CN115564725A - 基于图像智能识别的边坡监测方法及装置 - Google Patents
基于图像智能识别的边坡监测方法及装置 Download PDFInfo
- Publication number
- CN115564725A CN115564725A CN202211195796.1A CN202211195796A CN115564725A CN 115564725 A CN115564725 A CN 115564725A CN 202211195796 A CN202211195796 A CN 202211195796A CN 115564725 A CN115564725 A CN 115564725A
- Authority
- CN
- China
- Prior art keywords
- image
- slope
- coordinates
- gradient
- coordinate
- 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 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 35
- 238000003708 edge detection Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 239000003973 paint Substances 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000010422 painting Methods 0.000 claims description 7
- 230000001680 brushing effect Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 239000011248 coating agent Substances 0.000 claims description 4
- 238000000576 coating method Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims 1
- 238000006073 displacement reaction Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 239000013307 optical fiber Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003706 image smoothing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了基于图像智能识别的边坡监测方法及装置,首先进行采集已被标记的边坡图像,将已被标记的边坡图像进行预处理,然后采用Canny算子进行检测,获得圆饼标记的边缘坐标,将坐标转化为绝对坐标,采用外旋法计算圆饼的面积和中心点坐标,计算边坡圆饼的面积和中心点坐标,个体变化率和总体变化率计算,初次采集的安全态图像经处理后数将数据输入数据库内减少人工的使用,减少人为判断,可以对无人看守高边坡进行图像实时监测,通过边坡位移的变化来判断高边坡的稳定性,若个体变化率与总体变化率中任何有一个超过阈值进行告警。
Description
技术领域
本公开涉及图像识别技术领域,尤其涉及一种基于图像智能识别的边坡监测方法及装置。
背景技术
边坡是岩土工程建设中一种常见的工程形式,边坡失稳会对生产建设和生命财产造成巨大的损失。因此,保证边坡的稳定性具有重要的工程意义。高边坡是指超过一定高度的人工或自然边坡。在山区尤其是西南山区,高陡边坡是工程建设中的主要工程载体。高边坡常处于地质条件复杂地区,因此高边坡的稳定性对于保证工程建设的安全至关重要。
边坡的稳定性可利用极限平衡法、数值计算法、塑性极限分析法等进行分析,也可以将可靠度分析应用在稳定性分析中。对于我国西南山区的天然高边坡,处于复杂的地质水文环境中,崩塌、滑坡和泥石流等自然灾害频发,也会严重危害到工程建设和生命财产的安全。
传统的土压力传感器、孔隙水压力传感器以及测斜仪等,具有一定的埋深,但是存活率不高,在外界扰动的条件下精度不够。光纤技术所使用的传感光纤容易在施工过程中被破坏,而且其监测精度有待提高。
综上所述,对于处于西南山区的岩质高边坡,所处环境恶劣,通过埋设传感器或者人工监测,难以完成对边坡的全天候的监测,因无人值守的图像监测方法更加适合对高边坡的监测。因此对于高边坡的动态监测显得尤为重要,通过对高边坡尤其是岩质高边坡开展实时监测,对边坡的稳定性进行评价,能够保证边坡的长期稳定性。
发明内容
提供该公开内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开实施例提供了一种基于图像智能识别的边坡监测方法及装置,可以对无人看守高边坡进行图像实时监测,通过边坡位移的变化来判断高边坡的稳定性,减少人工的使用,及时将边坡相关结果传达给相关部门,辅助其做好防治滑坡灾害等的工作。
