CN111325219A - 基于优化渗透理论的混凝土桥梁裂缝快速识别方法 - Google Patents
基于优化渗透理论的混凝土桥梁裂缝快速识别方法 Download PDFInfo
- Publication number
- CN111325219A CN111325219A CN202010081820.3A CN202010081820A CN111325219A CN 111325219 A CN111325219 A CN 111325219A CN 202010081820 A CN202010081820 A CN 202010081820A CN 111325219 A CN111325219 A CN 111325219A
- Authority
- CN
- China
- Prior art keywords
- pixel
- penetration
- crack
- value
- candidate region
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/40—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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于优化渗透理论的混凝土桥梁裂缝快速识别方法,属于计算机视觉技术领域,本发明以渗透模型为基础,依托边缘扩充技术来消除边界对渗透识别的影响;采用线性函数和二次函数代替固定值步长函数,提高了渗透模型识别模糊裂缝的能力;在渗透过程中,利用四邻域渗透候选区代替八邻域渗透候选区,解决了原有渗透算法错误判别对角邻域像素的问题。本发明能够自动判别原始图像数据中是否包含有裂缝目标,提高了桥梁裂缝检测的效率和精度。
Description
技术领域
本发明属于计算机视觉技术领域,具体涉及一种基于优化渗透理论的混凝土桥梁裂缝 快速识别方法。
背景技术
桥梁结构作为基础设施中的重要组成部分,对世界各地的经济和社会活动产生了巨大 的影响。目前,已建成桥梁数量不断增加,由于缺乏足够的资金来维护[1],桥梁的损伤和 变形等老化问题日益严重。为了保证在役桥梁的正常运行,定期的检查和维护工作是必要 的。桥梁检测的方法主要有两种,即人工检测和设备辅助检测。然而,它们或多或少都存在一些局限性。人工检查时,裂缝数量由技术工人统计,长度和宽度通过裂缝照片测量, 因此桥梁检测报告的质量和可靠性在很大程度上取决于检测人员的经验[3][4];对于设备辅助检测来说,技术可行性差和费用高是两个主要的缺点[2]。此外,以上两种方法都需要人为干预。因此,有必要开发一种自动检测桥梁结构损伤的方法。
近年来,随着计算机视觉技术的发展,人们越来越重视应用图像处理技术来检测桥梁 损伤[8]。许多研究者针对图像处理技术的发展作了总结,并对其在桥梁损伤检测中的应用 进行了基本综述。Christian Koch等人[9]提出了一种基于图像处理的缺陷检测和状态评估 的综合方法,服务于民用基础设施,特别是钢筋混凝土桥梁。他们将检测过程从底层到顶 层分为5个阶段:预处理、分割、特征提取、目标识别和结构分析,并在每个相应的阶段 给出了缺陷检测、分类和评估的具体方法。Jahanshahi等人[10]对包括边缘检测、形态函数、 聚类分析以及模式识别在内的基于视觉的民用基础设施系统裂缝和腐蚀自动检测方法进 行了调查和评估。Rose等人[11]回顾了目前混凝土表面裂缝的检测方法,并将其分为边缘 检测、分割与渗透、机器学习方法和形态学操作。在上述既有裂缝检测方法的启发下,我 们将相关方法大致划分为边缘检测方法、渗透方法、机器学习方法和其他技术方法。
传统的边缘检测方法,需要预先设置边缘检测阈值,检测结果不可避免地将会受到人 为因素的干扰,降低了病害检测效率、难以还原真实病害状况;既有的渗透检测模型,往 往对细微的裂缝不敏感,同时原始图像数据的边界会降低裂缝识别的精度;机器学习方法 在对多座桥梁病害进行检测时,需要预先采集大量的数据对机器模型进行训练,这将耗费 巨大的时间和数据资源,降低桥梁病害检查效率。
参考文献
[1]Golabi,K.;Shepard,R.Pontis:A system for maintenance optimizationand improvement of US bridge networks.Interfaces 1997,27,71-88.
[2]Saleem,M.A.;Mirmiran,A.;Xia,J.;Mackie,K.Ultra-high-performanceconcrete bridge deck reinforced with high-strength steel.ACI Struct.J.2011,108,601-609.
