CN114463293A - 基于图像处理技术的钢结构质量无线检测分析方法及系统 - Google Patents
基于图像处理技术的钢结构质量无线检测分析方法及系统 Download PDFInfo
- Publication number
- CN114463293A CN114463293A CN202210075238.5A CN202210075238A CN114463293A CN 114463293 A CN114463293 A CN 114463293A CN 202210075238 A CN202210075238 A CN 202210075238A CN 114463293 A CN114463293 A CN 114463293A
- Authority
- CN
- China
- Prior art keywords
- steel structure
- surface image
- corrosion
- rust
- 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.)
- Pending
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 236
- 239000010959 steel Substances 0.000 title claims abstract description 236
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 title claims abstract description 37
- 238000005516 engineering process Methods 0.000 title claims abstract description 34
- 230000007797 corrosion Effects 0.000 claims abstract description 235
- 238000005260 corrosion Methods 0.000 claims abstract description 235
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 138
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 27
- 238000005192 partition Methods 0.000 claims description 25
- 230000002265 prevention Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 13
- 239000003973 paint Substances 0.000 description 10
- 238000005507 spraying Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003014 reinforcing effect Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004381 surface treatment Methods 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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明涉及钢结构质量检测的技术领域，公开了一种基于图像处理技术的钢结构质量无线检测分析方法及系统，包括：实时获取钢结构的表面图像，将所述表面图像输入至历史表面图像数据集；将所述表面图像与预设的对比图像进行对比，识别表面图像上的锈蚀痕迹，并计算锈蚀区域面积占钢结构区域面积的比例，生成锈蚀率数据；基于锈蚀率数据生成钢结构质量检测结果；基于历史表面图像数据集判断钢结构的锈蚀高发位置；本申请具有钢结构的防锈效果检测的准确度的效果。
Description
技术领域
本发明涉及钢结构质量检测的技术领域，尤其是涉及一种基于图像处理技术的钢结构质量无线检测分析方法及系统。
背景技术
目前，建筑中使用的钢结构表面常采用覆盖防锈漆的方式进行防锈处理，防锈漆破损易导致钢结构锈蚀，而钢结构锈蚀则容易导致钢结构坍塌的事故发生，因而可能造成重大安全事故。
现有的钢结构防锈效果检测常采用人工目视检查的方式进行，而人工目视检测效果对检测人员的工作经验要求较高，工作人员经验不足或者疏忽大意容易导致检测结果与实际情况出现较大偏差，从而埋下安全隐患。
针对上述相关技术，发明人认为存在人工目视检测钢结构的防锈效果准确度较低的问题。
发明内容
为了提高钢结构的防锈效果检测的准确度，本申请提供一种基于图像处理技术的钢结构质量无线检测分析方法及系统。
本申请的上述发明目的一采用如下技术方案实现：
一种基于图像处理技术的钢结构质量无线检测分析方法，包括：
实时获取钢结构的表面图像，将所述表面图像输入至历史表面图像数据集；
将所述表面图像与预设的对比图像进行对比，识别表面图像上的锈蚀痕迹，并计算锈蚀区域面积占钢结构区域面积的比例，生成锈蚀率数据；
基于锈蚀率数据生成钢结构质量检测结果；
基于历史表面图像数据集判断钢结构的锈蚀高发位置。
通过采用上述技术方案，实时获取钢结构表面图像，用于根据钢结构的表面图像判断该钢结构的表面的锈蚀情况，将表面图像输入至历史表面图像数据集中，便于记录该钢结构的历史表面情况，以便根据该钢结构的历史表面情况制定针对性的防锈措施；将实时获取的表面图像与预设的对比图像进行对比，从而识别表面图像上出现的锈蚀痕迹，计算表面图像中锈蚀区域面积和钢结构面积，计算锈蚀率数据，以便判断当前表面图像中钢结构的锈蚀程度，根据钢结构的各表面图像的锈蚀率数据计算改钢结构的锈蚀情况，从而生成该钢结构的质量检测结果；通过历史表面图像数据集中的表面图像判断钢结构常出现锈蚀的位置并标记为锈蚀高发位置，便于后续针对性的加强锈蚀高发位置的防锈措施，以提高锈蚀高发位置的防锈效果，从而减少锈蚀对钢结构造成的影响，提高钢结构的安全性。
本申请在一较佳示例中可以进一步配置为：将所述表面图像与预设的对比图像进行对比，识别表面图像上的锈蚀痕迹，并计算锈蚀区域面积占钢结构区域面积的比例，生成锈蚀率数据的步骤中，具体包括：
识别表面图像中的差异色块并进行标记，将标记了差异色块后的表面图像发送至管理终端；
获取来自管理终端的勘误信息，基于勘误信息删除相应的差异色块的标记；
勘误期结束后，将标记的差异色块定义为锈蚀痕迹。
通过采用上述技术方案，通过对比实时获取的表面图像和对比图像，识别表面图像相对于对比图像所出现的差异色块，并对识别到的差异色块进行标记，将标记了差异色块后的表面图像发送至管理终端，以便管理终端针对性地判断被标记的差异色块是否属于锈蚀痕迹，减少了管理人员从表面图像中寻找锈蚀痕迹的工作量，提高了钢结构的检测效率；若管理人员发现标记的差异色块中存在不属于锈蚀痕迹的差异色块，可针对该不属于锈蚀痕迹的差异色块发出勘误信息，以便根据勘误信息删除该差异色块的标记；勘误期结束之后，将标记的差异色块自动定义为锈蚀痕迹，以便后续计算锈蚀区域的面积。
本申请在一较佳示例中可以进一步配置为：所述表面图像为钢结构的局部表面的图像，基于锈蚀率数据生成钢结构质量检测结果的步骤中，具体包括：
获取各表面图像所对应的锈蚀率数据，将各锈蚀率数据加权平均计算得到总锈蚀率数据；
若所述总锈蚀率数据小于预设的合格锈蚀率阈值，则生成质量合格的钢结构质量检测结果。
通过采用上述技术方案，表面图像是钢结构的局部表面图像，因此需要通过对该钢结构的多个表面图像的锈蚀情况进行分析后才能得出该钢结构是否合格的质量检测结果，获取该钢结构各表面图像的锈蚀率数据进行加权平均计算后得出该钢结构的总锈蚀率数据；将总锈蚀率数据与预设的合格锈蚀率阈值进行对比，以判断该钢结构的质量是否合格，生成质量检测结果。
本申请在一较佳示例中可以进一步配置为：基于历史表面图像数据集判断钢结构的锈蚀高发位置的步骤中，具体包括：
将钢结构划分为若干位置分区并进行命名；
从历史表面图像数据集中获取每一张表面图像中锈蚀痕迹所对应的位置分区，统计各位置分区发生锈蚀的次数和对应的锈蚀区域面积，确定各位置分区的锈蚀风险等级。
通过采用上述技术方案，将钢结构划分为若干个位置分区并进行命名，以便区分该钢结构的不同区域；从历史表面图像数据集中获取每一张表面图像，分析图像中锈蚀痕迹所对应的钢结构的位置分区，同时获取锈蚀痕迹所对应的锈蚀面积，统计各位置分区发生的锈蚀次数和锈蚀面积以确定各位置分区的锈蚀风险等级，以便管理人员基于各位置分区的锈蚀风险等级制定相应的防锈措施和维护频率。
本申请在一较佳示例中可以进一步配置为：基于历史表面图像数据集判断钢结构的锈蚀高发位置的步骤之后，还包括：
基于所述表面图像判断每一锈蚀痕迹对应的锈蚀原因，并将所述锈蚀原因输入至历史表面图像数据集中；
分析各位置分区所发生的历史锈蚀事件对应的锈蚀原因，生成各位置分区的防锈措施建议。
通过采用上述技术方案，基于表面图像判断每一处锈蚀痕迹所对应的锈蚀原因，将所述锈蚀原因输入至历史表面图像数据集中并与相应的表面图像一并储存，通过分析各位置分区的历史锈蚀事件以及对应的锈蚀原因，根据各位置分区中占比最大的锈蚀原因生成对应于各位置分区的防锈措施建议，以便更科学和更有针对性地选用相应的防锈措施，以提高防锈效果，降低锈蚀对钢结构带来的影响。
本申请在一较佳示例中可以进一步配置为：将所述表面图像与预设的对比图像进行对比，识别表面图像上的锈蚀痕迹，并计算锈蚀区域面积占钢结构区域面积的比例，生成锈蚀率数据的步骤之后，还包括：
若所述锈蚀率数据大于预设的局部锈蚀率阈值，则生成锈蚀修复信息并发送至管理终端。
通过采用上述技术方案，若一个表面图像所对应的锈蚀率数据大于预设的局部锈蚀率阈值，则基于该表面图像所对应的钢结构的位置分区生成锈蚀修复信息并发送至管理终端，以便提示管理人员及时前往该位置分区进行钢结构表面锈蚀的修复工作，以防钢结构的锈蚀加剧从而影响到钢结构的安全性。
本申请的上述发明目的二采用如下技术方案实现：
一种基于图像处理技术的钢结构质量无线检测分析系统，包括：
表面图像获取模块，用于实时获取钢结构的表面图像，将所述表面图像输入至历史表面图像数据集；
锈蚀痕迹识别模块，用于将所述表面图像与预设的对比图像进行对比，识别表面图像上的锈蚀区域，并计算锈蚀区域面积占钢结构区域面积的比例，生成锈蚀率数据；
检测结果生成模块，用于基于锈蚀率数据生成钢结构质量检测结果；
锈蚀分布分析模块，用于基于历史表面图像数据集判断钢结构的锈蚀高发位置。
通过采用上述技术方案，实时获取钢结构表面图像，用于根据钢结构的表面图像判断该钢结构的表面的锈蚀情况，将表面图像输入至历史表面图像数据集中，便于记录该钢结构的历史表面情况，以便根据该钢结构的历史表面情况制定针对性的防锈措施；将实时获取的表面图像与预设的对比图像进行对比，从而识别表面图像上出现的锈蚀痕迹，计算表面图像中锈蚀区域面积和钢结构面积，计算锈蚀率数据，以便判断当前表面图像中钢结构的锈蚀程度，根据钢结构的各表面图像的锈蚀率数据计算改钢结构的锈蚀情况，从而生成该钢结构的质量检测结果；通过历史表面图像数据集中的表面图像判断钢结构常出现锈蚀的位置并标记为锈蚀高发位置，便于后续针对性的加强锈蚀高发位置的防锈措施，以提高锈蚀高发位置的防锈效果，从而减少锈蚀对钢结构造成的影响，提高钢结构的安全性。
本申请的上述发明目的三采用如下技术方案实现：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于图像处理技术的钢结构质量无线检测分析方法的步骤。
本申请的上述发明目的四采用如下技术方案实现：
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实现上述基于图像处理技术的钢结构质量无线检测分析方法的步骤。
综上所述，本申请包括以下至少一种有益技术效果：
1.通过获取钢结构的表面图像并输入历史表面图像数据集，将表面图像与预设的对比图像进行比较，以识别钢结构表面出现的锈蚀痕迹，计算锈蚀区域面积与钢结构区域面积的比例作为锈蚀率数据，便于根据各表面图像对应的锈蚀率数据得出钢结构的总体锈蚀情况，同时通过分析历史表面图像数据集中的表面图像判断钢结构的锈蚀高发位置，以便管理人员针对性地加强锈蚀高发位置的防锈措施。
2.通过比较表面图像和预设的对比图像，识别并标记表面图像相对于对比图像的差异色块，把经过标记后的表面图像发送至管理终端以便减少管理人员从表面图像中寻找锈蚀痕迹的工作量，获取来自管理终端的勘误信息并将相应差异色块的标记删除，并在勘误期结束后将仍保留标记的差异色块定义为锈蚀痕迹，提高了钢结构的检测效率。
3.将钢结构划分为若干位置分区并进行命名，以便区分该钢结构的不同区域，从历史表面图像数据集中获取每一张表面图像以分析图像中的锈蚀痕迹所对应的钢结构的位置分区，通过统计各位置分区发生锈蚀的次数和相应的锈蚀面积确定各位置分区的锈蚀风险等级，以便管理人员基于各位置分区的风险等级采取相应的防锈措施。
4.基于表面图像判断每一锈蚀痕迹对应的锈蚀原因，将锈蚀原因输入历史表面图像数据集中并与对应的表面图像一并储存，以便分析各位置分区造成钢结构锈蚀的主要原因，以便采取针对性的防锈措施。
附图说明
图1是本申请一实施例中基于图像处理技术的钢结构质量无线检测分析方法的一流程图；
图2是本申请一实施例中基于图像处理技术的钢结构质量无线检测分析方法中步骤S20的实现流程图；
图3是本申请一实施例中基于图像处理技术的钢结构质量无线检测分析方法中步骤S30的实现流程图；
图4是本申请一实施例中基于图像处理技术的钢结构质量无线检测分析方法中步骤S40的实现流程图；
图5是本申请一实施例中基于图像处理技术的钢结构质量无线检测分析方法中另一实现流程图；
图6是本申请一实施例中基于图像处理技术的钢结构质量无线检测分析方法中步骤S20的另一实现流程图；
图7是本申请一实施例中基于图像处理技术的钢结构质量无线检测分析系统的一原理框图；
图8是本申请一实施例中的设备示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
在一实施例中，如图1所示，本申请公开了一种基于图像处理技术的钢结构质量无线检测分析方法，具体包括如下步骤：
S10：实时获取钢结构的表面图像，将表面图像输入至历史表面图像数据集。
在本实施例中，钢结构的表面图像是指通过固定设置于特定的预设位置的摄像头所拍摄到的钢结构的图像；历史表面图像数据集是指收集了钢结构的历史表面图像而生成的数据集。
具体地，由于钢结构的表面图像是用于后续与特定的对比图像进行比较，从而判断钢结构的质量，因此，钢结构表面图像是通过固定设置于该钢结构附近的摄像头所拍摄，从而便于拍摄出与对比图像的拍摄视角相同的表面图像；钢结构的表面图像是定期拍摄的，表面图像的拍摄周期与钢结构的质量检测周期保持一致。
具体地，表面图像为钢结构的局部表面的图像，用于观察该钢结构在特定方向或特定局部区域的表面质量情况，在钢结构的附近固定设置有多个摄像头，便于拍摄到该钢结构表面的全貌，以对该钢结构的表面质量进行完整的评估。
具体地，历史表面图像数据集收集了各摄像头定期拍摄的钢结构的表面图像并标记了对应的时间节点，以便用于记录该钢结构表面的防锈漆破损或锈蚀的变化规律。
S20：将表面图像与预设的对比图像进行对比，识别表面图像上的锈蚀痕迹，并计算锈蚀区域面积占钢结构区域面积的比例，生成锈蚀率数据。
在本实施例中，对比图像是指钢结构在搭建完成并验收合格后，通过固定设置于预设位置的摄像头所获取的钢结构的表面图像；钢结构区域面积是指表面图像中显示的钢结构的面积。
具体地，由于对比图像是在钢结构验收完成后拍摄的，钢结构在拍摄对比图像的时候的表面质量最接近于完好状态，因此将表面图像和预设的对比图像进行对比，便于发现表面图像出现的锈蚀和防锈漆破损的现象，识别表面图像上出现的锈蚀痕迹，然后识别锈蚀区域的面积和钢结构区域面积，进而计算锈蚀区域面积占钢结构区域面积的比例得到锈蚀率数据，以便判断该表面图像所对应的钢结构的表面锈蚀情况。
S30：基于锈蚀率数据生成钢结构质量检测结果。
具体地，获取各表面图像对应的锈蚀率数据，从而得到钢结构各局部表面的锈蚀情况，进而判断整个钢结构的锈蚀情况，以便根据钢结构的锈蚀情况生成该钢结构的质量检测结果，以便将该钢结构的质量检测结果发送至管理终端，以便管理人员根据钢结构的质量检测结果采取相应的措施。
进一步地，可以通过设置锈蚀率合格阈值或者锈蚀面积合格阈值，以判断钢结构的整体锈蚀情况是否符合质量合格标准
S40：基于历史表面图像数据集判断钢结构的锈蚀高发位置。
具体地，通过分析历史表面图像数据集中收集的表面图像，统计每一个锈蚀痕迹出现的位置以判断钢结构上常出现锈蚀现象的位置并标记为锈蚀高发位置，以便后续对锈蚀高发位置进行针对性地加强防锈措施，提高锈蚀高发位置的防锈效果。
进一步地，通过观察锈蚀高发位置的锈蚀现象，便于分析该位置易发生锈蚀现象的原因，以便根据锈蚀原因采取相应的防锈措施，进一步加强了钢结构的防锈效果。
在本实施例中，实时获取钢结构表面图像，用于根据钢结构的表面图像判断该钢结构的表面的锈蚀情况，将表面图像输入至历史表面图像数据集中，便于记录该钢结构的历史表面情况，以便根据该钢结构的历史表面情况制定针对性的防锈措施；将实时获取的表面图像与预设的对比图像进行对比，从而识别表面图像上出现的锈蚀痕迹，计算表面图像中锈蚀区域面积和钢结构面积，计算锈蚀率数据，以便判断当前表面图像中钢结构的锈蚀程度，根据钢结构的各表面图像的锈蚀率数据计算改钢结构的锈蚀情况，从而生成该钢结构的质量检测结果；通过历史表面图像数据集中的表面图像判断钢结构常出现锈蚀的位置并标记为锈蚀高发位置，便于后续针对性的加强锈蚀高发位置的防锈措施，以提高锈蚀高发位置的防锈效果，从而减少锈蚀对钢结构造成的影响，提高钢结构的安全性。
在一实施例中，如图2所示，在步骤S20中，具体包括：
S21：识别表面图像中的差异色块并进行标记，将标记了差异色块后的表面图像发送至管理终端。
在本实施例，差异色块是指表面图像上相对于对比图像所出现的区别色块。
具体地，将表面图像与对比图像进行比较，以识别表面图像上出现的差异色块并进行标记，将标记了差异色块后的表面图像发送至管理终端，便于管理人员针对性地检查表面图像上标记的差异色块是否为锈蚀痕迹或者可能导致钢结构发送锈蚀的防锈层破损的情况，以便节约工作人员用于检测钢结构表面质量的时间，降低管理人员的工作量，提高检测效率。
S22：获取来自管理终端的勘误信息，基于勘误信息删除相应的差异色块的标记。
在本实施例中，勘误信息是指管理人员发现被标记的差异色块不属于锈蚀痕迹或者防锈漆破损情况时反馈的信息。
具体地，将表面图像发送至管理员终端后，开始进行勘误期的计时，以便管理人员对表面图像上标记的差异色块进行检查和勘误，管理人员检查被标记的差异色块是否属于锈蚀痕迹或防锈漆破损情况，若发现被标记的差异色块不属于锈蚀痕迹或防锈漆破损情况，管理人员可针对该不属于锈蚀痕迹或防锈漆破损情况的标记发出勘误信息，便于根据勘误信息删除对应的差异色块标记。
S23：勘误期结束后，将标记的差异色块定义为锈蚀痕迹。
在本实施例中，勘误期是指将标记的表面图像发送至管理终端后开始计时的，用于管理人员对标记的差异色块进行检测和勘误的时间段。
具体地，勘误期结束后，若仍有被标记的差异色块，则将被标记的差异色块定义为锈蚀痕迹，以便后续统计锈蚀区域的面积和锈蚀痕迹出现的位置。
在一实施例中，如图3所示，在步骤S30中，具体包括：
S31：获取各表面图像所对应的锈蚀率数据，将各锈蚀率数据加权平均计算得到总锈蚀率数据。
具体地，分别获取固定设置于钢结构附近的多个摄像头所拍摄到的各表面图像的锈蚀率数据，将各锈蚀率数据按照各表面图像所拍摄到的钢结构的区域面积进行加权平均计算，得到能够反映该钢结构总体锈蚀情况的总锈蚀率数据。
具体地，在计算总锈蚀率数据时，应当将各表面图像中重复出现的钢结构区域面积和锈蚀区域面积进行扣除，以提高总锈蚀率数据计算的准确性。
S32：若总锈蚀率数据小于预设的合格锈蚀率阈值，则生成质量合格的钢结构质量检测结果。
在本实施例中，合格锈蚀率阈值是指用于判断钢结构的表面锈蚀率是否符合检测合格标准的阈值。
具体地，设置合格锈蚀率阈值，用于判断钢结构的表面锈蚀情况是否满足检测合格标准，若总锈蚀率数据小于合格锈蚀率阈值，生成质量合格的钢结构质量检测结果，若总锈蚀率数据大于合格锈蚀率阈值，生成质量不合格的钢结构质量检测结果。
具体地，锈蚀率阈值的设置应当考虑表面图像的拍摄周期与钢结构的质量检测周期，若钢结构的质量检测周期较长，则应当将锈蚀率阈值的数值设置为比实际可能影响钢结构质量的锈蚀率低，且质量检测周期越长，锈蚀率阈值的数值应当越低，以防钢结构在两次质量检测之间发生的锈蚀使钢结构质量情况恶化严重，从而导致安全事故的发生。
在一实施例中，如图4所示，在步骤S40中，具体包括：
S41：将钢结构划分为若干位置分区并进行命名。
在本实施例中，位置分区是指对钢结构的表面进行划分后得到的区域。
具体地，将钢结构划分为若干个位置分区并进行命名，用于区分钢结构的不同区域，以便后续用于统计各位置分区的锈蚀风险等级；钢结构的位置分区可以是按照钢结构的各构件进行的，也可以是按照各表面图像所对应的钢结构表面区域进行划分。
S42：从历史表面图像数据集中获取每一张表面图像中锈蚀痕迹所对应的位置分区，统计各位置分区发生锈蚀的次数和对应的锈蚀区域面积，确定各位置分区的锈蚀风险等级。
具体地，分析历史表面图像数据集中每一张表面图像，统计各表面图像中的锈蚀痕迹所对应的钢结构上的位置分区，统计各位置分区内发生的锈蚀事件的次数和每次锈蚀事件对应的锈蚀区域面积并进行计算，从而得到各位置分区的历史锈蚀面积和，根据历史锈蚀面积和确定各位置分区的锈蚀风险等级，以便管理人员根据各位置分区的锈蚀风险等级制定相应的防锈措施，以及制定相应的维护频率。
在一实施例中，如图5所示，在步骤S40之后，基于图像处理技术的钢结构质量无线检测分析方法还包括：
S50：基于表面图像判断每一锈蚀痕迹对应的锈蚀原因，并将锈蚀原因输入至历史表面图像数据集中；
在本实施例中，历史表面图像数据集可用于记录钢结构的表面图像以及对应的时间节点，还可以用于记录各表面图像中出现的锈蚀痕迹对应的锈蚀原因。
具体地，根据表面图像判断表面图像中的每一处锈蚀痕迹的锈蚀原因，并将锈蚀原因与该表面图像存放于表面图像数据集中的同一储存区域，以便后续进行检索分析，同一储存区域可以是同一个文件夹。
具体地，锈蚀痕迹对应的锈蚀原因可以是通过人工观察表面图像后确定的，也可以是通过将表面图像输入至锈蚀原因判断模型中得到的；由于钢结构锈蚀的直接原因大多是由于钢结构与氧气和水分接触所导致的，因而本实施例中的锈蚀原因是指造成钢结构与氧气和水分能够充分接触的根本原因，主要是指造成钢结构的防锈层破损的原因，例如：防锈层喷涂前对钢结构表面处理不合格，使用的防锈层材质、厚度不合格，防锈层喷涂操作不合格，防锈层被腐蚀，防锈层受磨损，防锈层在外力作用下直接被刺穿、开裂、剥落，以及多种因素共同导致防锈层破损等原因。
具体地，获取由各种原因所导致的钢结构表面锈蚀的图像，分析各种原因所造成的锈蚀痕迹所对应的图像特征，从而创建锈蚀原因判断模型，将钢结构表面锈蚀的图像输入至锈蚀原因判断模型中以验证锈蚀原因判断模型的判断准确性，并根据锈蚀原因判断模型所出现的判断错误的情况进行相应的调整，以便提高锈蚀原因判断模型的正确性。
S60：分析各位置分区所发生的历史锈蚀事件对应的锈蚀原因，生成各位置分区的防锈措施建议。
具体地，统计各位置分区所发生过的锈蚀事件所对应的锈蚀原因，对每个分区中的各锈蚀原因进行排序，具体是按照每个锈蚀原因所导致的锈蚀事件的发生次数进行排序，对排序靠前的锈蚀原因匹配对应的防锈措施作为防锈措施建议，具体需要进行防锈措施匹配的锈蚀原因可以是取锈蚀原因中排序靠前的一个或多个，也可以设定锈蚀次数阈值，对导致锈蚀事件发生次数超过锈蚀次数阈值的所有锈蚀原因匹配防锈措施。
具体地，防锈措施是根据锈蚀原因所确定的，例如，当锈蚀原因是防锈层喷涂质量问题，则对应的防锈措施为加强对防锈层喷涂工作的监督、严格执行验收标准；当锈蚀原因是防锈层受磨损时，则对应的防锈措施可以是选用耐磨的防锈漆、增加防锈漆喷涂厚度等。
在一实施例中，如图6所示，在步骤S20之后，还包括：
S24：若锈蚀率数据大于预设的局部锈蚀率阈值，则生成锈蚀修复信息并发送至管理终端。
在本实施例中，局部锈蚀率阈值是指针对一个表面图像所对应的锈蚀率数据设定的阈值，用于判断该表面图像所对应的钢结构的表面区域是否符合检测合格标准。
具体地，当从一个表面图像中识别到的锈蚀率数据大于局部锈蚀率阈值时，则认为该表面图像所对应的钢结构的表面区域的质量不合格，根据该表面图像、该表面图像所对应的锈蚀率数据、该表面图像中的锈蚀痕迹所对应的锈蚀原因和该表面图像所对应的位置分区信息生成锈蚀修复信息并发送至管理终端，以便管理人员在接收到锈蚀修复信息后携带对应的修复和防锈处理用具及时前往该表面图像对应的位置进行除锈和防锈处理，以防未及时处理锈蚀而导致锈蚀加剧，从而影响钢结构的安全性。
进一步地，还可以设置局部锈蚀面积阈值，以便在表面图像中钢结构的锈蚀区域面积大于局部锈蚀面积阈值时生成锈蚀修复信息并发送至管理终端，便于管理人员及时前往对应位置进行除锈和防锈处理。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一实施例中，提供一种基于图像处理技术的钢结构质量无线检测分析系统，该基于图像处理技术的钢结构质量无线检测分析系统与上述实施例中基于图像处理技术的钢结构质量无线检测分析方法一一对应。
如图7所示，一种基于图像处理技术的钢结构质量无线检测分析系统，包括表面图像获取模块、锈蚀痕迹识别模块、检测结果生成模块和锈蚀分布分析模块。各功能模块的详细说明如下：
表面图像获取模块，用于实时获取钢结构的表面图像，将表面图像输入至历史表面图像数据集；
锈蚀痕迹识别模块，用于将表面图像与预设的对比图像进行对比，识别表面图像上的锈蚀痕迹，并计算锈蚀区域面积占钢结构区域面积的比例，生成锈蚀率数据；
检测结果生成模块，用于基于锈蚀率数据生成钢结构质量检测结果；
锈蚀分布分析模块，用于基于历史表面图像数据集判断钢结构的锈蚀高发位置。
可选的，锈蚀痕迹识别模块包括：
差异色块识别子模块，用于识别表面图像中的差异色块并进行标记，将标记了差异色块后的表面图像发送至管理终端；
勘误子模块，用于获取来自管理终端的勘误信息，基于勘误信息删除相应的差异色块的标记；
锈蚀痕迹确认子模块，用于勘误期结束后，将标记的差异色块定义为锈蚀痕迹。
关于基于图像处理技术的钢结构质量无线检测分析系统的具体限定可以参见上文中对于基于图像处理技术的钢结构质量无线检测分析方法的限定，在此不再赘述；上述基于图像处理技术的钢结构质量无线检测分析系统中的各个模块可全部或部分通过软件、硬件及其组合来实现；上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以是以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史表面图像数据集、对比图像、锈蚀率数据、总锈蚀率数据、合格锈蚀率阈值、锈蚀原因信息和局部锈蚀率阈值等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于图像处理技术的钢结构质量无线检测分析方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
S10：实时获取钢结构的表面图像，将表面图像输入至历史表面图像数据集；
S20：将表面图像与预设的对比图像进行对比，识别表面图像上的锈蚀痕迹，并计算锈蚀区域面积占钢结构区域面积的比例，生成锈蚀率数据；
S30：基于锈蚀率数据生成钢结构质量检测结果；
S40：基于历史表面图像数据集判断钢结构的锈蚀高发位置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
S10：实时获取钢结构的表面图像，将表面图像输入至历史表面图像数据集；
S20：将表面图像与预设的对比图像进行对比，识别表面图像上的锈蚀痕迹，并计算锈蚀区域面积占钢结构区域面积的比例，生成锈蚀率数据；
S30：基于锈蚀率数据生成钢结构质量检测结果；
S40：基于历史表面图像数据集判断钢结构的锈蚀高发位置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于图像处理技术的钢结构质量无线检测分析方法，其特征在于：所述基于图像处理技术的钢结构质量无线检测分析方法的步骤包括：
实时获取钢结构的表面图像，将所述表面图像输入至历史表面图像数据集；
将所述表面图像与预设的对比图像进行对比，识别表面图像上的锈蚀痕迹，并计算锈蚀区域面积占钢结构区域面积的比例，生成锈蚀率数据；
基于锈蚀率数据生成钢结构质量检测结果；
基于历史表面图像数据集判断钢结构的锈蚀高发位置。
2.根据权利要求1所述的基于图像处理技术的钢结构质量无线检测分析方法，其特征在于：将所述表面图像与预设的对比图像进行对比，识别表面图像上的锈蚀痕迹，并计算锈蚀区域面积占钢结构区域面积的比例，生成锈蚀率数据的步骤中，具体包括：
识别表面图像中的差异色块并进行标记，将标记了差异色块后的表面图像发送至管理终端；
获取来自管理终端的勘误信息，基于勘误信息删除相应的差异色块的标记；
勘误期结束后，将标记的差异色块定义为锈蚀痕迹。
3.根据权利要求1所述的基于图像处理技术的钢结构质量无线检测分析方法，其特征在于：所述表面图像为钢结构的局部表面的图像，基于锈蚀率数据生成钢结构质量检测结果的步骤中，具体包括：
获取各表面图像所对应的锈蚀率数据，将各锈蚀率数据加权平均计算得到总锈蚀率数据；
若所述总锈蚀率数据小于预设的合格锈蚀率阈值，则生成质量合格的钢结构质量检测结果。
4.根据权利要求1所述的基于图像处理技术的钢结构质量无线检测分析方法，其特征在于：基于历史表面图像数据集判断钢结构的锈蚀高发位置的步骤中，具体包括：
将钢结构划分为若干位置分区并进行命名；
从历史表面图像数据集中获取每一张表面图像中锈蚀痕迹所对应的位置分区，统计各位置分区发生锈蚀的次数和对应的锈蚀区域面积，确定各位置分区的锈蚀风险等级。
5.根据权利要求1所述的基于图像处理技术的钢结构质量无线检测分析方法，其特征在于：基于历史表面图像数据集判断钢结构的锈蚀高发位置的步骤之后，还包括：
基于所述表面图像判断每一锈蚀痕迹对应的锈蚀原因，并将所述锈蚀原因输入至历史表面图像数据集中；
分析各位置分区所发生的历史锈蚀事件对应的锈蚀原因，生成各位置分区的防锈措施建议。
6.根据权利要求2所述的基于图像处理技术的钢结构质量无线检测分析方法，其特征在于：将所述表面图像与预设的对比图像进行对比，识别表面图像上的锈蚀痕迹，并计算锈蚀区域面积占钢结构区域面积的比例，生成锈蚀率数据的步骤之后，还包括：
若所述锈蚀率数据大于预设的局部锈蚀率阈值，则生成锈蚀修复信息并发送至管理终端。
7.一种基于图像处理技术的钢结构质量无线检测分析系统，其特征在于，包括：
表面图像获取模块，用于实时获取钢结构的表面图像，将所述表面图像输入至历史表面图像数据集；
锈蚀痕迹识别模块，用于将所述表面图像与预设的对比图像进行对比，识别表面图像上的锈蚀痕迹，并计算锈蚀区域面积占钢结构区域面积的比例，生成锈蚀率数据；
检测结果生成模块，用于基于锈蚀率数据生成钢结构质量检测结果；
锈蚀分布分析模块，用于基于历史表面图像数据集判断钢结构的锈蚀高发位置。
8.根据权利要求7所述的基于图像处理技术的钢结构质量无线检测分析系统，其特征在于，所述锈蚀痕迹识别模块包括：
差异色块识别子模块，用于识别表面图像中的差异色块并进行标记，将标记了差异色块后的表面图像发送至管理终端；
勘误子模块，用于获取来自管理终端的勘误信息，基于勘误信息删除相应的差异色块的标记；
锈蚀痕迹确认子模块，用于勘误期结束后，将标记的差异色块定义为锈蚀痕迹。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中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至6任一项所述用于基于图像处理技术的钢结构质量无线检测分析方法的步骤。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述用于基于图像处理技术的钢结构质量无线检测分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210075238.5A CN114463293A (zh) | 2022-01-22 | 2022-01-22 | 基于图像处理技术的钢结构质量无线检测分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210075238.5A CN114463293A (zh) | 2022-01-22 | 2022-01-22 | 基于图像处理技术的钢结构质量无线检测分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114463293A true CN114463293A (zh) | 2022-05-10 |
Family
ID=81412154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210075238.5A Pending CN114463293A (zh) | 2022-01-22 | 2022-01-22 | 基于图像处理技术的钢结构质量无线检测分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463293A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115383410A (zh) * | 2022-09-16 | 2022-11-25 | 达力普石油专用管有限公司 | 钢管外螺纹加工方法及钢管加工系统以及用于钢管加工的车间 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416771A (zh) * | 2018-03-07 | 2018-08-17 | 南京工业大学 | 一种基于单目相机的金属材料锈蚀面积检测方法 |
| CN111650213A (zh) * | 2020-07-09 | 2020-09-11 | 孙锐 | 一种基于图像分析的红锈在线监测装置及方法 |
| CN112986261A (zh) * | 2021-02-20 | 2021-06-18 | 南京柏王智能装备科技有限公司 | 基于机器视觉和图像处理技术的钢结构建筑质量监理验收检测分析方法 |
| US20210201472A1 (en) * | 2019-12-30 | 2021-07-01 | Korea Advanced Institute Of Science And Technology | Method of inspecting and evaluating coating state of steel structure and system therefor |
| CN113298755A (zh) * | 2021-04-13 | 2021-08-24 | 生态环境部卫星环境应用中心 | 基于时序影像的生态环境变化斑块快速检测方法和装置 |
| CN113808087A (zh) * | 2021-09-02 | 2021-12-17 | 上汽通用五菱汽车股份有限公司 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
-
2022
- 2022-01-22 CN CN202210075238.5A patent/CN114463293A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416771A (zh) * | 2018-03-07 | 2018-08-17 | 南京工业大学 | 一种基于单目相机的金属材料锈蚀面积检测方法 |
| US20210201472A1 (en) * | 2019-12-30 | 2021-07-01 | Korea Advanced Institute Of Science And Technology | Method of inspecting and evaluating coating state of steel structure and system therefor |
| CN111650213A (zh) * | 2020-07-09 | 2020-09-11 | 孙锐 | 一种基于图像分析的红锈在线监测装置及方法 |
| CN112986261A (zh) * | 2021-02-20 | 2021-06-18 | 南京柏王智能装备科技有限公司 | 基于机器视觉和图像处理技术的钢结构建筑质量监理验收检测分析方法 |
| CN113298755A (zh) * | 2021-04-13 | 2021-08-24 | 生态环境部卫星环境应用中心 | 基于时序影像的生态环境变化斑块快速检测方法和装置 |
| CN113808087A (zh) * | 2021-09-02 | 2021-12-17 | 上汽通用五菱汽车股份有限公司 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 程金芝等: "相位标志牌图像识别与缺陷检测", 计算机与现代化, no. 10, 15 October 2017 (2017-10-15), pages 24 - 27 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115383410A (zh) * | 2022-09-16 | 2022-11-25 | 达力普石油专用管有限公司 | 钢管外螺纹加工方法及钢管加工系统以及用于钢管加工的车间 |
| CN115383410B (zh) * | 2022-09-16 | 2023-12-15 | 达力普石油专用管有限公司 | 钢管外螺纹加工方法及钢管加工系统以及用于钢管加工的车间 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108304327B (zh) | 静态代码扫描结果处理方法和装置 | |
| CN111507147A (zh) | 智能巡检方法、装置、计算机设备和存储介质 | |
| CN108335377B (zh) | 一种基于gis技术的道路巡查车辆业务自动考核的方法 | |
| CN111199346A (zh) | 综合管廊监理方法、装置、计算机设备以及存储介质 | |
| CN112596545B (zh) | 一种基于多光谱的水污染源头无人机排查方法、系统和存储介质 | |
| CN110471395B (zh) | 一种故障检测方法、装置、设备及存储介质 | |
| CN111178555A (zh) | 一种基于边缘计算的社区安防设备报修方法和系统 | |
| CN114463293A (zh) | 基于图像处理技术的钢结构质量无线检测分析方法及系统 | |
| CN109507992B (zh) | 一种机车制动系统部件的故障预测方法、装置及设备 | |
| CN113988565A (zh) | 一种建筑施工质量安全在线风险管理方法及系统 | |
| CN115511136A (zh) | 基于层次分析和故障树的设备故障辅助诊断方法及系统 | |
| CN113094244A (zh) | 一种用于数据中心的机房运行智能检测系统 | |
| CN114778684A (zh) | 一种基于服役场景的钢管性能评估方法及系统 | |
| CN114241406A (zh) | 一种智能网络监控辅助保洁方法及系统 | |
| CN117195451A (zh) | 一种基于图论的桥梁监测数据修复方法 | |
| CN117010549A (zh) | 基于大数据管理体系的信息溯源方法及终端 | |
| CN116345690A (zh) | 基于供电系统bom的pscada虚警识别方法及系统 | |
| CN115908871A (zh) | 可穿戴设备轨道设备数据检测方法、装置、设备及介质 | |
| Lagos et al. | Using percent plan completed for early success assessment in the last planner system | |
| JP6778032B2 (ja) | 業務プロセス評価方法および装置 | |
| US11378063B2 (en) | System and method for detecting turbine underperformance and operation anomaly | |
| CN113887990A (zh) | 电气设备维修决策优化方法 | |
| CN114117340A (zh) | 一种发动机装配检测方法、装置、存储介质和电子设备 | |
| CN112926401A (zh) | 一种输电线路金具锈蚀检测方法及系统 | |
| US20230177674A1 (en) | Vehicle protection fence repair plating system and method using artificial intelligence |
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 |