CN114119614A - 一种远程检测建筑物的裂缝的方法 - Google Patents

一种远程检测建筑物的裂缝的方法 Download PDF

Info

Publication number
CN114119614A
CN114119614A CN202210096829.0A CN202210096829A CN114119614A CN 114119614 A CN114119614 A CN 114119614A CN 202210096829 A CN202210096829 A CN 202210096829A CN 114119614 A CN114119614 A CN 114119614A
Authority
CN
China
Prior art keywords
image
crack
visible light
edge
building
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
CN202210096829.0A
Other languages
English (en)
Other versions
CN114119614B (zh
Inventor
刘小玲
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.)
Tianjin Fenglin Internet Of Things Technology Co ltd
Original Assignee
Tianjin Fenglin Internet Of Things Technology 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 Tianjin Fenglin Internet Of Things Technology Co ltd filed Critical Tianjin Fenglin Internet Of Things Technology Co ltd
Priority to CN202210096829.0A priority Critical patent/CN114119614B/zh
Publication of CN114119614A publication Critical patent/CN114119614A/zh
Application granted granted Critical
Publication of CN114119614B publication Critical patent/CN114119614B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10048Infrared image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Radiation Pyrometers (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提出了一种远程检测建筑物的裂缝的方法,第一和第二红外相机分别获取待检测建筑物的红外线热图像;图像处理部接收红外线热图像,并依次进行图像融合和增强处理;运算处理部将处理后的红外线热图像转换为数值数据,制作温度分布网格图;比较判定部判断温度数据是否大于阈值温度,将对应的像素的位置作为异常数据进行提取并输出至边缘区域提取部;边缘区域提取部根据所有异常数据中的像素的位置判断发生裂缝的区域边缘,制作裂缝边缘像素的集合,控制装置根据边缘区域提取部确定的裂缝区域的中心像素位置,使得数码相机对准裂缝区域的中心像素位置;数码相机获取所述裂缝区域的可见光图像,并发送给显示器进行显示。