[3]Jiang,L.;Ye,J.;Zheng,H.Collapse mechanism analysis of the FIUpedestrian bridge based on the improved structural vulnerability theory(ISVT).Eng.Fail.Anal.2019, 104,1064-1075.
[4]https://www.miamiherald.com/news/local/community/miami-dade/article231428938. html
[5]Mital,A.;Govindaraju,M.;Subramani,B.A comparison between manualand hybrid methods in parts inspection.Integr.Manuf.Syst.1998,9,344-349.
[6]Rose,P.;Aaron,B.;Tamir,D.E.;Lu,L.;Hu,J.;Shi,H.Supervised computer-vision-based sensing of concrete bridges for crack-detection andassessment.TRB 93rd Annual Meeting Compendium of Papers,Washington DC, USA,12-16 January 2014.
[7]Oh,J.K.;Jang,G.;Oh,S.;Lee,J.H.;Yi,B.J.;Moon,Y.S.;Lee,J.S.;Choi,Y.Bridge inspection robot system with machine vision.Autom.Constr.2009,18,929-941.
[8]Yamaguchi,T.;Nakamura,S.;Saegusa,R.;Hashimoto,S.Image-based crackdetection for real concrete surfaces.IEEJ Trans.Electr.Electr.2008,3,128-135.
[9]Russakovsky,O.;Deng,J.;Su,H.;Krause,J.;Satheesh,S.;Ma,S.;Huang,Z.;Karpathy,A.;Khosla,S.;Bernstein,M.;Berg,A.C.;Li,F.F.ImageNet large scalevisual recognition challenge.Int.J.Comput.Vis.2015,115,211-252.
[10]Mohan,A.;Poobal,S.Crack detection using image processing:Acritical review and analysis.Alex.Eng.J.2018,57,787-798.
[11]Jahanshahi,M.R.;Kelly,J.S.;Masri,S.F.;Sukhatme,G.S.A survey andevaluation of promising approaches for automatic image-based defect detectionof bridge structures. Struct.Infrastructure E.2009,5,455-486.
发明内容
本发明的目的是为了解决现有渗透模型对于混凝土裂缝边缘识别不敏感的问题,进而 弥补既有裂缝边缘识别技术中仍然存在误判的不足,本发明提供一种基于优化渗透理论的 混凝土桥梁裂缝快速识别方法。
为实现上述目的,本发明采取的技术方案如下:
一种基于优化渗透理论的混凝土桥梁裂缝快速识别方法,包括以下步骤:
步骤一:在Matlab中输入原始图像数据并将其转化为灰度图像,并依托边缘扩充算法 对原始图像边界进行扩充;
步骤二:配置渗透模型的初始参数,并在灰度图像中随机选取一个像素作为初始渗透 像素点;
步骤三:更新阈值T,并将第一次迭代时的形状系数Fc设置为0;
步骤四:将渗透区域Dp边界上所有像素点的四邻域渗透候选区内的像素点作为预候 选区域Dpc所有,并消除Dpc中的重复像素点,把剩余的像素点定义为候选区域Dc;
步骤五:将候选区域Dc内像素值小于阈值T的像素点渗透为裂缝集,并归属到渗透区 域Dp内,如果候选区域Dc内没有符合要求的像素点,那么将候选区域Dc内的最小像素 值的像素点归属到渗透区域Dp内;
步骤六:若处理的是第一个迭代过程,那么执行步骤七,否则执行步骤八;
步骤七:检查渗透区域Dp是否包含背景像素,如果包含执行步骤八,否则将形状系数Fc设为0,并执行步骤十六;
