CN117218549B - 一种公路桥梁的状态评估方法及系统 - Google Patents
一种公路桥梁的状态评估方法及系统 Download PDFInfo
- Publication number
- CN117218549B CN117218549B CN202311467335.XA CN202311467335A CN117218549B CN 117218549 B CN117218549 B CN 117218549B CN 202311467335 A CN202311467335 A CN 202311467335A CN 117218549 B CN117218549 B CN 117218549B
- Authority
- CN
- China
- Prior art keywords
- image block
- bridge
- target
- value
- steel bar
- 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
- 238000011156 evaluation Methods 0.000 title abstract description 13
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 123
- 239000010959 steel Substances 0.000 claims abstract description 123
- 238000005260 corrosion Methods 0.000 claims abstract description 115
- 230000007797 corrosion Effects 0.000 claims abstract description 115
- 230000007547 defect Effects 0.000 claims abstract description 75
- 230000011218 segmentation Effects 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000036541 health Effects 0.000 claims abstract description 13
- 230000002787 reinforcement Effects 0.000 claims description 35
- 230000002950 deficient Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011282 treatment Methods 0.000 claims description 4
- 230000003862 health status Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000903 blocking effect Effects 0.000 abstract description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域，具体涉及一种公路桥梁的状态评估方法及系统，包括：使用无人机采集公路桥梁表面图像，得到桥梁灰度图像，并分割出若干个疑似钢筋锈蚀连通域，获取疑似钢筋锈蚀连通域的形状趋于钢筋的程度，结合所有疑似钢筋锈蚀连通域之间的距离、夹角参考值，得到疑似钢筋锈蚀连通域的钢筋锈蚀相似程度，从而得到锈蚀像素点，由此将桥梁灰度图像等分为若干个图像块，区分缺陷与正常图像块，分别获取缺陷与正常图像块内的新锈蚀像素点，从而得到桥梁灰度图像中的公路桥梁表面健康状态评分。本发明通过图像分块，并自适应分割阈值，保障缺陷分割的准确性，从而得到可信度较高的公路桥梁表面健康状态评分。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种公路桥梁的状态评估方法及系统。
背景技术
我国的交通建设经过几十年的快速发展，已经取得了无数的辉煌成就，公路、桥梁等设施在数量上也达到了非常大的规模。然而很多公路桥梁的服役年限已经过长，并且由于受到设计、维护、事故等因素的影响，导致越来越多的桥梁开始出现安全隐患，甚至发生严重的交通事故。钢筋锈蚀作为公路桥梁常见的一种病害，它对桥梁稳定性造成的影响不可忽视，如果不及时进行维护处理，很可能威胁到桥梁整体的结构。因此，对公路桥梁的钢筋锈蚀检测就成为桥梁状态评估的一个重要环节。
现有的问题：在现有的公路桥梁检测评估方法中，大多是依靠人工使用设备去采集数据并进行评估。但是在实际操作过程中，这种方法存在很多不足之处，如检测时灵敏度不高、采集数据不全面、数据处理分析时效性差等问题，导致整体检测结果的准确性和可靠性不高。特别是检测钢筋锈蚀这一病害时，由于公路桥梁的钢筋遍布整个桥体，人工采集数据难度大，再加上一些人为主观因素，使得检测结果很容易出现误差，无法满足实际需求。
发明内容
本发明提供一种公路桥梁的状态评估方法及系统，以解决现有的问题。
本发明的一种公路桥梁的状态评估方法及系统采用如下技术方案：
本发明一个实施例提供了一种公路桥梁的状态评估方法，该方法包括以下步骤：
使用无人机采集公路桥梁表面图像，并对公路桥梁表面图像进行灰度化处理，得到桥梁灰度图像；
使用大津算法，得到桥梁灰度图像中若干个疑似钢筋锈蚀连通域；将任意一个疑似钢筋锈蚀连通域，记为目标连通域，并得到目标连通域的最小外接矩形；根据目标连通域的最小外接矩形的长边、桥梁灰度图像的长边与宽边所处直线的夹角值，得到目标连通域的夹角参考值；根据目标连通域的夹角参考值、最小外接矩形的长边与宽边的长度，得到目标连通域的形状趋于钢筋的程度；
根据所有疑似钢筋锈蚀连通域之间的距离、夹角参考值、形状趋于钢筋的程度，得到目标连通域的钢筋锈蚀相似程度；根据所有疑似钢筋锈蚀连通域的钢筋锈蚀相似程度，得到锈蚀像素点；
将桥梁灰度图像等分为若干个图像块，将存在锈蚀像素点的图像块，记为缺陷图像块；将不存在锈蚀像素点的图像块，记为正常图像块；根据缺陷图像块内不同灰度值对应的锈蚀像素点的数量，得到缺陷图像块内的新锈蚀像素点与缺陷图像块的最终分割阈值；使用大津算法，得到正常图像块的初始分割阈值；根据正常图像块的初始分割阈值、所有缺陷图像块的最终分割阈值、正常图像块与缺陷图像块之间的距离，得到正常图像块内的新锈蚀像素点；
根据桥梁灰度图像内所有新锈蚀像素点的数量，得到桥梁灰度图像中的公路桥梁表面健康状态评分。
进一步地，所述根据目标连通域的最小外接矩形的长边、桥梁灰度图像的长边与宽边所处直线的夹角值，得到目标连通域的夹角参考值，包括的具体步骤如下：
将目标连通域的最小外接矩形的任意一个长边所处的直线，记为目标直线；
将桥梁灰度图像的任意一个长边与宽边所处的直线，分别记为长参考直线与宽参考直线；
统计目标直线分别与长参考直线和宽参考直线的夹角值，将所述夹角值中的最小值，记为目标连通域的夹角参考值。
进一步地，所述根据目标连通域的夹角参考值、最小外接矩形的长边与宽边的长度，得到目标连通域的形状趋于钢筋的程度对应的具体计算公式为：
其中为目标连通域的形状趋于钢筋的程度，L为目标连通域的最小外接矩形的长边的长度，W为目标连通域的最小外接矩形的宽边的长度，/>为目标连通域的夹角参考值，/>为线性归一化函数。
进一步地，所述根据所有疑似钢筋锈蚀连通域之间的距离、夹角参考值、形状趋于钢筋的程度，得到目标连通域的钢筋锈蚀相似程度，包括的具体步骤如下：
使用边界点法，得到目标连通域的中心点；
经过目标连通域的中心点，将与目标连通域的最小外接矩形的宽边平行的直线，记为主体直线；
在桥梁灰度图像中，将主体直线与所有疑似钢筋锈蚀连通域边界的交点，记为边界交点；
在主体直线上，将相邻两个边界交点之间的直线段的中心点，记为目标点；
将主体直线处于桥梁灰度图像中的直线段，记为主体直线段；在主体直线段上，从任意一端开始，依次计算相邻两个目标点的欧式距离，得到钢筋间距序列；
根据钢筋间距序列中数据之间的差异、目标连通域和所有疑似钢筋锈蚀连通域的夹角参考值之间的差异，得到目标连通域的位置与结构趋于钢筋的程度；
计算目标连通域的位置与结构趋于钢筋的程度与形状趋于钢筋的程度的乘积，将所述程度的乘积的归一化值，记为目标连通域的钢筋锈蚀相似程度。
进一步地，所述根据钢筋间距序列中数据之间的差异、目标连通域和所有疑似钢筋锈蚀连通域的夹角参考值之间的差异，得到目标连通域的位置与结构趋于钢筋的程度对应的具体计算公式为：
其中为目标连通域的位置与结构趋于钢筋的程度，N为桥梁灰度图像中疑似钢筋锈蚀连通域的数量，/>为目标连通域的夹角参考值，/>为桥梁灰度图像中第i个疑似钢筋锈蚀连通域的夹角参考值，M为钢筋间距序列中的数据数量，/>和/>分别为钢筋间距序列中第l个和第l+1个数据值，| |为绝对值函数。
进一步地，所述根据所有疑似钢筋锈蚀连通域的钢筋锈蚀相似程度，得到锈蚀像素点，包括的具体步骤如下：
将钢筋锈蚀相似程度大于预设的判断阈值的疑似钢筋锈蚀连通域，记为钢筋锈蚀连通域；
将钢筋锈蚀连通域中的像素点，记为锈蚀像素点。
进一步地，所述根据缺陷图像块内不同灰度值对应的锈蚀像素点的数量，得到缺陷图像块内的新锈蚀像素点与缺陷图像块的最终分割阈值，包括的具体步骤如下：
将任意一个缺陷图像块，记为参考缺陷图像块；
统计参考缺陷图像块内不同大小的灰度值的种类，将任意一种灰度值，记为参考灰度值；
在参考缺陷图像块内，将所有灰度值小于参考灰度值的像素点中为锈蚀像素点的数量，记为参考灰度值对应的重合度；
使用大津算法，得到参考缺陷图像块内每种灰度值对应的类间方差；
将参考缺陷图像块内每种灰度值对应的重合度与类间方差的乘积，记为每种灰度值的新类间方差；
统计所有种灰度值的新类间方差中的最大值，将所述最大值对应的灰度值，记为参考缺陷图像块的最终分割阈值；
将参考缺陷图像块内灰度值小于参考缺陷图像块的最终分割阈值的像素点，记为新锈蚀像素点。
进一步地，所述根据正常图像块的初始分割阈值、所有缺陷图像块的最终分割阈值、正常图像块与缺陷图像块之间的距离，得到正常图像块内的新锈蚀像素点，包括的具体步骤如下：
将任意一个正常图像块，记为参考正常图像块；
在桥梁灰度图像中，以单个图像块为一个单位，以参考正常图像块为中心，构建大小为的目标窗口；所述c为预设的窗口的边长；
当目标窗口内存在缺陷图像块时，在目标窗口内，根据正常图像块与缺陷图像块之间的距离、正常图像块的初始分割阈值与缺陷图像块的最终分割阈值的差异，得到参考正常图像块的最终分割阈值对应的具体计算公式为：
