CN110533713A - 桥梁裂缝宽度高精度测量方法及测量装置 - Google Patents
桥梁裂缝宽度高精度测量方法及测量装置 Download PDFInfo
- Publication number
- CN110533713A CN110533713A CN201910620069.7A CN201910620069A CN110533713A CN 110533713 A CN110533713 A CN 110533713A CN 201910620069 A CN201910620069 A CN 201910620069A CN 110533713 A CN110533713 A CN 110533713A
- Authority
- CN
- China
- Prior art keywords
- picture
- bridge crack
- point
- bridge
- crack
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000691 measurement method Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009194 climbing Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 18
- 238000010586 diagram Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002902 bimodal effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/022—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by means of tv-camera scanning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/03—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring coordinates of points
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4023—Decimation- or insertion-based scaling, e.g. pixel or line decimation
-
- G06T5/73—
-
- 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
- G06T7/136—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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种桥梁裂缝宽度高精度测量方法及测量装置。该测量方法包括:获取含有桥梁裂缝的第一图片;对第一图片进行超分辨率重建得到第二图片;对第二图片进行预处理得到桥梁裂缝的骨架图;从骨架图中测量出桥梁裂缝的宽度值。通过此种方式,不仅可以节省测量的硬件成本,还可以提高桥梁裂缝宽度测量的精度。
Description
技术领域
本申请涉及桥梁检测技术领域,特别是涉及一种桥梁裂缝宽度高精度测量方法及测量装置。
背景技术
桥梁是交通系统中的重要组成部分。我国很多的桥梁已经出现了老化的现象,近年来受超载超限情况的影响,很多建成不久的桥梁也出现了一些问题,这些桥梁存在着一些安全隐患,因此需要对桥梁进行相关的检测。在检测结果中,桥梁裂缝情况是表明桥梁质量状况的重要指标之一。在相关技术中,一般采用人工检测的方法来进行桥梁裂缝的宽度测量。
本申请的发明人在长期的研发过程中发现,采用人工检测桥梁裂缝的方法一方面耗时费力,且危险系数高;另一方面人工检测的方法受人的主观因素影响大,测量精度无法保证。而且,目前的图像处理检测方法精度有限,要想提高精度,硬件成本也会大大提高。
发明内容
本申请主要解决的技术问题是提供一种桥梁裂缝宽度高精度测量方法及测量装置,能够节约测量过程中的硬件成本,且能进一步提高桥梁裂缝宽度的测量精度。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种桥梁裂缝宽度高精度测量方法,该测量方法包括:获取含有桥梁裂缝的第一图片;对第一图片进行超分辨率重建得到第二图片;对第二图片进行预处理得到桥梁裂缝的骨架图;从骨架图中测量出桥梁裂缝的宽度值。
其中,对第一图片进行超分辨率重建得到第二图片的步骤包括:降低第一图片的分辨率,得到第三图片;使用第一图片和第三图片作为数据集训练卷积神经网络得到第二图片。
其中,对第二图片进行预处理得到桥梁裂缝的骨架图的步骤包括:将第二图片转换为灰度图;对灰度图进行滤波处理得到第四图片;对第四图片进行锐化处理得到第五图片;采用阈值分割的方法从第五图片中得到桥梁裂缝的二值图;从二值图中提取出桥梁裂缝的骨架信息,以得到桥梁的骨架图。
其中,从骨架图中测量出桥梁裂缝的宽度值的步骤包括:从骨架图中找出骨架点;根据非端点处的骨架点及非端点处的骨架点的前一个骨架点、后一个骨架点拟合二次多项式;计算得出非端点处的骨架点在二次多项式的法线,其中,法线与桥梁裂缝的边界交点为第一边缘点和第二边缘点;计算第一边缘点和第二边缘点的欧式距离以得到桥梁裂缝的像素单位宽度值。
其中,测量方法还包括:计算第一边缘点的亚像素坐标点和第二边缘点的亚像素坐标点;根据第一边缘点的亚像素坐标点和第二边缘点的亚像素坐标点计算出桥梁裂缝的高精度像素单位宽度值。
其中,使用第一图片和第三图片作为数据集训练卷积神经网络得到第二图片的步骤包括:将第三图片采用插值法放大得到放大后的第三图片,其中,放大后的第三图片的大小和第一图片的大小相同;将放大后的第三图片送入卷积神经网络得到第二图片。
其中,将放大后的第三图片送入卷积神经网络得到第二图片步骤包括:根据第三图片的像素值,采用插值算法求出放大后的第三图片的像素值。
其中,将第二图片转换为灰度图的步骤包括:采用公式(1)将第二图片转换成灰度图,公式(1)为:I(i,j)=0.3*R(i,j)+0.59*G(i,j)+0.11*B(i,j);其中,I(i,j)为灰度图中第i行,第j列的像素值,R(i,j)、G(i,j)、B(i,j)为第二图片中对应位置的红绿蓝亮度值。
其中,获取含有桥梁裂缝的第一图片的步骤包括:从无人机或者爬壁机器人中获取含有桥梁裂缝的第一图片。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种桥梁裂缝宽度高精度测量装置,该测量装置包括存储器和处理器,存储器连接处理器,存储器中存储有计算机程序,处理器执行计算机程序时实现如上述任一实施例的测量方法。
本申请的有益效果是:区别于现有技术的情况,本申请的桥梁裂缝宽度高精度测量方法通过对第一图片进行超分辨率重建得到第二图片,在节约硬件成本的基础上,提高了桥梁裂缝图片的分辨率,从而提高桥梁裂缝宽度测量的精度。另外,对第二图片进行预处理得到桥梁裂缝的骨架图;从骨架图中测量出桥梁裂缝的宽度值,通过对处理后的桥梁裂缝图片进行宽度测量,进一步提高桥梁裂缝宽度测量的精度。
附图说明
图1是本申请桥梁裂缝宽度高精度测量方法一实施方式的流程示意图;
图2是图1中S20一实施例的流程示意图;
图3是图2的S202中卷积神经网络结构示意图;
图4是图2的S202中卷积神经网络的数据流向的结构示意图;
图5是图2的S202中第三图片上与点(xa,ya)距离最近的16个像素点的结构示意图;
图6是图1中S30一实施例的流程示意图;
图7是图6的S302中对灰度图进行处理的卷积核的结构示意图;
图8是图6的S303中拉普拉斯模板的结构示意图;
图9是图6的S305中的二值图的复制图像上像素值为1的像素点的3×3的邻域的结构示意图;
图10是图1中S40一实施例的结构示意图;
图11是图10中骨架点与两个边界的结构示意图;
图12是图11中第一边缘点3×3邻域的像素值的分布结构示意图;
图13是图12中求解像素直线方程建立的坐标系的结构示意图;
