CN111489352A - 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 - Google Patents
一种基于数字图像处理的隧道缝隙检测与测量方法及装置 Download PDFInfo
- Publication number
- CN111489352A CN111489352A CN202010357850.2A CN202010357850A CN111489352A CN 111489352 A CN111489352 A CN 111489352A CN 202010357850 A CN202010357850 A CN 202010357850A CN 111489352 A CN111489352 A CN 111489352A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- tunnel
- calculating
- neural network
- 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.)
- Granted
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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于数字图像处理的隧道缝隙检测与测量方法及装置。该方法包括:采集铁路隧道的衬砌表面图像;灰度化处理衬砌表面图像;增强灰度图像中裂缝与背景的对比度;将再次引导滤波的图像进行图片二值化;建立全卷积神经网络模型并融合部分输出结果;筛选灰度图像中隧道裂缝图像;标注训练集中的训练样本图片;对不同训练集训练改进全卷积神经网络模型并测试;通过验证的改进全卷积神经网络模型提取衬砌表面图像的线性裂缝;计算线性裂缝的面积、长度及宽度。本发明采用自动化的手段进行处理,可以大批量地对隧道的裂缝进行检测和测量,可以节约大量的人工劳动力,减轻人工劳动强度,实现了自动化检测的效果。
Description
技术领域
本发明涉及隧道测量技术领域的一种隧道缝隙检测与测量方法,尤其涉及一种基于数字图像处理的隧道缝隙检测与测量方法,还涉及应用该方法的基于数字图像处理的隧道缝隙检测与测量装置。
背景技术
我国正处于高速铁路大量建设和投入运营的时期,受到线路平顺性的要求,高速铁路沿线大量使用隧道。在隧道养护中,隧道裂缝是衡量隧道质量最重要的一个指标,如果在裂缝出现的初期就能够及时的发现,并且对裂缝的发展情况给予实时的跟踪,那么隧道的养护费将会极大的减少。在未来相当长的时间内,我国都将面临着大量隧道需要定期检修、维护的状况。
在现有的隧道养护检测过程中,由于高速铁路隧道自身的特点,检测工作一般通过普通的人工检测方式或依靠人工仪器进行,这样会造成以下这些问题:1、检测效率低,由于人工检测或通过仪器检测需要人为进行操作,需要耗费大量时间进行实地采样和计算,检测效率不能满足需求;2、检测及测量精度低,这是由于人工检测或通过仪器测量存在测量误差,使得最终的测量结果存在较大的误差值;3、检测量大,导致检测工作迟缓,影响隧道的养护质量。
发明内容
为解决现有的隧道缝隙检测效率和精度低,检测量大的技术问题,本发明提供一种基于数字图像处理的隧道缝隙检测与测量方法及装置。
本发明采用以下技术方案实现:一种基于数字图像处理的隧道缝隙检测与测量方法,其包括以下步骤:
(1)采集铁路隧道的衬砌表面图像;
(2)灰度化处理所述衬砌表面图像以获取相应的灰度图像;
(3)增强所述灰度图像中裂缝与背景的对比度;
(4)通过自适应阈值分割将再次引导滤波的图像进行图片二值化,获取隧道裂缝图像和隧道背景图像;
(5)建立全卷积神经网络模型,并通过融合部分输出结果以保留裂缝特征并获得改进全卷积神经网络模型;
(6)筛选所述灰度图像中隧道裂缝图像,并制作训练集、测试集、验证集;
(7)标注所述训练集中的训练样本图片;
(8)对不同训练集训练改进全卷积神经网络模型并进行测试,直到裂缝准确度指数和裂缝召回率指数符合一个预设标准,以对所述改进全卷积神经网络模型进行验证;
(9)通过验证的改进全卷积神经网络模型提取所述衬砌表面图像的线性裂缝;
(10)计算所述线性裂缝的面积、长度及宽度。
本发明通过采集铁路隧道的衬砌表面图像,并将该图像灰度处理,随后增强灰度图像中裂缝与背景的对比度,使裂缝更易提取和测量,然后通过自适应阈值分割将图像二值化,获得隧道裂缝图像和背景图像,进一步建立全卷积神经网络模型并进行改进,再然后筛选灰度图像中的隧道裂缝图像,并制作训练集、测试集、验证集,而后标记训练样本图片并对不同训练集训练改进全卷积神经网络模型,这样直到裂缝准确度指数和裂缝召回率指数均达标为止,从而完成对改进全卷积神经网络模型的验证,最后通过验证的改进全卷积神经网络模型提取线性裂缝,并计算出线性裂缝的面积、长度以及宽度,解决了现有的隧道缝隙检测效率和精度低,检测量大的技术问题,得到了隧道缝隙检测效率高,检测精度高,并且能够大批量对隧道进行检测和测量,减轻人工劳动强度,实现自动化检测的技术效果。
