CN111709944B - 一种基于数字化图像异常识别的桥隧结构裂缝监测方法 - Google Patents

一种基于数字化图像异常识别的桥隧结构裂缝监测方法 Download PDF

Info

Publication number
CN111709944B
CN111709944B CN202010672323.0A CN202010672323A CN111709944B CN 111709944 B CN111709944 B CN 111709944B CN 202010672323 A CN202010672323 A CN 202010672323A CN 111709944 B CN111709944 B CN 111709944B
Authority
CN
China
Prior art keywords
digital
image
matrix
crack
scale
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
Application number
CN202010672323.0A
Other languages
English (en)
Other versions
CN111709944A (zh
Inventor
刘洋
高铭鑫
李虎
许为民
刘锋
王永亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan City Construction Group Co.,Ltd.
Harbin Institute of Technology
Shandong Quanjian Engineering Testing Co Ltd
Original Assignee
Jinan City Construction Group Co ltd
Harbin Institute of Technology
Shandong Quanjian Engineering Testing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinan City Construction Group Co ltd, Harbin Institute of Technology, Shandong Quanjian Engineering Testing Co Ltd filed Critical Jinan City Construction Group Co ltd
Priority to CN202010672323.0A priority Critical patent/CN111709944B/zh
Publication of CN111709944A publication Critical patent/CN111709944A/zh
Application granted granted Critical
Publication of CN111709944B publication Critical patent/CN111709944B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于实际运营中的桥梁与隧道结构病害监测领域，具体公开了一种基于数字化图像异常识别的桥隧结构裂缝监测方法。本发明利用单维高斯核函数，构建数字化双阶多尺度增益向量，采用核主成分分析方法解算数字化图像异常识别的特征指标和数字化像素异常识别的特征指标，实现对裂缝病害的诊断与监测。本发明可以有效地提升裂缝病害监测中特征指标对于裂缝目标与背景区域的辨别能力，大幅度提高裂缝监测的计算效率和裂缝识别的准确率，适用于运营周期内桥梁与隧道结构裂缝病害的诊断评估及监测。

