CN117557561B - 基于人工智能的井下巷道壁缝隙快速检测方法 - Google Patents
基于人工智能的井下巷道壁缝隙快速检测方法 Download PDFInfo
- Publication number
- CN117557561B CN117557561B CN202410038193.3A CN202410038193A CN117557561B CN 117557561 B CN117557561 B CN 117557561B CN 202410038193 A CN202410038193 A CN 202410038193A CN 117557561 B CN117557561 B CN 117557561B
- Authority
- CN
- China
- Prior art keywords
- reference block
- pixel points
- roadway wall
- image
- gap
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 49
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 abstract description 5
- 230000000903 blocking effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007306 functionalization reaction Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000009423 ventilation 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于人工智能的井下巷道壁缝隙快速检测方法,包括:获取巷道壁灰度图像,从中分割出若干个目标图像块,根据每个目标图像块内像素点之间的距离和灰度值差异,得到每个目标图像块的误辨可能性。根据每个目标图像块内所有像素点分类后的数量,得到每个目标图像块的缝隙可能性,从而得到每个目标图像块的伽马因子,由此进行伽马变换,得到巷道壁增强图像,从而得到缝隙区域。本发明通过对图像进行自适应分块,对各图像块进行自适应伽马因子,获取巷道壁增强图像,由此提高了使用深度神经网络分割缝隙区域的准确性,从而提高了井下巷道壁缝隙检测的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于人工智能的井下巷道壁缝隙快速检测方法。
背景技术
巷道是地下采矿时为采矿提升、运输、通风、排水等掘进的通道。巷道断面形状多为拱形、梯形。为了保障井下巷道的安全稳定,需要随时检测巷道壁,以及时发现巷道安全隐患,保障煤矿安全生产,其中一类重要的安全隐患就是巷道壁缝隙。巷道壁缝隙可能会导致地下水渗漏、岩石塌陷等问题,对矿工的安全和工程的稳定性造成威胁。
现有的问题:当前常使用基于神经网络的井下巷道壁缝隙检测方法,但由于井下巷道内光线相对昏暗,采集的图像内不同区域明暗差距过大,可能导致图像内阴影和缝隙区域的像素点灰度值差异较小,当直接将采集的图像输入到神经网络中进行检测时,缝隙检测的效果可能不够理想,会降低井下巷道壁缝隙检测的准确性。
发明内容
本发明提供基于人工智能的井下巷道壁缝隙快速检测方法,以解决现有的问题。
本发明的基于人工智能的井下巷道壁缝隙快速检测方法采用如下技术方案:
本发明一个实施例提供了基于人工智能的井下巷道壁缝隙快速检测方法,该方法包括以下步骤:
采集井下巷道壁图像,进行灰度化处理,得到巷道壁灰度图像;在巷道壁灰度图像中分割出若干个目标图像块,将任意一个目标图像块,记为参考块;
根据参考块内像素点之间的距离、像素点之间的灰度值差异,得到参考块的误辨可能性;
根据参考块内所有像素点分类后的数量,得到参考块的缝隙可能性;
根据巷道壁灰度图像内所有的像素点灰度值、参考块的缝隙可能性、所有目标图像块的误辨可能性,得到参考块的伽马因子;
根据所有目标图像块的伽马因子,得到巷道壁灰度图像的巷道壁增强图像;使用深度神经网络分割出巷道壁增强图像中的缝隙区域。
进一步地,所述在巷道壁灰度图像中分割出若干个目标图像块,包括的具体步骤如下:
使用Canny边缘检测算法对巷道壁灰度图像进行边缘检测,得到巷道壁灰度图像内的若干个边缘像素点;
根据巷道壁灰度图像内的所有边缘像素点,使用手肘法,得到K均值聚类算法中的最优K值;
根据最优K值,使用K均值聚类算法,对巷道壁灰度图像内的所有边缘像素点进行聚类操作,得到若干个聚类簇;
在巷道壁灰度图像内,使用凸包算法,得到每个聚类簇内所有边缘像素点的最小凸包;
将每个聚类簇内所有边缘像素点的最小凸包内的区域,记为目标图像块。
进一步地,所述根据参考块内像素点之间的距离、像素点之间的灰度值差异,得到参考块的误辨可能性,包括的具体步骤如下:
使用连通域重心计算算法,得到参考块中心点;
在参考块内,根据边缘像素点的灰度值和数量、所有边缘像素点分别到参考块中心点的距离,得到参考块的误辨可能性。
进一步地,所述在参考块内,根据边缘像素点的灰度值和数量、所有边缘像素点分别到参考块中心点的距离,得到参考块的误辨可能性对应的具体计算公式为:
其中为参考块的误辨可能性,/>为参考块内边缘像素点的数量,/>为参考块内像素点的数量,/>为参考块内第/>个边缘像素点到参考块中心点的距离,/>为参考块内所有边缘像素点分别到参考块中心点的距离的均值,/>为参考块内第/>个边缘像素点的灰度值,/>为参考块内所有像素点灰度值的均值,| |为绝对值函数,/>为线性归一化函数,为以自然常数为底的指数函数。
进一步地,所述根据参考块内所有像素点分类后的数量,得到参考块的缝隙可能性,包括的具体步骤如下:
将参考块内除边缘像素点之外的其它像素点,记为非边缘像素点;
根据参考块内所有非边缘像素点的灰度值,在所有非边缘像素点中筛选出若干个目标点;
在参考块内,根据目标点的数量、非边缘像素点的数量、边缘像素点的数量、像素点的数量,得到参考块的缝隙可能性。
进一步地,所述根据参考块内所有非边缘像素点的灰度值,在所有非边缘像素点中筛选出若干个目标点,包括的具体步骤如下:
将参考块内所有非边缘像素点灰度值的均值,记为灰度阈值;
将参考块内灰度值小于灰度阈值的非边缘像素点,记为目标点。
进一步地,所述在参考块内,根据目标点的数量、非边缘像素点的数量、边缘像素点的数量、像素点的数量,得到参考块的缝隙可能性对应的具体计算公式为:
其中为参考块的缝隙可能性,/>为参考块内目标点的数量,/>为参考块内非边缘像素点的数量,/>为参考块内边缘像素点的数量,/>为参考块内像素点的数量,/>为以自然常数为底的指数函数。
进一步地,所述根据巷道壁灰度图像内所有的像素点灰度值、参考块的缝隙可能性、所有目标图像块的误辨可能性,得到参考块的伽马因子,包括的具体步骤如下:
在巷道壁灰度图像分割出的所有目标图像块中,将除参考块之外的其它目标图像块,记为非参考块;
根据参考块的误辨可能性和缝隙可能性、参考块分别与所有非参考块的误辨可能性之间的差异、巷道壁灰度图像内所有的像素点灰度值,得到参考块的伽马因子。
进一步地,所述根据参考块的误辨可能性和缝隙可能性、参考块分别与所有非参考块的误辨可能性之间的差异、巷道壁灰度图像内所有的像素点灰度值,得到参考块的伽马因子对应的具体计算公式为:
其中为参考块的伽马因子,/>为预设的常数,/>为参考块的误辨可能性,/>为参考块的缝隙可能性,/>为第/>个非参考块的误辨可能性,/>为非参考块的数量,G为参考块内所有像素点灰度值的均值,/>为巷道壁灰度图像内所有像素点灰度值的均值,| |为绝对值函数,/>为线性归一化函数,/>为以自然常数为底的指数函数。
进一步地,所述根据所有目标图像块的伽马因子,得到巷道壁灰度图像的巷道壁增强图像,包括的具体步骤如下:
根据参考块的伽马因子,使用伽马变换算法对参考块进行处理,得到参考块的增强图像块;
在巷道壁灰度图像中,将除所有目标图像块之外的其它区域,记为背景区域;
将所有目标图像块的增强图像块和背景区域构成的图像,记为巷道壁灰度图像的巷道壁增强图像。
本发明的技术方案的有益效果是:
本发明实施例中,获取巷道壁灰度图像,从中分割出若干个目标图像块,其令缝隙处于目标图像块内,保障了后续图像增强时,能够精准的增强缝隙区域。再获取每个目标图像块的误辨可能性和缝隙可能性,从而得到每个目标图像块的伽马因子,其通过分析每个目标图像块内纹理的清晰程度和区分阴影和缝隙区域,实现每个目标图像块的伽马因子的自适应选取,进一步实现缝隙区域的精准增强,得到高质量的图像,令图像内的缝隙区域可清晰识别,从而提高缝隙检测的准确性。由此进行伽马变换,得到巷道壁增强图像,从而得到缝隙区域。至此本发明通过对图像进行自适应分块,对各图像块进行自适应伽马因子,获取巷道壁增强图像,由此提高了使用深度神经网络分割缝隙区域的准确性,从而提高了井下巷道壁缝隙检测的准确性。
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为本发明基于人工智能的井下巷道壁缝隙快速检测方法的步骤流程图。
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基于人工智能的井下巷道壁缝隙快速检测方法,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基于人工智能的井下巷道壁缝隙快速检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的井下巷道壁缝隙快速检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集井下巷道壁图像,进行灰度化处理,得到巷道壁灰度图像;在巷道壁灰度图像中分割出若干个目标图像块,将任意一个目标图像块,记为参考块。
已知井下巷道内光线相对昏暗,采集的图像内不同区域明暗差距过大,直接将采集的图像送入神经网络进行检测效果可能不够理想。本实施例的主要目的是,通过伽马变换对采集的井下巷道壁图像进行自适应增强,从而提升巷道壁缝隙检测准确率。所述伽马变换是一种常用的非线性变换方法,它可以通过改变图像的灰度值来调整图像的亮度和对比度,从而达到增强图像的目的。
采集井下巷道壁图像,进行灰度化处理,得到巷道壁灰度图像。
所需说明的是:本实施例使用井下的监控系统采集井下巷道壁图像。对于巷道壁图像而言,一般不存在过多色彩信息,通常为矿物原色,因此可以将图像做灰度化处理,以降低后续计算成本,并且当采集的井下巷道壁图像受到噪声干扰严重时,本实施例会使用双边滤波器,对巷道壁灰度图像进行滤波去噪处理。其中,图像灰度化和双边滤波器均为公知技术,具体方法在此不做介绍。
在井下巷道壁图像中,由于井下光线相对昏暗,图像中的缝隙、墙壁阴影纹理等灰度值较低,直接对其进行检测,会对检测准确率造成一定影响,因此需要对图像进行增强,但是由于井下巷道图像存在光源,导致图像不同区域的亮暗程度差距较大,如果直接对图像进行增强可能导致部分区域过曝或增强效果不理想,为了获取较好的增强效果,需要结合巷道图像亮暗分布情况,对图像进行分块处理,然后对不同块进行分析后,分别进行自适应增强,获取相对理想的增强效果。
在检测井下巷道壁缝隙时,缝隙在图像中通常表现为黑色的不规则折线,为了对缝隙部分突出显示,在对图像进行分块时应该尽可能将临近的缝隙放在同一分块中以保证整体增强效果,避免出现最终增强后的图像中相邻的缝隙灰度表现不同,同样可能影响检测准确率。
因此使用Canny边缘检测算法对巷道壁灰度图像进行边缘检测,得到巷道壁灰度图像内的若干个边缘像素点。其中,Canny边缘检测算法为公知技术,具体方法在此不做介绍。
根据巷道壁灰度图像内的所有边缘像素点,使用手肘法,得到K均值聚类算法中的最优K值。
根据最优K值,使用K均值聚类算法,对巷道壁灰度图像内的所有边缘像素点进行聚类操作,得到若干个聚类簇。
所需说明的是:手肘法和K均值聚类算法均为公知技术,具体方法在此不做介绍。手肘法是一种常用的方法来获取K均值聚类算法中最优的K值。在K均值聚类算法中,K值表示需要将数据集划分为聚类簇的数量。并且本实施例根据边缘像素点之间的距离进行聚类操作的,使用每个聚类簇中的所有边缘像素点处于一个位置集中区域,各聚类簇之间的位置距离较远。
在巷道壁灰度图像内,使用凸包算法,得到每个聚类簇内所有边缘像素点的最小凸包。
将每个聚类簇内所有边缘像素点的最小凸包内的区域,记为目标图像块。由此得到若干个目标图像块。
所需说明的是:凸包算法为公知技术,具体方法在此不做介绍。由于每个聚类簇中的所有边缘像素点处于一个位置集中区域,各聚类簇之间的位置距离较远,因此各聚类簇的最小凸包之间应不重叠,且每个最小凸包应为一个缝隙聚集区域。为了防止最小凸包之间出现重叠,依次获取每个聚类簇的最小凸包,若后一个最小凸包和前一个最小凸包存在重叠区域,则令后一个最小凸包舍弃重叠区域。
