CN113361541A - 一种地下排水管道缺陷的特征提取方法 - Google Patents
一种地下排水管道缺陷的特征提取方法 Download PDFInfo
- Publication number
- CN113361541A CN113361541A CN202110611158.2A CN202110611158A CN113361541A CN 113361541 A CN113361541 A CN 113361541A CN 202110611158 A CN202110611158 A CN 202110611158A CN 113361541 A CN113361541 A CN 113361541A
- Authority
- CN
- China
- Prior art keywords
- defect
- pipeline
- image
- feature
- defects
- 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- Withdrawn
Links
Images
Abstract
本发明提出了一种改进的分块灰度共生矩阵复合特征向量提取算法(B_GLCM)方法进行对管道功能性缺陷的特征提取,来自动提取缺陷特征,减少人的主观原因对管道缺陷判断结果的干扰。先将管道缺陷图像进行预处理,然后将预处理后的管道缺陷图像进行划分子图。得到子图后进行Sobel算子的缺陷轮廓增强,最后使用改进的分块灰度共生矩阵复合特征向量提取算法进行特征提取。实验结果表明,相比较于传统的特征提取算法,此改进算法能更好的提取地下排水管道缺陷特征。
Description
技术领域
本发明涉及一种在地下排水管道缺陷的判读领域,弥补管道判读过程中过分依赖工作人员的问题,属于工程应用方面。
背景技术
现今广泛使用CCTV管道闭路电视检测系统对管道进行检测,但该系统在管道图像的采集与缺陷判读过程中都需人工参与,尤其是对管道缺陷的判读,检测人员对缺陷判断结果的主观影响较大,包括工作人员的工作经验及工作状态都将影响判断结果。为了日后的修复工作,缺陷的判读必须准确,以方便维修技术人员就相应的缺陷制定相应的维修计划,同时正确判读缺陷的类别也是评估地下排水管道缺陷等级的重要参考组成部分。
目前图像特征提取方法主要包括灰度差分统计法,灰度共生矩阵等。为了降低管道背景噪声对管道缺陷特征提取的影响,使用了改进的分块灰度共生矩阵复合特征向量提取算法(B_GLCM)方法进行对管道功能性缺陷的特征提取。
发明内容
本发明提出一种改进的分块灰度共生矩阵复合特征向量提取算法,来自动提取缺陷特征,减少人的主观原因对管道缺陷判断结果的干扰。
传统特征向量提取算法是针对整个图像的灰度共生矩阵进行统计量的计算从而组成特征向量。但此方法削弱了一些局部特征对最终结果的影响程度,对于一些局部特征无法较好的体现。通常情况下一幅图像的不同区域往往带有不同的局部特征,且其局部特征在一些情况下差异较大,若直接对整个图像的GLCM直接进行二次统计量计算从而组成特征向量会丢失部分局部的差异信息,可能导致最后的特征提取出现偏差,而改进的分块GLCM复合特征向量提取算法(B_GLCM)可以改善此问题。B_GLCM方法通过对待处理图像进行分区局部处理,分别对每一个分区单独计算灰度共生矩阵,获得其对应GLCM特征向量后,再将每个局部区域取得的局部特征向量执行串联操作,从而获得B_GLCM复合特征向量,进而增大局部特征在最终全局特征中的占比。
改进的分块灰度共生矩阵复合特征向量提取算法(B_GLCM)具体流程如下:
(1)首先先将管道缺陷图像进行去除文字信息,进行灰度化处理,自适应直方图均衡化以及自适应中值滤波,得到预处理后的管道缺陷图像。
(2)由于管道图像整体同时包含多种特征,多种缺陷参杂,故直接提取其整张图像的全局特征对于缺陷的特征提取无意义,将预处理后的管道缺陷图像进行划分子图,对只涵盖图像局部范围的子图提取特征。
(3)将从得到的子图进行获得裂纹、错口、腐蚀这三种功能性缺陷图像,构建数据图库,为下一步特征提取实验提供图像数据。
(4)在获得管道裂纹、错口及腐蚀缺陷的对应图库后,为了对其缺陷轮廓进行增强,帮助后续纹理特征提取,采用改进的基于Sobel算子的轮廓增强算法进行增强缺陷图像特征。
(5)将步骤(4)得到的各个子分区图像分别进行计算对应灰度共生矩阵及其二次统计量,获得子区特征向量记作f(i,j),其中i=1,2,…,M…,j=1,2,…,N,共取得M×N个子特征向量,再将这M×N个子特征向量进行串联处理即可得到所求的复合特征向量F,即如下式所示。F即为所得的缺陷提取特征。
F=[f(1,1),f(1,2),…,f(i,j),…,f(M,N)
附图说明
图1本发明管道缺陷特征提取流程图。
图2本发明实施例桂林市地下排水管道的原图。
图3本发明实施例管道缺陷图像预处理流程图。
图4本发明实施例管道图像划分子图。
图5本发明实施例B_GLCM特征向量提取流程图。
具体实施方式
实施例:
以桂林市地下排水管道为例:
(1)先从视频中获得排水管道原图,如图2所示,对原图进行去除文字信息,进行灰度化处理,自适应直方图均衡化以及自适应中值滤波,得到预处理后的管道缺陷图像。具体流程操作如图3所示。
(2)将得到的预处理后图像进行子图划分,子图大小经过多次实验证明子图划分为100x100得到的缺陷特征结果最好,划分的子图如图4所示。
(3)经过上述子图划分后,便得到了管道图像不同部分的子图像,需先从大量图像中获得裂纹、错口、腐蚀这三种功能性缺陷图像,构建数据图库,为下一步特征提取实验提供图像数据。
(4)在获得管道裂纹、错口及腐蚀缺陷的对应图库后,对其缺陷轮廓进行增强,帮助后续纹理特征提取,对图像采用改进的基于Sobel算子的轮廓增强算法,以增强缺陷图像特征。
(5)对每一个分区计算对应灰度共生矩阵及其二次统计量,获得子区特征向量,再将每个取得的子区特征向量执行串联操作,从而获得B_GLCM复合特征向量,即可得到缺陷图像特征图。具体流程见图5所示。
Claims (1)
1.一种地下排水管道缺陷的特征提取方法,其特征在于具体步骤为:
(1)首先将管道缺陷图像进行去除文字信息,进行灰度化处理,自适应直方图均衡化以及自适应中值滤波,得到预处理后的管道缺陷图像;
(2)由于管道图像整体同时包含多种特征,多种缺陷参杂,故直接提取其整张图像的全局特征对于缺陷的特征提取无意义,将预处理后的管道缺陷图像进行划分子图,对只涵盖图像局部范围的子图提取特征;
(3)将从得到的子图进行获得裂纹、错口、腐蚀这三种功能性缺陷图像,构建数据图库,为下一步特征提取实验提供图像数据;
(4)在获得管道裂纹、错口及腐蚀缺陷的对应图库后,为了对其缺陷轮廓进行增强,帮助后续纹理特征提取,采用改进的基于Sobel算子的轮廓增强算法进行增强缺陷图像特征;
(5)将步骤(4)得到的各个子分区图像分别进行计算对应灰度共生矩阵及其二次统计量,获得子区特征向量记作f(i,j),其中i=1,2,…,M,j=1,2,…,N,共取得M×N个子特征向量,再将这M×N个子特征向量进行串联处理即可得到所求的复合特征向量F,即如下式所示;F即为所得的缺陷提取特征。
F=[f(1,1),f(1,2),…,f(i,j),…,f(M,N)]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110611158.2A CN113361541A (zh) | 2021-06-01 | 2021-06-01 | 一种地下排水管道缺陷的特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110611158.2A CN113361541A (zh) | 2021-06-01 | 2021-06-01 | 一种地下排水管道缺陷的特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361541A true CN113361541A (zh) | 2021-09-07 |
Family
ID=77531055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110611158.2A Withdrawn CN113361541A (zh) | 2021-06-01 | 2021-06-01 | 一种地下排水管道缺陷的特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361541A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115689948A (zh) * | 2023-01-05 | 2023-02-03 | 济宁智诚物业管理有限公司 | 用于检测建筑供水管道裂痕的图像增强方法 |
-
2021
- 2021-06-01 CN CN202110611158.2A patent/CN113361541A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115689948A (zh) * | 2023-01-05 | 2023-02-03 | 济宁智诚物业管理有限公司 | 用于检测建筑供水管道裂痕的图像增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814711B (zh) | 一种应用于矿井机器视觉的图像特征快速匹配方法及系统 | |
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 | |
CN113989280A (zh) | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 | |
CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
CN109523529B (zh) | 一种基于surf算法的输电线路缺陷识别方法 | |
CN111080609B (zh) | 一种基于深度学习的闸瓦插销丢失检测方法 | |
CN110648349A (zh) | 基于背景减除和连通区域算法的焊缝缺陷分割方法 | |
CN109615604B (zh) | 基于图像重构卷积神经网络的零件外观瑕疵检测方法 | |
JP2014006222A (ja) | コンクリート表面の変状検出方法及び装置 | |
CN110555831B (zh) | 一种基于深度学习的排水管道缺陷分割方法 | |
CN109858438B (zh) | 一种基于模型拟合的车道线检测方法 | |
JP2012202858A (ja) | コンクリート表面の閉合ひび割れ検出方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN101682767B (zh) | 用于测量视频编解码器块中细节损失的系统和方法 | |
CN110910339B (zh) | Logo缺陷检测方法及装置 | |
CN111080574A (zh) | 一种基于信息熵和视觉注意机制的织物疵点检测方法 | |
CN110782385A (zh) | 一种基于深度学习的图像水印的去除方法 | |
Li et al. | Detection algorithm of defects on polyethylene gas pipe using image recognition | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN113361541A (zh) | 一种地下排水管道缺陷的特征提取方法 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
Alam et al. | An algorithm to detect and identify defects of industrial pipes using image processing | |
CN112669269A (zh) | 一种基于图像识别的管道缺陷分类分级方法及系统 | |
CN116912184A (zh) | 一种基于篡改区域分离和区域约束损失的弱监督深度修复图像篡改定位方法及系统 |
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: 20210907 |