CN113222981A - 一种保温板中锚栓图像的处理方法和系统 - Google Patents

一种保温板中锚栓图像的处理方法和系统 Download PDF

Info

Publication number
CN113222981A
CN113222981A CN202110609041.0A CN202110609041A CN113222981A CN 113222981 A CN113222981 A CN 113222981A CN 202110609041 A CN202110609041 A CN 202110609041A CN 113222981 A CN113222981 A CN 113222981A
Authority
CN
China
Prior art keywords
image
anchor bolt
processing
preset
algorithm
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
Application number
CN202110609041.0A
Other languages
English (en)
Inventor
秦昶
秦至臻
吕良福
王慧
曹文春
孙计海
张崎
李光勇
杨同延
李文彪
蒋俊极
秦军
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.)
Shandong Institute Of Strategic Emerging Industries
Zhongdingbeite Industrial Group Co ltd
Shandong Beite Construction Project Management Consulting Co ltd
Original Assignee
Shandong Institute Of Strategic Emerging Industries
Zhongdingbeite Industrial Group Co ltd
Shandong Beite Construction Project Management Consulting 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 Shandong Institute Of Strategic Emerging Industries, Zhongdingbeite Industrial Group Co ltd, Shandong Beite Construction Project Management Consulting Co ltd filed Critical Shandong Institute Of Strategic Emerging Industries
Priority to CN202110609041.0A priority Critical patent/CN113222981A/zh
Publication of CN113222981A publication Critical patent/CN113222981A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T7/13—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
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • 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
    • G06T2207/30168—Image quality inspection

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 Processing (AREA)

Abstract

本发明公开一种保温板中锚栓图像的处理方法和系统，其中，保温板中锚栓图像的处理方法包括：获取保温板中的锚栓图像；使用预设失真测试算法，判断锚栓图像的画面质量是否合格；若锚栓图像的画面质量合格，将锚栓图像存储至预设数据库中；若锚栓图像的画面质量不合格，则根据预设图像处理算法对锚栓图像进行图像处理；将图像处理后的锚栓图像存储至预设数据库中。本发明的技术方案能解决现有技术中获取到的锚栓图像存在模糊、失真及存在遮挡物和填充物的问题。

