CN113962955A - 一种从图像中识别目标对象的方法、装置及电子设备 - Google Patents
一种从图像中识别目标对象的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113962955A CN113962955A CN202111223444.8A CN202111223444A CN113962955A CN 113962955 A CN113962955 A CN 113962955A CN 202111223444 A CN202111223444 A CN 202111223444A CN 113962955 A CN113962955 A CN 113962955A
- Authority
- CN
- China
- Prior art keywords
- image
- bridge deck
- detected
- grid
- identifying
- 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- Withdrawn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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000009499 grossing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004904 shortening 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06T2207/30—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)
- Image Analysis (AREA)
Abstract
本申请属于图像识别技术领域,具体涉及一种从图像中识别目标对象的方法、装置及电子设备，包括：获取待检测的桥梁桥面图像；栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理；对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像；解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息。通过对桥梁桥面图像进行栅格化，并将栅格化后的桥梁桥面图像进行灰度处理，通过对栅格化后的图像中每一个栅格的像素值进行分析，从而得到桥梁桥面图像中是否存在裂缝，以及存在裂缝时裂缝在桥梁桥面图像中的位置。本方案实现了自动识别桥梁裂缝的方案，无需人工巡检，提高了检测效率。
Description
技术领域
本申请属于图像识别技术领域，具体涉及一种从图像中识别目标对象的方法、装置及电子设备。
技术背景
在建筑、桥梁、道路和隧道等工程结构的建设中，混凝土的用量占比最高。裂缝作为混凝土结构的主要病害之一，不仅会影响美观，也会影响结构的耐久性和承载能力。对混凝土结构进行定时巡检，能够及时发现裂缝，能够尽早的防范并进行养护，能够提高混凝土结构的服役寿命。传统的检测混凝土结构裂缝的方法多采用人工巡检的方法，耗时费力，主观性强，检测精度低。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请提供一种从图像中识别目标对象的方法、装置及电子设备，用以解决现有技术中，采用人工巡检的方法，耗时费力，主观性强，检测精度低的技术问题。
根据本申请第一个方面实施例，提供了一种从图像中识别目标对象的方法，包括：
获取待检测的桥梁桥面图像；
栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理；
对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像；
解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息。
在一种示例性实施方式中，所述栅格化所述桥梁桥面图像包括：
设置栅格参数，并基于所述桥梁桥面图像的强度信息，生成对应的强度栅格图。
在一种示例性实施方式中，在所述对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像包括：
对灰度处理后的待检测图像进行滤波处理，并对滤波后的待检测图像进行平滑处理。
在一种示例性实施方式中，所述解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息包括：
采用已训练的图像识别模型识别所述第一桥面图像中各栅格对应的灰度值；
基于各栅格对应的灰度值，判断所述裂缝在所述桥梁桥面图像中的位置。
在一种示例性实施方式中，所述采用已训练的图像识别模型识别所述第一桥面图像中各栅格对应的灰度值包括：
获取用于训练所述图像识别模型的训练图像；其中，所述训练图像的像素值低于所述桥梁桥面图像的像素值；
对所述训练图像进行预处理得到所述特征对应的特征向量；
将得到的特征向量划分为训练数据集以及验证数据集；
利用所述训练数据集训练所述图像识别模型，并利用所述验证数据集验证训练后的图像识别模型，得到已训练的图像识别模型。
在一种示例性实施方式中，所述方法还包括：
基于所述桥梁桥面图像的空间坐标，以及所述待检测的所述桥梁桥面图像对应的裂缝位置信息；确定所述裂缝在所述桥梁上的位置。
根据本申请第二个方面实施例，提供了一种从图像中识别目标对象的装置，包括用于执行上述的从图像中识别目标对象的方法的控制器，所述装置还包括：
图像采集器，所述图像采集器用于获取待检测的桥梁桥面图像；
固定器，所述固定器连接所述图像采集器，所述固定器的另一端滑动连接所述桥梁的栏杆；
驱动器，所述驱动器驱动连接所述固定器，所述驱动器用于驱动所述固定器沿所述栏杆移动。
在一种示例性实施方式中，所述控制器包括：
获取模块，用于获取待检测的桥梁桥面图像；
栅格模块，用于栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理；
处理模块，用于对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像；
解析模块，用于解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息。
在一种示例性实施方式中，所述固定器包括：
伸缩杆，
滑动头，所述滑动头与所述栏杆卡接连接；所述滑动头可在所述栏杆上滑动，所述滑动头与所述伸缩杆的一端连接，所述图像采集器与所述伸缩杆的另一端连接；所述驱动器跨设在所述栏杆的侧壁上，所述滑动头固接在所述驱动器上，所述驱动器可在所述栏杆上移动，所述驱动器用于带动所述滑动头相对所述栏杆移动。
根据本申请第三个方面实施例，提供了一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述的从图像中识别目标对象的方法。
本公开提供了提供了一种从图像中识别目标对象的方法，包括：获取待检测的桥梁桥面图像；栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理；对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像；解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息。通过对桥梁桥面图像进行栅格化，并将栅格化后的桥梁桥面图像进行灰度处理，通过对栅格化后的图像中每一个栅格的像素值进行分析，从而得到桥梁桥面图像中是否存在裂缝，以及存在裂缝时裂缝在桥梁桥面图像中的位置。本方案实现了自动识别桥梁裂缝的方案，无需人工巡检，提高了检测效率。
本申请的构造以及它的其他目的及有益效果将会通过结合附图进行详细说明，以保证对优选实施例的描述更加明显易懂。
附图说明
为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中一种系统架构的示意图；
图2示意性示出本公开示例性实施例中一种从图像中识别目标对象的方法的示意图；
图3示意性示出本公开示例性实施例中一种基于人工智能的计算机数据安全防护装置的示意图；
图4示意性示出本公开示例性实施例中一种计算机系统的组成示意图；
图5示意性示出本公开示例性实施例中一种存储介质的组成示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本公开的示例性实施例中首先提供一种从图像中识别目标对象的装置的系统架构。参考图1所示，该系统架构可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送数据等。终端设备101、102、103上可以安装有各种通讯用户端应用，例如网页浏览器应用、搜索类应用、即时通信工具、邮箱用户端等。
终端设备101、102、103可以是具有显示屏并且支持数据编辑以及数据发送的各种智能设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的信息查询网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的待评估数据进行数据分析等处理，并将处理结果(例如健康评估信息、产品信息、操作控制指令--仅为示例)反馈给终端设备。再例如，后台管理服务器接收用户通过终端设备101发送的待检测的桥梁桥面图像，如用户通过无人机搭载图像采集设备采集的桥梁桥面图像等等；后台管理服务器栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理；对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像；解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息；后台管理服务器将桥梁桥面图像对应的裂缝位置信息通过网络104发送至客户端101、102或103，以便于用户查看结果。
需要说明的是，本公开实施方式所提供的从图像中识别目标对象的方法一般由服务器105执行，相应地，从图像中识别目标对象的装置一般置于服务器105中。但本领域技术人员可以理解的是，本公开实施例所提供的数据处理方法也可以由终端设备101、102或103与服务器105交互完成，相应的，从图像中识别目标对象的装置也可以设置于服务器105中、以及终端设备101、102或103中。
以对用户提供的待检测的桥梁桥面图像进行分析为例，本方案提供的从图像中识别目标对象的方法可以由服务器105执行，具体执行过程如下：
