CN112730430A - 一种基于图像学习的桥梁瑕疵检测系统及其检测方法 - Google Patents

一种基于图像学习的桥梁瑕疵检测系统及其检测方法 Download PDF

Info

Publication number
CN112730430A
CN112730430A CN202011538171.1A CN202011538171A CN112730430A CN 112730430 A CN112730430 A CN 112730430A CN 202011538171 A CN202011538171 A CN 202011538171A CN 112730430 A CN112730430 A CN 112730430A
Authority
CN
China
Prior art keywords
resistor
diode
pin
capacitor
image
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Withdrawn
Application number
CN202011538171.1A
Other languages
English (en)
Inventor
卞林波
吴兰芬
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.)
Nanjing Chenhuang Software Technology Co ltd
Original Assignee
Nanjing Chenhuang Software Technology 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 Nanjing Chenhuang Software Technology Co ltd filed Critical Nanjing Chenhuang Software Technology Co ltd
Priority to CN202011538171.1A priority Critical patent/CN112730430A/zh
Publication of CN112730430A publication Critical patent/CN112730430A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (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学习的桥梁瑕疵检测系统及其检测方法，包括：红外成像补光单元、信号处理单元、信号抗干扰单元、脉宽调制单元，所述红外成像补光单元通过瑕疵的检测环境完成定值调节和感光调节两种补光模式的转换，满足红外成像所需的补光需求；所述信号处理单元通过两组的滤波筛选调整传感信号输入与输出转换过程中的稳定；所述信号抗干扰单元针对信号处理单元的过程增加信号抗干扰电路，阻碍干扰信号对采集信号的损伤；所述脉宽调制单元根据载荷的变化来调制栅极的偏置，使电源的输出电压在工作条件变化时保持稳定；本发明通过对采集信号的处理以及红外成像的补光调节，进而有序的控制信号的传输，提高了对桥梁瑕疵的识别精度。

