CN116805314B - 一种建筑工程质量评估方法 - Google Patents
一种建筑工程质量评估方法 Download PDFInfo
- Publication number
- CN116805314B CN116805314B CN202311047557.6A CN202311047557A CN116805314B CN 116805314 B CN116805314 B CN 116805314B CN 202311047557 A CN202311047557 A CN 202311047557A CN 116805314 B CN116805314 B CN 116805314B
- Authority
- CN
- China
- Prior art keywords
- connected domain
- edge connected
- edge
- pixel
- wall surface
- 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
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 19
- 230000005856 abnormality Effects 0.000 claims abstract description 63
- 238000010276 construction Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 19
- 230000003247 decreasing effect Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 230000003014 reinforcing effect Effects 0.000 claims 1
- 239000011362 coarse particle Substances 0.000 description 10
- 239000002245 particle Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000011218 segmentation 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/12—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
- G06T7/13—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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
Abstract
本发明涉及图像处理领域,具体涉及一种建筑工程质量评估方法,所述方法包括:获取建筑工程的墙面图像;根据墙面图像得到多个边缘连通域;计算每个边缘连通域的变动符合性;进而得到每个边缘连通域的异常程度;获取每个像素的多个所属边缘连通域,计算每个像素与每个边缘连通域的关联性,进而得到每个像素的异常程度;根据每个像素的异常程度对墙面图像进行增强处理得到增强后的墙面图像,根据增强后的墙面图像进行建筑工程质量评估,从而实现准确的检测出建筑工程墙面上的裂纹,进而提高建筑工程质量评估的精度。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种建筑工程质量评估方法。
背景技术
在建筑工程中存在各种工程问题,其中最严重的为墙面裂缝,一些细小的裂缝如不及时处理会导致建筑坍塌等问题,因此,建筑质量的评估尤为重要。
在进行裂缝检测时,细微裂缝的区分度较小,墙面中的一些粗糙颗粒等会干扰细微裂缝检测,因而会导致检测出的裂缝不够准确。而传统Canny边缘检测算法,其结果存在大量噪声干扰,无法判断裂缝边缘。
Canny边缘检测算法的阈值参数设置的不同,会导致出现不同的检测结果,而裂缝边缘相较于墙面的粗糙颗粒的边缘相对稳定,因而可以基于此来对裂缝像素进行判断,同时裂缝相较于墙面的粗糙颗粒会存在一些区分特征,因而可以结合裂缝和墙面粗糙颗粒的区分特征对裂缝像素进行判断,进而实现对裂缝像素进行增强处理。
发明内容
为了解决上述技术问题,本发明提供一种建筑工程质量评估方法,所述方法包括:
获取建筑工程的墙面图像;
通过调整上、下限阈值的取值对墙面图像进行检测处理得到多个边缘连通域;根据每个边缘连通域随着上、下阈值取值变化的变动情况得到每个边缘连通域的变动符合性;结合每个边缘连通域的变动符合性以及裂纹的其他特征得到每个边缘连通域的异常程度;
获取每个像素的多个所属边缘连通域,根据每个像素与每个所属边缘连通域的关联性情况得到每个像素与每个所属边缘连通域的关联性,根据每个像素与每个所属边缘连通域的关联性以及每个所属边缘连通域的异常程度得到每个像素的异常程度;根据每个像素的异常程度对墙面图像进行增强处理得到增强后的墙面图像;
根据增强后的墙面图像进行建筑工程质量评估。
优选的,所述通过调整上、下限阈值的取值对墙面图像进行检测处理得到多个边缘连通域,包括的具体步骤为:
获取墙面图像的每个像素的梯度值,获取墙面图像中所有像素的梯度值最小值和最大值;设置预设阈值间隔为,预设比例值,将min作为下限阈值的第一个取
值,将预设阈值间隔作为下限阈值的取值间隔,依次在之间获取下限阈值的
所有取值;与每个下限阈值取值对应的上限阈值的取值为下限阈值取值与的比值;将每个
下限阈值的取值与对应的上限阈值的取值组成一个阈值取值组合;
将检测算法的上限阈值与下限阈值依次取每个阈值取值组合的数据,对墙面图像进行处理得到多个边缘图像;获取每个边缘图像中的边缘像素构成的所有边缘连通域。
优选的,所述根据每个边缘连通域随着上、下阈值取值变化的变动情况得到每个边缘连通域的变动符合性,包括的具体步骤为:
获取每个边缘连通域的递减面积;
根据每个边缘连通域的递减面积得到每个边缘连通域的变动符合性:
其中,表示第i个边缘连通域的变动符合性,表示存在第i个边缘连通域的边
缘图像的个数,表示第i个边缘连通域的递减面积,表示第i个边缘连通域的面积。
优选的,所述获取每个边缘连通域的递减面积,包括的具体步骤为:
将多个阈值取值组合按下限阈值从小到大排列得到阈值取值组合序列,将各边缘图像按阈值取值组合的顺序排列得到边缘图像序列;
对于任意一个边缘连通域,获取存在所述边缘连通域的所有边缘图像作为所述边缘连通域的所属边缘图像,基于边缘图像序列的排列顺序,在所述边缘连通域的所有所属边缘图像中获取位置次序排在最后的所属边缘图像作为所述边缘连通域的最后所属边缘图像,在边缘图像序列中获取与最后所属边缘图像右邻接的边缘图像作为所述边缘连通域的参考边缘图像;在参考边缘图像中获取与所述边缘连通域同位置的区域作为所述边缘连通域的对应区域,在对应区域内获取所有的连通域作为所述边缘连通域的分裂连通域,将所述边缘连通域与分裂连通域像素个数的差值作为所述边缘连通域的递减面积;
获取每个边缘连通域的递减面积。
优选的,所述结合每个边缘连通域的变动符合性以及裂纹的其他特征得到每个边缘连通域的异常程度,包括的具体步骤为:
其中,表示第i个边缘连通域的异常程度,表示第i个边缘连通域的变动符合
性,表示在墙面图像中第i个边缘连通域内所有像素灰度值均值,表示在墙面图像中第i
个边缘连通域内所有像素的梯度值的方差值。
优选的,所述根据每个像素与每个所属边缘连通域的关联性情况得到每个像素与每个所属边缘连通域的关联性,包括的具体步骤为:
对于每个像素的每个所属边缘连通域的分裂连通域,将分裂连通域的个数作为每个像素的每个所属边缘连通域的分裂个数;
获取每个像素的每个所属边缘连通域的梯度方向变动差异性;
根据每个像素的每个所属边缘连通域的分裂个数和梯度方向变动差异性得到每个像素与每个所属边缘连通域的关联性:
其中,表示第j个像素与第k个所属边缘连通域的关联性,表示第j个像素的所
属边缘连通域的个数,表示包含第j个像素的第k个所属边缘连通域的边缘图像的个数,表示第j个像素的第k个所属边缘连通域的分裂个数,表示第j个像素的第k个所属边
缘连通域的梯度方向变动差异性。
优选的,所述获取每个像素的每个所属边缘连通域的梯度方向变动差异性,包括的具体步骤为:
对于一个像素的一个所属边缘连通域,以水平向右作为基准方向,将梯度方向与基准方向的夹角作为梯度夹角,获取所述所属边缘连通域中各像素的梯度夹角,计算所述所属边缘连通域内所有像素的梯度夹角均值,获取所述所属边缘连通域的分裂连通域内各像素的梯度夹角,计算分裂连通域内所有像素的梯度夹角均值,将所述所属边缘连通域的梯度夹角均值与分裂连通域的梯度夹角均值的差值作为所述所属边缘连通域的梯度方向变动差异性;
获取每个像素的每个所属边缘连通域的梯度方向变动差异性。
优选的,所述结合每个边缘连通域的变动符合性以及裂纹的其他特征得到每个边缘连通域的异常程度,包括的具体步骤为:
将与像素关联性最大的所属边缘连通域的异常程度作为每个像素的异常程度。
优选的,所述根据每个像素的异常程度对墙面图像进行增强处理得到增强后的墙面图像,包括的具体步骤为:
根据各像素的异常程度得到各像素的增强后灰度值:
其中,表示第j个像素的异常程度,表示第j个像素的增强后灰度值;
将墙面图像各像素取增强后灰度值得到增强后的墙面图像。
优选的,所述根据增强后的墙面图像进行建筑工程质量评估,包括的具体步骤为:
对增强后的墙面图像进行分割处理得到裂纹区域,当建筑工程的墙面存在裂纹时,将建筑工程判定为不合格,当建筑工程的墙面不存在裂纹时,将建筑工程判定为合格。
本发明实施例至少具有如下有益效果:由于建筑工程的墙面图像的细小裂纹区分性较小,容易受粗糙颗粒的干扰,因而根据各像素的异常程度对墙面图像进行增强处理以增加裂纹的区分性;因而得先获得各像素的异常程度;
由于边缘特征能够较好的描述裂纹与粗糙颗粒区分性,因而先利用具有不同取值参数的边缘检测算法对墙面图像进行处理得到多个边缘连通域,通过分析边缘连通域随着检测算法的参数调整而产生变化特征与裂纹边缘区域符合情况,得到各边缘连通域的变动符合性,然后再结合裂纹的其他特征得到各边缘连通域的异常程度;
为了获取每个像素的异常程度,需获取各像素与各边缘连通域的关联性,其中关联性大的边缘连通域的异常程度能够较好的反映像素的异常程度,因而将最大关联性的边缘连通域的异常程度作为各像素的异常程度,进而实现准确的获取各像素的异常程度。
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和优点,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的介绍,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它附图。
图1为本发明提供的一种建筑工程质量评估方法的流程图;
图2为本发明提供的含裂纹的墙面图像;
图3为本发明提供的墙面图像的梯度图像。
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一种建筑工程质量评估方法,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一种建筑工程质量评估方法的具体方案。
请参阅图1,其示出了本发明的一个实施例提供的一种建筑工程质量评估方法的步骤流程图,该方法包括以下步骤:
步骤S001,获取墙面图像。
墙面裂缝是建筑工程常发的质量问题,裂缝初期较为细小,如果能够及时发现处理,不仅能够节约成本,同时还能有效避免由于质量问题导致的安全事故。因而准确的检测建筑工程墙面的裂缝缺陷对建筑工程安全管理较为重要。要检测建筑工程墙面上的裂缝缺陷需先获取建筑工程的墙面图像。
利用工业相机采集建筑工程的墙面图像,对墙面图像进行灰度化处理得到墙面图像的灰度图像。为了便于描述,后续将墙面图像的灰度图像依旧记为墙面图像。
图2为包含裂纹的墙面图像。
步骤S002,根据墙面图像得到多个边缘连通域,计算每个边缘连通域的变动符合性,根据每个边缘连通域的变动符合性得到每个边缘连通域的异常程度。
由于在裂缝初期,裂缝较为细小,其区分度较小,因而墙面上的一些粗糙颗粒会干扰细小裂缝的检测。为了能够准确的检测出墙面中的裂缝,需根据裂缝的特征对裂缝区域的像素进行增强处理。
虽然裂缝相较于粗糙颗粒拥有比较明显的边缘特征,但是粗糙颗粒依然存在边缘,因而利用边缘检测算法检测裂缝缺陷,还是会受粗糙颗粒的干扰,其中裂纹相较于粗糙颗粒的边缘较为稳定,同时裂纹相较于粗糙颗粒的梯度值较为一致,因而可以根据该特征来对各裂纹像素进行区分。
1、获取边缘连通域:
Canny算法存在两个阈值参数,一个上限阈值和一个下限阈值。
获取墙面图像的各像素的梯度值,获取墙面图像中所有像素的梯度值最小值,
和最大值。设置预设阈值间隔为,预设比例值,将min作为下限阈值的第一个取值,将
预设阈值间隔作为下限阈值的取值间隔,依次在之间获取下限阈值的所有取
值,本实施例以取0.01、取0.3为例进行叙述,其他实施例中可以取其他值,本实施例不进
行具体限制。
每个下限阈值的取值对应一个上限阈值的取值,与每个下限阈值取值对应的上限
阈值的取值为下限阈值取值与的比值。例如第1个下限阈值的取值为,那与之对应的第1
个上限阈值的取值为。
将每个下限阈值的取值与对应的上限阈值的取值组成一个阈值取值组合,多个取值得到多个阈值取值组合。将多个阈值取值组合按下限阈值从小到大排列得到阈值取值组合序列。将Canny算法的上限阈值与下限阈值依次取阈值取值组合序列中每个阈值取值组合的数据,对墙面图像进行处理得到边缘图像,每个阈值取值组合对应一个边缘图像,多个阈值组合得到多个边缘图像。
获取每个边缘图像中的边缘像素构成的所有边缘连通域。
给所有边缘图像中的每个连通域分配一个编号。需要说明的是将一个编号的边缘连通域视为一个独立的边缘连通域,不同边缘图像中会存在一些相同的边缘连通域,这些边缘连通域具有一个相同的编号,将这些具有同一编号的所有边缘连通域视为一个独立的边缘连通域。下文中每个边缘连通域表示每个独立的边缘连通域。
至此得到边缘图像中的所有边缘连通域以及每个边缘连通域的编号。
2、计算各边缘连通域的变动符合性:
由于裂缝缺陷的边缘相较于粗糙颗粒的边缘较为稳定,因而下面需分析各像素所在边缘的变动符合性来判定各像素为裂缝的可能性。
将一个编号的边缘连通域视为一个独立的边缘连通域,需要注意的是不同边缘图像中会存在一些相同的边缘连通域,这些边缘连通域具有一个相同的编号,将这些具有同一编号的所有边缘连通域视为一个独立的边缘连通域。下文中每个边缘连通域表示每个独立的边缘连通域。
每个边缘连通域的变动符合性为:
其中,表示第i个边缘连通域变动符合性,该值越大说明该边缘连通域内的像素
为裂缝的可能性越大,表示存在第i个边缘连通域的边缘图像的个数,该值越大说明该边
缘连通域没有变化的次数较多,即该边缘连通域受Canny算法中各阈值取值的影响较小,因
而该边缘连通域的较为稳定,因而该变动特征越符合裂纹特征。
表示第i个边缘连通域的递减面积,的获取方法为:
将各边缘图像按阈值取值组合的顺序排列得到边缘图像序列;
对于第i个边缘连通域,获取存在该边缘连通域的所有边缘图像作为该边缘连通域的所属边缘图像,基于边缘图像序列的排列顺序,在该边缘连通域的所有所属边缘图像中获取位置次序排在最后的所属边缘图像记为该边缘连通域的最后所属边缘图像,在边缘图像序列中获取与最后所属边缘图像右邻接的边缘图像作为该边缘连通域的参考边缘图像,例如边缘图像序列{边缘图像1,边缘图像2,边缘图像3,边缘图像4,边缘图像5},其中边缘图像2,边缘图像3为第i个边缘连通域的边缘图像,其中边缘图像3为第i个边缘连通域的最后边缘图像,第i个边缘连通域的最后边缘图像的右邻接边缘图像为边缘图像4,边缘图像4即为第i个边缘连通域的参考边缘图像。
对于第i个边缘连通域,在参考边缘图像中获取与该边缘连通域同位置的区域作为第i个边缘连通域的对应区域,在对应区域内获取所有的边缘连通域作为第i个边缘连通域的分裂连通域,将该边缘连通域与分裂连通域像素个数的差值作为第i个边缘连通域的递减面积。该值越大,说明第i个边缘连通域的像素的梯度值一致性较高,而裂缝相较于粗糙颗粒的梯度一致性较高,如示意图3,因而第i个边缘连通域的变动特征越符合裂纹特征。图3为墙面图像的梯度图像。
表示第i个边缘连通域的面积,第i个边缘连通域的面积为第i个边缘连通域的
像素个数。
反映了第i个边缘连通域的递减程度,该值越大说明第i个边缘连通域的梯度一
致性较高,因而第i个边缘连通域变动特征越符合裂纹特征。
3、计算每个边缘连通域的异常程度:
由于裂纹区域相较于粗糙颗粒区域的灰度值较小,同时裂纹区域相较于粗糙颗粒区域的梯度方向较为一致,因而需结合这两个特征来对裂纹缺陷进行区分。
每个边缘连通域的异常程度为:
其中,表示第i个边缘连通域的异常程度,该值越大说明第i个边缘连通域为裂
纹的可能性越大,表示第i个边缘连通域的变动符合性,该值是通过边缘连通域的变动特
征来反映裂纹的符合情况;
表示墙面图像中第i个边缘连通域的灰度值均值,该值是在墙面图像上的第i个
边缘连通域内所有像素的灰度值均值,该值越小,该边缘连通域为裂纹的可能性越大。
表示墙面图像中第i个边缘连通域内所有像素的梯度值的方差值,该值越大说明
该边缘连通域内像素的梯度差异越大,该边缘连通域越不符合裂纹特征,因而第i个连通域
的异常程度越小。
至此,得到各边缘连通域的异常程度,在获取各边缘连通域的异常程度时,先利用具有不同取值参数的边缘检测算法对墙面图像进行处理得到多个边缘连通域,通过分析边缘连通域随着检测算法的参数调整而产生变化特征与裂纹边缘区域符合情况,得到各边缘连通域的变动符合性,然后再结合裂纹的灰度和梯度特征得到各边缘连通域的异常程度。
步骤S003,根据每个边缘连通域的异常程度得到每个像素的异常程度,根据每个像素的异常程度对墙面图像进行增强处理得到增强后的墙面图像。
上述过程中得到每个边缘连通域的异常程度,但是进行图像增强需获取每个像素的异常程度,因而下面需要根据每个边缘连通域的异常程度获取每个像素的异常程度。
1、计算每个像素的异常程度:
由于一个像素可能对应多个边缘连通域,而每个边缘连通域对应一个异常程度,下面需确定哪个边缘连通域的异常程度可以作为该像素的异常程度。由于与该像素关联性越大的边缘连通域的异常程度越能反映该像素的异常情况。
为了便于描述,以第j个像素的异常程度确定方法为例进行叙述,其他像素的异常程度可类比得到。
将包含第j个像素的所有边缘连通域作为第j个像素的所属边缘连通域,计算第j个像素各所属边缘连通域的关联性,具体计算方法如下:
其中,表示第j个像素与第k个所属边缘连通域的关联性,该值越大说明第j个
像素与该像素的第k个所属边缘连通域关联性越大,因而第j个像素取该像素的第k个边缘
连通域的异常程度值的可能性越大。
表示第j个像素的所属边缘连通域的个数,该值反映了该像素在边缘像素中存
在次数,表示包含第j个像素的第k个所属边缘连通域的边缘图像的个数,该值反映了该
所属边缘连通域的存在次数,反映了第j个像素与第j个像素的第k个所属边缘连通域的
存在一致性,该值越大说明第j个像素与第j个像素的第k个所属边缘连通域存在越一致,因
而说明第j个像素与该像素的第k个所属边缘连通域的关联性越大。
表示第j个像素与第k个所属边缘连通域的分裂个数,该值的获取方法为:
按照步骤S003中获取各边缘连通域的参考图像的方法,获取第j个像素的第k个所属边缘连通域的参考图像,在参考图像中获取与第j个像素的第k个所属边缘连通域同位置的区域作为第j个像素的第k个所属边缘连通域的对应区域,将第j个像素的第k个所属边缘连通域的对应区域内的连通域称为第j个像素的第k个所属边缘连通域的分裂连通域,将分裂连通域的个数作为第j个像素的第k个所属边缘连通域的分裂个数。
表示第j个像素的第k个所属边缘连通域的梯度方向变动差异性,的获取方
法为:
对于第j个像素的第k个所属边缘连通域,以水平向右作为基准方向,将梯度方向与基准方向的夹角作为梯度夹角,获取各像素的梯度夹角,计算第j个像素的第k个所属边缘连通域内所有像素的梯度夹角均值,获取分裂连通域内各像素的梯度夹角,计算分裂连通域内所有像素的梯度夹角的均值,将第j个像素的第k个所属边缘连通域的梯度夹角均值与其分裂连通域的梯度夹角均值的差值作为第j个像素的第k个所属边缘连通域的梯度方向变动差异性。
反映了第j个像素的第k个所属边缘连通域内所有像素整体一致性情况,
该值越大说明第j个像素的第k个所属边缘连通域内所有像素越一致,因而第j个像素与该
像素的第k个所属边缘连通域内所有像素关联性越大,即第j个像素与该像素的第k个所属
连通域的关联性越大。
第j个像素对应多个所属边缘连通域,每个所属边缘连通域对应一个异常程度,由
于关联性最大的边缘连通域的异常程度更能描述该像素的异常程度情况,因而将与该像素
关联性最大的所属边缘连通域的异常程度作为第j个像素的异常程度,记为。
至此,得到各像素的异常程度,通过各像素的异常程度反映各像素为裂纹像素的情况。
2、根据各像素的异常程度对墙面图像增强处理得到增强后的墙面图像:
根据各像素的异常程度得到各像素的增强后灰度值:
其中,表示第j个像素的异常程度,该值越大说明该像素为裂纹像素的可能性
较大,因而为了增加裂纹的区分度,应给该像素更多的增强,表示第j个像素的增强后灰
度值。
将墙面图像各像素取增强后灰度值得到增强后的墙面图像。
步骤S004,根据增强后的墙面图像对建筑工程进行质量评估。
上述步骤中得到增强后的墙面图像,此时图像中裂纹较为明显,因而利用增强后的墙面图像检测出的裂纹区域较为准确。
通过大津阈值法对增强后的墙面图像进行分割处理得到裂纹区域。当建筑工程的墙面存在裂纹时,将建筑工程判定为不合格,当建筑工程的墙面不存在裂纹时,将建筑工程判定为合格。
综上所述,本发明实施例提供了一种建筑工程质量评估方法,由于建筑工程的墙面图像的细小裂纹区分性较小,容易受粗糙颗粒的干扰,因而根据各像素的异常程度对墙面图像进行增强处理以增加裂纹的区分性;因而得先获得各像素的异常程度;
由于边缘特征能够较好的描述裂纹与粗糙颗粒区分性,因而先利用具有不同取值参数的边缘检测算法对墙面图像进行处理得到多个边缘连通域,通过分析边缘连通域随着检测算法的参数调整而产生变化特征与裂纹边缘区域符合情况,得到各边缘连通域的变动符合性,然后再结合裂纹的其他特征得到各边缘连通域的异常程度;
为了获取每个像素的异常程度,需获取各像素与各边缘连通域的关联性,其中关联性大的边缘连通域的异常程度能够较好的反映像素的异常程度,因而将最大关联性的边缘连通域的异常程度作为各像素的异常程度,进而实现准确的获取各像素的异常程度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (4)
1.一种建筑工程质量评估方法,其特征在于,该方法包括:
获取建筑工程的墙面图像;
通过调整上、下限阈值的取值对墙面图像进行检测处理得到多个边缘连通域;根据每个边缘连通域随着上、下阈值取值变化的变动情况得到每个边缘连通域的变动符合性;结合每个边缘连通域的变动符合性以及裂纹的其他特征得到每个边缘连通域的异常程度;
获取每个像素的多个所属边缘连通域,根据每个像素与每个所属边缘连通域的关联性情况得到每个像素与每个所属边缘连通域的关联性,根据每个像素与每个所属边缘连通域的关联性以及每个所属边缘连通域的异常程度得到每个像素的异常程度;根据每个像素的异常程度对墙面图像进行增强处理得到增强后的墙面图像;
根据增强后的墙面图像进行建筑工程质量评估;
所述通过调整上、下限阈值的取值对墙面图像进行检测处理得到多个边缘连通域,包括的具体步骤为:
获取墙面图像的每个像素的梯度值,获取墙面图像中所有像素的梯度值最小值 和最大值/>;设置预设阈值间隔为/>,预设比例值/>,将min作为下限阈值的第一个取值,将预设阈值间隔作为下限阈值的取值间隔,依次在/>之间获取下限阈值的所有取值;与每个下限阈值取值对应的上限阈值的取值为下限阈值取值与/>的比值;将每个下限阈值的取值与对应的上限阈值的取值组成一个阈值取值组合;
将检测算法的上限阈值与下限阈值依次取每个阈值取值组合的数据,对墙面图像进行处理得到多个边缘图像;
获取每个边缘图像中的边缘像素构成的所有边缘连通域;
所述根据每个边缘连通域随着上、下阈值取值变化的变动情况得到每个边缘连通域的变动符合性,包括的具体步骤为:
获取每个边缘连通域的递减面积;
根据每个边缘连通域的递减面积得到每个边缘连通域的变动符合性:
,
其中,表示第i个边缘连通域的变动符合性,/>表示存在第i个边缘连通域的边缘图像的个数,/>表示第i个边缘连通域的递减面积,/>表示第i个边缘连通域的面积;
所述获取每个边缘连通域的递减面积,包括的具体步骤为:
将多个阈值取值组合按下限阈值从小到大排列得到阈值取值组合序列,将各边缘图像按阈值取值组合的顺序排列得到边缘图像序列;
对于任意一个边缘连通域,获取存在所述边缘连通域的所有边缘图像作为所述边缘连通域的所属边缘图像,基于边缘图像序列的排列顺序,在所述边缘连通域的所有所属边缘图像中获取位置次序排在最后的所属边缘图像作为所述边缘连通域的最后所属边缘图像,在边缘图像序列中获取与最后所属边缘图像右邻接的边缘图像作为所述边缘连通域的参考边缘图像;在参考边缘图像中获取与所述边缘连通域同位置的区域作为所述边缘连通域的对应区域,在对应区域内获取所有的连通域作为所述边缘连通域的分裂连通域,将所述边缘连通域与分裂连通域像素个数的差值作为所述边缘连通域的递减面积;
获取每个边缘连通域的递减面积;
所述结合每个边缘连通域的变动符合性以及裂纹的其他特征得到每个边缘连通域的异常程度,包括的具体步骤为:
,
其中,表示第i个边缘连通域的异常程度,/>表示第i个边缘连通域的变动符合性,/>表示在墙面图像中第i个边缘连通域内所有像素灰度值均值,/>表示在墙面图像中第i个边缘连通域内所有像素的梯度值的方差值;
所述根据每个像素与每个所属边缘连通域的关联性情况得到每个像素与每个所属边缘连通域的关联性,包括的具体步骤为:
对于每个像素的每个所属边缘连通域的分裂连通域,将分裂连通域的个数作为每个像素的每个所属边缘连通域的分裂个数;
获取每个像素的每个所属边缘连通域的梯度方向变动差异性;
根据每个像素的每个所属边缘连通域的分裂个数和梯度方向变动差异性得到每个像素与每个所属边缘连通域的关联性:
,
其中,表示第j个像素与第k个所属边缘连通域的关联性,/>表示第j个像素的所属边缘连通域的个数,/>表示包含第j个像素的第k个所属边缘连通域的边缘图像的个数,/>表示第j个像素的第k个所属边缘连通域的分裂个数,/>表示第j个像素的第k个所属边缘连通域的梯度方向变动差异性;
所述获取每个像素的每个所属边缘连通域的梯度方向变动差异性,包括的具体步骤为:
对于一个像素的一个所属边缘连通域,以水平向右作为基准方向,将梯度方向与基准方向的夹角作为梯度夹角,获取所述所属边缘连通域中各像素的梯度夹角,计算所述所属边缘连通域内所有像素的梯度夹角均值,获取所述所属边缘连通域的分裂连通域内各像素的梯度夹角,计算分裂连通域内所有像素的梯度夹角均值,将所述所属边缘连通域的梯度夹角均值与分裂连通域的梯度夹角均值的差值作为所述所属边缘连通域的梯度方向变动差异性;
获取每个像素的每个所属边缘连通域的梯度方向变动差异性。
2.如权利要求1所述的一种建筑工程质量评估方法,其特征在于,所述根据每个像素与每个所属边缘连通域的关联性以及每个所属边缘连通域的异常程度得到每个像素的异常程度,包括的具体步骤为:
将与像素关联性最大的所属边缘连通域的异常程度作为每个像素的异常程度。
3.如权利要求1所述的一种建筑工程质量评估方法,其特征在于,所述根据每个像素的异常程度对墙面图像进行增强处理得到增强后的墙面图像,包括的具体步骤为:
根据各像素的异常程度得到各像素的增强后灰度值:
,
其中,表示第j个像素的异常程度,/>表示第j个像素的增强后灰度值;
将墙面图像各像素取增强后灰度值得到增强后的墙面图像。
4.如权利要求1所述的一种建筑工程质量评估方法,其特征在于,所述根据增强后的墙面图像进行建筑工程质量评估,包括的具体步骤为:
对增强后的墙面图像进行分割处理得到裂纹区域,当建筑工程的墙面存在裂纹时,将建筑工程判定为不合格,当建筑工程的墙面不存在裂纹时,将建筑工程判定为合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311047557.6A CN116805314B (zh) | 2023-08-21 | 2023-08-21 | 一种建筑工程质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311047557.6A CN116805314B (zh) | 2023-08-21 | 2023-08-21 | 一种建筑工程质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116805314A CN116805314A (zh) | 2023-09-26 |
CN116805314B true CN116805314B (zh) | 2023-11-14 |
Family
ID=88079639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311047557.6A Active CN116805314B (zh) | 2023-08-21 | 2023-08-21 | 一种建筑工程质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116805314B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10157081A (ja) * | 1996-11-29 | 1998-06-16 | Dainippon Printing Co Ltd | 筋状欠陥検査方法及び装置 |
WO2015132817A1 (ja) * | 2014-03-05 | 2015-09-11 | 三菱電機株式会社 | エッジ検出装置、エッジ検出方法およびプログラム |
CN115511842A (zh) * | 2022-09-29 | 2022-12-23 | 郑州科技学院 | 一种基于机器视觉的电缆绝缘表皮破损检测方法 |
CN115564771A (zh) * | 2022-11-17 | 2023-01-03 | 山东上辰建设集团有限公司 | 一种基于建筑物基柱的混凝土裂纹识别方法 |
CN115760884A (zh) * | 2023-01-06 | 2023-03-07 | 山东恩信特种车辆制造有限公司 | 基于图像处理的半挂车表面焊渣优化分割方法 |
CN116433663A (zh) * | 2023-06-13 | 2023-07-14 | 肥城恒丰塑业有限公司 | 一种土工格室质量智能检测方法 |
CN116468728A (zh) * | 2023-06-20 | 2023-07-21 | 深圳市锦红兴科技有限公司 | 一种五金冲压件模具生产质量检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364280B (zh) * | 2018-01-03 | 2022-04-15 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
-
2023
- 2023-08-21 CN CN202311047557.6A patent/CN116805314B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10157081A (ja) * | 1996-11-29 | 1998-06-16 | Dainippon Printing Co Ltd | 筋状欠陥検査方法及び装置 |
WO2015132817A1 (ja) * | 2014-03-05 | 2015-09-11 | 三菱電機株式会社 | エッジ検出装置、エッジ検出方法およびプログラム |
CN115511842A (zh) * | 2022-09-29 | 2022-12-23 | 郑州科技学院 | 一种基于机器视觉的电缆绝缘表皮破损检测方法 |
CN115564771A (zh) * | 2022-11-17 | 2023-01-03 | 山东上辰建设集团有限公司 | 一种基于建筑物基柱的混凝土裂纹识别方法 |
CN115760884A (zh) * | 2023-01-06 | 2023-03-07 | 山东恩信特种车辆制造有限公司 | 基于图像处理的半挂车表面焊渣优化分割方法 |
CN116433663A (zh) * | 2023-06-13 | 2023-07-14 | 肥城恒丰塑业有限公司 | 一种土工格室质量智能检测方法 |
CN116468728A (zh) * | 2023-06-20 | 2023-07-21 | 深圳市锦红兴科技有限公司 | 一种五金冲压件模具生产质量检测方法 |
Non-Patent Citations (2)
Title |
---|
Crack detection in shadowed images on gray level deviations in a moving window and distance deviations between connected components;Weixing Wang et al.;《Construction and Building Materials》;第271卷;第1-12页 * |
基于机器视觉的建筑物表面裂缝检测研究;郭运冲;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第2期);第C038-2610页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116805314A (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114627111B (zh) | 一种纺织品缺陷检测识别装置 | |
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN109870461B (zh) | 一种电子元器件质量检测系统 | |
CN116843688B (zh) | 一种纺织品质量视觉检测方法 | |
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN114862849B (zh) | 一种基于图像处理的铝合板覆膜效果评估方法 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN115294159B (zh) | 金属紧固件腐蚀区域分割方法 | |
CN116758491B (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115311299B (zh) | 一种基于多光源角度的纺织品染色异常检测方法 | |
CN116758077A (zh) | 一种冲浪板表面平整度在线检测方法及系统 | |
CN116993742B (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN116993726B (zh) | 一种矿物铸件检测方法及系统 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115239661A (zh) | 基于图像处理的机械零件毛刺检测方法及系统 | |
CN116612112B (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN116805314B (zh) | 一种建筑工程质量评估方法 | |
WO2019007164A1 (zh) | 纸币涂鸦的检测方法及装置 | |
CN114638822A (zh) | 一种利用光学手段的汽车盖板表面质量检测方法及系统 | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 | |
CN111523605A (zh) | 一种图像识别方法、装置、电子设备及介质 | |
JP5479309B2 (ja) | マハラノビス基準空間の生成方法、検査方法及び検査装置 | |
Lin et al. | Automated distortion defect inspection of curved car mirrors using computer vision |
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 |