CN115082542A - 基于图论的隧道裂缝长度测量方法 - Google Patents
基于图论的隧道裂缝长度测量方法 Download PDFInfo
- Publication number
- CN115082542A CN115082542A CN202210746044.3A CN202210746044A CN115082542A CN 115082542 A CN115082542 A CN 115082542A CN 202210746044 A CN202210746044 A CN 202210746044A CN 115082542 A CN115082542 A CN 115082542A
- Authority
- CN
- China
- Prior art keywords
- crack
- length
- image
- substep
- node
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012360 testing method 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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
针对裂缝在隧道上的普遍性和危害性,以及传统手工测量的低效性,本文提出的方法可以直接应用在机器拍摄的隧道裂缝图片上,能够快速的给出裂缝的最大长度、所有长度。为实现以上的技术目的,本发明提供一种基于图论的隧道裂缝长度测量方法,包括以下步骤:步骤一,将待测量的原裂缝图像转化为为灰度图;步骤二,在灰度图的基础上进行高斯平滑滤波;步骤三,对平滑后的灰度图进行图像二值化;步骤四,提取二值化图像的裂缝中线骨架;步骤五,消除中线骨架中存在的细小毛刺;步骤六,对中线骨架进行修复,将断触处连接起来;步骤七,对步骤六的结果图进行消除非裂缝区域的噪声;步骤八,通过最终的中线骨架,求裂缝总长度,求裂缝最大长度。
Description
技术领域
本发明应属于地铁隧道、水利水电等建筑工程领域,通过对隧道裂缝的检测以判断其潜在的危害性,进而做出防治。本文基于对裂缝测量的研究,提出了一种基于图论的隧道裂缝长度测量方法。
背景技术
以地铁隧道背景为例。地铁隧道经过长时间的投入运行,会持续受到外围泥土的不均衡压力和地铁运行时的巨大振动,进而导致隧道裂缝的出现。裂缝破坏了建筑的稳固性,而且还会带来渗水等一系列问题,有着了巨大的安全隐患,因此裂缝的及时发现和检测十分重要。而在现实场景中,只能靠人工巡逻、发现裂缝并通过刻度尺进行人工测量,首先裂缝会出现在隧道壁的四周,其次裂缝一般是分叉曲折的,这就给工作人员带来了极大的不便。因此,在上述实际场景下,可以在摄像头自动化采集得到裂缝图像的基础上,通过传统图像处理的方法将裂缝长度的测量问题转化为图论中最长路径问题,进而运用图论的相关算法进行处理,最终本文提出了基于图论的隧道裂缝长度测量方法。该测量方法精确快速、符合实际应用场景,改变了传统的手工测量方式,提高了工作效率,对隧道裂缝的安全隐患的预防有着重要作用。
发明内容
针对裂缝在水泥设施上的普遍性和危害性,以及传统手工测量的低效性,本文提出的方法可以直接应用在机器拍摄的隧道裂缝图片上,能够快速的给出裂缝的最大长度、所有长度。
为实现以上的技术目的,本发明提供一种基于图论的隧道裂缝长度测量方法,包括以下步骤:
步骤一,将待测量的原裂缝图像转化为为灰度图;
步骤二,在灰度图的基础上进行高斯平滑滤波;
步骤三,对平滑后的灰度图进行图像二值化;
步骤四,提取二值化图像的裂缝中线骨架;
步骤五,消除中线骨架中存在的细小毛刺;
步骤六,对中线骨架进行修复,将断触处连接起来;
步骤七,对步骤六的结果图进行消除非裂缝区域的噪声;
步骤八,通过最终的中线骨架,求裂缝总长度,求裂缝最大长度。
作为优选,所述的步骤二中,使用二维高斯公式对灰度图进行滤波,公式如下:
其中,(x,y)为掩膜内任一点的坐标,(ux,uy)为掩膜内中心点的坐标,σ是标准差,其中σ=2。
作为优选,所述的步骤四运用形态学图像处理技术对步骤三的二值图像提取裂缝的中线骨架。
作为优选,所述的步骤五包括以下子步骤:
子步骤五一,遍历全图,找到所有的分支节点,其中分支节点的定义为有至少三个分支;
子步骤五二,对于每个分支节点,遍历其所有的分支,每个分支上的所有像素坐标组成一个列表,
子步骤五三,将所有分支对应的列表拼接成这个分支节点对应的列表;
子步骤五四,遍历所有分支节点对应的每个列表下的分支列表,根据列表长度阈值删除细小分支。
作为优选,所述的步骤六包括以下子步骤:
子步骤六一,判断断点除连接关系,端点与非端点的连接使用子步骤六二至子步骤六五修复,端点与端点的连接使用子步骤六二至子步骤六七修复;
子步骤六二,遍历全图,得到包含所有端点的集合
子步骤六三,对于每个端点,遍历该端点的连通分量并统计所有节点相对于该端点的位置以得到最多的相对位置;
子步骤六四,以该端点为起点,以该相对位置的相反方向为方向,向前搜索,直至到达另一个连通分量或图的边界;
子步骤六五,记录子步骤六四搜索经过的像素坐标,保存至队列里面并对队列进行判断,如果队列的长度小于给定的阈值,那么就根据队列进行连接,并将该端点从这个集合中删除,如果队列的长度大于阈值,或者搜索的目标节点和该端点在一个连通分量上,就在集合中保留;
子步骤六六,将子步骤六五修复的端点从子步骤六二得到的集合排除;
子步骤六七,对于子步骤六六中的集合遍历其它所有端点以求出距离该端点最短的端点,如果此最短距离小于阈值则进行连接,然后将这两个端点从集合中剔除;
重复子步骤六七直到集合为空或者集合的任意一对端点的距离大于阈值;其中连接规则如下:根据两端点的相对位置,先进行对角连接,再进行水平或垂直连接。
作为优选,所述的步骤七包括以下子步骤:
子步骤七一,得到全图的所有的连通分量;
子步骤七二,对每个连通分量的大小进行判断,如果该连通分量的大小小于阈值,判断为噪声并删除。
作为优选,所述的步骤八中求裂缝最大长度时,找直线距离最长且同属于同一个连通分量的一对端点,并以其中一个端点为根,在该端点的连通分量上求最长路径;
为该连通分量设置计数矩阵,记录了每个节点距离根节点的最长距离,初始值为0;
从根节点开始遍历整个连通分量,每当遍历到一个节点时,当前节点的计数值由这次遍历的前一个节点的计数值和相对位置得到,最终该节点的计数值是所有遍历到该节点的值的最大值;
该连通分量上的其它端点在计数矩阵的最大值就是裂缝的最大长度。
本发明具有以下实质性特点:通过将裂缝区域中线骨架化,进而将问题转化为图论问题,简化了实际问题。并解决了一系列关键技术问题:裂缝细化造成的断点问题、如果有环路怎样求出裂缝的最大长度问题、怎样更加精确的求出裂缝总长度问题。最终实验表明,本方法能够在较低的时间复杂度下,达到很高的测量精确度,改变了手工测量的传统方式,对隧道裂缝检测的相关领域具有较高的实用价值。
附图说明
图1本发明的裂缝灰度图像
图2本发明的高斯滤波后的图像
图3本发明的骨架图;
图4本发明的骨架图消毛刺后的图像;
图5本发明的骨架桥接后的图像;
图6本发明的消除噪声后的图像;
图7本发明的最终输出图像;
图8本发明的像素的相对位置图
图9本发明的裂缝中线局部微观示例图;
图10(a)实例1灰度图;
图10(b)实例1最终输出图像;
图11(a)实例2灰度图;
图11(b)实例2最终输出图像;
图12(a)实例3灰度图;
图12(b)实例3最终输出图像;
图13(a)实例4灰度图;
图13(b)实例4最终输出图像;
图14(a)实例5灰度图;
图14(b)实例5最终输出图像;
图15(a)实例6灰度图;
图15(b)实例6最终输出图像;
图16(a)实例7灰度图;
图16(b)实例7最终输出图像;
图17(a)实例8灰度图;
图17(b)实例8最终输出图像;
图18(a)实例9灰度图;
图18(b)实例9最终输出图像;
图19(a)实例10灰度图;
图19(b)实例10最终输出图像;
图20(a)实例11灰度图;
图20(b)实例11最终输出图像;
图21(a)实例12灰度图;
图21(b)实例12最终输出图像;
图22(a)实例13灰度图;
图22(b)实例13最终输出图像;
图23(a)实例14灰度图;
图23(b)实例14最终输出图像;
图24(a)实例15灰度图;
图24(b)实例15最终输出图像;
具体实施方式
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的具体说明。
实施例1
基于图论的隧道裂缝长度测量方法,按照如下步骤进行:
步骤(1)将待测量的原裂缝图像转化为为灰度图;
步骤(2)在灰度图的基础上进行高斯平滑滤波;
步骤(3)对平滑后的灰度图进行图像二值化;
步骤(4)提取二值化图像的裂缝中线骨架;
步骤(5)消除中线骨架中存在的细小毛刺;
步骤(6)对中线骨架进行修复,将断触处连接起来;
步骤(7)在步骤(6)的基础上消除非裂缝区域的噪声,如斑点;
步骤(8)通过最终的中线骨架,求裂缝总长度;
步骤(9)通过最终的中线骨架,求裂缝最大长度;
如图1所示,步骤(1)具体为:将原始彩色图像的R、G、B三个通道,通过最大值法、最小值法、平均值法融合为一个通道。
如图2所示,步骤(2)具体为:高斯滤波是一种线性平滑滤波器,本文使用它对裂缝区域边缘进行平滑,以便更好的泛化裂缝区域、提取中线骨架。高斯滤波和均值滤波都是利用一个掩膜和图像进行卷积求解,不同之处在于:均值滤波器的模板系数都是相同的,为1。而高斯滤波器的模板系数,随着距离模板中心距离大的增大,系数减少(服从二维高斯分布)。所以,高斯滤波器相对于均值滤波器而言,对图像模糊程度较小,更能保持图像的整体细节。二维高斯公式如下:
其中,(x,y)为掩膜内任一点的坐标,(ux,uy)为掩膜内中心点的坐标,σ是标准差。标准差代表数据的离散程度,如果σ较小,那么生成的模板的中心系数较大,而周围的系数较小,这样对图像的平滑效果就不是很明显;反之,σ较大,则生成的模板的各个系数相差较小,比较类似平均值滤波,对图像的平滑效果比较明显。在本文中,σ大小的选取十分讲究,如果σ选取过小,对裂缝边缘起不到很好的平滑效果,导致经步骤(3)提取的中线骨架毛刺很多,如果σ选取较大,虽然会平滑裂缝边缘,提取更好的中线骨架,但是也会导致裂缝区域变大、宽度较窄的裂缝区域直接会被高斯滤波平滑掉,提取后的中线骨架在该处断裂等后果。经过实验测试,发现σ=2是不错的选择。
步骤(3)具体为:图像的二值化处理是在灰度图像的基础上,通过阈值化把灰度图像进一步简化为二值图像,即整幅图像的各点像素值只用两个数值来表示,其中一个数值为零,另一个数值为非零值。
图像的阈值化的关键是找到一个最佳阈值,使得在进行图像简化操作时尽量多的过滤掉我们不需要的信息并保留我们需要的信息。本文基于OTSU的阈值化处理。如图3所示,步骤(4)具体为:运用形态学图像处理技术对步骤(3)得到的二值图像提取裂缝的中线骨架。
如图4所示,步骤(5)具体为:消除尖刺,就是为了消除未被高斯滤波平滑裂缝边缘而引起的中线骨架中小的分支。消除尖刺能够简化下面步骤(6)的中线骨架的连接修复工作和提高步骤(8)求裂缝总长度的准确度。具体消刺的操作流程如下:首先遍历全图,找到所有的分支节点(即以该节点出发,有至少三个分支)。然后对于每个分支节点,遍历其所有的分支,每个分支上的所有像素坐标组成一个列表,后将所有分支对应的列表拼接成这个分支节点对应的列表(每个分支列表在分支节点列表中用特殊符号分隔加以区分)。最后遍历所有分支节点对应的每个列表下的分支列表,根据列表长度阈值删除细小分支,以达到消刺的作用。
如图5所示,步骤(6)具体为:由于步骤(2)高斯滤波的平滑处理,会导致细窄的裂缝被平滑掉,进而导致中线骨架在该处断触。所以需要将断掉的裂缝尽可能连接起来。在处理连接时,存在两种情况,如步骤(6-1)的端点与非端点的连接和步骤(6-2)端点与端点的连接。
步骤(6-1)具体为:首先遍历全图,得到包含所有端点的集合。然后,对于每个端点,遍历该端点的连通分量并统计所有节点相对于该端点的位置(如图8所示)以得到最多的相对位置。那么该相对位置就是整个连通分量整体上相对于该端点的相对位置。根据裂缝延申的特点,就以该端点为起点,以该相对位置的相反方向为方向,向前搜索,直至到达另一个连通分量或图的边界。这期间需要将经过的像素坐标记录在队列里面,如果队列的长度小于给定的阈值,那么就根据队列进行连接,并将该端点从这个集合中删除。如果队列的长度大于阈值,或者搜索的目标节点和该端点在一个连通分量上,就在集合中保留。
步骤(6-2)具体为:紧接着,对步骤(6-1)剩下的端点集合继续进行端点与端点的连接。对于集合中每一个端点,遍历其它所有端点以求出距离该端点最短的端点,如果此最短距离小于阈值则进行连接,然后将这两个端点从集合中剔除。重复上述步骤,直到集合为空或者集合的任意一对端点的距离大于阈值。连接规则如下:根据两端点的相对位置,先进行对角连接,再进行水平或垂直连接。如图6、图13(a)和图13(b)所示,步骤(7)具体为:消除噪声,意思是消除那些原本就不属于裂缝区域(如,和裂缝相近的斑点)的小的连通分量。首先,得到全图的所有的连通分量,然后对每个连通分量的大小进行判断,如果该连通分量的大小小于阈值,那么就认为其是噪声,将其删除。
步骤(8)具体为:总长度是指经过上述步骤处理后,最终裂缝中线骨架的长度。我们使用微观像素来计算宏观裂缝长度,这就要求像素统计不能仅仅局限于中线微观上的曲折变化,还要有整体裂缝趋势的泛化能力。骨架是裂缝区域的相对边缘的中线,如果仅仅将所有像素节点的数量作为总长度的话,计算值比实际长度大。所以,本文统计每对相邻的节点,如果相邻节点是对角关系,那么就如果是并列关系就加1。经过这种方式进行处理,虽然也会偏大一点点,但相差几乎不会超过5个像素。
以图9为例根据本文方法测量,上图的中线长度为个像素长度,但是该中线所代表的实际裂缝长度为8个像素长度。但是上图中的情况几乎不可能存在,因为经过步骤(4)的高斯滤波平滑后,裂缝边缘不会呈现锯齿状,也就不会存在如图中的中线的交错曲折极端情况。
如图7所示,步骤(9)具体为:找到直线距离最长且同属于同一个连通分量的一对端点,并以其中一个端点为根,在该端点的连通分量上求最长路径。算法如下,为该连通分量设置计数矩阵,记录了每个节点距离根节点的最长距离,初始值为0。从根节点开始遍历整个连通分量,每当遍历到一个节点时,当前节点的计数值由这次遍历的前一个节点的计数值和相对位置得到,最终该节点的计数值是所有遍历到该节点的值的最大值。最后,该连通分量上的其它端点在计数矩阵的最大值就是裂缝的最大长度。
图10至图24是使用本发明的方法处理的15副图片,其中所有的图(a)均为本发明步骤(1)处理后得到的灰度图,所有的图(b)均为步骤(7)得到的最终骨架图,图(b)中得到的数据为步骤(8)和步骤(9)计算得到的结果。
Claims (8)
1.基于图论的隧道裂缝长度测量方法,其特征在于,包括以下步骤:
步骤一,将待测量的原裂缝图像转化为为灰度图;
步骤二,在灰度图的基础上进行高斯平滑滤波;
步骤三,对平滑后的灰度图进行图像二值化;
步骤四,提取二值化图像的裂缝中线骨架;
步骤五,消除中线骨架中存在的细小毛刺;
步骤六,对中线骨架进行修复,将断触处连接起来;
步骤七,对步骤六的结果图进行消除非裂缝区域的噪声;
步骤八,通过最终的中线骨架,求裂缝总长度,求裂缝最大长度。
3.根据权利要求1所述的基于图论的隧道裂缝长度测量方法,其特征在于,所述的步骤四运用形态学图像处理技术对步骤三的二值图像提取裂缝的中线骨架。
4.根据权利要求1所述的基于图论的隧道裂缝长度测量方法,其特征在于,所述的步骤五包括以下子步骤:
子步骤五一,遍历全图,找到所有的分支节点,其中分支节点的定义为有至少三个分支;
子步骤五二,对于每个分支节点,遍历其所有的分支,每个分支上的所有像素坐标组成一个列表,
子步骤五三,将所有分支对应的列表拼接成这个分支节点对应的列表;
子步骤五四,遍历所有分支节点对应的每个列表下的分支列表,根据列表长度阈值删除细小分支。
5.根据权利要求1所述的基于图论的隧道裂缝长度测量方法,其特征在于,所述的步骤六包括以下子步骤:
子步骤六一,判断断点处连接关系,端点与非端点的连接使用子步骤六二至子步骤六五修复,端点与端点的连接使用子步骤六二至子步骤六七修复;
子步骤六二,遍历全图,得到包含所有端点的集合
子步骤六三,对于每个端点,遍历该端点的连通分量并统计所有节点相对于该端点的位置以得到最多的相对位置;
子步骤六四,以该端点为起点,以该相对位置的相反方向为方向,向前搜索,直至到达另一个连通分量或图的边界;
子步骤六五,记录子步骤六四搜索经过的像素坐标,保存至队列里面并对队列进行判断,如果队列的长度小于给定的阈值,那么就根据队列进行连接,并将该端点从这个集合中删除,如果队列的长度大于阈值,或者搜索的目标节点和该端点在一个连通分量上,就在集合中保留;
子步骤六六,将子步骤六五修复的端点从子步骤六二得到的集合排除;
子步骤六七,对于子步骤六六中的集合遍历其它所有端点以求出距离该端点最短的端点,如果此最短距离小于阈值则进行连接,然后将这两个端点从集合中剔除;
重复子步骤六七直到集合为空或者集合的任意一对端点的距离大于阈值;
其中连接规则如下:根据两端点的相对位置,先进行对角连接,再进行水平或垂直连接。
6.根据权利要求1所述的基于图论的隧道裂缝长度测量方法,其特征在于,所述的步骤七包括以下子步骤:
子步骤七一,得到全图的所有的连通分量;
子步骤七二,对每个连通分量的大小进行判断,如果该连通分量的大小小于阈值,判断为噪声并删除。
8.根据权利要求1所述的基于图论的隧道裂缝长度测量方法,其特征在于,所述的步骤八中求裂缝最大长度时,找直线距离最长且同属于同一个连通分量的一对端点,并以其中一个端点为根,在该端点的连通分量上求最长路径;
为该连通分量设置计数矩阵,记录了每个节点距离根节点的最长距离,初始值为0;
从根节点开始遍历整个连通分量,每当遍历到一个节点时,当前节点的计数值由这次遍历的前一个节点的计数值和相对位置得到,最终该节点的计数值是所有遍历到该节点的值的最大值;
该连通分量上的其它端点在计数矩阵的最大值就是裂缝的最大长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210746044.3A CN115082542A (zh) | 2022-06-29 | 2022-06-29 | 基于图论的隧道裂缝长度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210746044.3A CN115082542A (zh) | 2022-06-29 | 2022-06-29 | 基于图论的隧道裂缝长度测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082542A true CN115082542A (zh) | 2022-09-20 |
Family
ID=83256634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210746044.3A Pending CN115082542A (zh) | 2022-06-29 | 2022-06-29 | 基于图论的隧道裂缝长度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082542A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078737A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种线性裂缝长度计算方法 |
-
2022
- 2022-06-29 CN CN202210746044.3A patent/CN115082542A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078737A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种线性裂缝长度计算方法 |
CN117078737B (zh) * | 2023-10-17 | 2024-03-29 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种线性裂缝长度计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581463A (zh) | 图像缺陷的检测方法、装置、电子设备、存储介质及产品 | |
CN105528614B (zh) | 一种漫画图像版面的识别方法和自动识别系统 | |
CN108280823A (zh) | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 | |
CN109697717B (zh) | 一种基于图像自动搜索的衬砌裂缝识别方法 | |
CN111060442B (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN112837290A (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN111507971A (zh) | 一种隧道表面缺陷检测方法 | |
CN114219773B (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
CN115082542A (zh) | 基于图论的隧道裂缝长度测量方法 | |
Shen | Road crack detection based on video image processing | |
Arjapure et al. | Deep learning model for pothole detection and area computation | |
CN110473174A (zh) | 一种基于图像计算铅笔精确数目的方法 | |
Sun et al. | Research on fatigue crack growth detection of M (T) specimen based on image processing technology | |
CN105447489A (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN106875359B (zh) | 一种基于分层引导策略的样本块图像修复方法 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
CN108520523B (zh) | 一种保留非封闭曲线的线画图骨架提取方法 | |
CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
CN116385415A (zh) | 一种边缘缺陷检测方法、装置、设备及存储介质 | |
CN116051992A (zh) | 一种裂缝识别方法 | |
CN104504702A (zh) | 基于方格搜索法的水泥刻槽路面裂缝识别方法 | |
CN108765381B (zh) | 一种水利工程裂纹提取方法及系统、信息处理终端 |
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 |