CN117314747A - 一种混凝土结构裂缝的拼接和扩展检测方法 - Google Patents
一种混凝土结构裂缝的拼接和扩展检测方法 Download PDFInfo
- Publication number
- CN117314747A CN117314747A CN202311193379.8A CN202311193379A CN117314747A CN 117314747 A CN117314747 A CN 117314747A CN 202311193379 A CN202311193379 A CN 202311193379A CN 117314747 A CN117314747 A CN 117314747A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- cracks
- splicing
- points
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000013519 translation Methods 0.000 claims abstract description 5
- 239000000463 material Substances 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 14
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20036—Morphological 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种混凝土结构裂缝的拼接和扩展检测方法,通过手机拍摄混凝土裂缝,将拍摄结果转为位图传入手机APP并进行分析,对裂缝进行处理和轮廓勾勒并轮廓进行特征点计算,筛选特征点并将特征点集合存入APP软件,根据项目信息和裂缝具体位置查询裂缝历史数据并上传服务器,对特征点数据进行匹配对应,得到两张轮廓原图的透视变换矩阵,消除误差影响,得到裂缝延展区域,对延展区域像素进行颜色标注和面积计算,将裂缝轮廓勾勒图像和特征点进行相关像素平移配准拼接,得到裂缝实际图像,对拼接后的图像进行融合,依照最小内接矩形进行裁剪,直至裂缝拼接完成。通过上述步骤大大提高了裂缝检测精准度,降低了检测成本。
Description
技术领域
本发明涉及混凝土结构裂缝检测领域,特别是涉及一种混凝土结构裂缝的拼接和扩展检测方法。
背景技术
混凝土结构是建筑工程中常用的一种材料,但由于长时间的使用、环境变化以及施工等多种因素,混凝土结构中会产生裂缝。这些裂缝如果得不到及时的修复和处理,可能会导致结构的强度和稳定性下降,进而影响建筑物的安全性。
目前,已有许多混凝土结构裂缝的检测方法。然而,传统的检测方法存在一些问题。例如,使用肉眼观察裂缝时往往不能准确地确定裂缝的起始点和终止点,导致检测结果的不准确性;使用简单的测量工具对裂缝进行测量,可能会出现误差;而使用高精度的仪器设备进行测量则需要专业人员进行操作,并且成本较高。
因此,需要一种新的混凝土结构裂缝的拼接和扩展检测方法,能够准确地定位裂缝的起始点和终止点,并能够实现高精度的测量,同时具备简便操作和成本效益的特点。
发明内容
本发明的目的是提供一种能够实现高精度检测的混凝土结构裂缝检测方法。
为实现上述目的,本发明提供了如下方案:
一种混凝土结构裂缝的拼接和扩展检测方法,包括以下步骤:
S1、利用搭载Android系统的手机调用摄像头,对需要拼接和扩展检测的混凝土裂缝进行拍照,并将拍照结果转为Bitmap位图传入手机APP;
S2、利用所述手机APP对所述步骤S1中的位图进行分析,通过OpenCV图像处理技术对裂缝进行处理和轮廓勾勒;
S3、对所述步骤S2所得裂缝勾勒轮廓进行特征点计算,并从中筛选出满足阈值条件的特征点,将筛选好的特征点集合存入APP软件缓存中;
S4、将所述步骤S2所得裂缝勾勒轮廓和所述步骤S3所得裂缝轮廓图图像特征点结合裂缝所在里程位置、项目信息和操作人员一起上传至服务器;
S5、在服务器上,通过所述步骤S4所上传的项目信息和具体位置查询该处裂缝的历史数据;重复所述步骤S4,将需拼接的裂缝素材一次性上传至服务器;
S6、将所述步骤S4和所述步骤S5的特征点数据进行匹配对应,得到两张轮廓原图的透视变换矩阵;通过带入上述透视变换矩阵计算,从而消除两张图片由于拍摄距离、角度以及方位所带来的误差影响,得到两张拍摄距离、角度以及方位完全一致的裂缝轮廓勾勒图像;
S7、将步骤S5生成的两组裂缝勾勒图像进行按位操作中的异或操作,提取出两组裂缝勾勒图像中有差异的像素点,经过特异点除噪后,剩下的像素即为裂缝的延展区域;
S8、对所述步骤S7生成的裂缝延展区域像素进行颜色标注和面积计算,直观地展示其延展结果和延展比例;
S9、将所述步骤S6生成的两组拍摄距离、角度以及方位完全一致的裂缝轮廓勾勒图像,以及步骤S4和步骤S5所生成的特征点的对应关系进行相关像素平移配准拼接,得到裂缝实际图像;
S10、对所述步骤S9生成的裂缝实际图像,在图像配准的基础上,对拼接后的图像进行融合;
S11、对所述步骤S10生成的拼接完成的图像依照最小内接矩形进行裁剪;
S12、当需拼接裂缝素材超过两张时,重复所述步骤S9至S11,直至裂缝完全拼接完成。
可选的,所述步骤S1中拍照结果转为Bitmap位图的步骤为:
S101、使用BitmapFactory调用拍照结果;
S102、调用函数确定图片的高度、宽度和色彩通道数;
S103、将拍照结果图数据流转换为Bitmap位图传入APP。
可选的,所述步骤S2中对裂缝进行处理和轮廓勾勒具体步骤为:
S201、基于OpenCV将Bitmap位图进行灰度化和二值化处理;
S202、调用高斯平滑算法对步骤S201所得处理后图像进行模糊处理,从而去除环境和麻点图像噪声影响;
S203、将所述步骤S202所得到的新位图通过基于Canny算子的轮廓边界勾勒,随后运用图像开闭运算中的闭运算实现对轮廓连贯性的重塑和噪声点的消除。
可选的,所述步骤S203中的闭运算算法步骤为:
创建一个3*3的卷积内核,使用该内核对图像进行遍历,从而实现图像形态学中的膨胀操作;
创建一个3*3的卷积内核,使用该内核对图像进行遍历,从而实现图像形态学中的腐蚀操作。
可选的,所述步骤S3中特征点计算的步骤为:
S301、部署KNN-matching匹配函数模型,该函数会对两个图像中的特征点进行匹配,并返回最近的k个匹配点,其中k根据实验设定为固定值2;
S302、对所述步骤S301所得的所有匹配点进行筛选,过滤掉所有相似性得分比值小于0.7的特征点,具体的,通过KNN-matching函数所得到的每个特征点是一对描述符,每个描述符以向量的形式表达;使用欧几里得定律计算两个向量之间的相似度;
过滤后所得的特征点集合即为步骤S3所得的特征点集合。
可选的,所述步骤S6中特征点数据进行匹配对应的步骤为:
S601、调用findHomography函数实现特征点的匹配对应;
S602、所述步骤S601中findHomography函数返回值为特征点的对应下标关系,以及两幅Bitmap位图的形变矩阵,通过将上述步骤S61中返回的形变矩阵带入图像进行计算,从而得到两幅透视变换幅度完全一致的图像。
可选的,所述步骤S7中特异点除噪的步骤为:
遍历所有步骤S7中异或操作后结果为“异”的轮廓集合,进行判断,当判断结果符合以下条件时,剔除该轮廓:
轮廓面积小于20像素时,认为是图像噪声麻点;
轮廓的最小外接矩形长宽比比值小于2倍时,认为该轮廓不符合混凝土裂缝特性,不是裂缝,将其剔除。
可选的,所述裂缝的历史数据包括裂缝勾勒轮廓以及其对应的图像特征点。
可选的,所述步骤S10中对拼接后的图像进行融合具体为:
首先根据所设置的变换器对图像进行变形,然后对变换后的图像进行曝光增益补偿,最后形成拼接完成的图像。
可选的,Canny算子的运算阈值为50到155,这是一个经验系数,用于适配混凝土裂缝的勾勒需求。
本发明公开的技术方案与现有技术相比,具有以下有益效果:
本发明提供的混凝土结构裂缝的拼接和扩展检测方法,通过手机拍摄混凝土裂缝,将拍摄结果转为位图传入手机APP,手机APP对位图进行分析,利用图像处理技术对裂缝进行处理和轮廓勾勒,对轮廓进行特征点计算,筛选特征点并将特征点集合存入APP软件缓存中,将裂缝轮廓、特征点、里程位置、项目信息和操作人员上传服务器,根据项目信息和裂缝具体位置查询裂缝历史数据并上传服务器,对特征点数据进行匹配对应,得到两张轮廓原图的透视变换矩阵,消除误差影响,得到裂缝延展区域,对延展区域像素进行颜色标注和面积计算,将裂缝轮廓勾勒图像和特征点进行相关像素平移配准拼接,得到裂缝实际图像,对拼接后的图像进行融合,依照最小内接矩形进行裁剪,直至裂缝拼接完成。通过上述步骤大大提高了裂缝检测精准度,降低了检测成本。
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为本发明实施例提供的特征点的对应匹配示意图。
图2为本发明实施例提供的两场素材图片透视变换对应关系示意图。
图3为本发明实施例提供的混凝土裂缝勾勒结果示意图。
图4为本发明实施例提供的裂缝延展识别结果图。
图5为本发明实施例提供的一种混凝土结构裂缝的拼接和扩展检测方法流程图。
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。
本发明的目的是提供一种能够提高混凝土裂缝检测精度和降低成本的检测方法。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
一种混凝土结构裂缝的拼接和扩展检测方法,包括:
S1、利用搭载Android系统的手机调用摄像头,对需要拼接和扩展检测的混凝土裂缝进行拍照,并将拍照结果转为Bitmap位图传入手机APP;
S2、利用所述手机APP对所述步骤S1中的位图进行分析,通过OpenCV图像处理技术对裂缝进行处理和轮廓勾勒;图3所示为混凝土裂缝勾勒结果图。
S3、对所述步骤S2所得裂缝勾勒轮廓进行特征点计算,并从中筛选出满足阈值条件的特征点,将筛选好的特征点集合存入APP软件缓存中;
当步骤S2中提取出裂缝轮廓图像特征点集合后,以数组形式存入手机APP缓存区,直接进行接下来的运算,当APP关闭时销毁。不需要以文件形式读写值手机内存。
S4、将所述步骤S2所得裂缝勾勒轮廓和所述步骤S3所得裂缝轮廓图图像特征点结合裂缝所在里程位置、项目信息和操作人员一起上传至服务器;
S5、在服务器上,通过所述步骤S4所上传的项目信息和具体位置查询该处裂缝的历史数据;重复所述步骤S4,将需拼接的裂缝素材一次性上传至服务器;
S6、将所述步骤S4和所述步骤S5的特征点数据进行匹配对应,如图1和2所示,得到两张轮廓原图的透视变换矩阵;通过带入上述透视变换矩阵计算,从而消除两张图片由于拍摄距离、角度以及方位所带来的误差影响,得到两张拍摄距离、角度以及方位完全一致的裂缝轮廓勾勒图像;
S7、将步骤S5生成的两组裂缝勾勒图像进行按位操作中的异或操作,提取出两组裂缝勾勒图像中有差异的像素点,经过特异点除噪后,剩下的像素即为裂缝的延展区域,图4为裂缝延展识别结果图。
S8、对所述步骤S7生成的裂缝延展区域像素进行颜色标注和面积计算,直观地展示其延展结果和延展比例;
S9、将所述步骤S6生成的两组拍摄距离、角度以及方位完全一致的裂缝轮廓勾勒图像,以及步骤S4和步骤S5所生成的特征点的对应关系进行相关像素平移配准拼接,得到裂缝实际图像;
S10、对所述步骤S9生成的裂缝实际图像,在图像配准的基础上,为使拼接后的全景图像看起来更加自然,需要对拼接后的图像进行融合;
S11、由于拼接所有图像素材的形变各不相同,所以对所述步骤S10生成的拼接完成的图像依照最小内接矩形进行裁剪;
S12、当需拼接裂缝素材超过两张时,重复所述步骤S9至S11,直至裂缝完全拼接完成。
进一步的,所述步骤S1中拍照结果转为Bitmap位图的步骤为:
S101、使用BitmapFactory(BitmapFactory是Android平台中的一个类,用于在应用程序中加载和解码图像文件,生成Bitmap对象。它提供了多种方法和选项,用于从不同的数据源中读取和解码图像数据。)调用拍照结果;
S102、调用函数确定图片的高度、宽度和色彩通道数;
S103、将拍照结果图数据流转换为Bitmap位图传入APP。
进一步的,所述步骤S2中对裂缝进行处理和轮廓勾勒具体步骤为:
S201、基于OpenCV将Bitmap位图进行灰度化和二值化处理;
S202、调用高斯平滑算法对步骤S201所得处理后图像进行模糊处理,从而去除环境和麻点图像噪声影响;
S203、将所述步骤S202所得到的新位图通过基于Canny算子的轮廓边界勾勒,随后运用图像开闭运算中的闭运算实现对轮廓连贯性的重塑和噪声点的消除。
进一步的,所述步骤S203中的闭运算算法步骤为:
创建一个3*3的卷积内核,使用该内核对图像进行遍历,从而实现图像形态学中的膨胀操作;
创建一个3*3的卷积内核,使用该内核对图像进行遍历,从而实现图像形态学中的腐蚀操作。
通过对图像进行先膨胀、再腐蚀的操作即为图像闭运算,处理后的图片看上去将两个细微连接的图块连接在一起。闭运算可以使得图像变得光滑,并且能够填平图像中的凹陷(即小孔),弥合小裂缝,而图像中目标的位置和形状可以保持不变,非常适用与对裂缝的勾勒。
进一步的,所述步骤S3中特征点计算的步骤为:
S301、部署KNN-matching匹配函数模型,KNNMatch函数的全称是k-nearest-neighbors match,意为"k近邻匹配"。该函数会对两个图像中的特征点进行匹配,并返回最近的k个匹配点,其中k根据实验设定为固定值2;
S302、对所述步骤S301所得的所有匹配点进行筛选,过滤掉所有相似性得分比值小于0.7的特征点,具体的,通过KNN-matching函数所得到的每个特征点是一对描述符,每个描述符以向量的形式表达;使用欧几里得定律计算两个向量之间的相似度;
过滤后所得的特征点集合即为步骤S3所得的特征点集合。
进一步的,所述步骤S6中特征点数据进行匹配对应的步骤为:
S601、调用findHomography函数实现特征点的匹配对应;
findHomography函数运用的是奇异值分解(SVD)数学模型,用SVD可以很容易得到任意矩阵的满秩分解,用满秩分解可以对数据做压缩。可以用SVD来证明对任意M*N的矩阵均存在如下分解:这个可以应用在数据降维压缩上。在数据相关性特别大的情况下存储X和Y矩阵比存储A矩阵占用空间更小。
S602、所述步骤S601中findHomography函数返回值为特征点的对应下标关系,以及两幅Bitmap位图的形变矩阵,在实际拍摄中,由于拍摄摄像头远近、角度等影响因素,可能会导致两张图片产生一定程度形变差异,即图像的透视变换。通过将上述步骤S61中返回的形变矩阵带入图像进行计算,从而得到两幅透视变换幅度完全一致的图像。
进一步的,所述步骤S7中特异点除噪的步骤为:
遍历所有步骤S7中异或操作后结果为“异”的轮廓集合,进行判断,当判断结果符合以下条件时,剔除该轮廓:
轮廓面积小于20像素时,认为是图像噪声麻点;
轮廓的最小外接矩形长宽比比值小于2倍时,认为该轮廓不符合混凝土裂缝特性,不是裂缝,将其剔除。
进一步的,所述裂缝的历史数据包括裂缝勾勒轮廓以及其对应的图像特征点。
进一步的,所述步骤S10中对拼接后的图像进行融合具体为:
首先根据所设置的变换器对图像进行变形,然后对变换后的图像进行曝光增益补偿,最后形成拼接完成的图像。
进一步的,Canny算子的运算阈值为50到155,这是一个经验系数,用于适配混凝土裂缝的勾勒需求。
实施例2:
如图5所示,本实施例提供了一种检测方法的流程步骤,包括:
(1)拍摄裂缝图像1;
(2)处理、勾勒裂缝图像1;
(3)拍摄裂缝图像2;
(4)处理勾勒裂缝图像2;
(5)对处理后的图像1、图像2进行特征点匹配;
(6)对经过步骤(5)处理后得到的图像进行拼接或扩展判别;
(7)对经过步骤(6)处理后的图像对匹配到的相同特征点图像进行重合覆盖;
(8)经过拼接和步骤(7)处理后得到平滑图像;对经过扩展判别和步骤(7)处理后的图像进行对差异的特征点图像进行标注;
(9)对平滑图像进行处理得到拼接结果;对差异的特征点图像进行标注得到扩展判别结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种混凝土结构裂缝的拼接和扩展检测方法,其特征在于,包括以下步骤:
S1、利用搭载Android系统的手机调用摄像头,对需要拼接和扩展检测的混凝土裂缝进行拍照,并将拍照结果转为Bitmap位图传入手机APP;
S2、利用所述手机APP对所述步骤S1中的位图进行分析,通过OpenCV图像处理技术对裂缝进行处理和轮廓勾勒;
S3、对所述步骤S2所得裂缝勾勒轮廓进行特征点计算,并从中筛选出满足阈值条件的特征点,将筛选好的特征点集合存入APP软件缓存中;
S4、将所述步骤S2所得裂缝勾勒轮廓和所述步骤S3所得裂缝轮廓图图像特征点结合裂缝所在里程位置、项目信息和操作人员一起上传至服务器;
S5、在服务器上,通过所述步骤S4所上传的项目信息和具体位置查询该处裂缝的历史数据;重复所述步骤S4,将需拼接的裂缝素材一次性上传至服务器;
S6、将所述步骤S4和所述步骤S5的特征点数据进行匹配对应,得到两张轮廓原图的透视变换矩阵;通过带入上述透视变换矩阵计算,从而消除两张图片由于拍摄距离、角度以及方位所带来的误差影响,得到两张拍摄距离、角度以及方位完全一致的裂缝轮廓勾勒图像;
S7、将步骤S5生成的两组裂缝勾勒图像进行按位操作中的异或操作,提取出两组裂缝勾勒图像中有差异的像素点,经过特异点除噪后,剩下的像素即为裂缝的延展区域;
S8、对所述步骤S7生成的裂缝延展区域像素进行颜色标注和面积计算,直观地展示其延展结果和延展比例;
S9、将所述步骤S6生成的两组拍摄距离、角度以及方位完全一致的裂缝轮廓勾勒图像,以及步骤S4和步骤S5所生成的特征点的对应关系进行相关像素平移配准拼接,得到裂缝实际图像;
S10、对所述步骤S9生成的裂缝实际图像,在图像配准的基础上,对拼接后的图像进行融合;
S11、对所述步骤S10生成的拼接完成的图像依照最小内接矩形进行裁剪;
S12、当需拼接裂缝素材超过两张时,重复所述步骤S9至S11,直至裂缝完全拼接完成。
2.根据权利要求1所述的混凝土结构裂缝的拼接和扩展检测方法,其特征在于,所述步骤S1中拍照结果转为Bitmap位图的步骤为:
S101、使用BitmapFactory调用拍照结果;
S102、调用函数确定图片的高度、宽度和色彩通道数;
S103、将拍照结果图数据流转换为Bitmap位图传入APP。
3.根据权利要求1所述的混凝土结构裂缝的拼接和扩展检测方法,其特征在于,所述步骤S2中对裂缝进行处理和轮廓勾勒具体步骤为:
S201、基于OpenCV将Bitmap位图进行灰度化和二值化处理;
S202、调用高斯平滑算法对步骤S201所得处理后图像进行模糊处理,从而去除环境和麻点图像噪声影响;
S203、将所述步骤S202所得到的新位图通过基于Canny算子的轮廓边界勾勒,随后运用图像开闭运算中的闭运算实现对轮廓连贯性的重塑和噪声点的消除。
4.根据权利要求3所述的混凝土结构裂缝的拼接和扩展检测方法,其特征在于,所述步骤S203中的闭运算算法步骤为:
创建一个3*3的卷积内核,使用该内核对图像进行遍历,从而实现图像形态学中的膨胀操作;
创建一个3*3的卷积内核,使用该内核对图像进行遍历,从而实现图像形态学中的腐蚀操作。
5.根据权利要求1所述的混凝土结构裂缝的拼接和扩展检测方法,其特征在于,所述步骤S3中特征点计算的步骤为:
S301、部署KNN-matching匹配函数模型,该函数会对两个图像中的特征点进行匹配,并返回最近的k个匹配点,其中k根据实验设定为固定值2;
S302、对所述步骤S301所得的所有匹配点进行筛选,过滤掉所有相似性得分比值小于0.7的特征点,具体的,通过KNN-matching函数所得到的每个特征点是一对描述符,每个描述符以向量的形式表达;使用欧几里得定律计算两个向量之间的相似度;
过滤后所得的特征点集合即为步骤S3所得的特征点集合。
6.根据权利要求1所述的混凝土结构裂缝的拼接和扩展检测方法,其特征在于,所述步骤S6中特征点数据进行匹配对应的步骤为:
S601、调用findHomography函数实现特征点的匹配对应;
S602、所述步骤S601中findHomography函数返回值为特征点的对应下标关系,以及两幅Bitmap位图的形变矩阵,通过将上述步骤S61中返回的形变矩阵带入图像进行计算,从而得到两幅透视变换幅度完全一致的图像。
7.根据权利要求1所述的混凝土结构裂缝的拼接和扩展检测方法,其特征在于,所述步骤S7中特异点除噪的步骤为:
遍历所有步骤S7中异或操作后结果为“异”的轮廓集合,进行判断,当判断结果符合以下条件时,剔除该轮廓:
轮廓面积小于20像素时,认为是图像噪声麻点;
轮廓的最小外接矩形长宽比比值小于2倍时,认为该轮廓不符合混凝土裂缝特性,不是裂缝,将其剔除。
8.根据权利要求1所述的混凝土结构裂缝的拼接和扩展检测方法,其特征在于,所述裂缝的历史数据包括裂缝勾勒轮廓以及其对应的图像特征点。
9.根据权利要求1所述的混凝土结构裂缝的拼接和扩展检测方法,其特征在于,所述步骤S10中对拼接后的图像进行融合具体为:
首先根据所设置的变换器对图像进行变形,然后对变换后的图像进行曝光增益补偿,最后形成拼接完成的图像。
10.根据权利要求3所述的混凝土结构裂缝的拼接和扩展检测方法,其特征在于,Canny算子的运算阈值为50到155,这是一个经验系数,用于适配混凝土裂缝的勾勒需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311193379.8A CN117314747A (zh) | 2023-09-15 | 2023-09-15 | 一种混凝土结构裂缝的拼接和扩展检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311193379.8A CN117314747A (zh) | 2023-09-15 | 2023-09-15 | 一种混凝土结构裂缝的拼接和扩展检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117314747A true CN117314747A (zh) | 2023-12-29 |
Family
ID=89259464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311193379.8A Pending CN117314747A (zh) | 2023-09-15 | 2023-09-15 | 一种混凝土结构裂缝的拼接和扩展检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314747A (zh) |
-
2023
- 2023-09-15 CN CN202311193379.8A patent/CN117314747A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598512B (zh) | 一种车位检测方法及装置 | |
US20140229207A1 (en) | Damage assessment of an object | |
CN110516541B (zh) | 文本定位方法、装置、计算机可读存储介质和计算机设备 | |
CN109712071B (zh) | 基于航迹约束的无人机图像拼接与定位方法 | |
CN107749071B (zh) | 大畸变棋盘格图像角点检测方法及装置 | |
WO2021217940A1 (zh) | 车辆部件识别方法、装置、计算机设备和存储介质 | |
CN111667470A (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN116258722B (zh) | 基于图像处理的桥梁建筑智能检测方法 | |
CN115082450A (zh) | 基于深度学习网络的路面裂缝检测方法和系统 | |
CN111260675B (zh) | 一种图像真实边界高精度提取方法及系统 | |
CN114037992A (zh) | 仪表示数识别方法、装置、电子设备及存储介质 | |
CN116612280A (zh) | 车辆分割方法、装置、计算机设备和计算机可读存储介质 | |
CN115810133A (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
CN113808033A (zh) | 图像文档校正方法、系统、终端及介质 | |
CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
CN117314747A (zh) | 一种混凝土结构裂缝的拼接和扩展检测方法 | |
CN112132142A (zh) | 文本区域确定方法、装置、计算机设备及存储介质 | |
CN116596903A (zh) | 缺陷识别方法、装置、电子设备及可读存储介质 | |
CN114359120B (zh) | 遥感影像处理方法、装置、设备及存储介质 | |
CN116342391A (zh) | 一种支柱瓷绝缘子的红外图像侧面展开方法和装置 | |
CN115063826A (zh) | 一种基于深度学习的移动端驾驶证识别方法和系统 | |
CN114639004A (zh) | 多聚焦图像融合方法及装置 | |
CN114359352A (zh) | 图像处理方法、装置、设备、存储介质及计算机程序产品 | |
CN114581310A (zh) | 染色体矫直方法、装置、计算机设备和存储介质 | |
CN117808803B (zh) | 一种基于图像处理的工件质量检测方法及系统、电子设备 |
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 |