CN117351013A - 一种建筑物损伤智能检测系统与方法 - Google Patents
一种建筑物损伤智能检测系统与方法 Download PDFInfo
- Publication number
- CN117351013A CN117351013A CN202311648081.1A CN202311648081A CN117351013A CN 117351013 A CN117351013 A CN 117351013A CN 202311648081 A CN202311648081 A CN 202311648081A CN 117351013 A CN117351013 A CN 117351013A
- Authority
- CN
- China
- Prior art keywords
- damage
- image
- building
- feature
- profile
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 97
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000001931 thermography Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000025009 detection of wounding Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- 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
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种建筑物损伤智能检测系统与方法，涉及建筑物损伤检测技术领域。将建筑物待检测的多个区域进行编号，通过热成像设备采集建筑物待检测的多个区域的红外热信号形成高频增强的热图像序列；采用局部特征算法对高频增强的热图像进行像素特征提取，得到特征图像；采用梯度向量算法对特征图像的特征进行轮廓提取，得到建筑物待检测的多个区域的轮廓集；对轮廓集进行分类，得到损伤轮廓子集和无损伤轮廓子集；计算损伤轮廓子集对应的损伤热区域图像的熵值，识别出待检测建筑物多个区域内部的极值损伤情况。通过图像识别，使损伤检测更加规范化，通过算法对图像的分析，提高损伤检测的效率和正确率。
Description
技术领域
本发明提出了一种建筑物损伤智能检测系统与方法，涉及建筑物损伤检测技术领域。
背景技术
建筑物是我们生活和工作中必不可少的部分，但是建筑物与伤害也是相伴相生的，当建筑物出现损伤往往会威胁到我们的生命财产安全。任何建筑物都有其寿命，长时间的使用会导致建筑物出现自然老化现象。建筑物的过度使用和自然灾害等也是导致其损伤的重要原因。待检测区域渗水，瓦片脱落等问题往往都是建筑物自然老化现象的表现。针对这种情况，我们需要制定常规性检测计划，对建筑物进行有效维修，延长其使用寿命。现在很多检查建筑物损伤的方式主要是人工，人工劳动强度大、效率低且易受个人主观因素影响判断建筑物损伤程度。
建筑结构损伤检测作为一种故障诊断问题，是既需基础理论，又需实际工程背景的综合性技术，结构损伤的检测方法，从检测所实施的范围角度来讲，可分为局部检测与整体检测。局部损伤检测是使用无损检测技术集中对结构内部特殊的关键构件进行检测，目前已经较为成熟地在土木工程中得到应用。现有的主要检测方法有超声波法、声发射法、红外线法、冲击波法、雷达法和微波法等。局部损伤检测方法还仅限于结构构件层次上，难以全面反映整体结构的性能退化，无法实现精准监测与损伤诊断。
发明内容
本发明提出了一种建筑物损伤智能检测方法，包括如下步骤：
S1、将建筑物待检测的多个区域进行编号，通过热成像设备采集建筑物待检测的多个区域的红外热信号形成高频增强的热图像序列；
S2、采用局部特征算法对高频增强的热图像进行像素特征提取，得到特征图像；
S3、采用梯度向量算法对特征图像的特征进行轮廓提取，得到建筑物待检测的多个区域的轮廓集；
S4、对轮廓集进行分类，得到损伤轮廓子集和无损伤轮廓子集；
S5、计算损伤轮廓子集对应的损伤热区域图像的熵值，识别出待检测建筑物多个区域内部的极值损伤情况。
进一步地，步骤S2中，对比高频增强的热图像的中心像素值和周边8个像素值，得到特征值，将特征值结合，得到特征图像/>：
；
；
其中，为中心点像素值，/>为中心点像素坐标，/>为周边第k个像素值。
