CN116703888B - 一种钻孔灌注桩施工辅助异常检测方法及其系统 - Google Patents
一种钻孔灌注桩施工辅助异常检测方法及其系统 Download PDFInfo
- Publication number
- CN116703888B CN116703888B CN202310934090.0A CN202310934090A CN116703888B CN 116703888 B CN116703888 B CN 116703888B CN 202310934090 A CN202310934090 A CN 202310934090A CN 116703888 B CN116703888 B CN 116703888B
- Authority
- CN
- China
- Prior art keywords
- gray value
- gray
- column
- target column
- contrast
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000010276 construction Methods 0.000 title claims abstract description 29
- 230000005856 abnormality Effects 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000003708 edge detection Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 82
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 230000001965 increasing effect Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 229920003169 water-soluble polymer Polymers 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
- 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
- G06T5/40—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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请涉及图像数据处理领域,特别涉及一种钻孔灌注桩施工辅助异常检测方法及其系统,包括:基于初始桩孔灰度图像的第一背景区域与第二背景区域中频数最大的像素灰度值,确认裂痕区域对应的初始灰度值区间,再将裂痕区域对应的初始灰度值区间按照预设拓展规则进行拓展,确认若干个拉伸灰度值区间,然后计算若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间,并且基于增强灰度值区间,将初始桩孔灰度图像进行分段式的图像增强,确认最终桩孔灰度图像,最后将最终桩孔灰度图像输入边缘检测模型,检测桩孔对应的状态类型。本发明相对传统的人工检测桩孔裂痕,提高检测准确性,降低检测工作成本。
Description
技术领域
本申请涉及图像数据处理领域,特别涉及一种钻孔灌注桩施工辅助异常检测方法及其系统。
背景技术
钻孔灌注桩是指在工程现场通过机械钻孔、钢管挤土或人力挖掘等手段在地基土中形成桩孔,并在其内放置钢筋笼、灌注混凝土而做成的桩,依照成孔方法不同,灌注桩又可分为沉管灌注桩、钻孔灌注桩和挖孔灌注桩等几类。而在施工过程中,因施工条件、土质或者其他客观因素,常见钻孔后的桩孔容易产生裂缝,桩孔产生裂缝会严重降低桩护壁的持久性和承受能力,这种桩孔如不及时处理,会使灌注工程存在安全隐患,则桩孔的裂痕检测尤为重要。
现有桩孔的裂痕检测,可通过计算机视觉方法,通过图像中的边缘信息确定裂痕信息,但是图像在采集和传输过程中会出现大量噪声影响,使得图像质量下降,裂痕信息不突出,无法准确检测出桩孔的裂痕。
发明内容
鉴于以上内容,有必要提供一种钻孔灌注桩施工辅助异常检测方法及其系统,相对于传统的图像处理,进一步提高桩孔裂痕的检测准确性,降低桩孔裂痕的检测工作成本。
本申请第一方面提供一种钻孔灌注桩施工辅助异常检测方法,应用于桩孔裂痕检测领域,所述方法包括:基于初始桩孔灰度图像的第一背景区域与第二背景区域中频数最大的像素灰度值,确认裂痕区域对应的初始灰度值区间;将所述裂痕区域对应的初始灰度值区间按照预设拓展规则进行拓展,确认若干个拉伸灰度值区间;计算所述若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间;基于所述增强灰度值区间,将所述初始桩孔灰度图像的第一背景区域、第二背景区域以及裂痕区域分段式增强,确认最终桩孔灰度图像;将所述最终桩孔灰度图像输入边缘检测模型,检测所述桩孔对应的状态类型。
在其中一种实施例中,所述基于初始桩孔灰度图像的第一背景区域与第二背景区域中频数最大的像素灰度值,确认裂痕区域对应的初始灰度值区间,具体包括:统计所述初始桩孔灰度图像中所有像素点的灰度值,确认所述初始桩孔灰度图像对应的灰度分布直方图;将所述灰度分布直方图中排序第一与第二的频率对应的灰度值,确认为第一背景区域与第二背景区域中频数最大的像素灰度值;将所述第一背景区域与第二背景区域中频数最大的像素灰度值定义为区间端点,确认裂痕区域对应的初始灰度值区间。
在其中一种实施例中,所述将所述裂痕区域对应的初始灰度值区间按照预设拓展规则进行拓展,确认若干个拉伸灰度值区间,具体包括:将所述初始灰度值区间的左端点减小预设数值,以及将所述初始灰度值区间的右端点增大预设数值,确认第一拉伸灰度值区间;将所述第一拉伸灰度值区间迭代上一步骤的所述初始灰度值区间,确认若干个所述拉伸灰度区间,其中,所述若干个所述拉伸灰度区间包括所述初始灰度值区间。
在其中一种实施例中,所述计算所述若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间,具体包括:将所述拉伸灰度值区间对应的图像区域作最小外接矩形处理,以确认所述拉伸灰度值区间对应的灰度值矩阵;基于所述拉伸灰度值区间对应的灰度值矩阵,计算拉伸灰度值区间对应的图像区域的行对比度与列对比度;将所述拉伸灰度值区间对应的行对比度与列对比度,输入预设的模糊度计算公式,确认所述拉伸灰度值区间对应的模糊度;统计若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间。
在其中一种实施例中,所述基于所述拉伸灰度值区间对应的灰度值矩阵,计算拉伸灰度值区间对应的图像区域的列对比度,具体包括:根据所述目标列灰度值序列按照预设划分规则进行划分,确认预设数量的子序列,其中,所述子序列包括预设数量按照目标列灰度值序列的像素排序顺序进行行排列的灰度值;将所述预设数量的子序列按照列方向进行矩阵排序,确认目标列灰度值矩阵;基于所述目标列灰度值矩阵中每行灰度值均值,计算所述目标列灰度值序列对应的第一目标列对比度参数;根据所述子序列中每个像素点的灰度值,计算所述目标列灰度值序列对应的第二目标列对比度参数;改变目标列,获得每列的第一目标列对比度和第二目标列对比度,将每列灰度值序列对应的第一目标列对比度参数与第二目标列参数对比度输入列对比度计算公式,确认拉伸灰度值区间对应的图像区域的列对比度。
在其中一种实施例中,所述基于所述目标列灰度值矩阵中每行灰度值均值,计算所述目标列灰度值序列对应的第一目标列对比度参数,具体包括:
其中,所述是指第列灰度值序列对应的第一目标列对比度参数,是指目标
列灰度值矩阵中的总行数,是指目标列灰度值矩阵中第行的灰度值均值,指目标列
灰度值矩阵中第行的灰度值均值。