服务器存储用户收集的各桥梁桥面图像，可以理解的是，服务器可以将桥梁桥面图像存储在服务器存储中，例如云存储，也可以是服务器将上述桥梁桥面图像存储在硬件存储中，例如移动硬盘等，服务器从上述服务器存储中调用桥梁桥面图像，栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理；对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像；解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息。基于上述裂缝位置信息，用户便可以得知桥梁的具体裂缝位置，并及时安排维修人员前往目标位置对裂缝进行维修。
本方案提供的从图像中识别目标对象的方法还可以由服务器105和终端设备101、102或103交互执行，具体执行过程如下：
终端设备通过图像采集设备采集桥梁桥面图像，例如高清摄像机等，图像采集完成后，用户使用终端设备101、102或103通过网络104将采集完成的桥梁桥面图像通过网络104发送至服务器105；服务器105接收上述桥梁桥面图像后，栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理；对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像；解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息。基于上述裂缝位置信息，用户便可以得知桥梁的具体裂缝位置，并及时安排维修人员前往目标位置对裂缝进行维修。
本公开实施方式所提供的数据处理方法可以应用于以下应用场景：
为了维护桥梁的使用安全性能，需要及时掌握桥梁的桥面状况，现有的掌握桥面情况的手段是人工巡检，然而，人工巡检的方式存在检测周期，无法确保用户可以及时掌握桥梁的桥面状况，此时，可以采用本申请提供的方案，通过采集桥面图像，并对图像进行分析，进而得到桥面桥面上是否存在裂缝以及裂缝的位置，无需人工巡检。
基于上述系统架构100，本公开提出一种从图像中识别目标对象的方法。
参考图2所示，上述方法包括：
步骤S201，获取待检测的桥梁桥面图像。
步骤S202，栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理。
步骤S203，对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像。
步骤S204，解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息。
本示例实施方式所提供的一种从图像中识别目标对象的方法，包括：获取待检测的桥梁桥面图像；栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理；对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像；解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息。通过对桥梁桥面图像进行栅格化，并将栅格化后的桥梁桥面图像进行灰度处理，通过对栅格化后的图像中每一个栅格的像素值进行分析，从而得到桥梁桥面图像中是否存在裂缝，以及存在裂缝时裂缝在桥梁桥面图像中的位置。本方案实现了自动识别桥梁裂缝的方案，无需人工巡检，提高了检测效率。
下面，将结合附图及实施例对本示例实施方式中的数据评估方法的各个步骤进行更详细的说明。
步骤S201，获取待检测的桥梁桥面图像。
本示例实施方式中，上述待检测的桥梁桥面图像可以是由摄像机拍摄的图片，也可以是搭载有激光摄像头的无人机拍摄的图片，本方案不对上述桥梁桥面图像的获取来源做限定。
本示例实施方式中，服务器可以直接从服务器存储中调用上述桥面桥梁图像，也可以由用户通过用户终端向服务器发送，例如，用户可以通过图像采集设备对桥梁桥面图像进行采集，采集完成后，将采集到的桥梁桥面图像通过用户终端发送至服务器，以便于服务器获取上述待检测的桥梁桥面图像。
步骤S202，栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理。
本示例实施方式中，对上述桥梁桥面图像进行格栅化，具体的，可以预先设置栅格的尺寸，栅格的尺寸可以根据桥梁桥面图像的像素来设定，可以理解的是，本方案中一个栅格可以包括至少一个像素点，例如，一个栅格中进包含一个像素点，一个栅格内包含两个像素点，一个栅格内包含四个像素点等等，本方案不对上述栅格的尺寸做限定。
本示例实施方式中，栅格化上述桥梁桥面图像，得到若干栅格，上述栅格的边长可以是0.03m，也可以是0.02m，还可以是0.01m；本实施例不对上述栅格的边长做限定；可以理解的是，上述栅格的边长越小，对应得到的强度栅格图的准确度越高。基于预设原则依次对每一个栅格进行赋值，以得到最终的强度栅格图。
本示例实施方式中，上述预设原则可以采用以下方式：如果栅格中的点只有一个，则将该点的像素值赋值于其对应的栅格，若干栅格中的点大于一个，则对该栅格中的所有点按照像素值进行排序，对这些点的像素值取中位数，然后将中位数赋值给该栅格，作为栅格的像素值。
