CN113888531A - 混凝土表面缺陷检测方法、装置、电子设备及存储介质 - Google Patents
混凝土表面缺陷检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113888531A CN113888531A CN202111290104.7A CN202111290104A CN113888531A CN 113888531 A CN113888531 A CN 113888531A CN 202111290104 A CN202111290104 A CN 202111290104A CN 113888531 A CN113888531 A CN 113888531A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- concrete
- defect
- points
- 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
Links
- 239000004567 concrete Substances 0.000 title claims abstract description 137
- 230000007547 defect Effects 0.000 title claims abstract description 117
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 238000012800 visualization Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 16
- 230000005484 gravity Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 20
- 238000012360 testing method Methods 0.000 description 19
- 238000010521 absorption reaction Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 238000007405 data analysis Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000011376 self-consolidating concrete Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种混凝土表面缺陷检测方法、装置、电子设备及存储介质,其中方法包括:获取混凝土表面三维点云数据;对混凝土表面三维点云数据进行滤波处理;对滤波处理后的混凝土表面三维点云数据进行平面拟合处理,剔除高于和低于拟合平面预设距离的点云数据,然后将剩余混凝土表面三维点云数据投影到与拟合平面平行的X0Y坐标平面上,实现表面缺陷可视化;对剔除的高于和低于拟合平面预设距离的点云数据进行欧式聚类,得到彼此分离的缺陷区域;基于缺陷区域计算得到各缺陷的尺寸信息。缺陷检测识别效果好,精度高,实现了不依赖于图像进行混凝土表面缺陷的检测,避免了图像识别技术中图像质量对缺陷识别效果的干扰。
Description
技术领域
本发明涉及混凝土测试技术领域,尤其涉及一种混凝土表面缺陷检测方法、装置、电子设备及存储介质。
背景技术
混凝土是民用基础设施的主要和最重要的建筑材料之一。由于其易于获取和操作的优点,在工程结构中得到了广泛的应用。气孔(即表面气孔)是典型的缺陷,在浇注过程中,混凝土表面聚集了大量的空气和水气泡,形成许多孔洞。混凝土表面孔洞是影响混凝土表面质量的重要因素。混凝土表面孔洞的识别对混凝土表面质量和性能的评价具有重要意义,也为混凝土表面质量控制提供了技术参考。
由于气孔在混凝土结构的检测、诊断和维护中起着至关重要的作用,长期以来人们发展了各种各样的气孔检测方法。混凝土表面孔洞的检测主要分为两种,传统手工测量和图像识别检测。传统的手工检测方法(卷尺、卡尺等)过于依赖测量技术人员的主观经验,效率低下,结果不够准确。而新兴的图像识别技术,包括阈值分割、边缘检测、形态学运算等图像处理方法,更为有效且相对简单,得到了广泛的应用。在此基础上,许多研究者建立了基于卷积神经网络(CNN)、深度学习(DNN)等技术的缺陷识别机器学习模型,实现了混凝土表面缺陷的自动识别,有效避免了人工和主观检测方法。然而,图像识别和机器学习识别仍有一定的局限性。两者都是基于图像处理的识别,识别结果不可避免地受到图像质量、拍摄效果等因素的影响。
综上,开发一种不依赖于拍摄图像的表面缺陷检测方案是混凝土表面缺陷检测领域亟待解决的技术问题。
发明内容
本发明提供了一种混凝土表面缺陷检测方法、装置、电子设备及存储介质,以解决现有混凝土表面缺陷检测技术效果不佳的问题。
第一方面,提供了一种混凝土表面缺陷检测方法,包括:
获取混凝土表面三维点云数据;
对混凝土表面三维点云数据进行滤波处理;
对滤波处理后的混凝土表面三维点云数据进行平面拟合处理,剔除高于和低于拟合平面预设距离的点云数据,然后将剩余混凝土表面三维点云数据投影到与拟合平面平行的X0Y坐标平面上,实现表面缺陷可视化;
对剔除的高于和低于拟合平面预设距离的点云数据进行欧式聚类,得到彼此分离的缺陷区域;
基于缺陷区域计算得到各缺陷的尺寸信息。
本方案中,首先获取混凝土表面三维点云数据,考虑到采集的混凝土表面三维点云数据可能存在密度不规则、噪音和离群点等问题,故而先对其进行滤波处理;将滤波处理后的数据进行平面拟合,剔除高于和低于拟合平面预设距离的点云数据后投影到X0Y坐标平面上,因为剔除了缺陷部分的点云数据,故而会在投影面上出现代表缺陷的空洞,实现了缺陷的识别和可视化;最后通过欧式聚类将各缺陷区域提取出来,并基于提取的区域实现缺陷的尺寸测量。
进一步地,所述混凝土表面三维点云数据通过激光三维扫描仪对待测混凝土表面进行三维扫描得到。
进一步地,对待测混凝土表面进行三维扫描前,在待测混凝土表面周围设置扫描标记点,以扫描标记点为标准,对激光三维扫描仪进行标定校准。通过设置扫描标记点,可实现激光三维扫描仪的标定校准,以便于后期准确将点云数据下的缺陷尺寸转换为实际尺寸。
进一步地,所述滤波处理采用体素滤波法,具体包括:
将混凝土表面三维点云数据划分为多个体素小栅格;
计算每个体素小栅格的重心点,若重心点为该体素小栅格内已有的点,则以该重心点代替该体素小栅格内所有的点;若重心点不为该体素小栅格内已有的点,则选择体素小栅格内距离该重心点最近的已有点代替该体素小栅格内所有的点。
体素滤波一方面可以实现滤波处理,另一方面也实现了混凝土表面三维点云数据的精简。在优化混凝土表面基本形状的同时,减少了点云数量,使得后续算法检测表面缺陷更为高效。
进一步地,所述对滤波处理后的混凝土表面三维点云数据进行平面拟合处理包括:
在混凝土厚度方向构建混凝土表面三维点云数据的拟合平面,使混凝土表面三维点云数据与拟合平面的垂直距离之和最小;
剔除高于和低于拟合平面预设距离的点云数据,实现平面拟合。
进一步地,所述对剔除的高于和低于拟合平面预设距离的点云数据进行欧式聚类时,使用KD-Tree近邻搜索法对欧式聚类进行加速。
进一步地,所述使用KD-Tree近邻搜索法对欧式聚类进行加速具体包括:
A1:选取混凝土表面三维点云数据的一个维度作为切分维度,以高于和低于拟合平面预设距离的点云数据在该维度下的中值作为切分超平面;
A2:将高于和低于拟合平面预设距离的点云数据中该维度下小于中值的点挂在左子树,大于中值点的挂在右子树;递归处理其子树,直至所有高于和低于拟合平面预设距离的点云数据中的点挂载完毕;
A3:选定高于和低于拟合平面预设距离的点云数据中的点P作为初始点,采用KD-Tree近邻搜索法找到k个离P最近的点,k为预设值;
A4:将找到的k个点中与点P之间的距离小于预设阈值d的点聚类于集合Q中;
A5:在集合Q中选取P以外的点作为初始点,并重复步骤A3-A5,直至集合Q中没有新的点加入为止;
A6:选定高于和低于拟合平面预设距离的点云数据中还未被处理的点P’作为初始点,并重复步骤A3-A5,直至高于和低于拟合平面预设距离的点云数据中所有点均被处理,则完成欧式聚类。
第二方面,提供了一种混凝土表面缺陷检测装置,包括:
数据获取模块,用于获取混凝土表面三维点云数据;
滤波模块,用于对混凝土表面三维点云数据进行滤波处理;
可视化模块,用于对滤波处理后的混凝土表面三维点云数据进行平面拟合处理,剔除高于和低于拟合平面预设距离的点云数据,然后将剩余混凝土表面三维点云数据投影到与拟合平面平行的X0Y坐标平面上,实现表面缺陷可视化;
缺陷提取模块,用于对剔除的高于和低于拟合平面预设距离的点云数据进行欧式聚类,得到彼此分离的缺陷区域;
尺寸计算模块,用于基于缺陷区域计算得到各缺陷的尺寸信息。
第三方面,提供了一种电子设备,包括:
存储器,存储有计算机程序;
处理器,加载并执行所述计算机程序时实现如上所述的混凝土表面缺陷检测方法。
第四方面,提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的混凝土表面缺陷检测方法。
有益效果
本发明提出了一种混凝土表面缺陷检测方法、装置、电子设备及存储介质,通过获取混凝土表面三维点云数据并进行处理,实现混凝土表面缺陷检测的同时实现可视化,并在利用欧式聚类得到缺陷区域的基础上实现缺陷尺寸的测量,检测识别效果好,精度高。本发明的技术方案创新性地实现了不依赖于图像进行混凝土表面缺陷的检测,避免了图像识别技术中图像质量对缺陷识别效果的干扰。
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获得其他的附图。
图1是本发明实施例提供的混凝土表面缺陷检测方法流程图;
图2是本发明实施例提供的混凝土表面三维点云数据三维模型重构效果图;
图3是a)和b)分别本发明实施例提供的混凝土表面三维点云数据体素滤波前后的示意图;
图4是本发明实施例提供的平面拟合处理后投影到X0Y平面的示意图;
图5是本发明实施例提供的混凝土表面缺陷检测分析结果图;其中(a)表示原始混凝土表面点云图,(b)为缺陷识别可视化混凝土表面点云图;
图6是本发明实施例提供的试件缺陷检测结果的统计直方图;
图7是本发明实施例提供的试件吸水速率与时间拟合直线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
实施例1
本实施例提供了一种混凝土表面缺陷检测方法,包括:
S1:获取混凝土表面三维点云数据。
实施时,所述混凝土表面三维点云数据通过激光三维扫描仪对待测混凝土表面进行三维扫描得到。并且,对待测混凝土表面进行三维扫描前,在待测混凝土表面周围设置扫描标记点,以扫描标记点为标准,对激光三维扫描仪进行标定校准。通过设置扫描标记点,可实现激光三维扫描仪的标定校准,以便于后期准确将点云数据下的缺陷尺寸转换为实际尺寸。
S2:对混凝土表面三维点云数据进行滤波处理。本实施例中,所述滤波处理采用体素滤波法,具体过程包括:
将混凝土表面三维点云数据划分为多个体素小栅格;
计算每个体素小栅格的重心点,若重心点为该体素小栅格内已有的点,则以该重心点代替该体素小栅格内所有的点;若重心点不为该体素小栅格内已有的点,则选择体素小栅格内距离该重心点最近的已有点代替该体素小栅格内所有的点。
考虑到采集的混凝土表面三维点云数据可能存在密度不规则、噪音和离群点等问题,这些问题易造成表面缺陷的检测不准确。因此,采用体素滤波一方面可以实现滤波处理,另一方面也实现了混凝土表面三维点云数据的精简。在优化混凝土表面基本形状的同时,减少了点云数量,使得后续算法检测表面缺陷更为高效。图3所示即为体素滤波前后的对照图示例;图3中a)为体素滤波前的混凝土表面三维点云数据,图3中b)为体素滤波后的混凝土表面三维点云数据。
S3:对滤波处理后的混凝土表面三维点云数据进行平面拟合处理,剔除高于和低于拟合平面预设距离的点云数据,然后将剩余混凝土表面三维点云数据投影到与拟合平面平行的X0Y坐标平面上,实现表面缺陷可视化。图4所示即为投影后的效果示意图。
其中,对滤波处理后的混凝土表面三维点云数据进行平面拟合处理包括:
在混凝土厚度方向构建混凝土表面三维点云数据的拟合平面,使混凝土表面三维点云数据与拟合平面的垂直距离之和最小;
剔除高于和低于拟合平面预设距离的点云数据,实现平面拟合。
混凝土表面孔洞缺陷多为闭合孔洞,本发明提出了一种新的思路来对混凝土表面缺陷进行识别检测。由于滤波之后的点云数据呈现出边界不平整,同时在厚度方向点云数据繁杂,对缺陷识别检测易造成很大误差。因此,通过对滤波处理后的混凝土表面三维点云数据进行平面拟合处理,实现了混凝土表面三维点云数据的平面化,包括平整化和厚度方向中心化。通过剔除高于和低于拟合平面预设距离的点云数据即剔除了缺陷部分的点云数据,故而会在投影面上出现代表缺陷的空洞,即体现了缺陷的位置和形状,实现了缺陷的识别和可视化。
S4:对剔除的高于和低于拟合平面预设距离的点云数据进行欧式聚类,得到彼此分离的缺陷区域。剔除的高于和低于拟合平面预设距离的点云数据即为表示缺陷部分的点云数据,且是彼此分离的,进而可通过欧式聚类实现各缺陷区域点云数据的聚类提取。
本实施例中,使用KD-Tree近邻搜索法对欧式聚类进行加速,具体过程包括:
A1:选取混凝土表面三维点云数据的一个维度作为切分维度,以高于和低于拟合平面预设距离的点云数据在该维度下的中值作为切分超平面;
A2:将高于和低于拟合平面预设距离的点云数据中该维度下小于中值的点挂在左子树,大于中值点的挂在右子树;递归处理其子树,直至所有高于和低于拟合平面预设距离的点云数据中的点挂载完毕;
A3:选定高于和低于拟合平面预设距离的点云数据中的点P作为初始点,采用KD-Tree近邻搜索法找到k个离P最近的点,k为预设值;
A4:将找到的k个点中与点P之间的距离小于预设阈值d的点聚类于集合Q中;
A5:在集合Q中选取P以外的点作为初始点,并重复步骤A3-A5,直至集合Q中没有新的点加入为止;
A6:选定高于和低于拟合平面预设距离的点云数据中还未被处理的点P’作为初始点,并重复步骤A3-A5,直至高于和低于拟合平面预设距离的点云数据中所有点均被处理,则完成欧式聚类。
S5:基于缺陷区域计算得到各缺陷的尺寸信息。
本方案中,首先获取混凝土表面三维点云数据,考虑到采集的混凝土表面三维点云数据可能存在密度不规则、噪音和离群点等问题,故而先对其进行滤波处理;将滤波处理后的数据进行平面拟合,剔除高于和低于拟合平面预设距离的点云数据后投影到X0Y坐标平面上,因为剔除了缺陷部分的点云数据,故而会在投影面上出现代表缺陷的孔洞,实现了缺陷的识别和可视化;最后通过欧式聚类将各缺陷区域提取出来,并基于提取的区域实现缺陷的尺寸测量。
具体实施时,可通过构建的工作站实现上述方法,该工作站搭载了CPU和图形处理单元(GPU),用于处理导入的混凝土表面三维点云数据,在相应的Cloud compare三维图形软件中重构出混凝土表面模型,如图2所示。混凝土表面周围设置的扫描标记点以便进行校准扫描,实现了混凝土表面三维模型的准确重构。更具体地:
工作站上搭载基于Ubuntu系统下的Point Cloud Library数据分析平台;
对重构后的混凝土表面三维点云数据进行转换,将导入到工作站中的重构.asc格式的三维点云数据文件,通过Cloud compare三维图形软件打开,并转换为.pcd数据格式,即转换为可被Point Cloud Library数据分析平台识别分析的数据类型;
根据上述步骤S2-S5的处理过程,在Point Cloud Library数据分析平台编写对应的程序代码;
将转换为.pcd数据格式的混凝土表面三维点云数据导入到Point Cloud Library数据分析平台中极性运算分析,输出缺陷识别检测结果文件和缺陷尺寸结果文件。本实施例中,缺陷识别检测结果文件为.pcd格式,通过Cloud compare三维图形软件打开,实现缺陷识别结果的可视化;输出的缺陷尺寸测量结果文件为.txt文本格式。
实施例2
本实施例提供了一种混凝土表面缺陷检测装置,包括:
数据获取模块,用于获取混凝土表面三维点云数据;
滤波模块,用于对混凝土表面三维点云数据进行滤波处理;
可视化模块,用于对滤波处理后的混凝土表面三维点云数据进行平面拟合处理,剔除高于和低于拟合平面预设距离的点云数据,然后将剩余混凝土表面三维点云数据投影到与拟合平面平行的X0Y坐标平面上,实现表面缺陷可视化;
缺陷提取模块,用于对剔除的高于和低于拟合平面预设距离的点云数据进行欧式聚类,得到彼此分离的缺陷区域;
尺寸计算模块,用于基于缺陷区域计算得到各缺陷的尺寸信息。
实施例3
本实施例提供了一种电子设备,包括:
存储器,存储有计算机程序;
处理器,加载并执行所述计算机程序时实现如上所述的混凝土表面缺陷检测方法。
实施例4
本实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的混凝土表面缺陷检测方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
为了进一步理解本发明的技术方案,下面结合一实验作进一步说明。
按照本发明的混凝土表面缺陷检测方法,检测自密实混凝土自终凝开始至28d龄期的表面缺陷,具体包括如下步骤:
(1)在相同配比配置的养护28d的三块混凝土试件Es-1、Es-2、Es-3测试表面附近粘贴扫描标记点,以扫描标记点为标准,将三维扫描仪保持在距离测试平面20cm的位置上,对激光三维扫描仪进行标定校准;同时对混凝土试件测试表面进行三维扫描,采集其表面三维点云数据并于工作站进行三维模型重构。
(2)工作站上搭载基于Ubuntu系统下的Point Cloud Library数据分析平台,对三维点云数据进行快速分析处理。
(3)对重构后的表面三维点云数据进行转换,转换为可被Point Cloud Library数据分析平台识别分析的数据类型。
(4)根据前述表面缺陷检测识别的相关原理,在Point Cloud Library数据分析平台编写得到缺陷检测识别的程序代码。
(5)将转换好的数据导入到Point Cloud Library数据分析平台中进行运算分析,导出表面缺陷识别可视化图像和相应缺陷识别测量结果。Point Cloud Library数据分析平台输出的缺陷检测识别结果文件为.pcd格式,通过Cloud compare三维图形软件打开,实现识别结果的可视化。同时输出的缺陷尺寸测量结果文件为.txt文本格式。
为了验证所提出方法的性能,图5示出了混凝土试件原始点云与测试后点云效果,我们可以看出该点云测试分析方法识别出大孔径凹陷的同时,也准确的识别出大部分细小孔径的凹陷,很好的实现了混凝土表面缺陷的识别。对输出的缺陷尺寸测量结果进行统计计算,可以得到所识别试件Es-1凹陷的外轮廓面积及最大直径,共计91处凹陷,计算及统计结果如表1、图6(限于篇幅仅列出试件Es-1、2、3的较大凹陷10处)。
表1.缺陷面积及直径统计表
同时结合混凝土吸水性能验证吸水面缺陷识别结果的准确性,由公式(1)可以得到试件Es-1、2、3的吸水速率i,同时三块试件的吸水速率测试结果如图7,满足公式(2)。
式中,Δw为试件吸水前后质量变化量,mi为试件吸水后的质量,m0为试件吸水前的质量,Ar为试件吸水截面面积,ρ0为水的密度,1g/cm3。
在计算试件吸水速率时,我们默认Ar为混凝土表面理想面积A0,这里取100*100mm2,但实际上由于表面凹陷的存在,实际的吸水面积为A1,假定为理想面积A0的α倍。则结合公式(1)、(2)提出吸水速率与时间的修正公式(3):
式中,k′为修正系数,取原系数k的α倍,b为常数。
从公式(3)可以看出,由于表面缺陷的存在,表面缺陷面积越大,其吸水面的实际面积越大,α值越大,吸水速率越大,图6和7中,试件表面缺陷的总面积为Es-1>Es-2>Es-3,对应的吸水速率与时间直线斜率Es-1>Es-2>Es-3,由于混凝土吸水性能不仅仅受表面质量的影响,混凝土内部孔隙等因素也会影响混凝土的吸水速率,所以公式(3)中的吸水系数与缺陷面积成正相关,却无明显的线性关系。因此,该方法能够很好的实现混凝土表面缺陷的检测。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种混凝土表面缺陷检测方法,其特征在于,包括:
获取混凝土表面三维点云数据;
对混凝土表面三维点云数据进行滤波处理;
对滤波处理后的混凝土表面三维点云数据进行平面拟合处理,剔除高于和低于拟合平面预设距离的点云数据,然后将剩余混凝土表面三维点云数据投影到与拟合平面平行的X0Y坐标平面上,实现表面缺陷可视化;
对剔除的高于和低于拟合平面预设距离的点云数据进行欧式聚类,得到彼此分离的缺陷区域;
基于缺陷区域计算得到各缺陷的尺寸信息。
2.根据权利要求1所述的混凝土表面缺陷检测方法,其特征在于,所述混凝土表面三维点云数据通过激光三维扫描仪对待测混凝土表面进行三维扫描得到。
3.根据权利要求2所述的混凝土表面缺陷检测方法,其特征在于,对待测混凝土表面进行三维扫描前,在待测混凝土表面周围设置扫描标记点,以扫描标记点为标准,对激光三维扫描仪进行标定校准。
4.根据权利要求1所述的混凝土表面缺陷检测方法,其特征在于,所述滤波处理采用体素滤波法,具体包括:
将混凝土表面三维点云数据划分为多个体素小栅格;
计算每个体素小栅格的重心点,若重心点为该体素小栅格内已有的点,则以该重心点代替该体素小栅格内所有的点;若重心点不为该体素小栅格内已有的点,则选择体素小栅格内距离该重心点最近的已有点代替该体素小栅格内所有的点。
5.根据权利要求1所述的混凝土表面缺陷检测方法,其特征在于,所述对滤波处理后的混凝土表面三维点云数据进行平面拟合处理包括:
在混凝土厚度方向构建混凝土表面三维点云数据的拟合平面,使混凝土表面三维点云数据与拟合平面的垂直距离之和最小;
剔除高于和低于拟合平面预设距离的点云数据,实现平面拟合。
6.根据权利要求1所述的混凝土表面缺陷检测方法,其特征在于,所述对剔除的高于和低于拟合平面预设距离的点云数据进行欧式聚类时,使用KD-Tree近邻搜索法对欧式聚类进行加速。
7.根据权利要求6所述的混凝土表面缺陷检测方法,其特征在于,所述使用KD-Tree近邻搜索法对欧式聚类进行加速具体包括:
A1:选取混凝土表面三维点云数据的一个维度作为切分维度,以高于和低于拟合平面预设距离的点云数据在该维度下的中值作为切分超平面;
A2:将高于和低于拟合平面预设距离的点云数据中该维度下小于中值的点挂在左子树,大于中值点的挂在右子树;递归处理其子树,直至所有高于和低于拟合平面预设距离的点云数据中的点挂载完毕;
A3:选定高于和低于拟合平面预设距离的点云数据中的点P作为初始点,采用KD-Tree近邻搜索法找到k个离P最近的点,k为预设值;
A4:将找到的k个点中与点P之间的距离小于预设阈值d的点聚类于集合Q中;
A5:在集合Q中选取P以外的点作为初始点,并重复步骤A3-A5,直至集合Q中没有新的点加入为止;
A6:选定高于和低于拟合平面预设距离的点云数据中还未被处理的点P’作为初始点,并重复步骤A3-A5,直至高于和低于拟合平面预设距离的点云数据中所有点均被处理,则完成欧式聚类。
8.一种混凝土表面缺陷检测装置,其特征在于,包括:
数据获取模块,用于获取混凝土表面三维点云数据;
滤波模块,用于对混凝土表面三维点云数据进行滤波处理;
可视化模块,用于对滤波处理后的混凝土表面三维点云数据进行平面拟合处理,剔除高于和低于拟合平面预设距离的点云数据,然后将剩余混凝土表面三维点云数据投影到与拟合平面平行的X0Y坐标平面上,实现表面缺陷可视化;
缺陷提取模块,用于对剔除的高于和低于拟合平面预设距离的点云数据进行欧式聚类,得到彼此分离的缺陷区域;
尺寸计算模块,用于基于缺陷区域计算得到各缺陷的尺寸信息。
9.一种电子设备,其特征在于,包括:
存储器,存储有计算机程序;
处理器,加载并执行所述计算机程序时实现如权利要求1至7任一项所述的混凝土表面缺陷检测方法。
10.一种计算机可读存储介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的混凝土表面缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290104.7A CN113888531A (zh) | 2021-11-02 | 2021-11-02 | 混凝土表面缺陷检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290104.7A CN113888531A (zh) | 2021-11-02 | 2021-11-02 | 混凝土表面缺陷检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888531A true CN113888531A (zh) | 2022-01-04 |
Family
ID=79016440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111290104.7A Pending CN113888531A (zh) | 2021-11-02 | 2021-11-02 | 混凝土表面缺陷检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888531A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998328A (zh) * | 2022-07-27 | 2022-09-02 | 苏州天成涂装系统股份有限公司 | 一种基于机器视觉的工件喷涂缺陷检测方法、系统及可读存储介质 |
CN115901621A (zh) * | 2022-10-26 | 2023-04-04 | 中铁二十局集团第六工程有限公司 | 一种高层建筑外表面混凝土病害数字化识别方法及系统 |
CN116481460A (zh) * | 2023-05-26 | 2023-07-25 | 中国矿业大学 | 一种基于三维重构模型的表观坑洞缺陷尺寸检测方法 |
-
2021
- 2021-11-02 CN CN202111290104.7A patent/CN113888531A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998328A (zh) * | 2022-07-27 | 2022-09-02 | 苏州天成涂装系统股份有限公司 | 一种基于机器视觉的工件喷涂缺陷检测方法、系统及可读存储介质 |
CN115901621A (zh) * | 2022-10-26 | 2023-04-04 | 中铁二十局集团第六工程有限公司 | 一种高层建筑外表面混凝土病害数字化识别方法及系统 |
CN116481460A (zh) * | 2023-05-26 | 2023-07-25 | 中国矿业大学 | 一种基于三维重构模型的表观坑洞缺陷尺寸检测方法 |
CN116481460B (zh) * | 2023-05-26 | 2024-05-07 | 中国矿业大学 | 一种基于三维重构模型的表观坑洞缺陷尺寸检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113888531A (zh) | 混凝土表面缺陷检测方法、装置、电子设备及存储介质 | |
CN104755901B (zh) | 用于分析轮胎面参数的系统和方法 | |
CN112581457A (zh) | 一种基于三维点云的管道内表面检测方法及装置 | |
CN106548520A (zh) | 一种点云数据去噪的方法和系统 | |
CN104268940B (zh) | 基于ct扫描图像的mems结构重构与检测方法 | |
CN111986308A (zh) | 基于点云法线与曲率变化双约束曲面误差显著点识别方法 | |
CN111968224A (zh) | 船舶3d扫描点云数据处理方法 | |
CN115597494A (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
CN115235375A (zh) | 盖板类工件的多圆特征参数测量方法、检测方法和装置 | |
CN115078377A (zh) | 一种基于点云拟合的桥梁损伤自动评估系统及方法 | |
CN116539619B (zh) | 产品缺陷检测方法、系统、装置及存储介质 | |
CN110648391B (zh) | 一种点云处理三维重建方法 | |
CN110751732A (zh) | 一种2d图像转3d图像的方法 | |
Ziabari et al. | Simurgh: A Framework for CAD-Driven Deep Learning Based X-Ray CT Reconstruction | |
CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
CN112800829B (zh) | 一种基于三维测量的物体局部破损程度的识别方法 | |
CN116255930A (zh) | 一种基于点云切片的截面提取及测量方法及系统 | |
CN103282938A (zh) | 用于通过x射线计算机断层扫描装置确定位于待检查物体中的结构位置的方法和评估设备 | |
CN111192317B (zh) | 微米尺度平面孔隙网络内气液驱替图像的饱和度获取方法 | |
Sitnik et al. | Optimized point cloud triangulation for 3D scanning systems | |
Liu et al. | Weld point cloud segmentation algorithm fused contour feature | |
CN117495867B (zh) | 小模数齿轮精度的视觉检测方法及系统 | |
Yogeswaran | 3D Surface Analysis for the Automated Detection of Deformations on Automotive Panels | |
CN113447419B (zh) | 一种多孔介质连通孔隙结构单元的划分系统 | |
CN113393450B (zh) | 用于数字线划图的数据质检方法、系统及可读存储介质 |
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 |