Description

一种基于数字化图像异常识别的桥隧结构裂缝监测方法
技术领域
本发明属于实际运营中的桥梁与隧道结构病害监测领域。
背景技术
运营期间的桥梁与隧道结构，往往遭受交变荷载、环境侵蚀、材料老化以及突发事件等多方面因素的耦合作用，其结构性能将会产生不同程度的衰减，这些衰减通常在宏观上表现为一系列的结构裂缝。当前，对于桥梁与隧道结构裂缝病害的诊断识别主要依靠传统的人工巡检，其表现出的工作性能已远远满足不了当今的桥隧建设管养。因此，从保障桥梁与隧道结构运营期间的安全性出发，急需采取有效的技术手段对结构可能出现的裂缝病害进行及时诊断识别。
随着先进的计算机视觉技术以及装备仪器的出现，有关于基于图像处理的桥隧结构裂缝病害巡检技术也得到了发展。然而，受图像病害识别手段所限，现有应用到土木工程领域中基于图像的结构裂缝识别依旧停留在病害检测阶段，即仅仅利用获取到的图像层面信息提取可能存在的边缘特征，进而识别结构上的裂缝病害，这种结构裂缝识别的探索发展已经进入到了瓶颈期。一方面，通过现有图像处理技术获得的特征信息(如灰度特征)往往对裂缝病害不敏感，容易对无裂缝病害的背景区域产生误判；另一方面，现有检测技术提供的裂缝病害信息缺乏动态监测性，难以保障整个全寿命周期内桥梁与隧道结构的安全运维。从结构病害监测的角度出发，通过一些技术手段获取敏感性相对较高的裂缝动态特征指标，无疑可大幅度提高裂缝监测的计算效率和裂缝识别的准确率。
发明内容
针对上述既有结构裂缝识别存在的不足，现提出一种基于数字化图像异常识别的桥隧结构裂缝监测方法，本发明可大幅度提高裂缝监测的计算效率和裂缝识别的准确率。
一种基于数字化图像异常识别的桥隧结构裂缝监测方法，该方法包含有以下步骤：
步骤一：针对所监测的桥梁与隧道结构，获取参考状态下的图像数据，利用单维高斯核函数，构建数字化双阶多尺度增益向量；
步骤二：根据步骤一中得到的数字化双阶多尺度增益向量，采用核主成分分析方法，解算得到参考状态下数字化图像异常识别的特征指标；
步骤三：针对步骤二中解算得到的参考状态下数字化图像异常识别的特征指标，利用区间估计方法，计算数字化异常判别阈值；
步骤四：引入待诊断状态下的图像数据，重复步骤一、步骤二，构建待诊断状态下数字化图像异常识别的特征指标，若待诊断状态下的数字化图像异常识别的特征指标大于步骤三中得到的数字化异常判别阈值，则判定图像中存在裂缝病害；
步骤五：针对步骤四中判别为存在裂缝病害的图像，采用核主成分分析方法，构建待诊断状态下数字化像素异常识别的特征指标，若该指标大于步骤三中的数字化异常判别阈值，则判定为裂缝像素点，以此对像素点逐个判别，提取裂缝主体骨架。
本发明所述的一种基于数字化图像异常识别的桥隧结构裂缝监测方法，利用单维高斯核函数，构建数字化双阶多尺度增益向量，采用核主成分分析方法解算数字化图像异常识别的特征指标和数字化像素异常识别的特征指标，实现对裂缝病害的诊断与监测。本发明可以有效地提升裂缝病害监测中特征指标对于裂缝目标与背景区域的辨别能力，大幅度提高裂缝监测的计算效率和裂缝识别的准确率，适用于运营周期内桥梁与隧道结构裂缝病害的诊断评估及监测。
附图说明
图1为混凝土小箱梁现场图像采集实况图。
图2为待诊断图像数据。
图3为参考状态下数字化图像异常识别的特征指标散点图。
图4为基于数字化图像异常识别特征指标的裂缝有无判别图。
图5为本发明基于数字化像素异常识别特征指标的裂缝骨架提取结果图。
图6为局部自适应阈值算法识别结果图。
图7为K均值算法识别结果图。
图8为最大类间方差算法识别结果图。
图9为Canny边缘算子识别结果图。
图10为Log边缘算子识别结果图。
具体实施方式
具体实施方式一：本实施方式所述的一种基于数字化图像异常识别的桥隧结构裂缝监测方法，该方法包括以下步骤：
步骤一：针对所监测的桥梁与隧道结构，获取参考状态下的图像数据，利用单维高斯核函数，构建数字化双阶多尺度增益向量；
步骤二：根据步骤一中得到的数字化双阶多尺度增益向量，采用核主成分分析方法，解算得到参考状态下数字化图像异常识别的特征指标；
步骤三：针对步骤二中解算得到的参考状态下数字化图像异常识别的特征指标，利用区间估计方法，计算数字化异常判别阈值；