图14是本申请桥梁裂缝宽度高精度测量装置一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
对桥梁进行定期的检测是保障桥梁能够安全使用的重要工作,桥梁裂缝宽度测量是桥梁检测的一项重要内容,传统的检测方法主要通过桥检车等人工手段进行检测,该方法费时费力,且检测精度受人为主观因素影响明显。一种有效的改进方法通过图像处理进行检测,该方法首先通过爬壁机器人或无人机等自动化设备对待检测的桥梁表面进行拍照采集。后续通过相应的图像处理对采集到的图片进行处理,测出裂缝部位在图像中的像素宽度,再通过换算即可得到裂缝的真实宽度。相关技术中,若想得到高精度的桥梁裂缝测量结果,只能通过提高采集图片的摄像头的分辨率。
本申请提供一种桥梁裂缝宽度测量方法,本申请的测量方法在不增加硬件成本的基础上,能够进一步提高桥梁裂缝宽度测量的精度,下面将对本申请的测量方法进行详细介绍。
请参阅图1,图1是本申请桥梁裂缝测量方法一实施方式的流程示意图,该方法具体包括:
S10:获取含有桥梁裂缝的第一图片。
本测量方法首先获取含有桥梁裂缝的第一图片。该第一图片可采用人工拍摄,然后再通过人工输入的方式以使测量装置获得该第一图片。可选地,第一图片还采用无人机或者爬壁机器人等设备在桥下拍摄得到,本申请的测量装置直接从无人机或者爬壁机器人中获取含有桥梁裂缝的第一图片。该第一图片为含有桥梁裂缝的一组原始的高分辨率图像,其图片大小为(M,N)。
S20:对第一图片进行超分辨率重建得到第二图片。
对获取到的第一图片进行超分辨率重建以得到处理后的第二图片。图片的超分辨率重建是指通过原始的低分辨率的单张图像或一组图像序列恢复出高分辨率图像的技术。目前的图片超分辨率重建技术主要分为三种:基于插值的方法,基于重建的方法,以及基于深度学习的方法。一般来说,基于插值的方法,算法简单,计算较快,因此实时性强,但重建出的图像边缘模糊,效果有限。基于重建的方法一般都是基于多帧图像的,需要结合相应的先验知识。基于深度学习的重建方法是近年来的研究热点,它采用预先准备好的大量训练数据对相应的模型进行训练学习,在学习的过程中获得相应的先验知识,可获得较好的图像恢复效果。
在一个具体的实施例中,如图2所示,对第一图片进行超分辨率重建得到第二图片的步骤包括:
S201:降低第一图片的分辨率,得到第三图片。
对获取到的一组原始的高分辨率的第一图片进行处理,以降低第一图片的分辨率,从而得到第三图片。在一个具体的实施例中,第一图片的大小为(M,N),可将第一图片的分辨率降低为原始大小的二分之一,从而得到相应的一组低分辨率的第三图片,其中第三图片的大小为(m,n)。在其他实施例中,也可将第一图片的分辨率降低为原始大小的三分之一、四分之一等,可以根据实际情况进行具体选择,在此不做具体限定。
S202:使用第一图片和第三图片作为数据集训练卷积神经网络得到第二图片。
使用第一图片和第三图片作为数据集训练卷积神经网络。该网络结构如图3和图4所示。比如将尺寸为33×33×1的原始图片1输入第一卷积层conv1,其中采用kernel=64×9×9,再通过第一relu层relu1输出64×25×25的数据;再将64×25×25的数据输入第二卷积层conv2,并选用kernel=32×1×1,再通过第二relu层relu2层输出32×25×25的数据,再将32×25×25的数据输入第二卷积层conv2,并选用kernel=1×5×5,则通过第二relu层relu2输出1×21×21的数据,最后输出数据为1×21×21的图片2。
训练时,首先将原始的低分辨率第三图片通过bicubic插值的方法将其由大小m*n放大至目标大小M*N,M、N为原始高分辨率第一图片的大小,缩放系数为k=M/m,放大后得到放大后的第三图片。本实施例中,采用插值算法将第三图片放大,从而得到放大后的第三图片。其中,放大后的第三图片的大小和第一图片的大小相同。将放大后的第三图片送入卷积神经网络得到第二图片。
