CN113989237B - 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 PDFInfo
- Publication number
- CN113989237B CN113989237B CN202111266075.0A CN202111266075A CN113989237B CN 113989237 B CN113989237 B CN 113989237B CN 202111266075 A CN202111266075 A CN 202111266075A CN 113989237 B CN113989237 B CN 113989237B
- Authority
- CN
- China
- Prior art keywords
- crack
- grids
- point
- power plant
- nuclear power
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
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
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
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;
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;
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
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;
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。
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 CN113989237A (zh) | 2022-01-28 |
CN113989237B true 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 (2)
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364280B (zh) * | 2018-01-03 | 2022-04-15 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
-
2021
- 2021-10-28 CN CN202111266075.0A patent/CN113989237B/zh active Active
Patent Citations (2)
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 |
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)
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).2020,(04),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113989237A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
CN102768022A (zh) | 采用数码照相技术的隧道围岩变形检测方法 | |
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 | |
CN112070756B (zh) | 一种基于无人机倾斜摄影的路面立体病害测量方法 | |
CN112949479B (zh) | 一种基于深度学习和透视变换的非接触式钢轨轨枕相对位移实时测量方法 | |
CN113971768A (zh) | 一种基于无人机的输电线路违章建筑三维动态检测方法 | |
CN113989237B (zh) | 一种基于网格化的核电厂房路面裂缝率计算方法 | |
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 | |
CN113420670A (zh) | 基于高分遥感输变电线路迁改环水保监管方法 | |
CN112200779B (zh) | 面向无人驾驶的路表车辙形状及构造横向差异度评价方法 | |
CN111723525B (zh) | 一种基于多源数据和神经网络模型的pm2.5反演方法 | |
CN116737989B (zh) | 一种基于视频图像的城市地表水文监测网构建方法 | |
CN111784785A (zh) | 一种桥梁动态位移识别方法 | |
CN113269749B (zh) | 带材位置图像数据集采集方法及其视觉检测方法 | |
CN113744393B (zh) | 一种多层级边坡滑坡变化监测方法 | |
CN112461345B (zh) | 一种基于lsd直线检测算法的汽车衡轧线出界检测方法 | |
CN113808128A (zh) | 基于相对坐标定位算法的智能压实全过程可视化控制方法 | |
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 | |
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 | |
CN113592877B (zh) | 一种抽水蓄能电站红线超标识别方法及装置 | |
CN115856890B (zh) | 一种针对高原铁路线路的PS-InSAR形变观测方法 | |
CN114373013B (zh) | 一种基于图像处理的填筑碾压速度快速统计方法 | |
CN113763342B (zh) | 一种基于无人机遥感的高速公路标线检测方法 | |
CN117036611B (zh) | 一种非矿山安全监测平台的三维场景构建方法及系统 |
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 |