CN114418957A - 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 - Google Patents
基于机器人视觉的全局和局部二值模式图像裂缝分割方法 Download PDFInfo
- Publication number
- CN114418957A CN114418957A CN202111608583.2A CN202111608583A CN114418957A CN 114418957 A CN114418957 A CN 114418957A CN 202111608583 A CN202111608583 A CN 202111608583A CN 114418957 A CN114418957 A CN 114418957A
- Authority
- CN
- China
- Prior art keywords
- local binary
- crack
- binary pattern
- global
- image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000011218 segmentation Effects 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 230000007547 defect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000002950 deficient Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XUKUURHRXDUEBC-KAYWLYCHSA-N Atorvastatin Chemical compound C=1C=CC=CC=1C1=C(C=2C=CC(F)=CC=2)N(CC[C@@H](O)C[C@@H](O)CC(O)=O)C(C(C)C)=C1C(=O)NC1=CC=CC=C1 XUKUURHRXDUEBC-KAYWLYCHSA-N 0.000 description 1
- 239000007983 Tris buffer Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G06T5/92—
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Abstract
基于机器人视觉的全局和局部二值模式图像裂缝分割方法,包括:对获取的原始图像的对比度进行增强,得到增强图;利用改进的局部二值模式检测算法对增强图进行处理,构建显著图;利用增强图和显著图进行裂缝分割,得到全局和局部二值模式裂缝自动分割方法;对得到的全局和局部二值模式裂缝自动分割方法进行性能评估,本申请利用对数变换增强裂缝图像的对比度,使得裂缝的暗部信息更加丰富,改进了旋转不变局部二值模式纹理特征,融合四方向的全局信息,引入了万有引力定律,以及灰度和圆度特征对裂缝分割结果进行修正,提高了分割精度,能够在光照不均和复杂纹理的背景中分割出裂缝区域,具有较好的鲁棒性,且满足在线检测要求。
Description
技术领域
本发明涉及裂缝检测技术领域,特别涉及基于机器人视觉的全局和局部二值模式图像裂缝分割方法。
背景技术
传统的图像裂缝分割方法,由于裂缝程度不均匀、周围背景与裂缝的对比度差异、阴影等干扰,都会对图像裂缝分割结果造成较大影响,而且,传统裂缝检测手段主要是人工检测,通过肉眼观察裂缝情况,效率较低,随着科技的发展,机器人视觉技术正在慢慢代替传统的视觉技术,机器人视觉是集计算机、机械、传感技术、信息处理技术、图像处理技术等多种技术于一体的系统,当前,大多数智能机器人都具备视觉采集功能,并实现对采集的图像的匹配和处理等操作,如果能够将机器人视觉技术应用到裂缝分割领域,将会大大提高图像裂缝分割的效率和精确度,而且,对于一些特殊的场合,如水下作业,机器人视觉可以更好的替代人工检测,但是,现有技术中,基于机器人视觉的图像裂缝分割方法还很不成熟,不能完全克服传统裂缝分割方法的缺陷。
发明内容
为了克服上述现有技术的缺点,本申请的目的在于提供基于机器人视觉的全局和局部二值模式图像裂缝分割方法,旨在解决上述技术问题中的至少一种。
第一方面,本申请提供了基于机器人视觉的全局和局部二值模式图像裂缝分割方法,该方法包括:
对获取的原始图像的对比度进行增强,得到增强图;
利用改进的局部二值模式检测算法对增强图进行处理,构建显著图;
利用增强图和显著图进行裂缝分割,得到全局和局部二值模式裂缝自动分割方法;
对得到的全局和局部二值模式裂缝自动分割方法进行性能评估。
第二方面,本申请还提供了基于机器人视觉的全局和局部二值模式图像裂缝分割装置,该装置包括:
图像增强单元,用于对获取的原始图像的对比度进行增强,得到增强图;