Description

一种基于图像学习的桥梁瑕疵检测系统及其检测方法
技术领域
本发明涉及一种瑕疵检测技术，尤其是一种基于图像学习的桥梁瑕疵检测系统及其检测方法。
背景技术
随着我国公路网的快速发展，公路安全问题得到越来越广泛的关注，为了保障人民生命安全、减少国家财产损失，公路基础设施需要得到有效养护，出现故障需要及时得到处理，由于天气的影响、车辆的碾压以及公路质量本身存在问题，公路基础设施故障发生率久高不下，而人工检测方式往往不能及时发现故障，所以，如何准确快速地对公路基础设施故障进行检测成了热点研究问题。
传统的检测方式采用工作人员进行故障排查，而人工检测方式往往不能及时发现故障、存在检测的疏漏；传统的公路路面瑕疵检测算法在图像深层次特征提取方面表现欠佳，难以达到预期检测效果，由于采用非接触式的检测方式采集红外成像信息，这种检测方式往往会带来原始信号的丢失，以及信号的衰减；应对不同的工作环境时，会出现数据传输线路受到外界信号的干扰，影响数据的传输质量，而在箱梁内部进行勘查时需要提供补光才能获取精准的图像信息，而传统的补光调节采用定值调节，从而无法满瑕疵检测系统所需的补光要求。
发明内容
发明目的：提供一种基于图像学习的桥梁瑕疵检测系统，以解决上述问题。
技术方案：一种基于图像学习的桥梁瑕疵检测系统，包括：红外成像补光单元、信号处理单元、信号抗干扰单元、脉宽调制单元；
红外成像补光单元，根据桥梁瑕疵的检测环境，提供定值调节和感光调节两种补光模式，满足红外成像所需的补光调节；
信号处理单元，通过两组滤波筛选电路调整传感信号输入与输出转换过程中的稳定，保证传感器信号过程中的完整性；
信号抗干扰单元，针对信号处理单元的过程增加信号抗干扰电路，阻碍干扰信号对图像采集信号的损伤；
脉宽调制单元，根据电源载荷的变化来调制栅极的偏置，使电源的输出电压在工作条件变化时保持稳定。
根据本发明的一个方面，所述红外成像补光单元包括光敏电阻RT、开关ST、电阻R3、电阻R2、可变电阻RV1、二极管D5、电容C1、电阻R1、可控硅U1、二极管D1、二极管D2、二极管D3、二极管D4、补光灯E，其中所述光敏电阻RT一端与开关ST引脚1连接；所述光敏电阻RT另一端分别与电阻R3一端、电容C1一端、可控硅U1引脚3、二极管D4正极端、二极管D3正极端连接；所述电阻R3另一端与开关ST引脚3连接；所述开关ST引脚2分别与电阻R2一端、二极管D5正极端连接；所述电阻R2另一端分别与可变电阻RV1引脚1和引脚2、电阻R1一端连接；所述可变电阻RV1引脚3分别与二极管D5负极端、电容C1另一端、可控硅U1引脚1连接；所述电阻R1另一端分别与二极管D1负极端、二极管D2负极端、可控硅U1引脚2连接；所述二极管D1正极端与补光灯E一端连接；所述二极管D2正极端分别与二极管D4负极端、地线GND连接；所述补光灯E另一端与电压信号+12V、二极管D3负极端连接所述红外成像补光单元根据桥梁瑕疵的检测环境，提供定值调节和感光调节两种补光模式，满足红外成像所需的补光调节。
根据本发明的一个方面，所述信号处理单元包括电阻R13、电容C5、电阻R11、运算放大器U4、电容C6、电阻R14、电阻R12、电阻R16、电阻R15、二极管D12、二极管D13、运算放大器U5、二极管D14，其中所述电阻R13一端与采集信号IN2连接；所述电阻R13另一端分别与电阻R14一端、电容C6正极端、运算放大器U4引脚2连接；所述运算放大器U4引脚3分别与电容C5正极端、电阻R11一端、电阻R12一端连接；所述电容C5负极端与电阻R11另一端、地线GND连接；所述电阻R12另一端分别与电阻R16一端、运算放大器U4引脚7、运算放大器U5引脚7、电压信号+12V连接；所述运算放大器U4引脚4与地线GND连接；所述运算放大器U4引脚6分别与二极管D12正极端、二极管D13负极端、电阻R14另一端、电容C6负极端连接；所述电阻R16另一端分别与电阻R15一端、运算放大器U5引脚3、二极管D12负极端连接；所述运算放大器U5引脚2与二极管D13正极端连接；所述运算放大器U5引脚4与地线GND连接；所述电阻R15另一端与地线GND连接；所述运算放大器U5引脚6与二极管D14正极端连接；所述二极管D14负极端与采集信号OUT2连接；所述信号处理单元通过两组滤波筛选电路调整传感信号输入与输出转换过程中的稳定，保证传感器信号过程中的完整性。
根据本发明的一个方面，所述信号抗干扰单元包括电容C3、二极管D9、电阻R8、时基电路U2、电容C7、二极管D6、二极管D7、二极管8、电阻R4、电阻R5、电容C2、电阻R6、电阻R7，其中所述二极管D9正极端分别与电阻R8一端、电容C3一端、采集信号OUT3连接；所述电容C3另一端与地线GND连接；所述二极管D9负极端分别与电阻R8另一端、时基电路U2引脚3连接；所述时基电路U2引脚8分别与二极管D6负极端、电阻R4一端、电压信号+12V连接；所述时基电路U2引脚4分别与电阻R4另一端、电阻R5一端连接；所述时基电路U2引脚5和引脚2分别与二极管D8正极端、电容C2一端、电阻R5另一端连接；所述二极管D8负极端分别与二极管D7正极端、电阻R6一端连接；所述二极管D7负极端与二极管D6正极端连接；所述电容C2另一端分别与电阻R7一端、地线GND连接；所述电阻R7另一端分别与电阻R6另一端、采集信号OUT2连接；所述信号抗干扰单元，针对信号处理单元的过程增加信号抗干扰电路，阻碍干扰信号对图像采集信号的损伤。
根据本发明的一个方面，所述脉宽调制单元包括电阻R17、电阻R9、电容C4、电感L1、运算放大器U3、电阻R10、电感L3、二极管D10、二极管D11、电感L2，其中所述电阻R17一端分别与电压信号VIN、电阻R9一端连接；所述电阻R17另一端与运算放大器U3引脚7连接；所述电阻R9另一端分别与电容C4正极端、运算放大器U3引脚2、电感L1一端连接；所述电容C4负极端与地线GND连接；所述运算放大器U3引脚4与地线GND连接；所述运算放大器U3引脚3分别与电阻R10一端、电感L3一端连接；所述电阻R10另一端与地线GND连接；所述电感L3另一端分别与二极管D10负极端、电感L2一端连接；所述二极管D10正极端与二极管D11正极端连接；所述二极管D11负极端与地线GND连接；所述运算放大器U3引脚6分别与电感L2另一端、电压信号VOUT连接；所述脉宽调制单元根据电源载荷的变化来调制栅极的偏置，使电源的输出电压在工作条件变化时保持稳定。
根据本发明的一个方面，所述开关ST拨向引脚3时，为普通调光电路，可变电阻RV1、电容C1、组成张弛振荡器，用来产生脉冲触发可控U1，当电容C1充电到二极管D5负极端时，可控硅U1被触发导通，调节可变电阻RV1改变电容C1充电速率，从而能改变可控硅U1导通角，达到调光的目的，R2、R3构成分压器通过二极管D5向电容C1充电，改变R2、R3分压，同时改变可控硅U1导通角，使补光灯E的亮度发生变化，而当开关ST拨向引脚1时光敏电阻RT取代R3，当周围光线较弱时，光敏电阻RT呈现高电阻，二极管D5正极端电位升高，电容C1充电速率加快，振荡频率变高可控硅U1导通角增大，补光灯E两端电压升高、高度增大，从而实现自主调节照明亮度。
根据本发明的一个方面，所述电阻R14和电容C6组成并联电路，而并联的电阻R14吸收电容C6的电能，防止电容C6的放电电流过大，避免对并联的运算放大器U4造成损坏，从而保护元器件出现过电压。
根据本发明的一个方面，所述时基电路U2型号为KA555，根据时基电路U2引脚4和引脚1与地线GND之间接有电容C2和电容C7对获取的电压信号进行充放电，为后续信号的响应时间提供基准。
根据本发明的一个方面，所述电容C3、所述电容C4、所述电容C5、所述电容C6、所述电容C7型号均为电解电容；所述二极管D11型号为稳压二极管；所述光敏电阻RT型号为GL3516；所述时基电路U2型号为KA555；所述运算放大器U3、所述运算放大器U4型号均为LM324。
根据本发明的一个方面，一种基于图像学习的桥梁瑕疵检测系统的检测方法，其特征在于，根据已有的信号处理以及信号抗干扰电路，结合Gamma运算方式，对桥梁采集的图像信息进行校正，调节图像的对比度，降低光照、环境变化及局部阴影对检测效果的影响，同时抑制图像噪声的干扰；
根据Gamma运算方式得出如下方式：
H(x，y)＝H(x，y)gamma
其中H(x，y)表示像素值、(x，y)表示像素点、gamma表示常数；
根据梯度计算方式，计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向，图像中的像素点(x，y)的计算梯度为：
Gx(x，y)＝H(x+1，y)-H(x-1，y)
Gy(x，y)＝H(x，y+1)-H(x，y-1)
其中Gx(x，y)表示像素点(x，y)的水平方向梯度，Gy(x，y)表示像素点(x，y)的垂直方向梯度，通过水平方向梯度和垂直方向梯度计算出该梯度大小和方向，进而获取精准的图像采集角度，公式如下：
Figure BDA0002854145460000051
Figure BDA0002854145460000052
其中G(x，y)表示梯度大小，θ(x，y)表示梯度方向；从而结合图像的角度计算、方向计算获取高精度的图像信息，为了克服光照不均匀的变化，进而将图像分成小的连通区域，而这些连通区域被叫做细胞单元，然后采集细胞单元中各像素点的梯度，最后把这些直方图组合起来，构成特征描述符，将局部直方图在图像的范围内进行对比度归一化，提高HOG运算性能，首先计算直方图在区间中的密度，然后根据密度对区间中的细胞单元做归一化，通过归一化后，能够应对光照和阴影变化，从而获得更好的图像效果。
根据本发明的一个方面，对桥梁瑕疵检测的图像进行区分，从而识别判断出瑕疵种类，具体如下；
计算图像的灰度标准差，判断桥体有无瑕疵，而图像的灰度标准差值越大，则表示桥梁破损越严重，因此，设置灰度标准差阈值用来区分桥体有无瑕疵；
对有无瑕疵图像分类后，获取瑕疵图像，由于瑕疵中存在颜色变化，进而根据颜色直方图区分不同瑕疵，因此将图像分为两类，一类是裂纹图像和鼓泡图像，一类是变色图像、剥落图像和锈蚀图像；
进而针对不同的病毒类型，采取不同的修复方案。