作为上述方案的进一步改进,在步骤(3)中,所述对比度的增强方法包括以下步骤:
(3.1)以所述灰度图像中路面裂缝图像作为输入图像和引导图像对所述灰度图像进行引导滤波,获得滤波后图像;
(3.2)对(3.1)中滤波后图像进行增强;
(3.3)将(3.2)中增强后的图像作为输入图像,所述路面裂缝图像作为引导图像再次进行引导滤波,使所述灰度图像中裂缝与背景的对比度达到一个预设对比度。
进一步地,引导滤波公式为:
式中,Pj为滤波输入图像,I为滤波引导图像;Wij为滤波内核,由方形窗半径和正则参数定义;qi为滤波后图像或再次滤波图像。
再进一步地,对滤波后图像进行增强的公式为:
P_enhanced=(I-q)×m+q
式中,P_enhanced为增强输入图像,q为滤波后图像;m为增强系数,且0<m<6。
作为上述方案的进一步改进,所述裂缝准确度指数的计算方法为:
(8.1)计算被正确检测分割出来的裂缝区域像素的数量TP;
(8.2)计算被误判为裂缝区域像素的数量FP;
(8.3)计算数量TP与数量FP之和SUM1;
(8.4)计算数量TP与SUM1的比值并作为所述裂缝准确度指数。
作为上述方案的进一步改进,所述裂缝召回率指数的计算方法为:
(8.5)计算被正确检测分割出来的裂缝区域像素的数量TP;
(8.6)计算属于裂缝区域的像素且没有被检测分割出来的像素的数量FN;
(8.7)计算数量TP与数量FN之和SUM2;
(8.8)计算数量TP与SUM2的比值并作为所述裂缝召回率指数。
作为上述方案的进一步改进,所述线性裂缝的面积的计算方法包括以下步骤:
(10.1)计算出二值化图像中像素灰度值为1的像素个数占像素总数的比例k;
进一步地,所述线性裂缝的长度及宽度的计算方法包括以下步骤:
(10.4)提取所述线性裂缝的骨架,以将所述线性裂缝细化为单像素宽;
(10.5)计算细化后像素的总数l;
(10.6)计算所述线性裂缝的长度L,计算公式为L=ml,m为每个像素实际代表的长度;
(10.7)计算所述线性裂缝的宽度W,计算公式为W=S/L。
作为上述方案的进一步改进,步骤(1)中通过一种探测车实现,所述探测车包括用于采集所述衬砌表面图像的CCD相机图像采集系统以及用于向所述铁路隧道提供照明光线的辅助照明系统;
在步骤(5)中,通过Alexent网格建立所述全卷积神经网络模型,并通过加权平均法分别把第四卷积层的输出结果和第一反卷积层的输出结果进行第一次融合,把第一池化层的输出结果和第二反卷积层的输出结果进行第二次融合;
在步骤(6)中,按照9:3:1的比例制作为所述训练集、所述测试集、所述验证集,且所述测试集的图片数量不少于10000张;
在步骤(7)中,通过LabelMe工具人工标注所述训练样本图片。
本发明还提供一种基于数字图像处理的隧道缝隙检测与测量装置,其应用上述任意所述的基于数字图像处理的隧道缝隙检测与测量方法,其包括:
探测车,其包括用于采集铁路隧道的衬砌表面图像的CCD相机图像采集系统以及用于向所述铁路隧道提供照明光线的辅助照明系统;
灰度处理模块,其用于灰度化处理所述衬砌表面图像以获取相应的灰度图像;
增强模块,其用于增强所述灰度图像中裂缝与背景的对比度;
二值化模块,其用于通过自适应阈值分割将再次引导滤波的图像进行图片二值化,获取隧道裂缝图像和隧道背景图像;
模型建立及改进模块,其用于建立全卷积神经网络模型,并通过融合部分输出结果以保留裂缝特征并获得改进全卷积神经网络模型;
筛选模块,其用于筛选所述灰度图像中隧道裂缝图像,并制作训练集、测试集、验证集;
标注模块,其用于标注所述训练集中的训练样本图片;
训练验证模块,其用于对不同训练集训练改进全卷积神经网络模型并进行测试,直到裂缝准确度指数和裂缝召回率指数符合一个预设标准,以对所述改进全卷积神经网络模型进行验证;
提取模块,其用于通过验证的改进全卷积神经网络模型提取所述衬砌表面图像的线性裂缝;以及
计算模块,其用于计算所述线性裂缝的面积、长度及宽度。
相较于现有的隧道缝隙检测与测量技术,本发明的基于数字图像处理的隧道缝隙检测与测量方法及装置具有以下有益效果:
1、该基于数字图像处理的隧道缝隙检测与测量方法,其通过采集铁路隧道的衬砌表面图像,并将该图像灰度处理,随后增强灰度图像中裂缝与背景的对比度,使裂缝更易提取和测量,然后通过自适应阈值分割将图像二值化,获得隧道裂缝图像和背景图像,进一步建立全卷积神经网络模型并进行改进,再然后筛选灰度图像中的隧道裂缝图像,并制作训练集、测试集、验证集,而后标记训练样本图片并对不同训练集训练改进全卷积神经网络模型,这样直到裂缝准确度指数和裂缝召回率指数均达标为止,从而完成对改进全卷积神经网络模型的验证,最后通过验证的改进全卷积神经网络模型提取线性裂缝,并计算出线性裂缝的面积、长度以及宽度。这样,由于在检测与测量的过程中均可以自动化处理,无需采用人工检测或人工仪器的方式对裂缝进行检测和测量,这样能够提高隧道裂缝的检测效率和精度,同时由于采用自动化的手段进行处理,可以大批量地对隧道的裂缝进行检测和测量,可以节约大量的人工劳动力,减轻人工劳动强度,实现了自动化检测的效果。
2、该基于数字图像处理的隧道缝隙检测与测量方法,其在增强裂缝与背景的对比度时,利用路面裂缝图像作为输入图像和引导图像进行引导滤波,随后对滤波图像进行增强,最后还再次对增强图像进行引导滤波,通过两次引导滤波并配合增强图像的方式可以使滤波后的图像为最终增强且平滑后的图像,从而使后续图像处理更加精确,从而能够提高裂缝的测量精度,保证测量数据的准确性。
3、该基于数字图像处理的隧道缝隙检测与测量方法,其可以通过探测车实现对衬砌表面图像的采集,而探测车能够沿着隧道方向移动,这样探测车就能够通过自身移动而沿路采集隧道的所有衬砌表面图像,实现整条隧道的自动化图像采集,而其他步骤可以在探测车采集图像的基础上自动化处理,从而完成隧道裂缝的自动化检测与测量。这样,该方法就可大批量、不间断地对隧道进行养护,尤其是在夜晚这种漆黑环境下,该方法能够精确地将裂缝信息测量出,而无需人工进行检测和测量,能够最大程度地避免由于人工操作而导致的各类问题,如人工测量会出现安全隐患等,提高检测人员的安全性。
4、该基于数字图像处理的隧道缝隙检测与测量装置,其有益效果与上述基于数字图像处理的隧道缝隙检测与测量方法的有益效果相同,在此不再做赘述。
附图说明
图1为本发明实施例1的基于数字图像处理的隧道缝隙检测与测量方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
请参阅图1,本实施例提供了一种基于数字图像处理的隧道缝隙检测与测量方法,其可应用于铁路隧道的养护工作中,尤其可以用于对高速铁路的隧道裂缝进行检测,并将隧道裂缝作为衡量隧道质量的一个重要指标。其中,该基于数字图像处理的隧道缝隙检测与测量方法包括以下这些步骤,即步骤(1)-(10)。
(1)采集铁路隧道的衬砌表面图像。在本实施例中,本步骤通过一种探测车实现。探测车包括CCD相机图像采集系统以及辅助照明系统,CCD相机图像采集系统于采集衬砌表面图像,辅助照明系统用于向铁路隧道提供照明光线。探测车能够沿着铁路隧道的方向移动,这样CCD相机图像采集系统就可以沿路对铁路隧道的衬砌表面进行拍摄,获得相应的衬砌表面图像。辅助照明系统可以提供照明光线,使得CCD相机图像采集系统所拍摄的图像更加清晰。
(2)灰度化处理衬砌表面图像以获取相应的灰度图像。灰度处理的作用是为了能够使衬砌表面图像的各个区域所呈现出的亮度不同,尤其是在灰度图像中裂缝处,其亮度会与其它部分存在明显的界限。这样,在对图像进行灰度处理后,后续步骤就可以根据灰度值确定出裂缝所在区域,从而实现对裂缝的检测与测量。
(3)增强灰度图像中裂缝与背景的对比度。在本实施例中,对灰度图片采用基于引导滤波器的路面裂缝增强算法,去除噪声,增强缝隙与背景的对比度,具体而言,对比度的增强方法包括以下这些步骤,即步骤(3.1)-(3.3)。
(3.1)以灰度图像中路面裂缝图像作为输入图像和引导图像对灰度图像进行引导滤波,获得滤波后图像。其中,设定合适的方形窗半径r和正则参数ε,引导滤波公式为:
式中,Pj为滤波输入图像,I为滤波引导图像;Wij为滤波内核,由方形窗半径r和正则参数ε定义;qi为滤波后图像或再次滤波图像。
(3.2)对(3.1)中滤波后图像进行增强。在本实施例中,对滤波后图像进行增强的公式为:
P_enhanced=(I-q)×m+q
式中,P_enhanced为增强输入图像,q为滤波后图像;m为增强系数,且0<m<6,具体可根据实际情况来定。
(3.3)将(3.2)中增强后的图像作为输入图像,路面裂缝图像作为引导图像再次进行引导滤波,使灰度图像中裂缝与背景的对比度达到一个预设对比度。在本实施例中,设定合适的方形窗半径r和正则参数e,再次做引导滤波,得到滤波后的图像为最终增强且平滑后的图像。
(4)通过自适应阈值分割将再次引导滤波的图像进行图片二值化,获取隧道裂缝图像和隧道背景图像。自适应阈值分割方法是利用图像局部阈值替换全局阈值进行图像计算的一种方法,具体针对光影变化过大的图片,或者范围内颜色差异不太明显的图片,能够通过判断和计算取得该图像区域的平均阈值进行迭代。
(5)建立全卷积神经网络模型,并通过融合部分输出结果以保留裂缝特征并获得改进全卷积神经网络模型(FCN)。在本实施例中,通过Alexent网格建立全卷积神经网络模型,并通过加权平均法分别把第四卷积层的输出结果和第一反卷积层的输出结果进行第一次融合,把第一池化层的输出结果和第二反卷积层的输出结果进行第二次融合。
(6)筛选灰度图像中隧道裂缝图像,并制作训练集、测试集、验证集。在本实施例中,按照9:3:1的比例制作为训练集、测试集、验证集,且测试集的图片数量不少于10000张。
(7)标注训练集中的训练样本图片。在本实施例中,通过LabelMe工具人工标注训练样本图片。LabelMe工具是一种图像标注工具,可以使用该工具创建定制化标注任务或执行图像标注,而且源代码已经开源。当然,在其他一些实施例中,可以通过其他的标记工具对训练样本图片进行标注。
(8)对不同训练集训练改进全卷积神经网络模型并进行测试,直到裂缝准确度指数和裂缝召回率指数符合一个预设标准,以对改进全卷积神经网络模型进行验证。其中,在判断裂缝准确度指数和裂缝召回率指数是否符合预设标准时,还会计算出这两个指数。在本实施例中,裂缝准确度指数的计算方法为:
(8.1)计算被正确检测分割出来的裂缝区域像素的数量TP;
(8.2)计算被误判为裂缝区域像素的数量FP;
(8.3)计算数量TP与数量FP之和SUM1,即SUM1=TP+FP;
(8.4)计算数量TP与SUM1的比值并作为裂缝准确度指数,即裂缝准确度指数Pre的计算公式为:
在本实施例和其他一些实施例中,裂缝召回率指数的计算方法为:
(8.5)计算被正确检测分割出来的裂缝区域像素的数量TP;这个步骤在本实施例中与步骤(8.1)重合,因此可以去掉本步骤,而在其他没有步骤(8.1)的实施例中,本步骤就需要设置。因此,步骤(8.1)和(8.5)有且仅执行其中一个。
(8.6)计算属于裂缝区域的像素且没有被检测分割出来的像素的数量FN;
(8.7)计算数量TP与数量FN之和SUM2,即SUM2=TP+FN;
(8.8)计算数量TP与SUM2的比值并作为裂缝召回率指数,即裂缝召回率指数Rec的计算公式为:
(9)通过验证的改进全卷积神经网络模型提取衬砌表面图像的线性裂缝。
(10)计算线性裂缝的面积、长度及宽度。在本实施例中,线性裂缝的面积的计算方法包括以下步骤:
(10.1)计算出二值化图像中像素灰度值为1的像素个数占像素总数的比例k;
更进一步地,线性裂缝的长度及宽度的计算方法包括以下步骤:
(10.4)提取线性裂缝的骨架,以将线性裂缝细化为单像素宽;
(10.5)计算细化后像素的总数l;
(10.6)计算线性裂缝的长度L,计算公式为L=ml,m为每个像素实际代表的长度;
(10.7)计算线性裂缝的宽度W,计算公式为W=S/L。
综上所述,相较于现有的隧道缝隙检测与测量方法,本实施例的基于数字图像处理的隧道缝隙检测与测量方法具有以下优点:
1、该基于数字图像处理的隧道缝隙检测与测量方法,其通过采集铁路隧道的衬砌表面图像,并将该图像灰度处理,随后增强灰度图像中裂缝与背景的对比度,使裂缝更易提取和测量,然后通过自适应阈值分割将图像二值化,获得隧道裂缝图像和背景图像,进一步建立全卷积神经网络模型并进行改进,再然后筛选灰度图像中的隧道裂缝图像,并制作训练集、测试集、验证集,而后标记训练样本图片并对不同训练集训练改进全卷积神经网络模型,这样直到裂缝准确度指数和裂缝召回率指数均达标为止,从而完成对改进全卷积神经网络模型的验证,最后通过验证的改进全卷积神经网络模型提取线性裂缝,并计算出线性裂缝的面积、长度以及宽度。这样,由于在检测与测量的过程中均可以自动化处理,无需采用人工检测或人工仪器的方式对裂缝进行检测和测量,这样能够提高隧道裂缝的检测效率和精度,同时由于采用自动化的手段进行处理,可以大批量地对隧道的裂缝进行检测和测量,可以节约大量的人工劳动力,减轻人工劳动强度,实现了自动化检测的效果。
2、该基于数字图像处理的隧道缝隙检测与测量方法,其在增强裂缝与背景的对比度时,利用路面裂缝图像作为输入图像和引导图像进行引导滤波,随后对滤波图像进行增强,最后还再次对增强图像进行引导滤波,通过两次引导滤波并配合增强图像的方式可以使滤波后的图像为最终增强且平滑后的图像,从而使后续图像处理更加精确,从而能够提高裂缝的测量精度,保证测量数据的准确性。
3、该基于数字图像处理的隧道缝隙检测与测量方法,其可以通过探测车实现对衬砌表面图像的采集,而探测车能够沿着隧道方向移动,这样探测车就能够通过自身移动而沿路采集隧道的所有衬砌表面图像,实现整条隧道的自动化图像采集,而其他步骤可以在探测车采集图像的基础上自动化处理,从而完成隧道裂缝的自动化检测与测量。这样,该方法就可大批量、不间断地对隧道进行养护,尤其是在夜晚这种漆黑环境下,该方法能够精确地将裂缝信息测量出,而无需人工进行检测和测量,能够最大程度地避免由于人工操作而导致的各类问题,如人工测量会出现安全隐患等,提高检测人员的安全性。
实施例2
本实施例提供了一种基于数字图像处理的隧道缝隙检测与测量装置,该装置应用实施例1中的基于数字图像处理的隧道缝隙检测与测量方法。其中,该装置包括探测车、灰度处理模块、增强模块、二值化模块、模型建立及改进模块、筛选模块、标注模块、训练验证模块、提取模块以及计算模块。
探测车包括CCD相机图像采集系统以及辅助照明系统,CCD相机图像采集系统于采集铁路隧道的衬砌表面图像,辅助照明系统用于向铁路隧道提供照明光线。探测车能够沿着铁路隧道的方向移动,这样CCD相机图像采集系统就可以沿路对铁路隧道的衬砌表面进行拍摄,获得相应的衬砌表面图像。辅助照明系统可以提供照明光线,使得CCD相机图像采集系统所拍摄的图像更加清晰。
灰度处理模块用于灰度化处理衬砌表面图像以获取相应的灰度图像。灰度处理模块的功能是为了能够使衬砌表面图像的各个区域所呈现出的亮度不同,尤其是在灰度图像中裂缝处,其亮度会与其它部分存在明显的界限。这样,在对图像进行灰度处理后,后续步骤就可以根据灰度值确定出裂缝所在区域,从而实现对裂缝的检测与测量。
增强模块用于增强灰度图像中裂缝与背景的对比度。在本实施例中,增强模块对灰度图片采用基于引导滤波器的路面裂缝增强算法,去除噪声,增强缝隙与背景的对比度,即用于实现步骤(3)。
二值化模块用于通过自适应阈值分割将再次引导滤波的图像进行图片二值化,获取隧道裂缝图像和隧道背景图像。二值化模块利用图像局部阈值替换全局阈值进行图像计算的一种模块,具体针对光影变化过大的图片,或者范围内颜色差异不太明显的图片,能够通过判断和计算取得该图像区域的平均阈值进行迭代。
模型建立及改进模块用于建立全卷积神经网络模型,并通过融合部分输出结果以保留裂缝特征并获得改进全卷积神经网络模型(FCN)。在本实施例中,模型建立及改进模块通过Alexent网格建立全卷积神经网络模型,并通过加权平均法分别把第四卷积层的输出结果和第一反卷积层的输出结果进行第一次融合,把第一池化层的输出结果和第二反卷积层的输出结果进行第二次融合。
筛选模块用于筛选灰度图像中隧道裂缝图像,并制作训练集、测试集、验证集。在本实施例中,筛选模块按照9:3:1的比例制作为训练集、测试集、验证集,而且测试集的图片数量不少于10000张。
标注模块用于标注训练集中的训练样本图片。在本实施例中,标注模块通过LabelMe工具人工标注训练样本图片。LabelMe工具是一种图像标注工具,可以使用该工具创建定制化标注任务或执行图像标注,而且源代码已经开源。当然,在其他一些实施例中,可以通过其他的标记工具对训练样本图片进行标注。
训练验证模块用于对不同训练集训练改进全卷积神经网络模型并进行测试,直到裂缝准确度指数和裂缝召回率指数符合一个预设标准,以对改进全卷积神经网络模型进行验证。其中,在判断裂缝准确度指数和裂缝召回率指数是否符合预设标准时,还会计算出这两个指数。裂缝准确度指数Pre的计算公式为:
裂缝召回率指数Rec的计算公式为:
式中,TP代表被正确检测分割出来的裂缝区域像素的数量,FP代表被误判为裂缝区域像素的数量,FN代表属于裂缝区域的像素但是却没有被检测分割出来的像素的数量。
提取模块用于通过验证的改进全卷积神经网络模型提取衬砌表面图像的线性裂缝。计算模块则用于计算线性裂缝的面积、长度及宽度。其中,线性裂缝的面积S的计算公式为k为二值化图像中像素灰度值为1的像素个数占像素总数的比例,为衬砌表面图像的拍摄尺寸。线性裂缝的长度L的计算公式为L=ml,m为每个像素实际代表的长度,l为细化后像素的总数。在计算出面积和长度后,线性裂缝的宽度W的计算公式为W=S/L。
相较于现有的检测或测量装置本实施例基于数字图像处理的隧道缝隙检测与测量装置的优点与实施例1中的基于数字图像处理的隧道缝隙检测与测量方法的优点相同,在此不再做赘述。
实施例3
本实施例提供了一种基于数字图像处理的隧道缝隙检测与测量方法,该方法在实施例1的基础上增加以下这些步骤。
(11)将线性裂缝的面积、长度及宽度的测量数据存入到云平台上。其中,云平台上设有各段铁路隧道的存储位置,线性裂缝的测量数据都会与云平台上的各段铁路隧道相对应,从而生成隧道裂缝的大数据系统。该大数据系统可以积累隧道检测与测量数据,在人员需要查阅时可以通过手机、PC端等设备及时查看,使铁路养护更加便捷化。
(12)实时比较线性裂缝的裂缝面积与一个预设面积,裂缝长度与一个预设长度,裂缝宽度与一个预设宽度。在裂缝面积、裂缝长度以及裂缝宽度中任意一者大于预设标准时,使云平台发出告警信息(信息包括该段隧道的位置以及超标情况),这样铁路养护人员就可以就是发现并对该段隧道进行处理,使铁路隧道维护更加便捷,提高铁路养护效率和养护质量。
实施例4
本实施例提供了一种隧道检测芯片,该隧道检测芯片内置了计算机程序,该计算机程序能够执行实施例1或3的基于数字图像处理的隧道缝隙检测与测量方法。本实施例的隧道检测芯片可以直接内嵌在铁路养护设备之中,也可以单独生产制造,还可制造为检测与测量模块进行应用。
实施例5
本实施例提供了一种计算机终端,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行程序时实现实施例1或3的基于数字图像处理的隧道缝隙检测与测量方法的步骤。
实施例1或3的基于数字图像处理的隧道缝隙检测与测量方法在应用时,可以软件的形式进行应用,如设计成独立运行的程序,安装在计算机终端上,计算机终端可以是电脑、智能手机、控制系统以及其他物联网设备等。实施例1或3的基于数字图像处理的隧道缝隙检测与测量方法也可以设计成嵌入式运行的程序,安装在计算机终端上,如安装在单片机上。
实施例6
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序。程序被处理器执行时,实现实施例1或3的基于数字图像处理的隧道缝隙检测与测量方法的步骤。
实施例1或3的基于数字图像处理的隧道缝隙检测与测量方法在应用时,可以软件的形式进行应用,如设计成计算机可读存储介质可独立运行的程序,计算机可读存储介质可以是U盘,设计成U盾,通过U盘设计成通过外在触发启动整个方法的程序。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数字图像处理的隧道缝隙检测与测量方法,其特征在于,其包括以下步骤:
(1)采集铁路隧道的衬砌表面图像;
(2)灰度化处理所述衬砌表面图像以获取相应的灰度图像;
(3)增强所述灰度图像中裂缝与背景的对比度;
(4)通过自适应阈值分割将再次引导滤波的图像进行图片二值化,获取隧道裂缝图像和隧道背景图像;
(5)建立全卷积神经网络模型,并通过融合部分输出结果以保留裂缝特征并获得改进全卷积神经网络模型;
(6)筛选所述灰度图像中隧道裂缝图像,并制作训练集、测试集、验证集;
(7)标注所述训练集中的训练样本图片;
(8)对不同训练集训练改进全卷积神经网络模型并进行测试,直到裂缝准确度指数和裂缝召回率指数符合一个预设标准,以对所述改进全卷积神经网络模型进行验证;
(9)通过验证的改进全卷积神经网络模型提取所述衬砌表面图像的线性裂缝;
(10)计算所述线性裂缝的面积、长度及宽度。
2.如权利要求1所述的基于数字图像处理的隧道缝隙检测与测量方法,其特征在于,在步骤(3)中,所述对比度的增强方法包括以下步骤:
(3.1)以所述灰度图像中路面裂缝图像作为输入图像和引导图像对所述灰度图像进行引导滤波,获得滤波后图像;
(3.2)对(3.1)中滤波后图像进行增强;
(3.3)将(3.2)中增强后的图像作为输入图像,所述路面裂缝图像作为引导图像再次进行引导滤波,使所述灰度图像中裂缝与背景的对比度达到一个预设对比度。
4.如权利要求3所述的基于数字图像处理的隧道缝隙检测与测量方法,其特征在于,对滤波后图像进行增强的公式为:
P_enhanced=(I-q)×m+q
式中,P_enhanced为增强输入图像,q为滤波后图像;m为增强系数,且0<m<6。
5.如权利要求1所述的基于数字图像处理的隧道缝隙检测与测量方法,其特征在于,所述裂缝准确度指数的计算方法为:
(8.1)计算被正确检测分割出来的裂缝区域像素的数量TP;
(8.2)计算被误判为裂缝区域像素的数量FP;
(8.3)计算数量TP与数量FP之和SUM1;
(8.4)计算数量TP与SUM1的比值并作为所述裂缝准确度指数。
6.如权利要求1所述的基于数字图像处理的隧道缝隙检测与测量方法,其特征在于,所述裂缝召回率指数的计算方法为:
(8.5)计算被正确检测分割出来的裂缝区域像素的数量TP;
(8.6)计算属于裂缝区域的像素且没有被检测分割出来的像素的数量FN;
(8.7)计算数量TP与数量FN之和SUM2;
(8.8)计算数量TP与SUM2的比值并作为所述裂缝召回率指数。
8.如权利要求7所述的基于数字图像处理的隧道缝隙检测与测量方法,其特征在于,所述线性裂缝的长度及宽度的计算方法包括以下步骤:
(10.4)提取所述线性裂缝的骨架,以将所述线性裂缝细化为单像素宽;
(10.5)计算细化后像素的总数l;
(10.6)计算所述线性裂缝的长度L,计算公式为L=ml,m为每个像素实际代表的长度;
(10.7)计算所述线性裂缝的宽度W,计算公式为W=S/L。
9.如权利要求1所述的基于数字图像处理的隧道缝隙检测与测量方法,其特征在于,步骤(1)中通过一种探测车实现,所述探测车包括用于采集所述衬砌表面图像的CCD相机图像采集系统以及用于向所述铁路隧道提供照明光线的辅助照明系统;
在步骤(5)中,通过Alexent网格建立所述全卷积神经网络模型,并通过加权平均法分别把第四卷积层的输出结果和第一反卷积层的输出结果进行第一次融合,把第一池化层的输出结果和第二反卷积层的输出结果进行第二次融合;
在步骤(6)中,按照9∶3∶1的比例制作为所述训练集、所述测试集、所述验证集,且所述测试集的图片数量不少于10000张;
在步骤(7)中,通过LabelMe工具人工标注所述训练样本图片。
10.一种基于数字图像处理的隧道缝隙检测与测量装置,其应用如权利要求1-9中任意一项所述的基于数字图像处理的隧道缝隙检测与测量方法,其特征在于,其包括:
探测车,其包括用于采集铁路隧道的衬砌表面图像的CCD相机图像采集系统以及用于向所述铁路隧道提供照明光线的辅助照明系统;
灰度处理模块,其用于灰度化处理所述衬砌表面图像以获取相应的灰度图像;
增强模块,其用于增强所述灰度图像中裂缝与背景的对比度;
二值化模块,其用于通过自适应阈值分割将再次引导滤波的图像进行图片二值化,获取隧道裂缝图像和隧道背景图像;
模型建立及改进模块,其用于建立全卷积神经网络模型,并通过融合部分输出结果以保留裂缝特征并获得改进全卷积神经网络模型;
筛选模块,其用于筛选所述灰度图像中隧道裂缝图像,并制作训练集、测试集、验证集;
标注模块,其用于标注所述训练集中的训练样本图片;
训练验证模块,其用于对不同训练集训练改进全卷积神经网络模型并进行测试,直到裂缝准确度指数和裂缝召回率指数符合一个预设标准,以对所述改进全卷积神经网络模型进行验证;
提取模块,其用于通过验证的改进全卷积神经网络模型提取所述衬砌表面图像的线性裂缝;以及
计算模块,其用于计算所述线性裂缝的面积、长度及宽度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010357850.2A CN111489352B (zh) | 2020-04-29 | 2020-04-29 | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010357850.2A CN111489352B (zh) | 2020-04-29 | 2020-04-29 | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489352A true CN111489352A (zh) | 2020-08-04 |
CN111489352B CN111489352B (zh) | 2023-06-02 |
Family
ID=71797008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010357850.2A Active CN111489352B (zh) | 2020-04-29 | 2020-04-29 | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489352B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233111A (zh) * | 2020-11-18 | 2021-01-15 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像处理的隧道缝隙检测方法 |
CN112509026A (zh) * | 2020-11-06 | 2021-03-16 | 广东电网有限责任公司中山供电局 | 一种绝缘子裂缝长度识别方法 |
CN112819070A (zh) * | 2021-01-29 | 2021-05-18 | 中国电建集团华东勘测设计研究院有限公司 | 隧道管片环缝直线化识别及里程环号标记方法 |
CN114998096A (zh) * | 2022-07-06 | 2022-09-02 | 许昌华杰公路勘察设计有限责任公司 | 一种路面图像中裂缝比例检测方法及系统 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070208244A1 (en) * | 2003-08-01 | 2007-09-06 | Brauker James H | Transcutaneous analyte sensor |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
CN109804232A (zh) * | 2016-12-30 | 2019-05-24 | 同济大学 | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
CN110503637A (zh) * | 2019-08-13 | 2019-11-26 | 中山大学 | 一种基于卷积神经网络的道路裂缝自动检测方法 |
-
2020
- 2020-04-29 CN CN202010357850.2A patent/CN111489352B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070208244A1 (en) * | 2003-08-01 | 2007-09-06 | Brauker James H | Transcutaneous analyte sensor |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
CN109804232A (zh) * | 2016-12-30 | 2019-05-24 | 同济大学 | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
CN110503637A (zh) * | 2019-08-13 | 2019-11-26 | 中山大学 | 一种基于卷积神经网络的道路裂缝自动检测方法 |
Non-Patent Citations (1)
Title |
---|
唐钱龙;谭园;彭立敏;曹豪荣;: "基于数字图像技术的隧道衬砌裂缝识别方法研究" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112509026A (zh) * | 2020-11-06 | 2021-03-16 | 广东电网有限责任公司中山供电局 | 一种绝缘子裂缝长度识别方法 |
CN112233111A (zh) * | 2020-11-18 | 2021-01-15 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像处理的隧道缝隙检测方法 |
CN112819070A (zh) * | 2021-01-29 | 2021-05-18 | 中国电建集团华东勘测设计研究院有限公司 | 隧道管片环缝直线化识别及里程环号标记方法 |
CN114998096A (zh) * | 2022-07-06 | 2022-09-02 | 许昌华杰公路勘察设计有限责任公司 | 一种路面图像中裂缝比例检测方法及系统 |
CN114998096B (zh) * | 2022-07-06 | 2023-11-03 | 许昌华杰公路勘察设计有限责任公司 | 一种路面图像中裂缝比例检测方法及系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111489352B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489352A (zh) | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 | |
CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
WO2019134252A1 (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN110211101A (zh) | 一种铁轨表面缺陷快速检测系统及方法 | |
CN112434695B (zh) | 一种基于深度学习的上拉杆故障检测方法 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN112801972A (zh) | 一种桥梁缺陷检测方法、设备、系统及存储介质 | |
CN111160256A (zh) | 变电站指针式仪表自动识别方法及系统 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
CN112967249B (zh) | 一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法 | |
CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN115578326A (zh) | 一种道路病害识别方法、系统、设备及存储介质 | |
CN110334727B (zh) | 一种隧道裂缝智能匹配检测方法 | |
Guo et al. | Surface defect detection of civil structures using images: Review from data perspective | |
CN111784645A (zh) | 一种充填管道裂纹检测方法 | |
CN113781513B (zh) | 一种电厂供水管道泄漏检测方法及系统 | |
CN114862892A (zh) | 基于增强深度边缘特征的二维及三维路面裂缝识别方法 | |
CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 | |
CN110070520B (zh) | 基于深度神经网络的路面裂缝检测模型构建及检测方法 |
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 |