显著图构建单元,用于利用改进的局部二值模式检测算法对增强图进行处理,构建显著图;
分割算法获取单元,用于利用增强图和显著图进行裂缝分割,得到全局和局部二值模式裂缝自动分割方法;
性能评估单元,用于对得到的全局和局部二值模式裂缝自动分割方法进行性能评估。
第三方面,本申请还提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现上述第一方面所述的基于机器人视觉的全局和局部二值模式图像裂缝分割方法。
第四方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行上述第一方面所述的基于机器人视觉的全局和局部二值模式图像裂缝分割方法。
本申请提出的基于机器人视觉的全局和局部二值模式图像裂缝分割方法,利用对数变换增强裂缝图像的对比度,使得裂缝的暗部信息更加丰富。改进了旋转不变局部二值模式纹理特征,融合四方向的全局信息,生成裂缝显著图。最后,引入了万有引力定律,以及灰度和圆度特征对裂缝分割结果进行修正,提高了分割精度。该方法能够在光照不均和复杂纹理的背景中分割出裂缝区域,具有较好的鲁棒性,且满足在线检测要求。
附图说明
为了更清楚的说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见的,下面的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的前提下,还可以根据这些附图获得其他附图。
图1为本申请实施例提供的基于机器人视觉的全局和局部二值模式图像裂缝分割方法流程图;
图2为本申请实施例提供的基于机器人视觉的全局和局部二值模式图像裂缝分割方法的框架图;
图3为本申请实施例提供的改进的局部二值模式方法示意图;
图4为本申请实施例提供的预处理后图像的灰度直方图;
图5为本申请实施例提供的不同方法对公开裂缝数据集的检测结果示意图;
图6a-6d为本申请实施例提供的GLBPCS的参数自适应配置图;
图7为本申请实施例提供的不同方法的检测结果的定量分析柱状图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参见图1实施例所示基于机器人视觉的全局和局部二值模式图像裂缝分割方法流程图,包括:
S101、对获取的原始图像的对比度进行增强,得到增强图。
从图2的a中可以看到,裂缝区域的灰度值比背景低,而主要关注区域正是低灰度值的部分。因此,采用了对数变换将较暗的裂缝缺陷进行灰度范围扩展,使得图像显示出更多低灰度细节。根据变换后图像的灰度最值将图像灰度范围映射到0~255之间,从而实现裂缝与背景之间的对比度增强,如图2的b所示,增强图记为G,通过对原始图像的预处理,增强裂缝与背景间的对比度。
S102、利用改进的局部二值模式检测算法对增强图进行处理,构建显著图。
局部二值模式(Local Binary Patterns,LBP)主要是用来描绘局部纹理特征,为了更好地说明本申请提出的全局和局部二值模式显著图算法,首先对旋转不变局部二值模式算法进行解释。
该算法中,图像上的任意像素点会与其相邻的像素点集依次进行比较计算局部二值模式码:
式中,C为LBP码,gt为目标像素点pt的灰度值,gi为第i个相邻像素点pi的灰度值,n表示相邻像素点的总个数。
由此,得到旋转不变局部二值模式码为
IRC|n,r=min<B2D{Rot[D2B(C),j]}|j∈[0,n-1]> (2)
式中,IRC为旋转不变局部二值模式码,B2D表示二进制转换为十进制,D2B表示十进制转换为二进制,Rot(x,j)表示对二进制数值x执行j次循环按位旋转,min表示取最小值。
虽然旋转不变LBP描绘局部特征被应用到纹理检测中,但是这种特征结果用于缺陷检测是困难的,因为其检测结果受目标像素点到相邻像素点的距离的影响。当r小于缺陷最短距离的二分一时或者当r远大于缺陷最短距离时,处在缺陷内部的像素点和处在背景中的像素点的IRC几乎没有区别,这样会导致检测结果出现较多假阴性和假阳性。多数情况下,该算法只能检测出粗糙的缺陷边缘。
如图3所示,其中,中间的空心圆表示目标像素,正方形框表示相邻的像素,四条由正方形框组成的直线代表水平方向、竖直方向和对角线方向四个不同的方向。
在每个方向中,目标像素会与其所在方向均布的n个点进行比较,比较的规则与原始的局部二值模式一致。在本文中,取n=8,图像灰度范围控制在[0,255]。这n个点的灰度值可由7×7矩形领域灰度均值替代,由此可以降低噪声的影响,同时将公式(1)中的阈值常数值0设为一个相对阈值TR,即
式中d表示上述的四个方向,其中d=1为左上对角线方向,d=2为水平方向,d=3为垂直方向,d=4为左下对角线方向。
由此,每个目标像素会有4个IRCd值,即有四幅不同方向的旋转不变局部二值模式检测图,如图2的c至图2的f所示。取其平均作为显著图,如图2的g,记为S。从图中可以看到,复杂的背景被过滤掉了,裂缝显而易见,但仍然存在一些离散的噪声,因而需要进行第三部裂纹分割与修正。
值得注意的是,上述相对阈值TR是由对比度增强后图像的灰度直方图确定的。如图4所示,首先锁定最大的驼峰,为一个类高斯分布[15]
式中,μH为类高斯曲线最大值所对应的灰度值,σH为类高斯曲线的标准差。
根据高斯分布可知,背景出现的概率在高斯分布的中部,而缺陷总是出现在其两端,因此需要粗略计算背景灰度范围,从图中可以看到腰部以下的地方可能会受到噪声影响,所以通过对类高斯曲线求导,求得函数y最大值所对应灰度值μH左边部分一阶导数为0的位置(即μH-σH)。由于裂缝是暗缺陷,且认为类高斯分布是对称的,只需计算一边即可,然后令相对阈值TR=ασH。
本申请改进的局部二值模式算法是针对裂缝检测设计的,该方法不仅继承了原始局部二值模式的局部特性,同时也考虑到了全局信息。
S103、利用增强图和显著图进行裂缝分割,得到全局和局部二值模式裂缝自动分割方法。
在裂缝分割中,基于渗透模型采用圆度Cir作为裂缝的一种特征[9]
式中,AReg表示某区域Reg的像素个数,DReg表示区域中心到边缘最大的距离。
若区域是个圆形,Cir=1;若区域有空洞或很长,Cir<1。同时基于万有引力定律,认为裂缝区域面积越大,其端点对附近点的影响范围越大,即
式中,RReg表示区域的影响半径,k是一个变化系数。
综合以上的特点,设计了如下裂缝分割程序:
Input:增强图G,显著图S,图像宽高分别为W和H,参数k。
Output:输出图像O。
1)初始化:令图像I=S,目标面积AT=H×W,标志Flag=0。
While(True):
2)生成H×W的0矩阵M。
3)如果Flag==0,对I进行阈值分割,提取潜在的裂缝区域,计算I的均值μI和标准差σI,当I中的像素灰度值大于等于μI+λσI,O中的对应位置设置为1;否则,设置为0。如果Flag==1,则令O=I。
4)计算裂缝区域面积:Acrack=∑O==1。
5)如果满足条件Acrack=AT或k==0时,输出结果O;否则,AT=Acrack并进行步骤6)。
6)对O中值为1的区域进行连通分析:URegi=∑O==1。如果Flag==1,那么区域面积大于等于3和圆度小于等于0.4的区域会被保留,即:
7)对Regi进行骨架提取,并获取其所有的端点EPi=(x1,y1),…,(xj,yj),…,(xm,ym),其中m是每个骨架端点的个数总和。
10)如果扩充后的Regi的CirRegi≤0.1相应的区域置为1。
11)令I=M和k--并返回步骤2)。
End While
S104、对得到的全局和局部二值模式裂缝自动分割方法进行性能评估。
为了评估所提出全局和局部二值模式裂缝自动分割方法(GLBPCS)的性能,在公开的裂缝数据集(https://github.com/cuilimeng/CrackForest)上进行测试,检测结果与可控证据滤波法(SEF方法),宽度变换法(WT方法),渗透算法(P方法),改进的U型卷积神经网络法(Unet++方法)进行比较,性能指标分别采用重合率Dc(即真实值与预测值的重合率),准确率Pr(即正确缺陷像素个数占总预测缺陷值的比值)和召回率Re(即正确缺陷像素个数占总的真实缺陷值的比值)以及运行时间来表示。
式中,TP表示真实值和预测值皆为缺陷的像素个数,FP表示真实值是背景但预测值是缺陷的像素个数,FN表示真实值是缺陷但预测值是背景的像素个数。
公开的裂缝数据集中包含118张480×320的三通道图像,如图5所示,其中从上往下分别是原始图(图5a),真实值(图5b),SEF(图5c),WT(图5d),P(图5e),Unet++(图 5f)和GLBPCS(图5g)的检测结果。原始图选取了不同样式的裂缝形状进行分析,如图4a1、图5a4和图5a6均为单支裂缝,图5a3和图5a5为多支裂缝,图5a2为网状裂缝。同时图像中还包含了噪声的影响,如图5a3中存在油漆,图5a6中存在油斑。由此,将数据集平均分为训练集和测试集,GLBPCS采用自适应的方法配置参数,具体为从训练集中任意选取5个样本计算Dc来调节各参数取得较优结果。程序自动生成四幅曲线图,即阈值系数α,标准差系数λ,变化系数k,允许灰度变化范围δ分别与重合率Dc的关系,如图6所示,程序自动选取平均最大Dc所对应的值,即α=3,λ=1,k=7,δ=11,考虑到算法精度和运行时间的平衡, k微调为5。
在一实施例中,在得到结果之后,还需要对实验结果进行评估;
本申请从视觉比较和定量分析两个方面对实验结果进行评价。
对于SEF方法,如图5c所示,该方法能够检测出各种裂缝的类型,但其检测效果受限于滤波核尺寸,当核较大时该方法能检测较宽的裂缝,当核较小时其能检测较窄的裂缝。对于 WT方法,如图5d所示,该方法检测效果较差,几乎无法辨识裂缝的特征,这是因为该方法依赖边缘提取效果,对于裂缝与背景过渡平滑的位置,边缘提取可能会失败,导致边缘点对寻找失败或错误。对于P方法,如图5e所示,该方法对复杂背景中的缺陷提取其效果一般,仅在背景较为纯净而且无太多噪声干扰的情况下能取得较好的效果。对于Unet++方法,如图 5f所示,该方法基本能完全提取裂缝区域,主要得益于上百万的样本参数,即使这样也引入了较多的假阳性区域。对于本文提出的GLBPCS方法,如图5g所示,该方法能够较好地检测出裂缝的区域,而且不会引入过多假阳性,主要是因为改进的LBP算法融合了全局与局部信息,加上修正算法中引入了万有引力理论和圆度特征,使得裂缝特征能够较好地被提取。
图7给出了不同裂缝检测方法的定量分析结果。由于真实值是人为标记,存在主观因素,因而三个指标Dc,Pr,Re大于等于0.5即认为该算法检测效果较好。从图中可以看到,本文提出方法的三个指标均超过0.6,检测效果优于其他方法。虽然其检测速度慢于SEF方法和WT 方法,但是还是能达到1s内在线检测的要求。
本申请提出了一种混凝土结构裂缝自动分割方法。利用对数变换增强裂缝图像的对比度,使得裂缝的暗部信息更加丰富。改进了旋转不变局部二值模式纹理特征,融合四方向的全局信息,生成裂缝显著图。最后,引入了万有引力定律,以及灰度和圆度特征对裂缝分割结果进行修正,提高了分割精度。该方法能够在光照不均和复杂纹理的背景中分割出裂缝区域,具有较好的鲁棒性,且满足在线检测要求。
在一实施例中,本申请还提供了基于机器人视觉的全局和局部二值模式图像裂缝分割装置,该装置包括:
图像增强单元,用于对获取的原始图像的对比度进行增强,得到增强图;
显著图构建单元,用于利用改进的局部二值模式检测算法对增强图进行处理,构建显著图;
分割算法获取单元,用于利用增强图和显著图进行裂缝分割,得到全局和局部二值模式裂缝自动分割方法;
性能评估单元,用于对得到的全局和局部二值模式裂缝自动分割方法进行性能评估。
在一实施例中,本申请还提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现上述任一实施例所述的基于机器人视觉的全局和局部二值模式图像裂缝分割方法。
在一实施例中,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行上述任一实施例所述的基于机器人视觉的全局和局部二值模式图像裂缝分割方法。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (8)
1.基于机器人视觉的全局和局部二值模式图像裂缝分割方法,其特征在于,包括:
对获取的原始图像的对比度进行增强,得到增强图;
利用改进的局部二值模式检测算法对增强图进行处理,构建显著图;
利用增强图和显著图进行裂缝分割,得到全局和局部二值模式裂缝自动分割方法;
对得到的全局和局部二值模式裂缝自动分割方法进行性能评估。
2.如权利要求1所述的基于机器人视觉的全局和局部二值模式图像裂缝分割方法,其特征在于,所述对获取的原始图像的对比度进行增强,得到增强图,包括:
采用对数变换将较暗的裂缝缺陷进行灰度范围扩展,得到增强图。
3.如权利要求1所述的基于机器人视觉的全局和局部二值模式图像裂缝分割方法,其特征在于,所述利用改进的局部二值模式检测算法构建显著图,包括:
根据原始图像的所有像素在水平、竖直和两个对角线方向的变化,计算每个像素旋转不变局部二值模式码,并根据每个像素旋转不变局部二值模式码得到显著图。
4.如权利要求3所述的基于机器人视觉的全局和局部二值模式图像裂缝分割方法,其特征在于,所述根据每个像素旋转不变局部二值模式码得到显著图之后,包括:
根据高斯分布,对显著图进行处理,得到图像的灰度直方图。
5.如权利要求1所述的基于机器人视觉的全局和局部二值模式图像裂缝分割方法,其特征在于,所述对得到的全局和局部二值模式裂缝自动分割方法进行性能评估,包括:
在公开的裂缝数据集上对得到的全局和局部二值模式裂缝自动分割方法进行测试,并将测试结果进行比较,得到性能评估结果。
6.基于机器人视觉的全局和局部二值模式图像裂缝分割装置,其特征在于,包括:
图像增强单元,用于对获取的原始图像的对比度进行增强,得到增强图;
显著图构建单元,用于利用改进的局部二值模式检测算法对增强图进行处理,构建显著图;
分割算法获取单元,用于利用增强图和显著图进行裂缝分割,得到全局和局部二值模式裂缝自动分割方法;
性能评估单元,用于对得到的全局和局部二值模式裂缝自动分割方法进行性能评估。
7.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1-5中任一项所述的基于机器人视觉的全局和局部二值模式图像裂缝分割方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行如权利要求1-5任一项所述的基于机器人视觉的全局和局部二值模式图像裂缝分割方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111608583.2A CN114418957B (zh) | 2021-12-24 | 2021-12-24 | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 |
US17/726,149 US11580647B1 (en) | 2021-12-24 | 2022-04-21 | Global and local binary pattern image crack segmentation method based on robot vision |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111608583.2A CN114418957B (zh) | 2021-12-24 | 2021-12-24 | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114418957A true CN114418957A (zh) | 2022-04-29 |
CN114418957B CN114418957B (zh) | 2022-11-18 |
Family
ID=81270567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111608583.2A Active CN114418957B (zh) | 2021-12-24 | 2021-12-24 | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11580647B1 (zh) |
CN (1) | CN114418957B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132602A (zh) * | 2023-10-27 | 2023-11-28 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309557B (zh) * | 2023-05-16 | 2023-08-01 | 山东聚宁机械有限公司 | 一种挖掘机履带板断裂检测方法 |
CN116385429B (zh) * | 2023-05-26 | 2023-08-11 | 山东中泳电子股份有限公司 | 一种仰泳出发器生产线智能管理方法及系统 |
CN116342635B (zh) * | 2023-05-26 | 2023-08-08 | 山东省地质矿产勘查开发局第一地质大队(山东省第一地质矿产勘查院) | 一种地质测绘中裂缝轮廓提取方法 |
CN116394161B (zh) * | 2023-06-05 | 2023-08-11 | 深圳市鑫冠亚科技有限公司 | 一种基于数据分析的电极生产管理方法及系统 |
CN116819050B (zh) * | 2023-06-26 | 2024-04-09 | 河南安祐中路桥工程有限公司 | 混凝土搅拌匀质度检测系统及其检测方法 |
CN116563289B (zh) * | 2023-07-11 | 2023-09-29 | 凯德技术长沙股份有限公司 | 一种基于机器视觉的贴标品质检测方法和系统 |
CN116758075B (zh) * | 2023-08-18 | 2023-11-24 | 深圳市智祥源科技有限公司 | 基于人工智能的吹风机电机运行故障检测方法 |
CN116823822B (zh) * | 2023-08-29 | 2023-11-21 | 山东航宇游艇发展有限公司 | 基于视觉特征的船艇钣金件焊接缺陷检测方法 |
CN117036353B (zh) * | 2023-10-09 | 2024-01-30 | 东莞市盈圆合创新材料有限公司 | 一种新能源电池用的耐温泡棉涂层检测方法 |
CN117095004B (zh) * | 2023-10-20 | 2024-01-12 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117329977B (zh) * | 2023-11-28 | 2024-02-13 | 中国飞机强度研究所 | 复杂工况下结构疲劳裂纹视觉特征表征与测量处理方法 |
CN117437247B (zh) * | 2023-12-18 | 2024-03-05 | 津泰(天津)医疗器械有限公司 | 一种基于自然腔道影像的病变区域提取分割方法 |
CN117576106B (zh) * | 2024-01-17 | 2024-03-29 | 高科建材(咸阳)管道科技有限公司 | 管道缺陷检测方法及系统 |
CN117830312A (zh) * | 2024-03-05 | 2024-04-05 | 陕西长空齿轮有限责任公司 | 基于机器视觉的合金裂纹无损检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364410A (zh) * | 2013-07-23 | 2013-10-23 | 三峡大学 | 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法 |
CN103903268A (zh) * | 2014-04-09 | 2014-07-02 | 南京理工大学 | 基于多种低层显著特征的路面裂缝检测方法 |
CN104992429A (zh) * | 2015-04-23 | 2015-10-21 | 北京宇航时代科技发展有限公司 | 一种基于图像局部增强的山体裂缝检测方法 |
CN105931216A (zh) * | 2016-04-05 | 2016-09-07 | 李红伟 | 一种基于图像处理技术的机场道面破损检测方法 |
CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
CN106570836A (zh) * | 2016-11-03 | 2017-04-19 | 北京航星机器制造有限公司 | 一种辐射图像局部增强方法 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN107818562A (zh) * | 2017-10-23 | 2018-03-20 | 广东电网有限责任公司东莞供电局 | 一种干式空心并联电抗器风道绝缘包封层裂纹在线检测方法 |
CN109872303A (zh) * | 2019-01-16 | 2019-06-11 | 北京交通大学 | 表面缺陷视觉检测方法、装置和电子设备 |
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
CN112184693A (zh) * | 2020-10-13 | 2021-01-05 | 东北大学 | 一种射线工业底片焊缝缺陷智能检测方法 |
WO2021056531A1 (zh) * | 2019-09-29 | 2021-04-01 | 京东方科技集团股份有限公司 | 人脸性别识别方法、人脸性别分类器的训练方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6330385B2 (ja) * | 2014-03-13 | 2018-05-30 | オムロン株式会社 | 画像処理装置、画像処理方法およびプログラム |
US10753881B2 (en) * | 2016-05-27 | 2020-08-25 | Purdue Research Foundation | Methods and systems for crack detection |
CN110268442B (zh) * | 2019-05-09 | 2023-08-29 | 京东方科技集团股份有限公司 | 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品 |
-
2021
- 2021-12-24 CN CN202111608583.2A patent/CN114418957B/zh active Active
-
2022
- 2022-04-21 US US17/726,149 patent/US11580647B1/en active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364410A (zh) * | 2013-07-23 | 2013-10-23 | 三峡大学 | 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法 |
CN103903268A (zh) * | 2014-04-09 | 2014-07-02 | 南京理工大学 | 基于多种低层显著特征的路面裂缝检测方法 |
CN104992429A (zh) * | 2015-04-23 | 2015-10-21 | 北京宇航时代科技发展有限公司 | 一种基于图像局部增强的山体裂缝检测方法 |
CN105931216A (zh) * | 2016-04-05 | 2016-09-07 | 李红伟 | 一种基于图像处理技术的机场道面破损检测方法 |
CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
CN106570836A (zh) * | 2016-11-03 | 2017-04-19 | 北京航星机器制造有限公司 | 一种辐射图像局部增强方法 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN107818562A (zh) * | 2017-10-23 | 2018-03-20 | 广东电网有限责任公司东莞供电局 | 一种干式空心并联电抗器风道绝缘包封层裂纹在线检测方法 |
