CN115775234A - 混凝土试块的检测方法及设备 - Google Patents
混凝土试块的检测方法及设备 Download PDFInfo
- Publication number
- CN115775234A CN115775234A CN202211481276.7A CN202211481276A CN115775234A CN 115775234 A CN115775234 A CN 115775234A CN 202211481276 A CN202211481276 A CN 202211481276A CN 115775234 A CN115775234 A CN 115775234A
- Authority
- CN
- China
- Prior art keywords
- image
- mask
- feature
- points
- determining
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种混凝土试块的检测方法及设备,属于混凝土试块技术管理领域。其包括:通过获取混凝土试块的凝固前的第一图像和凝固后的第二图像;分别对第一图像和第二图像进行预处理,得到第一图像对应的第一掩膜图和第二图像对应的第二掩膜图;分别确定第一掩膜图的特征检测范围和第二掩膜图的特征检测范围;基于特征检测范围,分别确定所述第一掩膜图的特征点和所述第二掩膜图的特征点;基于特征点,确定出第一掩膜图与第二掩膜图的差异点;可以解决以人工的形式检测混凝土试块,需要花费大量的时间和人力,存在混凝土试块检测效率较低的问题;可以提高混凝土试块检测的效率。
Description
技术领域
本申请属于混凝土试块技术管理领域,具体涉及一种混凝土试块的检测方法及设备。
背景技术
建筑工程施工的混凝土试块送检,是指取样后将混凝土试块从现场移交有检测资格的单位承检的过程。如果送检的混凝土块质量较差,现场制作的混凝土块则不满足质检要求。为防止施工单位人员预先把在混凝土企业提前做好的质量好的试块与现场制作的质量差的试块进行调换,需要对混凝土试块进行检测。
传统的混凝土试块的检测方法,包括:在混凝土试块凝固前,在混凝土试块上添加预设标记;在对混凝土试块检测前,以人工的形式对混凝土块上的标记进行检测。
然而,以人工的形式检测混凝土试块,需要花费大量的时间和人力,存在混凝土试块检测效率较低的问题。
发明内容
本申请提供了混凝土试块的检测方法及设备,可以解决以人工的形式检测混凝土试块,需要花费大量的时间和人力,存在混凝土试块检测效率较低的问题。本申请提供如下技术方案:
第一方面,提供了一种混凝土试块的检测方法,包括:获取混凝土试块的凝固前的第一图像和凝固后的第二图像;分别对所述第一图像和所述第二图像进行预处理,得到所述第一图像对应的第一掩膜图和所述第二图像对应的第二掩膜图;分别确定所述第一掩膜图的特征检测范围和所述第二掩膜图的特征检测范围;基于所述特征检测范围,分别确定所述第一掩膜图的特征点和所述第二掩膜图的特征点;基于所述特征点,确定出所述第一掩膜图与所述第二掩膜图的差异点。
可选地,所述混凝土试块上包括二维码;所述分别对所述第一图像和所述第二图像进行预处理,得到所述第一图像对应的第一掩膜图和所述第二图像对应的第二掩膜图之前,还包括:
分别读取所述第一图像和所述第二图像中的二维码的内容;
计算所述第一图像中的二维码内容与所述第二图像中的二维码内容的相似度。
可选地,所述分别对所述第一图像和所述第二图像进行预处理,得到所述第一图像对应的第一掩膜图和所述第二图像对应的第二掩膜图,包括:
分别获取所述第一图像中的二维码的第一位置信息和所述第二图像中的二维码的第二位置信息;
基于所述第一位置信息,将所述第一图像中的二维码去除;
基于所述第二位置信息,将所述第二图像中的二维码去除;
获取所述第一图像的第一像素平均值和所述第二图像的第二像素平均值;
将所述第一图像中的二维码区域用所述第一像素平均值替换;
将所述第二图像中的二维码区域用所述第二像素平均值替换。
可选地,所述分别确定所述第一掩膜图的特征检测范围和所述第二掩膜图的特征检测范围之前,还包括:
分别读提取所述第一图像中的二维码的第一图像特征和所述第二图像中的二维码的第二图像特征;
基于所述第一图像特征和所述第二图像特征,生成所述第一掩膜图与所述第二掩膜图之间的变换矩阵;
基于所述变换矩阵对所述第一掩膜图进行矫正。
可选地,所述基于所述特征检测范围,分别确定所述第一掩膜图的特征点和所述第二掩膜图的特征点,包括:
获取预设的网格尺寸信息;
基于所述网格尺寸信息和所述特征检测范围,将所述第一掩膜图和所述第二掩膜图进行网格划分,得到特征检测网格;
基于所述特征检测网格,分别确定所述第一掩膜图的特征点和所述第二掩膜图的特征点;所述特征检测网格中每一个网格作为一个特征点。
可选地,所述基于所述特征点,确定出所述第一掩膜图与所述第二掩膜图的差异点,包括:
获取预设的距离阈值;
遍历所述第一掩膜图和所述第二掩膜图中的特征点,确定所述第一掩膜图中与所述第二掩膜图中对应的特征点之间的特征向量距离;所述第一掩膜图中的特征点与所述第二掩膜图中的特征点一一对应;
基于所述特征向量距离和所述距离阈值,在所述第一掩膜图和所述第二掩膜图中的特征点中,确定出特征向量距离大于所述距离阈值的特征点作为差异点。
可选地,所述基于所述特征点,确定出所述第一掩膜图与所述第二掩膜图的差异点之后,还包括:
基于所述差异点,确定差异点簇;
获取预设差异点的数量阈值;
在所述差异点簇中,确定出差异点数量大于所述数量阈值的差异点簇,作为目标差异点簇;
确定所述目标差异点簇的中心坐标;
以所述中心坐标为中心,分别在所述第一图像和所述第二图像中确定出差异区域。
可选地,分别对所述第一图像和所述第二图像进行预处理,得到所述第一图像对应的第一掩膜图和所述第二图像对应的第二掩膜图,包括:
分别对所述第一图像和所述第二图像进行灰度化处理,得到所述第一图像和所述第二图像的灰度图像;
基于二值化阈值,对所述灰度图像进行二值化处理,得到二值化图像;
去除所述二值化图像中的黑色噪点,得到所述第一掩膜图和所述第二掩膜图。
可选地,所述基于所述二值化阈值,对灰度图像进行二值化处理,得到二值化图像之前,还包括:
对所述灰度图像进行滤波处理,去除所述灰度图像中的噪声。
第二方面,提供一种电子设备,包括存储器、控制器以及存储在存储器上并可在控制器上运行的计算机程序,所述控制器执行所述计算机程序时实现上述混凝土试块的检测方法的步骤。
本申请的有益效果至少包括:通过获取混凝土试块的凝固前的第一图像和凝固后的第二图像;分别对第一图像和第二图像进行预处理,得到第一图像对应的第一掩膜图和第二图像对应的第二掩膜图;分别确定第一掩膜图的特征检测范围和第二掩膜图的特征检测范围;基于特征检测范围,分别确定所述第一掩膜图的特征点和所述第二掩膜图的特征点;基于特征点,确定出第一掩膜图与第二掩膜图的差异点;可以解决以人工的形式检测混凝土试块,需要花费大量的时间和人力,存在混凝土试块检测效率较低的问题;通过对混凝土试块的凝固前的第一图像和凝固后的第二图像进行处理,得到第一掩膜图和第二掩膜图,并在第一掩膜图和第二掩膜图中确定出特征检测范围,以提取特征点,根据特征点确定出第一掩膜图与第二掩膜图的差异点,以对混凝土试块凝固前和凝固后的图像进行检测,避免了以人工的形式检测混凝土试块,可以提高混凝土试块检测的效率。
另外,在混凝土试块包括二维码的情况下,由于第一图像中的二维码和第二图像中的二维码的特征相似度较高,可以根据第一图像的二维码的图像特征和第二图像的二维码的图像特征,得到单映性变换矩阵,进而通过变换矩阵对第一掩膜图进行矫正,以降低混凝土试块凝固前与凝固后之间的误差,这样,可以提高混凝土试块检测的准确率。
另外,在混凝土试块包括二维码的情况下,可以分别扫描第一图像和第二图像中的二维码,读取二维码的内容,并计算第一图像中的二维码内容与第二图像中的二维码内容的相似度,作为混凝土检测的一个重要指标,可以进一步提高混凝土试块检测的准确率。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本申请的一些实施方式,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是本申请一个实施例提供的混凝土试块的检测方法的流程图;
图2是本申请一个实施例提供的图像的预处理的流程示意图;
图3是本申请一个实施例提供的二维码提取的示意图;
图4是本申请一个实施例提供的特征提取的示意图;
图5是本申请一个实施例提供的差异点的示意图;
图6是本申请一个实施例提供的差异区域的示意图;
图7是本申请一个实施例提供的差异区域的示意图;
图8是本申请一个实施例提供的混凝土试块的检测装置的框图;
图9是本申请一个实施例提供的电子设备的框图。
具体实施方式
下面将结合附图对本申请的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
在本申请中,在未作相反说明的情况下,使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的,或者是针对部件本身在竖直、垂直或重力方向上而言的;同样地,为便于理解和描述,“内、外”是指相对于各部件本身的轮廓的内、外,但上述方位词并不用于限制本申请。
下面对本申请涉及的名词进行解释:
Sift特征:又叫尺度不变特征变换匹配算法,它对于旋转、尺度缩放、亮度变化、视角变换等能保持一定的稳定性,且对于少量物体也可产生大量sift特征,同时还兼顾快速性、独特性和扩招性。Sift特征的提取一般由4个步骤完成:(1)在所有尺度空间内,通过高斯微分函数识别潜在的对尺度和选择不变的兴趣点。(2)在每个候选的位置上,通过一个拟合精细模型来确定位置尺度,以此定位特征点。(3)基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向。(4)在每个特征点周围的邻域内,在选定的尺度上测量图像的局部梯度,这些梯度被变换成一种表示,用于描述特征点。
OpenVc:是一个基于Apache2.0许可(开源)发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作系统上。[1]它轻量级而且高效——由一系列C函数和少量C++类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。
下面对本申请提供的混凝土试块的检测方法进行详细介绍。
如图1所示,本申请的实施例提供一种混凝土试块的检测方法,该方法的实现可依赖于计算机程序,该计算机程序可运行于智能手机、平板电脑、个人电脑等计算机设备或者运行于服务器,本实施例不对该方法的运行主体作限定。该方法至少包括以下几个步骤:
步骤101,获取混凝土试块的凝固前的第一图像和凝固后的第二图像。
本实施例中,第一图像为混凝土试块在凝固前使用摄像设备(例如手机、照相机等)拍摄的图像;相应地,第二图像为混凝土试块在凝固后使用摄像设备拍摄的图像。
步骤102,分别对第一图像和第二图像进行预处理,得到第一图像对应的第一掩膜图和第二图像对应的第二掩膜图。
本实施例中,为了方便后续的图像处理,需要对第一图像和第二图像进行图像预处理。
通过对在实际工地场景下拍摄的混凝土块凝固前的第一图像和凝固后的第二图像进行分析,得到第一图像对应的掩膜图和第二图像对应额定掩膜图,以便于后续的处理中的图像的特征提取。
具体地,分别对第一图像和第二图像进行预处理,得到第一图像对应的第一掩膜图和第二图像对应的第二掩膜图,包括:分别对第一图像和第二图像进行灰度化处理,得到第一图像和第二图像的灰度图像;基于二值化阈值,对灰度图像进行二值化处理,得到二值化图像;去除二值化图像中的黑色噪点,得到第一掩膜图和第二掩膜图。
其中,基于二值化阈值,对灰度图像进行二值化处理,得到二值化图像,包括:将灰度图像分割为至少一块子图像;基于最小误差阈值法确定每块子图像的中心像素点阈值,作为二值化阈值;基于双线性插值法和二值化阈值,确定每块子图像的每个像素点的像素点阈值;在每块子图像中,将像素点阈值大于二值化阈值的像素点作为目标点;将目标点的灰度值设置为255;将目标点以外的其它像素点的灰度值设置为0。
另外,由于直接拍摄得到的第一图像和第二图像存在噪声较多的可能,因此,在对第一图像和第二图像的分析过程中,即,在对第一图像和者第二图像对应的灰度图像进行二值化之前,还需要对第一图像和第二图像对应的灰度图像进行减噪处理。
可选地,基于二值化阈值,对灰度图像进行二值化处理,得到二值化图像之前,还包括:对灰度图像进行滤波处理,去除灰度图像中的噪声。
比如:参考图2,以原图为混凝土试块凝固前的图像,即,第一图像为例;在对第一图像进行灰度话处理,得到灰度图像后,对灰度图像进行高斯滤波处理,以降低第一图像对应的灰度图像的噪声;在灰度图像中包括二维码的情况下,将二维码去除后,将灰度图像二值化,得到二值化图像;将二值化图像中的黑色噪点去除,完成第一图像的预处理。
在混凝土试块包括二维码的情况下,在分别对第一图像和第二图像进行预处理之前,还需要先分别读取第一图像和第二图像中的二维码的内容,并计算读取出的内容的相似度,作为混凝土试块检测的一个重要指标。
具体地,分别对第一图像和第二图像进行预处理,得到第一图像对应的第一掩膜图和第二图像对应的第二掩膜图之前,还包括:分别读取第一图像和第二图像中的二维码的内容;计算第一图像中的二维码内容与第二图像中的二维码内容的相似度。
在第一图像中的二维码内容与第二图像中的二维码内容的相似度低于预设的相似度阈值的情况下,可以确认混凝土试块被调换,混凝土试块的检测不合格。
相应地,在第一图像中的二维码内容与第二图像中的二维码内容的相似度大于或等于预设的相似度阈值的情况下,还需要确定第一掩膜图的特征检测范围和第二掩膜图的特征检测范围,在第一掩膜图的特征检测范围和第二掩膜图的特征检测范围内,分别提取第一掩膜图和第二掩膜图的特征。
另外,在混凝土试块包括二维码的情况下,在将灰度图像二值化之前,还需要在灰度图像中去除二维码。
具体地,分别对所述第一图像和所述第二图像进行预处理,得到第一图像对应的第一掩膜图和所述第二图像对应的第二掩膜图,还包括:分别获取第一图像中的二维码的第一位置信息和第二图像中的二维码的第二位置信息;基于第一位置信息,将第一图像中的二维码去除;基于第二位置信息,将第二图像中的二维码去除;获取第一图像的第一像素平均值和第二图像的第二像素平均值;将第一图像中的二维码区域用第一像素平均值替换;将第二图像中的二维码区域用第二像素平均值替换。
其中,第一位置信息是指第一图像中的二维码在第一图像中的位置坐标;相应地,第二位置信息是指第二图像中的二维码在第二图像中的位置坐标。
本实施例中,通过opencv中的库wechat_qrcode_WeChatQRCode,并加载相关模型完成对二维码的坐标和内容的获取(参考图3),若混凝土块不存在二维码,则不对其进行提取。
步骤103,分别确定第一掩膜图的特征检测范围和第二掩膜图的特征检测范围。
在第一图像和第二图像不包括二维码的情况下,根据第一图像的尺寸信息和第二图像的尺寸信息,分别确定第一掩膜图的特征检测范围和第二掩膜图的特征检测范围。
比如:以第一图像为例,在第一图像的尺寸信息指示的范围为整张第一图像的情况下,将第一图像的特征检测范围为整张第一图像。
在第一图像和第二图像包括二维码的情况下,还需要去掉二维码所在的区域,换言之,在第一图像和第二图像包括二维码的情况下,第一掩膜图的特征检测范围和第二掩膜图的特征检测范围不包括二维码所在的范围。
另外,在第一图像和第二图像包括二维码的情况下,由于第一图像中的二维码和第二图像中的二维码的特征相似度较高,可以根据第一图像的二维码的图像特征和第二图像的二维码的图像特征,得到单映性变换矩阵,进而通过变换矩阵对第一掩膜图进行矫正,以降低混凝土试块凝固前与凝固后之间的误差,这样,可以提高混凝土试块检测的准确率。
其中,二维码的图像特征为Sifi特征。
具体地,分别确定所述第一掩膜图的特征检测范围和所述第二掩膜图的特征检测范围之前,还包括:分别读提取第一图像中的二维码的第一图像特征和所述第二图像中的二维码的第二图像特征;基于第一图像特征和第二图像特征,生成第一掩膜图与第二掩膜图之间的变换矩阵;基于变换矩阵对第一掩膜图进行矫正。
步骤104,基于特征检测范围,分别确定第一掩膜图的特征点和第二掩膜图的特征点。
本实施例中,为了提高特征提取的效率,可以分别将第一掩膜图的特征检测范围和第二掩膜图的特征检测范围按照预设的网格尺寸进行划分,得到若干个子图像,将每个子图像作为特征点进行特征提取,得到每个子图像的Sifi特征(参考图4)。
具体地,基于特征检测范围,分别确定第一掩膜图的特征点和第二掩膜图的特征点,包括:获取预设的网格尺寸信息;基于网格尺寸信息和特征检测范围,将第一掩膜图和第二掩膜图进行网格划分,得到特征检测网格;基于特征检测网格,分别确定第一掩膜图的特征点和第二掩膜图的特征;特征检测网格中每一个网格作为一个特征点。
实际实现时,也可以对整个特征检测范围进行特征提取,以分别在第一掩膜图的特征检测范围内确定第一掩膜图的若干个Sifi特征点,在第二掩膜图的特征检测范围内确定第一掩膜图的若干个Sifi特征点。本实施例不对Sifi特征的提取方式作限定。
步骤105,基于特征点,确定出第一掩膜图与第二掩膜图的差异点。
本实施例中,第一掩膜图中的特征点与第二掩膜图中的特征点一一对应,基于此,可以根据第一掩膜图中的特征点与在第二掩膜图中对应的特征点进行计算,得到特征点之间的特征向量距离。将特征点之间的特征向量距离与预设的距离阈值进行对比,将特征向量距离小于预设的距离阈值的特征点作为第一图像和第二图像的差异点。
比如:参考图5,左侧的图像为混凝土试块凝固前的图像,右侧则为混凝土试块凝固后的图像;在两张图像张包括一一对应的若干个特征检测网格,每个网格可视为一个特征点;在两张图像中,黑色网格为两张图像的差异点。
具体地,基于特征点,确定出第一掩膜图与第二掩膜图的差异点,包括:获取预设的距离阈值;遍历第一掩膜图和第二掩膜图中的特征点,确定第一掩膜图中与第二掩膜图中对应的特征点之间的特征向量距离;第一掩膜图中的特征点与第二掩膜图中的特征点一一对应;基于特征向量距离和距离阈值,在第一掩膜图和第二掩膜图中的特征点中,确定出特征向量距离大于距离阈值的特征点作为差异点。
可选地,确定第一掩膜图中与第二掩膜图中对应的特征点之间的特征向量距离包括:获取预设的向量距离算法;通过向量距离算法计算得到特征向量距离。
其中,向量距离算法为预先设置的用于计算特征向量的距离度量的算法。
可选地,向量距离算法包:欧式距离(Euclidean Distance)算法、余弦相似度(Cosine similarity)算法或者汉明距离(Hamming Distance)算法等,本实施例不对向量距离算法的实现方式作限定。
另外,为了方便用户查看,避免特征检测网格的遮挡,在得到第一图像和第二图像的差异点之后,需要在根据差异点划分出差异区域后,将特征检测网格移除。
具体地,基于特征点,确定出第一掩膜图与第二掩膜图的差异点之后,还包括:基于差异点,确定差异点簇;获取预设差异点的数量阈值;在差异点簇中,确定出差异点数量大于数量阈值的差异点簇,作为目标差异点簇;确定目标差异点簇的中心坐标;以中心坐标为中心,分别在第一图像和第二图像中确定出差异区域。
在一个示例中,参考图6和图7,差异区域可以为圆形,此时,可以将每个目标差异点簇的中心坐标作为圆心,以预设的半径为差异区域的半径划分出圆形的差异区域。
在另一个示例中,差异区域也可以是矩形,此时,每个目标差异点簇的中心坐标可视为矩形的对角线的交点,根据预设的矩形的长与宽划分出矩形的差异区域。
综上所述,本实施例提供的混凝土试块的检测方法,通过获取混凝土试块的凝固前的第一图像和凝固后的第二图像;分别对第一图像和第二图像进行预处理,得到第一图像对应的第一掩膜图和第二图像对应的第二掩膜图;分别确定第一掩膜图的特征检测范围和第二掩膜图的特征检测范围;基于特征检测范围,分别确定所述第一掩膜图的特征点和所述第二掩膜图的特征点;基于特征点,确定出第一掩膜图与第二掩膜图的差异点;可以解决以人工的形式检测混凝土试块,需要花费大量的时间和人力,存在混凝土试块检测效率较低的问题;通过对混凝土试块的凝固前的第一图像和凝固后的第二图像进行处理,得到第一掩膜图和第二掩膜图,并在第一掩膜图和第二掩膜图中确定出特征检测范围,以提取特征点,根据特征点确定出第一掩膜图与第二掩膜图的差异点,以对混凝土试块凝固前和凝固后的图像进行检测,避免了以人工的形式检测混凝土试块,可以提高混凝土试块检测的效率。
另外,在混凝土试块包括二维码的情况下,由于第一图像中的二维码和第二图像中的二维码的特征相似度较高,可以根据第一图像的二维码的图像特征和第二图像的二维码的图像特征,得到单映性变换矩阵,进而通过变换矩阵对第一掩膜图进行矫正,以降低混凝土试块凝固前与凝固后之间的误差,这样,可以提高混凝土试块检测的准确率。
另外,在混凝土试块包括二维码的情况下,可以分别扫描第一图像和第二图像中的二维码,读取二维码的内容,并计算第一图像中的二维码内容与第二图像中的二维码内容的相似度,作为混凝土检测的一个重要指标,可以进一步提高混凝土试块检测的准确率。
本实施例提供一种混凝土试块的检测装置,如图8所示。该装置包括至少以下几个模块:图像获取模块810、预处理模块820、范围确定模块830、特征确定模块840以及差异确定模块850。
图像获取模块810,用于获取混凝土试块的凝固前的第一图像和凝固后的第二图像;
预处理模块820,用于分别对第一图像和第二图像进行预处理,得到第一图像对应的第一掩膜图和第二图像对应的第二掩膜图;
范围确定模块830,用于分别确定第一掩膜图的特征检测范围和第二掩膜图的特征检测范围;
特征确定模块840,用于基于特征检测范围,分别确定所述第一掩膜图的特征点和所述第二掩膜图的特征点;
差异确定模块850,用于基于特征点,确定出第一掩膜图与第二掩膜图的差异点。
相关细节参考上述方法实施例。
需要说明的是:上述实施例中提供的混凝土试块的检测装置在进行混凝土试块的检测时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将混凝土试块的检测装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的混凝土试块的检测装置与混凝土试块的检测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本实施例提供一种电子设备,如图9所示。该电子设备至少包括处理器901和存储器902。
处理器901可以包括一个或至少一个处理核心,比如:4核心处理器、8核心处理器等。处理器901可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器901也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器901可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器901还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器902可以包括一个或至少一个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器902还可包括高速随机存取存储器,以及非易失性存储器,比如一个或至少一个磁盘存储设备、闪存存储设备。在一些实施例中,存储器902中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器901所执行以实现本申请中方法实施例提供的混凝土试块的检测方法。
在一些实施例中,电子设备还可选包括有:外围设备接口和至少一个外围设备。处理器901、存储器902和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
当然,电子设备还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,计算机可读存储介质中存储有程序,程序由处理器加载并执行以实现上述方法实施例的混凝土试块的检测方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
显然,上述所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,可以做出其它不同形式的变化或变动,都应当属于本申请保护的范围。
Claims (10)
1.一种混凝土试块的检测方法,其特征在于,所述方法包括:
获取混凝土试块的凝固前的第一图像和凝固后的第二图像;
分别对所述第一图像和所述第二图像进行预处理,得到所述第一图像对应的第一掩膜图和所述第二图像对应的第二掩膜图;
分别确定所述第一掩膜图的特征检测范围和所述第二掩膜图的特征检测范围;
基于所述特征检测范围,分别确定所述第一掩膜图的特征点和所述第二掩膜图的特征点;
基于所述特征点,确定出所述第一掩膜图与所述第二掩膜图的差异点。
2.根据权利要求1所述的方法,其特征在于,所述混凝土试块上包括二维码;所述分别对所述第一图像和所述第二图像进行预处理,得到所述第一图像对应的第一掩膜图和所述第二图像对应的第二掩膜图之前,还包括:
分别读取所述第一图像和所述第二图像中的二维码的内容;
计算所述第一图像中的二维码内容与所述第二图像中的二维码内容的相似度。
3.根据权利要求2所述的方法,其特征在于,所述分别对所述第一图像和所述第二图像进行预处理,得到所述第一图像对应的第一掩膜图和所述第二图像对应的第二掩膜图,包括:
分别获取所述第一图像中的二维码的第一位置信息和所述第二图像中的二维码的第二位置信息;
基于所述第一位置信息,将所述第一图像中的二维码去除;
基于所述第二位置信息,将所述第二图像中的二维码去除;
获取所述第一图像的第一像素平均值和所述第二图像的第二像素平均值;
将所述第一图像中的二维码区域用所述第一像素平均值替换;
将所述第二图像中的二维码区域用所述第二像素平均值替换。
4.根据权利要求2所述的方法,其特征在于,所述分别确定所述第一掩膜图的特征检测范围和所述第二掩膜图的特征检测范围之前,还包括:
分别读提取所述第一图像中的二维码的第一图像特征和所述第二图像中的二维码的第二图像特征;
基于所述第一图像特征和所述第二图像特征,生成所述第一掩膜图与所述第二掩膜图之间的变换矩阵;
基于所述变换矩阵对所述第一掩膜图进行矫正。
5.根据权利要求1所述的方法,其特征在于,所述基于所述特征检测范围,分别确定所述第一掩膜图的特征点和所述第二掩膜图的特征点,包括:
获取预设的网格尺寸信息;
基于所述网格尺寸信息和所述特征检测范围,将所述第一掩膜图和所述第二掩膜图进行网格划分,得到特征检测网格;
基于所述特征检测网格,分别确定所述第一掩膜图的特征点和所述第二掩膜图的特征点;所述特征检测网格中每一个网格作为一个特征点。
6.根据权利要求1所述的方法,其特征在于,所述基于所述特征点,确定出所述第一掩膜图与所述第二掩膜图的差异点,包括:
获取预设的距离阈值;
遍历所述第一掩膜图和所述第二掩膜图中的特征点,确定所述第一掩膜图中与所述第二掩膜图中对应的特征点之间的特征向量距离;所述第一掩膜图中的特征点与所述第二掩膜图中的特征点一一对应;
基于所述特征向量距离和所述距离阈值,在所述第一掩膜图和所述第二掩膜图中的特征点中,确定出特征向量距离大于所述距离阈值的特征点作为差异点。
7.根据权利要求1所述的方法,其特征在于,所述基于所述特征点,确定出所述第一掩膜图与所述第二掩膜图的差异点之后,还包括:
基于所述差异点,确定差异点簇;
获取预设差异点的数量阈值;
在所述差异点簇中,确定出差异点数量大于所述数量阈值的差异点簇,作为目标差异点簇;
确定所述目标差异点簇的中心坐标;
以所述中心坐标为中心,分别在所述第一图像和所述第二图像中确定出差异区域。
8.根据权利要求1所述的方法,其特征在于,分别对所述第一图像和所述第二图像进行预处理,得到所述第一图像对应的第一掩膜图和所述第二图像对应的第二掩膜图,包括:
分别对所述第一图像和所述第二图像进行灰度化处理,得到所述第一图像和所述第二图像的灰度图像;
基于二值化阈值,对所述灰度图像进行二值化处理,得到二值化图像;
去除所述二值化图像中的黑色噪点,得到所述第一掩膜图和所述第二掩膜图。
9.根据权利要求8所述的方法,其特征在于,所述基于二值化阈值,对所述灰度图像进行二值化处理,得到二值化图像之前,还包括:
对所述灰度图像进行滤波处理,去除所述灰度图像中的噪声。
10.一种电子设备,其特征在于,所述设备包括管理器和存储器;所述存储器中存储有程序,所述程序由所述管理器加载并执行以实现如权利要求1至9任一所述的混凝土试块的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211481276.7A CN115775234A (zh) | 2022-11-24 | 2022-11-24 | 混凝土试块的检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211481276.7A CN115775234A (zh) | 2022-11-24 | 2022-11-24 | 混凝土试块的检测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115775234A true CN115775234A (zh) | 2023-03-10 |
Family
ID=85390154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211481276.7A Pending CN115775234A (zh) | 2022-11-24 | 2022-11-24 | 混凝土试块的检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115775234A (zh) |
-
2022
- 2022-11-24 CN CN202211481276.7A patent/CN115775234A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978755B (zh) | 全景图像合成方法、装置、设备与存储介质 | |
CN110008809B (zh) | 表格数据的获取方法、装置和服务器 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN107492091B (zh) | 基于机器视觉的标签外观检测方法及终端设备 | |
CN111259889A (zh) | 图像文本识别方法、装置、计算机设备及计算机存储介质 | |
CN108564082B (zh) | 图像处理方法、装置、服务器和介质 | |
CN108564579B (zh) | 一种基于时空相关的混凝土裂缝检测方法及检测装置 | |
CN111275730A (zh) | 地图区域的确定方法、装置、设备及存储介质 | |
CN108334879B (zh) | 一种区域提取方法、系统及终端设备 | |
CN110660072B (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN111898610B (zh) | 卡片缺角检测方法、装置、计算机设备及存储介质 | |
Liang et al. | An extraction and classification algorithm for concrete cracks based on machine vision | |
CN112053427A (zh) | 一种点云的特征提取方法、装置、设备及可读存储介质 | |
JPH07220090A (ja) | 物体認識方法 | |
CN114723677A (zh) | 图像缺陷检测方法、检测装置、检测设备及存储介质 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN110110697B (zh) | 基于方向矫正的多指纹分割提取方法、系统、设备及介质 | |
Ocampo-Vega et al. | Image processing for automatic reading of electro-mechanical utility meters | |
CN113228105A (zh) | 一种图像处理方法、装置和电子设备 | |
Košcevic et al. | Automatic visual reading of meters using deep learning | |
CN109815763A (zh) | 二维码的检测方法、装置和存储介质 | |
CN113378837A (zh) | 车牌遮挡识别方法、装置、电子设备和存储介质 | |
CN113191189A (zh) | 人脸活体检测方法、终端设备及计算机可读存储介质 | |
CN108564571B (zh) | 图像区域选取方法及终端设备 |
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 |