步骤四：引入待诊断状态下的图像数据，重复步骤一、步骤二，构建待诊断状态下数字化图像异常识别的特征指标，若待诊断状态下的数字化图像异常识别的特征指标大于步骤三中得到的数字化异常判别阈值，则判定图像中存在裂缝病害；
步骤五：针对步骤四中判别为存在裂缝病害的图像，采用核主成分分析算法，构建待诊断状态下数字化像素异常识别的特征指标，若该指标大于步骤三中的数字化异常判别阈值，则判定为裂缝像素点，以此对像素点逐个判别，提取裂缝主体骨架。
一种基于数字化图像异常识别的桥隧结构裂缝监测方法，即以图像信息数字化的形式构造数字化图像异常识别和数字化像素异常识别的特征指标，进而达到提高裂缝监测计算效率和裂缝识别准确率的效果。现有基于图像的结构裂缝识别方法常遵循这样的思路：利用传统的图像处理技术获取图像层面可能存在的边缘特征，进而识别桥梁与隧道结构的潜在裂缝病害。然而，图像层面的特征信息易受采集光照强度的影响，往往对裂缝病害不敏感、缺乏动态监测性。因此，在本发明中采用单维高斯核函数和核主成分分析方法，构建对裂缝病害敏感的动态特征指标，及时诊断评估出现的裂缝病害，保障全运营周期内桥梁与隧道结构的运维安全。
具体实施方式二：本实施方式是对具体实施方式一所述的一种基于数字化图像异常识别的桥隧结构裂缝监测方法作进一步说明，在实施方式中，步骤一所述的数字化双阶多尺度增益向量的构建方法为：
步骤一一：根据步骤一中参考状态下的图像数据，采用单维高斯核函数计算各自图像的双阶多尺度矩阵：
Figure BDA0002582769030000031
式中，Zk为第k张图像的双阶多尺度矩阵；Xk为第k张图像的双阶x尺度矩阵；Yk为第k张图像的双阶y尺度矩阵；f(·)为自定义函数；Ik为第k张图像的灰度值矩阵；G为单维高斯核；k为参考状态下图像数据的序号；T符号表示矩阵转置。
自定义函数f(·)解释为：
z(k,ij)＝[x(k,ij) 2+y(k,ij) 2]1/2 (2)
式中，x(k,ij)、y(k,ij)、z(k,ij)分别为第k张图像的双阶x尺度矩阵Xk、双阶y尺度矩阵Yk、双阶多尺度矩阵Zk的元素，有
Figure BDA0002582769030000041
Figure BDA0002582769030000042
其中m为图像数据的像素高度；n为图像数据的像素宽度；i表示图像数据的第i行；j表示图像数据的第j列；且1≤i≤m，1≤j≤n。
步骤一二：针对步骤一中参考状态下的图像数据，随机抽取其中30％图像对应的双阶多尺度矩阵，构建数字化双阶多尺度基准矩阵：
Figure BDA0002582769030000043
Figure BDA0002582769030000044
式中，C为数字化双阶多尺度基准矩阵；g为所随机抽取30％图像数据的数量；kc表示所随机抽取30％图像数据的序号，且1≤kc≤g；m为图像数据的像素高度，且1≤i≤m；n为图像数据的像素宽度，且1≤j≤n。
步骤一三：选取步骤一中参考状态下剩余70％的图像数据的双阶多尺度矩阵相对于矩阵C的差值，构建数字化双阶多尺度增益矩阵：
Figure BDA0002582769030000051
式中，
Figure BDA0002582769030000052
为第k0张图像的数字化双阶多尺度增益矩阵；
Figure BDA0002582769030000053
为双阶多尺度矩阵；C为数字化双阶多尺度基准矩阵；k0表示参考状态下剩余70％图像数据的序号，且1≤k0≤gh，其中gh为参考状态下剩余70％图像数据的数量。
向量化处理，得到数字化双阶多尺度增益向量：
Figure BDA0002582769030000054
式中，
Figure BDA0002582769030000055
为参考状态下第k0张图像的数字化双阶多尺度增益向量；
Figure BDA0002582769030000056
表示
Figure BDA0002582769030000057
的第iv列的列向量；k0表示参考状态下剩余70％图像数据的序号，且1≤k0≤gh，其中gh为参考状态下剩余70％图像数据的数量；T符号表示矩阵转置。
具体实施方式三：本实施方式是对具体实施方式二所述的一种基于数字化图像异常识别的桥隧结构裂缝监测方法作进一步说明，本实施方式中，步骤二中所述的参考状态下数字化图像异常识别的特征指标解算方法为：
