CN112233111A - 一种基于数字图像处理的隧道缝隙检测方法 - Google Patents
一种基于数字图像处理的隧道缝隙检测方法 Download PDFInfo
- Publication number
- CN112233111A CN112233111A CN202011294731.3A CN202011294731A CN112233111A CN 112233111 A CN112233111 A CN 112233111A CN 202011294731 A CN202011294731 A CN 202011294731A CN 112233111 A CN112233111 A CN 112233111A
- Authority
- CN
- China
- Prior art keywords
- image processing
- digital image
- fitting function
- tunnel
- order derivation
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 title claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 35
- 238000009795 derivation Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G06T5/92—
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
Abstract
本发明公开了一种基于数字图像处理的隧道缝隙检测方法，涉及裂缝检测技术领域，包括图像采集；图像灰度化处理；增强图像对比度，并根据图像中含有裂隙的图片构建直方图，进行统计和分析；根据所述直方图，构建拟合函数L(x)，并遍历所述图像，在间距80灰度值取点，统计该灰度值像素个数，并代入所述拟合函数的表达式；对所述拟合函数依次进行一阶求导和二阶求导，并根据一阶导函数和二阶导函数找到两个极大值点；构建灰度值的拟合函数g(x)；导入训练好的模型进行检测；对检测后的裂缝长宽分析来评定裂缝级别，该方法是在数字图像处理和yolov5深度学习的基础之上，对隧道缝隙进行检测和识别，并且能够有效识别出裂缝特征。
Description
技术领域
本发明涉及裂缝检测技术领域，具体为一种基于数字图像处理的隧道缝隙检测方法。
背景技术
随着我国隧道建设的飞速发展，目前我国隧道已经走出建设期，迈入“高维修”管理期，隧道衬砌裂缝是隧道病害中最常见也是最危险的病害之一，因此对衬砌裂缝的检测具有非常重要的意义。裂缝作为隧道衬砌常见表观病害，对其进行检测评估至关重要，现阶段，通过从隧道中采集的隧道衬砌表面的图像信息，在后期处理的过程中，存在如下问题：
1、由于隧道环境阴暗，补光后图片灰度值集中在低灰度区域，难以进行图像处理；
2、无法确定裂缝区域和背景区域峰值所在灰度值范围；
3、所采集的图像中，由于普通背景过于复杂而导致使用yolov5检测时受到影响；
综上，本领域的技术人员提出了一种基于数字图像处理的隧道缝隙检测方法。
发明内容
针对现有技术的不足，本发明提供了一种基于数字图像处理的隧道缝隙检测方法，解决了由于隧道环境阴暗，补光后图片灰度值集中在低灰度区域，难以进行图像处理、无法确定裂缝区域和背景区域峰值所在灰度值范围以及所采集的图像中，由于普通背景过于复杂而导致使用yolov5检测时受到影响的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于数字图像处理的隧道缝隙检测方法，包括如下步骤：
驾驶缝隙探测车在目标隧道中行驶，并实时对隧道内衬砌表面的图像进行采集；
对采集后的图像进行灰度化处理；
增强所述图像的对比度，并根据图像中含有裂隙的图片构建直方图，进行统计和分析；
根据所述直方图，构建拟合函数L(x)，并遍历所述图像，在间距80灰度值取点，统计该灰度值像素个数，并代入所述拟合函数的表达式；
对所述拟合函数依次进行一阶求导和二阶求导，并根据一阶导函数和二阶导函数找到两个极大值点；
构建灰度值的拟合函数g(x)；
导入训练好的模型进行检测；
对检测后的裂缝长宽分析来评定裂缝级别。
进一步的，所述探测车搭载安装有CCD相机图像采集系统和辅助照明系统。
进一步的，所述拟合函数的表达式为：
L＝x4+cx3+dx2+ex+n
其中，c、d、e、n均为待求系数。
进一步的，在上述方法中，在所述对所述拟合函数依次进行一阶求导和二阶求导，并根据一阶导函数和二阶导函数找到两个极大值点步骤之后，还包括找到第一个极大值点时的灰度值a和灰度值最大时的极大值点时的灰度值b，并进行灰度拉伸增强对比度。
进一步的，所述灰度值的拟合函数的表达式为：
其中，255为灰度图像素值(0,255)中的最大值，f为f(x)。
进一步的，在上述方法中，在所述构建灰度值的拟合函数g(x)步骤之后，还包括以2a为阈值进行二值图象切割。
进一步的，在上述方法中，在所述以2a为阈值进行二值图象切割步骤之后，还包括对裂缝和干扰斑块使用labelimg进行标注，在yolov5中进行训练学习。
