CN114897920A - 一种基于索贝尔算法的道路空洞边缘分割方法 - Google Patents
一种基于索贝尔算法的道路空洞边缘分割方法 Download PDFInfo
- Publication number
- CN114897920A CN114897920A CN202210829610.7A CN202210829610A CN114897920A CN 114897920 A CN114897920 A CN 114897920A CN 202210829610 A CN202210829610 A CN 202210829610A CN 114897920 A CN114897920 A CN 114897920A
- Authority
- CN
- China
- Prior art keywords
- road
- edge
- image
- sobel
- cavity
- 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 42
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 230000011218 segmentation Effects 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000003708 edge detection Methods 0.000 claims abstract description 25
- 239000011800 void material Substances 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 30
- 230000000007 visual effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000035515 penetration Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005553 drilling Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 4
- 230000005415 magnetization Effects 0.000 description 4
- 239000011707 mineral Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/13—Edge detection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于索贝尔算法的道路空洞边缘分割方法，通过测得视磁化率图像，读取彩色图像数据，彩色图像转为灰色图像，利用索贝尔垂直边缘检测矩阵、水平边缘检测矩阵分别与图像矩阵做卷积，得到水平方向与垂直方向梯度幅值，进而计算梯度模值，梯度模值最大处即判断为空洞边缘。本发明所述的一种基于索贝尔算法的道路空洞边缘分割方法通过利用索贝尔算法进行空洞图像边缘分割，判断方法简单、快速，可直接快速准确圈定空洞位置、分布范围。本发明可快速提取空洞边缘位置信息，做到了道路空洞精准定位，对道路塌陷问题进行提前预警。
Description
技术领域
本发明属于道路空洞探测领域，尤其是涉及一种基于索贝尔算法的道路空洞边缘分割方法。
背景技术
近年来，随着我国大、中型城市立体交通建设迅猛发展，城市道路下部的地下空间规模被不断开发利用，达到空前快速发展阶段。与此同时，也因为地下空间的开凿，造成局部地段水土流失后形成道路病害体，从而引发了城市道路塌陷灾害事故。因此有效防范和减少我国城市道路空洞塌陷灾害的发生，保护城市公众安全和城市的可持续和谐发展，道路病害体的探测与防范治理已经刻不容缓。道路空洞是最常见的一种病害体，严重影响道路稳定性。目前，针对道路空洞的探测通常通过无损物探技术或地质雷达探测方法进行探测。
但现有的物探技术由于重力异常数据不具备深度信息，因此在判断空洞深度信息时，会产生较大误差。现有的地质雷达探测方法虽然对于道路空洞分辨率相对较高，但是仅能得到剖面内部空洞的分布情况，对于剖面外部情况仍然未知，同时探测数据量大，数据处理后为电磁波双程旅行时波形数据，常由于存在多次波、绕射波等波形信息，进而无法准确辨别空洞的边缘位置。且无法对道路空洞进行视磁化率图像分割，无法快速提取空洞边缘位置信息，做不到道路空洞精准定位，亦无法对道路塌陷问题进行提前预警。
发明内容
有鉴于此，本发明旨在提出一种基于索贝尔算法的道路空洞边缘分割方法，以通过利用索贝尔算子进行道路空洞视磁化率图像分割，可快速提取空洞边缘位置信息，做到了道路空洞精准定位，对道路塌陷问题进行提前预警。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于索贝尔算法的道路空洞边缘分割方法，包括以下步骤：
S1、利用大地电导率仪进行面积性探测，得到视磁化率数据，并对视磁化率数据处理后得到视磁化率分布情况彩色图；
S2、读取视磁化率分布情况彩色图数据，将视磁化率分布情况彩色图的彩色图像转换为灰色图像；
S3、利用索贝尔算法识别道路空洞边缘位置，得到梯度模值计算公式；
S4、分割道路空洞边缘：将梯度模值最大值判定为道路空洞边缘处；
S5、利用大地电导率仪通过道路空洞边缘位置信息，确定道路空洞的三维位置，并对探测结果进行钻孔验证。
进一步的，在步骤S1中的所述面积性探测为采用满覆盖模式对道路情况进行探测，所述满覆盖模式为沿南北方向对测线进行布设，采集顺序为S型或平行或网格状。
进一步的，在步骤S1中的所述视磁化率数据为各个测点处视磁化率数据，视磁化率数据网格化后，能够得到视磁化率分布情况彩色图。
进一步的，在步骤S2中的读取视磁化率分布情况彩色图数据时将图片信息保存为8位RGB三维矩阵形式，三个维度分别为红色通道
、绿色通道
、蓝色通道
。
进一步的，在步骤S2中的彩色图像转换为灰色图像时需通过消除图像色调和饱和度信息同时保留亮度，从而将彩色图像转换为灰度图像，灰度图像的矩阵为：
其中，
为灰度图像的矩阵，
为彩色图像的红色通道，
为彩色图像的绿色通道，
为彩色图像的蓝色通道。
进一步的，在步骤S3中的索贝尔算法的算子为离散微分算子，索贝尔算法的算子用以计算图像灰度函数的近似梯度。
进一步的，在步骤S3中的道路空洞边缘位置识别包括以下步骤：
A1、利用索贝尔算子水平边缘检测矩阵、索贝尔算子垂直边缘检测矩阵分别与灰度图像的矩阵做卷积，得到水平方向的梯度幅值与垂直方向的梯度幅值；
A2、通过梯度模值计算公式计算梯度模值。
进一步的，所述索贝尔算子水平边缘检测矩阵、索贝尔算子垂直边缘检测矩阵分别为：
进一步的，所述水平方向的梯度幅值与垂直方向的梯度幅值分别为：
其中，
为水平方向的梯度幅值, 
为垂直方向的梯度幅值,
为索贝尔算子水平边缘检测矩阵，
为索贝尔算子垂直边缘检测矩阵，
为灰度图像的矩阵；
所述梯度模值计算公式为：
其中，
为水平方向的梯度幅值, 
为垂直方向的梯度幅值。
进一步的，在步骤S5中的确定道路空洞的三维位置包括以下步骤：
B1、将大地电导率仪的有效穿透深度分别设置为2.2米，4.2米和6.7米；
B2、对三个有效穿透深度分别进行空洞边缘分割，确定道路空洞的三维位置。
相对于现有技术，本发明所述的一种基于索贝尔算法的道路空洞边缘分割方法具有以下优势：
本发明所述的一种基于索贝尔算法的道路空洞边缘分割方法，利用大地电导率仪进行面积性探测，直接计算出三个不同深度的大地视磁化率，可以快速了解道路空洞分布情；通过利用索贝尔算子进行道路空洞视磁化率图像分割，可快速提取空洞边缘位置信息；利用视磁化率分布情况和索贝尔算法图像分割技术快速提取道路空洞边缘信息，在提高工作效率的同时，做到了道路空洞精准定位，对道路塌陷问题进行提前预警。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的整体方法流程示意图；
图2为本发明实施例所述的道路空洞视磁化率分布情况示意图；
图3为本发明实施例所述的基于索贝尔算法的道路空洞边缘分割结果示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
名词解释：
索贝尔算子：是一种离散性差分算子，即计算灰度图像的水平和垂向梯度，由于求导过程中会对数据噪声有放大作用，该算子即可有效分辨图像边缘位置，通过还具有一定的噪声压制作用。
克里金插值方法：克里金法又称空间自协方差最佳插值法，它是以南非矿业工程师D.G. Krige名字命名的一种最优内插法。该方法以区域化变量理论为基础，以变差函数为主要工具，在保证估计值满足无偏性条件和最小方差条件的前提下求得估计值。
如图1至图3所示，一种基于索贝尔算法的道路空洞边缘分割方法，包括以下步骤：
S1、利用大地电导率仪进行面积性探测，得到视磁化率数据，并对视磁化率数据处理后得到视磁化率分布情况彩色图；
S2、读取视磁化率分布情况彩色图数据，将视磁化率分布情况彩色图的彩色图像转换为灰色图像；
S3、利用索贝尔算法识别道路空洞边缘位置，得到梯度模值计算公式；
S4、分割道路空洞边缘：将梯度模值最大值判定为道路空洞边缘处；
S5、利用大地电导率仪通过道路空洞边缘位置信息，确定道路空洞的三维位置，并对探测结果进行钻孔验证。
本方法，利用大地电导率仪进行面积性探测，直接计算出三个不同深度的大地视磁化率，可以快速了解道路空洞分布情；通过利用索贝尔算子进行道路空洞视磁化率图像分割，可快速提取空洞边缘位置信息；利用视磁化率分布情况和索贝尔算法图像分割技术快速提取道路空洞边缘信息，在提高工作效率的同时，做到了道路空洞精准定位，对道路塌陷问题进行提前预警。
在本实施例里，一种基于索贝尔算法的道路空洞边缘分割方法，包括以下步骤；
S1、测得视磁化率；利用大地电导率仪进行面积性探测，通过数据处理得到视磁化率分布情况彩色图；
S2、读取图像信息；读取彩色图像数据，将彩色图像转为灰色图像；
S3、道路空洞边缘位置识别；利用索贝尔算子水平边缘检测矩阵、垂直边缘检测矩阵分别与图像做卷积，得到水平与垂直方向的梯度幅值，再计算梯度模值；
S4、分割空洞边缘；梯度模值最大处，即判断为道路空洞边缘处；
S5、确定空洞位置并验证；综合空洞边缘位置信息，确定空洞的三维位置，并对探测结果进行钻孔验证。
所述大地电导率仪为现有技术，大地电导率仪包括信号发射线圈和接收线圈，信号发射线圈工作时发射一个随时间变化的原生磁场，这个磁场就会作用于土壤中微小的含氧化铁矿物颗粒，使它们与原生磁场的磁化方向相同。这些排列整齐的矿物颗粒产生一个次生磁场，比原生磁场小得多，而且磁化方向通常与原生磁场方向相同，原生磁场和次生磁场均被接收线圈接收，次生磁场与原生磁场的比值定义为土壤的视磁化率；
大地电导率仪的优点是对视电导率和视磁化率进行快速非接触测量成像，该仪器是一个多接收线圈，接收线圈与发射线圈的距离分别为1.48米，2.82米和4.49米，在垂直偶极模式下，这相当于有效穿透深度分别为2.2米，4.2米和6.7米。因此可以同时探测出三个深度的视磁化率分布情况。
在步骤S1中的所述面积性探测为采用满覆盖模式对道路情况进行探测，所述满覆盖模式为沿南北方向对测线进行布设，采集顺序为S型或平行或网格状。在本实施例里，满覆盖模式可以实现快速直观地得到道路视磁化率分布情况的目的。
在步骤S1中的所述视磁化率数据为各个测点处视磁化率数据，视磁化率数据网格化后，能够得到视磁化率分布情况彩色图。
在本实施例里，视磁化率数据为各个测点处视磁化率数据，需要利用现有的克里金插值程序，对该散点数据进行网格化，则能够得到道路视磁化率分布情况，并将彩色图保存。散点数据网格化，是指将实际观测离散的视磁化率数据进行规则网格化，网格化方法通常为克里金插值法，得到规则网格后即可用于绘制成图。
在步骤S2中的读取视磁化率分布情况彩色图数据时将图片信息保存为8位RGB三维矩阵形式，三个维度分别为红色通道
、绿色通道
、蓝色通道
。在本实施例里，读取彩色图像数据；通常图片是以RGB彩色图片保存，因此在图片信息读取过程中，图片信息会保存为8位RGB三维矩阵形式，三个维度分别为红色通道
、绿色通道
、蓝色通道
。
在步骤S2中的彩色图像转换为灰色图像时需通过消除图像色调和饱和度信息同时保留亮度，从而将彩色图像转换为灰度图像，灰度图像的矩阵为：
其中，
为灰度图像的矩阵，
为彩色图像的红色通道，
为彩色图像的绿色通道，
为彩色图像的蓝色通道。
在本实施例里，S2中的将彩色图像转为灰色图像，即图像灰度化处理功能，通过消除图像色调和饱和度信息同时保留亮度实现将RGB图像或彩色图转换为灰度图像
，即
在步骤S3中的索贝尔算法的算子为离散微分算子，索贝尔算法的算子用以计算图像灰度函数的近似梯度。
在步骤S3中的道路空洞边缘位置识别包括以下步骤：
A1、利用索贝尔算子水平边缘检测矩阵、索贝尔算子垂直边缘检测矩阵分别与灰度图像的矩阵做卷积，得到水平方向的梯度幅值与垂直方向的梯度幅值；
A2、通过梯度模值计算公式计算梯度模值。
所述索贝尔算子水平边缘检测矩阵、索贝尔算子垂直边缘检测矩阵分别为：
所述水平方向的梯度幅值与垂直方向的梯度幅值分别为：
其中，
为水平方向的梯度幅值, 
为垂直方向的梯度幅值,
为索贝尔算子水平边缘检测矩阵，
为索贝尔算子垂直边缘检测矩阵，
为灰度图像的矩阵；
所述梯度模值计算公式为：
其中，
为水平方向的梯度幅值, 
为垂直方向的梯度幅值。
在本实施例里，S3中道路空洞边缘位置识别过程为，用索贝尔水平和垂直边缘检测矩阵
和
分别沿着灰度图像
矩阵的水平方向和垂直方向进行卷积计算，得到水平与垂直方向的梯度幅值，即
梯度模值计算公式为
S4中空洞边缘位置即为梯度模
最大值处。
在步骤S5中的确定道路空洞的三维位置包括以下步骤：
B1、将大地电导率仪的有效穿透深度分别设置为2.2米，4.2米和6.7米；
B2、对三个有效穿透深度分别进行空洞边缘分割，确定三个不同深度下的空洞水平边缘位置，即确定道路空洞的三维位置。
在本实施例里，S5中确定空洞位置并验证，大地电导率仪的有效穿透深度分别为2.2米，4.2米和6.7米，对这三个深度分别进行空洞边缘分割，即可确定三个不同深度下的空洞水平边缘位置。
在本申请中，大地电导率测量通常用于堤坝、库区、江湖等渗漏探查、坝基质量检测、地下水勘查、土壤盐分检测等诸多领域，已取得了很好的社会经济效益。大地电导率仪使用两个共面线圈，一个用于发射机，另一个用于接收机。信号发射线圈工作时发射一个随时间变化的原生磁场
，这个磁场就会作用于土壤中微小的含氧化铁矿物颗粒，使它们与原生磁场的磁化方向相同。这些排列整齐的矿物颗粒产生一个次生磁场
，比原生磁场小得多，而且磁化方向通常与原生磁场方向相同，原生磁场
和次生磁场
均被接收线圈接收，次生磁场与原生磁场的比值定义为大地视磁化率，当接收线圈与发射线圈距离不同时，其探测深度也随之变化，当同时具备几个与发射线圈距离不同的接收线圈时，进而可以同时探测到深度不同的视磁化率分布情况。该设备不需要与大地接触就可以测量视磁化率，无需配备任何探针，勘测简单快捷。利用这类设备进行磁化率调查，可以大大缩短所需时间，工作效率明显提高。
目前，基于大地电导率仪已应用于土壤电导率调查等各种地质调查中，对于道路空洞探测仍然是一个未知的领域。因此本申请将大地电导率仪与道路空洞探测相结合，当地下存在空洞时，空洞与周围环境存在将存在明显磁化率差异，这种差异即可通过本方法有效探测。另一方面，通过本方法探测得到的空洞异常无法准确指导其边缘位置，因此针对探测图像的边缘分割技术将有效识别空洞的边缘位置信息。本申请又将索贝尔算子与道路空洞探测相结合，所谓边缘，即是灰度或结构等信息的突变处，边缘是一个区域的结束，也是另一个区域的开始，利用该特征可以有效分割图像。利用差分算子进行图像分割的本质就是对灰度图像进行求导，导数突变位置即可指示为图像边缘位置。索贝尔算子是一种离散性差分算子，即计算灰度图像的水平和垂向梯度，由于求导过程中会对数据噪声有放大作用，该算子即可有效分辨图像边缘位置，通过还具有一定的噪声压制作用。利用索贝尔算子进行道路空洞视磁化率图像分割，可快速提取空洞边缘位置信息，做到了道路空洞精准定位，对道路塌陷问题进行提前预警。
实施例1
1、根据道路地质情况，先利用大地电导率仪进行面积性探测，通过数据处理得到三个不同深度视磁化率分布情况；大地电导率仪可快速、非接触地直接测量地下视磁化率。面积性探测通常根据工区大小采用满覆盖模式，探测仪器为捷克GF公司CMD-Explorer大地电导率仪，采用垂直偶极模式，采样频率1s，测线间距1m，探测深度分别为2.2米、4.2米和6.7米。
2、根据视磁化率测量原理，从大地电导率仪可直接导出三个不同深度的视磁化率数据，对其直接利用克里金插值方法进行网格化即可得到视磁化率分布图，如图2所示。根据道路实际地质情况，初步判断图中标记为A点的部分为道路空洞区域。
3、读取彩色图像数据，将彩色图像转为灰色图像，利用索贝尔算子水平边缘检测矩阵、垂直边缘检测矩阵分别与图像做卷积，得到水平与垂直方向的梯度幅值，再计算梯度模值，梯度模值最大处，即判断为道路空洞边缘处；
4、确定空洞位置并验证；综合空洞边缘位置信息，确定空洞的三维位置，并对探测结果进行钻孔验证。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (10)
1.一种基于索贝尔算法的道路空洞边缘分割方法，其特征在于：包括以下步骤：
S1、利用大地电导率仪进行面积性探测，得到视磁化率数据，并对视磁化率数据处理后得到视磁化率分布情况彩色图；
S2、读取视磁化率分布情况彩色图数据，将视磁化率分布情况彩色图的彩色图像转换为灰色图像；
S3、利用索贝尔算法识别道路空洞边缘位置，得到梯度模值计算公式；
S4、分割道路空洞边缘：将梯度模值最大值判定为道路空洞边缘处；
S5、利用大地电导率仪通过道路空洞边缘位置信息，确定道路空洞的三维位置，并对探测结果进行钻孔验证。
2.根据权利要求1所述的一种基于索贝尔算法的道路空洞边缘分割方法，其特征在于：在步骤S1中的所述面积性探测为采用满覆盖模式对道路情况进行探测，所述满覆盖模式为沿南北方向对测线进行布设，采集顺序为S型或平行或网格状。
3.根据权利要求1所述的一种基于索贝尔算法的道路空洞边缘分割方法，其特征在于：在步骤S1中的所述视磁化率数据为各个测点处视磁化率数据，视磁化率数据网格化后，能够得到视磁化率分布情况彩色图。
4.根据权利要求1所述的一种基于索贝尔算法的道路空洞边缘分割方法，其特征在于：在步骤S2中的读取视磁化率分布情况彩色图数据时将图片信息保存为8位RGB三维矩阵形式，三个维度分别为红色通道
、绿色通道
、蓝色通道
。
5.根据权利要求1所述的一种基于索贝尔算法的道路空洞边缘分割方法，其特征在于：在步骤S2中的彩色图像转换为灰色图像时需通过消除图像色调和饱和度信息同时保留亮度，从而将彩色图像转换为灰度图像，灰度图像的矩阵为：
其中，
为灰度图像的矩阵，
为彩色图像的红色通道，
为彩色图像的绿色通道，
为彩色图像的蓝色通道。
6.根据权利要求1所述的一种基于索贝尔算法的道路空洞边缘分割方法，其特征在于：在步骤S3中的索贝尔算法的算子为离散微分算子，索贝尔算法的算子用以计算图像灰度函数的近似梯度。
7.根据权利要求5所述的一种基于索贝尔算法的道路空洞边缘分割方法，其特征在于：在步骤S3中的道路空洞边缘位置识别包括以下步骤：
A1、利用索贝尔算子水平边缘检测矩阵、索贝尔算子垂直边缘检测矩阵分别与灰度图像的矩阵做卷积，得到水平方向的梯度幅值与垂直方向的梯度幅值；
A2、通过梯度模值计算公式计算梯度模值。
8.根据权利要求7所述的一种基于索贝尔算法的道路空洞边缘分割方法，其特征在于：所述索贝尔算子水平边缘检测矩阵、索贝尔算子垂直边缘检测矩阵分别为：
9.根据权利要求8所述的一种基于索贝尔算法的道路空洞边缘分割方法，其特征在于：所述水平方向的梯度幅值与垂直方向的梯度幅值分别为：
其中，
为水平方向的梯度幅值, 
为垂直方向的梯度幅值,
为索贝尔算子水平边缘检测矩阵，
为索贝尔算子垂直边缘检测矩阵，
为灰度图像的矩阵；
所述梯度模值计算公式为：
其中，
为水平方向的梯度幅值, 
为垂直方向的梯度幅值。
10.根据权利要求1所述的一种基于索贝尔算法的道路空洞边缘分割方法，其特征在于：在步骤S5中的确定道路空洞的三维位置包括以下步骤：
B1、将大地电导率仪的有效穿透深度分别设置为2.2米，4.2米和6.7米；
B2、对三个有效穿透深度分别进行空洞边缘分割，确定道路空洞的三维位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210829610.7A CN114897920B (zh) | 2022-07-15 | 2022-07-15 | 一种基于索贝尔算法的道路空洞边缘分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210829610.7A CN114897920B (zh) | 2022-07-15 | 2022-07-15 | 一种基于索贝尔算法的道路空洞边缘分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114897920A true CN114897920A (zh) | 2022-08-12 |
| CN114897920B CN114897920B (zh) | 2022-10-04 |
Family
ID=82730248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210829610.7A Active CN114897920B (zh) | 2022-07-15 | 2022-07-15 | 一种基于索贝尔算法的道路空洞边缘分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114897920B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106771059A (zh) * | 2016-12-02 | 2017-05-31 | 北京师范大学 | 一种用于生态区域的智能监测与防控方法及系统 |
| CN107463934A (zh) * | 2017-08-08 | 2017-12-12 | 浙江国自机器人技术有限公司 | 一种隧道裂缝检测方法及装置 |
| CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
| CN109614900A (zh) * | 2018-11-29 | 2019-04-12 | 深圳和而泰数据资源与云技术有限公司 | 图像检测方法及装置 |
| CN111895911A (zh) * | 2020-08-01 | 2020-11-06 | 上海地矿工程勘察有限公司 | 一种应用于浅部砂层地面塌陷隐患监测方法 |
| CN111927552A (zh) * | 2020-08-03 | 2020-11-13 | 中铁第一勘察设计院集团有限公司 | 基于天空地勘察技术的复杂山区长大深埋隧道勘察方法 |
| CN114054488A (zh) * | 2021-11-03 | 2022-02-18 | 浙江坤德创新岩土工程有限公司 | 一种负压驱动流体地下均匀流动方法 |
| CN114089786A (zh) * | 2021-09-29 | 2022-02-25 | 北京航空航天大学杭州创新研究院 | 一种基于无人机视觉的沿山区公路自主巡检系统 |
-
2022
- 2022-07-15 CN CN202210829610.7A patent/CN114897920B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106771059A (zh) * | 2016-12-02 | 2017-05-31 | 北京师范大学 | 一种用于生态区域的智能监测与防控方法及系统 |
| CN107463934A (zh) * | 2017-08-08 | 2017-12-12 | 浙江国自机器人技术有限公司 | 一种隧道裂缝检测方法及装置 |
| CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
| CN109614900A (zh) * | 2018-11-29 | 2019-04-12 | 深圳和而泰数据资源与云技术有限公司 | 图像检测方法及装置 |
| CN111895911A (zh) * | 2020-08-01 | 2020-11-06 | 上海地矿工程勘察有限公司 | 一种应用于浅部砂层地面塌陷隐患监测方法 |
| CN111927552A (zh) * | 2020-08-03 | 2020-11-13 | 中铁第一勘察设计院集团有限公司 | 基于天空地勘察技术的复杂山区长大深埋隧道勘察方法 |
| CN114089786A (zh) * | 2021-09-29 | 2022-02-25 | 北京航空航天大学杭州创新研究院 | 一种基于无人机视觉的沿山区公路自主巡检系统 |
| CN114054488A (zh) * | 2021-11-03 | 2022-02-18 | 浙江坤德创新岩土工程有限公司 | 一种负压驱动流体地下均匀流动方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杜劲松等: "中国及邻区大陆岩石圈的大尺度视磁化率异常分布特征", 《中国地球科学联合学术年会》 * |
| 缪成根和刘琛: "基于改进索贝尔算子的灰度图像边缘检测", 《智能处理与应用》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114897920B (zh) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7030617B2 (en) | System, apparatus, and method for conducting electromagnetic induction surveys | |
| CN109343022B (zh) | 估测层间土壤含水量的方法 | |
| CN101382599B (zh) | 一种确定储层孔隙各向异性的瞬变电磁方法 | |
| CN110196452A (zh) | 超常大埋深地下管道探测装置 | |
| CN104656157B (zh) | 一种识别页岩气甜点区的方法及装置 | |
| CN106324687A (zh) | 一种埋地铁质管线探测与精确定位方法及装置 | |
| CN105116453A (zh) | 一种冻土带天然气水合物的瞬变电磁勘探方法及装置 | |
| CN107191181B (zh) | 一种基于电磁散射的井周界面探测方法 | |
| CN109668938B (zh) | 堤防渗漏通道三维磁测电阻率探测装置及方法 | |
| Malehmir et al. | Post-glacial reactivation of the Bollnäs fault, central Sweden–a multidisciplinary geophysical investigation | |
| CN115291200B (zh) | 一种基于数字显示的埋深管道定位方法 | |
| CN110488356B (zh) | 面向未爆弹的瞬变电磁和磁场梯度组合探测方法 | |
| CN103196991B (zh) | 连续诊断管体金属腐蚀与缺陷的全覆盖瞬变电磁检测方法 | |
| CN114460554A (zh) | 基于探地雷达多属性融合的岩溶洞穴三维成像方法 | |
| CN112882125A (zh) | 一种隧道-滑坡体综合探测和稳定性分析方法 | |
| CN104749643A (zh) | 一种用于电磁干扰地区的csamt测量方法和装置 | |
| CN113703058A (zh) | 一种利用视电导率和相对介电常数探测地下障碍物的方法 | |
| Alao et al. | Depth estimation of buried targets using integrated geophysical methods: comparative studies at Ahmadu bello university geophysics test site | |
| CN114897920B (zh) | 一种基于索贝尔算法的道路空洞边缘分割方法 | |
| Fu et al. | In situ measurement of water accumulation in overlying goaf of coal mine-a transient electromagnetic-based study | |
| Gołębiowski et al. | The application of non-standard GPR techniques for the examination of river dikes | |
| US10156134B2 (en) | Method and apparatus for passive detection of near-surface human-scale underground anomalies using earth field measurements | |
| CN106610509A (zh) | 一种瞬变电磁资料的时域处理方法 | |
| CN110058318A (zh) | 一种基于测量电极坐标的天然电场的一维方向校正方法 | |
| CN117706612B (zh) | 基于分布式声波传感的浅地层异物探测识别装置及方法 |
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 |