进一步地，步骤S3中，利用[-1,0,1]算符对特征图像进行微分计算，得到特征图像每个像素点水平方向的梯度向量，利用算符对特征图像进行微分转置计算，得到特征图像每个像素垂直方向的梯度向量。
进一步地，提取每个特征边缘轮廓后得到多个轮廓样本点，对所有轮廓样本点进行二维坐标系映射，使得轮廓集中分布于固定区间范围内，通过二次方程插值法使轮廓样本点标准化，将标准化后的轮廓点分布作为特征图像特征边缘轮廓的量化值。
进一步地，遍历轮廓样本点获得样本点数据在X、Y方向上的最大坐标值和最小坐标值xmax、xmin、ymax、ymin；
根据总样本点数M利用下式计算分割样本点检测框边长L；
；
利用下式计算检测框在X、Y方向上的总数NX、NY：
；
则在X、Y方向上的总数量NX、NY则为特征图像特征边缘轮廓的量化值。
进一步地，步骤S5包括：
S51、计算损伤轮廓子集对应的损伤热区域图像的亮度；
S52、基于所述损伤热区域图像的亮度计算损伤热区域的熵值；
S53、获取多个损伤轮廓子集对应的损伤热区域的熵值，构建熵值目标函数，得到极值损伤区域。
本发明还提出了一种建筑物损伤智能检测系统，用于实现损伤智能检测方法，包括：图像采集单元、特征提取单元、轮廓提取单元、分类单元和损伤判定单元；
所述图像采集单元，用于通过热成像设备采集建筑物待检测的多个区域的红外热信号形成高频增强的热图像序列；
所述特征提取单元，用于采用局部特征算法对高频增强的热图像进行像素特征提取，得到特征图像；
所述轮廓提取单元，用于采用梯度向量算法对特征图像的特征进行轮廓提取，得到建筑物待检测的多个区域的轮廓集；
所述分类单元，用于对轮廓集进行分类，得到损伤轮廓子集和无损伤轮廓子集；
所述损伤判定单元，用于计算损伤轮廓子集对应的损伤热区域图像的熵值，识别出待检测建筑物多个区域内部的极值损伤情况。
进一步地，所述损伤判定单元还包括：亮度计算模块，熵值计算模块和熵值目标函数构建单元；
所述亮度计算模块，用于计算损伤轮廓子集对应的损伤热区域图像的亮度；
所述熵值计算模块，用于基于所述损伤热区域图像的亮度计算损伤热区域的熵值；
所述熵值目标函数构建单元，用于获取多个损伤轮廓子集对应的损伤热区域的熵值，构建熵值目标函数，得到极值损伤区域。
相比于现有技术，本发明具有如下有益技术效果：
将建筑物待检测的多个区域进行编号，通过热成像设备采集建筑物待检测的多个区域的红外热信号形成高频增强的热图像序列；采用局部特征算法对高频增强的热图像进行像素特征提取，得到特征图像；采用梯度向量算法对特征图像的特征进行轮廓提取，得到建筑物待检测的多个区域的轮廓集；对轮廓集进行分类，得到损伤轮廓子集和无损伤轮廓子集；计算损伤轮廓子集对应的损伤热区域图像的熵值，识别出待检测建筑物多个区域内部的极值损伤情况。通过图像识别，使损伤检测更加规范化，通过算法对图像的分析，提高损伤检测的效率和正确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为本发明的建筑物损伤智能检测方法流程图；
图2为本发明的横向算符与纵向算符示意图；
图3为本发明的识别待检测建筑物多个区域内部的极值损伤情况的流程图；
图4为本发明的建筑物损伤智能检测系统结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示为本发明的建筑物损伤智能检测方法流程图，包括：
S1：将建筑物待检测的多个区域进行编号，通过热成像设备采集建筑物待检测的多个区域的红外热信号形成高频增强的热图像。包括如下步骤：
S11：数据采集。利用热成像设备采用固定的分辨率和采样率获取建筑物待检测的不同区域表面的热图像数据，多个区域的热图像形成热图像序列。
S12：热图像数据预处理。
将热图像序列中的热图像的照射光分量和反射光分量分离，即：
S(x,y)＝r(x,y)+Z(x,y)；
式中，S(x,y)表示反射光被热成像设备接收到的热图像，r(x,y)表示热图像的反射光分量，Z(x,y)表示热图像的照射光分量。
用高斯滤波函数对步骤S12中的热图像S(x,y)做微分，即对热图像S(x,y)做低通滤波，得到低通滤波后的热图像D(x,y)，F(x,y)表示高斯滤波函数：
D(x,y)＝S(x,y)*F(x,y)；
在对数域中，用热图像S(x,y)减去低通滤波后的热图像D(x,y)，得到高频增强的热图像G(x,y)：
G(x,y)＝log(S(x,y)- D(x,y))。
其中，x,y表示热图像中像素的坐标。
S2、采用局部特征算法对高频增强的热图像进行像素特征提取，得到特征图像。
对比高频增强的热图像的中心点像素值和周边像素值，得到一个8位二进制数来表示特征值，公式如下：
；
；
其中，为中心点像素值，/>为中心点像素坐标，/>为周边第k个像素值。像素值是原图像被数字化时由计算机赋予的值，它代表了某一小方块的平均亮度信息，或者说是该小方块的平均反射密度信息。
通过上面公式计算高频增强的热图像中所有像素的特征值，再将特征值结合，得到特征图像/>。
S3、采用梯度向量算法对特征图像的特征进行轮廓提取，得到建筑物待检测的多个区域的轮廓集。
对特征边缘的梯度进行描述，通过梯度向量算法提取出特征范围。利用[-1,0,1]算符对特征图像进行微分计算，得到特征图像每个像素点水平方向的梯度向量，利用算符对特征图像进行微分转置计算，得到特征图像每个像素垂直方向的梯度向量。
在取出特征范围之前需要获取特征样本图像的像素数字图，采用算符对图像进行微分运算得到。算符是一种重要的图像处理算法，可以求取像素数字图的一阶微分图像。该算法能够有效突出图像中像素值变化较强的区域。
优选实施例为采用3×3微分模板的算符对图像进行处理，如图2所示，为（a）横向算符与（b）纵向算符示意图。
利用两个方向的梯度合成，得到特征轮廓边缘梯度总体的大小与方向，有计算公式：
；
；
其中，为特征图像在水平和垂直方向上的梯度，I为像素值，对于点/>，梯度计算公式为：
；
；
其中，T为梯度大小，为梯度方向。
经过梯度向量算法计算，可以得到特征边缘轮廓，捕获特征纹理，得到建筑物待检测的多个区域的轮廓集，并进一步减轻光线对特征图像判断的影响，提升了特征提取的效率。
在优选实施例中，提取每个特征边缘轮廓后得到多个轮廓样本点，对所有轮廓样本点进行二维坐标系映射，使得轮廓集中分布于固定区间范围内，再通过二次方程插值法使轮廓样本点的总数和横轴坐标保持一致，仅在纵轴坐标值有所差异，完成全部样本点标准化工作，标准化后的轮廓点分布作为特征图像特征边缘轮廓的量化值。
二次插值方法基于二次函数的性质,通过已知的三个数据点构造个二次函数,然后利用该函数对未知数据点进行估计，二次插值方法通过利用已知数据点的坐标来估计未知数据点的值，可以更准确地估计未知数据点的数值,从而提高计算的精度和准确性。
具体地，给定轮廓样本点数据S，遍历轮廓样本点获得样本点数据在X、Y方向上的最大坐标值和最小坐标值xmax、xmin、ymax、ymin。
根据总样本点数M利用下式计算分割样本点检测框边长L；
；
利用下式计算检测框在X、Y方向上的总数NX、NY：
；
则在X、Y方向上的总数量NX、NY则为特征图像特征边缘轮廓的量化值。
S4、对轮廓集进行分类，得到损伤轮廓子集和无损伤轮廓子集。
使用线性分类算法，在建立起来的轮廓集中，找到分类平面，对轮廓集状况进行分类，分为无损伤和有损伤，分类平面公式为：
；
；
其中，w为向量，b为截距常数,D为轮廓集中的每个轮廓中的点集，为每个轮廓中的点的坐标，每个轮廓中的点共有m个。
无损伤轮廓子集中的点坐标满足：，
损伤轮廓子集中的点坐标满足：，
S5、计算多个损伤轮廓子集对应的损伤热区域图像的熵值，识别出待检测建筑物多个区域内部的极值损伤情况。如图3所示，包括如下步骤：
S51、计算损伤轮廓子集对应的损伤热区域图像的亮度W(a,b)，如下式所示：
；
式中，为点/>像素值，/>为点/>灰度值，b为区域尺寸系数,/>为损伤轮廓子集对应的损伤热区域；
S52、基于所述损伤热区域图像的亮度计算损伤热区域的熵值为：
；
；
；
式中，Pa为灰度值为a的亮度和，N为区域尺寸系数最大值，Pa,b为灰度值为a在区域尺寸系数b处的亮度密度。
S53、获取多个损伤轮廓子集对应的损伤热区域的熵值，构建熵值目标函数，得到极值损伤区域。
获取多个损伤轮廓子集对应的损伤热区域的熵值，构成熵值集合Ea＝(Ea1,...,Ean)。
n为多个损伤轮廓子集的个数，也是熵值集合中的熵值个数。
构建熵值目标函数F（Ea），通过智能优化算法迭代更新熵值识别目标函数F（Ea），使熵值识别目标函数F（Ea）最优化，直至达到识别精度，识别出待检测建筑物多个区域内部的极值损伤的信息。
通过智能优化算法迭代更新，使熵值识别目标函数F（Ea）最优化。
最优化识别目标函数F（Ea）最优化问题描述如下：
；
其中，优化函数F（Ea）为熵值集合空间到目标空间的优化。
具体地，采用谱聚类方法对当前熵值集合空间中的熵值在目标空间进行映射，引入一个阈值，并计算当前熵值集合空间的熵值在目标空间的优化距离，剔除距离超过阈值的熵值，因为这些熵值分量与真实损伤情况相距较远，会对识别产生负面影响。
则优化为：/>＝(Ea1,...,Eav)，即n个损伤轮廓子集优化为v个损伤轮廓子集，该v个损伤轮廓子集对应的损伤热区域则为极值损伤区域。
如图4所示，为本发明中的建筑物损伤智能检测系统结构示意图，本发明还提出了一种建筑物损伤智能检测系统，用于实现损伤智能检测方法，包括：图像采集单元、特征提取单元、轮廓提取单元、分类单元和损伤判定单元；
图像采集单元，用于通过热成像设备采集建筑物待检测的多个区域的红外热信号形成高频增强的热图像序列；
特征提取单元，用于采用局部特征算法对高频增强的热图像进行像素特征提取，得到特征图像；
轮廓提取单元，用于采用梯度向量算法对特征图像的特征进行轮廓提取，得到建筑物待检测的多个区域的轮廓集；
分类单元，用于对轮廓集进行分类，得到损伤轮廓子集和无损伤轮廓子集。
损伤判定单元，用于计算损伤轮廓子集对应的损伤热区域图像的熵值，识别出待检测建筑物多个区域内部的极值损伤情况。
损伤判定单元还包括：亮度计算模块，熵值计算模块和熵值目标函数构建单元。
亮度计算模块，用于计算损伤轮廓子集对应的损伤热区域图像的亮度；
熵值计算模块，用于基于所述损伤热区域图像的亮度计算损伤热区域的熵值；
熵值目标函数构建单元，用于获取多个损伤轮廓子集对应的损伤热区域的熵值，构建熵值目标函数，得到极值损伤区域。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种建筑物损伤智能检测方法，其特征在于，包括如下步骤：
S1、将建筑物待检测的多个区域进行编号，通过热成像设备采集建筑物待检测的多个区域的红外热信号形成高频增强的热图像序列；
S2、采用局部特征算法对高频增强的热图像进行像素特征提取，得到特征图像；
S3、采用梯度向量算法对特征图像的特征轮廓进行提取，得到建筑物待检测的多个区域的轮廓集；
S4、对轮廓集进行分类，得到损伤轮廓子集和无损伤轮廓子集；
S5、计算损伤轮廓子集对应的损伤热区域图像的熵值，识别出建筑物待检测的多个区域内部的极值损伤情况。
2.根据权利要求1中所述的损伤智能检测方法，其特征在于，步骤S2中，对比高频增强的热图像的中心像素值和周边8个像素值，得到特征值，将特征值结合，得到特征图像/>：
；
；
其中，为中心点像素值，/>为中心点像素坐标，/>为周边第k个像素值。
3.根据权利要求1中所述的损伤智能检测方法，其特征在于，步骤S3中，利用[-1,0,1]算符对特征图像进行微分计算，得到特征图像每个像素点水平方向的梯度向量，利用算符对特征图像进行微分转置计算，得到特征图像每个像素垂直方向的梯度向量。
4.根据权利要求3中所述的损伤智能检测方法，其特征在于，提取每个特征边缘轮廓后得到多个轮廓样本点，对所有轮廓样本点进行二维坐标系映射，使得轮廓集中分布于固定区间范围内，通过二次方程插值法使轮廓样本点标准化，将标准化后的轮廓点分布作为特征图像特征边缘轮廓的量化值。
5.根据权利要求4中所述的损伤智能检测方法，其特征在于，遍历轮廓样本点获得样本点数据在X、Y方向上的最大坐标值和最小坐标值xmax、xmin、ymax、ymin；
根据总样本点数M利用下式计算分割样本点的检测框边长L；
；
利用下式计算检测框在X、Y方向上的总数NX、NY：
；
则在X、Y方向上的总数量NX、NY则为特征图像特征边缘轮廓的量化值。
6.根据权利要求1中所述的损伤智能检测方法，其特征在于，步骤S5包括：
S51、计算损伤轮廓子集对应的损伤热区域图像的亮度；
S52、基于所述损伤热区域图像的亮度计算损伤热区域的熵值；
S53、获取多个损伤轮廓子集对应的损伤热区域的熵值，构建熵值目标函数，得到极值损伤区域。
7.一种建筑物损伤智能检测系统，用于实现权利要求1-6任意一项所述的损伤智能检测方法，其特征在于，包括：图像采集单元、特征提取单元、轮廓提取单元、分类单元和损伤判定单元；
所述图像采集单元，用于通过热成像设备采集建筑物待检测的多个区域的红外热信号形成高频增强的热图像序列；
所述特征提取单元，用于采用局部特征算法对高频增强的热图像进行像素特征提取，得到特征图像；
所述轮廓提取单元，用于采用梯度向量算法对特征图像的特征进行轮廓提取，得到建筑物待检测的多个区域的轮廓集；
所述分类单元，用于对轮廓集进行分类，得到损伤轮廓子集和无损伤轮廓子集；
所述损伤判定单元，用于计算损伤轮廓子集对应的损伤热区域图像的熵值，识别出待检测建筑物多个区域内部的极值损伤情况。
8.根据权利要求7中所述的损伤智能检测系统，其特征在于，所述损伤判定单元还包括：亮度计算模块，熵值计算模块和熵值目标函数构建单元；
