CN113947570B - 一种基于机器学习算法和计算机视觉的裂纹辨识方法 - Google Patents
一种基于机器学习算法和计算机视觉的裂纹辨识方法 Download PDFInfo
- Publication number
- CN113947570B CN113947570B CN202111157916.4A CN202111157916A CN113947570B CN 113947570 B CN113947570 B CN 113947570B CN 202111157916 A CN202111157916 A CN 202111157916A CN 113947570 B CN113947570 B CN 113947570B
- Authority
- CN
- China
- Prior art keywords
- image
- classifiers
- gray level
- matrix
- identification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 230000004927 fusion Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 11
- 238000000691 measurement method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
针对当前计算机视觉方法对图像裂纹识别效率与精度低的问题,本发明公开了一种基于机器学习算法和计算机视觉的裂纹辨识方法。该方法通过计算图像的灰度共生矩阵,得到了角二阶矩、熵、对比度、自相关系数、逆差矩及方差等矩阵特征。将矩阵特征作为图像纹理特征,建立了多种分类器对图像进行分类,得到图像类别辨识概率。根据D‑S证据理论,将采用不同分类器得到的图像类别辨识概率进行融合,通过融合后的概率对图像中是否存在裂纹进行判别。该方法不同于采用单一分类器对图像进行分类,通过融合不同分类器得到的信息,降低了裂纹识别的不确定性,提高了裂纹辨识精度。
Description
技术领域
本发明属于结构健康检测技术领域,特别涉及一种基于机器学习算法和计算机视觉的裂纹辨识方法。
背景技术
道路作为日常生活最主要的基础设施结构,长期暴露于外部自然环境,极易产生裂纹。长此以往,裂纹会降低道路性能,成为道路安全隐患。近年来,裂纹检测作为公路养护系统的重要程序,受到了不同领域研究人员的密切关注。传统的人工道路裂纹检测费时费力,且检测结果受到检测人员的主观判断常有偏差。因此,在智能交通系统中,逐渐发展了能提供可靠分析的自动裂缝检测方法,从而取代了传统的人工判断。
基于图像信息的裂纹检测方法作为一种新发展起来的裂纹辨识方法具有测量效率高的优势被逐渐应用于实际生活,如Sobel检测、Canny检测方法等,该测量方法主要基于阈值来寻找裂纹区域,并假定位于裂纹区域的像素始终比其他像素暗。然而,该测量方法容易受到光照等测量噪声的影响,且阈值的选择需要专业人员的参与,很难进行广泛推广。因此,机器学习方法强大的目标识别能力开始被应用于裂纹检测,包括BP神经网络、支持向量机、决策树、随机森林等方法。然而,该类测量方法针对特定的图像需要调参,且对于不同类型的图像及不同特征的裂纹,各类机器学习方法具有不同的优势,因此不合适的机器学习方法会降低裂纹的辨识精度,而如何选择合适的机器学习方法也需要专业的技术人员进行评估。据此现状,本发明提出一一种基于机器学习算法和计算机视觉的裂纹辨识方法。
发明内容
为解决当前道路裂纹检测方法检测效率低,裂纹识别精度不确定性高的问题,本发明提供一种基于机器学习算法和计算机视觉的裂纹辨识方法,通过灰度共生矩阵提取图像的纹理特征,并以特征为输入建立了多种分类器对图像进行分类,获取类别辨识概率。采用D-S证据理论将不同分类器的辨识概率进行融合,通过融合后的概率对图像中是否存在裂纹进行辨识。该方法不同于采用单一分类器对图像进行分类,而是通过信息融合集中了不同分类器的优点,降低了裂纹识别的不确定性,提高了辨识精度。
为了实现上述目的,本发明采用的技术方案是:
一种基于机器学习算法和计算机视觉的裂纹辨识方法,包括以下步骤:
步骤1),采集带裂纹图像和无裂纹图像作为数据集;
步骤2),对采集的图像进行灰度化处理,计算图像在0°,45°,90°,135°的灰度共生矩阵,得到角二阶矩、熵、对比度、自相关系数、逆差矩及方差等矩阵特征;
步骤3),将矩阵特征作为图像纹理特征,分别对KNN、决策树、随机森林、支持向量机、Xgboost及Bp神经网络等6种分类器进行训练;
步骤4),采用相机获取被测结构的图像,得到该图像纹理特征,利用训练好的不同分类器计算图像类别辨识概率;
步骤5),根据D-S证据理论将采用不同分类器得到的图像类别辨识概率进行融合,通过融合后的概率对图像中是否存在裂纹进行判别。
进一步地,所述步骤2)中,以灰度为i的像素为原点,在其位移为d,逆时针方向θ处,灰度为j的像素在图像中同时出现的概率记作p(i,j):
p(i,j)={(x,y)|f(x,y)=i,f(x+Δx,y+Δy)=j;x=0,1,2,...,Nx,y=0,1,2,...,Ny}
式中:(x,y)为灰度为i的像素的坐标,(x+Δx,y+Δy)为灰度为j的像素的坐标,Nx和Ny分别为图像水平和竖直方向的大小。
设图像的灰度级为M,则图像的灰度共生矩阵为M×M的方阵可以表示为:
根据灰度共生矩阵,计算角二阶矩、熵、对比度、自相关系数、逆差矩及方差等矩阵特征,具体如下:
角二阶矩表示如下:
熵表示如下:
对比度表示如下:
自相关系数表示如下:
逆差矩表示如下:
方差表示如下:
式中:ux和uy为图像像素在水平和垂直方向的灰度均值,和/>是水平和垂直方向的方差,表示如下:
进一步地,所述步骤3)具体为,将四个方向上共计24个矩阵特征作为图像纹理特征,分别对所述6种分类器进行训练。
进一步地,所述步骤5)中,设任意两个分类器获得的辨识概率分别为Pn-1,Pn,根据D-S证据理论将采用不同分类器得到的图像类别辨识概率进行融合,融合后的辨识概率表示为:
式中:Pc为两个分类器融合后的概率,q为两个分类器之间的冲突量,n为分类器的数目。
逐步融合不同分类器的辨识概率,利用最终的融合概率对对图像中是否存在裂纹进行判别。