第一方面,本公开实施例提供了基于图像智能识别的边坡监测方法,包括:采集已被标记的边坡图像;将已被标记的边坡图像进行预处理;将已经预处理的图像采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标;将图像坐标转化为绝对坐标,采用外旋法计算某一个圆饼的面积和中心点坐标,然后计算某段边坡的所有圆饼的面积和中心点坐标;个体变化率和总体变化率计算,根据数据库内多次边坡滑坡实验结果事先设定的阈值,若个体变化率与总体变化率中任何有一个超过阈值进行告警。
结合第一方面的实施例,在一些实施例中,所述采集已被标记的边坡图像,包括:
边坡上涂刷红色圆饼状油漆;
将涂刷的数个圆饼刷成N行N列的网格状,网格状的圆饼均匀分布于整个需检测的边坡;
网格状圆饼的空隙使用红色油漆涂刷两个正方形,此为定位标识,对此定位标识的坐标进行测量并且测量定位标识到每一个圆饼的距离;
每隔预设时间采集一下此时边坡图像。
结合第一方面的实施例,在一些实施例中,所述将已经预处理的图像采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标,包括:
对预处理的图像进行第一次滤波,滤波公式为
采用四个方向的梯度模板作为边缘梯度算子对混合滤波器进行平滑处理后的图像进行检测,在像素8邻域内计算x方向、y方向、45°方向和135°方向的梯度幅值,四个方向下的偏导数数学表达式如下:
对计算后的梯度图像的比较的一个是目前像素所拥有的梯度强度,另一个是与沿正负梯度方向上所拥有的两个像素的梯度强度;
将目前像素的梯度强度同一时刻和其它两个像素作类比,当发现目前像素最大,那么当前像素点可以保存,并且可以作为边缘点,如果结果并非如此,那么当前像素点就被抑制;
抑制处理后的图像利用高阈值和低阈值来确定实际存在和隐藏起来的边缘,假设图像整个灰度级为[0,L-1],灰度级低于s的像素点构成B0类,即灰度级为[0,s]的像素点归为B0类,灰度级为[s+1,L-1]的像素点为B1类,公式为
利用高阈值和低阈值得到预处理的图像中各个圆饼边缘,获得预处理的图像中各个圆饼标记的边缘坐标。
结合第一方面的实施例,在一些实施例中,所述将图像坐标转化为绝对坐标,采用外旋法计算某一个圆饼的面积和中心点坐标,然后计算某段边坡的所有圆饼的面积和中心点坐标,包括
通过已知的定位标识,确定定位标识的图像坐标和绝对坐标在x方向上的差值为A,在y方向上的差值为B,则有图像坐标和绝对坐标之间的关系为X=x+A,Y=y+B,(x,y)为图像坐标,(X,Y)为绝对坐标;
对整幅图像的某个圆饼以前一次检测出的圆饼中心点坐标开始向外旋转式扫描,若为首次检测,则以初始状态圆饼中心点坐标开始向外旋转式扫描;
依次检查每一个像素点的灰度值,若灰度值为255就记录该点,若灰度值为0就舍去该点;
对这个圆饼的扫描直到某层被检测的所有像素点的灰度值全部为0时扫描完成;
计算一共记录点的总数,该点的总数为此圆饼的面积;
将所有记录点的灰度值设置为0;
直到扫描完毕整幅图像中所有圆饼直到遍历完整图像。
第二方面,本公开实施例提供了一种花键疲劳寿命分布确定装置,包括:
采集标记单元,用于采集已被标记的边坡图像;
图像预处理单元,用于对已被标记的边坡图像进行预处理;
边缘检测单元,用于将已经预处理的图像采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标;
计算单元,用于将图像坐标转化为绝对坐标,采用外旋法计算某一个圆饼的面积和中心点坐标,然后计算某段边坡的所有圆饼的面积和中心点坐标;
警报单元,用于个体变化率和总体变化率计算,根据数据库内多次边坡滑坡实验结果事先设定的阈值,若个体变化率与总体变化率中任何有一个超过阈值,将相关结果传达给相关部门,辅助其做好防治滑坡灾害等的工作。
结合第二方面的实施例,在一些实施例中,所述采集标记单元,用于采集已被标记的边坡图像,包括
边坡上涂刷红色圆饼状油漆;
将涂刷的数个圆饼刷成N行N列的网格状,网格状的圆饼均匀分布于整个需检测的边坡;
网格状圆饼的空隙使用红色油漆涂刷两个正方形,此为定位标识,对此定位标识的坐标进行测量并且测量定位标识到每一个圆饼的距离;
每隔预设时间采集一下此时边坡图像。
结合第二方面的实施例,在一些实施例中,所述边缘检测单元,用于将已经预处理的图像采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标,包括
对预处理的图像进行第一次滤波,滤波公式为
采用四个方向的梯度模板作为边缘梯度算子对混合滤波器进行平滑处理后的图像进行检测,在像素8邻域内计算x方向、y方向、45°方向和135°方向的梯度幅值,四个方向下的偏导数数学表达式如下:
对计算后的梯度图像的比较的一个是目前像素所拥有的梯度强度,另一个是与沿正负梯度方向上所拥有的两个像素的梯度强度;
将目前像素的梯度强度同一时刻和其它两个像素作类比,当发现目前像素最大,那么当前像素点可以保存,并且可以作为边缘点,如果结果并非如此,那么当前像素点就被抑制;
抑制处理后的图像利用高阈值和低阈值来确定实际存在和隐藏起来的边缘,假设图像整个灰度级为[0,L-1],灰度级低于s的像素点构成B0类,即灰度级为[0,s]的像素点归为B0类,灰度级为[s+1,L-1]的像素点为B1类,公式为
利用高阈值和低阈值得到预处理的图像中各个圆饼边缘,获得预处理的图像中各个圆饼标记的边缘坐标。
结合第二方面的实施例,在一些实施例中,所述计算单元,用于将图像坐标转化为绝对坐标,采用外旋法计算某一个圆饼的面积和中心点坐标,然后计算某段边坡的所有圆饼的面积和中心点坐标,包括
通过已知的定位标识,确定定位标识的图像坐标和绝对坐标在x方向上的差值为A,在y方向上的差值为B,则有图像坐标和绝对坐标之间的关系为X=x+A,Y=y+B,(x,y)为图像坐标,(X,Y)为绝对坐标;
对整幅图像的某个圆饼以前一次检测出的圆饼中心点坐标开始向外旋转式扫描,若为首次检测,则以初始状态圆饼中心点坐标开始向外旋转式扫描;
依次检查每一个像素点的灰度值,若灰度值为255就记录该点,若灰度值为0就舍去该点;
对这个圆饼的扫描直到某层被检测的所有像素点的灰度值全部为0时扫描完成;
计算一共记录点的总数,该点的总数为此圆饼的面积;
将所有记录点的灰度值设置为0;
直到扫描完毕整幅图像中所有圆饼直到遍历完整图像。
第三方面,本公开实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面上述的基于图像智能识别的边坡监测方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面上述的基于图像智能识别的边坡监测方法的步骤。
本发明有益效果:首先进行采集已被标记的边坡图像,将已被标记的边坡图像进行预处理,将已经预处理的图像采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标,将图像坐标转化为绝对坐标,采用外旋法计算某一个圆饼的面积和中心点坐标,然后计算某段边坡的所有圆饼的面积和中心点坐标,个体变化率和总体变化率计算,初次采集的安全状态图像经过图像预处理,采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标,将图像坐标转化为绝对坐标,采用外旋法计算所有圆饼的面积和中心点坐标,然后计算该图像内边坡的所有圆饼的面积和中心点坐标,将数据输入数据库内,作为后续监测图像的对比数据,根据数据库内多次边坡滑坡实验结果事先设定的阈值,若个体变化率与总体变化率中任何有一个超过阈值,将相关结果传达给相关部门,辅助其做好防治滑坡灾害等的工作。减少人工的使用,减少人为判断,增加科学边坡位移判断,可以对无人看守高边坡进行图像实时监测,通过边坡位移的变化来判断高边坡的稳定性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的基于图像智能识别的边坡监测方法的一个实施例的流程图;
图2是本公开的基于图像的边坡监测装置的结构示意图;
图3是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
请参考图1,其示出了根据本公开的基于图像智能识别的边坡监测方法的一个实施例的流程。如图1所示,该基于图像智能识别的边坡监测方法包括以下步骤:
步骤101,采集已被标记的边坡图像。
在这里,上述采集被标记边坡图像的包括:
边坡上涂刷红色圆饼状油漆,红色与边坡本来的颜色有足够的视觉对比色差,有利于目标对象体的识别与提取;
将涂刷的数个圆饼刷成N行N列的网格状,网格状的圆饼均匀分布于整个需检测的边坡;
网格状圆饼的空隙使用红色油漆涂刷两个正方形,此为定位标识,利于将图像坐标转换为绝对坐标,置定位标识,即使在镜头晃动的情况下也可将图像坐标转换为大地坐标,消除了后续计算中的误差,确保检测结果的准确,对此定位标识的坐标进行测量并且测量定位标识到每一个圆饼的距离;
架设好采集被标记边坡图像设备,进行采集边坡图像,并实时监测边坡的安全状态;
边坡图像的初次采集应该在边坡刚刚建成时进行,此时边坡的状态为原始状态,也是安全状态;
按一定的频率每隔预设时间采集边坡的图像,采集的图像结果均为监测状态,是要与初次采集的图像进行对比。
步骤102,已被标记的边坡图像进行预处理。
在这里,上述预处理包括:
采集的边坡图像进行灰度化处理;
将灰度化处理图像进行二值化处理;
将二值化处理的图像进行图像平滑处理;
将图像平滑处理的图像进行傅里叶变换。
步骤103,将已经预处理的图像采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标。
在这里,上述边缘检测包括:
采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标,包括:
对预处理的图像进行第一次滤波,滤波公式为
采用四个方向的梯度模板作为边缘梯度算子对混合滤波器进行平滑处理后的图像进行检测,在像素8邻域内计算x方向、y方向、45°方向和135°方向的梯度幅值,四个方向下的偏导数数学表达式如下:
对计算后的梯度图像的比较的一个是目前像素所拥有的梯度强度,另一个是与沿正负梯度方向上所拥有的两个像素的梯度强度;
将目前像素的梯度强度同一时刻和其它两个像素作类比,当发现目前像素最大,那么当前像素点可以保存,并且可以作为边缘点,如果结果并非如此,那么当前像素点就被抑制;
抑制处理后的图像利用高阈值和低阈值来确定实际存在和隐藏起来的边缘,假设图像整个灰度级为[0,L-1],灰度级低于s的像素点构成B0类,即灰度级为[0,s]的像素点归为B0类,灰度级为[s+1,L-1]的像素点为B1类,公式为
利用高阈值和低阈值得到预处理的图像中各个圆饼边缘,获得预处理的图像中各个圆饼标记的边缘坐标。
步骤104,将图像坐标转化为绝对坐标,采用外旋法计算某一个圆饼的面积和中心点坐标,然后计算某段边坡的所有圆饼的面积和中心点坐标。
在这里,上述面积和中心点坐标计算包括:
通过已知的定位标识,确定定位标识的图像坐标和绝对坐标在x方向上的差值为A,在y方向上的差值为B,则有图像坐标和绝对坐标之间的关系为X=x+A,Y=y+B,(x,y)为图像坐标,(X,Y)为绝对坐标;
对整幅图像的某个圆饼以前一次检测出的圆饼中心点坐标开始向外旋转式扫描,若为首次检测,则以初始状态圆饼中心点坐标开始向外旋转式扫描;
依次检查每一个像素点的灰度值,若灰度值为255就记录该点,若灰度值为0就舍去该点;
对这个圆饼的扫描直到某层被检测的所有像素点的灰度值全部为0时扫描完成;
计算一共记录点的总数,该点的总数为此圆饼的面积;
将所有记录点的灰度值设置为0;
直到扫描完毕整幅图像中所有圆饼直到遍历完整图像。
步骤105,个体变化率和总体变化率计算,根据数据库内多次边坡滑坡实验结果事先设定的阈值,若个体变化率与总体变化率中任何有一个超过阈值,将相关结果传达给相关部门,辅助其做好防治滑坡灾害等的工作。
在这里,上述个体变化率与总体变化率计算包括:
个体面积变化率是将检测状态下每个单个圆饼的面积与它们存在数据库中的初始安全状态下的面积的相比;
中心点个体变化率是将检测状态下每个单个圆饼的中心点坐标的x、Y方向上的绝对值与它们存在数据库中的初始安全状态下的中心点坐标X、Y方向上的绝对值的比值;
面积总体变化率是图像内所有圆饼的的面积与它们存在数据库中的初始安全状态下的面积的相比;
中心点总体变化率是图像内所有圆饼的中心点坐标的x、Y方向上的绝对值与它们存在数据库中的初始安全状态下的中心点坐标X、Y方向上的绝对值的比值;
参考数据库内多次边坡滑坡实验结果事先设定的阈值,若是若个体变化率与总体变化率中任何有一个超过阈值,将相关结果传达给相关部门,辅助其做好防治滑坡灾害等的工作。
该基于图像智能识别的边坡监测方法首先对边坡进行标记以及坐标定位,边坡上涂刷红色圆饼状油漆,红色与边坡本来的颜色有足够的视觉对比色差,有利于目标对象体的识别与提取。将涂刷的数个圆饼刷成N行N列的网格状,网格状的圆饼均匀分布于整个需检测的边坡。网格状圆饼的空隙使用红色油漆涂刷两个正方形,此为定位标识,利于将图像坐标转换为绝对坐标,置定位标识,即使在镜头晃动的情况下也可将图像坐标转换为大地坐标,消除了后续计算中的误差,确保检测结果的准确,对此定位标识的坐标进行测量并且测量定位标识到每一个圆饼的距离。然后架设好采集被标记边坡图像设备,进行采集边坡图像,并实时监测边坡的安全状况。边坡图像的初次采集应该在边坡刚刚建成时进行,此时边坡的状态为原始状态,也是安全状态。按一定的频率每隔预设时间采集边坡的图像,采集的图像结果均为监测状态,是要与初次采集的图像进行对比。然后对采集的边坡图像进行灰度化处理,将灰度化处理图像进行二值化处理,将二值化处理的图像进行图像平滑处理,将图像平滑处理的图像进行傅里叶变换。接着对进行傅里叶变换图像进行第一次滤波,滤波公式为,pg为滤波模板,为中心点,预处理的图像,为第一次滤波后的图像对第二次滤波,滤波公式为,为混合滤波器对预处理的图像进行平滑处理后的图像。采用四个方向的梯度模板作为边缘梯度算子对混合滤波器进行平滑处理后的图像进行检测,在像素8邻域内计算x方向、y方向、45°方向和135°方向的梯度幅值,四个方向下的偏导数数学表达式如下:
对计算后的梯度图像的比较的一个是目前像素所拥有的梯度强度,另一个是与沿正负梯度方向上所拥有的两个像素的梯度强度。将目前像素的梯度强度同一时刻和其它两个像素作类比,当发现目前像素最大,那么当前像素点可以保存,并且可以作为边缘点,如果结果并非如此,那么当前像素点就被抑制。抑制处理后的图像利用高阈值和低阈值来确定实际存在和隐藏起来的边缘,假设图像整个灰度级为[0,L-1],灰度级低于s的像素点构成B0类,即灰度级为[0,s]的像素点归为B0类,灰度级为[s+1,L-1]的像素点为B1类,公式为,为灰度级i出现的概率,为B0类平均灰度级,为B1类平均灰度级;
利用高阈值和低阈值得到预处理的图像中各个圆饼边缘,获得预处理的图像中各个圆饼标记的边缘坐标。再接着通过已知的定位标识,确定定位标识的图像坐标和绝对坐标在x方向上的差值为A,在y方向上的差值为B,则有图像坐标和绝对坐标之间的关系为X=x+A,Y=y+B,(x,y)为图像坐标,(X,Y)为绝对坐标;对整幅图像的某个圆饼以前一次检测出的圆饼中心点坐标开始向外旋转式扫描,若为首次检测,则以初始状态圆饼中心点坐标开始向外旋转式扫描;依次检查每一个像素点的灰度值,若灰度值为255就记录该点,若灰度值为0就舍去该点;对这个圆饼的扫描直到某层被检测的所有像素点的灰度值全部为0时扫描完成;计算一共记录点的总数,该点的总数为此圆饼的面积;将所有记录点的灰度值设置为0;直到扫描完毕整幅图像中所有圆饼直到遍历完整图像。最后将检测状态下每个单个圆饼的面积与它们存在数据库中的初始安全状态下的面积的相比得到个体面积变化率;将检测状态下每个单个圆饼的中心点坐标的x、Y方向上的绝对值与它们存在数据库中的初始安全状态下的中心点坐标X、Y方向上的绝对值的比值得到中心点个体变化率。图像内所有圆饼的的面积与它们存在数据库中的初始安全状态下的面积的相比得到面积总体变化率;图像内所有圆饼的中心点坐标的x、Y方向上的绝对值与它们存在数据库中的初始安全状态下的中心点坐标X、Y方向上的绝对值的比值得到中心点总体变化率得到中心点总体变化率。参考数据库内多次边坡滑坡实验结果事先设定的阈值,若是若个体变化率与总体变化率中任何有一个超过阈值,将相关结果传达给相关部门,辅助其做好防治滑坡灾害等的工作。减少人工的使用,减少人为判断,增加科学边坡位移判断,可以对无人看守高边坡进行图像实时监测,通过边坡位移的变化来判断高边坡的稳定性。
进一步参考图2,作为为对上述图1所示方法的实现,本公开了一种基于图像的边坡监测装置,该装置实施例与图1所示的方法实施例相对应。该装置具体可以应用于各种电子设备中。
如图2所示,本实施例的基于图像的边坡监测装置包括:采集标记单元201,用于采集已被标记的边坡图像;图像预处理单元202,用于对已被标记的边坡图像进行预处理;边缘检测单元203,用于将已经预处理的图像采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标;计算单元204,用于将图像坐标转化为绝对坐标,采用外旋法计算某一个圆饼的面积和中心点坐标,然后计算某段边坡的所有圆饼的面积和中心点坐标;警报单元205,用于个体变化率和总体变化率计算,根据数据库内多次边坡滑坡实验结果事先设定的阈值,若个体变化率与总体变化率中任何有一个超过阈值,将相关结果传达给相关部门,辅助其做好防治滑坡灾害等的工作。
在一些可选实施例中,采集标记单元201,用于采集已被标记的边坡图像,包括:边坡上涂刷红色圆饼状油漆,将涂刷的数个圆饼刷成N行N列的网格状,网格状的圆饼均匀分布于整个需检测的边坡,网格状圆饼的空隙使用红色油漆涂刷两个正方形,此为定位标识,对此定位标识的坐标进行测量并且测量定位标识到每一个圆饼的距离;每隔预设时间采集一下此时边坡图像。
在一些可选实施例中,边缘检测单元203,用于将已经预处理的图像采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标,包括:对预处理的图像进行第一次滤波,滤波公式为,pg为滤波模板,为中心点,预处理的图像,为第一次滤波后的图像;对第二次滤波,滤波公式为,为混合滤波器对预处理的图像进行平滑处理后的图像;采用四个方向的梯度模板作为边缘梯度算子对混合滤波器进行平滑处理后的图像进行检测,在像素8邻域内计算x方向、y方向、45°方向和135°方向的梯度幅值,四个方向下的偏导数数学表达式如下:
对计算后的梯度图像的比较的一个是目前像素所拥有的梯度强度,另一个是与沿正负梯度方向上所拥有的两个像素的梯度强度;将目前像素的梯度强度同一时刻和其它两个像素作类比,当发现目前像素最大,那么当前像素点可以保存,并且可以作为边缘点,如果结果并非如此,那么当前像素点就被抑制;抑制处理后的图像利用高阈值和低阈值来确定实际存在和隐藏起来的边缘,假设图像整个灰度级为[0,L-1],灰度级低于s的像素点构成B0类,即灰度级为[0,s]的像素点归为B0类,灰度级为[s+1,L-1]的像素点为B1类,公式为,为灰度级i出现的概率,为B0类平均灰度级,为B1类平均灰度级图像的类间方差,当类间方差值最大时为高阈值,低阈值;利用高阈值和低阈值得到预处理的图像中各个圆饼边缘,获得预处理的图像中各个圆饼标记的边缘坐标。
在一些可选实施例中,计算单元204,用于将图像坐标转化为绝对坐标,采用外旋法计算某一个圆饼的面积和中心点坐标,然后计算某段边坡的所有圆饼的面积和中心点坐标,包括:通过已知的定位标识,确定定位标识的图像坐标和绝对坐标在x方向上的差值为A,在y方向上的差值为B,则有图像坐标和绝对坐标之间的关系为X=x+A,Y=y+B,(x,y)为图像坐标,(X,Y)为绝对坐标;对整幅图像的某个圆饼以前一次检测出的圆饼中心点坐标开始向外旋转式扫描,若为首次检测,则以初始状态圆饼中心点坐标开始向外旋转式扫描;依次检查每一个像素点的灰度值,若灰度值为255就记录该点,若灰度值为0就舍去该点;对这个圆饼的扫描直到某层被检测的所有像素点的灰度值全部为0时扫描完成;计算一共记录点的总数,该点的总数为此圆饼的面积;将所有记录点的灰度值设置为0;直到扫描完毕整幅图像中所有圆饼直到遍历完整图像。
下面参考图3,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM903中,还存储有电子设备这操作所需的各种程序和数据。处理装置901、ROM902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM902被安装。在该计算机程序被处理装置901执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,adhoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:采集已被标记的边坡图像;将已被标记的边坡图像进行预处理;将已经预处理的图像采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标;将图像坐标转化为绝对坐标,采用外旋法计算某一个圆饼的面积和中心点坐标,然后计算某段边坡的所有圆饼的面积和中心点坐标;个体变化率和总体变化率计算,根据数据库内多次边坡滑坡实验结果事先设定的阈值,若个体变化率与总体变化率中任何有一个超过阈值进行告警。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++、python,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,预处理模块还可以被描述为“基于掌子面精细化分级结果,对掌子面各层围岩级别进行模糊化预处理的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
以上仅为本申请的优选实施方式而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于图像智能识别的边坡监测方法,其特征在于,所述方法包括:
采集已被标记的边坡图像;
将已被标记的边坡图像进行预处理;
将已经预处理的图像采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标;
将图像坐标转化为绝对坐标,采用外旋法计算某一个圆饼的面积和中心点坐标,然后计算某段边坡的所有圆饼的面积和中心点坐标;
个体变化率和总体变化率计算,根据数据库内多次边坡滑坡实验结果事先设定的阈值,若个体变化率与总体变化率中任何有一个超过阈值发出告警。
2.根据权利要求1所述的方法,其特征在于,所述采集已被标记的边坡图像,包括:
边坡上涂刷红色圆饼状油漆;
将涂刷的数个圆饼刷成N行N列的网格状,网格状的圆饼均匀分布于整个需检测的边坡;
网格状圆饼的空隙使用红色油漆涂刷两个正方形,此为定位标识,对此定位标识的坐标进行测量并且测量定位标识到每一个圆饼的距离;
每隔预设时间采集一下此时边坡图像。
3.根据权利要求1所述的方法,其特征在于,将已经预处理的图像采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标,包括:
对预处理的图像进行第一次滤波,滤波公式为
采用四个方向的梯度模板作为边缘梯度算子对混合滤波器进行平滑处理后的图像进行检测,在像素8邻域内计算x方向、y方向、45°方向和135°方向的梯度幅值,四个方向下的偏导数数学表达式如下:
对计算后的梯度图像的比较的一个是目前像素所拥有的梯度强度,另一个是与沿正负梯度方向上所拥有的两个像素的梯度强度;
将目前像素的梯度强度同一时刻和其它两个像素作类比,当发现目前像素最大,那么当前像素点可以保存,并且可以作为边缘点,如果结果并非如此,那么当前像素点就被抑制;
抑制处理后的图像利用高阈值和低阈值来确定实际存在和隐藏起来的边缘,假设图像整个灰度级为[0,L-1],灰度级低于s的像素点构成B0类,即灰度级为[0,s]的像素点归为B0类,灰度级为[s+1,L-1]的像素点为B1类,公式为
利用高阈值和低阈值得到预处理的图像中各个圆饼边缘,获得预处理的图像中各个圆饼标记的边缘坐标。
4.根据权利要求2所述的方法,其特征在于,将图像坐标转化为绝对坐标,采用外旋法计算某一个圆饼的面积和中心点坐标,然后计算某段边坡的所有圆饼的面积和中心点坐标,包括
通过已知的定位标识,确定定位标识的图像坐标和绝对坐标在x方向上的差值为A,在y方向上的差值为B,则有图像坐标和绝对坐标之间的关系为X=x+A,Y=y+B,(x,y)为图像坐标,(X,Y)为绝对坐标;
对整幅图像的某个圆饼以前一次检测出的圆饼中心点坐标开始向外旋转式扫描,若为首次检测,则以初始状态圆饼中心点坐标开始向外旋转式扫描;
依次检查每一个像素点的灰度值,若灰度值为255就记录该点,若灰度值为0就舍去该点;
对这个圆饼的扫描直到某层被检测的所有像素点的灰度值全部为0时扫描完成;
计算一共记录点的总数,该点的总数为此圆饼的面积;
将所有记录点的灰度值设置为0;
直到扫描完毕整幅图像中所有圆饼直到遍历完整图像。
5.基于图像智能识别的边坡监测装置,其特征在于,所述装置包括:
采集标记单元,用于采集已被标记的边坡图像;
图像预处理单元,用于对已被标记的边坡图像进行预处理;
边缘检测单元,用于将已经预处理的图像采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标;
计算单元,用于将图像坐标转化为绝对坐标,采用外旋法计算某一个圆饼的面积和中心点坐标,然后计算某段边坡的所有圆饼的面积和中心点坐标;
警报单元,用于个体变化率和总体变化率计算,根据数据库内多次边坡滑坡实验结果事先设定的阈值,若个体变化率与总体变化率中任何有一个超过阈值发出告警。
6.根据权利要求5所述的装置,其特征在于,采集标记单元,用于采集已被标记的边坡图像,包括
边坡上涂刷红色圆饼状油漆;
将涂刷的数个圆饼刷成N行N列的网格状,网格状的圆饼均匀分布于整个需检测的边坡;
网格状圆饼的空隙使用红色油漆涂刷两个正方形,此为定位标识,对此定位标识的坐标进行测量并且测量定位标识到每一个圆饼的距离;
每隔预设时间采集一下此时边坡图像。
7.根据权利要求5所述的装置,其特征在于,边缘检测单元,用于将已经预处理的图像采用Canny算子进行边缘检测,获得预处理的图像中各个圆饼标记的边缘坐标,包括
对预处理的图像进行第一次滤波,滤波公式为
采用四个方向的梯度模板作为边缘梯度算子对混合滤波器进行平滑处理后的图像进行检测,在像素8邻域内计算x方向、y方向、45°方向和135°方向的梯度幅值,四个方向下的偏导数数学表达式如下:
对计算后的梯度图像的比较的一个是目前像素所拥有的梯度强度,另一个是与沿正负梯度方向上所拥有的两个像素的梯度强度;
将目前像素的梯度强度同一时刻和其它两个像素作类比,当发现目前像素最大,那么当前像素点可以保存,并且可以作为边缘点,如果结果并非如此,那么当前像素点就被抑制;
抑制处理后的图像利用高阈值和低阈值来确定实际存在和隐藏起来的边缘,假设图像整个灰度级为[0,L-1],灰度级低于s的像素点构成B0类,即灰度级为[0,s]的像素点归为B0类,灰度级为[s+1,L-1]的像素点为B1类,公式为
利用高阈值和低阈值得到预处理的图像中各个圆饼边缘,获得预处理的图像中各个圆饼标记的边缘坐标。
8.根据权利要求6所述的装置,其特征在于,计算单元,用于将图像坐标转化为绝对坐标,采用外旋法计算某一个圆饼的面积和中心点坐标,然后计算某段边坡的所有圆饼的面积和中心点坐标,包括
通过已知的定位标识,确定定位标识的图像坐标和绝对坐标在x方向上的差值为A,在y方向上的差值为B,则有图像坐标和绝对坐标之间的关系为X=x+A,Y=y+B,(x,y)为图像坐标,(X,Y)为绝对坐标;
对整幅图像的某个圆饼以前一次检测出的圆饼中心点坐标开始向外旋转式扫描,若为首次检测,则以初始状态圆饼中心点坐标开始向外旋转式扫描;
依次检查每一个像素点的灰度值,若灰度值为255就记录该点,若灰度值为0就舍去该点;
对这个圆饼的扫描直到某层被检测的所有像素点的灰度值全部为0时扫描完成;
计算一共记录点的总数,该点的总数为此圆饼的面积;
将所有记录点的灰度值设置为0;
直到扫描完毕整幅图像中所有圆饼直到遍历完整图像。
9.电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
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如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211195796.1A CN115564725A (zh) | 2022-09-29 | 2022-09-29 | 基于图像智能识别的边坡监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211195796.1A CN115564725A (zh) | 2022-09-29 | 2022-09-29 | 基于图像智能识别的边坡监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564725A true CN115564725A (zh) | 2023-01-03 |
Family
ID=84743589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211195796.1A Pending CN115564725A (zh) | 2022-09-29 | 2022-09-29 | 基于图像智能识别的边坡监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564725A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843909A (zh) * | 2023-05-12 | 2023-10-03 | 国家电网有限公司华东分部 | 电力线提取方法及装置、存储介质、计算机设备 |
-
2022
- 2022-09-29 CN CN202211195796.1A patent/CN115564725A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843909A (zh) * | 2023-05-12 | 2023-10-03 | 国家电网有限公司华东分部 | 电力线提取方法及装置、存储介质、计算机设备 |
CN116843909B (zh) * | 2023-05-12 | 2024-03-08 | 国家电网有限公司华东分部 | 电力线提取方法及装置、存储介质、计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vasuki et al. | Semi-automatic mapping of geological Structures using UAV-based photogrammetric data: An image analysis approach | |
CN108230375B (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
WO2019126972A1 (zh) | 基于InSAR的形变信息提取方法、终端及存储介质 | |
CN109035292A (zh) | 基于深度学习的运动目标检测方法及装置 | |
CN116756836B (zh) | 一种隧道超欠挖体积计算方法、电子设备及存储介质 | |
CN107909192A (zh) | 土壤重金属含量的估测方法及装置 | |
Yu et al. | Structural state estimation of earthquake-damaged building structures by using UAV photogrammetry and point cloud segmentation | |
CN115564725A (zh) | 基于图像智能识别的边坡监测方法及装置 | |
Fekete et al. | Tree segmentation and change detection of large urban areas based on airborne LiDAR | |
Li et al. | A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces | |
Tao et al. | Mapping tropical forest trees across large areas with lightweight cost-effective terrestrial laser scanning | |
Motayyeb et al. | Fusion of UAV-based infrared and visible images for thermal leakage map generation of building facades | |
CN107316296A (zh) | 一种基于对数变换的遥感图像变化检测方法及装置 | |
CN114155378A (zh) | 采煤沉陷地裂缝自动提取方法、装置及存储介质 | |
Mehrishal et al. | A semi-automatic approach for joint orientation recognition using 3D trace network analysis | |
CN104297753B (zh) | 一种基于自适应缩减算子的导航雷达图像反演海面风向方法 | |
Wondolowski et al. | Experimental evaluation of 3D imaging technologies for structural assessment of masonry retaining walls | |
Li et al. | Crack Segmentation Extraction and Parameter Calculation of Asphalt Pavement Based on Image Processing | |
Mazni et al. | An investigation into real-time surface crack classification and measurement for structural health monitoring using transfer learning convolutional neural networks and Otsu method | |
Guan et al. | Multi-scale asphalt pavement deformation detection and measurement based on machine learning of full field-of-view digital surface data | |
Marques et al. | Crater delineation by dynamic programming | |
Chen et al. | Rock discontinuities characterization from large-scale point clouds using a point-based deep learning method | |
Shan et al. | Feasibility of Accurate Point Cloud Model Reconstruction for Earthquake‐Damaged Structures Using UAV‐Based Photogrammetry | |
Li et al. | Automated bridge crack detection based on improving encoder–decoder network and strip pooling | |
CN105631849A (zh) | 多边形目标的变化检测方法及装置 |
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 |