将任意一个目标图像块,记为参考块。由于图像内缝隙主要属于边缘像素点,计算图像块内边缘像素点的密度,当图像块内边缘像素点密度越大,且分布相对集中时,表示当前图像块的内部纹理细节相对较多,则对该图像块的增强的程度应该越高,确保这些纹理信息能够在后续检测过程中被清楚识别到。另外,如果边缘像素点灰度值与图像块内平均灰度值差异相对较小,则在当前图像块内边缘像素点的突出程度相对较低,会导致辨认准确程度相对降低,此时对该图像块的增强程度也应该更高。
步骤S002:根据参考块内像素点之间的距离、像素点之间的灰度值差异,得到参考块的误辨可能性。
使用连通域重心计算算法,得到参考块中心点。其中,连通域重心计算算法为公知技术,具体方法在此不做介绍。
由此可知参考块的误辨可能性的计算公式为:
其中为参考块的误辨可能性,/>为参考块内边缘像素点的数量,/>为参考块内像素点的数量,/>为参考块内第/>个边缘像素点到参考块中心点的距离,/>为参考块内所有边缘像素点分别到参考块中心点的距离的均值,/>为参考块内第/>个边缘像素点的灰度值,/>为参考块内所有像素点灰度值的均值,| |为绝对值函数,/>为线性归一化函数,将数据值归一化至[0,1]区间内,/>为以自然常数为底的指数函数,本实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数。
所需说明的是:越大,说明参考块内边缘像素点越大,则参考块越重要,需要较大的增强。/>表示参考块边缘像素点到中心点的距离的方差,方差越小,说明参考块内边缘像素点的位置分布越集中,则其增强程度应该越大,避免距离较近的纹理由于不够突出导致检测错误。/>越小,说明边缘像素点灰度值不够突出,则需要增强的程度越大,以突出显示纹理部分。由此用/>和/>的乘积,表示参考块的误辨可能性。/>越大,参考块需要越大增强。
按照上述方式,得到每个目标图像块的误辨可能性。
步骤S003:根据参考块内所有像素点分类后的数量,得到参考块的缝隙可能性。
已知边缘像素点主要还是由阴影纹理像素点组成的,其多于缝隙边缘像素点的数量,如果直接通过内部的边缘像素点分布及灰度表现确定增强系数,仍然无法对可能存在缝隙的图像快进行突出显示,因此还需要判断不同图像块内存在缝隙的概率,然后得到较好的增强系数。
将参考块内除边缘像素点之外的其它像素点,记为非边缘像素点。
在图像块中,其内部的边缘像素点主要由阴影纹理及缝隙边缘组成,而对于阴影区域而言,其区域内非边缘像素点的灰度值较低,且数量相对较多,即阴影区域内像素点数量远大于阴影边缘像素点数量,而缝隙区域内的非边缘像素点灰度值同样比较低,但一般缝隙的面积较小,区域内像素点数量较少,即缝隙区域内像素点数量接近于缝隙边缘像素点数量。因此,通过比较低灰度值非边缘像素点的占比与边缘像素点占比,可以一定程度上反映当前图像块内存在缝隙的概率。
将参考块内所有非边缘像素点灰度值的均值,记为灰度阈值。
将参考块内灰度值小于灰度阈值的非边缘像素点,记为目标点。
由此可知参考块的缝隙可能性的计算公式为:
其中为参考块的缝隙可能性,/>为参考块内目标点的数量,/>为参考块内非边缘像素点的数量,/>为参考块内边缘像素点的数量,/>为参考块内像素点的数量,/>为以自然常数为底的指数函数,本实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数。
所需说明的是:目标点是参考块内灰度值较小的非边缘像素点,故目标点为阴影或缝隙区域内的像素点的概率较大,当较大时,说明参考块内所有非边缘像素点中处于阴影或缝隙区域内的占比越大,再计算/>与/>的比值,即/>越大,说明灰度值较小的非边缘像素点处于阴影区域内的概率越大,故参考块内存在缝隙可能性越小,因此用表示参考块的缝隙可能性,则/>越大,参考块需要越大增强。
步骤S004:根据巷道壁灰度图像内所有的像素点灰度值、参考块的缝隙可能性、所有目标图像块的误辨可能性,得到参考块的伽马因子。
由于目标图像块的误辨可能性,仅通过图像块内的像素点特征分析得到的,因此还需要结合其它目标图像块进行对比,得到准确的增强系数。由于缝隙的不规律性,故存在缝隙的目标图像块之间的误辨可能性差异较大,而阴影对一片区域的影响相似,故阴影对应的目标图像块之间的误辨可能性差异较小。已知伽马变换算法中,当伽马因子大于0,小于1时,会使得图像的暗区域得到更高的增益,且伽马因子越小,暗区域得到的对比度增强越大,而巷道壁灰度图像的增强,需要准确的区分阴影和缝隙,其为图像中的暗区域,得到准确的缝隙区域。因此误辨可能性和缝隙可能性越大,则需要越小的伽马因子。
在所有目标图像块中,将除参考块之外的其它目标图像块,记为非参考块。
由此可知参考块的伽马因子的计算公式为:
其中为参考块的伽马因子,/>为预设的常数,/>为参考块的误辨可能性,/>为参考块的缝隙可能性,/>为第/>个非参考块的误辨可能性,/>为非参考块的数量,G为参考块内所有像素点灰度值的均值,/>为巷道壁灰度图像内所有像素点灰度值的均值,| |为绝对值函数,/>为线性归一化函数,将数据值归一化至[0,1]区间内,/>为以自然常数为底的指数函数,本实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数。本实施例设定/>为0.5,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
所需说明的是:越大,说明参考块与所有非参考块的差异越大,则参考块存在缝隙的可能性越大,则参考块需要对暗区域进行较大的增强,需要越小的伽马因子。/>和/>越大,参考块需要越大增强,需要越小的伽马因子。当/>为负,且越小时,说明参考块相对于巷道壁灰度图像的灰度较低,即参考块为巷道壁灰度图像中的暗区域,则需要较小的伽马因子,增强巷道壁灰度图像中的暗区域。由此用表示参考块的伽马因子调整值,而伽马因子调整值乘以/>后,再加/>,得到参考块的伽马因子,即令/>处于0.5到1内。
步骤S005:根据所有目标图像块的伽马因子,得到巷道壁灰度图像的巷道壁增强图像;使用深度神经网络分割出巷道壁增强图像中的缝隙区域。
根据参考块的伽马因子,使用伽马变换算法对参考块进行处理,得到参考块的增强图像块。其中,伽马变换算法为公知技术,具体方法在此不做介绍。伽马因子为伽马变换算法的主要参数。
按照上述方式,得到每个目标图像块的增强图像块。
在巷道壁灰度图像中,将除所有目标图像块之外的其它区域,记为背景区域。
所需说明的是:背景区域内不存在缝隙区域,因此不进行对比度增强。
将背景区域和所有目标图像块的增强图像块构成的图像,记为巷道壁灰度图像的巷道壁增强图像。
本发明实施例采用深度神经网络来识别分割巷道壁增强图像中的缝隙区域。
深度神经网络的相关内容如下:
本实施例使用的深度神经网络为DeepLabV3神经网络;使用的数据集为巷道壁增强图像数据集。
需要分割的像素点,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素点属于背景类的标注为0,属于缝隙区域的标注为1。
网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
通过深度神经网络得到巷道壁增强图像中的缝隙区域,此过程为公知技术,具体方法在此不做介绍。由此完成井下巷道壁缝隙检测。
至此,本发明完成。
综上所述,在本发明实施例中,获取巷道壁灰度图像,从中分割出若干个目标图像块,根据每个目标图像块内像素点之间的距离和灰度值差异,得到每个目标图像块的误辨可能性。根据每个目标图像块内所有像素点分类后的数量,得到每个目标图像块的缝隙可能性,从而得到每个目标图像块的伽马因子,由此进行伽马变换,得到巷道壁增强图像,从而得到缝隙区域。本发明通过对图像进行自适应分块,对各图像块进行自适应伽马因子,获取巷道壁增强图像,由此提高了使用深度神经网络分割缝隙区域的准确性,从而提高了井下巷道壁缝隙检测的准确性。
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 (8)
1.基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,该方法包括以下步骤:
采集井下巷道壁图像,进行灰度化处理,得到巷道壁灰度图像;在巷道壁灰度图像中分割出若干个目标图像块,将任意一个目标图像块,记为参考块;
根据参考块内像素点之间的距离、像素点之间的灰度值差异,得到参考块的误辨可能性;
根据参考块内所有像素点分类后的数量,得到参考块的缝隙可能性;
根据巷道壁灰度图像内所有的像素点灰度值、参考块的缝隙可能性、所有目标图像块的误辨可能性,得到参考块的伽马因子;所述参考块的伽马因子,包括的具体步骤如下:
在巷道壁灰度图像分割出的所有目标图像块中,将除参考块之外的其它目标图像块,记为非参考块;
根据参考块的误辨可能性和缝隙可能性、参考块分别与所有非参考块的误辨可能性之间的差异、巷道壁灰度图像内所有的像素点灰度值,得到参考块的伽马因子对应的具体计算公式为:
其中为参考块的伽马因子,/>为预设的常数,/>为参考块的误辨可能性,/>为参考块的缝隙可能性,/>为第/>个非参考块的误辨可能性,/>为非参考块的数量,G为参考块内所有像素点灰度值的均值,/>为巷道壁灰度图像内所有像素点灰度值的均值,| |为绝对值函数,为线性归一化函数,/>为以自然常数为底的指数函数;
根据所有目标图像块的伽马因子,得到巷道壁灰度图像的巷道壁增强图像;使用深度神经网络分割出巷道壁增强图像中的缝隙区域。
2.根据权利要求1所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述在巷道壁灰度图像中分割出若干个目标图像块,包括的具体步骤如下:
使用Canny边缘检测算法对巷道壁灰度图像进行边缘检测,得到巷道壁灰度图像内的若干个边缘像素点;
根据巷道壁灰度图像内的所有边缘像素点,使用手肘法,得到K均值聚类算法中的最优K值;
根据最优K值,使用K均值聚类算法,对巷道壁灰度图像内的所有边缘像素点进行聚类操作,得到若干个聚类簇;
在巷道壁灰度图像内,使用凸包算法,得到每个聚类簇内所有边缘像素点的最小凸包;
将每个聚类簇内所有边缘像素点的最小凸包内的区域,记为目标图像块。
3.根据权利要求2所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述根据参考块内像素点之间的距离、像素点之间的灰度值差异,得到参考块的误辨可能性,包括的具体步骤如下:
使用连通域重心计算算法,得到参考块中心点;
在参考块内,根据边缘像素点的灰度值和数量、所有边缘像素点分别到参考块中心点的距离,得到参考块的误辨可能性。
4.根据权利要求3所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述在参考块内,根据边缘像素点的灰度值和数量、所有边缘像素点分别到参考块中心点的距离,得到参考块的误辨可能性对应的具体计算公式为:
其中为参考块的误辨可能性,/>为参考块内边缘像素点的数量,/>为参考块内像素点的数量,/>为参考块内第/>个边缘像素点到参考块中心点的距离,/>为参考块内所有边缘像素点分别到参考块中心点的距离的均值,/>为参考块内第/>个边缘像素点的灰度值,/>为参考块内所有像素点灰度值的均值,| |为绝对值函数,/>为线性归一化函数,/>为以自然常数为底的指数函数。
5.根据权利要求2所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述根据参考块内所有像素点分类后的数量,得到参考块的缝隙可能性,包括的具体步骤如下:
将参考块内除边缘像素点之外的其它像素点,记为非边缘像素点;
根据参考块内所有非边缘像素点的灰度值,在所有非边缘像素点中筛选出若干个目标点;
在参考块内,根据目标点的数量、非边缘像素点的数量、边缘像素点的数量、像素点的数量,得到参考块的缝隙可能性。
6.根据权利要求5所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述根据参考块内所有非边缘像素点的灰度值,在所有非边缘像素点中筛选出若干个目标点,包括的具体步骤如下:
将参考块内所有非边缘像素点灰度值的均值,记为灰度阈值;
将参考块内灰度值小于灰度阈值的非边缘像素点,记为目标点。
7.根据权利要求5所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述在参考块内,根据目标点的数量、非边缘像素点的数量、边缘像素点的数量、像素点的数量,得到参考块的缝隙可能性对应的具体计算公式为:
其中为参考块的缝隙可能性,/>为参考块内目标点的数量,/>为参考块内非边缘像素点的数量,/>为参考块内边缘像素点的数量,/>为参考块内像素点的数量,/>为以自然常数为底的指数函数。
8.根据权利要求1所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述根据所有目标图像块的伽马因子,得到巷道壁灰度图像的巷道壁增强图像,包括的具体步骤如下:
根据参考块的伽马因子,使用伽马变换算法对参考块进行处理,得到参考块的增强图像块;
在巷道壁灰度图像中,将除所有目标图像块之外的其它区域,记为背景区域;
将所有目标图像块的增强图像块和背景区域构成的图像,记为巷道壁灰度图像的巷道壁增强图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038193.3A CN117557561B (zh) | 2024-01-11 | 2024-01-11 | 基于人工智能的井下巷道壁缝隙快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038193.3A CN117557561B (zh) | 2024-01-11 | 2024-01-11 | 基于人工智能的井下巷道壁缝隙快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557561A CN117557561A (zh) | 2024-02-13 |
CN117557561B true CN117557561B (zh) | 2024-03-22 |
Family
ID=89813135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410038193.3A Active CN117557561B (zh) | 2024-01-11 | 2024-01-11 | 基于人工智能的井下巷道壁缝隙快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557561B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893742B (zh) * | 2024-03-15 | 2024-05-28 | 深圳大学总医院 | 一种葡萄膜炎影像特征识别方法 |
CN118521578B (zh) * | 2024-07-22 | 2024-09-20 | 西部电缆陕西有限公司 | 基于机器视觉的电缆绞线生产监测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109520706A (zh) * | 2018-11-21 | 2019-03-26 | 云南师范大学 | 汽车保险丝盒装配检测系统、图像识别方法及螺孔定位法 |
CN114663374A (zh) * | 2022-03-14 | 2022-06-24 | 深圳蓄能发电有限公司 | 一种基于双边滤波和伽马变换的隧道墙体裂缝检测方法 |
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 |
CN115439474A (zh) * | 2022-11-07 | 2022-12-06 | 山东天意机械股份有限公司 | 一种电力设备故障快速定位方法 |
CN116188024A (zh) * | 2023-04-24 | 2023-05-30 | 山东蓝客信息科技有限公司 | 一种医疗安全支付系统 |
CN116704516A (zh) * | 2023-08-07 | 2023-09-05 | 山东禾之源现代农业发展有限公司 | 一种用于水溶肥料包装的视觉检测方法 |
CN117314940A (zh) * | 2023-11-30 | 2023-12-29 | 诺伯特智能装备(山东)有限公司 | 基于人工智能的激光切割零件轮廓快速分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100970883B1 (ko) * | 2008-10-08 | 2010-07-20 | 한국과학기술원 | 영역 특성을 고려한 영상 보정 장치 및 그 방법 |
-
2024
- 2024-01-11 CN CN202410038193.3A patent/CN117557561B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109520706A (zh) * | 2018-11-21 | 2019-03-26 | 云南师范大学 | 汽车保险丝盒装配检测系统、图像识别方法及螺孔定位法 |
CN114663374A (zh) * | 2022-03-14 | 2022-06-24 | 深圳蓄能发电有限公司 | 一种基于双边滤波和伽马变换的隧道墙体裂缝检测方法 |
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 |
CN115439474A (zh) * | 2022-11-07 | 2022-12-06 | 山东天意机械股份有限公司 | 一种电力设备故障快速定位方法 |
CN116188024A (zh) * | 2023-04-24 | 2023-05-30 | 山东蓝客信息科技有限公司 | 一种医疗安全支付系统 |
CN116704516A (zh) * | 2023-08-07 | 2023-09-05 | 山东禾之源现代农业发展有限公司 | 一种用于水溶肥料包装的视觉检测方法 |
CN117314940A (zh) * | 2023-11-30 | 2023-12-29 | 诺伯特智能装备(山东)有限公司 | 基于人工智能的激光切割零件轮廓快速分割方法 |
Non-Patent Citations (1)
Title |
---|
基于自适应伽马转换函数的遥感图像增强;刘攀;侯晓荣;;电脑知识与技术;20130125(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117557561A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117557561B (zh) | 基于人工智能的井下巷道壁缝隙快速检测方法 | |
CN108765443B (zh) | 一种自适应颜色阈值分割的标志增强处理方法 | |
CN110838126B (zh) | 细胞图像分割方法、装置、计算机设备和存储介质 | |
CN112818952B (zh) | 煤岩分界线的识别方法、装置及电子设备 | |
US7873214B2 (en) | Unsupervised color image segmentation by dynamic color gradient thresholding | |
CN109584240B (zh) | 滑坡后缘裂缝位移图像识别方法 | |
CN101710425B (zh) | 基于图像灰度梯度和灰度统计直方图的自适应预分割方法 | |
CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN108960239B (zh) | 一种基于图像处理的激光蚀刻金属雷管编码字符分割方法 | |
CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
CN108520278A (zh) | 一种基于随机森林的路面裂缝检测方法及其评价方法 | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN110782409B (zh) | 一种去除多运动物体阴影的方法 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN111709964B (zh) | 一种pcba目标边缘检测方法 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
CN116630321A (zh) | 基于人工智能的桥梁健康智能监测系统 | |
CN111008967A (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN114155493A (zh) | 基于视频分析技术的大坝流量预警系统及方法 | |
CN113053164A (zh) | 一种利用环视图像的车位识别方法 | |
CN111223050A (zh) | 一种实时图像边缘检测算法 | |
CN106570508B (zh) | 一种基于局部二进制模式的乐谱谱线检测与删除方法 | |
CN118212478B (zh) | 基于图像处理的建筑工程质量检测方法 |
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 |