CN116958138A - 一种用于桥梁检测的取样控制方法、系统、设备及介质 - Google Patents
一种用于桥梁检测的取样控制方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116958138A CN116958138A CN202311210394.9A CN202311210394A CN116958138A CN 116958138 A CN116958138 A CN 116958138A CN 202311210394 A CN202311210394 A CN 202311210394A CN 116958138 A CN116958138 A CN 116958138A
- Authority
- CN
- China
- Prior art keywords
- bridge
- value
- sampling
- image
- line
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000002776 aggregation Effects 0.000 claims abstract description 51
- 238000004220 aggregation Methods 0.000 claims abstract description 51
- 239000006185 dispersion Substances 0.000 claims abstract description 38
- 230000001629 suppression Effects 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 132
- 230000006870 function Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 15
- 238000007689 inspection Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- 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
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种用于桥梁检测的取样控制方法、系统、设备及介质,本申请中首先获取桥梁取样图像,对桥梁取样图像进行背景阈值分割,得到桥梁对象图像,对桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像,获取桥梁对象平滑图像的桥梁纹路聚焦中心点和桥梁纹路分散幅度,根据桥梁纹路聚焦中心点与桥梁纹路分散幅度,确定桥梁纹路聚集程度反馈值,对桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值,根据桥梁纹路聚集程度反馈值和桥梁纹路复杂度反馈值确定桥梁取样反馈值,根据桥梁取样反馈值向控制中心发送提示取样异常的报警信号,实现了一种无需依赖主观经验的桥梁取样检测方法,提高了桥梁取样检测的检测效率。
Description
技术领域
本申请涉及桥梁取样检测技术领域,更具体的说,本申请涉及一种用于桥梁检测的取样控制方法、系统、设备及介质。
背景技术
桥梁取样检测是通过采集桥梁结构和材料的样本,以验证桥梁的设计性能和预测模型,以便为桥梁的安全维护提供参考和改进,取样检测的数据也可为桥梁工程的研究和创新提供依据,推动桥梁结构和材料的发展,能够评估桥梁的质量和耐久性,取样检测还能监测桥梁的结构健康状态,及时发现潜在的结构问题或损伤,确保桥梁的安全运行。
近年我国在桥梁检测领域投入巨大,但是目前在我国的桥梁缺陷检测领域中主要依赖于人工检测,通常采用合格的桥梁检查员通过目视检查对桥梁的状况进行评估,虽然进行例行检查的检查员都经过专业认证,但检查的过程中仍存在明显问题:桥梁取样检测的目测检查结果依赖人的主观经验,桥梁缺陷程度的准确度完全取决于检查员的知识和经验,并且需要耗费大量时间和人力资源,检测效率相对较低。
发明内容
本申请提供一种用于桥梁检测的取样控制方法、系统、设备及介质,以解决桥梁取样检测的目测检查结果依赖人的主观经验,并且检测效率相对较低的技术问题。
为解决上述技术问题,本申请采用如下技术方案:
第一方面,本申请提供一种用于桥梁检测的取样方法,包括如下步骤:
获取桥梁取样图像;
对所述桥梁取样图像进行背景阈值分割,得到桥梁对象图像,对所述桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像;
对所述桥梁对象平滑图像进行桥梁纹路聚集程度判断,得到桥梁纹路聚焦中心点和桥梁纹路分散幅度,根据所述桥梁纹路聚焦中心点与所述桥梁纹路分散幅度,确定桥梁纹路聚集程度反馈值;
对所述桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值,根据所述桥梁纹路聚集程度反馈值和所述桥梁纹路复杂度反馈值确定桥梁取样反馈值,其中对所述桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值具体包括:获取通过桥梁对象平滑图像提取的桥梁纹路特征矩阵中的各个桥梁纹路特征值;根据所述桥梁纹路特征矩阵中的各个桥梁纹路特征值,确定所述桥梁纹路复杂度反馈值;
判断所述桥梁取样反馈值是否位于桥梁取样预设阈值区间内,若所述桥梁取样反馈值不在所述桥梁取样预设阈值区间内,则向控制中心发送提示取样异常的报警信号。
在一些实施例中,对所述桥梁取样图像进行背景阈值分割,得到桥梁对象图像具体包括:
将所述桥梁取样图像矩阵化,得到桥梁取样图像的红绿蓝值矩阵;
获取桥梁的红绿蓝值取值范围,进而对该桥梁取样图像的红绿蓝值矩阵里的每一个红绿蓝值与所述桥梁的红绿蓝值取值范围进行对比,当该红绿蓝值不在所述桥梁的红绿蓝值取值范围之内,则将该红绿蓝值修改为红绿蓝最大值,当该红绿蓝值在所述桥梁的红绿蓝值取值范围之内,则保持该红绿蓝值不变;
将对比后得到的图像作为桥梁对象图像。
在一些实施例中,对所述桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像具体包括:
对所述桥梁对象图像进行小波分解,得到所述桥梁对象图像的近似系数和不同尺度的细节系数;
将不同尺度的细节系数与预设的阈值进行对比,将绝对值小于阈值的细节系数置零,将绝对值大于等于阈值的细节系数减去阈值后保留正负号,得到噪声抑制后不同尺度的细节系数;
根据所述近似系数和噪声抑制后不同尺度的细节系数进行逆小波变换,得到桥梁对象平滑图像。
在一些实施例中,对所述桥梁对象平滑图像进行桥梁纹路聚集程度判断,得到桥梁纹路聚焦中心点和桥梁纹路分散幅度具体包括:
对所述桥梁对象平滑图像进行灰度映射,得到桥梁对象平滑灰度矩阵;
根据预设纹路特征窗口尺寸,对所述桥梁对象平滑灰度矩阵进行纹路特征提取,得到桥梁纹路特征矩阵;
由所述桥梁纹路特征矩阵,确定所述桥梁纹路聚焦中心点和桥梁纹路分散幅度。
在一些实施例中,根据预设纹路特征窗口尺寸,对所述桥梁对象平滑灰度矩阵进行纹路特征提取,得到桥梁纹路特征矩阵的过程中,所述桥梁纹路特征矩阵中的桥梁纹路特征值可以通过下式确定:
其中,为所述桥梁纹路特征矩阵中第/>行第/>列的桥梁纹路特征值,/>为所述桥梁对象平滑灰度矩阵中以第/>行第/>列的元素为中心的纹路特征窗口,/>为所述纹路特征窗口中的像素点个数,/>为所述纹路特征窗口中所有元素的方差值,/>为所述桥梁对象平滑灰度矩阵中第/>行第/>列的元素值,/>、/>分别为所述桥梁对象平滑图像中像素点的行数和列数。
在一些实施例中,确定桥梁纹路聚焦中心点具体包括:
对所述桥梁纹路特征矩阵进行傅里叶变换,得到桥梁纹路频率分量矩阵;
获取所述桥梁纹路频率分量矩阵中各个频率分量的模值,将最大模值对应的频率分量作为中心频率分量,获取所述中心频率分量的坐标位置,根据所述中心频率分量的坐标位置与所述桥梁对象平滑图像,得到所述桥梁纹路聚焦中心点。
在一些实施例中,根据所述桥梁纹路聚焦中心点和所述桥梁纹路分散幅度,确定桥梁纹路聚集程度反馈值包括:
确定条件判断函数;
确定所述桥梁纹路聚焦中心点的像素灰度值,将所述像素灰度值作为桥梁纹路聚焦值;
确定桥梁纹路分散幅度;
确定桥梁纹路分布均衡度;
根据所述条件判断函数、桥梁纹路聚焦值/>、桥梁纹路分散幅度/>和梁纹路分布均衡度/>,确定桥梁纹路聚集程度反馈值/>:
其中,为位置/>处的像素灰度值,/>、/>分别为所述桥梁纹路聚焦中心点的横坐标与纵坐标,/>为位置/>处的像素经过横坐标/>与纵坐标/>偏移后的像素的灰度值,/>为桥梁纹路特征矩阵的行总数,/>桥梁纹路特征矩阵的列总数,/>为底数为/>的指数函数,/>为圆周率,/>为标定的极小值常数。
第二方面,本申请提供一种用于桥梁检测的取样控制系统,该用于桥梁检测的取样控制系统包括有:
桥梁取样图像采集单元,用于获取桥梁取样图像;
桥梁取样图像预处理单元,用于对所述桥梁取样图像进行背景阈值分割,得到桥梁对象图像,对所述桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像;
桥梁纹路聚集程度反馈值确定单元,用于对所述桥梁对象平滑图像进行桥梁纹路聚集程度判断,得到桥梁纹路聚焦中心点和桥梁纹路分散幅度,根据所述桥梁纹路聚焦中心点与所述桥梁纹路分散幅度,确定桥梁纹路聚集程度反馈值;
桥梁取样反馈值确定单元,用于对所述桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值,根据所述桥梁纹路聚集程度反馈值和所述桥梁纹路复杂度反馈值确定桥梁取样反馈值,其中对所述桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值具体包括:获取通过桥梁对象平滑图像提取的桥梁纹路特征矩阵中的各个桥梁纹路特征值;根据所述桥梁纹路特征矩阵中的各个桥梁纹路特征值,确定所述桥梁纹路复杂度反馈值;
报警判断单元,用于判断所述桥梁取样反馈值是否位于桥梁取样预设阈值区间内,若所述桥梁取样反馈值不在所述桥梁取样预设阈值区间内,则向控制中心发送提示取样异常的报警信号。
第三方面,本申请提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行上述的用于桥梁检测的取样控制方法。
第四方面,本申请提供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计算机程序,所述计算机程序被处理器执行时实现上述的用于桥梁检测的取样控制方法。
本申请公开的实施例提供的技术方案具有以下有益效果:
本申请提供了一种用于桥梁检测的取样控制方法、系统、设备及介质,首先获取桥梁取样图像,对桥梁取样图像进行背景阈值分割,得到桥梁对象图像,对桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像,对桥梁对象平滑图像进行桥梁纹路聚集程度判断,得到桥梁纹路聚焦中心点和桥梁纹路分散幅度,根据桥梁纹路聚焦中心点与桥梁纹路分散幅度,确定桥梁纹路聚集程度反馈值,对桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值,根据桥梁纹路聚集程度反馈值和桥梁纹路复杂度反馈值确定桥梁取样反馈值,判断每张图像对应的桥梁取样反馈值是否位于桥梁取样预设阈值区间之内,当判断结果为是,则向控制中心发送提示取样异常的报警信号,实现了一种无需依赖主观经验的桥梁取样检测方法,提高了桥梁取样检测的检测效率。
附图说明
图1是根据本申请一些实施例所示的用于桥梁检测的取样控制方法的示例性流程图;
图2是根据本申请一些实施例所示的用于桥梁检测的取样控制系统的示例性硬件和/或软件的示意图;
图3是根据本申请一些实施例所示的实现用于桥梁检测的取样控制方法的计算机设备的结构示意图。
具体实施方式
本申请核心是提供了一种用于桥梁检测的取样控制方法、系统、设备及介质,首先获取桥梁取样图像,对桥梁取样图像进行背景阈值分割,得到桥梁对象图像,对桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像,对桥梁对象平滑图像进行桥梁纹路聚集程度判断,得到桥梁纹路聚焦中心点和桥梁纹路分散幅度,根据桥梁纹路聚焦中心点与桥梁纹路分散幅度,确定桥梁纹路聚集程度反馈值,对桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值,根据桥梁纹路聚集程度反馈值和桥梁纹路复杂度反馈值确定桥梁取样反馈值,判断每张图像对应的桥梁取样反馈值是否位于桥梁取样预设阈值区间之内,当判断结果为是,则向控制中心发送提示取样异常的报警信号,实现了一种无需依赖主观经验的桥梁取样检测方法,提高了桥梁取样检测的检测效率。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。参考图1,该图是根据本申请一些实施例所示的用于桥梁取样检测的取样控制方法的示例性流程图,该用于桥梁取样检测的取样控制方法100主要包括如下步骤:
在步骤101,获取桥梁取样图像。
具体实现时,采集到的桥梁取样图像被转换为数字信号,所述数字信号是由一系列数字化的数据组成的,每个数据代表着图像的一个像素点的亮度值或颜色信息,将转化后的数字数据通过通用串行总线接口传输到存储器,收到获取桥梁取样图像的请求后到存储器的相应存储位置即可获取到桥梁取样图像,这里不再赘述。
在步骤102,对所述桥梁取样图像进行背景阈值分割,得到桥梁对象图像,对所述桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像。
具体实现时,对所述桥梁取样图像进行背景阈值分割,得到桥梁对象图像可采用下述步骤实现:
将所述桥梁取样图像矩阵化,得到桥梁取样图像的红绿蓝值矩阵,获取桥梁的红绿蓝值取值范围,进而对该桥梁取样图像的红绿蓝值矩阵里的每一个红绿蓝值与所述桥梁的红绿蓝值取值范围进行对比,当该红绿蓝值不在所述桥梁的红绿蓝值取值范围之内,则将该红绿蓝值修改为红绿蓝最大值,当该红绿蓝值在所述桥梁的红绿蓝值取值范围之内,则保持该红绿蓝值不变;
将对比处理后得到的图像作为桥梁对象图像,其中红绿蓝最大值为所述桥梁的红绿蓝取值范围的区间上限,这里不再赘述。
需要说明的是,数字图像数据可以用矩阵来表示,因此可以采用矩阵理论和矩阵算法对数字图像进行分析和处理,最典型的例子是灰度图像,灰度图像的像素数据就是一个矩阵,矩阵的行对应图像的高(单位为像素),矩阵的列对应图像的宽(单位为像素),矩阵的元素对应图像的像素,矩阵元素的值就是像素的灰度值,在本实施例中,所述桥梁取样图像的红绿蓝值矩阵中的行对应图像的高,红绿蓝值矩阵中列对应图像的宽,红绿蓝值矩阵中的元素对应图像中像素点的红绿蓝(Red-Green-Blue)值。
需要说明的是,获取桥梁的红绿蓝值取值范围,具体可以为:
通过图像传感器获取桥梁不同部位的图像,将所述桥梁不同部位的图像进行矩阵化转换,得到桥梁每一个部位的图像对应的红绿蓝值矩阵,将每一个红绿蓝值矩阵的红绿蓝值分别进行从大到小的排列,获取每一个红绿蓝值矩阵的红绿蓝极大值和红绿蓝极小值,将所述每一个红绿蓝值矩阵的红绿蓝极大值和红绿蓝极小值按照从大到小的顺序排列,得到红绿蓝最大值和红绿蓝最小值,将所述红绿蓝最大值和红绿蓝最小值作为区间边界,得到桥梁的红绿蓝值取值范围。
需要说明的是,背景阈值分割可以将图像中的桥梁目标与背景之间的特征对比更为明显,使得后续对桥梁取样图像的处理和分析更加高效。
在一些实施例中,对所述桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像可采用下述步骤实现:
采用Coiflet小波函数作为基函数对所述桥梁对象图像进行小波分解,得到所述桥梁对象图像的近似系数和不同尺度的细节系数;
将不同尺度的细节系数与预设的阈值进行对比,将绝对值小于阈值的细节系数置零,将绝对值大于等于阈值的细节系数减去阈值后保留正负号,得到噪声抑制后不同尺度的细节系数;
根据所述近似系数和噪声抑制后不同尺度的细节系数进行逆小波变换,得到桥梁对象平滑图像。
需要说明的是,本申请中近似系数是指信号的低频部分,包含信号的大部分能量,而细节系数是指信号的高频部分,包含了信号的细节信息,而所述不同尺度的细节系数指的是在小波变换过程中,通过多次分解原始信号,得到的不同频率和细节层级的细节系数,在小波变换中,信号在不同尺度上的频率成分对应被分解成一系列细节系数,每个细节系数对应一个特定尺度和频率范围,此外,在本实施例中采用对不同尺度的细节系数进行阈值处理进行噪声抑制,是因为噪声在细节系数中表现为高频成分,而信号在近似系数中表现为低频成分,因此,通过对不同尺度的细节系数进行阈值处理,可以减少细节系数中的噪声,并保留图像的重要细节,得到所述桥梁对象平滑图像。
在另一些实施例中,对所述桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像还可以采用下述方式实现:
获取桥梁对象图像的宽度和高度,创建一个对应该桥梁对象图像的宽度×高度的空矩阵,将图像的像素所在行列值与空矩阵里的行列值对应,将每个像素代表的红绿蓝值放入空矩阵里图像像素所对应的行列里,确定桥梁对象图像的红绿蓝颜色通道矩阵。
对所述定桥梁对象图像的红绿蓝颜色通道矩阵进行变换,确定近似系数矩阵和确定细节系数矩阵;
对所述近似系数矩阵和所述细节系数矩阵进行阈值处理,确定阈值化近似系数矩阵和确定阈值化细节系数矩阵;
对所述阈值化近似系数矩阵和所述阈值化细节系数矩阵进行逆变换,得到所述桥梁对象平滑图像。
在具体实现时,本申请中也可以通过小波变换确定所述桥梁对象平滑图像,小波变换可通过多尺度分析和时频局部性对图像进行平滑,能够更准确地捕捉图像的细节和结构,提高了对图像进行平滑的能力,下面给出一个采用小波变换对所述桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像的具体实施例,包括如下步骤:
获取红绿蓝颜色通道矩阵;
构建由颜色矩阵灰度化转换模块、小波变换模块、小波阈值处理模块、小波逆变换模块组成的桥梁对象图像的平滑模型;
将桥梁对象的红绿蓝颜色通道矩阵输入该桥梁对象图像的平滑模型,确定桥梁对象平滑图像;
需要说明的是,上述桥梁对象图像的平滑模型对所述桥梁对象的红绿蓝颜色通道矩阵进行处理可采用如下方式,即:
颜色矩阵灰度化转换模块,通过红绿蓝通道将桥梁对象的红绿蓝颜色通道矩阵转换为灰度矩阵;
小波变换模块,通过Coiflet小波对灰度图像的每一行应用Coiflet小波基函数,得到每行的小波系数,对行变换的结果再进行列变换,即对每一列应用Coiflet小波基函数,确定近似系数矩阵和细节系数矩阵,近似系数矩阵是在小波分解过程中得到的低频小波分量,其中包含了图像的低频部分,也就是图像中天空、海洋和大片草地等相对平滑的区域,细节系数矩阵是在小波分解过程中得到的高频小波分量,细节系数矩阵中包含了图像的高频部分,也就是图像中树木、建筑物等细节等相对灰度变化较为剧烈的部分;
小波阈值处理模块,设置小波处理阈值,通过小波处理阈值对近似系数矩阵进行阈值处理,小于该阈值的系数设为0,将大于该阈值的系数保留,确定阈值化近似系数矩阵,通过小波处理阈值对细节系数矩阵进行阈值处理,小于该阈值的系数设为0,将大于该阈值的系数保留,确定阈值化细节系数矩阵;
小波逆变换模块,获取阈值化细节系数矩阵和阈值化近似系数矩阵,对阈值化细节系数矩阵和阈值化近似系数矩阵进行小波逆变换,得到桥梁对象平滑图像。
在步骤103,对所述桥梁对象平滑图像进行桥梁纹路聚集程度判断,得到桥梁纹路聚焦中心点和桥梁纹路分散幅度,根据所述桥梁纹路聚焦中心点与所述桥梁纹路分散幅度,确定桥梁纹路聚集程度反馈值。
具体实现时,对所述桥梁对象平滑图像进行桥梁纹路聚集程度判断,得到桥梁纹路聚焦中心点和桥梁纹路分散幅度具体可以采用下述方式:
对所述桥梁对象平滑图像进行灰度映射,得到桥梁对象平滑灰度矩阵;
根据预设纹路特征窗口尺寸,对所述桥梁对象平滑灰度矩阵进行纹路特征提取,得到桥梁纹路特征矩阵;
由所述桥梁纹路特征矩阵,确定所述桥梁纹路聚焦中心点和桥梁纹路分散幅度;
其中,对所述桥梁对象平滑图像进行灰度映射,得到桥梁对象平滑灰度矩阵的过程中,所述桥梁对象平滑灰度矩阵中各元素值可以通过下式确定,即:
其中,为所述桥梁对象平滑灰度矩阵中第/>行第/>列的元素值,/>为所述桥梁对象平滑图像在/>坐标处的红色通道像素值,/>为所述桥梁对象平滑图像在/>坐标处的绿色通道像素值,/>为所述桥梁对象平滑图像在坐标处的蓝色通道像素值,/>,/>分别为所述桥梁对象平滑图像中像素点的行数和列数。
可选的,在一些实施例中,根据预设纹路特征窗口尺寸对所述桥梁对象平滑灰度矩阵进行纹路特征提取,得到桥梁纹路特征矩阵的过程中,所述桥梁纹路特征矩阵中桥梁纹路特征值可以通过下式确定:
其中,为所述桥梁纹路特征矩阵中第/>行第/>列的桥梁纹路特征值,/>为所述桥梁对象平滑灰度矩阵中以第/>行第/>列的元素为中心的纹路特征窗口,/>为所述纹路特征窗口中的像素点个数,/>为所述纹路特征窗口中所有元素的方差值,/>为所述桥梁对象平滑灰度矩阵中第/>行第/>列的元素值,/>,/>分别为所述桥梁对象平滑图像中像素点的行数和列数。
需要说明的是,所述纹路特征窗口是以所述桥梁对象平滑灰度矩阵中的选定元素为中心的特征提取窗口,具体实现时,可以采用矩形的纹路特征窗口,所述纹路特征窗口的尺寸根据需求预设为参数,例如,确定所述桥梁纹路特征矩阵中第行第/>列的桥梁纹路特征值,当所述纹路特征窗口的尺寸为3×3时,所述纹路特征窗口是以桥梁对象平滑灰度矩阵中以第/>行第/>列的元素为中心的9个像素点组成的集合。
优选的,在一些实施例中,确定桥梁纹路聚焦中心点的过程具体包括:
对所述桥梁纹路特征矩阵进行傅里叶变换,得到桥梁纹路频率分量矩阵;
获取所述桥梁纹路频率分量矩阵中各个频率分量的模值,将最大模值对应的频率分量作为中心频率分量,获取所述中心频率分量的坐标位置,根据所述中心频率分量的坐标位置与所述桥梁对象平滑图像,得到所述桥梁纹路聚焦中心点。
具体实现时,可采用Python中的OpenCV库中的傅里叶变换函数对所述桥梁纹路特征矩阵进行傅里叶变换,变换函数将返回一个复数矩阵,该复数矩阵即为所述桥梁纹路频率分量矩阵,所述桥梁纹路频率分量矩阵中包含了输入数据在不同频率上的频率分量,进一步的,对所述桥梁纹路频率分量矩阵中的各个复数元素(频率分量)取模值,将模值最大的频率分量作为中心频率分量,进而确定所述中心频率分量在所述桥梁纹路频率分量矩阵中的位置坐标,可选的,在一些实施例中,可以根据所述中心频率分量在所述桥梁纹路频率分量矩阵中的位置坐标,将所述桥梁对象平滑图像与所述中心频率分量同坐标位置的像素点作为所述桥梁纹路聚焦中心点。
在一些实例中,确定桥梁纹路分散幅度的过程可采用下述方式,即:
获取所述桥梁纹路特征矩阵中各个桥梁纹路特征值;
根据所述桥梁纹路特征矩阵中各个桥梁纹路特征值,确定所述桥梁纹路分散幅度,其中,所述桥梁纹路分散幅度根据下式确定:
其中,为所述桥梁纹路分散幅度,/>为桥梁纹路特征矩阵的行总数,/>桥梁纹路特征矩阵的列总数,/>为第/>行第/>列的桥梁纹路特征值,/>为所述桥梁纹路特征矩阵中各个桥梁纹路特征值的平均值。
在一些实例中,根据所述桥梁纹路聚焦中心点与所述桥梁纹路分散幅度,确定桥梁纹路聚集程度反馈值可采用下述方式,即:
确定条件判断函数;
确定所述桥梁纹路聚焦中心点的像素灰度值,将所述像素灰度值作为桥梁纹路聚焦值;
确定桥梁纹路分散幅度;
确定桥梁纹路分布均衡度;
根据所述条件判断函数、桥梁纹路聚焦值/>、桥梁纹路分散幅度/>和梁纹路分布均衡度/>,确定桥梁纹路聚集程度反馈值/>:
其中,为位置/>处的像素灰度值,/>、/>分别为所述桥梁纹路聚焦中心点的横坐标与纵坐标,/>为位置/>处的像素经过横坐标/>与纵坐标/>偏移后的像素的灰度值,/>为桥梁纹路特征矩阵的行总数,/>桥梁纹路特征矩阵的列总数,/>为底数为/>的指数函数,/>为圆周率,/>为标定的极小值常数,用于防止所述桥梁纹路聚集程度反馈值无意义。
需要说明的是,本申请中桥梁纹路聚焦值为所述桥梁纹路聚焦中心点的像素灰度值,桥梁纹路分布均衡度/>是桥梁纹路特征矩阵内元素的标准差的倒数,条件判断函数的作用是对其内部的计算结果进行判断,判断内部计算结果为0,则/>函数返回值为1,判断其内部计算结果不为0,则/>函数返回值为0。
需要说明的是,所述桥梁纹路聚集程度反馈值反映了所述桥梁取样图像中图案聚集程度,当桥梁表面因长期使用存在裂纹时,裂纹通常会改变表面的纹理和图案,这种变化导致原本均匀的图案变得不规则,进而导致所述桥梁纹路聚集程度反馈值上升,因此可以通过分析所述桥梁纹路聚集程度反馈值来检测和评估桥梁的安全性能。
在步骤104,对所述桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值,根据所述桥梁纹路聚集程度反馈值和所述桥梁纹路复杂度反馈值确定桥梁取样反馈值。
具体实现时,对所述桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值具体可采用下述方式:
获取通过桥梁对象平滑图像提取的桥梁纹路特征矩阵中的各个桥梁纹路特征值;
根据所述桥梁纹路特征矩阵中的各个桥梁纹路特征值,确定所述桥梁纹路复杂度反馈值,其中所述桥梁纹路复杂度反馈值根据下式确定:
其中为桥梁纹路复杂度反馈值,/>为桥梁纹路特征矩阵的行总数,/>桥梁纹路特征矩阵的列总数,/>为桥梁纹路特征矩阵在位置/>处的桥梁纹路特征取值,为标定的极小值常数。
需要说明的是,上述通过桥梁对象平滑图像提取桥梁纹路特征矩阵是根据下述方式确定,即:
对所述桥梁对象平滑图像进行灰度映射,得到桥梁对象平滑灰度矩阵;
根据预设纹路特征窗口尺寸,对所述桥梁对象平滑灰度矩阵进行纹路特征提取,得到桥梁纹路特征矩阵,前述步骤中已详细描述,这里不再赘述。
需要说明的是,所述桥梁纹路复杂度反馈值反映所述桥梁取样图像中图案复杂程度,当桥梁表面因长期使用存在裂纹时,裂纹通常是不规则的形状,会打断原本均匀的表面图案,这种不规则性可以导致图案复杂性的增加,因为它们在图像中引入了新的、非常规的结构,进而引起所述桥梁纹路复杂度反馈值增大,因此可以通过分析所述桥梁纹路复杂度反馈值来检测和评估桥梁的安全性能。
在一些实施例中,桥梁取样反馈值为所述桥梁纹路聚集程度反馈值和所述桥梁纹路复杂度反馈值之和。
在步骤105,判断所述桥梁取样反馈值是否位于桥梁取样预设阈值区间内,若所述桥梁取样反馈值不在所述桥梁取样预设阈值区间内,则向控制中心发送提示取样异常的报警信号。
具体实现时,向控制中心发送提示取样异常的报警信号可采用下述步骤实现:
获取桥梁取样反馈值,对所述桥梁取样反馈值判断是否位于桥梁取样预设阈值区间之内,当判断结果为否,表明对桥梁取样得到的桥梁纹路聚集程度反馈值或桥梁纹路复杂度反馈值过大,桥梁表面纹理出现异常的聚集或复杂纹路,在桥梁的建筑材料材料通常较为单一的前提条件下,桥梁取样反馈值超出预设阈值区间通常表明桥梁出现较大裂纹,此时需要向控制中心发送提示取样异常的报警信号,另外,当判断所述桥梁取样反馈值位于桥梁取样预设阈值区间之内,则对桥梁检测的取样报警系统进行待机,这里不再赘述。
需要说明的是,所述报警信号中包含桥梁取样地点信息,这里不再赘述。
另外,本申请的另一方面,在一些实施例中,本申请提供一种用于桥梁检测的取样控制系统,参考图2,该图是根据本申请一些实施例所示的一种用于桥梁检测的取样控制系统的示例性硬件和/或软件的示意图,该用于桥梁检测的取样控制系统200包括:桥梁取样图像采集单元201、桥梁取样图像预处理单元202、桥梁纹路聚集程度反馈值确定单元203、桥梁取样反馈值确定单元204和报警判断单元205,分别说明如下:
桥梁取样图像采集单元201,本申请中桥梁取样图像采集单元201主要用于获取桥梁取样图像;
桥梁取样图像预处理单元202,本申请中桥梁取样图像预处理单元202主要用于对所述桥梁取样图像进行背景阈值分割,得到桥梁对象图像,对所述桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像;
桥梁纹路聚集程度反馈值确定单元203,本申请中桥梁纹路聚集程度反馈值确定单元203主要用于对所述桥梁对象平滑图像进行桥梁纹路聚集程度判断,得到桥梁纹路聚焦中心点和桥梁纹路分散幅度,根据所述桥梁纹路聚焦中心点与所述桥梁纹路分散幅度,确定桥梁纹路聚集程度反馈值;
桥梁取样反馈值确定单元204,本申请中桥梁取样反馈值确定单元204主要用于对所述桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值,根据所述桥梁纹路聚集程度反馈值和所述桥梁纹路复杂度反馈值确定桥梁取样反馈值,其中对所述桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值具体包括:获取通过桥梁对象平滑图像提取的桥梁纹路特征矩阵中的各个桥梁纹路特征值;根据所述桥梁纹路特征矩阵中的各个桥梁纹路特征值,确定所述桥梁纹路复杂度反馈值;
报警判断单元205,本申请中报警判断单元205主要用于判断所述桥梁取样反馈值是否位于桥梁取样预设阈值区间内,若所述桥梁取样反馈值不在所述桥梁取样预设阈值区间内,则向控制中心发送提示取样异常的报警信号。
另外,本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行上述的一种用于桥梁检测的取样控制方法。
在一些实施例中,参考图3,该图是根据本申请一些实施例所示的应用于桥梁检测的取样控制方法的计算机设备的结构示意图。上述实施例中的用于桥梁检测的取样控制方法可以通过图3所示的计算机设备来实现,该计算机设备包括至少一个处理器301、通信总线302、存储器303以及至少一个通信接口304。
处理器301可以是一个通用中央处理器(central processing unit,CPU)、特定应用集成电路(application-specific integrated circuit,ASIC)或一个或多个用于控制本申请中的用于桥梁检测的取样控制方法的执行。
通信总线302可包括一通路,在上述组件之间传送信息。
存储器303可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其它类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only Memory,CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质,但不限于此。存储器303可以是独立存在,通过通信总线302与处理器301相连接。存储器303也可以和处理器301集成在一起。
其中,存储器303用于存储执行本申请方案的程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的程序代码。程序代码中可以包括一个或多个软件模块。上述实施例中桥梁取样反馈值的确定可以通过处理器301以及存储器303中的程序代码中的一个或多个软件模块实现。
通信接口304,使用任何收发器一类的装置,用于与其它设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。
在具体实现中,作为一种实施例,计算机设备可以包括多个处理器,这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
上述的计算机设备可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中,计算机设备可以是台式机、便携式电脑、网络服务器、掌上电脑(personaldigital assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备或者嵌入式设备。本申请实施例不限定计算机设备的类型。
另外,本申请还提供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计算机程序,所述计算机程序被处理器执行时实现上述的用于桥梁检测的取样控制方法。
综上,本申请实施例公开的本申请提供了一种用于桥梁检测的取样控制方法、系统、设备及介质,首先获取桥梁取样图像,对桥梁取样图像进行背景阈值分割,得到桥梁对象图像,对桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像,对桥梁对象平滑图像进行桥梁纹路聚集程度判断,得到桥梁纹路聚焦中心点和桥梁纹路分散幅度,根据桥梁纹路聚焦中心点与桥梁纹路分散幅度,确定桥梁纹路聚集程度反馈值,对桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值,根据桥梁纹路聚集程度反馈值和桥梁纹路复杂度反馈值确定桥梁取样反馈值,判断每张图像对应的桥梁取样反馈值是否位于桥梁取样预设阈值区间之内,当判断结果为是,则向控制中心发送提示取样异常的报警信号,实现了一种无需依赖主观经验的桥梁取样检测方法,提高了桥梁取样检测的检测效率。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种用于桥梁检测的取样控制方法,其特征在于,包括如下步骤:
获取桥梁取样图像;
对所述桥梁取样图像进行背景阈值分割,得到桥梁对象图像,对所述桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像;
对所述桥梁对象平滑图像进行桥梁纹路聚集程度判断,得到桥梁纹路聚焦中心点和桥梁纹路分散幅度,根据所述桥梁纹路聚焦中心点和所述桥梁纹路分散幅度,确定桥梁纹路聚集程度反馈值;
对所述桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值,根据所述桥梁纹路聚集程度反馈值和所述桥梁纹路复杂度反馈值确定桥梁取样反馈值,其中对所述桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值具体包括:获取通过桥梁对象平滑图像提取的桥梁纹路特征矩阵中的各个桥梁纹路特征值;根据所述桥梁纹路特征矩阵中的各个桥梁纹路特征值,确定所述桥梁纹路复杂度反馈值;
判断所述桥梁取样反馈值是否位于桥梁取样预设阈值区间内,若所述桥梁取样反馈值不在所述桥梁取样预设阈值区间内,则向控制中心发送提示取样异常的报警信号。
2.如权利要求1所述的方法,其特征在于,对所述桥梁取样图像进行背景阈值分割,得到桥梁对象图像具体包括:
将所述桥梁取样图像矩阵化,得到桥梁取样图像的红绿蓝值矩阵;
获取桥梁的红绿蓝值取值范围,进而对该桥梁取样图像的红绿蓝值矩阵里的每一个红绿蓝值与所述桥梁的红绿蓝值取值范围进行对比,当该红绿蓝值不在所述桥梁的红绿蓝值取值范围之内,则将该红绿蓝值修改为红绿蓝最大值,当该红绿蓝值在所述桥梁的红绿蓝值取值范围之内,则保持该红绿蓝值不变;
将对比后得到的图像作为桥梁对象图像。
3.如权利要求1所述的方法,其特征在于,对所述桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像具体包括:
对所述桥梁对象图像进行小波分解,得到所述桥梁对象图像的近似系数和不同尺度的细节系数;
将不同尺度的细节系数与预设的阈值进行对比,将绝对值小于阈值的细节系数置零,将绝对值大于等于阈值的细节系数减去阈值后保留正负号,得到噪声抑制后不同尺度的细节系数;
根据所述近似系数和噪声抑制后不同尺度的细节系数进行逆小波变换,得到桥梁对象平滑图像。
4.如权利要求1所述的方法,其特征在于,对所述桥梁对象平滑图像进行桥梁纹路聚集程度判断,得到桥梁纹路聚焦中心点和桥梁纹路分散幅度具体包括:
对所述桥梁对象平滑图像进行灰度映射,得到桥梁对象平滑灰度矩阵;
根据预设纹路特征窗口尺寸,对所述桥梁对象平滑灰度矩阵进行纹路特征提取,得到桥梁纹路特征矩阵;
由所述桥梁纹路特征矩阵,确定桥梁纹路聚焦中心点和桥梁纹路分散幅度。
5.如权利要求4所述的方法,其特征在于,根据预设纹路特征窗口尺寸,对所述桥梁对象平滑灰度矩阵进行纹路特征提取,得到桥梁纹路特征矩阵的过程中,所述桥梁纹路特征矩阵中的桥梁纹路特征值通过下式确定:
其中,为所述桥梁纹路特征矩阵中第/>行第/>列的桥梁纹路特征值,/>为所述桥梁对象平滑灰度矩阵中以第/>行第/>列的元素为中心的纹路特征窗口,/>为所述纹路特征窗口中的像素点个数,/>为所述纹路特征窗口中所有元素的方差值,/>为所述桥梁对象平滑灰度矩阵中第/>行第/>列的元素值,/>、/>分别为所述桥梁对象平滑图像中像素点的行数和列数。
6.如权利要求4所述的方法,其特征在于,确定桥梁纹路聚焦中心点具体包括:
对所述桥梁纹路特征矩阵进行傅里叶变换,得到桥梁纹路频率分量矩阵;
获取所述桥梁纹路频率分量矩阵中各个频率分量的模值,将最大模值对应的频率分量作为中心频率分量,获取所述中心频率分量的坐标位置,根据所述中心频率分量的坐标位置和所述桥梁对象平滑图像,得到所述桥梁纹路聚焦中心点。
7.如权利要求1所述的方法,其特征在于,根据所述桥梁纹路聚焦中心点和所述桥梁纹路分散幅度,确定桥梁纹路聚集程度反馈值具体包括:
确定条件判断函数;
确定所述桥梁纹路聚焦中心点的像素灰度值,将所述像素灰度值作为桥梁纹路聚焦值;
确定桥梁纹路分散幅度;
确定桥梁纹路分布均衡度;
根据所述条件判断函数、桥梁纹路聚焦值/>、桥梁纹路分散幅度/>和梁纹路分布均衡度/>,确定桥梁纹路聚集程度反馈值/>:
其中,为位置/>处的像素灰度值,/>、/>分别为所述桥梁纹路聚焦中心点的横坐标与纵坐标,/>为位置/>处的像素经过横坐标/>与纵坐标/>偏移后的像素的灰度值,/>为桥梁纹路特征矩阵的行总数,/>桥梁纹路特征矩阵的列总数,为底数为/>的指数函数,/>为圆周率,/>为标定的极小值常数。
8.一种用于桥梁检测的取样控制系统,其特征在于,包括有:
桥梁取样图像采集单元,用于获取桥梁取样图像;
桥梁取样图像预处理单元,用于对所述桥梁取样图像进行背景阈值分割,得到桥梁对象图像,对所述桥梁对象图像进行噪声抑制,得到桥梁对象平滑图像;
桥梁纹路聚集程度反馈值确定单元,用于对所述桥梁对象平滑图像进行桥梁纹路聚集程度判断,得到桥梁纹路聚焦中心点和桥梁纹路分散幅度,根据所述桥梁纹路聚焦中心点与所述桥梁纹路分散幅度,确定桥梁纹路聚集程度反馈值;
桥梁取样反馈值确定单元,用于对所述桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值,根据所述桥梁纹路聚集程度反馈值和所述桥梁纹路复杂度反馈值确定桥梁取样反馈值,其中对所述桥梁对象平滑图像进行纹路复杂度判断,得到桥梁纹路复杂度反馈值具体包括:获取通过桥梁对象平滑图像提取的桥梁纹路特征矩阵中的各个桥梁纹路特征值;根据所述桥梁纹路特征矩阵中的各个桥梁纹路特征值,确定所述桥梁纹路复杂度反馈值;
报警判断单元,用于判断所述桥梁取样反馈值是否位于桥梁取样预设阈值区间内,若所述桥梁取样反馈值不在所述桥梁取样预设阈值区间内,则向控制中心发送提示取样异常的报警信号。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行如权利要求1至7任一项所述的用于桥梁检测的取样控制方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的用于桥梁检测的取样控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311210394.9A CN116958138B (zh) | 2023-09-19 | 2023-09-19 | 一种用于桥梁检测的取样控制方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311210394.9A CN116958138B (zh) | 2023-09-19 | 2023-09-19 | 一种用于桥梁检测的取样控制方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116958138A true CN116958138A (zh) | 2023-10-27 |
CN116958138B CN116958138B (zh) | 2023-12-19 |
Family
ID=88462377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311210394.9A Active CN116958138B (zh) | 2023-09-19 | 2023-09-19 | 一种用于桥梁检测的取样控制方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958138B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913443A (zh) * | 2016-05-03 | 2016-08-31 | 黑龙江省交通科学研究所 | 模拟人眼识别技术检测沥青路面纹理的方法 |
CN109580657A (zh) * | 2019-01-23 | 2019-04-05 | 郑州工程技术学院 | 一种桥梁质量检测中的裂缝检测方法 |
CN110175987A (zh) * | 2019-04-23 | 2019-08-27 | 江西科技学院 | 一种桥梁裂缝检测方法及系统 |
CN110322572A (zh) * | 2019-06-11 | 2019-10-11 | 长江勘测规划设计研究有限责任公司 | 一种基于双目视觉的水下涵隧内壁三维信息恢复方法 |
CN111220882A (zh) * | 2019-12-31 | 2020-06-02 | 国网辽宁省电力有限公司电力科学研究院 | 一种gis光学局放图谱的特征量提取方法 |
