CN114913134A - 隧道喷射混凝土粗糙度识别方法、终端设备及存储介质 - Google Patents
隧道喷射混凝土粗糙度识别方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN114913134A CN114913134A CN202210421737.5A CN202210421737A CN114913134A CN 114913134 A CN114913134 A CN 114913134A CN 202210421737 A CN202210421737 A CN 202210421737A CN 114913134 A CN114913134 A CN 114913134A
- Authority
- CN
- China
- Prior art keywords
- picture
- roughness
- image
- rectangular
- contour
- 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
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- 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
- G06T7/13—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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种隧道喷射混凝土粗糙度识别方法、终端设备及存储介质,包括以下步骤:1)取样及拍照:取型器对隧道初支取样并带尺寸板拍照;2)图像预处理:读取图片,二值化,形态学处理;3)尺寸板倾斜修正:采用边缘检测、霍夫直线检测、透视变换以及形态学处理等算法对尺寸板因拍摄原因产生的倾斜进行修正;4)取型器倾斜修正:通过取型器轮廓最小外接矩初步修正以及通过局部标尺倾斜度进行二次精确修正;5)提取粗糙度轮廓详细信息、图像及参数。本发明方法适用于各种倾角喷射混凝土表面粗糙度的测量,可得到粗糙度轮廓的数字化结果及各种参数,便于数据的存储及分析,较人工检测更加快捷、客观、经济。
Description
技术领域
本发明涉及隧道喷射混凝土表面信息测量领域,特别是一种隧道喷射混凝土粗糙度识别方法、终端设备及存储介质。
背景技术
长期以来,渗漏水一直是地下工程的一大顽疾,如何防止隧道渗漏水一直是隧道和地下工程界面临的巨大挑战。传统防水体系中的防水卷材因其无法与初支密贴,两者之间存在很多空腔,地下水容易在空腔内自由流动,并在防水系统的破损点处发生渗漏,这使得难以发现漏水源,极大地增加了后期堵水难度与成本。而喷膜防水材料凭借与初支及二衬混凝土的紧密粘结性能可以很好地克服传统防水卷材存在的窜水问题。这不仅提高了隧道防水能力,而且还能在隧道出现渗漏水时对渗漏源进行精准定位,从源头上治理渗漏水,大大降低了隧道维护的难度与费用,具有极高的应用价值。
隧道初支喷射混凝土的粗糙度是新型喷膜防水体系关键控制指标。初支粗糙度过大不仅会使喷膜防水材料用量显著增大,增加材料及施工费用,而且还会降低“初支–喷膜防水层–二衬”组合结构的力学性能。因此,隧道初支喷射混凝土粗糙度参数的量测与评定,对指导喷膜防水材料的施工,保证“初支–喷膜防水层–二衬”组合结构的力学性能具有重要意义。
现有测量混凝土表面粗糙度的方法仍有许多不足。其中灌砂法应用最广,但其测量手续繁琐,仅能得到平均深度,无法体现粗糙度微观特征,且无法用于非水平面构件粗糙度的测试,因此无法用于隧道初支喷射混凝土粗糙度的检测;触针式平均深度法在弯曲或斜坡等特别不规则的表面很难测量,并且这个方法依赖于高精度传感器、信号处理器及信息采集系统,一般只用于室内粗糙度较小的试件测量,无法在隧道现场进行初支喷射混凝土的测量;此外,三维激光扫描虽然可以对初支喷射混凝土表面粗糙度进行量测分析,但该测量仪器非常昂贵,推广使用具有极大困难,而且在隧道粉尘多的环境中测量精度会降低。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种隧道喷射混凝土粗糙度识别方法、终端设备及存储介质,可在弯曲或斜坡等特别不规则的表面进行测量,同时无需借助特定传感器及信号处理器,可在隧道恶劣环境下进行初支粗糙度的准确提取。
为解决上述技术问题,本发明所采用的技术方案是:一种隧道喷射混凝土粗糙度识别方法,该方法包括:
S1、获取取型器图片,具体实现过程包括:将取型器平面垂直于隧道喷射混凝土壁面,按压取型器,使取型器的取型针显示喷射混凝土轮廓;将取型器置于矩形尺寸板上,获取囊括整个矩形尺寸板的图片,即得到取型器图片;
S2、修正所述取型器图片中的倾斜矩形尺寸板,得到第一修正图片;
S3、修正所述第一修正图片中的倾斜取型器,得到第二修正图片;
S4、利用所述第二修正图片,获取粗糙度轮廓图像。