Description

一种保温板中锚栓图像的处理方法和系统
技术领域
本发明涉及锚栓图像检测技术领域，尤其涉及一种保温板中锚栓图像的处理方法和系统。
背景技术
建筑物的外墙保温系统一般由外墙基体、保温板和锚栓组成。其中，锚栓是保证保温板和外墙基体牢固贴合的最有效连接方式。
如果锚栓数量不足或分布不均，那么外墙保温系统在后期使用过程中容易留有外墙脱落的隐患。因此需要获取外墙保温板上锚栓的图像，方便对锚栓的数量和分布情况进行检测。
然而，由于拍摄手段的限制，锚栓图像经常存在模糊、失真、存在遮挡物和填充物等问题，这样就往往导致拍摄到的锚栓图像与真实锚栓不符，造成锚栓数量和位置检测不准确的问题。
发明内容
本发明提供了一种保温板中锚栓图像的处理方法和系统，旨在解决现有技术中锚栓图像存在模糊、失真以及存在遮挡物和填充物的问题。
为实现上述目的，根据本发明的第一方面，本发明提供了一种保温板中锚栓图像的处理方法，包括：
获取保温板中的锚栓图像；
使用预设失真测试算法，判断锚栓图像的画面质量是否合格；
若锚栓图像的画面质量合格，将锚栓图像存储至预设数据库中；
若锚栓图像的画面质量不合格，则根据预设图像处理算法对锚栓图像进行图像处理；
将图像处理后的锚栓图像存储至预设数据库中。
优选地，上述保温板中锚栓图像的处理方法中，获取保温板中的锚栓图像的步骤，包括：
使用搭载有摄像头的无人机抵近保温板；
当无人机进入保温板中锚栓的拍摄区域时，使用摄像头摄取保温板中的锚栓图像。
优选地，上述保温板中锚栓图像的处理方法，使用预设失真测试算法，判断锚栓图像的画面质量是否合格的步骤包括：
根据公式：
Figure BDA0003094815940000021
计算锚栓图像的保真度，其中，N代表锚栓图像数，yi和
Figure BDA0003094815940000022
分别代表第i幅图像的真实值和测试值，
Figure BDA0003094815940000023
和
Figure BDA0003094815940000024
分别代表平均真实值和平均预测值，LCC为锚栓图像的线性相关系数，即保真度；
将锚栓图像的保真度与预设保真阈值进行比较，以评估锚栓图像的画面质量。
优选地，上述保温板中锚栓图像的处理方法中，根据预设图像处理算法对锚栓图像进行图像处理的步骤包括：
对画面质量不合格的锚栓图像依次进行灰度变换和图像增强处理；
使用边缘检测算法检测锚栓图像中的锚栓边缘，确定锚栓图像中的锚栓区域；
使用特征提取算法提取锚栓区域的图像特征，根据提取的图像特征修复锚栓图像。
优选地，上述保温板中锚栓图像的处理方法中，使用边缘检测算法检测锚栓图像中的锚栓边缘的步骤包括：
使用二维高斯核对锚栓图像进行卷积操作，确定锚栓边缘；
计算锚栓边缘的像素梯度；
根据像素梯度与预设梯度阈值的关系，修复锚栓边缘。
优选地，上述保温板中锚栓图像的处理方法中，根据提取的图像特征修复锚栓图像的步骤包括：
使用提取的图像特征，根据模板匹配算法创建特征匹配模板；
使用特征匹配模板对画面质量不合格的锚栓图像进行卷积运算处理；
根据卷积运算处理结果，匹配和修复锚栓图像。
根据本发明的第二方面，本发明提供了一种保温板中锚栓图像的处理系统，包括：
图像获取模块，用于获取保温板中的锚栓图像；
画质判断模块，用于使用预设失真测试算法，判断锚栓图像的画面质量是否合格；
图像存储模块，用于当画质判断模块判定锚栓图像的画面质量合格时，将锚栓图像存储至预设数据库中；
图像处理模块，用于当画质判断模块判定锚栓图像的画面质量不合格时，根据预设图像处理算法对锚栓图像进行图像处理；
图像存储模块，还用于将图像处理后的锚栓图像存储至预设数据库中。
优选地，上述保温板中锚栓图像的处理系统中，图像获取模块，包括：
无人机控制子模块，用于使用搭载有摄像头的无人机抵近保温板；
图像拍摄子模块，用于当无人机进入保温板中锚栓的拍摄区域时，使用摄像头摄取保温板中的锚栓图像。
优选地，上述保温板中锚栓图像的处理系统中，画质判断模块，包括：
保真度计算子模块，用于根据预设公式，计算锚栓图像的保真度；
画质评估子模块，用于将锚栓图像的保真度与预设保真阈值进行比较，以评估锚栓图像的画面质量。
