CN117292328B - 一种装配式建筑施工质量安全管理监控方法及系统 - Google Patents
一种装配式建筑施工质量安全管理监控方法及系统 Download PDFInfo
- Publication number
- CN117292328B CN117292328B CN202311575119.7A CN202311575119A CN117292328B CN 117292328 B CN117292328 B CN 117292328B CN 202311575119 A CN202311575119 A CN 202311575119A CN 117292328 B CN117292328 B CN 117292328B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- gray level
- pixel
- level image
- prefabricated member
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000010276 construction Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000013441 quality evaluation Methods 0.000 claims abstract description 7
- 230000007547 defect Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000009435 building construction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005286 illumination Methods 0.000 description 26
- 230000008859 change Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 5
- 239000000758 substrate Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000009795 derivation Methods 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
- 238000009417 prefabrication Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种装配式建筑施工质量安全管理监控方法及系统,包括:获取预制件灰度图像,根据灰度图像得到若干聚类结果和聚类中心,根据聚类结果和聚类中心得到距离特征,根据距离特征得到图像中任意一个像素点关于聚类结果的衰减程度,得到灰度图像中任意一个像素点作为噪声像素点时的概率和识别阈值,根据像素点作为噪声像素点时的概率和识别阈值得到分割结果图并进行质量评估。本发明根据预制件灰度图像中像素点受光源影响与噪声表现的关系,在预制件灰度图像自适应阈值分割的过程中识别噪声并排除噪声的干扰,减少环境的限制。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种装配式建筑施工质量安全管理监控方法及系统。
背景技术
预制件在建筑行业中扮演着重要的角色,但他在运输过程中容易损坏,因此在实际施工过程中,还需要在其使用前进行缺陷检测,从而避免降低工程质量。
目前,一种常用的预制件表面裂缝缺陷检测方法是自适应阈值分割,但是在建筑场景中,由于环境限制,夜间采集的图像往往光照不太充足,且光照分布不均匀,这就导致采集的预制件图像中噪声含量大大增加,使用自适应阈值进行质量检测时容易受到影响。
发明内容
为解决上述问题,本发明提供一种装配式建筑施工质量安全管理监控方法及系统。
本发明的一种装配式建筑施工质量安全管理监控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装配式建筑施工质量安全管理监控方法,该方法包括以下步骤:
采集预制件图像并灰度化得到预制件灰度图像;
根据预制件灰度图像得到若干聚类结果,获取每一个聚类结果的聚类中心,根据任意一个聚类结果和聚类中心得到任意一个光源距离预制件的距离特征,所述光源为采集预制件图像时的环境光源;
根据任意一个光源距离预制件的距离特征得到预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,预设预制件灰度图像中任意一个像素点的邻域范围,根据预制件灰度图像中任意一个像素点的邻域范围和预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,得到预制件灰度图像中任意一个像素点的噪声强度;
对于预制件灰度图像中任意一个像素点,根据像素点和像素点的邻域范围内每一个像素点的灰度值差异,得到预制件灰度图像中任意一个像素点作为噪声像素点时的概率,根据预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度和预制件灰度图像中任意一个像素点的噪声强度,得到预制件灰度图像中任意一个像素点的识别阈值;
根据预制件灰度图像中任意一个像素点作为噪声像素点时的概率和预制件灰度图像中任意一个像素点的识别阈值,得到分割结果图,根据分割结果图对预制件进行质量评估。
进一步地,所述根据预制件灰度图像得到若干聚类结果,包括的具体步骤如下:
获取预制件灰度图像中灰度值最高的前的像素点,th为预设第一数值,将前的像素点使用均值漂移算法进行聚类,得到若干聚类结果。
进一步地,所述根据任意一个聚类结果和聚类中心得到任意一个光源距离预制件的距离特征,包括的具体步骤如下:
式中,表示第个聚类结果中的像素点的数量,表示第个聚类结果的最
外层像素点的数量,表示第个聚类结果的最外层像素点中第个像素点到第个聚类结
果的聚类中心的欧式距离,表示第个光源距离预制件的距离特征。
进一步地,所述根据任意一个光源距离预制件的距离特征得到预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,包括的具体步骤如下:
式中,表示第个光源距离预制件的距离特征,表示预制件灰度图像中第k个
像素点到第个聚类结果的聚类中心的欧式距离,表示以自然常数为底的指数函数,表示线性归一化函数,表示预制件灰度图像中第k个像素点关于第n个聚类结果
的衰减程度。
进一步地,所述根据预制件灰度图像中任意一个像素点的邻域范围和预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,得到预制件灰度图像中任意一个像素点的噪声强度,包括的具体步骤如下:
式中,表示预制件灰度图像中第k个像素点关于第n个聚类结果的衰减程度,表示的导数,表示聚类结果的总个数,表示预制件灰度图像中第k个像素点的邻
域范围内所有像素点的灰度值方差,表示第k个像素点的邻域范围内第j个像素点与其
八邻域内像素点的灰度值极差,表示预制件灰度图像中第k个像素点的邻域范围内所
有像素点的个数,为预制件灰度图像中第k个像素点的噪声强度。
进一步地,所述根据像素点和像素点的邻域范围内每一个像素点的灰度值差异,得到预制件灰度图像中任意一个像素点作为噪声像素点时的概率,包括的具体步骤如下:
式中,表示预制件灰度图像中第个像素点的灰度值,表示预制件灰度图像
中第个像素点的邻域范围内第j个像素点的灰度值,表示预制件灰度图像中第k个像
素点的邻域范围内所有像素点的个数,表示求绝对值,表示线性归一化函数,
表示预制件灰度图像中第个像素点作为噪声像素点时的概率。
进一步地,所述根据预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度和预制件灰度图像中任意一个像素点的噪声强度,得到预制件灰度图像中任意一个像素点的识别阈值,包括的具体步骤如下:
式中,表示预制件灰度图像中第个像素点的邻域范围内第j个像素点的噪声
强度,表示预制件灰度图像中第k个像素点的邻域范围内所有像素点的个数,表示
预制件灰度图像中第k个像素点关于第n个聚类结果的衰减程度,表示聚类结果的总个
数,表示线性归一化函数,为预设第三数值,表示预制件灰度图像中第个像素
点的识别阈值。
进一步地,所述根据预制件灰度图像中任意一个像素点作为噪声像素点时的概率和预制件灰度图像中任意一个像素点的识别阈值,得到分割结果图,包括的具体步骤如下:
若时,将预制件灰度图像中第个像素点作为噪声像素点,表示预制件
灰度图像中第个像素点作为噪声像素点时的概率,表示预制件灰度图像中第个像素点
的识别阈值,获取预制件灰度图像中所有的噪声像素点,利用自适应阈值分割算法对预制
件灰度图像进行分割,所述预制件灰度图像中的噪声像素点不参与自适应阈值分割算法中
确定分割阈值的计算,分割完成后将预制件灰度图像中所有的噪声像素点的灰度值置为0,
最终得到分割结果图,分割结果图中灰度值为1的所有像素点构成的区域为预制件的裂缝
区域,分割结果图中灰度值为0的所有像素点构成的区域为预制件的正常区域。
进一步地,所述根据分割结果图对预制件进行质量评估,包括的具体步骤如下:
将分割结果图中裂缝区域的像素点的数量与分割结果图中所有像素点的数量比值,作为预制件的缺陷率,将缺陷率大于预设第三阈值的预制件作为缺陷预制件。
本发明还提出了一种装配式建筑施工质量安全管理监控系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现前述所述方法的步骤。
本发明的技术方案的有益效果是:根据预制件灰度图像中像素点受光源影响与噪声表现的关系,在预制件灰度图像自适应阈值分割的过程中识别噪声并排除噪声的干扰,使自适应阈值分割的结果不受到噪声的干扰,提高了分割结果的准确性和鲁棒性,从而提高对预制件进行裂缝缺陷检测;
通过预制件灰度图像中高亮点的聚类情况和分布情况,计算任意一个光源距离预制件的距离特征,以及根据任意一个光源距离预制件的距离特征得到预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,根据衰减程度,得到预制件灰度图像中任意一个像素点的噪声强度,根据预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度和预制件灰度图像中任意一个像素点的噪声强度,得到预制件灰度图像中任意一个像素点的识别阈值,从而使预制件灰度图像中的噪声像素点的确定更加准确,提高了噪声识别的准确度,减少环境的限制。
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为本发明一个实施例所提供的一种装配式建筑施工质量安全管理监控方法的步骤流程图。
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装配式建筑施工质量安全管理监控方法及系统,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,一个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装配式建筑施工质量安全管理监控方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种装配式建筑施工质量安全管理监控方法的步骤流程图,该方法包括以下步骤:
步骤S001、采集预制件图像并灰度化得到预制件灰度图像。
需要说明的是,本实施例的主要目的是,根据图像的光照强度的变化进行噪声强度计算,并进行噪声识别的自适应,本实施例所针对的场景是,在建筑场景中,由于环境限制,夜间采集的图像往往光照不太充足,且有多个光源影响导致光照分布不均匀,这就导致采集的预制件图像中噪声含量大大增加,使用自适应阈值进行质量检测时容易受到影响,因此需要进行噪声识别的自适应,开始处理之前,首先需要采集图像。
具体的,通过相机采集需要进行质量检查的预制件图像,将预制件图像进行灰度化处理,得到预制件灰度图像。需要特别说明的是,预制件图像中只包含预制件。
至此,得到预制件灰度图像。
步骤S002、根据预制件灰度图像得到若干聚类结果,获取每一个聚类结果的聚类中心,根据任意一个聚类结果和聚类中心得到任意一个光源距离预制件的距离特征。
需要说明的是,在采集的预制件图像中,由于低光照且光照不均匀,强光和阴影之间的明暗转换可能导致局部的明暗变化,这些明暗变化容易产生局部不和谐的噪点,即图像噪声,而这些变化使得图像中的噪声含量大大增加。由于这类噪声是图像中光照明暗变化产生,因此在图像中明暗变化越强烈的地方,噪声数量越多,噪声强度就越大。同时,在高光照区域中下,噪声可能被淹没在强光中,看起来变得不明显;而在低光照条件下,图像中噪点或暗区会更加明显,具体表现即为预制件灰度图像噪声点的增加。
因此,对预制件灰度图像中的光照变化进行建模,光照强度变化越大的区域,噪声像素点的数量越多;整体光照强度越低的区域,噪声的表现越明显。
需要说明的是,由于采集的预制件灰度图像光照强度欠佳且分布不均匀,因此首先要获取预制件灰度图像中受光源影响的位置,根据受光源影响的位置来构建预制件灰度图像中的像素点的衰减模型,需要特别说明的是,预制件灰度图像由于环境影响会受到多个光源的影响。
进一步需要说明的是,由于光源侧在预制件灰度图像中必然是亮度最高的那一侧,因此在预制件灰度图像中选择亮度值最高的像素点进行分析。
具体的,根据预制件灰度图像得到若干聚类结果,获取每一个聚类结果的聚类中心,具体如下:
获取预制件灰度图像中灰度值最高的前的像素点,th为预设第一数值,本实
施例以th=1为例进行叙述,将前的像素点使用均值漂移算法进行聚类,得到若干聚类
结果,获取每一个聚类结果的聚类中心。
需要说明的是,聚类结果的聚类中心即为预制件灰度图像中受实际光源影响的位置,即一个聚类中心对应一个实际的光源,实际光源的具体位置无法获取,只能计算出预制件灰度图像中受光源影响的位置,但是光源在不同距离时在预制件灰度图像中的表现不同,光源距离预制件越近,则在预制件灰度图像中高亮度像素点的分布越离散,呈现一个以点为中心的分散分布;光源距离预制件越远,高亮度像素点的分布越接近预制件灰度图像边缘,这些点的分布越接近预制件灰度图像边缘的直线分布。而光源距离预制件越远,则实际光照衰减越快,而光源距离预制件越近,光照衰减的程度越慢。
因此根据均值漂移的聚类结果,在每类聚类结果中对属于这类的像素点的分布计算光源到图像距离特征。
具体的,根据任意一个聚类结果和聚类中心得到任意一个光源距离预制件的距离特征,具体如下:
式中,表示第个聚类结果中的像素点的数量,表示第个聚类结果的最
外层像素点的数量,表示第个聚类结果的最外层像素点中第个像素点到第个聚类结
果的聚类中心的欧式距离,表示第个光源距离预制件的距离特征。需要特别说明的是,表示的距离特征并不是实际光源距离拍摄预制件的距离,它是通过实际光源距离拍摄预
制件的距离在预制件灰度图像中的反映,是从另一个描述空间来进行量化。
需要说明的是,聚类结果的最外层像素点可以通过像素点距离预制件灰度图像的
边缘距离来获取,取距离最小即可,本实施例不再赘述,的值越大,说明实际光源对应
的聚类结果中高亮像素点的数量越多,实际光源距离预制件的位置越接近,表示
第个聚类结果的最外层像素点和聚类结果中心的距离均值,其值越大,说明实际光源的光
照分布在预制件灰度图像中反映越强,光源距离预制件越近,的值越大,说明实际光源距
离预制件越近。
至此,得到任意一个光源距离预制件的距离特征。
步骤S003、根据任意一个光源距离预制件的距离特征得到预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,预设预制件灰度图像中任意一个像素点的邻域范围,根据预制件灰度图像中任意一个像素点的邻域范围和预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,得到预制件灰度图像中任意一个像素点的噪声强度。
需要说明的是,上述获取了任意一个光源距离预制件的距离特征,又已知光照强度在图像中的衰减是指数衰减,光源距离预制件越远,该光源在图像中的反映为亮度越低,光照衰减越快,即灰度值变化越快,因此可以对各光源在图像中的光照衰减进行建模。
具体的,根据任意一个光源距离预制件的距离特征得到预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,具体如下:
式中,表示第个光源距离预制件的距离特征,表示预制件灰度图像中第k个
像素点到第个聚类结果的聚类中心的欧式距离,表示以自然常数为底的指数函数,表示线性归一化函数,归一化对象为所有光源距离预制件的距离特征的倒数,
表示预制件灰度图像中第k个像素点关于第n个聚类结果的衰减程度。
需要说明的是,越小,说明光源距离预制件越远,该光源在图像中反映的亮度越
低,光照衰减越慢,表示光源的光照强度是指数级衰减,反映预制件灰度图像
中第k个像素点关于第n个聚类结果对应的光源照度衰减程度,光源距离预制件越远,该光
源在图像中对应的亮度越低。
需要说明的是,上述步骤已经获取到预制件灰度图像中各聚类结果在预制件灰度图像中的衰减模型,通过衰减模型即可获取预制件灰度图像中不同位置的光照强度变化数据,光照强度变化越强,预制件灰度图像的噪声强度越大,因此通过上述的衰减模型计算预制件灰度图像中不同区域的噪声强度。
若光照强度衰减的越快,那么预制件灰度图像的灰度值变化越大,预制件灰度图像中的噪声强度越大。预制件灰度图像中整体的灰度值越低,预制件灰度图像的噪声越明显,噪声强度越大。
同时考虑到预制件灰度图像中具体的灰度表现,如果预制件灰度图像表面不存在裂缝区域,那么他的整体灰度分布是贴合亮度分布的,此时的噪声强度主要和光照强度有关;如果预制件灰度图像内存在裂缝区域,由于裂缝区域的灰度表现整体呈现较低的灰度值,且裂缝区域与周边背景的灰度有一定差异,因此灰度变化较大,此处的明暗变化较大,因此噪声强度较大,同时由于裂缝缺陷区域灰度值较低,因此噪声的表现也较为明显,因此噪声强度较大。因此需要结合预制件灰度图像中各点周围的缺陷表现程度来对噪声强度进行加权。预制件灰度图像中像素点周围的直方图越接近双峰图,同时像素点周围的其他像素点的梯度越大,越有可能存在裂缝缺陷,他的缺陷表现程度越大,噪声表现越强。
具体的,预设预制件灰度图像中任意一个像素点的邻域范围,根据预制件灰度图像中任意一个像素点的邻域范围和预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,得到预制件灰度图像中任意一个像素点的噪声强度,具体如下:
对于预制件灰度图像中任意一个像素点,以像素点为中心邻域半径为R的范围作为像素点的邻域范围,R为预设第二数值,本实施例以R=2为例进行叙述。
式中,表示预制件灰度图像中第k个像素点关于第n个聚类结果的衰减程度,表示的导数,需要说明的是,中为固定的光源,则不同像素点会得到不同的
,因此通过对求导,得到的导数即,求导方法为公知技术,本实施例不再赘述;表示聚类结果的总个数,表示预制件灰度图像中第k个像素点的邻域范围内所有像素点
的灰度值方差,需要说明的是,邻域范围内所有像素点是包含第k个像素点的,即中心点,后
续无特别说明,邻域范围内所有像素点都指代包含中心点,表示第k个像素点的邻域范
围内第j个像素点与其八邻域内像素点的灰度值极差,表示预制件灰度图像中第k个像
素点的邻域范围内所有像素点的个数,为预制件灰度图像中第k个像素点的噪声强度。
需要说明的是,表示预制件灰度图像中第个像素点的叠加光照强度,
该值越小,该点的亮度越低,噪声越明显,噪声强度越高,反映预制件灰度图像中第个
像素点关于第个光源的光照强度变化程度,其值越大,预制件灰度图像中第个像素点关
于第个聚类结果的衰减程度的变化越快,表示预制件灰度图像中第个像素点
的叠加光照强度变化程度,其值越大,预制件灰度图像中第个像素点的亮度变化越快,噪
声越明显,噪声强度越高,的值越大,说明预制件灰度图像中第个像素点的邻域范围内
越有可能存在裂缝缺陷区域,噪声强度越大,反映的是邻域范围内任意一个像素点的
梯度,这里用灰度值极差来反映,表示预制件灰度图像中第个像素点的邻
域范围内平均梯度,其值越大,说明预制件灰度图像中第个像素点的邻域范围的灰度差越
大,说明越有可能存在裂缝缺陷区域,此处的噪声强度越大。
至此,得到预制件灰度图像中任意一个像素点的噪声强度。
步骤S004、对于预制件灰度图像中任意一个像素点,根据像素点和像素点的邻域范围内每一个像素点的灰度值差异,得到预制件灰度图像中任意一个像素点作为噪声像素点时的概率,根据预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度和预制件灰度图像中任意一个像素点的噪声强度,得到预制件灰度图像中任意一个像素点的识别阈值。
需要说明的是,上述步骤获取了预制件灰度图像中各点的噪声强度,通过结合上述获取的噪声强度,在自适应阈值分割的窗口滑动过程中识别噪声像素点,从而进行在自适应阈值的计算中进行噪声点的排除处理。
具体的,对于预制件灰度图像中任意一个像素点,根据像素点和像素点的邻域范围内每一个像素点的灰度值差异,得到预制件灰度图像中任意一个像素点作为噪声像素点时的概率,具体如下:
式中,表示预制件灰度图像中第个像素点的灰度值,表示预制件灰度图像
中第个像素点的邻域范围内第j个像素点的灰度值,表示预制件灰度图像中第k个像
素点的邻域范围内所有像素点的个数,表示求绝对值,表示线性归一化函数,归
一化对象为预制件灰度图像中所有像素点的,表示预制件灰度图像
中第个像素点作为噪声像素点时的概率。
需要说明的是,表示预制件灰度图像中第个像素点与第个
像素点的邻域范围内像素点的平均灰度差,该值越大,说明第个像素点与第个像素点的
邻域范围内其他像素点的灰度差距越大,第个像素点的灰度值越异常,越有可能是预制件
灰度图像中的噪声像素点。
需要说明的是,根据上述计算出的概率来对噪声像素点的进行识别,根据上述
的逻辑,像素点周围的噪声强度越大,噪声的识别阈值越小,从而识别出更多的噪声点;像
素点周围的光照强度越小,噪声的灰度值表现越大,噪声的识别阈值越大。
具体的,根据预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度和预制件灰度图像中任意一个像素点的噪声强度,得到预制件灰度图像中任意一个像素点的识别阈值,具体如下:
式中,表示预制件灰度图像中第个像素点的邻域范围内第j个像素点的噪声
强度,表示预制件灰度图像中第k个像素点的邻域范围内所有像素点的个数,表示
预制件灰度图像中第k个像素点关于第n个聚类结果的衰减程度,表示聚类结果的总个
数,表示线性归一化函数,归一化对象为所有像素点的,为预设第三数
值,本实例以0.4为例进行叙述,表示预制件灰度图像中第个像素点的识别阈值。
需要说明的是,表示预制件灰度图像中第个像素点的邻域范围内像
素点的平均噪声强度,表示预制件灰度图像中第个像素点的叠加光照强度,该
值越小,像素点周围的光照强度越小,噪声的灰度值表现越大,噪声的识别阈值越大,预设
第三数值的目的是为了避免计算出的阈值过低,导致识别出过多噪声点,反映的是预制
件灰度图像中任意一个像素点作为噪声像素点的识别阈值,便于后续进行噪声点的确认。
至此,得到预制件灰度图像中任意一个像素点的识别阈值。
步骤S005、根据预制件灰度图像中任意一个像素点作为噪声像素点时的概率和预制件灰度图像中任意一个像素点的识别阈值,得到分割结果图,根据分割结果图对预制件进行质量评估。
需要说明的是,上述得到了预制件灰度图像中任意一个像素点作为噪声像素点时的概率和预制件灰度图像中任意一个像素点的识别阈值,通过比较二者的差异得到预制件灰度图像中所有的噪声像素点,进而得到分割结果图,并依据分割结果图对检测的预制件进行评估。
具体的,若时,将预制件灰度图像中第个像素点作为噪声像素点,获取预
制件灰度图像中所有的噪声像素点,利用自适应阈值分割算法对预制件灰度图像进行分
割,分割完成后将预制件灰度图像中所有的噪声像素点的灰度值置为0,最终得到分割结果
图,其中预制件灰度图像中的噪声像素点不参与自适应阈值分割算法中确定分割阈值的计
算,即排除噪声像素点的干扰,分割结果图中灰度值为1的所有像素点构成的区域为预制件
的裂缝区域,分割结果图中灰度值为0的所有像素点构成的区域为预制件的正常区域。需要
说明的是,分割结果图为二值图。
将分割结果图中裂缝区域的像素点的数量与分割结果图中所有像素点的数量比值,作为预制件的缺陷率,将缺陷率大于预设第三阈值的预制件作为缺陷预制件,后续施工时需要注意不能使用缺陷预制件,本实施例以预设第三阈值为0.1进行叙述,具体实施时可根据实施情况来设定。
至此,通过对装配式建筑施工过程中预制件的质量进行检测,实现对施工质量的安全管理监控。
本发明的另一个实施例提供了一种装配式建筑施工质量安全管理监控系统,所述系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序时,执行以下操作:
采集预制件图像并灰度化得到预制件灰度图像;根据预制件灰度图像得到若干聚类结果,获取每一个聚类结果的聚类中心,根据任意一个聚类结果和聚类中心得到任意一个光源距离预制件的距离特征,所述光源为采集预制件图像时的环境光源;根据任意一个光源距离预制件的距离特征得到预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,预设预制件灰度图像中任意一个像素点的邻域范围,根据预制件灰度图像中任意一个像素点的邻域范围和预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,得到预制件灰度图像中任意一个像素点的噪声强度;对于预制件灰度图像中任意一个像素点,根据像素点和像素点的邻域范围内每一个像素点的灰度值差异,得到预制件灰度图像中任意一个像素点作为噪声像素点时的概率,根据预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度和预制件灰度图像中任意一个像素点的噪声强度,得到预制件灰度图像中任意一个像素点的识别阈值;根据预制件灰度图像中任意一个像素点作为噪声像素点时的概率和预制件灰度图像中任意一个像素点的识别阈值,得到分割结果图,根据分割结果图对预制件进行质量评估。
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 (7)
1.一种装配式建筑施工质量安全管理监控方法,其特征在于,该方法包括以下步骤:
采集预制件图像并灰度化得到预制件灰度图像;
根据预制件灰度图像得到若干聚类结果,获取每一个聚类结果的聚类中心,根据任意一个聚类结果和聚类中心得到任意一个光源距离预制件的距离特征,所述光源为采集预制件图像时的环境光源;
根据任意一个光源距离预制件的距离特征得到预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,预设预制件灰度图像中任意一个像素点的邻域范围,根据预制件灰度图像中任意一个像素点的邻域范围和预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,得到预制件灰度图像中任意一个像素点的噪声强度;
对于预制件灰度图像中任意一个像素点,根据像素点和像素点的邻域范围内每一个像素点的灰度值差异,得到预制件灰度图像中任意一个像素点作为噪声像素点时的概率,根据预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度和预制件灰度图像中任意一个像素点的噪声强度,得到预制件灰度图像中任意一个像素点的识别阈值;
根据预制件灰度图像中任意一个像素点作为噪声像素点时的概率和预制件灰度图像中任意一个像素点的识别阈值,得到分割结果图,根据分割结果图对预制件进行质量评估;
所述根据任意一个聚类结果和聚类中心得到任意一个光源距离预制件的距离特征,包括的具体步骤如下:
式中,表示第/>个聚类结果中的像素点的数量,/>表示第/>个聚类结果的最外层像素点的数量,/>表示第/>个聚类结果的最外层像素点中第/>个像素点到第/>个聚类结果的聚类中心的欧式距离,/>表示第/>个光源距离预制件的距离特征;
所述根据任意一个光源距离预制件的距离特征得到预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,包括的具体步骤如下:
式中,表示第/>个光源距离预制件的距离特征,/>表示预制件灰度图像中第k个像素点到第/>个聚类结果的聚类中心的欧式距离,/>表示以自然常数为底的指数函数,表示线性归一化函数,/>表示预制件灰度图像中第k个像素点关于第n个聚类结果的衰减程度;
所述根据预制件灰度图像中任意一个像素点的邻域范围和预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度,得到预制件灰度图像中任意一个像素点的噪声强度,包括的具体步骤如下:
式中,表示预制件灰度图像中第k个像素点关于第n个聚类结果的衰减程度,/>表示/>的导数,/>表示聚类结果的总个数,/>表示预制件灰度图像中第k个像素点的邻域范围内所有像素点的灰度值方差,/>表示第k个像素点的邻域范围内第j个像素点与其八邻域内像素点的灰度值极差,/>表示预制件灰度图像中第k个像素点的邻域范围内所有像素点的个数,/>为预制件灰度图像中第k个像素点的噪声强度;
若时,将预制件灰度图像中第/>个像素点作为噪声像素点,/>表示预制件灰度图像中第/>个像素点作为噪声像素点时的概率,/>表示预制件灰度图像中第/>个像素点的识别阈值。
2.根据权利要求1所述一种装配式建筑施工质量安全管理监控方法,其特征在于,所述根据预制件灰度图像得到若干聚类结果,包括的具体步骤如下:
获取预制件灰度图像中灰度值最高的前 的像素点,th为预设第一数值,将前/>的像素点使用均值漂移算法进行聚类,得到若干聚类结果。
3.根据权利要求1所述一种装配式建筑施工质量安全管理监控方法,其特征在于,所述根据像素点和像素点的邻域范围内每一个像素点的灰度值差异,得到预制件灰度图像中任意一个像素点作为噪声像素点时的概率,包括的具体步骤如下:
式中,表示预制件灰度图像中第/>个像素点的灰度值,/>表示预制件灰度图像中第/>个像素点的邻域范围内第j个像素点的灰度值,/>表示预制件灰度图像中第k个像素点的邻域范围内所有像素点的个数,/>表示求绝对值,/>表示线性归一化函数,/>表示预制件灰度图像中第/>个像素点作为噪声像素点时的概率。
4.根据权利要求1所述一种装配式建筑施工质量安全管理监控方法,其特征在于,所述根据预制件灰度图像中任意一个像素点关于任意一个聚类结果的衰减程度和预制件灰度图像中任意一个像素点的噪声强度,得到预制件灰度图像中任意一个像素点的识别阈值,包括的具体步骤如下:
式中,表示预制件灰度图像中第/>个像素点的邻域范围内第j个像素点的噪声强度,表示预制件灰度图像中第k个像素点的邻域范围内所有像素点的个数,/>表示预制件灰度图像中第k个像素点关于第n个聚类结果的衰减程度,/>表示聚类结果的总个数,表示线性归一化函数,/>为预设第三数值,/>表示预制件灰度图像中第/>个像素点的识别阈值。
5.根据权利要求1所述一种装配式建筑施工质量安全管理监控方法,其特征在于,所述根据预制件灰度图像中任意一个像素点作为噪声像素点时的概率和预制件灰度图像中任意一个像素点的识别阈值,得到分割结果图,包括的具体步骤如下:
获取预制件灰度图像中所有的噪声像素点,利用自适应阈值分割算法对预制件灰度图像进行分割,所述预制件灰度图像中的噪声像素点不参与自适应阈值分割算法中确定分割阈值的计算,分割完成后将预制件灰度图像中所有的噪声像素点的灰度值置为0,最终得到分割结果图,分割结果图中灰度值为1的所有像素点构成的区域为预制件的裂缝区域,分割结果图中灰度值为0的所有像素点构成的区域为预制件的正常区域。
6.根据权利要求5所述一种装配式建筑施工质量安全管理监控方法,其特征在于,所述根据分割结果图对预制件进行质量评估,包括的具体步骤如下:
将分割结果图中裂缝区域的像素点的数量与分割结果图中所有像素点的数量比值,作为预制件的缺陷率,将缺陷率大于预设第三阈值的预制件作为缺陷预制件。
7.一种装配式建筑施工质量安全管理监控系统,所述系统包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-6任一项所述一种装配式建筑施工质量安全管理监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311575119.7A CN117292328B (zh) | 2023-11-24 | 2023-11-24 | 一种装配式建筑施工质量安全管理监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311575119.7A CN117292328B (zh) | 2023-11-24 | 2023-11-24 | 一种装配式建筑施工质量安全管理监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117292328A CN117292328A (zh) | 2023-12-26 |
CN117292328B true CN117292328B (zh) | 2024-02-02 |
Family
ID=89241034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311575119.7A Active CN117292328B (zh) | 2023-11-24 | 2023-11-24 | 一种装配式建筑施工质量安全管理监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117292328B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838123A (zh) * | 2019-11-06 | 2020-02-25 | 南京止善智能科技研究院有限公司 | 一种室内设计效果图像光照高亮区域的分割方法 |
CN115035293A (zh) * | 2022-05-24 | 2022-09-09 | 国家海洋环境监测中心 | 一种无监督深度学习的sar影像海水养殖智能提取方法 |
CN115082719A (zh) * | 2022-07-22 | 2022-09-20 | 南通东方雨虹建筑材料有限公司 | 一种木材质量分级方法 |
CN115829883A (zh) * | 2023-02-16 | 2023-03-21 | 汶上县恒安钢结构有限公司 | 一种异性金属结构件表面图像去噪方法 |
CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116805302A (zh) * | 2023-04-28 | 2023-09-26 | 兰州交通大学 | 一种缆索表面缺陷检测装置及方法 |
-
2023
- 2023-11-24 CN CN202311575119.7A patent/CN117292328B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838123A (zh) * | 2019-11-06 | 2020-02-25 | 南京止善智能科技研究院有限公司 | 一种室内设计效果图像光照高亮区域的分割方法 |
CN115035293A (zh) * | 2022-05-24 | 2022-09-09 | 国家海洋环境监测中心 | 一种无监督深度学习的sar影像海水养殖智能提取方法 |
CN115082719A (zh) * | 2022-07-22 | 2022-09-20 | 南通东方雨虹建筑材料有限公司 | 一种木材质量分级方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN115829883A (zh) * | 2023-02-16 | 2023-03-21 | 汶上县恒安钢结构有限公司 | 一种异性金属结构件表面图像去噪方法 |
CN116805302A (zh) * | 2023-04-28 | 2023-09-26 | 兰州交通大学 | 一种缆索表面缺陷检测装置及方法 |
CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
A novel segmentation method for uneven lighting image with noise injection based on non-local spatial information and intuitionistic fuzzy entropy;Haiyan Yu et al.;EURASIP Journal on Advances in Signal Processing volume;第1-22页 * |
X射线焊缝图像质量评价及质量提高方法研究;张翔松;中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑;第2021卷(第09期);第B022-247页 * |
基于图像处理与机器学习的岩土湿度检测系统;李磊;陈向东;丁星;李皋;陈一健;;传感器与微系统(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117292328A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116596936B (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN109101897A (zh) | 水下机器人的目标检测方法、系统及相关设备 | |
CN116168026A (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN116309600A (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN118225803B (zh) | 一种推土机刀片表面外观视觉检测方法 | |
CN112633174A (zh) | 一种基于改进的YOLOv4高穹顶场景下火灾检测方法、存储介质 | |
CN117974637B (zh) | 基于图像特征的引导轮裂纹缺陷智能检测方法及系统 | |
CN117911408A (zh) | 一种道路路面施工质量检测方法及系统 | |
CN109559321A (zh) | 一种声呐图像分割方法和设备 | |
CN117893527A (zh) | 一种新能源储能箱体表面缺陷检测方法 | |
CN117292328B (zh) | 一种装配式建筑施工质量安全管理监控方法及系统 | |
CN117218115B (zh) | 一种汽车配件漆面异常检测方法 | |
CN117649694A (zh) | 一种基于图像增强的人脸检测方法、系统及装置 | |
CN115984283B (zh) | 一种钢筋笼焊接质量智能检测方法 | |
CN115861318B (zh) | 一种棉花加工生产质量检测方法 | |
CN116363114A (zh) | 一种瓷砖表面质量检测方法、装置、电子设备及存储介质 | |
CN115620121A (zh) | 一种基于数字孪生的光电目标高精度检测方法 | |
CN116123040A (zh) | 一种基于多模态数据融合的风机叶片状态检测方法及系统 | |
CN114926675A (zh) | 外壳污损缺陷检测方法、装置、计算机设备及存储介质 | |
CN113705672A (zh) | 图像目标检测的阈值选取方法、系统、装置及存储介质 | |
CN116958134B (zh) | 基于图像处理的塑料膜挤出质量评估方法 |
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 |