Description

一种远程检测建筑物的裂缝的方法
技术领域
本发明属于利用光学手段分析建筑物裂缝技术领域,具体涉及一种远程检测建筑物的裂缝的方法。
背景技术
裂缝是建筑物结构的严重危害,而结构的破坏和倒塌往往是从裂缝发生扩展开始的,比如进行荷载试验的钢筋混凝土梁上出现大量裂缝、强烈地震后震区的建筑物上布满了形式各样的裂缝等。当结构物的裂缝开始扩展后,会影响结构的承载力,同时,结构物产生裂缝后还会引起渗漏,从而导致建筑物进一步发生破坏,譬如保护层剥落、渗漏、混凝土碳化、耐久性降低、钢筋腐蚀等。而当建筑物结构的裂缝发展到一定程度时,通常会破坏结构的整体性,从而降低了结构的耐久性、承载能力以及抗渗能力。裂缝严重时,不仅影响到建筑的使用寿命和外观,可能会使构材掉落,最终还会威肋、到人民的生命以及财产安全。
目前,建筑物裂缝的远程检测方法有超声波法、冲击回波法、声发射法等,这些方法都有各自的优点,但也存在缺点。这些缺点主要表现在取样选点和数据实测都与检测人员的判断有关,同时取样分析很少,以此来反映结构的性能,导致检测结果存在误差。
例如专利文献CN111121639A提出了一种刚柔一体的建筑物狭窄空间的裂缝检测系统,包括轮式移动小车、裂缝检测系统,轮式移动小车上设有运动控制系统、激光导航系统、超声波避障系统以及照明系统;裂缝检测系统包括移动检测平台、图像采集装置以及图像处理系统;移动检测平台为安装在轮式移动小车顶部的蛇形机械臂,图像采集装置为安装在蛇形机械臂前端的运动相机,图像处理系统包括存储器、模型训练数据集以及基于U-Net网络的裂缝检测模型。但是该技术方案不具备远程检测的功能,实现过程具有危险性和不可调整性。
再例如专利文献CN108195933A提出了一种检测建筑外墙质量缺陷的检测系统,包括目标数据采集模块、墙面三维重构模块、墙面初级缺陷评估模块、裂缝/凹陷/空鼓尺寸测量模块、裂缝/凹陷/空鼓面积计算模块和墙面缺陷综合评估模块。本发明实现了外墙质量缺陷的全面检测,系统自带检测结果计算分析功能,使用方便,且检测结果较为精确。但是该技术方案需要外接环境条件极好的情况下进行监测,实现方式受限。
因此,研究一种远程、快捷、效率高、低成本、大面积、检测结果清晰直观的无接触检测方法是建筑工程界函待解决的问题,具有非常可观的前景。
发明内容
为了解决上述技术问题,本发明采用红外热成像法检测建筑物的裂缝是基于红外辐射的原理,当建筑物存在裂缝时,会导致建筑物的导热性能发生局部变化,在建筑物受到外部热辐射过程中,有裂缝的地方会阻碍热量的传递,使得建筑物温度分布不均匀,最终会引起表面温度发生变化,即可通过红外图像捕获设备采集建筑物表面的温度数据,从而进一步进行判断。
本发明提出了一种远程检测建筑物的裂缝的方法,包括如下步骤:
步骤一,第一红外相机和第二红外相机分别获取待检测建筑物的同一位置的红外线热图像;
步骤二,图像处理部接收所述红外线热图像,并依次进行图像融合和图像增强处理;
步骤三,运算处理部将处理后的红外线热图像转换为数值数据,制作温度分布网格图;
步骤四,比较判定部判断所述温度分布网格图中的温度数据是否大于阈值温度,异常区域提取部将大于阈值温度的网格对应的像素位置作为异常数据进行提取并输出至边缘区域提取部;
步骤五,所述边缘区域提取部根据所有异常数据中的像素位置判断发生裂缝的区域边缘,制作裂缝边缘像素的集合,将所述集合围成的区域确定为裂缝区域;
步骤六,控制装置根据所述边缘区域提取部确定的裂缝区域的中心像素位置,驱动云台调整角度,使得数码相机对准裂缝区域的中心像素位置;
步骤七,所述数码相机获取所述裂缝区域的可见光图像,并发送给显示器进行显示。
进一步地,所述步骤二中,对红外线热图像进行图像增强处理的具体处理方法为:
设f(x,y)、g(x,y)分别代表图像增强处理前、图像增强处理后的图像,x和y为像素位置坐标,则:
g(x,y)= f(x,y)+ K×[f(x,y)- Q(x,y)] (1) ;
其中,K为增强系数,Q(x,y)为低通滤波函数,
令式(1)中的增强系数K为图像增强处理前的图像f(x,y)的函数,
K(x,y)=[A (x,y)-1]×Hf(x,y),令C(x,y)= f(x,y)-Q(x,y),则:
g(x,y)= f(x,y)+ K(x,y)×C(x,y) (2);
则最终的图像增强处理后的图像g(x,y)通过下式进行计算:
g(x,y)=f(x,y)+[A(x,y)-1]×Hf(x,y)×C(x,y);
其中,A(x,y)为图像局部灰阶变化率增益系数,以线性高通滤波器输出函数Hf(x,y)来表示图像的局部灰阶变化率。
进一步地,所述步骤三中,运算处理部中具有像素颜色存储单元,颜色存储单元存储有红外线热图像中的像素颜色与温度数据的对应关系,运算处理部依据对应关系将处理后的红外线热图像转换为数值数据。
进一步地,所述像素颜色存储单元的对应关系通过贝叶斯神经网络,对像素颜色样本与温度数据样本进行训练而获得。
进一步地,所述步骤六中,若存在多个裂缝区域,所述控制装置控制所述数码相机按照裂缝区域的中心像素位置的顺序,依次进行可见光成像,存储至可见光图像库中,并在步骤七中集中显示。
进一步地,采用用于判断裂缝属性的裂缝图像匹配算法,在可见光图像库中寻找出含特定裂缝的图像或者属于同一裂缝区域的裂缝图像。
进一步地,所述用于判断裂缝属性的裂缝图像匹配算法包括如下步骤:
首先,对裂缝区域的可见光图像进行预处理,得到仅含裂缝信息的二值图像P(x,y);
其次,对所述二值图像P(x,y)进行细化,得到裂缝骨架图P’(x,y);
然后,对所述裂缝骨架图P’(x,y)进行特征点检测,形成裂缝骨架图的特征矩阵;
最后,通过计算不同裂缝骨架图的特征点矩阵相互间的离散距离来判断图像间的相似度,进而判断是否是同一裂缝区域。
进一步地,所述判断图像间的相似度的算法步骤如下:
S1、对于图像A,将提取到的边缘点坐标扩充并归一化后保存在边缘点矩阵DAM中;
S2、将边缘点矩阵DAM的第一个点的坐标( DAM(1,1) ,DAM(1,2) )作为裂缝起点,并将起点平移到坐标原点,即起点坐标变为(0,0),其他点坐标按下式进行相应变化,使之与起点位置保持不变:
ΔDAM(i,1)= DAM (i,1)- DAM (1,1);
ΔDAM(i,2)= DAM (i,2)- DAM (1,2);
S3、对于图像B的边缘点矩阵DBm采取同样处理;
S4、计算矩阵DAm、DBm之间的离散距离,若离散距离小于给定阈值Th,则表示图像A和图像B包含同一裂缝或属于同一裂缝区域。
进一步地,所述云台在水平方向的摆动范围为±130°,在垂直方向的俯仰范围为±45°。
进一步地,所述步骤七中,对所述数码相机获取的裂缝区域的可见光图像利用Matlab进行定量的面积计算,判断裂缝部位形成原因并制作诊断报告。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明的远程检测建筑物的裂缝的检测系统的结构示意图;
图2为本发明的远程检测建筑物的裂缝的方法的流程示意图;
图3为本发明的温度分布网格图示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本发明的具体实施例附图中,为了更好、更清楚的描述系统中的各元件的工作原理,表现所述装置中各部分的连接关系,只是明显区分了各元件之间的相对位置关系,并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
本发明的建筑物裂缝检测精度与图像采样环境存在密切的关系,在对裂缝图像进行红外线热图像采集时,图像采集环境的好坏决定了采集到的红外线热图像质量的高低,必然会对测量精度有影响。在实施检测前,需要了解待测建筑物的结构形式和组成;选择合适的拍摄地点和最佳的拍摄时间:基本上拍摄时间需要在太阳辐射最强的几个小时,在实际的检测过程中,可以提前测试一下空气温度和太阳辐射强度。
在本实施例中,对于建筑物挡墙,在炎热夏季太阳辐射下,墙后填土的温度要比墙表面空气温度低十多度,存在较强的热传递过程,适用于本申请的远程检测建筑物的裂缝的检测系统进行检测。
如图1所示,为本发明的远程检测建筑物的裂缝的检测系统的结构示意图。该检测系统包括成像装置100、云台200、数据处理装置300和控制装置400。成像装置100具有用于拍摄待检测建筑物结构红外线热图像的第一红外相机110和第二红外相机120、以及用于拍摄待检测建筑物结构的可见光图像的数码相机130。
第一红外相机110和第二红外相机120的红外线热图像数据以及数码相机130的可见光图像数据经由无线网络被供给至数据处理装置300。
由于红外相机的焦距为20cm至无穷远,适用于作非接触、远距离的快速检测的功能,且只要被测物体温度处于绝对零度以上,红外相机就不仅能在白天能进行工作,而且在黑夜中也能正常工作。温度分辨率高达0.1~0.02℃,所以检测温度变化的精度非常高。
