CN113920051A - 结构表观病害检测数据标准化批处理方法、系统及介质 - Google Patents
结构表观病害检测数据标准化批处理方法、系统及介质 Download PDFInfo
- Publication number
- CN113920051A CN113920051A CN202110506556.8A CN202110506556A CN113920051A CN 113920051 A CN113920051 A CN 113920051A CN 202110506556 A CN202110506556 A CN 202110506556A CN 113920051 A CN113920051 A CN 113920051A
- Authority
- CN
- China
- Prior art keywords
- disease
- image
- connected domain
- diseases
- standardized
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 165
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 165
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000011160 research Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 239000000725 suspension Substances 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000004593 Epoxy Substances 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 239000011384 asphalt concrete Substances 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000003351 stiffener Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种结构表观病害检测数据标准化批处理方法、系统及介质，基于人工检测采集的结构病害数据，对标准图像进行网格式栅格化的划分，之后按照位图图像格式标准进行批量导出，形成病害标准图；基于所述的病害标准图，依次使用图像灰度化、图像二值化和连通域查找方法，得到图像中包含的多个连通域，对每个连通域通过图像细化，提取其骨架，从而得到连通域的完整特征，通过连通域判定方法，进行病害信息化和分类，得到可供计算机快速分析处理的标准化数据，进行病害数据分析。与现有技术相比，本发明实现了快速化和标准化的人工检测病害大数据处理整理，为相关研究和针对性指导桥梁养护提供了行之有效的基础数据处理方法。
Description
技术领域
本发明涉及结构病害检测领域，尤其是涉及一种结构表观病害检测数据标准化批处理方法、系统及存储介质。
背景技术
人工检测是在役桥梁管理维护中主要的工作任务之一，通过人工目测或量测形成的各类病害检测数据是指导桥梁运维决策关键基础数据。然而，因缺少对人工检测病害数据的标准化快速批处理方法，该类数据往往未能得到充分挖掘和利用，呈现出数据处理难度大、成本高、时效性弱等问题，难以支撑实桥管养和相关研究需要。
CN101894328A公开了一种基于CAD的桥梁病害管理系统及桥梁病害管理维护方法，该系统利用CAD相关技术来记录和处理桥梁构件中的病害，包括桥梁系统的检查以及对错误的记录、对桥梁的评估预测功能、以及对病害的维护等功能。该技术方案虽然使桥梁管养单位对桥梁的病害的检查和维护工作变得更加方便，但该技术方案仍然无法给予面对人工检测采集的海量原始病害数据时如何实现充分挖掘和利用的启示。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种结构表观病害检测数据标准化批处理方法，实现了快速化和标准化的人工检测病害大数据处理整理，为相关研究和针对性指导桥梁养护提供了行之有效的基础数据处理方法。
本发明的目的可以通过以下技术方案来实现：
本申请的第一个目的是保护一种结构表观病害检测数据标准化批处理方法，包括以下步骤：
S1：由基于人工检测采集的结构病害数据，进行网格式栅格化的划分，之后按照位图图像格式标准进行批量导出，形成病害标准图；
S2：基于所述的病害标准图，依次使用图像灰度化、图像二值化和连通域查找方法进行处理，得到图像中包含的多个连通域，对每个连通域通过图像细化，进一步提取其骨架，从而得到连通域的完整特征，通过连通域判定方法，进行病害信息化和分类，得到可供计算机快速分析处理的标准化数据；