可选地,可以根据第三图片的像素值,采用插值算法求出放大后的第三图片的像素值。具体地,第三图片的像素值均为已知,放大后第三图片的像素值未知。若要求得放大后的第三图片中(xb,yb)处像素的大小,首先找出该像素对应第三图片中的像素位置(xa,ya)=(xb/K,yb/K),如下图5中点51所示,再根据第三图片中与点51(xa,ya)距离最近的16个像素点作为计算放大后的第三图片中(xb,yb)处像素值的参数。如图5中a00-a33为与(xa,ya)相距最近的16个像素点。
最终放大后的第三图片中(xb,yb)处像素值的大小为:
其中,W()为Bicubic函数:
Wx(0)=W(1+v),Wx(1)=W(u),Wx(2)=W(1–u),Wx(3)=W(2-u)
Wy(0)=W(1+v),Wy(1)=W(v),Wy(2)=W(1–v),Wy(3)=W(2-v)
通过上述插值方法求出放大后的第三图片中各个位置的像素值后,在放大后的第三图片上随机切割出一系列大小为33×33的图像块作为训练数据送入神经网络进行训练,各个图像块的真值为第一图片上中心点与切割图像块相同的大小为21×21的图片块。损失函数采用MSE均方误差:
其中θ为conv1,conv2,conv3的参数。Yi是神经网络的输出结果,Xi为相应的真值。
本实施例中,由于整体网络结构为全卷积的神经网络,测试时直接将第三图片经过上述插值方法放大后送入神经网络即可得到超分辨率重建后的第二图片。
S30:对第二图片进行预处理得到桥梁裂缝的骨架图。
经过上述步骤对第一图片进行超分辨率重建后得到第二图片,然后再对第二图片进行相应的预处理,主要采取灰度化、滤波、锐化、阈值分割,骨架提取等手段来得到桥梁裂缝在第二图片中的位置,为下一步桥梁裂缝宽度测量打下基础。
在一个具体的实施例中,如图6所示,对第二图片进行预处理得到桥梁裂缝的骨架图的步骤包括:
S301:将第二图片转换为灰度图。
超分辨率重建后的桥梁裂缝图像为三通道的RGB彩图,在此任务中,颜色信息并无太大作用,三个通道间信息冗余度较高,对后续算法处理速度会有影响。因此,先将第二图片转化为灰度图方便后续处理。可采用下列公式将RGB彩图转为灰度图:
I(i,j)=0.3*R(i,j)+0.59*G(i,j)+0.11*B(i,j)
其中,I(i,j)为灰度图中第i行,第j列的像素值,R(i,j),G(i,j),B(i,j)为原彩色图中对应位置的红绿蓝亮度值。
S302:对灰度图进行滤波处理得到第四图片。
第一图片由无人机从桥下拍摄得到,由于光照条件及周围环境等因素的影响,第一图片中一般含有较多的噪声,经过超分辨率重建后的第二图片也会引入一部分的噪声。因此,需要对灰度化后的灰度图进行去噪处理。由于噪声一般多为Gausse噪声,此步骤采用Gausse滤波对图像进行去噪。Gausse滤波采用Gausse模板对图像进行卷积操作,其卷积核采用如图7所示的卷积核。通过对灰度图进行滤波处理得到第四图片。
S303:对第四图片进行锐化处理得到第五图片。
经过上述滤波操作后,在滤除噪声的同时,图像裂缝的边缘等也会被相应的模糊,因此,需要对滤波后的图像进行进一步的锐化操作,以增强裂缝边缘特性,方便后续测量。这里采用拉普拉斯算子对图像进行锐化操作。拉普拉斯算子是一个二阶微分算子,定义如下所示:
在x方向上:
在y方向上:
结合起来就是:
根据上述表达式可确定拉普拉斯模板如图8所示。用该模板与第四图片进行卷积,将卷积后的结果与第四图片相加即可得到锐化后的第五图片。
S304:采用阈值分割的方法从第五图片中得到桥梁裂缝的二值图。
一般的桥梁裂缝图片中,裂缝的灰度值一般较低,呈现黑色,背景部分的灰度值较高,呈现灰白色。在去除噪声干扰获得第五图片之后,采用阈值分割的方法即可有效的将裂缝部位提取出来。即选定一个阈值,遍历图像各个像素点,当其灰度值小于阈值时,将该像素点的像素值置为0;当其灰度值大于该阈值时,将该处像素值置为1,由此生成一幅与灰度图大小相同的二值图。阈值的选取方法有多种,最简单常用的为根据经验手工选取固定值。但此方法未考虑环境光照的影响。因此,采用以下方法进行阈值选取:根据灰度图像求解其对应的灰度直方图,x为灰度级数256,y为各个灰度对应的像素数。得到灰度直方图上各个极大值点位置。选取y最大的两个极大值点作为灰度直方图的双峰。取双峰的x坐标的平均值为待求阈值。
S305:从二值图中提取出桥梁裂缝的骨架信息,以得到桥梁的骨架图。