第一红外相机110、第二红外相机120及数码相机130收纳于成像装置100的框体中,成像装置100的框体搭载于云台200之上。该云台200能够通过控制装置400进行远程控制,云台200安装在三脚架上以供转动,云台200的水平方向的摆动范围为±130°、垂直方向的俯仰范围为±45°。
数据处理装置300包括:图像处理部、运算处理部、比较判定部、边缘区域提取部。
图像处理部用于处理第一红外相机110和第二红外相机120拍摄的红外线热图像数据。优选地,第一红外相机110中放置1665.4nm波段的滤色片、第二红外相机120中放置3310nm波段的滤色片,且第一红外相机110、第二红外相机120分别获取待检测建筑物的同一位置的红外线热图像。
图像处理部接收到两台红外相机传来的红外线热图像后,首先将两张红外线热图像进行图像融合,具体的图像融合手段采用现有技术进行,在此不进行赘述;其次,对融合后的图像进行图像增强处理,具体处理方法如下:
设f(x,y)、g(x,y)分别代表图像增强处理前、图像增强处理后的图像,x和y为像素位置坐标,则:
g(x,y)= f(x,y)+ K×[f(x,y)-Q(x,y)] (1);
其中,K为增强系数,Q(x,y)为低通滤波函数;
令式(1)中的增强系数K为图像增强处理前的图像f(x,y)的函数,
Figure DEST_PATH_IMAGE001
, 令C(x,y)= f(x,y)-Q(x,y),则:
g(x,y)= f(x,y)+ K(x,y)×C(x,y) (2);
则最终的图像增强处理后的图像g(x,y)通过下式进行计算:
Figure DEST_PATH_IMAGE002
其中,A(x,y)为图像局部灰阶变化率增益系数,以线性高通滤波器输出函数
Figure DEST_PATH_IMAGE003
来表示图像的局部灰阶变化率,经过图像增强处理后的红外线热图像更准确地反映在与具有精细细节的部分相对应的位置处的建筑物的实际状态。
数据处理装置300还包括运算处理部和比较判定部,运算处理部用于将图像增强处理后的红外线热图像转换为数值数据,该数值数据包括像素位置数据和该像素位置上的温度数据。
具体地,运算处理部中具有像素颜色存储单元,颜色存储单元存储有红外线热图像中的像素颜色与其代表的温度数据的对应关系,运算处理部依据对应关系将处理后的红外线热图像转换为数值数据。所述像素颜色存储单元中的对应关系是通过贝叶斯神经网络,对像素颜色样本与其代表的温度数据的样本进行训练而建立的。
运算处理部进一步地将该数值数据填入按照像素位置划分的纵横矩阵网格中,制作温度分布网格图。举例来说,一幅M×N的图像,就是一个矩形图形,其中M个数据点处在水平方向上,N个数据点处在垂直方向上,像素就是这些数据点,利用温度分布网格图中的数值数据表示各个像素的属性,例如,像素位置数据和该像素位置上的温度数据等,从本质上,红外线热图像通过该数据转换,形成了被量化的二维矩阵。
比较判定部判断温度分布网格图中各像素位置所对应的温度数据是否是在规定的温度下,即是否低于阈值温度,若不是在规定的温度的情况下或大于阈值温度,则异常区域提取部则将该像素位置作为异常数据进行提取,并将该像素位置输出至边缘区域提取部。
如图2中所示的数据为例,为一幅7×7的图像所形成的温度分布网格图,像素位置横坐标A1-A7和横坐标B1-B7组合,则形成了49个网格,每个网格中填写有该像素位置对应的温度数据。在本实施例中,将阈值温度设定为30℃,高于该阈值温度的网格对应的像素位置则被异常区域提取部判定为异常数据并进行提取,例如网格(A2,B5)、网格(A4,B7)等。
边缘区域提取部根据所有异常数据中的像素位置判断发生裂缝的区域边缘,制作裂缝边缘像素的集合,将该集合围成的区域确定为裂缝区域。因此, 裂缝区域有时也存在多个或者同一个裂缝区域存在于不同的红外线热图像中。
控制装置400,根据边缘区域提取部确定的每个红外线热图像中的裂缝区域的中心像素位置,控制装置400向云台200发送驱动信号,驱动云台200调整角度,使得成像装置100对准裂缝区域的中心像素位置。
当成像装置100对准裂缝区域的中心像素位置后,控制装置400控制数码相机130将焦点集中在裂缝区域的中心像素位置,进行该裂缝区域的可见光图像捕捉,获得裂缝区域的可见光图像,并发送给显示器(未视出)进行显示。