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
CN109872303A (zh) * | 2019-01-16 | 2019-06-11 | 北京交通大学 | 表面缺陷视觉检测方法、装置和电子设备 |
WO2021056531A1 (zh) * | 2019-09-29 | 2021-04-01 | 京东方科技集团股份有限公司 | 人脸性别识别方法、人脸性别分类器的训练方法及装置 |
CN112184693A (zh) * | 2020-10-13 | 2021-01-05 | 东北大学 | 一种射线工业底片焊缝缺陷智能检测方法 |
Non-Patent Citations (2)
Title |
---|
JUNJIECHEN 等: "Bottom-up image detection of water channel slope damages based on superpixel segmentation and support vector machine", 《ADVANCED ENGINEERING INFORMATICS》 * |
龚起民: "车载式隧道表面图像采集与病害检测技术", 《中国硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132602A (zh) * | 2023-10-27 | 2023-11-28 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
CN117132602B (zh) * | 2023-10-27 | 2024-01-02 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US11580647B1 (en) | 2023-02-14 |
CN114418957B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114418957B (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
JP4744918B2 (ja) | 顔検出方法および装置並びにプログラム | |
EP1462994B1 (en) | Method and system for identifying objects in an image | |
CN111680690B (zh) | 一种文字识别方法及装置 | |
CN113379739B (zh) | 超声图像的识别方法、装置、设备及存储介质 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN111985314B (zh) | 一种基于ViBe与改进LBP的烟雾检测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN111539238A (zh) | 二维码图像修复方法、装置、计算机设备和存储介质 | |
CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
CN111860500A (zh) | 一种鞋印磨损区域检测与描边方法 | |
CN114937211B (zh) | 基于不变对象的遥感影像变化检测方法 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
JP2000048120A (ja) | 濃淡画像の文字領域抽出方法及びそのプログラムを記録した記録媒体 | |
CN116310889A (zh) | 无人机环境感知数据的处理方法、控制终端以及存储介质 | |
CN111986176B (zh) | 一种裂纹图像识别方法、系统、终端及可读存储介质 | |
Nguyen et al. | Pavement crack detection and segmentation based on deep neural network | |
CN114373086A (zh) | 集成模板匹配方法、装置、计算机设备及存储介质 | |
CN114155174A (zh) | 基于融合直方图分层和非线性导数的边缘检测算法 | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 | |
CN112085683A (zh) | 一种显著性检测中的深度图可信度检测方法 | |
CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及系统 |
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 |