CN113591737A - 基于人工智能的土木工程施工风险管理方法及系统 - Google Patents
基于人工智能的土木工程施工风险管理方法及系统 Download PDFInfo
- Publication number
- CN113591737A CN113591737A CN202110889092.3A CN202110889092A CN113591737A CN 113591737 A CN113591737 A CN 113591737A CN 202110889092 A CN202110889092 A CN 202110889092A CN 113591737 A CN113591737 A CN 113591737A
- Authority
- CN
- China
- Prior art keywords
- region
- well
- area
- edge
- actual
- 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- Withdrawn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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及基于人工智能的土木工程施工风险管理方法及系统。该方法包括:采集排污井区域的俯视图像;识别俯视图像中的排污井区域及井沿;获取排污井区域内径标准圆覆盖的理想感兴趣区域,选取实际边缘组成实际感兴趣区域,并与排污井的井沿区域相结合构成最终感兴趣区域;对最终感兴趣区域进行阈值分割,获取暗部区域和亮部区域;当实际感兴趣区域内的亮部区域的最大连通域与井沿区域相连通时,获取第一凸包区域进而得到排污井的缺口区域;反之获取第二凸包区域作为缺口区域;根据缺口区域的面积获取风险程度,当风险程度超过风险阈值时进行预警。本发明实施例能够根据图像纹理信息检测排污井缺口区域,提高检测效率。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及基于人工智能的土木工程施工风险管理方法及系统。
背景技术
凉水塔是用来凉水的构筑物,一般在电厂、化工厂、水泥厂等需要大量控制水温的工厂比较常见。由于其不需电力,节电节水的特点,在化工企业中较为常见。凉水塔需要定期排污来排除水中的淤泥、苔藓以及腐蚀产物,防止堵塞回水管道,降低循环水秽浊率,因此需要相应的排污井进行配套处理。
发明人在实践中,发现上述现有技术存在以下缺陷:
在现实的生产活动中,由于管理不到位以及相关工人的疏忽大意,常常会将凉水塔的排污井口直接裸露在外而不加盖板防护,容易造成人员的跌落、摔伤事故,增加企业施工的安全风险。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的土木工程施工风险管理方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于人工智能的土木工程施工风险管理方法,该方法包括以下步骤:
采集排污井区域的俯视图像,所述俯视图像包括所述排污井、井盖、井壁砖缝;识别出所述俯视图像中的排污井区域以及井沿;
获取所述排污井区域内径标准圆覆盖的理想感兴趣区域,选取所述理想感兴趣区域中的实际边缘组成实际感兴趣区域,将所述排污井的井沿区域与所述实际感兴趣区域相结合构成最终感兴趣区域;
对所述最终感兴趣区域进行阈值分割,获取暗部区域和亮部区域;
当所述实际感兴趣区域内的亮部区域的最大连通域与所述井沿区域相连通时,获取所述亮部区域的第一凸包区域,将所述实际感兴趣区域与所述第一凸包区域作差,获取所述排污井的缺口区域;反之,获取所述实际感兴趣区域内的暗部区域的最大连通域的第二凸包区域,作为所述缺口区域;
根据所述缺口区域的面积获取所述排污井的风险程度,当所述风险程度超过风险阈值时,进行预警。
优选的,所述识别出所述俯视图像中的排污井区域的步骤包括:
检测所述排污井的曲线边缘;
对所述曲线边缘进行遍历,筛选出属于同一圆心的圆弧对;
计算所述圆弧对的半径,当两个半径的差值与所述排污井的内外径差值相同时,当前圆弧对属于所述排污井;由属于所述排污井的圆弧对组成所述排污井区域。
优选的,所述检测所述排污井的曲线边缘时,还包括以下步骤:对所述俯视图像进行图像增强。
优选的,所述实际边缘的获取方法为:
在所述理想感兴趣区域中,选取各方向上距离圆心最远的边缘像素点组成所述实际边缘。
优选的,所述井沿区域的获取方法为:
计算所述排污井区域内外径圆弧边缘所形成的凸包区域,以所述凸包区域作为所述井沿区域。
第二方面,本发明另一个实施例提供了一种基于人工智能的土木工程施工风险管理系统,该系统包括以下模块:
图像采集模块,用于采集排污井区域的俯视图像,所述俯视图像包括所述排污井、井盖、井壁砖缝;识别出所述俯视图像中的排污井区域以及井沿;
最终感兴趣区域获取模块,用于获取所述排污井区域内径标准圆覆盖的理想感兴趣区域,选取所述理想感兴趣区域中的实际边缘组成实际感兴趣区域,将所述排污井的井沿区域与所述实际感兴趣区域相结合构成最终感兴趣区域;
阈值分割模块,用于对所述最终感兴趣区域进行阈值分割,获取暗部区域和亮部区域;
缺口区域获取模块,用于当所述实际感兴趣区域内的亮部区域的最大连通域与井沿区域相连通时,获取所述亮部区域的第一凸包区域,将所述实际感兴趣区域与所述第一凸包区域作差,获取所述排污井的缺口区域;反之,获取所述实际感兴趣区域内的暗部区域的最大连通域的第二凸包区域,作为所述缺口区域;
风险预警模块,用于根据所述缺口区域的面积获取所述排污井的风险程度,当所述风险程度超过风险阈值时,进行预警。
优选的,所述图像采集模块还包括:
边缘检测单元,用于检测所述排污井的曲线边缘;
边缘筛选单元,用于对所述曲线边缘进行遍历,筛选出属于同一圆心的圆弧对;
排污井区域识别模块,用于计算所述圆弧对的半径,当两个半径的差值与所述排污井的内外径差值相同时,当前圆弧对属于所述排污井;由属于所述排污井的圆弧对组成所述排污井区域。
优选的,所述边缘检测单元还包括图像增强模块,用于对所述俯视图像进行图像增强。
优选的,所述最终感兴趣区域获取模块还包括:
实际边缘获取单元,用于在所述理想感兴趣区域中,选取各方向上距离圆心最远的所述边缘像素点组成所述实际边缘。
优选的,所述最终感兴趣区域获取模块还包括:
井沿区域获取单元,用于计算所述排污井区域内外径圆弧边缘所形成的凸包区域,以所述凸包区域作为所述井沿区域。
本发明实施例至少具有如下有益效果:
本发明实施例能够通过对排污井俯视图像的处理,获取不同情况下缺口区域的面积,进而获取风险程度,无需采用神经网络和深度相机等耗时费力的方式,提高检测效率,降低检测成本,同时减少其他区域带来的误差,从而提高检测结果的可靠性。
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和优点,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的介绍,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获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的土木工程施工风险管理方法的步骤流程图;
图2为本发明一个实施例所提供的无井盖排污井示意图;
图3为本发明一个实施例所提供的有井盖排污井示意图;
图4为本发明一个实施例所提供的一种基于人工智能的土木工程施工风险管理系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的土木工程施工风险管理方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的土木工程施工风险管理方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的土木工程施工风险管理方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集排污井区域的俯视图像,俯视图像包括排污井、井盖、井壁砖缝;识别出俯视图像中的排污井区域以及井沿。
具体的步骤包括:
1)根据施工信息获取排污井在地图中的分布方位,使用无人机搭载工业RGB相机对各位置处的排污井进行俯视图像的拍摄。
2)对俯视图像进行图像增强。
由于排污井所处环境较为复杂散乱,俯视图像容易受噪声以及光照影响,因此本发明实施例中对采集到的俯视图像使用高斯滤波来去除图像中噪声的干扰,使图像更加平滑,然后使用图像增强技术来增强图像的内部属性信息,降低并消除图像噪声、光照等因素的影响。
作为一个示例,本发明实施例中采用Retinex算法进行图像增强。在众多的图像增强算法中,Retinex算法具有良好的图像增强效果,排污井在外界太阳光的长期照射下,其表面入射光的入射系数直接决定了图像的像素所能达到的动态范围,而Retinex算法采用降低入射光系数的方法,可以降低并消除入射光对图像的影响,从而实现图像内在属性的增强。
3)识别出俯视图像中的排污井区域以及井沿。
由于排污井处于复杂的外界环境中,其边缘容易产生各种磨损缺失,从而增加后续检测过程的难度。因此,本发明实施例中首先对处理后的图像进行形态学膨胀操作,消除排污井在成像中出现的边缘磨损缺失造成的边缘不平滑。
对膨胀后的图像进行Canny边缘检测从而获得整体图像的纹理边缘特征,并基于此对图像中排污井区域进行识别。
对排污井区域进行识别的具体过程为:
a.检测排污井的曲线边缘。
对得到的边缘检测结果进行霍夫曲线检测,即保留边缘检测结果中的曲线边缘,去除非曲线边缘。
需要说明的是,不直接使用霍夫圆检测算法是由于排污井口可能受环境影响而不呈圆形。
b.对曲线边缘进行遍历,筛选出属于同一圆心的圆弧对。
对得到的曲线进行同心圆初次遍历,即对任意一条曲线从任意端点开始进行单一方向的遍历,基于曲线上每一个像素点的切线获取该像素点对应的垂线。若当前曲线为圆弧,则所有像素点切线的垂线均交于同一圆心位置;反之,当第一次检测到像素点所对应切线不交于同一点时可判断当前曲线不符合圆弧特征,进而进行滤除。
对符合圆弧特征的曲线进行同心圆二次遍历,即基于上一步骤得到各圆弧所对应的圆心后,判断任意两条圆弧的圆心是否相同,将含有相同圆心的圆弧对进行保留,其余的舍弃。
c.计算圆弧对的半径,当两个半径的差值与排污井的内外径差值相同时,当前圆弧对属于排污井;由属于排污井的圆弧对组成排污井区域。
获取具有相同圆心的第i组圆弧对所对应的半径ri1,ri2,计算二者之间的差值Δri,Δri=max(ri1,ri2)-min(ri1,ri2)。
将差值Δri进行与膨胀操作同等尺寸的腐蚀获取实际差值Δri′。
判断实际差值Δri′是否与排污井内外半径的经验差值ΔR相等,若相等,当前圆弧对属于排污井,反之则进行滤除,由筛选出的属于排污井的圆弧对组成图像中的排污井区域。其中,属于排污井的圆弧对之间的部分为井沿。
步骤S002,获取排污井区域内径标准圆覆盖的理想感兴趣区域,选取理想感兴趣区域中的实际边缘组成实际感兴趣区域,将排污井的井沿区域与实际感兴趣区域相结合构成最终感兴趣区域。
请参阅图2和图3,具体的步骤包括:
1)获取理想感兴趣区域。
对得到的排污井区域进行形态学腐蚀操作以使其恢复到原始图像大小,由于排污井的实际可用直径尺寸由排污井内径决定,因此本发明中仅根据内径所在圆形范围内的区域进行后续的缺口大小评估。
在所有的排污井区域中选取圆弧对中长度较小的半径,并基于圆心获得该较小半径所对应的内径标准圆201,并以此圆所覆盖的范围作为理想感兴趣区域。
2)获取实际感兴趣区域。
在俯视图像的边缘检测结果中,由于排污井内壁中砖缝的边缘202同样可能被采集到,或者排污井口没有被井盖301覆盖完全而导致该区域的井盖的边缘信息同样被采集到,因此存在于理想感兴趣区域内的边缘可能有多条。
选取理想感兴趣区域范围内最靠近边缘处的各边缘上的像素点组成实际感兴趣区域。即在理想感兴趣区域中,选取各方向上距离圆心最远的边缘像素点组成实际边缘,由实际边缘构成的区域作为实际感兴趣区域。
3)获取最终感兴趣区域。
计算排污井区域内外径圆弧边缘所形成的凸包区域,以该凸包区域作为井沿区域203。将井沿区域与所获得的的实际感兴趣区域结合在一起构成最终感兴趣区域。
由于一些排污井的砖体结构已遭受破坏,即位于地表的排污井内壁与外壁之间所形成的区域只有残存的位置可以被检测到或者一些排污井的井口被盖板所遮挡也无法被完全拍摄到。相对于直接使用排污井外径所形成的区域,使用本发明实施例所获得的最终感兴趣区域更加真实且面积更小,能有效减少后续过程中的计算量以及噪声边缘纹理的干扰,提高结果的准确性。
步骤S003,对最终感兴趣区域进行阈值分割,获取暗部区域和亮部区域。
对最终感兴趣区域进行基于最大类间方差法(Otsu算法)的像素灰度阈值分割。
Ostu算法能够有效地自动获取灰度阈值,相较于人为基于先验数据的阈值设定更加准确,提高了分割结果的准确性。
由于缺少井盖的区域更深更黑,因此该区域所对应的灰度值较小,作为暗部区域;而排污井井沿区域则较亮,对应的灰度值较大,作为亮部区域。
需要说明的是,在实际的成像过程中,排污井内壁部分图像也容易被采集到,该区域的亮度与井沿区域亮度接近,因而该区域虽然实际上并不处于排污井的井沿区域,但是在进行基于Ostu算法的阈值分割时,易被归属于亮部区域。因此后续步骤中需要对亮部区域进行进一步的判断。
步骤S004,当实际感兴趣区域内的亮部区域的最大连通域与井沿区域相连通时,获取亮部区域的第一凸包区域,将实际感兴趣区域与第一凸包区域作差,获取排污井的缺口区域;反之,获取实际感兴趣区域内的暗部区域的最大连通域的第二凸包区域,作为缺口区域。
由于内壁各砖块之间仍存在灰度值很小的缝隙,因此本发明实施例中根据阈值分割后的结果获得未被井盖覆盖的区域所组成的面积Sj作为第j个排污井的没有被井盖覆盖的缺口区域。
具体的步骤包括:
1)判断实际感兴趣区域内的亮部区域是否属于井盖。
选取经阈值分割后实际感兴趣区域内暗部区域的最大连通域和亮度区域的最大连通域,并分别对其进行判别。
具体判断方法为:
根据实际经验可知,若排污井被井盖遮挡,则井盖必然会覆盖井沿区域或者井沿的部分区域。
判断实际感兴趣区域内的亮部区域中是否与外径范围内的亮部相连通,且该最大连通域所对应的边缘与井沿区域内的任意边缘处于同一边缘集合中,若符合上述要求,该连通域为排污井井盖覆盖范围,反之则不是。
2)当实际感兴趣区域内的亮部区域属于井盖时,获取排污井的缺口区域。
对确定为排污井井盖范围内的亮部区域进行凸包分析,得到第一凸包区域,并将实际感兴趣区域与其作差,获得的图形为排污井未被盖板所遮挡的区域Sj。
需要说明的是,当井盖上存在纹理特征导致检测到边缘时,第一凸包区域为实际感兴趣区域内属于井盖区域的亮部区域;当井盖光滑无边缘时,第一凸包区域为0。
此步骤能够排除因井盖自身存在缝隙而对缺口区域产生影响所造成的结果误差,提高评估结果的准确度。
3)当实际感兴趣区域内的亮部区域不属于井盖时,获取排污井的缺口区域。
若亮部区域与井沿区域内的亮部区域无连通部分,则在实际感兴趣区域内将获得的暗部区域的最大连通域进行凸包分析,并由此获得未被盖板所遮挡的区域Sj。
需要说明的是,请参阅图2,该暗部区域的最大连通域包括排污井内成块的第一暗部区域204以及井内壁中的砖缝区域形成的第二暗部区域。
步骤S005,根据缺口区域的面积获取排污井的风险程度,当风险程度超过风险阈值时,进行预警。
具体的步骤包括:
1)根据缺口区域的面积构建反映排污井因缺少井盖而产生的风险程度模型。
未被盖板所遮挡的区域Sj越大,则其与正常状态下排污井内径圆井口的实际面积的比值越大,排污井口的裸露程度越大,风险程度越大;当未被盖板所遮挡的区域Sj与正常状态下排污井内径圆井口的实际面积相等时,排污井口完全裸露,风险程度最大,为1。因此,根据缺口区域的面积构建反映排污井因缺少井盖而产生的风险程度模型I为:
其中,S0表示正常状态下排污井内径圆井口的实际面积大小。
2)预设排污井风险阈值∈=0.35,即当检测到风险程度I的值超过风险阈值时需立即进行预警,以及时通知工作人员进行后续处理,防止危害事故的发生。
综上所述,本发明实施例采集排污井区域的俯视图像,俯视图像包括排污井、井盖、井壁砖缝;识别出俯视图像中的排污井区域以及井沿;获取排污井区域内径标准圆覆盖的理想感兴趣区域,选取理想感兴趣区域中的实际边缘组成实际感兴趣区域,将排污井的井沿区域与实际感兴趣区域相结合构成最终感兴趣区域;对最终感兴趣区域进行阈值分割,获取暗部区域和亮部区域;当实际感兴趣区域内的亮部区域的最大连通域与井沿区域相连通时,获取亮部区域的第一凸包区域,将实际感兴趣区域与第一凸包区域作差,获取排污井的缺口区域;反之,获取实际感兴趣区域内的暗部区域的最大连通域的第二凸包区域,作为缺口区域;根据缺口区域的面积获取排污井的风险程度,当风险程度超过风险阈值时,进行预警。本发明实施例能够根据二维图像纹理信息实现排污井缺口区域的检测,无需采用神经网络和深度相机等耗时费力的方式,提高检测效率,降低检测成本,同时减少其他区域带来的误差,从而提高检测结果的可靠性。
基于与上述方法相同的发明构思,本发明另一个实施例提供了一种基于人工智能的土木工程施工风险管理系统。
请参阅图4,其示出了本发明实施例提供的一种基于人工智能的土木工程施工风险管理系统的系统框图。该系统包括以下模块:图像采集模块1001、最终感兴趣区域获取模块1002、阈值分割模块1003、缺口区域获取模块1004以及风险预警模块1005。
具体的,图像采集模块用于采集排污井区域的俯视图像,俯视图像包括排污井、井盖、井壁砖缝;识别出俯视图像中的排污井区域以及井沿;最终感兴趣区域获取模块用于获取排污井区域内径标准圆覆盖的理想感兴趣区域,对理想感兴趣区域进行边缘检测,选取理想感兴趣区域中的实际边缘组成实际感兴趣区域,将排污井的井沿区域与实际感兴趣区域相结合构成最终感兴趣区域;阈值分割模块用于对最终感兴趣区域进行阈值分割,获取暗部区域和亮部区域;缺口区域获取模块用于当实际感兴趣区域内的亮部区域的最大连通域与井沿区域相连通时,获取亮部区域的第一凸包区域,将实际感兴趣区域与第一凸包区域作差,获取排污井的缺口区域;反之,获取实际感兴趣区域内的暗部区域的最大连通域的第二凸包区域,作为缺口区域;风险预警模块用于根据缺口区域的面积获取排污井的风险程度,当风险程度超过风险阈值时,进行预警。
优选的,图像采集模块还包括:
边缘检测单元,用于检测排污井的曲线边缘;
边缘筛选单元,用于对曲线边缘进行遍历,筛选出属于同一圆心的圆弧对;
排污井区域识别模块,用于计算圆弧对的半径,当两个半径的差值与排污井的内外径差值相同时,当前圆弧对属于排污井;由属于排污井的圆弧对组成排污井区域。
优选的,边缘检测单元还包括图像增强模块,用于对俯视图像进行图像增强。
优选的,最终感兴趣区域获取模块还包括:
实际边缘获取单元,用于在理想感兴趣区域中,选取各方向上距离圆心最远的边缘像素点组成实际边缘。
优选的,最终感兴趣区域获取模块还包括:
井沿区域获取单元,用于计算排污井区域内外径圆弧边缘所形成的凸包区域,以凸包区域作为井沿区域。
综上所述,本发明实施例通过图像采集模块采集排污井区域的俯视图像,俯视图像包括排污井、井盖、井壁砖缝;识别出俯视图像中的排污井区域以及井沿;通过最终感兴趣区域获取模块获取排污井区域内径标准圆覆盖的理想感兴趣区域,选取理想感兴趣区域中的实际边缘组成实际感兴趣区域,将排污井的井沿区域与实际感兴趣区域相结合构成最终感兴趣区域;通过阈值分割模块对最终感兴趣区域进行阈值分割,获取暗部区域和亮部区域;通过缺口区域获取模块,当实际感兴趣区域内的亮部区域的最大连通域与井沿区域相连通时,获取亮部区域的第一凸包区域,将实际感兴趣区域与第一凸包区域作差,获取排污井的缺口区域;反之,获取实际感兴趣区域内的暗部区域的最大连通域的第二凸包区域,作为缺口区域;通过风险预警模块根据缺口区域的面积获取排污井的风险程度,当风险程度超过风险阈值时,进行预警。本发明实施例能够根据二维图像纹理信息实现排污井缺口区域的检测,无需采用神经网络和深度相机等耗时费力的方式,提高检测效率,降低检测成本,同时减少其他区域带来的误差,从而提高检测结果的可靠性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于人工智能的土木工程施工风险管理方法,其特征在于,该方法包括以下步骤:
采集排污井区域的俯视图像,所述俯视图像包括所述排污井、井盖、井壁砖缝;识别出所述俯视图像中的排污井区域以及所述井沿;
获取所述排污井区域内径标准圆覆盖的理想感兴趣区域,选取所述理想感兴趣区域中的实际边缘组成实际感兴趣区域,将所述排污井的井沿区域与所述实际感兴趣区域相结合构成最终感兴趣区域;
对所述最终感兴趣区域进行阈值分割,获取暗部区域和亮部区域;
当所述实际感兴趣区域内的亮部区域的最大连通域与所述井沿区域相连通时,获取所述亮部区域的第一凸包区域,将所述实际感兴趣区域与所述第一凸包区域作差,获取所述排污井的所述缺口区域;反之,获取所述实际感兴趣区域内的暗部区域的最大连通域的第二凸包区域,作为所述缺口区域;
根据所述缺口区域的面积获取所述排污井的风险程度,当所述风险程度超过风险阈值时,进行预警。
2.根据权利要求1所述的方法,其特征在于,所述识别出所述俯视图像中的排污井区域的步骤包括:
检测所述排污井的曲线边缘;
对所述曲线边缘进行遍历,筛选出属于同一圆心的圆弧对;
计算所述圆弧对的半径,当两个半径的差值与所述排污井的内外径差值相同时,当前圆弧对属于所述排污井;由属于所述排污井的圆弧对组成所述排污井区域。
3.根据权利要求2所述的方法,其特征在于,所述检测所述排污井的曲线边缘时,还包括以下步骤:对所述俯视图像进行图像增强。
4.根据权利要求1所述的方法,其特征在于,所述实际边缘的获取方法为:
在所述理想感兴趣区域中,选取各方向上距离圆心最远的边缘像素点组成所述实际边缘。
5.根据权利要求1所述的方法,其特征在于,所述井沿区域的获取方法为:
计算所述排污井区域内外径圆弧边缘所形成的凸包区域,以所述凸包区域作为所述井沿区域。
6.基于人工智能的土木工程施工风险管理系统,其特征在于,该系统包括以下模块:
图像采集模块,用于采集排污井区域的俯视图像,所述俯视图像包括所述排污井、井盖、井壁砖缝;识别出所述俯视图像中的排污井区域以及井沿;
最终感兴趣区域获取模块,用于获取所述排污井区域内径标准圆覆盖的理想感兴趣区域,选取所述理想感兴趣区域中的实际边缘组成实际感兴趣区域,将所述排污井的井沿区域与所述实际感兴趣区域相结合构成最终感兴趣区域;
阈值分割模块,用于对所述最终感兴趣区域进行阈值分割,获取暗部区域和亮部区域;
缺口区域获取模块,用于当所述实际感兴趣区域内的亮部区域的最大连通域与井沿区域相连通时,获取所述亮部区域的第一凸包区域,将所述实际感兴趣区域与所述第一凸包区域作差,获取所述排污井的缺口区域;反之,获取所述实际感兴趣区域内的暗部区域的最大连通域的第二凸包区域,作为所述缺口区域;
风险预警模块,用于根据所述缺口区域的面积获取所述排污井的风险程度,当所述风险程度超过风险阈值时,进行预警。
7.根据权利要求6所述的系统,其特征在于,所述图像采集模块还包括:
边缘检测单元,用于检测所述排污井的曲线边缘;
边缘筛选单元,用于对所述曲线边缘进行遍历,筛选出属于同一圆心的圆弧对;
排污井区域识别模块,用于计算所述圆弧对的半径,当两个半径的差值与所述排污井的内外径差值相同时,当前圆弧对属于所述排污井;由属于所述排污井的圆弧对组成所述排污井区域。
8.根据权利要求7所述的系统,其特征在于,所述边缘检测单元还包括图像增强模块,用于对所述俯视图像进行图像增强。
9.根据权利要求6所述的系统,其特征在于,所述最终感兴趣区域获取模块还包括:
实际边缘获取单元,用于在所述理想感兴趣区域中,选取各方向上距离圆心最远的所述边缘像素点组成所述实际边缘。
10.根据权利要求6所述的系统,其特征在于,所述最终感兴趣区域获取模块还包括:
井沿区域获取单元,用于计算所述排污井区域内外径圆弧边缘所形成的凸包区域,以所述凸包区域作为所述井沿区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110889092.3A CN113591737A (zh) | 2021-08-04 | 2021-08-04 | 基于人工智能的土木工程施工风险管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110889092.3A CN113591737A (zh) | 2021-08-04 | 2021-08-04 | 基于人工智能的土木工程施工风险管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591737A true CN113591737A (zh) | 2021-11-02 |
Family
ID=78254738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110889092.3A Withdrawn CN113591737A (zh) | 2021-08-04 | 2021-08-04 | 基于人工智能的土木工程施工风险管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591737A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012717A (zh) * | 2023-02-08 | 2023-04-25 | 广州新粤交通技术有限公司 | 一种道路施工管理方法、装置、设备及其存储介质 |
-
2021
- 2021-08-04 CN CN202110889092.3A patent/CN113591737A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012717A (zh) * | 2023-02-08 | 2023-04-25 | 广州新粤交通技术有限公司 | 一种道路施工管理方法、装置、设备及其存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179232A (zh) | 基于图像处理的钢筋尺寸检测系统及方法 | |
CN108764345A (zh) | 一种基于局部与全局聚类的水下大坝裂缝检测方法 | |
CN115880299B (zh) | 一种轻质混凝土复合自保温外墙板的质量检测系统 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN115115638B (zh) | 一种液压系统漏油检测及判定方法 | |
CN113420810B (zh) | 一种基于红外和可见光的电缆沟智能巡检系统及巡检方法 | |
CN112528868A (zh) | 一种基于改进Canny边缘检测算法的违章压线判别方法 | |
CN113298776B (zh) | 一种金属闭式水泵叶轮外观缺陷检测方法 | |
CN112435272B (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
CN113591737A (zh) | 基于人工智能的土木工程施工风险管理方法及系统 | |
CN116823834B (zh) | 基于机器视觉电泳线排放的废水处理等级检测方法 | |
CN116310845A (zh) | 一种用于污水处理的智能监测系统 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN115601379A (zh) | 一种基于数字图像处理的表面裂纹精确检测技术 | |
CN116051992A (zh) | 一种裂缝识别方法 | |
CN116484259A (zh) | 一种城市管网缺陷位置定位分析方法和系统 | |
CN117078680B (zh) | 一种巡检机器人用管廊支吊架异常检测方法 | |
CN116993745B (zh) | 基于图像处理给水管表面漏损检测方法 | |
CN111127450B (zh) | 一种基于图像的桥梁裂缝检测方法及系统 | |
CN108898080B (zh) | 一种基于山脊线邻域评价模型的裂缝连接方法 | |
CN116645628A (zh) | 一种恶劣天气下排污检测方法及系统 | |
CN116778323A (zh) | 一种基于激光扫描的河道垃圾监测方法及设备 | |
CN111307267A (zh) | 一种基于同心圆检测的导线舞动监测方法 | |
CN113160201B (zh) | 基于极坐标的环状边界框的目标检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211102 |
|
WW01 | Invention patent application withdrawn after publication |