CN115564771B - 一种基于建筑物基柱的混凝土裂纹识别方法 - Google Patents
一种基于建筑物基柱的混凝土裂纹识别方法 Download PDFInfo
- Publication number
- CN115564771B CN115564771B CN202211438711.8A CN202211438711A CN115564771B CN 115564771 B CN115564771 B CN 115564771B CN 202211438711 A CN202211438711 A CN 202211438711A CN 115564771 B CN115564771 B CN 115564771B
- Authority
- CN
- China
- Prior art keywords
- crack
- suspected
- convolution
- value
- acquiring
- 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
Links
- 239000004567 concrete Substances 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 78
- 239000011159 matrix material Substances 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 11
- 208000037656 Respiratory Sounds Diseases 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- -1 and generally Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004575 stone Substances 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于建筑物基柱的混凝土裂纹识别方法，该方法包括：获取待检测建筑物基柱的混凝土表面图像，获取疑似裂纹像素点，获取疑似裂纹连通域，并获取疑似裂纹连通域的纹理杂乱度，获取疑似裂纹连通域的特征指标值，获取疑似裂纹连通域中的真实裂纹连通域，本发明通过自适应获取卷积尺寸，然后精确获取疑似裂纹像素点，然后对疑似裂纹连通域的纹理复杂度和特征的分析，实现真实裂纹区域进行准确识别。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于建筑物基柱的混凝土裂纹识别方法。
背景技术
混凝土是指由胶凝材料将集料胶结成整体的工程复合材料的统称，通常讲的混凝土是指用水泥作胶凝材料，砂、石作集料；其与水（可含外加剂和掺合料）按一定比例配合，经搅拌而得的水泥混凝土，也称普通混凝土，它广泛应用于工业与民用建筑、水利与海洋工程以及农林与城市建设等领域。
在建筑领域，混凝土是极为常见的一种材料，但是许多混凝土结构在建筑与使用过程中出现了不同程度、不同形式的裂纹，在建筑物的基柱上如果出现混凝土裂纹时，这不仅影响建筑物的外观，同时将会对建筑物的正常使用和结构的耐久性造成特别大的影响，因此，需要对混凝土裂纹进行识别，以便后续修复。
传统对建筑物基柱的混凝土表面进行裂纹检测识别，多为人工检测或者是基于图像通过边缘检测算子进行裂纹区域的提取，在基于边缘检测算子进行裂纹区域提取时，受混凝土表面纹理信息影响，无法根据混凝土表面的实际情况进行裂纹的识别，进而导致裂纹识别不准确。
发明内容
本发明提供一种基于建筑物基柱的混凝土裂纹识别方法，以解决现有的裂纹识别不准确的问题。
本发明的一种基于建筑物基柱的混凝土裂纹识别方法采用如下技术方案：
获取待检测建筑物基柱的混凝土表面图像；
构建不同方向上的卷积模板；利用不同方向上的卷积模板对混凝土表面图像中的像素点与其邻域像素点进行卷积处理获取在像素点对应方向上的卷积值；
根据卷积值获取结构矩阵，获取结构矩阵的两个特征值，根据两个特征值获取像素点中的疑似裂纹像素点；
根据疑似裂纹像素点得到疑似裂纹连通域，获取疑似裂纹连通域的纹理杂乱度；
过疑似裂纹连通域内每个疑似裂纹像素点作垂直于疑似裂纹连通域的垂线，获取每个疑似裂纹像素点与其所在垂线上的第一个非疑似裂纹像素点的灰度差值，将所有差值的和值作为疑似裂纹连通域的特征指标值；
根据每个疑似裂纹连通域对应的特征指标值及纹理杂乱度获取疑似裂纹连通域中的真实裂纹连通域。
优选的，获取像素点在不同方向上的卷积值包括：
设定初始卷积尺寸；
以每个像素点为中心像素点，获取中心点在不同邻域大小下对应的邻域范围，其中，初始邻域范围与初始卷积尺寸相同；
根据每个邻域范围内像素点与邻域范围内中心像素点的灰度差值获取每个邻域范围的梯度指标；
按照邻域范围的大小从小到大进行排序得到邻域范围集合；
当邻域范围集合内连续且相邻的多个邻域范围对应的梯度指标均小于或者等于预设梯度指标阈值时，则将初始卷积尺寸作为卷积尺寸；
在邻域范围集合内连续且相邻的多个邻域范围对应的梯度指标均大于预设梯度指标阈值时，则将初始卷积尺寸的长度加2或者加4得到尺寸作为卷积尺寸；
利用卷积模板与卷积尺寸对应的像素点的邻域范围进行卷积处理获取中心像素点在不同方向上的卷积值。
优选的，每个邻域范围的梯度指标为邻域范围内所有像素点的灰度值与邻域范围内中心像素点的灰度差值的绝对值之和。
优选的，获取像素点中的疑似裂纹像素点包括：
获取两个特征值的绝对值及两个绝对值中的最大绝对值和最小绝对值；
设定绝对值的第一阈值和第二阈值，且第一阈值小于第二阈值；
当最大绝对值大于第二阈值，且最小绝对值小于第一阈值时，则两个特征值对应的结构矩阵所对应的像素点为疑似裂纹像素点。
优选的，获取疑似裂纹连通域的纹理杂乱度包括：
获取疑似裂纹连通域中每个疑似裂纹像素点所在的疑似裂纹轮廓处的曲率，并得到曲率方差；
对疑似裂纹连通域内疑似裂纹像素点的进行直线拟合得到拟合直线；
根据拟合直线上的疑似裂纹像素点数量、疑似裂纹连通域内疑似裂纹像素点的数量、曲率方差获取疑似裂纹连通域的纹理杂乱度。
优选的，构建不同方向上的卷积模板包括：
获取二维高斯模型在x方向上的二阶偏导卷积模板；
获取二维高斯模型在y方向上的二阶偏导卷积模板；
获取二维高斯模型在xy方向上的混合偏导卷积模板；
获取二维高斯模型在yx方向上的混合偏导卷积模板；
其中，xy方向上对应的混合偏导卷积模板与yx方向上对应的混合偏导卷积模板相同。
优选的，获取疑似裂纹连通域中的真实裂纹连通域包括：
获取每个疑似裂纹连通域对应的纹理杂乱度与特征指标值的乘积；
根据每个疑似裂纹连通域对应的纹理杂乱度与特征指标值获取疑似裂纹连通域的裂纹真实度；
根据预设的真实度阈值与裂纹真实度获取疑似裂纹连通域中的真实裂纹连通域。
优选的，疑似裂纹连通域的裂纹真实度的计算公式为：
式中，表示疑似裂纹连通域的裂纹真实度；
表示疑似裂纹连通域的纹理杂乱度；
表示疑似裂纹连通域的特征指标值；
表示自然常数。
优选的，还包括：
获取每个真实裂纹连通域的面积、真实裂纹连通域内所有像素点的第一灰度均值；
获取真实裂纹连通域内非裂纹像素点的第二灰度均值；
获取第一灰度均值与第二灰度均值的差值绝对值；
对真实裂纹连通域的面积与差值绝对值的乘积进行归一化得到归一化值；
将1减去归一化值作为真实裂纹连通域对应的裂纹程度；
根据每个真实裂纹连通域对应的裂纹程度与预设的裂纹程度阈值判断是否对建筑物基柱的混凝土表面的裂纹进行修复。
本发明的一种基于建筑物基柱的混凝土裂纹识别方法的有益效果是：
1、通过自适应获取卷积尺寸，然后根据自适应获取的卷积尺寸实现对每个像素点的邻域的灰度变化的进行分析，进而实现了对像素点的结构特征精确判断，以利用像素点对应的结构矩阵的特征值将疑似裂纹像素点从像素点中精确确定出来；由于，传统的边缘检测技术，受图像纹理的影响，故基于疑似裂纹像素点构成的疑似裂纹连通域对疑似裂纹连通域进行纹理分析来获得疑似裂纹连通域的纹理复杂度，同时结合纹理复杂度与实际裂纹区域的灰度值和正常区域的灰度值的区别对疑似裂纹连通域进行分析，从而从疑似裂纹连通域中获取真实裂纹连通域，实现了对建筑物基柱的混凝土上的真实裂纹区域进行准确识别。
2、在卷积处理时，采用自适应获取卷积尺寸的方式，避免了卷积处理过程中窗口尺寸过大出现的细节结构信息丢失的问题；同时避免了窗口过小时，基于较小窗口内的局部信息对待分析像素点的结构进行分析时将会出现误判的问题，即实现了疑似裂纹像素点的精确确定，以便后续精确提取裂纹区域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于建筑物基柱的混凝土裂纹识别方法的实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种基于建筑物基柱的混凝土裂纹识别方法的实施例，如图1所示，该方法包括：
S1、获取待检测建筑物基柱的混凝土表面图像；
具体的，本实施例中利用图像采集设备对建筑物基柱的混凝土表面进行混凝土表面图像的采集，其中，图像采集设备在实际应用场景中可以是安装的现有摄像头，实施者可根据实际情况自行选择图像采集设备，本实施例利用摄像头对混凝土表面进行混凝土表面图像采集，摄像头的具体部署及视角实施者可根据实际情况自行设定，同时，为保证对混凝土裂纹状况的全面识别，对混凝土表面图像的全面采集，实施者可以设置不同视角的多个摄像头完成对待检测建筑物基柱的混凝土表面图像进行采集，得到待检测建筑物基柱的混凝土表面图像。
需要说明的是，为了避免噪声数据对混凝土表面裂纹识别的影响，本实施例还可以对得到混凝土表面图像进行去噪预处理，从而避免噪声数据对混凝土表面裂纹识别的影响，为提高后续对混凝土裂纹检测的精度，并将去噪预处理后的混凝土表面图像作为后续检测混凝土裂纹的图像。
S2、获取疑似裂纹像素点；
由于，在进行卷积处理时，每个像素点对应位置处的卷积值即可表征图像中该位置处像素点的灰度值的二阶变化，考虑到高斯模型的特性可以将待分析像素点周围的像素点的信息都包含在内，以便准确分析待分析像素点在各个方向的特征变化。
故，构建不同方向上的卷积模板，具体的，本实施例中，获取二维高斯模型在x方向上的二阶偏导卷积模板；获取二维高斯模型在y方向上的二阶偏导卷积模板；获取二维高斯模型在xy方向上的混合偏导卷积模板；获取二维高斯模型在yx方向上的混合偏导卷积模板；其中，xy方向上对应的混合偏导卷积模板与yx方向上对应的混合偏导卷积模板相同。
其中，在x方向上的二阶偏导卷积模板为：
在y方向上的二阶偏导卷积模板为：
在xy方向上对应的混合偏导卷积模板与yx方向上对应的混合偏导卷积模板为：
式中，表示尺度因子，实施者可自行设置，本实施例尺度因子取2；
表示像素点的横坐标；
表示像素点的纵坐标；
表示二维高斯模型在方向上对应的混合偏导卷积模板；
表示二维高斯模型在方向上对应的混合偏导卷积模板和方向上对应的混合偏导卷积模板；
表示二维高斯模型在方向上对应的混合偏导卷积模板，需要说明的是卷积模板即为卷积处理时的卷积核，获取卷积模板的过程为现有技术，本实施例不再赘述；
具体的，基于得到的二维高斯模型在不同方向上的卷积模板对混凝土表面图像中的像素点与其邻域像素点进行卷积处理获取在像素点对应方向上的卷积值。
由于传统的卷积尺寸是根据人为经验自行设定，该方法没有根据混凝土图像中待分析像素点的实际情况以及待分析像素点的实际局部特征进行自适应调节，具有较大的主观性，从而会影响待分析像素点结构特征的判断精度，即当所选卷积尺寸过大时，将会出现细节结构信息丢失的情况；卷积尺寸过小时，考虑到实际裂纹会存在一定的宽度，如果窗口过小基于较小窗口内的局部信息对待分析像素点的结构进行分析时将会出现误判的情况。
故，为了避免待分析像素点结构特征的判断精度，本实施例将基于待分析像素点的局部梯度指标信息对卷积尺寸进行设定，具体的，在进行卷积处理时，先获取卷积尺寸，即先设定初始卷积尺寸，本实施例以大小尺寸为初始卷积尺寸，以每个像素点为中心像素点，获取中心点在不同邻域大小下对应的邻域范围，其中，初始邻域范围与初始卷积尺寸相同；根据每个邻域范围内像素点与邻域范围内中心像素点的灰度差值获取每个邻域范围的梯度指标，其中，邻域范围的梯度指标为邻域范围内所有像素点的灰度值与邻域范围内中心像素点的灰度差值的绝对值之和；按照邻域范围的大小从小到大进行排序得到邻域范围集合；当邻域范围集合内连续且相邻的多个邻域范围对应的梯度指标均小于或者等于预设梯度指标阈值时，则将初始卷积尺寸作为卷积尺寸，本实施例中，梯度指标阈值取5，实施者也可自行设定梯度指标阈值，以邻域范围集合内连续且相邻的3个邻域范围对应的梯度指标均小于或者等于预设梯度指标阈值时，则将初始卷积尺寸作为卷积尺寸；在邻域范围集合内连续且相邻的3个邻域范围对应的梯度指标均大于预设梯度指标阈值时，则将初始卷积尺寸的长度加2或者加4得到尺寸作为卷积尺寸，即尺寸作为卷积尺寸或者尺寸作为卷积尺寸，即认为在尺寸或者尺寸对应的局部范围内的邻域像素点足以用于分析尺寸或者尺寸的中心像素点的局部灰度变化状况，从而避免窗口尺寸过大导致计算量加大的问题，即本实施例的自适应获取卷积尺寸的方法，避免人为设置卷积尺寸的主观性，在一定程度上提高待分析像素点的结构特征的判定精度，同时降低系统计算量。
具体的，根据不同方向的卷积模板与卷积尺寸对应的像素点的邻域范围进行卷积处理获取中心像素点在不同方向上的卷积值，即将像素点作为待分析像素点，则像素点在不同方向上的卷积值为：在方向上对应的卷积值；在方向上对应的卷积值，在方向上对应的卷积值，在方向上对应的卷积值；其中，为以像素点k为中心的邻域范围窗口，为像素点的位置坐标。
具体的，根据卷积值获取结构矩阵：结构矩阵具体为：，并计算结构矩阵的第一特征值、第二特征值，特征值也即在特征向量所对应的方向上像素点灰度梯度的变化程度，然后得到两个特征值的绝对值、，当第一特征值、第二特征值都特别小时，将认为待分析像素点的局部灰度几乎不存在变化；当第一特征值、第二特征值都特别大时，将认为待分析像素点每个方向的灰度变化都较大，因此，本发明设置设定绝对值的第一阈值为0.1和第二阈值为10，且第一阈值小于第二阈值，当时，本发明中，则认为该待分析像素点处于变化较为平缓的区域，处于亮度值分布均匀的混凝土图像中，该点不可能为裂纹像素点；当时，本发明中，则认为该待分析像素点在各个方向上的亮度变化都较大，也即该待分析像素点与局部范围内像素点的相似度低，对应待分析像素点为孤立点的结构特征；当待分析像素点结构矩阵的两个特征值得绝对值满足，待分析像素点在绝对值大的特征值所对应特征向量的方向上的亮度变化程度较高，在绝对值小的特征值所对应的特征向量的方向上的亮度变化程度小，也即待分析像素点在混凝土图像中为线状的结构特征，将满足该情况时的待分析像素点为疑似裂纹像素点，即初步实现对疑似裂纹像素点提取。
S3、获取疑似裂纹连通域，并获取疑似裂纹连通域的纹理杂乱度；
基于步骤S2获取混凝土图像中像素点的结构特征矩阵，实现了对疑似裂纹像素点的初步提取，然后基于疑似裂纹像素点来获取疑似裂纹连通域，考虑到混凝土表面的正常纹理极易被误认为是裂纹区域，为提高建筑物基柱混凝土表面裂纹识别精度，本实施例需要对疑似裂纹连通域的纹理杂乱度进行分析，即获取疑似裂纹连通域中每个疑似裂纹像素点所在的疑似裂纹轮廓处的曲率，并得到曲率方差，曲率的获取为现有技术本实施例不再赘述；对疑似裂纹连通域内疑似裂纹像素点的进行直线拟合得到拟合直线；根据拟合直线上的疑似裂纹像素点数量、疑似裂纹连通域内疑似裂纹像素点的数量、曲率方差获取疑似裂纹连通域的纹理杂乱度，其中，以疑似裂纹连通域为例，疑似裂纹连通域的纹理杂乱度的计算公式为：
式中，为疑似裂纹连通域中疑似裂纹像素点所在的疑似裂纹轮廓处的曲率方差；
为疑似裂纹连通域内处于拟合直线上的疑似裂纹像素点的数量；
为疑似裂纹连通域内所有疑似裂纹像素点的总数量；
需要说明的是，对于裂纹来说，其形态不规则，由于在曲率方差越大时，疑似裂纹连通域内的各个疑似裂纹像素点的曲率变化越杂乱，对应疑似裂纹连通域的形态越不规则，同样的表明不处于拟合直线上的疑似裂纹像素点数量的占比，即越多疑似裂纹像素点不在拟合直线上，越认为对应疑似裂纹连通域的结构越不规律，越能反映其是裂纹：
S4、获取疑似裂纹连通域的特征指标值；
过疑似裂纹连通域内每个疑似裂纹像素点作垂直于疑似裂纹连通域的垂线，获取每个疑似裂纹像素点与其所在垂线上的第一个非疑似裂纹像素点的灰度差值，将所有差值的和值作为疑似裂纹连通域的特征指标值。
具体的，对于疑似裂纹连通域，考虑到当混凝土表面出现裂纹时，视觉上裂纹处较其两边其他区域较暗，也即裂纹处灰度值相对其他正常区域而言较小，因此，本实施例先提取疑似裂纹连通域的特征指标值，用于对疑似裂纹连通域的视觉成像特征进行检测表征，同样的以疑似裂纹连通域为例，疑似裂纹连通域的特征指标值的计算公式为：
式中，为疑似裂纹连通域内所有疑似裂纹像素点的总数量；
为疑似裂纹连通域中的疑似裂纹像素点的灰度值；
表示疑似裂纹连通域中疑似裂纹像素点所在垂线上的第一个非疑似裂纹像素点，需要说明的是，第一个非疑似裂纹像素点为在垂线的两端靠近的疑似裂纹像素点任意一个；
需要说明的是，特征指标值小于零时，将认为疑似裂纹连通域为真实裂纹连通域的可能性越高，当混凝土表面出现裂纹时，视觉上裂纹处较其两边其他区域较暗，也即裂纹处灰度值相对其他正常区域而言较小，即当疑似裂纹像素点的灰度值小于非疑似裂纹像素点的灰度值时，其为真实裂纹的可能性越高。
S5、获取疑似裂纹连通域中的真实裂纹连通域；
根据每个疑似裂纹连通域对应的特征指标值及纹理杂乱度获取疑似裂纹连通域中的真实裂纹连通域。
具体的，获取每个疑似裂纹连通域对应的纹理杂乱度与特征指标值的乘积；根据每个疑似裂纹连通域对应的纹理杂乱度与特征指标值获取疑似裂纹连通域的裂纹真实度；根据预设的真实度阈值与裂纹真实度获取疑似裂纹连通域中的真实裂纹连通域，其中，疑似裂纹连通域的裂纹真实度的计算公式为：
式中，表示疑似裂纹连通域的裂纹真实度；
表示疑似裂纹连通域的纹理杂乱度；
表示疑似裂纹连通域的特征指标值；
表示自然常数；
需要说明的是，对于裂纹来说，其纹理是越杂乱，故纹理杂乱度越大，越能说明其为真实裂纹连通域的可能性越大，对于特征指标值，当混凝土表面出现裂纹时，视觉上裂纹处较其两边其他区域较暗，也即裂纹处灰度值相对其他正常区域而言较小，即当疑似裂纹像素点的灰度值小于非疑似裂纹像素点的灰度值时，其为真实裂纹的可能性越高，故特征指标值在小于0时，对特征指标值取绝对值，特征指标值取绝对值越大越说明其为真实裂纹的可能性越高，当特征指标值在大于或者等于0时，特征指标值越大越不是裂纹，由于，疑似裂纹连通域的裂纹真实度的计算公式将裂纹真实度的值限定于（0,1），故本实施例中设置裂纹真实度阈值为0.5，实施者可自行设置，当疑似裂纹连通域的裂纹真实度高于裂纹真实度阈值时，则对应疑似裂纹连通域为真实裂纹连通域，从而实现对真实裂纹连通域的识别，进而实现精确对裂纹的提取。
为了方便后续的裂纹修复，还包括：获取每个真实裂纹连通域的面积、真实裂纹连通域内所有像素点的第一灰度均值；获取真实裂纹连通域内非裂纹像素点的第二灰度均值；获取第一灰度均值与第二灰度均值的差值绝对值；对真实裂纹连通域的面积与差值绝对值的乘积进行归一化得到归一化值；将1减去归一化值作为真实裂纹连通域对应的裂纹程度；根据每个真实裂纹连通域对应的裂纹程度与预设的裂纹程度阈值判断是否对建筑物基柱的混凝土表面的裂纹进行修复，具体的，真实裂纹连通域对应的裂纹程度的计算公式为：
式中，表示真实裂纹连通域对应的裂纹程度；
表示真实裂纹连通域对应的面积；
表示真实裂纹连通域内所有像素点的第一灰度均值；
表示混凝土表面图像中去除所有真实裂纹连通域之外的其他所有像素点的第二灰度均值。
表示以自然常数为底的指数函数；
需要说明的是，真实裂纹连通域的面积越大，即其与正常区域的灰度均值差异越高，则对应的真实裂纹连通域的裂纹程度越大，对应的裂纹越严重，本实施例中认为裂纹不明显的可以不进行修复，故本实施例设定裂纹程度阈值为0.3，当裂纹程度大于或者等于0.3则对裂纹进行修复，反之，则不进行修复。
本发明公开的一种基于建筑物基柱的混凝土裂纹识别方法，通过自适应获取卷积尺寸，然后根据卷积尺寸实现对每个像素点的邻域的灰度变化的进行分析，进而实现了对像素点的结构特征精确判断，以利用像素点对应的结构矩阵的特征值将疑似裂纹像素点从像素点中精确确定出来，以便后续精确提取裂纹区域；由于，传统的边缘检测技术，受图像纹理的影响，故基于疑似裂纹像素点构成的疑似裂纹连通域对疑似裂纹连通域进行纹理分析来获得疑似裂纹连通域的纹理复杂度，同时结合纹理复杂度与实际裂纹区域的灰度值和正常区域的灰度值的区别来精确区分出疑似裂纹连通域中的真实裂纹连通域，实现了对建筑物基柱的混凝土上的真实裂纹区域进行准确识别。
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 (8)
1.一种基于建筑物基柱的混凝土裂纹识别方法，其特征在于，包括：
获取待检测建筑物基柱的混凝土表面图像；
构建不同方向上的卷积模板；利用不同方向上的卷积模板对混凝土表面图像中的像素点与其邻域像素点进行卷积处理获取在像素点对应方向上的卷积值；
根据卷积值获取结构矩阵，获取结构矩阵的两个特征值，根据两个特征值获取像素点中的疑似裂纹像素点；
根据疑似裂纹像素点得到疑似裂纹连通域，获取疑似裂纹连通域的纹理杂乱度；
过疑似裂纹连通域内每个疑似裂纹像素点作垂直于疑似裂纹连通域的垂线，获取每个疑似裂纹像素点与其所在垂线上的第一个非疑似裂纹像素点的灰度差值，将所有差值的和值作为疑似裂纹连通域的特征指标值；
根据每个疑似裂纹连通域对应的特征指标值及纹理杂乱度获取疑似裂纹连通域中的真实裂纹连通域。
2.根据权利要求1所述的一种基于建筑物基柱的混凝土裂纹识别方法，其特征在于，获取像素点在不同方向上的卷积值包括：
设定初始卷积尺寸；
以每个像素点为中心像素点，获取中心点在不同邻域大小下对应的邻域范围，其中，初始邻域范围与初始卷积尺寸相同；
根据每个邻域范围内像素点与邻域范围内中心像素点的灰度差值获取每个邻域范围的梯度指标；
按照邻域范围的大小从小到大进行排序得到邻域范围集合；
当邻域范围集合内连续且相邻的多个邻域范围对应的梯度指标均小于或者等于预设梯度指标阈值时，则将初始卷积尺寸作为卷积尺寸；
在邻域范围集合内连续且相邻的多个邻域范围对应的梯度指标均大于预设梯度指标阈值时，则将初始卷积尺寸的长度加2或者加4得到尺寸作为卷积尺寸；
利用卷积模板与卷积尺寸对应的像素点的邻域范围进行卷积处理获取中心像素点在不同方向上的卷积值。
3.根据权利要求2所述的一种基于建筑物基柱的混凝土裂纹识别方法，其特征在于，每个邻域范围的梯度指标为邻域范围内所有像素点的灰度值与邻域范围内中心像素点的灰度差值的绝对值之和。
4.根据权利要求1所述的一种基于建筑物基柱的混凝土裂纹识别方法，其特征在于，获取像素点中的疑似裂纹像素点包括：
获取两个特征值的绝对值及两个绝对值中的最大绝对值和最小绝对值；
设定绝对值的第一阈值和第二阈值，且第一阈值小于第二阈值；
当最大绝对值大于第二阈值，且最小绝对值小于第一阈值时，则两个特征值对应的结构矩阵所对应的像素点为疑似裂纹像素点。
5.根据权利要求1所述的一种基于建筑物基柱的混凝土裂纹识别方法，其特征在于，获取疑似裂纹连通域的纹理杂乱度包括：
获取疑似裂纹连通域中每个疑似裂纹像素点所在的疑似裂纹轮廓处的曲率，并得到曲率方差；
对疑似裂纹连通域内疑似裂纹像素点的进行直线拟合得到拟合直线；
根据拟合直线上的疑似裂纹像素点数量、疑似裂纹连通域内疑似裂纹像素点的数量、曲率方差获取疑似裂纹连通域的纹理杂乱度。
6.根据权利要求1所述的一种基于建筑物基柱的混凝土裂纹识别方法，其特征在于，构建不同方向上的卷积模板包括：
获取二维高斯模型在x方向上的二阶偏导卷积模板；
获取二维高斯模型在y方向上的二阶偏导卷积模板；
获取二维高斯模型在xy方向上的混合偏导卷积模板；
获取二维高斯模型在yx方向上的混合偏导卷积模板；
其中，xy方向上对应的混合偏导卷积模板与yx方向上对应的混合偏导卷积模板相同。
7.根据权利要求1所述的一种基于建筑物基柱的混凝土裂纹识别方法，其特征在于，疑似裂纹连通域的裂纹真实度的计算公式为：
式中，表示疑似裂纹连通域的裂纹真实度；
表示疑似裂纹连通域的纹理杂乱度；
表示疑似裂纹连通域的特征指标值；
表示自然常数。
8.根据权利要求1所述的一种基于建筑物基柱的混凝土裂纹识别方法，其特征在于，还包括：
获取每个真实裂纹连通域的面积、真实裂纹连通域内所有像素点的第一灰度均值；
获取真实裂纹连通域内非裂纹像素点的第二灰度均值；
获取第一灰度均值与第二灰度均值的差值绝对值；
对真实裂纹连通域的面积与差值绝对值的乘积进行归一化得到归一化值；
将1减去归一化值作为真实裂纹连通域对应的裂纹程度；
根据每个真实裂纹连通域对应的裂纹程度与预设的裂纹程度阈值判断是否对建筑物基柱的混凝土表面的裂纹进行修复。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211438711.8A CN115564771B (zh) | 2022-11-17 | 2022-11-17 | 一种基于建筑物基柱的混凝土裂纹识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211438711.8A CN115564771B (zh) | 2022-11-17 | 2022-11-17 | 一种基于建筑物基柱的混凝土裂纹识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115564771A CN115564771A (zh) | 2023-01-03 |
| CN115564771B true CN115564771B (zh) | 2023-04-18 |
Family
ID=84769804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211438711.8A Active CN115564771B (zh) | 2022-11-17 | 2022-11-17 | 一种基于建筑物基柱的混凝土裂纹识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115564771B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115984284B (zh) * | 2023-03-21 | 2023-05-19 | 黄海造船有限公司 | 一种用于船舶维护的x射线船体焊缝图像检测方法 |
| CN116310290B (zh) * | 2023-05-23 | 2023-07-21 | 山东中泳电子股份有限公司 | 一种用于游泳触摸板反馈时间修正的方法 |
| CN116402822B (zh) * | 2023-06-09 | 2023-08-11 | 山东建筑大学 | 混凝土结构图像检测方法、装置、电子设备及存储介质 |
| CN116805314B (zh) * | 2023-08-21 | 2023-11-14 | 山东新中鲁建设有限公司 | 一种建筑工程质量评估方法 |
| CN117314905B (zh) * | 2023-11-28 | 2024-01-26 | 山东华汇住宅工业科技有限公司 | 一种基于图像处理的预制楼梯智能检测方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972204A (zh) * | 2022-04-29 | 2022-08-30 | 江苏至卓特种门业科技有限公司 | 一种钢制品表面裂纹检测方法及设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10753881B2 (en) * | 2016-05-27 | 2020-08-25 | Purdue Research Foundation | Methods and systems for crack detection |
| CN108038883B (zh) * | 2017-12-06 | 2021-01-26 | 陕西土豆数据科技有限公司 | 一种应用于公路路面视频图像的裂缝检测及识别方法 |
| CN111145161B (zh) * | 2019-12-28 | 2023-09-19 | 北京工业大学 | 一种路面裂缝数字图像处理和识别的方法 |
| CN113538433B (zh) * | 2021-09-17 | 2021-11-26 | 海门市创睿机械有限公司 | 基于人工智能的机械铸件缺陷检测方法及系统 |
| CN115115603A (zh) * | 2022-07-11 | 2022-09-27 | 曾冬莲 | 基于人工智能的汽车配件飞轮表面检测方法 |
| CN115345885B (zh) * | 2022-10-19 | 2023-12-19 | 南通鹏宝运动用品有限公司 | 一种金属健身器材外观质量检测方法 |
-
2022
- 2022-11-17 CN CN202211438711.8A patent/CN115564771B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972204A (zh) * | 2022-04-29 | 2022-08-30 | 江苏至卓特种门业科技有限公司 | 一种钢制品表面裂纹检测方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115564771A (zh) | 2023-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115564771B (zh) | 一种基于建筑物基柱的混凝土裂纹识别方法 | |
| US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
| CN105654097B (zh) | 图像中四边形标记物的检测方法 | |
| 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 | |
| CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
| CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
| CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
| CN110207592B (zh) | 建筑裂缝测量方法、装置、计算机设备和存储介质 | |
| CN110619146B (zh) | 基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法 | |
| Yamaguchi et al. | Automated crack detection for concrete surface image using percolation model and edge information | |
| CN117274240B (zh) | 一种承台基础混凝土表面裂缝识别方法 | |
| CN108447070A (zh) | 一种基于像素向量不变关系特征的工业零件缺损检测算法 | |
| CN109540925A (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
| CN113096121A (zh) | 基于交叉断裂力学和图像处理的路面裂缝检测方法和系统 | |
| CN115639248A (zh) | 一种用于建筑外墙质量检测的系统及方法 | |
| CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
| 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 | |
| CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
| CN116385440B (zh) | 一种弧形刀片视觉检测方法 | |
| CN108898080B (zh) | 一种基于山脊线邻域评价模型的裂缝连接方法 | |
| CN115965796A (zh) | 一种基于图像识别的金属锈蚀检测方法及系统 | |
| CN108765381B (zh) | 一种水利工程裂纹提取方法及系统、信息处理终端 | |
| CN111080562A (zh) | 一种基于增强图像对比的变电场所悬挂物识别方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231215 Address after: 272500 South Head of Cuiyuan Village, Guolou Town, Wenshang County, Jining City, Shandong Province Patentee after: Jining Chuangrui Building Materials Co.,Ltd. Address before: 272500 Government Station of Guocang Town, Wenshang County, Jining City, Shandong Province (intersection of National Highway 105 and Zhongxing Road) Patentee before: Shandong Shangchen Construction Group Co.,Ltd. |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A concrete crack identification method based on building foundation columns Granted publication date: 20230418 Pledgee: China Postal Savings Bank Limited by Share Ltd. Wenshang County sub branch Pledgor: Jining Chuangrui Building Materials Co.,Ltd. Registration number: Y2024980012406 |