CN113592861A - 一种基于动态阈值的桥梁裂缝检测方法 - Google Patents

一种基于动态阈值的桥梁裂缝检测方法 Download PDF

Info

Publication number
CN113592861A
CN113592861A CN202111133741.3A CN202111133741A CN113592861A CN 113592861 A CN113592861 A CN 113592861A CN 202111133741 A CN202111133741 A CN 202111133741A CN 113592861 A CN113592861 A CN 113592861A
Authority
CN
China
Prior art keywords
crack
image
pixel
area
bridge
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.)
Granted
Application number
CN202111133741.3A
Other languages
English (en)
Other versions
CN113592861B (zh
Inventor
杨国玉
李帅
王博昆
杨景
杨才千
张�浩
张益伟
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.)
Nanjing Fuyang Information Technology Co ltd
Jiangsu Zhongyunzhu Intelligent Operation And Maintenance Research Institute Co ltd
Original Assignee
Nanjing Fuyang Information Technology Co ltd
Jiangsu Zhongyunzhu Intelligent Operation And Maintenance Research Institute 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 Nanjing Fuyang Information Technology Co ltd, Jiangsu Zhongyunzhu Intelligent Operation And Maintenance Research Institute Co ltd filed Critical Nanjing Fuyang Information Technology Co ltd
Priority to CN202111133741.3A priority Critical patent/CN113592861B/zh
Publication of CN113592861A publication Critical patent/CN113592861A/zh
Application granted granted Critical
Publication of CN113592861B publication Critical patent/CN113592861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于动态阈值的桥梁裂缝检测方法，该方法主要包括：首先，对原始数据进行灰度变换、图像增强和滤波等方面的预处理；其次，对预处理后的图像进行二值化和图像分割，得到只含有裂缝区域和大块面积的连通域，并将符合阈值的连通域视为裂缝区域；然后，对裂缝区域进行骨架细化处理，通过像素点的数量计算裂缝的长度、面积信息；最后，对裂缝区域进行矩形有限元分割，计算裂缝的平均宽度。该方法识别精度高，具有良好的工程应用前景。

Description

一种基于动态阈值的桥梁裂缝检测方法
技术领域
本发明涉及的桥梁监测技术领域，特别是涉及一种基于动态阈值的桥梁裂缝检测方法。
背景技术
裂缝特征图像识别是指直接通过图像采集设备得到的裂缝图像，图像中包含许多干扰裂缝识别的其他无关噪声，为了保证桥梁裂缝信息提取的可靠性与精确性，因此需要将裂缝从复杂的背景中抽取出来。
目前，常见的裂缝图像抽取的方法，主要是先将裂缝的原始图像经过滤波去噪等一系列的预处理去除部分噪声，再进行图像分割使之变成二值图，通过设置固定阈值，将面积小于裂缝的连通域去除，从而抽取裂缝区域。但是，设置的固定阈值只针对特定的裂缝图像，由于桥梁裂缝的差异性，固定阈值并不能适应所有的裂缝图像，其泛化能力较差。
目前，常见的裂缝长度识别方法，主要是先将裂缝区域提取出来，再获取裂缝区域的最小外接矩形，用矩形的对角线长度近似为裂缝的长度。但是，当裂缝曲率较大的时候，裂缝在最小外接矩形中所占比例较小，矩形对角线的长度与裂缝的实际长度相差较大，降低了识别的精确度。
发明内容
本发明所提供一种基于动态阈值的桥梁裂缝检测方法，以实现获取桥梁监测所需要的裂缝面积、裂缝长度以及裂缝宽度的关键信息为目的，识别精度高，适应性好。
为解决上述技术问题，本发明提供一种基于动态阈值的桥梁裂缝检测方法，该方法包括：
步骤1、数据采集，通过图像采集系统获取原始桥梁裂缝图像；
步骤2、图像预处理，对原始桥梁裂缝图像进行灰度变换，得到裂缝灰度图像，对得到的裂缝灰度图像进行高斯滤波去除噪声，再对去噪后的裂缝图像采用线性变换、直方图均衡化和Gamma变换三种方法进行图像增强处理；
步骤3、桥梁裂缝检测，对步骤二得到的结果进行图像分割和二值化处理，获取裂缝二值图像所有连通域面积信息，设置动态阈值，将符合长宽比和面积阈值的连通域视为裂缝区域，并对该区域进行提取；
步骤4、桥梁裂缝信息计算，通过统计裂缝区域的像素点的数量以及标定系数计算裂缝的实际面积和裂缝率，对裂缝进行骨架化，得到处理后的裂缝骨架，获取裂缝的长度信息，再将裂缝区域用矩形作有限元分割，得到裂缝实际平均宽度。
进一步地，所述的图像采集系统包括桥梁检测车车体、工作桁架、图像采集设备活动导轨、图像采集设备支架以及图像采集设备。
作为本发明所述的一种基于动态阈值的桥梁裂缝检测方法进一步优化方案，步骤2具体如下：
步骤2.1，首先，根据公式（1）将具有RGB三个通道的原始桥梁裂缝图像转换成只具有单通道的裂缝灰度图像；其次，将裂缝灰度图像的灰度值限制在[0-255]范围内，
Figure 35168DEST_PATH_IMAGE001
（1）
其中，
Figure 873680DEST_PATH_IMAGE002
为每个像素点的灰度值；
Figure 387838DEST_PATH_IMAGE003
为该像素在蓝色通道的像素值；
Figure 579785DEST_PATH_IMAGE004
为 该像素在绿色通道的像素值；
Figure 128578DEST_PATH_IMAGE005
为该像素在红色通道的像素值；
Figure 951040DEST_PATH_IMAGE006
，
Figure 890177DEST_PATH_IMAGE007
，
Figure 823498DEST_PATH_IMAGE008
分别为蓝，绿，红 三原色的变换系数；
步骤2.2、选取3×3的高斯卷积核，使之与裂缝灰度图像矩阵作卷积运算以达到滤波去噪的作用，得到去噪后的裂缝图像；
步骤2.3、通过线性变换、直方图均衡化和Gamma变换，增强裂缝图像的亮度与灰度的对比度，使暗像素区域更暗、亮像素区域更亮，从而获得预处理后的裂缝图像。
作为本发明所述的一种基于动态阈值的桥梁裂缝检测方法进一步优化方案，步骤3具体如下：
步骤3.1、首先，对步骤2.3得到的预处理后的裂缝图像利用OTSU法进行图像分割；然后，将分割后的图像中所有像素点的灰度值聚类到0与255这两个灰度值中，即得到分割后的裂缝二值图，其中在分割过程中的最佳分割阈值Q是由最大类间方差值所对应的像素点的灰度值来决定的，其计算思想如下：
设裂缝图像中有
Figure 289115DEST_PATH_IMAGE009
个像素点，每个像素点的灰度值为
Figure 16899DEST_PATH_IMAGE010
，
Figure 692600DEST_PATH_IMAGE011
，其中，区间
Figure 164033DEST_PATH_IMAGE012
由所有小于最佳分割阈值
Figure 484156DEST_PATH_IMAGE013
的像素点的灰度 值构成；区间
Figure 648421DEST_PATH_IMAGE014
由所有大于最佳分割阈值
Figure 562150DEST_PATH_IMAGE015
的像素点的灰度值构成，则裂缝图像中所有的像素点的灰度值出现在
Figure 837274DEST_PATH_IMAGE016
与
Figure 215165DEST_PATH_IMAGE017
中的概率 为：
Figure 347069DEST_PATH_IMAGE018
　　　　　　　　　　　　　 （2）
Figure 810412DEST_PATH_IMAGE019
　　　　　　　　　　 （3）
Figure 810598DEST_PATH_IMAGE020
与
Figure 42996DEST_PATH_IMAGE021
的均值为：
Figure 611380DEST_PATH_IMAGE022
　　　　　　　 （4）
Figure 296440DEST_PATH_IMAGE023
　　　　　 （5）
Figure 851049DEST_PATH_IMAGE024
表示裂缝图像灰度直方图中阈值为
Figure 937954DEST_PATH_IMAGE025
的类间方差：
Figure 880502DEST_PATH_IMAGE026
（6）
当类间方差的值达到最高点，此时的
Figure 115174DEST_PATH_IMAGE027
即为最佳分割阈值：
Figure 270212DEST_PATH_IMAGE028
（7）
步骤3.2、首先，统计步骤3.1得到的裂缝二值图中所有连通域面积信息，并将所有的连通域按照降序排列；其次，根据面积阈值的限定，去除小于面积阈值的区域；最后，将第二大的面积设为阈值变量，通过设置弹性阈值条件保留裂缝连通域。
作为本发明所述的一种基于动态阈值的桥梁裂缝检测方法进一步优化方案，步骤4具体如下：
步骤4.1、桥梁的裂缝面积和裂缝率的计算，统计步骤3.2得到的裂缝连通域内像素点的数量信息，计算裂缝的实际面积，计算方法如下：
Figure 664153DEST_PATH_IMAGE029
　　（8）
Figure 512023DEST_PATH_IMAGE030
　　（9）
其中，
Figure 233992DEST_PATH_IMAGE031
为裂缝面积；
Figure 192720DEST_PATH_IMAGE032
为裂缝区域像素点个数；
Figure 926321DEST_PATH_IMAGE033
为图像分辨率，单位为
Figure 210672DEST_PATH_IMAGE034
；
Figure 357620DEST_PATH_IMAGE035
为图像的像素高度；
Figure 182356DEST_PATH_IMAGE036
为图像的像素宽度；
Figure 98360DEST_PATH_IMAGE037
为裂缝率；
步骤4.2、裂缝的长度信息获取，具体步骤如下：
步骤4.2.1、对步骤3.2得到的结果进行形态学腐蚀运算，按照“4 邻域”腐蚀目标区，设灰度值为255；其次，判断目标像素点左右相邻域像素点的像素值是否都为0，如果左右相邻域像素点的像素值全为0，则认为该像素点为内部点，如果左右像素点不全为0，则该像素点可删除，跳过路径方向邻域内像素点开始判断，直到只留下单像素点，剩下的目标区域就是原裂缝图像的拓扑形式，即细化后的裂缝骨架图；
步骤4.2.2、将细化后的裂缝骨架图进行形态学膨胀处理，通过膨胀算法将裂缝骨架按照双像素排列，并取膨胀闭环骨架周长的一半作为裂缝的像素长度，按照标定系数计算裂缝实际长度，计算方法如下：
Figure 209404DEST_PATH_IMAGE038
　　　(10)
其中，
Figure 843648DEST_PATH_IMAGE039
为裂缝骨架的像素周长；
Figure 206496DEST_PATH_IMAGE040
为裂缝的实际长度；
步骤4.3、裂缝平均宽度的计算，首先，在裂缝区域内用矩形作有限元分割，并使矩 形的数量趋向于无穷大，用这无数个矩形来拟合、代替裂缝区域；其次，通过求极限的方法 计算裂缝的平均宽度，记
Figure 242585DEST_PATH_IMAGE041
，则裂缝面积 计算方法如下：
Figure 603159DEST_PATH_IMAGE042
（11）
由以上公式可知，裂缝实际平均宽度的计算方法如下：
Figure 662382DEST_PATH_IMAGE043
　　　　　　　　　　　　　　　　　　　　　　 （12）
作为本发明所述的一种基于动态阈值的桥梁裂缝检测方法进一步优化方案，步骤 4中，对所述的蓝，绿，红三原色的变换系数
Figure 766604DEST_PATH_IMAGE044
，并参考人类眼部收集颜色信息的 比重为红∶绿∶蓝=3:6:1的模型，取
Figure 453937DEST_PATH_IMAGE045
，
Figure 985413DEST_PATH_IMAGE046
，
Figure 515620DEST_PATH_IMAGE047
。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
（1）该方法不限定应用场景，具有较强的实用性；
（2）该方法对裂缝边界有较好的拟合效果，拟合精度高，抗噪性能强，特别是对于一些具有蜂窝麻面、水斑以及光影不均匀等复杂噪声的混凝土裂缝具有较精确的识别效果，具有较强的工程意义；
（3）该方法弥补了传统算法需固定阈值提取裂缝所带来的泛化能力差的不足，能针对不同的复杂背景做出判断，自适应的产生最佳阈值，自动化程度较高，识别效果好，可为裂缝检测工作提供更多的数据支持。
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介绍。
图1为本发明所提供的一种基于动态阈值的桥梁裂缝检测方法的流程图；
图2为本发明实验案例所使用的图像采集系统示意图；
图3为本发明的桥梁裂缝图像灰度变换示意图；
图4为本发明的桥梁裂缝图像的滤波去噪示意图；
图5为本发明的桥梁裂缝图像的图像增强示意图；
图6为本发明的桥梁裂缝图像的图像分割示意图；
图7为本发明的桥梁裂缝图像的连通域分析示意图；
图8为本发明的桥梁裂缝图像的长度识别示意图；
图9为本发明的桥梁裂缝图像的宽度识别原理图；
图10为本发明的桥梁裂缝图像的检测结果示意图。
附图标记
1、桥梁检测车车体；2、图像采集设备活动导轨；3、图像采集设备；4、图像采集设备支架；5、工作桁架；6、待测桥梁；7、待测桥面。
具体实施方式
本发明的核心是提供一种基于动态阈值的桥梁裂缝检测方法，以实现获取桥梁监测所需要的裂缝面积、裂缝长度以及裂缝宽度的关键信息为目的，提高了现有算法的识别精度和抗噪能力，并且具有较强的鲁棒性，适应于大多桥梁裂缝的实时监测。
参考图1-2，本发明公开了一种基于动态阈值的桥梁裂缝检测方法，其特征在于，包括：
步骤1，从图像采集系统中获取原始的桥梁裂缝图像，其中，图像采集系统包括桥梁检测车车体1、图像采集设备活动导轨2、图像采集设备3、图像采集设备支架4以及桥梁检测车工作桁架5，桥梁检测车工作桁架5与桥梁检测车车体1相连接，工作时，可伸至待测桥梁6底部，并随着桥梁检测车车体1移动而移动；图像采集设备3置于图像采集设备支架4之上，并与图像采集设备活动导轨2连接，可延图像采集设备活动导轨2横向移动；原始的桥梁裂缝图像由图像采集设备3对待测桥面7拍摄获得。
步骤2，图像预处理，对原始桥梁裂缝图像进行灰度变换，得到裂缝灰度图像，对得到的裂缝灰度图像进行高斯滤波去除噪声，再对去噪后的裂缝图像采用线性变换、直方图均衡化和Gamma变换三种方法进行图像增强处理，步骤如下：
步骤2.1、首先，将具有RGB三个通道的原始桥梁裂缝图像转换成只具有单通道的裂缝灰度图像，转换公式如下；其次，将裂缝灰度图像的灰度值限制在[0-255]范围内；
Figure 423533DEST_PATH_IMAGE048
（1）
其中，
Figure 230952DEST_PATH_IMAGE049
为每个像素点的灰度值；
Figure 933329DEST_PATH_IMAGE050
为该像素在蓝色通道的像素值；
Figure 701565DEST_PATH_IMAGE051
为该 像素在绿色通道的像素值；
Figure 413169DEST_PATH_IMAGE052
为该像素在红色通道的像素值；
Figure 12778DEST_PATH_IMAGE053
，
Figure 948373DEST_PATH_IMAGE054
，
Figure 266222DEST_PATH_IMAGE055
分别为蓝，绿，红 三原色的变换系数；
将原始桥梁裂缝图像根据公式（1）计算得到裂缝灰度图像，其中，对所述的蓝，绿， 红三原色的变换系数
Figure 454887DEST_PATH_IMAGE056
，并参考人类眼部收集颜色信息的比重为红∶绿∶蓝= 3:6:1的模型，取
Figure 174581DEST_PATH_IMAGE057
，
Figure 281078DEST_PATH_IMAGE058
，
Figure 86222DEST_PATH_IMAGE059
；其次，将裂缝灰度图像的灰度值 限制在[0-255]范围内，以去除图像的大量干扰信息；
步骤2.2，选取模板为3×3的高斯卷积核，使之与原图像矩阵作卷积运算，从而去除大部分轻噪声，提高裂缝图像的信噪比；
其中，图4为裂缝灰度图像的滤波去噪结果示意图，在该步骤中，由于卷积核与图像矩阵的卷积运算，可以弱化图像的边缘，所以卷积运算可以最大程度的消除轻噪声而保留裂缝区域；
步骤2.3，通过线性变换、直方图均衡化和Gamma变换，对去噪后的裂缝图像进行图像增强处理，通过调节裂缝图像的对比度与明暗程度，使得较亮的区域更亮，较暗的区域可以进一步地突细节，从而可以很好的保留裂缝区域的同时去除了大部分噪声。其中，图5为裂缝图像经过图像增强处理后的示意图。
步骤3，桥梁裂缝检测，对步骤2得到的结果进行图像分割和二值化处理，获取裂缝二值图像所有连通域面积信息，设置动态阈值，将符合长宽比和面积阈值的连通域视为裂缝区域，并对该区域进行提取，具体步骤如下；
步骤3.1，对增强处理过的裂缝图像利用OTSU法进行图像分割，针对上述的灰度值，采用聚类分析的方法，将所有除了0与255像素点的灰度值聚类到0与255这两个灰度值中，即裂缝区域和非裂缝区域，其中，裂缝区域的灰度值为255，非裂缝区域的灰度值为0，即实现裂缝图像的二值化，其中，图6为裂缝的图像分割处理示意图。
在分割过程中的最佳分割阈值Q是由最大类间方差值所对应的像素点的灰度值来决定的，其计算思想如下：
设裂缝图像中有
Figure 811733DEST_PATH_IMAGE060
个像素点，每个像素点的灰度值为
Figure 651513DEST_PATH_IMAGE061
，
Figure 866594DEST_PATH_IMAGE062
， 其中，区间
Figure 955772DEST_PATH_IMAGE063
由所有小于最佳分割阈值
Figure 547291DEST_PATH_IMAGE064
的像素点的灰度值构 成；区间
Figure 162949DEST_PATH_IMAGE065
由所有大于最佳分割阈值
Figure 548931DEST_PATH_IMAGE066
的像素 点的灰度值构成，则裂缝图像中所有的像素点的灰度值出现在
Figure 390985DEST_PATH_IMAGE067
与
Figure 520615DEST_PATH_IMAGE068
中的概率为：
Figure 741512DEST_PATH_IMAGE069
　　（2）
Figure 563974DEST_PATH_IMAGE070
　　　（3）
Figure 627745DEST_PATH_IMAGE071
与
Figure 826645DEST_PATH_IMAGE072
的均值为：
Figure 964366DEST_PATH_IMAGE073
　　　（4）
Figure 144680DEST_PATH_IMAGE074
　　　（5）
Figure 633430DEST_PATH_IMAGE075
表示裂缝图像灰度直方图中阈值为
Figure 167180DEST_PATH_IMAGE076
的类间方差：
Figure 424986DEST_PATH_IMAGE077
（6）
当类间方差的值达到最高点，此时的
Figure 854830DEST_PATH_IMAGE078
即为最佳分割阈值：
Figure 502980DEST_PATH_IMAGE079
　 （7）
步骤3.2，获取裂缝二值图像所有连通域面积信息，首先，统计步骤3.1得到的裂缝二值图中所有连通域面积信息，并将所有的连通域按照降序排列；其次，根据面积阈值的限定，去除小于面积阈值的区域；最后，将第二大的面积设为阈值变量，通过设置弹性阈值条件保留裂缝连通域。
由于裂缝区域的面积通常是图像中连通域面积最大的，则将图像上所有的面积中 第二大面积设置为阈值变量（第一大面积是背景），不同的裂缝图像裂缝的连通域面积不 同，所以这个阈值不是一个固定值，它是一个可以变化的弹性值。遍历图像中所有的连通 域，通过设置弹性阈值过滤掉小于这一面积的非裂缝区域，就可以完成对裂缝的提取。其 中，图7为裂缝的连通域分析示意图，图7所示裂缝区域像素点个数
Figure 574841DEST_PATH_IMAGE080
。
步骤4，桥梁裂缝信息计算，通过统计裂缝区域的像素点的数量以及标定系数计算裂缝的实际面积和裂缝率，对裂缝进行骨架化，得到处理后的裂缝骨架，获取裂缝的长度信息，再将裂缝区域用矩形作有限元分割，得到裂缝实际平均宽度。
步骤4.1，基于上述步骤3.2中保留下来的连通域的像素点的数量，根据公式（8）和 （9）计算裂缝的实际面积和裂缝率，在本实施例中
Figure 218312DEST_PATH_IMAGE081
，
Figure 287900DEST_PATH_IMAGE082
，
Figure 938193DEST_PATH_IMAGE083
，则本实施例中裂缝的实际面积
Figure 751428DEST_PATH_IMAGE084
，裂缝率
Figure 46143DEST_PATH_IMAGE085
，计算裂缝的实际面积和裂缝率的公式如下：
Figure 286631DEST_PATH_IMAGE086
　　　　　　　　　　　　　　　　　　　　　　 （8）
Figure 502849DEST_PATH_IMAGE087
　　　　　　　　　　　　　　　　　 （9）
其中，
Figure 791879DEST_PATH_IMAGE088
为裂缝面积；
Figure 941101DEST_PATH_IMAGE089
为裂缝区域像素点个数；
Figure 883649DEST_PATH_IMAGE090
为图像分辨率，单位为
Figure 56004DEST_PATH_IMAGE091
；
Figure 132414DEST_PATH_IMAGE092
为图像的像素高度；
Figure 401721DEST_PATH_IMAGE093
为图像的像素宽度；
Figure 249591DEST_PATH_IMAGE094
为裂缝率；
步骤4.2，裂缝的骨架化，首先，使灰度值从裂缝法向由边界向中心线方向由255 （裂缝区域）突变成0（背景区域），处理后的裂缝骨架是一条沿着裂缝轴向的像素阵列；然 后，通过膨胀算法使得裂缝骨架按照双像素排列，并取膨胀闭环骨架周长的一半作为裂缝 的像素长度；最后根据公式（10）可计算出裂缝实际长度，本实施例中
Figure 909243DEST_PATH_IMAGE095
，裂缝的实际长度
Figure 805655DEST_PATH_IMAGE096
。其中，图8是裂缝图像的长度识别示意图。具体步骤如 下：
步骤4.2.1，对步骤3.2得到的结果进行形态学腐蚀运算，按照“4 邻域”腐蚀目标区，设灰度值为255；其次，判断目标像素点左右相邻域像素点的像素值是否都为0背景像素，如果左右相邻域像素点的像素值全为0，则认为该像素点为内部点，如果左右像素点不全为0，则该像素点可删除，跳过路径方向邻域内像素点开始判断，直到只留下单像素点，剩下的目标区域就是原裂缝图像的拓扑形式，即细化后的裂缝骨架图；
步骤4.2.2，将细化后的裂缝骨架图进行形态学膨胀处理，通过膨胀算法将裂缝骨架按照双像素排列，并取膨胀闭环骨架周长的一半作为裂缝的像素长度，按照标定系数计算裂缝实际长度，计算方法如下：
Figure 867151DEST_PATH_IMAGE097
　　　　　　　　　　　　　　　　　　　　　　 (10)
其中，
Figure 948240DEST_PATH_IMAGE098
为裂缝骨架的像素周长；
Figure 95187DEST_PATH_IMAGE099
为裂缝的实际长度。
步骤4.3，裂缝平均宽度的计算，首先，在裂缝区域内用矩形作有限元分割，并使矩 形的数量趋向于无穷大，用这无数个矩形来拟合、代替裂缝区域；其次，通过求极限的方法 计算裂缝的平均宽度，记
Figure 778979DEST_PATH_IMAGE100
，则裂缝面积计算方 法如下：
Figure 694982DEST_PATH_IMAGE101
（11）
由以上公式可知，裂缝实际平均宽度的计算方法如下：
Figure 150234DEST_PATH_IMAGE102
　　　　　　　　　　　　　　　　　　　　　　 （12）
如图9为本发明公开的裂缝图像的宽度识别原理图，将裂缝区域用矩形作有限元 分割，用矩形去拟合裂缝区域，使得拟合矩形数量趋向于无穷大，采用极限的原理求得裂缝 实际平均宽度，根据公式（12）可计算裂缝实际平均宽度，本实施例中裂缝实际平均宽度
Figure 846795DEST_PATH_IMAGE103
。
通过以上步骤和方法可在图像中检测出桥梁裂缝，并通过计算获取裂缝信息。图10为本发明使用一种基于动态阈值的桥梁裂缝检测方法所得到的桥梁裂缝图像的检测结果示意图。
优选地，本发明是在Windows10操作系统上基于Python 3.7平台开发，通过调用Open CV视觉库来完成相应的视觉处理。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (6)

1.一种基于动态阈值的桥梁裂缝检测方法，其特征在于，包括以下步骤：
步骤1、数据采集，通过图像采集系统获取原始桥梁裂缝图像；
步骤2、图像预处理，对原始桥梁裂缝图像进行灰度变换，得到裂缝灰度图像，对得到的裂缝灰度图像进行高斯滤波去除噪声，再对去噪后的裂缝图像采用线性变换、直方图均衡化和Gamma变换三种方法进行图像增强处理；
步骤3、桥梁裂缝检测，对步骤二得到的结果进行图像分割和二值化处理，获取裂缝二值图像所有连通域面积信息，设置动态阈值，将符合长宽比和面积阈值的连通域视为裂缝区域，并对该区域进行提取；
步骤4、桥梁裂缝信息计算，通过统计裂缝区域的像素点的数量以及标定系数计算裂缝的实际面积和裂缝率，对裂缝进行骨架化，得到处理后的裂缝骨架，获取裂缝的长度信息，再将裂缝区域用矩形作有限元分割，得到裂缝实际平均宽度。
2.根据权利要求1所述的一种基于动态阈值的桥梁裂缝检测方法，其特征在于，所述的图像采集系统包括桥梁检测车车体、工作桁架、图像采集设备活动导轨、图像采集设备支架以及图像采集设备。
3.根据权利要求1所述的一种基于动态阈值的桥梁裂缝检测方法，其特征在于，在步骤2中，具体实施步骤包括：
步骤2.1、首先，将具有RGB三个通道的原始桥梁裂缝图像转换成只具有单通道的裂缝灰度图像，转换公式如下；其次，将裂缝灰度图像的灰度值限制在[0-255]范围内；
Figure 897830DEST_PATH_IMAGE001
　 （1）
其中，
Figure 668339DEST_PATH_IMAGE002
为每个像素点的灰度值；
Figure 215864DEST_PATH_IMAGE003
为该像素在蓝色通道的像素值；
Figure 337404DEST_PATH_IMAGE004
为该像素 在绿色通道的像素值；
Figure 238364DEST_PATH_IMAGE005
为该像素在红色通道的像素值；
Figure 128960DEST_PATH_IMAGE006
，
Figure 598118DEST_PATH_IMAGE007
，
Figure 941375DEST_PATH_IMAGE008
分别为蓝，绿，红三原色 的变换系数；
步骤2.2、选取3×3的高斯卷积核，使之与原图像矩阵作卷积运算以达到滤波去噪的作用；
步骤2.3、通过线性变换、直方图均衡化和Gamma变换，增强裂缝图像的亮度与灰度的对比度，使暗像素区域更暗、亮像素区域更亮，从而获得预处理后的裂缝图像。
4.根据权利要求1所述的一种基于动态阈值的桥梁裂缝检测方法，其特征在于，在步骤3中，具体实施步骤包括：
步骤3.1、对步骤2.3得到的预处理后的裂缝图像利用OTSU法进行图像分割，将分割后 的图像中所有像素点的灰度值聚类到0与255这两个灰度值上，即得到分割后的裂缝二值 图，其中，在分割过程中的最佳分割阈值
Figure 911605DEST_PATH_IMAGE009
是由最大类间方差值所对应的像素点的灰度值 来决定的，其计算方式如下：
设裂缝图像中有
Figure 656707DEST_PATH_IMAGE010
个像素点，每个像素点的灰度值为
Figure 546034DEST_PATH_IMAGE011
，
Figure 642166DEST_PATH_IMAGE012
，其 中，区间
Figure 822612DEST_PATH_IMAGE013
由所有小于最佳分割阈值
Figure 750117DEST_PATH_IMAGE014
的像素点的灰度值构 成，区间
Figure 623395DEST_PATH_IMAGE015
由所有大于最佳分割阈值
Figure 878927DEST_PATH_IMAGE016
的像素点的 灰度值构成，则裂缝图像中所有的像素点的灰度值出现在
Figure 863063DEST_PATH_IMAGE017
与
Figure 645075DEST_PATH_IMAGE018
中的概率为：
Figure 689254DEST_PATH_IMAGE019
　　　　　　　　　 （2）
Figure 681350DEST_PATH_IMAGE020
　　　　　　　（3）
Figure 469177DEST_PATH_IMAGE021
与
Figure 105695DEST_PATH_IMAGE018
的均值为：
Figure 320775DEST_PATH_IMAGE022
　　 　 （4）
Figure 285320DEST_PATH_IMAGE023
　　 （5）
Figure 142418DEST_PATH_IMAGE024
表示裂缝图像灰度直方图中阈值为
Figure 571125DEST_PATH_IMAGE025
的类间方差：
Figure 19424DEST_PATH_IMAGE026
（6）
当类间方差的值达到最高点，此时的Q即为最佳分割阈值：
Figure 799161DEST_PATH_IMAGE027
（7）
步骤3.2、统计步骤3.1得到的裂缝二值图中所有连通域面积信息，并将所有的连通域面积按照降序排列；再根据面积阈值的限定，去除小于面积阈值的区域；最后，将第二大的面积设为阈值变量，通过设置弹性阈值条件保留裂缝连通域步。
5.根据权利要求1所述的一种基于动态阈值的桥梁裂缝检测方法，其特征在于，在步骤4中，具体实施步骤包括：
步骤4.1、对桥梁的裂缝面积和裂缝率的计算，统计步骤3.2得到的裂缝连通域内像素点的数量信息，计算裂缝的实际面积，计算方法如下：
Figure 121601DEST_PATH_IMAGE028
　　　　　　　　　　　　　　　　　　　　　　　　（8）
Figure 404815DEST_PATH_IMAGE029
　　　　　　　　　　　　　　　 （9）
其中，
Figure 289595DEST_PATH_IMAGE030
为裂缝面积；
Figure 291049DEST_PATH_IMAGE031
为裂缝区域像素点个数；
Figure 896473DEST_PATH_IMAGE032
为图像分辨率，单位为
Figure 299773DEST_PATH_IMAGE033
；
Figure 355454DEST_PATH_IMAGE034
为图像的像素高度；
Figure 844204DEST_PATH_IMAGE035
为图像的像素宽度；
Figure 581216DEST_PATH_IMAGE036
为裂缝率；
步骤4.2、裂缝的长度信息获取，具体步骤如下：
步骤4.2.1、对步骤3.2得到的结果进行形态学腐蚀运算，按照“4 邻域”腐蚀目标区，设定灰度值为255；其次，判断目标像素点左右相邻域像素点的像素值是否都为0，如果左右相邻域像素点的像素值全为0，则认为该像素点为内部点，如果左右像素点不全为0，则该像素点可删除，跳过路径方向邻域内像素点开始判断，直到只留下单像素点，剩下的目标区域就是原裂缝图像的拓扑形式，即细化后的裂缝骨架图；
步骤4.2.2、将细化后的裂缝骨架图进行形态学膨胀处理，通过膨胀算法将裂缝骨架按照双像素排列，并取膨胀闭环骨架周长的一半作为裂缝的像素长度，按照标定系数计算裂缝实际长度，计算方法如下：
Figure 25972DEST_PATH_IMAGE037
　　　　　　　　　　　　　　　　　　　　　　　　　　　 (10)
其中，
Figure 924658DEST_PATH_IMAGE038
为裂缝骨架的像素周长；
Figure 963021DEST_PATH_IMAGE039
为裂缝的实际长度；
步骤4.3、裂缝平均宽度的计算，在裂缝区域内用矩形作有限元分割，并使矩形的数量 趋向于无穷大，用这无数个矩形来拟合、代替裂缝区域；再通过求极限的方法计算裂缝的平 均宽度，记
Figure 238145DEST_PATH_IMAGE040
，则裂缝面积计算方法如下：
Figure 288140DEST_PATH_IMAGE041
（11）
由以上公式可知，裂缝实际平均宽度的计算方法如下：
Figure 623307DEST_PATH_IMAGE042
　　 （12）。
6.根据权利要求3所述的一种基于动态阈值的桥梁裂缝检测方法，其特征在于，对所述 的蓝，绿，红三原色的变换系数
Figure 883387DEST_PATH_IMAGE043
，并参考人类眼部收集颜色信息的比重为红∶ 绿∶蓝=3:6:1的模型，取
Figure 227781DEST_PATH_IMAGE044
，
Figure 460179DEST_PATH_IMAGE045
，
Figure 887618DEST_PATH_IMAGE046
。
CN202111133741.3A 2021-09-27 2021-09-27 一种基于动态阈值的桥梁裂缝检测方法 Active CN113592861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111133741.3A CN113592861B (zh) 2021-09-27 2021-09-27 一种基于动态阈值的桥梁裂缝检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111133741.3A CN113592861B (zh) 2021-09-27 2021-09-27 一种基于动态阈值的桥梁裂缝检测方法

Publications (2)

Publication Number Publication Date
CN113592861A true CN113592861A (zh) 2021-11-02
CN113592861B CN113592861B (zh) 2021-12-24

Family

ID=78242225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111133741.3A Active CN113592861B (zh) 2021-09-27 2021-09-27 一种基于动态阈值的桥梁裂缝检测方法

Country Status (1)

Country Link
CN (1) CN113592861B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219773A (zh) * 2021-11-30 2022-03-22 西北工业大学 一种桥梁裂缝检测数据集预筛选与标定方法
CN114862862A (zh) * 2022-07-11 2022-08-05 江苏大田阀门制造有限公司 一种基于图像处理的泵体冷隔缺陷识别方法与系统
CN114937037A (zh) * 2022-07-20 2022-08-23 武汉中导光电设备有限公司 产品缺陷检测方法、装置、设备及可读存储介质
CN114998350A (zh) * 2022-08-04 2022-09-02 山东泗水泰和石材有限公司 基于图像处理的石材缺陷检测方法
CN115294139A (zh) * 2022-10-08 2022-11-04 中国电建集团江西省电力设计院有限公司 基于图像的边坡裂缝监测方法
CN115546232A (zh) * 2022-10-12 2022-12-30 什维新智医疗科技(上海)有限公司 一种肝脏超声图像工作区域提取方法、系统及电子设备
CN115597901A (zh) * 2022-12-13 2023-01-13 江苏中云筑智慧运维研究院有限公司（Cn） 一种桥梁伸缩缝损伤的监测方法
CN115761533A (zh) * 2022-11-03 2023-03-07 四川省地震局 一种基于无人机技术的地震断裂检测方法
CN116846789A (zh) * 2023-09-01 2023-10-03 国网四川省电力公司信息通信公司 通信链路的运维管理系统
CN116862940A (zh) * 2023-09-04 2023-10-10 深圳市瑞沃德生命科技有限公司 一种细胞边缘处理方法及其装置
CN117237368A (zh) * 2023-11-16 2023-12-15 临沂市公路事业发展中心兰陵县中心 一种桥梁裂缝检测方法及系统
CN117576106A (zh) * 2024-01-17 2024-02-20 高科建材（咸阳）管道科技有限公司 管道缺陷检测方法及系统
CN118297897A (zh) * 2024-04-02 2024-07-05 中铁大桥局集团有限公司 一种钢-uhpc组合桥面板损伤检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103453892A (zh) * 2013-09-24 2013-12-18 广东工业大学 一种桥梁裂缝实时监测及快速预警装置
CN105975972A (zh) * 2016-04-27 2016-09-28 湖南桥康智能科技有限公司 基于影像的桥梁裂缝检测与特征提取方法
CN109580657A (zh) * 2019-01-23 2019-04-05 郑州工程技术学院 一种桥梁质量检测中的裂缝检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103453892A (zh) * 2013-09-24 2013-12-18 广东工业大学 一种桥梁裂缝实时监测及快速预警装置
CN105975972A (zh) * 2016-04-27 2016-09-28 湖南桥康智能科技有限公司 基于影像的桥梁裂缝检测与特征提取方法
CN109580657A (zh) * 2019-01-23 2019-04-05 郑州工程技术学院 一种桥梁质量检测中的裂缝检测方法

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219773A (zh) * 2021-11-30 2022-03-22 西北工业大学 一种桥梁裂缝检测数据集预筛选与标定方法
CN114219773B (zh) * 2021-11-30 2024-03-05 西北工业大学 一种桥梁裂缝检测数据集预筛选与标定方法
CN114862862A (zh) * 2022-07-11 2022-08-05 江苏大田阀门制造有限公司 一种基于图像处理的泵体冷隔缺陷识别方法与系统
CN114937037A (zh) * 2022-07-20 2022-08-23 武汉中导光电设备有限公司 产品缺陷检测方法、装置、设备及可读存储介质
CN114937037B (zh) * 2022-07-20 2022-11-04 武汉中导光电设备有限公司 产品缺陷检测方法、装置、设备及可读存储介质
CN114998350A (zh) * 2022-08-04 2022-09-02 山东泗水泰和石材有限公司 基于图像处理的石材缺陷检测方法
CN114998350B (zh) * 2022-08-04 2022-10-25 山东泗水泰和石材有限公司 基于图像处理的石材缺陷检测方法
CN115294139A (zh) * 2022-10-08 2022-11-04 中国电建集团江西省电力设计院有限公司 基于图像的边坡裂缝监测方法
CN115546232A (zh) * 2022-10-12 2022-12-30 什维新智医疗科技(上海)有限公司 一种肝脏超声图像工作区域提取方法、系统及电子设备
CN115761533B (zh) * 2022-11-03 2023-11-21 四川省地震局 一种基于无人机技术的地震断裂检测方法
CN115761533A (zh) * 2022-11-03 2023-03-07 四川省地震局 一种基于无人机技术的地震断裂检测方法
CN115597901A (zh) * 2022-12-13 2023-01-13 江苏中云筑智慧运维研究院有限公司（Cn） 一种桥梁伸缩缝损伤的监测方法
CN116846789A (zh) * 2023-09-01 2023-10-03 国网四川省电力公司信息通信公司 通信链路的运维管理系统
CN116846789B (zh) * 2023-09-01 2023-11-14 国网四川省电力公司信息通信公司 通信链路的运维管理系统
CN116862940B (zh) * 2023-09-04 2024-02-06 深圳市瑞沃德生命科技有限公司 一种细胞边缘处理方法及其装置
CN116862940A (zh) * 2023-09-04 2023-10-10 深圳市瑞沃德生命科技有限公司 一种细胞边缘处理方法及其装置
CN117237368A (zh) * 2023-11-16 2023-12-15 临沂市公路事业发展中心兰陵县中心 一种桥梁裂缝检测方法及系统
CN117237368B (zh) * 2023-11-16 2024-01-26 临沂市公路事业发展中心兰陵县中心 一种桥梁裂缝检测方法及系统
CN117576106A (zh) * 2024-01-17 2024-02-20 高科建材（咸阳）管道科技有限公司 管道缺陷检测方法及系统
CN117576106B (zh) * 2024-01-17 2024-03-29 高科建材（咸阳）管道科技有限公司 管道缺陷检测方法及系统
CN118297897A (zh) * 2024-04-02 2024-07-05 中铁大桥局集团有限公司 一种钢-uhpc组合桥面板损伤检测方法及系统
CN118297897B (zh) * 2024-04-02 2024-09-13 中铁大桥局集团有限公司 一种钢-uhpc组合桥面板损伤检测方法及系统

Also Published As

Publication number Publication date
CN113592861B (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
CN113592861B (zh) 一种基于动态阈值的桥梁裂缝检测方法
CN111310558B (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
CN112419250B (zh) 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN111145161B (zh) 一种路面裂缝数字图像处理和识别的方法
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN107578035B (zh) 基于超像素-多色彩空间的人体轮廓提取方法
CN110097034B (zh) 一种智能人脸健康程度的识别与评估方法
CN112837290B (zh) 一种基于种子填充算法的裂缝图像自动识别方法
CN109507192B (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN102426649A (zh) 一种简单的高准确率的钢印数字自动识别方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN107490582B (zh) 一种流水线工件检测系统
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN108921813A (zh) 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法
CN110838117A (zh) 一种基于孔壁图像的岩石面孔隙度识别方法
CN114549441A (zh) 基于图像处理的吸管缺陷检测方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN115601379A (zh) 一种基于数字图像处理的表面裂纹精确检测技术
CN118037730B (zh) 一种基于计算机图像处理的裂缝长度检测系统
CN112529853A (zh) 一种用于水下养殖网箱的网衣破损检测方法及装置
CN111768455A (zh) 一种基于图像的木材区域和主色提取方法
CN115272362A (zh) 一种数字病理全场图像有效区域分割方法、装置
CN117974627A (zh) 一种基于图像处理的表面裂缝检测方法
JPH09119900A (ja) コンクリート欠陥の自動評価方法
CN105787955A (zh) 一种带钢缺陷的稀疏分割方法及其分割装置

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
GR01 Patent grant
GR01 Patent grant