进一步的，所述训练好的模型导入到经过二值化处理后的采集的待检测图片中。
有益效果
本发明提供了一种基于数字图像处理的隧道缝隙检测方法。与现有技术相比具备以下有益效果：
1、一种基于数字图像处理的隧道缝隙检测方法，采用了一种可拉伸对比度提高图像裂缝与背景灰度值对比的方法，解决了隧道采集的低灰度值图像难以进行图像处理的问题。
2、一种基于数字图像处理的隧道缝隙检测方法，通过对于灰度直方图构建出拟合函数公式，该拟合函数公式能够解决裂缝区域和背景区域峰值所在灰度值范围。
3、一种基于数字图像处理的隧道缝隙检测方法，通过采用二值化后进行标记裂缝的方法，降低了因背景复杂导致yolov5检测时的影响，提高准确率。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图，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。
请参阅图1，本发明提供一种技术方案：一种基于数字图像处理的隧道缝隙检测方法，包括如下步骤：
S1、安装CCD相机图像采集系统与辅助照明系统的探测车在隧道内实现对高铁隧道衬砌表面的图像采集；
S2、对采集到的图像进行灰度化处理；
S3、对大量裂缝图片进行直方图统计分析发现：由于隧道环境阴暗，补光后图片灰度值集中在低灰度区域，且分为两个像素高峰，分别是裂缝区域灰度值高峰和普通背景像素高峰。首先增强图片对比度，g(x)为变换后的图，f(x)为原图；
L＝x4+cx3+dx2+ex+n
遍历图像，间距80灰度值取点，统计该灰度值像素个数代入表达式；
S4、将直方图拟合成的函数并使用导函数和二次导函数找到两个极大值点，找到第一个极大值点时的灰度值a和灰度值最大时的极大值点时的灰度值b，进行灰度拉伸增强对比度；
此时，图片灰度值拉伸至0-255，而裂缝区域灰度值基本不变；
S5、以2a为阈值进行二值图象切割，此时二值图较为纯净，只有局部分散不规则斑块干扰；
S6、二值化后的图片中，裂缝特征较为明显，且背景色干扰可忽略，对裂缝和干扰斑块使用labelimg进行标注，在yolov5中进行训练学习；
S7、将采集的待检测图片经上述步骤二值化后使用训练好的模型进行检测；
S8、由于二值图像背景与裂缝特征区别明显，且裂缝未经形态学处理，形态变化不大，对检测出的二值化后的裂缝进行长宽分析来评定裂缝级别。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于数字图像处理的隧道缝隙检测方法，其特征在于，包括如下步骤：
驾驶缝隙探测车在目标隧道中行驶，并实时对隧道内衬砌表面的图像进行采集；
对采集后的图像进行灰度化处理；
增强所述图像的对比度，并根据图像中含有裂隙的图片构建直方图，进行统计和分析；
根据所述直方图，构建拟合函数L(x)，并遍历所述图像，在间距80灰度值取点，统计该灰度值像素个数，并代入所述拟合函数的表达式；
对所述拟合函数依次进行一阶求导和二阶求导，并根据一阶导函数和二阶导函数找到两个极大值点；
构建灰度值的拟合函数g(x)；
导入训练好的模型进行检测；
对检测后的裂缝长宽分析来评定裂缝级别。
2.根据权利要求1所述的一种基于数字图像处理的隧道缝隙检测方法，其特征在于，所述探测车搭载安装有CCD相机图像采集系统和辅助照明系统。
3.根据权利要求1所述的一种基于数字图像处理的隧道缝隙检测方法，其特征在于，所述拟合函数的表达式为：
L＝x4+cx3+dx2+ex+n
其中，c、d、e、n均为待求系数。
4.根据权利要求1所述的一种基于数字图像处理的隧道缝隙检测方法，其特征在于，在所述对所述拟合函数依次进行一阶求导和二阶求导，并根据一阶导函数和二阶导函数找到两个极大值点步骤之后，还包括找到第一个极大值点时的灰度值a和灰度值最大时的极大值点时的灰度值b，并进行灰度拉伸增强对比度。
5.根据权利要求4所述的一种基于数字图像处理的隧道缝隙检测方法，其特征在于，所述灰度值的拟合函数的表达式为：
其中，255为灰度图像素值(0,255)中的最大值，f为f(x)。
6.根据权利要求5所述的一种基于数字图像处理的隧道缝隙检测方法，其特征在于，在所述构建灰度值的拟合函数g(x)步骤之后，还包括以2a为阈值进行二值图象切割。
7.根据权利要求6所述的一种基于数字图像处理的隧道缝隙检测方法，其特征在于，在所述以2a为阈值进行二值图象切割步骤之后，还包括对裂缝和干扰斑块使用labelimg进行标注，在yolov5中进行训练学习。
8.根据权利要求7所述的一种基于数字图像处理的隧道缝隙检测方法，其特征在于，所述训练好的模型导入到经过二值化处理后的采集的待检测图片中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011294731.3A CN112233111A (zh) | 2020-11-18 | 2020-11-18 | 一种基于数字图像处理的隧道缝隙检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011294731.3A CN112233111A (zh) | 2020-11-18 | 2020-11-18 | 一种基于数字图像处理的隧道缝隙检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112233111A true CN112233111A (zh) | 2021-01-15 |