本发明基于取型器与图像识别,获取粗糙度轮廓图像,克服了目前混凝土粗糙度测量方法存在的手续繁琐、可靠性低、仪器设备价格高昂、以及与隧道环境适用性差的缺点;由于采用图像处理技术,本发明方法可在弯曲或斜坡等特别不规则的表面进行测量,同时无需借助特定传感器及信号处理器,可在隧道恶劣环境下进行初支粗糙度的准确提取;与三维激光扫描仪测量粗糙度的方法相比,本发明方法无需价格高昂的激光扫描设备,且测量精度不受隧道粉尘环境影响,抗干扰能力强,利于推广应用。
步骤S1之后,步骤S2之前,还对取型器图片进行预处理,包括:
将所述取型器图片转换为灰度图片;
对所述灰度图片进行二值化处理,得到二值化图片;
对所述二值化图像采用形态学闭运算,得到预处理后的图片。
本发明中,
①预处理是连接原图像与图像核心处理程序的桥梁,只有经过预处理的图像才能被核心算法计算;
②该预处理过程可以消除图像中取型器的取型针之间的小缝隙,使得取型针所在区域变成一个整体,避免后期粗糙度参数提取出现误差。
优选地,为方便后续程序自动化处理,提高图像识别的精度和成功率,本发明中,设矩形尺寸板表面及取型器中间限位器在所述灰度图片中灰度值的平均值为A,矩形尺寸板边框与取型器的取型针在灰度图片中的灰度值平均数为B,则满足|A-B|>M;M为设定的阈值。
理论上,M的值越大,图像识别的精度和成功率越高,但为了便于取型器和尺寸板的选择,本发明中,设定M=100。
步骤S2的具体实现过程包括:
提取所述预处理后的图片的边缘轮廓;
计算所有图片的边缘轮廓面积;
根据最大面积边缘轮廓,在空白图像中绘制矩形尺寸板轮廓图;
对绘制的矩形尺寸板轮廓图进行霍夫直线拟合,得到矩形尺寸板四条轮廓对应的直线l1、l2、l3、l4在极坐标形式下的半径r和角度参数θ;
将得到的四条直线两两进行组合,形成U集{(l1,l2)(l1,l3)(l1,l4)(l2,l3)(l2,l4)(l3,l4)};
判断所有组合中两条直线的θ值是否相同,在U集中删除θ值相同的组合,形成新的集合U’;
遍历获得的所有交点坐标,剔除横坐标或者纵坐标超过原图像尺寸(原图像即取型器图片,可以理解的是,横坐标超过原图像尺寸,是指在同一坐标系下,横坐标值大于取型器图片横坐标最大值,或者小于取型器图片横坐标最小值。纵坐标超过原图像尺寸,是指在同一坐标系下,纵坐标值大于取型器图片纵坐标最大值,或者小于取型器图片纵坐标最小值),或者横坐标或纵坐标为负值的坐标点,最终得到四个交点坐标;
对四个交点坐标进行排序:将所述四个交点坐标按照横坐标数值从小到大顺序排序,依次得到坐标点P1(x1,y1),P2(x2,y2),P3(x3,y3),P4(x4,y4),其中x1≤x2≤x3≤x4;对比y1和y2,其中较小值对应点的坐标标记为Plu,即得到矩形尺寸板轮廓图中尺寸板轮廓的左上点,较大值对应点的坐标标记为Plb,即矩形尺寸板轮廓图中尺寸板轮廓的左下点;同理,对比y3和y4,得到Pru,即矩形尺寸板轮廓图中尺寸板轮廓的右上点,以及Prb,即矩形尺寸板轮廓图中尺寸板轮廓的右下点;
对序列[Plu,Plb,Pru,Prb]进行透视变换,目标序列为[(0,0),(0,100*w0),(100*l0,0),(100*l0,100*w0)],并去除透视变换后图片中的白色噪点,得到第一修正图像。其中l0,w0分别为尺寸板的长和宽,单位cm。
针对同一物体,拍照时采用不同拍摄角度所得到的图像是不同的,如果未经修正处理,对同一个取型器采用不同拍摄角度得到的粗糙度结果是不同的,这显然不够客观。步骤S2的处理就是将不同拍摄角度的图像统一校正为尺寸板的绝对正视拍摄效果,这样倾斜角度拍摄的图像经过步骤S2处理后依然能得到等同于正视拍摄的效果图,使得不同角度拍摄的图像可以相互对比。这样一来大大较低了对拍摄者拍摄照片的要求,即实际应用时不需要绝对正视图像拍照,也可以倾斜一定的角度拍摄,使得现场拍摄照片时更加方便,快捷。
步骤S3的具体实现过程包括:
获取取型器轮廓最小外接矩形信息,包括最小外接矩形中心点坐标(xc,yc)以及最小外接矩形倾斜角度;
利用中心点坐标(xc,yc)以及最小外接矩形倾斜角度参数形成仿射变化矩阵rot-Mat;
结合所述仿射变化矩阵rot-Mat,对所述第一修正图片进行旋转变换,得到初步旋转图像;
随后在初步旋转图像上由最小外接矩形旋转中心坐标(xc,yc)处出发,向四周扩展一定距离,获得局部区域,局部区域四个顶点坐标分别为(xc–25*lc,yc–25*wc),(xc–25*lc,yc+25*wc),(xc+25*lc,yc–25*wc),(xc+25*lc,yc+25*wc);其中,lc、wc分别为取型器长和宽,单位cm;
采用Canny边缘检测以及霍夫直线检测方法提取局部区域中限位器直边信息的倾斜角度;
利用所述中心点坐标(xc,yc)以及限位器倾斜角度参数,形成仿射变化矩阵rot-Mat’;
结合仿射变化矩阵rot-Mat’,对初步旋转图像进行二次旋转,得到第二修正图片,此时取型器中的黑色限位器与第二修正图片底边平行。
实际应用过程中,取型器在尺寸板上的放置位置并非平行于尺寸板,如果图像未经处理,那么得到的粗糙度参数是不准确的。步骤S3的作用就是通过旋转一定的角度将取型器摆正(取型器方向平行于图像的边),大大较低了对放置取型器的要求。由于步骤S3可实现对取型器的方向修正,因此实际应用时可在尺寸板上任意放置取型器,不需要使取型器方向一定平行于尺寸板的边,使得现场应用时更加方便,快捷。
步骤S4的具体实现过程包括:
获取第二修正图片中取型器轮廓最小正矩形四个顶点信息,对四个顶点连接构成的矩形区域进行裁剪;
对裁剪得到的矩形区域进行二次裁剪,将该矩形区域的长边左右两侧各裁剪M像素;
对二次裁剪后的区域,沿列从上到下逐像素进行扫描,当遇到白色像素点,即取型器轮廓边缘时,将该白色像素点坐标信息存储进Contour_Mat矩阵中,并转入相邻右侧列继续从上到下扫描,直至二次裁剪后的区域中所有列都扫描完成;其中Contour_Mat矩阵存储了粗糙度轮廓详细信息,Contour_Mat矩阵为n×2维矩阵,n为二次裁剪后区域的长度,Contour_Mat矩阵中第一列为轮廓曲线各点的x坐标,第二列为轮廓曲线各点的y坐标;
搜寻Contour_Mat矩阵中第二列最大值y_max,对二次裁剪后的区域中自顶部向下宽度为y_max个像素的区域进行裁剪,裁剪所得最终图像即为粗糙度轮廓图像。
步骤S4中的二次裁剪确保了提取粗糙度信息区域即为取型针所在区域,不会对取型针以外的区域进行统计;其次,得到的Contour_Mat矩阵包含所得粗糙度轮廓曲线的坐标位置信息,实现了对粗糙度轮廓的数字量化,此矩阵可为后续粗糙度参数计算提供依据。
步骤S4后,还利用所述粗糙度轮廓图像获取粗糙度算术平均偏差,具体实现过程包括:获取Contour_Mat坐标信息矩阵中第二列平均值y_mean,则y_mean/10即为粗糙度算术平均偏差,单位mm。
步骤S4后,还利用所述粗糙度轮廓图像获取粗糙度最大偏差,具体实现过程包括:获取Contour_Mat坐标信息矩阵中第二列最大值y_max,则y_max/100即为粗糙度最大偏差,单位mm。
作为一个发明构思,本发明还提供了一种终端设备,其包括处理器和存储器;所述存储器存储有计算机程序/指令;所述处理器执行所述存储器存储的计算机程序/指令;所述计算机程序/指令被配置为实现上述方法的步骤。
作为一个发明构思,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序/指令;所述计算机程序/指令被处理器执行时实现上述方法的步骤。
作为一个发明构思,本发明还提供了一种计算机程序产品,包括计算机程序/指令;该计算机程序/指令被处理器执行时实现上述方法的步骤。
与现有技术相比,本发明所具有的有益效果为:
1)本发明通过一种基于取型器与图像识别技术的隧道喷射混凝土粗糙度精确识别方法,解决了目前混凝土粗糙度测量方法存在的手续繁琐、可靠性低、仪器设备价格高昂、以及与隧道环境适用性差等缺点;
2)与现有测量粗糙度的灌砂法相比,本发明方法克服了灌砂法无法用于非水平面构件和非规则构件的粗糙度测量的缺点,可以获取粗糙度轮廓详细信息而非灌砂法所获得的平均深度单一性指标;
3)与触针式粗糙度测量法相比,本发明方法可在弯曲或斜坡等特别不规则的表面进行测量,同时无需借助特定传感器及信号处理器,可在隧道恶劣环境下进行初支粗糙度的准确提取;
4)与三维激光扫描仪测量粗糙度的方法相比,本发明方法无需价格高昂的激光扫描设备,且测量精度不受隧道粉尘环境影响,抗干扰能力强,利于推广应用;
5)本发明方法可以规范现场对隧道初支喷射混凝土的施工,提升“初支–喷膜防水层–二衬”组合结构的力学性能。
附图说明
图1为本发明的方法步骤流程图;
图2(a)~图2(d)为本发明实施例步骤1)拍照及取样过程图。其中图2(a)为取型器提取隧道轮廓过程图;图2(b)为取型器带尺寸板拍照图;图2(c)为取型器实物图;图2(d)为矩形尺寸板实物图;
图3为本发明实施例步骤2)图像预处理结果图;
图4为本发明实施步骤3)中边缘检测处理结果图;
图5为本发明实施步骤3)中尺寸板轮廓提取结果图;
图6为本发明实施步骤3)中霍夫直线检测结果图;
图7为本发明实施步骤3)中透视变换处理结果图;
图8为本发明实施步骤3)中降噪处理结果图;
图9为本发明实施步骤4)中轮廓最小外接矩图;
图10为本发明实施步骤4)中初步旋转修正处理结果图;
图11为本发明实施步骤4)中取型器局部区域图;
图12为本发明实施步骤4)中二次修正处理结果图;
图13为本发明实施步骤5)中二次裁剪处理结果图;
图14为本发明实施步骤5)中处理得到的最终粗糙度轮廓图。
具体实施方式
如图1所示,本实例提供了一种基于取型器与图像识别技术的隧道喷射混凝土粗糙度精确识别方法,主要包括以下步骤:
步骤1)取样及拍照:取样时使取型器(即仿形尺,如CN210452698U)平面垂直于隧道喷射混凝土壁面,按压取型器,使取型器的取型针(即测量针)与喷射混凝土充分接触,此时取型器的两侧即可显示出喷射混凝土轮廓的情况,如图2(a)所示;拿下取型器,此时取型器仍保持原轮廓形状不变,随后将取型器置于矩形尺寸板上,采用手机或电子相机对取型器和矩形尺寸板拍照,拍照时电子照片拍摄范围囊括整个矩形尺寸板,如图2(b)所示。