有益效果：本发明设计一种基于图像学习的桥梁瑕疵检测系统及其检测方法，针对箱梁内部存在积水的问题，通过脉冲相位红外成像检测方法，脉冲相位法改善检测图像质量、增强抗干扰能力，通过反射式检测法速度快、使用方便，但干扰较大；透射法检测速度慢、图像对比度有限，但干扰小，进而通过两者的结合，弥补红外成像的不足，利用Gamma算法校正图像，调节了图像的对比度，有效地降低了光照、环境变化及局部阴影对检测效果的影响，同时在一定程度上抑制了图像噪声的干扰；再通过信号处理对红外成像的采集到数据的传输过程进行调制，对采集的信号按照预期的传输效果进行加工过程的信号处理；通过设置抗干扰电路对影响数据传输的信号进行阻抗，防止影响正常数据的传输，通过光控感应对检测的环境进行补光，再利用红外成像的对比度进行光亮调节，进一步获取清晰的图像信息。
附图说明
图1是本发明的结构框图。
图2是本发明的桥梁瑕疵检测系统分布图。
图3是本发明的红外成像补光单元电路图。
图4是本发明的信号处理单元电路图。
具体实施方式
如图1所示，在该实施例中，一种基于图像学习的桥梁瑕疵检测系统，包括：红外成像补光单元、信号处理单元、信号抗干扰单元、脉宽调制单元；
红外成像补光单元，根据桥梁瑕疵的检测环境，提供定值调节和感光调节两种补光模式，满足红外成像所需的补光调节；
信号处理单元，通过两组滤波筛选电路调整传感信号输入与输出转换过程中的稳定，保证传感器信号过程中的完整性；
信号抗干扰单元，针对信号处理单元的过程增加信号抗干扰电路，阻碍干扰信号对图像采集信号的损伤；
脉宽调制单元，根据电源载荷的变化来调制栅极的偏置，使电源的输出电压在工作条件变化时保持稳定。
在进一步的实施例中，如图3所示，所述红外成像补光单元包括光敏电阻RT、开关ST、电阻R3、电阻R2、可变电阻RV1、二极管D5、电容C1、电阻R1、可控硅U1、二极管D1、二极管D2、二极管D3、二极管D4、补光灯E。
在更进一步的实施例中，所述红外成像补光单元中所述光敏电阻RT一端与开关ST引脚1连接；所述光敏电阻RT另一端分别与电阻R3一端、电容C1一端、可控硅U1引脚3、二极管D4正极端、二极管D3正极端连接；所述电阻R3另一端与开关ST引脚3连接；所述开关ST引脚2分别与电阻R2一端、二极管D5正极端连接；所述电阻R2另一端分别与可变电阻RV1引脚1和引脚2、电阻R1一端连接；所述可变电阻RV1引脚3分别与二极管D5负极端、电容C1另一端、可控硅U1引脚1连接；所述电阻R1另一端分别与二极管D1负极端、二极管D2负极端、可控硅U1引脚2连接；所述二极管D1正极端与补光灯E一端连接；所述二极管D2正极端分别与二极管D4负极端、地线GND连接；所述补光灯E另一端与电压信号+12V、二极管D3负极端连接。
在进一步的实施例中，如图4所示，所述信号处理单元包括电阻R13、电容C5、电阻R11、运算放大器U4、电容C6、电阻R14、电阻R12、电阻R16、电阻R15、二极管D12、二极管D13、运算放大器U5、二极管D14。
在更进一步的实施例中，所述信号处理单元中所述电阻R13一端与采集信号IN2连接；所述电阻R13另一端分别与电阻R14一端、电容C6正极端、运算放大器U4引脚2连接；所述运算放大器U4引脚3分别与电容C5正极端、电阻R11一端、电阻R12一端连接；所述电容C5负极端与电阻R11另一端、地线GND连接；所述电阻R12另一端分别与电阻R16一端、运算放大器U4引脚7、运算放大器U5引脚7、电压信号+12V连接；所述运算放大器U4引脚4与地线GND连接；所述运算放大器U4引脚6分别与二极管D12正极端、二极管D13负极端、电阻R14另一端、电容C6负极端连接；所述电阻R16另一端分别与电阻R15一端、运算放大器U5引脚3、二极管D12负极端连接；所述运算放大器U5引脚2与二极管D13正极端连接；所述运算放大器U5引脚4与地线GND连接；所述电阻R15另一端与地线GND连接；所述运算放大器U5引脚6与二极管D14正极端连接；所述二极管D14负极端与采集信号OUT2连接。
在进一步的实施例中，所述信号抗干扰单元包括电容C3、二极管D9、电阻R8、时基电路U2、电容C7、二极管D6、二极管D7、二极管8、电阻R4、电阻R5、电容C2、电阻R6、电阻R7。
在更进一步的实施例中，所述信号抗干扰单元中所述二极管D9正极端分别与电阻R8一端、电容C3一端、采集信号OUT3连接；所述电容C3另一端与地线GND连接；所述二极管D9负极端分别与电阻R8另一端、时基电路U2引脚3连接；所述时基电路U2引脚8分别与二极管D6负极端、电阻R4一端、电压信号+12V连接；所述时基电路U2引脚4分别与电阻R4另一端、电阻R5一端连接；所述时基电路U2引脚5和引脚2分别与二极管D8正极端、电容C2一端、电阻R5另一端连接；所述二极管D8负极端分别与二极管D7正极端、电阻R6一端连接；所述二极管D7负极端与二极管D6正极端连接；所述电容C2另一端分别与电阻R7一端、地线GND连接；所述电阻R7另一端分别与电阻R6另一端、采集信号OUT2连接。
在进一步的实施例中，所述脉宽调制单元包括电阻R17、电阻R9、电容C4、电感L1、运算放大器U3、电阻R10、电感L3、二极管D10、二极管D11、电感L2。
在更进一步的实施例中，所述脉宽调制单元中所述电阻R17一端分别与电压信号VIN、电阻R9一端连接；所述电阻R17另一端与运算放大器U3引脚7连接；所述电阻R9另一端分别与电容C4正极端、运算放大器U3引脚2、电感L1一端连接；所述电容C4负极端与地线GND连接；所述运算放大器U3引脚4与地线GND连接；所述运算放大器U3引脚3分别与电阻R10一端、电感L3一端连接；所述电阻R10另一端与地线GND连接；所述电感L3另一端分别与二极管D10负极端、电感L2一端连接；所述二极管D10正极端与二极管D11正极端连接；所述二极管D11负极端与地线GND连接；所述运算放大器U3引脚6分别与电感L2另一端、电压信号VOUT连接。
在进一步的实施例中，所述开关ST拨向引脚3时，为普通调光电路，可变电阻RV1、电容C1、组成张弛振荡器，用来产生脉冲触发可控U1，当电容C1充电到二极管D5负极端时，可控硅U1被触发导通，调节可变电阻RV1改变电容C1充电速率，从而能改变可控硅U1导通角，达到调光的目的，R2、R3构成分压器通过二极管D5向电容C1充电，改变R2、R3分压，同时改变可控硅U1导通角，使补光灯E的亮度发生变化，而当开关ST拨向引脚1时光敏电阻RT取代R3，当周围光线较弱时，光敏电阻RT呈现高电阻，二极管D5正极端电位升高，电容C1充电速率加快，振荡频率变高可控硅U1导通角增大，补光灯E两端电压升高、高度增大，从而实现自主调节照明亮度。
在进一步的实施例中，所述电阻R14和电容C6组成并联电路，而并联的电阻R14吸收电容C6的电能，防止电容C6的放电电流过大，避免对并联的运算放大器U4造成损坏，从而保护元器件出现过电压。
在进一步的实施例中，所述时基电路U2型号为KA555，根据时基电路U2引脚4和引脚1与地线GND之间接有电容C2和电容C7对获取的电压信号进行充放电，为后续信号的响应时间提供基准。
在进一步的实施例中，所述电容C3、所述电容C4、所述电容C5、所述电容C6、所述电容C7型号均为电解电容；所述二极管D11型号为稳压二极管；所述光敏电阻RT型号为GL3516；所述时基电路U2型号为KA555；所述运算放大器U3、所述运算放大器U4型号均为LM324。
在进一步的实施例中，一种基于图像学习的桥梁瑕疵检测系统的检测方法，其特征在于，根据已有的信号处理以及信号抗干扰电路，结合Gamma运算方式，对桥梁采集的图像信息进行校正，调节图像的对比度，降低光照、环境变化及局部阴影对检测效果的影响，同时抑制图像噪声的干扰；
根据Gamma运算方式得出如下方式：
H(x，y)＝H(x，y)gamma
其中H(x，y)表示像素值、(x，y)表示像素点、gamma表示常数；
根据梯度计算方式，计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向，图像中的像素点(x，y)的计算梯度为：
Gx(x，y)＝H(x+1，y)-H(x-1，y)
Gy(x，y)＝H(x，y+1)-H(x，y-1)
其中Gx(x，y)表示像素点(x，y)的水平方向梯度，Gy(x，y)表示像素点(x，y)的垂直方向梯度，通过水平方向梯度和垂直方向梯度计算出该梯度大小和方向，进而获取精准的图像采集角度，公式如下：
Figure BDA0002854145460000091
Figure BDA0002854145460000092
其中G(x，y)表示梯度大小，θ(x，y)表示梯度方向；从而结合图像的角度计算、方向计算获取高精度的图像信息，为了克服光照不均匀的变化，进而将图像分成小的连通区域，而这些连通区域被叫做细胞单元，然后采集细胞单元中各像素点的梯度，最后把这些直方图组合起来，构成特征描述符，将局部直方图在图像的范围内进行对比度归一化，提高HOG运算性能，首先计算直方图在区间中的密度，然后根据密度对区间中的细胞单元做归一化，通过归一化后，能够应对光照和阴影变化，从而获得更好的图像效果。
在进一步的实施例中，对桥梁瑕疵检测的图像进行区分，从而识别判断出瑕疵种类，具体如下；
计算图像的灰度标准差，判断桥体有无瑕疵，而图像的灰度标准差值越大，则表示桥梁破损越严重，因此，设置灰度标准差阈值用来区分桥体有无瑕疵；
对有无瑕疵图像分类后，获取瑕疵图像，由于瑕疵中存在颜色变化，进而根据颜色直方图区分不同瑕疵，因此将图像分为两类，一类是裂纹图像和鼓泡图像，一类是变色图像、剥落图像和锈蚀图像；
进而针对不同的病毒类型，采取不同的修复方案。
在进一步的实施例中，结合桥梁的图像采集，通过瑕疵检测流程图的图像诊断，对桥梁采集的图像进行诊断，检测该桥梁区域内有无瑕疵，对桥梁内出现病虫害的区域进行类别分析，评估瑕疵等级，在输出瑕疵区域、种类和等级，从而对采集桥梁图像进行闭环诊断，精准分析桥梁采集图像，完成检测系统开始到结束。
总之，本发明具有以下优点：通过设置抗干扰电路对影响数据传输的信号进行阻抗，防止影响正常数据的传输，通过光控感应对检测的环境进行补光，再利用红外成像的对比度进行光亮调节，进一步获取清晰的图像信息，再结合Gamma运算方式，对桥梁采集的图像信息进行校正，调节图像的对比度，降低光照、环境变化及局部阴影对检测效果的影响，进一步提高了对桥梁瑕疵的识别精度。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

Claims (10)

1.一种基于图像学习的桥梁瑕疵检测系统，其特征在于，包括红外成像补光单元、信号处理单元、信号抗干扰单元、脉宽调制单元；
红外成像补光单元，根据桥梁瑕疵的检测环境，提供定值调节和感光调节两种补光模式，满足红外成像所需的补光调节；
信号处理单元，通过两组滤波筛选电路调整传感信号输入与输出转换过程中的稳定，保证传感器信号过程中的完整性；
信号抗干扰单元，针对信号处理单元的过程增加信号抗干扰电路，阻碍干扰信号对图像采集信号的损伤；
脉宽调制单元，根据电源载荷的变化来调制栅极的偏置，使电源的输出电压在工作条件变化时保持稳定。
2.根据权利要求1所述的一种基于图像学习的桥梁瑕疵检测系统，其特征在于，所述红外成像补光单元包括光敏电阻RT、开关ST、电阻R3、电阻R2、可变电阻RV1、二极管D5、电容C1、电阻R1、可控硅U1、二极管D1、二极管D2、二极管D3、二极管D4、补光灯E，其中所述光敏电阻RT一端与开关ST引脚1连接；所述光敏电阻RT另一端分别与电阻R3一端、电容C1一端、可控硅U1引脚3、二极管D4正极端、二极管D3正极端连接；所述电阻R3另一端与开关ST引脚3连接；所述开关ST引脚2分别与电阻R2一端、二极管D5正极端连接；所述电阻R2另一端分别与可变电阻RV1引脚1和引脚2、电阻R1一端连接；所述可变电阻RV1引脚3分别与二极管D5负极端、电容C1另一端、可控硅U1引脚1连接；所述电阻R1另一端分别与二极管D1负极端、二极管D2负极端、可控硅U1引脚2连接；所述二极管D1正极端与补光灯E一端连接；所述二极管D2正极端分别与二极管D4负极端、地线GND连接；所述补光灯E另一端与电压信号+12V、二极管D3负极端连接。
3.根据权利要求1所述的一种基于图像学习的桥梁瑕疵检测系统，其特征在于，所述信号处理单元包括电阻R13、电容C5、电阻R11、运算放大器U4、电容C6、电阻R14、电阻R12、电阻R16、电阻R15、二极管D12、二极管D13、运算放大器U5、二极管D14，其中所述电阻R13一端与采集信号IN2连接；所述电阻R13另一端分别与电阻R14一端、电容C6正极端、运算放大器U4引脚2连接；所述运算放大器U4引脚3分别与电容C5正极端、电阻R11一端、电阻R12一端连接；所述电容C5负极端与电阻R11另一端、地线GND连接；所述电阻R12另一端分别与电阻R16一端、运算放大器U4引脚7、运算放大器U5引脚7、电压信号+12V连接；所述运算放大器U4引脚4与地线GND连接；所述运算放大器U4引脚6分别与二极管D12正极端、二极管D13负极端、电阻R14另一端、电容C6负极端连接；所述电阻R16另一端分别与电阻R15一端、运算放大器U5引脚3、二极管D12负极端连接；所述运算放大器U5引脚2与二极管D13正极端连接；所述运算放大器U5引脚4与地线GND连接；所述电阻R15另一端与地线GND连接；所述运算放大器U5引脚6与二极管D14正极端连接；所述二极管D14负极端与采集信号OUT2连接。
4.根据权利要求1所述的一种基于图像学习的桥梁瑕疵检测系统，其特征在于，所述信号抗干扰单元包括电容C3、二极管D9、电阻R8、时基电路U2、电容C7、二极管D6、二极管D7、二极管8、电阻R4、电阻R5、电容C2、电阻R6、电阻R7，其中所述二极管D9正极端分别与电阻R8一端、电容C3一端、采集信号OUT3连接；所述电容C3另一端与地线GND连接；所述二极管D9负极端分别与电阻R8另一端、时基电路U2引脚3连接；所述时基电路U2引脚8分别与二极管D6负极端、电阻R4一端、电压信号+12V连接；所述时基电路U2引脚4分别与电阻R4另一端、电阻R5一端连接；所述时基电路U2引脚5和引脚2分别与二极管D8正极端、电容C2一端、电阻R5另一端连接；所述二极管D8负极端分别与二极管D7正极端、电阻R6一端连接；所述二极管D7负极端与二极管D6正极端连接；所述电容C2另一端分别与电阻R7一端、地线GND连接；所述电阻R7另一端分别与电阻R6另一端、采集信号OUT2连接。
5.根据权利要求1所述的一种基于图像学习的桥梁瑕疵检测系统，其特征在于，所述脉宽调制单元包括电阻R17、电阻R9、电容C4、电感L1、运算放大器U3、电阻R10、电感L3、二极管D10、二极管D11、电感L2，其中所述电阻R17一端分别与电压信号VIN、电阻R9一端连接；所述电阻R17另一端与运算放大器U3引脚7连接；所述电阻R9另一端分别与电容C4正极端、运算放大器U3引脚2、电感L1一端连接；所述电容C4负极端与地线GND连接；所述运算放大器U3引脚4与地线GND连接；所述运算放大器U3引脚3分别与电阻R10一端、电感L3一端连接；所述电阻R10另一端与地线GND连接；所述电感L3另一端分别与二极管D10负极端、电感L2一端连接；所述二极管D10正极端与二极管D11正极端连接；所述二极管D11负极端与地线GND连接；所述运算放大器U3引脚6分别与电感L2另一端、电压信号VOUT连接。
6.根据权利要求2所述的一种基于图像学习的桥梁瑕疵检测系统，其特征在于，所述开关ST拨向引脚3时，为普通调光电路，可变电阻RV1、电容C1、组成张弛振荡器，用来产生脉冲触发可控U1，当电容C1充电到二极管D5负极端时，可控硅U1被触发导通，调节可变电阻RV1改变电容C1充电速率，从而能改变可控硅U1导通角，达到调光的目的，R2、R3构成分压器通过二极管D5向电容C1充电，改变R2、R3分压，同时改变可控硅U1导通角，使补光灯E的亮度发生变化，而当开关ST拨向引脚1时光敏电阻RT取代R3，当周围光线较弱时，光敏电阻RT呈现高电阻，二极管D5正极端电位升高，电容C1充电速率加快，振荡频率变高可控硅U1导通角增大，补光灯E两端电压升高、高度增大，从而实现自主调节照明亮度。
7.根据权利要求3所述的一种基于图像学习的桥梁瑕疵检测系统，其特征在于，所述电阻R14和电容C6组成并联电路，而并联的电阻R14吸收电容C6的电能，防止电容C6的放电电流过大，避免对并联的运算放大器U4造成损坏，从而保护元器件出现过电压。
8.根据权利要求4所述的一种基于图像学习的桥梁瑕疵检测系统，其特征在于，所述时基电路U2型号为KA555，根据时基电路U2引脚4和引脚1与地线GND之间接有电容C2和电容C7对获取的电压信号进行充放电，为后续信号的响应时间提供基准。
9.一种基于权利要求1至8任一项所述的图像学习的桥梁瑕疵检测系统的检测方法，其特征在于，根据已有的信号处理以及信号抗干扰电路，结合Gamma运算方式，对桥梁采集的图像信息进行校正，调节图像的对比度，降低光照、环境变化及局部阴影对检测效果的影响，同时抑制图像噪声的干扰；
根据Gamma运算方式得出如下方式：
H(x，y)＝H(x，y)gamma
其中H(x，y)表示像素值、(x，y)表示像素点、gamma表示常数；
根据梯度计算方式，计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向，图像中的像素点(x，y)的计算梯度为：
Gx(x，y)＝H(x+1，y)-H(x-1，y)
Gy(x，y)＝H(x，y+1)-H(x，y-1)
其中Gx(x，y)表示像素点(x，y)的水平方向梯度，Gy(x，y)表示像素点(x，y)的垂直方向梯度，通过水平方向梯度和垂直方向梯度计算出该梯度大小和方向，进而获取精准的图像采集角度，公式如下：
Figure FDA0002854145450000041
Figure FDA0002854145450000042
其中G(x，y)表示梯度大小，θ(x，y)表示梯度方向；从而结合图像的角度计算、方向计算获取高精度的图像信息，为了克服光照不均匀的变化，进而将图像分成小的连通区域，而这些连通区域被叫做细胞单元，然后采集细胞单元中各像素点的梯度，最后把这些直方图组合起来，构成特征描述符，将局部直方图在图像的范围内进行对比度归一化，提高HOG运算性能，首先计算直方图在区间中的密度，然后根据密度对区间中的细胞单元做归一化，通过归一化后，能够应对光照和阴影变化，从而获得更好的图像效果。
10.根据权利要求9所述的图像学习的桥梁瑕疵检测系统的检测方法，其特征在于，对桥梁瑕疵检测的图像进行区分，从而识别判断出瑕疵种类，具体如下；
计算图像的灰度标准差，判断桥体有无瑕疵，而图像的灰度标准差值越大，则表示桥梁破损越严重，因此，设置灰度标准差阈值用来区分桥体有无瑕疵；
对有无瑕疵图像分类后，获取瑕疵图像，由于瑕疵中存在颜色变化，进而根据颜色直方图区分不同瑕疵，因此将图像分为两类，一类是裂纹图像和鼓泡图像，一类是变色图像、剥落图像和锈蚀图像；
进而针对不同的病毒类型，采取不同的修复方案。
CN202011538171.1A 2020-12-23 2020-12-23 一种基于图像学习的桥梁瑕疵检测系统及其检测方法 Withdrawn CN112730430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011538171.1A CN112730430A (zh) 2020-12-23 2020-12-23 一种基于图像学习的桥梁瑕疵检测系统及其检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011538171.1A CN112730430A (zh) 2020-12-23 2020-12-23 一种基于图像学习的桥梁瑕疵检测系统及其检测方法

Publications (1)

Publication Number Publication Date
CN112730430A true CN112730430A (zh) 2021-04-30

Family

ID=75604724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011538171.1A Withdrawn CN112730430A (zh) 2020-12-23 2020-12-23 一种基于图像学习的桥梁瑕疵检测系统及其检测方法

Country Status (1)

Country Link
CN (1) CN112730430A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002330259A (ja) * 2001-05-06 2002-11-15 Optoelectronics Co Ltd 広ダイナミック信号中間処理回路
CN102914432A (zh) * 2012-10-24 2013-02-06 宣化钢铁集团有限责任公司 一种检测机械故障的振动和声发射信号调理仪
CN102914667A (zh) * 2012-09-18 2013-02-06 河海大学 基于近红外智能相机的大尺度粒子图像测速仪
CN105827135A (zh) * 2015-01-21 2016-08-03 福特全球技术公司 死区时间插入预补偿的功率变换器
CN107333034A (zh) * 2017-06-12 2017-11-07 信利光电股份有限公司 一种红外摄像抗干扰的实现方法及实现装置
CN108882432A (zh) * 2017-07-05 2018-11-23 北京旷视科技有限公司 补光灯控制系统和方法
CN210690432U (zh) * 2019-09-24 2020-06-05 广西贺州市红星纸业有限公司 一种新型浆板洁净度检测装置
CN111735998A (zh) * 2020-05-28 2020-10-02 南京思沃德电子科技有限公司 一种晶圆测试系统用信号传输抗干扰电路及其抗干扰方法
CN211669096U (zh) * 2020-04-26 2020-10-13 武汉大学 泡罩类包装药品缺陷在线检测装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002330259A (ja) * 2001-05-06 2002-11-15 Optoelectronics Co Ltd 広ダイナミック信号中間処理回路
CN102914667A (zh) * 2012-09-18 2013-02-06 河海大学 基于近红外智能相机的大尺度粒子图像测速仪
CN102914432A (zh) * 2012-10-24 2013-02-06 宣化钢铁集团有限责任公司 一种检测机械故障的振动和声发射信号调理仪
CN105827135A (zh) * 2015-01-21 2016-08-03 福特全球技术公司 死区时间插入预补偿的功率变换器
CN107333034A (zh) * 2017-06-12 2017-11-07 信利光电股份有限公司 一种红外摄像抗干扰的实现方法及实现装置
CN108882432A (zh) * 2017-07-05 2018-11-23 北京旷视科技有限公司 补光灯控制系统和方法
CN210690432U (zh) * 2019-09-24 2020-06-05 广西贺州市红星纸业有限公司 一种新型浆板洁净度检测装置
CN211669096U (zh) * 2020-04-26 2020-10-13 武汉大学 泡罩类包装药品缺陷在线检测装置
CN111735998A (zh) * 2020-05-28 2020-10-02 南京思沃德电子科技有限公司 一种晶圆测试系统用信号传输抗干扰电路及其抗干扰方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卓应广等: "轮胎外观图像采集系统的设计与实现", 《电子测试》 *

Similar Documents

Publication Publication Date Title
CN103324913B (zh) 一种基于形状特征和轨迹分析的行人事件检测方法
CN110254468A (zh) 一种轨道表面缺陷智能在线检测装置及检测方法
CN103442209A (zh) 一种输电线路的视频监控方法
CN104764748A (zh) 定位绝缘子的方法、系统以及故障检测的方法和系统
CN105242232B (zh) 室外电能表故障自动检验方法
CN105067636A (zh) 室外电能表破损程度检测方法
CN107463931A (zh) 一种基于arm平台的实时指针仪表识读方法及装置
CN111882910A (zh) 一种高准确率的交通信号灯故障检测方法及系统
CN106803087A (zh) 一种车号自动识别方法及系统
CN104698426A (zh) 室外电能表故障自动检验终端
CN103049748B (zh) 行为监测方法及装置
CN105447431B (zh) 一种基于机器视觉的入坞飞机跟踪定位方法及系统
CN112730430A (zh) 一种基于图像学习的桥梁瑕疵检测系统及其检测方法
CN110956814A (zh) 一种etc门架车牌精准识别方法、系统及设备
CN104702920B (zh) 基于cmos图像采集对电能表进行自动抄表的方法
CN117036825A (zh) 一种太阳能电池板检测方法、介质及系统
CN111307267A (zh) 一种基于同心圆检测的导线舞动监测方法
CN110674827A (zh) 一种融合深度学习与形态学滤波的设备状态视觉检测方法
CN114092437B (zh) 一种变压器渗漏油检测方法
CN208954336U (zh) 黑烟车实时监测抓拍装置
CN203444022U (zh) 风电场雷电监测系统
CN107194923A (zh) 一种用于接触网电力设备缺陷巡检的紫外图像诊断方法
CN104700425A (zh) 室外电能表破损程度检测平台
Qin et al. A new real-time fire detection method based on infrared image
CN105574517A (zh) 一种具有稳定跟踪功能的电动汽车充电桩

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210430