步骤二一：将步骤一中构建的参考状态下数字化双阶多尺度增益向量映射到高维特征空间，并构造其协方差矩阵的特征值求解方程：
Figure BDA0002582769030000058
CFν＝λν (8)
式中，
Figure BDA0002582769030000059
为参考状态下第k0张图像的数字化双阶多尺度增益向量；
Figure BDA00025827690300000510
为参考状态下第k0张图像的数字化双阶多尺度增益向量
Figure BDA00025827690300000511
在高维特征空间内的非线性表示；φ(·)为非线性映射函数，该函数作隐式表达，且
Figure BDA00025827690300000512
gh为参考状态下剩余70％图像数据的数量；k0表示参考状态下剩余70％图像数据的序号，且1≤k0≤gh；CF为φ(Vh)的协方差矩阵；ν为CF的特征向量；λ为CF的特征值。
步骤二二：采用核函数技巧将步骤二一中的特征值求解方程进行改写：
Kα＝λ0α (9)
式中，K为参考状态下数字化双阶多尺度增益向量
Figure BDA00025827690300000513
的中心化核函数矩阵；α为K的特征向量；λ0为K的特征值。
步骤二三：依据步骤二二中的K以及α，可以计算得到参考状态下数字化双阶多尺度增益向量的残余主成分矩阵：
R＝K-ααTK (10)
式中，R为参考状态下数字化双阶多尺度增益向量的残余主成分矩阵；T符号表示矩阵转置。
步骤二四：针对步骤二三中得到的数字化双阶多尺度增益向量的残余主成分矩阵R，提取其对角线上的元素，得到数字化图像异常识别的特征向量：
Figure BDA0002582769030000061
式中：R1为参考状态下数字化图像异常识别的特征向量；
Figure BDA0002582769030000062
为参考状态下数字化图像异常识别的特征指标，对应向量R对角线上的第ir个位置；ir为参考状态下数字化图像异常识别的特征指标序号，且1≤ir≤Mr；Mr表示参考状态下数字化图像异常识别的特征指标数量。
具体实施方式四：本实施方式是对具体实施方式三所述的一种基于数字化图像异常识别的桥隧结构裂缝监测方法作进一步说明，本实施方式中，步骤三中所述的数字化异常判别阈值计算方法为：
步骤三一：将具体实施方式三中得到的数字化图像异常识别的特征向量内的元素，按照递增的方式排序：
Figure BDA0002582769030000063
式中，R0为按照递增方式排序后的数字化图像异常识别的特征向量，
Figure BDA0002582769030000064
为R0中的第i0个参考状态下数字化图像异常识别的特征指标；i0为按照递增方式排序后数字化图像异常识别的特征指标序号，且1≤i0≤Mr；Mr表示参考状态下数字化图像异常识别的特征指标数量。
步骤三二：针对步骤三一中得到的数字化图像异常识别的特征向量R0，采用区间估计方法，计算数字化异常判别阈值：
Figure BDA0002582769030000065
式中，θ为数字化异常判别阈值；
Figure BDA0002582769030000066
为步骤三一中数字化图像异常识别的特征向量R0的第e个元素；Mr为参考状态下数字化图像异常识别的特征指标数量，即特征向量R0中含有特征指标的数量；0.95表示取95％的概率置信区间；e为95％概率置信区间边界与向量R0中元素相对应的位置。
具体实施方式五：本实施方式是对具体实施方式四所述的一种基于数字化图像异常识别的桥隧结构裂缝监测方法作进一步说明，本实施方式中，步骤四中所述的图像中是否存在裂缝病害的判定方法为：
步骤四一：依据引入的图像数据，解算得到待诊断状态下的数字化图像异常识别的特征指标：
Figure BDA0002582769030000071
Figure BDA0002582769030000072
式中，rξ为待诊断状态下数字化图像异常识别的特征指标；KD为待诊断状态下数字化双阶多尺度增益向量的中心化核函数矩阵；
Figure BDA0002582769030000073
为矩阵KD对角线上的第一个元素值，有
Figure BDA0002582769030000074
