CN117152163B - 一种桥梁施工质量视觉检测方法 - Google Patents
一种桥梁施工质量视觉检测方法 Download PDFInfo
- Publication number
- CN117152163B CN117152163B CN202311438010.9A CN202311438010A CN117152163B CN 117152163 B CN117152163 B CN 117152163B CN 202311438010 A CN202311438010 A CN 202311438010A CN 117152163 B CN117152163 B CN 117152163B
- Authority
- CN
- China
- Prior art keywords
- bridge
- characteristic
- gray
- pixel point
- feature
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 120
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000000007 visual effect Effects 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 60
- 230000000149 penetrating effect Effects 0.000 claims abstract description 29
- 230000035515 penetration Effects 0.000 claims abstract description 15
- 230000000875 corresponding effect Effects 0.000 claims description 103
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000011179 visual inspection Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及桥梁质量检测技术领域,具体涉及一种桥梁施工质量视觉检测方法,该方法首先对获取得到的施工桥梁表面灰度图像的灰度分布情况进行分析,得到桥梁局部纹理复杂区域以及对应的特征方向;结合结构性裂缝的贯穿特征,对各个桥梁局部纹理复杂区域的位置分布特征以及特征方向分布特征进行分析,得到桥梁贯穿特征区域;进一步地根据桥梁贯穿特征区域中筛选出的裂缝像素点,对拉普拉斯核锐化的边缘检测过程进行改进,得到施工桥梁表面灰度图像中的清晰桥梁裂缝。本发明通过对施工桥梁表面灰度图像分析得到的清晰桥梁裂缝进行桥梁施工质量的检测准确性更高。
Description
技术领域
本发明涉及图像边缘检测技术领域,具体涉及一种桥梁施工质量视觉检测方法。
背景技术
在桥梁施工过程中,当混凝土碳化、灌浆不密实、桥梁地基不均匀时往往会出现质量问题,这些质量问题包括桥面裂缝、混凝土的剥蚀等。在这些问题中,对桥梁整体质量影响最大的是桥面裂缝中的结构性裂缝,此类裂缝能够从根本上影响桥梁的质量,因此可通过检测桥面表面的结构性裂缝进行桥面施工质量检测。
现有技术通常基于机器视觉中的拉普拉斯核锐化的边缘检测方法检测桥梁施工过程中的结构性裂缝,但是由于拉普拉斯核内模板的单一性,导致出现无法完整的提取出结构性裂缝特征的情况,使得对结构性裂缝的检测效果较差,进一步地对桥梁施工质量的检测准确性较低。
发明内容
为了解决现有技术通过拉普拉斯核锐化的边缘检测方法对桥梁施工过程中的结构性裂缝检测效果较差,导致对桥梁施工质量的检测准确性较低的技术问题,本发明的目的在于提供一种桥梁施工质量视觉检测方法,所采用的技术方案具体如下:
本发明提出了一种桥梁施工质量视觉检测方法,所述方法包括:
获取施工桥梁表面灰度图像。
根据施工桥梁表面灰度图像中的局部灰度分布情况,得到桥梁局部纹理复杂区域;根据各个桥梁局部纹理复杂区域中各个像素点的灰度分布趋势,得到每个桥梁局部纹理复杂区域对应的特征方向。
根据各个桥梁局部纹理复杂区域的位置分布特征以及特征方向分布特征,筛选出所有桥梁局部纹理复杂区域中的桥梁贯穿特征区域;根据每个桥梁贯穿特征区域中像素点的灰度值分布情况,得到每个桥梁贯穿特征区域中的裂缝像素点。
根据各个裂缝像素点的位置对所述施工桥梁表面灰度图像进行自适应拉普拉斯核锐化,得到施工桥梁表面灰度图像中的清晰桥梁裂缝,根据所述清晰桥梁裂缝进行桥梁施工质量视觉检测。
进一步地,所述桥梁局部纹理复杂区域的获取方法包括:
将所述施工桥梁表面灰度图像划分为预设数量个形状大小相同的桥梁划分区域,所述预设数量大于1,所述桥梁划分区域和所述施工桥梁表面灰度图像均为矩形。
根据每个桥梁划分区域中所有像素点的灰度分布特征,得到每个桥梁划分区域的灰度纹理复杂程度;将所述灰度纹理复杂程度大于预设复杂阈值的桥梁划分区域,作为桥梁局部纹理复杂区域,所述预设复杂阈值大于0。
进一步地,所述灰度纹理复杂程度的获取方法包括:
对于任意一个桥梁划分区域:
计算桥梁划分区域对应的灰度值极差和灰度值均值;在桥梁划分区域中,将每个像素点的灰度值与所述灰度值均值之间的差异,作为每个像素点的灰度值偏差;将所有像素点的灰度值偏差的正相关映射值的累加和,作为桥梁划分区域的灰度偏差复杂程度。
根据所述灰度值极差和所述灰度偏差复杂程度,得到桥梁划分区域的灰度纹理复杂程度,所述灰度值极差和所述灰度偏差复杂程度均与所述灰度纹理复杂程度呈正相关。
进一步地,所述特征方向的获取方法包括:
对于任意一个桥梁局部纹理复杂区域:
依次将每个像素点作为目标像素点;将目标像素点的预设邻域范围内的像素点作为参考像素点;将与目标像素点之间灰度值差异最大的参考像素点作为特征像素点。
当目标像素点的灰度值小于特征像素点的灰度值时,将目标像素点指向特征像素点的方向作为目标像素点的参考方向;当目标像素点的灰度值等于特征像素点的灰度值时,在所有方向中随机选取一个方向作为目标像素点的参考方向;将目标像素点的灰度值大于特征像素点的灰度值时,将特征像素点指向目标像素点的方向作为目标像素点的参考方向。