优选地，上述保温板中锚栓图像的处理系统中，图像处理模块，包括：
灰度变换子模块，用于对画面质量不合格的锚栓图像依次进行灰度变换；
图像增强子模块，用于对灰度变换后的锚栓图像进行图像增强处理；
边缘检测子模块，用于使用边缘检测算法检测锚栓图像中的锚栓边缘，确定锚栓图像中的锚栓区域；
特征提取子模块，用于使用特征提取算法提取锚栓区域的图像特征；
图像修复子模块，用于根据提取的图像特征修复锚栓图像。
综上，本申请技术方案提供的保温板中锚栓图像的处理方案，通过使用预设失真测试算法，判断获取到的锚栓图像的画面质量算法合格；在画面质量合格时，将锚栓图像存储至预设数据库中；当锚栓图像的画面质量不合格时，根据预设图像处理算法对锚栓图像进行图像处理，从而减少锚栓图像存在模糊、失真、存在遮挡物和填充物等问题，最后，将图像处理后的锚栓图像存入数据库。综上，本申请实施例提供的技术方案，能够解决现有技术中锚栓图像存在模糊、失真、存在遮挡物和填充物的问题，使得拍摄到的锚栓图像高度还原真实锚栓，提高锚栓数量和位置检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是本发明实施例提供的一种无人机的结构示意图；
图2是本发明实施例提供的一种保温板中锚栓图像的处理方法的流程示意图；
图3是图2所示实施例提供的一种锚栓图像获取方法的流程示意图；
图4是图2所示实施例提供的一种图像处理方法的流程示意图；
图5是图4所示实施例提供的一种锚栓边缘检测方法的流程示意图；
图6是图4所示实施例提供的一种锚栓图像修复方法的流程示意图；
图7是本发明实施例提供的一种子图和模板的结构示意图；
图8是本发明实施例提供的一种保温板中锚栓图像的处理系统的结构示意图；
图9是图8所示实施例提供的一种图像获取模块的结构示意图；
图10是图8所示实施例提供的一种画质判断模块的结构示意图；
图11是图8所示实施例提供的一种图像处理模块的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
标号 名称 标号 名称
1 无人机本体 2 摄像头
3 智能处理器 4 存储器
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要技术问题如下：
现有的外墙保温系统中，锚栓是保证保温板和外墙基体牢固贴合的最有效连接结构。为了检测锚栓是否存在数量不足或分布不均的情况，需要获取锚栓的图像。然而由于拍摄手段的限制、锚栓图像经常存在模糊、失真以及存在遮挡物和填充物等问题，从而导致拍摄到的锚栓图像与真实锚栓不符，造成锚栓数量和位置检测不准确的问题。
本申请下述实施例提供的保温板中锚栓图像的处理方案，通过使用预设失真测试算法对保温板中的锚栓图像进行画质的判断；在画质不合格时，根据预设图像处理算法对锚栓图像进行图像处理，从而使得锚栓图像高度还原真实锚栓，减少锚栓数量和位置检测不准确的情况。
参见图1，图1是本发明实施例提供的一种无人机的结构示意图。如图1所示，在本申请实施例提供的技术方案中，首先，通过无人机搭载摄像头获取保温板中的锚栓图像。无人机的结构如下：无人机本体1、连接于无人机本体1的摄像头2，控制摄像头2拍照的智能处理器3，与摄像头2相连的存储器4。其中，无人机本体1能够通过无线电遥控设备和内置程序控制；摄像头2包括一组或多组，能够对保温板进行拍照获取保温板中标准岩板的图像和锚栓分布的图像；智能处理器3能够通过内置算法判断图像的质量，并且能够对运动模糊、存在遮挡物和填充物的锚栓图像进行处理。存储器4内置有数据库，能够用于存储处理后的图像数据。
具体处理过程参见图2，图2是本发明实施例提供的一种保温板中锚栓图像的处理方法的流程示意图，如图2所示，该保温板中锚栓图像的处理方法包括：
S110：获取保温板中的锚栓图像；本申请实施例中通过无人机获取保温板中的锚栓图像。
作为一种优选的实施例，如图3所示，该保温板中锚栓图像的处理方法中，步骤S110：获取保温板中的锚栓图像的步骤，包括：
S111：使用搭载有摄像头的无人机抵近保温板；无人机如图1所示，包括摄像头，通过摄像头抵近保温板，摄取锚栓图像。