在其中一种实施例中,所述根据所述子序列中每个像素点的灰度值,计算所述目标列灰度值序列对应的第二目标列对比度参数,具体包括:
其中,所述是指第列灰度值序列对应的第二目标列对比度参数,是指目标
列灰度值矩阵中的总行数,是指第列灰度值矩阵对应的子序列的像素点总数,是
指第列灰度值矩阵中第q行子序列中第d个像素点灰度值,是指第列灰度值矩
阵中第q行子序列中第个像素点灰度值。
在其中一种实施例中,所述列对比度的获取方法,具体包括:
其中,所述是指拉伸灰度值区间对应的图像区域的列对比度,z是指所述拉伸灰
度值区间对应的灰度值矩阵的列数,是指第列灰度值序列对应的第一目标列对比度
参数,是指第列灰度值序列对应的第二目标列对比度参数。
在其中一种实施例中,所述基于所述增强灰度值区间,将所述初始桩孔灰度图像的第一背景区域、第二背景区域以及裂痕区域分段式增强,确认最终桩孔灰度图像,具体包括:
将所述增强灰度值区间与初始灰度值区间,输入预设分段线性增强模型,确认所述初始桩孔灰度图像中每个像素对应的增强灰度值;
基于所述初始桩孔灰度图像中每个像素对应的增强灰度值,确认最终桩孔灰度图像;对应的,所述预设分段线性增强模型为:
其中,为初始桩孔灰度图像中灰度值对应的增强灰度值为初始灰度值
区间的左区间端点,为初始灰度值区间的右区间端点,为增强灰度值区间的左区间端
点,为增强灰度值区间的右区间端点。
本申请第二方面提供一种钻孔灌注桩施工辅助异常检测系统,应用于桩孔裂痕检测领域,所述系统包括:确认模块,用于基于初始桩孔灰度图像的第一背景区域与第二背景区域中频数最大的像素灰度值,确认裂痕区域对应的初始灰度值区间;拓展模块,用于将所述裂痕区域对应的初始灰度值区间按照预设拓展规则进行拓展,确认若干个拉伸灰度值区间;计算模块,用于计算所述若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间;增强模块,用于基于所述增强灰度值区间,将所述初始桩孔灰度图像的第一背景区域、第二背景区域以及裂痕区域分段式增强,确认最终桩孔灰度图像;检测模块,用于将所述最终桩孔灰度图像输入边缘检测模型,检测所述桩孔对应的状态类型。
本申请实施例通过基于初始桩孔灰度图像的第一背景区域与第二背景区域中频数最大的像素灰度值,确认裂痕区域对应的初始灰度值区间,再将所述裂痕区域对应的初始灰度值区间按照预设拓展规则进行拓展,确认若干个拉伸灰度值区间,然后计算所述若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间,并且基于所述增强灰度值区间,将所述初始桩孔灰度图像的第一背景区域、第二背景区域以及裂痕区域分段式增强,确认最终桩孔灰度图像,最后将所述最终桩孔灰度图像输入边缘检测模型,检测所述桩孔对应的状态类型。通过对初始桩孔灰度图像进行分段式增强得到最终桩孔灰度图像,以实现对桩孔对应的状态类型进行识别,相对传统的直接采用图像处理方法检测桩孔裂痕,通过增强图像质量,提高图像中的特征差异,进而提高桩孔裂痕的检测准确性,降低桩孔裂痕的检测工作成本。
附图说明
图1是本申请实施例的钻孔灌注桩施工辅助异常检测方法的流程示意图。
图2是本申请实施例的钻孔灌注桩施工辅助异常检测方法的第一子流程示意图。
图3是本申请实施例的钻孔灌注桩施工辅助异常检测方法的第二子流程示意图。
图4是本申请实施例的钻孔灌注桩施工辅助异常检测方法的第三子流程示意图。
图5是本申请实施例的钻孔灌注桩施工辅助异常检测方法的第四子流程示意图。
图6是本申请实施例的钻孔灌注桩施工辅助异常检测方法的第五子流程示意图。
图7是本申请实施例的钻孔灌注桩施工辅助异常检测系统的方框示意图。
具体实施方式
在本申请实施例的描述中,“示例性”、“或者”、“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性”、“或者”、“例如”等词旨在以具体方式呈现相关概念。
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申请中的技术领域的技术人员通常理解的含义相同。本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。应理解,本申请中除非另有说明,“/”表示或的意思。例如,A/B可以表示A或B。本申请中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B三种情况。“至少一个”是指一个或者多个。“多个”是指两个或多于两个。例如,a、b或c中的至少一个,可以表示:a,b,c,a和b,a和c,b和c,a、b和c七种情况。
另外需要说明的是,本申请的说明书和权利要求书及附图中的术语“第一”、“第二”是用于部别类似的对象,而不是用于描述特定的顺序或先后次序。本申请实施例中公开的方法或流程图所示出的方法,包括用于实现方法的一个或多个步骤,在不脱离权利要求的范围的情况下,多个步骤的执行顺序可以彼此互换,其中某些步骤也可以被删除。
本申请实施例首先提出一种钻孔灌注桩施工辅助异常检测方法,应用于桩孔裂痕检测领域,参考附图1,所述方法包括以下步骤:
S101、基于初始桩孔灰度图像的第一背景区域与第二背景区域中频数最大的像素灰度值,确认裂痕区域对应的初始灰度值区间。
其中,所述初始桩孔灰度图像是指通过图像采集设备对桩孔内壁进行的图像采集,然后对所采集的图像进行预设去噪与二值化处理,得到的桩孔内壁对应的二值化灰度图像。需要说明的是,利用图像采集设备对桩孔内壁进行的图像采集得到RGB空间下的图像,大致可分为三个区域,图像最上边对应的白色背景区域,因图像最上边接近孔口,光线充足,则照片中为白色,图像中间对应的灰色区域,因图像中间光照没有孔口强,中间区域多数呈灰色,以及图像最下面对应的黑色区域,因图像最下面区域为桩孔昏暗深处,则主要呈黑色。所述第一背景区域为图像最上边接近桩孔口对应的白色背景区域,所述第二背景区域为图像最下面桩孔昏暗深处对应的黑色背景区域,所述裂痕区域是指桩孔裂痕在所述桩孔灰度图像中存在的区域。所述第一背景区域与第二背景区域中频数最大的像素灰度值,是指第一背景区域中出现的频率最大的一个像素灰度值,以及第二背景区域中出现的频率最大的像素灰度值。裂痕区域对应的初始灰度值区间,是指所述裂痕区域中的像素点所在像素灰度值区间。
进一步的,所述预设去噪可以是非局部均值滤波算法,所述非局部均值滤波算法利用了自然图像中的每个小块都存在关联性,与均值滤波是对邻域内的所有像素求和再平均的方法不同,它先在整幅图像中寻找相似的图像块,再根据图像块的相似度大小来赋予其不同的权值,以此来实现图像去噪。
具体的,参照附图2,所述基于初始桩孔灰度图像的第一背景区域与第二背景区域中频数最大的像素灰度值,确认裂痕区域对应的初始灰度值区间,具体包括:
S201、统计所述初始桩孔灰度图像中所有像素点的灰度值,确认所述初始桩孔灰度图像对应的灰度分布直方图。
其中,先获取初始桩孔灰度图像中所有像素点的灰度值,并基于初始桩孔灰度图像中所有像素点的灰度值,建议横坐标为像素点灰度值,纵坐标为出现频率的灰度分布直方图。
S202、将所述灰度分布直方图中排序第一与第二的频率对应的灰度值,确认为第一背景区域与第二背景区域中频数最大的像素灰度值。
其中,获取所述灰度分布直方图中排序第一与第二的频率对应的灰度值的方式可为多样,可根据所述初始桩孔灰度图像对应的灰度分布直方图直接进行识别,以确认排序第一与第二的频率对应的灰度值。也可将灰度分布直方图中的数据通过一元非线性拟合得到频率函数,并得到拟合图像,通过对频率函数进行求导,确认拟合图像对应的极值点,最大极值点的前两位即为所述灰度分布直方图中排序第一与第二的频率对应的灰度值。具体可为:
将频率函数记为,其中表示灰度级频数,表示像素灰度值级。
对所述频率函数进行求导,且求导为0时,即,可以得到极值点横坐标的集合,对
应图像上就是拟合图像峰值的横坐标。根据得到的集合,即:
需要说明的时,此时的集合U包括了极大值点与极小值点,需要的确认的是极大值
点的坐标集合,则对所述集合U进行筛选,得到极大值点集合与极小值点集合,具体筛
选可为:根据集合中的所有灰度值,把集合中每个点的左右各一点带入频率函数,将集合
分成极大值点横坐标集合和极小值点横坐标集合,即:
由上述公式可得,即为极大值点横坐标集合和即为极小值点横坐标集合。
需要说明的是,将所述灰度分布直方图中排序第一与第二的频率对应的灰度值,确认为第一背景区域与第二背景区域中频数最大的像素灰度值,是因为桩孔对应的图像中三个区域的分布特性进行确认的,也即图像最下面桩孔昏暗深处对应的黑色背景区域与图像最上边接近桩孔口对应的白色背景区域的区域面积较大(灰色裂痕区域最小),且两者区域所呈现颜色较相似,也即灰度分布直方图中排序第一与第二的频率对应的灰度值,即为白色背景区域与黑色背景区域对应的频数最大的像素灰度值,也即所述灰度分布直方图中排序第一与第二的频率对应的灰度值,即为第一背景区域与第二背景区域中频数最大的像素灰度值。
S203、将所述第一背景区域与第二背景区域中频数最大的像素灰度值定义为区间端点,确认裂痕区域对应的初始灰度值区间。
其中,得到所述第一背景区域与第二背景区域中频数最大的像素灰度值之后,将频数最大的两个像素灰度值中较小的一个像素灰度值作为初始灰度值区间左端点,将频数最大的两个像素灰度值中较大的一个像素灰度值作为初始灰度值区间右端点,以确认裂痕区域对应的初始灰度值区间。
需要说明的是,根据桩孔对应的图像中三个区域的分布特性,最上方白色背景区域、中间灰色裂痕区域以及最下方黑色背景区域,白色对应的像素灰度值相对于黑色的像素灰度值较大,灰色对应的像素灰度值则处于白色与黑色之间,则白色背景区域中频数最大的灰度值为最大,黑色背景区域中频数最大的灰度值为最小,且因灰色对应的像素灰度值则处于白色与黑色之间,则将所述第一背景区域与第二背景区域中频数最大的像素灰度值定义为区间端点,即为裂痕区域对应的初始灰度值区间。
S102、将所述裂痕区域对应的初始灰度值区间按照预设拓展规则进行拓展,确认若干个拉伸灰度值区间。
其中,所述若干个拉伸灰度值区间是指根据所述初始灰度值区间根据预设拓展规则进行拓展得到的多个区间范围,另外,所述初始灰度值区间为所述若干个拉伸灰度值区间中的其中一个。举个例子,所述初始灰度值区间为(100,160),所述预设拓展规则为左端点值减5点灰度值,右端点值加5点灰度值,共得到3个拉伸灰度值区间,则,所述3个拉伸灰度值区间分别包括:(100,160)、(95,165)以及(90,170)。
具体的,参照附图3,所述将所述裂痕区域对应的初始灰度值区间按照预设拓展规则进行拓展,确认若干个拉伸灰度值区间,具体包括:
S301、将所述初始灰度值区间的左端点减小预设数值,以及将所述初始灰度值区间的右端点增大预设数值,确认第一拉伸灰度值区间;
S302、将所述第一拉伸灰度值区间迭代上一步骤的所述初始灰度值区间,确认若干个所述拉伸灰度区间,其中,所述若干个所述拉伸灰度区间包括所述初始灰度值区间。
需要说明的是,将所述初始灰度值区间的左端点减小预设数值与右端点增大预设
数值可为数值不同,也可为数值相同。可以理解的是,后一个拉伸灰度值区间囊括了前一个
拉伸灰度值区间,举个例子,假设拉伸灰度值区间为第一拉伸灰度值区间、第二拉伸
灰度值区间第n个拉伸灰度值区间,是由初始灰度值区间依次延伸
来的,每个区间都包含,并且,,,。优选的,本案C取整数,经验取值为20,即预设个数为10。
S103、计算所述若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间。
其中,所述若干个拉伸灰度值区间对应的模糊度,是指在初始桩孔灰度图像中在若干个拉伸灰度值区间内的图像区域的模糊程度。所述模糊度越小,对应的图像区域的清晰度越高,裂痕的表征越明显,反之,所述模糊度越大,对应的图像区域的清晰度越低,裂痕的表征越不明显,因此,将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间。举个例子,所述干个拉伸灰度值区间分别为第一拉伸灰度值区间、第二拉伸灰度值区间以及第三拉伸灰度值区间,第一拉伸灰度值区间对应的模糊度最小,则将所述第一拉伸灰度值区间确认为增强灰度值区间。
S104、基于所述增强灰度值区间,将所述初始桩孔灰度图像的第一背景区域、第二背景区域以及裂痕区域分段式增强,确认最终桩孔灰度图像。
其中,基于所述增强灰度值区间,将所述初始桩孔灰度图像的第一背景区域、第二背景区域以及裂痕区域分段式增强,是指将所述裂痕区域像素对应的初始灰度值区间增强至增强灰度值区间,将所述第一背景区域与第二背景区域分别依照对应的预设规则进行抑制,以是裂痕区域对应的图像细节能够更清晰地表征,换句话说,即是增强裂痕区域中的对比度,让所述裂痕区域中的裂痕更清楚的显现,以使后续得到的最终桩孔灰度图像能够更好的识别出桩孔中的裂痕。
S105、将所述最终桩孔灰度图像输入边缘检测模型,检测所述桩孔对应的状态类型。
其中,所述边缘检测模型是指根据所述最终桩孔灰度图像能够检测对应最终桩孔灰度图像的桩孔状态类型。所述边缘检测模型可以是LOG算子,所述LOG算子可简单分为三步骤:(1) 采用二维高斯滤波器平滑滤波;(2)采用二维拉普算子进行图像增强;(3)依据二阶导数零交叉进行边缘检测。具体运算方式参照现有技术记载,本案不对LOG算子作进一步限定。
具体的,所述桩孔对应的状态类型包括:桩孔正常状态以及桩孔异常状态。当最终桩孔灰度图像输入边缘检测模型,所述边缘检测模型输出的状态类型为桩孔正常状态,是指当前最终桩孔灰度图像对应的桩孔,不存在裂痕。当最终桩孔灰度图像输入边缘检测模型,所述边缘检测模型输出的状态类型为桩孔异常状态,是指当前最终桩孔灰度图像对应的桩孔,存在裂痕。
本申请实施例通过基于初始桩孔灰度图像的第一背景区域与第二背景区域中频数最大的像素灰度值,确认裂痕区域对应的初始灰度值区间,再将所述裂痕区域对应的初始灰度值区间按照预设拓展规则进行拓展,确认若干个拉伸灰度值区间,然后计算所述若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间,并且基于所述增强灰度值区间,将所述初始桩孔灰度图像的第一背景区域、第二背景区域以及裂痕区域分段式增强,确认最终桩孔灰度图像,最后将所述最终桩孔灰度图像输入边缘检测模型,检测所述桩孔对应的状态类型。通过对初始桩孔灰度图像进行分段式增强得到最终桩孔灰度图像,以实现对桩孔对应的状态类型进行识别,相对传统的人工检测桩孔裂痕,提高桩孔裂痕的检测准确性,降低桩孔裂痕的检测工作成本。
在本申请的一种实施例中,并参阅图4,所述步骤S103:所述计算所述若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间,具体包括:
S401、将所述拉伸灰度值区间对应的图像区域作最小外接矩形处理,以确认所述拉伸灰度值区间对应的灰度值矩阵。
其中,在获取到所述拉伸灰度值区间之后,根据预设的图像分割算法将拉伸灰度值区间对应的图像区域在所述初始桩孔灰度图像中分割出来,需要说明的是,图像分割算法可为双阈值图像分割,所述双阈值图像分割是通过划分上限和下限并提出两个阈值中间灰度域作为有效区域, 能够更有效地将目标物体从图像中分割出来。在得到所述拉伸灰度值区间对应的图像区域之后,进行最小外接矩形处理,以得到拉伸灰度值区间对应的矩形图像,则可进一步的得到拉伸灰度值区间对应的灰度值矩阵。
S402、基于所述拉伸灰度值区间对应的灰度值矩阵,计算拉伸灰度值区间对应的图像区域的行对比度与列对比度。
其中,所述灰度值矩阵是指根据行列排布的像素点对应的灰度值进行排列得到的矩阵,则所述灰度值矩阵包括多个行像素点灰度值与多个列像素点灰度值。可根据所述多个行像素点灰度值与多个列像素点灰度值,进一步计算得到拉伸灰度值区间对应的图像区域的行对比度与列对比度。所述行对比度是指拉伸灰度值区间对应的图像区域在行方向上不同亮度层级的差异大小,所述列对比度是指拉伸灰度值区间对应的图像区域在列方向上不同亮度层级的差异大小。需要说明的是,计算拉伸灰度值区间对应的图像区域的行对比度与计算拉伸灰度值区间对应的图像区域的列对比度的方式相同。
S403、将所述拉伸灰度值区间对应的图像区域的行对比度与列对比度,输入预设的模糊度计算公式,确认所述拉伸灰度值区间对应的模糊度。
其中,在获取到所述拉伸灰度值区间对应的图像区域的行对比度与列对比度之后,综合所述行对比度与列对比度两个对比度参数,以根据预设的模糊度计算公式,计算拉伸灰度值区间对应的模糊度。所述拉伸灰度值区间对应的模糊度是指拉伸灰度值区间对应的图像区域的模糊程度。
S404、统计若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间。
其中,在获取到所述若干个拉伸灰度值区间对应的模糊度之后,将所述若干个拉伸灰度值区间对应的模糊度进行排序,以得到最小模糊度,并将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间。
在本实施例中,通过将裂痕区域对应的初始灰度值区间进行拓展,得到若干个拉伸灰度值区间,以在所述拉伸灰度值区间筛选出对应模糊度最小的拉伸灰度值区间,以作为所述裂痕区域对应的初始灰度值区间的最终增强灰度值区间。通过所述增强灰度值区间对裂痕区域进行对应增强,能够增加裂痕在所述初始裂痕灰度图像中的表征,以使后续裂痕识别能够更精准。
在本申请的一种实施例中,因步骤S402中计算拉伸灰度值区间对应的图像区域的行对比度与计算拉伸灰度值区间对应的图像区域的列对比度的方式相同,则本实施例以计算计算拉伸灰度值区间对应的图像区域的列对比度为例进行解释说明,具体可参阅图5,所述步骤S402、所述基于所述拉伸灰度值区间对应的灰度值矩阵,计算拉伸灰度值区间对应的图像区域的列对比度,具体包括:
S501、根据所述目标列灰度值序列按照预设划分规则进行划分,确认预设数量的子序列,其中,所述子序列包括预设数量按照目标列灰度值序列的像素排序顺序进行行排列的灰度值。
其中,先获取拉伸灰度值区间对应的灰度值矩阵中目标列灰度值序列,所述目标
列灰度值序列是指灰度值矩阵中的一列像素灰度值,再将目标列灰度值序列按照预设划分
规则进行划分,是指预先设定一个预设长度的子序列窗口,将所述子序列窗口在目标列灰
度值序列中按列方向依次平移,再将子序列窗口得到的灰度值进行行排列,得到预设数量
的子序列。举个例子,所述目标列灰度值序列为,所述预设
长度的子序列窗口为三个灰度值的子序列窗口,则子序列窗口从目标列灰度值序列的第一
个灰度值78开始向后平移,即第一子序列为,第二个子序列是从第二个灰度值65
开始,即第二个子序列为,第三个子序列是从第二个灰度值79开始,即第三个子序
列为,以此类推,得到最后一个子序列为止。
S502、将所述预设数量的子序列按照列方向进行矩阵排序,确认目标列灰度值矩阵。
其中,将所述预设数量的子序列按照列方向进行矩阵排序,也即将预设数量的子
序列按照列方向进行排序,得到目标列灰度值矩阵。参照上述步骤例子,目标列灰度值矩阵
为:。
S503、基于所述目标列灰度值矩阵中每行灰度值均值,计算所述目标列灰度值序列对应的第一目标列对比度参数。
其中,所述目标列灰度值矩阵中每行灰度值均值,也即是指目标列灰度值矩阵中每个子序列的灰度值均值,根据所述目标列灰度值矩阵中每个子序列的灰度值均值,计算所述目标列灰度值序列对应的第一目标列对比度参数。所述第一目标列对比度参数,是指计算拉伸灰度值区间对应的图像区域的列对比度的一个计算参数。
具体的,所述基于所述目标列灰度值矩阵中每行灰度值均值,计算所述目标列灰度值序列对应的第一目标列对比度参数,具体包括:
其中,所述是指第列灰度值序列对应的第一目标列对比度参数,是指目标
列灰度值矩阵中的总行数,是指目标列灰度值矩阵中第行的灰度值均值,指目标列
灰度值矩阵中第行的灰度值均值。当所述时,也即计算同一行的第一目标列对比度
参数,所述第一目标列对比度参数=0。
需要说明的是,计算目标列灰度值矩阵中不同的行之间的第一目标列对比度参
数,即为计算裂缝区域对应的灰度值矩阵中第列元素序列的列对比度。可用均值之间的欧
氏距离来度量列对比度,两两不同行向量的元素均值相差越大,列对比度越大。即当所述第
一目标列对比度参数越大,所述拉伸灰度值区间对应的图像区域的列对比度越大。
S504、根据所述子序列中每个像素点的灰度值,计算所述目标列灰度值序列对应的第二目标列对比度参数。
其中,所述子序列中每个像素点的灰度值即为灰度值矩阵中目标列的其中一部分,则计算所述子序列中行方向上的对比度,并以此作为参数以计算所述目标列灰度值序列对应的第二目标列对比度参数。所述第二目标列对比度参数,是指计算拉伸灰度值区间对应的图像区域的列对比度的另一个计算参数。
具体的,所述根据所述子序列中每个像素点的灰度值,计算所述目标列灰度值序列对应的第二目标列对比度参数,具体包括:
其中,所述是指第列灰度值序列对应的第二目标列对比度参数,是指目标
列灰度值矩阵中的总行数,是指第列灰度值矩阵对应的子序列的像素点总数,是
指第列灰度值矩阵中第q行子序列中第d个像素点灰度值,是指第列灰度值矩
阵中第q行子序列中第个像素点灰度值。
需要说明的是,因子序列中每个像素点的灰度值即为灰度值矩阵中目标列的其中一部分,则计算目标列中所有子序列中相邻像素点灰度值之间的对比度,即为拉伸灰度值区间对应的图像区域的列对比度。当所述第二目标列对比度参数越大,所述拉伸灰度值区间对应的图像区域的列对比度越大。
S505、将所述目标列灰度值序列对应的第一目标列对比度参数与第二目标列参数对比度输入列对比度计算公式,确认拉伸灰度值区间对应的图像区域的列对比度。
其中,通过所述目标列灰度值序列对应的第一目标列对比度参数与第二目标列参数,也即通过将拉伸灰度值区间对应的目标列之间的灰度值进行拆分计算,得到两个列对比度的计算参数,改变目标列,获得每列的第一目标列对比度和第二目标列对比度,将每列灰度值序列对应的第一目标列对比度参数与第二目标列参数对比度输入列对比度计算公式,确认拉伸灰度值区间对应的图像区域的列对比度。
具体的,所述列对比度的获取方法,具体包括:
其中,所述是指拉伸灰度值区间对应的图像区域的列对比度,z是指所述拉伸灰
度值区间对应的灰度值矩阵的列数,是指第列灰度值序列对应的第一目标列对比度
参数,是指第列灰度值序列对应的第二目标列对比度参数。
进一步的,通过上述相同的方式,可得到拉伸灰度值区间对应的图像区域的行对
比度,所述拉伸灰度值区间对应的图像区域的行对比度记为具体计算方式参照上述列对
比度,在此不再赘述。
对应的,所述步骤S403、将所述拉伸灰度值区间对应的图像区域的行对比度与列对比度,输入预设的模糊度计算公式,确认所述拉伸灰度值区间对应的模糊度,具体包括:
其中,所述为拉伸灰度值区间对应的模糊度,是指拉伸灰度值区间对应的图像
区域的列对比度,是指拉伸灰度值区间对应的图像区域的行对比度,为列对比度权重,为行对比度权重。在本实施例中,可取值为0.6,可取值为0.4。
需要说明的是,在所述最终桩孔灰度图像的横向裂痕与斜向裂痕特点,则增加列向对比度会使裂痕更明显,增加横向对比度的效果较差。在所述最终桩孔灰度图像的纵向裂痕与斜向裂痕特点,则增加行向对比度会使裂痕更明显,增加列向对比度的效果较差。因在实际情况中,横向裂痕出现的情况相对于纵向裂痕出现的情况多,则赋予列对比度权重的权重值大于行对比度权重的权重值。
在本申请的一种实施例中,并参阅图6,所述基于所述增强灰度值区间,将所述初始桩孔灰度图像的第一背景区域、第二背景区域以及裂痕区域分段式增强,确认最终桩孔灰度图像,具体包括:
S601、将所述增强灰度值区间与初始灰度值区间,输入预设分段线性增强模型,确认所述初始桩孔灰度图像中每个像素对应的增强灰度值;
S602、基于所述初始桩孔灰度图像中每个像素对应的增强灰度值,确认最终桩孔灰度图像;对应的,所述预设分段线性增强模型为:
其中,为初始桩孔灰度图像中灰度值对应的增强灰度值为初始灰度值
区间的左区间端点,为初始灰度值区间的右区间端点,为增强灰度值区间的左区间端
点,为增强灰度值区间的右区间端点。
需要说明的是,在得到所述增强灰度值区间之后,将裂痕区域对应的所述初始灰度值区间中的每个像素灰度值按照一定比例线性拉升至增强灰度值区间,将第一背景区域与第二背景区域中像素灰度值及逆行一定比例的线性抑制,以突出所述裂痕区域对应的图像区域,以使后续能更好的进行桩孔的裂痕识别。
本申请实施例通过基于初始桩孔灰度图像的第一背景区域与第二背景区域中频数最大的像素灰度值,确认裂痕区域对应的初始灰度值区间,再将所述裂痕区域对应的初始灰度值区间按照预设拓展规则进行拓展,确认若干个拉伸灰度值区间,然后计算所述若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间,并且基于所述增强灰度值区间,将所述初始桩孔灰度图像的第一背景区域、第二背景区域以及裂痕区域分段式增强,确认最终桩孔灰度图像,最后将所述最终桩孔灰度图像输入边缘检测模型,检测所述桩孔对应的状态类型。通过对初始桩孔灰度图像进行分段式增强得到最终桩孔灰度图像,以实现对桩孔对应的状态类型进行识别,相对传统的直接采用图像处理方法检测桩孔裂痕,通过增强图像质量,提高图像中的特征差异,进而提高桩孔裂痕的检测准确性,降低桩孔裂痕的检测工作成本。
本申请实施例还提出一种钻孔灌注桩施工辅助异常检测系统,应用于桩孔裂痕检测领域,参照附图7,所述系统包括:
确认模块1,用于基于初始桩孔灰度图像的第一背景区域与第二背景区域中频数最大的像素灰度值,确认裂痕区域对应的初始灰度值区间;
拓展模块2,用于将所述裂痕区域对应的初始灰度值区间按照预设拓展规则进行拓展,确认若干个拉伸灰度值区间;
计算模块3,用于计算所述若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间;
增强模块4,用于基于所述增强灰度值区间,将所述初始桩孔灰度图像的第一背景区域、第二背景区域以及裂痕区域分段式增强,确认最终桩孔灰度图像;
检测模块5,用于将所述最终桩孔灰度图像输入边缘检测模型,检测所述桩孔对应的状态类型。
需要说明的,所述一种钻孔灌注桩施工辅助异常检测系统与上述一种钻孔灌注桩施工辅助异常检测方法原理一致,本实施例中不再赘述。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将本申请上述的实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。
Claims (9)
1.一种钻孔灌注桩施工辅助异常检测方法,其特征在于,所述方法包括:
基于初始桩孔灰度图像的第一背景区域与第二背景区域中频数最大的像素灰度值,确认裂痕区域对应的初始灰度值区间;
将所述裂痕区域对应的初始灰度值区间按照预设拓展规则进行拓展,确认若干个拉伸灰度值区间;
计算所述若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间;
基于所述增强灰度值区间,将所述初始桩孔灰度图像的第一背景区域、第二背景区域以及裂痕区域分段式增强,确认最终桩孔灰度图像;
将所述最终桩孔灰度图像输入边缘检测模型,检测所述桩孔对应的状态类型;
所述第一背景区域为所述初始桩孔灰度图像中最上边接近桩孔口对应的白色背景区域;所述第二背景区域为所述初始桩孔灰度图像中最下面桩孔昏暗深处对应的黑色背景区域;
所述模糊度的获取方法包括:
将所述拉伸灰度值区间对应的图像区域作最小外接矩形处理,以确认所述拉伸灰度值区间对应的灰度值矩阵;基于所述拉伸灰度值区间对应的灰度值矩阵,计算拉伸灰度值区间对应的图像区域的行对比度与列对比度;将所述拉伸灰度值区间对应的图像区域的行对比度与列对比度,输入预设的模糊度计算公式,确认所述拉伸灰度值区间对应的模糊度;
计算拉伸灰度值区间对应的图像区域的行对比度与计算拉伸灰度值区间对应的图像区域的列对比度的方式相同;所述基于所述拉伸灰度值区间对应的灰度值矩阵,计算拉伸灰度值区间对应的图像区域的列对比度,具体包括:
根据目标列灰度值序列按照预设划分规则进行划分,确认预设数量的子序列,其中,所述子序列包括预设数量按照目标列灰度值序列的像素排序顺序进行行排列的灰度值;其中,先获取拉伸灰度值区间对应的灰度值矩阵中目标列灰度值序列,所述目标列灰度值序列是指灰度值矩阵中的一列像素灰度值,再将目标列灰度值序列按照预设划分规则进行划分,是指预先设定一个预设长度的子序列窗口,将所述子序列窗口在目标列灰度值序列中按列方向依次平移,再将子序列窗口得到的灰度值进行行排列,得到预设数量的子序列;
将所述预设数量的子序列按照列方向进行矩阵排序,确认目标列灰度值矩阵;其中,将所述预设数量的子序列按照列方向进行矩阵排序,也即将预设数量的子序列按照列方向进行排序,得到目标列灰度值矩阵;
基于所述目标列灰度值矩阵中每行灰度值均值,计算所述目标列灰度值序列对应的第一目标列对比度参数;其中,所述目标列灰度值矩阵中每行灰度值均值,也即是指目标列灰度值矩阵中每个子序列的灰度值均值,根据所述目标列灰度值矩阵中每个子序列的灰度值均值,计算所述目标列灰度值序列对应的第一目标列对比度参数;根据所述子序列中每个像素点的灰度值,计算所述目标列灰度值序列对应的第二目标列对比度参数;其中,所述子序列中每个像素点的灰度值即为灰度值矩阵中目标列的其中一部分,则计算所述子序列中行方向上的对比度,并以此作为参数以计算所述目标列灰度值序列对应的第二目标列对比度参数;将所述目标列灰度值序列对应的第一目标列对比度参数与第二目标列对比度参数输入列对比度计算公式,确认拉伸灰度值区间对应的图像区域的列对比度;其中,通过所述目标列灰度值序列对应的第一目标列对比度参数与第二目标列对比度参数,也即通过将拉伸灰度值区间对应的目标列之间的灰度值进行拆分计算,得到两个列对比度的计算参数,改变目标列,获得每列的第一目标列对比度参数和第二目标列对比度参数,将每列灰度值序列对应的第一目标列对比度参数与第二目标列对比度参数输入列对比度计算公式,确认拉伸灰度值区间对应的图像区域的列对比度;
所述模糊度计算公式包括:;
其中,所述为拉伸灰度值区间对应的模糊度,/>是指拉伸灰度值区间对应的图像区域的列对比度,/>是指拉伸灰度值区间对应的图像区域的行对比度,/>为列对比度权重,/>为行对比度权重。
2.根据权利要求1所述的钻孔灌注桩施工辅助异常检测方法,其特征在于,所述基于初始桩孔灰度图像的第一背景区域与第二背景区域中频数最大的像素灰度值,确认裂痕区域对应的初始灰度值区间,具体包括:
统计所述初始桩孔灰度图像中所有像素点的灰度值,确认所述初始桩孔灰度图像对应的灰度分布直方图;
将所述灰度分布直方图中排序第一与第二的频率对应的灰度值,确认为第一背景区域与第二背景区域中频数最大的像素灰度值;
将所述第一背景区域与第二背景区域中频数最大的像素灰度值定义为区间端点,确认裂痕区域对应的初始灰度值区间。
3.根据权利要求1所述的钻孔灌注桩施工辅助异常检测方法,其特征在于,所述将所述裂痕区域对应的初始灰度值区间按照预设拓展规则进行拓展,确认若干个拉伸灰度值区间,具体包括:
将所述初始灰度值区间的左端点减小预设数值,以及将所述初始灰度值区间的右端点增大预设数值,确认第一拉伸灰度值区间;
将所述第一拉伸灰度值区间迭代上一步骤的所述初始灰度值区间,确认若干个拉伸灰度区间,其中,所述若干个拉伸灰度区间包括所述初始灰度值区间。
4.根据权利要求1所述的钻孔灌注桩施工辅助异常检测方法,其特征在于,所述计算所述若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间,具体包括:
统计若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间。
5.根据权利要求1所述的钻孔灌注桩施工辅助异常检测方法,其特征在于,所述基于所述目标列灰度值矩阵中每行灰度值均值,计算所述目标列灰度值序列对应的第一目标列对比度参数,具体包括:
;
其中,所述是指第/>列灰度值序列对应的第一目标列对比度参数,/>是指目标列灰度值矩阵中的总行数,/>是指目标列灰度值矩阵中第/>行的灰度值均值,/>指目标列灰度值矩阵中第/>行的灰度值均值。
6.根据权利要求5所述的钻孔灌注桩施工辅助异常检测方法,其特征在于,所述根据所述子序列中每个像素点的灰度值,计算所述目标列灰度值序列对应的第二目标列对比度参数,具体包括:
;
其中,所述是指第/>列灰度值序列对应的第二目标列对比度参数,/>是指目标列灰度值矩阵中的总行数,/>是指第/>列灰度值矩阵对应的子序列的像素点总数,/>是指第/>列灰度值矩阵中第q行子序列中第d个像素点灰度值,/>是指第/>列灰度值矩阵中第q行子序列中第/>个像素点灰度值。
7.根据权利要求6所述的钻孔灌注桩施工辅助异常检测方法,其特征在于,所述列对比度的获取方法,具体包括:
;
其中,所述是指拉伸灰度值区间对应的图像区域的列对比度,z是指所述拉伸灰度值区间对应的灰度值矩阵的列数,/>是指第/>列灰度值序列对应的第一目标列对比度参数,/>是指第/>列灰度值序列对应的第二目标列对比度参数。
8.根据权利要求1-7任一项所述的钻孔灌注桩施工辅助异常检测方法,其特征在于,所述基于所述增强灰度值区间,将所述初始桩孔灰度图像的第一背景区域、第二背景区域以及裂痕区域分段式增强,确认最终桩孔灰度图像,具体包括:
将所述增强灰度值区间与初始灰度值区间,输入预设分段线性增强模型,确认所述初始桩孔灰度图像中每个像素对应的增强灰度值;
基于所述初始桩孔灰度图像中每个像素对应的增强灰度值,确认最终桩孔灰度图像;对应的,所述预设分段线性增强模型为:
;
其中,为初始桩孔灰度图像中灰度值/>对应的增强灰度值/>为初始灰度值区间的左区间端点,/>为初始灰度值区间的右区间端点,/>为增强灰度值区间的左区间端点,/>为增强灰度值区间的右区间端点。
9.一种钻孔灌注桩施工辅助异常检测系统,应用于桩孔裂痕检测领域,其特征在于,所述系统包括:
确认模块,用于基于初始桩孔灰度图像的第一背景区域与第二背景区域中频数最大的像素灰度值,确认裂痕区域对应的初始灰度值区间;
拓展模块,用于将所述裂痕区域对应的初始灰度值区间按照预设拓展规则进行拓展,确认若干个拉伸灰度值区间;
计算模块,用于计算所述若干个拉伸灰度值区间对应的模糊度,以将最小模糊度对应的拉伸灰度值区间确认为增强灰度值区间;
增强模块,用于基于所述增强灰度值区间,将所述初始桩孔灰度图像的第一背景区域、第二背景区域以及裂痕区域分段式增强,确认最终桩孔灰度图像;
检测模块,用于将所述最终桩孔灰度图像输入边缘检测模型,检测所述桩孔对应的状态类型;
所述第一背景区域为所述初始桩孔灰度图像中最上边接近桩孔口对应的白色背景区域;所述第二背景区域为所述初始桩孔灰度图像中最下面桩孔昏暗深处对应的黑色背景区域;
所述模糊度的获取方法包括:
将所述拉伸灰度值区间对应的图像区域作最小外接矩形处理,以确认所述拉伸灰度值区间对应的灰度值矩阵;基于所述拉伸灰度值区间对应的灰度值矩阵,计算拉伸灰度值区间对应的图像区域的行对比度与列对比度;将所述拉伸灰度值区间对应的图像区域的行对比度与列对比度,输入预设的模糊度计算公式,确认所述拉伸灰度值区间对应的模糊度;
计算拉伸灰度值区间对应的图像区域的行对比度与计算拉伸灰度值区间对应的图像区域的列对比度的方式相同;所述基于所述拉伸灰度值区间对应的灰度值矩阵,计算拉伸灰度值区间对应的图像区域的列对比度,具体包括:
根据目标列灰度值序列按照预设划分规则进行划分,确认预设数量的子序列,其中,所述子序列包括预设数量按照目标列灰度值序列的像素排序顺序进行行排列的灰度值;其中,先获取拉伸灰度值区间对应的灰度值矩阵中目标列灰度值序列,所述目标列灰度值序列是指灰度值矩阵中的一列像素灰度值,再将目标列灰度值序列按照预设划分规则进行划分,是指预先设定一个预设长度的子序列窗口,将所述子序列窗口在目标列灰度值序列中按列方向依次平移,再将子序列窗口得到的灰度值进行行排列,得到预设数量的子序列;
将所述预设数量的子序列按照列方向进行矩阵排序,确认目标列灰度值矩阵;其中,将所述预设数量的子序列按照列方向进行矩阵排序,也即将预设数量的子序列按照列方向进行排序,得到目标列灰度值矩阵;
基于所述目标列灰度值矩阵中每行灰度值均值,计算所述目标列灰度值序列对应的第一目标列对比度参数;其中,所述目标列灰度值矩阵中每行灰度值均值,也即是指目标列灰度值矩阵中每个子序列的灰度值均值,根据所述目标列灰度值矩阵中每个子序列的灰度值均值,计算所述目标列灰度值序列对应的第一目标列对比度参数;根据所述子序列中每个像素点的灰度值,计算所述目标列灰度值序列对应的第二目标列对比度参数;其中,所述子序列中每个像素点的灰度值即为灰度值矩阵中目标列的其中一部分,则计算所述子序列中行方向上的对比度,并以此作为参数以计算所述目标列灰度值序列对应的第二目标列对比度参数;将所述目标列灰度值序列对应的第一目标列对比度参数与第二目标列对比度参数输入列对比度计算公式,确认拉伸灰度值区间对应的图像区域的列对比度;其中,通过所述目标列灰度值序列对应的第一目标列对比度参数与第二目标列对比度参数,也即通过将拉伸灰度值区间对应的目标列之间的灰度值进行拆分计算,得到两个列对比度的计算参数,改变目标列,获得每列的第一目标列对比度参数和第二目标列对比度参数,将每列灰度值序列对应的第一目标列对比度参数与第二目标列对比度参数输入列对比度计算公式,确认拉伸灰度值区间对应的图像区域的列对比度;
所述模糊度计算公式包括:;
其中,所述为拉伸灰度值区间对应的模糊度,/>是指拉伸灰度值区间对应的图像区域的列对比度,/>是指拉伸灰度值区间对应的图像区域的行对比度,/>为列对比度权重,/>为行对比度权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934090.0A CN116703888B (zh) | 2023-07-28 | 2023-07-28 | 一种钻孔灌注桩施工辅助异常检测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934090.0A CN116703888B (zh) | 2023-07-28 | 2023-07-28 | 一种钻孔灌注桩施工辅助异常检测方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703888A CN116703888A (zh) | 2023-09-05 |
CN116703888B true CN116703888B (zh) | 2023-10-20 |
Family
ID=87824188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310934090.0A Active CN116703888B (zh) | 2023-07-28 | 2023-07-28 | 一种钻孔灌注桩施工辅助异常检测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703888B (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1347414A1 (en) * | 2002-02-22 | 2003-09-24 | Agfa-Gevaert | Method for enhancing the contrast of an image. |
US7003153B1 (en) * | 2000-09-29 | 2006-02-21 | Sharp Laboratories Of America, Inc. | Video contrast enhancement through partial histogram equalization |
CN101286231A (zh) * | 2008-06-04 | 2008-10-15 | 四川虹微技术有限公司 | 一种均匀分布图像亮度的对比度增强方法 |
CN102855611A (zh) * | 2012-08-21 | 2013-01-02 | 长春迪瑞医疗科技股份有限公司 | 一种尿沉渣图像分段非线形增强的方法 |
CN106342331B (zh) * | 2010-09-03 | 2014-06-11 | 中国航空工业集团公司洛阳电光设备研究所 | 一种自适应分段线性拉伸的直方图均衡化方法 |
CN105825489A (zh) * | 2016-02-01 | 2016-08-03 | 南京理工大学 | 基于灰度平移与线性拉伸相结合的红外图像增强方法 |
CN106339994A (zh) * | 2016-08-29 | 2017-01-18 | 合肥康胜达智能科技有限公司 | 一种图像增强方法 |
CN109035245A (zh) * | 2018-08-17 | 2018-12-18 | 西安交通大学 | 基于灰度变化特征分析的无损射线底片灵敏度判别方法 |
CN109961409A (zh) * | 2019-02-26 | 2019-07-02 | 平安科技(深圳)有限公司 | 一种线性增强图像对比度的方法及装置 |
WO2019223067A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 基于多重处理的虹膜图像增强方法、装置、设备及介质 |
WO2021031459A1 (zh) * | 2019-08-16 | 2021-02-25 | 域鑫科技(惠州)有限公司 | 适用于内窥镜的图像增强方法、装置和存储介质 |
CN114399442A (zh) * | 2022-01-15 | 2022-04-26 | 任介平 | 基于参数自适应的非线性图像增强方法及系统 |
WO2022166865A1 (zh) * | 2021-02-08 | 2022-08-11 | 瞬联软件科技(北京)有限公司 | 一种文字图像的阴影消除方法、装置及电子设备 |
CN114972326A (zh) * | 2022-07-20 | 2022-08-30 | 南通鼎彩新材料科技有限公司 | 热收缩管扩管工艺的次品识别方法 |
CN115035106A (zh) * | 2022-08-10 | 2022-09-09 | 邹城市天晖软件科技有限公司 | 一种带钢缺陷智能检测方法 |
CN115035113A (zh) * | 2022-08-11 | 2022-09-09 | 深圳市通泰详特种电线电缆有限公司 | 基于x射线的手机数据线生产缺陷无损检测方法 |
CN115272334A (zh) * | 2022-09-29 | 2022-11-01 | 江苏美克美斯自动化科技有限责任公司 | 用于复杂背景下的钢轨表面微小缺陷检测方法 |
CN115660994A (zh) * | 2022-10-31 | 2023-01-31 | 哈尔滨理工大学 | 一种基于区域最小二乘估计的图像增强方法 |
CN115661008A (zh) * | 2022-09-29 | 2023-01-31 | 重庆港宇高科技开发有限公司 | 一种图像增强处理方法、装置、设备及介质 |
CN115797225A (zh) * | 2023-01-06 | 2023-03-14 | 山东环宇地理信息工程有限公司 | 一种水下地形测量用无人船采集图像增强方法 |
CN116309649A (zh) * | 2023-05-17 | 2023-06-23 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种基于ct影像的喉部病变异常区域分割系统 |
CN116385439A (zh) * | 2023-06-05 | 2023-07-04 | 山东兰通机电有限公司 | 基于图像处理的电机橡胶减震垫质量检测方法 |
CN116416166A (zh) * | 2023-06-12 | 2023-07-11 | 贵州省人民医院 | 一种肝活检数据分析方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100374791B1 (ko) * | 2000-11-22 | 2003-03-04 | 삼성전자주식회사 | 영상의 영역 구분 방법 및 장치 |
US7218763B2 (en) * | 2003-02-27 | 2007-05-15 | Eastman Kodak Company | Method for automated window-level settings for magnetic resonance images |
CN109064427A (zh) * | 2018-08-01 | 2018-12-21 | 京东方科技集团股份有限公司 | 增强图像对比度的方法、装置、显示设备和存储介质 |
-
2023
- 2023-07-28 CN CN202310934090.0A patent/CN116703888B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7003153B1 (en) * | 2000-09-29 | 2006-02-21 | Sharp Laboratories Of America, Inc. | Video contrast enhancement through partial histogram equalization |
EP1347414A1 (en) * | 2002-02-22 | 2003-09-24 | Agfa-Gevaert | Method for enhancing the contrast of an image. |
CN101286231A (zh) * | 2008-06-04 | 2008-10-15 | 四川虹微技术有限公司 | 一种均匀分布图像亮度的对比度增强方法 |
CN106342331B (zh) * | 2010-09-03 | 2014-06-11 | 中国航空工业集团公司洛阳电光设备研究所 | 一种自适应分段线性拉伸的直方图均衡化方法 |
CN102855611A (zh) * | 2012-08-21 | 2013-01-02 | 长春迪瑞医疗科技股份有限公司 | 一种尿沉渣图像分段非线形增强的方法 |
CN105825489A (zh) * | 2016-02-01 | 2016-08-03 | 南京理工大学 | 基于灰度平移与线性拉伸相结合的红外图像增强方法 |
CN106339994A (zh) * | 2016-08-29 | 2017-01-18 | 合肥康胜达智能科技有限公司 | 一种图像增强方法 |
WO2019223067A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 基于多重处理的虹膜图像增强方法、装置、设备及介质 |
CN109035245A (zh) * | 2018-08-17 | 2018-12-18 | 西安交通大学 | 基于灰度变化特征分析的无损射线底片灵敏度判别方法 |
CN109961409A (zh) * | 2019-02-26 | 2019-07-02 | 平安科技(深圳)有限公司 | 一种线性增强图像对比度的方法及装置 |
WO2021031459A1 (zh) * | 2019-08-16 | 2021-02-25 | 域鑫科技(惠州)有限公司 | 适用于内窥镜的图像增强方法、装置和存储介质 |
WO2022166865A1 (zh) * | 2021-02-08 | 2022-08-11 | 瞬联软件科技(北京)有限公司 | 一种文字图像的阴影消除方法、装置及电子设备 |
CN114399442A (zh) * | 2022-01-15 | 2022-04-26 | 任介平 | 基于参数自适应的非线性图像增强方法及系统 |
CN114972326A (zh) * | 2022-07-20 | 2022-08-30 | 南通鼎彩新材料科技有限公司 | 热收缩管扩管工艺的次品识别方法 |
CN115035106A (zh) * | 2022-08-10 | 2022-09-09 | 邹城市天晖软件科技有限公司 | 一种带钢缺陷智能检测方法 |
CN115035113A (zh) * | 2022-08-11 | 2022-09-09 | 深圳市通泰详特种电线电缆有限公司 | 基于x射线的手机数据线生产缺陷无损检测方法 |
CN115272334A (zh) * | 2022-09-29 | 2022-11-01 | 江苏美克美斯自动化科技有限责任公司 | 用于复杂背景下的钢轨表面微小缺陷检测方法 |
CN115661008A (zh) * | 2022-09-29 | 2023-01-31 | 重庆港宇高科技开发有限公司 | 一种图像增强处理方法、装置、设备及介质 |
CN115660994A (zh) * | 2022-10-31 | 2023-01-31 | 哈尔滨理工大学 | 一种基于区域最小二乘估计的图像增强方法 |
CN115797225A (zh) * | 2023-01-06 | 2023-03-14 | 山东环宇地理信息工程有限公司 | 一种水下地形测量用无人船采集图像增强方法 |
CN116309649A (zh) * | 2023-05-17 | 2023-06-23 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种基于ct影像的喉部病变异常区域分割系统 |
CN116385439A (zh) * | 2023-06-05 | 2023-07-04 | 山东兰通机电有限公司 | 基于图像处理的电机橡胶减震垫质量检测方法 |
CN116416166A (zh) * | 2023-06-12 | 2023-07-11 | 贵州省人民医院 | 一种肝活检数据分析方法及系统 |
Non-Patent Citations (3)
Title |
---|
A Contrast Enhancement Method of Infrared Finger Vein Image Based on Fuzzy Technique;Liukui Chen 等;《2019 IEEE 14th International Conference on Intelligent Systems and Knowledge Engineering(ISKE)》;第307-310页 * |
Subsea Pipeline Inspection Based on Contrast Enhancement Module;Ming Zhao 等;《ICIRA 2022: Intelligent Robotics and Applications》;第13457卷;第289-298页 * |
基于数字钻孔摄像的图像分析方法研究;秦英译;《CNKI学位》;第2007年卷(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703888A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Comparative analysis of image binarization methods for crack identification in concrete structures | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
Li et al. | Novel approach to pavement image segmentation based on neighboring difference histogram method | |
Sun et al. | Weighted neighborhood pixels segmentation method for automated detection of cracks on pavement surface images | |
CN105719259A (zh) | 路面裂缝图像检测方法 | |
Sun et al. | Automated pavement distress detection using advanced image processing techniques | |
Dang et al. | Deep learning-based masonry crack segmentation and real-life crack length measurement | |
CN111507972A (zh) | 结合卷积神经网络和支持向量机的隧道表面缺陷检测方法 | |
CN106296678B (zh) | 基于钻孔光学成像技术的rqd分析方法 | |
CN103927553A (zh) | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 | |
Wu et al. | Applying deep convolutional neural network with 3D reality mesh model for water tank crack detection and evaluation | |
CN103455985B (zh) | 基于Hessian结构分析的道路裂缝增强方法 | |
CN114792044A (zh) | 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统 | |
CN112307803A (zh) | 数字地质露头裂缝提取方法及装置 | |
Hamidia et al. | Machine learning-aided scenario-based seismic drift measurement for RC moment frames using visual features of surface damage | |
CN115082849A (zh) | 基于深度学习的模板支架安全智能监测方法 | |
CN116342586A (zh) | 基于机器视觉的路面质量检测方法 | |
CN101894368B (zh) | 基于测地距离的半监督sar图像水域分割方法 | |
CN116703888B (zh) | 一种钻孔灌注桩施工辅助异常检测方法及其系统 | |
CN115272826A (zh) | 一种基于卷积神经网络的图像识别方法、装置及系统 | |
CN116660263A (zh) | 一种基于数字图像处理的注浆效果评价方法 | |
CN106940782A (zh) | 基于变差函数的高分sar新增建设用地提取软件 | |
Khalifa et al. | A new image-based model for predicting cracks in sewer pipes | |
CN104424639B (zh) | 基于形态学腐蚀的叶柄与叶片分割方法 | |
CN113592863A (zh) | 基于图像处理的城市道路积水检测方法及系统 |
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 |