S3：根据网格标签输出可供计算机快速分析处理的标准化数据，进行病害数据分析。
进一步地，由基于人工检测采集的结构病害数据，以具体结构中的特定点为边界，对标准图像进行网格式栅格化的划分。
进一步地，由基于人工检测采集的结构病害数据生成病害分布CAD图，之后再进行网格式栅格化的划分。
进一步地，所述病害标准图包含以编码形式标识的表观特征和位置特征，还包括以特定字段标识的病害描述。
进一步地，所述病害标准图中包括初级网格划分和次级网格划分，所述次级网格划分基于初级网格划分得到的单个网格进行次级划分，通过多级的网格划分实现病害定位和分类。
进一步地，所述图像灰度化过程中，按式(1)对原始彩色图像的RGB三分量进行加权平均，以此到灰度图像：
Gray(i,j)＝0.299×R(i,j)+0.578×G(i,j)+0.114×B(i,j) (7)
其中(i，j)为特定像素。
进一步地，所述图像二值化过程中采用最大类间差分法进行灰度图像的二值化，其中按照图像灰度特性，通过求取前景和背景之间的类间方差函数，通过取最大值的方法进行前景背景分割，从而在全局阈值场景下进行图像二值化。
进一步地，所述连通域查找的过程中，采用二值图像连通区域标记方法，得到具有不同标签的连通域：
设阵列X0为与数字图像A大小相同，且满足在A的前景像素点记1，背景像素点记0的阵列，进行式(2)的迭代，从而提取到各个连通域：
式中，
表示结构元B对Xk-1的膨胀运算，定义如式(15)；
式中，通过结构元B沿数字图像A进行按行按列滑动，每次提取B所在区域的最大值，即作为该点的运算结果。这里的图像处理是逐个像素进行处理，结构元B一般是3x3或5x5的一个区域，其正中间即与这个所要处理的【像素】重叠。【该点】就是正在处理的这个像素。
进一步地，所述对每个连通域通过图像细化过程中：
以结构元B对数字图像A的细化运算定义为式(16)；
式中，A#B为结构元B对A的击中击不中运算，定义如式(17)；
式中，
为结构元B1对A的腐蚀运算，
为结构元B2对Ac的腐蚀运算，定义如式(18)，Ac为将A的前景和背景进行互换；
式中，通过结构元B沿数字图像A进行按行按列滑动，每次提取B所在区域的最小值，即作为该点的运算结果。
进一步地，所述结构表观病害为桥梁病害，所述连通域判定方法包括以下步骤：
1)连通域属性提取：通过SAUF算法获取连通域本身属性信息，加上细化运算获取连通域骨架，共获得数据包括长度l、面积a、平均宽度w＝a/l、形心横坐标xw、形心纵坐标yw，左上角点横坐标x1，左上角点纵坐标y1，右下角点横坐标x2，右下角点纵坐标y2；
2)吊杆区域判定：通过文件名获取吊杆分布参数，得到吊杆起始编号hstart，结束编号hend；
3)横隔板区域判定：通过图纸获取相应吊杆区间范围内的横隔板间距参数，得到横隔板起始编号dstart，结束编号dend；
4)加劲肋区域判定：通过图纸获取相应吊杆区间范围内的加劲肋间距参数，得到加劲肋起始编号rstart，结束编号rend；
5)病害大类划分：以连通域的长宽比作为大类划分的依据，若长宽比不小于3，表示区域呈线状，划分为L类，否则表示区域呈面状，划分为A类；
6)病害细类划分：对于A类病害，判断横隔板起止编号之差，若差不小于2，则病害穿过横隔板，细类为A-1，否则病害不穿过横隔板，为A-2，对于L类病害，首先通过像素取值运算I(x,y)，获取左上角点、形心点、右下角点的像素值，若值大于零则表示该点存在病害点，定义病害为直线型，否则定义为曲线型；然后判断横隔板起止编号之差，若差不小于2则病害穿过横隔板，否则病害不穿过横隔板；最后判断上下角点连线的斜率，若超过tan(65°)，则定义病害为纵桥向，否则定义为横桥向。
本申请的第二个目的是保护一种结构表观病害人工检测数据标准化批处理系统，包括：
存储模块，存储有上述的结构表观病害检测数据标准化批处理方法对应的可执行程序；
I/O模块，能够输入人工检测采集的结构病害数据，并将得到病害数据分析结果输出至用户端；
微处理器，分别与所述存储模块和I/O模块通过主线电连接，能够基于人工检测采集的结构病害数据输出可供计算机快速分析处理的标准化数据，之后得到病害数据分析结果。
进一步地，所述微处理器为ARM处理器或x86处理器。
进一步地，所述存储模块为SSD硬盘和HHD硬盘。
本申请的第三个目的是保护一种包含计算机可执行指令的存储介质，所述计算机可执行指令的存储介质在由计算机处理器执行时，用于执行上述的结构表观病害检测数据标准化批处理方法。
与现有技术相比，本发明具有以下技术优势：
1)本技术方案实现了快速化和标准化的人工检测病害大数据处理整理，为相关研究和针对性指导桥梁养护提供了行之有效的基础数据处理方法。
2)本技术方案所提出的标准化批处理方法对于人工检测中的量大面广的其他构件病害数据及其他类型数据处理分析具有较强的可移植性和重要参考意义。