S112：当无人机进入保温板中锚栓的拍摄区域时，使用摄像头摄取保温板中的锚栓图像。
本申请实施例中，无人机上设置一组或多组摄像头，通过对需要检测的保温板进行拍照，从而获取标准岩板上的图像和锚栓分布的图像。并且在智能处理器中内置算法以判断锚栓图像的质量。当无人机进入到保温板中锚栓的拍摄区域时，使用摄像头获取保温板中的锚栓图像。其中，该拍摄区域根据需要拍摄的锚栓确定，参照因素包括距离锚栓的直线距离、需要拍摄的锚栓的角度等。
S120：使用预设失真测试算法，判断锚栓图像的画面质量是否合格；若锚栓图像的画面质量合格，执行步骤S130；若锚栓图像的画面质量不合格，执行步骤S140。
作为一种优选的实施例，上述步骤S120：使用预设失真测试算法，判断锚栓图像的画面质量是否合格的步骤包括：
S121：根据公式：
Figure BDA0003094815940000061
计算锚栓图像的保真度，其中，N代表锚栓图像数，yi和
Figure BDA0003094815940000062
分别代表第i幅图像的真实值和测试值，
Figure BDA0003094815940000063
和
Figure BDA0003094815940000064
分别代表平均真实值和平均预测值，LCC为锚栓图像的线性相关系数，即保真度；
S122：将锚栓图像的保真度与预设保真阈值进行比较，以评估锚栓图像的画面质量。
本申请提供的实施例中，使用上述预设失真测试算法，计算锚栓图像的保真度，其中，会将锚栓图像的真实值与测试值进行对比，并与相关的平均真实值与平均预测值进行关系匹配，从而得到锚栓图像的保真度。在计算得到锚栓图像的保真度LCC后，使用该保真度LCC与预设保真阈值进行比较，判断锚栓图像的画面质量是否合格。其中保真度的取值范围在0-1之间，当保真度LCC大于或等于0.8时，则判定该图像的画面质量合格，否则判定该图像的画面质量不合格。
S130：将锚栓图像存储至预设数据库中。本申请实施例中，预设数据库通过存储器进行存储，当锚栓图像合格时，将该图像存储至预设数据库，从而方便后续使用。
S140：根据预设图像处理算法对锚栓图像进行图像处理；通过按照预设图像处理算法对锚栓图像进行图像处理，能够减少锚栓图像存在的模糊、失真、存在遮挡和填充物等问题，保证锚栓数量和位置的准确检测。
作为一种优选的实施例，如图4所示，上述保温板中锚栓图像的处理方法中，上述根据预设图像处理算法对锚栓图像进行图像处理的步骤包括：
S141：对画面质量不合格的锚栓图像依次进行灰度变换和图像增强处理；其中，灰度变换是根据三原色的重要性，以不同权值进行加权计算得到，三原色的计算公式如下：
Gray(i,j)＝0.114*R(i,j)+0.587*G(i,j)+0.229*B(i,j)；其中，0.114、0.587和0.229分别为RGB的权值，代表三原色的重要性。i和j分别为像素点的横坐标和纵坐标。
另外，本申请实施例中，图像增强处理是通过3*3的中值滤波算法对图像进行去噪处理，使得图像更易于辨别。
S142：使用边缘检测算法检测锚栓图像中的锚栓边缘，确定锚栓图像中的锚栓区域。本申请实施例中，选用边缘检测Canny算法对锚栓图像的边缘进行检测，能够准确确定锚栓图像的锚栓边缘，从而检测出相应的锚栓区域，方便后续对该图像中的锚栓区域进行图像修复。
其中，作为一种优选的实施例，如图5所示，该使用边缘检测算法检测锚栓图像中的锚栓边缘的步骤包括：
S1421：使用二维高斯核对锚栓图像进行卷积操作，确定锚栓边缘。
S1422：计算锚栓边缘的像素梯度。
S1423：根据像素梯度与预设梯度阈值的关系，修复锚栓边缘。
具体地，第一步，使用二维高斯核与锚栓图像进行卷积操作。高斯核的公式如下：
Figure BDA0003094815940000071
其中，x和y分别代表像素的横坐标和纵坐标。
第二步，使用Canny算法包含的Sobel算子计算像素梯度，具体公式如下：
Figure BDA0003094815940000081
Figure BDA0003094815940000082