WO2020199538A1 (zh) * | 2019-04-04 | 2020-10-08 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
US20210303896A1 (en) * | 2020-03-31 | 2021-09-30 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and storage medium |
CN114152678A (zh) * | 2021-12-01 | 2022-03-08 | 郑州大学 | 基于人工智能的桥梁安全检测方法及系统 |
-
2023
- 2023-09-19 CN CN202311210394.9A patent/CN116958138B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913443A (zh) * | 2016-05-03 | 2016-08-31 | 黑龙江省交通科学研究所 | 模拟人眼识别技术检测沥青路面纹理的方法 |
CN109580657A (zh) * | 2019-01-23 | 2019-04-05 | 郑州工程技术学院 | 一种桥梁质量检测中的裂缝检测方法 |
WO2020199538A1 (zh) * | 2019-04-04 | 2020-10-08 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
CN110175987A (zh) * | 2019-04-23 | 2019-08-27 | 江西科技学院 | 一种桥梁裂缝检测方法及系统 |
CN110322572A (zh) * | 2019-06-11 | 2019-10-11 | 长江勘测规划设计研究有限责任公司 | 一种基于双目视觉的水下涵隧内壁三维信息恢复方法 |
CN111220882A (zh) * | 2019-12-31 | 2020-06-02 | 国网辽宁省电力有限公司电力科学研究院 | 一种gis光学局放图谱的特征量提取方法 |
US20210303896A1 (en) * | 2020-03-31 | 2021-09-30 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and storage medium |
CN114152678A (zh) * | 2021-12-01 | 2022-03-08 | 郑州大学 | 基于人工智能的桥梁安全检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
徐健;周志祥;: "基于激光检测的老旧桥梁破损程度评估", 激光杂志, no. 05 * |
李良福;冯建云;宋睿;: "基于图像重生成的桥梁裂缝检测方法研究", 光电子・激光, no. 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN116958138B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN111915572B (zh) | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 | |
CN114612469B (zh) | 产品缺陷检测方法、装置、设备及可读存储介质 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN105976389A (zh) | 一种手机底板连接器缺陷检测方法 | |
CN112365475A (zh) | 一种基于图像处理方式的输电线路覆冰监测方法及系统 | |
CN112116568A (zh) | 一种图像质量评价方法、装置及存储介质 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN114581419A (zh) | 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质 | |
CN116452613B (zh) | 一种地质调查中裂缝轮廓提取方法 | |
CN116958138B (zh) | 一种用于桥梁检测的取样控制方法、系统、设备及介质 | |
CN114820611B (zh) | 基于人工智能的机械零件质量评估方法及系统 | |
CN116051421A (zh) | 基于多维度的内窥镜图像质量评价方法、装置、设备及介质 | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
CN111649804A (zh) | 油位监测方法、设备及具有存储功能的装置 | |
CN117808809B (zh) | 晶圆表面缺陷的视觉检测方法及系统 | |
CN116883401B (zh) | 一种工业产品生产质量检测系统 | |
CN116740056B (zh) | 用于整芯高花纹输送带涂覆层的缺陷检测方法 | |
CN117376977B (zh) | 一种手机5g无线信号测试系统、方法、设备及介质 | |
Buczkowski et al. | Comparison of effective coverage calculation methods for image quality assessment databases | |
CN109977734B (zh) | 图像处理方法和装置 | |
Mahmood | Three Different Features Based Metric to Assess Image Quality Blindly | |
CN111681151A (zh) | 一种图像水印检测方法、装置和计算设备 | |
CN117560177A (zh) | 一种恶意代码可视化分类方法、系统、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |