CN114511557B - 一种基于图像处理的暗渠结构缺陷检测方法 - Google Patents

一种基于图像处理的暗渠结构缺陷检测方法 Download PDF

Info

Publication number
CN114511557B
CN114511557B CN202210346272.1A CN202210346272A CN114511557B CN 114511557 B CN114511557 B CN 114511557B CN 202210346272 A CN202210346272 A CN 202210346272A CN 114511557 B CN114511557 B CN 114511557B
Authority
CN
China
Prior art keywords
defect
underdrain
structural
pipe section
functional
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
Application number
CN202210346272.1A
Other languages
English (en)
Other versions
CN114511557A (zh
Inventor
宋希望
敖勇明
周志祥
黎海超
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.)
Shenzhen Junhe Environmental Protection Water Technology Co ltd
Original Assignee
Shenzhen Junhe Environmental Protection Water 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 Shenzhen Junhe Environmental Protection Water Technology Co ltd filed Critical Shenzhen Junhe Environmental Protection Water Technology Co ltd
Priority to CN202210346272.1A priority Critical patent/CN114511557B/zh
Publication of CN114511557A publication Critical patent/CN114511557A/zh
Application granted granted Critical
Publication of CN114511557B publication Critical patent/CN114511557B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于图像处理的暗渠结构缺陷检测方法，涉及排水系统结构缺陷检测技术领域，包括实时获取图像采集设备采集的暗渠内的视频图像，将该视频图像通过图像处理模块处理成图像帧；将图像帧进行分析，确定图像帧中是否存在结构缺陷和功能缺陷，在存在结构缺陷和/或功能缺陷时确定缺陷种类；当图像分析模块确定缺陷种类完成时，通过缺陷确定模块确定各缺陷种类对应的结构缺陷参数和功能缺陷参数；数据计算模块根据所述结构缺陷参数和功能缺陷参数确定所述暗渠损坏评估值；所述缺陷确定模块获取地面物探设备获取的暗渠外部隐患，并根据外部隐患数据确定是否对所述暗渠损坏评估值进行调整，提高了对暗渠检测的准确性。

Description

一种基于图像处理的暗渠结构缺陷检测方法
技术领域
本发明涉及排水系统结构缺陷检测技术领域，尤其涉及一种基于图像处理的暗渠结构缺陷检测方法。
背景技术
暗渠作为城镇或城市地下排水系统的重要结构，其稳定运行是人民生命和财产安全的保证，但暗渠一般都在地下，容易出现堵塞等现象，并且如果出现结构性的缺陷，也很难被发现。
由于代化的发展需要，城市建设及更新改造过程中，地下工程活动频繁，对暗渠等地下排水设施造成了不同程度的影响，为了保证排水系统持续健康运行，防范地面塌陷事故发生，保证人民生命财产安全，必须对暗渠进行全方位的隐患检测评估。
中国专利公开号：CN111553265B。公开了一种排水管道内部缺陷的检测方法。包括：通过外业检测获取管道内部检测视频数据，视频数据包括采集样本的视频和测试视频；对采集样本的视频进行分帧处理并采集样本库图像；根据样本库图像进行模型训练，得到训练模型，训练模型包括全局缺陷训练模型和局部缺陷训练模型；对测试视频进行分帧处理，得到超清图像，并对超清图像进行处理；采用漏斗模式对测试测试的分帧处理结果图像先后利用所述全局缺陷训练模型和所述局部缺陷训练模型进行检测，得到缺陷检测结果。
由此可见，上述检测方法，仅仅只是对管道内部的检测，并没有结合管道外部情况进行评估，因此，其并不适用于排水暗渠的检测，并且仅仅进行内部检测，暗渠评估结果准确性不高。
发明内容
为此，本发明提供一种基于图像处理的暗渠结构缺陷检测方法，用以克服现有技术中仅仅进行内部检测，暗渠评估结果准确性不高的问题。
为实现上述目的，本发明提供一种基于图像处理的暗渠结构缺陷检测方法，包括：
步骤S1、图像获取模块实时获取图像采集设备采集的暗渠内的视频图像，并将该视频图像通过图像处理模块处理成图像帧；
步骤S2、将所述图像帧通过图像分析模块进行分析，确定所述图像帧中是否存在结构缺陷和功能缺陷，并在存在结构缺陷和/或功能缺陷时确定缺陷种类；
步骤S3、当所述图像分析模块确定所述缺陷种类完成时，通过缺陷确定模块确定各缺陷种类对应的结构缺陷参数和功能缺陷参数；
步骤S4、当确定所述结构缺陷参数和功能缺陷参数完成时，所述数据计算模块根据所述结构缺陷参数和功能缺陷参数确定所述暗渠损坏评估值；
步骤S5、所述缺陷确定模块获取地面物探设备获取的暗渠外部隐患，并根据外部隐患数据确定是否对所述暗渠损坏评估值进行调整；
在所述步骤S3中，当所述缺陷确定模块确定各缺陷种类对应的结构缺陷参数和功能缺陷参数时，所述缺陷确定模块获取图像中缺陷种类对应的管段损坏状况参数和结构缺陷密度，以及管段运行状况参数和功能缺陷密度，根据管段损坏状况参数和结构缺陷密度计算结构缺陷参数，以及根据管段运行状况参数和功能缺陷密度计算功能缺陷参数；
在所述步骤5中，所述缺陷确定模块根据外部隐患数据对暗渠损坏评估值进行调整时，所述缺陷确定模块获取外部塌陷的体积，并根据该外部塌陷体积选取对应的评估值修正系数对所述暗渠损坏评估值进行调整。
进一步地，在所述步骤S2中，所述图像分析模块在确定所述图像帧中是否存在结构缺陷时，获取黑白处理后的所述图像帧的灰度值R ，并将该灰度值R和标准灰度值R0进行比对，并根据比对结果确定所述暗渠内是否存在结构缺陷，
若R=R0，所述图像分析模块判定所述暗渠内不存在结构缺陷；
若R≠R0，所述图像分析模块判定所述暗渠内存在结构缺陷。
进一步地，当所述图像分析模块判定所述暗渠内存在结构缺陷时，所述图像分析模块根据所述灰度值R和预设灰度值范围的比较结果确定所述结构缺陷种类，
其中，所述图像分析模块设有第一预设灰度值范围R1、第二预设灰度值范围R1、第三预设灰度值范围R3、第一结构缺陷种类U1、第二结构缺陷种类U2、第三结构缺陷种类U3，其中R1＜R2＜R3，
当R≤R1时，所述图像分析模块将所述结构缺陷种类设置为U1；
当R1＜R≤R2时，所述图像分析模块将所述结构缺陷种类设置为U2；
当R2＜R≤R3时，所述图像分析模块将所述结构缺陷种类设置为U3。
进一步地，在所述步骤S3中，当所述图像分析模块确定所述缺陷种类为Uz时，设定z=1，2，3，所述缺陷确定模块计算各所述结构缺陷种类下的管段损坏状况参数，所述管段损坏状况参数的计算公式为：
Figure 221709DEST_PATH_IMAGE001
其中，S为按缺陷数量计算的平均分支分值确定的管段损坏状况参数，Smax为按管段结构缺陷损坏最严重处分值确定的管段损坏状况参数，N为管段结构缺陷数量，n1为纵向净距大于1.5m的缺陷数量，n2为纵向净距大于1m且不大于1.5m的缺陷数量，Pi1为纵向净距大于1.5m的缺陷分值，Pi2为纵向净距大于1m且不大于1.5m的缺陷分值，α为结构缺陷影响系数。
进一步地，当所述缺陷确定模块确定所述结构缺陷参数完成时，计算管段损坏密度参数
Figure 788956DEST_PATH_IMAGE002
，计算公式为：
Figure 867640DEST_PATH_IMAGE003
其中，
Figure 723600DEST_PATH_IMAGE002
为管段结构缺陷密度，L为管段长度，Li1为纵向净距大于1.5m的结构缺陷长度，Li2为纵向净距大于1m且不大于1.5m的结构缺陷长度。
进一步地，所述缺陷确定模块在确定管段损坏状况参数完成时，根据管段损坏状况参数确定管段结构缺陷参数W，当Smax≥S时，设置W=S，当Smax＜S时，设置W=Smax，所述缺陷确定模块确定所述管段的结构缺陷评估值为Qa1，设定Qa1=W×Sm。
进一步地，在所述步骤S3中，当确定所述功能缺陷参数时，所述缺陷确定模块计算各所述功能缺陷种类下的管段运行状况参数，并根据管段运行状况参数确定管段功能缺陷参数；
所述管段运行状况参数的计算公式为：
Figure 562243DEST_PATH_IMAGE004
其中，Y为按缺陷点数计算的功能缺陷平分值确定的管段运行状况参数，Ymax为按功能缺陷最严重处的分值确定的管段运行状况参数，m为管段的功能缺陷数量，m1为纵向净距大于1.5m的缺陷数量，m2为纵向净距大于1m且不大于1.5m的缺陷数量，Pj1为纵向净距大于1.5m的缺陷分值，Pj2为纵向净距大于1.0m且不大于1.5m的缺陷分值，β为功能缺陷影响系数。
进一步地，当管段存在功能缺陷时，计算功能缺陷密度
Figure 656101DEST_PATH_IMAGE005
：
Figure 171265DEST_PATH_IMAGE006
其中，
Figure 45680DEST_PATH_IMAGE005
为管段功能缺陷密度，L为管段长度，Lj1为纵向净距大于1.5m的功能缺陷长度，Lj2为纵向净距大于1m且不大于1.5m的功能缺陷长度。
进一步地，当所述缺陷确定模块确定所述管段运行状况参数完成时，根据所述管段运行状况参数确定管段功能缺陷参数V，当Ymax≥Y时，设定V=Ymax，当Ymax＜Y时，设定V=Y，所述缺陷确定模块确定所述管段的功能缺陷评估值为Qb1，设定Qb1=V×YM；
当所述缺陷确定模块确定所述结构缺陷评估值和功能缺陷评估值完成时，根据所述结构缺陷评估值和功能缺陷评估值确定暗渠损坏评估值A，设定A=Qa1+Qb1。
进一步地，当所述缺陷确定模块确定所述暗渠损坏评估值完成时，根据所述外部物探设备检测结果确定外部是否存在坍塌，并在确定存在内部坍塌时，确定坍塌区域体积D，并根据坍塌体积与预设坍塌体积的比对结果选取对应的评估值修正系数对所述暗渠损坏评估值进行修正，
其中，所述缺陷确定模块还设有第一预设坍塌体积D1、第二预设坍塌体积D2、第三预设坍塌体积D3、第一评估值修正系数K1、第二评估值修正系数K2、第三评估值修正系数K3，其中D1＜D2＜D3，设定1＜K1＜K2＜K3＜1.2，
当D≤D1时，所述缺陷确定模块选取第一评估值修正系数K1对所述暗渠损坏评估值进行修正；
当D1＜D≤D2时，所述缺陷确定模块选取第二评估值修正系数K2对所述暗渠损坏评估值进行修正；
当D2＜D≤D3是，所述缺陷确定模块选取第三评估值修正系数K3对所述暗渠损坏评估值进行修正；
当所述缺陷确定模块选取第e评估值修正系数Ke对所述暗渠损坏评估值进行修正时，设定e=1，2，3，所述缺陷确定模块将修正后的暗渠损坏评估值设置为A´，设定A´=A×Ke。
与现有技术相比，本发明的有益效果在于，本发明通过采集暗渠内的视频图像，将视频图像处理为图像帧，并根据图像帧确定暗渠是否存在结构缺陷和/或功能缺陷，并在存在结构缺陷和/或功能缺陷时，确定缺陷种类，在确定缺陷种类完成时，计算对应缺陷种类的结构缺陷擦参数和功能缺陷参数，根据结构缺陷参数和功能缺陷参数计算暗渠损坏评估值，提高了对暗渠内部的检测精度，进一步提高了对暗渠检测的准确性。
尤其，本发明通过将图像帧处理成黑白图像，根据黑白图像帧的灰度值判定暗渠是否存在结构缺陷，并在存在结构存在结构缺陷时，根据灰度值和预设灰度值范围的比对结果确定结构缺陷的种类，进一步提高了对暗渠内部缺陷的检测精度，从而进一步提高了对暗渠检测的准确性。
尤其，本发明在通过图像检测计算出暗渠内部结构缺陷参数和功能缺陷参数且计算完成暗渠损坏评估值时，通过获取外部物探设备检测暗渠外部隐患，并当检测结果为外部存在隐患时，对暗渠损坏评估值进行修正，进一步提高了对暗渠内部缺陷的检测精度，从而进一步提高了对暗渠检测的准确性。
进一步地，本发明在确定所述暗渠内是否存在结构缺陷时，将黑白处理后的图像帧的灰度值和标准灰度值进行比较，根据比对结果进行确定，进一步提高了对暗渠内部缺陷的检测精度，从而进一步提高了对暗渠检测的准确性。
进一步地，本发明在确定结构缺陷种类时，根据实际灰度值与图像分析模块中设置的多个预设灰度值的比对结果确定结构缺陷种类，进一步提高了对暗渠内部缺陷的检测精度，从而进一步提高了对暗渠检测的准确性。
进一步地，本发明在确定结构缺陷种类完成时，通过获取图像帧中对应缺陷种类的灰度值存在的缺陷数量和纵向净距，并设定的纵向净距在不同范围内的缺陷分值，根据缺陷数量和缺陷分值确定管段损坏参数，进一步提高了对暗渠内部缺陷的检测精度，从而进一步提高了对暗渠检测的准确性。
进一步地，本发明在确定结构缺陷种类完成时，还通过缺陷确定模块计算管损坏密度参数，并根据管段损坏状况参数和管段损坏密度参数确定管段的结构缺陷评估值，进一步提高了对暗渠内部缺陷的检测精度，从而进一步提高了对暗渠检测的准确性。
进一步地，本发明在确定暗渠存在功能缺陷时，通过缺陷确定模块计算管段运行状况参数和管段功能缺陷密度，并根据管段运行状况参数和功能缺陷密度计算管段功能缺陷评估值，进一步提高了对暗渠内部缺陷的检测精度，从而进一步提高了对暗渠检测的准确性。
进一步地，本发明在确定暗渠损坏评估值完成时，获取外部物探设备检测结果，并根据检测结果确定暗渠外部是否存在塌陷，并在存在塌陷时，根据塌陷体积和多个预设塌陷体积的比对结果选取评估值修正系数对评估值进行修正，进一步提高了对暗渠内部缺陷的检测精度，从而进一步提高了对暗渠检测的准确性。
附图说明
图1为本发明所述基于图像处理的暗渠结构缺陷检测方法的流程图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
请参阅图1所示，其为本发明所述基于图像处理的暗渠结构缺陷检测方法的流程图。
本发明所述基于图像处理的暗渠结构缺陷检测方法，包括：
步骤S1、图像获取模块实时获取图像采集设备采集的暗渠内的视频图像，并将该视频图像通过图像处理模块处理成图像帧；
步骤S2、将所述图像帧通过图像分析模块进行分析，确定所述图像帧中是否存在结构缺陷和功能缺陷，并在存在结构缺陷和/或功能缺陷时确定缺陷种类；
步骤S3、当所述图像分析模块确定所述缺陷种类完成时，通过缺陷确定模块确定各缺陷种类对应的结构缺陷参数和功能缺陷参数；
步骤S4、当确定所述结构缺陷参数和功能缺陷参数完成时，所述数据计算模块根据所述结构缺陷参数和功能缺陷参数确定所述暗渠损坏评估值；
步骤S5、所述缺陷确定模块获取地面物探设备获取的暗渠外部隐患，并根据外部隐患数据确定是否对所述暗渠损坏评估值进行调整；
在所述步骤S3中，当所述缺陷确定模块确定各缺陷种类对应的结构缺陷参数和功能缺陷参数时，所述缺陷确定模块获取图像中缺陷种类对应的管段损坏状况参数和结构缺陷密度，以及管段运行状况参数和功能缺陷密度，根据管段损坏状况参数和结构缺陷密度计算结构缺陷参数，以及根据管段运行状况参数和功能缺陷密度计算功能缺陷参数；
在所述步骤5中，所述缺陷确定模块根据外部隐患数据对暗渠损坏评估值进行调整时，所述缺陷确定模块获取外部塌陷的体积，并根据该外部塌陷体积选取对应的评估值修正系数对所述暗渠损坏评估值进行调整。
本发明实施例中，所述图像采集设备为CCTV孔内或QV，所述地面物探设备为地质雷达。
在所述步骤S1中，当所述图像处理模块将所述视频图像处理成图像帧完成时，还将所述图像帧进行黑白处理。
在所述步骤S2中，所述图像分析模块在确定所述图像帧中是否存在结构缺陷时，获取黑白处理后的所述图像帧的灰度值R，并将该灰度值R和标准灰度值R0进行比对，并根据比对结果确定所述暗渠内是否存在结构缺陷，
若R=R0，所述图像分析模块判定所述暗渠内不存在结构缺陷；
若R≠R0，所述图像分析模块判定所述暗渠内存在结构缺陷。
当所述图像分析模块判定所述暗渠内存在结构缺陷时，所述图像分析模块根据所述灰度值R和预设灰度值范围的比较结果确定所述结构缺陷种类，
其中，所述图像分析模块设有第一预设灰度值范围R1、第二预设灰度值范围R1、第三预设灰度值范围R3、第一结构缺陷种类U1、第二结构缺陷种类U2、第三结构缺陷种类U3，其中R1＜R2＜R3，
当R≤R1时，所述图像分析模块将所述结构缺陷种类设置为U1；
当R1＜R≤R2时，所述图像分析模块将所述结构缺陷种类设置为U2；
当R2＜R≤R3时，所述图像分析模块将所述结构缺陷种类设置为U3。
本发明实施例中，其中第一缺陷种类U1为暗渠破裂，第二缺陷种类U2为暗渠腐蚀，第三缺陷种类U3为暗渠变形。
在所述步骤S3中，当所述图像分析模块确定所述缺陷种类为Uz时，设定z=1，2，3，所述缺陷确定模块计算各所述结构缺陷种类下的管段损坏状况参数，所述管段损坏状况参数的计算公式为：
Figure 688014DEST_PATH_IMAGE007
其中，S为按缺陷数量计算的平均分支分值确定的管段损坏状况参数，Smax为按管段结构缺陷损坏最严重处分值确定的管段损坏状况参数，N为管段结构缺陷数量，n1为纵向净距大于1.5m的缺陷数量，n2为纵向净距大于1m且不大于1.5m的缺陷数量，Pi1为纵向净距大于1.5m的缺陷分值，Pi2为纵向净距大于1m且不大于1.5m的缺陷分值，α为结构缺陷影响系数。
所述缺陷确定模块在确定管段损坏状况参数完成时，根据管段损坏状况参数确定管段结构缺陷参数W，当Smax≥S时，设置W=S，当Smax＜S时，设置W=Smax。
当所述缺陷确定模块确定所述结构缺陷参数完成时，计算管段损坏密度参数
Figure 901958DEST_PATH_IMAGE002
，计算公式为：
Figure 338755DEST_PATH_IMAGE008
其中，
Figure 152996DEST_PATH_IMAGE002
为管段结构缺陷密度，L为管段长度，Li1为纵向净距大于1.5m的结构缺陷长度，Li2为纵向净距大于1m且不大于1.5m的结构缺陷长度。
所述缺陷确定模块确定所述管段的结构缺陷评估值为Qa1，设定Qa1=W×Sm。
在所述步骤S3中，当确定所述功能缺陷参数时，所述缺陷确定模块计算各所述功能缺陷种类下的管段运行状况参数，并根据管段运行状况参数确定管段功能缺陷参数；
所述管段运行状况参数的计算公式为：
Figure 333442DEST_PATH_IMAGE009
其中，Y为按缺陷点数计算的功能缺陷平分值确定的管段运行状况参数，Ymax为按功能缺陷最严重处的分值确定的管段运行状况参数，m为管段的功能缺陷数量，m1为纵向净距大于1.5m的缺陷数量，m2为纵向净距大于1m且不大于1.5m的缺陷数量，Pj1为纵向净距大于1.5m的缺陷分值，Pj2为纵向净距大于1.0m且不大于1.5m的缺陷分值，β为功能缺陷影响系数。
当所述缺陷确定模块确定所述管段运行状况参数完成时，根据所述管段运行状况参数确定管段功能缺陷参数V，当Ymax≥Y时，设定V=Ymax，当Ymax＜Y时，设定V=Y。
当管段存在功能缺陷时，计算功能缺陷密度
Figure 464209DEST_PATH_IMAGE005
：
Figure 71908DEST_PATH_IMAGE010
其中，
Figure 576707DEST_PATH_IMAGE005
为管段功能缺陷密度，L为管段长度，Lj1为纵向净距大于1.5m的功能缺陷长度，Lj2为纵向净距大于1m且不大于1.5m的功能缺陷长度。
所述缺陷确定模块确定所述管段的功能缺陷评估值为Qb1，设定Qb1=V×YM。
本发明实施例中，所述功能缺陷包括管段沉积和障碍物。
当所述缺陷确定模块确定所述结构缺陷评估值和功能缺陷评估值完成时，根据所述结构缺陷评估值和功能缺陷评估值确定暗渠损坏评估值A，设定A=Qa1+Qb1。
当所述缺陷确定模块确定所述暗渠损坏评估值完成时，根据所述外部物探设备检测结果确定外部是否存在坍塌，并在确定存在内部坍塌时，确定坍塌区域体积D，并根据坍塌体积与预设坍塌体积的比对结果选取对应的评估值修正系数对所述暗渠损坏评估值进行修正，
其中，所述缺陷确定模块还设有第一预设坍塌体积D1、第二预设坍塌体积D2、第三预设坍塌体积D3、第一评估值修正系数K1、第二评估值修正系数K2、第三评估值修正系数K3，其中D1＜D2＜D3，设定1＜K1＜K2＜K3＜1.2，
当D≤D1时，所述缺陷确定模块选取第一评估值修正系数K1对所述暗渠损坏评估值进行修正；
当D1＜D≤D2时，所述缺陷确定模块选取第二评估值修正系数K2对所述暗渠损坏评估值进行修正；
当D2＜D≤D3是，所述缺陷确定模块选取第三评估值修正系数K3对所述暗渠损坏评估值进行修正；
当所述缺陷确定模块选取第e评估值修正系数Ke对所述暗渠损坏评估值进行修正时，设定e=1，2，3，所述缺陷确定模块将修正后的暗渠损坏评估值设置为A´，设定A´=A×Ke。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。 凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于图像处理的暗渠结构缺陷检测方法，其特征在于，包括：
步骤S1、图像获取模块实时获取图像采集设备采集的暗渠内的视频图像，并将该视频图像通过图像处理模块处理成图像帧；
步骤S2、将所述图像帧通过图像分析模块进行分析，确定所述图像帧中是否存在结构缺陷和功能缺陷，并在存在结构缺陷和/或功能缺陷时确定缺陷种类；
步骤S3、当所述图像分析模块确定所述缺陷种类完成时，通过缺陷确定模块确定各缺陷种类对应的结构缺陷参数和功能缺陷参数；
步骤S4、当确定所述结构缺陷参数和功能缺陷参数完成时，数据计算模块根据所述结构缺陷参数和功能缺陷参数确定所述暗渠损坏评估值；
步骤S5、所述缺陷确定模块获取地面物探设备获取的暗渠外部隐患，并根据外部隐患数据确定是否对所述暗渠损坏评估值进行调整；
在所述步骤S3中，当所述缺陷确定模块确定各缺陷种类对应的结构缺陷参数和功能缺陷参数时，所述缺陷确定模块获取图像中缺陷种类对应的管段损坏状况参数和结构缺陷密度，以及管段运行状况参数和功能缺陷密度，根据管段损坏状况参数和结构缺陷密度计算结构缺陷参数，以及根据管段运行状况参数和功能缺陷密度计算功能缺陷参数；
在所述步骤S5中，所述缺陷确定模块根据外部隐患数据对暗渠损坏评估值进行调整时，所述缺陷确定模块获取外部塌陷的体积，并根据该外部塌陷的体积选取对应的评估值修正系数对所述暗渠损坏评估值进行调整；
当所述缺陷确定模块确定所述暗渠损坏评估值完成时，根据外部物探设备检测结果确定外部是否存在坍塌，并在确定存在内部坍塌时，确定坍塌区域体积D，并根据坍塌体积与预设坍塌体积的比对结果选取对应的评估值修正系数对所述暗渠损坏评估值进行修正，
其中，所述缺陷确定模块还设有第一预设坍塌体积D1、第二预设坍塌体积D2、第三预设坍塌体积D3、第一评估值修正系数K1、第二评估值修正系数K2、第三评估值修正系数K3，其中D1＜D2＜D3，设定1＜K1＜K2＜K3＜1.2，
当D≤D1时，所述缺陷确定模块选取第一评估值修正系数K1对所述暗渠损坏评估值进行修正；
当D1＜D≤D2时，所述缺陷确定模块选取第二评估值修正系数K2对所述暗渠损坏评估值进行修正；
当D2＜D≤D3是，所述缺陷确定模块选取第三评估值修正系数K3对所述暗渠损坏评估值进行修正；
当所述缺陷确定模块选取第e评估值修正系数Ke对所述暗渠损坏评估值进行修正时，设定e=1，2，3，所述缺陷确定模块将修正后的暗渠损坏评估值设置为A´，设定A´=A×Ke，其中A为暗渠损坏评估值。
2.根据权利要求1所述的基于图像处理的暗渠结构缺陷检测方法，其特征在于，在所述步骤S2中，所述图像分析模块在确定所述图像帧中是否存在结构缺陷时，获取黑白处理后的所述图像帧的灰度值R，并将该灰度值R和标准灰度值R0进行比对，并根据比对结果确定所述暗渠内是否存在结构缺陷，
若R=R0，所述图像分析模块判定所述暗渠内不存在结构缺陷；
若R≠R0，所述图像分析模块判定所述暗渠内存在结构缺陷。
3.根据权利要求2所述的基于图像处理的暗渠结构缺陷检测方法，其特征在于，当所述图像分析模块判定所述暗渠内存在结构缺陷时，所述图像分析模块根据所述灰度值R和预设灰度值范围的比较结果确定所述结构缺陷种类，
其中，所述图像分析模块设有第一预设灰度值范围R1、第二预设灰度值范围R1、第三预设灰度值范围R3、第一结构缺陷种类U1、第二结构缺陷种类U2、第三结构缺陷种类U3，其中R1＜R2＜R3，
当R≤R1时，所述图像分析模块将所述结构缺陷种类设置为U1；
当R1＜R≤R2时，所述图像分析模块将所述结构缺陷种类设置为U2；
当R2＜R≤R3时，所述图像分析模块将所述结构缺陷种类设置为U3。
4.根据权利要求3所述的基于图像处理的暗渠结构缺陷检测方法，其特征在于，在所述步骤S3中，当所述图像分析模块确定所述缺陷种类为Uz时，设定z=1，2，3，所述缺陷确定模块计算各所述结构缺陷种类下的管段损坏状况参数，所述管段损坏状况参数的计算公式为：
Figure 925276DEST_PATH_IMAGE001
其中，S为按缺陷数量计算的平均分值确定的管段损坏状况参数，Smax为按管段结构缺陷损坏最严重处分值确定的管段损坏状况参数，N为管段结构缺陷数量，n1为纵向净距大于1.5m的缺陷数量，n2为纵向净距大于1m且不大于1.5m的缺陷数量，Pi1为纵向净距大于1.5m的缺陷分值，Pi2为纵向净距大于1m且不大于1.5m的缺陷分值，α为结构缺陷影响系数，Pi为第i管段的缺陷分值，i1为第i1个纵向净距大于1.5m的缺陷管段，i2为第i2个纵向净距大于1m且不大于1.5m的缺陷管段。
5.根据权利要求4所述的基于图像处理的暗渠结构缺陷检测方法，其特征在于，当所述缺陷确定模块确定所述结构缺陷参数完成时，计算管段损坏密度参数
Figure 415163DEST_PATH_IMAGE002
，计算公式为：
Figure 476660DEST_PATH_IMAGE003
其中，
Figure 26590DEST_PATH_IMAGE002
为管段结构缺陷密度，L为管段长度，Li1为纵向净距大于1.5m的结构缺陷长度，Li2为纵向净距大于1m且不大于1.5m的结构缺陷长度，Li为第i缺陷管段长度。
6.根据权利要求5所述的基于图像处理的暗渠结构缺陷检测方法，其特征在于，所述缺陷确定模块在确定管段损坏状况参数完成时，根据管段损坏状况参数确定管段结构缺陷参数W，当Smax≥S时，设置W=S，当Smax＜S时，设置W=Smax，所述缺陷确定模块确定所述管段的结构缺陷评估值为Qa1，设定Qa1=W×
Figure 704696DEST_PATH_IMAGE002
。
7.根据权利要求6所述的基于图像处理的暗渠结构缺陷检测方法，其特征在于，在所述步骤S3中，当确定所述功能缺陷参数时，所述缺陷确定模块计算各所述功能缺陷种类下的管段运行状况参数，并根据管段运行状况参数确定管段功能缺陷参数；
所述管段运行状况参数的计算公式为：
Figure 998274DEST_PATH_IMAGE004
其中，Y为按缺陷点数计算的功能缺陷平分值确定的管段运行状况参数，Ymax为按功能缺陷最严重处的分值确定的管段运行状况参数，M为管段的功能缺陷数量，m1为纵向净距大于1.5m的缺陷数量，m2为纵向净距大于1m且不大于1.5m的缺陷数量，Pj1为纵向净距大于1.5m的缺陷分值，Pj2为纵向净距大于1.0m且不大于1.5m的缺陷分值，β为功能缺陷影响系数，Pj为第j管段的缺陷分值，j1为第j1个纵向净距大于1.5m的缺陷管段，j2为第j2个纵向净距大于1m且不大于1.5m的缺陷管段。
8.根据权利要求7所述的基于图像处理的暗渠结构缺陷检测方法，其特征在于，当管段存在功能缺陷时，计算功能缺陷密度
Figure 445436DEST_PATH_IMAGE005
：
Figure 900688DEST_PATH_IMAGE006
其中，
Figure 800511DEST_PATH_IMAGE005
为管段功能缺陷密度，L为管段长度，Lj1为纵向净距大于1.5m的功能缺陷长度，Lj2为纵向净距大于1m且不大于1.5m的功能缺陷长度，Lj为第j缺陷管段长度。
9.根据权利要求8所述的基于图像处理的暗渠结构缺陷检测方法，其特征在于，当所述缺陷确定模块确定所述管段运行状况参数完成时，根据所述管段运行状况参数确定管段功能缺陷参数V，当Ymax≥Y时，设定V=Ymax，当Ymax＜Y时，设定V=Y，所述缺陷确定模块确定所述管段的功能缺陷评估值为Qb1，设定Qb1=V×
Figure 632201DEST_PATH_IMAGE005
；
当所述缺陷确定模块确定所述结构缺陷评估值和功能缺陷评估值完成时，所述数据计算模块根据所述结构缺陷评估值和功能缺陷评估值确定暗渠损坏评估值A，设定A=Qa1+Qb1。
CN202210346272.1A 2022-04-02 2022-04-02 一种基于图像处理的暗渠结构缺陷检测方法 Active CN114511557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210346272.1A CN114511557B (zh) 2022-04-02 2022-04-02 一种基于图像处理的暗渠结构缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210346272.1A CN114511557B (zh) 2022-04-02 2022-04-02 一种基于图像处理的暗渠结构缺陷检测方法

Publications (2)

Publication Number Publication Date
CN114511557A CN114511557A (zh) 2022-05-17
CN114511557B true CN114511557B (zh) 2022-09-13

Family

ID=81555318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210346272.1A Active CN114511557B (zh) 2022-04-02 2022-04-02 一种基于图像处理的暗渠结构缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114511557B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118196083B (zh) * 2024-05-14 2024-08-06 南昌一众铝业有限公司 铝合金铸件性能评估方法及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107483835A (zh) * 2017-09-25 2017-12-15 黄亮清 一种管道电视检测系统的检测方法
JP2019120491A (ja) * 2017-12-28 2019-07-22 日立Ｇｅニュークリア・エナジー株式会社 欠陥検査方法、および、欠陥検査システム
CN111553265A (zh) * 2020-04-27 2020-08-18 河北天元地理信息科技工程有限公司 一种排水管道内部缺陷的检测方法及系统
CN112508444A (zh) * 2020-12-18 2021-03-16 南京北控工程检测咨询有限公司 一种市政排水管道的评估方法
CN113435684A (zh) * 2021-04-16 2021-09-24 中冶南方城市建设工程技术有限公司 一种管道缺陷非开挖修复决策方法
CN113807655A (zh) * 2021-08-13 2021-12-17 北京理工大学 城市生命线管线运行风险评估方法、装置及电子设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6394514B2 (ja) * 2015-06-25 2018-09-26 Ｊｆｅスチール株式会社 表面欠陥検出方法、表面欠陥検出装置、及び鋼材の製造方法
CN110599458A (zh) * 2019-08-14 2019-12-20 深圳市勘察研究院有限公司 基于卷积神经网络的地下管网检测评估云系统
CN112037214B (zh) * 2020-09-08 2024-02-23 北京西管安通检测技术有限责任公司 一种缺陷检测的评估方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107483835A (zh) * 2017-09-25 2017-12-15 黄亮清 一种管道电视检测系统的检测方法
JP2019120491A (ja) * 2017-12-28 2019-07-22 日立Ｇｅニュークリア・エナジー株式会社 欠陥検査方法、および、欠陥検査システム
CN111553265A (zh) * 2020-04-27 2020-08-18 河北天元地理信息科技工程有限公司 一种排水管道内部缺陷的检测方法及系统
CN112508444A (zh) * 2020-12-18 2021-03-16 南京北控工程检测咨询有限公司 一种市政排水管道的评估方法
CN113435684A (zh) * 2021-04-16 2021-09-24 中冶南方城市建设工程技术有限公司 一种管道缺陷非开挖修复决策方法
CN113807655A (zh) * 2021-08-13 2021-12-17 北京理工大学 城市生命线管线运行风险评估方法、装置及电子设备

Also Published As

Publication number Publication date
CN114511557A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
KR102008973B1 (ko) 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법
Wiedemann et al. Empirical evaluation of automatically extracted road axes
CN112258496A (zh) 一种基于全卷积神经网络的地下排水管道病害分割方法
CN105761271A (zh) 核安全壳表面缺陷自动检测方法及系统
CN109671071B (zh) 一种基于深度学习的地下管道缺陷定位及等级判定方法
JP2023139099A (ja) 学習用データ収集装置、学習用データ収集方法、及びプログラム
CN110751099A (zh) 一种基于深度学习的无人机航拍视频轨迹高精度提取方法
CN104680542A (zh) 基于在线学习的遥感影像变化检测方法
CN110826588A (zh) 一种基于注意力机制的排水管道缺陷检测方法
CN114511557B (zh) 一种基于图像处理的暗渠结构缺陷检测方法
CN113780111B (zh) 一种基于优化YOLOv3算法的管道连接器的缺陷精确识别方法
CN111507971A (zh) 一种隧道表面缺陷检测方法
CN117635604B (zh) 一种建筑工程钢结构焊接质量检测方法
CN114723709A (zh) 隧道病害检测方法、装置和电子设备
CN115841466A (zh) 排水管网缺陷自动定量评估方法
CN112580542A (zh) 一种基于目标检测的钢筋计数方法
CN111289526B (zh) 一种燃气输送管道内表面缺陷检测方法及系统
CN116883831A (zh) 一种被遮挡的隧道表面裂缝识别方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN110363706A (zh) 一种大面积桥面图像拼接方法
CN110942026B (zh) 基于深度学习的胶囊机器人排水管病害检测方法及系统
CN114972757B (zh) 一种隧道渗漏水区域识别方法及系统
CN116012348A (zh) 一种适用于路面裂缝的最大裂缝宽度测定方法
CN115578695A (zh) 一种自由拍摄视角的水尺水位机器视觉检测方法及装置
CN115170783A (zh) 一种使用街景图像的快速公路路面裂缝检测方法

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
GR01 Patent grant
GR01 Patent grant