Figure BDA0002582769030000075
为步骤二二中中心化核函数矩阵K的第ip个特征向量；
Figure BDA0002582769030000076
为步骤二二中中心化核函数矩阵K的第ip个特征值，ip表示中心化核函数矩阵K的特征值序号，且1≤ip≤N；N为步骤二二中中心化核函数矩阵K的特征值数量；T符号表示矩阵转置。
步骤四二：将具体实施方式四中得到的数字化异常判别阈值θ与待诊断状态下数字化图像异常识别的特征指标rξ进行对比，若rξ>θ，则判定图像中存在裂缝损伤；反之，图像中不存在裂缝损伤。
具体实施方式六：本实施方式是对具体实施方式五所述的一种基于数字化图像异常识别的桥隧结构裂缝监测方法作进一步说明，本实施方式中，步骤五中所述的待诊断状态下数字化像素异常识别的特征指标构建及裂缝骨架提取方法为：
步骤五一：针对具体实施方式五中判别存在裂缝病害的图像，将其对应的数字化双阶多尺度增益向量进行细致化划分，重构像素级别的数字化双阶多尺度增益子向量：
Figure BDA0002582769030000077
Figure BDA0002582769030000081
式中，
Figure BDA0002582769030000082
为存在裂缝病害图像的数字化双阶多尺度增益向量；kv为具体实施方式五中判别存在裂缝病害的图像序号；m为图像数据的像素高度、n为图像数据的像素宽度；
Figure BDA0002582769030000083
为像素级别的数字化双阶多尺度增益子向量；
Figure BDA0002582769030000084
为像素级别的数字化双阶多尺度增益子向量构成的矩阵，且
Figure BDA0002582769030000085
T符号表示矩阵转置。
步骤五二：依据数字化双阶多尺度增益子向量的中心化核函数矩阵，解算待诊断状态下数字化像素异常识别的特征指标：
Figure BDA0002582769030000086
式中，η为待诊断状态下数字化像素异常识别的特征指标；KS为数字化双阶多尺度增益子向量的中心化核函数矩阵；
Figure BDA0002582769030000087
为矩阵KS对角线上的第一个元素值，有
Figure BDA0002582769030000088
T符号表示矩阵转置。
步骤五三：将步骤五二得到的待诊断状态下数字化像素异常识别的特征指标η与具体实施方式四中得到的数字化异常判别阈值θ进行对比，若η>θ，则判定为裂缝像素点；反之，该位置为非裂缝像素点。
采用下述试验来验证本发明的效果：
本试验以从混凝土小箱梁上采集的图像数据为例，如附图1所示，进行方法有效性验证。图像数据采用线阵高清相机拍摄，作为试验验证的数据源。
本试验具体如下：
针对所监测的桥梁与隧道结构，获取参考状态下的图像数据，利用单维高斯核函数，构建数字化双阶多尺度增益向量；
根据上述得到的数字化双阶多尺度增益向量，采用核主成分分析方法，解算得到参考状态下数字化图像异常识别的特征指标；
针对上述解算得到的参考状态下数字化图像异常识别的特征指标，利用区间估计方法，计算数字化异常判别阈值；
引入待诊断状态下的图像数据，按照上述步骤，构建待诊断状态下数字化图像异常识别的特征指标，若待诊断状态下的数字化图像异常识别的特征指标大于数字化异常判别阈值，则判定图像中存在裂缝病害；
针对上述判别为存在裂缝病害的图像，解算待诊断状态下数字化像素异常识别的特征指标，并与数字化异常判别阈值进行比较，提取裂缝骨架。
在此项试验中，利用本发明所提的一种基于数字化图像异常识别的桥隧结构裂缝病害监测方法对裂缝病害的识别结果如附图5所示。此外，为了验证本发明所提方法的有效性和优越性，分别采用现有技术图像分割中常用到的局部自适应阈值算法、K均值算法、最大类间方差算法以及边缘检测中常用到的Canny、Log边缘识别算子，对上述试验中的图像数据进行处理，识别结果如附图6～10所示。相比之下，本发明所提方法在剔除图像背景的同时，有效地保留了裂缝骨架，从而实现对裂缝病害的高精度识别。
本发明以图像信息数字化的形式构造数字化图像异常识别和数字化像素异常识别的特征指标，可达到提高裂缝监测计算效率和裂缝识别准确率的目的，从而为运营周期内桥梁与隧道结构的安全运维提供有效保障。

Claims (6)

1.一种基于数字化图像异常识别的桥隧结构裂缝监测方法，其特征在于，该方法包括以下步骤：
步骤一：针对所监测的桥梁与隧道结构，获取参考状态下的图像数据，利用单维高斯核函数，构建数字化双阶多尺度增益向量；
步骤二：根据步骤一中得到的数字化双阶多尺度增益向量，采用核主成分分析方法，解算得到参考状态下数字化图像异常识别的特征指标；
步骤三：针对步骤二中解算得到的参考状态下数字化图像异常识别的特征指标，利用区间估计方法，计算数字化异常判别阈值；
步骤四：引入待诊断状态下的图像数据，重复步骤一、步骤二，构建待诊断状态下数字化图像异常识别的特征指标，若待诊断状态下的数字化图像异常识别的特征指标大于步骤三中得到的数字化异常判别阈值，则判定图像中存在裂缝病害；
步骤五：针对步骤四中判别为存在裂缝病害的图像，采用核主成分分析算法，构建待诊断状态下数字化像素异常识别的特征指标，若该指标大于步骤三中的数字化异常判别阈值，则判定为裂缝像素点，以此对像素点逐个判别，提取裂缝主体骨架。
2.根据权利要求1所述的基于数字化图像异常识别的桥隧结构裂缝监测方法，其特征在于，步骤一所述的数字化双阶多尺度增益向量的构建方法为：
步骤一一：根据步骤一中参考状态下的图像数据，采用单维高斯核函数计算各自图像的双阶多尺度矩阵：
Figure FDA0003013026210000011
式中，Zk为第k张图像的双阶多尺度矩阵；Xk为第k张图像的双阶x尺度矩阵；Yk为第k张图像的双阶y尺度矩阵；f(·)为自定义函数；Ik为第k张图像的灰度值矩阵；G为单维高斯核；k为参考状态下图像数据的序号；T符号表示矩阵转置；
自定义函数f(·)解释为：
z(k,ij)＝[x(k,ij) 2+y(k,ij) 2]1/2 (2)
式中，x(k,ij)、y(k,ij)、z(k,ij)分别为第k张图像的双阶x尺度矩阵Xk、双阶y尺度矩阵Yk、双阶多尺度矩阵Zk的元素，有
Figure FDA0003013026210000021
Figure FDA0003013026210000022
其中m为图像数据的像素高度；n为图像数据的像素宽度；i表示图像数据的第i行；j表示图像数据的第j列；且1≤i≤m、1≤j≤n；
步骤一二：针对步骤一中参考状态下的图像数据，随机抽取其中30％图像对应的双阶多尺度矩阵，构建数字化双阶多尺度基准矩阵：
Figure FDA0003013026210000023
Figure FDA0003013026210000024
式中，C为数字化双阶多尺度基准矩阵；g为所随机抽取30％图像数据的数量；kc表示所随机抽取30％图像数据的序号，且1≤kc≤g；
步骤一三：选取步骤一中参考状态下剩余70％的图像数据的双阶多尺度矩阵相对于矩阵C的差值，构建数字化双阶多尺度增益矩阵：
Ak＝Zk-C (5)
式中，Ak为第k张图像的数字化双阶多尺度增益矩阵；Zk为双阶多尺度矩阵；k0表示参考状态下剩余70％图像数据的序号，且1≤k0≤gh，其中gh为参考状态下剩余70％图像数据的数量；
将数字化双阶多尺增益矩阵Ak向量化处理，得到数字化双阶多尺度增益向量：
Figure FDA0003013026210000031
式中，
Figure FDA0003013026210000032
为参考状态下第k0张图像的数字化双阶多尺度增益向量；
Figure FDA0003013026210000033
表示
Figure FDA0003013026210000034
的第iv列的列向量。
3.根据权利要求2所述的基于数字化图像异常识别的桥隧结构裂缝监测方法，其特征在于，步骤二中所述的参考状态下数字化图像异常识别的特征指标解算方法为：
步骤二一：将步骤一中构建的参考状态下数字化双阶多尺度增益向量映射到高维特征空间，并构造其协方差矩阵的特征值求解方程：
Figure FDA0003013026210000035
CFν＝λν (8)
式中，
Figure FDA0003013026210000036
为参考状态下第k0张图像的数字化双阶多尺度增益向量
Figure FDA0003013026210000037
在高维特征空间内的非线性表示；φ(·)为非线性映射函数，该函数作隐式表达，且
Figure FDA0003013026210000038
CF为φ(Vh)的协方差矩阵；ν为CF的特征向量；λ为CF的特征值；
步骤二二：采用核函数技巧将步骤二一中的特征值求解方程进行改写：
Kα＝λ0α (9)
式中，K为参考状态下数字化双阶多尺度增益向量
Figure FDA0003013026210000039
的中心化核函数矩阵；α为K的特征向量；λ0为K的特征值；
步骤二三：依据步骤二二中的K以及α，计算得到参考状态下数字化双阶多尺度增益向量的残余主成分矩阵：
R＝K-ααTK (10)
式中，R为参考状态下数字化双阶多尺度增益向量的残余主成分矩阵；
步骤二四：针对步骤二三中得到的数字化双阶多尺度增益向量的残余主成分矩阵R，提取其对角线上的元素，得到数字化图像异常识别的特征向量：
Figure FDA0003013026210000041
式中：R1为参考状态下数字化图像异常识别的特征向量；
Figure FDA0003013026210000042
为参考状态下数字化图像异常识别的特征指标，对应向量R对角线上的第ir个位置；ir为参考状态下数字化图像异常识别的特征指标序号，且1≤ir≤Mr；Mr表示参考状态下数字化图像异常识别的特征指标数量。
4.根据权利要求3所述的基于数字化图像异常识别的桥隧结构裂缝监测方法，其特征在于，步骤三所述的数字化异常判别阈值计算方法为：
步骤三一：将步骤二四中得到的数字化图像异常识别的特征向量内的元素，按照递增的方式排序：
Figure FDA0003013026210000043
式中，R0为按照递增方式排序后的数字化图像异常识别的特征向量，
Figure FDA0003013026210000044
为R0中的第i0个参考状态下数字化图像异常识别的特征指标；i0为按照递增方式排序后数字化图像异常识别的特征指标序号，且1≤i0≤Mr；
步骤三二：针对步骤三一中得到的数字化图像异常识别的特征向量R0，采用区间估计方法，计算数字化异常判别阈值：
Figure FDA0003013026210000045
式中，θ为数字化异常判别阈值；
Figure FDA0003013026210000046
为步骤三一中数字化图像异常识别的特征向量R0的第e个元素；0.95表示取95％的概率置信区间；e为95％概率置信区间边界与向量R0中元素相对应的位置。
5.根据权利要求4所述的基于数字化图像异常识别的桥隧结构裂缝监测方法，其特征在于，步骤四所述的图像中是否存在裂缝病害的判别方法为：
步骤四一：依据引入的图像数据，解算得到待诊断状态下的数字化图像异常识别的特征指标：
Figure FDA0003013026210000047
Figure FDA0003013026210000051
式中，rξ为待诊断状态下数字化图像异常识别的特征指标；KD为待诊断状态下数字化双阶多尺度增益向量的中心化核函数矩阵；
Figure FDA0003013026210000052
为矩阵KD对角线上的第一个元素值，有
Figure FDA0003013026210000053
Figure FDA0003013026210000054
为步骤二二中中心化核函数矩阵K的第ip个特征向量；
Figure FDA0003013026210000055
为步骤二二中中心化核函数矩阵K的第ip个特征值；ip表示中心化核函数矩阵K的特征值序号，且1≤ip≤N；N为步骤二二中中心化核函数矩阵K的特征值数量；
步骤四二：将数字化异常判别阈值θ与待诊断状态下数字化图像异常识别的特征指标rξ进行对比，若rξ＞θ，则判定图像中存在裂缝病害；反之，图像中不存在裂缝病害。
6.根据权利要求5所述的基于数字化图像异常识别的桥隧结构裂缝监测方法，其特征在于，步骤五中所述的待诊断状态下数字化像素异常识别的特征指标构建及裂缝骨架提取方法为：
步骤五一：针对权利要求5中判别存在裂缝病害的图像，将其对应的数字化双阶多尺度增益向量进行细致化划分，重构像素级别的数字化双阶多尺度增益子向量：
Figure FDA0003013026210000056
Figure FDA0003013026210000057
式中，
Figure FDA0003013026210000058
为存在裂缝病害图像的数字化双阶多尺度增益向量；kv为权利要求5中判别存在裂缝病害的图像序号；
Figure FDA0003013026210000059
为像素级别的数字化双阶多尺度增益子向量；
Figure FDA00030130262100000510
为像素级别的数字化双阶多尺度增益子向量构成的矩阵，且
Figure FDA00030130262100000511
m为图像数据的像素高度；n为图像数据的像素宽度；
步骤五二：依据数字化双阶多尺度增益子向量的中心化核函数矩阵，解算待诊断状态下数字化像素异常识别的特征指标：
Figure FDA0003013026210000061
式中，η为待诊断状态下数字化像素异常识别的特征指标；KS为数字化双阶多尺度增益子向量的中心化核函数矩阵；
Figure FDA0003013026210000062
为矩阵KS对角线上的第一个元素值，有
Figure FDA0003013026210000063
步骤五三：将步骤五二得到的待诊断状态下数字化像素异常识别的特征指标η与数字化异常判别阈值θ进行对比，若η＞θ，则判定为裂缝像素点；反之，该位置为非裂缝像素点。
CN202010672323.0A 2020-07-14 2020-07-14 一种基于数字化图像异常识别的桥隧结构裂缝监测方法 Active CN111709944B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010672323.0A CN111709944B (zh) 2020-07-14 2020-07-14 一种基于数字化图像异常识别的桥隧结构裂缝监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010672323.0A CN111709944B (zh) 2020-07-14 2020-07-14 一种基于数字化图像异常识别的桥隧结构裂缝监测方法

Publications (2)

Publication Number Publication Date
CN111709944A CN111709944A (zh) 2020-09-25
CN111709944B true CN111709944B (zh) 2021-06-01

Family

ID=72546268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010672323.0A Active CN111709944B (zh) 2020-07-14 2020-07-14 一种基于数字化图像异常识别的桥隧结构裂缝监测方法

Country Status (1)

Country Link
CN (1) CN111709944B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419250B (zh) * 2020-11-13 2023-06-16 湖北工业大学 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN112630223B (zh) * 2020-12-07 2023-12-26 杭州申昊科技股份有限公司 一种基于隧道裂纹检测系统及方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10074028B2 (en) * 2015-10-20 2018-09-11 Arizona Board Of Regents On Behalf Of Arizona State University Real-time diet assessment and food identification using thermal imaging
CN105551108B (zh) * 2016-02-16 2018-05-11 株洲时代电子技术有限公司 一种铁路线路巡检方法
CN106355588A (zh) * 2016-09-06 2017-01-25 哈尔滨工业大学 一种基于核方法的高光谱图像分割方法
CN106934795B (zh) * 2017-01-23 2018-11-02 陕西师范大学 一种混凝土桥梁裂缝的自动检测方法和预测方法
CN208672035U (zh) * 2018-09-12 2019-03-29 三峡大学 一种桥梁病害检测记录系统
CN110009020B (zh) * 2019-03-12 2021-06-15 宁波大学 一种基于多核主元分析模型的非线性过程监测方法
CN109993742B (zh) * 2019-04-04 2020-03-17 哈尔滨工业大学 基于对角导数算子的桥梁裂缝快速识别方法

Also Published As

Publication number Publication date
CN111709944A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
Chen et al. A self organizing map optimization based image recognition and processing model for bridge crack inspection
Chaiyasarn et al. Crack detection in masonry structures using convolutional neural networks and support vector machines
CN113838054B (zh) 基于人工智能的机械零件表面损伤检测方法
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
Ali et al. Pavement crack detection and localization using convolutional neural networks (CNNs)
Savino et al. Automated classification of civil structure defects based on convolutional neural network
CN111652295A (zh) 一种铁路货车钩尾销托梁脱落故障识别方法
Dorafshan et al. Comparing automated image-based crack detection techniques in the spatial and frequency domains
Li et al. A two-stage crack detection method for concrete bridges using Convolutional Neural Networks
CN111860277A (zh) 基于颜色直方图特征的民航飞机空速管套安全警示方法
CN115995056A (zh) 一种基于深度学习的桥梁病害自动识别方法
CN115035081A (zh) 一种基于工业ct的金属内部缺陷危险源定位方法及系统
CN115170520A (zh) 一种基于结构对比信息叠层的金属网栅缺陷检测方法
CN108508023A (zh) 一种铁路接触网中接触端部顶紧螺栓的缺陷检测系统
CN114358091A (zh) 一种基于卷积神经网络的桩损伤识别方法、设备及介质
CN112950594B (zh) 产品表面缺陷的检测方法、设备及存储介质
CN113128555B (zh) 一种用于列车闸片部件异常检测的方法
Palakal et al. Intelligent computational methods for corrosion damage assessment
Kilic et al. Automated nuclei detection on pleural effusion cytopathology images using YOLOv3
Chen Migration learning-based bridge structure damage detection algorithm
Dunphy et al. Autonomous crack detection approach for masonry structures using artificial intelligence
CN115456972A (zh) 混凝土裂缝检测与识别方法、装置、设备及存储介质
Xia et al. A multi-target detection based framework for defect analysis of electrical equipment
CN116152674A (zh) 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法
Liu et al. Semantic image retrieval and clustering for supporting domain-specific bridge component and defect classification

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
CB03 Change of inventor or designer information

Inventor after: Liu Yang

Inventor after: Gao Mingxin

Inventor after: Li Hu

Inventor after: Xu Weimin

Inventor after: Liu Feng

Inventor after: Wang Yongliang

Inventor before: Liu Yang

Inventor before: Gao Mingxin

Inventor before: Li Hu

Inventor before: Liu Feng

Inventor before: Wang Yongliang

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20210512

Address after: 150000 No. 92, West Da Zhi street, Nangang District, Harbin, Heilongjiang.

Applicant after: HARBIN INSTITUTE OF TECHNOLOGY

Applicant after: Jinan City Construction Group Co.,Ltd.

Applicant after: SHANDONG QUANJIAN ENGINEERING TESTING Co.,Ltd.

Address before: 150000 No. 92, West Da Zhi street, Nangang District, Harbin, Heilongjiang.

Applicant before: HARBIN INSTITUTE OF TECHNOLOGY

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant