CN116630321A - 基于人工智能的桥梁健康智能监测系统 - Google Patents
基于人工智能的桥梁健康智能监测系统 Download PDFInfo
- Publication number
- CN116630321A CN116630321A CN202310906800.9A CN202310906800A CN116630321A CN 116630321 A CN116630321 A CN 116630321A CN 202310906800 A CN202310906800 A CN 202310906800A CN 116630321 A CN116630321 A CN 116630321A
- Authority
- CN
- China
- Prior art keywords
- gradient
- edge
- block
- value
- image
- 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.)
- Granted
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 230000036541 health Effects 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000005764 inhibitory process Effects 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 230000001629 suppression Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 11
- 230000000903 blocking effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 8
- 230000008439 repair process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
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
本发明涉及图像数据处理技术领域,具体涉及基于人工智能的桥梁健康智能监测系统,包括:图像采集处理模块:获取桥梁表面图像的梯度图像;区域划分及归类模块:根据分块图像的梯度均值和方差得到平滑块和边缘块;自适应确定边缘分割阈值模块:得到平滑块和边缘块的边缘分割阈值;自适应分割模块:根据得到的平滑块和边缘块的边缘分割阈值对非极大值抑制处理后的梯度图像进行双阈值化处理,得到边缘分割图像。本发明在进行非极大值抑制时,通过梯度之间存在的差异大小对梯度进行修正,根据像素点形成边缘的概率确定对像素点进行调整权重,从而扩大差异性,使边缘提取更精确化。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于人工智能的桥梁健康智能监测系统。
背景技术
桥梁作为城市基础设施的重要组成部分,需要定期进行检测和维护。其中,裂缝是桥梁常见的缺陷之一,如果不及时修补,可能会对桥梁结构的安全和稳定性造成严重影响。所以随着技术的发展,越来越多基于机器视觉的裂缝检测方法被广泛应用,但是在实际应用中,需要针对不同的桥梁类型和环境场景选择合适的检测方法,且基于机器视觉的检测很容易受到光照及天气的影响,导致对裂缝的定位不准确,继而影响工人的修复效率。因此,开发一种高效精准的桥梁裂缝检测方法具有很高的实用价值。
对于桥梁表面的细微裂缝肉眼不易观察出来,为避免可能出现的安全隐患,需要利用视图检查仪器等工具对桥梁表面图像进行采集,而后确定具体的裂缝位置,从而根据裂缝的长度等特征采用合适的修复手段。但是细微的裂缝区域表现不明显,所以在利用边缘检测算法对氧化区域进行分割时,由于阈值的设置过于依赖人为经验,可能导致裂缝边缘不完整而影响工作人员的判断和修复。因此,本发明通过提取桥梁表面图像特征提出一种自适应选择确定的边缘的双阈值方法。
发明内容
本发明提供基于人工智能的桥梁健康智能监测系统,以解决现有的问题。
本发明的基于人工智能的桥梁健康智能监测系统采用如下技术方案:
本发明一个实施例提供了基于人工智能的桥梁健康智能监测系统,该系统包括以下模块:
图像采集处理模块:用于获取桥梁表面图像的梯度图像;
区域划分及归类模块:对梯度图像进行非极大值抑制,对非极大值抑制处理后的梯度图像进行分块得到分块图像,获取每个分块图像的梯度均值和梯度方差,根据分块图像的梯度均值和梯度方差得到平滑块和边缘块;
自适应确定边缘分割阈值模块:根据平滑块中像素点的梯度值得到平滑块的边缘分割阈值;根据边缘块中像素点边缘方向上相邻像素点之间的差异性得到边缘块中像素点的权重,根据边缘块中像素点的权重以及像素点梯度方向上的最大梯度值得到调整后的边缘块中像素点的梯度值;
获取边缘块调整前后的梯度直方图,根据调整前后的梯度直方图得到边缘块的最大分割阈值,根据边缘块的最大分割阈值以及边缘块中像素点的最小梯度值得到边缘块的最小分割阈值,将边缘块的最大分割阈值和最小分割阈值作为边缘块的边缘分割阈值;
自适应分割模块:根据得到的平滑块的边缘分割阈值和边缘块的边缘分割阈值对非极大值抑制处理后的梯度图像进行双阈值化处理,得到边缘分割图像。
进一步地,所述对非极大值抑制处理后的梯度图像进行分块得到分块图像,包括的具体步骤如下:将非极大值抑制处理后的梯度图像记为,非极大值抑制处理后的梯度图像通过等比例分块得到/>个分块图像,/>为预设的分块比例,/>为非极大值抑制处理后的梯度图像的长度,/>为非极大值抑制处理后的梯度图像的宽度。
进一步地,所述根据分块图像的梯度均值和梯度方差得到平滑块和边缘块,包括的具体步骤如下:其中,/>表示第/>个分块图像的梯度均值,/>表示第/>个分块图像的梯度均值,/>表示分块图像的总个数,/>表示第/>个分块图像的梯度方差,/>表示第/>个分块图像的梯度方差;若第/>个分块图像同时满足(1)(2)两式的判断条件,则将第个分块图像标记为平滑块,反之标记为边缘块。
进一步地,所述根据平滑块中像素点的梯度值得到平滑块的边缘分割阈值,包括的具体步骤如下:其中,/>表示第/>个平滑块的最大分割阈值,/>表示第/>个平滑块中第/>个像素点的梯度值,/>表示第/>个平滑块中像素点的总个数,/>表示第/>个平滑块中像素点的最小梯度值,/>表示第/>个平滑块的最小分割阈值,第/>个平滑块的最大分割阈值和最小分割阈值为第/>个平滑块的边缘分割阈值。
进一步地,所述根据边缘块中像素点边缘方向上相邻像素点之间的差异性得到边缘块中像素点的权重,包括的具体步骤如下:其中,/>表示第/>个边缘块中第/>个像素点的权重,/>表示双曲正切函数,/>表示第/>个边缘块中第/>个像素点边缘方向上相邻像素点之间的差异性,/>表示不定参数。
进一步地,所述第个边缘块中第/>个像素点边缘方向上相邻像素点之间的差异性,具体获取方法如下:/>其中,/>表示第/>个边缘块中第/>个像素点边缘方向上相邻像素点之间的差异性,/>表示第/>个边缘块中第/>个像素点的梯度值,/>和/>分别表示第/>个边缘块中第/>个像素点边缘方向上两个相邻像素点的梯度值。
进一步地,所述根据边缘块中像素点的权重以及像素点梯度方向上的最大梯度值得到调整后的边缘块中像素点的梯度值,包括的具体步骤如下:其中,/>表示调整后的第/>个边缘块中第/>个像素点的梯度值,/>表示第/>个边缘块中第/>个像素点的权重,/>表示第/>个边缘块中第/>个像素点梯度方向上的最大梯度值,/>表示第/>个边缘块中第/>个像素点的梯度值。
进一步地,所述根据调整前后的梯度直方图得到边缘块的最大分割阈值,包括的具体步骤如下:对个边缘块中像素点的梯度值进行调整,/>为边缘块的总个数,得到新的非极大值抑制处理后的图像,获取/>个边缘块调整前后的梯度直方图,将梯度直方图中梯度频数差异最大时对应的梯度值作为每一个边缘块的最大分割阈值。
进一步地,所述根据边缘块的最大分割阈值以及边缘块中像素点的最小梯度值得到边缘块的最小分割阈值,包括的具体步骤如下:
获取第个边缘块中像素点的最小梯度值,将第/>个边缘块中像素点的最小梯度值和第/>个边缘块的最大分割阈值的均值作为第/>个边缘块的最小分割阈值。
本发明的技术方案的有益效果是:通过图像局部梯度的分布差异将等区域划分得到的图像分为平滑块和边缘块两类,对于关注度较低的平滑块直接通过梯度均值得到分割阈值,而对于边缘块,根据像素点形成边缘的概率确定对像素点进行调整权重,而后基于像素点梯度方向的最大梯度值对像素梯度进行调整,得到表现特征更明显的像素点并弱化了噪声点的影响,而后根据不同区域确定边缘分割阈值,增强了边缘分割的自适应性;
在进行非极大值抑制时,通过梯度之间存在的差异大小对梯度进行修正,从而扩大差异性,使边缘提取更精确化。
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为本发明基于人工智能的桥梁健康智能监测系统的系统框架图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于人工智能的桥梁健康智能监测系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于人工智能的桥梁健康智能监测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的桥梁健康智能监测系统的系统框架图,该系统包括以下模块:
图像采集处理模块:
需要说明的是,本实施例主要是对桥梁表面图像进行分析,因此首先要获得桥梁表面图像并对其进行预处理。
具体的,利用无人机搭载相机对待检测的桥梁进行拍摄,获得拍摄到的RGB图像,将该图像输入到语义分割网络中,得到桥梁区域和背景区域,RGB图像中桥梁区域内的所有像素点构成桥梁表面图像。
本实施例使用的语义分割网络为DeepLabV3网络,该网络是公知技术,本实施例不再赘述该网络的具体结果和训练方法。
获得全面以及高清的桥梁表面图像,对桥梁表面图像进行灰度化得到灰度图像。
需要说明的是,上述为桥梁表面图像的采集和灰度化处理过程,传统的算子在计算图像梯度时仅考虑了垂直方向和水平方向的相邻像素的差值,而没有考虑到其他方向,容易丢失边缘梯度信息。所以本实施例在两个方向的基础上,增加45°和135°方向的梯度分量,进而获得准确的水平方向和垂直方向梯度。
具体的,获取调整后的方向梯度:
其中,/>表示调整后的水平方向梯度,/>表示调整后的垂直方向梯度,/>表示0°方向的梯度,/>表示45°方向的梯度,/>表示135°方向的梯度,/>表示90°方向的梯度。
进一步地,确定每个像素点的梯度及梯度方向,具体如下:其中,/>表示调整后的水平方向梯度,/>表示调整后的垂直方向梯度,/>表示图像中像素点坐标/>的梯度幅值,/>表示像素点坐标/>的梯度方向。利用调整后的方向梯度获得桥梁表面图像的梯度图像。
至此,得到了梯度图像。
需要说明的是,获得桥梁表面图像的梯度图像后,需要对其进行非极大值抑制以获取更细化的边缘图像,所以本实施例首先对非极大值抑制处理后的图像等区域划分,若区域中的梯度均值较小且梯度波动程度较小,说明该区域存在的边缘的可能性小,本实施例将其判定为一般区域并根据梯度均值获取其分割阈值。对于梯度均值和梯度波动程度都相对较大的区域,存在边缘的可能性大,本实施例将其判定为边缘块。但是边缘块中有梯度范围较小的区域块或梯度值分布过于离散的区域,说明这些区域中存在边缘较微弱或受噪声影响较大,本实施例通过计算像素点处于边缘的概率对非极大值抑制的保留像素点梯度进行调整,从而使微弱边缘更易检测出同时弱化噪声点的影响。
区域划分及归类模块:
需要说明的是,对梯度图像进行非极大值抑制处理后可以得到单像素边缘,若此时直接设定高低阈值对图像进行分割,由于图像局部存在的差异性可能导致分割效果不好,所以本实施例对非极大值抑制处理后的图像进行等区域划分,而后提取区域之间的差异性对多个区域进行分类。对于梯度图像的各个子块,根据其梯度分布的不同可以判断其存在边缘的可能性:区域的梯度均值越大且梯度波动程度越大说明该区域存在边缘的可能性越大,反之则越小。因此,本实施例通过阈值处理将所有区域划分为平滑块和边缘块。
具体的,对梯度图像进行非极大值抑制处理得到非极大值抑制处理后的梯度图像,对非极大值抑制处理后的梯度图像等区域分块,将非极大值抑制处理后的梯度图像记为,/>为图像的大小,本实施例中以图像大小为/>进行说明,即图像长度/>,图像宽度/>,单位为像素,非极大值抑制处理后的梯度图像通过等比例分块得到/>个分块图像,/>为预设的分块比例,本实施例中以分块比例/>进行叙述,具体实施时可以设置为其他值,当分块比例不能使得非极大值抑制处理后的梯度图像等比例分块时,即对非极大值抑制处理后的梯度图像中的元素进行分块操作时,可能会超出非极大值抑制处理后的梯度图像的边界,本实施例利用二次线性插值的方法将非极大值抑制处理后的梯度图像超出边界的部分进行插值填充数据。
需要说明的是,由于非极大值抑制会保留局部最大值,所以检测到分块图像存在单像素边缘时,则该分块图像的梯度均值和梯度波动程度都相对较大,因此本实施例通过平均值公式以及方差公式得到所有分块图像中的平滑块和边缘块。
具体的,获取每个分块图像的梯度均值和梯度方差,以所有分块图像中第个分块图像为例进行如下分析:/>其中,/>表示第/>个分块图像的梯度均值,/>表示第/>个分块图像的梯度均值,/>表示分块图像的总个数,/>表示第/>个分块图像的梯度方差,表示第/>个分块图像的梯度方差。若第/>个分块图像同时满足(1)(2)两式的判断条件,则将第/>个分块图像标记为平滑块,反之标记为边缘块,获取所有分块图像中平滑块和边缘块的个数,将平滑块的总个数记为/>,将边缘块的总个数记为/>。
至此,得到了平滑块和边缘块。
自适应确定边缘分割阈值模块:
需要说明的是,对于得到的平滑块,因为其中包含边缘信息的概率较小,梯度的分布较为平缓,所以本实施例通过计算梯度均值确定平滑块的高低分割阈值;对于边缘块,这些区域中存在边缘信息较多,其中梯度均值及梯度波动程度均都很大;但是对于均值较小但仍有一定波动性的区域,说明这些区域包含的边缘信息较弱,不易检测,所以本实施例对边缘信息较弱像素点进行增强处理,使其表现出的差异性更明显。
需要说明的是,对于平滑块,由于其梯度直方图没有明显的单峰且在视觉检测中对平滑块的边缘关注度较低,所以本实施例获取每个区域梯度值得平均值作为高阈值,将梯度最小值到平均值的中间值作为低阈值。
具体的,以任意一个平滑块为例,根据平滑块中像素点的梯度值得到平滑块的边缘分割阈值,具体如下:其中,/>表示第/>个平滑块的最大分割阈值,/>,/>表示第/>个平滑块中第/>个像素点的梯度值,/>表示第/>个平滑块中像素点的总个数,/>表示第/>个平滑块中像素点的最小梯度值,/>表示第/>个平滑块的最小分割阈值。第/>个平滑块的最大分割阈值和最小分割阈值为第/>个平滑块的边缘分割阈值,获取所有平滑块的边缘分割阈值。
需要说明的是,对于边缘块,视觉检测中对其关注度较高,但是在非极大值抑制处理后直接通过高低阈值对边缘进行分割可能将某些微弱边缘像素点筛选去除,导致边缘不完整,所以本实施例首先根据边缘方向判断保留的像素点之间形成边缘的概率,并以此作为权重对待检测像素点进行增强,使其表面特征更明显。同时,考虑到在边缘检测过程中,噪声可能会引入虚假边缘,所以在边缘方向上的像素点之间的梯度差异过大的话需要调整权重使该像素点的变现特征减弱,因此本实施例通过构建形成边缘概率与权重之间的关系确定待检测点的调整度。
具体的,以任意一个边缘块为例,根据边缘块中像素点边缘方向上相邻像素点之间的差异性得到边缘块中像素点的权重,具体如下:,其中,/>表示第/>个边缘块中第/>个像素点的权重,/>表示双曲正切函数,用于归一化,/>表示第/>个边缘块中第/>个像素点边缘方向上相邻像素点之间的差异性,/>表示不定参数,本实施例以不定参数/>进行叙述,具体实施时可以设置为其他值,由于噪声点的突发性会干扰边缘的方向和强度,导致在非极大值抑制过程中错误的选择不是真实的极值点,所以需要弱化噪声点的表现特征,因此引入不定参数平移使概率过大时调整权重为负值,减少噪声点梯度使其弱化。
进一步地,第个边缘块中第/>个像素点边缘方向上相邻像素点之间的差异性具体如下:/>其中,/>表示第/>个边缘块中第/>个像素点边缘方向上相邻像素点之间的差异性,/>表示第/>个边缘块中第/>个像素点的梯度值,/>和/>分别表示第/>个边缘块中第/>个像素点边缘方向上两个相邻像素点的梯度值。利用相邻像素点求梯度平均差的方式,很好的衡量了边缘块中像素点边缘方向上像素点梯度分布的分散性,若像素点的梯度过于分散,则存在噪声点的概率很大,因此本实施例在考虑增强像素点的梯度表现外也弱化了噪声点的影响。在得到边缘块中像素点的权重后,需要在其梯度方向上对其进行调整,使得像素点的表现更明显,本实施例选择像素点的梯度方向中最大梯度对应的像素点,通过加权得到像素点的调整值,而后获得调整后的灰度梯度。
具体的,根据边缘块中像素点的权重以及像素点梯度方向上的最大梯度值得到调整后的边缘块中像素点的梯度值,具体如下:其中,/>表示调整后的第/>个边缘块中第/>个像素点的梯度值,/>表示第/>个边缘块中第/>个像素点的权重,/>表示第/>个边缘块中第/>个像素点梯度方向上的最大梯度值,/>表示第/>个边缘块中第/>个像素点的梯度值。利用梯度方向上最大梯度值对像素梯度进行增强,不仅保留了梯度较大的强边缘,也增强了微弱边缘,减少了漏检的情况;同时,依据最大梯度值对像素点进行增强,提出了可能存在的噪声点,使检测结果更准确。
进一步地,对个边缘块中像素点的梯度值进行调整,/>为边缘块的总个数,得到新的非极大值抑制处理后的图像,获取/>个边缘块调整前后的梯度直方图,将梯度直方图中梯度频数差异最大时对应的梯度值作为每一个边缘块的最大分割阈值,第/>个边缘块的最大分割阈值记为/>,获取第/>个边缘块中像素点的最小梯度值,将第/>个边缘块中像素点的最小梯度值和第/>个边缘块的最大分割阈值的均值作为第/>个边缘块的最小分割阈值,记为/>,第/>个边缘块的最大分割阈值和最小分割阈值为第/>个边缘块的边缘分割阈值,获取所有边缘块的边缘分割阈值。
至此,得到了平滑块以及边缘块的边缘分割阈值。
自适应分割模块:
具体的,根据得到的平滑块边缘分割阈值以及边缘块的边缘分割阈值对非极大值抑制处理后的梯度图像进行双阈值化处理,连接边缘得到完整的边缘线,最终得到边缘分割图像。
基于得到的边缘分割图像,可以将裂缝区域较为完整的分割出来,此时得到了准确的裂缝位置,为工作人员的修复工作带来便利。
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 (9)
1.基于人工智能的桥梁健康智能监测系统,其特征在于,该系统包括以下模块:
图像采集处理模块:用于获取桥梁表面图像的梯度图像;
区域划分及归类模块:对梯度图像进行非极大值抑制,对非极大值抑制处理后的梯度图像进行分块得到分块图像,获取每个分块图像的梯度均值和梯度方差,根据分块图像的梯度均值和梯度方差得到平滑块和边缘块;
自适应确定边缘分割阈值模块:根据平滑块中像素点的梯度值得到平滑块的边缘分割阈值;根据边缘块中像素点边缘方向上相邻像素点之间的差异性得到边缘块中像素点的权重,根据边缘块中像素点的权重以及像素点梯度方向上的最大梯度值得到调整后的边缘块中像素点的梯度值;
获取边缘块调整前后的梯度直方图,根据调整前后的梯度直方图得到边缘块的最大分割阈值,根据边缘块的最大分割阈值以及边缘块中像素点的最小梯度值得到边缘块的最小分割阈值,将边缘块的最大分割阈值和最小分割阈值作为边缘块的边缘分割阈值;
自适应分割模块:根据得到的平滑块的边缘分割阈值和边缘块的边缘分割阈值对非极大值抑制处理后的梯度图像进行双阈值化处理,得到边缘分割图像。
2.根据权利要求1所述基于人工智能的桥梁健康智能监测系统,其特征在于,所述对非极大值抑制处理后的梯度图像进行分块得到分块图像,包括的具体步骤如下:
将非极大值抑制处理后的梯度图像记为V(M,N),非极大值抑制处理后的梯度图像通过等比例分块得到个分块图像,/>为预设的分块比例,M为非极大值抑制处理后的梯度图像的长度,N为非极大值抑制处理后的梯度图像的宽度。
3.根据权利要求1所述基于人工智能的桥梁健康智能监测系统,其特征在于,所述根据分块图像的梯度均值和梯度方差得到平滑块和边缘块,包括的具体步骤如下:其中,/>表示第/>个分块图像的梯度均值,/>表示第/>个分块图像的梯度均值,/>表示分块图像的总个数,/>表示第/>个分块图像的梯度方差,/>表示第/>个分块图像的梯度方差;若第/>个分块图像同时满足(1)(2)两式的判断条件,则将第/>个分块图像标记为平滑块,反之标记为边缘块。
4.根据权利要求1所述基于人工智能的桥梁健康智能监测系统,其特征在于,所述根据平滑块中像素点的梯度值得到平滑块的边缘分割阈值,包括的具体步骤如下:,其中,/>表示第/>个平滑块的最大分割阈值,/>表示第/>个平滑块中第/>个像素点的梯度值,/>表示第/>个平滑块中像素点的总个数,/>表示第/>个平滑块中像素点的最小梯度值,/>表示第/>个平滑块的最小分割阈值,第/>个平滑块的最大分割阈值和最小分割阈值为第/>个平滑块的边缘分割阈值。
5.根据权利要求1所述基于人工智能的桥梁健康智能监测系统,其特征在于,所述根据边缘块中像素点边缘方向上相邻像素点之间的差异性得到边缘块中像素点的权重,包括的具体步骤如下:,其中,/>表示第/>个边缘块中第/>个像素点的权重,/>表示双曲正切函数,/>表示第/>个边缘块中第/>个像素点边缘方向上相邻像素点之间的差异性,/>表示不定参数。
6.根据权利要求5所述基于人工智能的桥梁健康智能监测系统,其特征在于,第n个边缘块中第β个像素点边缘方向上相邻像素点之间的差异性,具体获取方法如下:,其中,∆G_(n,β)表示第n个边缘块中第β个像素点边缘方向上相邻像素点之间的差异性,G_(n,β)表示第n个边缘块中第β个像素点的梯度值,G_(n,(β-1))和G_(n,(β+1))分别表示第n个边缘块中第β个像素点边缘方向上两个相邻像素点的梯度值。
7.根据权利要求1所述基于人工智能的桥梁健康智能监测系统,其特征在于,所述根据边缘块中像素点的权重以及像素点梯度方向上的最大梯度值得到调整后的边缘块中像素点的梯度值,包括的具体步骤如下:其中,/>表示调整后的第/>个边缘块中第/>个像素点的梯度值,/>表示第/>个边缘块中第/>个像素点的权重,表示第/>个边缘块中第/>个像素点梯度方向上的最大梯度值,/>表示第/>个边缘块中第/>个像素点的梯度值。
8.根据权利要求1所述基于人工智能的桥梁健康智能监测系统,其特征在于,所述根据调整前后的梯度直方图得到边缘块的最大分割阈值,包括的具体步骤如下:
对T个边缘块中像素点的梯度值进行调整,T为边缘块的总个数,得到新的非极大值抑制处理后的图像,获取T个边缘块调整前后的梯度直方图,将梯度直方图中梯度频数差异最大时对应的梯度值作为每一个边缘块的最大分割阈值。
9.根据权利要求1所述基于人工智能的桥梁健康智能监测系统,其特征在于,所述根据边缘块的最大分割阈值以及边缘块中像素点的最小梯度值得到边缘块的最小分割阈值,包括的具体步骤如下:
获取第个边缘块中像素点的最小梯度值,将第/>个边缘块中像素点的最小梯度值和第个边缘块的最大分割阈值的均值作为第/>个边缘块的最小分割阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906800.9A CN116630321B (zh) | 2023-07-24 | 2023-07-24 | 基于人工智能的桥梁健康智能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906800.9A CN116630321B (zh) | 2023-07-24 | 2023-07-24 | 基于人工智能的桥梁健康智能监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630321A true CN116630321A (zh) | 2023-08-22 |
CN116630321B CN116630321B (zh) | 2023-10-03 |
Family
ID=87610254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310906800.9A Active CN116630321B (zh) | 2023-07-24 | 2023-07-24 | 基于人工智能的桥梁健康智能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630321B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912260A (zh) * | 2023-09-15 | 2023-10-20 | 沂水友邦养殖服务有限公司 | 基于人工智能的肉鸡养殖健康状态检测方法 |
CN117649394A (zh) * | 2023-12-14 | 2024-03-05 | 广州欣贝医疗科技有限公司 | 掺铥光纤激光治疗机精准度调整方法和系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020114512A1 (en) * | 2001-02-20 | 2002-08-22 | Ravishankar Rao | Color clustering and segmentation using sigma filtering |
CN101159009A (zh) * | 2007-11-09 | 2008-04-09 | 西北工业大学 | 从遥感图像中检测桥梁的方法 |
US20120026352A1 (en) * | 2009-07-29 | 2012-02-02 | Harman Becker Automotive Systems Gmbh | Edge detection with adaptive threshold |
US20150294477A1 (en) * | 2014-04-09 | 2015-10-15 | Google Inc. | Image-Based Bridge Identification and Boundary Detection |
CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
JP2017053819A (ja) * | 2015-09-11 | 2017-03-16 | 国立大学法人富山大学 | コンクリートのひび割れ検出方法及び検出プログラム |
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
US20180374220A1 (en) * | 2015-12-09 | 2018-12-27 | Kyungpook National University Industry-Academic Cooperation Foundation | Apparatus and method for dividing of static scene based on statistics of images |
CN109523479A (zh) * | 2018-11-10 | 2019-03-26 | 东莞理工学院 | 一种桥墩表面缝隙视觉检测方法 |
CN110136196A (zh) * | 2019-01-30 | 2019-08-16 | 西安电子科技大学 | 一种桥梁裂缝宽度自动测量方法 |
CN110390669A (zh) * | 2019-06-26 | 2019-10-29 | 杭州电子科技大学 | 一种桥梁图像中裂缝的检测方法 |
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
WO2021068486A1 (zh) * | 2019-10-12 | 2021-04-15 | 深圳壹账通智能科技有限公司 | 基于图像识别的视力检测方法、装置、及计算机设备 |
CN113313727A (zh) * | 2020-02-27 | 2021-08-27 | 广东锡源爆破科技股份有限公司 | 结合形态学梯度的双门限阈值爆堆岩石块度图像分割方法 |
CN115578315A (zh) * | 2022-09-07 | 2023-01-06 | 中铁建投山西高速公路有限公司 | 一种基于无人机图像的桥梁应变近景摄影测量方法 |
CN115880285A (zh) * | 2023-02-07 | 2023-03-31 | 南通南铭电子有限公司 | 一种铝电解电容器引出线异常识别方法 |
WO2023082418A1 (zh) * | 2021-11-09 | 2023-05-19 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
-
2023
- 2023-07-24 CN CN202310906800.9A patent/CN116630321B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020114512A1 (en) * | 2001-02-20 | 2002-08-22 | Ravishankar Rao | Color clustering and segmentation using sigma filtering |
CN101159009A (zh) * | 2007-11-09 | 2008-04-09 | 西北工业大学 | 从遥感图像中检测桥梁的方法 |
US20120026352A1 (en) * | 2009-07-29 | 2012-02-02 | Harman Becker Automotive Systems Gmbh | Edge detection with adaptive threshold |
US20150294477A1 (en) * | 2014-04-09 | 2015-10-15 | Google Inc. | Image-Based Bridge Identification and Boundary Detection |
JP2017053819A (ja) * | 2015-09-11 | 2017-03-16 | 国立大学法人富山大学 | コンクリートのひび割れ検出方法及び検出プログラム |
US20180374220A1 (en) * | 2015-12-09 | 2018-12-27 | Kyungpook National University Industry-Academic Cooperation Foundation | Apparatus and method for dividing of static scene based on statistics of images |
CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
CN109523479A (zh) * | 2018-11-10 | 2019-03-26 | 东莞理工学院 | 一种桥墩表面缝隙视觉检测方法 |
CN110136196A (zh) * | 2019-01-30 | 2019-08-16 | 西安电子科技大学 | 一种桥梁裂缝宽度自动测量方法 |
CN110390669A (zh) * | 2019-06-26 | 2019-10-29 | 杭州电子科技大学 | 一种桥梁图像中裂缝的检测方法 |
WO2021068486A1 (zh) * | 2019-10-12 | 2021-04-15 | 深圳壹账通智能科技有限公司 | 基于图像识别的视力检测方法、装置、及计算机设备 |
CN113313727A (zh) * | 2020-02-27 | 2021-08-27 | 广东锡源爆破科技股份有限公司 | 结合形态学梯度的双门限阈值爆堆岩石块度图像分割方法 |
WO2023082418A1 (zh) * | 2021-11-09 | 2023-05-19 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
CN115578315A (zh) * | 2022-09-07 | 2023-01-06 | 中铁建投山西高速公路有限公司 | 一种基于无人机图像的桥梁应变近景摄影测量方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN115880285A (zh) * | 2023-02-07 | 2023-03-31 | 南通南铭电子有限公司 | 一种铝电解电容器引出线异常识别方法 |
Non-Patent Citations (4)
Title |
---|
李庆忠;刘洋;: "基于改进Canny算子的图像弱边缘检测算法", 计算机应用研究, no. 1 * |
杨娉娉;武林会;米红妹;朱建明;: "改进的3D Canny算子在MRI乳腺图像分析中的应用", 计算机测量与控制, no. 09 * |
郑积仕;: "一种基于自适应阈值的车辆边缘提取算法研究", 武汉交通职业学院学报, no. 01 * |
陈小宇, 贺赛先, 乔翠兰, 汪瑞祥, 尹建武: "一种提取模糊图像边缘区域的双阈值分割方法", 黄冈师范学院学报, no. 06 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912260A (zh) * | 2023-09-15 | 2023-10-20 | 沂水友邦养殖服务有限公司 | 基于人工智能的肉鸡养殖健康状态检测方法 |
CN116912260B (zh) * | 2023-09-15 | 2023-11-28 | 沂水友邦养殖服务有限公司 | 基于人工智能的肉鸡养殖健康状态检测方法 |
CN117649394A (zh) * | 2023-12-14 | 2024-03-05 | 广州欣贝医疗科技有限公司 | 掺铥光纤激光治疗机精准度调整方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116630321B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116630321B (zh) | 基于人工智能的桥梁健康智能监测系统 | |
CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
CN104483326B (zh) | 基于深度信念网络的高压线绝缘子缺陷检测方法及系统 | |
CN109785285B (zh) | 一种基于椭圆特征拟合的绝缘子破损检测方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN109410230A (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN103442209A (zh) | 一种输电线路的视频监控方法 | |
CN109377450B (zh) | 一种边缘保护的去噪方法 | |
CN112819094A (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
CN109850518B (zh) | 一种基于红外图像的实时矿用胶带预警撕裂检测方法 | |
CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
CN112595276A (zh) | 一种基于深度学习的输电线路覆冰厚度检测方法 | |
CN105787912A (zh) | 一种基于分类的阶跃型边缘亚像素定位方法 | |
CN116524196A (zh) | 一种基于图像识别技术的输电线智能检测系统 | |
CN109800641B (zh) | 基于阈值自适应二值化和连通域分析的车道线检测方法 | |
CN112288726A (zh) | 一种井下带式输送机带面异物检测方法 | |
CN115330752A (zh) | 基于深度图像识别的路面隐性剥落点检测方法及系统 |
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 |