为方便后续程序自动化处理,提高图像识别的精度和成功率,所拍摄图片中尺寸板与取型器的颜色应符合下列要求:设尺寸板表面及取型器中间限位器在灰度图中灰度值平均数为A,尺寸板边框与取型器的取型针灰度图中灰度值平均数为B,则两个灰度的差值应大于100,即|A-B|>100。本发明实施例中,为满足该要求,本实施例在步骤1)中所用取型器中间部位的限位器为黑色,且限位器长边边缘为直边,无弯曲;取型器中间部位限位器的短边端部由银色或白色金属或其他材料包裹;取型器的取型针为白色或银色;本实施例中取型器长lc=15.5cm,宽wc=9.5cm。取型器照片如图2(c)所示。该步骤中特定矩形尺寸板为硬质板,不易发生弯曲或变形,其表面颜色为哑光黑,边缘带白框。本实施例中尺寸板黑色区域长为l0=29cm,宽为w0=21cm。尺寸板照片如图2(d)所示。
步骤2)图像预处理:读取图片,二值化,形态学处理。
该步骤具体包括一下几个步骤:
(1)读取图片:采用cv2.imread()函数将电子图片转化为灰度图像载入图像处理程序中;
(2)图像二值化:采用cv2.threshold()函数中cv2.THRESH_BINARY方法对灰度图进行二值化处理;
(3)形态学处理:对二值化图像采用形态学闭运算的cv2.morphologyEx()函数将取型器中取型针之间的噪点消除,处理结果如图3所示。
步骤3)尺寸板倾斜修正:依次采用边缘检测、尺寸板轮廓查找、霍夫直线检测、挑选边缘直线、确定尺寸板外顶点、透视变换以及连通域滤波处理算法对尺寸板因拍摄原因产生的倾斜进行修正,并对图像尺寸进行标定。
该步骤中边缘检测采用Canny边缘检测算法生成图像边缘信息二值图,具体实施过程采用cv2.Canny()函数,处理结果如图4所示;
该步骤中尺寸板轮廓查找包括以下三个步骤:
(1)采用cv2.findContours()函数提取出所有边缘信息轮廓,轮廓采用cv2.RETR_TREE结构存储;
(2)遍历计算所有轮廓面积,记录最大面积轮廓(尺寸板轮廓)的索引值。其中计算轮廓面积采用cv2.contourArea()函数;
(3)根据上一步轮廓索引值,采用cv2.drawContours()函数将尺寸板轮廓在空白图像中绘制出来,得到尺寸板轮廓图,处理结果如图5所示。
该步骤中霍夫直线检测采用cv2.HoughLines()函数对尺寸板轮廓图中的尺寸板轮廓进行直线拟合,分别得到尺寸板四条轮廓对应的直线(l1、l2、l3、l4)在极坐标形式下的半径r和角度θ参数,霍夫直线检测出的4条直线如图6所示;
该步骤中确定尺寸板外顶点包括以下五个步骤:
(1)将得到的四条轮廓线两两进行组合,共得到6种组合,形成U集{(l1,l2)(l1,l3)(l1,l4)(l2,l3)(l2,l4)(l3,l4)};
(2)遍历查看每个组合中两条直线的θ值是否相同,如果相同则代表该组合中的两条直线平行,不计算其交点,在U集中删除该组合形成新的集合U’;
(3)计算U’中每个组合(li,lj)中直线的交点坐标(x,y),具体按下式计算:
式中θi,ri分别为直线li在极坐标下的半径参数和角度参数;θj,rj分别为直线lj在极坐标下的半径参数和角度参数。
(4)遍历获得的所有直线交点坐标,将不位于图像上的坐标点移除,最终得到四个交点坐标(即尺寸板四个顶点坐标)。
(5)对四个坐标点进行排序:首先将4个坐标点按照横坐标数值从小到大顺序排序,依次得到坐标点P1(x1,y1),P2(x2,y2),P3(x3,y3),P4(x4,y4),其中x1≤x2≤x3≤x4。随后对比y1和y2,其中较小值对应点的坐标标记为Plu(图像中左上点),较大值对应点的坐标标记为Plb(图像中左下点);同样对比y3和y4,得到Pru(图像中右上点)和Prb(图像中右下点)。
该步骤中透视变换是指采用cv2.getPerspectiveTransform(pts1,pts2)和cv2.warpPerspective()函数将因拍照角度原因导致的尺寸板斜视视角校正为正视视角。其中pts1参数是原倾斜视角下四点坐标组成的序列[Plu,Plb,Pru,Prb];其中pts2参数是校正后的点的坐标方位,因为尺寸板长为29cm,宽为21cm,真实情况下尺寸1cm对应图像中100像素,则pts2由序列[(0,0),(0,2100),(2900,0),(2900,2100)]组成。透视变换结果如图7所示。
该步骤中连通域滤波算法是指采用skimage.morphology.remove_small_objects()函数去除修正后图形中的白色噪点,处理结果如图8所示。
步骤4)取型器倾斜修正:通过取型器轮廓最小外接矩形初步修正以及通过局部标尺倾斜度进行二次精确修正。
该步骤中取型器轮廓最小外接矩形初步修正包括以下步骤:
(1)采用cv2.minAreaRect()函数获取取型器轮廓最小外接矩形信息,如图9所示,其中包括最小外接矩形中心点坐标(xc,yc)以及最小外接矩形倾斜角度;
(2)将中心点坐标(xc,yc)以及最小外接矩形倾斜角度参数传入cv2.getRotationMatrix2D()函数,形成仿射变化矩阵rot-Mat;
(3)采用cv2.warpAffine()函数,结合仿射变化矩阵rot-Mat,将步骤3)得到的最终图像进行旋转变换,得到初步旋转图像,以此完成取型器方向的初步修订,结果如图10所示。
该步骤中通过局部标尺倾斜度进行二次精确修正主要包括以下步骤:
(1)裁取含黑色限位器局部区域:本实施例中取型器长15.5cm,宽9.5cm,则由最小外接矩形旋转时中心坐标(xc,yc)处出发,向四周扩展一定距离,获得局部区域,局部区域四个顶点坐标分别为(xc–25*lc,yc–25*wc),(xc–25*lc,yc+25*wc),(xc+25*lc,yc–25*wc),(xc+25*lc,yc+25*wc),局部区域图像如图10所示;
(2)采用Canny边缘检测以及霍夫直线检测算法提取裁剪区域中限位器直边信息的倾斜角度;
(3)将中心点坐标(xc,yc)以及限位器倾斜角度参数传入cv2.getRotationMatrix2D()函数,形成仿射变化矩阵rot-Mat’;
(3)采用cv2.warpAffine()函数,结合仿射变化矩阵rot-Mat’,将初步旋转图像进行二次旋转,完成取型器方向的二次修订,得到二次旋转校正图像。此时图像中取型器中黑色限位器与图像底边平行。二次精确修正结果如图12所示。
步骤5)提取粗糙度轮廓详细信息、轮廓图像及粗糙度参数。
该步骤中粗糙度轮廓详细信息提取主要包括以下几个步骤:
(1)采用cv2.boundingRect()函数获取二次旋转校正图像中取型器轮廓最小正矩形四个顶点信息,对该部分区域进行裁剪;
(2)为消除取型器短边边缘对粗糙度信息提取过程造成的影响,对上述已裁剪区域进行二次裁剪,具体方法为将图像长边长度左右两侧各裁剪100像素,二次裁剪结果如图13所示;
(3)从裁剪好的图像左侧开始沿列从上到下逐像素进行扫描,当遇到白色像素点(取型器轮廓边缘)时,立即将该点坐标信息存储进Contour_Mat矩阵中并转入相邻右侧列继续从上到下扫描,直至图像中所有列都扫描完成。其中Contour_Mat矩阵存储了粗糙度轮廓详细信息,为n×2维矩阵,n为二次裁剪后图像的长度(图像包含的列数),Contour_Mat矩阵中第一列为轮廓曲线各点的x坐标,第二列为轮廓曲线各点的y坐标;该实施例中得到的Contour_Mat矩阵如下(因实施例数据过于庞大,共1351行数据,因此其中部分数据用省略号表示):
[(0,35),(1,36),(2,37),(3,39),(4,47),(5,80),(6,81),(7,82),(8,84),(9,84),(10,86),(11,87),(12,88),(13,88),(14,90),(15,90),(16,90),(17,90),(18,90),(19,92),(20,92),(21,92),(22,93),(23,95),(24,97),(25,99),(26,100),(27,101),(28,102),(29,103),(30,190),(31,192),(32,192),(33,193),(34,195),(35,196),(36,197),(37,198),(38,199),(39,200),(40,200),(41,200),(42,200),(43,201),(44,201),(45,200),(46,200),(47,200),(48,200),(49,200),(50,200),(51,199),(52,199),(53,198),(54,198),(55,198),(56,197),(57,196),(58,196),(59,194),(60,194),……,(1248,182),(1249,181),(1250,181),(1251,180),(1252,180),(1253,178),(1254,178),(1255,178),(1256,178),(1257,178),(1258,178),(1259,178),(1260,178),(1261,178),(1262,178),(1263,178),(1264,178),(1265,177),(1266,178),(1267,178),(1268,177),(1269,178),(1270,177),(1271,177),(1272,177),(1273,177),(1274,177),(1275,177),(1276,177),(1277,177),(1278,177),(1279,177),(1280,177),(1281,177),(1282,177),(1283,176),(1284,176),(1285,176),(1286,177),(1287,176),(1288,176),(1289,176),(1290,176),(1291,176),(1292,177),(1293,176),(1294,176),(1295,175),(1296,176),(1297,176),(1298,176),(1299,176),(1300,176),(1301,176),(1302,177),(1303,177),(1304,176),(1305,176),(1306,177),(1307,177),(1308,177),(1309,177),(1310,177),(1311,177),(1312,176),(1313,176),(1314,175),(1315,174),(1316,173),(1317,172),(1318,171),(1319,171),(1320,170),(1321,168