CN113989237A - 一种基于网格化的核电厂房路面裂缝率计算方法 - Google Patents

一种基于网格化的核电厂房路面裂缝率计算方法 Download PDF

Info

Publication number
CN113989237A
CN113989237A CN202111266075.0A CN202111266075A CN113989237A CN 113989237 A CN113989237 A CN 113989237A CN 202111266075 A CN202111266075 A CN 202111266075A CN 113989237 A CN113989237 A CN 113989237A
Authority
CN
China
Prior art keywords
crack
point
grid
coordinate
grids
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
CN202111266075.0A
Other languages
English (en)
Other versions
CN113989237B (zh
Inventor
肖力炀
杨东
刘超飞
崔逸群
毕玉冰
王文庆
朱博迪
邓楠轶
董夏昕
介银娟
刘迪
刘骁
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.)
Xian Thermal Power Research Institute Co Ltd
Huaneng Group Technology Innovation Center Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Huaneng Group Technology Innovation Center 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 Xian Thermal Power Research Institute Co Ltd, Huaneng Group Technology Innovation Center Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202111266075.0A priority Critical patent/CN113989237B/zh
Publication of CN113989237A publication Critical patent/CN113989237A/zh
Application granted granted Critical
Publication of CN113989237B publication Critical patent/CN113989237B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Abstract

本发明公开了一种基于网格化的核电厂房路面裂缝率计算方法，将采集的核电厂房路面裂缝图像进行网格划分，之后对使用深度学习目标检测模型生成的裂缝检测框与网格边界进行对齐，统计检测框内包含有裂缝的网格数，计算其厂房路面裂缝率，该发明能够较为准确的对裂缝情况进行评价，对核电厂房路面裂缝的修补工作具有重要意义。

Description

一种基于网格化的核电厂房路面裂缝率计算方法
技术领域
本发明属于道路裂缝率计算技术领域，涉及一种基于网格化的核电厂房路面裂缝率计算方法。
背景技术
根据最新公路技术状况评定标准中提到用于裂缝自动化检测方法的新规定，计量裂缝的网格标准尺寸大小为0.1m×0.1m，该标准的提出为核电厂房路面裂缝的网格化评价方法奠定了基础。本发明根据网格化的评价方法提出了一种核电厂房路面裂缝计算率的方法，可用于评价裂缝等级。
发明内容
本发明的目的是提供一种基于网格化的核电厂房路面裂缝率计算方法，通过统计裂缝所占网格数，对路面裂缝率进行评价。
为了达到上述目的，本发明采用如下技术方案予以实现：
一种基于网格化的核电厂房路面裂缝率计算方法，具体步骤如下：
步骤1，使用检测车设备采集核电厂房路面裂缝图像，图像尺寸为m×n；
步骤2，对采集到的整张裂缝图像划分网格，网格的尺寸大小为a×a像素，整张图像网格数为
Figure BDA0003326948610000011
步骤3，采用深度学习目标检测模型对裂缝目标进行检测和分割，获取生成的裂缝检测框坐标信息和分割的裂缝像素坐标；
步骤4，将裂缝检测框进行位移，移动至与网格边界匹配；
移动方法如下：裂缝检测框的四个顶点分别为A,B,C,D四个点，对于A点，找到A点所处网格的四个顶点坐标，用公式(1)判断每个坐标距离A点的距离，将距离最近的网格顶点坐标作为更新之后的A点坐标，采用相同方法移动B,C,D点；
Figure BDA0003326948610000021
其中，(x,y)为A点坐标，(xi，yi)为A点所处网格的顶点坐标，d为两点之间的距离，i取值1，2，3，4；
步骤5，根据步骤3中裂缝分割结果，将移动之后裂缝检测框内含有裂缝的那些网格进行标记，并统计包含裂缝的网格个数，即裂缝所占网格数；
步骤6，采用公式(2)计算裂缝率
裂缝率＝裂缝所占网格数/整张图像总网格数 (2)。
与现有技术相比，本发明的有益效果是：
能够较为准确的对裂缝情况进行评价，根据裂缝率的结果针对性的对裂缝进行修补。
附图说明
图1是移动裂缝检测框示意图，
图2是统计裂缝网格数的过程。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于网格化的核电厂房路面裂缝率计算方法，具体步骤如下：
步骤1，使用检测车设备采集核电厂房路面裂缝图像，采集的图像尺寸大小为1280×960像素；
步骤2，对采集到的整张裂缝图像划分网格，由于图像尺寸为1280×960像素，设备拍摄每张图像的视角是固定宽度，即4米宽，根据图像大小与固定宽度的对应关系，可以得到每个像素点对应实际的宽度为0.3125厘米(4m/1280px＝0.3125cm)，本发明划分网格尺寸为0.1m×0.1m，对应图像中32个像素大小(0.1m/0.3125cm＝32)，因此本发明划分网格尺寸为32×32像素；
步骤3，采用Mask R-CNN深度学习模型对裂缝目标进行检测和分割，获取生成的裂缝检测框坐标信息和分割的裂缝像素坐标；
步骤4，如图1所示，裂缝检测框与网格边界产生错位，图中虚线框表示Mask R-CNN深度学习模型生成的裂缝检测框，实线框表示与裂缝检测框相近的网格边界，为了更好的适应网格，需要在检测结果的基础上进行调整，使得检测框的四个顶点坐标与网格的坐标进行匹配，将检测框的四个顶点坐标进行移动，移动到距离该点最近的网格顶点处；
移动方法如图1，裂缝检测框的四个顶点分别为A,B,C,D四个点，以A点为例，找到A点所处网格的四个顶点坐标，用公式(1)判断每个坐标距离A点的距离，将距离最近的网格顶点A’坐标作为更新之后的A点坐标，采用相同方法移动B,C,D点；
Figure BDA0003326948610000031
其中，(x,y)为A点坐标，(xi，yi)为A点所处网格的顶点坐标，d为两点之间的距离，i取值1，2，3，4；
步骤5，根据步骤3中裂缝分割结果，将移动之后裂缝检测框内含有裂缝的那些网格进行标记，并统计包含裂缝的网格个数，即裂缝所占网格数；
步骤6，采用公式(2)计算裂缝率
裂缝率＝裂缝所占网格数/整张图像总网格数 (2)。
图2所示为裂缝的网格化过程，将网格中包含有裂缝分割像素的那些网格进行颜色叠加，统计裂缝所占网格数为41，裂缝率为41/1200≈3.42％。

Claims (2)

1.一种基于网格化的核电厂房路面裂缝率计算方法，其特征在于：具体步骤如下：
步骤1，使用检测车设备采集核电厂房路面裂缝图像，图像尺寸为m×n；
步骤2，对采集到的整张裂缝图像划分网格，网格的尺寸大小为a×a像素，整张图像网格数为
Figure FDA0003326948600000011
步骤3，采用深度学习目标检测模型对裂缝目标进行检测和分割，获取生成的裂缝检测框坐标信息和分割的裂缝像素坐标；
步骤4，将裂缝检测框进行位移，移动至与网格边界匹配；
移动方法如下：裂缝检测框的四个顶点分别为A,B,C,D四个点，对于A点，找到A点所处网格的四个顶点坐标，用公式(1)判断每个坐标距离A点的距离，将距离最近的网格顶点坐标作为更新之后的A点坐标，采用相同方法移动B,C,D点；
Figure FDA0003326948600000012
其中，(x,y)为A点坐标，(xi，yi)为A点所处网格的顶点坐标，d为两点之间的距离，i取值1，2，3，4；
步骤5，根据步骤3中裂缝分割结果，将移动之后裂缝检测框内含有裂缝的那些网格进行标记，并统计包含裂缝的网格个数，即裂缝所占网格数；
步骤6，采用公式(2)计算裂缝率
裂缝率＝裂缝所占网格数/整张图像总网格数 (2)。
2.根据权利要求1所述的一种基于网格化的核电厂房路面裂缝率计算方法，其特征在于：深度学习目标检测模型为Mask R-CNN深度学习模型。
CN202111266075.0A 2021-10-28 2021-10-28 一种基于网格化的核电厂房路面裂缝率计算方法 Active CN113989237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111266075.0A CN113989237B (zh) 2021-10-28 2021-10-28 一种基于网格化的核电厂房路面裂缝率计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111266075.0A CN113989237B (zh) 2021-10-28 2021-10-28 一种基于网格化的核电厂房路面裂缝率计算方法

