CN111709905A - 一种基于图像检测裂缝的分析方法 - Google Patents
一种基于图像检测裂缝的分析方法 Download PDFInfo
- Publication number
- CN111709905A CN111709905A CN202010229120.4A CN202010229120A CN111709905A CN 111709905 A CN111709905 A CN 111709905A CN 202010229120 A CN202010229120 A CN 202010229120A CN 111709905 A CN111709905 A CN 111709905A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- analysis method
- images
- area
- 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
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于图像检测裂缝的分析方法,包括以下步骤:S10:数据采集;采集桥面表面的图像,并传输到图像的数据库中;S20:对数据进行预处理;对步骤S10中采集到的图像进行,弱化图片中背景的痕迹,S30:将图像分成大小相等且图像内容互补重叠的图像块;S40:对步骤S30中选出的带有裂缝特征的图像块进行再次分类;S50:对步骤S50中得到灰度均衡的图像进行再次分类,S60:将检测出含有裂缝的图像定位到桥面,从而确定含有裂缝的图像所在区域。该基于图像检测裂缝的分析方法对灰度均衡的图像进行特征提取的到圆形度、面积和细长比,组成三维特征空间,再次通过聚类分析方法,从而检测到裂缝,这样能够更好的将图像中影响裂缝检测的因素筛出掉。
Description
技术领域
本发明涉及建筑物表面风压检测技术领域,具体为一种基于图像检测裂缝的分析方法。
背景技术
通过图像来检测桥面的裂缝技术由于其直观性、安全性、高效性、普遍性成为研究的热点和未来的发展方向之一;随着我国公路交通基础设施不断完善,公路路面尤其是桥梁路面状况检测、养护和管理已成为我国公路建设领域的重要任务。路面应变和裂缝是桥面病害的早期特征,直接影响着桥梁寿命和通行安全,具有重大的现实意义。传统的应变测量等技术不能提供全场的变形数据,现有的非接触路面损伤检测技术注重检测速度、检测范围,却集中在单幅路面图像的处理技术,现在通过图像来判断桥面裂缝的技术中不能更好的排除桥面正常材料中间存在的裂缝,鉴于现在市面上的检测风压检测的传感方法存在的问题,提出一种基于图像检测裂缝的分析方法。
发明内容
本发明的目的在于提供一种基于图像检测裂缝的分析方法,以解决上述背景技术提出的目前市场上的基于图像检测裂缝的分析方法存在的问题。
为实现上述目的,本发明提供如下技术方案:一种基于图像检测裂缝的分析方法,包括以下步骤:
S10:数据采集;采集桥面表面的图像,并传输到图像的数据库中;
S20:对数据进行预处理;对步骤S10中采集到的图像进行,弱化图片中背景的痕迹,并且增强目标区域的光照;
S30:将图像分成大小相等且图像内容互补重叠的图像块,并计算出每个图像块的均值和标准值,通过聚类分析方法,得到两类图像块:分别是含有裂缝特征的图像块和不含裂缝特征的图像块;
S40:对步骤S30中选出的带有裂缝特征的图像块进行再次分类;将步骤 S30中的判定出的不含裂缝特征的图像块为背景,将含有不含裂缝特征的图像块的所有图像整体灰度平均值M赋值给被判定为背景区域中的每一个像素,得到灰度均衡的图像。
S50:对步骤S50中得到灰度均衡的图像进行再次分类,分别提取灰度均衡的图像中的特征:圆形度、面积和细长比,组成三维特征空间,再次通过聚类分析方法,从而检测到裂缝;
S60:将检测出含有裂缝的图像定位到桥面,从而确定含有裂缝的图像所在区域。
优选的,所述步骤S10中采取图像,采用的是CCD光学相机,采集桥面图像。
优选的,所述步骤S20中增强目标区域的光照,使图像中裂缝的光线增强,非裂缝的位置图像变暗。
优选的,所述步骤S30中将不含裂缝特征的图像块判定为背景,之后只需将含有裂缝特征的图像块中的像素进行分类即可。
优选的,所述步骤S50中所述聚类分析方法具体采用的是K均值聚类算法。
与现有技术相比,本发明的有益效果是:该基于图像检测裂缝的分析方法,在此方法中通过将不含裂缝特征的图像块为背景,将含有不含裂缝特征的图像块的所有图像整体灰度平均值M赋值给被判定为背景区域中的每一个像素,得到灰度均衡的图像,之后再对灰度均衡的图像进行特征提取的到圆形度、面积和细长比,组成三维特征空间,再次通过聚类分析方法,从而检测到裂缝,这样能够更好的将图像中影响裂缝检测的因素晒出掉,并且能够清楚的判断出图像中裂缝的位置,更为简便快捷的找出图片中对应桥面上裂缝的位置,另外,通过对图像中裂缝的光线增强,非裂缝的位置图像变暗能够增加裂缝定位的准确性。
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
本发明提供一种技术方案:一种基于图像检测裂缝的分析方法,包括以下步骤:
S10:数据采集;采集桥面表面的图像,并传输到图像的数据库中;
S20:对数据进行预处理;对步骤S10中采集到的图像进行,弱化图片中背景的痕迹,并且增强目标区域的光照;
S30:将图像分成大小相等且图像内容互补重叠的图像块,并计算出每个图像块的均值和标准值,通过聚类分析方法,得到两类图像块:分别是含有裂缝特征的图像块和不含裂缝特征的图像块;
S40:对步骤S30中选出的带有裂缝特征的图像块进行再次分类;将步骤 S30中的判定出的不含裂缝特征的图像块为背景,将含有不含裂缝特征的图像块的所有图像整体灰度平均值M赋值给被判定为背景区域中的每一个像素,得到灰度均衡的图像。
S50:对步骤S50中得到灰度均衡的图像进行再次分类,分别提取灰度均衡的图像中的特征:圆形度、面积和细长比,组成三维特征空间,再次通过聚类分析方法,从而检测到裂缝;
S60:将检测出含有裂缝的图像定位到桥面,从而确定含有裂缝的图像所在区域。
进一步的,所述步骤S10中采取图像,采用的是CCD光学相机,采集桥面图像。
进一步的,所述步骤S20中增强目标区域的光照,使图像中裂缝的光线增强,非裂缝的位置图像变暗。
进一步的,所述步骤S30中将不含裂缝特征的图像块判定为背景,之后只需将含有裂缝特征的图像块中的像素进行分类即可。
进一步的,所述步骤S50中所述聚类分析方法具体采用的是K均值聚类算法。
具体的,通过使用CDD光学相机对所需要检测的桥面进行取像,之后对取到的相片进行处理,弱化图片中背景的痕迹,并且增强目标区域的光照,然后将图片分成大小相同且不重叠的图像块,将图像块分为含有裂缝特征的图像块和不含有裂缝特征的图像块两类,将选出的带有裂缝特征的图像块进行再次分类;将步骤S30中的判定出的不含裂缝特征的图像块为背景,将含有不含裂缝特征的图像块的所有图像整体灰度平均值M赋值给被判定为背景区域中的每一个像素,得到灰度均衡的图像,并对灰度均衡的图像进行再次分类,分别提取灰度均衡的图像中的特征:圆形度、面积和细长比,组成三维特征空间,再次通过聚类分析方法,从而检测到裂缝,将检测出含有裂缝的图像定位到桥面,从而确定含有裂缝的图像所在区域。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于图像检测裂缝的分析方法,其特征在于:包括以下步骤:
S10:数据采集;采集桥面表面的图像,并传输到图像的数据库中;
S20:对数据进行预处理;对步骤S10中采集到的图像进行,弱化图片中背景的痕迹,并且增强目标区域的光照;
S30:将图像分成大小相等且图像内容互补重叠的图像块,并计算出每个图像块的均值和标准值,通过聚类分析方法,得到两类图像块:分别是含有裂缝特征的图像块和不含裂缝特征的图像块;
S40:对步骤S30中选出的带有裂缝特征的图像块进行再次分类;将步骤S30中的判定出的不含裂缝特征的图像块为背景,将含有不含裂缝特征的图像块的所有图像整体灰度平均值M赋值给被判定为背景区域中的每一个像素,得到灰度均衡的图像。
S50:对步骤S50中得到灰度均衡的图像进行再次分类,分别提取灰度均衡的图像中的特征:圆形度、面积和细长比,组成三维特征空间,再次通过聚类分析方法,从而检测到裂缝;
S60:将检测出含有裂缝的图像定位到桥面,从而确定含有裂缝的图像所在区域。
2.根据权利要求1所述的一种基于图像检测裂缝的分析方法,其特征在于:所述步骤S10中采取图像,采用的是CCD光学相机,采集桥面图像。
3.根据权利要求1所述的一种基于图像检测裂缝的分析方法,其特征在于:所述步骤S20中增强目标区域的光照,使图像中裂缝的光线增强,非裂缝的位置图像变暗。
4.根据权利要求1所述的一种基于图像检测裂缝的分析方法,其特征在于:所述步骤S30中将不含裂缝特征的图像块判定为背景,之后只需将含有裂缝特征的图像块中的像素进行分类即可。
5.根据权利要求1所述的一种基于图像检测裂缝的分析方法,其特征在于:所述步骤S50中所述聚类分析方法具体采用的是K均值聚类算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010229120.4A CN111709905A (zh) | 2020-03-27 | 2020-03-27 | 一种基于图像检测裂缝的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010229120.4A CN111709905A (zh) | 2020-03-27 | 2020-03-27 | 一种基于图像检测裂缝的分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111709905A true CN111709905A (zh) | 2020-09-25 |
Family
ID=72536819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010229120.4A Pending CN111709905A (zh) | 2020-03-27 | 2020-03-27 | 一种基于图像检测裂缝的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709905A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252695A (zh) * | 2021-06-16 | 2021-08-13 | 上海启迪睿视智能科技有限公司 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
CN115046533A (zh) * | 2022-07-23 | 2022-09-13 | 平湖市城工建设测绘设计有限责任公司 | 基于无人机遥感的建筑测绘方法、系统、介质及设备 |
-
2020
- 2020-03-27 CN CN202010229120.4A patent/CN111709905A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252695A (zh) * | 2021-06-16 | 2021-08-13 | 上海启迪睿视智能科技有限公司 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
CN113252695B (zh) * | 2021-06-16 | 2021-09-28 | 上海启迪睿视智能科技有限公司 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
CN115046533A (zh) * | 2022-07-23 | 2022-09-13 | 平湖市城工建设测绘设计有限责任公司 | 基于无人机遥感的建筑测绘方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
CN108759973B (zh) | 一种水位测量方法 | |
CN101625723B (zh) | 电力线轮廓的快速图像识别方法 | |
Jahanshahi et al. | Unsupervised approach for autonomous pavement-defect detection and quantification using an inexpensive depth sensor | |
US20200364849A1 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
Valença et al. | Damage assessment on concrete surfaces using multi-spectral image analysis | |
CN104608799A (zh) | 基于信息融合技术列车轮对踏面损伤在线检测与识别方法 | |
CN113379712B (zh) | 一种基于计算机视觉的钢桥螺栓病害检测方法及系统 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN111709905A (zh) | 一种基于图像检测裂缝的分析方法 | |
CN106780483A (zh) | 多根连铸坯端面视觉识别系统及中心坐标求取方法 | |
WO2010061779A1 (ja) | 画像処理によるトロリ線の摩耗および偏位測定装置 | |
CN117078661B (zh) | 一种高空作业车结构件生产质量智能检测方法 | |
Shatnawi | Automatic pavement cracks detection using image processing techniques and neural network | |
CN115081806A (zh) | 一种基于物联网技术的建筑工程施工现场智能监理分析管理系统 | |
Barkavi et al. | Processing digital image for measurement of crack dimensions in concrete | |
CN115078382A (zh) | 基于视频图像的桥梁裂缝监测系统 | |
Kim et al. | Displacement measurement of steel pipe support using image processing technology | |
CN105260559A (zh) | 一种基于轮廓面积和轮廓细化的纸浆纤维形态参数计算方法 | |
CN112950562A (zh) | 一种基于线结构光的扣件检测算法 | |
Qiu et al. | Pavement crack detection in infrared images using a DCNN and CCL algorithm | |
CN114812403B (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
CN112270663B (zh) | 基于蜂巢网络环境的沥青路面过筛修复系统 | |
CN110969103B (zh) | 一种基于ptz相机的高速公路路面病害长度测量方法 | |
CN115393387A (zh) | 一种建筑物位移监测方法和装置 |
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 |