CN111127450B - 一种基于图像的桥梁裂缝检测方法及系统 - Google Patents

一种基于图像的桥梁裂缝检测方法及系统 Download PDF

Info

Publication number
CN111127450B
CN111127450B CN201911371902.5A CN201911371902A CN111127450B CN 111127450 B CN111127450 B CN 111127450B CN 201911371902 A CN201911371902 A CN 201911371902A CN 111127450 B CN111127450 B CN 111127450B
Authority
CN
China
Prior art keywords
image
module
region
noise suppression
bridge
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
Application number
CN201911371902.5A
Other languages
English (en)
Other versions
CN111127450A (zh
Inventor
冯心月
李武军
周嵩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Heguang Intelligent Manufacturing Research Institute Co ltd
Nanjing University
Original Assignee
Nanjing Heguang Intelligent Manufacturing Research Institute Co ltd
Nanjing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Heguang Intelligent Manufacturing Research Institute Co ltd, Nanjing University filed Critical Nanjing Heguang Intelligent Manufacturing Research Institute Co ltd
Priority to CN201911371902.5A priority Critical patent/CN111127450B/zh
Publication of CN111127450A publication Critical patent/CN111127450A/zh
Application granted granted Critical
Publication of CN111127450B publication Critical patent/CN111127450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T5/70—
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing

Abstract

本发明公开了一种基于图像的桥梁裂缝检测方法及系统，包括以下步骤：1）获取桥梁图像；2）对获取的桥梁图像进行预处理；3）利用形态学算子对步骤2）处理后的图像进行噪声抑制和裂缝连接；4）利用Hough直线检测算法对步骤3）处理后的图像进行噪声抑制；5）利用形状特征对步骤4）处理后的图像进行噪声抑制，得到最终的检测结果。优点：通过设计多重噪声抑制步骤，有效排除了桥梁裂缝图像中钢筋、接缝等结构以及阴影、水迹等自然因素对裂缝分割造成的干扰；同时算法速度较快，适合高分辨率图像分割。除此之外，算法检测裂缝灵敏度高，对于较细小的裂缝也有较好的检测效果。

Description

一种基于图像的桥梁裂缝检测方法及系统
技术领域
本发明涉及一种基于图像的桥梁裂缝检测方法及系统，属于计量检测领域以及图像处理技术领域。
背景技术
由于载荷过重、自然侵蚀等因素，桥梁在经过一定时间的使用后表面常会出现裂缝状破损，为了保证桥体的稳固性，需要及时对破损进行检测和分析以来判断桥体情况。目前国内常用的方法仍是采用人工进行实地测量，但此方法往往无法及时快速的评估大规模桥梁建筑情况，且检测人员的安全也无法得到很好的保障。而使用航拍获取桥体表面图像，再结合相应的图像处理算法识别图像中裂缝区域的方法，不仅极大降低了时间和人力的花费，且相比于人工检测适应性更广，因此有着良好的应用前景。
航拍得到的桥体图像原图通常为高分辨率图像，图像中包含大量的待检测裂缝，还包含钢筋、桥体接缝、阴影及水迹等可能干扰裂缝分割的结构和自然因素。但大多桥体裂缝检测方法基于的数据集，都是人工对原图进行裂缝定位、裁剪、局部放大后得到的，因此其裂缝图像尺寸较小，通常只包含裂缝区域，不受其他结构的干扰，且一般只包含1-2条裂缝，裂缝结构也比较明显。这种通过人工手段将包含裂缝区域的图像裁剪出来，再进行分割的方法，不仅耗时耗力，且一定程度上弱化了桥体裂缝分割问题的难度，导致此类方法虽然在这种数据集上表现良好，但对于包含多裂缝、噪声复杂的高分辨率桥梁裂缝图像不能达到较好的检测结果。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于图像的桥梁裂缝检测方法及系统。
为解决上述技术问题，本发明提供一种基于图像的桥梁裂缝检测方法，包括以下步骤：
1)获取桥梁图像；
2)对获取的桥梁图像进行预处理；
3)利用形态学算子对步骤2)处理后的图像进行噪声抑制和裂缝连接；
4)利用Hough直线检测算法对步骤3)处理后的图像进行噪声抑制；
5)利用形状特征对步骤4)处理后的图像进行噪声抑制，得到最终的检测结果。
进一步的，所述步骤1)中，采用无人机对桥体表面进行拍摄，采集桥体表面的彩色图像。
进一步的，所述步骤2)中预处理的过程为：将获取的桥梁图像灰度化得到灰度图G，使用直方图均衡算法自适应的增强图像G，接着将增强后的图像G转化为二值图I，并基于此二值图使用导向滤波去除图G中的噪点得到图G’，之后使用匀光运算去除G’中阴影和水迹影响，最后将G’转化为二值图I’，I’即为预处理后的图像。
进一步的，所述步骤3)中，利用形态学算子进行噪声抑制和裂缝连接的过程为：
31)使用多个方向的线型算子分别对预处理后的图像进行开运算去除噪声；
32)使用形态学重建恢复步骤31)过程中被误当做噪声去除的裂缝；
33)使用多个方向的线型算子分别对步骤32)处理后的图像进行闭运算来连接裂缝。
进一步的，所述步骤4)中，利用Hough直线检测算法，检测出步骤3)处理后的图中的直线型区域，将该区域删除。
进一步的，所述步骤5)中，将图像中不连通区域确定为{R1,R2…}，并使用下列公式定义区域Ri的形状特征：
Figure BDA0002339885400000021
其中
Figure BDA0002339885400000022
为区域Ri的面积，/>
Figure BDA0002339885400000023
为区域Ri的直径，当/>
Figure BDA0002339885400000024
小于给定阈值L时保留区域Ri，否则删去该区域，其中i＝1、2、...。
一种基于图像的桥梁裂缝检测系统，包括图像获取模块、预处理模块、噪声抑制和裂缝连接模块、第一噪声抑制模块和第二噪声抑制模块；
所述图像获取模块，用于获取桥梁图像；
所述预处理模块，用于对获取的桥梁图像进行预处理；
所述噪声抑制和裂缝连接模块，用于利用形态学算子对预处理模块处理后的图像进行噪声抑制和裂缝连接；
所述第一噪声抑制模块，用于利用Hough直线检测算法对噪声抑制和裂缝连接模块处理后的图像进行噪声抑制；
所述第二噪声抑制模块，用于利用形状特征对第一噪声抑制模块处理后的图像进行噪声抑制，得到最终的检测结果。
进一步的，所述图像获取模块，用于获取无人机对桥体表面进行拍摄的彩色图像。
进一步的，所述预处理模块包括第一转化模块和第二转化模块；
所述第一转化模块，用于将获取的桥梁图像灰度化得到灰度图像G，使用直方图均衡算法自适应的增强图像G，接着将增强后的图像G转化为二值图I；
所述第二转化模块，用于将第一转化模块转化的二值图I作为导向滤波的导向图来去除图G中的噪点得到图G’，之后使用匀光运算去除G’中阴影和水迹影响，最后将G’转化为二值图I’，I’即为预处理后的图像。
进一步的，所述噪声抑制和裂缝连接模块包括去除噪声模块、重建恢复模块和连接裂缝模块；
所述去除噪声模块，用于使用多个方向的线型算子分别对预处理后的图像进行开运算去除噪声；
所述重建恢复模块，用于使用形态学重建恢复去除噪声模块处理过程中被误当做噪声去除的裂缝；
所述连接裂缝模块，用于使用多个方向的线型算子分别对重建恢复模块处理后的图像进行闭运算来连接裂缝。
进一步的，所述第一噪声抑制模块包括Hough直线检测算法模块，用于利用Hough直线检测算法，检测出噪声抑制和裂缝连接模块处理后的图中的直线型区域，并将该区域删除。
进一步的，所述第二噪声抑制模块包括区域R定义模块和判断模块；
所述区域R定义模块，将图像中不连通区域确定为{R1,R2…}，并使用下列公式定义区域Ri的形状特征：
Figure BDA0002339885400000041
其中
Figure BDA0002339885400000042
为区域Ri的面积，/>
Figure BDA0002339885400000043
为区域Ri的直径；
所述判断模块，用于当
Figure BDA0002339885400000044
小于给定阈值L时保留区域Ri，否则删去该区域，其中i＝1、2、...。
本发明所达到的有益效果：
与现有技术相比，本发明提供的一种基于图像的桥梁裂缝检测方法，通过设计多重噪声抑制步骤，有效排除了桥梁裂缝图像中钢筋、接缝等结构以及阴影、水迹等自然因素对裂缝分割造成的干扰；同时算法速度较快，适合高分辨率图像分割。除此之外，算法检测裂缝灵敏度高，对于较细小的裂缝也有较好的检测效果。
附图说明
图1为本发明实施的裂缝检测方法的整体工作流程图；
图2a为输入的高分辨率(4480×6720)彩色桥梁表面裂缝图像；
图2b为基于图像的桥梁裂缝检测方法的分割效果图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
基于图像的桥梁裂缝检测方法，整体工作流程如图1所示。首先使用无人机航拍的方式采集分辨率为4480×6720的桥梁图像，然后将彩色的桥梁图像C进行灰度化变为图像G(步骤10)，接着利用直方图均衡算法，自动分区对图像G进行增强(步骤11)；对G进行均值滤波得到GM，使用OTSU阈值化方法作用于G-GM将其转化为二值图像I(步骤12)；之后以I作为滤波参考图，使用导向滤波对G进行去噪得到G’，参考图使得去噪的同时保留I中出现的裂缝(步骤13)；接着使用匀光运算去除G’中阴影区域和水迹(步骤14)，然后再次使用步骤12的方法将其转化为二值图I’(步骤15)。
之后构建18个直线型算子，其方向为{0°,10°,…170°}，并将其分别和图I’进行开运算，得到{I0,I10,…I170}，则去噪后的图像Id计算如下
Id(i,j)＝max{I0(i,j),I10(i,j),…I170(i,j)}
(步骤20)；对于Id，应用形态学补全算法，即以I’中区域为基准，如果Id对应位置存在灰度为1的像素点，则在Id上将该像素点补全成I’中区域(步骤21)；对于补全后的图像，再次利用上述18个直线算子，分别对图像进行闭运算，连接断续的裂缝(步骤22)。
接着使用Hough直线检测算法，定位并删去图像中存在的直线区域(步骤30)。最后计算图像中各不连通区域R的形状参数LR，LR计算方法如下：
Figure BDA0002339885400000051
其中SR为区域R的面积，dR为区域R的直径，当区域形状越接近线型，LR越小，所以当LR小于给定阈值L时保留区域R，否则删去该区域(步骤40)。最终得到的二值图像即为裂缝检测的结果，其中裂缝像素所在位置的灰度值为1，背景灰度值为0。
图2a为输入的高分辨率(4480×6720)彩色桥梁表面裂缝图像，图2b为基于图像的桥梁裂缝检测方法的分割效果图，其中背景图像为灰度化后的彩色裂缝图像，蓝色像素点代表检测出的裂缝区域。从图中可以看到本发明能较有效的排除桥梁图像中钢筋、接缝、阴影及水迹的干扰，对于小裂缝也有较好的检测结果。
相应的，本发明还提供一种基于图像的桥梁裂缝检测系统，包括图像获取模块、预处理模块、噪声抑制和裂缝连接模块、第一噪声抑制模块和第二噪声抑制模块；
所述图像获取模块，用于获取桥梁图像；
所述预处理模块，用于对获取的桥梁图像进行预处理；
所述噪声抑制和裂缝连接模块，用于利用形态学算子对预处理模块处理后的图像进行噪声抑制和裂缝连接；
所述第一噪声抑制模块，用于利用Hough直线检测算法对噪声抑制和裂缝连接模块处理后的图像进行噪声抑制；
所述第二噪声抑制模块，用于利用形状特征对第一噪声抑制模块处理后的图像进行噪声抑制，得到最终的检测结果。
所述图像获取模块，用于获取无人机对桥体表面进行拍摄的彩色图像。
所述预处理模块包括第一转化模块和第二转化模块；
所述第一转化模块，用于将获取的桥梁图像灰度化得到灰度图像G，使用直方图均衡算法自适应的增强图像G，接着将增强后的图像G转化为二值图I；
所述第二转化模块，用于将第一转化模块转化的二值图I作为导向滤波的导向图来去除图G中的噪点得到图G’，之后使用匀光运算去除G’中阴影和水迹影响，最后将G’转化为二值图I’，I’即为预处理后的图像。
所述噪声抑制和裂缝连接模块包括去除噪声模块、重建恢复模块和连接裂缝模块；
所述去除噪声模块，用于使用多个方向的线型算子分别对预处理后的图像进行开运算去除噪声；
所述重建恢复模块，用于使用形态学重建恢复去除噪声模块处理过程中被误当做噪声去除的裂缝；
所述连接裂缝模块，用于使用多个方向的线型算子分别对重建恢复模块处理后的图像进行闭运算来连接裂缝。
所述第一噪声抑制模块包括Hough直线检测算法模块，用于利用Hough直线检测算法，检测出噪声抑制和裂缝连接模块处理后的图中的直线型区域，并将该区域删除。
所述第二噪声抑制模块包括区域R定义模块和判断模块；
所述区域R定义模块，将图像中不连通区域确定为{R1,R2…}，并使用下列公式定义区域Ri的形状特征：
Figure BDA0002339885400000071
其中
Figure BDA0002339885400000072
为区域Ri的面积，/>
Figure BDA0002339885400000073
为区域Ri的直径；
所述判断模块，用于当
Figure BDA0002339885400000074
小于给定阈值L时保留区域Ri，否则删去该区域，其中i＝1、2、...。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于图像的桥梁裂缝检测方法，其特征在于，包括以下步骤：
1)获取桥梁图像；
2)对获取的桥梁图像进行预处理；
3)利用形态学算子对步骤2)处理后的图像进行噪声抑制和裂缝连接，包括：
构建18个直线型算子，其方向为{0°,10°,…170°}，并将其分别和预处理后的图像I’进行开运算，得到{I0,I10,…I170}，则去噪后的图像Id计算如下，
Id(i,j)＝max{I0(i,j),I10(i,j),…I170(i,j)}
对于Id(i,j)，以I’中区域为基准，如果Id(i,j)对应位置存在灰度为1的像素点，则在Id(i,j)上将该像素点补全成I’中区域；对于补全后的图像，再次利用上述18个直线算子，分别对图像进行闭运算，连接断续的裂缝；
4)利用Hough直线检测算法对步骤3)处理后的图像进行噪声抑制；
5)利用形状特征对步骤4)处理后的图像进行噪声抑制，得到最终的检测结果。
2.根据权利要求1所述的基于图像的桥梁裂缝检测方法，其特征在于，所述步骤1)中，采用无人机对桥体表面进行拍摄，采集桥体表面的彩色图像。
3.根据权利要求1所述的基于图像的桥梁裂缝检测方法，其特征在于，所述步骤2)中预处理的过程为：将获取的桥梁图像灰度化得到灰度图像G，使用直方图均衡算法自适应的增强灰度图像G，接着将增强后的灰度图像G转化为二值图I，并基于此二值图I使用导向滤波去除灰度图像G中的噪点得到图G’，之后使用匀光运算去除图G’中阴影和水迹影响，最后将图G’转化为二值图I’，I’即为预处理后的图像。
4.根据权利要求1所述的基于图像的桥梁裂缝检测方法，其特征在于，所述步骤4)中，利用Hough直线检测算法，检测出步骤3)处理后的图中的直线型区域，将该区域删除。
5.根据权利要求1所述的基于图像的桥梁裂缝检测方法，其特征在于，所述步骤5)中，将图像中不连通区域确定为{R1,R2…}，并使用下列公式定义区域Ri的形状特征：
Figure FDA0003987965850000021
其中
Figure FDA0003987965850000022
为区域Ri的面积，/>
Figure FDA0003987965850000023
为区域Ri的直径，当/>
Figure FDA0003987965850000024
小于给定阈值L时保留区域Ri，否则删去该区域，其中i＝1、2、...。
6.一种基于图像的桥梁裂缝检测系统，其特征在于，包括图像获取模块、预处理模块、噪声抑制和裂缝连接模块、第一噪声抑制模块和第二噪声抑制模块；
所述图像获取模块，用于获取桥梁图像；
所述预处理模块，用于对获取的桥梁图像进行预处理；
所述噪声抑制和裂缝连接模块，用于利用形态学算子对预处理模块处理后的图像进行噪声抑制和裂缝连接，包括：
构建18个直线型算子，其方向为{0°,10°,…170°}，并将其分别和预处理后的图像I’进行开运算，得到{I0,I10,…I170}，则去噪后的图像Id计算如下，
Id(i,j)＝max{I0(i,j),I10(i,j),…I170(i,j)}
对于Id(i,j)，以I’中区域为基准，如果Id(i,j)对应位置存在灰度为1的像素点，则在Id(i,j)上将该像素点补全成I’中区域；对于补全后的图像，再次利用上述18个直线算子，分别对图像进行闭运算，连接断续的裂缝；
所述第一噪声抑制模块，用于利用Hough直线检测算法对噪声抑制和裂缝连接模块处理后的图像进行噪声抑制；
所述第二噪声抑制模块，用于利用形状特征对第一噪声抑制模块处理后的图像进行噪声抑制，得到最终的检测结果。
7.根据权利要求6所述的基于图像的桥梁裂缝检测系统，其特征在于，所述图像获取模块，用于获取无人机拍摄的桥体表面彩色图像。
8.根据权利要求6所述的基于图像的桥梁裂缝检测系统，其特征在于，所述预处理模块包括第一转化模块和第二转化模块；
所述第一转化模块，用于将获取的桥梁图像灰度化得到灰度图像G，使用直方图均衡算法自适应的增强图像G，接着将增强后的图像G转化为二值图I；
所述第二转化模块，用于将第一转化模块转化的二值图I作为导向滤波的导向图来去除图G中的噪点得到图G’，之后使用匀光运算去除G’中阴影和水迹影响，最后将G’转化为二值图I’，I’即为预处理后的图像。
9.根据权利要求6所述的基于图像的桥梁裂缝检测系统，其特征在于，所述第一噪声抑制模块包括Hough直线检测算法模块，用于利用Hough直线检测算法，检测出噪声抑制和裂缝连接模块处理后的图中的直线型区域，并将该区域删除。
10.根据权利要求6所述的基于图像的桥梁裂缝检测系统，其特征在于，所述第二噪声抑制模块包括区域R定义模块和判断模块；
所述区域R定义模块，将图像中不连通区域定确定为{R1,R2…}，并使用下列公式定义区域Ri的形状特征：
Figure FDA0003987965850000031
其中
Figure FDA0003987965850000041
为区域Ri的面积，/>
Figure FDA0003987965850000042
为区域Ri的直径；
所述判断模块，用于当
Figure FDA0003987965850000043
小于给定阈值L时保留区域Ri，否则删去该区域，其中i＝1、2、...。/>
CN201911371902.5A 2019-12-27 2019-12-27 一种基于图像的桥梁裂缝检测方法及系统 Active CN111127450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911371902.5A CN111127450B (zh) 2019-12-27 2019-12-27 一种基于图像的桥梁裂缝检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911371902.5A CN111127450B (zh) 2019-12-27 2019-12-27 一种基于图像的桥梁裂缝检测方法及系统

Publications (2)

Publication Number Publication Date
CN111127450A CN111127450A (zh) 2020-05-08
CN111127450B true CN111127450B (zh) 2023-03-31

Family

ID=70503654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911371902.5A Active CN111127450B (zh) 2019-12-27 2019-12-27 一种基于图像的桥梁裂缝检测方法及系统

Country Status (1)

Country Link
CN (1) CN111127450B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581433B (zh) * 2020-12-07 2022-10-11 上海大学 热障涂层裂纹的几何信息提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175987B (zh) * 2019-04-23 2022-10-04 江西科技学院 一种桥梁裂缝检测方法及系统

Also Published As

Publication number Publication date
CN111127450A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111260616A (zh) 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法
CN108596930B (zh) 基于天牛须算法和数学形态学的射线图像焊缝提取方法
CN107862677A (zh) 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测系统
CN111179232A (zh) 基于图像处理的钢筋尺寸检测系统及方法
CN106485696B (zh) 一种基于机器视觉的易爆危险品压合缺陷的检测方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
WO2023082418A1 (zh) 基于人工智能技术的电力综合管廊沉降裂缝识别方法
CN109064411B (zh) 一种基于光照补偿的路面图像去阴影方法
CN110969620A (zh) 一种磁瓦波纹类缺陷的检测方法及装置
CN114677601A (zh) 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法
CN109961016B (zh) 面向智能家居场景的多手势精准分割方法
CN116109637B (zh) 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法
CN112529853A (zh) 一种用于水下养殖网箱的网衣破损检测方法及装置
CN111932490B (zh) 一种用于工业机器人的视觉系统抓取信息提取方法
CN110782385A (zh) 一种基于深度学习的图像水印的去除方法
CN111127450B (zh) 一种基于图像的桥梁裂缝检测方法及系统
CN110458773B (zh) 一种基于边缘增强算子的各向异性扩散噪声处理方法
CN112381084B (zh) 断层图像的轮廓自动识别方法
CN112288680B (zh) 汽车轮毂x射线图像的缺陷区域自动提取方法及系统
CN115619799B (zh) 一种基于迁移学习的晶粒图像分割方法及系统
CN111105408B (zh) 一种基于图像处理的建筑物表面裂缝检测方法及系统
CN104504702A (zh) 基于方格搜索法的水泥刻槽路面裂缝识别方法
CN113870299A (zh) 一种基于边缘检测和形态学图像处理的3d打印故障检测方法
CN110298816B (zh) 一种基于图像重生成的桥梁裂缝检测方法

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
GR01 Patent grant
GR01 Patent grant