得到桥梁裂缝的二值图后,便可以提取桥梁裂缝的骨架信息以便对桥梁裂缝各处宽度进行测量。在骨架信息提取前,由于桥梁裂缝本身的不平滑性,需要对二值图像进行形态学操作,对其先进行膨胀,后腐蚀,用以消除裂缝二值图中的细小孔洞以及将一些断裂处进行连接。形态学处理后,便可以通过骨架提取算法对裂缝骨架进行提取,具体步骤如下:
(1)将二值图像binary_src进行复制,得到一个复制图像binary_copy。
(2)对binary_copy进行第一次扫描,从左上角扫描到右下角,如碰到像素值为1的像素点,取其3×3的邻域如图9所示。
(4)如果该像素点的3×3领域满足如下条件:
1)2≤p2+p3+p4+p5+p6+p7+p8+p9≤6;
2)p2→p9的排列顺序中,01模式的数量为1;
3)p2*p4*p6=0;
4)p4*p6*p8=0。
则将该像素点标记,遍历完成之后,将所有标记点进行删除。
(4)接下来对binary_copy进行第二次扫描,同样从左上角扫描到右下角,如碰到像素值为1的像素点,同样取其3×3的邻域如上图所示,如果满足下述条件:
1)2≤p2+p3+p4+p5+p6+p7+p8+p9≤6;
2)p2→p9的排列顺序中,01模式的数量为1;
3)p2*p4*p8=0;
4)p2*p6*p8=0。
则将该像素点标记,遍历完成之后,将所有标记点进行删除。
执行完上述两次迭代,则完成一次细化。多次重复执行上述步骤,直到没有可以细化的像素,则退出迭代,得到最后的桥梁裂缝骨架图。
S40:从骨架图中测量出桥梁裂缝的宽度值。
得到裂缝的骨架图之后,再从骨架图中测量出桥梁裂缝的宽度值。在一个具体的实施例中,如图10所示,从骨架图中测量出所述桥梁裂缝的宽度值的步骤包括:
S401:从骨架图中找出骨架点。
得到裂缝的骨架图之后,遍历骨架上的每一个前景像素点,即骨架点p。
S402:根据非端点处的骨架点及非端点处的骨架点的前一个骨架点、后一个骨架点拟合二次多项式。
对每一个非端点的骨架像素点,根据其8方向链码依次寻找其前一个骨架像素点及后一个骨架像素点。以这三点拟合二次多项式y=ax2+bx+c。
S403:计算得出非端点处的骨架点在二次多项式的法线,其中,法线与桥梁裂缝的边界交点为第一边缘点和第二边缘点。
计算此二次多项式在该骨架像素点处的导数,再根据此导数计算该骨架像素点在此二次多项式的法线F的方向,即为桥裂缝的宽度方向。在裂缝的宽度方向上法线F向两边扩展,该法线F将与二值图中的桥梁裂缝的两个边界有两交点,即为第一边缘点p1和第二边缘p2,具体如图11所示。
S404:计算第一边缘点和第二边缘点的欧式距离以得到桥梁裂缝的像素单位宽度值。
第一边缘点p1和第二边缘p2的欧氏距离即为桥梁裂缝的像素单位宽度,通过上述步骤即可求得桥梁裂缝的像素单位宽度。
S405:计算第一边缘点的亚像素坐标点和第二边缘点的亚像素坐标点。
为得到更高精度的桥梁裂缝宽度值,应对第一边缘点p1和第二边缘点p2求解亚像素信息。假设p1点的像素值为a11,其3×3邻域内的像素值如图12所示。在3×3邻域内可近似认为像素为一直线,若能求得该直线的参数方程,即可得到该点的亚像素边缘信息。首先建立如图13所示的坐标系,以左下角为原点:假设直线的方程为y=kx+b。
直线y=kx+b为理想边缘,直线一边为裂缝区域,另一边为背景区域,假设裂缝区域的灰度值为A,背景区域的灰度值为B。A,B可通过直线两边附近的平均灰度求出。
令L=a00+a10+a20,M=a01+a11+a21,R=a02+a12+a22;
则有:
L=(k+2b)/2*A+(3-(k+2b)/2)*B
M=(3k+2b)/2*A+(3-(2k+3b)/2)*B
R=(5k+2b)/2*A+(3-(5k+3b)/2)*B
此方程组中k,b为待求量,此方程组由最小二乘法,即可求得k,b的值。则可得出第一边缘点p1处的亚像素信息。取此直线在(1,1)处的坐标作为p1的坐标近似,则p1在上述坐标系下的坐标为(1,1.5*k+b)。假设p1所在的图像单元格在图像的全局坐标系下坐标为(j,i),则p1点的图像全局坐标为xp1,yp1=(j-1.5k-b-1.5,i)同理可求得第二边缘点p2的亚像素坐标xp2,yp2。
