CN117237368A - 一种桥梁裂缝检测方法及系统 - Google Patents
一种桥梁裂缝检测方法及系统 Download PDFInfo
- Publication number
- CN117237368A CN117237368A CN202311528808.2A CN202311528808A CN117237368A CN 117237368 A CN117237368 A CN 117237368A CN 202311528808 A CN202311528808 A CN 202311528808A CN 117237368 A CN117237368 A CN 117237368A
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel point
- bridge
- edge pixel
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 230000005764 inhibitory process Effects 0.000 claims abstract description 84
- 238000003708 edge detection Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000001788 irregular Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction 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,提出了一种桥梁裂缝检测方法及系统,包括:采集桥梁图像,灰度化得到桥梁灰度图像;对桥梁灰度图像进行边缘检测,得到若干边缘像素点及边缘连通域;根据边缘像素点及邻域像素点的灰度变化与分布,获取每个边缘像素点的局部抑制程度;根据边缘连通域的分布及形状,对边缘像素点的局部抑制程度修正得到整体抑制程度;根据边缘像素点的整体抑制程度修正梯度,重新进行边缘检测得到桥梁检测图像;根据桥梁检测图像进行裂缝检测。本发明旨在通过边缘检测对桥梁裂缝进行检测时受桥梁地面纹理或污渍影响导致检测结果不准确的问题。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种桥梁裂缝检测方法及系统。
背景技术
桥梁裂缝作为桥梁质量检测的一个重要指标,其需要及时发现并进行处理,避免存在的安全隐患导致更大的安全事故发生,因此需要定期进行桥梁裂缝的监测。现有技术中在获取到桥梁表面图像后,通常采用canny边缘检测技术来对桥梁进行裂缝检测,然而该方法进行桥梁裂缝检测过程中,由于桥梁地面本身存在的一些纹理或污渍导致边缘检测结果中出现很多的干扰边缘,从而会影响后续对裂缝边缘分析的难度,进而导致桥梁裂缝检测结果的准确性降低。
发明内容
本发明提供一种桥梁裂缝检测方法及系统,以解决现有的通过边缘检测对桥梁裂缝进行检测时受桥梁地面纹理或污渍影响导致检测结果不准确的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种桥梁裂缝检测方法,该方法包括以下步骤:
采集桥梁图像,灰度化得到桥梁灰度图像;
对桥梁灰度图像进行边缘检测,得到若干边缘像素点及边缘连通域;根据边缘像素点及邻域像素点的灰度变化与分布,获取每个边缘像素点的局部抑制程度;
根据边缘连通域的分布及形状,对边缘像素点的局部抑制程度修正得到整体抑制程度;根据边缘像素点的整体抑制程度修正梯度,重新进行边缘检测得到桥梁检测图像;
根据桥梁检测图像进行裂缝检测。
进一步的,所述得到若干边缘像素点及边缘连通域,包括的具体方法为:
对桥梁灰度图像每个像素点通过Sobel算子获取梯度,根据梯度进行canny边缘检测,得到边缘检测结果,通过连通域识别得到边缘检测结果中若干连通域,将得到的连通域在桥梁灰度图像中对应的连通域记为边缘连通域;
边缘检测结果中检测得到若干边缘像素点,将边缘像素点在桥梁灰度图像中对应的像素点也记为边缘像素点,得到桥梁灰度图像中若干边缘像素点及边缘连通域。
进一步的,所述每个边缘像素点的局部抑制程度,具体的获取方法为:
根据边缘像素点的邻域像素点的灰度分布,得到每个边缘像素点的邻域不规则程度及灰度极差;对于任意一个边缘像素点,该边缘像素点的局部抑制程度的计算方法为:
其中,/>表示该边缘像素点的灰度极差,/>表示该边缘像素点的邻域不规则程度,/>为避免分母为0的超参数。
进一步的,所述得到每个边缘像素点的邻域不规则程度及灰度极差,包括的具体方法为:
根据边缘像素点的邻域像素点的灰度分布,获取每个边缘像素点的拟合函数及每个邻域像素点的拟合值;对于任意一个边缘像素点,获取该边缘像素点的若干邻域像素点,该边缘像素点的邻域不规则程度的计算方法为:
其中,/>表示拟合函数对邻域像素点在x方向上的偏导数,/>表示拟合函数对邻域像素点在y方向上的偏导数,/>表示该边缘像素点的拟合函数对所有邻域像素点在x方向上的偏导数的方差,/>表示该边缘像素点的拟合函数对所有邻域像素点在y方向上的偏导数的方差,/>表示该边缘像素点的拟合误差,/>为避免分母为0的超参数;
所述拟合误差的计算方法为:获取该边缘像素点的每个邻域像素点的拟合值与灰度值的差值绝对值,对所有差值绝对值求均值,得到的均值作为拟合误差;
获取该边缘像素点的任意两个邻域像素点之间的灰度值的差值绝对值,将所有差值绝对值的最大值,作为该边缘像素点的灰度极差。
进一步的,所述每个边缘像素点的拟合函数及每个邻域像素点的拟合值,具体的获取方法为:
对于任意一个边缘像素点,获取该边缘像素点的若干邻域像素点;邻域像素点的x轴与y轴坐标保持不变,以邻域像素点的灰度值为z轴坐标,对该边缘像素点的邻域像素点的灰度值,通过最小二乘法进行曲面拟合,拟合结果为一个二元函数,记为拟合函数,根据拟合函数得到每个邻域像素点的拟合值。
进一步的,所述对边缘像素点的局部抑制程度修正得到整体抑制程度,包括的具体方法为:
对于任意一个边缘像素点,将该边缘像素点所属的边缘连通域记为目标连通域,对目标连通域获取最小外接矩形,计算目标连通域的面积及其最小外接矩形的面积,将最小外接矩形的长边记为长,短边记为宽;
获取每个边缘连通域的中心点,对任意两个边缘连通域的中心点计算欧式距离,预设一个参考阈值,将除目标连通域之外的其他边缘连通域,按照中心点与目标连通域的中心点的欧式距离升序排列,得到一个连通域序列,将连通域序列中前参考阈值个数的边缘连通域,作为目标连通域的参考边缘连通域;
对目标连通域及参考边缘连通域,分别计算其内像素点的灰度值均值,记为目标连通域或参考边缘连通域的平均灰度值;对参考边缘连通域获取最小外接矩形及长与宽,对于任意一个参考边缘连通域,将目标连通域的长所在直线,与该参考边缘连通域的长所在直线形成的夹角,记为目标连通域与该参考边缘连通域的方向夹角,获取目标连通域与每个参考边缘连通域的方向夹角;
根据目标连通域的最小外接矩形及长与宽,以及目标连通域与参考边缘连通域的平均灰度值及方向夹角,得到边缘像素点的整体抑制程度。
进一步的,所述得到边缘像素点的整体抑制程度,包括的具体方法为:
对于任意一个边缘像素点,将该边缘像素点所属的边缘连通域记为目标连通域,该边缘像素点的整体抑制程度的计算方法为:
其中,/>表示该边缘像素点的局部抑制程度,/>表示目标连通域的长的长度,/>表示目标连通域的宽的长度,/>表示目标连通域的最小外接矩形的面积,/>表示目标连通域的面积,/>表示参考边缘连通域的数量,/>表示目标连通域的平均灰度值,/>表示目标连通域的第/>个参考边缘连通域的平均灰度值,/>表示目标连通域与第/>个参考边缘连通域的方向夹角,/>表示求绝对值,/>表示对/>进行遍历计算得到若干值,对若干得到的值求最大值;/>为避免分母为0的超参数,/>为超参数,/>表示以自然常数为底的指数函数。
进一步的,所述根据边缘像素点的整体抑制程度修正梯度,重新进行边缘检测得到桥梁检测图像,包括的具体方法为:
获取每个边缘像素点的整体抑制程度,对所有整体抑制程度进行线性归一化,得到的结果作为每个边缘像素点的抑制系数;
对于任意一个边缘像素点,将1减去该边缘像素点的抑制系数得到的差值,与该边缘像素点的梯度中的梯度幅值的乘积,作为该边缘像素点的修正梯度幅值,获取每个边缘像素点的修正梯度幅值,根据修正梯度幅值及其他非边缘像素点原本的梯度,重新进行边缘检测,得到的检测结果记为桥梁灰度图像的桥梁检测图像。
进一步的,所述根据桥梁检测图像进行裂缝检测,包括的具体方法为:
对桥梁检测图像通过Freeman链码算法,得到每个边缘部分的大致轮廓,通过颜色进行标注,颜色标注的区域为裂缝区域。
第二方面,本发明另一个实施例提供了一种桥梁裂缝检测系统,该系统包括:
桥梁图像采集模块,用于采集桥梁图像,灰度化得到桥梁灰度图像;
图像边缘分析模块,用于对桥梁灰度图像进行边缘检测,得到若干边缘像素点及边缘连通域;根据边缘像素点及邻域像素点的灰度变化与分布,获取每个边缘像素点的局部抑制程度;
根据边缘连通域的分布及形状,对边缘像素点的局部抑制程度修正得到整体抑制程度;根据边缘像素点的整体抑制程度修正梯度,重新进行边缘检测得到桥梁检测图像;
桥梁裂缝检测模块,用于根据桥梁检测图像进行裂缝检测。
本发明的有益效果是:本发明通过对桥梁灰度图像进行边缘检测,对边缘检测结果中边缘像素点计算整体抑制程度,根据整体抑制程度调整梯度并重新进行检测,消除虚假裂缝边缘对真实裂缝边缘分析的干扰,进而提升桥梁裂缝检测的准确性;其中通过分析边缘像素点的邻域灰度分布与变化得到局部抑制程度,使得邻域灰度差异较大其灰度变化不规则的边缘像素点的局部抑制程度越小,越符合真实裂缝边缘的特征;而后通过分析边缘像素点所处边缘连通域呈线状的程度,以及其与一定范围内相近的其他边缘连通域的关联性,对局部抑制程度进行修正,得到整体抑制程度,使得局部抑制程度较小的虚假裂缝边缘的边缘像素点,其整体抑制程度不会过小,避免被误识别为真实裂缝边缘;进而通过梯度调整重新检测,得到检测结果并进行裂缝检测,提高桥梁裂缝检测的效率与准确性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种桥梁裂缝检测方法流程示意图;
图2为本发明另一个实施例所提供的一种桥梁裂缝检测系统结构框图。
图3为桥梁裂缝灰度化示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例所提供的一种桥梁裂缝检测方法流程图,该方法包括以下步骤:
步骤S001、采集桥梁图像,灰度化得到桥梁灰度图像。
本实施例的目的是通过对桥梁表面采集图像,通过桥梁图像进行边缘检测来实现对桥梁裂缝的检测,因此首先需要对桥梁表面进行图像采集;本实施例通过无人机巡检的方式,对桥梁的道路表面拍摄若干图像,每张图像记为一张桥梁图像,后续边缘检测获取裂缝区域均基于每张桥梁图像进行;对于任意一张桥梁图像,对其进行灰度化处理,得到的图像记为桥梁灰度图像,如图3所示,后续处理均基于该张桥梁图像进行。
至此,采集到了桥梁图像并灰度化得到桥梁灰度图像。
步骤S002、对桥梁灰度图像进行边缘检测,得到若干边缘像素点及边缘连通域;根据边缘像素点及邻域像素点的灰度变化与分布,获取每个边缘像素点的局部抑制程度。
需要说明的是,对桥梁灰度图像进行边缘检测后,得到的边缘除了可能的裂缝轮廓,还存在诸如桥梁表面本身的纹理或污渍所形成的边缘,而这些其他边缘会对裂缝检测造成干扰,因此需要对这些虚假裂缝边缘进行一定程度的抑制,同时保证真实的裂缝边缘能够正常检测得到。
进一步需要说明的是,对于检测得到的边缘像素点,裂缝、纹理及污渍的边缘像素点在邻域范围内灰度分布都是不规则的,然而裂缝导致的灰度波动更大,根据这种差异特征通过邻域灰度的分布及变化,量化得到边缘像素点的局部抑制程度,其中对于变化部分,通过对邻域像素点的灰度值进行曲面拟合,根据拟合曲面的误差及偏导数所反映的变化关系进行邻域范围的不规则程度量化,进而结合邻域范围内灰度值之间的极差,得到局部抑制程度,使得不规则程度越大同时极差越大的边缘像素点,其越符合真实裂缝边缘的邻域灰度分布特征,进而得到较小的局部抑制程度。
具体的,对桥梁灰度图像每个像素点通过Sobel算子获取梯度,根据梯度进行canny边缘检测,得到边缘检测结果,通过连通域识别得到边缘检测结果中若干连通域,将其在桥梁灰度图像中对应的连通域记为边缘连通域;同时边缘检测结果中检测得到若干边缘像素点,将其在桥梁灰度图像中对应的像素点同样记为边缘像素点,则得到了桥梁灰度图像中若干边缘像素点及边缘连通域;需要说明的是,Sobel算子获取梯度、canny边缘检测及连通域识别均为公知技术,本实施例不再赘述。
进一步的,对于桥梁灰度图像中任意一个边缘像素点,获取该边缘像素点的若干邻域像素点,本实施例采用8邻域来获取邻域像素点;邻域像素点的坐标保持不变(即x轴与y轴坐标),以邻域像素点的灰度值为z轴坐标,对该边缘像素点的邻域像素点的灰度值,通过最小二乘法进行曲面拟合,拟合结果为一个二元函数,记为拟合函数,根据拟合函数得到每个邻域像素点的拟合值,则根据拟合结果,获取该边缘像素点的邻域不规则程度/>的计算方法为:
其中,/>表示拟合函数对邻域像素点在x方向上的偏导数,/>表示拟合函数对邻域像素点在y方向上的偏导数,/>表示该边缘像素点的拟合函数对所有邻域像素点在x方向上的偏导数的方差,/>表示该边缘像素点的拟合函数对所有邻域像素点在y方向上的偏导数的方差,/>表示该边缘像素点的拟合误差,具体计算方法为:获取该边缘像素点的每个邻域像素点的拟合值与灰度值的差值绝对值,对所有差值绝对值求均值,得到的均值作为拟合误差;/>为避免分母为0的超参数,本实施例采用/>进行叙述;通过对邻域像素点的灰度值进行曲面拟合,拟合函数在同一方向上不同邻域像素点的偏导数方差越大,灰度值在对应方向上变化越不规律,邻域不规则程度越大;同时通过拟合误差来对偏导数的方差和进行限制,拟合误差越大,曲面拟合结果的可信度越低,邻域不规则程度应越小,避免不准确的曲面拟合结果影响边缘像素点的邻域不规则程度的真实性;同时全导数虽然同样可以反映灰度值的变化关系,但会导致在某个方向上变化不规则的邻域像素点在全导数中变化规则,进而产生误差,影响邻域不规则程度的计算结果的准确性。
进一步的,获取该边缘像素点的任意两个邻域像素点之间的灰度值的差值绝对值,将所有差值绝对值的最大值,作为该边缘像素点的灰度极差,则该边缘像素点的局部抑制程度的计算方法为:
其中,/>表示该边缘像素点的灰度极差,/>表示该边缘像素点的邻域不规则程度,/>为避免分母为0的超参数,本实施例采用/>进行叙述;边缘像素点的灰度极差越大,越符合真实裂缝边缘的灰度差异较大的特征,同时邻域不规则程度越大,相应的越符合真实的裂缝边缘,则局部抑制程度越小;按照上述方法获取每个边缘像素点的局部抑制程度。
至此,获取到了每个边缘像素点的局部抑制程度,通过边缘像素点与其邻域范围符合真实裂缝边缘的特征来进行量化。
步骤S003、根据边缘连通域的分布及形状,对边缘像素点的局部抑制程度修正得到整体抑制程度;根据边缘像素点的整体抑制程度修正梯度,重新进行边缘检测得到桥梁检测图像。
需要说明的是,根据边缘像素点及其邻域范围量化得到局部抑制程度后,还需要考虑边缘连通域的整体形状及分布,来对局部抑制程度进行修正,得到更能准确进行抑制的整体抑制程度,使得真实裂缝边缘的边缘像素点的整体抑制程度越小,而虚假裂缝边缘的整体抑制程度越大;裂缝边缘通常为线状,因此可以通过边缘连通域及其最小外接矩形的长、宽及面积来量化其呈线性的程度;同时裂缝边缘不一定完全相连,一个真实的裂缝会形成多个断断续续的边缘连通域,则需要分析边缘连通域与一定范围内其他连通域之间的关系,进而根据边缘连通域的整体特征,对边缘像素点的局部抑制程度修正得到整体抑制程度;而后通过整体抑制程度对梯度进行调整,重新进行边缘检测得到桥梁检测图像。
具体的,对于任意一个边缘像素点,将该边缘像素点所属的边缘连通域记为目标连通域,对目标连通域获取最小外接矩形,计算目标连通域的面积及其最小外接矩形的面积,并将最小外接矩形的长边记为长,短边记为宽;获取每个边缘连通域的中心点,对任意两个边缘连通域的中心点计算欧式距离,预设一个参考阈值,本实施例参考阈值采用5进行叙述,将除目标连通域之外的其他边缘连通域,按照中心点与目标连通域的中心点的欧式距离升序排列,得到一个连通域序列,将连通域序列中前5个边缘连通域,作为目标连通域的参考边缘连通域;对目标连通域及参考边缘连通域,分别计算其内像素点的灰度值均值,记为目标连通域或参考边缘连通域的平均灰度值;同时对参考边缘连通域获取最小外接矩形及长与宽,对于任意一个参考边缘连通域,将目标连通域的长所在直线,与该参考边缘连通域的长所在直线形成的夹角,记为目标连通域与该参考边缘连通域的方向夹角,获取目标连通域与每个参考边缘连通域的方向夹角,则该边缘像素点的整体抑制程度的计算方法为:
其中,/>表示该边缘像素点的局部抑制程度,/>表示目标连通域的长的长度,/>表示目标连通域的宽的长度,/>表示目标连通域的最小外接矩形的面积,/>表示目标连通域的面积,/>表示参考边缘连通域的数量,即参考阈值/>;/>表示目标连通域的平均灰度值,/>表示目标连通域的第/>个参考边缘连通域的平均灰度值,/>表示目标连通域与第/>个参考边缘连通域的方向夹角,/>表示求绝对值,/>表示对/>进行遍历计算得到若干值,对若干得到的值求最大值;/>为避免分母为0的超参数,本实施例采用/>进行叙述,/>为避免指数函数输出值过小的超参数,本实施例采用/>进行叙述;/>表示以自然常数为底的指数函数,本实施例采用/>模型来呈现反比例关系及归一化处理,/>为模型的输入,实施者可根据实际情况设置反比例函数及归一化函数;目标连通域的长宽比越大,外接矩形越扁,同时外接矩形面积与目标连通域的面积比越大,目标连通域面积占比越小,目标连通域在外接矩形越扁的同时占比越小,则越呈线状,越符合真实裂缝边缘,抑制程度应越小;同时根据参考边缘连通域,平均灰度值的差异越小,两个边缘连通域关联性越大,同时方向夹角越小,关联性越大,则获取最大值来表征存在的参考边缘连通域的最大关联程度,最大关联程度越大,越可能存在相关联的其他边缘连通域,为断断续续的裂缝边缘可能性越大,抑制程度应越小。
进一步的,按照上述方法获取每个边缘像素点的整体抑制程度,对所有整体抑制程度进行线性归一化,得到的结果作为每个边缘像素点的抑制系数;对于任意一个边缘像素点,将1减去该边缘像素点的抑制系数得到的差值,与该边缘像素点的梯度中的梯度幅值的乘积,作为该边缘像素点的修正梯度幅值,获取每个边缘像素点的修正梯度幅值,根据修正梯度幅值及其他非边缘像素点原本的梯度,重新进行边缘检测,得到的检测结果记为桥梁灰度图像的桥梁检测图像。
至此,通过对边缘像素点的梯度进行调整,使得虚假裂缝边缘的梯度受到更大抑制,从而减小梯度而难以通过边缘检测再次得到对应的边缘像素点,进而消除虚假裂缝边缘对真实裂缝边缘分析的干扰。
步骤S004、根据桥梁检测图像进行裂缝检测。
获取到桥梁检测图像后,此时桥梁检测图像得到的边缘部分较大概率为裂缝部分,少量的其他因素干扰不再产生较大影响,因此可以忽略;对桥梁检测图像通过Freeman链码算法,得到每个边缘部分的大致轮廓,通过颜色进行标注,此时颜色所标注的区域即为可能的裂缝区域,则对桥梁图像完成了裂缝检测。
至此,通过对桥梁灰度图像进行自适应的边缘检测,提高裂缝检测的准确性,最终完成桥梁裂缝检测。
请参阅图2,其示出了本发明另一个实施例所提供的一种桥梁裂缝检测系统结构框图,该系统包括:
桥梁图像采集模块101,用于采集桥梁图像,灰度化得到桥梁灰度图像。
图像边缘分析模块102:
(1)对桥梁灰度图像进行边缘检测,得到若干边缘像素点及边缘连通域;根据边缘像素点及邻域像素点的灰度变化与分布,获取每个边缘像素点的局部抑制程度;
(2)根据边缘连通域的分布及形状,对边缘像素点的局部抑制程度修正得到整体抑制程度;根据边缘像素点的整体抑制程度修正梯度,重新进行边缘检测得到桥梁检测图像。
桥梁裂缝检测模块103,用于根据桥梁检测图像进行裂缝检测。
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 (10)
1.一种桥梁裂缝检测方法,其特征在于,该方法包括以下步骤:
采集桥梁图像,灰度化得到桥梁灰度图像;
对桥梁灰度图像进行边缘检测,得到若干边缘像素点及边缘连通域;根据边缘像素点及邻域像素点的灰度变化与分布,获取每个边缘像素点的局部抑制程度;
根据边缘连通域的分布及形状,对边缘像素点的局部抑制程度修正得到整体抑制程度;根据边缘像素点的整体抑制程度修正梯度,重新进行边缘检测得到桥梁检测图像;
根据桥梁检测图像进行裂缝检测。
2.根据权利要求1所述的一种桥梁裂缝检测方法,其特征在于,所述得到若干边缘像素点及边缘连通域,包括的具体方法为:
对桥梁灰度图像每个像素点通过Sobel算子获取梯度,根据梯度进行canny边缘检测,得到边缘检测结果,通过连通域识别得到边缘检测结果中若干连通域,将得到的连通域在桥梁灰度图像中对应的连通域记为边缘连通域;
边缘检测结果中检测得到若干边缘像素点,将边缘像素点在桥梁灰度图像中对应的像素点也记为边缘像素点,得到桥梁灰度图像中若干边缘像素点及边缘连通域。
3.根据权利要求1所述的一种桥梁裂缝检测方法,其特征在于,所述每个边缘像素点的局部抑制程度,具体的获取方法为:
根据边缘像素点的邻域像素点的灰度分布,得到每个边缘像素点的邻域不规则程度及灰度极差;对于任意一个边缘像素点,该边缘像素点的局部抑制程度的计算方法为:
其中,/>表示该边缘像素点的灰度极差,/>表示该边缘像素点的邻域不规则程度,/>为避免分母为0的超参数。
4.根据权利要求3所述的一种桥梁裂缝检测方法,其特征在于,所述得到每个边缘像素点的邻域不规则程度及灰度极差,包括的具体方法为:
根据边缘像素点的邻域像素点的灰度分布,获取每个边缘像素点的拟合函数及每个邻域像素点的拟合值;对于任意一个边缘像素点,获取该边缘像素点的若干邻域像素点,该边缘像素点的邻域不规则程度的计算方法为:
其中,/>表示拟合函数对邻域像素点在x方向上的偏导数,/>表示拟合函数对邻域像素点在y方向上的偏导数,表示该边缘像素点的拟合函数对所有邻域像素点在x方向上的偏导数的方差,/>表示该边缘像素点的拟合函数对所有邻域像素点在y方向上的偏导数的方差,/>表示该边缘像素点的拟合误差,/>为避免分母为0的超参数;
所述拟合误差的计算方法为:获取该边缘像素点的每个邻域像素点的拟合值与灰度值的差值绝对值,对所有差值绝对值求均值,得到的均值作为拟合误差;
获取该边缘像素点的任意两个邻域像素点之间的灰度值的差值绝对值,将所有差值绝对值的最大值,作为该边缘像素点的灰度极差。
5.根据权利要求4所述的一种桥梁裂缝检测方法,其特征在于,所述每个边缘像素点的拟合函数及每个邻域像素点的拟合值,具体的获取方法为:
对于任意一个边缘像素点,获取该边缘像素点的若干邻域像素点;邻域像素点的x轴与y轴坐标保持不变,以邻域像素点的灰度值为z轴坐标,对该边缘像素点的邻域像素点的灰度值,通过最小二乘法进行曲面拟合,拟合结果为一个二元函数,记为拟合函数,根据拟合函数得到每个邻域像素点的拟合值。
6.根据权利要求1所述的一种桥梁裂缝检测方法,其特征在于,所述对边缘像素点的局部抑制程度修正得到整体抑制程度,包括的具体方法为:
对于任意一个边缘像素点,将该边缘像素点所属的边缘连通域记为目标连通域,对目标连通域获取最小外接矩形,计算目标连通域的面积及其最小外接矩形的面积,将最小外接矩形的长边记为长,短边记为宽;
获取每个边缘连通域的中心点,对任意两个边缘连通域的中心点计算欧式距离,预设一个参考阈值,将除目标连通域之外的其他边缘连通域,按照中心点与目标连通域的中心点的欧式距离升序排列,得到一个连通域序列,将连通域序列中前参考阈值个数的边缘连通域,作为目标连通域的参考边缘连通域;
对目标连通域及参考边缘连通域,分别计算其内像素点的灰度值均值,记为目标连通域或参考边缘连通域的平均灰度值;对参考边缘连通域获取最小外接矩形及长与宽,对于任意一个参考边缘连通域,将目标连通域的长所在直线,与该参考边缘连通域的长所在直线形成的夹角,记为目标连通域与该参考边缘连通域的方向夹角,获取目标连通域与每个参考边缘连通域的方向夹角;
根据目标连通域的最小外接矩形及长与宽,以及目标连通域与参考边缘连通域的平均灰度值及方向夹角,得到边缘像素点的整体抑制程度。
7.根据权利要求6所述的一种桥梁裂缝检测方法,其特征在于,所述得到边缘像素点的整体抑制程度,包括的具体方法为:
对于任意一个边缘像素点,将该边缘像素点所属的边缘连通域记为目标连通域,该边缘像素点的整体抑制程度的计算方法为:
其中,/>表示该边缘像素点的局部抑制程度,/>表示目标连通域的长的长度,/>表示目标连通域的宽的长度,/>表示目标连通域的最小外接矩形的面积,/>表示目标连通域的面积,/>表示参考边缘连通域的数量,/>表示目标连通域的平均灰度值,/>表示目标连通域的第/>个参考边缘连通域的平均灰度值,/>表示目标连通域与第/>个参考边缘连通域的方向夹角,/>表示求绝对值,/>表示对/>进行遍历计算得到若干值,对若干得到的值求最大值;/>为避免分母为0的超参数,/>为超参数,/>表示以自然常数为底的指数函数。
8.根据权利要求1所述的一种桥梁裂缝检测方法,其特征在于,所述根据边缘像素点的整体抑制程度修正梯度,重新进行边缘检测得到桥梁检测图像,包括的具体方法为:
获取每个边缘像素点的整体抑制程度,对所有整体抑制程度进行线性归一化,得到的结果作为每个边缘像素点的抑制系数;
对于任意一个边缘像素点,将1减去该边缘像素点的抑制系数得到的差值,与该边缘像素点的梯度中的梯度幅值的乘积,作为该边缘像素点的修正梯度幅值,获取每个边缘像素点的修正梯度幅值,根据修正梯度幅值及其他非边缘像素点原本的梯度,重新进行边缘检测,得到的检测结果记为桥梁灰度图像的桥梁检测图像。
9.根据权利要求1所述的一种桥梁裂缝检测方法,其特征在于,所述根据桥梁检测图像进行裂缝检测,包括的具体方法为:
对桥梁检测图像通过Freeman链码算法,得到每个边缘部分的大致轮廓,通过颜色进行标注,颜色标注的区域为裂缝区域。
10.一种桥梁裂缝检测系统,其特征在于,该系统包括:
桥梁图像采集模块,用于采集桥梁图像,灰度化得到桥梁灰度图像;
图像边缘分析模块,用于对桥梁灰度图像进行边缘检测,得到若干边缘像素点及边缘连通域;根据边缘像素点及邻域像素点的灰度变化与分布,获取每个边缘像素点的局部抑制程度;
根据边缘连通域的分布及形状,对边缘像素点的局部抑制程度修正得到整体抑制程度;根据边缘像素点的整体抑制程度修正梯度,重新进行边缘检测得到桥梁检测图像;
桥梁裂缝检测模块,用于根据桥梁检测图像进行裂缝检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311528808.2A CN117237368B (zh) | 2023-11-16 | 2023-11-16 | 一种桥梁裂缝检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311528808.2A CN117237368B (zh) | 2023-11-16 | 2023-11-16 | 一种桥梁裂缝检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237368A true CN117237368A (zh) | 2023-12-15 |
CN117237368B CN117237368B (zh) | 2024-01-26 |
Family
ID=89086631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311528808.2A Active CN117237368B (zh) | 2023-11-16 | 2023-11-16 | 一种桥梁裂缝检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237368B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455908A (zh) * | 2023-12-22 | 2024-01-26 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种皮带机跑偏视觉检测方法及系统 |
CN117495863A (zh) * | 2024-01-03 | 2024-02-02 | 深圳宝铭微电子有限公司 | 一种视觉辅助的三极管封装质量检测方法 |
CN117542003A (zh) * | 2024-01-08 | 2024-02-09 | 大连天成电子有限公司 | 基于图像特征分析的货运列车车型判断方法 |
CN117808811A (zh) * | 2024-03-01 | 2024-04-02 | 陕西中盛天泽复合材料科技有限公司 | 一种数控机床刀具崩刃异常检测方法 |
CN117853484A (zh) * | 2024-03-05 | 2024-04-09 | 湖南建工交建宏特科技有限公司 | 一种基于视觉的桥梁损伤智能监测方法及系统 |
CN117975374A (zh) * | 2024-03-29 | 2024-05-03 | 山东天意机械股份有限公司 | 一种双皮墙自动化生产线智能视觉监控方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103528515A (zh) * | 2013-10-15 | 2014-01-22 | 北京交通大学长三角研究院 | 桥梁底面裂缝动态检测方法 |
CN113592861A (zh) * | 2021-09-27 | 2021-11-02 | 江苏中云筑智慧运维研究院有限公司 | 一种基于动态阈值的桥梁裂缝检测方法 |
WO2023045299A1 (zh) * | 2021-09-26 | 2023-03-30 | 武汉光谷卓越科技股份有限公司 | 基于三维轮廓的路面技术状况检测方法及设备 |
WO2023082418A1 (zh) * | 2021-11-09 | 2023-05-19 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
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 |
CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
CN116703907A (zh) * | 2023-08-04 | 2023-09-05 | 合肥亚明汽车部件有限公司 | 一种基于机器视觉的汽车铸件表面缺陷检测方法 |
-
2023
- 2023-11-16 CN CN202311528808.2A patent/CN117237368B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103528515A (zh) * | 2013-10-15 | 2014-01-22 | 北京交通大学长三角研究院 | 桥梁底面裂缝动态检测方法 |
WO2023045299A1 (zh) * | 2021-09-26 | 2023-03-30 | 武汉光谷卓越科技股份有限公司 | 基于三维轮廓的路面技术状况检测方法及设备 |
CN113592861A (zh) * | 2021-09-27 | 2021-11-02 | 江苏中云筑智慧运维研究院有限公司 | 一种基于动态阈值的桥梁裂缝检测方法 |
WO2023082418A1 (zh) * | 2021-11-09 | 2023-05-19 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
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 |
CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
CN116703907A (zh) * | 2023-08-04 | 2023-09-05 | 合肥亚明汽车部件有限公司 | 一种基于机器视觉的汽车铸件表面缺陷检测方法 |
Non-Patent Citations (5)
Title |
---|
GONG XINGQI 等: "Analysis and Test of Concrete Surface Crack of Railway Bridge Based On Deep Learning", IEEE XPLORE * |
于泳波;李万恒;张劲泉;聂建国;: "基于图像连通域的桥梁裂缝提取方法", 公路交通科技, no. 07 * |
许薛军;张肖宁;: "基于数字图像的混凝土桥梁裂缝检测技术", 湖南大学学报(自然科学版), no. 07 * |
贺福强;平安;罗红;姚学练;: "局部特征聚类联合区域增长的桥梁裂缝检测", 科学技术与工程, no. 34 * |
韩锟;韩洪飞;: "基于区域级和像素级特征的路面裂缝检测方法", 铁道科学与工程学报, no. 05 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455908A (zh) * | 2023-12-22 | 2024-01-26 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种皮带机跑偏视觉检测方法及系统 |
CN117455908B (zh) * | 2023-12-22 | 2024-04-09 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种皮带机跑偏视觉检测方法及系统 |
CN117495863A (zh) * | 2024-01-03 | 2024-02-02 | 深圳宝铭微电子有限公司 | 一种视觉辅助的三极管封装质量检测方法 |
CN117495863B (zh) * | 2024-01-03 | 2024-04-02 | 深圳宝铭微电子有限公司 | 一种视觉辅助的三极管封装质量检测方法 |
CN117542003A (zh) * | 2024-01-08 | 2024-02-09 | 大连天成电子有限公司 | 基于图像特征分析的货运列车车型判断方法 |
CN117542003B (zh) * | 2024-01-08 | 2024-04-02 | 大连天成电子有限公司 | 基于图像特征分析的货运列车车型判断方法 |
CN117808811A (zh) * | 2024-03-01 | 2024-04-02 | 陕西中盛天泽复合材料科技有限公司 | 一种数控机床刀具崩刃异常检测方法 |
CN117853484A (zh) * | 2024-03-05 | 2024-04-09 | 湖南建工交建宏特科技有限公司 | 一种基于视觉的桥梁损伤智能监测方法及系统 |
CN117853484B (zh) * | 2024-03-05 | 2024-05-28 | 湖南建工交建宏特科技有限公司 | 一种基于视觉的桥梁损伤智能监测方法及系统 |
CN117975374A (zh) * | 2024-03-29 | 2024-05-03 | 山东天意机械股份有限公司 | 一种双皮墙自动化生产线智能视觉监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117237368B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117237368B (zh) | 一种桥梁裂缝检测方法及系统 | |
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
WO2019134252A1 (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
CN108960237B (zh) | 一种指针式油位计读数识别方法 | |
CN110473187B (zh) | 一种面向对象的线扫描三维路面裂缝提取方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN115578389A (zh) | 一种沟槽mos器件的缺陷检测方法 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN111968079B (zh) | 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 | |
CN115082472B (zh) | 一种轮毂模具浇注成型产品的质量检测方法及系统 | |
CN117541588B (zh) | 一种纸制品的印刷缺陷检测方法 | |
CN113643276A (zh) | 一种基于统计分析的纺织物纹理缺陷自动检测方法 | |
CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
CN116993731A (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
CN112102189B (zh) | 一种线结构光光条中心线提取方法 | |
CN116385440B (zh) | 一种弧形刀片视觉检测方法 | |
CN113554688B (zh) | 一种基于单目视觉的o型密封圈尺寸测量方法 | |
CN115578390A (zh) | 一种用于除氧器的焊接控制方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 | |
CN117115163B (zh) | 一种瓦楞纸质量检测方法 |
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 |