CN112529882A - 一种桥梁斜拉索缺陷识别方法 - Google Patents
一种桥梁斜拉索缺陷识别方法 Download PDFInfo
- Publication number
- CN112529882A CN112529882A CN202011492607.8A CN202011492607A CN112529882A CN 112529882 A CN112529882 A CN 112529882A CN 202011492607 A CN202011492607 A CN 202011492607A CN 112529882 A CN112529882 A CN 112529882A
- Authority
- CN
- China
- Prior art keywords
- image
- rain
- apparent
- bridge
- row
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000007547 defect Effects 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000003708 edge detection Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 230000009194 climbing Effects 0.000 claims description 15
- 239000000725 suspension Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 description 14
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009827 uniform distribution 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种桥梁斜拉索缺陷识别方法，包括：对任一表观相机的表观图像进行光照补偿，并采用直方图均衡化处理；采用二维零均值离散高斯函数作为平滑滤波器对光照补偿后的表观图像进行高斯滤波；对平滑处理后的表观图像采用Sobel算子进行边缘检测，并对边缘检测后图像进行二值化处理；采用直线提取识别桥梁斜拉索的管道，并剔除任一表观图像中管道两侧背景信息；采用模板匹配算法制作雨线模板，遍历雨线模板，依次旋转雨线模板α角度，并作为滑动窗口在表观图像上滑动，提取获得雨线区域，剔除图像中的雨线；采用图像膨胀处理和连通域提取，获得数个像素块；识别获得异常区域。通过上述方案，本发明具有逻辑简单、识别准确等优点。
Description
技术领域
本发明涉及桥梁斜拉索检测技术领域，尤其是一种桥梁斜拉索缺陷识别方法。
背景技术
斜拉索是斜拉桥的主要受力构件，对斜拉结构桥梁的结构安全和实用寿命具有直接的重要影响。然而，斜拉索从建成起，就不可避免地受到腐蚀退化、振动疲劳衰减等各种不利因素的作用。由于其布置于梁体外部，并长期处于高应力状态下，其截面尺寸又小，故斜拉索对腐蚀作用非常敏感，斜拉桥的实用安全性和耐久性在很大程度上取决于斜拉索的抗腐蚀能力。
因此，需要对桥梁斜拉索进行定期或不定期的检查、检测；目前，现有技术中的桥梁斜拉索检测主要包括人工检测、无人机检测、爬索机器人检测等，其中，人工检测和无人机检测监测效率低，且存在漏检的问题；另外，市面上也有采用爬索机器人进行检测的，如专利申请号为“201610919958.X”、名称为“带检测系统的轻型碳纤维爬索机器人及其用于拉索检测的方法”的中国发明专利，再如专利申请号为“202010168425.9”、名称为“一种动力均布自适应爬索机器人”的中国发明专利，虽然，其可以实现桥梁斜拉索检测，但是其结构较为复杂，安装使用不便。因此，申请人特提出了“一种爬索机器人”，其专利申请号为“2020112166253”。其包括爬索机器人本体，所述爬索机器人本体上设置带挂钩的调节支架，所述调节支架上挂接有一辅助轮机构，所述爬索机器人还包括固定在爬索机器人本体上、用于拍摄索道周向方向的图像的检测机构；所述检测机构包括与爬索机器人本体固定连接、并将索道周向方向均匀切分的数个挡板，以及设置在相邻的挡板之间、并朝向索道的表观相机。该技术最近的挡板数量为3，那么，表观相机的数量同样为3。但是，目前，现有技术中，暂未用于桥梁斜拉索缺陷的识别方法。
发明内容
针对上述问题，本发明的目的在于提供一种桥梁斜拉索缺陷识别方法，本发明采用的技术方案如下：
一种桥梁斜拉索缺陷识别方法，采用爬索机器人沿桥梁斜拉索方向爬行，并拍摄桥梁斜拉索的表观图像，所述爬索机器人环形均匀间隔设置有数个表观相机，所述桥梁斜拉索缺陷识别方法包括以下步骤：
对任一表观相机的表观图像进行光照补偿，并采用直方图均衡化处理；
采用二维零均值离散高斯函数作为平滑滤波器对光照补偿后的表观图像进行高斯滤波，以得到平滑处理后的表观图像；
对平滑处理后的表观图像采用Sobel算子进行边缘检测，并对边缘检测后图像进行二值化处理；
采用直线提取识别桥梁斜拉索的管道，并剔除任一表观图像中管道两侧背景信息；
采用模板匹配算法制作雨线模板，遍历雨线模板，依次旋转雨线模板α角度，并作为滑动窗口在表观图像上滑动，提取获得雨线区域；
将表观图像与雨线区域的雨线做差，得到剔除雨线的图像；
采用图像膨胀处理和连通域提取，获得数个像素块；将像素块的像素值与预设的阈值对比，若像素块的像素值大于预设的阈值，则为异常区域；否则为正常区域。
进一步地，所述采用直线提取识别桥梁斜拉索的管道，并剔除任一表观图像中管道两侧背景信息，包括以下步骤：
在任一表观图像中管道左侧提取到沿桥梁斜拉索的直线m条；所述m为大于等于1的整数，且直线的端点集合分别用LA和LB表示；
在任一表观图像中管道右侧提取到沿桥梁斜拉索的直线n条；所述n为大于等于1的整数，且直线的端点集合分别用RA和RB表示；
从端点集合LA中寻找到水平最大值，且从端点集合LB中寻找到水平最大值，并进行连接线，得到第一直线；
从端点集合RA中寻找到水平最小值，且端点集合RB中寻找到水平最小值，并进行连接线，得到第二直线；
保留第一直线与第二直线之间的图像，以完成剔除任一表观图像中管道两侧背景信息。
优选地，所述α取值为15°。
进一步地，所述采用图像膨胀处理和连通域提取，获得数个像素块，包括以下步骤：
对剔除雨线的图像进行膨胀处理；
逐行扫描图像，并将任一行中连续的白色像素组成一个序列，标记为团，记录团的起点、终点和行号；
从图像的第2行开始，若第i行与第i-1行的团无重合连通区域，则赋予第第i行的团一标号；若第i行与第i-1行的团有一个重合连通区域，则将第i-1行的团的标号赋给第i行的团；若第i行与第i-1行的团有两个及以上的重合连通区域，则对第i行当前的团赋一个相连团的最小标号，并将第i-1行中重合连通区域的团写入等价对；所述i为大于等于2的整数；
将等价对转换成等价序列；
遍历任一团的标记，查询等价序列，并进行重新标记；
将任一团的标号填入标记图像中，以完成连通域提取；
对连通域进行统计，滤除连通域小于20的小块，获得数个像素块。
与现有技术相比，本发明具有以下有益效果：
(1)本发明巧妙地对表观相机的表观图像进行光照补偿，消除光照条件变化或成像设备感应曲线的不同所带来的影响，使直方图成为均匀分布的形式。另外，本发明通过对图象进行直方图均衡化的处理，可以增强图象的对比度，提高图象的质量。
(2)本发明将光照补偿后的图像，经过高斯滤波，Sobel算子边缘检测，再进行图像二值化处理得到异常区域。但这些异常区域包含了管道两侧的背景内容和管道上雨线，还需进一步滤掉这些干扰信息。
(3)本发明巧妙地采用二维零均值离散高斯函数作为平滑滤波器，其为平滑效果更柔和且较好保持边缘信息的高斯滤波器。
(4)本发明采用直线提取的方式识别管道，由于相机机位固定，本发明对同一个机位的图像提取直线，根据相机与管道的相对位置，筛选出一定斜率的直线，从而过滤掉雨线等干扰；如此一来，便能增加鲁棒性。
(5)本发明采用模板匹配算法剔除雨线，由于管道的雨线形态接近，选取一些典型雨线制作成模板，采用模板匹配的方法直接高效能识别出雨线。
(6)本发明采用图像膨胀处理和连通域提取，获得数个像素块，其好处在于，能提高识别病害的整体性，消除边缘提取的时候将块状病害识别分散开，做图像膨胀处理后能将本连在一起分散开的病害聚集到一起，与单独的识别错误的“斑点”区别开。本发明采用连通域提取一是计算每个连通域像素块大小，方便的面积小的错误结果过滤掉；二是可以统计病害的个数。
综上所述，本发明具有逻辑简单、识别准确等优点，在桥梁斜拉索检测技术领域具有很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对保护范围的限定，对于本领域技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明的光照补偿前图像。
图2为本发明的光照补偿后图像。
图3为本发明的边缘提取的图像。
图4为本发明的直线提取的示意图。
图5为本发明的剔除表观图像中管道两侧背景信息后的示意图。
图6为本发明的雨线模板的示意图。
图7为本发明的识别后的雨线区域的示意图。
图8为本发明的去除雨线后的图像。
图9为本发明的膨胀处理后的图像。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例
如图1至图9所示，本实施例提供了一种桥梁斜拉索缺陷识别方法，采用爬索机器人沿桥梁斜拉索方向爬行，并拍摄桥梁斜拉索的表观图像，所述爬索机器人环形均匀间隔设置有数个表观相机。
在本实施例中，桥梁斜拉索缺陷识别方法包括以下步骤：
第一步，对任一表观相机的表观图像进行光照补偿，并采用直方图均衡化处理。
第二步，采用二维零均值离散高斯函数作为平滑滤波器对光照补偿后的表观图像进行高斯滤波，以得到平滑处理后的表观图像；在本实施例中，管道病害信息一般都是高频信息，因此我们选择平滑效果更柔和且较好保持边缘信息的高斯滤波器。
第三步，对平滑处理后的表观图像采用Sobel算子进行边缘检测，并对边缘检测后图像进行二值化处理。边缘检测结果表示灰度值低的边缘信息弱，灰度值高的地方边缘信息强。故需要滤掉边缘检测出较弱的响应，例如灰度值低于100的都判断为背景信息。
第四步，采用直线提取识别桥梁斜拉索的管道，并剔除任一表观图像中管道两侧背景信息；具体来说：
(1)在任一表观图像中管道左侧提取到沿桥梁斜拉索的直线m条；所述m为大于等于1的整数，且直线的端点集合分别用LA和LB表示；
(2)在任一表观图像中管道右侧提取到沿桥梁斜拉索的直线n条；所述n为大于等于1的整数，且直线的端点集合分别用RA和RB表示；
(3)从端点集合LA中寻找到水平最大值，且从端点集合LB中寻找到水平最大值，并进行连接线，得到第一直线；
(4)从端点集合RA中寻找到水平最小值，且端点集合RB中寻找到水平最小值，并进行连接线，得到第二直线；
(5)保留第一直线与第二直线之间的图像，以完成剔除任一表观图像中管道两侧背景信息。
第五步，采用模板匹配算法制作雨线模板，遍历雨线模板，依次旋转雨线模板15°，并作为滑动窗口在表观图像上滑动，提取模板匹配响应较强区域，作为雨线区域。
第六步，将表观图像与雨线区域的雨线做差，得到剔除雨线的图像。
第七步，采用图像膨胀处理和连通域提取，获得数个像素块，具体来说：
(1)对剔除雨线的图像进行膨胀处理；
(2)逐行扫描图像，并将任一行中连续的白色像素组成一个序列，标记为团，记录团的起点、终点和行号；
(3)从图像的第2行开始，若第i行与第i-1行的团无重合连通区域，则赋予第第i行的团一标号；若第i行与第i-1行的团有一个重合连通区域，则将第i-1行的团的标号赋给第i行的团；若第i行与第i-1行的团有两个及以上的重合连通区域，则对第i行当前的团赋一个相连团的最小标号，并将第i-1行中重合连通区域的团写入等价对；所述i为大于等于2的整数；
(4)将等价对转换成等价序列；
(5)遍历任一团的标记，查询等价序列，并进行重新标记；
(6)将任一团的标号填入标记图像中，以完成连通域提取；
(7)对连通域进行统计，滤除连通域小于20的小块，获得数个像素块。
第八步，将像素块的像素值与预设的阈值对比，若像素块的像素值大于预设的阈值，则为异常区域；否则为正常区域。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。
Claims (4)
1.一种桥梁斜拉索缺陷识别方法，采用爬索机器人沿桥梁斜拉索方向爬行，并拍摄桥梁斜拉索的表观图像，所述爬索机器人环形均匀间隔设置有数个表观相机，其特征在于，所述桥梁斜拉索缺陷识别方法包括以下步骤：
对任一表观相机的表观图像进行光照补偿，并采用直方图均衡化处理；
采用二维零均值离散高斯函数作为平滑滤波器对光照补偿后的表观图像进行高斯滤波，以得到平滑处理后的表观图像；
对平滑处理后的表观图像采用Sobel算子进行边缘检测，并对边缘检测后图像进行二值化处理；
采用直线提取识别桥梁斜拉索的管道，并剔除任一表观图像中管道两侧背景信息；
采用模板匹配算法制作雨线模板，遍历雨线模板，依次旋转雨线模板α角度，并作为滑动窗口在表观图像上滑动，提取获得雨线区域；
将表观图像与雨线区域的雨线做差，得到剔除雨线的图像；
采用图像膨胀处理和连通域提取，获得数个像素块；将像素块的像素值与预设的阈值对比，若像素块的像素值大于预设的阈值，则为异常区域；否则为正常区域。
2.根据权利要求1所述的一种桥梁斜拉索缺陷识别方法，其特征在于，所述采用直线提取识别桥梁斜拉索的管道，并剔除任一表观图像中管道两侧背景信息，包括以下步骤：
在任一表观图像中管道左侧提取到沿桥梁斜拉索的直线m条；所述m为大于等于1的整数，且直线的端点集合分别用LA和LB表示；
在任一表观图像中管道右侧提取到沿桥梁斜拉索的直线n条；所述n为大于等于1的整数，且直线的端点集合分别用RA和RB表示；
从端点集合LA中寻找到水平最大值，且从端点集合LB中寻找到水平最大值，并进行连接线，得到第一直线；
从端点集合RA中寻找到水平最小值，且端点集合RB中寻找到水平最小值，并进行连接线，得到第二直线；
保留第一直线与第二直线之间的图像，以完成剔除任一表观图像中管道两侧背景信息。
3.根据权利要求1所述的一种桥梁斜拉索缺陷识别方法，其特征在于，所述α取值为15°。
4.根据权利要求1或2或3所述的一种桥梁斜拉索缺陷识别方法，其特征在于，所述采用图像膨胀处理和连通域提取，获得数个像素块，包括以下步骤：
对剔除雨线的图像进行膨胀处理；
逐行扫描图像，并将任一行中连续的白色像素组成一个序列，标记为团，记录团的起点、终点和行号；
从图像的第2行开始，若第i行与第i-1行的团无重合连通区域，则赋予第第i行的团一标号；若第i行与第i-1行的团有一个重合连通区域，则将第i-1行的团的标号赋给第i行的团；若第i行与第i-1行的团有两个及以上的重合连通区域，则对第i行当前的团赋一个相连团的最小标号，并将第i-1行中重合连通区域的团写入等价对；所述i为大于等于2的整数；
将等价对转换成等价序列；
遍历任一团的标记，查询等价序列，并进行重新标记；
将任一团的标号填入标记图像中，以完成连通域提取；
对连通域进行统计，滤除连通域小于20的小块，获得数个像素块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011492607.8A CN112529882A (zh) | 2020-12-16 | 2020-12-16 | 一种桥梁斜拉索缺陷识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011492607.8A CN112529882A (zh) | 2020-12-16 | 2020-12-16 | 一种桥梁斜拉索缺陷识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112529882A true CN112529882A (zh) | 2021-03-19 |
Family
ID=75000897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011492607.8A Pending CN112529882A (zh) | 2020-12-16 | 2020-12-16 | 一种桥梁斜拉索缺陷识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529882A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113588663A (zh) * | 2021-08-03 | 2021-11-02 | 上海圭目机器人有限公司 | 一种管线缺陷识别与信息提取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101684990B1 (ko) * | 2015-08-04 | 2016-12-12 | 청주대학교 산학협력단 | 양방향 필터의 시그마 변수를 이용한 차량 영상 디블러 방법 |
| CN108629775A (zh) * | 2018-05-14 | 2018-10-09 | 华中科技大学 | 一种热态高速线材表面图像处理方法 |
| CN109685788A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 一种基于形态学特征的楼面缺陷图像自动检测方法 |
| CN110205930A (zh) * | 2019-06-13 | 2019-09-06 | 广东承信公路工程检验有限公司 | 新型桥梁缆索智能检测机器人 |
| CN110648349A (zh) * | 2019-09-05 | 2020-01-03 | 南开大学 | 基于背景减除和连通区域算法的焊缝缺陷分割方法 |
-
2020
- 2020-12-16 CN CN202011492607.8A patent/CN112529882A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101684990B1 (ko) * | 2015-08-04 | 2016-12-12 | 청주대학교 산학협력단 | 양방향 필터의 시그마 변수를 이용한 차량 영상 디블러 방법 |
| CN108629775A (zh) * | 2018-05-14 | 2018-10-09 | 华中科技大学 | 一种热态高速线材表面图像处理方法 |
| CN109685788A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 一种基于形态学特征的楼面缺陷图像自动检测方法 |
| CN110205930A (zh) * | 2019-06-13 | 2019-09-06 | 广东承信公路工程检验有限公司 | 新型桥梁缆索智能检测机器人 |
| CN110648349A (zh) * | 2019-09-05 | 2020-01-03 | 南开大学 | 基于背景减除和连通区域算法的焊缝缺陷分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李鑫: "桥梁拉索护套表面缺陷视觉检测及智能识别研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 07, pages 2 * |
| 王建林;潘建平;: "一种桥梁拉索表面缺陷图像的背景分割方法研究", 测绘工程, no. 07 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113588663A (zh) * | 2021-08-03 | 2021-11-02 | 上海圭目机器人有限公司 | 一种管线缺陷识别与信息提取方法 |
| CN113588663B (zh) * | 2021-08-03 | 2024-01-23 | 上海圭目机器人有限公司 | 一种管线缺陷识别与信息提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114757949B (zh) | 基于计算机视觉的电线电缆缺陷检测方法及系统 | |
| CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
| CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
| CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
| CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
| CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
| CN107967681B (zh) | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 | |
| CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
| CN106599890B (zh) | 变电站巡检机器人数字式仪表识别算法 | |
| CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
| CN110930357A (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
| CN113763363B (zh) | 一种排水管道破裂缺陷检测及等级评定方法 | |
| CN116977342B (zh) | 基于图像分割的pcb板线路检测方法 | |
| CN117078680B (zh) | 一种巡检机器人用管廊支吊架异常检测方法 | |
| CN112686120B (zh) | 一种基于无人机航拍图像的输电线异常检测方法 | |
| CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
| CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
| CN112529882A (zh) | 一种桥梁斜拉索缺陷识别方法 | |
| CN118037730B (zh) | 一种基于计算机图像处理的裂缝长度检测系统 | |
| CN112669287A (zh) | 基于图像识别的电气设备温度监测方法 | |
| CN110782411B (zh) | 一种基于图像处理的防震锤滑移识别方法 | |
| CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
| CN113588663B (zh) | 一种管线缺陷识别与信息提取方法 | |
| CN106650735B (zh) | 一种led字符自动定位识别方法 | |
| CN112330633B (zh) | 基于自适应带通滤波的跨接线胶带破损故障图像分割方法 |
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 |