步骤八:检查渗透区域Dp是否到达当前窗口边界,如果是,执行步骤九,否则返回执行步骤二;
步骤九:将局部固定窗口的大小N×N递增为(N+2)×(N+2);
步骤十:更新阈值T并计算形状系数Fc;
步骤十一:将Fc与加速阈值Ts的值进行比较,如果Fc>Ts,即判定为没有裂缝,否则继续执行下一步骤;
步骤十二:把渗透区域Dp边缘所有像素的四邻域渗透候选区作为预候选区域Dpc,并 将Dpc中相同的像素点剔除,其余像素点定义为候选区域Dc;
步骤十三:在候选区域Dc中将像素值小于阈值T的像素点渗透并包含在渗透区域Dp中,然后继续执行下一步骤;如果候选区域Dc内没有符合要求的像素点,则计算形状系 数Fc,进程终止,判定为非裂缝像素点;
步骤十四:检查渗透区域Dp是否达到更新后当前窗口边界,如果没有,返回执行步骤十,否则执行下一步骤;
步骤十五:将局部固定窗口的大小N×N递增为(N+2)×(N+2),并与最大窗口大小M×M进行比较,如果N>M,计算形状系数Fc,并继续执行下一步骤,否则,返回执 行步骤十;
步骤十六:若形状系数值Fc小于阈值T,则将对应的初始像素判别为裂缝像素,像素 值更新为0,像素颜色配置为黑色;否则,判别该像素为背景像素,像素值更新为255, 像素颜色配置为白色;
步骤十七:检查图像数据中的所有像素点是否已全部渗透,如果是,终止程序;否则, 返回执行步骤一。
本发明相对于现有技术的有益效果是:
本发明提出边缘扩充技术,是随着渗透识别同步进行的,对于裂缝图像的实时性识别 具有显著的效果,解决了原始渗透算法对图像边界识别不敏感的问题;本发明提出用线性 函数和二次函数代替固定值步长函数,提高了渗透模型识别模糊裂缝的能力;本发明在渗 透过程中,提出利用四邻域渗透候选区代替八邻域渗透候选区,解决了原有渗透算法错误 判别对角邻域像素的问题。本发明将上述三种改进技术与原有的渗透识别算法进行融合, 提出基于优化渗透理论的混凝土桥梁裂缝快速识别方法,能够自动判别原始图像数据中是 否包含有裂缝目标,提高了桥梁裂缝检测的效率和精度。
附图说明
图1为原始图像,(a)为裂缝1的图像,(b)为裂缝2的图像;
图2为未经过边缘扩充处理的渗透识别结果图,(a)为裂缝1的图像,(b)为裂缝2的图像;
图3为经过边缘扩充处理(均值扩充)的渗透识别结果图,(a)为裂缝1的图像,(b)为裂缝2的图像;
图4为经过边缘扩充处理(同值扩充)的渗透识别结果图,(a)为裂缝1的图像,(b)为裂缝2的图像;
图5为经过边缘扩充处理(零值扩充)的渗透识别结果图,(a)为裂缝1的图像,(b)为裂缝2的图像;
图6为八邻域渗透候选区示例图;
图7为四邻域渗透候选区示例图;
图10为利用不同步长增长函数识别明显裂缝图像数据的结果图,(a)、(b)、(c)、(d) 分别对应原始图像、采用固定值步长识别结果、采用线性函数w′=Fc·w步长识别结果和 采用二次函数步长识别结果图;
图11为优化渗透算法识别裂缝结果图,步长增长函数为一次函数w′=Fc·w;
具体实施方式
下面结合具体实施方式和附图1-13对本发明的技术方案作进一步的说明,但并不局 限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神 和范围,均应涵盖在本发明的保护范围中。
具体实施方式一:
一种基于优化渗透理论的混凝土桥梁裂缝快速识别方法,包括以下步骤:
步骤一:在Matlab中输入原始图像数据并将其转化为灰度图像,并依托边缘扩充算法 对原始图像边界进行扩充;
步骤二:配置渗透模型的初始参数,设置局部固定窗口大小定义为N×N,最大窗口大小定义为M×M,阈值T为初始像素值,加速阈值为Ts;并在灰度图像中随机选取一个 像素作为初始渗透像素点,所述初始渗透像素点包含在渗透区域Dp内;
步骤三:更新阈值T,并将第一次迭代时的形状系数设置为0;
步骤四:将渗透区域Dp边界上所有像素点的四邻域渗透候选区内的像素点作为预候 选区域Dpc所有,并消除Dpc中的重复像素点,把剩余的像素点定义为候选区域Dc;
步骤五:将候选区域Dc内像素值小于阈值T的像素点渗透为裂缝集,并归属到渗透区 域Dp内;如果候选区域Dc内没有符合要求的像素点,那么将候选区域Dc内的最小像素 值的像素点归属到渗透区域Dp内;
步骤六:假如现在处理的是第一个迭代过程,那么执行步骤七,否则执行步骤八;
步骤七:检查渗透区域Dp是否包含背景像素,如果包含执行步骤八,否则将形状系数Fc设为0,并执行步骤十六;
步骤八:检查渗透区域Dp是否到达当前窗口边界,如果是,执行步骤九,否则返回执行步骤二;
步骤九:将局部固定窗口的大小N×N递增为(N+2)×(N+2);
步骤十:更新阈值T并计算形状系数Fc;
步骤十一:将Fc与加速阈值Ts的值进行比较,如果Fc>Ts,则技术流程结束,判定为没有裂缝,否则继续执行下一步骤;
步骤十二:把渗透区域Dp边缘所有像素的四邻域渗透候选区作为预候选区域Dpc,并 将Dpc中相同的像素点剔除,其余像素点定义为候选区域Dc;
步骤十三:在候选区域Dc中将像素值小于阈值T的像素点渗透并包含在渗透区域Dp中,然后继续执行下一步骤;如果候选区域Dc内没有符合要求的像素点,则计算形状系 数Fc,进程终止,判定为非裂缝像素点;
步骤十四:检查渗透区域Dp是否达到更新后当前窗口边界,如果没有,返回执行步骤十,否则执行下一步骤;
步骤十五:将局部固定窗口的大小N×N递增为(N+2)×(N+2),并与最大窗口大小M×M进行比较,如果N>M窗口的,计算形状系数Fc,并继续执行下一步骤,否则, 返回执行步骤十;
步骤十六:若形状系数值Fc小于阈值T,则将对应的初始像素判别为裂缝像素,像素 值更新为0,像素颜色配置为黑色;否则,判别该像素为背景像素,像素值更新为255, 像素颜色配置为白色;
步骤十七:检查图像数据中的所有像素点是否已全部渗透,如果是,终止程序;否则, 返回执行步骤一。
进一步的,步骤三和步骤十中更新阈值T的公式均为:
w′=Fc·w
I(p):像素点p的像素值,简称像素值;
w′:形状系数的线性函数;
w″:形状系数的二次函数;
w″′:形状系数的三次函数;
Fc:形状系数。
进一步的,步骤十、步骤十三和步骤十五中计算形状系数的公式均为:
Ccount:渗透区域包含像素点的个数;
Cmax:渗透区域的直径。
附图中,图2为未经过边缘扩充处理的渗透识别结果图,识别结果在图像的四个边界 处存在阴影,产生误判;图3为经过边缘扩充处理(均值扩充)的渗透识别结果图,识别结果仍然在对角边界处存在阴影,产生误判;图4为经过边缘扩充处理(同值扩充)的渗 透识别结果图,识别结果仍然在上下边界处存在阴影,产生误判;图5为经过边缘扩充处 理(零值扩充)的渗透识别结果图,此边缘识别效果相对较好,在摒弃边缘噪声的同时, 保留了裂缝目标。
图7为四邻域渗透候选区示例图,利用四邻域渗透候选区代替图6的八邻域渗透候选 区,解决了原有渗透算法错误判别对角邻域像素的问题。
图8为利用不同步长增长函数识别背景图像数据的结果图,(a)、(b)、(c)、(d)分别对应原始图像、采用固定值步长识别结果、采用线性函数w′=Fc·w步长识别结果和采用二次函数步长识别结果图,步长增长函数对于背景图像不敏感,易于实现对细微裂缝目标的识别;图9为利用不同步长增长函数识别细微裂缝图像数据的结果图,(a)、(b)、(c)、(d)分别对应原始图像、采用固定值步长识别结果、采用线性函数w′=Fc·w步长识别结果和采用二次函数步长识别结果图,步长增长函数应用于细微裂缝的识别,能够沿着裂缝的路径进行识别,效果较好;图10为利用不同步长增长函数识别 明显裂缝图像数据的结果图,(a)、(b)、(c)、(d)分别对应原始图像、采用固定值步长 识别结果、采用线性函数w′Fc·w步长识别结果和采用二次函数步长识别结 果图,步长增长函数应用于明显裂缝的识别,能够沿着裂缝的路径进行识别,效果较好; 对比图8、图9、图10的识别结果,可见将步长增长函数策略应用于渗透识别,在摒弃背 景图像的同时,能够识别不同尺度的裂缝,识别效果较好。
Claims (6)
1.一种基于优化渗透理论的混凝土桥梁裂缝快速识别方法,其特征在于:包括以下步骤:
步骤一:在Matlab中输入原始图像数据并将其转化为灰度图像,并依托边缘扩充算法对原始图像边界进行扩充;
步骤二:配置渗透模型的初始参数,并在灰度图像中随机选取一个像素作为初始渗透像素点;
步骤三:更新阈值T,并将第一次迭代时的形状系数Fc设置为0;
步骤四:将渗透区域Dp边界上所有像素点的四邻域渗透候选区内的像素点作为预候选区域Dpc所有,并消除Dpc中的重复像素点,把剩余的像素点定义为候选区域Dc;
步骤五:将候选区域Dc内像素值小于阈值T的像素点渗透为裂缝集,并归属到渗透区域Dp内,如果候选区域Dc内没有符合要求的像素点,那么将候选区域Dc内的最小像素值的像素点归属到渗透区域Dp内;
步骤六:若处理的是第一个迭代过程,那么执行步骤七,否则执行步骤八;
步骤七:检查渗透区域Dp是否包含背景像素,如果包含执行步骤八,否则将形状系数Fc设为0,并执行步骤十六;
步骤八:检查渗透区域Dp是否到达当前窗口边界,如果是,执行步骤九,否则返回执行步骤二;
步骤九:将局部固定窗口的大小N×N递增为(N+2)×(N+2);
步骤十:更新阈值T并计算形状系数Fc;
步骤十一:将Fc与加速阈值Ts的值进行比较,如果Fc>Ts,即判定为没有裂缝,否则继续执行下一步骤;
步骤十二:把渗透区域Dp边缘所有像素的四邻域渗透候选区作为预候选区域Dpc,并将Dpc中相同的像素点剔除,其余像素点定义为候选区域Dc;
步骤十三:在候选区域Dc中将像素值小于阈值T的像素点渗透并包含在渗透区域Dp中,然后继续执行下一步骤;如果候选区域Dc内没有符合要求的像素点,则计算形状系数Fc,进程终止,判定为非裂缝像素点;
步骤十四:检查渗透区域Dp是否达到更新后当前窗口边界,如果没有,返回执行步骤十,否则执行下一步骤;
步骤十五:将局部固定窗口的大小N×N递增为(N+2)×(N+2),并与最大窗口大小M×M进行比较,如果N>M,计算形状系数Fc,并继续执行下一步骤,否则,返回执行步骤十;
步骤十六:若形状系数值Fc小于阈值T,则将对应的初始像素判别为裂缝像素,像素值更新为0,像素颜色配置为黑色;否则,判别该像素为背景像素,像素值更新为255,像素颜色配置为白色;
步骤十七:检查图像数据中的所有像素点是否已全部渗透,如果是,终止程序;否则,返回执行步骤一。
2.根据权利要求1所述的基于优化渗透理论的混凝土桥梁裂缝快速识别方法,其特征在于:所述步骤二中的渗透模型的初始参数配置如下:
设置局部固定窗口大小定义为N×N,最大窗口大小定义为M×M,阈值T为初始像素值,加速阈值为Ts。
3.根据权利要求1所述的基于优化渗透理论的混凝土桥梁裂缝快速识别方法,其特征在于:所述步骤二中的初始渗透像素点包含在渗透区域Dp内。
6.根据权利要求1所述的基于优化渗透理论的混凝土桥梁裂缝快速识别方法,其特征在于:所述边缘扩充技术包括均值扩充法、同值扩充法或零值扩充法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010081820.3A CN111325219A (zh) | 2020-02-06 | 2020-02-06 | 基于优化渗透理论的混凝土桥梁裂缝快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010081820.3A CN111325219A (zh) | 2020-02-06 | 2020-02-06 | 基于优化渗透理论的混凝土桥梁裂缝快速识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111325219A true CN111325219A (zh) | 2020-06-23 |
Family
ID=71170930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010081820.3A Pending CN111325219A (zh) | 2020-02-06 | 2020-02-06 | 基于优化渗透理论的混凝土桥梁裂缝快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325219A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127777A (zh) * | 2016-06-27 | 2016-11-16 | 中山大学 | 一种三维空间裂缝分离识别与表征方法 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN107403427A (zh) * | 2017-07-20 | 2017-11-28 | 重庆邮电大学 | 一种基于遗传规划与渗流模型的混凝土表面裂缝检测方法 |
CN109919942A (zh) * | 2019-04-04 | 2019-06-21 | 哈尔滨工业大学 | 基于高精度降噪理论的桥梁裂缝智能化检测方法 |
-
2020
- 2020-02-06 CN CN202010081820.3A patent/CN111325219A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127777A (zh) * | 2016-06-27 | 2016-11-16 | 中山大学 | 一种三维空间裂缝分离识别与表征方法 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN107403427A (zh) * | 2017-07-20 | 2017-11-28 | 重庆邮电大学 | 一种基于遗传规划与渗流模型的混凝土表面裂缝检测方法 |
CN109919942A (zh) * | 2019-04-04 | 2019-06-21 | 哈尔滨工业大学 | 基于高精度降噪理论的桥梁裂缝智能化检测方法 |
Non-Patent Citations (3)
Title |
---|
MOHAN ,A ET AL: "Crack detection using image processing", 《A CRITICAL REVIEW AND ANALYSIS》 * |
张晶晶: "基于多尺度输入图像渗透模型的桥梁裂缝检测", 《计算机工程》 * |
郭阳: "改进渗流模型的混凝土路面图像裂缝检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480611A (zh) | 一种基于深度学习卷积神经网络的裂缝识别方法 | |
CN102305798B (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
Pan et al. | Image-based surface scratch detection on architectural glass panels using deep learning approach | |
CN109993742B (zh) | 基于对角导数算子的桥梁裂缝快速识别方法 | |
CN105654121A (zh) | 一种基于深度学习的复杂提花织物缺陷检测方法 | |
CN114677362B (zh) | 基于改进YOLOv5的表面缺陷检测方法 | |
CN113822880A (zh) | 一种基于深度学习的裂缝识别方法 | |
CN109724988A (zh) | 一种基于多模板匹配的pcb板缺陷定位方法 | |
Tayo et al. | Portable crack width calculation of concrete road pavement using machine vision | |
CN115082849A (zh) | 基于深度学习的模板支架安全智能监测方法 | |
CN111709944B (zh) | 一种基于数字化图像异常识别的桥隧结构裂缝监测方法 | |
CN111325219A (zh) | 基于优化渗透理论的混凝土桥梁裂缝快速识别方法 | |
CN117095294B (zh) | 一种预制楼板施工质量诊断方法、介质及系统 | |
CN111127450B (zh) | 一种基于图像的桥梁裂缝检测方法及系统 | |
CN113610052A (zh) | 一种基于深度学习的隧道渗漏水自动识别方法 | |
Kang et al. | Development of a Model for Recognizing Cracks on Concrete Surfaces Using Digital Image Processing Techniques | |
CN114998182A (zh) | 一种在役混凝土结构表面病害分类识别方法 | |
Prabakar et al. | A novel approach of surface crack detection using super pixel segmentation | |
CN114359195A (zh) | 一种玻璃幕墙裂纹检测方法 | |
Jing et al. | Complex Crack Segmentation and Quantitative Evaluation of Engineering Materials Based on Deep Learning Methods | |
Luo et al. | Concrete crack identification and detection method based on improved CNN and DoG operator | |
Ma et al. | Machine vision-based surface inspection system for rebar | |
You et al. | [Retracted] Intelligent Edge Computing Detection Vehicle and Detection Method Based on Tunnel Lining Concrete | |
Yin et al. | Crack detection of highway prestressed concrete bridge based on image recognition |
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: 20200623 |