Publications (2)

Publication Number Publication Date
CN113989237A true CN113989237A (zh) 2022-01-28
CN113989237B CN113989237B (zh) 2024-03-01

Family

ID=79743835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111266075.0A Active CN113989237B (zh) 2021-10-28 2021-10-28 一种基于网格化的核电厂房路面裂缝率计算方法

Country Status (1)

Country Link
CN (1) CN113989237B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106087677A (zh) * 2016-06-02 2016-11-09 上海华城工程建设管理有限公司 沥青路面裂缝类型自动识别方法
US20200364849A1 (en) * 2018-01-03 2020-11-19 Southeast University Method and device for automatically drawing structural cracks and precisely measuring widths thereof
CN113409267A (zh) * 2021-06-17 2021-09-17 西安热工研究院有限公司 一种基于深度学习的路面裂缝检测与分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106087677A (zh) * 2016-06-02 2016-11-09 上海华城工程建设管理有限公司 沥青路面裂缝类型自动识别方法
US20200364849A1 (en) * 2018-01-03 2020-11-19 Southeast University Method and device for automatically drawing structural cracks and precisely measuring widths thereof
CN113409267A (zh) * 2021-06-17 2021-09-17 西安热工研究院有限公司 一种基于深度学习的路面裂缝检测与分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙朝云;马志丹;李伟;郝雪丽;申浩;: "基于深度卷积神经网络融合模型的路面裂缝识别方法", 长安大学学报(自然科学版), no. 04, 15 July 2020 (2020-07-15) *

Also Published As

Publication number Publication date
CN113989237B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN109325935B (zh) 一种基于无人机图像的输电线路检测方法
CN109443307B (zh) 一种基于光学测量的输电杆塔沉降和倾斜角的测量系统及方法
CN111784657A (zh) 一种基于数字图像的水泥路面病害自动识别的系统及方法
CN113421296B (zh) 一种基于灰度阈值的激光光斑质心提取方法
CN102768022A (zh) 采用数码照相技术的隧道围岩变形检测方法
CN110619258B (zh) 一种基于高分辨率遥感影像的道路轨迹核查方法
CN112149543A (zh) 一种基于计算机视觉的建筑扬尘识别系统与方法
CN110349260A (zh) 一种路面标线自动提取方法及装置
CN113011283B (zh) 一种基于视频的非接触式钢轨轨枕相对位移实时测量方法
CN105069395A (zh) 基于地面三维激光扫描技术的道路标线自动识别方法
CN108665468B (zh) 一种提取直线塔绝缘子串的装置及方法
CN111476792B (zh) 一种板带钢图像轮廓的提取方法
CN114821522A (zh) 基于车载激光点云数据的城市道路横坡和超高值计算方法
CN113989237A (zh) 一种基于网格化的核电厂房路面裂缝率计算方法
CN111784785A (zh) 一种桥梁动态位移识别方法
CN102183239A (zh) 一种基于视频差异分析的输电导线风偏测量方法
CN115908370A (zh) 一种基于图像逆透视变换实现水位检测的方法
CN115388798A (zh) 一种隧道开挖面变形快速测量方法及装置
CN111161264B (zh) 一种对含有缺陷的tft电路图像的分割方法
CN110081828B (zh) 机器视觉盾尾间隙检测图像网格特征点可靠性过滤方法
CN113269749A (zh) 带材位置图像数据集采集方法及其视觉检测方法
CN112037250A (zh) 一种目标车辆矢量轨迹追踪和工程视图建模方法、装置
CN112396572A (zh) 基于特征增强和高斯金字塔的复合绝缘子双光融合方法
CN113420670B (zh) 基于高分遥感输变电线路迁改环水保监管方法
CN109741401A (zh) 一种基于图像恢复的用于导管架水下安装在线测量方法

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