其中为参考正常图像块的最终分割阈值，/>为参考正常图像块的初始分割阈值，T为目标窗口内缺陷图像块的数量，/>为目标窗口内第k个缺陷图像块的最终分割阈值，/>为目标窗口内第k个缺陷图像块的中心点与参考正常图像块的中心点之间的欧式距离；
在参考正常图像块内，将灰度值小于参考正常图像块的最终分割阈值的像素点，记为新锈蚀像素点；
当目标窗口内不存在缺陷图像块时，判断参考正常图像块内不存在新锈蚀像素点。
进一步地，所述根据桥梁灰度图像内所有新锈蚀像素点的数量，得到桥梁灰度图像中的公路桥梁表面健康状态评分，包括的具体步骤如下：
在桥梁灰度图像中，计算所有新锈蚀像素点的数量除以所有像素点的数量的商值，将一减去所述商值，记为桥梁灰度图像中的公路桥梁表面健康状态评分。
本发明还提出了一种公路桥梁的状态评估系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述存储器存储的计算机程序，以实现前述所述的一种公路桥梁的状态评估方法的步骤。
本发明的技术方案的有益效果是：
本发明实施例中，使用无人机采集公路桥梁表面图像，得到桥梁灰度图像，并分割出若干个疑似钢筋锈蚀连通域。其能够避免人工检测灵敏度低、数据采集不全面、数据处理时效性差的问题。获取疑似钢筋锈蚀连通域的形状趋于钢筋的程度，结合所有疑似钢筋锈蚀连通域之间的距离、夹角参考值，得到疑似钢筋锈蚀连通域的钢筋锈蚀相似程度，从而得到锈蚀像素点。将桥梁灰度图像等分为若干个图像块，区分缺陷图像块和正常图像块，分别获取缺陷图像块内的新锈蚀像素点、正常图像块内的新锈蚀像素点。由此通过多次阈值分割，能够使分割结果更准确，获得更好的检测效果。根据桥梁灰度图像内所有新锈蚀像素点的数量，得到桥梁灰度图像中的公路桥梁表面健康状态评分。本发明通过图像分块，并对每个图像块进行自适应分割阈值，保障缺陷分割的准确性，从而得到可信度较高的公路桥梁表面健康状态评分。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种公路桥梁的状态评估方法的步骤流程图；
图2为本实施例所提供的一个待检测公路桥梁表面图像示意图。
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公路桥梁的状态评估方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一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公路桥梁的状态评估方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种公路桥梁的状态评估方法的步骤流程图，该方法包括以下步骤：
步骤S001：使用无人机采集公路桥梁表面图像，并对公路桥梁表面图像进行灰度化处理，得到桥梁灰度图像。
本实施例使用无人机采集公路桥梁表面图像，并对公路桥梁表面图像进行灰度化处理，得到桥梁灰度图像。图2为本实施例所提供的一个待检测公路桥梁表面图像示意图。
所需说明的是：为了使检测结果更加准确、全面，需要分别采集整个桥梁表面的图像，包括桥面、桥底、桥墩、桥台等。且拍摄时镜头方向要与桥梁的长方向或宽方向一致。
已知钢筋是桥梁的骨架结构，其在表面的氧化膜被破坏时很容易被锈蚀，导致桥梁结构表面的混凝土开裂甚至成块脱落，使桥梁的承载能力下降，破坏桥梁的稳定性。不仅如此，桥梁表面的混凝土脱落部分的灰度值有时与周围的纹理、磨损、雨水等区域的灰度值较为相似，且钢筋锈蚀区域的灰度值较低，仅通过普通的阈值分割难以将它们区分开来。
步骤S002：使用大津算法，得到桥梁灰度图像中若干个疑似钢筋锈蚀连通域；将任意一个疑似钢筋锈蚀连通域，记为目标连通域，并得到目标连通域的最小外接矩形；根据目标连通域的最小外接矩形的长边、桥梁灰度图像的长边与宽边所处直线的夹角值，得到目标连通域的夹角参考值；根据目标连通域的夹角参考值、最小外接矩形的长边与宽边的长度，得到目标连通域的形状趋于钢筋的程度。
由于钢筋锈蚀造成的混凝土脱落的形状趋近于长条状，且钢筋的锈蚀通常会集中在部分区域，这部分区域脱落的混凝土在图像中会形成类似于钢筋的结构。因此可以利用这个特点使用大津算法对图像进行两次阈值分割，第一次先对图像整体进行分割将钢筋锈蚀的集中区域分割出来，再根据第一次分割的结果对图像的不同部分使用不同的阈值进行第二次分割，得到准确的钢筋锈蚀区域。
使用大津算法，得到桥梁灰度图像的最佳分割阈值，在桥梁灰度图像内，将所有灰度值小于最佳分割阈值的像素点构成的区域，记为疑似钢筋锈蚀区域。将疑似钢筋锈蚀区域内连续相邻像素点构成的连通域，记为疑似钢筋锈蚀连通域。其中，大津算法为公知技术，具体方法在此不做介绍。
已知疑似钢筋锈蚀区域中除了钢筋锈蚀的部分可能还包括各种纹理、磨损以及其他干扰因素。而钢筋出现锈蚀现象时其表面的混凝土会因内部膨胀导致开裂或脱落，所以钢筋锈蚀区域的表面在图像中具有与钢筋的形状与结构相同的特点，及脱落部分呈现为长条状，其与钢筋形状一致。该长条状的长方向通常与桥梁的长方向或宽方向一致，其与钢筋方向一致。当脱落部分集中在一定区域内，则该区域内存在多个相互平行或垂直且间距相等的长条状。
故在桥梁灰度图像中，钢筋的长方向与图像的长方向或宽方向夹角近似为0度。因此将任意一个疑似钢筋锈蚀连通域，记为目标连通域。使用旋转包围盒法，得到目标连通域的最小外接矩形。将目标连通域的最小外接矩形的任意一个长边所处的直线，记为目标直线。将桥梁灰度图像的任意一个长边与宽边所处的直线，分别记为长参考直线与宽参考直线。统计目标直线分别与长参考直线和宽参考直线的夹角值中的最小值，将所述夹角值中的最小值，记为目标连通域的夹角参考值。其中，旋转包围盒法为公知技术，具体方法在此不做介绍。
按照上述方式，得到桥梁灰度图像中每个疑似钢筋锈蚀连通域的夹角参考值。
所需说明的是：钢筋的形状为长条状，当目标连通域的最小外接矩形为正方形时，说明目标连通域不是钢筋锈蚀连通域，不对其进行后续判断是否为钢筋锈蚀连通域的分析，重新选取一个疑似钢筋锈蚀连通域进行分析。当桥梁灰度图像为正方形时，取两个相互垂直的边长所处的直线，分别记为长参考直线与宽参考直线。
由此可知目标连通域的形状趋于钢筋的程度的计算公式为：
其中为目标连通域的形状趋于钢筋的程度，L为目标连通域的最小外接矩形的长边的长度，W为目标连通域的最小外接矩形的宽边的长度，/>为目标连通域的夹角参考值。/>为线性归一化函数，将数据值归一化至[0,1]区间内。
所需说明的是：为目标连通域的最小外接矩形的长宽之比，/>值越大，说明目标连通域的形状越接近长条状，越可能为钢筋锈蚀连通域。/>反映了目标连通域的长方向与桥梁的长方向或宽方向的一致程度，/>值越大，方向越一致，为钢筋锈蚀连通域的可能性越大，其中/>加1是为了防止分母为0。因此用/>的归一化值，表示目标连通域的形状趋于钢筋的程度，/>值越大，目标连通域为钢筋锈蚀连通域的可能性越大。
步骤S003：根据所有疑似钢筋锈蚀连通域之间的距离、夹角参考值、形状趋于钢筋的程度，得到目标连通域的钢筋锈蚀相似程度；根据所有疑似钢筋锈蚀连通域的钢筋锈蚀相似程度，得到锈蚀像素点。
通常情况下，钢筋出现锈蚀是因为其表面的防锈蚀氧化膜被酸性环境破坏，导致钢筋失去保护而逐渐产生锈蚀。因此钢筋的锈蚀现象往往会集中出现在一定范围内，在图像中则会体现为多个长条状的疑似区域集中出现。并且根据公路桥梁的建造原理，桥梁中相邻钢筋的布置是相互平行、相互垂直、间距相等的，所以钢筋锈蚀时，其表面脱落的混凝土也会呈现出相同的位置关系。
使用边界点法，得到目标连通域的中心点。经过目标连通域的中心点，将与目标连通域的最小外接矩形的宽边平行的直线，记为主体直线。其中，边界点法为公知技术，具体方法在此不做介绍。
在桥梁灰度图像中，将主体直线与所有疑似钢筋锈蚀连通域边界的交点，记为边界交点。在主体直线上，将相邻两个边界交点之间的直线段的中心点，记为目标点。
将主体直线处于桥梁灰度图像中的直线段，记为主体直线段。在主体直线段上，从任意一端开始，依次计算相邻两个目标点的欧式距离，得到钢筋间距序列。
所需说明的是：钢筋的锈蚀现象往往会集中出现在一定范围内，即出现多条钢筋，因此主体直线上会存在多个目标点，当主体直线上只有一个或者两个目标点，说明目标连通域不是钢筋锈蚀连通域，不对其进行后续判断是否为钢筋锈蚀连通域的分析，重新选取一个疑似钢筋锈蚀连通域进行分析。
由此可知目标连通域的钢筋锈蚀相似程度的计算公式为：
其中为目标连通域的钢筋锈蚀相似程度，/>为目标连通域的形状趋于钢筋的程度，/>为目标连通域的位置与结构趋于钢筋的程度，N为桥梁灰度图像中疑似钢筋锈蚀连通域的数量，/>为目标连通域的夹角参考值，/>为桥梁灰度图像中第i个疑似钢筋锈蚀连通域的夹角参考值，M为钢筋间距序列中的数据数量，/>和/>分别为钢筋间距序列中第l个和第l+1个数据值。/>为线性归一化函数，将数据值归一化至[0,1]区间内。| |为绝对值函数。
所需说明的是：目标连通域分别与所有疑似钢筋锈蚀连通域的夹角参考值的差值之和，表示各疑似钢筋锈蚀连通域的排列规律程度，排列规律程度越小，各疑似钢筋锈蚀连通域之间平行或垂直排列的越规律，为钢筋锈蚀的可能性越大。钢筋间距序列所有相邻数据的比值的乘积/>，表示各疑似钢筋锈蚀连通域的间距特征，间距特征越趋近于1，即/>越小，说明相疑似钢筋锈蚀连通域的间距大小就越相同，为钢筋锈蚀的可能性越大，而N和M的值越大，说明疑似钢筋锈蚀连通域的数量越多、越集中，因此用/>与/>的和值，表示目标连通域的位置与结构趋于钢筋的程度。由此以/>为/>的调整值，/>表示目标连通域的钢筋锈蚀相似程度。
按照上述方式，得到桥梁灰度图像中每个疑似钢筋锈蚀连通域的钢筋锈蚀相似程度。
本实施例设定的判断阈值为0.8，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。将钢筋锈蚀相似程度大于判断阈值0.8的疑似钢筋锈蚀连通域，记为钢筋锈蚀连通域。将钢筋锈蚀连通域中的像素点，记为锈蚀像素点。
所需说明的是：当桥梁灰度图像中没有钢筋锈蚀连通域时，说明桥梁灰度图像中无钢筋锈蚀缺陷，公路桥梁表面健康状态评分应为满分1。
步骤S004：将桥梁灰度图像等分为若干个图像块，将存在锈蚀像素点的图像块，记为缺陷图像块；将不存在锈蚀像素点的图像块，记为正常图像块；根据缺陷图像块内不同灰度值对应的锈蚀像素点的数量，得到缺陷图像块内的新锈蚀像素点与缺陷图像块的最终分割阈值；使用大津算法，得到正常图像块的初始分割阈值；根据正常图像块的初始分割阈值、所有缺陷图像块的最终分割阈值、正常图像块与缺陷图像块之间的距离，得到正常图像块内的新锈蚀像素点。
本实施例设定的分块阈值b为7，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。将桥梁灰度图像等分为若干个大小为的图像块。
所需说明的是：对图像进行分块时，需要根据图像的大小选取分块阈值，保障图像可以被完全等分。
将存在锈蚀像素点的图像块，记为缺陷图像块。将不存在锈蚀像素点的图像块，记为正常图像块。
由于钢筋锈蚀连通域中可能存在部分被误分的纹理和正常像素点，因此需要对缺陷图像块进一步分割出准确的缺陷。而正常图像块中可能存在一些不明显的锈蚀部分，因此也需要对正常图像块进一步分割出准确的缺陷。
在使用常规的大津法对图像进行阈值分割时，需要计算出所有灰度级下图像的类间方差，将最大类间方差的灰度级作为阈值对图像进行分割，但直接应用这种常规方法分割桥梁表面图像并无法得到较好的分割结果。由于本实施例已经通过计算得出了一部分特征明显的钢筋锈蚀区域，因此可以根据包含这些区域的图像块的阈值作为基准，对图像块的阈值进行一定程度地修正，使得图像不同区域的阈值自适应，获得较好的分割结果。
将任意一个缺陷图像块，记为参考缺陷图像块。统计参考缺陷图像块内不同大小的灰度值的种类，将任意一种灰度值，记为参考灰度值。在参考缺陷图像块内，将所有灰度值小于参考灰度值的像素点中为锈蚀像素点的数量，记为参考灰度值对应的重合度。
按照上述方式，得到参考缺陷图像块内每种灰度值对应的重合度。所需说明的是：钢筋锈蚀区域的灰度值较低，参考缺陷图像块内已知锈蚀像素点，故划分的像素点中为锈蚀像素点的数量越多，即重合度越大，说明参考灰度值为分割阈值越准确。
使用大津算法，得到参考缺陷图像块内每种灰度值对应的类间方差。其中，大津算法为公知技术，具体方法在此不做介绍。所需说明的是：大津算法是计算不同灰度值下的类间方差，类间方差越大，分割阈值越准确。
在参考缺陷图像块内，将每种灰度值对应的重合度与类间方差的乘积，记为每种灰度值的新类间方差。统计所有种灰度值的新类间方差中的最大值，将所述最大值对应的灰度值，记为参考缺陷图像块的最终分割阈值。
在参考缺陷图像块内，将灰度值小于参考缺陷图像块的最终分割阈值的像素点，记为新锈蚀像素点。
按照上述方式，得到每个缺陷图像块的最终分割阈值、每个缺陷图像块内的新锈蚀像素点。
本实施例设定的窗口的边长c为5，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
将任意一个正常图像块，记为参考正常图像块。在桥梁灰度图像中，以单个图像块为一个单位，以参考正常图像块为中心，构建大小为的目标窗口。
所需说明的是：目标窗口内有个图像块，当参考正常图像块处于桥梁灰度图像边界处时，目标窗口内会不满足/>个图像块，但不影响后续分析。
当目标窗口内不存在缺陷图像块时，判断参考正常图像块内不存在新锈蚀像素点。
当目标窗口内存在缺陷图像块时，在参考正常图像块内，将大津算法得到的最佳分割阈值，记为参考正常图像块的初始分割阈值。
由此可知参考正常图像块的最终分割阈值的计算公式为：
其中为参考正常图像块的最终分割阈值，/>为参考正常图像块的初始分割阈值，T为目标窗口内缺陷图像块的数量，/>为目标窗口内第k个缺陷图像块的最终分割阈值，/>为目标窗口内第k个缺陷图像块的中心点与参考正常图像块的中心点之间的欧式距离。
所需说明的是：表示参考正常图像块的偏差值，其为目标窗口内所有缺陷图像块的最终分割阈值与参考正常图像块的初始分割阈值的差值的均值，其中/>为距离权重，距离越远对偏差值的影响越小。由此用/>减去，表示参考正常图像块的最终分割阈值。
在参考正常图像块内，将灰度值小于参考正常图像块的最终分割阈值的像素点，记为新锈蚀像素点。
按照上述方式，得到每个正常图像块内的新锈蚀像素点。
步骤S005：根据桥梁灰度图像内所有新锈蚀像素点的数量，得到桥梁灰度图像中的公路桥梁表面健康状态评分。
根据所有缺陷图像块内的新锈蚀像素点、所有正常图像块内的新锈蚀像素点，得到桥梁灰度图像中的所有新锈蚀像素点。
由此可知桥梁灰度图像中的公路桥梁表面健康状态评分P的计算公式为：
其中P为桥梁灰度图像中的公路桥梁表面健康状态评分，为桥梁灰度图像中所有新锈蚀像素点的数量，/>为桥梁灰度图像中所有像素点的数量。
所需说明的是：桥梁灰度图像中所有新锈蚀像素点的数量越小，公路桥梁表面越健康。因此P越大，公路桥梁表面越健康。
至此，本发明完成。
综上所述，在本发明实施例中，使用无人机采集公路桥梁表面图像，得到桥梁灰度图像，并分割出若干个疑似钢筋锈蚀连通域。获取疑似钢筋锈蚀连通域的形状趋于钢筋的程度，结合所有疑似钢筋锈蚀连通域之间的距离、夹角参考值，得到疑似钢筋锈蚀连通域的钢筋锈蚀相似程度，从而得到锈蚀像素点。将桥梁灰度图像等分为若干个图像块，区分缺陷图像块和正常图像块，分别获取缺陷图像块内的新锈蚀像素点、正常图像块内的新锈蚀像素点。根据桥梁灰度图像内所有新锈蚀像素点的数量，得到桥梁灰度图像中的公路桥梁表面健康状态评分。本发明通过图像分块，并自适应分割阈值，保障缺陷分割的准确性，从而得到可信度较高的公路桥梁表面健康状态评分。
本发明还提供了一种公路桥梁的状态评估系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述存储器存储的计算机程序，以实现前述所述的一种公路桥梁的状态评估方法的步骤。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，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 (5)
1.一种公路桥梁的状态评估方法，其特征在于，该方法包括以下步骤：
使用无人机采集公路桥梁表面图像，并对公路桥梁表面图像进行灰度化处理，得到桥梁灰度图像；
使用大津算法，得到桥梁灰度图像中若干个疑似钢筋锈蚀连通域；将任意一个疑似钢筋锈蚀连通域，记为目标连通域，并得到目标连通域的最小外接矩形；根据目标连通域的最小外接矩形的长边、桥梁灰度图像的长边与宽边所处直线的夹角值，得到目标连通域的夹角参考值；根据目标连通域的夹角参考值、最小外接矩形的长边与宽边的长度，得到目标连通域的形状趋于钢筋的程度；
根据所有疑似钢筋锈蚀连通域之间的距离、夹角参考值、形状趋于钢筋的程度，得到目标连通域的钢筋锈蚀相似程度；根据所有疑似钢筋锈蚀连通域的钢筋锈蚀相似程度，得到锈蚀像素点；
将桥梁灰度图像等分为若干个图像块，将存在锈蚀像素点的图像块，记为缺陷图像块；将不存在锈蚀像素点的图像块，记为正常图像块；根据缺陷图像块内不同灰度值对应的锈蚀像素点的数量，得到缺陷图像块内的新锈蚀像素点与缺陷图像块的最终分割阈值；使用大津算法，得到正常图像块的初始分割阈值；根据正常图像块的初始分割阈值、所有缺陷图像块的最终分割阈值、正常图像块与缺陷图像块之间的距离，得到正常图像块内的新锈蚀像素点；
根据桥梁灰度图像内所有新锈蚀像素点的数量，得到桥梁灰度图像中的公路桥梁表面健康状态评分；
所述根据目标连通域的最小外接矩形的长边、桥梁灰度图像的长边与宽边所处直线的夹角值，得到目标连通域的夹角参考值，包括的具体步骤如下：
将目标连通域的最小外接矩形的任意一个长边所处的直线，记为目标直线；
将桥梁灰度图像的任意一个长边与宽边所处的直线，分别记为长参考直线与宽参考直线；
统计目标直线分别与长参考直线和宽参考直线的夹角值，将所述夹角值中的最小值，记为目标连通域的夹角参考值；
所述根据目标连通域的夹角参考值、最小外接矩形的长边与宽边的长度，得到目标连通域的形状趋于钢筋的程度对应的具体计算公式为：
其中为目标连通域的形状趋于钢筋的程度，L为目标连通域的最小外接矩形的长边的长度，W为目标连通域的最小外接矩形的宽边的长度，/>为目标连通域的夹角参考值，为线性归一化函数；
所述根据所有疑似钢筋锈蚀连通域之间的距离、夹角参考值、形状趋于钢筋的程度，得到目标连通域的钢筋锈蚀相似程度，包括的具体步骤如下：
使用边界点法，得到目标连通域的中心点；
经过目标连通域的中心点，将与目标连通域的最小外接矩形的宽边平行的直线，记为主体直线；
在桥梁灰度图像中，将主体直线与所有疑似钢筋锈蚀连通域边界的交点，记为边界交点；
在主体直线上，将相邻两个边界交点之间的直线段的中心点，记为目标点；
将主体直线处于桥梁灰度图像中的直线段，记为主体直线段；在主体直线段上，从任意一端开始，依次计算相邻两个目标点的欧式距离，得到钢筋间距序列；
根据钢筋间距序列中数据之间的差异、目标连通域和所有疑似钢筋锈蚀连通域的夹角参考值之间的差异，得到目标连通域的位置与结构趋于钢筋的程度；
计算目标连通域的位置与结构趋于钢筋的程度与形状趋于钢筋的程度的乘积，将所述程度的乘积的归一化值，记为目标连通域的钢筋锈蚀相似程度；
所述根据钢筋间距序列中数据之间的差异、目标连通域和所有疑似钢筋锈蚀连通域的夹角参考值之间的差异，得到目标连通域的位置与结构趋于钢筋的程度对应的具体计算公式为：
其中为目标连通域的位置与结构趋于钢筋的程度，N为桥梁灰度图像中疑似钢筋锈蚀连通域的数量，/>为目标连通域的夹角参考值，/>为桥梁灰度图像中第i个疑似钢筋锈蚀连通域的夹角参考值，M为钢筋间距序列中的数据数量，/>和/>分别为钢筋间距序列中第l个和第l+1个数据值，| |为绝对值函数；
所述根据缺陷图像块内不同灰度值对应的锈蚀像素点的数量，得到缺陷图像块内的新锈蚀像素点与缺陷图像块的最终分割阈值，包括的具体步骤如下：
将任意一个缺陷图像块，记为参考缺陷图像块；
统计参考缺陷图像块内不同大小的灰度值的种类，将任意一种灰度值，记为参考灰度值；
在参考缺陷图像块内，将所有灰度值小于参考灰度值的像素点中为锈蚀像素点的数量，记为参考灰度值对应的重合度；
使用大津算法，得到参考缺陷图像块内每种灰度值对应的类间方差；
将参考缺陷图像块内每种灰度值对应的重合度与类间方差的乘积，记为每种灰度值的新类间方差；
统计所有种灰度值的新类间方差中的最大值，将所述最大值对应的灰度值，记为参考缺陷图像块的最终分割阈值；
将参考缺陷图像块内灰度值小于参考缺陷图像块的最终分割阈值的像素点，记为新锈蚀像素点。
2.根据权利要求1所述一种公路桥梁的状态评估方法，其特征在于，所述根据所有疑似钢筋锈蚀连通域的钢筋锈蚀相似程度，得到锈蚀像素点，包括的具体步骤如下：
将钢筋锈蚀相似程度大于预设的判断阈值的疑似钢筋锈蚀连通域，记为钢筋锈蚀连通域；
将钢筋锈蚀连通域中的像素点，记为锈蚀像素点。
3.根据权利要求1所述一种公路桥梁的状态评估方法，其特征在于，所述根据正常图像块的初始分割阈值、所有缺陷图像块的最终分割阈值、正常图像块与缺陷图像块之间的距离，得到正常图像块内的新锈蚀像素点，包括的具体步骤如下：
将任意一个正常图像块，记为参考正常图像块；
在桥梁灰度图像中，以单个图像块为一个单位，以参考正常图像块为中心，构建大小为的目标窗口；所述c为预设的窗口的边长；
当目标窗口内存在缺陷图像块时，在目标窗口内，根据正常图像块与缺陷图像块之间的距离、正常图像块的初始分割阈值与缺陷图像块的最终分割阈值的差异，得到参考正常图像块的最终分割阈值对应的具体计算公式为：
其中为参考正常图像块的最终分割阈值，/>为参考正常图像块的初始分割阈值，T为目标窗口内缺陷图像块的数量，/>为目标窗口内第k个缺陷图像块的最终分割阈值，/>为目标窗口内第k个缺陷图像块的中心点与参考正常图像块的中心点之间的欧式距离；
在参考正常图像块内，将灰度值小于参考正常图像块的最终分割阈值的像素点，记为新锈蚀像素点；
当目标窗口内不存在缺陷图像块时，判断参考正常图像块内不存在新锈蚀像素点。
4.根据权利要求1所述一种公路桥梁的状态评估方法，其特征在于，所述根据桥梁灰度图像内所有新锈蚀像素点的数量，得到桥梁灰度图像中的公路桥梁表面健康状态评分，包括的具体步骤如下：
在桥梁灰度图像中，计算所有新锈蚀像素点的数量除以所有像素点的数量的商值，将一减去所述商值，记为桥梁灰度图像中的公路桥梁表面健康状态评分。
5.一种公路桥梁的状态评估系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，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1-4任一项所述的一种公路桥梁的状态评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467335.XA CN117218549B (zh) | 2023-11-07 | 2023-11-07 | 一种公路桥梁的状态评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467335.XA CN117218549B (zh) | 2023-11-07 | 2023-11-07 | 一种公路桥梁的状态评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117218549A CN117218549A (zh) | 2023-12-12 |
| CN117218549B true CN117218549B (zh) | 2024-03-05 |
Family
ID=89042886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311467335.XA Active CN117218549B (zh) | 2023-11-07 | 2023-11-07 | 一种公路桥梁的状态评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218549B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014000261A1 (zh) * | 2012-06-29 | 2014-01-03 | 中国科学院自动化研究所 | 一种基于空间连通域预定位的商标检测方法 |
| WO2020228111A1 (zh) * | 2019-05-16 | 2020-11-19 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
| CN113688807A (zh) * | 2021-10-26 | 2021-11-23 | 中科慧远视觉技术(北京)有限公司 | 一种自适应缺陷检测方法、装置、识别系统及存储介质 |
| WO2021249560A1 (zh) * | 2020-06-12 | 2021-12-16 | 广州极飞科技股份有限公司 | 作物缺失的检测方法及检测装置 |
| CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
| CN115294099A (zh) * | 2022-09-26 | 2022-11-04 | 南通宝丽金属科技有限公司 | 一种钢板轧制过程发纹缺陷的检测方法及系统 |
| CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
| WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
-
2023
- 2023-11-07 CN CN202311467335.XA patent/CN117218549B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014000261A1 (zh) * | 2012-06-29 | 2014-01-03 | 中国科学院自动化研究所 | 一种基于空间连通域预定位的商标检测方法 |
| WO2020228111A1 (zh) * | 2019-05-16 | 2020-11-19 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
| WO2021249560A1 (zh) * | 2020-06-12 | 2021-12-16 | 广州极飞科技股份有限公司 | 作物缺失的检测方法及检测装置 |
| CN113688807A (zh) * | 2021-10-26 | 2021-11-23 | 中科慧远视觉技术(北京)有限公司 | 一种自适应缺陷检测方法、装置、识别系统及存储介质 |
| CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
| CN115294099A (zh) * | 2022-09-26 | 2022-11-04 | 南通宝丽金属科技有限公司 | 一种钢板轧制过程发纹缺陷的检测方法及系统 |
| WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
| CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Image-Processing-Based Subway Tunnel Crack Detection System;Xiaofeng Liu 等;《sensor》;全文 * |
| 基于图像处理的混凝土裂缝检测关键技术研究;刘信宏;《知网》;第2022年卷(第3期);全文 * |
| 基于图像连通域的桥梁裂缝提取方法;于泳波;李万恒;张劲泉;聂建国;;公路交通科技(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117218549A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Flah et al. | Classification and quantification of cracks in concrete structures using deep learning image-based techniques | |
| CN108647572B (zh) | 一种基于霍夫变换的车道偏离预警方法 | |
| CN109300126A (zh) | 一种基于空间位置的桥梁病害高精度智能检测方法 | |
| CN110533229B (zh) | 轨道维修时刻预测方法及装置 | |
| CN107798293A (zh) | 一种道路裂缝检测装置 | |
| CN116071387A (zh) | 基于机器视觉的枕轨生产质量检测方法 | |
| CN110567680B (zh) | 一种基于角度比对的轨道扣件松动检测方法 | |
| CN110736999B (zh) | 基于激光雷达的铁路道岔检测方法 | |
| CN112411324B (zh) | 一种线结构光路面跳车检测方法 | |
| CN114241215B (zh) | 一种桥梁表观裂缝非接触式检测方法及系统 | |
| CN111241994B (zh) | 一种深度学习的遥感影像农村公路砂化路段的提取方法 | |
| CN114912181B (zh) | 一种基于人工智能的路面边坡安全监测分析系统 | |
| CN117218549B (zh) | 一种公路桥梁的状态评估方法及系统 | |
| CN111189424A (zh) | 一种基于多级搜索半径的道路数据弯曲程度检测方法 | |
| CN115082849A (zh) | 基于深度学习的模板支架安全智能监测方法 | |
| CN117233152A (zh) | 一种t型梁桥健康监测系统 | |
| CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
| CN112257599A (zh) | 一种铁路货车紧固螺栓松动图像识别方法 | |
| CN117238112A (zh) | 一种桥梁结构健康监测预警的方法及相关设备 | |
| Hoelzl et al. | Data driven condition assessment of railway infrastructure | |
| CN116597329A (zh) | 一种基于机器视觉的桥梁裂缝检测系统及方法 | |
| CN109064417B (zh) | 地铁隧道图像处理方法及装置 | |
| CN115565407A (zh) | 船舶搭靠作业的确定方法、装置和可读储存介质 | |
| CN113551636B (zh) | 基于异常数据矫正的平整度检测方法 | |
| Elkmann et al. | Development of fully automatic inspection systems for large underground concrete pipes partially filled with wastewater |
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 |