CN112818878A - 一种塔式起重机裂缝识别定性方法 - Google Patents
一种塔式起重机裂缝识别定性方法 Download PDFInfo
- Publication number
- CN112818878A CN112818878A CN202110161011.8A CN202110161011A CN112818878A CN 112818878 A CN112818878 A CN 112818878A CN 202110161011 A CN202110161011 A CN 202110161011A CN 112818878 A CN112818878 A CN 112818878A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- data
- tower crane
- cracks
- 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 16
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000007797 corrosion Effects 0.000 claims description 12
- 238000005260 corrosion Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000010421 standard material Substances 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 238000012797 qualification Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20032—Median filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种塔式起重机裂缝识别定性方法，包括以下步骤：步骤S1：获取各类塔式起重机的裂缝数据图片，并预处理，得到训练集；步骤S2：基于YOLOv3模型，根据得到的训练集训练，得到裂缝识别与目标区域提取训练模型；步骤S3：获取待测塔式起重机的图像数据；步骤S4：根据裂缝识别与目标区域提取训练模型对待测塔式起重机的图像数据进行识别，提取出裂缝的目标区域；步骤S5：采用Otsu算法对捕捉的裂缝进行定性处理，得到最接近裂缝的二值像素图。本发明基于YOLOv3智能算法提取出裂缝目标区域，并使用图像处理算法，能够快速有效的提取得到裂缝的二值化参数。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种塔式起重机裂缝识别定性方法。
背景技术
塔式起重机作为现代装配式施工的重要作业工具一旦发生事故将造成严重的人员伤亡和财产损失。塔式起重机已然变成为工地危险源之一。现有的针对塔式起重机的安全管理监督还是以人工检查为主，然而人工检查成本高，同时还要考虑检查人员的安全，且塔式起重机随着楼层的增高不断增加标准节，常常高达几十米，许多偏僻而又危险的角落难以被察觉。在日常的搬运、承重、转移作业中存在出现裂缝、开裂等潜在的安全隐患。
发明内容
有鉴于此，本发明的目的在于提供一种塔式起重机裂缝识别定性方法，配合无人机等工具进行拍摄监督，识别出缺陷时从图像中提取缺陷并通过应用图像处理经典算法进行定量分析，最终得出数据为专业人员进行安全评估提供部分数据参考，以达到帮助塔式起重机更好得安全维护与监督。
为实现上述目的，本发明采用如下技术方案：
一种塔式起重机裂缝识别定性方法，包括以下步骤：
步骤S1：获取各类塔式起重机的裂缝数据图片，并预处理，得到训练集；
步骤S2：基于YOLOv3模型，根据得到的训练集训练，得到裂缝识别与目标区域提取训练模型；
步骤S3：获取待测塔式起重机的图像数据；
步骤S4：根据裂缝识别与目标区域提取训练模型对待测塔式起重机的图像数据进行识别，提取出裂缝的目标区域；
步骤S5：采用Otsu算法对捕捉的裂缝进行定性处理，得到最接近裂缝的二值像素图。
进一步的，所述步骤S1具体为：
步骤S11:获取各类塔式起重机的裂缝数据图片，并构成数据集；
步骤S12:对得到的数据集进行数据扩展，得到扩展后的数据集作为训练集。
进一步的，所述数据扩展具体为：以各类塔式起重机的裂缝数据图片为基础，加入若干张与塔式起重机标准节材质类似或与塔式起重机裂缝纹路相似的经过筛选后获得的铁轨裂缝、工件裂缝、钢板裂缝和器材裂缝图片；并对图像进行随机旋转、平移、比例变换处理，得到扩展后的数据集
进一步的，所述YOLOv3模型基于Darknet-53特征提取网络。
进一步的，所述步骤S5具体为：
步骤S51:将步骤S4处理后的图像转换为灰度图像；
步骤S52:对图像进行分段式线性变换进行图像增强，提高图像的对比度,之后通过中值滤波，去除噪点；
步骤S53:对图像使用Otsu算法进行阈值分割处理，其表达式为：
式中，
称为类间方差，mG是图像全局的均值，P1(k)是图像在当前的灰度级k条件下，被分为二值中一类的概率，m(k)是灰度级k的累加均值；k为最大的灰度级；
步骤S54:并通过膨胀腐蚀处理，膨胀腐蚀的表达式为：
集合A被集合B膨胀，记为
其中集合B也成为结构元素，Bx表示B的反射平移x后得到的新集合，于是该定义解释为，若Bx能击中A，则其所有x点组成的集合称为A对B的膨胀
集合A被集合B腐蚀,记为
腐蚀的公式解释为，若Bx仍包含于A中，则其所有x点组成的集合称为A对B的腐蚀；
步骤S55:消除孤立噪声并优化处理，就此目标区域图像裂缝以二值图像的形式并提取到完整的裂缝。
本发明与现有技术相比具有以下有益效果：
本发明基于YOLOv3智能算法提取出裂缝目标区域，并使用图像处理算法，实现精确的得出裂缝的二值化参数，帮助专业人员对塔式起重机存在的危险进行评估和判断，针对裂缝严重程度做出相应的处理方案。
附图说明
图1是本发明方法流程图；
图2是本发明一实施例中裂缝目标区域的识别结果；
图3是本发明一实施例中识别区域图像处理的方法流程图；
图4是本发明一实施例中经过图像处理后的目标区域。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种塔式起重机裂缝识别定性方法，包括以下步骤：
