CN110555373A - 一种基于图像识别的混凝土振捣质量实时检测方法 - Google Patents
一种基于图像识别的混凝土振捣质量实时检测方法 Download PDFInfo
- Publication number
- CN110555373A CN110555373A CN201910669067.7A CN201910669067A CN110555373A CN 110555373 A CN110555373 A CN 110555373A CN 201910669067 A CN201910669067 A CN 201910669067A CN 110555373 A CN110555373 A CN 110555373A
- Authority
- CN
- China
- Prior art keywords
- image
- concrete
- vibration
- vibrating rod
- real
- 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 28
- 238000011897 real-time detection Methods 0.000 title claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000009471 action Effects 0.000 claims abstract description 4
- 238000005286 illumination Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 240000007651 Rubus glaucus Species 0.000 description 2
- 235000011034 Rubus glaucus Nutrition 0.000 description 2
- 235000009122 Rubus idaeus Nutrition 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于图像识别的混凝土振捣质量实时检测方法,采集混凝土浇筑区域的图像数据;对采集到的图像进行预处理;提取图像中的特征信息,识别出振捣棒和混凝土;根据混凝土表面的状态判断振捣质量。本发明是一种能够代替传统人工操作混凝土浇筑施工的方法。本发明通过采集图像和计算处理来对混凝土的振捣质量进行实时检测;能够准确计算出振捣棒的有效作用范围;能够准确判断混凝土振捣质量,提高了施工效率,确保了施工质量。
Description
技术领域
本发明涉及混凝土浇筑施工领域,采用目前比较成熟的树莓派开发板以及图像识别技术来采集和分析混凝土浇筑区域的图像数据,具体涉及一种基于图像识别的混凝土振捣质量实时检测方法。
背景技术
随着国家经济实力的不断提高,建筑行业也随之得到推动和发展。混凝土是任何一项建筑工程中所不可或缺的原料之一,在混凝土施工工程,特别是大型工程中的大体积混凝土施工工程明显增加,施工进度明显加快,并且建筑工程管理质量逐渐提高,对混凝土的施工质量要求也越来越严格。
目前国内大多数的混凝土浇筑振捣过程主要是依靠工人的经验,无法精确控制施工的质量,导致人工劳动强度大、生产效率低、质量不可控。在整个过程中,尤其是在大面积的混凝土浇筑时,会产生较大的施工误差,需要后期借助工具进行调整,而振捣环节如果产生较大的偏差,则会给混凝土造成缺陷。因此,目前迫切一种新的智能化的混凝土振捣质量检测方法。
发明内容
为了解决上述现有的问题,本发明提供了一种基于图像识别的混凝土振捣质量实时检测方法,其识别准确,效率高,通过摄像头采集混凝土浇筑区域的图像数据,再利用图像识别技术对采集到的图像数据进行处理分析,提取图像中的特征信息,识别出振捣棒和混凝土,根据混凝土表面的状态判断振捣质量。
本发明解决其技术问题所采用的技术方案是:
一种基于图像识别的混凝土振捣质量实时检测方法,包括以下步骤:
步骤1:摄像头采集混凝土浇筑区域的图像数据,并记录振捣的时间;
步骤2:针对所采集到的图像,先对其进行预处理,包括光照补偿、图像灰度化和图像滤波增强;
步骤3:接着对步骤2中的预处理图像进行目标识别,通过提取图像中的特征信息,识别出钢筋、混凝土以及振捣棒;步骤4:根据步骤3所识别出的振捣棒的位置,采集振捣棒有效范围内的混凝土表面的状态图像;
步骤5:针对步骤4所采集到的图像,重复步骤2的图像预处理,通过图像分割算法,将平整状态的混凝土表面勾画出来,直到勾画的区域与有效振捣范围相当时,提示可结束该区域的振捣;
步骤6:浇筑混凝土过程中,振捣棒需要移动到不同的地点进行振捣,检测器也需要同时移动到相应的地点进行实时检测;
步骤7:重复步骤1~步骤6,直到整个区域都振捣完成。
进一步,所述步骤2中,光照补偿是基于HSV色彩空间的同态滤波算法,在同态滤波器的设计上,选择巴特沃茨同态滤波器,滤波器的函数为:
其中(u,v)为频域中点的坐标,γH和γL分别为高频增益和低频增益,n为滤波器的阶数,D0为截至频率,D(u,v)为频域点到像素原点的距离,c控制滤波器函数斜面的锐化,介于γH和γL,令γH>1,γL<1。
所述步骤3中,提取图像特征是通过提取图像中的颜色特征以及轮廓特征,通过基于级联分类器的目标识别算法识别并定位振捣棒。
所述步骤4中,利用步骤3识别定位振捣棒,并根据振捣棒的有效作用范围,采集该振捣区域的混凝土表面的状态图像。
更进一步,所述步骤5中,图像分割算法采用了最大类间方差法,在图像的灰度直方图中,设图像的灰度级有L个,灰度级为i的像素点的个数用ni表示,则有:
灰度级为i的像素点出现的概率Pi为:
根据最大类间方差法的原理,阈值T把图像分割成了C1和C2两部分,对应的灰度范围分别为[0,T]和[T,L-1],则两个部分的概率w1,w2和灰度平均值u1,u2分别表示为:
整个图像的平均值u表示为:
则整个图像的类间方差为:
g=w1·(u1-u)2+w2·(u2-u)2
当g最大时的灰度值把图像分成了目标和背景两个部分。
本发明的有益效果是:
1.采用基于Raspbian操作系统的树莓派开发板作为检测模块的核心部件,结合数字图像处理识别技术,能够准确控制混凝土施工质量;
2.本发明不需要复杂的设定操作、不需要购买其他传感器设备等,简单可靠,在混凝土浇筑施工等领域具有一定的应用价值;
3.本发明把数字图像处理识别技术应用到了混凝土浇筑施工方面,为工程施工提供了一个新的研究思路;
4.本发明不需要复杂的算法程序,运行速度快。
附图说明
图1是混凝土振捣质量检测模块流程框图;
图2是光照补偿流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
参照图1和图2,一种基于图像识别的混凝土振捣质量实时检测方法,包括以下步骤:
步骤1:摄像头采集混凝土浇筑区域的图像数据,并记录振捣的时间;
步骤2:针对所采集到的图像,先对其进行预处理,主要包括光照补偿、图像灰度化、图像滤波增强;
所述光照补偿是基于HSV色彩空间的同态滤波算法,在同态滤波器的设计上,选择巴特沃茨同态滤波器,滤波器的函数为:
其中(u,v)为频域中点的坐标,γH和γL分别为高频增益和低频增益,n为滤波器的阶数,D0为截至频率,D(u,v)为频域点到像素原点的距离,c控制滤波器函数斜面的锐化,介于γH和γL,令γH>1,γL<1;
步骤3:接着对步骤2中的预处理图像进行目标识别,通过提取图像中的特征信息,识别出钢筋、混凝土以及振捣棒;
所述提取图像特征是通过提取图像中的颜色特征以及轮廓特征,通过基于级联分类器的目标识别算法识别并定位振捣棒;
步骤4:根据步骤3所识别出的振捣棒的位置,采集振捣棒有效范围内的混凝土表面的状态图像;
步骤5:针对步骤4所采集到的图像,重复步骤2的图像预处理,通过图像分割算法,将平整状态的混凝土表面勾画出来,直到勾画的区域与有效振捣范围相当时,提示可结束该区域的振捣;
步骤6:浇筑混凝土过程中,振捣棒需要移动到不同的地点进行振捣,检测器也需要同时移动到相应的地点进行实时检测;
步骤7:重复步骤1~步骤6,直到整个区域都振捣完成。
进一步,所述步骤4中,利用步骤3识别定位振捣棒,并根据振捣棒的有效作用范围,采集该振捣区域的混凝土表面的状态图像;
更进一步,所述步骤5中,图像分割算法采用了最大类间方差法,在图像的灰度直方图中,设图像的灰度级有L个,灰度级为i的像素点的个数用ni表示,则有:
灰度级为i的像素点出现的概率Pi为:
根据最大类间方差法的原理,阈值T把图像分割成了C1和C2两部分,对应的灰度范围分别为[0,T]和[T,L-1],则两个部分的概率w1,w2和灰度平均值u1,u2分别表示为:
整个图像的平均值u表示为:
则整个图像的类间方差为:
g=w1·(u1-u)2+w2·(u2-u)2
当g最大时的灰度值把图像分成了目标和背景两个部分。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明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,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于图像识别的混凝土振捣质量实时检测方法,其特征在于,该方法包括如下步骤:
步骤1:摄像头采集混凝土浇筑区域的图像数据,并记录振捣的时间;
步骤2:针对所采集到的图像,先对其进行预处理,包括光照补偿、图像灰度化、图像滤波增强;
步骤3:接着对步骤2中的预处理图像进行目标识别,通过提取图像中的特征信息,识别出钢筋、混凝土以及振捣棒;
步骤4:根据步骤3所识别出的振捣棒的位置,采集振捣棒有效范围内的混凝土表面的状态图像;
步骤5:针对步骤4所采集到的图像,重复步骤2的图像预处理,通过图像分割算法,将平整状态的混凝土表面勾画出来,直到勾画的区域与有效振捣范围相当时,提示可结束该区域的振捣;
步骤6:浇筑混凝土过程中,振捣棒需要移动到不同的地点进行振捣,检测器也需要同时移动到相应的地点进行实时检测;
步骤7:重复步骤1~步骤6,直到整个区域都振捣完成。
2.如权利要求1所述的基于图像识别的混凝土振捣质量实时检测方法,其特征在于,所述步骤2中,光照补偿是基于HSV色彩空间的同态滤波算法,在同态滤波器的设计上,选择巴特沃茨同态滤波器,滤波器的函数为:
其中(u,v)为频域中点的坐标,γH和γL分别为高频增益和低频增益,n为滤波器的阶数,D0为截至频率,D(u,v)为频域点到像素原点的距离,c控制滤波器函数斜面的锐化,介于γH和γL,令γH>1,γL<1。
3.如权利要求1或2所述的基于图像识别的混凝土振捣质量实时检测方法,其特征在于,所述步骤3中,提取图像特征是通过提取图像中的颜色特征以及轮廓特征,通过基于级联分类器的目标识别算法识别并定位振捣棒。
4.如权利要求1或2所述的基于图像识别的混凝土振捣质量实时检测方法,其特征在于,所述步骤4中,利用步骤3识别定位振捣棒,并根据振捣棒的有效作用范围,采集该振捣区域的混凝土表面的状态图像。
5.如权利要求1或2所述的基于图像识别的混凝土振捣质量实时检测方法,其特征在于,所述步骤5中,图像分割算法采用了最大类间方差法,在图像的灰度直方图中,设图像的灰度级有L个,灰度级为i的像素点的个数用ni表示,则有:
灰度级为i的像素点出现的概率Pi为:
根据最大类间方差法的原理,阈值T把图像分割成了C1和C2两部分,对应的灰度范围分别为[0,T]和[T,L-1],则两个部分的概率w1,w2和灰度平均值u1,u2分别表示为:
整个图像的平均值u表示为:
则整个图像的类间方差为:
g=w1·(u1-u)2+w2·(u2-u)2
当g最大时的灰度值把图像分成了目标和背景两个部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910669067.7A CN110555373A (zh) | 2019-07-24 | 2019-07-24 | 一种基于图像识别的混凝土振捣质量实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910669067.7A CN110555373A (zh) | 2019-07-24 | 2019-07-24 | 一种基于图像识别的混凝土振捣质量实时检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110555373A true CN110555373A (zh) | 2019-12-10 |
Family
ID=68735789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910669067.7A Pending CN110555373A (zh) | 2019-07-24 | 2019-07-24 | 一种基于图像识别的混凝土振捣质量实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555373A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288221A (zh) * | 2020-09-22 | 2021-01-29 | 广东博智林机器人有限公司 | 振捣质量检测方法、系统、装置以及电子设备 |
CN114648637A (zh) * | 2022-03-28 | 2022-06-21 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土自动振捣方法及系统 |
CN115393342A (zh) * | 2022-09-14 | 2022-11-25 | 西安理工大学 | 一种基于图像处理技术的混凝土振捣点定位方法 |
CN117036655A (zh) * | 2023-08-18 | 2023-11-10 | 河北建设集团股份有限公司 | 一种建筑施工质量的图形识别数据采集系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102691401A (zh) * | 2012-06-15 | 2012-09-26 | 北京城建建设工程有限公司 | 大面积混凝土地坪的施工方法 |
CN106530318A (zh) * | 2016-08-30 | 2017-03-22 | 中交西安筑路机械有限公司 | 一种热拌沥青混凝土花白料识别检测算法 |
CN106869033A (zh) * | 2017-03-09 | 2017-06-20 | 中铁十九局集团有限公司 | 大型混凝土箱梁预应力管道压浆密实度控制方法 |
CN109468947A (zh) * | 2018-12-28 | 2019-03-15 | 山东华鉴工程检测有限公司 | 一种智能化大箱梁表观缺陷检测装置及方法 |
-
2019
- 2019-07-24 CN CN201910669067.7A patent/CN110555373A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102691401A (zh) * | 2012-06-15 | 2012-09-26 | 北京城建建设工程有限公司 | 大面积混凝土地坪的施工方法 |
