CN116128849A - 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 - Google Patents
一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116128849A CN116128849A CN202310130458.8A CN202310130458A CN116128849A CN 116128849 A CN116128849 A CN 116128849A CN 202310130458 A CN202310130458 A CN 202310130458A CN 116128849 A CN116128849 A CN 116128849A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- detection result
- underwater
- concrete dam
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种混凝土坝水下裂缝检测方法、装置、设备及存储介质,方法包括:获取混凝土坝水下的表面裂缝图像;对所述表面裂缝图像进行预处理,得到处理后的待检测表面裂缝图像;将所述待检测表面裂缝图像输入至预设的基于检测规则的水下表面裂缝检测模型进行处理,得到第一检测结果;将所述第一检测结果输入至预设的基于模式识别的裂缝检测模型进行处理,得到第二检测结果;将所述第二检测结果输入至预设的自适应阈值模型算法中进行处理,得到目标裂缝检测结果。本发明解决了现有技术中水下裂缝检测方法存在误差大和效率低的技术问题。
Description
技术领域
本发明涉及图像裂缝检测技术领域,具体涉及一种混凝土坝水下裂缝检测方法、装置、电子设备及存储介质。
背景技术
基于目前大坝水库的老化问题十分严重,传统的大坝检测主要是依靠人工检测,人工检测具有精度不高、危险性较大以及浪费人力物力等缺点。随着计算机技术快速发展,图像处理广泛应用于裂缝检测,而大坝水下裂缝检测不同于传统坝面及道路裂缝检测技术,水下裂缝检测更加复杂,大坝水下表面裂缝的图像存在对比度低、光照不均匀、低信噪比、低对比度以及裂缝不规则、不确定性等问题,成像信息残缺模糊,传统图像处理方法不能对大坝水下裂缝进行快速检测和准确描述,存在着效率低和误差大的缺点。
发明内容
本发明的目的在于克服上述技术不足,提供一种混凝土坝水下裂缝检测方法、装置、电子设备及存储介质,解决现有技术中传统水下裂缝检测方法存在误差大和效率低的技术问题。
为达到上述技术目的,本发明采取了以下技术方案:
第一方面,本发明提供了一种混凝土坝水下裂缝检测方法,包括:
获取混凝土坝水下的表面裂缝图像;
对所述表面裂缝图像进行预处理,得到处理后的待检测表面裂缝图像;
将所述待检测表面裂缝图像输入至预设的基于检测规则的水下表面裂缝检测模型进行处理,得到第一检测结果;
将所述第一检测结果输入至预设的基于模式识别的裂缝检测模型进行处理,得到第二检测结果;
将所述第二检测结果输入至预设的自适应阈值模型算法中进行处理,得到目标裂缝检测结果。
在一些实施例中,所述对所述表面裂缝图像进行预处理,至少包括:
对所述表面裂缝图像进行预设的灰度化、滤波和图像增强、图像Gamma校正、图像去噪和图像分割处理,得到待检测表面裂缝图像。
在一些实施例中,所述预设的基于检测规则的水下表面裂缝检测模型用于确定混凝土坝水下裂缝的形状特征规则;所述形状特征规则至少包括面积、深度、分散度、弯曲度、矩形度、长宽比和宽度。
在一些实施例中,所述预设的基于模式识别的裂缝检测模型包括图像特征提取;所述图像特征至少包括裂缝特征、深度特征、环境特征、尺寸特征和材料特征。
在一些实施例中,所述预设的自适应阈值模型算法包括:
确定所述待检测表面裂缝图像的环境特征参数和尺寸特征参数;
根据所述环境特征参数和尺寸特征参数,确定初始分割阈值;
根据所述初始分割阈值,确定初始裂缝区域和初始背景区域;
根据所述初始裂缝区域和初始背景区域的平均灰度值,确定目标分割阈值;
将所述待检测表面裂缝图像中的各个像素与所述目标分割阈值进行比较,确定目标裂缝检测结果。
在一些实施例中,所述目标分割阈值的处理方式可通过如下公式体现:
其中,g(x,y)为经过处理得到的二值化图像,(x,y)为图像的像素点。
在一些实施例中,所述将所述待检测表面裂缝图像中的各个像素与所述目标分割阈值进行比较,确定目标裂缝检测结果之后,还包括:
根据所述目标裂缝检测结果的像素物理尺寸,确定裂缝的宽度。
第二方面,本发明还提供了一种混凝土坝水下裂缝检测装置,包括:
获取模块,用于获取混凝土坝水下的表面裂缝图像;
预处理模块,用于对所述表面裂缝图像进行预处理,得到处理后的待检测表面裂缝图像;
第一检测结果确定模块,用于将所述待检测表面裂缝图像输入至预设的基于检测规则的水下表面裂缝检测模型进行处理,得到第一检测结果;
第二检测结果确定模块,用于将所述第一检测结果输入至预设的基于模式识别的裂缝检测模型进行处理,得到第二检测结果;
目标裂缝检测结果确定模块,用于将所述第二检测结果输入至预设的自适应阈值模型算法中进行处理,得到目标裂缝检测结果。
第三方面,本发明还提供了一种电子设备,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如上所述的混凝土坝水下裂缝检测方法中的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的混凝土坝水下裂缝检测方法中的步骤。
与现有技术相比,本发明提供的混凝土坝水下裂缝检测方法、装置、电子设备及存储介质,首先获取混凝土坝水下的表面裂缝图像,并对表面裂缝图像进行预处理,得到待检测表面裂缝图像,随后通过基于检测规则的水下表面裂缝检测模型对待检测表面裂缝图像进行处理,得到第一检测结果,随后采用基于模式识别的裂缝检测模型对第一检测结果进行处理,得到第二检测结果,确定裂缝图像的特征,最后通过自适应阈值模型算法对第二检测结果进行处理,得到目标裂缝检测结果。本发明通过将基于检测规则的水下表面裂缝检测模型、基于模式识别的裂缝检测模型和自适应阈值模型进行层级连接,并进行实时的水下表面裂缝检测,提高了水下裂缝检测的准确性以及提升了检测效率。
附图说明
图1是本发明提供的混凝土坝水下裂缝检测方法的一实施例的流程图;
图2是本发明提供的混凝土坝水下裂缝检测方法中,图像灰度处理一实施例示意图;
图3是本发明提供的混凝土坝水下裂缝检测方法中,步骤S105一实施例的流程图;
图4是本发明提供的混凝土坝水下裂缝检测装置的一实施例的示意图;
图5是本发明提供的电子设备一实施例的运行环境示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
大坝是我国国民经济的重要基础设施,在防洪、发电和灌溉等方面起到了十分重要的作用。混凝土坝由于长期受环境侵蚀、载荷作用,坝体会出现各种结构性的损伤,影响大坝的安全运行。裂缝是混凝土坝最常见的损伤问题,是影响混凝土坝结构安全和使用寿命的关键因素,也是对结构状态进行评估的一个重要参数,准确检测混凝土坝水下裂缝形态对保障结构安全有着积极作用。以往的检测主要是人工短距离测量,属于接触测量方式,不仅效率低,且存在较大的人为误差,容易受到环境的局限性影响。面对这一情况,有必要探究一种实用性较强且误差较小的非接触式检测方式。
本发明实施例提供一种混凝土坝水下裂缝检测方法,请参阅图1,包括:
S101、获取混凝土坝水下的表面裂缝图像;
S102、对所述表面裂缝图像进行预处理,得到处理后的待检测表面裂缝图像;
S103、将所述待检测表面裂缝图像输入至预设的基于检测规则的水下表面裂缝检测模型进行处理,得到第一检测结果;
S104、将所述第一检测结果输入至预设的基于模式识别的裂缝检测模型进行处理,得到第二检测结果;
S105、将所述第二检测结果输入至预设的自适应阈值模型算法中进行处理,得到目标裂缝检测结果。
在本实施例中,首先获取混凝土坝水下的表面裂缝图像,并对表面裂缝图像进行预处理,得到待检测表面裂缝图像,随后通过基于检测规则的水下表面裂缝检测模型对待检测表面裂缝图像进行处理,得到第一检测结果,随后采用基于模式识别的裂缝检测模型对第一检测结果进行处理,得到第二检测结果,确定裂缝图像的特征,最后通过自适应阈值模型算法对第二检测结果进行处理,得到目标裂缝检测结果。本发明通过将基于检测规则的水下表面裂缝检测模型、基于模式识别的裂缝检测模型和自适应阈值模型进行层级连接,并进行实时的水下表面裂缝检测,提高了水下裂缝检测的准确性以及提升了检测效率。
在一些实施例中,所述对所述表面裂缝图像进行预处理,至少包括对所述表面裂缝图像进行预设的灰度化、滤波和图像增强、图像Gamma校正、图像去噪和图像分割处理,得到待检测表面裂缝图像。
在本实施例中,灰度图像的绘图纸可以量化为256个级别,其中0代表黑色,255代表白色,每幅灰度图像都可以使用1个三阶张量表达,每个像素点灰度值都能使用RGB三分量亮度加权均值计算,具体计算公式如下所示,其中图像灰度矩阵的灰度范围为0-255。其中,Fg(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)。数字化图片内的图像可以详细表示为二维函数,即f(x,y),其中x和y分别代表着图像空间内任意一个点的平面坐标,f指的是任一点的亮度,图像处理就是将二维函数转为离散二维矩阵,对图像像素做出空间域处理,主要体现为以下形式:g(x,y)=T[f(x,y)],公式当中,f(x,y)作为已知目标物原图像物理量,而g(x,y)指的是经过空间域处理的目标物结构物理量,T指的是对f展开处理的算子。
进一步的,预设的滤波算法为线性傅里叶变换法。
进一步的,由于受光照或振动因素影响,裂缝图像会出现偏亮与偏暗的问题,导致对比度比较低,图像灰度分布集中,采取直方图负责统计灰度分布情况,对不同级别的像素相对频率加以表示,达到增强对比度的效果。灰度直方图先调整对比度,再使用原始图像的灰度范围,将其延展为更大区间的极差式分布即可达到增强图像的目的。
进一步的,由于灰度变换后,裂缝图像会出现无效灰度区域,不利于图像的分割处理。因此采用图像Gamma矫正方法,对灰度值做出非线性变化,具体的,可通过如下公式体现变化过程:F(x)=xγ,公式当中,x指的是输入的图像,y指的是幂函数指数,f(x)指的是输出的图像。γ小于1的时候,低灰度值区域变化比较大,而高灰度值区域变化比较小,可增强2区域对比度。图像内的裂缝就是低灰度值区域,背景为高灰度值区域。
进一步的,去除噪声后提取裂缝特征参数,虽然均值与中值滤波可以去除噪声,但会产生模糊现象,以加权中值滤波为基础,使用二分法改造中值滤波。图2为水下表面裂缝灰度图像部分数据,以3×3的窗口形式对图像滤波处理,其中虚线和实线分别代表着当前窗口和向右移动1个像素之后的窗口,经分析发现图像内2个窗口内6个灰度值共用,第1个窗口处理之后使用二分法删除左列灰度值,再将第2个窗口右列灰度值插入窗口,对6个灰度值进行排序,快速对窗口排序并获得像素点中值和均值,通过加权处理。
在一些实施例中,所述预设的基于检测规则的水下表面裂缝检测模型包括确定混凝土坝水下裂缝的形状特征规则,所述形状特征规则至少包括面积、深度、分散度、弯曲度、矩形度、长宽比和宽度。
在本实施例中,通过对裂缝的形状特征进行提取和识别,可以进一步增强裂缝识别的准确度和精度。
在一些实施例中,所述预设的基于模式识别的裂缝检测模型包括图像特征提取,所述图像特征至少包括裂缝特征、深度特征、环境特征、尺寸特征和材料特征。
在本实施例中,基于对裂缝形状进行提取和识别后,再对裂缝图像进行裂缝特征、深度特征、环境特征、尺寸特征和材料特征的提取和识别,能够进一步增加水下裂缝的识别精度。需要说明的是,考虑环境特征,能够避免大雾天气或冰雪天气等极端情况下由于裂缝图像采集和预处理对裂缝识别的带来的识别难度的问题产生。
在一些实施例中,请参阅图3,将所述第二检测结果输入至预设的自适应阈值模型算法中进行处理,得到目标裂缝检测结果,包括:
S301、确定所述待检测表面裂缝图像的环境特征参数和尺寸特征参数;
S302、根据所述环境特征参数和尺寸特征参数,确定初始分割阈值;
S303、根据所述初始分割阈值,确定初始裂缝区域和初始背景区域;
S304、根据所述初始裂缝区域和初始背景区域的平均灰度值,确定目标分割阈值;
S305、将所述待检测表面裂缝图像中的各个像素与所述目标分割阈值进行比较,确定目标裂缝检测结果。
在本实施例中,采用的自适应阈值,首先确定全局阈值,采集确定被检测水域的温度、光照、高度等参数,拍摄背景简单的标准基准图像,在标准基准图像中混凝土坝图像的灰度分布比较有规律,背景与目标在图像直方图上会形成相应的波峰,两个波峰之间会形成一个波谷。选择两个波峰之间的波谷对应的灰度值作为分割时的阈值,作为目标和背景的分割阈值。阈值分割和图像内像素值做对比,划分出裂缝区域和背景区域。将裂缝缺陷身份分类,提取裂缝特征空间,阀值将光照分布图从最亮区域到最暗区域均匀分割为若干像素带,设置光照最亮到光照最暗之间的均匀灰度间隔,光照最强点向周围径向扩散光圈层。对采集图像从灰度图像进行阈值分割,参照规则区域的目标参数,对非规则区域的原始图像像素带进行逐点匀光处理和噪声处理。采用粗匹配和优质匹配结合,克服水下光照不均衡,低噪声,第对比度等问题,有效提取大坝水下图像的裂缝区域,满足裂缝检测要求。
在图像特征提取后根据特征点的128维特征描述子来进行图像特征匹配,将同一场景下的不同图像上的特征点进行配对。特征匹配的最终目的是根据匹配的特征点对建立起图像之间的坐标变换关系,再将不同图像的坐标变换到同一坐标系中,进而完成图像的拼接。图像由多个区域组成,每个区域内部像素灰度相同或相近,不同区域交界处的像素灰度有较明显的差别。因此,可以通过设置合理的阈值,并比较各个像素和阈值的大小关系来区分不同的区域。阈值处理的表达式为:
其中,g(x,y)为经过处理得到的二值化图像。通常在处理中灰度值为1的部分表示目标,值为0的部分表示背景。在目标和背景对比度非常明显的情况下,阈值分割容易实现,但实际上由于目标与背景的分界存在微小的灰度变化,所以选取准确高的阈值时困难的。采用缺陷感知进行特征点描述,利用缺陷感知算法匹配特征点,获得的粗匹配集。采用改进自适应阈值算法进行图像分割精确识别,再通过特征表征消除部分误匹配点进一步筛选,将假信息的纹理、阴影、外轮廓分割去除,获得优质匹配结果,获得裂缝的具体信息,自动匹配判断是否存在裂缝,描述裂缝形态,保证裂缝检测的准确性。
具体的,自适应阈值法基于阈值分割的算法通过迭代求出分割的最佳阈值,是一种自动迭代的算法。假设i为迭代次数,且初始值为0。迭代法阈值的确定步骤可以归纳为以下几步:
(1)选择初始阈值K(i),通常选择图像的平均灰度值;
(2)利用K(i)把图像分为两个区域,K1(i)由灰度值大于T(i)的像素组成,K2(i)由灰度值小于或者等于T(i)的像素组成;
(3)计算区域K1(i)和K2(i)的平均灰度值P1(i)和P2(i);
(4)计算新阈值:
令i=i+1,重复上述步骤,直到获取最佳阈值。
在一些实施例中,所述将所述待检测表面裂缝图像中的各个像素与所述目标分割阈值进行比较,确定目标裂缝检测结果之后,还包括:
根据所述目标裂缝检测结果的像素物理尺寸,确定裂缝的宽度。
在本实施例中,因混凝土坝水下表面裂缝有着不规则性,计算裂缝宽度时还要计算裂缝长度与面积,再计算平均宽度。具体操作如下所示:对裂缝图像提取股价,细化成单像素宽,然后细化为像素点,统计像素点的个数n,此时裂缝长度为L=nμ,μ指的是像素物理尺寸,L是裂缝长度,裂缝面积为S=n1μ2,公式当中S代表的就是裂缝面积,裂缝平均宽度为W=S/L。
基于上述混凝土坝水下裂缝检测方法,本发明实施例还相应的提供一种混凝土坝水下裂缝检测装置400,请参阅图4,该混凝土坝水下裂缝检测装置包括获取模块410、预处理模块420、第一检测结果确定模块430、第二检测结果确定模块440和目标裂缝检测结果确定模块450。
获取模块410,用于获取混凝土坝水下的表面裂缝图像;
预处理模块420,用于对所述表面裂缝图像进行预处理,得到处理后的待检测表面裂缝图像;
第一检测结果确定模块430,用于将所述待检测表面裂缝图像输入至预设的基于检测规则的水下表面裂缝检测模型进行处理,得到第一检测结果;
第二检测结果确定模块440,用于将所述第一检测结果输入至预设的基于模式识别的裂缝检测模型进行处理,得到第二检测结果;
目标裂缝检测结果确定模块450,用于将所述第二检测结果输入至预设的自适应阈值模型算法中进行处理,得到目标裂缝检测结果。
如图5所示,基于上述混凝土坝水下裂缝检测方法,本发明还相应提供了一种电子设备,该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器510、存储器520及显示器530。图5仅示出了电子设备的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器520在一些实施例中可以是该电子设备的内部存储单元,例如电子设备的硬盘或内存。存储器520在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器520还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器520用于存储安装于电子设备的应用软件及各类数据,例如安装电子设备的程序代码等。存储器520还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器520上存储有混凝土坝水下裂缝检测程序540,该混凝土坝水下裂缝检测程序540可被处理器510所执行,从而实现本申请各实施例的混凝土坝水下裂缝检测方法。
处理器510在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器520中存储的程序代码或处理数据,例如执行混凝土坝水下裂缝检测方法等。
显示器530在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器530用于显示在所述混凝土坝水下裂缝检测设备的信息以及用于显示可视化的用户界面。电子设备的部件510-530通过系统总线相互通信。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的存储介质中,该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种混凝土坝水下裂缝检测方法,其特征在于,包括:
获取混凝土坝水下的表面裂缝图像;
对所述表面裂缝图像进行预处理,得到处理后的待检测表面裂缝图像;
将所述待检测表面裂缝图像输入至预设的基于检测规则的水下表面裂缝检测模型进行处理,得到第一检测结果;
将所述第一检测结果输入至预设的基于模式识别的裂缝检测模型进行处理,得到第二检测结果;
将所述第二检测结果输入至预设的自适应阈值模型算法中进行处理,得到目标裂缝检测结果。
2.根据权利要求1所述的混凝土坝水下裂缝检测方法,其特征在于,所述对所述表面裂缝图像进行预处理,至少包括:
对所述表面裂缝图像进行预设的灰度化、滤波和图像增强、图像Gamma校正和图像去噪处理,得到待检测表面裂缝图像。
3.根据权利要求1所述的混凝土坝水下裂缝检测方法,其特征在于,所述预设的基于检测规则的水下表面裂缝检测模型用于确定混凝土坝水下裂缝的形状特征规则;所述形状特征规则至少包括面积、深度、分散度、弯曲度、矩形度、长宽比和宽度。
4.根据权利要求1所述的混凝土坝水下裂缝检测方法,其特征在于,所述预设的基于模式识别的裂缝检测模型包括图像特征提取;所述图像特征至少包括裂缝特征、深度特征、环境特征、尺寸特征和材料特征。
5.根据权利要求4所述的混凝土坝水下裂缝检测方法,其特征在于,将所述第二检测结果输入至预设的自适应阈值模型算法中进行处理,得到目标裂缝检测结果,包括:
确定所述待检测表面裂缝图像的环境特征参数和尺寸特征参数;
根据所述环境特征参数和尺寸特征参数,确定初始分割阈值;
根据所述初始分割阈值,确定初始裂缝区域和初始背景区域;
根据所述初始裂缝区域和初始背景区域的平均灰度值,确定目标分割阈值;
将所述待检测表面裂缝图像中的各个像素与所述目标分割阈值进行比较,确定目标裂缝检测结果。
7.根据权利要求5所述的混凝土坝水下裂缝检测方法,其特征在于,所述将所述待检测表面裂缝图像中的各个像素与所述目标分割阈值进行比较,确定目标裂缝检测结果之后,还包括:
根据所述目标裂缝检测结果的像素物理尺寸,确定裂缝的宽度。
8.一种混凝土坝水下裂缝检测装置,其特征在于,包括:
获取模块,用于获取混凝土坝水下的表面裂缝图像;
预处理模块,用于对所述表面裂缝图像进行预处理,得到处理后的待检测表面裂缝图像;
第一检测结果确定模块,用于将所述待检测表面裂缝图像输入至预设的基于检测规则的水下表面裂缝检测模型进行处理,得到第一检测结果;
第二检测结果确定模块,用于将所述第一检测结果输入至预设的基于模式识别的裂缝检测模型进行处理,得到第二检测结果;
目标裂缝检测结果确定模块,用于将所述第二检测结果输入至预设的自适应阈值模型算法中进行处理,得到目标裂缝检测结果。
9.一种电子设备,其特征在于,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如权利要求1-7所述的混凝土坝水下裂缝检测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-7所述的混凝土坝水下裂缝检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310130458.8A CN116128849A (zh) | 2023-02-14 | 2023-02-14 | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310130458.8A CN116128849A (zh) | 2023-02-14 | 2023-02-14 | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116128849A true CN116128849A (zh) | 2023-05-16 |
Family
ID=86297246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310130458.8A Pending CN116128849A (zh) | 2023-02-14 | 2023-02-14 | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128849A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078738A (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 | 一种线性裂缝宽度计算方法 |
CN117451769A (zh) * | 2023-12-19 | 2024-01-26 | 四川省水利科学研究院 | 一种堆石混凝土施工质量检测方法 |
-
2023
- 2023-02-14 CN CN202310130458.8A patent/CN116128849A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078738A (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 | 一种线性裂缝宽度计算方法 |
CN117078738B (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 | 一种线性裂缝宽度计算方法 |
CN117451769A (zh) * | 2023-12-19 | 2024-01-26 | 四川省水利科学研究院 | 一种堆石混凝土施工质量检测方法 |
CN117451769B (zh) * | 2023-12-19 | 2024-03-15 | 四川省水利科学研究院 | 一种堆石混凝土施工质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113781402B (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
CN116128849A (zh) | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 | |
Yang et al. | Research and analysis of Image edge detection algorithm Based on the MATLAB | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN113436162B (zh) | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 | |
CN108416351B (zh) | 路面病害区域的确定方法、装置和计算机设备 | |
CN111539238B (zh) | 二维码图像修复方法、装置、计算机设备和存储介质 | |
CN114332026B (zh) | 一种铭牌表面划痕缺陷的视觉检测方法及装置 | |
CN102324099A (zh) | 一种面向仿人机器人的台阶边缘检测方法 | |
CN112528868A (zh) | 一种基于改进Canny边缘检测算法的违章压线判别方法 | |
CN111709964B (zh) | 一种pcba目标边缘检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN109522768A (zh) | Qr码的识别方法及装置 | |
CN104732510A (zh) | 一种相机镜头黑斑检测方法及装置 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
Othman et al. | Road crack detection using adaptive multi resolution thresholding techniques | |
CN114862889A (zh) | 基于遥感图像的道路边缘提取方法和装置 | |
CN117557565A (zh) | 一种锂电池极片的检测方法及其装置 | |
CN116542998B (zh) | 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质 | |
Dai et al. | Recognition of tunnel lining cracks based on digital image processing | |
CN116563582A (zh) | 基于国产CPU和opencv的图像模板匹配方法及装置 | |
CN111199228A (zh) | 一种车牌定位的方法及装置 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
CN113674180B (zh) | 磨砂平面低对比度缺陷检测方法、装置、设备和存储介质 | |
CN112330553B (zh) | 一种裂缝图像去噪方法、设备及存储介质 |
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 |