CN117274240A - 一种承台基础混凝土表面裂缝识别方法 - Google Patents
一种承台基础混凝土表面裂缝识别方法 Download PDFInfo
- Publication number
- CN117274240A CN117274240A CN202311532069.4A CN202311532069A CN117274240A CN 117274240 A CN117274240 A CN 117274240A CN 202311532069 A CN202311532069 A CN 202311532069A CN 117274240 A CN117274240 A CN 117274240A
- Authority
- CN
- China
- Prior art keywords
- crack
- skeleton
- micro
- area
- pixel
- 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
- 239000004567 concrete Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 241000287828 Gallus gallus Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Abstract
本发明涉及裂缝识别技术领域,具体涉及一种承台基础混凝土表面裂缝识别方法,该方法首先确定各个疑似细微裂缝区域,根据不同预设角度方向上的灰度值离散特征,获取在各个单像素骨架上各骨架像素点对应的灰度变化不均匀性。根据各骨架像素点的裂缝方向灰度变化程度对应预设角度的变化,获取对应的裂缝角度变化特征值;获取各个单像素骨架上端点的各个宽度特征,进而确定各个对应的疑似细微裂缝区域的细微裂缝显著系数并筛选出承台基础混凝土表面图像中真实细微裂缝区域。本发明实施例中根据骨架像素点的连续性和方向性,优化真实细微裂缝区域的筛选,提高真实细微裂缝区域的准确性,改善了微小裂缝检测效果。
Description
技术领域
本发明涉及裂缝识别技术领域,具体涉及一种承台基础混凝土表面裂缝识别方法。
背景技术
承台是为承受、分布由墩身传递的荷载,在基桩顶部设置的联结各桩顶的钢筋混凝土平台。承台需要承受由墩身传递的巨大压力和力学作用,若承台基础混凝土表面存在细微裂缝,会导致建筑物的结构不稳定,倘若细微裂缝不加以控制,微裂缝会随着时间和荷载的增加而扩张,当裂缝达到一定的程度就会直接引起建筑本身的质量安全问题,因此对承台混凝土表面进行细微裂缝的检测至关重要。由于水泥比例、混凝土硬化时间、混凝土收浆等多项工艺因素不达标都会导致承台基础混凝土表面出现细微裂缝。
由于承台基础混凝土表面图像的面积较大,细微裂缝的面积远远小于完整的承台基础混凝土表面图像的面积,即使相机有再高的分辨率,因为聚焦、曝光、距离和光照等各种原因,无法获得细微裂缝的内部清晰细节。在通过传统的机器视觉对承台基础混凝土表面裂缝进行识别时,由于在捕捉细微裂缝方面存在局限性,即使通过现有技术进行图像增强,仍然存在检测精度低甚至会发生漏检的问题,承台基础混凝土表面图像中的细微裂缝通常不易被有效的检测和识别出来。
发明内容
为了解决解决微小裂缝检测精度低与效果不佳的技术问题,本发明的目的在于提供一种承台基础混凝土表面裂缝识别方法,所采用的技术方案具体如下:
一种建筑供给水智能调度运行方法,所述方法包括以下步骤:
获取承台基础混凝土表面图像;
在所述承台基础混凝土表面图像中,根据像素点所形成区域的灰度差异和形状特征,获取各个疑似细微裂缝区域;
获取各个所述疑似细微裂缝区域的各个单像素骨架,获取所述单像素骨架中的单条骨架;在各个骨架像素点对应的预设邻域窗口中,根据不同预设角度方向上的灰度值离散特征,获取在各个单条骨架上各所述骨架像素点对应的裂缝方向灰度变化程度和灰度变化不均匀性;
在各个所述单条骨架上,根据所有所述骨架像素点的所述裂缝方向灰度变化程度对应的预设角度的变化趋势的均匀性,获取各个所述单条骨架对应的裂缝角度变化特征值;在疑似细微裂缝区域中,获取各个所述单条骨架上端点邻域局部区域的宽度特征;
根据所述疑似细微裂缝区域所有所述单条骨架上的各个所述骨架像素点的所述灰度变化不均匀性、单像素骨架对应的裂缝角度变化特征值和各端点的宽度特征,获取所述疑似细微裂缝区域的细微裂缝显著系数;根据各个所述细微裂缝显著系数进行筛选,获取所述承台基础混凝土表面图像中真实细微裂缝区域。
进一步地,所述疑似细微裂缝区域的获取方法,具体包括:
在所述承台基础混凝土表面图像中,将每个像素点的灰度值作为大津阈值算法的输入,分别将高于最优分割阈值的各像素点标记为各个前景像素点,依次将各个相邻前景像素点所组成的区域标记为各前景区域;
根据各个所述前景区域的形状特征,获取各个所述前景区域的区域紧凑值;若所述区域紧凑值大于预设紧凑判断阈值,将对应的各个所述前景区域标记为所述疑似细微裂缝区域。
进一步地,所述区域紧凑值的获取方法,具体包括:
在所述前景区域中,根据周长和面积的比值,获取所述区域紧凑值。
进一步地,所述单条骨架的获取方法,具体包括:
基于Zhang-Suen骨架细化算法对各个所述疑似细微裂缝区域进行图像细化处理,获取各个所述疑似细微裂缝区域的所述单像素骨架;
若所述单像素骨架存在两个以上端点,则确定所述单像素骨架中的交点,所述交点与每个端点之间的骨架像素点组成所述单条骨架;
若所述单像素骨架存在两个端点,则将对应单像素骨架作为所述单条骨架。
进一步地,所述各所述骨架像素点对应的裂缝方向灰度变化程度和灰度变化不均匀性的获取方法,具体包括:
在所述骨架像素点对应的所述预设邻域窗口中,预设方向直线经过所述骨架像素点,不同所述预设方向直线对应不同所述预设角度;
计算所述预设邻域窗口中各个预设方向直线所经过像素点的灰度值方差,获取所述骨架像素点对应的最大灰度方差值和所述裂缝方向灰度变化程度;
将裂缝方向灰度变化程度进行调整,调整后的裂缝方向灰度变化程度大于0;计算所述最大灰度方差值与调整后的裂缝方向灰度变化程度的比值,获取所述骨架像素点对应的所述灰度变化不均匀性。
进一步地,所述裂缝角度变化特征值的获取方法,具体包括:
以各个所述骨架像素点的所述裂缝方向灰度变化程度对应的所述预设角度,作为各个所述骨架像素点的裂缝方向角度;
在所述单条骨架上,任选所述单条骨架上的一个端点为起点,顺时针为方向,计算当前所述骨架像素点与下一个所述骨架像素点的所述裂缝方向角度差异,获取第一角度变化值;
计算所述单条骨架上所有所述骨架像素点的所述第一角度变化值的均值,获取对应所述所述单条骨架的所述裂缝角度变化特征值。
进一步地,所述宽度特征的获取方法,具体包括:
以单条骨架对应的疑似细微裂缝区域中局部区域,作为疑似单条裂缝区域;
以所述单条骨架上端点为起点,构建两条射线,两条射线分别与所述疑似单条裂缝区域的两侧相交;
以所述疑似单条裂缝区域所在侧,两条射线形成的区域作为第一区域;以没有所述疑似单条裂缝区域的一侧,两条射线形成的区域作为第二区域;
在所述第二区域中不包含对应所述单条骨架的骨架像素点,在所述第一区域中,两条射线形成的夹角作为端点的特征角度,所述特征角度为所述宽度特征。
进一步地,所述细微裂缝显著系数的获取方法,具体包括:
在所述单条骨架上,计算所有所述骨架像素点的所述灰度变化不均匀性的均值,获取所述单条骨架上的裂缝整体方向灰度值;
在所述单条骨架上,计算所有端点的宽度特征均值,获取所述单条骨架上裂缝整体角度特征值;
计算调整后所述裂缝整体角度特征值和裂缝角度变化特征值的乘积,获取第一角度值;
将所述裂缝整体方向灰度值与所述第一角度值的比值进行归一化,获取对应单条骨架的初始细微裂缝显著系数;
将疑似细微裂缝区域内所有单条骨架的所述初始细微裂缝显著系数的均值作为所述细微裂缝显著系数。
进一步地,所述真实细微裂缝区域的获取方法,具体包括:
若所述疑似细微裂缝区域的细微裂缝显著系数大于预设细微裂缝阈值,将对应的疑似细微裂缝区域标记为所述真实细微裂缝区域。
进一步地,所述预设细微裂缝阈值设置为0.6。
本发明具有如下有益效果:
在本发明实施例中,为了降低了图像分析的处理量,避免对正常混凝土区域分析,提高细微裂缝区域检测提取的效率,在承台基础混凝土表面图像中,根据灰度差异和形状特征,获取各个疑似细微裂缝区域。由于细微裂缝通常是沿着方向进行延伸,导致裂缝延伸方向灰度值变化较小,在裂缝延伸以外的方向上灰度值变化较大。通过获取在各个单条骨架上上各骨架像素点对应的灰度变化不均匀性,反映骨架像素点在不同方向的灰度波动程度的差异,进而反映细微裂缝的颜色变化特征。各骨架像素点的裂缝方向灰度变化程度对应预设角度是连续均匀变化的,获取各单像素骨架对应的裂缝角度变化特征值;裂缝角度变化特征值可以反映单像素骨架沿着裂缝的延伸方向的变化程度。获取各个单像素骨架上端点的各个宽度特征可以反映裂缝刚开始发裂角度特征。根据各骨架像素点的灰度变化不均匀性、单像素骨架对应的裂缝角度变化特征值和各端点的宽度特征值,获取各个对应的疑似细微裂缝区域的细微裂缝显著系数。细微裂缝显著系数可以综合反映细微裂缝的边缘特征、角度特征和颜色特征,从而反映疑似细微裂缝区域为真实细微裂缝区域的可能性,根据各个细微裂缝显著系数进行筛选,获取承台基础混凝土表面图像中真实细微裂缝区域。方便维护人员可以更有效地评估混凝土的状态,为后续承台基础混凝土表面的保养和维护提供便利。
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承台基础混凝土表面裂缝识别方法的流程图;
图2为本发明一个实施例所提供的预设邻域窗口示意图;
图3为本发明一个实施例所提供的一种裂缝骨架示意图;
图4为本发明一个实施例所提供的一种细微裂缝区域示意图。
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承台基础混凝土表面裂缝识别方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种承台基础混凝土表面裂缝识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种承台基础混凝土表面裂缝识别方法的流程图,该方法包括以下步骤:
步骤S1,获取承台基础混凝土表面图像。
由于承台基础混凝土表面存在微小裂缝,会导致建筑物的结构不稳定甚至引起建筑本身的质量安全问题,且承台基础混凝土表面图像的标准需要符合承台基础混凝土表面外观质量检验标准,合格承台基础混凝土表面应该没有明显的裂缝、裂纹,通过分析承台基础混凝土表面图像,为后续根据微小裂缝的颜色和形状特征筛选疑似细微裂缝区域作参考,进而确定真实细微裂缝区域,为后续承台基础混凝土表面的保养和维护提供便利。
在本发明实施例中,使用CCD相机分别对承台的四个侧面以及顶面都进行采集,获取采集混凝土的表面图像,由于采集的表面图像存在噪声,噪声会对后续操作产生影响,所以对表面图像进行降噪操作,获取降噪图像。消除噪声和部分外界干扰造成的影响,增强后续分析的准确性。将降噪图像进行灰度化处理获取灰度图像,对灰度图像进行自适应对比度增强等操作获取台基础混凝土表面图像,以方便对细微裂缝进行观察。本发明实施例采用双边滤波对图像降噪,实施者可根据实际情况自行设置。
