CN113362296B - 一种隧道裂缝提取方法及系统 - Google Patents
一种隧道裂缝提取方法及系统 Download PDFInfo
- Publication number
- CN113362296B CN113362296B CN202110601324.0A CN202110601324A CN113362296B CN 113362296 B CN113362296 B CN 113362296B CN 202110601324 A CN202110601324 A CN 202110601324A CN 113362296 B CN113362296 B CN 113362296B
- Authority
- CN
- China
- Prior art keywords
- crack
- segmentation
- tunnel
- image
- variation
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000004880 explosion Methods 0.000 claims abstract description 20
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 239000002360 explosive Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012353 t test 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种隧道裂缝提取方法及系统,其技术方案为:包括获取隧道图像数据集,并进行预处理;基于变异烟花算法对预处理后的隧道图像数据集进行初次分割,得到分割结果;对分割结果进行超像素二次分割,得到细节裂缝图像;对细节裂缝图像进行数据分析,得到细节裂缝边缘亚像素轮廓。本发明通过基于F分布的变异爆炸烟花算法的首次分割,并与超像素分割二次分割后提取像素区域融合,使得识别的裂缝图像精度更高。
Description
技术领域
本发明涉及裂缝识别技术领域,尤其涉及一种隧道裂缝提取方法及系统。
背景技术
裂缝是一种线状目标,在公路路面、建筑墙面、隧道顶面、金属表面等位置经常出现。一方面,裂缝作为一种初期的损害,及时修补或修复不仅能减小安全隐患,还能节约维修的成本,另一方面,传统的人工识别方法识别裂缝费时费力,不能满足现代化的工业需求,因此裂缝的自动化识别和及时修补具有重要的经济意义。目前,通常使用光学摄像或激光扫描的方式获取裂缝光学图像或距离图像,然后利用图像处理算法识别图像中的裂缝。隧道是埋置于地层内的工程建筑物,通常情况下,隧道内所采集照片亮度很低且特征极不明显,噪点很多,检测难度很大。
现有的基于深度学习的裂缝识别方法通常判断裂缝方法单一,使用时间过长容易出现遗漏与判断误差,不能较为精确提取裂缝。其次,细小裂缝的提取极易产生断裂,而通过膨胀腐蚀等方法连接的的区域较随机不够精确。现有技术公开了一种基于深度学习和opencv的裂缝识别方法,虽然该方法能最终还原大致裂缝信息,但其中区域生长算法的起始生长区域以及膨胀腐蚀等操作产生的裂缝区域较为随机,对于细小裂缝易产生断裂现象。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种隧道裂缝提取方法及系统,通过基于F分布的变异爆炸烟花算法的首次分割,并与超像素分割二次分割后提取像素区域融合,使得识别的裂缝图像精度更高。
为了实现上述目的,本发明是通过如下的技术方案来实现:
第一方面,本发明的实施例提供了一种隧道裂缝提取方法,包括:
获取隧道图像数据集,并进行预处理;
基于变异烟花算法对预处理后的隧道图像数据集进行初次分割,得到分割结果;
对分割结果进行超像素二次分割,得到细节裂缝图像;
对细节裂缝图像进行数据分析,得到细节裂缝边缘亚像素轮廓。
作为进一步的实现方式,对区域生长算法引入F分布变异火花,通过改变自由度的值改变变异幅值,全局寻优。
作为进一步的实现方式,所述初次分割过程包括:
在n维可行域初始化爆炸粒子;确定基于F分布模型的自由度参数,得到变异幅值;
计算每个烟花粒子爆炸所产生的爆炸火花位置、爆炸半径以及对p个烟花粒子进行变异所产生的变异火花位置;
将超出可行域空间的粒子映射到可行域空间内,适应度值最小的N个粒子作为下一次迭代的初始烟花;经多次迭代后,当适应度值小于设定阈值T时停止迭代;
将得到的最优粒子作为初次分割的生长种子点,得到阈值自适应的分割结果。
作为进一步的实现方式,所述预处理过程为:利用深度学习方法得到裂缝矩形框区域,对所述区域进行直方图均衡化、二值化处理;并进行去噪处理。
作为进一步的实现方式,数据分析过程中,对图像文件中裂缝部分通过亚像素裂缝长度计算与显著性检测计算出裂缝的长度与宽度,并处理生成结果数据,提取细节裂缝边缘亚像素轮廓。
作为进一步的实现方式,所述图像数据分析过程为:
基于最小二乘拟合方法拟合离散点,到拟合曲线的距离和取最小;
重新设置权重和阈值,判断远离曲线数值的取舍;
基于改进的Sobel算子提取像素轮廓,进行长度和宽度的分析计算。
作为进一步的实现方式,数据分析后进行裂缝信息反馈、更新云端数据库,并存储数据。
第二方面,本发明实施例还提供了一种的隧道裂缝提取系统,包括:
图像获取模块,其被配置为:获取隧道图像数据集,并进行预处理;
初次分割模块,其被配置为:基于变异烟花算法对预处理后的隧道图像数据集进行初次分割,得到分割结果;
二次分割模块,其被配置为:对分割结果进行超像素二次分割,得到细节裂缝图像;
数据分析模块,其被配置为:对细节裂缝图像进行数据分析,得到细节裂缝边缘亚像素轮廓。
第三方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种隧道裂缝提取方法中的步骤。
第四方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种隧道裂缝提取方法中的步骤。
上述本发明的实施例的有益效果如下:
(1)本发明的一个或多个实施方式通过基于F分布的变异爆炸烟花算法首次分割,并与超像素分割二次分割后提取像素区域融合,使得识别的裂缝图像精度更高,不会有严重的遗漏和偏差。
(2)本发明的一个或多个实施方式通过改进的Sobel算子来进一步提取亚像素裂缝轮廓的完整信息;相比于经典区域生长算法的人工种子选取或提取骨架等较随机的方式;经过全局寻优能够得到优质的种子生长点,由此完成初次分割后,再局部寻优超像素二次分割,最终能够准确、完整的提取裂缝,并得到长宽等信息。
(3)本发明的一个或多个实施方式判断完成后的结果数据经过数据转换后上传云端数据库,并通过该结果数据对云端数据库进行数据更新,判断裂缝方法可以不断更新,减少判断遗漏与误差出现情况,提高裂缝识别速率,节省时间,方便查看裂缝基本数据以及分析处理方式,提高工作效率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明根据一个或多个实施方式的流程图;
图2为高斯分布、t分布、F分布图;
图3是本发明根据一个或多个实施方式的原始图像;
图4是本发明根据一个或多个实施方式的直方图均衡化效果图;
图5是本发明根据一个或多个实施方式的二值化轻微去噪效果图;
图6是本发明根据一个或多个实施方式的变异烟花区域生长分割效果图;
图7是本发明根据一个或多个实施方式的超像素二次分割效果图;
图8是本发明根据一个或多个实施方式的整合效果图;
图9是本发明根据一个或多个实施方式的sobel边缘提取图。
具体实施方式
实施例一:
本实施例提供了一种隧道裂缝提取方法,包括:
获取隧道图像数据集,并进行预处理;
基于变异烟花算法对预处理后的隧道图像数据集进行初次分割,得到分割结果;
对分割结果进行超像素二次分割,得到细节裂缝图像;
对细节裂缝图像进行数据分析,得到细节裂缝边缘亚像素轮廓。
具体的,如图1所示,包括以下步骤:
步骤一:获得初始数据。
通过开源数据集以及线阵相机对隧道内图像进行收集,经过旋转、翻转、放大缩小以及生成对抗网络扩充数据集;得到如图3所示的原始图像。在本实施例中,生成器和辨别器可以是CNN、RNN或者BP网络等。
步骤二:图像预处理。
(1)对初始数据进行优化分析处理生成模板数据。
(2)采用Faster-RCNN(快速卷积神经网络)检测得到裂缝矩形框区域。
(3)由于隧道环境复杂,所采集图像大多昏暗,运用图像增强技术增加图像整体对比度。
进一步的,在不使裂缝产生断裂的情况下适当处理噪声,具体步骤包括:
1)直方图均衡化增强对比度,得到图4。
2)图像二值化处理:设置适当阈值,使裂缝尽量完整保存,而噪点尽量多消除,得到图5。
3)找出所有连通域,删除非裂缝噪点区域。将优化完成的图像文件进行图像分析并对图像中的裂缝处标记为A,标记完成后将图像文件处理生成模板数据。
步骤三:基于变异烟花算法的初次分割。
对经典区域生长算法进行改进,引入F分布变异火花,通过改变自由度的值改变变异幅值,全局寻优。
进一步的,F分布含有两个自由度参数,其概率密度函数为:
其中Γ(·)是Gamma函数;x是随机变量;
F分布解决了如图2所示的高斯分布、t分布的局限性:F函数一个可以同时处理两种以上条件的单独检验,解决了比较次数多的问题。比较次数少减少犯错的概率,提高可靠性。
两个以上的平均数检验中若仍采用高斯检验或t检验都只提供了两个组所提供的信息而忽略了其余的综合信息,而F函数可以综合考虑整体信息。
进一步的,在烟花算法中,火花个数产生公式为:
爆炸半径公式为:
其中ymin=min(f(xi)),(i=1,2,…,N)为当前烟花种群中适应度最小值,ymax=max(f(xi)),(i=1,2,…,N)是当前种群中适应度最大值。
为了限制适应度值好的烟花位置不会产生过多的爆炸火花,同时适应度值差的烟花位置不会产生过少的火花粒子,对产生的火花个数进行了如下的限制:
引入了F分布变异火花,变异操作为:
xi=xi+F(a)
其中,F(a)是以迭代次数a为参数的F分布函数。迭代初期a值较小,与高斯函数分布相似,局部寻优能力强。随着迭代次数增加,与t函数分布逐渐重合,局部寻优能力强。每次都会保留下适应度值最小的个体会被继承到下一次烟花爆炸中,剩余的烟花个体随机选择。
进一步的,将模板数据中A对应的位置通过变异火花算法得到的最优解作为颜色空间的自适应阈值和多方向拟合区域生长的种子点,分割裂缝区域得到图6。选定适当的循环次数,实现初步分割。将分割出的模板数据与剩余模板数据处理生成判断数据并分别标记为B与C。
在本实施例中,初次分割的具体步骤包括:
(1)在n维(n为大于0的整数)可行域随机初始化爆炸粒子Ni。
(2)确定基于F分布模型两个自由度v1和v2,得到变异幅值。F(α)是以迭代次数α为自由度参数的F分布,α=1迭代开始。根据其特性α值的变化,改变全局与局部寻优能力。
(3)计算每个所述烟花粒子爆炸所产生的爆炸火花的位置Sj、每个所述烟花粒子的爆炸半径Zj,以及对p个烟花粒子进行变异所产生的变异火花的位置。其中,p是服从F(v2,v1)分布的随机数。
(4)将超出可行域空间的粒子映射到可行域空间内,适应度值最小的N个粒子作为下一次迭代的初始烟花。
(6)将得到的最优粒子作为初次分割的生长种子点,得到阈值自适应的分割结果。
步骤四:超像素二次分割。
(1)滑动窗口检测梯度最小处。
进一步的,经过一次区域生长算法后,会有断裂情况发生。对模板数据A通过超像素分割算法进行二次图像分割,传统的SLIC算法在2S*2S区域内搜索聚类中心,这容易造成聚类中心是边缘和噪声等不合理点,因此改由3*3的窗口中将聚类中心移动到梯度最小的区域。
为了减少梯度的计算复杂度,避免平方和开方的工作:
M(x,y)=|gx|+|gy|
其中,gx表示x方向梯度,gy表示y方向梯度。颜色距离和空间距离的大小决定聚类中心的选取。
(2)固定最大颜色距离为常数m,计算颜色距离与空间距离的和D。
为了避免复杂计算,将最大颜色距离固定为常数m。其中,dc为颜色距离,ds为空间距离。迭代10次,残留率E小于给定阈值,算法收敛,完成对细小部分裂缝的提取,如图7所示。
对C中数据再次进行裂缝分析判断,将提取的裂缝部分标记为D。
(3)根据距离分配最佳聚类中心,残留率E小于给定阈值则收敛,分割出细节裂缝。
进一步的,对B与D中所存在的裂缝进行数据检测,并将分割完成后的B与D整合处理生成检测数据得到整合效果图8所示。
步骤五:图像数据分析。
对图像文件中裂缝部分通过亚像素裂缝长度计算与显著性检测计算出裂缝的长度与宽度并处理生成结果数据。经对比多个边缘检测算子,改进的Sobel算子能够更完整的提取细节裂缝边缘亚像素轮廓。
采用最小二乘拟合方法拟合离散点为曲线,到拟合曲线的距离和取最小。重新设置权重阈值来使算子能够对远离曲线的数值进行处理。
其中,δ为点到曲线的距离,ε为距离阈值。
当点到曲线距离小于等于一个阈值ε时,根据点的距离值来确定该点的权重,点到曲线的距离越远,权重越小。当点到曲线距离大于阈值时,阈值设为0,舍弃该点,处理后得到效果图如图9所示。
步骤六:裂缝信息反馈。
结果数据进行数据转换后通过显示设备向使用者进行数据显示,其中显示设备为CRT显示器、LCD显示器或LED显示器中的一种。
步骤七:更新云端数据库。
结果数据按照数据字典的定义转换成编码数据后发送至远端数据库,同时对数据库中老旧判断数据进行更新处理。
步骤八:数据存储。
结果数据通过数据转换生成存储数据发送至服务器进行存储。
本实施例通过基于F分布的变异爆炸烟花算法的区域生长算法首次分割,并与超像素分割二次分割后提取像素区域融合,使得识别的裂缝图像精度更高,不会有严重的遗漏和偏差。
通过改进的Sobel算子来进一步提取亚像素裂缝轮廓的完整信息。对比于经典区域生长算法的人工种子选取或提取骨架等较随机的方式,本实施例经过全局寻优能够得到优质的种子生长点,由此完成初次分割后,再局部寻优超像素二次分割,最终能够准确、完整的提取裂缝,并得到长宽等信息。
判断完成后的结果数据经过数据转换后上传云端数据库,并通过该结果数据对云端数据库进行数据更新,判断裂缝方法可以不断更新,减少判断遗漏与误差出现情况,提高裂缝识别速率,节省时间,方便查看裂缝基本数据以及分析处理方式,提高工作效率。
实施例二:
本实施例提供了一种的隧道裂缝提取系统,包括:
图像获取模块,其被配置为:获取隧道图像数据集,并进行预处理;
初次分割模块,其被配置为:基于变异烟花算法对预处理后的隧道图像数据集进行初次分割,得到分割结果;
二次分割模块,其被配置为:对分割结果进行超像素二次分割,得到细节裂缝图像;
数据分析模块,其被配置为:对细节裂缝图像进行数据分析,得到细节裂缝边缘亚像素轮廓。
此处需要说明的是,上述图像获取模块、初次分割模块、二次分割模块和数据分析模块对应于实施例一中的步骤S101至S104,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三:
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例一所述的一种隧道裂缝提取方法中的步骤。
实施例四:
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例一所述的一种隧道裂缝提取方法中的步骤。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (6)
1.一种隧道裂缝提取方法,其特征在于,包括:
获取隧道图像数据集,并进行预处理;
基于变异烟花算法对预处理后的隧道图像数据集进行初次分割,得到分割结果;
对区域生长算法引入F分布变异火花,通过改变自由度的值改变变异幅值,全局寻优;
所述初次分割过程包括:
在n维可行域初始化爆炸粒子;确定基于F分布模型的自由度参数,得到变异幅值;
计算每个烟花粒子爆炸所产生的爆炸火花位置、爆炸半径以及对p个烟花粒子进行变异所产生的变异火花位置;
将超出可行域空间的粒子映射到可行域空间内,适应度值最小的N个粒子作为下一次迭代的初始烟花;经多次迭代后,当适应度值小于设定阈值T时停止迭代;
将得到的最优粒子作为初次分割的生长种子点,得到阈值自适应的分割结果;
对分割结果进行超像素二次分割,得到细节裂缝图像;
对细节裂缝图像进行数据分析,得到细节裂缝边缘亚像素轮廓;
数据分析过程中,对图像文件中裂缝部分通过亚像素裂缝长度计算与显著性检测计算出裂缝的长度与宽度,并处理生成结果数据,提取细节裂缝边缘亚像素轮廓;
所述图像数据分析过程为:
基于最小二乘拟合方法拟合离散点,到拟合曲线的距离和取最小;
重新设置权重和阈值,判断远离曲线数值的取舍;
基于改进的Sobel算子提取像素轮廓,进行长度和宽度的分析计算。
2.根据权利要求1所述的一种隧道裂缝提取方法,其特征在于,所述预处理过程为:利用深度学习方法得到裂缝矩形框区域,对所述区域进行直方图均衡化、二值化处理;并进行去噪处理。
3.根据权利要求1所述的一种隧道裂缝提取方法,其特征在于,数据分析后进行裂缝信息反馈、更新云端数据库,并存储数据。
4.一种的隧道裂缝提取系统,其特征在于,包括:
图像获取模块,其被配置为:获取隧道图像数据集,并进行预处理;
初次分割模块,其被配置为:基于变异烟花算法对预处理后的隧道图像数据集进行初次分割,得到分割结果;
对区域生长算法引入F分布变异火花,通过改变自由度的值改变变异幅值,全局寻优;
所述初次分割过程包括:
在n维可行域初始化爆炸粒子;确定基于F分布模型的自由度参数,得到变异幅值;
计算每个烟花粒子爆炸所产生的爆炸火花位置、爆炸半径以及对p个烟花粒子进行变异所产生的变异火花位置;
将超出可行域空间的粒子映射到可行域空间内,适应度值最小的N个粒子作为下一次迭代的初始烟花;经多次迭代后,当适应度值小于设定阈值T时停止迭代;
将得到的最优粒子作为初次分割的生长种子点,得到阈值自适应的分割结果;
二次分割模块,其被配置为:对分割结果进行超像素二次分割,得到细节裂缝图像;
数据分析模块,其被配置为:对细节裂缝图像进行数据分析,得到细节裂缝边缘亚像素轮廓;
数据分析过程中,对图像文件中裂缝部分通过亚像素裂缝长度计算与显著性检测计算出裂缝的长度与宽度,并处理生成结果数据,提取细节裂缝边缘亚像素轮廓;
所述图像数据分析过程为:
基于最小二乘拟合方法拟合离散点,到拟合曲线的距离和取最小;
重新设置权重和阈值,判断远离曲线数值的取舍;
基于改进的Sobel算子提取像素轮廓,进行长度和宽度的分析计算。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3中任一项所述的一种隧道裂缝提取方法中的步骤。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-3中任一项所述的一种隧道裂缝提取方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601324.0A CN113362296B (zh) | 2021-05-31 | 2021-05-31 | 一种隧道裂缝提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601324.0A CN113362296B (zh) | 2021-05-31 | 2021-05-31 | 一种隧道裂缝提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113362296A CN113362296A (zh) | 2021-09-07 |
CN113362296B true CN113362296B (zh) | 2022-10-04 |
Family
ID=77530495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110601324.0A Active CN113362296B (zh) | 2021-05-31 | 2021-05-31 | 一种隧道裂缝提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362296B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452613B (zh) * | 2023-06-14 | 2023-08-29 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765386A (zh) * | 2018-05-16 | 2018-11-06 | 中铁科学技术开发公司 | 一种隧道裂缝检测方法、装置、电子设备及存储介质 |
CN110060243A (zh) * | 2019-04-11 | 2019-07-26 | 国家电网有限公司 | 一种大坝表面裂缝骨架提取方法 |
CN112257622A (zh) * | 2020-10-28 | 2021-01-22 | 汕头大学 | 基于遗传算法和u型神经网络的道路裂缝分割的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910201B (zh) * | 2017-02-28 | 2020-03-27 | 江南大学 | 一种基于改进的烟花算法进行图像处理的方法 |
CN107507199A (zh) * | 2017-08-23 | 2017-12-22 | 湖北工业大学 | 一种图像分割方法及系统 |
CN110097185B (zh) * | 2019-03-29 | 2021-03-23 | 北京大学 | 一种基于生成对抗网络的优化模型方法及应用 |
-
2021
- 2021-05-31 CN CN202110601324.0A patent/CN113362296B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765386A (zh) * | 2018-05-16 | 2018-11-06 | 中铁科学技术开发公司 | 一种隧道裂缝检测方法、装置、电子设备及存储介质 |
CN110060243A (zh) * | 2019-04-11 | 2019-07-26 | 国家电网有限公司 | 一种大坝表面裂缝骨架提取方法 |
CN112257622A (zh) * | 2020-10-28 | 2021-01-22 | 汕头大学 | 基于遗传算法和u型神经网络的道路裂缝分割的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113362296A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
CN109615653B (zh) | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 | |
CN109118500A (zh) | 一种基于图像的三维激光扫描点云数据的分割方法 | |
CN110853015A (zh) | 基于改进Faster-RCNN的铝型材缺陷检测方法 | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN112017164A (zh) | 基于深度阈值卷积模型的土石料级配检测方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN113344956B (zh) | 基于无人机航摄三维建模的地物轮廓提取分类方法 | |
CN117011477B (zh) | 一种基于bim的钢结构形变监测处理方法及系统 | |
CN109543753B (zh) | 基于自适应模糊修复机制的车牌识别方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN109859187B (zh) | 一种爆堆矿岩颗粒图像分割方法 | |
CN114596290A (zh) | 缺陷检测方法及其装置、存储介质、程序产品 | |
CN113362296B (zh) | 一种隧道裂缝提取方法及系统 | |
CN112818989A (zh) | 一种基于梯度幅值随机采样的图像匹配方法 | |
CN112364881A (zh) | 一种进阶采样一致性图像匹配算法 | |
CN116109633B (zh) | 一种轴承保持器的窗口检测方法及设备 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
CN116091706B (zh) | 多模态遥感影像深度学习匹配的三维重建方法 | |
CN116823748A (zh) | 一种基于深度学习和Halcon的螺栓拧紧工业检测方法和装置 | |
CN116739986A (zh) | Auv在输水隧洞内对典型缺陷检测的光学声学组合方法 | |
CN115953678A (zh) | 一种基于局部灰度极值点和特征融合的路面破损检测方法 | |
CN114821165A (zh) | 一种轨道检测图像采集分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |