CN116402743A - 基于图像视觉的墙体裂缝检测方法 - Google Patents
基于图像视觉的墙体裂缝检测方法 Download PDFInfo
- Publication number
- CN116402743A CN116402743A CN202310071904.2A CN202310071904A CN116402743A CN 116402743 A CN116402743 A CN 116402743A CN 202310071904 A CN202310071904 A CN 202310071904A CN 116402743 A CN116402743 A CN 116402743A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- cracks
- wall
- formula
- 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 18
- 238000011161 development Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 19
- 239000002344 surface layer Substances 0.000 claims description 12
- 230000001965 increasing effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 claims description 6
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000036961 partial effect Effects 0.000 claims description 6
- 230000000750 progressive effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011160 research Methods 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于图像视觉的墙体裂缝检测方法,所述方法包括以下步骤,步骤1,进行图像的采集,采集待检测裂缝的图像,所采集的图像能够完整覆盖检测区域;步骤2,对图像中目标裂缝进行灰度化并对其分类;步骤3,对图像中目标裂缝进行判别;步骤4,对于裂缝的分析及补全,本发明不仅可对裂缝检测信息进行采集,而且监测响应时间较短、准确率较高、能源消耗较小,并且装载在图像采集环境较差的场合,尤其是光照条件不佳、干扰物较多环境背景下,能够有效提取裂缝信息并对断裂部分发展趋势进行补全,从而为预警和加固提供依据。
Description
技术领域
本发明涉及墙体裂缝检测领域,具体的是基于图像视觉的墙体裂缝检测方法。
背景技术
建筑物在建设过程和使用过程中会出现不同程度、不同形式的裂缝,这是一个相当普遍的现象,如图1所示。这些裂痕的存在会降低建筑物渗透力影响建筑物的使用,严重则会导致建筑物结构破坏和倒塌。在工程鉴定加固中,经常遇到各种形式的建筑结构裂缝,准确地对裂缝进行鉴别不仅是工程鉴定一项主要内容,也是对裂缝进行加固修补处理的重要依据,因此显得尤为重要。裂缝的检测及监测也是长期困扰土木技术入员的一项技术难题,如何有效对其进行检测、监测,并及时进行修补,成为了当前需要解决的重要问题;现有的裂缝的检测及监测方法主要有入工法、超声波法以及机器视觉法。入工方法存在效率低、危险性高以及漏检率大等问题;超声波方法不受环境可视度的影响,但波的传播介质由于其成分不确定,分布不均匀,传播速度及参数设定存在入为差异,且返回的波形图不具有直观性。随着计算机和图像处理理论的快速发展,机器视觉技术由于其非接触、效率高、便捷直观等优点在缺陷检测领域得到越来越广泛的应用;
而目前,基于机器视觉的裂缝检测监测主要存在两个问题:
1、现阶段建筑物裂缝的自动监测中,存在着监测响应时间过长,准确率较低,能源消耗较大等问题,因此需要有效提高建筑物裂缝的监测效率。
2、在图像采集环境较差的场合,尤其是光照条件不佳、干扰物较多环境背景下,有关裂缝检测的方法研究还相对不足,无法有效提取裂缝信息并对断裂部分发展趋势进行补全,从而无法为预警和加固提供依据。
发明内容
本发明提供了基于图像视觉的墙体裂缝检测方法,其克服了背景技术中所描述的不足。
本发明解决其技术问题的所采用的技术方案是:
基于图像视觉的墙体裂缝检测方法,所述方法包括以下步骤:
步骤1:进行图像的采集,采集待检测裂缝的图像,所采集的图像能够完整覆盖检测区域;
步骤2:对图像中目标裂缝进行灰度化并对其分类;
步骤3:对图像中目标裂缝进行判别;
步骤4:对于裂缝的分析及补全。
一较佳技术方案:所述步骤2中利用k-means算法将含有裂痕的表层墙体进行分类,引入概率松弛算法求出含有裂痕表层墙体像素点之间的空间结构特点,对含有裂痕信息的墙体进行特征提取。
一较佳技术方案:所述步骤3中通过MeanShift序列算法,对墙体裂痕目标进行判别,引入核函数采集墙体裂痕图像集合间差异,以此完成监测。
一较佳技术方案:所述步骤4包括:
步骤4.1,对裂缝的待增强点进行能提取;
步骤4.2,增加图中裂缝的对比度;
步骤4.3,对裂缝图像边缘点进行检测;
步骤4.4,对图像中噪声过滤;
步骤4.5,对图像中裂缝边缘或呈倾斜状拍摄时的裂缝图像的弯曲遮掩区域进行补全。
一较佳技术方案:所述步骤2中在对裂缝进行分类判别是通过以下具体步骤实现:
步骤2.1,将待检测裂缝的图像通过下式计算得出灰度图像,该计算公式为F=0.299×Ρ+0.587×G+0.114×Β,而式中P、G、B代表像素值,F代表转换后的灰度值,假设p(i,j)是像素点的图像,Q(i,j)是像素点的(i,j)的灰度值,Qmin是最小灰度值,Qmax代表最大灰度值;
步骤2.12,根据横向裂痕以及纵向裂痕,分别选择对应的窗口形状,
步骤2.13,将设定类k像素点的均值uk和方差δ2k,即像素点c(i,j)属于k类的初始概率通过以下两式进行计算,分别为:
式中dik代表马氏距离,poi(k)为初始概率;
而相容系数计算为:
γ(i,j,k)=1,j=1
步骤2.14,利用下式:
计算出迭代公式:
并且迭代公式中,Qi(k)代表概率增量;
步骤2.15,在上述步骤2.1-步骤2.4的基础上引入概率松弛算法,计算含有裂缝的像素点之间的空间结构特点,算法如下:
步骤2.16,对含有裂缝信息以及背景信息的类进行特征提取,准确判别图像像素点是属于裂缝还是背景,所述特征信息提取表达式为:
一较佳技术方案:所述步骤3包括以下具体步骤:
步骤3.1,对整个建筑表层墙体RD空间中利用下式给出空间中某点x的均值:
式中,Sh代表大型建筑表层墙体RD中,h的高维度表层代表裂缝落入Sh区域内个数。(xi-x)代表裂缝相对于点的偏移量;
步骤3.2,MeanShift序列算法中引入核函数,表达式为:
K(x)=k(||x||2)
式中代表大型建筑表层空间RD随机一点,k代表不连续性墙体裂痕;
步骤3.3,由于大型建筑表层中墙体裂痕都不一样,因此每个墙体裂痕中引入一个权重系数,利用下式进行扩展:
式中,G(xi-x)代表大型筑表层墙体裂痕采集的图像是一个对称的宽度为D*D像素集合,u(xi)代表对墙体裂痕xi的权重;
并且,以下式为基础,裂痕监测表达式为:
一较佳技术方案:所述步骤4.1包括以下具体步骤:
步骤4.11,对图片中的裂缝进行拆分,并将拆分的裂缝两端点相连计算斜率θi,θi在区间(π/4,3π/4)∪(5π/4,7π/4)内定义为偏纵向裂缝,在区间(0,π/4)∪(3π/4,5π/4)∪(7π/4,2π)内定义为偏横向裂缝,便可对图片中裂缝的增加点进行增强
所述步骤4.2包括以下具体步骤:
步骤4.21,通过拍摄至少200张以上的裂缝图像,通过步骤2对所有的裂缝图像进行灰度化并通过分析这些裂缝长宽及灰度的变化规律,采用大步进代入基于像素点互补的裂缝对比度增强算法,观测图像中裂缝和背景是否有明显的灰度变化,最终得到各参数的极值范围:m≥6,1≤n≤13,10≤d1,10≤d2≤30,根据极值范围设置4个参数的初始值分别为m=6,n=1,d1=d2=10,并以步长为1代入下列式中:
f(m,d1,n,d2)=(P,G)
式中,f表示基于像素点互补的裂缝对比度增强算法,P为增强率,G为增强度;
步骤4.22,利用增强率P、增强度G作为对比度增强效果的判断依据,P、G越大增强效果越理想,但由于m、n越大,运算时间越长,结合运算时间,最后得到十字形模板最优参数分别为m=12、n=10、d1=25、d2=20,从而增加图中裂缝的对比度;
所述步骤4.3包括以下具体步骤:
步骤4.31,通过将步骤4.2得到的对比度增强后的图像进一步通过下式得到每个点的方位角γ(x,y),其中atan2(Gx,Gy)表示四象限反正切函数(弧度制):
步骤4.32,将方位角γ(x,y)划分到8个方向区间内,然后利用最大类间方差法(Otsu法)获取阈值T,针对每一个边缘点I(x,y),沿其相位角反向延长线的区间方向获取L个点,当I(x,y)满足下士则抑制:
步骤4.33,计算阈值T的返归一化结果,如上式中表示当边缘点对应区间内获取L个点的灰度值均小于255T时,判定其为干扰物边缘点;
所述步骤4.4包括以下步骤:
步骤4.41,通过下式计算图像中连通区域的占框比波率:
式中,Ak为图像中高hk、宽wk的连通区域,数量为n个。Rk越小,表明该区域的扩展特征越明显,且hkwk越大,Rk作为判断依据的可信度越高。
步骤4.42,利用下式结合面积和长宽比滤波设置相对阈值,对图像中离散的点状和线状噪声进行过滤:
式中,Minhk和Minwk分别为连通区域最小面积外接矩形的高与宽,E越小,裂缝特征越显著,该区域为裂缝的可能性越高;
并且,当图像中存在不规则噪音,无法满足过滤条件时,需首先对图像进行逐行扫描,统计各区域横向宽度最多落值,设为dx,再进行逐列扫描,统计纵向宽度最多落值,设为dy,当单个或多个连通区域落在区间[d1-σ1,d1+σ1]与[d2-σ2,d2+σ2]的宽度值共X个,落在区间外的宽度值共Y个,σ1、σ2为允许偏差值;
步骤4.5包括以下具体步骤:
步骤4.51,提取经过完全噪声过滤的图像I1中,各连通区域四个方向的末端端点;
步骤4.52,截取各连通区域四个方向的末端,提取末端骨架,计算骨架两端点的斜率ki;
步骤4.53,以四个方向末端端点为圆心,ki作为末端方向β,依据下式生成扇形区域,对只经过面积及长宽比滤波处理的图像I2进行遍历,捕捉遍历过程中非零点坐标;
θ2=θ-θ1
步骤4.54,构建与I1、I2大小相同的零矩阵I3,将下式中捕捉的坐标在I3中置;
步骤4.55,利用点膨胀算法将I3中的非零坐标点转化为连通区域,表达式如下式:
C1=I1∪I3
根据相近相似原则,距离越近的裂缝末端斜率越接近,从而呈现一种可衔接状态,此时斜率可以较好地表达裂缝的发展趋势,但是当断裂部分为转弯处时,综合考虑裂缝末端方向β作为主发展趋势的同时,添加以α为参考依据的扇形区域来完善对裂缝发展趋势的判断,扇形区域计算如下式所示:
θ2=θ-θ1
式中θ为扇形区域圆心角,当θ1为远离α方向的扇形区域圆心角,θ2则为邻近α方向的扇形区域圆心角,ω为加权参数,与α、β两个方向的角度差成正比,ω越大,裂缝末端的方向越偏离裂缝整体发展方向,α的参考价值越小,而β可以更好地代表裂缝实际的发展趋势。
本技术方案与背景技术相比,它具有如下优点:
本发明不仅可对裂缝检测信息进行采集,而且监测响应时间较短、准确率较高、能源消耗较小,并且装载在图像采集环境较差的场合,尤其是光照条件不佳、干扰物较多环境背景下,能够有效提取裂缝信息并对断裂部分发展趋势进行补全,从而为预警和加固提供依据。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为纵偏向裂缝示意图;
图2为横偏向裂缝示意图;
图3为步骤4.32中的八个方位区间示意图;
图4为步骤4.5中裂缝发展趋势预测示意图。
具体实施方式
如图1-4所示,基于图像视觉的墙体裂缝检测方法,所述方法包括以下步骤:
步骤1:进行图像的采集,采集待检测裂缝的图像,所采集的图像能够完整覆盖检测区域;
步骤2:对图像中目标裂缝进行灰度化并对其分类;
步骤3:对图像中目标裂缝进行判别;
步骤4:对于裂缝的分析及补全。
一较佳技术方案:所述步骤2中利用k-means算法将含有裂痕的表层墙体进行分类,引入概率松弛算法求出含有裂痕表层墙体像素点之间的空间结构特点,对含有裂痕信息的墙体进行特征提取。
一较佳技术方案:所述步骤3中通过MeanShift序列算法,对墙体裂痕目标进行判别,引入核函数采集墙体裂痕图像集合间差异,以此完成监测。
一较佳技术方案:所述步骤4包括:
步骤4.1,对裂缝的待增强点进行能提取;
步骤4.2,增加图中裂缝的对比度;
步骤4.3,对裂缝图像边缘点进行检测;
步骤4.4,对图像中噪声过滤;
步骤4.5,对图像中裂缝边缘或呈倾斜状拍摄时的裂缝图像的弯曲遮掩区域进行补全。
一较佳技术方案:所述步骤2中在对裂缝进行分类判别是通过以下具体步骤实现:
步骤2.1,充分考虑大型裂痕的表层墙体裂痕含有一定的色彩信息,需要将图像从彩色转换为灰度图像。假设有一幅M×N个像素点的的彩色图像,将其表示为M×N×3个元素的矩阵,每个彩色图像上都有一个像素点,还有3个亮度值,引人加权平均值法,并通过下式计算得出灰度图像:
F=0.299×Ρ+0.587×G+0.114×Β,
而式中P、G、B代表像素值,F代表转换后的灰度值,假设p(i,j)是像素点的图像,Q(i,j)是像素点的(i,j)的灰度值,Qmin是最小灰度值,Qmax代表最大灰度值;
步骤2.12,根据横向裂痕以及纵向裂痕,分别选择对应的窗口形状,
步骤2.13,将设定类k像素点的均值uk和方差δ2k,即像素点c(i,j)属于k类的初始概率通过以下两式进行计算,分别为:
式中dik代表马氏距离,poi(k)为初始概率;
而相容系数计算为:
γ(i,j,k)=1,j=1
步骤2.14,利用下式:
计算出迭代公式:
并且迭代公式中,Qi(k)代表概率增量;
步骤2.15,在上述步骤2.1-步骤2.4的基础上引入概率松弛算法,计算含有裂缝的像素点之间的空间结构特点,算法如下:
步骤2.16,对含有裂缝信息以及背景信息的类进行特征提取,准确判别图像像素点是属于裂缝还是背景,所述特征信息提取表达式为:
一较佳技术方案:所述步骤3包括以下具体步骤:
步骤3.1,利用MeanShift序列算法,对墙体裂痕目标进行判别,实现视觉系统对墙体裂痕智能监测。MeanShift是对裂缝采集集合在D维空间的RD样本S,对整个建筑表层墙体RD空间中利用下式给出空间中某点x的均值:
式中,Sh代表大型建筑表层墙体RD中,h的高维度表层代表裂缝落入Sh区域内个数。(xi-x)代表裂缝相对于点的偏移量;
步骤3.2,在裂缝数据集合中,当x偏移不管多大,离x越近的墙体裂痕对监测越有效,则在MeanShift序列算法中引入核函数,表达式为:
K(x)=k(||x||2)
式中代表大型建筑表层空间RD随机一点,k代表不连续性墙体裂痕;
步骤3.3,由于大型建筑表层中墙体裂痕都不一样,因此每个墙体裂痕中引入一个权重系数,利用下式进行扩展:
式中,G(xi-x)代表大型筑表层墙体裂痕采集的图像是一个对称的宽度为D*D像素集合,u(xi)代表对墙体裂痕xi的权重;
并且,以下式为基础,裂痕监测表达式为:
一较佳技术方案:所述步骤4.1包括以下具体步骤:
步骤4.11,对图片中的裂缝进行拆分,并将拆分的裂缝两端点相连计算斜率θi,θi在区间(π/4,3π/4)∪(5π/4,7π/4)内定义为偏纵向裂缝,在区间(0,π/4)∪(3π/4,5π/4)∪(7π/4,2π)内定义为偏横向裂缝,便可对图片中裂缝的增加点进行增强,而图1-2所示的便是两种十字形模板;
十字形模板4个参数共同影响裂缝对比度的增强效果。其中,n越大,像素点是否为待增强点的判断越严格,背景点不容易被误判,但裂缝点容易被遗漏;m越大,待增强点被增强的可能性越大;由于裂缝是连续的,灰度在小范围内不会有明显变化,因此d1应较大,提取稍远位置的裂缝点灰度来增强待增强点,但过大的d1会导致增强边无法捕捉到裂缝点或者捕捉到噪声、干扰物等区域的像素点。
所述步骤4.2包括以下具体步骤:
步骤4.21,为了使待判断点与其周围的背景点进行比较,d2应较小,通过拍摄至少200张以上的裂缝图像,通过步骤2对所有的裂缝图像进行灰度化并通过分析这些裂缝长宽及灰度的变化规律,采用大步进代入基于像素点互补的裂缝对比度增强算法,观测图像中裂缝和背景是否有明显的灰度变化,最终得到各参数的极值范围:m≥6,1≤n≤13,10≤d1,10≤d2≤30,根据极值范围设置4个参数的初始值分别为m=6,n=1,d1=d2=10,并以步长为1代入下列式中:
f(m,d1,n,d2)=(P,G)
式中,f表示基于像素点互补的裂缝对比度增强算法,P为增强率(裂缝增强率与背景增强率的差值),G为增强度(背景区域与裂缝区域平均灰度值变化的差值);
步骤4.22,利用增强率P、增强度G作为对比度增强效果的判断依据,P、G越大增强效果越理想,但由于m、n越大,运算时间越长,结合运算时间,最后得到十字形模板最优参数分别为m=12、n=10、d1=25、d2=20,从而增加图中裂缝的对比度;
所述步骤4.3包括以下具体步骤:
步骤4.31,通过将步骤4.2得到的对比度增强后的图像进一步通过下式得到每个点的方位角γ(x,y),其中atan2(Gx,Gy)表示四象限反正切函数(弧度制):
步骤4.32,将方位角γ(x,y)划分到8个方向区间内,然后利用最大类间方差法(Otsu法)获取阈值T,针对每一个边缘点I(x,y),沿其相位角反向延长线的区间方向获取L个点,当I(x,y)满足下士则抑制:
步骤4.33,计算阈值T的返归一化结果,如上式中表示当边缘点对应区间内获取L个点的灰度值均小于255T时,判定其为干扰物边缘点;
所述步骤4.4包括以下步骤:
步骤4.41,通过下式计算图像中连通区域的占框比波率:
式中,Ak为图像中高hk、宽wk的连通区域,数量为n个。Rk越小,表明该区域的扩展特征越明显,且hkwk越大,Rk作为判断依据的可信度越高。
步骤4.42,利用下式结合面积和长宽比滤波设置相对阈值,对图像中离散的点状和线状噪声进行过滤:
裂缝属于一种细长的形态,其长度远大于宽度,并且具有一定的面积。由于单一的面积和长宽比滤波都使用绝对阈值,容易误删桩护壁图像中的裂缝区域,式中,Minhk和Minwk分别为连通区域最小面积外接矩形的高与宽,E越小,裂缝特征越显著,该区域为裂缝的可能性越高;
并且,当图像中存在不规则噪音,无法满足过滤条件时,需首先对图像进行逐行扫描,统计各区域横向宽度最多落值,设为dx,再进行逐列扫描,统计纵向宽度最多落值,设为dy,当单个或多个连通区域落在区间[d1-σ1,d1+σ1]与[d2-σ2,d2+σ2]的宽度值共X个,落在区间外的宽度值共Y个,σ1、σ2为允许偏差值;
步骤4.5包括以下具体步骤:
步骤4.51,提取经过完全噪声过滤的图像I1中,各连通区域四个方向的末端端点;
步骤4.52,截取各连通区域四个方向的末端,提取末端骨架,计算骨架两端点的斜率ki;
步骤4.53,以四个方向末端端点为圆心,ki作为末端方向β,依据下式生成扇形区域,对只经过面积及长宽比滤波处理的图像I2进行遍历,捕捉遍历过程中非零点坐标;
θ2=θ-θ1
步骤4.54,构建与I1、I2大小相同的零矩阵I3,将下式中捕捉的坐标在I3中置;
步骤4.55,利用点膨胀算法将I3中的非零坐标点转化为连通区域,表达式如下式:
C1=I1∪I3
式中,⊕表示形态学处理中的膨胀运算符号,B是边长为3的正方形核,当Cz收敛于Cz+1时,至此完成裂缝分析及补全。
根据相近相似原则,距离越近的裂缝末端斜率越接近,从而呈现一种可衔接状态,此时斜率可以较好地表达裂缝的发展趋势,但是当断裂部分为转弯处时,综合考虑裂缝末端方向β作为主发展趋势的同时,添加以α为参考依据的扇形区域来完善对裂缝发展趋势的判断,扇形区域计算如下式所示:
θ2=θ-θ1
式中θ为扇形区域圆心角,当θ1为远离α方向的扇形区域圆心角,θ2则为邻近α方向的扇形区域圆心角,ω为加权参数,与α、β两个方向的角度差成正比,ω越大,裂缝末端的方向越偏离裂缝整体发展方向,α的参考价值越小,而β可以更好地代表裂缝实际的发展趋势。
以上所述,仅为本发明较佳实施例而已,故不能依此限定本发明实施的范围,即依本发明专利范围及说明书内容所作的等效变化与修饰,皆应仍属本发明涵盖的范围内。
Claims (9)
1.基于图像视觉的墙体裂缝检测方法,其特征在于,所述方法包括以下步骤:
步骤1:进行图像的采集,采集待检测裂缝的图像,所采集的图像能够完整覆盖检测区域;步骤2:对图像中目标裂缝进行灰度化并对其分类;
步骤3:对图像中目标裂缝进行判别;步骤4:对于裂缝的分析及补全。
2.根据权利要求1所述的基于图像视觉的墙体裂缝检测方法,其特征在于,所述步骤2中利用k-means算法将含有裂痕的表层墙体进行分类,引入概率松弛算法求出含有裂痕表层墙体像素点之间的空间结构特点,对含有裂痕信息的墙体进行特征提取。
3.根据权利要求1所述的基于图像视觉的墙体裂缝检测方法,其特征在于,所述步骤3中通过MeanShift序列算法,对墙体裂痕目标进行判别,引入核函数采集墙体裂痕图像集合间差异,以此完成监测。
4.根据权利要求1所述的基于图像视觉的墙体裂缝检测方法,其特征在于,所述步骤4包括:
步骤4.1,对裂缝的待增强点进行能提取;
步骤4.2,增加图中裂缝的对比度;
步骤4.3,对裂缝图像边缘点进行检测;
步骤4.4,对图像中噪声过滤;
步骤4.5,对图像中裂缝边缘或呈倾斜状拍摄时的裂缝图像的弯曲遮掩区域进行补全。
5.根据权利要求1或2所述的基于图像视觉的墙体裂缝检测方法,其特征在于,所述步骤2中在对裂缝进行分类判别是通过以下具体步骤实现:
步骤2.1,将待检测裂缝的图像通过下式计算得出灰度图像,该计算公式为,而式中P、G、B代表像素值,F代表转换后的灰度值,假设p(i,j)是像素点的图像,Q(i,j)是像素点的(i,j)的灰度值,Qmin是最小灰度值,Qmax代表最大灰度值;
步骤2.12,根据横向裂痕以及纵向裂痕,分别选择对应的窗口形状,
步骤2.13,将设定类k像素点的均值uk和方差δ2 k,即像素点c(i,j)属于k类的初始概率通过以下两式进行计算,分别为:
计算出迭代公式:
步骤2.15,在上述步骤2.1-步骤2.4的基础上引入概率松弛算法,计算含有裂缝的像素点之间的空间结构特点,算法如下:
根据权利要求1或3所述的基于图像视觉的墙体裂缝检测方法,其特征在于,所述步骤3包括以下具体步骤:
步骤3.1,对整个建筑表层墙体RD空间中利用下式给出空间中某点x的均值:
6.(xi-x)代表裂缝相对于点的偏移量;
步骤3.2,MeanShift序列算法中引入核函数,表达式为:
步骤3.3,由于大型建筑表层中墙体裂痕都不一样,因此每个墙体裂痕中引入一个权重系数,利用下式进行扩展:
并且,以下式为基础,裂痕监测表达式为:
步骤4.11,对图片中的裂缝进行拆分,并将拆分的裂缝两端点相连计算斜率θi,θi在区间(π/4,3π/4)∪(5π/4,7π/4)内定义为偏纵向裂缝,在区间 (0,π/4)∪(3π/4,5π/4)∪(7π/4,2π)内定义为偏横向裂缝,便可对图片中裂缝的增加点进行增强
所述步骤4.2包括以下具体步骤:
步骤4.21,通过拍摄至少200张以上的裂缝图像,通过步骤2对所有的裂缝图像进行灰度化并通过分析这些裂缝长宽及灰度的变化规律,采用大步进代入基于像素点互补的裂缝对比度增强算法,观测图像中裂缝和背景是否有明显的灰度变化,最终得到各参数的极值范围:m ≥ 6,1 ≤ n ≤ 13,10 ≤ d1,10 ≤ d2 ≤ 30 ,根据极值范围设置 4个参数的初始值分别为 m = 6,n = 1, d1 = d2 = 10 ,并以步长为1代入下列式中:
步骤4.22,利用增强率P、增强度G作为对比度增强效果的 判断依据,P、G 越大增强效果越理想,但由于m、n 越大,运算时间越长,结合运算时间,最后得到十字形模板最优参数分别为m = 12、n = 10、d1 = 25、d2 = 20,从而增加图中裂缝的对比度;
所述步骤4.3包括以下具体步骤:
步骤4.31,通过将步骤4.2得到的对比度增强后的图像进一步通过下式得到每个点的方位角γ(x,y),其中 atan2(Gx,Gy) 表示四象限反正切函数(弧度制):
步骤4.32,将方位角γ(x,y)划分到8个方向区间内,然后利用最大类间方差法(Otsu法)获取阈值T,针对每一个边缘点I(x,y),沿其相位角反向延长线的区间方向获取L个点,当I(x,y)满足下士则抑制:
步骤4.33,计算阈值T的返归一化结果,如上式中表示当边缘点对应区间内获取L个点的灰度值均小于255T时,判定其为干扰物边缘点;
所述步骤4.4包括以下步骤:
式中,Ak 为图像中高hk、宽wk的连通区域,数量为n个。
7.Rk越小,表明该区域的扩展特征越明显,且 hkwk越大,Rk作为判断依据的可信度越高。
8.步骤4.42,利用下式结合面积和长宽比滤波设置相对阈值,对图像中离散的点状和线状噪声进行过滤:
并且,当图像中存在不规则噪音,无法满足过滤条件时,需首先对图像进行逐行扫描,统计各区域横向宽度最多落值,设为dx,再进行逐列扫描,统计纵向宽度最多落值,设为dy,当单个或多个连通区域落在区间[d1 - σ1,d1 + σ1] 与[d2 - σ2,d2 + σ2]的宽度值共X个,落在区间外的宽度值共Y个,σ1、σ2为允许偏差值;
步骤4.5包括以下具体步骤:
步骤4.51,提取经过完全噪声过滤的图像I1中,各连通区域四个方向的末端端点;
步骤4.52,截取各连通区域四个方向的末端,提取末端骨架,计算骨架两端点的斜率ki;
步骤4.53,以四个方向末端端点为圆心,ki作为末端方向β,依据下式生成扇形区域,对只经过面积及长宽比滤波处理的图像I2进行遍历,捕捉遍历过程中非零点坐标;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310071904.2A CN116402743A (zh) | 2023-02-07 | 2023-02-07 | 基于图像视觉的墙体裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310071904.2A CN116402743A (zh) | 2023-02-07 | 2023-02-07 | 基于图像视觉的墙体裂缝检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116402743A true CN116402743A (zh) | 2023-07-07 |
Family
ID=87012984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310071904.2A Pending CN116402743A (zh) | 2023-02-07 | 2023-02-07 | 基于图像视觉的墙体裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402743A (zh) |
-
2023
- 2023-02-07 CN CN202310071904.2A patent/CN116402743A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN108759973B (zh) | 一种水位测量方法 | |
Scholar | Review and analysis of crack detection and classification techniques based on crack types | |
Xia et al. | A novel sea-land segmentation algorithm based on local binary patterns for ship detection | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN103413131A (zh) | 基于光谱及几何特征的塔吊识别方法 | |
CN117710399B (zh) | 一种基于视觉的地质调查中裂缝轮廓提取方法 | |
CN115294527B (zh) | 一种基于计算机视觉的地铁隧道破损检测方法 | |
CN111882664A (zh) | 一种多窗口累计差分的裂缝提取方法 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN111008956A (zh) | 基于图像处理的梁底裂纹检测方法、系统、装置及介质 | |
CN105469099B (zh) | 基于稀疏表示分类的路面裂缝检测和识别方法 | |
Kushwaha et al. | Automatic Bright Circular Type Oil Tank Detection Using Remote Sensing Images. | |
CN103337080A (zh) | 基于梯度方向Hausdorff 距离的红外图像和可见光图像配准技术 | |
CN108846839B (zh) | 一种基于扇形邻域差异直方图的匣钵裂纹检测方法 | |
CN116402743A (zh) | 基于图像视觉的墙体裂缝检测方法 | |
CN113066041A (zh) | 一种基于栈稀疏自编码深度学习的路面裂缝检测方法 | |
CN108376401B (zh) | 一种基于行方差的自动定位gpr信号病害位置方法 | |
JP2008078926A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN114758139B (zh) | 基坑积水检测方法 | |
CN115578343A (zh) | 一种基于图像连通与骨架分析的裂缝尺寸测量方法 | |
Yu et al. | A novel algorithm in buildings/shadow detection based on Harris detector |
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 |