需要说明的是,为了方便运算,本发明实施例中所参与运算的所有指标数据均经过数据预处理,进而取消量纲影响。具体去量纲影响的手段为本领域技术人员熟知的技术手段,在此不做限定。
步骤S2,在承台基础混凝土表面图像中,根据像素点所形成区域的灰度差异和形状特征,获取各个疑似细微裂缝区域。
由于承台混凝土上的裂缝区域相比于正常混凝土区域的颜色和形状都有区别,裂缝区域由于光线作用在裂缝区域形成的阴影,导致在承台基础混凝土表面图像中的裂缝区域灰度相较于正常混凝土区域灰度较深,灰度差异可以反映疑似细微裂缝区域的可能性,灰度越深越可能是疑似细微裂缝区域。在承台混凝土表面的纹裂是由外而内、由表及里的,发生在很浅的位置,细微裂缝往往呈现平行状结构,细微裂缝通常面积较小,细微裂缝通常是沿着方向进行延伸,细微裂缝的周长较长,通过在承台基础混凝土表面图像中的区域的周长和面积来反映区域的形状特征,区域的形状特征可以反映疑似细微裂缝区域的可能性,区域的形状特征越明显越可能是疑似细微裂缝区域。承台基础混凝土的表面积大约在在几百到数千平方米之间,细微裂缝的面积远远小于承台基础混凝土的表面积。由于聚焦、曝光、距离和光照等各种原因,对于所采集到的大面积的承台基础混凝土表面图像来说细微裂缝的宽度也只有很少的十几个甚至几个像素,虽然通过图像增强处理增强了细微裂缝内部的细节,但无法获得细微裂缝的内部清晰细节。为了降低了图像分析的处理量,避免对正常混凝土区域分析,提高细微裂缝区域检测提取的效率,在承台基础混凝土表面图像中,根据像素点所形成区域的灰度差异和形状特征,获取各个疑似细微裂缝区域。以供后续根据细微裂缝区域特征进行确定真实细微裂缝区域作为参考。
优选地,在本发明一个实施例中疑似细微裂缝区域的获取方法包括:
需要说明的是,大津阈值算法为本领域技术人员熟知的技术手段,在此不做赘述,仅简述本发明一个实施例中利用大津阈值算法提取前景区域的简要过程:
将承台基础混凝土表面图像中每个像素点的灰度值作为大津阈值算法的输入,将灰度值最小值到最大值作为可能阈值,根据每个可能阈值将像素点分成两个部分:前景像素点和背景像素点。计算两个部分的平均值和方差,然后使用类间方差作为衡量分割质量的指标。类间方差越大,表示两个部分之间的差异越大,分割效果越好。遍历所有可能阈值,计算每个阈值对应的类间方差,选择具有最大类间方差的阈值作为最优分割阈值。根据最优分割阈值将承台基础混凝土表面图像中所有像素点分成两个部分:前景像素点和背景像素点。将高于最优分割阈值的各像素点标记为各个前景像素点,低于最优分割阈值各像素点标记为各个背景像素点。依次将各个相邻前景像素点所组成的区域标记为各前景区域。
需要说明的是,在本发明其他实施例中,可通过其他例如最小误差法等阈值选择方法获取大津阈值算法的最优分割阈值,在此不做限定。
优选地,在本发明一个实施例中区域紧凑值的获取方法包括:
在前景区域中,根据周长和面积的比值,获取区域紧凑值。
对第个前景区域的形状特征进行分析,获取第/>个前景区域的区域紧凑值。本发明一个实施例中区域紧凑值的公式包括:
;其中,/>为第/>个前景区域的区域紧凑值,/>为第/>个前景区域的周长,为第/>个前景区域的面积。在区域紧凑值公式中,/>反映了前景区域的周长,当周长越大,第/>个前景区域的区域紧凑值越大,第/>个前景区域为疑似细微裂缝区域的可能性越大;反映了第/>个前景区域的面积,当面积越小,第/>个前景区域的区域紧凑值越大,第/>个前景区域为疑似细微裂缝区域的可能性越大;由于细微裂缝是沿着方向进行延伸,细微裂缝的周长较长且细微裂缝的面积较小,周长的大小可能大于或者接近面积大小,则区域紧凑值可能大于数字1或者接近数字1。通过综合分析前景区域的周长和面积,获取区域紧凑值。通过区域紧凑值反映细微裂缝的形状特征,从而筛选出符合细微裂缝的形状特征的前景区域,进而确定疑似细微裂缝区域。
根据各个前景区域的形状特征,获取各个前景区域的区域紧凑值;由于区域紧凑值反映细微裂缝的形状特征,通过区域紧凑值对前景区域进行初步筛选,若区域紧凑值大于预设紧凑判断阈值,将对应的各个前景区域标记为疑似细微裂缝区域。发明实施例令预设紧凑判断阈值取值为0.9,实施者可根据实际情况自行设置。
步骤S3,获取各个疑似细微裂缝区域的各个单像素骨架,获取单像素骨架中的单条骨架;在各个骨架像素点对应的预设邻域窗口中,根据不同预设角度方向上的灰度值离散特征,获取在各个单条骨架上各骨架像素点对应的裂缝方向灰度变化程度和灰度变化不均匀性。
由于裂缝形状比较多样,不仅有平行线状裂缝、还有鸡爪状、网状等裂缝形状,骨架可以很好地表示疑似细微裂缝区域的形状或者细微裂缝的延伸结构,但是直接研究单像素骨架端点的宽度特征表现效果不佳,单条骨架可以很好表现端点的宽度特征和细微裂缝的延伸结构,为了后续更好表现端点的宽度特征,获取单像素骨架中的单条骨架。细微裂缝区域颜色相较于正常混凝土区域颜色较深,细微裂缝通常是沿着方向进行延伸,导致裂缝延伸方向灰度值变化较小,在裂缝延伸以外的方向上灰度值变化较大,导致在各个骨架像素点对应的预设邻域窗口中,根据不同预设角度方向上的灰度值离散特征不同。获取在各个单条骨架上各骨架像素点对应的裂缝方向灰度变化程度和灰度变化不均匀性,裂缝方向灰度变化程度对应的角度可以反映裂缝延伸方向的角度特征,为后续确定裂缝角度变化特征值作为参考,灰度变化不均匀性可以反映骨架像素点在不同方向的灰度波动程度的差异,进而反映细微裂缝的颜色变化特征,为后续根据灰度变化不均匀性进行确定真实细微裂缝区域作为参考。