S406:根据第一边缘点的亚像素坐标点和第二边缘点的亚像素坐标点计算出桥梁裂缝的高精度像素单位宽度值。
求得第二边缘点p1的亚像素坐标xp1,yp1第二边缘点p2的亚像素坐标xp2,yp2,则两点间的像素距离即可通过下列公式计算:
其中,w_xiangsu为桥梁裂缝的以像素为单位的宽度值,该桥梁裂缝的宽度值即为高精度像素单位宽度值。
本申请的桥梁裂缝宽度高精度测量方法对第一图片进行超分辨率重建得到第二图片,在节约硬件成本的基础上,提高了桥梁裂缝图片的分辨率,从而提高桥梁裂缝宽度测量的精度。且对第二图片进行预处理得到桥梁裂缝的骨架图;从骨架图中测量出桥梁裂缝的宽度值,通过对处理后的桥梁裂缝图片进行宽度测量,运用基于拟合的亚像素边缘检测算法,对处理后的桥梁裂缝图片进行宽度测量,进一步提高裂缝宽度测量的精度。
基于总的发明构思,本申请还提出了一种桥梁裂缝宽度高精度测量装置,请参阅图14,图14是本申请桥梁裂缝宽度高精度测量装置一实施例结构示意图。本实施例的桥梁裂缝宽度高精度测量装置包括以下器件:
存储器141以及处理器142,其中,存储器141以及处理器142相互连接,存储器141用于存储处理器142执行的计算机程序以及在执行计算机程序时所产生的中间数据、处理器142执行的计算机程序以及在执行该计算机程序时所产生的中间数据。处理器142执行计算机程序时,实现上述桥梁裂缝宽度高精度测量方法,在此不再赘述。
在本实施例中,处理器142还可以称为CPU(Central Processing Unit,中央处理单元)。处理器142可以是一种集成电路芯片,具有信号的处理能力。处理器142还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的的专利保护范围内。
Claims (10)
1.一种桥梁裂缝宽度高精度测量方法,其特征在于,所述测量方法包括:
获取含有所述桥梁裂缝的第一图片;
对所述第一图片进行超分辨率重建得到第二图片;
对所述第二图片进行预处理得到所述桥梁裂缝的骨架图;
从所述骨架图中测量出所述桥梁裂缝的宽度值。
2.根据权利要求1所述的测量方法,其特征在于,所述对所述第一图片进行超分辨率重建得到第二图片的步骤包括:
降低所述第一图片的分辨率,得到第三图片;
使用第一图片和所述第三图片作为数据集训练卷积神经网络得到所述第二图片。
3.根据权利要求2所述的测量方法,其特征在于,所述对所述第二图片进行预处理得到所述桥梁裂缝的骨架图的步骤包括:
将所述第二图片转换为灰度图;
对所述灰度图进行滤波处理得到第四图片;
对所述第四图片进行锐化处理得到第五图片;
采用阈值分割的方法从所述第五图片中得到所述桥梁裂缝的二值图;
从所述二值图中提取出所述桥梁裂缝的骨架信息,以得到所述桥梁裂缝的所述骨架图。
4.根据权利要求3所述的测量方法,其特征在于,所述从所述骨架图中测量出所述桥梁裂缝的宽度值的步骤包括:
从所述骨架图中找出骨架点;
根据非端点处的所述骨架点及非端点处的所述骨架点的前一个所述骨架点、后一个所述骨架点拟合二次多项式;
计算得出所述非端点处的骨架点在所述二次多项式的法线,其中,所述法线与所述桥梁裂缝的边界交点为第一边缘点和第二边缘点;
计算所述第一边缘点和所述第二边缘点的欧式距离以得到所述桥梁裂缝的像素单位宽度值。
5.根据权利要求4所述的测量方法,其特征在于,所述测量方法还包括:
计算所述第一边缘点的亚像素坐标点和所述第二边缘点的亚像素坐标点;
根据所述第一边缘点的亚像素坐标点和所述第二边缘点的亚像素坐标点计算出所述桥梁裂缝的高精度像素单位宽度值。
6.根据权利要求2所述的测量方法,其特征在于,所述使用第一图片和所述第三图片作为数据集训练卷积神经网络得到所述第二图片的步骤包括:
将所述第三图片采用插值法放大得到放大后的第三图片,其中,所述放大后的第三图片的大小和所述第一图片的大小相同;
将所述放大后的第三图片送入所述卷积神经网络得到所述第二图片。
7.根据权利要求6所述的测量方法,其特征在于,所述将所述放大后的第三图片送入所述卷积神经网络得到所述第二图片步骤包括:
根据所述第三图片的像素值,采用插值算法求出所述放大后的第三图片的像素值。