例如，第一栅格中只有一个点，该点的像素值为45，则将反射强度之45作为第一栅格的像素值。再例如，第二栅格中包含5个点，分别为点1点、点2、点3、点4、点5；点1的像素值为13；点2的像素值为10、点3的像素值为20、点4的像素值为15、点5的像素值为17；对上述点1-点5按照像素值进行排序，则得到以下排序序列：点2、点1、点4、点5、点3；取排序序列中的像素值中位数为点4，则可以将点4对应的像素值15作为该栅格的像素值；如点的个数为偶数时，则取排序序列中中间两个点中任一个点的像素值作为该栅格的像素值，或者取中间两个点对应两个像素值的平均值作为该栅格的像素值。
步骤S203，对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像。
本示例实施方式中，平滑，也可叫滤波，或者合在一起叫平滑滤波，平滑滤波是低频增强的空间域滤波技术。它的目的有两类：一类是模糊；另一类是消除噪音。空间域的平滑滤波一般采用简单平均法进行，就是求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关，邻域越大平滑的效果越好，但邻域过大，平滑会使边缘信息损失的越大，从而使输出的图像变得模糊，因此需合理选择邻域的大小。具体而言，上述平滑处理待检测图像的方式可以是均值滤波法、均值滤波法、高斯滤波法、双边滤波法等，本方案不对上述平滑处理的方法做限定。
步骤S204，解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息。
本示例实施方式中，基于灰度值，确定第一桥面图像中是否存在裂缝，以及存在裂缝时，裂缝的具体位置。具体而言，通过分析图像中每一个栅格的像素值，采用矩阵的方式分析上述各栅格之间的像素差值，例如，可以采用三乘三的矩阵，将矩阵中中心点的像素值分别与其相邻的栅格点的像素值进行对比，得到8个比较值，判断8个比较值中大于预定阈值的数量，当数量大于4，则认为该中心点属于裂缝中的一点，采用上述方式分别对第一桥面图像中的每一个栅格进行分析，最终将所有被判定为属于裂缝中的点连线，即可得裂缝在第一桥面图像中的位置，基于拍摄图像是的坐标，将所有的第一桥面图像拼接，以得到整体桥梁中，裂缝相对桥梁的位置。
进一步的，在一种示例性实施方式中，步骤S202包括：
步骤S2021，设置栅格参数，并基于所述桥梁桥面图像的强度信息，生成对应的强度栅格图。
本示例实施方式中，栅格化上述桥梁桥面图像，得到若干栅格，上述栅格的边长可以是0.03m，也可以是0.02m，还可以是0.01m；本实施例不对上述栅格的边长做限定；可以理解的是，上述栅格的边长越小，对应得到的强度栅格图的准确度越高。基于预设原则依次对每一个栅格进行赋值，以得到最终的强度栅格图。
进一步的，在一种示例性实施方式中，在所述步骤S203包括：
步骤S2031，对灰度处理后的待检测图像进行滤波处理，并对滤波后的待检测图像进行平滑处理。
本示例实施方式中，上述对灰度处理后的待检测图像进行滤波处理的方法可以是形态学滤波，对灰度处理后的待检测图像进行形态学滤波，目的是去除灰度处理后的待检测图像中的小物体，避免对本方案中裂缝的分析结果产生影响。
进一步的，在一种示例性实施方式中，所述步骤S204包括：
步骤S2041，采用已训练的图像识别模型识别所述第一桥面图像中各栅格对应的灰度值。
本示例实施方式中，上述图像识别模型可以是基于神经网络的识别模型，例如使用TensorFlow在自己的图像数据上训练深度学习模型，当然，上述图像识别模型也可以是其他现有的识别模型，本方案不对上述图像识别模型的种类做限定。
步骤S2042，基于各栅格对应的灰度值，判断所述裂缝在所述桥梁桥面图像中的位置。
本示例实施方式中，本示例实施方式中，基于灰度值，确定第一桥面图像中是否存在裂缝，以及存在裂缝时，裂缝的具体位置。具体而言，通过分析图像中每一个栅格的像素值，采用矩阵的方式分析上述各栅格之间的像素差值，例如，可以采用三乘三的矩阵，将矩阵中中心点的像素值分别与其相邻的栅格点的像素值进行对比，得到8个比较值，判断8个比较值中大于预定阈值的数量，当数量大于4，则认为该中心点属于裂缝中的一点，采用上述方式分别对第一桥面图像中的每一个栅格进行分析，最终将所有被判定为属于裂缝中的点连线，即可得裂缝在第一桥面图像中的位置，基于拍摄图像是的坐标，将所有的第一桥面图像拼接，以得到整体桥梁中，裂缝相对桥梁的位置。
进一步的，在一种示例性实施方式中，所述步骤S2041包括：
步骤S20411，获取用于训练所述图像识别模型的训练图像；其中，所述训练图像的像素值低于所述桥梁桥面图像的像素值。
本示例实施方式中，采用像素值低于桥梁桥面像素值的训练图像训练模型，训练好的模型的便可以有效的对像素值低于桥梁桥面图像像素值的图像进行有效识别，因此，采用低像素训练的图像识别模型在识别具有高像素值的桥梁桥面图像时具有更高的识别精度。
步骤S20412，对所述训练图像进行预处理得到所述特征对应的特征向量。
步骤S20413，将得到的特征向量划分为训练数据集以及验证数据集。
步骤S20414，利用所述训练数据集训练所述图像识别模型，并利用所述验证数据集验证训练后的图像识别模型，得到已训练的图像识别模型。
本示例实施方式中，采用上述方法对模型进行训练可以有效的提高图像识别模型对本方案中的桥梁桥面图像的识别精度。
进一步的，在一种示例性实施方式中，所述方法还包括：
步骤S205，基于所述桥梁桥面图像的空间坐标，以及所述待检测的所述桥梁桥面图像对应的裂缝位置信息；确定所述裂缝在所述桥梁上的位置。
本示例实施方式中，基于拍摄图像是的坐标，将所有的第一桥面图像拼接，以得到整体桥梁中，裂缝相对桥梁的位置。
具体而言，可以预先将拍摄的照片按照拍摄坐标进行排序，使其完整的还原桥梁，之后，将每一个桥梁桥面图像分别进行分析，确定每一张桥梁桥面图像中的裂缝位置，在将每一张处理后的桥面桥梁图像拼接，以得到整体桥梁上的裂缝位置。
根据本申请第二个方面实施例，提供了一种从图像中识别目标对象的装置，包括用于执行上述的从图像中识别目标对象的方法的控制器，所述装置还包括：
图像采集器，所述图像采集器用于获取待检测的桥梁桥面图像。
具体而言，上述图像采集器可以是高清摄像机，也可以是激光摄像机等，本方案不对上述图像采集器的类型做限定。
固定器，所述固定器连接所述图像采集器，所述固定器的另一端滑动连接所述桥梁的栏杆。
上述固定器可以是一固定杆，也可以是伸缩杆，上述固定器连接图像采集器的方式可以是转动连接，例如在固定器与图像采集器连接的一端设置一电动杆，电动杆转动连接在固定器的侧壁上，电动杆的另一端转动连接图像采集器，图像采集器转动连接在固定器的端部，即随着电动杆的伸长或缩短，上述图像采集器会相对固定器转动，进而调节图像采集器相对固定器的角度，以用于调节图像采集器的图像采集角度。为了获取图像采集器锁采集图像的坐标，可以在图像采集器上设置定位器，例如GPS等，在采集当前图像完成后，同步将当前GPS的读数绑定在该图像上，例如，可以在当前图像上显示当前GPS的读数。
驱动器，所述驱动器驱动连接所述固定器，所述驱动器用于驱动所述固定器沿所述栏杆移动。
本示例实施方式中，上述驱动器可以是一驱动电机组件，驱动器可以包括驱动部件和卡接部件，卡接部件环抱在栏杆的侧壁上，驱动电机组件固接在卡接部件上，驱动电机组件可以包括电机和轮，轮和栏杆侧壁接触，电机驱动轮转动，为了增加轮与栏杆侧壁之间的摩擦力，在轮的侧壁上包覆设置防滑垫。即随着电机驱动轮转动，驱动器便可以相对栏杆移动，在驱动器的带动下，固接在驱动器上的固定器以及连接在固定器上的图像采集器同步移动。
进一步的，请参见图3所示，在一种示例性实施方式中，所述控制器30包括：
获取模块301，用于获取待检测的桥梁桥面图像。
栅格模块302，用于栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理。
处理模块303，用于对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像。
解析模块304，用于解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息。
上述的从图像中识别目标对象的装置中各模块的具体细节已经在对应的从图像中识别目标对象的方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在一种示例性实施方式中，所述固定器包括：
伸缩杆、滑动头，所述滑动头与所述栏杆卡接连接；所述滑动头可在所述栏杆上滑动，所述滑动头与所述伸缩杆的一端连接，所述图像采集器与所述伸缩杆的另一端连接；所述驱动器跨设在所述栏杆的侧壁上，所述滑动头固接在所述驱动器上，所述驱动器可在所述栏杆上移动，所述驱动器用于带动所述滑动头相对所述栏杆移动。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的计算机系统。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图4来描述根据本发明的这种实施方式的计算机系统400。图4显示的计算机系统400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统400以通用计算设备的形式表现。计算机系统400的组件可以包括但不限于：上述至少一个处理单元410、上述至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元410执行，使得所述处理单元410执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元410可以执行如图2中所示的步骤S201，获取待检测的桥梁桥面图像；步骤S202，栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理；步骤S203，对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像；步骤S204，解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息。
存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元(ROM)4203。
存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204，这样的程序模块4205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
计算机系统400也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该计算机系统400交互的设备通信，和/或与使得该计算机系统400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口450进行。并且，计算机系统400还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器460通过总线430与计算机系统400的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图5所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品500，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种从图像中识别目标对象的方法，其特征在于，包括：
获取待检测的桥梁桥面图像；
栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理；
对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像；
解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息。
2.根据权利要求1所述的从图像中识别目标对象的方法，其特征在于，所述栅格化所述桥梁桥面图像包括：
设置栅格参数，并基于所述桥梁桥面图像的强度信息，生成对应的强度栅格图。
3.根据权利要求1所述的从图像中识别目标对象的方法，其特征在于，在所述对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像包括：
对灰度处理后的待检测图像进行滤波处理，并对滤波后的待检测图像进行平滑处理。
4.根据权利要求1所述的从图像中识别目标对象的方法，其特征在于，所述解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息包括：
采用已训练的图像识别模型识别所述第一桥面图像中各栅格对应的灰度值；
基于各栅格对应的灰度值，判断所述裂缝在所述桥梁桥面图像中的位置。
5.根据权利要求4所述的从图像中识别目标对象的方法，其特征在于，所述采用已训练的图像识别模型识别所述第一桥面图像中各栅格对应的灰度值包括：
获取用于训练所述图像识别模型的训练图像；其中，所述训练图像的像素值低于所述桥梁桥面图像的像素值；
对所述训练图像进行预处理得到所述特征对应的特征向量；
将得到的特征向量划分为训练数据集以及验证数据集；
利用所述训练数据集训练所述图像识别模型，并利用所述验证数据集验证训练后的图像识别模型，得到已训练的图像识别模型。
6.根据权利要求1所述的从图像中识别目标对象的方法，其特征在于，所述方法还包括：
基于所述桥梁桥面图像的空间坐标，以及所述待检测的所述桥梁桥面图像对应的裂缝位置信息；确定所述裂缝在所述桥梁上的位置。
7.一种从图像中识别目标对象的装置，其特征在于，包括用于执行权利要求1-6任一项所述的从图像中识别目标对象的方法的控制器，所述装置还包括：
图像采集器，所述图像采集器用于获取待检测的桥梁桥面图像；
固定器，所述固定器连接所述图像采集器，所述固定器的另一端滑动连接所述桥梁的栏杆；
驱动器，所述驱动器驱动连接所述固定器，所述驱动器用于驱动所述固定器沿所述栏杆移动。
8.根据权利要求7所述的从图像中识别目标对象的装置，其特征在于，所述控制器包括：
获取模块，用于获取待检测的桥梁桥面图像；
栅格模块，用于栅格化所述桥梁桥面图像，并对栅格化后的桥梁桥面图像进行灰度处理；
处理模块，用于对灰度处理后的待检测图像进行平滑处理，得到第一桥面图像；
解析模块，用于解析所述第一桥面图像中各栅格对应的灰度值，得到待检测的所述桥梁桥面图像对应的裂缝位置信息。
9.根据权利要求7所述的从图像中识别目标对象的装置，其特征在于，所述固定器包括：
伸缩杆，
滑动头，所述滑动头与所述栏杆卡接连接；所述滑动头可在所述栏杆上滑动，所述滑动头与所述伸缩杆的一端连接，所述图像采集器与所述伸缩杆的另一端连接；所述驱动器跨设在所述栏杆的侧壁上，所述滑动头固接在所述驱动器上，所述驱动器可在所述栏杆上移动，所述驱动器用于带动所述滑动头相对所述栏杆移动。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-6所述的从图像中识别目标对象的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111223444.8A CN113962955A (zh) | 2021-10-20 | 2021-10-20 | 一种从图像中识别目标对象的方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111223444.8A CN113962955A (zh) | 2021-10-20 | 2021-10-20 | 一种从图像中识别目标对象的方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113962955A true CN113962955A (zh) | 2022-01-21 |
Family
ID=79465089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111223444.8A Withdrawn CN113962955A (zh) | 2021-10-20 | 2021-10-20 | 一种从图像中识别目标对象的方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962955A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024098396A1 (zh) * | 2022-11-11 | 2024-05-16 | 杭州数梦工场科技有限公司 | 空间数据重叠的判断方法、装置、设备及存储介质 |
