CN114359251A - 一种混凝土表面破损的自动识别方法 - Google Patents
一种混凝土表面破损的自动识别方法 Download PDFInfo
- Publication number
- CN114359251A CN114359251A CN202210023992.4A CN202210023992A CN114359251A CN 114359251 A CN114359251 A CN 114359251A CN 202210023992 A CN202210023992 A CN 202210023992A CN 114359251 A CN114359251 A CN 114359251A
- Authority
- CN
- China
- Prior art keywords
- target image
- area
- image
- point
- damaged
- 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.)
- Pending
Links
Images
Abstract
本发明提供一种混凝土表面破损的自动识别方法,包括以下步骤:S1、获取混凝土表面破损处的病害图像;S2、将病害图像转换为灰度图,得到第一目标图像;S3、将第一目标图像的前景物体与背景进行分割,得到第三目标图像;S4、对第三目标图像进行二值化处理得到第四目标图像;S5、计算第四目标图像内前景物体的面积;S6、根据前景物体的面积,使用圆形角点检测模板找到边缘角点角度突变点,提取破损边缘轮廓和轮廓的总长度,以及破损区域面积;定位破损边缘轮廓坐标位置。本发明可以解决仅靠确定二值化图像有无连通区域来识别混凝土的破损,无法有效区分混凝土表面的破损病害,影响识别准确率的技术问题。
Description
技术领域
本发明涉及图像自动识别技术领域,具体涉及一种混凝土表面破损的自动识别方法。
背景技术
目前图像自动识别广泛应用于生活中,比如人脸识别、车牌号码识别、动物识别、皮革破损识别等方面。而将图像自动识别用于混凝土表面检测领域时,主要是对混凝土表面的裂缝进行识别,现有的技术方案是通过对混凝土表面拍摄的图像其二值图有无连通区域来判断是否有裂缝,具体的,通过灰度化、降噪等图像处理后得到目标的二值化图像,确定二值化图像有无连通区域,有连通区域则判定为破损或裂缝。
但上述技术方案无法有效区分混凝土表面的破损、泛碱和其表面污渍,当泛碱或污渍区域的灰度值与破损灰度值接近时,二值化后也会形成和破损相似的连通区域,如果仅靠连通区域来识别就无法有效区分混凝土表面的破损病害,影响混凝土表面破损进行图像自动识别的准确率。
发明内容
针对现有技术存在的不足,本发明提出一种混凝土表面破损的自动识别方法,以解决现有技术中存在的仅靠确定二值化图像有无连通区域来识别混凝土的破损,无法有效区分混凝土表面的破损病害,影响识别准确率的技术问题。
本发明采用的技术方案是,一种混凝土表面破损的自动识别方法,包括以下步骤:
S1、获取混凝土表面破损处的病害图像,经过尺寸标定计算单位像素的实际尺寸;
S2、将病害图像转换为灰度图,得到第一目标图像;
S3、将第一目标图像的前景物体与背景进行分割,得到第三目标图像;
S4、对第三目标图像进行二值化处理得到第四目标图像;
S5、计算第四目标图像内前景物体的面积;
S6、根据前景物体的面积,使用圆形角点检测模板找到边缘角点角度突变点,提取破损边缘轮廓和轮廓的总长度,以及破损区域面积;定位破损边缘轮廓坐标位置。
进一步的,步骤S1获取混凝土表面破损处的病害图像时,对病害图像的像素大小所对应的图像实际尺寸按以下公式进行标定:
进一步的,步骤S2,按以下公式将病害图像转换为灰度图:
Gray=0.299R+0.587G+0.114B
其中,Gray表示图像的灰度,R表示红色,G表示绿色,B表示蓝色。
进一步的,步骤S3包括:对第一目标图像采用的Soble算子计算水平与垂直方向的像素变化,提取破损区域的边缘,并运用形态学的开运算将孤立噪点清除,将破损区域中心孔洞闭合,分割出前景物体与背景,得到第三目标图像。
进一步的,步骤S4对第三目标图像进行二值化处理时,将前景物体处理为255,背景处理为0。
进一步的,步骤S5计算第四目标图像内前景物体的面积时,设面积阈值为1平方厘米,对于实际尺寸小于面积阈值的连通区域予以清除,处理为背景。
进一步的,步骤S5中圆形角点检测模板为像素5×5的正方形减去4个角点像素的多边形,共计21格像素单位。
进一步的,步骤S5包括:
根据前景物体的面积,利用圆形角点检测模板对破损轮廓边缘进行遍历,计算检测点的圆形角点检测模板运算面积Si;
根据圆形角点检测模板运算面积为Si和轮廓点角度的对应关系,得出检测点的轮廓点角度;
根据检测点的轮廓点角度和角度阈值,判断检测点是否为边缘角点角度突变点。
进一步的,角度阈值为90°、270°,将小于或等于90°的凸点,或者大于或等于270°的凹点定义为边缘角点角度突变点。
进一步的,利用高斯滤波对第一目标图像进行平滑处理减少噪声,并利用灰度直方图对其进行均衡化处理增强对比度,得到第二目标图像;
将第二目标图像的前景物体与背景进行分割,得到第三目标图像。
由上述技术方案可知,本发明的有益技术效果如下:
使用圆形角点检测模板找到边缘角点角度突变点,提取破损边缘轮廓以及破损区域面积及轮廓总的像素长度,定位破损边缘轮廓坐标位置来识别混凝土表面破损,能够实现混凝土表面破损的自动识别,大大提高自动识别的准确率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例1的方法流程图;
图2为本发明实施例1的圆形角点检测模板示意图;
图3为本发明实施例1的边缘角点角度突变点的示意图;
图4为本发明实施例2的方法流程图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例1
在混凝土表面上,由于污渍或水渍边缘具有一定的规则性,边缘往往比较光滑,其边缘的一阶导数连续性较强,角点突变点较少,而对于破损的区域边缘一阶导数无序性较强,其一阶导数连续性较差,角点突变点较多。因此对于面积相近的区域,破损与非破损的角点数目相差较大,基于此区别本发明提供了一种混凝土表面破损的自动识别方法,如图1所示,具体包括以下步骤:
S1、获取混凝土表面破损处的病害图像,经过尺寸标定计算单位像素的实际尺寸
在具体的实施方式中,使用相机或摄像头等图像采集设备对混凝土表面破损处进行拍摄。拍摄时镜头与混凝土表面平行。
拍摄完成获取病害图像为RGB格式,对病害图像的像素大小所对应的图像实际尺寸按以下公式进行标定:
在上式中,L为裂缝平面到镜头焦点的距离,单位mm;η为每像素解析度,单位mm;f为照相机的焦距,单位mm;R1为镜头的图像分辨率;SC为图像采集设备中互补金属氧化物半导体传感器的尺寸,单位mm2;又称为单位像素面积。
S2、将病害图像转换为灰度图,得到第一目标图像
在具体的实施方式中,按以下公式将RGB格式的病害图像转换为灰度图:
Gray=0.299R+0.587G+0.114B
其中,Gray表示图像的灰度,R表示红色,G表示绿色,B表示蓝色。
S3、将第一目标图像的前景物体与背景进行分割,得到第三目标图像
在具体的实施方式中,对第一目标图像采用的Soble算子计算水平与垂直方向的像素变化,提取破损区域的边缘,并运用形态学的开运算将孤立噪点清除,将破损区域中心孔洞闭合,分割出前景物体与背景,得到第三目标图像。为了获得更精确的分割效果,优选3×3的Soble算子,具体如下式:
S4、对第三目标图像进行二值化处理得到第四目标图像
第三目标图像中包含有前景物体与背景,在具体的实施方式中,将前景物体处理为255,背景处理为0。
S5、计算第四目标图像内前景物体的面积
在混凝土表面色彩干扰较大的情况下,或者小破损区域,都有可能形成前景物体;因其对于混凝土结构的整体影响不大,故在具体的实施方式中,置一个实际尺寸为1平方厘米的面积阈值,对于实际尺寸小于面积阈值的连通区域予以清除,处理为背景。
S6、根据前景物体的面积,使用圆形角点检测模板找到边缘角点角度突变点,提取破损边缘轮廓和轮廓的总长度,以及破损区域面积;定位破损边缘轮廓坐标位置
根据前景物体的面积,利用圆形角点检测模板对破损轮廓边缘进行遍历,待遍历的边缘像素点处于检测模板的中心,令检测模板每个像素格为单位“1”。设破损边缘上的第i个点其轮廓处于角点检测模板上面的像素个数为N1,其余破损区域处于模板上的像素个数为N2,令对处于模板上的轮廓点按0.5个单位计算,其余处于模板上的破损区域像素点按1个单位计算,则第个i点的圆形角点检测模板运算面积为Si=0.5N1+1N2。
为了获得更精确的提取效果,在具体的实施方式中,如图2所示,圆形角点检测模板为像素5×5的正方形减去4个角点像素的多边形,共计21格像素单位。以边缘角度为180°为例,说明圆形角点检测模板运算面积Si的具体计算过程:
如图3所示,编号为“3”的像素格区域代表轮廓在模板上的位置,编号为“2”的像素格区域代表前景物体除去轮廓在模板上的位置,另一侧无编号的代表背景物体在模板上的位置。由图3可看出检测点的局部轮廓平滑,左右两侧像素点无角度突变,则将此检测点的边缘角度定义为180°,经过公式Si=0.5N1+1N2计算,得出其Si=10.5。对于其它的边缘角度,边缘角度与Si值的对应关系,通过上述方法计算得到,具体如下:
轮廓点角度30°,圆形角点检测模板运算面积Si为2.0;
轮廓点角度45°,圆形角点检测模板运算面积Si为3.0;
轮廓点角度60°,圆形角点检测模板运算面积Si为4.5;
轮廓点角度90°,圆形角点检测模板运算面积Si为5.5;
轮廓点角度120°,圆形角点检测模板运算面积Si为7.5;
轮廓点角度135°,圆形角点检测模板运算面积Si为8.0;
轮廓点角度150°,圆形角点检测模板运算面积Si为9.5;
轮廓点角度180°,圆形角点检测模板运算面积Si为10.5;
轮廓点角度210°,圆形角点检测模板运算面积Si为11.5;
轮廓点角度120°,圆形角点检测模板运算面积Si为7.5;
轮廓点角度135°,圆形角点检测模板运算面积Si为8.0;
轮廓点角度150°,圆形角点检测模板运算面积Si为9.5;
轮廓点角度180°,圆形角点检测模板运算面积Si为10.5;
轮廓点角度210°,圆形角点检测模板运算面积Si为11.5;
轮廓点角度225°,圆形角点检测模板运算面积Si为13.0;
轮廓点角度240°,圆形角点检测模板运算面积Si为13.5;
轮廓点角度270°,圆形角点检测模板运算面积Si为15.5;
轮廓点角度300°,圆形角点检测模板运算面积Si为16.5;
轮廓点角度315°,圆形角点检测模板运算面积Si为18.0;
轮廓点角度330°,圆形角点检测模板运算面积Si为19.0。
从上述轮廓点角度与圆形角点检测模板运算面积的对比关系可得出不同的Si分别对应的轮廓点角度,根据角点(角点包括凸点、凹点)的轮廓点角度,可以得出边缘角点角度突变点。对于轮廓边缘,其角度在180°左右,凸点其角度小于180°,凹点其角度大于180°,由于非破损病害边缘往往较光滑,因此角度更接近与180°,在破损边缘角点处,其凹角或凸角角度值远离180°。在本实施例中,设角度阈值为90°、270°,将小于等于90°的凸点或大于等于270°的凹点定义为边缘角点角度突变点,用于混凝土破损病害图像与非破损图像(比如泛碱或污渍区域)的分类依据。
将多个边缘角点角度突变点连接起来,就可以得到破损边缘轮廓和轮廓的总长度,还可以根据轮廓所圈出的区域计算得到破损区域面积,定位破损边缘轮廓坐标位置。
通过采用本实施例的技术方案,使用圆形角点检测模板找到边缘角点角度突变点,提取破损边缘轮廓以及破损区域面积及轮廓总的像素长度,定位破损边缘轮廓坐标位置来识别混凝土表面破损;能够实现混凝土表面破损的自动识别,大大提高自动识别的准确率。
实施例2
在实施例1的技术方案中,将第一目标图像的前景物体与背景进行分割时,因采集的病害图像转换为灰度图得到第一目标图像的过程中,会因为噪声、对比度的影响,使得获取的第一目标图像不够清晰,进而会影响第一目标图像的前景物体与背景的分割效果。
为解决上述技术问题,在实施例1的基础上进一步优化,采用以下技术方案:
利用高斯滤波对第一目标图像进行平滑处理减少噪声,并利用灰度直方图对其进行均衡化处理增强对比度,得到第二目标图像。
将第二目标图像的前景物体与背景进行分割,得到第三目标图像。
通过采用本实施例的技术方案,可以获得更为清晰的前景物体与背景分割效果,进一步提高混凝土表面破损自动识别的准确率。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种混凝土表面破损的自动识别方法,其特征在于,包括以下步骤:
S1、获取混凝土表面破损处的病害图像,经过尺寸标定计算单位像素的实际尺寸;
S2、将病害图像转换为灰度图,得到第一目标图像;
S3、将第一目标图像的前景物体与背景进行分割,得到第三目标图像;
S4、对第三目标图像进行二值化处理得到第四目标图像;
S5、计算第四目标图像内前景物体的面积;
S6、根据前景物体的面积,使用圆形角点检测模板找到边缘角点角度突变点,提取破损边缘轮廓和轮廓的总长度,以及破损区域面积;定位破损边缘轮廓坐标位置。
3.根据权利要求1所述的混凝土表面破损的自动识别方法,其特征在于,步骤S2,按以下公式将病害图像转换为灰度图:
Gray=0.299R+0.587G+0.114B
其中,Gray表示图像的灰度,R表示红色,G表示绿色,B表示蓝色。
4.根据权利要求1所述的混凝土表面破损的自动识别方法,其特征在于,步骤S3包括:对第一目标图像采用的Soble算子计算水平与垂直方向的像素变化,提取破损区域的边缘,并运用形态学的开运算将孤立噪点清除,将破损区域中心孔洞闭合,分割出前景物体与背景,得到第三目标图像。
5.根据权利要求1所述的混凝土表面破损的自动识别方法,其特征在于,步骤S4对第三目标图像进行二值化处理时,将前景物体处理为255,背景处理为0。
6.根据权利要求1所述的混凝土表面破损的自动识别方法,其特征在于,步骤S5计算第四目标图像内前景物体的面积时,设面积阈值为1平方厘米,对于实际尺寸小于面积阈值的连通区域予以清除,处理为背景。
7.根据权利要求1所述的混凝土表面破损的自动识别方法,其特征在于,步骤S5中所述圆形角点检测模板为像素5×5的正方形减去4个角点像素的多边形,共计21格像素单位。
8.根据权利要求7所述的混凝土表面破损的自动识别方法,其特征在于,步骤S5包括:
根据前景物体的面积,利用圆形角点检测模板对破损轮廓边缘进行遍历,计算检测点的圆形角点检测模板运算面积Si;
根据圆形角点检测模板运算面积为Si和轮廓点角度的对应关系,得出检测点的轮廓点角度;
根据检测点的轮廓点角度和角度阈值,判断所述检测点是否为边缘角点角度突变点。
9.根据权利要求8所述的混凝土表面破损的自动识别方法,其特征在于,所述角度阈值为90°、270°,将小于或等于90°的凸点,或者大于或等于270°的凹点定义为边缘角点角度突变点。
10.根据权利要求1所述的混凝土表面破损的自动识别方法,其特征在于,
利用高斯滤波对第一目标图像进行平滑处理减少噪声,并利用灰度直方图对其进行均衡化处理增强对比度,得到第二目标图像;
将第二目标图像的前景物体与背景进行分割,得到第三目标图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210023992.4A CN114359251A (zh) | 2022-01-11 | 2022-01-11 | 一种混凝土表面破损的自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210023992.4A CN114359251A (zh) | 2022-01-11 | 2022-01-11 | 一种混凝土表面破损的自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114359251A true CN114359251A (zh) | 2022-04-15 |
Family
ID=81108468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210023992.4A Pending CN114359251A (zh) | 2022-01-11 | 2022-01-11 | 一种混凝土表面破损的自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359251A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115527109A (zh) * | 2022-08-29 | 2022-12-27 | 邯郸市亿润工程咨询有限公司 | 一种水下混凝土病害监测方法、装置、水下机器人及介质 |
CN116612114A (zh) * | 2023-07-17 | 2023-08-18 | 安徽省交通规划设计研究总院股份有限公司 | 图像处理视域下的透水混凝土胶石比确定方法 |
-
2022
- 2022-01-11 CN CN202210023992.4A patent/CN114359251A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115527109A (zh) * | 2022-08-29 | 2022-12-27 | 邯郸市亿润工程咨询有限公司 | 一种水下混凝土病害监测方法、装置、水下机器人及介质 |
CN116612114A (zh) * | 2023-07-17 | 2023-08-18 | 安徽省交通规划设计研究总院股份有限公司 | 图像处理视域下的透水混凝土胶石比确定方法 |
CN116612114B (zh) * | 2023-07-17 | 2023-10-20 | 安徽省交通规划设计研究总院股份有限公司 | 图像处理视域下的透水混凝土胶石比确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN109443480B (zh) | 基于图像处理的水位标尺定位及水位测量方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN114359251A (zh) | 一种混凝土表面破损的自动识别方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN110569857B (zh) | 一种基于质心距离计算的图像轮廓角点检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN110443278B (zh) | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 | |
CN104700395A (zh) | 一种构造物外观裂缝检测方法及系统 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN112070766B (zh) | 缺陷检测方法及装置、检测设备及可读存储介质 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
WO2021000948A1 (zh) | 配重重量的检测方法与系统、获取方法与系统及起重机 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
CN111553878A (zh) | 基于双目视觉的沥青路面混合料摊铺均匀性的检测方法 | |
KR102242996B1 (ko) | 자동차 사출제품의 비정형 불량 검출 방법 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN112213314B (zh) | 晶圆侧面缺陷的检测方法和检测系统 | |
CN101131733A (zh) | 一种自适应目标定位方法 | |
CN116563298B (zh) | 基于高斯拟合的十字线中心亚像素检测方法 |
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 |