其中，Gx和Gy分别代表横向和纵向的两个像素梯度矩阵，Sx和Sy分别代表Sobel算子的两组矩阵，分别为横向矩阵和纵向矩阵，I为灰度图像矩阵。
最终求得的梯度图像，即整幅图像梯度矩阵
Figure BDA0003094815940000083
第三步，进行非极大值像素梯度抑制，具体公式如下：
Figure BDA0003094815940000084
其中，gup和gdown分别代表向上采样和向下采样，gxy代表整幅图像梯度矩阵。
第四步：对阈值进行处理，先定义一个高阈值和低阈值，梯度强度低于低阈值的像素点被抑制，不作为边缘点；高于高阈值的像素点被定义为强边缘，保留为边缘点；处于高低阈值之间的定义为弱边缘，留待进一步处理。
第五步：对孤立弱边缘进行抑制，通过查看弱边缘像素及其8个邻域像素，可根据其与强边缘的连接情况来进行判断。只要其中邻域像素其中一个为强边缘像素点，则该弱边缘就可以保留为强边缘，即真实边缘点。
S143：使用特征提取算法提取锚栓区域的图像特征，根据提取的图像特征修复锚栓图像。其中，图像特征包括形状及宽高比等特征。根据提取的图像特征，本申请实施例，基于模板匹配算法创建模板，然后寻找匹配的锚栓图像，使用匹配的锚栓图像对原存在缺陷的图像进行替换。
作为一种优选的实施例，如图6所示，根据提取的图像特征修复锚栓图像的步骤包括：
S1431：使用提取的图像特征，根据模板匹配算法创建特征匹配模板；
S1432：使用特征匹配模板对画面质量不合格的锚栓图像进行卷积运算处理；
S1433：根据卷积运算处理结果，匹配和替换锚栓图像。
本申请实施例中，提取模板对象轮廓的特征信息生成模板进行匹配。运用相似性测试匹配算法，首先设模板M叠放在搜索图像上平移，被模板覆盖搜索图像下的图叫做子图Z(x,y)，(x,y)为这块子图的左上角像素点在Z图中的坐标，称为参考点。x，y的取值范围为1<x,y<P-Q+1。现在可以比较M和Z(x，y)的内容。若两者一致，则M和Z之差为零。如图7所示。具体使用如下公式衡量模板M和子图Z(x,y)的相似度。
Figure BDA0003094815940000091
对上式展开，得到如下公式：
Figure BDA0003094815940000092
其中，该公式第三项表示模板总能量，是与(x，y)无关的常数，第1项是模板覆盖下子图的能力，随着(x，y)的位置缓慢改变；第2项表示子图与模板的互相关系，随着(x，y)的改变而改变，当M和Z(x，y)匹配时该项取值最大。因此可利用下式相关度函数L(x,y)做相似性测度：
Figure BDA0003094815940000093
可对该式进一步做归一化处理，最后得到相关系数矩阵形式如下：
Figure BDA0003094815940000094
式中，A为模板的灰度值矩阵，Z1 (x，y)(x，y)为某一子图Z1 (x，y)以(x，y)左上角与模板M大小相同子块的灰度值矩阵，当A和Z1 (x，y)(x，y)之间的夹角为0时，即当Z1 (x，y)＝λA时(λ为常量)，有F(x,y)＝1，否则F(x,y)<1。显然F(x,y)越大，模板M和Z(x,y)相似性越高，点(x，y)就是需要找的匹配点。
本实施例提供的方法中，创建已知的模板与原图像中同样大小的一块区域进行卷积运算，以模板左上角点和图像的左上角点重合，模板在原图像中搜索同一块区域进行卷积运算，然后平移到下一像素点再次重复上述操作。在所有的位置都经过卷积运算后，图像区域与模板的差异最小的区域块是合格的锚栓图像。
通过自动接收无人机传输的锚栓图像，通过内置算法判断锚栓图像的画面质量好坏，质量合格的图像能够直接传输至存储器，对质量不合格的图像进行灰度变换和图像增强处理，在进行边沿提取，确定锚栓图像中锚栓的区域，修复相关的锚栓特征，从而获得合格的锚栓图像。通过上述方式，能够对画面模糊失真存在遮挡的锚栓进行图像修复，从而准确确定锚栓的数量和分布位置。
S150：将图像处理后的锚栓图像存储至预设数据库中。