在桥梁局部纹理复杂区域的所有像素点的参考方向中,统计每种参考方向的数量,将数量最多的参考方向种类对应的参考方向作为桥梁局部纹理复杂区域的特征方向。
进一步地,所述桥梁贯穿特征区域的获取方法包括:
获取桥梁延伸方向,将所述桥梁延伸方向作为列方向,获取施工桥梁表面灰度图像中每一列对应的桥梁局部纹理复杂区域。
将相同的特征方向作为一种特征方向,依次将每个特征方向种类作为目标特征方向种类:
将与目标特征方向种类对应的的桥梁局部纹理复杂区域,作为参考桥梁局部纹理复杂区域;计算每个参考桥梁局部纹理复杂区域中所有像素点的灰度梯度均值;在每一列对应的所有参考桥梁局部纹理复杂区域中,将灰度梯度均值最大的参考桥梁局部纹理复杂区域,作为目标特征方向种类下每一列对应的特征桥梁局部纹理复杂区域。
根据目标特征方向种类下各个特征桥梁局部纹理复杂区域的位置分布特征,得到目标特征方向种类的角度拟合率。
将角度拟合率大于预设拟合阈值的特征方向种类,作为参考特征方向种类,所述预设拟合阈值大于0;将与参考特征方向种类的特征方向相同的桥梁局部纹理复杂区域,作为桥梁贯穿特征区域。
进一步地,所述角度拟合率的获取方法包括:
将与桥梁延伸方向垂直的方向作为宽度方向;将目标特征方向种类对应的每个特征桥梁局部纹理复杂区域的质心,作为特征质心;沿所述宽度方向将各个特征质心依次排列,得到特征质心序列;将特征质心序列中所有索引值邻接的特征质心通过线段连接,得到每个特征质心对应的邻接线段。
将特征质心序列中的第一个特征质心和最后一个特征质心作为端点质心;在除去端点质心的特征质心序列中,将每个特征质心对应的两条邻接线段的夹角,作为除去端点质心外每个特征质心的特征夹角;将与每个端点质心通过邻接线段连接的特征质心的特征夹角,作为每个端点质心的特征夹角。
根据目标特征方向种类对应的所有特征质心的特征夹角,构建角度拟合率计算模型,通过角度拟合率计算模型,得到目标特征方向种类对应的角度拟合率。
进一步地,所述角度拟合率计算模型包括:
其中,为目标特征方向种类对应的角度拟合率,/>为目标特征方向种类对应的特征质心的数量,/>为目标特征方向种类对应的第/>个特征质心的特征夹角;/>为目标特征方向种类对应的第/>个特征质心的特征夹角;/>为目标特征方向种类对应的第个特征质心的特征夹角;/>为预设第一参考权重,/>为预设第二参考权重,所述预设第一参考权重和预设第二参考权重均大于0,且预设第一参考权重大于预设第二参考权重;为归一化函数,/>为以自然常数为底的指数函数,/>为圆周率。
进一步地,所述裂缝像素点的获取方法包括:
对于任意一个桥梁贯穿特征区域:
在桥梁贯穿特征区域的所有像素点中,将参考方向与桥梁贯穿特征区域的特征方向相同的像素点,作为裂缝像素点。
进一步地,所述清晰桥梁裂缝的获取方法包括:
通过参考拉普拉斯核遍历施工桥梁表面灰度图像,得到施工桥梁表面灰度图像中的清晰桥梁裂缝;当所述参考拉普拉斯核内中心点的四邻域不存在裂缝像素点时,将预设拉普拉斯核作为参考拉普拉斯核;当所述参考拉普拉斯核内中心点的四邻域存在裂缝像素点时,提高预设拉普拉斯核内裂缝像素点对应位置的权重,得到自适应拉普拉斯核,将所述自适应拉普拉斯核作为参考拉普拉斯核。
进一步地,所述根据所述灰度值极差和所述灰度偏差复杂程度,得到桥梁划分区域的灰度纹理复杂程度的方法包括:
将所述灰度值极差和所述灰度偏差复杂程度的乘积的归一化值,作为桥梁划分区域的灰度纹理复杂程度。
本发明具有如下有益效果:
考虑到结构性裂缝对应的区域与桥面其他区域的灰度差异较大,施工桥梁表面的结构性裂缝通常对应施工桥梁表面灰度图像中灰度较为复杂的区域,因此本发明对施工桥梁表面灰度图像中的局部灰度分布情况进行分析,得到桥梁局部纹理复杂区域,使得在桥梁局部纹理复杂区域的基础上进行分析对应的计算量更小;进一步地在桥梁局部纹理复杂区域的基础上根据结构性裂缝区域的特征,通过结合各个桥梁局部纹理复杂区域的位置以及特征方向,得到表征结构性裂缝灰度特征的桥梁贯穿特征区域;进一步地根据桥梁贯穿特征区域中能够表征结构性裂缝灰度变化特征的裂缝像素点,对拉普拉斯核进行自适应调整,实现对施工桥梁表面灰度图像的自适应拉普拉斯锐化,从而得到提取更加完整的清晰桥梁裂缝,进一步地提高对结构性裂缝的检测效果。最后根据清晰桥梁裂缝进行桥梁施工质量视觉检测,使得对桥梁施工质量的检测准确性更高。综上所述,本发明通过对施工桥梁表面灰度图像分析得到的清晰桥梁裂缝进行桥梁施工质量的检测准确性更高。
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为本发明一个实施例所提供的一种桥梁施工质量视觉检测方法流程图。
图2为本发明一个实施例所提供的一种桥面裂缝检测方法流程图。
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一种桥梁施工质量视觉检测方法,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。
一种桥梁施工质量视觉检测方法实施例:
下面结合附图具体的说明本发明所提供的一种桥梁施工质量视觉检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种桥梁施工质量视觉检测方法流程图,该方法包括:
步骤S1:获取施工桥梁表面灰度图像。
本发明实施例旨在提供一种桥梁施工质量视觉检测方法,该方法通过图像处理的方法对施工桥梁表面图像进行分析,得到施工桥面表面图像中准确的裂缝,根据裂缝进行桥梁施工质量检测,因此首先需要获取图像处理的对象。
本发明实施例首先获取施工桥梁表面灰度图像。在本发明实施例中,通过无人机搭载RGB相机拍摄施工桥梁,并且在不同的位置和不同的角度拍摄施工桥梁,确保能够拍摄到待检测的完整的桥梁表面区域,进一步地将在各个位置和各个角度拍摄的施工桥梁图像拼接,得到完整的待测桥梁表面对应的施工桥梁表面初始图像。进一步地本发明实施例将施工桥梁表面初始图像灰度化后,通过直方图均衡化的方法放大灰度化后的施工桥梁表面初始图像的对比度,得到本发明实施例所需要的施工桥梁表面灰度图像,从而使得施工桥梁表面灰度图像中的特征更加凸显。需要说明的是,灰度化、图像拼接和直方图均衡化为本领域技术人员所熟知的技术手段,在此不做进一步限定和赘述。进一步需要说明的是,实施者也可采用其他方法和其他采集设备采集施工桥梁表面对应的图像,在此不做进一步赘述。此外需要说明的是,为了方便后续对施工桥梁表面灰度图像中的各个局部区域进行分析,本发明实施例对施工桥梁表面灰度图像的方向进行调整,使得施工桥梁表面灰度图像的水平方向与桥梁延伸方向垂直,也即施工桥梁表面灰度图像中从下到上或从上到下对应的方向与延伸方向一致。
步骤S2:根据施工桥梁表面灰度图像中的局部灰度分布情况,得到桥梁局部纹理复杂区域;根据各个桥梁局部纹理复杂区域中各个像素点的灰度分布趋势,得到每个桥梁局部纹理复杂区域对应的特征方向。
由于结构性裂缝对应的区域与桥面其他区域的灰度差异较大,因此施工桥梁表面的裂缝通常对应施工桥梁表面灰度图像中灰度较为复杂的区域。因此本发明实施例根据施工桥梁表面灰度图像中局部灰度分布情况,得到桥梁局部纹理复杂区域,从而进一步地在桥梁局部纹理复杂区域的基础上进一步地对结构性裂缝的特征进行分析。
优选地,桥梁局部纹理复杂区域的获取方法包括:
将施工桥梁表面灰度图像划分为预设数量个形状大小相同的桥梁划分区域,预设数量大于1,桥梁划分区域和施工桥梁表面灰度图像均为矩形。桥梁划分区域和施工桥梁表面灰度图像均为矩形的情况下,所划分出的各个桥梁划分区域均为矩形,且在施工桥梁表面灰度图像中所有桥梁划分区域能够表现出类似于矩阵的特征,其中每个矩阵元素对应一个桥梁划分区域,方便后续分析。在本发明实施例中,将预设划分数量设置为40,实施者可根据具体实施环境自行设置。
根据每个桥梁划分区域中所有像素点的灰度分布特征,得到每个桥梁划分区域的灰度纹理复杂程度。
优选地,灰度纹理复杂程度的获取方法包括:
对于任意一个桥梁划分区域:计算桥梁划分区域对应的灰度值极差和灰度值均值;在桥梁划分区域中,将每个像素点的灰度值与灰度值均值之间的差异,作为每个像素点的灰度值偏差;将所有像素点的灰度值偏差的正相关映射值的累加和,作为桥梁划分区域的灰度偏差复杂程度。在本发明实施例中,将所有像素点的灰度值偏差的平方的累加和,作为桥梁划分区域的灰度偏差复杂程度。
对于一个桥梁划分区域而言,各个像素点与灰度值均值之间整体的差异越大,说明对应的桥梁划分区域的灰度分布越离散,对应的灰度纹理越复杂;而灰度值极差能够从灰度跨度上反映一个桥梁划分区域的灰度分布离散程度,也即灰度分布较为集中的区域对应的灰度值极差通常较小,而灰度分布较为离散的区域对应的灰度值极差较大;而灰度纹理越复杂的区域对应的灰度分布越离散。因此本发明实施例进一步地根据灰度值极差和灰度偏差复杂程度,得到桥梁划分区域的灰度纹理复杂程度,灰度值极差和灰度偏差复杂程度均与灰度纹理复杂程度呈正相关。优选地,根据灰度值极差和灰度偏差复杂程度,得到桥梁划分区域的灰度纹理复杂程度的方法包括:将灰度值极差和灰度偏差复杂程度的乘积的归一化值,作为桥梁划分区域的灰度纹理复杂程度。
在本发明实施例中,依次将每个桥梁划分区域作为第个桥梁划分区域,则第/>个桥梁划分区域的灰度纹理复杂程度的获取方法在公式上表现为:
其中,为第/>个桥梁划分区域的灰度纹理复杂程度,/>为第/>个桥梁划分区域中所有像素点的灰度值最大值,/>为第/>个桥梁划分区域中所有像素点的灰度值极小值,/>为第/>个桥梁划分区域中第/>个像素点的灰度值,/>为第/>个桥梁划分区域中所有像素点的灰度值均值,/>为第/>个桥梁划分区域中的像素点数量,/>为第/>个桥梁划分区域的灰度值极差,/>为第/>个桥梁划分区域的灰度偏差复杂程度;为绝对值符号;/>为归一化函数,在本发明实施例中,所有的归一化函数均采用线性归一化,实施者可根据具体实施环境自行调整,后续不做进一步赘述。
由于灰度纹理复杂程度越大,对应的桥梁划分区域的灰度纹理越复杂,因此本发明实施例进一步地将灰度纹理复杂程度大于预设复杂阈值的桥梁划分区域,作为桥梁局部纹理复杂区域,预设复杂阈值大于0。在本发明实施例中,预设复杂阈值设置为0.6,实施者可根据具体实施环境自行调整。
考虑到当施工桥梁表面灰度图像存在结构性裂缝时,结构性裂缝区域的特征与桥面正常区域的差异较为明显,并且结构性裂缝的延伸通常近似于直线,因此其对应的存在较大灰度梯度的像素点的梯度方向通常与结构性裂缝延伸方向垂直,并且对于桥梁局部纹理复杂区域而言,存在较大灰度梯度的像素点的梯度方向一致的越多,说明越可能存在结构性裂缝,并且可通过整体像素点的梯度方向表征结构性裂缝的延伸方向。本发明实施例根据各个桥梁局部纹理复杂区域中各个像素点的灰度分布趋势,得到每个桥梁局部纹理复杂区域对应的特征方向。
优选地,特征方向的获取方法包括:
对于任意一个桥梁局部纹理复杂区域:依次将每个像素点作为目标像素点;将目标像素点的预设邻域范围内的像素点作为参考像素点;将与目标像素点之间灰度值差异最大的参考像素点作为特征像素点。在本发明实施例中,预设邻域范围设置为八邻域范围,实施者可根据具体实施环境自行调整。
当目标像素点的灰度值小于特征像素点的灰度值时,将目标像素点指向特征像素点的方向作为目标像素点的参考方向。当目标像素点的灰度值等于特征像素点的灰度值时,在所有方向中随机选取一个方向作为目标像素点的参考方向;将目标像素点的灰度值大于特征像素点的灰度值时,将特征像素点指向目标像素点的方向作为目标像素点的参考方向。参考方向即目标像素点预设邻域范围内灰度值从小到大变化最大的方向。当桥梁局部纹理复杂区域存在裂缝时,像素点最多的参考方向对应的方向通常与裂缝延伸方向垂直,因此进一步地可根据各个像素点对应参考方向的分布情况,对桥梁局部纹理复杂区域表征裂缝延伸特征的方向进行分析。本发明实施例在桥梁局部纹理复杂区域的所有像素点的参考方向中,统计每种参考方向的数量,将数量最多的参考方向种类对应的参考方向作为桥梁局部纹理复杂区域的特征方向。
步骤S3:根据各个桥梁局部纹理复杂区域的位置分布特征以及特征方向分布特征,筛选出所有桥梁局部纹理复杂区域中的桥梁贯穿特征区域;根据每个桥梁贯穿特征区域中像素点的灰度值分布情况,得到每个桥梁贯穿特征区域中的裂缝像素点。
考虑到桥梁的建筑结构,当施工桥梁表面存在结构性裂缝时,对应的结构性裂缝通常横向或稍微斜向贯穿桥体,因此对于具有结构性裂缝的施工桥梁表面灰度图像而言,同一个特征方向下的各个桥梁局部纹理复杂区域通常在一条直线上或趋近于一条直线。本发明实施例根据各个桥梁局部纹理复杂区域的位置分布特征以及特征方向分布特征,筛选出所有桥梁局部纹理复杂区域中的桥梁贯穿特征区域。
优选地,桥梁贯穿特征区域的获取方法包括:
获取桥梁延伸方向,将桥梁延伸方向作为列方向,获取施工桥梁表面灰度图像中每一列对应的桥梁局部纹理复杂区域。由于本发明实施例中施工桥梁表面灰度图像的水平方向与桥梁延伸方向垂直,并且桥梁划分区域和施工桥梁表面灰度图像均为矩形,因此所有桥梁划分区域的位置分布与矩阵的形式相同,每个矩阵元素对应一个桥梁划分区域,也即桥梁延伸方向为对应矩阵的列方向。并且由于桥梁表面的结构性裂缝通常横向贯穿桥面,因此当施工桥梁表面灰度图像存在结构性裂缝时,在裂缝延伸方向上,每一列都对应一个最符合结构性裂缝特征的桥梁局部纹理复杂区域,并且各列最符合结构性裂缝特征的桥梁局部纹理复杂区域的位置在一条直线或近似一条直线上。
但是由于不确定裂缝的延伸方向,因此本发明实施例对每种特征方向下的所有桥梁局部纹理复杂区域进行分析,将相同的特征方向作为一种特征方向,依次将每个特征方向种类作为目标特征方向种类。将与目标特征方向种类对应的的桥梁局部纹理复杂区域,作为参考桥梁局部纹理复杂区域,也即各个参考桥梁局部纹理复杂区域对应的特征方向相同。
根据结构性裂缝的特征,当参考桥梁局部纹理复杂区域中的结构性裂缝特征越明显时,对应的灰度变化越明显,并且灰度梯度整体越大。因此为了得到每一列上符合结构性裂缝特征的桥梁局部纹理复杂区域,本发明实施例计算每个参考桥梁局部纹理复杂区域中所有像素点的灰度梯度均值;在每一列对应的所有参考桥梁局部纹理复杂区域中,将灰度梯度均值最大的参考桥梁局部纹理复杂区域,作为目标特征方向种类下每一列对应的特征桥梁局部纹理复杂区域。也即在目标特征方向种类对应的特征方向下,得到每一列的桥梁局部纹理复杂区域中最符合结构性裂缝特征的特征桥梁局部纹理复杂区域。
根据各列最符合结构性裂缝特征的桥梁局部纹理复杂区域的位置在一条直线或近似一条直线上的特征,本发明实施例根据目标特征方向种类下各个特征桥梁局部纹理复杂区域的位置分布特征,得到目标特征方向种类的角度拟合率。
优选地,角度拟合率的获取方法包括:
将与桥梁延伸方向垂直的方向作为宽度方向;将目标特征方向种类对应的每个特征桥梁局部纹理复杂区域的质心,作为特征质心。由于各个特征桥梁局部纹理复杂区域的形状大小相同,因此本发明实施例通过特征质心表征对应的特征桥梁局部纹理复杂区域,使得后续的分析过程更加清楚。在本发明实施例中,由于在施工桥梁表面灰度图像中与桥梁延伸方向垂直的方向存在两个,因此根据宽度方向的定义,本发明实施例将施工桥梁表面灰度图像从左到右对应的方向作为宽度方向,实施者可根据具体实施环境自行调整。
沿宽度方向将各个特征质心依次排列,得到特征质心序列。也即本发明实施例将施工桥梁表面灰度图像中所有的特征质心沿从左到右的顺序依次排列。
将特征质心序列中所有索引值邻接的特征质心通过线段连接,得到每个特征质心对应的邻接线段。在特征质心序列中,除第一个特征质心和最后一个特征质心均对应一条邻接线段外,其余各个特征质心都对应两条邻接线段。由于每个特征质心均能表征对应特征桥梁局部纹理复杂区域的位置,而各个特征桥梁局部纹理复杂区域越符合结构性裂缝的特征时,对应的特征质心构成的所有邻接线段对应的整体线段与裂缝越相似,由于桥梁表面的结构性裂缝近似于直线,因此所有的邻接线段越接近于平行时,即所有邻接线段整体越接近于直线时,对应的目标特征方向种类下的各个特征桥梁局部纹理复杂区域越符合结构性裂缝的特征。
为了表征所有邻接线段整体与直线的相似情况,本发明实施例将各个邻接线段的位置转化为角度进行分析。将特征质心序列中的第一个特征质心和最后一个特征质心作为端点质心;在除去端点质心的特征质心序列中,将每个特征质心对应的两条邻接线段的夹角,作为除去端点质心外每个特征质心的特征夹角;由于端点质心只对应一条邻接线段,因此无法形成特征夹角,为了使得实施例更加完整,因此本发明实施例将与每个端点质心通过邻接线段连接的特征质心的特征夹角,作为每个端点质心的特征夹角。
对应的特征夹角越靠近180度,说明特征质心两端的邻接线段越趋近直线,也即越符合结构性裂缝的直线特征,进一步地对所有特征质心的特征夹角进行分析,本发明实施例根据目标特征方向种类对应的所有特征质心的特征夹角,构建角度拟合率计算模型,通过角度拟合率计算模型,得到目标特征方向种类对应的角度拟合率。
优选地,角度拟合率计算模型包括:
其中,为目标特征方向种类对应的角度拟合率,/>表征目标特征方向种类,/>为目标特征方向种类对应的特征质心的数量,/>为目标特征方向种类对应的第/>个特征质心的特征夹角;/>为目标特征方向种类对应的第/>个特征质心的特征夹角;/>为目标特征方向种类对应的第/>个特征质心的特征夹角;/>为预设第一参考权重,/>为预设第二参考权重,预设第一参考权重和预设第二参考权重均大于0,且预设第一参考权重大于预设第二参考权重;/>为归一化函数,/>为以自然常数为底的指数函数,/>为圆周率。
对于归一化函数内的分子而言,/>表征每个特征质心的特征夹角,根据结构性裂缝在施工桥梁表面灰度图像的表现特征,各个特征质心的特征夹角整体越靠近180度,对应的各个特征桥梁局部纹理复杂区域越符合结构性裂缝对应的直线特征,因此通过计算所有特征质心的特征夹角与/>之间的比值的均值/>,通过该均值能够初步表征目标特征方向种类下的各个特征桥梁局部纹理复杂区域与结构性裂缝直线特征的符合程度,也即本发明实施例中的角度拟合率;/>越大,说明角度拟合率越大。
对于归一化函数内的分母而言,目标特征方向种类下的各个特征桥梁局部纹理复杂区域与结构性裂缝直线特征的符合程度越高,则各个邻接线段整体越接近于直线,也即每个特征质心与之前特征质心之间的特征夹角差值越小;本发明实施例将每个特征质心与其之前的第一个特征质心,以及之前的第二特征质心之间的特征夹角进行差值计算,实施者也可根据具体实施环境在每个特征质心之前选取更多的特征夹角进行差值计算。由于每个特征质心之前的第一个特征质心相对而言更近,对于角度拟合率的影响相对更大,因此预设第一参考权重/>大于预设第二参考权重/>,在本发明实施例中,将预设第一参考权重/>设置为0.6,预设第二参考权重/>设置为0.4,实施者可自行调整,在此不做赘述。因此若将每个特征质心与其之前第一个特征质心之间的特征夹角差值,作为第一夹角差值;将每个特征质心与其之前第二个特征质心之间的特征夹角差值,作为第二夹角差值;则所有特征质点的第一夹角差值的累加值与所有特征质点的第二夹角差值的累加值之间的和值越小时,说明目标特征方向种类下的各个特征桥梁局部纹理复杂区域与结构性裂缝直线特征的符合程度越高,也即角度拟合率越大,因此将/>作为分母。
由于各个特征方向种类对应的角度拟合率越大时,对应的各个特征桥梁局部纹理复杂区域越符合结构性裂缝直线特征。因此本发明实施例进一步地将角度拟合率大于预设拟合阈值的特征方向种类,作为参考特征方向种类,预设拟合阈值大于0;将与参考特征方向种类的特征方向相同的桥梁局部纹理复杂区域,作为桥梁贯穿特征区域。在本发明实施例中,预设拟合阈值设置为0.6,实施者可根据具体实施环境自行调整预设拟合阈值。
至此,得到施工桥梁表面灰度图像中的桥梁贯穿特征区域,也即非常符合结构性裂缝特征的区域,但是考虑到后续对施工桥梁表面灰度图像进行拉普拉斯核锐化时,参与锐化的为施工桥梁表面灰度图像中的各个像素点,并且桥梁贯穿特征区域对应的结构性裂缝特征与像素点的灰度变化有关,因此进一步地筛选出符合结构性裂缝特征灰度变化的像素点,并根据筛选出的像素点对拉普拉斯核锐化进行改进。本发明实施例根据每个桥梁贯穿特征区域中像素点的灰度值分布情况,得到每个桥梁贯穿特征区域中的裂缝像素点。
优选地,裂缝像素点的获取方法包括:
对于任意一个桥梁贯穿特征区域:由于桥梁贯穿特征区域的特征方向与结构性裂缝的延伸特征有关,并且桥梁贯穿特征区域的特征方向由其对应各个像素点的参考方向得到,因此本发明实施例在桥梁贯穿特征区域的所有像素点中,将参考方向与桥梁贯穿特征区域的特征方向相同的像素点,作为裂缝像素点。
步骤S4:根据各个裂缝像素点的位置对施工桥梁表面灰度图像进行自适应拉普拉斯核锐化,得到施工桥梁表面灰度图像中的清晰桥梁裂缝,根据清晰桥梁裂缝进行桥梁施工质量视觉检测。
在得到改进拉普拉斯核锐化过程的裂缝像素点后,本发明实施例进一步地根据各个裂缝像素点的位置对施工桥梁表面灰度图像进行自适应拉普拉斯核锐化,得到施工桥梁表面灰度图像中的清晰桥梁裂缝。
优选地,清晰桥梁裂缝的获取方法包括:
通过参考拉普拉斯遍历施工桥梁表面灰度图像进行拉普拉斯核锐化,得到施工桥梁表面灰度图像中的清晰桥梁裂缝;当参考拉普拉斯核内中心点的四邻域不存在裂缝像素点时,将预设拉普拉斯核作为参考拉普拉斯核; 在本发明实施例中,预设拉普拉斯核的大小设置为3×3,并且预设拉普拉斯核内中心点的权重设置为4,拉普拉斯核内中心点的四邻域权重均设置为1,拉普拉斯核内其余位置的权重设置为0,即。
当参考拉普拉斯核内中心点的四邻域存在裂缝像素点时,提高预设拉普拉斯核内裂缝像素点对应位置的权重,得到自适应拉普拉斯核,将自适应拉普拉斯核作为参考拉普拉斯核。由于裂缝像素点能够表征结构性裂缝对应区域的灰度变化特征,因此提高裂缝像素点的权重能够使得自适应拉普拉斯锐化得到的裂缝特征更加清晰。
在本发明实施例中,当参考拉普拉斯核内中心点的四邻域存在一个裂缝像素点时,将拉普拉斯核内中心点的四邻域以顺时针顺序表示为第一邻域、第二邻域、第三邻域和第四邻域,则将第一邻域和第三邻域互相作为对称邻域,将第二邻域和第四邻域互相作为对称邻域,将裂缝像素点对应位置的权重提高到1.5,将其所处邻域的对称邻域位置的权重降低到0.5,得到对应的自适应拉普拉斯核,例如等,1.5为裂缝像素点对应的位置;当参考拉普拉斯核内中心点的四邻域存在两个裂缝像素点时,将两个裂缝像素点对应位置处的权重提高到1.5,将四邻域中剩余的两个邻域位置处的权重降低至0.5,得到对应的自适应拉普拉斯核,例如/>、/>等,1.5为裂缝像素点对应的位置;当参考拉普拉斯核内中心点的四邻域存在三个裂缝像素点时,将三个裂缝像素点对应位置处的权重提高到1.2,将四邻域中剩余的一个邻域位置处的权重降低至0.4,得到对应的自适应拉普拉斯核,例如/>等,1.2为裂缝像素点对应的位置;当参考拉普拉斯内核内中心点的四邻域均为裂缝像素点时,将预设拉普拉斯核作为自适应拉普拉斯核。实施者可根据具体实施环境自行选择提高预设拉普拉斯核内裂缝像素点对应位置的权重的方法。
在得到清晰桥梁裂缝后,进一步地根据清晰桥梁裂缝进行桥梁施工质量视觉检测。在本发明实施例中,将清晰桥梁裂缝输入到训练好的深度学习模型中,输出桥梁裂缝类型,进一步地根据桥梁裂缝类型检测桥梁施工质量。在本发明实施例中,深度学习模型选用卷积神经网络,实施者可根据具体实施环境自行调整。
综上所述,本发明首先对获取得到的施工桥梁表面灰度图像的灰度分布情况进行分析,得到桥梁局部纹理复杂区域以及对应的特征方向;结合结构性裂缝的贯穿特征根据各个桥梁局部纹理复杂区域的位置分布特征以及特征方向分布特征,得到桥梁贯穿特征区域;进一步地根据桥梁贯穿特征区域中筛选出的裂缝像素点对拉普拉斯核锐化的边缘检测过程进行改进,得到施工桥梁表面灰度图像中的清晰桥梁裂缝。本发明通过对施工桥梁表面灰度图像分析得到的清晰桥梁裂缝进行桥梁施工质量的检测准确性更高。
一种桥面裂缝检测方法实施例:
现有的对桥面裂缝进行检测方法为通过拉普拉斯核锐化的边缘检测方法检测桥梁施工过程中的裂缝,但是由于拉普拉斯核内模板的单一性,该方法在检测结构性裂缝时可能出现无法完整的提取出结构性裂缝特征的情况,使得对结构性裂缝的检测效果较差,也即对桥面裂缝检测的准确性较差。为了解决现有技术通过拉普拉斯核锐化的边缘检测方法对桥梁施工过程中的结构性裂缝检测效果较差,导致对桥面裂缝检测的准确性较差的技术问题,本发明实施例提供一种桥面裂缝检测方法。请参阅图2,其示出了一种桥面裂缝检测方法流程图,该方法包括:
步骤S01:获取施工桥梁表面灰度图像。
步骤S02:根据施工桥梁表面灰度图像中的局部灰度分布情况,得到桥梁局部纹理复杂区域;根据各个桥梁局部纹理复杂区域中各个像素点的灰度分布趋势,得到每个桥梁局部纹理复杂区域对应的特征方向。
步骤S03:根据各个桥梁局部纹理复杂区域的位置分布特征以及特征方向分布特征,筛选出所有桥梁局部纹理复杂区域中的桥梁贯穿特征区域;根据每个桥梁贯穿特征区域中像素点的灰度值分布情况,得到每个桥梁贯穿特征区域中的裂缝像素点。
步骤S04:根据各个裂缝像素点的位置对施工桥梁表面灰度图像进行自适应拉普拉斯核锐化,得到施工桥梁表面灰度图像中的清晰桥梁裂缝。
其中,步骤S01~步骤S04在上述一种桥梁施工质量视觉检测方法实施例中已给出了详细说明,不再赘述。
该一种桥面裂缝检测方法涉及桥梁质量检测技术领域,该方法考虑到结构性裂缝对应的区域与桥面其他区域的灰度差异较大,施工桥梁表面的结构性裂缝通常对应施工桥梁表面灰度图像中灰度较为复杂的区域,因此本发明对施工桥梁表面灰度图像中的局部灰度分布情况进行分析,得到桥梁局部纹理复杂区域,使得在桥梁局部纹理复杂区域的基础上进行分析对应的计算量更小;进一步地在桥梁局部纹理复杂区域的基础上根据结构性裂缝区域的特征,通过结合各个桥梁局部纹理复杂区域的位置以及特征方向,得到表征结构性裂缝灰度特征的桥梁贯穿特征区域;进一步地根据桥梁贯穿特征区域中能够表征结构性裂缝灰度变化特征的裂缝像素点,对拉普拉斯核进行自适应调整,实现对施工桥梁表面灰度图像的自适应拉普拉斯锐化,从而得到提取更加完整的清晰桥梁裂缝,进一步地提高对结构性裂缝的检测效果,使得对桥面裂缝检测的准确性更高。
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。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。
Claims (5)
1.一种桥梁施工质量视觉检测方法,其特征在于,所述方法包括:
获取施工桥梁表面灰度图像;
根据施工桥梁表面灰度图像中的局部灰度分布情况,得到桥梁局部纹理复杂区域;根据各个桥梁局部纹理复杂区域中各个像素点的灰度分布趋势,得到每个桥梁局部纹理复杂区域对应的特征方向;
根据各个桥梁局部纹理复杂区域的位置分布特征以及特征方向分布特征,筛选出所有桥梁局部纹理复杂区域中的桥梁贯穿特征区域;根据每个桥梁贯穿特征区域中像素点的灰度值分布情况,得到每个桥梁贯穿特征区域中的裂缝像素点;
根据各个裂缝像素点的位置对所述施工桥梁表面灰度图像进行自适应拉普拉斯核锐化,得到施工桥梁表面灰度图像中的清晰桥梁裂缝;根据所述清晰桥梁裂缝进行桥梁施工质量视觉检测;
所述桥梁局部纹理复杂区域的获取方法包括:
将所述施工桥梁表面灰度图像划分为预设数量个形状大小相同的桥梁划分区域,所述预设数量大于1,所述桥梁划分区域和所述施工桥梁表面灰度图像均为矩形;
根据每个桥梁划分区域中所有像素点的灰度分布特征,得到每个桥梁划分区域的灰度纹理复杂程度;将所述灰度纹理复杂程度大于预设复杂阈值的桥梁划分区域,作为桥梁局部纹理复杂区域,所述预设复杂阈值大于0;
所述灰度纹理复杂程度的获取方法包括:
对于任意一个桥梁划分区域:
计算桥梁划分区域对应的灰度值极差和灰度值均值;在桥梁划分区域中,将每个像素点的灰度值与所述灰度值均值之间的差异,作为每个像素点的灰度值偏差;将所有像素点的灰度值偏差的正相关映射值的累加和,作为桥梁划分区域的灰度偏差复杂程度;
根据所述灰度值极差和所述灰度偏差复杂程度,得到桥梁划分区域的灰度纹理复杂程度,所述灰度值极差和所述灰度偏差复杂程度均与所述灰度纹理复杂程度呈正相关;
所述根据所述灰度值极差和所述灰度偏差复杂程度,得到桥梁划分区域的灰度纹理复杂程度的方法包括:
将所述灰度值极差和所述灰度偏差复杂程度的乘积的归一化值,作为桥梁划分区域的灰度纹理复杂程度;
所述桥梁贯穿特征区域的获取方法包括:
获取桥梁延伸方向,将所述桥梁延伸方向作为列方向,获取施工桥梁表面灰度图像中每一列对应的桥梁局部纹理复杂区域;
将相同的特征方向作为一种特征方向,依次将每个特征方向种类作为目标特征方向种类;
将与目标特征方向种类对应的的桥梁局部纹理复杂区域,作为参考桥梁局部纹理复杂区域;计算每个参考桥梁局部纹理复杂区域中所有像素点的灰度梯度均值;在每一列对应的所有参考桥梁局部纹理复杂区域中,将灰度梯度均值最大的参考桥梁局部纹理复杂区域,作为目标特征方向种类下每一列对应的特征桥梁局部纹理复杂区域;
根据目标特征方向种类下各个特征桥梁局部纹理复杂区域的位置分布特征,得到目标特征方向种类的角度拟合率;
将角度拟合率大于预设拟合阈值的特征方向种类,作为参考特征方向种类,所述预设拟合阈值大于0;将与参考特征方向种类的特征方向相同的桥梁局部纹理复杂区域,作为桥梁贯穿特征区域;
所述角度拟合率的获取方法包括:
将与桥梁延伸方向垂直的方向作为宽度方向;将目标特征方向种类对应的每个特征桥梁局部纹理复杂区域的质心,作为特征质心;沿所述宽度方向将各个特征质心依次排列,得到特征质心序列;将特征质心序列中所有索引值邻接的特征质心通过线段连接,得到每个特征质心对应的邻接线段;
将特征质心序列中的第一个特征质心和最后一个特征质心作为端点质心;在除去端点质心的特征质心序列中,将每个特征质心对应的两条邻接线段的夹角,作为除去端点质心外每个特征质心的特征夹角;将与每个端点质心通过邻接线段连接的特征质心的特征夹角,作为每个端点质心的特征夹角;
根据目标特征方向种类对应的所有特征质心的特征夹角,构建角度拟合率计算模型,通过角度拟合率计算模型,得到目标特征方向种类对应的角度拟合率。
2.根据权利要求1所述的一种桥梁施工质量视觉检测方法,其特征在于,所述特征方向的获取方法包括:
对于任意一个桥梁局部纹理复杂区域:
依次将每个像素点作为目标像素点;将目标像素点的预设邻域范围内的像素点作为参考像素点;将与目标像素点之间灰度值差异最大的参考像素点作为特征像素点;