-
2021
- 2021-10-20 CN CN202111223444.8A patent/CN113962955A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024098396A1 (zh) * | 2022-11-11 | 2024-05-16 | 杭州数梦工场科技有限公司 | 空间数据重叠的判断方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Hybrid deep learning architecture for rail surface segmentation and surface defect detection | |
| EP3655923B1 (en) | Weakly supervised anomaly detection and segmentation in images | |
| Hoang | Detection of surface crack in building structures using image processing technique with an improved Otsu method for image thresholding | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| US11790632B2 (en) | Method and apparatus for sample labeling, and method and apparatus for identifying damage classification | |
| CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
| CN111046956A (zh) | 遮挡图像检测方法、装置、电子设备及存储介质 | |
| CN111121797B (zh) | 道路筛选方法、装置、服务器及存储介质 | |
| CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
| CN111429486A (zh) | 基于dnndk模型的运动目标实时检测跟踪系统及方法 | |
| CN110929565B (zh) | 基于机器学习的风险监控方法、装置、存储介质及电子设备 | |
| CN113962955A (zh) | 一种从图像中识别目标对象的方法、装置及电子设备 | |
| Awadallah et al. | Automated multiclass structural damage detection and quantification using augmented reality | |
| CN112183554B (zh) | 一种自动化道路边界轮廓提取方法 | |
| CN113420295A (zh) | 恶意软件的检测方法及装置 | |
| CN113705650A (zh) | 一种人脸图片集的处理方法、装置、介质和计算设备 | |
| Kim et al. | Real-time assessment of surface cracks in concrete structures using integrated deep neural networks with autonomous unmanned aerial vehicle | |
| CN110824451A (zh) | 雷达回波图的处理方法、装置、计算机设备及存储介质 | |
| Żarski et al. | KrakN: Transfer Learning framework for thin crack detection in infrastructure maintenance | |
| CN111768007B (zh) | 用于挖掘数据的方法和装置 | |
| Beeram et al. | Structural damage identification from video footage using artificial intelligence | |
| KR20230043419A (ko) | Ai 기반의 건물 하자 점검 시스템 | |
| CN113869317A (zh) | 车牌识别方法、装置、电子设备和存储介质 | |
| KR20230003730A (ko) | 드론을 이용하여 구조물의 외부 균열을 검사하는 방법, 시스템 및 비일시성 판독 가능 기록 매체 | |
| CN113344064A (zh) | 事件处理方法和装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220121 |
|
| WW01 | Invention patent application withdrawn after publication |