CN116091483A - 一种基于openCV的水库大坝裂缝检测方法 - Google Patents
一种基于openCV的水库大坝裂缝检测方法 Download PDFInfo
- Publication number
- CN116091483A CN116091483A CN202310191088.9A CN202310191088A CN116091483A CN 116091483 A CN116091483 A CN 116091483A CN 202310191088 A CN202310191088 A CN 202310191088A CN 116091483 A CN116091483 A CN 116091483A
- Authority
- CN
- China
- Prior art keywords
- image
- reservoir dam
- reservoir
- dam
- denoised
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000009499 grossing Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims description 7
- 238000003706 image smoothing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06T5/70—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于openCV的水库大坝裂缝检测方法,包括:对水库大坝图像小波去噪得到去噪后的水库大坝图像;对去噪后的水库大坝图像进行图像增强处理得到待训练样本;利用openCV对待训练样本进行训练得到大坝裂缝检测模型;利用大坝裂缝检测模型检测水库大坝图像中的裂缝位置;将检测后的水库大坝图像转换成深度图像;根据深度图像确定水库大坝上的裂缝长度。本发明通过对水库大坝图像进行去噪和增强处理得到待训练样本,然后基于openCV对其进行训练得到裂缝检测模型,可以让检测人员远离危险的水库大坝墙面,在安全处操作图像采集装置即可对整个水库大坝墙面进行裂纹检测,不仅消除了安全隐患,还提高了检测效率。
Description
技术领域
本发明涉及大坝裂缝检测领域,特别是涉及一种基于openCV的水库大坝裂缝检测方法。
背景技术
在我国,水库大坝的数量庞大,相当大一部分都是土石坝,鉴于外界诸多方面因素的不利影响,使得大坝存在不同程度的裂缝和渗漏问题,一旦裂缝出现,极容易引发渗漏问题,影响水库的正常使用,也会对水库下游的生产和生活造成威胁。水库大坝产生裂缝后,外界环境对混凝土的影响比如风化、腐蚀、溶蚀等经裂缝进入到大坝内部,不停对其加以破坏,直至大坝彻底崩溃,危害巨大。
目前对水库大坝裂缝的检测,一般是专业人员采用裂缝测深仪和裂缝测宽仪定期去大坝上检测,然后来判断裂缝的危险等级。但是,大坝一般都有倾斜度,使用人工对水库大坝裂缝进行检测不仅危险还容易出现漏判、误判的现象。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种基于openCV的水库大坝裂缝检测方法。
为实现上述目的,本发明提供了如下方案:
一种基于openCV的水库大坝裂缝检测方法,包括:
获取水库大坝图像;
对所述水库大坝图像进行小波分解得到多个小波系数;
根据水库大坝图像的大小构建小波阈值;
根据小波阈值去除水库大坝图像的噪声得到去噪后的水库大坝图像;
对所述去噪后的水库大坝图像进行图像增强处理得到待训练样本;
利用openCV对所述待训练样本进行训练得到大坝裂缝检测模型;
将水库大坝图像输入到所述大坝裂缝检测模型中进行检测得到水库大坝图像中的裂缝位置;
将检测后的水库大坝图像转换成深度图像;
根据所述深度图像确定水库大坝上的裂缝长度。
优选的,所述根据水库大坝图像的大小构建小波阈值,包括:
采用公式:
λ=σ[2log(M×N)]1/2/(2L-1)
构建小波阈值;其中,λ表示小波阈值,σ表示高斯噪声的方差,M表示水库大坝图像的长度,N表示水库大坝图像的宽度,L表示水库大坝图像的分解尺度。
优选的,所述根据小波阈值去除水库大坝图像的噪声得到去噪后的水库大坝图像,包括:
根据小波阈值构建小波阈值函数;所述小波阈值函数为:
其中,wij为小波系数,sign为符号函数,λ0=0.4λ,λ表示小波阈值,a为自调节参数;
利用所述小波阈值函数去除相应的小波系数得到去噪后的小波系数;
对所述去噪后的小波系数进行重构得到去噪后的水库大坝图像。
优选的,所述对所述去噪后的水库大坝图像进行图像增强处理得到待训练样本,包括:
对所述去噪后的水库大坝图像进行平滑处理得到平滑处理后的水库大坝图像;
对所述平滑处理后的水库大坝图像的灰度区间进行变换得到待训练样本。
优选的,所述对所述去噪后的水库大坝图像进行平滑处理得到平滑处理后的水库大坝图像,包括:
利用图像平滑模型对所述去噪后的水库大坝图像进行平滑处理得到平滑处理后的水库大坝图像;其中,所述图像平滑模型为:
其中,p(x,y)表示平滑处理后的水库大坝图像,q(x,y)表示去噪后的水库大坝图像在(x,y)处的像素值,α表示可调系数。
优选的,所述对所述平滑处理后的水库大坝图像的灰度区间进行变换得到待训练样本,包括:
利用非线性变换的方法对所述平滑处理后的水库大坝图像的灰度区间进行变换得到待训练样本;其中,非线性变换公式为:
g(x,y)=klog(1+|f(x,y)|)
式中,g(x,y)表示非线性变换后的水库大坝图像在(x,y)处的像素值,k表示自调节系数,f(x,y)表示平滑处理后的水库大坝图像在(x,y)处的像素值。
优选的,所述根据所述深度图像确定水库大坝上的裂缝长度,包括:
将检测后的水库大坝图像进行二值化得到水库大坝二值图;
提取出水库大坝二值图上裂缝的坐标点;
将相距最远的坐标点之间的距离值作为裂缝的像素长度;
根据水库大坝图像相应的深度图像与所述裂缝的像素长度确定水库大坝实际的裂缝长度。
优选的,所述将检测后的水库大坝图像转换成深度图像,包括:
利用摄像机的内参和外参将检测后的水库大坝图像转换成深度图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于openCV的水库大坝裂缝检测方法,包括:对水库大坝图像进行小波去噪得到去噪后的水库大坝图像;对去噪后的水库大坝图像进行图像增强处理得到待训练样本;利用openCV对待训练样本进行训练得到大坝裂缝检测模型;将水库大坝图像输入到大坝裂缝检测模型中进行检测得到水库大坝图像中的裂缝位置;将检测后的水库大坝图像转换成深度图像;根据深度图像确定水库大坝上的裂缝长度。本发明通过对水库大坝图像进行去噪和增强处理得到待训练样本,然后基于openCV对其进行训练得到大坝裂缝检测模型,可以让检测人员远离危险的水库大坝墙面,在安全处操作图像采集装置即可对整个水库大坝墙面进行裂纹检测,不仅消除了安全隐患,还提高了检测效率。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于openCV的水库大坝裂缝检测方法流程图;
图2为本发明实施例提供的水库大坝图像二值化示意图。
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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤,而是可选地还包括没有列出的步骤,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种基于openCV的水库大坝裂缝检测方法,以解决现有的水坝裂缝检测方法效率低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,一种基于openCV的水库大坝裂缝检测方法,包括:
步骤1:获取水库大坝图像;在实际应用中,本发明可以利用无人机搭配摄像机采集水库大坝图像。
小波变换算法是一种常见的数据处理技术。对水库大坝图像通过一定尺度分解,可产生不同大小的小波系数,其中无噪的水库大坝图像的小波系数与分解尺度成正比,而噪声与分解尺度成反比,基于该特点可对水库大坝图像进行消噪处理,以提高水库大坝图像的成像质量,其具体的去噪过程如下:
步骤2:对所述水库大坝图像进行小波分解得到多个小波系数;
步骤3:根据水库大坝图像的大小构建小波阈值;
进一步的,本发明可采用公式:
λ=σ[2log(M×N)]1/2/(2L-1)
构建小波阈值;其中,λ表示小波阈值,σ表示高斯噪声的方差,M表示水库大坝图像的长度,N表示水库大坝图像的宽度,L表示水库大坝图像的分解尺度。
步骤4:根据小波阈值去除水库大坝图像的噪声得到去噪后的水库大坝图像;
进一步的,步骤4包括:
根据小波阈值构建小波阈值函数;所述小波阈值函数为:
其中,wij为小波系数,sign为符号函数,λ0=0.4λ,λ表示小波阈值,a为自调节参数;
利用所述小波阈值函数去除相应的小波系数得到去噪后的小波系数;
对所述去噪后的小波系数进行重构得到去噪后的水库大坝图像。
步骤5:对所述去噪后的水库大坝图像进行图像增强处理得到待训练样本;
在本发明实施例中,步骤5包括:
对所述去噪后的水库大坝图像进行平滑处理得到平滑处理后的水库大坝图像;
一般来讲,对图像进行去噪后会使大坝的裂缝边缘模糊,因此本发明需要对其进行平滑处理,使裂缝边缘更加清晰。
具体的,利用图像平滑模型对所述去噪后的水库大坝图像进行平滑处理得到平滑处理后的水库大坝图像;其中,所述图像平滑模型为:
其中,p(x,y)表示平滑处理后的水库大坝图像,q(x,y)表示去噪后的水库大坝图像在(x,y)处的像素值,α表示可调系数。
对所述平滑处理后的水库大坝图像的灰度区间进行变换得到待训练样本。
在实际生活中,水库大坝一般为混凝土坝,并且在采集混凝土坝图像时会受光照的影响,因此会造成图像出现亮暗不均的情况,因此需要对水库大坝图像的灰度区间进行变换,以增大背景与裂缝之间的对比度,使目标裂缝特征更加突出。
需要说明的是,本发明可利用非线性变换的方法对所述平滑处理后的水库大坝图像的灰度区间进行变换得到待训练样本;其中,非线性变换公式为:
g(x,y)=klog(1+ f(x,y))
式中,g(x,y)表示非线性变换后的水库大坝图像在(x,y)处的像素值,k表示自调节系数,f(x,y)表示平滑处理后的水库大坝图像在(x,y)处的像素值。
步骤6:利用openCV对所述待训练样本进行训练得到大坝裂缝检测模型;
OpenCV是一个开源的跨平台计算机视觉和机器学习软件库。本发明利用OpenCV完成待训练样本的训练过程,可以很方便的将大坝裂缝检测模型移植到各类平台,便于推广。
步骤7:将水库大坝图像输入到所述大坝裂缝检测模型中进行检测得到水库大坝图像中的裂缝位置;
步骤8:将检测后的水库大坝图像转换成深度图像;在实际应用中,本发明可利用摄像机的内参和外参将检测后的水库大坝图像转换成深度图像。
步骤9:根据所述深度图像确定水库大坝上的裂缝长度。
进一步的,步骤9包括:
将检测后的水库大坝图像进行二值化得到水库大坝二值图;
由于裂缝与背景图具有差异,因此本发明将水库大坝图像进行二值化后,会得到十分明显的裂缝像素点,如图2所示。
提取出水库大坝二值图上裂缝的坐标点;
将相距最远的坐标点之间的距离值作为裂缝的像素长度;
根据水库大坝图像相应的深度图像与所述裂缝的像素长度确定水库大坝实际的裂缝长度。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明通过对水库大坝图像进行去噪和增强处理得到待训练样本,然后基于openCV对其进行训练得到大坝裂缝检测模型,可以让检测人员远离危险的水库大坝墙面,在安全处操作图像采集装置即可对整个水库大坝墙面进行裂纹检测,不仅消除了安全隐患,还提高了检测效率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于openCV的水库大坝裂缝检测方法,其特征在于,包括:
获取水库大坝图像;
对所述水库大坝图像进行小波分解得到多个小波系数;
根据水库大坝图像的大小构建小波阈值;
根据小波阈值去除水库大坝图像的噪声得到去噪后的水库大坝图像;
对所述去噪后的水库大坝图像进行图像增强处理得到待训练样本;
利用openCV对所述待训练样本进行训练得到大坝裂缝检测模型;
将水库大坝图像输入到所述大坝裂缝检测模型中进行检测得到水库大坝图像中的裂缝位置;
将检测后的水库大坝图像转换成深度图像;
根据所述深度图像确定水库大坝上的裂缝长度。
2.根据权利要求1所述的一种基于openCV的水库大坝裂缝检测方法,其特征在于,所述根据水库大坝图像的大小构建小波阈值,包括:
采用公式:
λ=σ[2log(M×N)]12/(2L-1)
构建小波阈值;其中,λ表示小波阈值,σ表示高斯噪声的方差,M表示水库大坝图像的长度,N表示水库大坝图像的宽度,L表示水库大坝图像的分解尺度。
4.根据权利要求3所述的一种基于openCV的水库大坝裂缝检测方法,其特征在于,所述对所述去噪后的水库大坝图像进行图像增强处理得到待训练样本,包括:
对所述去噪后的水库大坝图像进行平滑处理得到平滑处理后的水库大坝图像;
对所述平滑处理后的水库大坝图像的灰度区间进行变换得到待训练样本。
6.根据权利要求5所述的一种基于openCV的水库大坝裂缝检测方法,其特征在于,所述对所述平滑处理后的水库大坝图像的灰度区间进行变换得到待训练样本,包括:
利用非线性变换的方法对所述平滑处理后的水库大坝图像的灰度区间进行变换得到待训练样本;其中,非线性变换公式为:
g(x,y)=klog(1+|f(x,y)|)
式中,g(x,y)表示非线性变换后的水库大坝图像在(x,y)处的像素值,k表示自调节系数,f(x,y)表示平滑处理后的水库大坝图像在(x,y)处的像素值。
7.根据权利要求6所述的一种基于openCV的水库大坝裂缝检测方法,其特征在于,所述根据所述深度图像确定水库大坝上的裂缝长度,包括:
将检测后的水库大坝图像进行二值化得到水库大坝二值图;
提取出水库大坝二值图上裂缝的坐标点;
将相距最远的坐标点之间的距离值作为裂缝的像素长度;
根据水库大坝图像相应的深度图像与所述裂缝的像素长度确定水库大坝实际的裂缝长度。
8.根据权利要求1所述的一种基于openCV的水库大坝裂缝检测方法,其特征在于,所述将检测后的水库大坝图像转换成深度图像,包括:
利用摄像机的内参和外参将检测后的水库大坝图像转换成深度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310191088.9A CN116091483A (zh) | 2023-03-02 | 2023-03-02 | 一种基于openCV的水库大坝裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310191088.9A CN116091483A (zh) | 2023-03-02 | 2023-03-02 | 一种基于openCV的水库大坝裂缝检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116091483A true CN116091483A (zh) | 2023-05-09 |
Family
ID=86202665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310191088.9A Pending CN116091483A (zh) | 2023-03-02 | 2023-03-02 | 一种基于openCV的水库大坝裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091483A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705260A (zh) * | 2017-10-03 | 2018-02-16 | 陈值英 | 医学x光图像的去噪系统 |
CN111260641A (zh) * | 2020-01-21 | 2020-06-09 | 珠海威泓医疗科技有限公司 | 一种基于人工智能的掌上超声成像系统及其方法 |
CN111501543A (zh) * | 2020-04-22 | 2020-08-07 | 河南省交通规划设计研究院股份有限公司 | 一种桥梁表面裂缝检测装置 |
CN112529880A (zh) * | 2020-12-16 | 2021-03-19 | 武汉巨合科技有限公司 | 一种基于双目视觉的大坝图像裂纹检测装置及方法 |
CN112750090A (zh) * | 2020-12-28 | 2021-05-04 | 大连海事大学 | 一种改进小波阈值的水下图像降噪方法及系统 |
CN114677601A (zh) * | 2022-04-12 | 2022-06-28 | 雅砻江流域水电开发有限公司 | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 |
CN114693561A (zh) * | 2022-04-15 | 2022-07-01 | 中科微影(浙江)医疗科技有限公司 | 一种基于卷积神经网络的核磁共振图像处理方法与系统 |
CN114839269A (zh) * | 2022-04-22 | 2022-08-02 | 国网山东省电力公司电力科学研究院 | Gis固体绝缘件内部缺陷应力无损检测方法及装置 |
-
2023
- 2023-03-02 CN CN202310191088.9A patent/CN116091483A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705260A (zh) * | 2017-10-03 | 2018-02-16 | 陈值英 | 医学x光图像的去噪系统 |
CN111260641A (zh) * | 2020-01-21 | 2020-06-09 | 珠海威泓医疗科技有限公司 | 一种基于人工智能的掌上超声成像系统及其方法 |
CN111501543A (zh) * | 2020-04-22 | 2020-08-07 | 河南省交通规划设计研究院股份有限公司 | 一种桥梁表面裂缝检测装置 |
CN111501543B (zh) * | 2020-04-22 | 2022-01-04 | 河南省交通规划设计研究院股份有限公司 | 一种桥梁表面裂缝检测装置 |
CN112529880A (zh) * | 2020-12-16 | 2021-03-19 | 武汉巨合科技有限公司 | 一种基于双目视觉的大坝图像裂纹检测装置及方法 |
CN112750090A (zh) * | 2020-12-28 | 2021-05-04 | 大连海事大学 | 一种改进小波阈值的水下图像降噪方法及系统 |
CN114677601A (zh) * | 2022-04-12 | 2022-06-28 | 雅砻江流域水电开发有限公司 | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 |
CN114693561A (zh) * | 2022-04-15 | 2022-07-01 | 中科微影(浙江)医疗科技有限公司 | 一种基于卷积神经网络的核磁共振图像处理方法与系统 |
CN114839269A (zh) * | 2022-04-22 | 2022-08-02 | 国网山东省电力公司电力科学研究院 | Gis固体绝缘件内部缺陷应力无损检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
李奔 等: "《基于机器视觉的桥梁自动化监测技术及应用》", vol. 1, 北京航空航天大学出版社, pages: 125 - 126 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087274B (zh) | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 | |
Wang et al. | Comparison analysis on present image-based crack detection methods in concrete structures | |
CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
CN109993797B (zh) | 门窗位置检测方法及装置 | |
CN105574533B (zh) | 一种图像特征提取方法和装置 | |
CN107808161A (zh) | 一种基于光视觉的水下目标识别方法 | |
CN111062978B (zh) | 基于频域滤波技术的时空图像测流的纹理识别方法 | |
CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN112288726B (zh) | 一种井下带式输送机带面异物检测方法 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN113971669A (zh) | 应用于管道损伤识别的三维检测系统 | |
CN115601379A (zh) | 一种基于数字图像处理的表面裂纹精确检测技术 | |
Yang et al. | Nonlinear RANSAC with crossline correction: An algorithm for vision-based curved cable detection system | |
CN113899349B (zh) | 海浪参数检测方法、设备及存储介质 | |
CN114359149A (zh) | 基于实时图像边缘增强的坝岸险情视频检测方法及系统 | |
CN117522778A (zh) | 一种空心砖瑕疵检测系统 | |
CN116309447B (zh) | 一种基于深度学习的水坝斜坡裂缝检测方法 | |
CN104809733A (zh) | 一种古建墙壁受污题记文字图像边缘提取方法 | |
CN116091483A (zh) | 一种基于openCV的水库大坝裂缝检测方法 | |
CN103530636A (zh) | 一种基于Snakes模型的提取SAR图像目标轮廓方法 | |
CN104102911A (zh) | 一种基于aoi的子弹表观缺陷检测系统的图像处理算法 | |
CN109035306B (zh) | 动目标自动检测方法及装置 | |
CN111127450A (zh) | 一种基于图像的桥梁裂缝检测方法及系统 | |
CN115841632A (zh) | 输电线路提取方法、装置以及双目测距方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230509 |