当目标像素点的灰度值小于特征像素点的灰度值时,将目标像素点指向特征像素点的方向作为目标像素点的参考方向;当目标像素点的灰度值等于特征像素点的灰度值时,在所有方向中随机选取一个方向作为目标像素点的参考方向;将目标像素点的灰度值大于特征像素点的灰度值时,将特征像素点指向目标像素点的方向作为目标像素点的参考方向;
在桥梁局部纹理复杂区域的所有像素点的参考方向中,统计每种参考方向的数量,将数量最多的参考方向种类对应的参考方向作为桥梁局部纹理复杂区域的特征方向。
3.根据权利要求1所述的一种桥梁施工质量视觉检测方法,其特征在于,所述角度拟合率计算模型包括:
其中,bm为目标特征方向种类对应的角度拟合率,n为目标特征方向种类对应的特征质心的数量,θi为目标特征方向种类对应的第i个特征质心的特征夹角;θi-1为目标特征方向种类对应的第i-1个特征质心的特征夹角;θi-2为目标特征方向种类对应的第i-2个特征质心的特征夹角;k1为预设第一参考权重,k2为预设第二参考权重,所述预设第一参考权重和预设第二参考权重均大于0,且预设第一参考权重大于预设第二参考权重;Norm()为归一化函数,exp()为以自然常数为底的指数函数,π为圆周率。
4.根据权利要求2所述的一种桥梁施工质量视觉检测方法,其特征在于,所述裂缝像素点的获取方法包括:
对于任意一个桥梁贯穿特征区域:
在桥梁贯穿特征区域的所有像素点中,将参考方向与桥梁贯穿特征区域的特征方向相同的像素点,作为裂缝像素点。
5.根据权利要求1所述的一种桥梁施工质量视觉检测方法,其特征在于,所述清晰桥梁裂缝的获取方法包括:
通过参考拉普拉斯核遍历施工桥梁表面灰度图像,得到施工桥梁表面灰度图像中的清晰桥梁裂缝;当所述参考拉普拉斯核内中心点的四邻域不存在裂缝像素点时,将预设拉普拉斯核作为参考拉普拉斯核;当所述参考拉普拉斯核内中心点的四邻域存在裂缝像素点时,提高预设拉普拉斯核内裂缝像素点对应位置的权重,得到自适应拉普拉斯核,将所述自适应拉普拉斯核作为参考拉普拉斯核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438010.9A CN117152163B (zh) | 2023-11-01 | 2023-11-01 | 一种桥梁施工质量视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438010.9A CN117152163B (zh) | 2023-11-01 | 2023-11-01 | 一种桥梁施工质量视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152163A CN117152163A (zh) | 2023-12-01 |
CN117152163B true CN117152163B (zh) | 2024-02-27 |
Family
ID=88912512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311438010.9A Active CN117152163B (zh) | 2023-11-01 | 2023-11-01 | 一种桥梁施工质量视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152163B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506787A (zh) * | 2017-07-27 | 2017-12-22 | 陕西师范大学 | 一种基于迁移自学习的混凝土桥梁裂缝分类方法 |
CN108520516A (zh) * | 2018-04-09 | 2018-09-11 | 陕西师范大学 | 一种基于语义分割的桥梁路面裂缝检测和分割方法 |
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 |
KR102182122B1 (ko) * | 2019-12-05 | 2020-11-23 | 한국도로공사 | 교면포장 표면손상을 활용한 교량바닥판상태 예측방법 |
CN114839192A (zh) * | 2022-04-26 | 2022-08-02 | 哈尔滨理工大学 | 一种混凝土桥梁裂缝检测系统 |
US11600061B1 (en) * | 2021-10-18 | 2023-03-07 | Rainbowtech Co., Ltd. | Method and system for maintaining bridge using bridge image data |
CN116258722A (zh) * | 2023-05-16 | 2023-06-13 | 青岛奥维特智能科技有限公司 | 基于图像处理的桥梁建筑智能检测方法 |
CN116342584A (zh) * | 2023-05-15 | 2023-06-27 | 四川吉利学院 | 一种基于AAMC-Net的图像裂缝分割检测方法及系统 |
CN116758081A (zh) * | 2023-08-18 | 2023-09-15 | 安徽乾劲企业管理有限公司 | 一种无人机道路桥梁巡检图像处理方法 |
CN117094916A (zh) * | 2023-10-19 | 2023-11-21 | 江苏新路德建设有限公司 | 一种市政桥梁支座视觉检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11714024B2 (en) * | 2017-11-30 | 2023-08-01 | University Of Kansas | Vision-based fatigue crack detection using feature tracking |
US20230080178A1 (en) * | 2021-09-02 | 2023-03-16 | Northeastern University | Automated assessment of cracks using lidar and camera data |
-
2023
- 2023-11-01 CN CN202311438010.9A patent/CN117152163B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506787A (zh) * | 2017-07-27 | 2017-12-22 | 陕西师范大学 | 一种基于迁移自学习的混凝土桥梁裂缝分类方法 |
CN108520516A (zh) * | 2018-04-09 | 2018-09-11 | 陕西师范大学 | 一种基于语义分割的桥梁路面裂缝检测和分割方法 |
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 |
KR102182122B1 (ko) * | 2019-12-05 | 2020-11-23 | 한국도로공사 | 교면포장 표면손상을 활용한 교량바닥판상태 예측방법 |
US11600061B1 (en) * | 2021-10-18 | 2023-03-07 | Rainbowtech Co., Ltd. | Method and system for maintaining bridge using bridge image data |
CN114839192A (zh) * | 2022-04-26 | 2022-08-02 | 哈尔滨理工大学 | 一种混凝土桥梁裂缝检测系统 |
CN116342584A (zh) * | 2023-05-15 | 2023-06-27 | 四川吉利学院 | 一种基于AAMC-Net的图像裂缝分割检测方法及系统 |
CN116258722A (zh) * | 2023-05-16 | 2023-06-13 | 青岛奥维特智能科技有限公司 | 基于图像处理的桥梁建筑智能检测方法 |
CN116758081A (zh) * | 2023-08-18 | 2023-09-15 | 安徽乾劲企业管理有限公司 | 一种无人机道路桥梁巡检图像处理方法 |
CN117094916A (zh) * | 2023-10-19 | 2023-11-21 | 江苏新路德建设有限公司 | 一种市政桥梁支座视觉检测方法 |
Non-Patent Citations (3)
Title |
---|
ASR crack identification in bridges using deep learning and texture analysis;Nguyen等;《Structures》;第 494-507 页 * |
Multi-Characteristic Parameter Classification Algorithm of Cracks on Bridge;Xiaoqiang Jia等;《Engineering Science and Technology Review》;1-12页 * |
基于机器视觉的桥梁裂缝检测应用及发展综述;宋泽冈等;《科学技术与工程》;12796-12805 * |
Also Published As
Publication number | Publication date |
---|---|
CN117152163A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108010036B (zh) | 一种基于rgb-d相机的物体对称轴检测方法 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
JP4868530B2 (ja) | 画像認識装置 | |
CN109345502B (zh) | 一种基于视差图立体结构信息提取的立体图像质量评价方法 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN112017223B (zh) | 基于改进SIFT-Delaunay的异源图像配准方法 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN116958125B (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
CN112861870A (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
CN117710399B (zh) | 一种基于视觉的地质调查中裂缝轮廓提取方法 | |
CN107358635B (zh) | 一种基于模糊相似性的彩色形态学图像处理方法 | |
CN113673515A (zh) | 一种计算机视觉目标检测算法 | |
CN117152163B (zh) | 一种桥梁施工质量视觉检测方法 | |
CN111445540B (zh) | 一种用于rgb有色三维点云的自动配准方法 | |
CN105512682B (zh) | 一种基于Krawtchouk矩和KNN-SMO分类器的密级标识识别方法 | |
CN109063537B (zh) | 针对异常小目标解混的高光谱图像预处理方法 | |
CN114565653B (zh) | 一种存在旋转变化和尺度差异的异源遥感图像匹配方法 | |
CN116385440A (zh) | 一种弧形刀片视觉检测方法 | |
CN113554672B (zh) | 一种基于机器视觉的气密性检测中相机位姿检测方法及系统 | |
CN115100068A (zh) | 一种红外图像校正方法 | |
CN111311657B (zh) | 一种基于改进角点主方向分配的红外图像同源配准方法 | |
CN115205251A (zh) | 一种光学遥感影像几何质量可用性评价方法 | |
CN107491746B (zh) | 一种基于大梯度像素分析的人脸预筛选方法 | |
CN110148155A (zh) | 一种多特征与自适应标准对冲相结合的目标跟踪方法 |
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 |