步骤S1：获取各类塔式起重机的裂缝数据图片，对得到的数据集进行数据扩展，得到扩展后的数据集作为训练集。；
在本实施例中，预处理具体为：
在7206张塔式起重机裂缝和类似裂缝的数据集基础下为了检测效果对数据集进行数据增强：为提高检测效果，我们对现有的数据集进行数据扩展，包括:将部分图片进行(-15°,+15°)的随机旋转后，再进行90°的旋转；对部分图片的进行横向或者纵向随机方向的平移，平移步长为(-20，+20)个像素；以(0.9，1.1)的比例对部分图片进行水平或竖直方向拉伸或者压缩等。
步骤S2：基于YOLOv3模型，根据得到的训练集训练，得到裂缝识别与目标区域提取训练模型；
步骤S3：获取待测塔式起重机的图像数据；
步骤S4：根据裂缝识别与目标区域提取训练模型对待测塔式起重机的图像数据进行识别，提取出裂缝的目标区域；
步骤S5：采用Otsu算法对捕捉的裂缝进行定性处理，得到最接近裂缝的二值像素图。
在本实施例中，YOLOv3模型使用Darknet-53特征提取网络，再经过非极大抑制算法下得到最好的目标识别结果。
在本实施例中，步骤S5具体为：
步骤S51:将步骤S4处理后的图像转换为灰度图像；
步骤S52:对图像进行分段式线性变换进行图像增强，提高图像的对比度；增强画面品质，对于裂缝图像光度较暗的区域，采用k>0，进行灰度拉伸的扩展；对于裂缝图像光度较亮的区域，采用k<0，进行灰度拉伸压缩；对图像进行处理在进行完图像增强后，通过中值滤波去除图像中一些离散的噪点。中值滤波针对椒盐和脉冲噪声处理效果良好。经过测试3x3为模板的中值滤波降噪效果良好且不会过分模糊化裂缝细节
步骤S53:对图像使用Otsu算法进行阈值分割处理，其表达式为：
式中，
称为类间方差，mG是图像全局的均值，P1(k)是图像在当前的灰度级k条件下，被分为二值中一类的概率，m(k)是灰度级k的累加均值。Otsu就是遍历0—255个灰度级，求出使上式中最大的灰度级k。
步骤S54:并通过膨胀腐蚀处理，膨胀腐蚀的表达式为：
集合A被集合B膨胀，记为
其中集合B也成为结构元素，Bx表示B的反射平移x后得到的新集合，于是该定义解释为，若Bx能击中A，则其所有x点组成的集合称为A对B的膨胀；
同上，腐蚀的公式解释为，若Bx仍包含于A中，则其所有x点组成的集合称为A对B的腐蚀。
步骤S55:消除孤立噪声并优化处理，就此目标区域图像裂缝以二值图像的形式并提取到完整的裂缝。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (5)
1.一种塔式起重机裂缝识别定性方法，其特征在于，包括以下步骤：
步骤S1：获取各类塔式起重机的裂缝数据图片，并预处理，得到训练集；
步骤S2：基于YOLOv3模型，根据得到的训练集训练，得到裂缝识别与目标区域提取训练模型；
步骤S3：获取待测塔式起重机的图像数据；
步骤S4：根据裂缝识别与目标区域提取训练模型对待测塔式起重机的图像数据进行识别，提取出裂缝的目标区域；
步骤S5：采用Otsu算法对捕捉的裂缝进行定性处理，得到最接近裂缝的二值像素图。
2.根据权利要求1所述的一种塔式起重机裂缝识别定性方法，其特征在于，所述步骤S1具体为：
步骤S11:获取各类塔式起重机的裂缝数据图片，并构成数据集；
步骤S12:对得到的数据集进行数据扩展，得到扩展后的数据集作为训练集。
3.根据权利要求2所述的一种塔式起重机裂缝识别定性方法，其特征在于，所述数据扩展具体为：以各类塔式起重机的裂缝数据图片为基础，加入若干张与塔式起重机标准节材质类似或与塔式起重机裂缝纹路相似的经过筛选后获得的铁轨裂缝、工件裂缝、钢板裂缝和器材裂缝图片；并对图像进行随机旋转、平移、比例变换处理，得到扩展后的数据集。
4.根据权利要求1所述的一种塔式起重机裂缝识别定性方法，其特征在于，所述YOLOv3模型基于Darknet-53特征提取网络。
5.根据权利要求1所述的一种塔式起重机裂缝识别定性方法，其特征在于，所述步骤S5具体为：
步骤S51:将步骤S4处理后的图像转换为灰度图像；
步骤S52:对图像进行分段式线性变换进行图像增强，提高图像的对比度,之后通过中值滤波，去除噪点；
步骤S53:对图像使用Otsu算法进行阈值分割处理，其表达式为：
式中，
称为类间方差，mG是图像全局的均值，P1(k)是图像在当前的灰度级k条件下，被分为二值中一类的概率，m(k)是灰度级k的累加均值；k为最大的灰度级；
步骤S54:并通过膨胀腐蚀处理，膨胀腐蚀的表达式为：
集合A被集合B膨胀，记为
其中集合B也成为结构元素，Bx表示B的反射平移x后得到的新集合，于是该定义解释为，若Bx能击中A，则其所有x点组成的集合称为A对B的膨胀
集合A被集合B腐蚀,记为
腐蚀的公式解释为，若Bx仍包含于A中，则其所有x点组成的集合称为A对B的腐蚀；
步骤S55:消除孤立噪声并优化处理，就此目标区域图像裂缝以二值图像的形式并提取到完整的裂缝。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110161011.8A CN112818878A (zh) | 2021-02-05 | 2021-02-05 | 一种塔式起重机裂缝识别定性方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110161011.8A CN112818878A (zh) | 2021-02-05 | 2021-02-05 | 一种塔式起重机裂缝识别定性方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112818878A true CN112818878A (zh) | 2021-05-18 |
Family
ID=75861677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110161011.8A Pending CN112818878A (zh) | 2021-02-05 | 2021-02-05 | 一种塔式起重机裂缝识别定性方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112818878A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115713653A (zh) * | 2022-11-10 | 2023-02-24 | 中国铁塔股份有限公司黑龙江省分公司 | 塔桅结构破损位置图像识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200028776A (ko) * | 2018-09-07 | 2020-03-17 | 동의대학교 산학협력단 | 콘크리트 균열 검출에 대한 영상 처리 기법의 향상된 이진화 방법 |
| CN111815605A (zh) * | 2020-07-09 | 2020-10-23 | 成都协创信和科技有限公司 | 基于分步深度学习的轨枕缺陷检测方法及存储介质 |
| CN112241950A (zh) * | 2020-10-19 | 2021-01-19 | 福州大学 | 一种塔式起重机裂缝图像的检测方法 |
-
2021
- 2021-02-05 CN CN202110161011.8A patent/CN112818878A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200028776A (ko) * | 2018-09-07 | 2020-03-17 | 동의대학교 산학협력단 | 콘크리트 균열 검출에 대한 영상 처리 기법의 향상된 이진화 방법 |
| CN111815605A (zh) * | 2020-07-09 | 2020-10-23 | 成都协创信和科技有限公司 | 基于分步深度学习的轨枕缺陷检测方法及存储介质 |
| CN112241950A (zh) * | 2020-10-19 | 2021-01-19 | 福州大学 | 一种塔式起重机裂缝图像的检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张神德等: "塔式起重机安全管理中裂缝检测方法", 《福建电脑》 * |
| 殷文俊等: "基于otsu遗传算法的核桃表面裂纹检测", 《信阳农林学院学报》 * |
| 贾振卿等: "基于YOLO和图像增强的海洋动物目标检测", 《电子测量技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115713653A (zh) * | 2022-11-10 | 2023-02-24 | 中国铁塔股份有限公司黑龙江省分公司 | 塔桅结构破损位置图像识别方法 |
| CN115713653B (zh) * | 2022-11-10 | 2023-10-10 | 中国铁塔股份有限公司黑龙江省分公司 | 塔桅结构破损位置图像识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110334750B (zh) | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 | |
| CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
| CN107782733B (zh) | 金属表面缺陷的图像识别无损检测装置及方法 | |
| 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 | |
| CN110161035B (zh) | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 | |
| CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
| CN106682665B (zh) | 一种基于计算机视觉的七段式数显仪表数字识别方法 | |
| CN110097087B (zh) | 一种自动钢筋捆扎位置识别方法 | |
| CN107490582B (zh) | 一种流水线工件检测系统 | |
| CN111754466B (zh) | 传输机皮带损伤状况的智能检测方法 | |
| Diaz et al. | Rust detection using image processing via Matlab | |
| CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
| CN113947570B (zh) | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 | |
| CN108537170A (zh) | 一种电力设备固件无人机巡检销钉缺失检测方法 | |
| RU2002133897A (ru) | Способ многоэтапного анализа информации растрового изображения | |
| CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
| CN110009633A (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
| CN109521021A (zh) | 一种核电站安全壳外观检查系统及方法 | |
| CN111127448A (zh) | 一种基于孤立森林检测空气弹簧故障的模型及方法 | |
| CN112818878A (zh) | 一种塔式起重机裂缝识别定性方法 | |
| CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
| CN111915509A (zh) | 基于图像处理去阴影优化的保护压板状态辨识方法 | |
| CN114943841A (zh) | 一种基于图像识别辅助作业安全管控的方法及装置 | |
| CN110276787B (zh) | 基于标志物图像检测的导线舞动监测方法 | |
| CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 |
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: 20210518 |
|
| RJ01 | Rejection of invention patent application after publication |