长点进行生长;下一个生长点为上一个生长点八邻域内灰度值最小的像素点,直到生长出的生长点与引导种子点重合。
(4)将步骤(3)所得的各生长点从裂缝灰度图像中映射到裂缝二值图中,完成裂缝断裂处的完整连接。
本实施例以裂缝种子点生长图例作为实例演示,如图6a左侧所示,方格矩阵代表着图像像素点,其数值表示灰度值,灰色方格代表断开的两处裂缝端口处像素点,带有黑色圆圈的p和q点分别表示选定的起始种子点和引导种子点。前一个生长点八邻域方向如图6b所示,判定裂缝连接线方向为第二延伸方向,则规定第二延伸方向为主方向,且按逆时针规则,设定第一和第三延伸方向分别为副一和副二方向,并以其邻域生长方向的优先级依次降低。以此不断确定生长方向上的各生长点pi,以黑色粗线框表示,并将其坐标点映射到裂缝二值图像中,如图6a右侧所示,即可作为该处裂缝连接线。
2-2.基于投影法的目标裂缝分类识别,根据桥面裂缝形态特征自动判别其类型;
先对经过步骤2-1处理后的裂缝二值图进行取反操作。再根据裂缝二值图中裂缝边缘线像素为1,桥面背景像素为0的特点,采用投影法对裂缝二值图分别进行水平和竖直方向的投影,对各行、列像素值分别累加求和并将所得和值存入数组中,得到行投影数组和列投影数组。根据得到的两组投影数组的特点进行裂缝类型的判别,将混凝土桥梁裂缝分为横向、纵向、斜向和网状裂缝。在常见的桥面裂缝类别中,不同类型裂缝的表观特征较为明显,横向、纵向和斜向裂缝皆表现为较好的线性特征,延伸发展方向较为明确,而网状裂缝则表现为较差的方向性。通过各类裂缝在二值图像中不同的形态特征,作为目标裂缝分类识别的依据。
由于裂缝边缘线的连续性,使得水平和竖直方向投影出来的数组也具有连续性,由此x(i)、y(j)分别为裂缝二值图的行投影数组的第i个数值和列投影数组第j个数值。其表达式如下:
其中,f(i,j)为裂缝二值图为第i行第j列的像素值;M、N分别为裂缝二值图的长宽尺寸。
具体判别裂缝二值图裂缝类型的方法如下:
根据裂缝二值图中裂缝的实际尺寸特征,计算裂缝二值图中裂缝部分的长宽比Δx为裂缝二值图中裂缝部分的水平投影长度,Δy为裂缝二值图中裂缝部分的竖直投影长度。
若则判定裂缝二值图中的裂缝为横向裂缝;若则判定裂缝二值图中的裂缝为纵向裂缝;若且行投影数组和列投影数组内所有元素均大于10,则说明该裂缝边缘在两个方向的投影都出现了多处重叠,判定裂缝二值图中的裂缝为网状裂缝;否则,判定裂缝二值图中的裂缝为斜向裂缝;
2-3.桥面裂缝特征数据的提取,以得到实际桥梁裂缝的长度、宽度和面积信息。
桥梁裂缝检测最终还是为了获取目标裂缝的病害特征信息,并以此作为观察控制和检修治理的重要依据。因此,在目标裂缝区域定位和形态特征识别分类后,还需要对裂缝形态特征参数进行定量化数据计算。桥梁裂缝的形态特征参数主要包含面积、长度、宽度及最大宽度,其中裂缝宽度信息是评估桥梁裂缝病害程度的关键指标。
(1)在裂缝二值图中的裂缝上提取裂缝骨架线。
对裂缝二值图上的裂缝图像经过裂缝边缘分割和毛刺分支去除后的裂缝骨架线,是由最具代表性的单像元组成的裂缝中心线。由于桥梁检测对裂缝长度和面积的测量精度要求并不高,为了提高计算效率,直接统计裂缝骨架线上的像素点的数量作为裂缝像素长度;统计裂缝二值图中的数值为1的像素点个数作为裂缝像素面积。
由于经过边缘细化和毛刺去除后的裂缝骨架,可以反映桥面裂缝的真实走向和发展情况。通过检索裂缝骨架像素点,得到各位置点的垂直方向,再映射到裂缝边缘二值图像中,计算桥梁裂缝宽度信息,如图7所示,其具体求解流程如下:
(1)如图8所示,设定一个5×5的检索模板,并对裂缝骨架线上的所有裂缝像素点进行扫略,取该检索模板内距离最远的两个裂缝像素点(即数值为1的像素点),两个裂缝像素点的连接线作为模板内裂缝局部走向线。再做扫略后得到的各裂缝局部走向线的法线,求其法向角。
(2)根据裂缝骨架线上各裂缝像素点的法向角,求取各裂缝像素点在裂缝上对应的两侧边缘点(xij,yij)和(x′ij,y′ij);裂缝像素点在裂缝上对应的两侧边缘点即为该裂缝像素点的法线与裂缝两侧边缘线的交点。裂缝像素点在裂缝上对应的两侧边缘点的欧氏距离作为该位置点上的裂缝像素宽度dij,即所得各裂缝像素宽度dij中的最大值作为裂缝最大像素宽度。各裂缝宽度dij中的平均值作为裂缝平均像素宽度。
(3)将裂缝的各像素参数A′分别代入实际参数换算公式中,得到裂缝的各实际参数A。其中,u为物距、f为焦距、k为换算系数,l为CCD感光芯片长边物理尺寸、L是拍摄图像长边像素点数。裂缝的像素参数包括裂缝像素长度、裂缝最大像素宽度、裂缝平均像素宽度和裂缝像素面积。将所有裂缝二值图中的裂缝像素面积之和除以桥面全景图像的像素个数,得到面裂隙率。
实际参数换算公式的推导过程如下:
由透镜成像公式可得像距:
则光学放大倍率:
目标裂缝的成像尺寸为:A′=MA
其中,u是物距、v是像距、f是焦距、A是裂缝目标实际尺寸、A’是目标像素尺寸,但由于A是以mm为单位,A’是以pixel为单位,所以还需要进行单位换算,其中k值即为换算系数,l是CCD感光芯片长边物理尺寸、L是拍摄图像长边像素点数。
由此通过提取图像裂缝的数据信息即可得到其实际物理信息:从而实现桥梁裂缝在真实检测面上的位置信息和尺寸信息的检测计算。
可以通过拍摄相机的感光芯片尺寸和像素分辨率以及桥面拍摄距离进行检测数据的换算,并提前根据桥梁检测工程的精度需要进行设备的调整。
Claims (4)
1.一种桥梁图像中裂缝的检测方法,其特征在于:步骤1、裂缝检测
1-1.通过裂缝检测预处理进行裂缝区域的初始定位和灰度化;
对完整桥面图像进行灰度化处理;通过均匀网格划分将完整桥面图像划分为多个局部区域;统计各局部区域内的灰度累计值,得到所有网格区域的灰度分布并提取桥面图像平均灰度值作为灰度阈值;筛选出灰度累计值低于灰度阈值的网格区域作为感兴趣区域;
1-2.对各感兴趣区域进行中值滤波去噪和基于模糊集的图像增强处理,得到多张待分割的裂缝灰度图像;
中值滤波去噪的步骤如下:
(1)遍历感兴趣区域中的各像素点,分别作为目标像素点fij,并各自执行步骤(2)至(4);
(2)分别对目标像素点fij八邻域内所有像素点与目标像素点fij灰度值进行比较,并取其中灰度差值绝对值最小的2个邻域像素点和
(3)将和作为该目标像素点的邻近灰度扩展方向,并以这两个方向分别向八邻域外扩展一级,得到fp和fq两像素点;
(4)取目标像素点fij、八邻域内所有像素点、像素点fp和像素点fq的中值作为目标像素点fij的替换值;
1-3.通过PCNN简化模型对各待分割的裂缝图像进行二值分割,得到裂缝分割图像;
1-4.对裂缝分割图像进行残余孤立噪声的去除,得到裂缝二值图;
步骤2、裂缝参数提取
2-1.对步骤1所得的裂缝二值图进行基于种子点生长的裂缝特征连接,具体步骤如下:
(1)将裂缝二值图中裂缝断开处位置信息映射到步骤1-2所得的裂缝灰度图像中;
(2)在裂缝断开处对应的两段裂缝的相对端分别选取起始种子点、引导种子点;
(3)起始种子点为第一个生长点进行生长;下一个生长点为上一个生长点八邻域内灰度值最小的像素点,直到生长出的生长点与引导种子点重合;
(4)将步骤(3)所得的各生长点从裂缝灰度图像中映射到裂缝二值图中;
2-2.基于投影法的目标裂缝分类识别,具体如下:
先对经过步骤2-1处理后的裂缝二值图进行取反操作;采用投影法对裂缝二值图分别进行水平和竖直方向的投影,对各行、列像素值分别累加求和,得到行投影数组和列投影数组;
根据裂缝二值图中裂缝的实际尺寸特征,计算裂缝二值图中裂缝部分的长宽比Δx为裂缝二值图中裂缝部分的水平投影长度,Δy为裂缝二值图中裂缝部分的竖直投影长度;
若则判定裂缝二值图中的裂缝为横向裂缝;若则判定裂缝二值图中的裂缝为纵向裂缝;若且行投影数组和列投影数组内所有元素均大于10,则判定裂缝二值图中的裂缝为网状裂缝;否则,判定裂缝二值图中的裂缝为斜向裂缝;
2-3.桥面裂缝特征数据的提取,以得到实际桥梁裂缝的长度、宽度和面积信息;
(1)在裂缝二值图中的裂缝上提取裂缝骨架线;
统计裂缝二值图中的数值为1的像素点个数作为裂缝像素面积;根据裂缝二值图上的裂缝图像,提取裂缝骨架线;以裂缝骨架线上像素点的数量作为裂缝像素长度;
计算桥梁裂缝宽度的方法如下:
(1)设定一个5×5的检索模板,并对裂缝骨架线上的所有裂缝像素点进行扫略,取该检索模板内距离最远的两个裂缝像素点,两个裂缝像素点的连接线作为模板内裂缝局部走向线;再做扫略后得到的各裂缝局部走向线的法线,求其法向角;
(2)根据裂缝骨架线上各裂缝像素点的法向角,求取各裂缝像素点在裂缝上对应的两侧边缘点(xij,yij)和(x′ij,y′ij);裂缝像素点在裂缝上对应的两侧边缘点的欧氏距离作为该位置点上的裂缝像素宽度dij,即所得各裂缝像素宽度dij中的最大值作为裂缝最大像素宽度;各裂缝宽度dij中的平均值作为裂缝平均像素宽度;
(3)将裂缝的各像素参数A'分别代入实际参数换算公式中,得到裂缝的各实际参数A;其中,u为物距、f为焦距、k为换算系数,l为CCD感光芯片长边物理尺寸、L是拍摄图像长边像素点数;裂缝的像素参数包括裂缝像素长度、裂缝最大像素宽度、裂缝平均像素宽度和裂缝像素面积。
2.根据权利要求1所述的一种桥梁图像中裂缝的检测方法,其特征在于:步骤1-3中,通过PCNN简化模型对各待分割的裂缝图像进行二值分割的具体方法如下:
Step1:初始化PCNN模型参数
(1)输入待分割的裂缝图像的各归一化像素点(i,j)灰度值作为外部刺激信号Iij;
(2)设置衰减时间常数Δt=0.2,最大信息熵值Hmax=0,最大迭代次数n=30和链接强度系数矩阵
(3)通过二维Otsu法得到的最佳阈值,作为PCNN模型的初始阈值θij[0];通过局部灰度方差法确定链接强度系数βij;
Step2:将1赋值k;
Step3:采用PCNN简化模型对待分割的裂缝图像进行分割迭代,得到二值分割图像Y(k);计算PCNN简化模型内各神经元的内部激活Uij及脉冲输出Yij,并通过比较Uij与Yij大小判断各神经元激活状态;
Step4:计算二值分割图像Y(k)所对应的信息熵值H(k),若H(k)>Hmax,则将H(k)赋值给Hmax,并以二值分割图像Y(k)作为新的优选分割图像Y(s);否则,直接进入step5;
Step5:若k<n,则将k增大1后,重复执行步骤Step3和Step4;否则以当前的优选分割图像Y(s)作为裂缝分割图像输出。
3.根据权利要求1所述的一种桥梁图像中裂缝的检测方法,其特征在于:步骤1-4中,残余孤立噪声包括离散型噪点和集聚型噪斑;
离散型噪点的去除方法具体如下:
(1)对步骤1-3所得的裂缝分割图像中各个边缘所划分出来的连通区域进行标记;
(2)分别计算最佳裂缝分割图像中各个连通区域的像素面积;将像素面积小于面积阈值的连通区域剔除;面积阈值为20;
(3)采用直线段扫描检索:设定的线段模板长度为5个像素,分别从0°、45°、90°和135°四个方向对步骤(2)保留下来的连通区域的边界线进行扫描检测,并进行“与”操作;若一个连通区域的边界线在0°、45°、90°、135°方向上的直线段扫描检索返还值均为0,则将该连通区域剔除;
集聚型噪斑的去除方法具体如下:
(1)分别计算各连通区域的圆形度e(x,y)如下:
式中,C(x,y)、A(x,y)分别为对应连通区域的周长、面积;
若一个连通区域的圆形度e(x,y)高于圆形度阈值Te(x,y),则将该连通区域剔除,Te(x,y)=0.3;
(2)分别计算各连通区域的长宽比r(x,y)如下:
式中,L(x,y)和W(x,y)分别为对应连通区域在水平和竖直方向上投影矩阵长和宽;
设置Trl(x,y)为长宽比下限,取值为0.1;Trh(x,y)为长宽比上限,取值为10;若一个连通区域的长宽比r(x,y)满足以下不等式:Trl(x,y)<r(x,y)<Trh(x,y),则将该连通区域剔除。
4.根据权利要求1所述的一种桥梁图像中裂缝的检测方法,其特征在于:步骤2-3执行后,将所有裂缝二值图中的裂缝像素面积之和除以桥面全景图像的像素个数,得到面裂隙率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560712.1A CN110390669B (zh) | 2019-06-26 | 2019-06-26 | 一种桥梁图像中裂缝的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560712.1A CN110390669B (zh) | 2019-06-26 | 2019-06-26 | 一种桥梁图像中裂缝的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110390669A true CN110390669A (zh) | 2019-10-29 |
CN110390669B CN110390669B (zh) | 2021-03-30 |
Family
ID=68285498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910560712.1A Active CN110390669B (zh) | 2019-06-26 | 2019-06-26 | 一种桥梁图像中裂缝的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390669B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085699A (zh) * | 2020-07-31 | 2020-12-15 | 东南大学 | 一种基于二维图像的路面裂缝提取方法 |
CN112465817A (zh) * | 2020-12-17 | 2021-03-09 | 大连海事大学 | 一种基于方向滤波器的路面裂缝检测方法 |
CN113160168A (zh) * | 2021-04-16 | 2021-07-23 | 浙江高速信息工程技术有限公司 | 基于裂隙图像二值化连通区域的噪声处理方法和系统 |
CN113262551A (zh) * | 2021-04-08 | 2021-08-17 | 中国铝业股份有限公司 | 一种氧化铝平盘过滤机的过滤状况监测方法及相关设备 |
CN114111602A (zh) * | 2021-11-22 | 2022-03-01 | 招商局重庆交通科研设计院有限公司 | 一种基于图像技术的桥梁表面裂缝宽度计算方法 |
CN114252107A (zh) * | 2021-12-22 | 2022-03-29 | 河南省国安建筑工程质量检测有限公司 | 一种利用光纤传感的梁式结构质量监控系统 |
CN114782419A (zh) * | 2022-06-17 | 2022-07-22 | 山东水利建设集团有限公司 | 一种水利建设倾斜度检测方法 |
CN115100224A (zh) * | 2022-06-29 | 2022-09-23 | 中国矿业大学 | 一种煤矿巷道掘进迎头交叉裂隙提取方法及系统 |
CN115239966A (zh) * | 2022-05-30 | 2022-10-25 | 中国地质大学(武汉) | 一种基于图像处理的隐伏基底古裂谷识别提取方法及系统 |
CN115880299A (zh) * | 2023-03-03 | 2023-03-31 | 山东时代塑胶有限公司 | 一种轻质混凝土复合自保温外墙板的质量检测系统 |
CN115908411A (zh) * | 2023-01-06 | 2023-04-04 | 山东水利建设集团有限公司 | 基于视觉检测的混凝土养护质量分析方法 |
CN116309557A (zh) * | 2023-05-16 | 2023-06-23 | 山东聚宁机械有限公司 | 一种挖掘机履带板断裂检测方法 |
CN116630321A (zh) * | 2023-07-24 | 2023-08-22 | 铁正检测科技有限公司 | 基于人工智能的桥梁健康智能监测系统 |
CN117094916A (zh) * | 2023-10-19 | 2023-11-21 | 江苏新路德建设有限公司 | 一种市政桥梁支座视觉检测方法 |
CN117670874A (zh) * | 2024-01-31 | 2024-03-08 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于图像处理的箱型梁内部裂缝检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160267326A1 (en) * | 2015-03-10 | 2016-09-15 | Fringefy Ltd. | Image abstraction system |
CN106934829A (zh) * | 2017-02-14 | 2017-07-07 | 中铁大桥科学研究院有限公司 | 一种表面裂缝的检测方法及系统 |
CN108257138A (zh) * | 2018-01-26 | 2018-07-06 | 西安工程大学 | 一种基于边缘检测的瓷质绝缘子裂缝特征检测方法 |
CN108537221A (zh) * | 2018-03-29 | 2018-09-14 | 陕西师范大学 | 基于兴趣区域的桥梁或路面裂缝检测方法和评价方法 |
CN108611993A (zh) * | 2018-05-11 | 2018-10-02 | 杭州电子科技大学 | 一种组件化桥梁混凝土裂缝注胶机 |
CN109521019A (zh) * | 2018-11-09 | 2019-03-26 | 华南理工大学 | 一种基于无人机视觉的桥梁底面裂缝检测方法 |
CN109615616A (zh) * | 2018-11-27 | 2019-04-12 | 北京联合大学 | 一种基于abc-pcnn的裂缝识别方法及系统 |
EP3475914A1 (en) * | 2016-06-28 | 2019-05-01 | Ecoatm, Inc. | Methods and systems for detecting cracks in illuminated electronic device screens |
-
2019
- 2019-06-26 CN CN201910560712.1A patent/CN110390669B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160267326A1 (en) * | 2015-03-10 | 2016-09-15 | Fringefy Ltd. | Image abstraction system |
EP3475914A1 (en) * | 2016-06-28 | 2019-05-01 | Ecoatm, Inc. | Methods and systems for detecting cracks in illuminated electronic device screens |
CN106934829A (zh) * | 2017-02-14 | 2017-07-07 | 中铁大桥科学研究院有限公司 | 一种表面裂缝的检测方法及系统 |
CN108257138A (zh) * | 2018-01-26 | 2018-07-06 | 西安工程大学 | 一种基于边缘检测的瓷质绝缘子裂缝特征检测方法 |
CN108537221A (zh) * | 2018-03-29 | 2018-09-14 | 陕西师范大学 | 基于兴趣区域的桥梁或路面裂缝检测方法和评价方法 |
CN108611993A (zh) * | 2018-05-11 | 2018-10-02 | 杭州电子科技大学 | 一种组件化桥梁混凝土裂缝注胶机 |
CN109521019A (zh) * | 2018-11-09 | 2019-03-26 | 华南理工大学 | 一种基于无人机视觉的桥梁底面裂缝检测方法 |
CN109615616A (zh) * | 2018-11-27 | 2019-04-12 | 北京联合大学 | 一种基于abc-pcnn的裂缝识别方法及系统 |
Non-Patent Citations (4)
Title |
---|
YUHUA CHENG 等: "Research on crack detection applications of improved PCNN algorithm in moi nondestructive test method", 《NEUROCOMPUTING》 * |
ZHIPING CHEN 等: "Analysis on wheel - rail contact and rail cracks of 50m radio telescope", 《ADVANCED MATERIALS RESEARCH》 * |
彭博 等: "路面裂缝图像识别算法研究进展", 《中外公路》 * |
钟新谷 等: "基于无人飞机成像的桥梁裂缝宽度识别可行性研究", 《土木工程学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085699A (zh) * | 2020-07-31 | 2020-12-15 | 东南大学 | 一种基于二维图像的路面裂缝提取方法 |
CN112465817A (zh) * | 2020-12-17 | 2021-03-09 | 大连海事大学 | 一种基于方向滤波器的路面裂缝检测方法 |
CN113262551A (zh) * | 2021-04-08 | 2021-08-17 | 中国铝业股份有限公司 | 一种氧化铝平盘过滤机的过滤状况监测方法及相关设备 |
CN113262551B (zh) * | 2021-04-08 | 2022-04-26 | 中国铝业股份有限公司 | 一种氧化铝平盘过滤机的过滤状况监测方法及相关设备 |
CN113160168A (zh) * | 2021-04-16 | 2021-07-23 | 浙江高速信息工程技术有限公司 | 基于裂隙图像二值化连通区域的噪声处理方法和系统 |
CN114111602A (zh) * | 2021-11-22 | 2022-03-01 | 招商局重庆交通科研设计院有限公司 | 一种基于图像技术的桥梁表面裂缝宽度计算方法 |
CN114252107A (zh) * | 2021-12-22 | 2022-03-29 | 河南省国安建筑工程质量检测有限公司 | 一种利用光纤传感的梁式结构质量监控系统 |
CN115239966A (zh) * | 2022-05-30 | 2022-10-25 | 中国地质大学(武汉) | 一种基于图像处理的隐伏基底古裂谷识别提取方法及系统 |
CN115239966B (zh) * | 2022-05-30 | 2024-04-09 | 中国地质大学(武汉) | 一种基于图像处理的隐伏基底古裂谷识别提取方法及系统 |
CN114782419A (zh) * | 2022-06-17 | 2022-07-22 | 山东水利建设集团有限公司 | 一种水利建设倾斜度检测方法 |
CN114782419B (zh) * | 2022-06-17 | 2022-08-23 | 山东水利建设集团有限公司 | 一种水利建设倾斜度检测方法 |
CN115100224A (zh) * | 2022-06-29 | 2022-09-23 | 中国矿业大学 | 一种煤矿巷道掘进迎头交叉裂隙提取方法及系统 |
CN115100224B (zh) * | 2022-06-29 | 2024-04-23 | 中国矿业大学 | 一种煤矿巷道掘进迎头交叉裂隙提取方法及系统 |
CN115908411A (zh) * | 2023-01-06 | 2023-04-04 | 山东水利建设集团有限公司 | 基于视觉检测的混凝土养护质量分析方法 |
CN115880299A (zh) * | 2023-03-03 | 2023-03-31 | 山东时代塑胶有限公司 | 一种轻质混凝土复合自保温外墙板的质量检测系统 |
CN116309557B (zh) * | 2023-05-16 | 2023-08-01 | 山东聚宁机械有限公司 | 一种挖掘机履带板断裂检测方法 |
CN116309557A (zh) * | 2023-05-16 | 2023-06-23 | 山东聚宁机械有限公司 | 一种挖掘机履带板断裂检测方法 |
CN116630321B (zh) * | 2023-07-24 | 2023-10-03 | 铁正检测科技有限公司 | 基于人工智能的桥梁健康智能监测系统 |
CN116630321A (zh) * | 2023-07-24 | 2023-08-22 | 铁正检测科技有限公司 | 基于人工智能的桥梁健康智能监测系统 |
CN117094916A (zh) * | 2023-10-19 | 2023-11-21 | 江苏新路德建设有限公司 | 一种市政桥梁支座视觉检测方法 |
CN117094916B (zh) * | 2023-10-19 | 2024-01-26 | 江苏新路德建设有限公司 | 一种市政桥梁支座视觉检测方法 |
CN117670874A (zh) * | 2024-01-31 | 2024-03-08 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于图像处理的箱型梁内部裂缝检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110390669B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390669A (zh) | 一种桥梁图像中裂缝的检测方法 | |
CN110378879A (zh) | 一种桥梁裂缝检测方法 | |
CN108364280B (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
CN111476781B (zh) | 一种基于视频语义分割技术的混凝土裂缝识别方法和装置 | |
CN104792792B (zh) | 一种逐步求精的路面裂缝检测方法 | |
CN105389586B (zh) | 一种基于计算机视觉自动检测虾体完整性的方法 | |
CN114693615A (zh) | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 | |
CN107527067B (zh) | 一种基于探地雷达的铁路路基病害智能识别方法 | |
CN105975972A (zh) | 基于影像的桥梁裂缝检测与特征提取方法 | |
CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及系统 | |
CN108921846A (zh) | 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法 | |
CN104504388A (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
Rau et al. | Bridge crack detection using multi-rotary UAV and object-base image analysis | |
CN108898085A (zh) | 一种基于手机视频的道路病害智能检测方法 | |
CN110020652A (zh) | 隧道衬砌裂缝图像的分割方法 | |
CN108197583A (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
CN111852792B (zh) | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 | |
CN108921076A (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN106841214A (zh) | 一种非接触式风电叶片风沙侵蚀程度检测方法 | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
CN114973320A (zh) | 一种基于深度信息的煤矿井下人员检测方法 | |
CN111047585A (zh) | 一种路面裂缝检测方法 | |
CN110672632A (zh) | 一种隧道病害识别方法 |
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 |