),(1322,164),(1323,155),(1324,154),(1325,153),(1326,152),(1327,152),(1328,150),(1329,150),(1330,149),(1331,148),(1332,139),(1333,136),(1334,134),(1335,133),(1336,132),(1337,132),(1338,131),(1339,132),(1340,131),(1341,131),(1342,131),(1343,131),(1344,131),(1345,130),(1346,131),(1347,130),(1348,130),(1349,132),(1350,132),(1351,131)]。
该步骤中粗糙度轮廓图像提取主要包括以下几个步骤:搜寻Contour_Mat矩阵中第二列(即各轮廓边缘点y坐标)最大值y_max,将二次裁剪图像中自顶部向下宽度为y_max个像素的区域进行裁剪,裁剪所得最终图像即为粗糙度轮廓图像,如图14所示。
该步骤中粗糙度算术平均偏差计算方法如下:
求取Contour_Mat坐标信息矩阵中第二列(轮廓边缘点对应y坐标信息列)平均值y_mean,本实施例中y_mean为97.1,则y_mean/10即为粗糙度算术平均偏差,单位mm,即本实施例中粗糙度平均偏差为9.71mm。
该步骤中粗糙度最大偏差计算方法如下:
求取Contour_Mat坐标信息矩阵中第二列(轮廓边缘点对应y坐标信息列)最大值y_max,则y_max/10即为粗糙度最大偏差,单位mm。本实施例中y_max为201,因一个像素点精度为0.1mm,所以本实施例粗糙度最大值为20.1mm。
由此可见,经过此步骤处理后实现了轮廓曲线的量化,通过Contour_Mat矩阵数据即可在其他软件上对轮廓曲线进行重构。并且上述量化信息包含了大量的轮廓线数据,方便了后续对隧道初支轮廓的统计学分析,方便了对轮廓信息的存储。由于1cm对应图像上100个像素点,即1像素点对应0.1mm,因此本实例的识别精度可达0.1mm。因此就操作方便性、价格低廉性与识别精确性而言,本发明方法较其他方法都保持极大的优势,具有极高的现场应用价值。
根据本发明的实施例,本发明还提供了一种终端设备、一种计算机可读介质和一种计算机程序产品。
本发明实施例的终端设备包括:处理器;存储装置(存储器),用于存储一个或多个程序/指令,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现前述的方法。
具体使用中,用户能够通过作为终端设备的电子设备并基于网络来与同样作为电子设备的服务器进行交互,实现接收或发送消息等功能。终端设备一般是设有显示装置、基于人机界面来使用的各种电子设备,包括但不限于智能手机、平板电脑、笔记本电脑和台式,电脑等。其中终端设备上根据需要可安装各种具体的应用软件,包括但不限于网页浏览器软件、即时通信软件、社交平台软件、购物软件等。
服务器是用于提供各种服务的网络服务端,如对收到的从终端设备传输过来的裂缝图片提供相应计算服务的后台服务器。以实现对接收到的裂缝图片进行裂缝自动识别,并将最终的识别结果返回至终端设备。
本实施例所提供的裂缝图像自动识别方法一般由服务器执行,在实际运用中,在满足必要条件下,终端设备亦可直接执行裂缝图像自动识别。
类似的,本发明的计算机可读介质,其上存储有计算机程序/指令,所述程序被处理器执行时实现本发明实施例的一种基于取型器与图像识别技术的隧道喷射混凝土粗糙度精确识别方法。
本发明的计算机程序产品,包括计算机程序/指令,所述程序被处理器执行时实现本发明实施例的一种基于取型器与图像识别技术的隧道喷射混凝土粗糙度精确识别方法。
Claims (10)
1.一种隧道喷射混凝土粗糙度识别方法,其特征在于,该方法包括:
S1、获取取型器图片,具体实现过程包括:将取型器平面垂直于隧道喷射混凝土壁面,按压取型器,使取型器的取型针显示喷射混凝土轮廓;将取型器置于矩形尺寸板上,获取囊括整个矩形尺寸板的图片,即得到取型器图片;
S2、修正所述取型器图片中的倾斜矩形尺寸板,得到第一修正图片;
S3、修正所述第一修正图片中的倾斜取型器,得到第二修正图片;
S4、利用所述第二修正图片,获取粗糙度轮廓图像。
2.根据权利要求1所述的隧道喷射混凝土粗糙度识别方法,其特征在于,步骤S1之后,步骤S2之前,还对取型器图片进行预处理,包括:
将所述取型器图片转换为灰度图片;
对所述灰度图片进行二值化处理,得到二值化图片;
对所述二值化图像采用形态学闭运算,得到预处理后的图片;
优选地,
设矩形尺寸板表面及取型器中间限位器在所述灰度图片中灰度值的平均值为A,矩形尺寸板边框与取型器的取型针在灰度图片中的灰度值平均数为B,则满足|A-B|>M;M为设定的阈值;
优选地,M=100。
3.根据权利要求2所述的隧道喷射混凝土粗糙度识别方法,其特征在于,步骤S2的具体实现过程包括:
提取所述预处理后的图片的所有边缘轮廓;
遍历计算图片中各边缘轮廓的面积,挑选其中面积最大的边缘轮廓,此轮廓即为矩形尺寸板轮廓;
根据最大面积边缘轮廓,在空白图像中绘制矩形尺寸板轮廓图;
对绘制的矩形尺寸板轮廓图进行霍夫直线拟合,得到矩形尺寸板四条轮廓对应的直线l1、l2、l3、l4在极坐标形式下的半径r和角度参数θ;
将得到的四条直线两两进行组合,形成U集{(l1,l2)(l1,l3)(l1,l4)(l2,l3)(l2,l4)(l3,l4)};
判断所有组合中两条直线的θ值是否相同,在U集中删除θ值相同的组合,形成新的集合U’;
遍历获得的所有交点坐标,剔除横坐标或者纵坐标超过取型器图片尺寸、或者横坐标或纵坐标为负值的坐标点,得到四个交点坐标;
对四个交点坐标进行排序:将所述四个交点坐标按照横坐标数值从小到大顺序排序,依次得到坐标点P1(x1,y1),P2(x2,y2),P3(x3,y3),P4(x4,y4),其中x1≤x2≤x3≤x4;对比y1和y2,其中较小值对应点的坐标标记为Plu,即得到矩形尺寸板轮廓图中尺寸板轮廓的左上点,较大值对应点的坐标标记为Plb,即矩形尺寸板轮廓图中尺寸板轮廓的左下点;同理,对比y3和y4,得到Pru,即矩形尺寸板轮廓图中尺寸板轮廓的右上点,以及Prb,即矩形尺寸板轮廓图中尺寸板轮廓的右下点;
对序列[Plu,Plb,Pru,Prb]进行透视变换,透视变换的目标序列为[(0,0),(0,100*w0),(100*l0,0),(100*l0,100*w0)],透视变换完成后去除透视变换后图片中的白色噪点,得到第一修正图像;其中l0,w0分别为尺寸板轮廓的长和宽,单位为cm。
4.根据权利要求1所述的隧道喷射混凝土粗糙度识别方法,其特征在于,步骤S3的具体实现过程包括:
获取取型器轮廓最小外接矩形信息,包括最小外接矩形中心点坐标(xc,yc)以及最小外接矩形倾斜角度;
利用中心点坐标(xc,yc)以及最小外接矩形倾斜角度参数形成仿射变化矩阵rot-Mat;
结合所述仿射变化矩阵rot-Mat,对所述第一修正图片进行旋转变换,得到初步旋转图像;
在所述初步旋转图像上由最小外接矩形旋转中心坐标(xc,yc)处出发,向四周扩展一定距离,获得局部区域,局部区域四个顶点坐标分别为(xc–25*lc,yc–25*wc),(xc–25*lc,yc+25*wc),(xc+25*lc,yc–25*wc),(xc+25*lc,yc+25*wc);
其中,lc、wc分别为取型器长和宽,单位为cm;
采用Canny边缘检测以及霍夫直线检测方法提取局部区域中限位器直边信息的倾斜角度;
利用所述中心点坐标(xc,yc)以及限位器倾斜角度参数,形成仿射变化矩阵rot-Mat’;
结合仿射变化矩阵rot-Mat’,对初步旋转图像进行二次旋转,得到第二修正图片,此时取型器中的黑色限位器与第二修正图片底边平行。
5.根据权利要求1所述的隧道喷射混凝土粗糙度识别方法,其特征在于,步骤S4的具体实现过程包括:
获取第二修正图片中取型器轮廓最小正矩形四个顶点信息,对四个顶点连接构成的矩形区域进行裁剪;
对裁剪得到的矩形区域进行二次裁剪,将该矩形区域的长边左右两侧各裁剪M像素;
对二次裁剪后的区域,沿列从上到下逐像素进行扫描,当遇到白色像素点,即取型器轮廓边缘时,将该白色像素点坐标信息存储进Contour_Mat矩阵中,并转入相邻右侧列继续从上到下扫描,直至二次裁剪后的区域中所有列都扫描完成;其中Contour_Mat矩阵存储了粗糙度轮廓详细信息,Contour_Mat矩阵为n×2维矩阵,n为二次裁剪后区域的长度,Contour_Mat矩阵中第一列为轮廓曲线各点的x坐标,第二列为轮廓曲线各点的y坐标;
搜寻Contour_Mat矩阵中第二列最大值y_max,对二次裁剪后的区域中自顶部向下宽度为y_max个像素的区域进行裁剪,裁剪所得最终图像即为粗糙度轮廓图像。
6.根据权利要求5所述的隧道喷射混凝土粗糙度识别方法,其特征在于,步骤S4后,还利用所述粗糙度轮廓图像获取粗糙度算术平均偏差,具体实现过程包括:获取Contour_Mat坐标信息矩阵中第二列平均值y_mean,则y_mean/10即为粗糙度算术平均偏差,单位为mm。
7.根据权利要求5所述的隧道喷射混凝土粗糙度识别方法,其特征在于,步骤S4后,还利用所述粗糙度轮廓图像获取粗糙度最大偏差,具体实现过程包括:获取Contour_Mat坐标信息矩阵中第二列最大值y_max,则y_max/10即为粗糙度最大偏差,单位为mm。
8.一种终端设备,其特征在于,包括处理器和存储器;所述存储器存储有计算机程序/指令;所述处理器执行所述存储器存储的计算机程序/指令;所述计算机程序/指令被配置为实现权利要求1~7之一所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序/指令;其特征在于,所述计算机程序/指令被处理器执行时实现权利要求1~7之一所述方法的步骤。
10.一种计算机程序产品,包括计算机程序/指令;其特征在于,该计算机程序/指令被处理器执行时实现权利要求1~7之一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210421737.5A CN114913134A (zh) | 2022-04-21 | 2022-04-21 | 隧道喷射混凝土粗糙度识别方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210421737.5A CN114913134A (zh) | 2022-04-21 | 2022-04-21 | 隧道喷射混凝土粗糙度识别方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114913134A true CN114913134A (zh) | 2022-08-16 |
Family
ID=82764506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210421737.5A Pending CN114913134A (zh) | 2022-04-21 | 2022-04-21 | 隧道喷射混凝土粗糙度识别方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913134A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524004A (zh) * | 2023-07-03 | 2023-08-01 | 中国铁路设计集团有限公司 | 基于HoughLines算法的钢筋尺寸检测方法及系统 |
CN116756836A (zh) * | 2023-08-16 | 2023-09-15 | 中南大学 | 一种隧道超欠挖体积计算方法、电子设备及存储介质 |
-
2022
- 2022-04-21 CN CN202210421737.5A patent/CN114913134A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524004A (zh) * | 2023-07-03 | 2023-08-01 | 中国铁路设计集团有限公司 | 基于HoughLines算法的钢筋尺寸检测方法及系统 |
CN116524004B (zh) * | 2023-07-03 | 2023-09-08 | 中国铁路设计集团有限公司 | 基于HoughLines算法的钢筋尺寸检测方法及系统 |
CN116756836A (zh) * | 2023-08-16 | 2023-09-15 | 中南大学 | 一种隧道超欠挖体积计算方法、电子设备及存储介质 |
CN116756836B (zh) * | 2023-08-16 | 2023-11-14 | 中南大学 | 一种隧道超欠挖体积计算方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN114913134A (zh) | 隧道喷射混凝土粗糙度识别方法、终端设备及存储介质 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
CN112598001A (zh) | 一种基于多模型融合的船舶水尺读数自动识别方法 | |
JP6099479B2 (ja) | ひび割れ検出方法 | |
KR100810326B1 (ko) | 다해상도 3차원 모델 생성 방법 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN104700395A (zh) | 一种构造物外观裂缝检测方法及系统 | |
CN112767359B (zh) | 复杂背景下的钢板角点检测方法及系统 | |
CN115564771A (zh) | 一种基于建筑物基柱的混凝土裂纹识别方法 | |
CN116862910B (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN111899237A (zh) | 标尺精度测量方法、装置、计算机设备和存储介质 | |
CN115096206A (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN109029203A (zh) | 一种基于数字图像处理的半自动测量物体尺寸装置 | |
CN112991287A (zh) | 一种基于全卷积神经网络的自动压痕测量方法 | |
CN113884011A (zh) | 一种非接触式混凝土表观裂缝测量设备和方法 | |
CN115639248A (zh) | 一种用于建筑外墙质量检测的系统及方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN115222722A (zh) | 一种复杂散斑背景下的实时裂缝检测方法 | |
CN113554688B (zh) | 一种基于单目视觉的o型密封圈尺寸测量方法 | |
CN115018735A (zh) | 基于霍夫变换校正二维码图像的裂缝宽度识别方法及系统 | |
Chen et al. | Design and Implementation of Crack Width Detection System Based on Android |
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 |