CN111681202A - 一种早龄期混凝土结构表面开裂情况的评估方法 - Google Patents
一种早龄期混凝土结构表面开裂情况的评估方法 Download PDFInfo
- Publication number
- CN111681202A CN111681202A CN202010330298.8A CN202010330298A CN111681202A CN 111681202 A CN111681202 A CN 111681202A CN 202010330298 A CN202010330298 A CN 202010330298A CN 111681202 A CN111681202 A CN 111681202A
- Authority
- CN
- China
- Prior art keywords
- crack
- early
- image
- concrete structure
- fractal dimension
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开公开一种早龄期混凝土结构开裂情况的评估方法,用来评估早龄期混凝土开裂对混凝土结构健康的影响。本发明评估方法主要包含以下步骤:(1)对早龄期混凝土结构表面进行分区,利用线感相机提取各分区裂缝图像信息;(2)对图像进行二值化处理,以清晰辨认裂缝;(3)计算各分区裂缝图像的裂缝指数;(4)计算各分区裂缝图像的分形维数;(5)绘制裂缝指数‑分形维数的散点图,将两者关系拟合为函数表达式,并以裂缝指数等于2×10‑6为界,将早龄期结构表面开裂情况分为四个等级。本发明采用综合指标初步评估早龄期混凝土结构开裂情况,为是否需要进一步的内部检测提供依据,是一种很有价值的健康评价指标。
Description
技术领域
本发明属于混凝土结构健康监测技术,具体涉及一种早龄期混凝土结构表面开裂情况的评估方法。
背景技术
混凝土材料为准脆性材料,其抗拉强度明显低于其抗压强度,且相对拉伸变形小,在实际使用过程中容易出现裂缝。在混凝土结构浇筑的早期,尤其是高性能混凝土浇筑的早期,胶凝材料快速水化放出水化热以及水化过程中的化学反应收缩等都可能引起混凝土内部结构的破坏,导致早龄期裂缝的产生。混凝土早期裂缝将会成为混凝土结构的一个致命缺陷,会对其后期性能产生很大的影响,大幅减少混凝土结构的使用寿命,因此对有必要对早龄期混凝土开裂对混凝土结构健康状况的影响进行评估。
目前,检测混凝土结构是否存在裂缝的一个方法是通过肉眼检查,存在人为因素的干扰,误差较大。虽然,超声设备作为检测混凝土结构裂缝开展情况的一个可靠手段,但是对于大型混凝土结构需要投入大量的超声设备,费时费力。由此可见对对混凝土结构裂缝评估的方法还不够完善,一种简单易行的早龄期混凝土结构裂缝开展情况的初步评估方法亟待开发。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种早龄期混凝土结构表面开裂情况的评估方法。
技术方案:本发明的一种早龄期混凝土结构表面开裂情况的评估方法,依次包括以下步骤:
(1)根据混凝土结构表面情况对其结构表面进行矩形合理分区(各个分区应大小均匀且能够将对应结构表面全部覆盖即可),并利用线感相机生成各分区结构表面开裂情况的图像信息;
(2)将所得各分区的图像信息作为输入数据,对相应图像进行二值化处理,将图像信息转化为0-1的矩阵图像信息;
(3)提取各分区的二值化图像中的裂缝信息,计算各分区的裂缝指数;
(4)利用盒子法计算图像中裂缝的分形维数;
(5)根据步骤(3)和步骤(4)所得对应裂缝指数和分形维数,绘制裂缝指数-分形维数散点图,通过拟合获得裂缝指数与分形维数之间的关系式,以裂缝指数等于2×10-6为界,在散点图上分别绘制对应的两条直线,将散点图分成四块区域,分别对应早龄期混凝土结构表面开裂情况的四个级别,即包括Ⅰ、Ⅱ、Ⅲ和Ⅳ四个等级。
进一步的,所述步骤(2)中的图像二值化处理方法的具体做法是:以线感相机所得图像信息作为输入数据,利用MATLAB软件首先将图像转化为灰度图像,随后选取合适的灰度值作为阈值,对灰度图像进行二值化处理,转化为0-1的矩阵图像信息。
进一步的,所述步骤(3)裂缝指数的具体计算方法为:
F0=F11+F22 (1)
式中,A为图像区域面积,t(k)为第k条裂缝宽度,l(k)为第k条裂缝长度,θi (k)、θj (k)分别为第k条裂缝法向量与xi轴、xj轴的夹角,α、β分别为裂缝宽度和裂缝长度的权重系数。
进一步的,所述步骤(4)的具体内容为:
分别用边长为2、21、22……2a个像素点组成的方格图像覆盖步骤(2)所得的二值化图像,其中含有裂缝信息的方格数分别对应n(0)、n(1)、n(2)……n(a),采用线性回归方法对所得一系列数据点(logn(a),log2a)进行拟合,其斜率即为所求分形维数。
进一步的,所述步骤(5)所述的分区方法具体内容为:根据拟合所得关系式,代入裂缝指数CI=2×10-6(若裂缝指数高于2×10-6则需要进一步的检测),获得对应的分形维数值F0,以CI=2×10-6和F0在裂缝指数-分形维数散点图上绘出正交的两条直线,从而将散点图分成四块区域,位于这四块区域的点按从左到右、从下到上分别对应Ⅰ、Ⅱ、Ⅲ、Ⅳ四个级别,以区分各分区开裂情况的严重与否。
有益效果:本发明采用综合指标初步评估早龄期混凝土结构开裂情况,为是否需要进一步的内部检测提供依据,是一种很有价值的健康评价指标。
附图说明
图1为本发明实施例的整体流程示意图;
图2位本发明实施例中裂缝指数计算示意图;
图3为实施例中的裂缝示意图;
图4为实施例中所得等级示意图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,本实施例的一种早龄期混凝土结构表面开裂情况的评估方法,具体实施步骤如下:
步骤1):将早龄期混凝土结构表面合理的分成数个矩形区域,随后利用线感相机采集各分区裂缝的图像信息;
步骤2):对步骤1)采集得到的图像进行二值化处理,将图像信息转化为0-1矩阵图像信息;
步骤3):根据步骤2)处理得到的裂缝形状计算该分区裂缝指数;
步骤4):根据步骤2)获取的二值化图像,采用盒子法计算该分区裂缝图像给的分形维数;
步骤5):根据步骤3)、步骤4)计算所得数据,绘制裂缝指数-分形维数散点图,通过拟合获得裂缝指数与分形维数之间的关系式。根据拟合所得关系式,代入裂缝指数c,获得对应的分形维数值F0,以CI=2×10-6和F0在裂缝指数-分形维数散点图上绘出正交的两条直线,从而将散点图分成四块区域,位于这四块区域的点按从左到右、从下到上分别对应Ⅰ、Ⅱ、Ⅲ、Ⅳ四个级别。
现有的技术中,裂缝指数考虑了裂缝的长度及裂缝的开裂宽度,而忽略了裂缝的交叉与分布对结构健康状况带来的影响;此外由于裂缝往往不是直线,在裂缝指数计算过程中采取了一定的近似方法。分形维数提供了一个统计指标,用来表征采集图像中裂缝的细节是如何随测量尺度而变化的,同时,它还可以表征分形的尺度与它所嵌入的空间有什么不同。
本发明通过分形维数的引入,更好的评估了裂缝的分布及形态的影响,从而更精细化的评估了早龄期混凝土结构表面的开裂情况。
具体的,步骤2)中图像二值化处理的方式为:利用MATLAB软件将图像信息转化为灰度图像,随后通过Otsu算法获取图像阈值,将小于此阈值的区域设为0,高于此阈值的区域设为1,从而生成0-1的矩阵图像信息。
具体的,步骤3)中,根据图2所示,裂缝指数由下式计算获得:
F0=F11+F22 (1)
式中,A为图像区域面积,t(k)为第k条裂缝宽度,l(k)为第k条裂缝长度,θi (k)、θj (k)分别为第k条裂缝法向量与xi轴、xj轴的夹角,α、β分别为裂缝宽度和长度的权重系数。
具体的,步骤4)中所述的计算分形维数的盒子法具体内容为:分别用边长为2、21、22……2a个像素点组成的方格图像覆盖步骤(2)所得的二值化图像,其中含有裂缝信息的方格数分别对应n(0)、n(1)、n(2)……n(a),采用线性回归方法对所得一系列数据点(logn(a),log2a)进行拟合,其斜率即为所求分形维数。
具体的,步骤5)中所述的裂缝指数CI=2×10-6,可依结构安全等级引入安全系数μ,其表达式如下:
CI=2×10-6×μ
对于安全等级为一级的结构构件,其值不应大于0.9,对于安全等级为二级的结构构件其值不应大于1.0,对于安全等级为三级的结构构件其值不应大于1.1。
实施例:
本实施例利用Matlab软件对实际早龄期混凝土结构表面的裂缝图像进行二值化处理,通过选择合适的阈值将图像转化为黑白图像如图3所示。
图中共有两条裂缝,已知该区域裂缝指数由式(1)计算获得,其中权重系数α、β取值为1:
F0 (m)=F11+F22
使用Matlab软件,采取盒子法计算该分区裂缝图像的分形维数值,其原理如下:已知该二值图像由0和1的像素矩阵组成,0为黑色区域,即表明该像素区域为裂缝;1为白色区域,表明该像素区域没有裂缝经过;其中黑色像素个数为n(k),像素边长为2k,由此可得直角坐标系中一点(logn(k),log2k)。
改变边长可获得指标坐标系中的一些列数据点(logn(a),log2a),对这些点进行线性拟合,其斜率即为该区域裂缝图像的分形维数值D(m)。由此可获得直角坐标系中一点(F0 (m),D(m))。
对不同区域裂缝图像重复以上步骤,可获得(F0 (m),D(m))散点图,通过拟合获得F0 (m)与D(m)之间的关系式,从而根据裂缝指数CI=2×10-6对不同区域开裂情况进行评估,其示意图如图4所示。
通过上述实施例可看出,采用本发明的评估方法,能够在对结构表面裂缝识别时,快速高效的评估判断是否需要进一步的检测,方便快捷。
Claims (5)
1.一种早龄期混凝土结构表面开裂情况的评估方法,其特征在于:依次包括以下步骤:
(1)根据混凝土结构表面情况对其结构表面进行矩形分区,并利用线感相机生成各分区结构表面开裂情况的图像信息;
(2)将所得各分区的图像信息作为输入数据,对相应图像进行二值化处理,将图像信息转化为0-1的矩阵图像信息;
(3)提取各分区的二值化图像中的裂缝信息,计算各分区的裂缝指数;
(4)利用盒子法计算图像中裂缝的分形维数;
(5)根据步骤(3)和步骤(4)所得对应裂缝指数和分形维数,绘制裂缝指数-分形维数散点图,通过拟合获得裂缝指数与分形维数之间的关系式;以裂缝指数CI等于2×10-6计算获得对应的分形维数值,并以裂缝指数等于2×10-6、计算获得的分形维数值,在散点图上分别绘制对应的两条直线,将散点图分成四块区域,分别对应早龄期混凝土结构表面开裂情况的四个级别,即包括Ⅰ、Ⅱ、Ⅲ和Ⅳ四个等级。
2.根据权利要求1所述的早龄期混凝土结构表面开裂情况的评估方法,其特征在于:所述步骤(2)中的图像二值化处理方法的具体做法是:以线感相机所得图像信息作为输入数据,利用MATLAB软件首先将图像转化为灰度图像,随后选取合适的灰度值作为阈值,对灰度图像进行二值化处理,转化为0-1的矩阵图像信息。
4.根据权利要求1所述的早龄期混凝土结构表面开裂情况的评估方法,其特征在于:所述步骤(4)的具体内容为:
分别用边长为2、21、22……2a个像素点组成的方格图像覆盖步骤(2)所得的二值化图像,其中含有裂缝信息的方格数分别对应n(0)、n(1)、n(2)……n(a),采用线性回归方法对所得一系列数据点(logn(a),log2a)进行拟合,其斜率即为所求分形维数。
5.根据权利要求1所述的早龄期混凝土结构表面开裂情况的评估方法,其特征在于:所述步骤(5)所述的分区方法具体内容为:根据拟合所得关系式,代入裂缝指数CI=2×10-6,获得对应的分形维数值F0,以CI=2×10-6和F0在裂缝指数-分形维数散点图上绘出正交的两条直线,从而将散点图分成四块区域,位于这四块区域的点按从左到右、从下到上分别对应Ⅰ、Ⅱ、Ⅲ、Ⅳ四个级别,以区分各分区开裂情况的严重与否。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330298.8A CN111681202B (zh) | 2020-04-24 | 2020-04-24 | 一种早龄期混凝土结构表面开裂情况的评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330298.8A CN111681202B (zh) | 2020-04-24 | 2020-04-24 | 一种早龄期混凝土结构表面开裂情况的评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681202A true CN111681202A (zh) | 2020-09-18 |
CN111681202B CN111681202B (zh) | 2023-09-01 |
Family
ID=72452151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010330298.8A Active CN111681202B (zh) | 2020-04-24 | 2020-04-24 | 一种早龄期混凝土结构表面开裂情况的评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681202B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018004389A (ja) * | 2016-06-30 | 2018-01-11 | 鹿島建設株式会社 | 亀裂解析方法及び亀裂解析システム |
CN107590349A (zh) * | 2017-09-30 | 2018-01-16 | 湘潭大学 | 混凝土构件裂缝分形的损伤程度评定方法 |
CN108876778A (zh) * | 2018-06-15 | 2018-11-23 | 西安建筑科技大学 | 一种夯土墙表面与剖面裂缝的定量分析方法 |
CN109146888A (zh) * | 2018-07-06 | 2019-01-04 | 同济大学 | 一种基于差商分析的土裂隙分形维数计算方法 |
CN110146525A (zh) * | 2019-04-24 | 2019-08-20 | 山东科技大学 | 一种基于分形理论及ct扫描的煤体孔渗参数预测方法 |
-
2020
- 2020-04-24 CN CN202010330298.8A patent/CN111681202B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018004389A (ja) * | 2016-06-30 | 2018-01-11 | 鹿島建設株式会社 | 亀裂解析方法及び亀裂解析システム |
CN107590349A (zh) * | 2017-09-30 | 2018-01-16 | 湘潭大学 | 混凝土构件裂缝分形的损伤程度评定方法 |
CN108876778A (zh) * | 2018-06-15 | 2018-11-23 | 西安建筑科技大学 | 一种夯土墙表面与剖面裂缝的定量分析方法 |
CN109146888A (zh) * | 2018-07-06 | 2019-01-04 | 同济大学 | 一种基于差商分析的土裂隙分形维数计算方法 |
CN110146525A (zh) * | 2019-04-24 | 2019-08-20 | 山东科技大学 | 一种基于分形理论及ct扫描的煤体孔渗参数预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111681202B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376792B (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
JP7104799B2 (ja) | 学習用データ収集装置、学習用データ収集方法、及びプログラム | |
Rimkus et al. | Processing digital images for crack localization in reinforced concrete members | |
CN114677362B (zh) | 基于改进YOLOv5的表面缺陷检测方法 | |
CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN104850854A (zh) | 一种滑石矿品分选处理方法及滑石矿品分选系统 | |
CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
CN117011295B (zh) | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
JP2017156271A (ja) | 構造解析装置、構造解析方法及び三次元織繊維素材製造方法 | |
CN108711150B (zh) | 一种基于pca的端到端路面裂缝检测识别方法 | |
CN113034469B (zh) | 基于transformer的热成像检测管道内部缺陷的方法 | |
CN111681202A (zh) | 一种早龄期混凝土结构表面开裂情况的评估方法 | |
Lee et al. | Predicting Concrete Compressive Strength Using Deep Convolutional Neural Network Based on Image Characteristics. | |
CN117132546A (zh) | 一种用于无缺陷样本条件下的混凝土表面缺陷检测方法 | |
CN115661126A (zh) | 一种基于改进YOLOv5算法的带钢表面缺陷检测方法 | |
CN115311238A (zh) | 一种基于图像分析的光伏组件缺陷损伤的识别方法 | |
CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 | |
Zhang et al. | Deep learning-based extraction and quantification of features in XCT images of steel corrosion in concrete | |
CN115598017A (zh) | 一种透水混凝土用粗骨料形态识别及骨架评价方法 | |
CN109035217B (zh) | 一种基于图像二维熵的土体裂隙定量评价方法 | |
Vora et al. | Image processing based analysis of cracks on vertical walls | |
Dahai et al. | A lightweight convolutional neural network for recognition and classification for Si3N4 chip substrate surface defects | |
CN114387255A (zh) | 一种混凝土群裂纹多重分形量化表征方法 | |
CN111709908B (zh) | 一种基于深度学习的氦泡分割计数方法 |
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 |