综上，本申请实施例提供的保温板中锚栓图像的处理方法，通过使用预设失真测试算法，判断获取到的锚栓图像的画面质量算法合格；在画面质量合格时，将锚栓图像存储至预设数据库中；当锚栓图像的画面质量不合格时，根据预设图像处理算法对锚栓图像进行图像处理，从而减少锚栓图像存在模糊、失真、存在遮挡物和填充物等问题，最后，将图像处理后的锚栓图像存入数据库。综上，本申请实施例提供的技术方案，能够解决现有技术中锚栓图像存在模糊、失真、存在遮挡物和填充物的问题，使得拍摄到的锚栓图像高度还原真实锚栓，提高锚栓数量和位置检测的准确性。
另外，基于上述方法实施例的同一构思，本发明实施例还提供了一种保温板中锚栓图像的处理系统的专利，用于实现本发明的上述方法，由于锚栓图像的处理系统的实施例解决问题的原理与上述方法相似，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
参见图8，图8为本发明实施例提供的一种保温板中锚栓图像的处理系统的结构示意图，如图8所示，该保温板中锚栓图像的处理系统包括：
图像获取模块110，用于获取保温板中的锚栓图像；
画质判断模块120，用于使用预设失真测试算法，判断锚栓图像的画面质量是否合格；
图像存储模块130，用于当画质判断模块判定锚栓图像的画面质量合格时，将锚栓图像存储至预设数据库中；
图像处理模块140，用于当画质判断模块判定锚栓图像的画面质量不合格时，根据预设图像处理算法对锚栓图像进行图像处理；
上述图像存储模块130，还用于将图像处理后的锚栓图像存储至预设数据库中。
综上，本申请实施例提供的保温板中锚栓图像的处理系统，通过图像获取模块110获取锚栓图像，然后画质判断模块120使用预设失真测试算法，判断获取到的锚栓图像的画面质量算法合格；在判定画面质量合格时，图像存储模块130将锚栓图像存储至预设数据库中；当锚栓图像的画面质量不合格时，图像处理模块140根据预设图像处理算法对锚栓图像进行图像处理，从而减少锚栓图像存在模糊、失真、存在遮挡物和填充物等问题，最后，由上述图像存储模块130将图像处理后的锚栓图像存入数据库。综上，本申请实施例提供的技术方案，能够解决现有技术中锚栓图像存在模糊、失真、存在遮挡物和填充物的问题，使得拍摄到的锚栓图像高度还原真实锚栓，提高锚栓数量和位置检测的准确性。
作为一种优选的实施例，如图9所示，上述保温板中锚栓图像的处理系统中，图像获取模块110，包括：
无人机控制子模块111，用于使用搭载有摄像头的无人机抵近保温板；
图像拍摄子模块112，用于当无人机进入保温板中锚栓的拍摄区域时，使用摄像头摄取保温板中的锚栓图像。
作为一种优选的实施例，如图10所示，画质判断模块120，包括：
保真度计算子模块121，用于根据预设公式，计算锚栓图像的保真度；
画质评估子模块122，用于将锚栓图像的保真度与预设保真阈值进行比较，以评估锚栓图像的画面质量。
作为一种优选的实施例，如图11所示，该图像处理模块140，包括：
灰度变换子模块141，用于对画面质量不合格的锚栓图像依次进行灰度变换；
图像增强子模块142，用于对灰度变换后的锚栓图像进行图像增强处理；
边缘检测子模块143，用于使用边缘检测算法检测锚栓图像中的锚栓边缘，确定锚栓图像中的锚栓区域；
特征提取子模块144，用于使用特征提取算法提取锚栓区域的图像特征；
图像修复子模块145，用于根据提取的图像特征修复锚栓图像。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种保温板中锚栓图像的处理方法，其特征在于，包括：
获取保温板中的锚栓图像；
使用预设失真测试算法，判断所述锚栓图像的画面质量是否合格；
若所述锚栓图像的画面质量合格，将所述锚栓图像存储至预设数据库中；
若所述锚栓图像的画面质量不合格，则根据预设图像处理算法对所述锚栓图像进行图像处理；
将图像处理后的所述锚栓图像存储至所述预设数据库中。
2.根据权利要求1所述的保温板中锚栓图像的处理方法，其特征在于，所述获取保温板中的锚栓图像的步骤，包括：
使用搭载有摄像头的无人机抵近所述保温板；
当所述无人机进入所述保温板中锚栓的拍摄区域时，使用所述摄像头摄取所述保温板中的锚栓图像。
3.根据权利要求1所述的保温板中锚栓图像的处理方法，其特征在于，所述使用预设失真测试算法，判断所述锚栓图像的画面质量是否合格的步骤，包括：
根据公式：
Figure FDA0003094815930000011
计算所述锚栓图像的保真度，其中，N代表锚栓图像数，yi和
Figure FDA0003094815930000012
分别代表第i幅图像的真实值和测试值，
Figure FDA0003094815930000013
和
Figure FDA0003094815930000014
分别代表平均真实值和平均预测值，LCC为锚栓图像的线性相关系数，即保真度；
将所述锚栓图像的保真度与预设保真阈值进行比较，以评估所述锚栓图像的画面质量。
4.根据权利要求1所述的保温板中锚栓图像的处理方法，其特征在于，所述根据预设图像处理算法对所述锚栓图像进行图像处理的步骤，包括：
对所述画面质量不合格的锚栓图像依次进行灰度变换和图像增强处理；
使用边缘检测算法检测所述锚栓图像中的锚栓边缘，确定所述锚栓图像中的锚栓区域；
使用特征提取算法提取所述锚栓区域的图像特征，根据提取的图像特征修复所述锚栓图像。
5.根据权利要求4所述的保温板中锚栓图像的处理方法，其特征在于，所述使用边缘检测算法检测所述锚栓图像中的锚栓边缘的步骤，包括：
使用二维高斯核对所述锚栓图像进行卷积操作，确定所述锚栓边缘；
计算所述锚栓边缘的像素梯度；
根据所述像素梯度与预设梯度阈值的关系，修复所述锚栓边缘。
6.根据权利要求4所述的保温板中锚栓图像的处理方法，其特征在于，所述根据提取的图像特征修复所述锚栓图像的步骤，包括：
使用提取的所述图像特征，根据模板匹配算法创建特征匹配模板；
使用所述特征匹配模板对所述画面质量不合格的所述锚栓图像进行卷积运算处理；
根据卷积运算处理结果，匹配和修复所述锚栓图像。
7.一种保温板中锚栓图像的处理系统，其特征在于，包括：
图像获取模块，用于获取保温板中的锚栓图像；
画质判断模块，用于使用预设失真测试算法，判断所述锚栓图像的画面质量是否合格；
图像存储模块，用于当所述画质判断模块判定锚栓图像的画面质量合格时，将所述锚栓图像存储至预设数据库中；
图像处理模块，用于当所述画质判断模块判定锚栓图像的画面质量不合格时，根据预设图像处理算法对所述锚栓图像进行图像处理；
所述图像存储模块，还用于将图像处理后的所述锚栓图像存储至所述预设数据库中。
8.根据权利要求7所述的保温板中锚栓图像的处理系统，其特征在于，所述图像获取模块，包括：
无人机控制子模块，用于使用搭载有摄像头的无人机抵近所述保温板；
图像拍摄子模块，用于当所述无人机进入所述保温板中锚栓的拍摄区域时，使用所述摄像头摄取所述保温板中的锚栓图像。
9.根据权利要求7所述的保温板中锚栓图像的处理系统，其特征在于，所述画质判断模块，包括：
保真度计算子模块，用于根据预设公式，计算所述锚栓图像的保真度；
画质评估子模块，用于将所述锚栓图像的保真度与预设保真阈值进行比较，以评估所述锚栓图像的画面质量。
10.根据权利要求7所述的保温板中锚栓图像的处理系统，其特征在于，所述图像处理模块，包括：
灰度变换子模块，用于对所述画面质量不合格的锚栓图像依次进行灰度变换；
图像增强子模块，用于对灰度变换后的锚栓图像进行图像增强处理；
边缘检测子模块，用于使用边缘检测算法检测所述锚栓图像中的锚栓边缘，确定所述锚栓图像中的锚栓区域；
特征提取子模块，用于使用特征提取算法提取所述锚栓区域的图像特征；
图像修复子模块，用于根据提取的图像特征修复所述锚栓图像。
CN202110609041.0A 2021-06-01 2021-06-01 一种保温板中锚栓图像的处理方法和系统 Pending CN113222981A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110609041.0A CN113222981A (zh) 2021-06-01 2021-06-01 一种保温板中锚栓图像的处理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110609041.0A CN113222981A (zh) 2021-06-01 2021-06-01 一种保温板中锚栓图像的处理方法和系统

Publications (1)

Publication Number Publication Date
CN113222981A true CN113222981A (zh) 2021-08-06

Family

ID=77082186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110609041.0A Pending CN113222981A (zh) 2021-06-01 2021-06-01 一种保温板中锚栓图像的处理方法和系统

Country Status (1)

Country Link
CN (1) CN113222981A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441768A (zh) * 2008-11-28 2009-05-27 武汉大学 基于结构失真和图像清晰度的图像质量评价方法
CN103177424A (zh) * 2012-12-07 2013-06-26 西安电子科技大学 一种低照度图像的增强和去噪方法
CN104899893A (zh) * 2015-07-01 2015-09-09 电子科技大学 基于视觉注意力的图像质量检测方法
CN109905677A (zh) * 2019-03-21 2019-06-18 重庆工程职业技术学院 一种煤矿监控图像增强处理方法
CN111754410A (zh) * 2019-03-27 2020-10-09 浙江宇视科技有限公司 一种图像处理方法、装置、电子设备及可读存储介质
CN112348755A (zh) * 2020-10-30 2021-02-09 咪咕文化科技有限公司 图像内容修复方法、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441768A (zh) * 2008-11-28 2009-05-27 武汉大学 基于结构失真和图像清晰度的图像质量评价方法
CN103177424A (zh) * 2012-12-07 2013-06-26 西安电子科技大学 一种低照度图像的增强和去噪方法
CN104899893A (zh) * 2015-07-01 2015-09-09 电子科技大学 基于视觉注意力的图像质量检测方法
CN109905677A (zh) * 2019-03-21 2019-06-18 重庆工程职业技术学院 一种煤矿监控图像增强处理方法
CN111754410A (zh) * 2019-03-27 2020-10-09 浙江宇视科技有限公司 一种图像处理方法、装置、电子设备及可读存储介质
CN112348755A (zh) * 2020-10-30 2021-02-09 咪咕文化科技有限公司 图像内容修复方法、电子设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
佟喜峰和王梅: "《图像处理与识别技术——应用与实践》", 30 April 2019 *
张云佐: "《时空域视频运动片段分割理论及应用》", 30 June 2020 *
潘颖辉: "金属板材表面缺陷检测系统研究与设计", 《电脑知识与技术》 *
王越等: "基于区域划分和霍夫变换的车牌倾斜校正", 《重庆理工大学学报（自然科学）》 *
荆耀东: "图像边缘检测修复算法的技术研究", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN107543828B (zh) 一种工件表面缺陷检测方法及系统
CN111325713B (zh) 基于神经网络的木材缺陷检测方法、系统及存储介质
JP6792842B2 (ja) 外観検査装置、変換データ生成装置、及びプログラム
CN111310558A (zh) 一种基于深度学习和图像处理法的路面病害智能提取方法
CN110207592B (zh) 建筑裂缝测量方法、装置、计算机设备和存储介质
US9767383B2 (en) Method and apparatus for detecting incorrect associations between keypoints of a first image and keypoints of a second image
CN106485651B (zh) 快速鲁棒性尺度不变的图像匹配方法
WO2020059706A1 (ja) 学習用データ収集装置、学習用データ収集方法、及びプログラム
CN113850749B (zh) 训练缺陷侦测器的方法
CN109911481B (zh) 面向冶金机器人接插的仓架目标视觉识别定位方法和系统
CN111539927B (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测方法
CN115018846B (zh) 基于ai智能相机的多目标裂纹缺陷检测方法和装置
Said et al. Robust automatic void detection in solder balls
CN110263662B (zh) 一种基于分级的人体轮廓关键点和关键部位识别方法
CN113971669A (zh) 应用于管道损伤识别的三维检测系统
CN115239661A (zh) 基于图像处理的机械零件毛刺检测方法及系统
KR101725041B1 (ko) 위조 영상 검출 방법 및 그 장치
CN113176270A (zh) 一种调光方法、装置及设备
CN114612410A (zh) 一种新型服装检测装置
Apdilah et al. A study of Frei-Chen approach for edge detection
CN104268550B (zh) 特征提取方法及装置
CN116543247A (zh) 基于光度立体表面重建的数据集制作方法及验证系统
CN107886530A (zh) 一种改进的基于sift特征的图像配准算法
CN113222981A (zh) 一种保温板中锚栓图像的处理方法和系统
CN114529543B (zh) 一种航空发动机外周螺钉垫片的安装检测方法及装置

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: 20210806

RJ01 Rejection of invention patent application after publication