Family
ID=74124289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011294731.3A Pending CN112233111A (zh) | 2020-11-18 | 2020-11-18 | 一种基于数字图像处理的隧道缝隙检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112233111A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663750A (zh) * | 2022-02-23 | 2022-06-24 | 无锡雪浪数制科技有限公司 | 一种基于机器视觉与深度学习的海缆填充条断裂识别方法 |
| CN115830432A (zh) * | 2023-02-15 | 2023-03-21 | 山东科技大学 | 一种基于YOLOv5的隧道衬砌裂缝检测方法及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862677A (zh) * | 2017-10-16 | 2018-03-30 | 中铁第四勘察设计院集团有限公司 | 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统 |
| CN108665433A (zh) * | 2017-04-01 | 2018-10-16 | 西安电子科技大学 | 一种结合多种特征的无参考自然图像质量评价方法 |
| CN109523479A (zh) * | 2018-11-10 | 2019-03-26 | 东莞理工学院 | 一种桥墩表面缝隙视觉检测方法 |
| CN110555852A (zh) * | 2019-07-29 | 2019-12-10 | 同济大学 | 基于灰度直方图的单牙及其牙髓分割方法 |
| US20190392192A1 (en) * | 2018-06-25 | 2019-12-26 | Texas Instruments Incorporated | Three dimensional (3d) object detection |
| CN110704805A (zh) * | 2019-09-13 | 2020-01-17 | 东南大学 | 一种基于活载应变的预应力混凝土梁桥开裂预警方法 |
| CN111126505A (zh) * | 2019-12-28 | 2020-05-08 | 北京工业大学 | 一种基于深度学习的路面裂缝快速识别方法 |
| CN111144186A (zh) * | 2018-11-06 | 2020-05-12 | 煤炭科学技术研究院有限公司 | 一种用于对显微组分进行自动识别的方法及系统 |
| CN111489352A (zh) * | 2020-04-29 | 2020-08-04 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 |
-
2020
- 2020-11-18 CN CN202011294731.3A patent/CN112233111A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108665433A (zh) * | 2017-04-01 | 2018-10-16 | 西安电子科技大学 | 一种结合多种特征的无参考自然图像质量评价方法 |
| CN107862677A (zh) * | 2017-10-16 | 2018-03-30 | 中铁第四勘察设计院集团有限公司 | 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统 |
| US20190392192A1 (en) * | 2018-06-25 | 2019-12-26 | Texas Instruments Incorporated | Three dimensional (3d) object detection |
| CN111144186A (zh) * | 2018-11-06 | 2020-05-12 | 煤炭科学技术研究院有限公司 | 一种用于对显微组分进行自动识别的方法及系统 |
| CN109523479A (zh) * | 2018-11-10 | 2019-03-26 | 东莞理工学院 | 一种桥墩表面缝隙视觉检测方法 |
| CN110555852A (zh) * | 2019-07-29 | 2019-12-10 | 同济大学 | 基于灰度直方图的单牙及其牙髓分割方法 |
| CN110704805A (zh) * | 2019-09-13 | 2020-01-17 | 东南大学 | 一种基于活载应变的预应力混凝土梁桥开裂预警方法 |
| CN111126505A (zh) * | 2019-12-28 | 2020-05-08 | 北京工业大学 | 一种基于深度学习的路面裂缝快速识别方法 |
| CN111489352A (zh) * | 2020-04-29 | 2020-08-04 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| ARUN MOHAN 等: "Crack detection using image processing: A critical review and analysis", 《ALEXANDRIA ENGINEERING JOURNAL》 * |
| 张硕: "利用图像处理技术的隧道裂缝检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(月刊)》 * |
| 王耀东 等: "基于局部图像纹理计算的隧道裂缝视觉检测技术", 《铁道学报》 * |
| 蒋凡: "基于图像处理的车载式隧道衬砌裂缝检测系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(月刊)》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663750A (zh) * | 2022-02-23 | 2022-06-24 | 无锡雪浪数制科技有限公司 | 一种基于机器视觉与深度学习的海缆填充条断裂识别方法 |
| CN114663750B (zh) * | 2022-02-23 | 2023-03-03 | 无锡雪浪数制科技有限公司 | 一种基于机器视觉与深度学习的海缆填充条断裂识别方法 |
| CN115830432A (zh) * | 2023-02-15 | 2023-03-21 | 山东科技大学 | 一种基于YOLOv5的隧道衬砌裂缝检测方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
| CN115601367B (zh) | 一种led灯芯缺陷检测方法 | |
| CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
| CN112036254B (zh) | 基于视频图像的运动车辆前景检测方法 | |
| CN115170576A (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
| CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
| CN107742307A (zh) | 基于改进帧差法的输电线路舞动特征提取及参数分析方法 | |
| CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
| CN108760590B (zh) | 一种基于图像处理的厨房油烟浓度检测与干扰排除方法 | |
| CN112233111A (zh) | 一种基于数字图像处理的隧道缝隙检测方法 | |
| CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
| CN112581434A (zh) | 一种用于产品缺陷检测的图像识别方法 | |
| CN110751635B (zh) | 一种基于帧间差分和hsv颜色空间的口腔检测方法 | |
| CN112528861A (zh) | 应用于铁路隧道内道床的异物检测方法及装置 | |
| CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
| CN115937237A (zh) | 一种基于边缘变换域的局部特征提取方法 | |
| CN116433666A (zh) | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 | |
| CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
| CN110782409B (zh) | 一种去除多运动物体阴影的方法 | |
| CN107545565B (zh) | 一种太阳能网版检测方法 | |
| CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
| CN104102911A (zh) | 一种基于aoi的子弹表观缺陷检测系统的图像处理算法 | |
| CN116500052A (zh) | 一种食用油杂质视觉检测系统及其使用方法 | |
| CN110019060B (zh) | 一种机车视频文件与运行记录文件自动同步方法与装置 | |
| CN110490885B (zh) | 改进的自适应阈值二值化方法及vin码字符分割方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210115 |
|
| RJ01 | Rejection of invention patent application after publication |