CN111524154B - 一种基于影像的隧道管片自动化分割方法 - Google Patents
一种基于影像的隧道管片自动化分割方法 Download PDFInfo
- Publication number
- CN111524154B CN111524154B CN202010319470.XA CN202010319470A CN111524154B CN 111524154 B CN111524154 B CN 111524154B CN 202010319470 A CN202010319470 A CN 202010319470A CN 111524154 B CN111524154 B CN 111524154B
- Authority
- CN
- China
- Prior art keywords
- image
- straight line
- tunnel segment
- segmentation method
- images
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000011218 segmentation Effects 0.000 title claims abstract description 26
- 230000008569 process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 3
- 238000010276 construction Methods 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
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于影像的隧道管片自动化分割方法，具体包括以下步骤：S1.线阵相机采集数据；S2.对采集图像进行拼接；S3.计算图像梯度差；S4.直线拟合；S5.分割得到各个管片。本发明依据得到的管片接缝对图像进行分割，得到分割后的各个管片。本发明一种基于影像的隧道管片自动化分割方法具有节省人力成本，具有效率高，准确率高，实用性强的优点。
Description
技术领域
本发明涉及计算机视觉、图像处理分析等技术领域，具体为一种基于影像的隧道管片自动化分割方法。
背景技术
近年来，随着我国社会的进步、经济的发展，基础设施建设的规模越来越大，包括轨道交通在内的许多基建项目中采用了越来越多的隧道结构。在隧道数据采集时，常用的隧道图像获取方法包括利用多台线阵相机对隧道换面的不同部分直接进行拍摄获取图像、或采用三维激光扫描仪获取隧道点云数据后利用重投影的方法将点云数据映射为隧道图像等方法。在基于隧道图像的质量查验及隧道管片损伤定位及检修等工作中，通常需要定位到缺陷管片的具体管片号，目前在这一过程中仍然需要大量人工参与，存在效率低下、劳动强度大、重复性工作多等的问题，越来越不适应现代快速发展的隧道建设情况。因此开发一种准确、高效的针对隧道影像的管片自动化分割技术显得尤为必要。
目前已有的隧道管片自动化分割方法大多依赖于隧道管片间隔, 目前比较通用的算法主要可分为以下几种：
(1)完全人工的方法：对于获取的隧道图像完全利用人工标注的方法完成隧道管片的分割，手动的分割标记出每一环隧道管片，这种方法费事费力，重复性劳动大，在实际工作中效率也不理想；
(2)基于隧道管片设计信息先验的方法：通过标记出第一环隧道管片的位置信息，并结合隧道管片设计时的宽度信息，将图像按对应宽度进行划分。这种方法在一定程度上实现了自动化，但是在完成分割后仍需要人工查验，在隧道环面中的某一环出现问题可能导致后续的所有管片都需要重新分割。
综合来讲，虽然这些方法在某些应用中是可靠的，但它们基于浅过于简单的先验知识。因此，在实际使用时需要大量的人工配合，不能完全满足隧道建设及检验日益加剧的工作负荷。
发明内容
本发明所要解决的技术问题是提供一种基于影像的隧道管片自动化分割方法来解决现有技术中的隧道管片自动化分割方法存在的费事费力，重复性劳动大或者若有一环节出现问题后续管片需要重新分割的问题。
为解决以上技术问题，本发明的技术方案为：提供一种基于影像的隧道管片自动化分割方法，其创新点在于：具体包括以下步骤：
S1.线阵相机采集数据：使用多台线阵相机，同时对隧道环面的不同部分进行图像采集；
S2.对采集图像进行拼接：使用SIFT算子对采集到的环面图像进行拼接；
S3.计算图像梯度差：根据实践中的经验，对拼接后的图像进行水平方向上的梯度差计算；
S4.直线拟合：采用随机选点的方法，通过RANSAC算法进行拟合直线；
S5.分割得到各个管片：将步骤S4拟合的直线根据直线之间的间隙D分布进行剔除，最终剩余得到的直线为管片接缝线，将相邻管片接缝线间的图像数据作为分隔出的一环管片。
进一步的，所述步骤S2中图像拼接的具体过程为：采用SIFT算子进行图像间对应点的描述算子提取，选取两张图像进行SIFT特征点检测，基于SIFT算子的相似程度，匹配计算得到图像拼接过程中所需要的仿射变换矩阵，即基于检测的特征点对所述两张图像进行仿射变换，以建立两张图像的像素点之间的对应关系，完成图像拼接。
进一步的，选取的所述两张图像为两个不同相机针对同一隧道环面拍摄得到图像。
进一步的，所述步骤S3中计算图像梯度差的具体过程为：计算相邻像素格位置上像素的差值，并依次填入与原始图像等大的梯度图中，设定梯度差阈值，将梯度图上梯度差小于给定阈值的点去掉，得到符合标准的滤波后的梯度图。
进一步的，所述梯度差的具体计算方法为：对于图像中的任意一个像素Px,y,其中x,y表示像素在图像中的位置，将其分别于其左侧及右侧紧邻的像素Px-1,y,Px+1,y做差，得到像素差值作为梯度，并将与左右两侧做差的结果分别作为梯度图的一层，存入图像中，缺少左侧像素点或右侧像素点的位置，梯度差设为0，设定梯度差阈值，将梯度图上梯度差小于给定阈值的点去掉，得到符合标准的滤波后的梯度图。
进一步的，所述步骤S4中使用RANSAC算法进行拟合直线的具体方法为：在图像的所有数据点中随机抽取两个点形成一条直线，并设置阈值带2ε+1和评分阈值V，统计直线两侧阈值带2ε+1内点的个数作为直线的评分，将评分高于制定评分阈值V的直线作为管片接缝线的候选直线；
进一步的，所述步骤S4中的阈值带2ε+1为隧道管片接缝线的像素宽度，其中ε为经验值，根据隧道管片接缝处采集过程中的具体像素宽度设定。
进一步的，所述步骤S4设置的评分阈值V为根据隧道管片宽度经验值所指定的数值，其上界及下界为管片宽度的上界及下界与数据采集过程中的累计误差之和，评分阈值V表示可以接受的直线中点的个数；
进一步的，所述步骤S5中将步骤S4拟合的直线根据直线之间的间隙分布进行剔除的具体方法为：计算相邻直线之间的距离作为直线间隙D，将两侧间距都明显小于管片间隔d的直线去掉。
进一步的，所述相邻直线的间隙D为相邻直线沿图像水平方向中轴线的像素间隔，所述管片间隔d为经验值，实际情况中根据管片的具体宽度计算得到。
本发明和现有技术相比，产生的有益效果为：
本发明的一种基于影像的隧道管片自动化分割方法可快速完成图像中的隧道管片的识别分割，节省人力成本并排除人为主观因素的干扰，具有效率高，准确率高，实用性强的优点。
附图说明
为了更清晰地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种基于影像的隧道管片自动化分割方法的流程图；
图2是本发明的图像拼接结果示意图；
图3是本发明的梯度图计算结果的示意图；
图4是本发明的分割处理结果的示意图。
具体实施方式
为了进一步阐明本发明的工作原理和工作过程，下面结合附图与具体实施例对本发明方法做详细的介绍。
本发明提供一种基于影像的隧道管片自动化分割方法，其流程图如图1所示，具体包括以下步骤：
S1.线阵相机采集数据：使用多台线阵相机，同时对隧道环面的不同部分进行图像采集；
S2.对采集图像进行拼接：使用SIFT算子对采集到的环面图像进行拼接，图像拼接的具体过程为：采用SIFT算子进行图像间对应点的描述算子提取，选取两张图像进行SIFT特征点检测，基于SIFT算子的相似程度，匹配计算得到图像拼接过程中所需要的仿射变换矩阵，即基于检测的特征点对所述两张图像进行仿射变换，以建立两张图像的像素点之间的对应关系，完成图像拼接。图2为本实施方式的图像拼接结果图。其中选取的两张图像为两个不同相机针对同一隧道环面拍摄得到图像。
S3.计算图像梯度差：根据实践中的经验，对拼接后的图像进行水平方向上的梯度差计算，计算图像梯度差的具体过程为：计算相邻像素格位置上像素的差值，并依次填入与原始图像等大的梯度图中，设定梯度差阈值，将梯度图上梯度差小于给定阈值的点去掉，得到符合标准的滤波后的梯度图。
本发明优选的梯度差的具体计算方法为：对于图像中的任意一个像素Px,y,其中x,y表示像素在图像中的位置，将其分别于其左侧及右侧紧邻的像素Px-1,y,Px+1,y做差，得到像素差值作为梯度，并将与左右两侧做差的结果分别作为梯度图的一层，存入图像中，缺少左侧像素点或右侧像素点的位置，梯度差设为0，设定梯度差阈值，将梯度图上梯度差小于给定阈值的点去掉，得到符合标准的滤波后的梯度图，如图3为梯度图计算记过示意图。
S4.直线拟合：采用随机选点的方法，在图像的所有数据点中随机抽取两个点形成一条直线，由于本发明的管片的接缝方向处理为竖直方向，所以本发明仅需要拟合竖直方向上的直线，则只需要一点就可以确定一条直线。设置阈值带2ε+1和评分阈值V，统计直线两侧阈值带2ε+1内点的个数作为直线的评分，将评分高于制定评分阈值 V的直线作为管片接缝线的候选直线；随机选点拟合直线的过程中，仅随机选取一点，拟合竖直方向上的直线；其中，阈值带2ε+1为隧道管片接缝线的像素宽度，其中ε为经验值，根据隧道管片接缝处采集过程中的具体像素宽度设定，本实施方式中像素阈值带宽度被设置为ε＝2，即直线两侧像素宽度为2的范围内的点参与到直线的评分中。本发明的评分阈值V为根据隧道管片宽度经验值所指定的数值，其上界及下界为管片宽度的上界及下界与数据采集过程中的累计误差之和，评分阈值V表示可以接受的直线中点的个数，本发明的评分阈值V设定为隧道管片接缝处所有像素点的40％左右。
S5.分割得到各个管片：将步骤S4拟合的直线根据直线之间的间隙D分布进行剔除，将步骤S4拟合的直线根据直线之间的间隙分布进行剔除的具体方法为：计算相邻直线之间的距离作为直线间隙D，将两侧间距都明显小于管片间隔d的直线去掉。最终剩余得到的直线为管片接缝线，将相邻管片接缝线间的图像数据作为分隔出的一环管片。其中，相邻直线的间隙D为相邻直线沿图像水平方向中轴线的像素间隔，所述管片间隔d为经验值，实际情况中根据管片的具体宽度计算得到，本发明中的d的值设定为300，本实施方式的分割结果示意图如图4所示。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，本发明要求保护范围由所附的权利要求书、说明书及其等效物界定。
Claims (5)
1.一种基于影像的隧道管片自动化分割方法，其特征在于：具体包括以下步骤：
S1.线阵相机采集数据：使用多台线阵相机，同时对隧道环面的不同部分进行图像采集；
S2.对采集图像进行拼接：使用SIFT算子对采集到的环面图像进行拼接；
S3.计算图像梯度差：对于图像中的任意一个像素Px,y,其中x,y表示像素在图像中的位置，将其分别与其左侧及右侧紧邻的像素Px-1,y,Px+1,y做差，得到像素差值作为梯度，并将与左右两侧做差的结果作为梯度图的一层，存入图像中，缺少左侧像素点或右侧像素点的位置，梯度差设为0，设定梯度差阈值，将梯度图上梯度差小于给定阈值的点去掉，得到符合标准的滤波后的梯度图；
S4.直线拟合：采用随机选点的方法，通过RANSAC算法进行拟合直线；
S5.分割得到各个管片：计算相邻直线之间的距离作为直线间隙D，将两侧间距小于管片间隔d的直线去掉，最终剩余得到的直线为管片接缝线，将相邻管片接缝线间的图像数据作为分隔出的一环管片。
2.根据权利要求1所述的一种基于影像的隧道管片自动化分割方法，其特征在于：所述步骤S2中图像拼接的具体过程为：采用SIFT算子进行图像间对应点的描述算子提取，选取两张图像进行SIFT特征点检测，基于SIFT算子的相似程度，匹配计算得到图像拼接过程中所需要的仿射变换矩阵，即基于检测的特征点对所述两张图像进行仿射变换，以建立两张图像的像素点之间的对应关系，完成图像拼接。
3.根据权利要求2所述的一种基于影像的隧道管片自动化分割方法，其特征在于：选取的所述两张图像为两个不同相机针对同一隧道环面拍摄得到图像。
4.根据权利要求1所述的一种基于影像的隧道管片自动化分割方法，其特征在于：所述步骤S4中使用RANSAC算法进行拟合直线的具体方法为：在图像的所有数据点中随机抽取两个点形成一条直线，并设置阈值带2ε+1和评分阈值V，统计直线两侧阈值带2ε+1内点的个数作为直线的评分，将评分高于制定评分阈值V的直线作为管片接缝线的候选直线。
5.根据权利要求4所述的一种基于影像的隧道管片自动化分割方法，其特征在于：所述步骤S4中的阈值带2ε+1为隧道管片接缝线的像素宽度，其中ε为经验值，根据隧道管片接缝处采集过程中的具体像素宽度设定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010319470.XA CN111524154B (zh) | 2020-04-21 | 2020-04-21 | 一种基于影像的隧道管片自动化分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010319470.XA CN111524154B (zh) | 2020-04-21 | 2020-04-21 | 一种基于影像的隧道管片自动化分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111524154A CN111524154A (zh) | 2020-08-11 |
| CN111524154B true CN111524154B (zh) | 2021-12-28 |
Family
ID=71903918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010319470.XA Active CN111524154B (zh) | 2020-04-21 | 2020-04-21 | 一种基于影像的隧道管片自动化分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111524154B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381009B (zh) * | 2020-11-18 | 2023-01-17 | 安徽国钜工程机械科技有限公司 | 一种线阵相机采集隧道图像和图像拼接方法 |
| CN113450357B (zh) * | 2021-09-01 | 2021-12-17 | 南昌市建筑科学研究所（南昌市建筑工程质量检测中心） | 管片图像在线分析子系统及地铁盾构检测系统 |
| CN114626470B (zh) * | 2022-03-18 | 2024-02-02 | 南京航空航天大学深圳研究院 | 基于多类型几何特征算子的飞机蒙皮关键特征检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013020143A1 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack quantification |
| CN104406523A (zh) * | 2014-09-29 | 2015-03-11 | 樊晓莉 | 一种盾构隧道的管片移位检测方法 |
| CN109373921A (zh) * | 2018-10-26 | 2019-02-22 | 南京航空航天大学 | 一种隧道监测方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11049218B2 (en) * | 2017-08-11 | 2021-06-29 | Samsung Electronics Company, Ltd. | Seamless image stitching |
| CN110660094A (zh) * | 2019-09-23 | 2020-01-07 | 上海市建筑科学研究院 | 一种基于图像识别的地铁隧道移动扫描点云精细划分方法 |
-
2020
- 2020-04-21 CN CN202010319470.XA patent/CN111524154B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013020143A1 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack quantification |
| CN104406523A (zh) * | 2014-09-29 | 2015-03-11 | 樊晓莉 | 一种盾构隧道的管片移位检测方法 |
| CN109373921A (zh) * | 2018-10-26 | 2019-02-22 | 南京航空航天大学 | 一种隧道监测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| "Automatic detection and classification of sewer defects via hierarchical deep learning";Qian Xie等;《IEEE Transactions on Automation Science and Engineering》;20191031;第16卷(第4期);第1836-1847页 * |
| "基于深度学习的盾构隧道渗漏水病害图像识别";黄宏伟等;《岩石力学与工程学报》;20171231;第36卷(第12期);第2861-2871页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111524154A (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111524154B (zh) | 一种基于影像的隧道管片自动化分割方法 | |
| CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
| CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
| CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
| CN111537517A (zh) | 一种无人智能化冲压缺陷识别方法 | |
| CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
| CN110728667A (zh) | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 | |
| CN107392849B (zh) | 基于图像细分的靶标识别与定位方法 | |
| Schmugge et al. | Crack segmentation by leveraging multiple frames of varying illumination | |
| CN107358628B (zh) | 基于靶标的线阵图像处理方法 | |
| CN113284154B (zh) | 钢卷端面图像分割方法、装置及电子设备 | |
| CN105674910A (zh) | 一种超大型剪板机板料剪切边缘曲线检测系统及方法 | |
| CN110232682B (zh) | 一种基于图像的轨道异物探测方法 | |
| CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
| CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
| 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 | |
| CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
| CN110672632A (zh) | 一种隧道病害识别方法 | |
| CN117115148B (zh) | 基于5g技术的芯片表面缺陷智能识别方法 | |
| CN113962951A (zh) | 检测分割模型的训练方法及装置、目标检测方法及装置 | |
| CN116109633B (zh) | 一种轴承保持器的窗口检测方法及设备 | |
| CN111161264B (zh) | 一种对含有缺陷的tft电路图像的分割方法 | |
| CN116958837A (zh) | 基于无人机的市政设施故障检测系统 | |
| CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 |
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 |