CN110765887A - 隧道衬砌裂纹自动识别技术及检测方法 - Google Patents
隧道衬砌裂纹自动识别技术及检测方法 Download PDFInfo
- Publication number
- CN110765887A CN110765887A CN201910933457.0A CN201910933457A CN110765887A CN 110765887 A CN110765887 A CN 110765887A CN 201910933457 A CN201910933457 A CN 201910933457A CN 110765887 A CN110765887 A CN 110765887A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- cracks
- identification technology
- automatic identification
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000005516 engineering process Methods 0.000 title claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000005286 illumination Methods 0.000 claims abstract description 11
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 11
- 230000001629 suppression Effects 0.000 abstract description 4
- 238000003708 edge detection Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及衬砌隧道技术领域,尤其涉及一种隧道衬砌裂纹自动识别技术及检测方法。该方法首先将采集到的隧道表面图像进行灰度化,然后对灰度图像进行灰度转换、滤波处理及形态学处理;再通过灰度校正及裂纹显著性处理;最后使用sobel变换进行裂缝图像边缘的检测,并进行裂纹宽度的计算。本发明的优点是:有效去除光照不均、污点等噪声干扰,实现裂纹图像增强与干扰抑制。
Description
技术领域
本发明涉及衬砌隧道技术领域,尤其涉及一种隧道衬砌裂纹自动识别技术及检测方法。
背景技术
自然条件下采集的隧道表面图像中含有多种噪声干扰,给后期的识别和检测结果的精准带来很大的困惑。
发明内容
本发明的目的是根据上述现有技术的不足,提供了一种隧道衬砌裂纹自动识别技术及检测方法,该方法首先将采集到的隧道表面图像进行灰度化, 然后对灰度图像进行灰度转换、滤波处理及形态学处理,有效去除光照不均、污点等噪声干扰。
本发明目的实现由以下技术方案完成:
一种隧道衬砌裂纹自动识别技术及检测方法,其特征在于,该方法首先将采集到的隧道表面图像进行灰度化, 然后对灰度图像进行灰度转换、滤波处理及形态学处理;再通过灰度校正及裂纹显著性处理;最后使用sobel变换进行裂缝图像边缘的检测,并进行裂纹宽度的计算。
所述灰度转换是根据隧道表面图像中裂缝像素的灰度值低于背景像素灰度值的特征,采用低帽变换对灰度图像进行处理,结合裂缝呈线性的特征使用自定义的3×3矩形结构元素,对图像先进行闭操作,然后与原图像作差,来去除不均匀光照的干扰。
本发明的优点是:有效去除光照不均、污点等噪声干扰,实现裂纹图像增强与干扰抑制。
具体实施方式
以下通过实施例对本发明特征及其它相关特征作进一步详细说明,以便于同行业技术人员的理解:
本实施例涉及的一种隧道衬砌裂纹自动识别技术及检测方法的检测流程包括下列步骤:
本实施例进行隧道表面裂纹的检测,首先将采集到的隧道表面图像进行灰度化, 然后对灰度图像进行灰度转换、滤波处理及形态学处理, 主要目的是去除光照不均、污点等噪声干扰;再通过灰度校正及裂纹显著性处理实现裂纹图像增强与干扰抑制;最后使用sobel变换进行裂缝图像边缘的检测,并进行裂纹宽度的计算。
1.图像预处理
(1)图像灰度转换
裂缝图像灰度转换可提高图像的质量,增强图像的灰度级。常用的灰度转换方法有线性转换和直方图转换,本实施例采用下式进行线性转换。
式中g(x)为转换后的灰度像素值;Tmin和Tmax分别为图像中最小和最大灰度值。
实验发现,线性转换较好地保留了隧道表面裂缝的细节,进一步拉开了裂缝与背景的灰度值差,有利于后续图像处理和裂缝识别。而直方图转换使整个图像灰度分布更加均匀化,但加深了图像裂缝区域的灰度值和裂缝宽度,可能会导致计算出的裂缝宽度值与实际值的误差较大。因而,线性灰度转换能更好地处理隧道表面裂缝图像。
(2)图像滤波去噪
图像滤波一方面要有效滤除裂缝图像中的噪声,另一方面要有效保护裂缝信息,尽量减少滤波过程中对裂缝边缘的模糊,以便于后续的裂缝边缘检测。
常用的图像滤波算法有平滑滤波、中值滤波和均值滤波。本实施例通过大量裂缝图像滤波实验,对平滑滤波进行了改进,研究了中值与均值结合的滤波方法。
改进的平滑滤波将灰度图像中某像素点自身的灰度值提高至4倍,相邻的上下左右4个像素点的灰度值提高至2倍,对角线上相邻的4个像素点的灰度值不变,然后将9个像素的灰度值相加,除以16作为该像素点新的灰度值。该方法采用矩阵的形式表示为:
中间的黑点表示桥梁裂缝图像中某个滤波的像素点。
(3)灰度图像形态学处理
高帽变换和低帽变换是数学形态学重要的算法形式, 高帽(top-hat)变换是原图像与原图像开操作结果图像之差, 低帽(bottom-hat)变换是原图像闭操作结果图像与原图像之差。高、低帽变换的一个重要作用是校正不均匀光照的影响,低帽变换适用于亮背景上的暗物体,而高帽变换则用于相反的情况。
设f是输入图像,b是结构元素,高、低帽变换分别如下式所示:
根据隧道表面图像中裂缝像素的灰度值低于背景像素灰度值的特征,本实施例采用低帽变换对灰度图像进行处理。结合裂缝呈线性的特征使用自定义的3×3矩形结构元素,对图像先进行闭操作,然后与原图像作差,来去除不均匀光照的干扰。
2.裂纹图像增强与干扰抑制
(1)灰度校正
人类视觉能迅速发现复杂环境下的隧道表面裂缝,是由于存于人脑中先验的裂缝概念,即裂缝的视觉显著特征。观察大量隧道表面裂缝图像,有如下规律:
1) 裂缝具有线性稀疏性,裂缝是不规则延展却具有一定方向性的线性目标,即使由于光照角度,裂缝中间出现了断裂,其线性增长方向局部一致。无论是空间上所占图像面积比例还是灰度级所占比例,即使是严重的网状裂缝,也不超过 30% 。
2) 裂缝中心的灰度是局部最小值,即使对于图像较暗区域,也比背景略黑。因此,应根据亮度变化赋予各区域不同的校正权值。
3) 局部小窗口范围内可认为图像光照近似均匀。
据此,校正过程如下:
将路面图像I划分为L×L的小块I r 。分别统计各小块中各灰度级k的像素个数N r ,k,计算满足下式的灰度级:
N r 表示该小块中所有像素个数。w r 为第r个小块的权重,由裂缝稀疏性和不同小块的明暗程度决定,即:
式中,g r 、g avg 、g min分别为第r个小块的灰度平均值、所有分块的灰度均值以及最小的分块灰度均值。w s 表示标准的光照均匀的小块中裂缝所占比重,经大量实验统计,设为经验值0. 3。
对块内每个像素I r ( x,y)按照下式进行灰度校正:
式中,M、N为图像长宽,I( x,y) 为点( i,j) 处灰度值,l r 为区分预设裂缝目标与背景的阈值。
校正图像很大程度上消除了带状条纹、隧道表面颗粒随机纹理形成的白噪声干扰。
光照不均使得较亮分块中目标与背景区分明显,而较暗分块对比度降低。全局角度而言,亮块中的裂缝灰度值可能与暗块中背景灰度值非常接近,造成整体目标区域的灰度混淆。按上式取图像灰度均值归一化背景,增大了全局范围内目标与背景的可区分性,同时也增强了较暗分块的对比度; 而较亮分块由于原先对比度较大,其削弱影响并不明显。由对比可知,校正后裂缝与隧道表面背景的灰度整体可区分性增强,光照影响降低。
(2)裂缝显著性增强
隧道表面较暗纹理颗粒、黑色块斑等混杂于预设目标中,采用线性几何特征滤除,会面临灰度阈值和线性特征阈值的选取问题,且易造成裂缝断续,转而计算显著值。
由局部分块中裂缝灰度稀疏性知,校正时取每块灰度较暗的前lr级像素为预设目标区域,而实际大多数分块中并不存在裂缝,是伪裂缝,造成预设目标平均灰度变大。
计算各分块r 前lr灰度级直方图Hr ,lr由上式确定,求所有分块的平均直方图
大于平均区分阈值的点,可认为是伪裂缝,在平均直方图中取值为 0,显著值也为 0。而裂缝在其中依旧稀疏,其灰度与平均灰度 Iavg距离大,裂缝局部显著性 Sl ( x,y) 定义为
从全局频域角度考虑裂缝特征,其边缘处是一种较高频高幅值信号,而路面背景随机纹理是一种高频但幅值较低的信号,且其频率比裂缝边缘更高,FT 方法在去除高频噪声的同时,很好地保留目标区域的边缘显著性,且突出裂缝整体在全局的对比度。
对灰度校正后的图像高斯模糊,得到 Ig ; 计算图像的灰度均值Iμ;将Ig中每个像素点与 Iμ的灰度级的欧氏距离作为该点全局显著值 Sg ( x,y) 。
高斯模糊核函数标准差σ反映像素分布密度的散布特征,较小时表征像素影响值集中于分布中心,较大时,中心像素影响减弱,周围像素影响增强;其值越大,图像越模糊。裂缝线性狭长,集中于宽约2 ~ 5 像素区域内,而离散噪声多为单像素点。经大量实验,σ取值为 1,过大则裂缝边缘模糊,显著值定位不准确; 过小则与噪声区分性降低。距中心 3σ以外的像素点可认为不起作用,且考虑裂缝宽度,邻域大小设为 3 × 3。
综合局部、全局显著性,分别取Sl和Sg中大于各自平均显著值的点,计算裂缝最终显著值,即:
3. 裂缝图像边缘检测
对于低分辨率的图像,图像滤波后仍然存在局部区域的灰度值接近裂缝区域。二值化能将裂缝区域和背景区域分别出来,可有效提高低分辨率图像裂缝边缘检测和识别的准确度。
裂缝灰度图像中,裂缝区域较暗,灰度值较低;非裂缝区域通常较亮,灰度值较高。灰度值差异是图像裂缝识别技术的重要基础,也就是在裂缝边缘处图像的灰度值会发生跳变,形成图像边缘。边缘检测算法可识别出图像中的裂缝,用于后续的裂缝计算。
图像边缘检测直接影响着裂缝识别效果和后续的计算精度,本实施例对Robert算子、Sobel算子、Pre-witt算子、G_Laplacian算子、Canny算子进行了验证。
根据实验结果,本实施例边缘检测采用了Sobel算子,它是典型的基于一阶导数的边缘检测算子,结合了高斯平滑和微分求导,可以提供较为精确的边缘方向信息。
Claims (2)
1.一种隧道衬砌裂纹自动识别技术及检测方法,其特征在于:一种隧道衬砌裂纹自动识别技术及检测方法,其特征在于,该方法首先将采集到的隧道表面图像进行灰度化, 然后对灰度图像进行灰度转换、滤波处理及形态学处理;再通过灰度校正及裂纹显著性处理;最后使用sobel变换进行裂缝图像边缘的检测,并进行裂纹宽度的计算。
2.根据权利要求1所述的一种隧道衬砌裂纹自动识别技术及检测方法,其特征在于:所述灰度转换是根据隧道表面图像中裂缝像素的灰度值低于背景像素灰度值的特征,采用低帽变换对灰度图像进行处理,结合裂缝呈线性的特征使用自定义的3×3矩形结构元素,对图像先进行闭操作,然后与原图像作差,来去除不均匀光照的干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910933457.0A CN110765887A (zh) | 2019-09-29 | 2019-09-29 | 隧道衬砌裂纹自动识别技术及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910933457.0A CN110765887A (zh) | 2019-09-29 | 2019-09-29 | 隧道衬砌裂纹自动识别技术及检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110765887A true CN110765887A (zh) | 2020-02-07 |
Family
ID=69329055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910933457.0A Pending CN110765887A (zh) | 2019-09-29 | 2019-09-29 | 隧道衬砌裂纹自动识别技术及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765887A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115326809A (zh) * | 2022-08-02 | 2022-11-11 | 山西省智慧交通研究院有限公司 | 一种隧道衬砌表观裂纹检测方法及检测装置 |
CN117079144A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种非均匀光照下沥青路面检测图像线性裂缝提取方法 |
CN117934322A (zh) * | 2024-03-22 | 2024-04-26 | 陕西惠延机械有限公司 | 一种隧道衬砌台车安全施工监控方法 |
-
2019
- 2019-09-29 CN CN201910933457.0A patent/CN110765887A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115326809A (zh) * | 2022-08-02 | 2022-11-11 | 山西省智慧交通研究院有限公司 | 一种隧道衬砌表观裂纹检测方法及检测装置 |
CN117079144A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种非均匀光照下沥青路面检测图像线性裂缝提取方法 |
CN117079144B (zh) * | 2023-10-17 | 2023-12-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种非均匀光照下沥青路面检测图像线性裂缝提取方法 |
CN117934322A (zh) * | 2024-03-22 | 2024-04-26 | 陕西惠延机械有限公司 | 一种隧道衬砌台车安全施工监控方法 |
CN117934322B (zh) * | 2024-03-22 | 2024-06-04 | 陕西惠延机械有限公司 | 一种隧道衬砌台车安全施工监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145161B (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN107230202B (zh) | 路面病害图像的自动识别方法和系统 | |
CN113436168B (zh) | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN110765887A (zh) | 隧道衬砌裂纹自动识别技术及检测方法 | |
CN109584240B (zh) | 滑坡后缘裂缝位移图像识别方法 | |
CN115049835A (zh) | 基于压铸模具缺陷识别的数据预处理方法 | |
CN108376403B (zh) | 基于霍夫圆变换的网格菌落图像分割方法 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN104063866B (zh) | 一种矿石传送过程中的粒度检测方法 | |
CN109118466B (zh) | 一种红外图像与可见光图像融合的处理方法 | |
CN107230208B (zh) | 一种高斯噪声的图像噪声强度估计方法 | |
CN109544583B (zh) | 一种提取皮革图像感兴趣区域的方法、装置及设备 | |
CN109540917B (zh) | 一种多角度模式下纱线外观特征参数提取与分析方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN109410205B (zh) | 一种复杂路面背景下的裂缝提取方法 | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN115409742B (zh) | 一种基于园林绿化的植被覆盖密度评估方法 | |
CN113221861B (zh) | 一种多车道线检测方法、装置及检测设备 | |
CN113034452A (zh) | 一种焊件轮廓检测方法 | |
CN112200742A (zh) | 一种应用于边缘检测的滤波去噪方法 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200207 |
|
WD01 | Invention patent application deemed withdrawn after publication |