CN106530318A (zh) * | 2016-08-30 | 2017-03-22 | 中交西安筑路机械有限公司 | 一种热拌沥青混凝土花白料识别检测算法 |
CN106869033A (zh) * | 2017-03-09 | 2017-06-20 | 中铁十九局集团有限公司 | 大型混凝土箱梁预应力管道压浆密实度控制方法 |
CN109468947A (zh) * | 2018-12-28 | 2019-03-15 | 山东华鉴工程检测有限公司 | 一种智能化大箱梁表观缺陷检测装置及方法 |
Non-Patent Citations (5)
Title |
---|
刘亚洁: ""基于立体视觉的混凝土振捣质量检测系统的开发"", 《中国优秀博硕士学位论文全文数据库工程科技Ⅱ辑》 * |
徐光柱等: "《实用性目标检测与跟踪算法原理即应用》", 30 April 2015 * |
朱志宇: "《流行粒子滤波算法及其在视频目标跟踪中的应用》", 31 January 2015 * |
王海超等: ""基于同态滤波和K均值聚类算法的草原植被盖度测量"", 《农机化研究》 * |
程光耀等: "《三维曲面彩色喷绘技术》", 31 May 2018 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288221A (zh) * | 2020-09-22 | 2021-01-29 | 广东博智林机器人有限公司 | 振捣质量检测方法、系统、装置以及电子设备 |
CN114648637A (zh) * | 2022-03-28 | 2022-06-21 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土自动振捣方法及系统 |
CN115393342A (zh) * | 2022-09-14 | 2022-11-25 | 西安理工大学 | 一种基于图像处理技术的混凝土振捣点定位方法 |
CN115393342B (zh) * | 2022-09-14 | 2023-08-22 | 西安理工大学 | 一种基于图像处理技术的混凝土振捣点定位方法 |
CN117036655A (zh) * | 2023-08-18 | 2023-11-10 | 河北建设集团股份有限公司 | 一种建筑施工质量的图形识别数据采集系统及方法 |
CN117036655B (zh) * | 2023-08-18 | 2024-03-05 | 河北建设集团股份有限公司 | 一种建筑施工质量的图形识别数据采集系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555373A (zh) | 一种基于图像识别的混凝土振捣质量实时检测方法 | |
CN106682665B (zh) | 一种基于计算机视觉的七段式数显仪表数字识别方法 | |
CN111179232A (zh) | 基于图像处理的钢筋尺寸检测系统及方法 | |
CN112819094A (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN114219773B (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN109271904A (zh) | 一种基于像素自适应分割和贝叶斯模型的黑烟车检测方法 | |
CN111429376A (zh) | 高低精度融合的高效数字图像处理方法 | |
CN116630321B (zh) | 基于人工智能的桥梁健康智能监测系统 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN113936291A (zh) | 一种基于机器视觉的铝模板质检、回收方法 | |
CN117710399A (zh) | 一种基于视觉的地质调查中裂缝轮廓提取方法 | |
CN113313071A (zh) | 一种道路区域识别方法及系统 | |
CN116862881A (zh) | 基于图像处理的多目标实时偏移检测方法 | |
CN108898080B (zh) | 一种基于山脊线邻域评价模型的裂缝连接方法 | |
CN114758139B (zh) | 基坑积水检测方法 | |
CN115359003A (zh) | 两步式隧道灰度图像的裂缝识别方法、系统、介质及设备 | |
CN114266748B (zh) | 一种轨交检修领域工艺板表面完整性判定的方法及装置 | |
CN113160166B (zh) | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 | |
CN104504702A (zh) | 基于方格搜索法的水泥刻槽路面裂缝识别方法 | |
CN111028258B (zh) | 一种大尺度灰度图像自适应阈值提取方法 | |
CN109325441B (zh) | 一种输电线路绝缘子对象识别方法 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191210 |