若存在多个裂缝区域,控制装置400则按照每个裂缝区域的中心像素位置的顺序,依次进行可见光图像捕捉,并集中显示。
在优选的实施例中,数据处理装置300还包括存储数据处理程序的固定存储装置,和随机访问存储装置,该随机访问存储装置用于暂时保存来自成像装置100的图像数据(包括红外线热图像和可见光图像数据)、温度分布网格图中包含的数据和裂缝边缘像素的集合中的数据。
如图3所示,为本发明的远程检测建筑物的裂缝的方法的流程图,具体包括如下步骤:
第一红外相机和第二红外相机分别获取待检测建筑物的同一位置的红外线热图像。
图像处理部接收到两台红外相机传来的红外线热图像,将两张红外线热图像进行图像融合,图像处理部对融合后的红外线热图像进行图像增强处理。
运算处理部将经过图像增强处理后的红外线热图像转换为数值数据,制作温度分布网格图。
比较判定部判断温度分布网格图中各像素位置对应的温度数据是否大于阈值温度。
若大于阈值温度,则异常区域提取部将该像素位置作为异常数据进行提取,并将该像素位置输出至边缘区域提取部。
边缘区域提取部根据所有异常数据中的像素位置判断发生裂缝的区域边缘,制作裂缝边缘像素的集合,将该集合围成的区域确定为裂缝区域。
控制装置根据边缘区域提取部确定的裂缝区域的中心像素位置,驱动云台调整角度,使得成像装置对准裂缝区域的中心像素位置。
数码相机获取裂缝区域的可见光图像,并发送给显示器进行显示。
在优选的实施例中,对于数码相机获取了大量的裂缝区域的可见光图像的情形,本实施例采用用于判断裂缝属性的裂缝图像匹配算法,该算法能够在大量的可见光图像库中寻找出含特定裂缝的图像或者属于同一裂缝区域的裂缝图像。
该用于判断裂缝属性的裂缝图像匹配算法包括如下步骤:
首先,对裂缝区域的可见光图像进行预处理。由于拍摄时光照不均匀以及图像本身带有除裂缝信息外的其他噪点,需要对裂缝图像进行预处理得到仅含裂缝信息的二值图像P(x,y),以便于下一步的处理。
其次,对二值图像P(x,y)进行细化,得到裂缝骨架图P’(x,y)。由于经过上一预处理步骤得到的裂缝二值图像P(x,y)有一定的宽度,无法明确的显示裂缝骨架的走势,所以需要对其进行细化,得到裂缝骨架图P’(x,y)。
完成裂缝骨架图的提取后,将对提取的裂缝骨架图P’(x,y)进行特征点检测,采取裂缝骨架图P’(x,y)的边缘点作为特征点,再对边缘点特征点进行扩充以得到更多的特征点。
利用已经提取到的裂缝骨架图的特征点矩阵,将裂缝匹配转换为裂缝边缘点之间的匹配,通过计算不同裂缝骨架图的特征点矩阵相互间的离散距离来判断图像间的相似度,进而判断是否是同一裂缝区域。
假设图像A和图像B两幅裂缝骨架图进行相似性比较,算法步骤如下:
1)、对于图像A,将提取到的边缘点坐标扩充并归一化后保存在边缘点矩阵DAM中;
2)、将边缘点矩阵DAM的第一个点的坐标( DAM(1,1) ,DAM(1,2) )作为裂缝起点,并将起点平移到坐标原点,即起点坐标变为(0,0),其他点坐标按下式进行相应变化,使之与起点位置保持不变;
ΔDAM(i,1)= DAM (i,1)- DAM (1,1),
ΔDAM(i,2)= DAM (i,2)- DAM (1,2),
3)、同样对于图像B的边缘点矩阵DBm采取以上处理;
4)、计算矩阵DAm、DBm之间的离散距离,若离散距离小于给定阈值Th,则表示两幅图像包含同一裂缝或属于同一裂缝区域。
基于距离的裂缝匹配算法通过裂缝边缘点特征点连线来判断裂缝整体形状的相似性,能够检测出因拍摄角度改变造成差异的裂缝图像。
在优选的实施例中,对属于同一裂缝区域的可见光图像应用Matlab软件的数字图像处理技术对可见光图像进行定量的面积计算,与其他辅助检测方法进行综合对比,判断裂缝部位形成原因并制作诊断报告,对建筑物的健康状况作出评估。
本发明远程检测建筑物的裂缝的方法的裂缝测量精度与拍摄距离间的关系存在密切关系,拍摄距离即采集裂缝的可见光图像时,数码相机至裂缝的距离。本实施例所采用的拍摄距离大致为20cm,能够获得较好的测量精度。
本发明的远程检测建筑物的裂缝的方法是基于红外线热图像的温度差异的检测识别,通过处理器判断的方法来完成对采集到的建筑物裂缝图像进行检测、识别、展示及存储的一个综合系统。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。

Claims (10)

1.一种远程检测建筑物的裂缝的方法,其特征在于,包括如下步骤:
步骤一,第一红外相机和第二红外相机分别获取待检测建筑物的同一位置的红外线热图像;
步骤二,图像处理部接收所述红外线热图像,并依次进行图像融合和图像增强处理;
步骤三,运算处理部将处理后的红外线热图像转换为数值数据,制作温度分布网格图;
步骤四,比较判定部判断所述温度分布网格图中的温度数据是否大于阈值温度,异常区域提取部将大于阈值温度的网格对应的像素位置作为异常数据进行提取并输出至边缘区域提取部;
步骤五,所述边缘区域提取部根据所有异常数据中的像素位置判断发生裂缝的区域边缘,制作裂缝边缘像素的集合,将所述集合围成的区域确定为裂缝区域;
步骤六,控制装置根据所述边缘区域提取部确定的裂缝区域的中心像素位置,驱动云台调整角度,使得数码相机对准裂缝区域的中心像素位置;
步骤七,所述数码相机获取所述裂缝区域的可见光图像,并发送给显示器进行显示。
2.根据权利要求1所述的远程检测建筑物的裂缝的方法,其特征在于,所述步骤二中,对红外线热图像进行图像增强处理的具体处理方法为:
设f(x,y)、g(x,y)分别代表图像增强处理前、图像增强处理后的图像,x和y为像素位置坐标,则:
g(x,y)= f(x,y)+ K×[f(x,y)- Q(x,y)] (1) ;
其中,K为增强系数,Q(x,y)为低通滤波函数,
令式(1)中的增强系数K为图像增强处理前的图像f(x,y)的函数,
K(x,y)=[A (x,y)-1]×Hf(x,y),令C(x,y)= f(x,y)-Q(x,y),则:
g(x,y)= f(x,y)+ K(x,y)×C(x,y) (2);
则最终的图像增强处理后的图像g(x,y)通过下式进行计算:
g(x,y)=f(x,y)+[A(x,y)-1]×Hf(x,y)×C(x,y);
其中,A(x,y)为图像局部灰阶变化率增益系数,以线性高通滤波器输出函数Hf(x,y)来表示图像的局部灰阶变化率。
3.根据权利要求1所述的远程检测建筑物的裂缝的方法,其特征在于,所述步骤三中,运算处理部中具有像素颜色存储单元,颜色存储单元存储有红外线热图像中的像素颜色与温度数据的对应关系,运算处理部依据对应关系将处理后的红外线热图像转换为数值数据。
4.根据权利要求3所述的远程检测建筑物的裂缝的方法,其特征在于,所述像素颜色存储单元的对应关系通过贝叶斯神经网络,对像素颜色样本与温度数据样本进行训练而获得。
5.根据权利要求1所述的远程检测建筑物的裂缝的方法,其特征在于,所述步骤六中,若存在多个裂缝区域,所述控制装置控制所述数码相机按照裂缝区域的中心像素位置的顺序,依次进行可见光成像,存储至可见光图像库中,并在步骤七中集中显示。
6.根据权利要求5所述的远程检测建筑物的裂缝的方法,其特征在于,采用用于判断裂缝属性的裂缝图像匹配算法,在可见光图像库中寻找出含特定裂缝的图像或者属于同一裂缝区域的裂缝图像。
7.根据权利要求6所述的远程检测建筑物的裂缝的方法,其特征在于,所述用于判断裂缝属性的裂缝图像匹配算法包括如下步骤:
首先,对裂缝区域的可见光图像进行预处理,得到仅含裂缝信息的二值图像P(x,y);
其次,对所述二值图像P(x,y)进行细化,得到裂缝骨架图P’(x,y);
然后,对所述裂缝骨架图P’(x,y)进行特征点检测,形成裂缝骨架图的特征矩阵;
最后,通过计算不同裂缝骨架图的特征点矩阵相互间的离散距离来判断图像间的相似度,进而判断是否是同一裂缝区域。
8.根据权利要求7所述的远程检测建筑物的裂缝的方法,其特征在于,所述判断图像间的相似度的算法步骤如下:
S1、对于图像A,将提取到的边缘点坐标扩充并归一化后保存在边缘点矩阵DAM中;
S2、将边缘点矩阵DAM的第一个点的坐标( DAM(1,1) ,DAM(1,2) )作为裂缝起点,并将起点平移到坐标原点,即起点坐标变为(0,0),其他点坐标按下式进行相应变化,使之与起点位置保持不变:
ΔDAM(i,1)=DAM (i,1)-DAM (1,1);
ΔDAM(i,2)=DAM (i,2)-DAM (1,2);
S3、对于图像B的边缘点矩阵DBm采取同样处理;
S4、计算矩阵DAm、DBm之间的离散距离,若离散距离小于给定阈值Th,则表示图像A和图像B包含同一裂缝或属于同一裂缝区域。
9.根据权利要求1所述的远程检测建筑物的裂缝的方法,其特征在于,所述云台在水平方向的摆动范围为±130°,在垂直方向的俯仰范围为±45°。
10.根据权利要求1所述的远程检测建筑物的裂缝的方法,其特征在于,所述步骤七中,对所述数码相机获取的裂缝区域的可见光图像利用Matlab进行定量的面积计算,判断裂缝部位形成原因并制作诊断报告。
CN202210096829.0A 2022-01-27 2022-01-27 一种远程检测建筑物的裂缝的方法 Active CN114119614B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210096829.0A CN114119614B (zh) 2022-01-27 2022-01-27 一种远程检测建筑物的裂缝的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210096829.0A CN114119614B (zh) 2022-01-27 2022-01-27 一种远程检测建筑物的裂缝的方法

Publications (2)

Publication Number Publication Date
CN114119614A true CN114119614A (zh) 2022-03-01
CN114119614B CN114119614B (zh) 2022-07-26

Family

ID=80362026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210096829.0A Active CN114119614B (zh) 2022-01-27 2022-01-27 一种远程检测建筑物的裂缝的方法

Country Status (1)

Country Link
CN (1) CN114119614B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639248A (zh) * 2022-12-22 2023-01-24 天津思睿信息技术有限公司 一种用于建筑外墙质量检测的系统及方法
CN117036655A (zh) * 2023-08-18 2023-11-10 河北建设集团股份有限公司 一种建筑施工质量的图形识别数据采集系统及方法
CN117132896A (zh) * 2023-10-23 2023-11-28 深圳英飞拓科技股份有限公司 一种建筑物开裂的检测与识别方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1819621A (zh) * 2006-01-25 2006-08-16 杭州维科软件工程有限责任公司 医学图像增强处理方法
CN108846807A (zh) * 2018-05-23 2018-11-20 Oppo广东移动通信有限公司 光效处理方法、装置、终端及计算机可读存储介质
CN109029381A (zh) * 2018-10-19 2018-12-18 石家庄铁道大学 一种隧道裂缝的检测方法、系统及终端设备
CN109632103A (zh) * 2018-11-22 2019-04-16 西安理工大学 高空建筑物温度分布与表面裂缝远程监测系统及监测方法
CN109636755A (zh) * 2018-12-12 2019-04-16 电子科技大学 一种通过加权估计实现红外热图像增强的方法
CN109804119A (zh) * 2016-12-30 2019-05-24 同济大学 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法
CN110161035A (zh) * 2019-04-26 2019-08-23 浙江大学 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法
CN110378879A (zh) * 2019-06-26 2019-10-25 杭州电子科技大学 一种桥梁裂缝检测方法
CN110956601A (zh) * 2019-12-04 2020-04-03 山东大学 一种基于多传感器样态系数的红外图像融合方法和装置以及计算机可读存储介质
CN111986120A (zh) * 2020-09-15 2020-11-24 天津师范大学 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法
CN112013783A (zh) * 2020-10-20 2020-12-01 湖南大学 一种桥梁裂缝深度检测方法、装置及系统
CN112666167A (zh) * 2020-12-22 2021-04-16 成都圭目机器人有限公司 一种评估水泥混凝土道面裂缝产生fod风险的方法和装置
CN113203743A (zh) * 2021-05-20 2021-08-03 中铁二十一局集团第四工程有限公司 一种基于红外热成像分析的路基裂缝检测识别及修复方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1819621A (zh) * 2006-01-25 2006-08-16 杭州维科软件工程有限责任公司 医学图像增强处理方法
CN109804119A (zh) * 2016-12-30 2019-05-24 同济大学 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法
CN108846807A (zh) * 2018-05-23 2018-11-20 Oppo广东移动通信有限公司 光效处理方法、装置、终端及计算机可读存储介质
CN109029381A (zh) * 2018-10-19 2018-12-18 石家庄铁道大学 一种隧道裂缝的检测方法、系统及终端设备
CN109632103A (zh) * 2018-11-22 2019-04-16 西安理工大学 高空建筑物温度分布与表面裂缝远程监测系统及监测方法
CN109636755A (zh) * 2018-12-12 2019-04-16 电子科技大学 一种通过加权估计实现红外热图像增强的方法
CN110161035A (zh) * 2019-04-26 2019-08-23 浙江大学 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法
CN110378879A (zh) * 2019-06-26 2019-10-25 杭州电子科技大学 一种桥梁裂缝检测方法
CN110956601A (zh) * 2019-12-04 2020-04-03 山东大学 一种基于多传感器样态系数的红外图像融合方法和装置以及计算机可读存储介质
CN111986120A (zh) * 2020-09-15 2020-11-24 天津师范大学 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法
CN112013783A (zh) * 2020-10-20 2020-12-01 湖南大学 一种桥梁裂缝深度检测方法、装置及系统
CN112666167A (zh) * 2020-12-22 2021-04-16 成都圭目机器人有限公司 一种评估水泥混凝土道面裂缝产生fod风险的方法和装置
CN113203743A (zh) * 2021-05-20 2021-08-03 中铁二十一局集团第四工程有限公司 一种基于红外热成像分析的路基裂缝检测识别及修复方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
余岱等: "基于人眼视觉特性的多尺度DR图像增强方法", 《生物医学工程研究》 *
安军: "基于红外技术的建筑物外墙质量评价研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
朱力强 等: "基于特征点集距离描述的裂缝图像匹配算法研究", 《仪器仪表学报》 *
龚勋等: "甲状腺、乳腺超声影像自动分析技术综述", 《软件学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639248A (zh) * 2022-12-22 2023-01-24 天津思睿信息技术有限公司 一种用于建筑外墙质量检测的系统及方法
CN117036655A (zh) * 2023-08-18 2023-11-10 河北建设集团股份有限公司 一种建筑施工质量的图形识别数据采集系统及方法
CN117036655B (zh) * 2023-08-18 2024-03-05 河北建设集团股份有限公司 一种建筑施工质量的图形识别数据采集系统及方法
CN117132896A (zh) * 2023-10-23 2023-11-28 深圳英飞拓科技股份有限公司 一种建筑物开裂的检测与识别方法
CN117132896B (zh) * 2023-10-23 2024-05-14 深圳英飞拓科技股份有限公司 一种建筑物开裂的检测与识别方法

Also Published As

Publication number Publication date
CN114119614B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN114119614B (zh) 一种远程检测建筑物的裂缝的方法
CN111459166B (zh) 一种灾后救援环境下含受困人员位置信息的情景地图构建方法
EP2752657B1 (en) System and methods for stand-off inspection of aircraft structures
JP6560366B2 (ja) 構造物の部材特定装置及び方法
US20080068601A1 (en) Manhole modeler
US8249832B2 (en) Correlation of inspection information and computer-aided design data for structural assessment
JP6708163B2 (ja) 移動型探傷装置
CN109931878A (zh) 一种基于数字散斑标记的建筑幕墙地震变形监测方法
Dai et al. Surface damage quantification of postearthquake building based on terrestrial laser scan data
Hallermann et al. Vision-based monitoring of heritage monuments: Unmanned Aerial Systems (UAS) for detailed inspection and high-accuracy survey of structures
CN111412842A (zh) 墙面的截面尺寸的测量方法及装置、系统
Kang et al. The change detection of building models using epochs of terrestrial point clouds
CN113447159B (zh) 基于全局正态分布及局部离群因子的风洞漏冷监测方法
CN110595433A (zh) 一种基于双目视觉的输电杆塔倾斜的测量方法
Crombez et al. 3D point cloud model colorization by dense registration of digital images
Abdul-Rahman et al. Innovations in 3D geo information systems
Hoegner et al. 3D building reconstruction and construction site monitoring from RGB and TIR image sets
Motayyeb et al. Fusion of UAV-based infrared and visible images for thermal leakage map generation of building facades
CN112419287B (zh) 一种建筑挠度确定方法、装置及电子设备
Wang et al. Vision technique for deflection measurements based on laser positioning
CN115993094B (zh) 一种基于ccd相机的大型膜结构屋顶位移监测方法及系统
Scaioni et al. High-resolution texturing of building facades with thermal images
CN115690150B (zh) 一种基于视频的多目标位移跟踪监测方法及装置
Lin et al. Thermal texture selection and correction for building facade inspection based on thermal radiant characteristics
Gao et al. Development of a high-speed videogrammetric measurement system with application in large-scale shaking table test

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