8.根据权利要求3所述的测量方法,其特征在于,所述将所述第二图片转换为灰度图的步骤包括:
采用公式(1)将所述第二图片转换成所述灰度图,所述公式(1)为:I(i,j)=0.3*R(i,j)+0.59*G(i,j)+0.11*B(i,j);
其中,I(i,j)为所述灰度图中第i行,第j列的像素值,R(i,j)、G(i,j)、B(i,j)为所述第二图片中对应位置的红绿蓝亮度值。
9.根据权利要求1所述的测量方法,其特征在于,所述获取含有所述桥梁裂缝的第一图片的步骤包括:
从无人机或者爬壁机器人中获取含有所述桥梁裂缝的所述第一图片。
10.一种桥梁裂缝宽度高精度测量装置,所述测量装置包括存储器和处理器,所述存储器连接所述处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910620069.7A CN110533713A (zh) | 2019-07-10 | 2019-07-10 | 桥梁裂缝宽度高精度测量方法及测量装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910620069.7A CN110533713A (zh) | 2019-07-10 | 2019-07-10 | 桥梁裂缝宽度高精度测量方法及测量装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533713A true CN110533713A (zh) | 2019-12-03 |
Family
ID=68659580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910620069.7A Pending CN110533713A (zh) | 2019-07-10 | 2019-07-10 | 桥梁裂缝宽度高精度测量方法及测量装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533713A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114387405A (zh) * | 2022-03-23 | 2022-04-22 | 武汉珈鹰智能科技有限公司 | 基于机器视觉的微小特征跨数量级快速定位方法和装置 |
CN115761613A (zh) * | 2022-08-10 | 2023-03-07 | 中铁隧道局集团有限公司 | 一种基于卷积网络的隧道裂缝自动检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346013A (zh) * | 2010-07-29 | 2012-02-08 | 同济大学 | 一种隧道衬砌裂缝宽度的测量方法及装置 |
CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
US20180300867A1 (en) * | 2016-01-15 | 2018-10-18 | Fujifilm Corporation | Measurement support apparatus and measurement support method |
CN109580657A (zh) * | 2019-01-23 | 2019-04-05 | 郑州工程技术学院 | 一种桥梁质量检测中的裂缝检测方法 |
-
2019
- 2019-07-10 CN CN201910620069.7A patent/CN110533713A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346013A (zh) * | 2010-07-29 | 2012-02-08 | 同济大学 | 一种隧道衬砌裂缝宽度的测量方法及装置 |
US20180300867A1 (en) * | 2016-01-15 | 2018-10-18 | Fujifilm Corporation | Measurement support apparatus and measurement support method |
CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
CN109580657A (zh) * | 2019-01-23 | 2019-04-05 | 郑州工程技术学院 | 一种桥梁质量检测中的裂缝检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114387405A (zh) * | 2022-03-23 | 2022-04-22 | 武汉珈鹰智能科技有限公司 | 基于机器视觉的微小特征跨数量级快速定位方法和装置 |
CN114387405B (zh) * | 2022-03-23 | 2022-06-28 | 武汉珈鹰智能科技有限公司 | 基于机器视觉的微小特征跨数量级快速定位方法和装置 |
CN115761613A (zh) * | 2022-08-10 | 2023-03-07 | 中铁隧道局集团有限公司 | 一种基于卷积网络的隧道裂缝自动检测方法 |
CN115761613B (zh) * | 2022-08-10 | 2023-09-01 | 中铁隧道局集团有限公司 | 一种基于卷积网络的隧道裂缝自动检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN104574421B (zh) | 一种大幅面小重合区域高精度多光谱图像配准方法及装置 | |
CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN110533713A (zh) | 桥梁裂缝宽度高精度测量方法及测量装置 | |
US20080232715A1 (en) | Image processing apparatus | |
CN105678757B (zh) | 一种物体位移测量方法 | |
CN106934795A (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
CN102509304A (zh) | 基于智能优化的摄像机标定方法 | |
CN107844785A (zh) | 一种基于尺度估计的人脸检测方法 | |
CN113052109A (zh) | 一种3d目标检测系统及其3d目标检测方法 | |
CN106530271A (zh) | 一种红外图像显著性检测方法 | |
CN109360144B (zh) | 一种基于手机平台的图像实时校正改进方法 | |
CN103743750B (zh) | 一种大口径光学元件表面损伤分布图的生成方法 | |
Yang et al. | Prior knowledge guided small object detection on high-resolution images | |
CN108460333B (zh) | 基于深度图的地面检测方法及装置 | |
CN111445513A (zh) | 基于深度图像的植株冠层体积获取方法、装置、计算机设备和存储介质 | |
CN111062924A (zh) | 图像处理方法、装置、终端和存储介质 | |
CN113298755B (zh) | 基于时序影像的生态环境变化斑块快速检测方法和装置 | |
CN106447655B (zh) | 一种光滑物件表面异色及轻微凹陷的检测方法 | |
CN112164118B (zh) | 一种地理图像处理系统及方法 | |
JP2005241886A (ja) | 地理画像間変化領域の抽出方法、地理画像間変化領域を抽出可能なプログラム、閉領域抽出方法及び閉領域抽出可能なプログラム | |
CN113361532B (zh) | 一种图像识别方法、系统、存储介质、设备、终端及应用 | |
CN107220651A (zh) | 一种提取图像特征的方法及装置 | |
KR102279177B1 (ko) | 서브픽셀 라인위치 결정 장치 및 방법 |
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 |