优选地,在本发明一个实施例中单条骨架的获取方法包括:
为了获取疑似细微裂缝区域的骨架信息,也就是疑似细微裂缝区域中疑似细微裂缝的轮廓线。通过Zhang-Suen骨架细化算法对各个疑似细微裂缝区域进行图像细化处理,在细化过程中,该算法通过迭代的方式,逐步删除各个疑似细微裂缝区域中的像素,直到获取各个疑似细微裂缝区域的单像素宽度的单像素骨架。通过Zhang-Suen骨架细化算法够将复杂的疑似细微裂缝区域结构简化为单像素宽度的单像素骨架,单像素骨架可以很好地反映细微裂缝的形状和结构特征信息。由于混凝土收缩、温度应力和配筋不足等因素往往会形成平行线状裂缝,由于混凝土收缩、温度应力、混凝土材料及配合比不当或者养护条件不足等因素还会会形成发散状的裂缝,会导致像素骨架上有两个以上的端点。请参阅图3,其示出了本发明一个实施例所提供的一种裂缝骨架示意图,展示了一种发散形状的单像素骨架,有5个端点和一个交点。若直接研究单像素骨架端点的宽度特征表现效果不佳,所以进一步获取单条骨架。若单像素骨架存在两个以上端点,则确定单像素骨架中的交点,交点与每个端点之间的骨架像素点组成单条骨架;若单像素骨架存在两个端点,则将对应单像素骨架作为单条骨架。单条骨架可以很好表现端点的宽度特征和细微裂缝的延伸结构。
优选地,在本发明一个实施例中各骨架像素点对应的裂缝方向灰度变化程度和灰度变化不均匀性的获取方法包括:
在骨架像素点对应的预设邻域窗口中,预设方向直线经过骨架像素点,不同预设方向直线对应不同预设角度;
计算预设邻域窗口中各个预设方向直线所经过像素点的灰度值方差,获取骨架像素点对应的最大灰度方差值和裂缝方向灰度变化程度;
将裂缝方向灰度变化程度进行调整,调整后的裂缝方向灰度变化程度大于0;计算最大灰度方差值与调整后的裂缝方向灰度变化程度的比值,获取骨架像素点对应的灰度变化不均匀性。
在本发明实施例中,以骨架像素点为中心,2为半径,构建圆形的预设邻域窗口,实施者可根据实施场景自行设定。在本发明一个实施例中,以骨架像素点为中心,使用图像坐标系作为x轴和y轴的参考,建立骨架像素点的二维坐标系。过骨架像素点,从x轴正方向开始作一条起始的预设方向直线,以逆时针为方向,每间隔22.5°作一条新的预设方向直线,旋转到x轴负方向后作一条终止的预设方向直线停止,统计各个预设方向直线与x轴的夹角作为各个预设角度,预设角度的取值范围为[,/>],实施者可根据实施场景自行设定。请参阅图2,其示出了本发明一个实施例所提供的预设邻域窗口示意图,中心阴影方块为骨架像素点,箭头方向为x轴正方向。
在单条骨架上的第/>个骨架像素点为/>,在骨架像素点/>对应的预设邻域窗口中,获取骨架像素点/>的灰度变化不均匀性。本发明一个实施例中灰度变化不均匀性的公式包括:
;
其中,为骨架像素点/>的灰度变化不均匀性,/>为在骨架像素点/>的预设邻域窗口内求得的最大灰度方差值;/>为骨架像素点/>的最大灰度方差值对应的预设角度;/>为在骨架像素点/>的预设邻域窗口内求得的裂缝方向灰度变化程度;为骨架像素点/>的裂缝方向灰度变化程度对应的预设角度;/>为分母的调参因子。本发明实施例中,令分母的调参因子/>取值为/>,用以避免分母为零的情况,实施者可根据实际情况自行设置。
在灰度变化不均匀性公式中,最大灰度方差值体现了骨架像素点的预设邻域窗口内求得的最大的灰度方差值,反映不是在裂缝方向上的灰度变化的最大程度;裂缝方向灰度变化程度体现了骨架像素点/>的预设邻域窗口内求得的最小的灰度方差值,反映在裂缝方向上的灰度变化程度;由于裂缝延伸以外的方向上灰度值变化较大,裂缝延伸的方向上灰度值变化小,灰度变化不均匀性通过综合骨架像素点在预设邻域窗口内最大的灰度方差值和最小的灰度方差值,反映骨架像素点在不同方向的灰度波动程度的差异,进而反映细微裂缝的颜色变化特征,来反应对应骨架像素点为真实裂缝像素点的可能性,最大灰度方差值与调整后的裂缝方向灰度变化程度的比值越大,骨架像素点在不同方向的灰度波动程度的差异越大,灰度特征值越大,对应骨架像素点为真实裂缝像素点的可能性越大。
步骤S4,在各个单条骨架上,根据所有骨架像素点的裂缝方向灰度变化程度对应预设角度的变化趋势的均匀性,获取各个单条骨架对应的裂缝角度变化特征值;在疑似细微裂缝区域中,获取各个单条骨架上端点邻域局部区域的宽度特征。
由于细微裂缝通常是沿着方向进行延伸,细微裂缝的边缘具有连续性,导致在细微裂缝的延伸方向上边缘变化是连续性的,在各个单条骨架上,所有骨架像素点的裂缝方向灰度变化程度对应预设角度的变化趋势是均匀的,获取各单像素骨架对应的裂缝角度变化特征值;裂缝角度变化特征值可以反映单条骨架沿着裂缝的延伸方向的变化程度。由于裂缝形状比较多样,不仅有平行线状裂缝、还有鸡爪状、网状等裂缝形状,为了更好反映裂缝刚开始发裂角度特征,所以进一步各个单条骨架上端点邻域局部区域的宽度特征。通过裂缝角度变化特征值和宽度特征,进而反映细微裂缝的角度特征,为后续根据裂缝角度变化特征值和宽度特征进行确定真实细微裂缝区域作为参考。
优选地,在本发明一个实施例中裂缝角度变化特征值的获取方法包括:
以各个骨架像素点的裂缝方向灰度变化程度对应的预设角度,作为各个骨架像素点的裂缝方向角度;
在单条骨架上,任选单条骨架上的一个端点为起点,顺时针为方向,计算当前骨架像素点与下一个骨架像素点的裂缝方向角度差异,获取第一角度变化值;
计算单条骨架上所有骨架像素点的第一角度变化值的均值,获取对应单条骨架的裂缝角度变化特征值。
由于细微裂缝的边缘具有连续性,所以在细微裂缝的延伸方向上,所有骨架像素点的裂缝方向灰度变化程度对应预设角度的变化趋势是均匀的,在单条骨架上,任选单条骨架上的一个端点为起点,顺时针为方向,计算当前骨架像素点与下一个骨架像素点的裂缝方向角度差异,进而获取对应单条骨架/>的裂缝角度变化特征值,本发明一个实施例中裂缝角度变化特征值公式包括:
;
其中,为单条骨架/>的裂缝角度变化特征值;/>为单条骨架/>上任意一个骨架像素点;/>为单条骨架/>上骨架像素点的数量;/>为骨架像素点/>的裂缝方向灰度变化程度对应的预设角度;/>为骨架像素点/>的裂缝方向灰度变化程度对应的预设角度;/>为单条骨架/>的第/>个骨架像素点,/>为单条骨架/>的第/>个骨架像素点。
在裂缝角度变化特征值公式中,表示当前骨架像素点与下一个骨架像素点的裂缝方向角度差异,当差异越大,单条骨架上预设角度的变化趋势是越不均匀的,裂缝角度变化特征值越大,说明沿着裂缝的延伸方向的变化程度越大,单条骨架所在的疑似细微裂缝区域越不可能是真实细微裂缝区域,通过获取算单条骨架上所有相邻骨架像素点的第一角度变化值的均值,获取角度变化特征值。
优选地,在本发明一个实施例中宽度特征的获取方法包括:
由于裂缝形状比较多样,不仅有平行线状裂缝、还有鸡爪状、网状等裂缝形状,通过单条骨架更好地表现单像素骨架端点的宽度特征,以单条骨架对应的疑似细微裂缝区域中局部区域,作为疑似单条裂缝区域;以单条骨架上端点为起点,构建两条射线,两条射线分别与疑似单条裂缝区域的两侧相交,将一条射线与疑似单条裂缝区域的一侧边缘线的相交的交点记为交点/>,将另外一条射线/>与疑似单条裂缝区域的另外一侧边缘线的相交的交点记为交点/>,请参阅图4,其示出了本发明一个实施例所提供的一种细微裂缝区域示意图,阴影区域为单条骨架对应的疑似单条裂缝区域。以疑似单条裂缝区域所在侧,两条射线形成的区域作为第一区域;以没有疑似单条裂缝区域的一侧,两条射线形成的区域作为第二区域;在第二区域中不包含对应单条骨架的骨架像素点,在第一区域中,两条射线形成的夹角作为端点的特征角度,特征角度为宽度特征。由于裂缝形状比较多样,不仅有平行线状裂缝、还有鸡爪状、网状等裂缝形状,为了更好反映细微裂缝刚开始发裂角度特征,通过单条骨架对应的端点宽度特征反映细微裂缝刚开始发裂角度特征。
步骤S5,根据疑似细微裂缝区域所有单条骨架上的各个骨架像素点的灰度变化不均匀性、单像素骨架对应的裂缝角度变化特征值和各端点的宽度特征,获取疑似细微裂缝区域的细微裂缝显著系数;根据各个细微裂缝显著系数进行筛选,获取承台基础混凝土表面图像中真实细微裂缝区域。
由于细微裂缝区域颜色相较于正常混凝土区域颜色较深,导致裂缝延伸方向灰度值变化较小,在裂缝延伸以外的方向上灰度值变化较大,灰度变化不均匀性可以反映骨架像素点在不同方向的灰度波动程度的差异;由于细微裂缝的边缘具有连续性,裂缝角度变化特征值可以反映单像素骨架沿着裂缝的延伸方向的变化程度;通过宽度特征反映更难以观察平行状裂缝刚开始发裂角度特征。根据疑似细微裂缝区域所有单条骨架上的各个骨架像素点的灰度变化不均匀性、单像素骨架对应的裂缝角度变化特征值和各端点的宽度特征,获取疑似细微裂缝区域的细微裂缝显著系数。细微裂缝显著系数可以综合反映细微裂缝的边缘特征、角度特征和颜色特征,从而反映疑似细微裂缝区域为真实细微裂缝区域的可能性,根据各个细微裂缝显著系数进行筛选,获取承台基础混凝土表面图像中真实细微裂缝区域。由于如果承台基础混凝土表面存在细微裂缝,会导致建筑物的结构不稳定,倘若细微裂缝不加以控制,微裂缝会随着时间和荷载的增加而扩张,当裂缝达到一定的程度就会直接引起建筑本身的质量安全问题,通过快速、准确地找出真实细微裂缝区域,方便维护人员可以更有效地评估混凝土的状态,为后续承台基础混凝土表面的保养和维护提供便利。
优选地,在本发明一个实施例中细微裂缝显著系数的获取方法包括:
在单条骨架上,计算所有骨架像素点的灰度变化不均匀性的均值,获取单条骨架上的裂缝整体方向灰度值;
在单条骨架上,计算所有端点的宽度特征均值,获取单条骨架上裂缝整体角度特征值;
计算调整后裂缝整体角度特征值和裂缝角度变化特征值的乘积,获取第一角度值;
将裂缝整体方向灰度值与第一角度值的比值进行归一化,获取对应单条骨架的初始细微裂缝显著系数;
将疑似细微裂缝区域内所有单条骨架的初始细微裂缝显著系数的均值作为细微裂缝显著系数。
第个单条骨架在对应疑似细微裂缝区域/>中,获取单条骨架/>所属的疑似细微裂缝区域/>的细微裂缝显著系数,本发明一个实施例中细微裂缝显著系数公式包括:
;
其中,为疑似细微裂缝区域/>的细微裂缝显著系数;/>为疑似细微裂缝区域/>上的第/>个单条骨架;/>为疑似细微裂缝区域/>上的单条骨架的数量;/>为骨架像素点/>的灰度变化不均匀性,/>为单条骨架/>上的第/>个骨架像素点,/>为单条骨架/>上任意一个骨架像素点;/>为单条骨架/>上骨架像素点的数量;/>为单条骨架/>上端点/>的宽度特征;/>为单条骨架/>上任意一个端点;/>为单条骨架/>上端点的数量;/>为单条骨架/>的裂缝角度变化特征值;/>为分母的调参因子。本发明实施例中,令分母的调参因子/>取值为/>,用以避免分母为零的情况,实施者可根据实际情况自行设置。
在细微裂缝显著系数公式中,反映单条骨架上所有骨架像素点的灰度变化不均匀性的均值,均值越大,单条骨架在不同方向的灰度波动程度的差异越大,细微裂缝显著系数越大,单条骨架所在的疑似细微裂缝区域越可能是真实细微裂缝区域。/>反映单条骨架上所有端点的宽度特征均值,均值越小,端点刚开始发裂角度特征越小,细微裂缝显著系数越大,单条骨架所在的疑似细微裂缝区域越可能是真实细微裂缝区域;/>反映单条骨架的裂缝角度变化特征值,裂缝角度变化特征值越大,说明沿着裂缝的延伸方向的变化程度越大,细微裂缝显著系数越小,单条骨架所在的疑似细微裂缝区域越不可能是真实细微裂缝区域。将疑似细微裂缝区域内所有单条骨架的初始细微裂缝显著系数的均值作为细微裂缝显著系数。细微裂缝显著系数可以综合反映所有单条骨架的边缘特征、角度特征和颜色特征,细微裂缝显著系数越大,疑似细微裂缝区域越可能是真实细微裂缝区域。
优选地,在本发明一个实施例中真实细微裂缝区域的获取方法包括:
因为细微裂缝显著系数通过综合反映细微裂缝的边缘特征、角度特征和颜色特征,从而反映疑似细微裂缝区域为真实细微裂缝区域的可能性,细微裂缝显著系数越大,说明疑似细微裂缝区域越可能为真实细微裂缝区域,若疑似细微裂缝区域的细微裂缝显著系数大于预设细微裂缝阈值,将对应的疑似细微裂缝区域标记为真实细微裂缝区域。
优选地,在本发明一个实施例中预设细微裂缝阈值设置方法包括:
在本发明实施例中,将预设细微裂缝阈值为0.6,实施者可根据实施场景自行设定。
完成了对于细小裂缝检测,针对于拍摄到的对承台基础混凝土表面图像中分辨率较差的细小裂缝也能够清晰检测出来。
综上,本发明实施例提供了一种承台基础混凝土表面裂缝识别方法,首先获取承台基础混凝土表面图像,确定各个疑似细微裂缝区域。根据不同预设角度方向上的灰度值离散特征,获取在各个单像素骨架上各骨架像素点对应的灰度变化不均匀性。根据各骨架像素点的裂缝方向灰度变化程度对应预设角度的变化,获取对应的裂缝角度变化特征值;获取各个单像素骨架上端点的各个宽度特征,进而确定各个对应的疑似细微裂缝区域的细微裂缝显著系数并筛选出承台基础混凝土表面图像中真实细微裂缝区域。本发明实施例中根据骨架像素点的连续性和方向性,优化真实细微裂缝区域的筛选,提高真实细微裂缝区域的准确性,改善了微小裂缝检测效果。
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 (10)
1.一种承台基础混凝土表面裂缝识别方法,其特征在于,所述方法包括以下步骤:
获取承台基础混凝土表面图像;
在所述承台基础混凝土表面图像中,根据像素点所形成区域的灰度差异和形状特征,获取各个疑似细微裂缝区域;
获取各个所述疑似细微裂缝区域的各个单像素骨架,获取所述单像素骨架中的单条骨架;在各个骨架像素点对应的预设邻域窗口中,根据不同预设角度方向上的灰度值离散特征,获取在各个单条骨架上各所述骨架像素点对应的裂缝方向灰度变化程度和灰度变化不均匀性;
在各个所述单条骨架上,根据所有所述骨架像素点的所述裂缝方向灰度变化程度对应的预设角度的变化趋势的均匀性,获取各个所述单条骨架对应的裂缝角度变化特征值;在疑似细微裂缝区域中,获取各个所述单条骨架上端点邻域局部区域的宽度特征;
根据所述疑似细微裂缝区域所有所述单条骨架上的各个所述骨架像素点的所述灰度变化不均匀性、单像素骨架对应的裂缝角度变化特征值和各端点的宽度特征,获取所述疑似细微裂缝区域的细微裂缝显著系数;根据各个所述细微裂缝显著系数进行筛选,获取所述承台基础混凝土表面图像中真实细微裂缝区域。
2.根据权利要求1所述的一种承台基础混凝土表面裂缝识别方法,其特征在于,所述疑似细微裂缝区域的获取方法,具体包括:
在所述承台基础混凝土表面图像中,将每个像素点的灰度值作为大津阈值算法的输入,分别将高于最优分割阈值的各像素点标记为各个前景像素点,依次将各个相邻前景像素点所组成的区域标记为各前景区域;
根据各个所述前景区域的形状特征,获取各个所述前景区域的区域紧凑值;若所述区域紧凑值大于预设紧凑判断阈值,将对应的各个所述前景区域标记为所述疑似细微裂缝区域。
3.根据权利要求2所述的一种承台基础混凝土表面裂缝识别方法,其特征在于,所述区域紧凑值的获取方法,具体包括:
在所述前景区域中,根据周长和面积的比值,获取所述区域紧凑值。
4.根据权利要求3所述的一种承台基础混凝土表面裂缝识别方法,其特征在于,所述单条骨架的获取方法,具体包括:
基于Zhang-Suen骨架细化算法对各个所述疑似细微裂缝区域进行图像细化处理,获取各个所述疑似细微裂缝区域的所述单像素骨架;
若所述单像素骨架存在两个以上端点,则确定所述单像素骨架中的交点,所述交点与每个端点之间的骨架像素点组成所述单条骨架;
若所述单像素骨架存在两个端点,则将对应单像素骨架作为所述单条骨架。
5.根据权利要求1所述的一种承台基础混凝土表面裂缝识别方法,其特征在于,所述各所述骨架像素点对应的裂缝方向灰度变化程度和灰度变化不均匀性的获取方法包括:
在所述骨架像素点对应的所述预设邻域窗口中,预设方向直线经过所述骨架像素点,不同所述预设方向直线对应不同所述预设角度;
计算所述预设邻域窗口中各个预设方向直线所经过像素点的灰度值方差,获取所述骨架像素点对应的最大灰度方差值和所述裂缝方向灰度变化程度;
将裂缝方向灰度变化程度进行调整,调整后的裂缝方向灰度变化程度大于0;计算所述最大灰度方差值与调整后的裂缝方向灰度变化程度的比值,获取所述骨架像素点对应的所述灰度变化不均匀性。
6.根据权利要求1所述的一种承台基础混凝土表面裂缝识别方法,其特征在于,所述裂缝角度变化特征值的获取方法包括:
以各个所述骨架像素点的所述裂缝方向灰度变化程度对应的所述预设角度,作为各个所述骨架像素点的裂缝方向角度;
在所述单条骨架上,任选所述单条骨架上的一个端点为起点,顺时针为方向,计算当前所述骨架像素点与下一个所述骨架像素点的所述裂缝方向角度差异,获取第一角度变化值;
计算所述单条骨架上所有所述骨架像素点的所述第一角度变化值的均值,获取对应所述单条骨架的所述裂缝角度变化特征值。
7.根据权利要求1所述的一种承台基础混凝土表面裂缝识别方法,其特征在于,所述宽度特征的获取方法包括:
以单条骨架对应的疑似细微裂缝区域中局部区域,作为疑似单条裂缝区域;
以所述单条骨架上端点为起点,构建两条射线,两条射线分别与所述疑似单条裂缝区域的两侧相交;
以所述疑似单条裂缝区域所在侧,两条射线形成的区域作为第一区域;以没有所述疑似单条裂缝区域的一侧,两条射线形成的区域作为第二区域;
在所述第二区域中不包含对应所述单条骨架的骨架像素点,在所述第一区域中,两条射线形成的夹角作为端点的特征角度,所述特征角度为所述宽度特征。
8.根据权利要求1所述的一种承台基础混凝土表面裂缝识别方法,其特征在于,所述细微裂缝显著系数的获取方法包括:
在所述单条骨架上,计算所有所述骨架像素点的所述灰度变化不均匀性的均值,获取所述单条骨架上的裂缝整体方向灰度值;
在所述单条骨架上,计算所有端点的宽度特征均值,获取所述单条骨架上裂缝整体角度特征值;
计算调整后所述裂缝整体角度特征值和裂缝角度变化特征值的乘积,获取第一角度值;
将所述裂缝整体方向灰度值与所述第一角度值的比值进行归一化,获取对应单条骨架的初始细微裂缝显著系数;
将疑似细微裂缝区域内所有单条骨架的所述初始细微裂缝显著系数的均值作为所述细微裂缝显著系数。
9.根据权利要求1所述的一种承台基础混凝土表面裂缝识别方法,其特征在于,所述真实细微裂缝区域的获取方法包括:
若所述疑似细微裂缝区域的细微裂缝显著系数大于预设细微裂缝阈值,将对应的疑似细微裂缝区域标记为所述真实细微裂缝区域。
10.根据权利要求9所述的一种承台基础混凝土表面裂缝识别方法,其特征在于,所述预设细微裂缝阈值设置为0.6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311532069.4A CN117274240B (zh) | 2023-11-17 | 2023-11-17 | 一种承台基础混凝土表面裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311532069.4A CN117274240B (zh) | 2023-11-17 | 2023-11-17 | 一种承台基础混凝土表面裂缝识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274240A true CN117274240A (zh) | 2023-12-22 |
CN117274240B CN117274240B (zh) | 2024-01-23 |
Family
ID=89208343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311532069.4A Active CN117274240B (zh) | 2023-11-17 | 2023-11-17 | 一种承台基础混凝土表面裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274240B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105092597A (zh) * | 2015-09-14 | 2015-11-25 | 广东电网有限责任公司电力科学研究院 | 一种硬塑材料表面的裂纹检测方法 |
US20170372470A1 (en) * | 2016-06-27 | 2017-12-28 | Sun Yat-Sen University | Method of separating, identifying and characterizing cracks in 3d space |
CN108364280A (zh) * | 2018-01-03 | 2018-08-03 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
CN113610060A (zh) * | 2021-09-29 | 2021-11-05 | 北京雷图科技有限公司 | 一种结构体裂缝亚像素检测方法 |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN116664572A (zh) * | 2023-07-31 | 2023-08-29 | 聊城市瀚格智能科技有限公司 | 基于图像数据的公路路面裂缝快速检测方法 |
-
2023
- 2023-11-17 CN CN202311532069.4A patent/CN117274240B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105092597A (zh) * | 2015-09-14 | 2015-11-25 | 广东电网有限责任公司电力科学研究院 | 一种硬塑材料表面的裂纹检测方法 |
US20170372470A1 (en) * | 2016-06-27 | 2017-12-28 | Sun Yat-Sen University | Method of separating, identifying and characterizing cracks in 3d space |
CN108364280A (zh) * | 2018-01-03 | 2018-08-03 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
US20200364849A1 (en) * | 2018-01-03 | 2020-11-19 | Southeast University | Method and device for automatically drawing structural cracks and precisely measuring widths thereof |
CN113610060A (zh) * | 2021-09-29 | 2021-11-05 | 北京雷图科技有限公司 | 一种结构体裂缝亚像素检测方法 |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN116664572A (zh) * | 2023-07-31 | 2023-08-29 | 聊城市瀚格智能科技有限公司 | 基于图像数据的公路路面裂缝快速检测方法 |
Non-Patent Citations (4)
Title |
---|
HUANG, YIJIE等: "Deformation field and crack analyses of concrete using digital image correlation method", 《FRONTIERS OF STRUCTURAL AND CIVIL ENGINEERING》, vol. 13, pages 1183 - 1199, XP036879539, DOI: 10.1007/s11709-019-0545-3 * |
SUN LIANG等: "An Algorithm for Concrete Crack Extraction and Identification Based on Machine Vision", 《IEEE ACCESS》, pages 28993 - 29002 * |
房庆军: "裂缝角度变化对裂缝扩展的影响分析", 《建筑施工》, vol. 42, no. 4, pages 645 - 647 * |
王康等: "混凝土复杂表面裂缝特征自动提取算法研究", 《三峡大学学报(自然科学版)》, vol. 43, no. 06, pages 17 - 22 * |
Also Published As
Publication number | Publication date |
---|---|
CN117274240B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364280B (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
JP6620477B2 (ja) | コンクリートのひび割れ検出方法及び検出プログラム | |
CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
CN112419250A (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN115564771B (zh) | 一种基于建筑物基柱的混凝土裂纹识别方法 | |
CN115222733A (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN115375686B (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
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 | |
CN107392849B (zh) | 基于图像细分的靶标识别与定位方法 | |
Yamaguchi et al. | Automated crack detection for concrete surface image using percolation model and edge information | |
CN112785579A (zh) | 基于图像处理技术的混凝土裂缝识别方法 | |
CN104700395A (zh) | 一种构造物外观裂缝检测方法及系统 | |
CN108921819A (zh) | 一种基于机器视觉的验布装置及方法 | |
CN113222992B (zh) | 基于多重分形谱的裂纹特征表征方法及系统 | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN107657620B (zh) | 一种带纹理的金属凝固区域识别的方法及系统 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN117274240B (zh) | 一种承台基础混凝土表面裂缝识别方法 | |
CN113076959A (zh) | 基于卷积神经网络的混凝土结构表面微裂纹特征提取方法 | |
CN108898080B (zh) | 一种基于山脊线邻域评价模型的裂缝连接方法 | |
CN111539951A (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN116485719A (zh) | 一种用于裂缝检测的自适应canny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 |