CN111754475A - 一种水下涵洞内壁图像缺陷的视觉检测方法 - Google Patents
一种水下涵洞内壁图像缺陷的视觉检测方法 Download PDFInfo
- Publication number
- CN111754475A CN111754475A CN202010557442.1A CN202010557442A CN111754475A CN 111754475 A CN111754475 A CN 111754475A CN 202010557442 A CN202010557442 A CN 202010557442A CN 111754475 A CN111754475 A CN 111754475A
- Authority
- CN
- China
- Prior art keywords
- image
- culvert
- defect
- underwater
- wall
- 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.)
- Withdrawn
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
-
- 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
- G06F18/23—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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G01N2021/888—Marking defects
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Processing (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Algebra (AREA)
Abstract
本发明公开了一种水下涵洞内壁图像缺陷的视觉检测方法,包括如下步骤:水下涵洞缺陷图像通过图像传感器拍摄来获取,水下涵洞缺陷图像的检测分为图像预处理、图像粗提取和图像精确提取;首先对图像进行匀光处理和图像增强预处理操作,将预处理后的缺陷图像分成尺寸大小相同的不重叠的图像块;其次,利用图像块的灰度特性构成缺陷图像的灰度特征空间,基于k‑means聚类实现裂缝的粗提取;最后,标记出所有的缺陷连通域,并对连通域的几何尺寸特性进行分析,构成连通域特征空间,基于高斯混合模型软聚类实现水下涵洞内壁图像缺陷的精确提取。本发明利用视觉检测方法实现了水下涵洞内壁图像缺陷的精确提取,检测快捷、无损伤,并且水下涵洞的养护更加经济合理。
Description
技术领域
本发明属于水下结构物缺陷检测领域,具体涉及一种水下涵洞内壁图像缺陷的视觉检测方法。
背景技术
水下涵洞对交通运输、排洪灌溉起到十分重要的作用,对调控水资源时空分布以及构建防灾减灾体系具有重要意义。受地质环境、水流冲击、自身老化等影响,涵洞内壁会不可避免地产生裂缝或孔洞等缺陷。涵洞的损坏将对公路桥梁的正常、安全运营造成严重威胁。如何准确高速检测水下涵洞内壁缺陷是保证公路桥梁等设施安全,延长其安全运行的重要措施。发现问题可以及时处理,做到防患于未然。
目前对涵洞裂缝等缺陷的视觉检测研究很少,检测方法主要有CCTV视觉图像、360度视觉图像系统等。CCTV视觉图像系统采用单台摄像机,视场可达180度,有时部分可达220度,但需要合适的光源才能清楚地检测到,远离摄像机的涵洞显示细节信息较少。360度视觉图像系统采用360度摄像机进行涵洞检测,从摄像机接收到的视频信息被缝合在一起并进行处理以增强对比度。这些方法仅能实现涵洞缺陷的粗定位,不能得到水下涵洞裂缝等缺陷的具体表现形式和精确提取,为水下涵洞的养护提供指导。
发明内容
针对上述问题,本发明利用视觉检测方法实现了水下涵洞内壁图像缺陷的精确提取,检测快捷、无损伤,并且水下涵洞的养护更加经济合理。
为了实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
本发明提供了一种水下涵洞内壁图像缺陷的视觉检测方法,包括以下步骤:
首先对图像进行匀光处理和图像增强预处理操作,将预处理后的缺陷图像分成尺寸大小相同的不重叠的图像块;其次,利用图像块的灰度特性构建缺陷图像的灰度特征空间,基于k-means聚类实现水下涵洞图像缺陷的粗提取;最后,标记出所有的缺陷连通域,并对连通域的几何尺寸特性进行统计,构成连通域特征空间,基于高斯混合模型软聚类实现水下涵洞内壁图像缺陷的精确提取。
可选地,所述的水下涵洞缺陷图像的匀光处理具体为将拍摄的涵洞缺陷图像分为若干带状区域,包括正常光照和异常光照部分,处于中间亮度层的区域当作正常光照区域,其他光照部分当作异常光照区域;基于正常光照区域图像的均值和标准差去调节异常区域的光照,调节公式如下:
式中,Xadjust(i)表示调节后异常光照区域像素i的R,G,B数值,Xabna(i)表示调节前异常光照区域像素i的R,G,B数值,μabna和σabna分别表示异常光照区域的均值和标准差,μna和σna表示正常光照区域的均值和标准差。
可选地,所述的构建水下涵洞图像灰度特征空间具体为统计每个缺陷图像块的局部灰度特性,缺陷图像块灰度强度的均值μ和标准差σ,定义二维灰度特征空间为:
U={(P1,c1)ggg(Pm,cm):Pj∈R2,cj∈(1,2)}
式中Pj为图像块的局部灰度特性值,由μ和σ组成;m是裂缝图像的均匀图像块数目;cj表示图像块所述的分类,包含两个取值:1和2,cj=1表示相应的图像块包含缺陷信息;cj=2表示相应的图像块不包含缺陷信息。
可选地,所述的水下涵洞图像缺陷的精确提取具体为利用涵洞缺陷图像连通域特征空间,基于高斯混合模型软聚类实现水下涵洞内壁图像缺陷的提取;采用k-means的迭代值初始化各高斯成分的权重、均值及协方差矩阵,似然函数描述了高斯混合模型中样本出现的概率大小,为了求得似然函数的最大值:
式中,w(i)为引入的隐变量,表示第i个连通域x(i)属于高斯成分的类别;n为连通域样本的数目;k为高斯成分的数目;p为每个单高斯成分在混合高斯模型中的权重;μ表示每个高斯成分的均值,C表示协方差矩阵。
可选地,所述方法还包括:采用期望最大化来优化参数,E步求解后验概率,M步利用求得的参数去最大化似然函数;为了求得似然函数的最大值,通过拉格朗日乘数法求极值,通过极值更新第j类的权重pj、均值μj和协方差矩阵Cj;当两代迭代结果变化幅度大于误差阈值时,继续迭代;当两代迭代结果变化幅度小于误差阈值时,迭代结束;最后,通过缺陷图像连通域属于各个类别的后验概率来确定待检测图像连通域的所属类别,连通域被分配到对应最大后验概率的类别。
与现有技术相比,本发明的有益效果:
本发明利用视觉图像实现了水下涵洞内壁图像缺陷的检测,分为图像预处理、图像粗提取和图像精确提取三个部分;首先对图像进行匀光处理和图像增强预处理操作;其次,利用大小相同的不重叠的图像块的灰度特性构成缺陷图像的灰度特征空间,基于k-means聚类实现裂缝的粗提取;最后,标记出所有的缺陷连通域,构建连通域几何特性特征空间,基于高斯混合模型软聚类实现水下涵洞内壁图像缺陷的检测。利用视觉检测方法实现了水下涵洞内壁图像缺陷的无损检测,检测快捷高效,并且水下涵洞的养护更加经济合理。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1是本发明的水下涵洞内壁图像缺陷的视觉检测方法结构框图。
图2是本发明的水下涵洞内壁图像缺陷的高斯混合模型精确提取流程图。
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的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
本发明实施例中提供了一种水下涵洞内壁图像缺陷的视觉检测方法,包括以下步骤:
首先对图像进行匀光处理和图像增强预处理操作,将预处理后的缺陷图像分成尺寸大小相同的不重叠的图像块;其次,利用图像块的灰度特性构建缺陷图像的灰度特征空间,基于k-means聚类实现水下涵洞图像缺陷的粗提取;最后,标记出所有的缺陷连通域,并对连通域的几何尺寸特性进行统计,构成连通域特征空间,基于高斯混合模型软聚类实现水下涵洞内壁图像缺陷的精确提取。
在本发明实施例的一种具体实施方式中,所述的水下涵洞缺陷图像的匀光处理具体为将拍摄的涵洞缺陷图像分为若干带状区域,包括正常光照和异常光照部分,处于中间亮度层的区域当作正常光照区域,其他光照部分当作异常光照区域;基于正常光照区域图像的均值和标准差去调节异常区域的光照,调节公式如下:
式中,Xadjust(i)表示调节后异常光照区域像素i的R,G,B数值,Xabna(i)表示调节前异常光照区域像素i的R,G,B数值,μabna和σabna分别表示异常光照区域的均值和标准差,μna和σna表示正常光照区域的均值和标准差。
在本发明实施例的一种具体实施方式中,所述的构建水下涵洞图像灰度特征空间具体为统计每个缺陷图像块的局部灰度特性,缺陷图像块灰度强度的均值μ和标准差σ,定义二维灰度特征空间为:
U={(P1,c1)ggg(Pm,cm):Pj∈R2,cj∈(1,2)}
式中Pj为图像块的局部灰度特性值,由μ和σ组成;m是裂缝图像的均匀图像块数目;cj表示图像块所述的分类,包含两个取值:1和2,cj=1表示相应的图像块包含缺陷信息;cj=2表示相应的图像块不包含缺陷信息。
在本发明实施例的一种具体实施方式中,所述的水下涵洞图像缺陷的精确提取具体为利用涵洞缺陷图像连通域特征空间,基于高斯混合模型软聚类实现水下涵洞内壁图像缺陷的提取;采用k-means的迭代值初始化各高斯成分的权重、均值及协方差矩阵,似然函数描述了高斯混合模型中样本出现的概率大小,为了求得似然函数的最大值:
式中,w(i)为引入的隐变量,表示第i个连通域x(i)属于高斯成分的类别;n为连通域样本的数目;k为高斯成分的数目;p为每个单高斯成分在混合高斯模型中的权重;μ表示每个高斯成分的均值,C表示协方差矩阵。
在本发明实施例的一种具体实施方式中,所述方法还包括:采用期望最大化来优化参数,E步求解后验概率,得到似然函数的紧下界,M步利用求得的参数去最大化目标函数;为了求得似然函数的最大值,通过拉格朗日乘数法求极值,构造拉格朗日函数为:
式中,为第i个连通域xi属于第j个高斯成分的后验概率;λ为拉格朗日乘子;通过极值更新第j类的权重pj、均值μj和协方差矩阵Cj;当两代迭代结果变化幅度大于误差阈值时,继续迭代;当两代迭代结果变化幅度小于误差阈值时,迭代结束;最后,通过缺陷图像连通域属于各个类别的后验概率来确定待检测图像连通域的所属类别,连通域被分配到对应最大后验概率的类别。
以上显示和描述了本发明的基本原理和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,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种水下涵洞内壁图像缺陷的视觉检测方法,其特征在于,包括以下步骤:
首先对图像进行匀光处理和图像增强预处理操作,将预处理后的缺陷图像分成尺寸大小相同的不重叠的图像块;其次,利用图像块的灰度特性构建缺陷图像的灰度特征空间,基于k-means聚类实现水下涵洞图像缺陷的粗提取;最后,标记出所有的缺陷连通域,并对连通域的几何尺寸特性进行统计,构成连通域特征空间,基于高斯混合模型软聚类实现水下涵洞内壁图像缺陷的精确提取。
3.根据权利要求1所述的一种水下涵洞内壁图像缺陷的视觉检测方法,其特征在于:所述的构建水下涵洞图像灰度特征空间具体为统计每个缺陷图像块的局部灰度特性,缺陷图像块灰度强度的均值μ和标准差σ,定义二维灰度特征空间为:
U={(P1,c1)ggg(Pm,cm):Pj∈R2,cj∈(1,2)}
式中Pj为图像块的局部灰度特性值,由μ和σ组成;m是缺陷图像的均匀图像块数目;cj表示图像块所述的分类,包含两个取值:1和2,cj=1表示相应的图像块包含缺陷信息;cj=2表示相应的图像块不包含缺陷信息。
5.根据权利要求4所述的一种水下涵洞内壁图像缺陷的视觉检测方法,其特征在于:采用期望最大化EM来优化参数,E步求解后验概率,M步利用求得的参数去最大化似然函数;为了求得似然函数的最大值,通过拉格朗日乘数法求极值,通过极值更新第j类的权重pj、均值μj和协方差矩阵Cj;当两代迭代结果变化幅度大于误差阈值时,继续迭代;当两代迭代结果变化幅度小于误差阈值时,迭代结束;最后,通过缺陷图像连通域属于各个类别的后验概率来确定待检测图像连通域的所属类别,连通域被分配到对应最大后验概率的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010557442.1A CN111754475A (zh) | 2020-06-18 | 2020-06-18 | 一种水下涵洞内壁图像缺陷的视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010557442.1A CN111754475A (zh) | 2020-06-18 | 2020-06-18 | 一种水下涵洞内壁图像缺陷的视觉检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111754475A true CN111754475A (zh) | 2020-10-09 |
Family
ID=72675343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010557442.1A Withdrawn CN111754475A (zh) | 2020-06-18 | 2020-06-18 | 一种水下涵洞内壁图像缺陷的视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754475A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022179241A1 (zh) * | 2021-02-24 | 2022-09-01 | 浙江师范大学 | 一种缺失条件下的高斯混合模型聚类机器学习方法 |
CN115254674A (zh) * | 2022-09-28 | 2022-11-01 | 南通思诺船舶科技有限公司 | 一种轴承缺陷分选方法 |
-
2020
- 2020-06-18 CN CN202010557442.1A patent/CN111754475A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022179241A1 (zh) * | 2021-02-24 | 2022-09-01 | 浙江师范大学 | 一种缺失条件下的高斯混合模型聚类机器学习方法 |
CN115254674A (zh) * | 2022-09-28 | 2022-11-01 | 南通思诺船舶科技有限公司 | 一种轴承缺陷分选方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11836976B2 (en) | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device | |
CN111080620B (zh) | 一种基于深度学习的道路病害检测方法 | |
Zalama et al. | Road crack detection using visual features extracted by Gabor filters | |
CN110363122A (zh) | 一种基于多层特征对齐的跨域目标检测方法 | |
CN109461141A (zh) | 一种工件缺胶检测方法 | |
Fan et al. | A novel automatic dam crack detection algorithm based on local-global clustering | |
CN102867183B (zh) | 一种车辆遗撒物检测方法、装置及智能交通监控系统 | |
CN111754475A (zh) | 一种水下涵洞内壁图像缺陷的视觉检测方法 | |
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 | |
CN111414807A (zh) | 一种基于yolo技术的潮水识别与危机预警方法 | |
CN113962960A (zh) | 基于深度学习的路面病害检测方法 | |
CN114170480A (zh) | 一种基于Yolo V5的多阈值半监督道路异常病害智能检测方法 | |
Hu et al. | Online measurement and segmentation algorithm of coarse aggregate based on deep learning and experimental comparison | |
CN114219773A (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
CN115205255A (zh) | 基于深度学习的石料自动分级方法与系统 | |
Fan | Detection of multidamage to reinforced concrete using support vector machine‐based clustering from digital images | |
CN1252588C (zh) | 高光谱遥感图像联合加权随机分类方法 | |
CN112613354A (zh) | 一种基于稀疏降噪自编码器的异质遥感图像变化检测方法 | |
Yao et al. | Lightweight neural network for real-time crack detection on concrete surface in fog | |
CN116630989A (zh) | 智能电表可视故障检测方法、系统、电子设备及存储介质 | |
CN103093241A (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
Xu et al. | Research on improved residual network classification method for defect recognition of thermal battery | |
CN116030300A (zh) | 一种用于零样本sar目标识别的渐进式域自适应识别方法 | |
CN108989608A (zh) | 基于线阵相机的路面图像灰度校正方法 | |
CN115294392A (zh) | 基于生成网络模型的可见光遥感图像云去除方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201009 |
|
WW01 | Invention patent application withdrawn after publication |