附图说明
图1为本技术方案中结构表观病害检测数据标准化批处理方法的流程示意图；
图2为本技术方案中铺装病害分布图像网格式栅格化方法示例图；
图3为本技术方案中标准图像处理方法的流程示意图；
图4为本技术方案中连通域判定算法的流程示意图；
图5为本技术方案中实施例的主梁断面图；
图6为本技术方案中实施例的车道和U肋分布图；
图7为本技术方案中实施例中铺装病害图像处理过程示例图；
图8为实施例中同位置不同时刻的铺装检测记录示例图；
图9为实施例中2011年2～4月的纵向病害数量分图布；
图10为实施例中2013年2～4月的纵向病害数量分布图；
图11为实施例中2011年2～4月的横向病害数量分布图；
图12为实施例中2013年2～4月的横向病害数量分布图；
图13为实施例中病害类型分布示例图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本实施例中以桥梁病害数据为例进行阐述，但本技术方案同样适用于其他类型的结构病害。
1、针对桥梁人工检测到的病害，按照形态、位置等因素，进行分类编码
以铺装病害为例，按形态来看，可分为面状病害和线状病害。对于桥梁结构而言，铺装病害的形态和位置在一定程度上反映了桥梁结构的受力特点和重载分布，因此首先对铺装病害进行按表观特征和位置特征，进行分类和编码，如表1所示。
表1铺装病害的分类编码
此外，对于大跨径悬索桥，对吊杆、主梁横隔板和主梁加劲肋进行编号，实现对病害位置的描述：
行车方向(Direction)：North、South
吊杆(Hanger)：001、002、003、……
横隔板(Diaphram)：001、002、003、……
加劲肋(Rib)：001、002、003、……
对于单次检测的单个病害，使用表2字段进行病害描述，形成病害处理结果标准化方案。
表2病害描述字段
2、病害分布图像网格式栅格化方法
为进行批量式的铺装病害提取和定位，本实施例首先获取由管养人员检测结果记录的CAD病害数据，按照位图图像格式标准进行批量导出，形成病害描述标准图像，如图2(a)所示，以相邻吊杆或斜拉索的锚固点作为上下边界，以道路中心线和护栏线作为左右边界，对桥面区域进行网格式栅格化的划分，形成单张标准图像范围，实现对应病害的区域分配。
因此，通过吊杆和道路中心线将全桥铺装范围划分为(n-1)×2的网格区域，其中n表示吊杆数量，从而得到单个标准图，即图2(b)，将标准图像命名格式定义为：{年份月份}_{方向}_{吊杆起点}_{吊杆终点}.jpg，如201102_North_001_002.jpg。
对于标准图，按照横隔板和U肋进行子网格划分，用于病害定位和分类，如图2(c)所示。
3、病害图像关键参数提取方法
获取标准图后，通过基于数字图像处理的分析算法，自动化提取病害关键参数，流程如图3所示。针对单张标准图，依次进行图像灰度化、图像二值化和连通域查找算法，得到图像中包含的连通域，与病害进行一一对应。对于每个连通域，通过图像细化算法，进一步提取其骨架，从而得到连通域的完整特征。最后，通过流程式的连通域判定算法，进行病害信息化和分类。
灰度化和二值化
首先针对原始彩色图像进行灰度化，按式(13)对RGB三分量进行加权平均，得到灰度图像。
Gray(i,j)＝0.299×R(i,j)+0.578×G(i,j)+0.114×B(i,j) (13)
然后采用最大类间差分法(Otsu方法)进行灰度图像的二值化，该方法按照图像灰度特性，通过求取前景和背景之间的类间方差函数，通过取最大值的方法进行前景背景分割，从而在全局阈值场景下进行图像二值化，该方法计算简单快速，受图像亮度和对比度的影响小。
连通域查找
对于检测病害结果，反映在数字图像中即为连通域。连通域是指图像中具有相同像素值且位置相邻的像素点组成的图像区域，往往针对仅有一类前景信息的二值图像使用。二值图像连通区域标记(Connected Components Labeling,CCL)是图像处理中的常用操作，设阵列X0为与数字图像A大小相同，且满足在A的前景像素点记1，背景像素点记0的阵列，进行式(14)的迭代，从而提取到各个连通域。
式中，
表示结构元B对Xk-1的膨胀运算，定义如式(15)。
式中，通过结构元B沿数字图像A进行按行按列滑动，每次提取B所在区域的最大值，即作为该像素点的运算结果。
SAUF由Wu提出，是CCL经过效率优化的算法之一，它是一种两遍扫描法，先后进行像素标记和区域归并，从而快速得到具有不同标签的连通域。
细化运算
对于数字图像，连通域只能得到面积、角点、形心点，在物体形状复杂时不能获得其线性特征，比如曲线连通域的长度信息，因此引入图像细化运算，以结构元B对数字图像A的细化运算定义为式(16)。
式中，A#B为结构元B对A的击中击不中运算(Hit-or-Miss Transformation)，定义如式(17)。
式中，
为结构元B1对A的腐蚀运算，
为结构元B2对Ac的腐蚀运算，定义如式(18)，Ac为将A的前景和背景进行互换。
式中，通过结构元B沿数字图像A进行按行按列滑动，每次提取B所在区域的最小值，即作为该像素点的运算结果。
采用Zhang提出优化的并行细化方法，实现高效提取连通域骨架，由于骨架宽度为1像素，因此骨架面积即为原连通域的实际长度。
连通域判定算法
在获取连通域后，需要通过算法进行参数判定和分类，从而准确获得单个连通域所对应的病害标签。整个判定过程如图4所示，分为连通域属性提取、吊杆区域判定、横隔板区域判定、加劲肋区域判定、病害大类划分和病害细类划分6个子过程。
1)连通域属性提取：通过SAUF算法获取连通域本身属性信息，加上细化运算获取连通域骨架，共获得数据包括长度l、面积a、平均宽度w＝a/l、形心横坐标xw、形心纵坐标yw，左上角点横坐标x1，左上角点纵坐标y1，右下角点横坐标x2，右下角点纵坐标y2。
2)吊杆区域判定：通过文件名获取吊杆分布参数，得到吊杆起始编号hstart，结束编号hend。
3)横隔板区域判定：通过图纸获取相应吊杆区间范围内的横隔板间距参数，得到横隔板起始编号dstart，结束编号dend。
4)加劲肋区域判定：通过图纸获取相应吊杆区间范围内的加劲肋间距参数，得到加劲肋起始编号rstart，结束编号rend。
5)病害大类划分：以连通域的长宽比作为大类划分的依据，若长宽比不小于3，表示区域呈线状，划分为L类，否则表示区域呈面状，划分为A类。
6)病害细类划分：对于A类病害，判断横隔板起止编号之差，若差不小于2，则病害穿过横隔板，细类为A-1，否则病害不穿过横隔板，为A-2，如图4右上角示意。对于L类病害，首先通过像素取值运算I(x,y)，获取左上角点、形心点、右下角点的像素值，若值大于零则表示该点存在病害点，定义病害为直线型，否则定义为曲线型；然后判断横隔板起止编号之差，若差不小于2则病害穿过横隔板，否则病害不穿过横隔板；最后判断上下角点连线的斜率，若超过tan(65°)，则定义病害为纵桥向，否则定义为横桥向。
为验证和分析提出的铺装病害标准化批处理方法，以某大跨悬索桥梁的多年人工检测铺装病害数据为例，按上述流程进行数据处理，通过结果分析和效率计算，验证了本申请方法的可行性及其快速化、标准化的优势。
背景工程为华东地区某大跨悬索桥梁，双向六车道及两侧应急车道设计，主跨采用1395米扁平钢箱梁，梁宽36.9m，梁高3.0m，主梁断面如图5所示，使用环氧沥青混凝土桥面铺装。横向分布从外向内依次为临时停车道、重车道、变换车道、快车道和中央分隔带，对应的U肋编号分别为1#～3#、4#～10#、11#～16#、17#～23#和24#，如图6所示。
本实施例采用2011年到2014年的铺装人工检测数据，检测周期为2个月，检测范围涵盖全桥。
铺装病害数据处理
首先，按本技术方案前述病害图像网格式栅格化方法，按吊索锚点和道路中心线，对背景悬索桥桥面铺装的人工检测结果进行区域划分和批量导出，形成具有时序和位置信息的病害标准图。
然后，通过本技术方案前述的图像处理算法流程，进行基于数字图像处理的铺装病害快速化批量处理。取2014年2月份的铺装检查结果为例，已导出的201402_North_001_002.jpg如图7(a)所示，图像左边界为道路中心线，右边界为护栏线，上边界延长线经过2#吊索，下边界延长线经过1#吊索。灰度化后的图像如图7(b)所示，将原彩色图像转化为灰度图像。采用Otsu的全局阈值二值化处理后的结果如图(c)所示，将前景(病害)和背景(无病害区域)进行二值分离，背景区域处理为亮度为1的白域，病害区域处理为亮度为0的黑域。图中的位图坐标均为像素坐标(单位：px)，其对应的物理坐标换算结果为8.84mm/px。
接下来通过SAUF算法进行连通域查找，为区分不同病害，分别采用不同颜色或不同编号表达，如图(d)(e)所示，由此获得连通域的面积、坐标等信息。此外，通过Zhang的并行细化算法进行连通域细化处理如图(f)所示，可见算法提取到各连通域的骨架，由此获得连通域的长度等信息。然后，根据本技术方案中上述的病害分类编码规则，获得连通域对应病害的类型信息。最后，将每条病害提取的结果进行保存和入库，形成病害数字化信息。
此外，对北向1#到2#吊索间的铺装区域进行按时序统计，如
图8所示，可见病害发展和数量增加的过程。因此，为判断病害演化过程，对不同时刻的同位置病害进行归并，形成具有时间属性的病害统计信息。
使用计算机性能为Intel(R)Core(TM)i7-6800K CPU@3.40GHz，32GB RAM，NVIDIAGeForce GTX 1080Ti，对3年的数据进行批量化图像处理和病害数据生成，仅花费6min3s的时间即可完成，体现出该方法与人工计数相比明显的速度优势及标准化结果。
病害统计分析
数量和位置分析
分析统计2011年2～4月及2013年2～4月的纵向病害数量分布，如图9和图10，可见铺装病害沿桥梁纵向分布较为均匀，且在未进行人工修复前，病害数量将有明显上升。
分析统计2011年2～4月及2013年2～4月的纵向病害数量分布，如图11、图12，可见铺装病害沿桥梁横向分布不均匀，在紧急停车道、快车道和中央分隔带的病害数量很少，而较多出现在重车道和变换车道，其中5#、10#、11#、16#为较常出现的车辙位置，因此病害检测结果与桥面行车规则具有一定的关联性。
类型分析
对自动识别的铺装病害类型分别进行统计，如图13所示。可见，裂缝类的线状病害数量远多于坑槽、鼓包等面状病害数量，且在线状病害中，L-3类型占到了大多数，即直线型且不穿过横隔板的病害数量占主导。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和使用发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (10)
1.一种结构表观病害检测数据标准化批处理方法，其特征在于，包括以下步骤：
S1：基于人工检测采集的结构病害图像数据，进行网格式栅格化的划分，之后按照位图图像格式标准进行批量导出，形成病害标准图；
S2：基于所述的病害标准图，依次使用图像灰度化、图像二值化和连通域查找方法进行处理，得到图像中包含的多个连通域，对每个连通域通过图像细化，进一步提取其骨架，从而得到连通域的完整特征，通过连通域判定方法，进行病害信息化和分类，得到可供计算机快速分析处理的标准化数据；
S3：根据网格标签输出可供计算机快速分析处理的标准化数据，进行病害数据分析。
2.根据权利要求1所述的一种结构表观病害检测数据标准化批处理方法，其特征在于，所述病害标准图包含以编码形式标识的表观特征信息和位置特征信息，还包括以特定字段标识的病害描述信息。
3.根据权利要求1所述的一种结构表观病害检测数据标准化批处理方法，其特征在于，所述病害标准图中包括初级网格划分和次级网格划分，所述次级网格划分基于初级网格划分得到的单个网格进行次级划分，通过多级的网格划分实现病害定位和分类。
4.根据权利要求1所述的一种结构表观病害检测数据标准化批处理方法，其特征在于，所述图像灰度化过程中，按式(1)对原始彩色图像的RGB三分量进行加权平均，以此到灰度图像：
Gray(i,j)＝0.299×R(i,j)+0.578×G(i,j)+0.114×B(i,j) (1)
其中(i，j)为特定像素。
5.根据权利要求1所述的一种结构表观病害检测数据标准化批处理方法，其特征在于，所述图像二值化过程中采用最大类间差分法进行灰度图像的二值化，其中按照图像灰度特性，通过求取前景和背景之间的类间方差函数，通过取最大值的方法进行前景背景分割，从而在全局阈值场景下进行图像二值化。
6.根据权利要求1所述的一种结构表观病害检测数据标准化批处理方法，其特征在于，所述连通域查找的过程中，采用二值图像连通区域标记方法，得到具有不同标签的连通域：
设阵列X0为与数字图像A大小相同，且满足在A的前景像素点记1，背景像素点记0的阵列，进行式(2)的迭代，从而提取到各个连通域：
式中，
表示结构元B对Xk-1的膨胀运算，定义如式(15)；
式中，通过结构元B沿数字图像A进行按行按列滑动，每次提取B所在区域的最大值，即作为选中像素点的运算结果。
7.根据权利要求6所述的一种结构表观病害检测数据标准化批处理方法，其特征在于，所述对每个连通域通过图像细化过程中：
以结构元B对数字图像A的细化运算定义为式(16)；
式中，A#B为结构元B对A的击中击不中运算，定义如式(17)；
式中，
为结构元B1对A的腐蚀运算，
为结构元B2对Ac的腐蚀运算，定义如式(18)，Ac为将A的前景和背景进行互换；
式中，通过结构元B沿数字图像A进行按行按列滑动，每次提取B所在区域的最小值，即作为选中像素点的运算结果。
8.根据权利要求7所述的一种结构表观病害检测数据标准化批处理方法，其特征在于，所述结构表观病害为桥梁病害，所述连通域判定方法包括以下步骤：
1)连通域属性提取：通过SAUF算法获取连通域本身属性信息，加上细化运算获取连通域骨架，共获得数据包括长度l、面积a、平均宽度w＝a/l、形心横坐标xw、形心纵坐标yw，左上角点横坐标x1，左上角点纵坐标y1，右下角点横坐标x2，右下角点纵坐标y2；
2)吊杆区域判定：通过文件名获取吊杆分布参数，得到吊杆起始编号hstart，结束编号hend；
3)横隔板区域判定：通过图纸获取相应吊杆区间范围内的横隔板间距参数，得到横隔板起始编号dstart，结束编号dend；
4)加劲肋区域判定：通过图纸获取相应吊杆区间范围内的加劲肋间距参数，得到加劲肋起始编号rstart，结束编号rend；
5)病害大类划分：以连通域的长宽比作为大类划分的依据，若长宽比不小于3，表示区域呈线状，划分为L类，否则表示区域呈面状，划分为A类；
6)病害细类划分：对于A类病害，判断横隔板起止编号之差，若差不小于2，则病害穿过横隔板，细类为A-1，否则病害不穿过横隔板，为A-2，对于L类病害，首先通过像素取值运算I(x,y)，获取左上角点、形心点、右下角点的像素值，若值大于零则表示该点存在病害点，定义病害为直线型，否则定义为曲线型；然后判断横隔板起止编号之差，若差不小于2则病害穿过横隔板，否则病害不穿过横隔板；最后判断上下角点连线的斜率，若超过tan(65°)，则定义病害为纵桥向，否则定义为横桥向。
9.一种结构表观病害人工检测数据标准化批处理系统，其特征在于，包括：
存储模块，存储有如权利要求1～8中任一项所述的结构表观病害检测数据标准化批处理方法对应的可执行程序；
I/O模块，能够输入人工检测采集的结构病害数据，并将得到病害数据分析结果输出至用户端；
微处理器，分别与所述存储模块和I/O模块通过主线电连接，能够基于人工检测采集的结构病害数据输出可供计算机快速分析处理的标准化数据，之后得到病害数据分析结果。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令的存储介质在由计算机处理器执行时，用于执行如权利要求1～8中任一项所述的结构表观病害检测数据标准化批处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110506556.8A CN113920051A (zh) | 2021-05-10 | 2021-05-10 | 结构表观病害检测数据标准化批处理方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110506556.8A CN113920051A (zh) | 2021-05-10 | 2021-05-10 | 结构表观病害检测数据标准化批处理方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113920051A true CN113920051A (zh) | 2022-01-11 |
Family
ID=79232647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110506556.8A Pending CN113920051A (zh) | 2021-05-10 | 2021-05-10 | 结构表观病害检测数据标准化批处理方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113920051A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117456285A (zh) * | 2023-12-21 | 2024-01-26 | 宁波微科光电股份有限公司 | 基于tof相机与深度学习模型的地铁屏蔽门异物检测方法 |
-
2021
- 2021-05-10 CN CN202110506556.8A patent/CN113920051A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117456285A (zh) * | 2023-12-21 | 2024-01-26 | 宁波微科光电股份有限公司 | 基于tof相机与深度学习模型的地铁屏蔽门异物检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arya et al. | Transfer learning-based road damage detection for multiple countries | |
| Ji et al. | An integrated approach to automatic pixel-level crack detection and quantification of asphalt pavement | |
| Majidifard et al. | Deep machine learning approach to develop a new asphalt pavement condition index | |
| Kalfarisi et al. | Crack detection and segmentation using deep learning with 3D reality mesh model for quantitative assessment and integrated visualization | |
| Cao et al. | Survey on performance of deep learning models for detecting road damages using multiple dashcam image resources | |
| Ukhwah et al. | Asphalt pavement pothole detection using deep learning method based on YOLO neural network | |
| Nie et al. | Pavement Crack Detection based on yolo v3 | |
| Wang et al. | RENet: Rectangular convolution pyramid and edge enhancement network for salient object detection of pavement cracks | |
| Lei et al. | Automated pavement distress detection and deterioration analysis using street view map | |
| CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
| Sun et al. | Autonomous crack and bughole detection for concrete surface image based on deep learning | |
| CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
| Payab et al. | A brief review and a new graph-based image analysis for concrete crack quantification | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| Li et al. | Automated classification and detection of multiple pavement distress images based on deep learning | |
| CN111008956B (zh) | 基于图像处理的梁底裂纹检测方法、系统、装置及介质 | |
| Guerrieri et al. | Flexible and stone pavements distress detection and measurement by deep learning and low-cost detection devices | |
| CN113920051A (zh) | 结构表观病害检测数据标准化批处理方法、系统及介质 | |
| CN114882356A (zh) | 路面病害检测网络训练方法、装置、设备及存储介质 | |
| Zhao et al. | High-resolution infrastructure defect detection dataset sourced by unmanned systems and validated with deep learning | |
| Kulambayev et al. | Real-time road surface damage detection framework based on mask r-cnn model | |
| Yu et al. | Automatic quantitative identification of bridge surface cracks based on deep learning | |
| Li et al. | Automated bridge crack detection based on improving encoder–decoder network and strip pooling | |
| Safaei | Pixel and region-based image processing algorithms for detection and classification of pavement cracks | |
| Shao et al. | Crack detection and measurement using PTZ camera–based image processing method on expressways |
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 |