所述亮度计算模块，用于计算损伤轮廓子集对应的损伤热区域图像的亮度；
所述熵值计算模块，用于基于所述损伤热区域图像的亮度计算损伤热区域的熵值；
所述熵值目标函数构建单元，用于获取多个损伤轮廓子集对应的损伤热区域的熵值，构建熵值目标函数，得到极值损伤区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311648081.1A CN117351013B (zh) | 2023-12-05 | 2023-12-05 | 一种建筑物损伤智能检测系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311648081.1A CN117351013B (zh) | 2023-12-05 | 2023-12-05 | 一种建筑物损伤智能检测系统与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117351013A true CN117351013A (zh) | 2024-01-05 |
| CN117351013B CN117351013B (zh) | 2024-02-09 |
Family
ID=89363561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311648081.1A Active CN117351013B (zh) | 2023-12-05 | 2023-12-05 | 一种建筑物损伤智能检测系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117351013B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106683076A (zh) * | 2016-11-24 | 2017-05-17 | 南京航空航天大学 | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 |
| CN112016628A (zh) * | 2020-09-04 | 2020-12-01 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于动态多目标预测的空间碎片撞击损伤判读方法 |
| CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
| CN115731155A (zh) * | 2021-09-01 | 2023-03-03 | 长春工业大学 | 基于机器视觉的单晶硅亚表面裂纹损伤检测方法 |
| CN115861225A (zh) * | 2022-11-29 | 2023-03-28 | 浙江工业大学 | 基于损伤区域融合变换的轴承滚子表面损伤检测方法 |
| CN116468687A (zh) * | 2023-04-13 | 2023-07-21 | 凌云光技术股份有限公司 | 划伤缺陷检测方法、装置及存储介质、电子设备 |
-
2023
- 2023-12-05 CN CN202311648081.1A patent/CN117351013B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106683076A (zh) * | 2016-11-24 | 2017-05-17 | 南京航空航天大学 | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 |
| CN112016628A (zh) * | 2020-09-04 | 2020-12-01 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于动态多目标预测的空间碎片撞击损伤判读方法 |
| CN115731155A (zh) * | 2021-09-01 | 2023-03-03 | 长春工业大学 | 基于机器视觉的单晶硅亚表面裂纹损伤检测方法 |
| CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
| CN115861225A (zh) * | 2022-11-29 | 2023-03-28 | 浙江工业大学 | 基于损伤区域融合变换的轴承滚子表面损伤检测方法 |
| CN116468687A (zh) * | 2023-04-13 | 2023-07-21 | 凌云光技术股份有限公司 | 划伤缺陷检测方法、装置及存储介质、电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 谢超;谢明红;: "应用局部自适应阈值方法检测圆形标志点", 华侨大学学报(自然科学版), no. 02, 20 March 2016 (2016-03-20) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117351013B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109743879B (zh) | 一种基于动态红外热像图处理的地下管廊渗漏检测方法 | |
| Ahuja et al. | A survey of computer vision based corrosion detection approaches | |
| Tsai et al. | Mean shift-based defect detection in multicrystalline solar wafer surfaces | |
| WO2016107474A1 (zh) | 车辆检查方法和系统 | |
| CN111256594B (zh) | 一种飞机蒙皮表面状态物理特征的测量方法 | |
| CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
| CN106296670B (zh) | 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法 | |
| Laga et al. | Image-based plant stornata phenotyping | |
| WO2020232710A1 (zh) | 雾霾图像质量评价方法、系统、存储介质及电子设备 | |
| Halder et al. | Edge detection: A statistical approach | |
| Hussain et al. | A comparative analysis of edge detection techniques used in flame image processing | |
| CN111339948A (zh) | 一种高分辨率遥感影像新增建筑自动识别方法 | |
| CN110660065A (zh) | 一种红外故障检测识别算法 | |
| Jiang et al. | A new method of sea-sky-line detection | |
| Fu et al. | Research on image-based detection and recognition technologies for cracks on rail surface | |
| CN116596922B (zh) | 一种太阳能热水器生产质量检测方法 | |
| CN117351013B (zh) | 一种建筑物损伤智能检测系统与方法 | |
| CN116452613B (zh) | 一种地质调查中裂缝轮廓提取方法 | |
| CN116309561B (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
| Yuhan et al. | Detection of road surface crack based on PYNQ | |
| CN109886133B (zh) | 一种基于光学遥感图像的船只检测方法及系统 | |
| Mustapha et al. | Crack Detection on Surfaces Using Digital Image Processing | |
| Pan et al. | Gaussian mixture models for spots in microscopy using a new split/merge EM algorithm | |
| CN112927204B (zh) | 一种基于关键渗水点识别的路面渗水性能评估方法 | |
| CN117808809B (zh) | 晶圆表面缺陷的视觉检测方法及系统 |
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 |