与现有技术相比,本发明的有益效果是:
1)通过计算不同方向的图像灰度共生矩阵及不同方向下的特征值,能够很好地捕捉图像的纹理信息。
2)所提方法融合了不同机器学习方法的识别结果,降低了单一机器学习方法识别精度的不确定性,提高了裂纹识别精度。
附图说明
图1为本发明所提出的裂纹识别方法总体流程图框架。
图2为不带裂纹图像和裂纹图像。
图3为不同方向下的灰度共生矩阵计算方法示意图。
图4为基于D-S证据融合理论的不同机器学习方法流程示意图。
图5为基于本发明所提方法与其他裂纹检测方法的结果对比,图(a)为准确性,图(b)为召回率,图(c)为精确率,图(d)为准确率。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
本发明为一种基于机器学习算法和计算机视觉的裂纹辨识方法,首先计算图像的灰度共生矩阵,获得了角二阶阵、熵、对比度等图像纹理特征值。其次,以图象纹理特征值为输入,采用不同的机器学习方法获取不同的裂纹识别概率。最后,利用D-S证据融合理论将不同机器学习方法获得的识别概率进行融合,获得最终结果从而对图像进行识别。
如图1所示,本发明具体包括如下步骤:
步骤1:如图2所示,采集带裂纹和无裂纹图像作为数据集。
步骤2:对采集的图像进行灰度化处理,如图3所示,计算图像在0°,45°,90°,135°的灰度共生矩阵,得到了角二阶矩、熵、对比度、自相关系数、逆差矩及方差等矩阵特征。
以灰度为i的像素为原点,在其位移为d,逆时针方向θ处,灰度为j的像素在图像中同时出现的概率记作p(i,j):
p(i,j)={(x,y)|f(x,y)=i,f(x+Δx,y+Δy)=j;x=0,1,2,...,Nx,y=0,1,2,...,Ny} (1)
式中:(x,y)为灰度为i的像素的坐标,(x+Δx,y+Δy)为灰度为j的像素的坐标,Nx和Ny分别为图像水平和竖直方向的大小。
设图像的灰度级为M,则图像的灰度共生矩阵为M×M的方阵可以表示为:
根据灰度共生矩阵,计算角二阶矩、熵、对比度、自相关系数、逆差矩及方差等矩阵特征,具体如下:
角二阶矩表示如下:
熵表示如下:
对比度表示如下:
自相关系数表示如下:
逆差矩表示如下:
方差表示如下:
式中:ux和uy为图像像素在水平和垂直方向的灰度均值,和/>是水平和垂直方向的方差,表示如下:
步骤3:将矩阵特征作为图像纹理特征,分别对KNN、决策树、随机森林、支持向量机、Xgboost及Bp神经网络等6种分类器进行训练。
步骤4:采用相机获取被测结构的图像,得到该图像纹理特征,利用训练好的不同分类器计算图像类别辨识概率。
步骤5:如图4所示,根据D-S证据理论将采用不同分类器得到的图像类别辨识概率进行融合,通过融合后的概率对图像中是否存在裂纹进行判别。
根据D-S证据理论将采用不同分类器得到的图像类别辨识概率进行融合:
设任意两个分类器获得的辨识概率分别为Pn-1,Pn,根据D-S证据理论将采用不同分类器得到的图像类别辨识概率进行融合,融合后的辨识概率表示为:
式中:Pc为两个分类器融合后的概率,q为两个分类器之间的冲突量,n为分类器的数目。
逐步融合不同分类器的辨识概率,利用最终的融合概率对对图像中是否存在裂纹进行判别。
计算结果如图5所示,结果表明,相对比与其他单一模型的裂纹辨识结果,本发明所提出的方法具有较高的识别精度。
Claims (2)
1.一种基于机器学习算法和计算机视觉的裂纹辨识方法,其特征在于,包括以下步骤:
步骤1),采集带裂纹图像和无裂纹图像作为数据集;
步骤2),对采集的图像进行灰度化处理,计算图像在0°,45°,90°,135°的灰度共生矩阵,得到包括角二阶矩、熵、对比度、自相关系数、逆差矩及方差在内的矩阵特征;
步骤3),将矩阵特征作为图像纹理特征,分别对KNN、决策树、随机森林、支持向量机、Xgboost及Bp神经网络共6种分类器进行训练;
步骤4),采用相机获取被测结构的图像,得到该图像纹理特征,利用训练好的不同分类器计算图像类别辨识概率;
步骤5),根据D-S证据理论将采用不同分类器得到的图像类别辨识概率进行融合,通过融合后的概率对图像中是否存在裂纹进行判别;
其中,所述步骤2)中,以灰度为i的像素为原点,在其位移为d,逆时针方向θ处,灰度为j的像素在图像中同时出现的概率记作p(i,j):
p(i,j)={(x,y)|f(x,y)=i,f(x+Δx,y+Δy)=j;x=0,1,2,...,Nx,y=0,1,2,...,Ny}
式中:(x,y)为灰度为i的像素的坐标,(x+Δx,y+Δy)为灰度为j的像素的坐标,Nx和Ny分别为图像水平和竖直方向的大小;
设图像的灰度级为M,则图像的灰度共生矩阵为M×M的方阵,表示为:
根据灰度共生矩阵,计算矩阵特征如下:
角二阶矩:
熵:
对比度:
自相关系数:
逆差矩:
方差:
式中:ux和uy为图像像素在水平和垂直方向的灰度均值,和/>是水平和垂直方向的方差,表示如下:
所述步骤5)中,设任意两个分类器获得的辨识概率分别为Pn-1,Pn,根据D-S证据理论将采用不同分类器得到的图像类别辨识概率进行融合,融合后的辨识概率表示为:
式中:Pc为两个分类器融合后的概率,q为两个分类器之间的冲突量,n为分类器的数目;
逐步融合不同分类器的辨识概率,利用最终的融合概率对对图像中是否存在裂纹进行判别。
2.根据权利要求1所述一种基于机器学习算法和计算机视觉的裂纹辨识方法,其特征在于,所述步骤3)中,将0°,45°,90°,135°四个方向上共计24个矩阵特征作为图像纹理特征,分别对所述6种分类器进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157916.4A CN113947570B (zh) | 2021-09-30 | 2021-09-30 | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157916.4A CN113947570B (zh) | 2021-09-30 | 2021-09-30 | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113947570A CN113947570A (zh) | 2022-01-18 |
CN113947570B true CN113947570B (zh) | 2024-04-09 |
Family
ID=79329042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111157916.4A Active CN113947570B (zh) | 2021-09-30 | 2021-09-30 | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947570B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723681B (zh) * | 2022-03-22 | 2022-10-18 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土裂缝缺陷检测方法 |
CN117805109A (zh) * | 2023-12-29 | 2024-04-02 | 江苏腾丰环保科技有限公司 | 一种基于纹理特征识别的水质检测方法、系统 |
CN118037279A (zh) * | 2024-04-12 | 2024-05-14 | 海宁昱天新能源科技有限公司 | 基于计算机视觉的光伏设备自动化运维管理系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650823A (zh) * | 2016-12-30 | 2017-05-10 | 湖南文理学院 | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 |
CN109784383A (zh) * | 2018-12-28 | 2019-05-21 | 南京航空航天大学 | 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法 |
US10783406B1 (en) * | 2019-04-26 | 2020-09-22 | Zhejiang University | Method for detecting structural surface cracks based on image features and bayesian data fusion |
-
2021
- 2021-09-30 CN CN202111157916.4A patent/CN113947570B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650823A (zh) * | 2016-12-30 | 2017-05-10 | 湖南文理学院 | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 |
CN109784383A (zh) * | 2018-12-28 | 2019-05-21 | 南京航空航天大学 | 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法 |
US10783406B1 (en) * | 2019-04-26 | 2020-09-22 | Zhejiang University | Method for detecting structural surface cracks based on image features and bayesian data fusion |
Non-Patent Citations (1)
Title |
---|
王海晖 ; 卢炎生 ; .基于D-S证据理论的纹理图像分类方法.华中科技大学学报(自然科学版).2006,(第04期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113947570A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113947570B (zh) | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 | |
CN111274976B (zh) | 基于视觉与激光雷达多层次融合的车道检测方法及系统 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN111611905B (zh) | 一种可见光与红外融合的目标识别方法 | |
CN116092013B (zh) | 一种用于智慧监控的危险路况识别方法 | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN111079640B (zh) | 一种基于自动扩增样本的车型识别方法及系统 | |
CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN114973002A (zh) | 一种基于改进的YOLOv5的麦穗检测方法 | |
CN112464983A (zh) | 一种用于苹果树叶病害图像分类的小样本学习方法 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
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 | |
CN112784834A (zh) | 一种自然场景下的车牌自动识别方法 | |
CN114170511A (zh) | 基于Cascade RCNN的路面裂缝病害识别方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN114266893A (zh) | 烟火隐患识别方法和设备 | |
CN113962973A (zh) | 一种基于卫星技术的输电线路无人机智能巡检系统及方法 | |
CN113592839A (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统 | |
CN111310899B (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 |
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 |