CN117952965B - 一种隧道衬砌台车钢结构稳定性质量检测方法 - Google Patents
一种隧道衬砌台车钢结构稳定性质量检测方法 Download PDFInfo
- Publication number
- CN117952965B CN117952965B CN202410345663.0A CN202410345663A CN117952965B CN 117952965 B CN117952965 B CN 117952965B CN 202410345663 A CN202410345663 A CN 202410345663A CN 117952965 B CN117952965 B CN 117952965B
- Authority
- CN
- China
- Prior art keywords
- area
- rust
- steel structure
- value
- channel
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 140
- 239000010959 steel Substances 0.000 title claims abstract description 140
- 238000001514 detection method Methods 0.000 title abstract description 23
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 193
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000005484 gravity Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种隧道衬砌台车钢结构稳定性质量检测方法。该方法首先对隧道衬砌台车的钢结构表面图像进行区域划分,得到分割区域;分别基于RGB色彩空间和LAB色彩空间对钢结构表面图像分析,确定每个分割区域的初始锈迹因子和识别调整权重;由识别调整权重对初始锈迹因子调节得到锈迹特征因子;结合多尺度下的平均显著值和锈迹特征因子,合并分割区域得到初始锈迹区域;从初始锈迹区域中筛选出目标锈迹区域;根据目标锈迹区域的面积占比确定隧道衬砌台车的钢结构的稳定估测值。本发明实施例对不同大小、不同锈迹程度的区域都可以做到准确地检测,以进一步实现对隧道衬砌台车钢结构稳定性质量检测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种隧道衬砌台车钢结构稳定性质量检测方法。
背景技术
在对隧道衬砌台车钢结构稳定性质量进行检测时,钢结构的表面可能会出现锈迹。锈迹的产生是由于当钢结构暴露在潮湿的环境中,空气中的氧气与水分会与钢表面发生化学反应而形成的。锈迹的存在会使得钢结构表面的金属层逐渐腐蚀和剥落,导致钢材的截面减小,从而会降低钢结构承载能力和强度,故对隧道衬砌台车的钢结构进行锈迹检测,以实现对钢结构的稳定性检测是至关重要的。
现有用于钢结构表面锈迹区域的缺陷检测方法是显著性检测CA算法,CA算法在计算复杂度方面较低,能够在短时间内完成显著性检测任务。CA算法能够有效地捕捉到图像中的显著性区域,并将其与背景区域区分开来,该算法基于像素之间的对比度差异,对于具有明显颜色、亮度或纹理差异的显著性目标,通常能够得到良好的检测效果。但是由于隧道衬砌台车钢结构中会存在大小不同以及锈迹程度不同的锈迹区域,若采用CA算法现有的操作来进行显著性检测时,会使得一些小的、锈迹程度低的区域无法被检测出来,从而影响对钢结构的稳定性的判断。
发明内容
为了解决采用CA算法现有的操作来进行显著性检测时,会使得一些小的、锈迹程度低的区域无法被检测出来,从而影响对钢结构稳定性的判断的技术问题,本发明的目的在于提供一种隧道衬砌台车钢结构稳定性质量检测方法,所采用的技术方案具体如下:
获取隧道衬砌台车的钢结构表面图像;
基于钢结构表面图像在LAB色彩空间下各通道值的相似度,对钢结构表面图像进行区域划分,得到分割区域;
根据所述钢结构表面图像中分割区域在RGB色彩空间下红色通道值的权重占比,确定每个分割区域的初始锈迹因子;
根据所述钢结构表面图像中分割区域在LAB色彩空间下颜色对立维度的通道值的大小和波动情况,构建每个分割区域的识别调整权重;由每个分割区域的识别调整权重对初始锈迹因子进行调节,得到锈迹特征因子;
结合分割区域在多尺度下的平均显著值和所述锈迹特征因子,对分割区域进行合并,得到初始锈迹区域;
对所述初始锈迹区域进行显著值分析,从初始锈迹区域中筛选出隧道衬砌台车的钢结构表面的目标锈迹区域;根据所述目标锈迹区域的面积占比确定隧道衬砌台车的钢结构的稳定估测值。
优选的,所述基于钢结构表面图像在LAB色彩空间下各通道值的相似度,对钢结构表面图像进行区域划分,得到分割区域,包括:
将所述钢结构表面图像中每个像素点在LAB色彩空间中三个通道值作为像素点的三维坐标,得到每个像素点在三维空间中的三维数据点;基于DBSCAN算法,对钢结构表面图像中像素点对应的三维数据点进行聚类,将属于同一聚类簇的三维数据点对应的像素点且位置相邻的像素点划分至同一区域,得到钢结构表面图像中的多个分割区域。
优选的,所述初始锈迹因子的计算公式为:
;其中,/>为钢结构表面图像中第n个分割区域的初始锈迹因子;/>为第n个分割区域内的像素点数量;/>为第n个分割区域内第m个像素点在R通道内的通道值;/>为第n个分割区域内第m个像素点在G通道内的通道值;/>为第n个分割区域内第m个像素点在B通道内的通道值;/>为归一化函数;/>为第n个分割区域中所有像素点在R通道内的比重之和,/>;/>为分割区域的数量;/>为钢结构表面图像中除第n个分割区域外的第k个分割区域中所有像素点在R通道内的比重之和。
优选的,所述根据所述钢结构表面图像中分割区域在LAB色彩空间下颜色对立维度的通道值的大小和波动情况,构建每个分割区域的识别调整权重,包括:
所述颜色对立维度包括LAB色彩空间下的A通道和B通道;
所述识别调整权重的计算公式为:
;其中,/>为第n个分割区域的识别调整权重;/>为第n个分割区域内的像素点数量;/>为第n个分割区域中第m个像素点在LAB色彩空间下A通道的通道值;/>为第n个分割区域中第m个像素点在LAB色彩空间下B通道的通道值;/>为第n个分割区域内的所有像素点在LAB色彩空间中A通道的通道值与B通道的通道值的和值的方差。
优选的,所述由每个分割区域的识别调整权重对初始锈迹因子进行调节,得到锈迹特征因子,包括:
将每个分割区域的识别调整权重和初始锈迹因子的乘积,作为分割区域的锈迹特征因子。
优选的,所述结合分割区域在多尺度下的平均显著值和所述锈迹特征因子,对分割区域进行合并,得到初始锈迹区域,包括:
以任意相邻的两个分割区域作为第一待匹配区域和第二待匹配区域,结合第一待匹配区域和第二待匹配区域在多尺度下的平均显著值的差异和所述锈迹特征因子的差异,确定第一待匹配区域和第二待匹配区域的区域可合并程度;
当相邻的分割区域的区域可合并程度大于或等于预设可合并阈值时,将相邻的分割区域合并,将合并后的区域作为初始锈迹区域。
优选的,所述区域可合并程度的计算公式为:
;
其中,为第n个分割区域与相邻的第u个分割区域之间的区域可合并程度;为以自然常数为底数的指数函数;/>为第n个分割区域的锈迹特征因子;/>为与第n个分割区域相邻的第u个分割区域的锈迹特征因子;/>为第n个分割区域在多尺度下的平均显著值;/>为与第n个分割区域相邻的第u个分割区域的在多尺度下的平均显著值;/>为取绝对值符号。
优选的,所述对所述初始锈迹区域进行显著值分析,从初始锈迹区域中筛选出隧道衬砌台车的钢结构表面的目标锈迹区域,包括:
获取每个初始锈迹区域的最终显著值;根据所述最终显著值,从初始锈迹区域中筛选出隧道衬砌台车的钢结构表面的目标锈迹区域。
优选的,所述根据所述最终显著值,从初始锈迹区域中筛选出隧道衬砌台车的钢结构表面的目标锈迹区域,包括:
将最终显著值大于预设锈迹阈值的初始锈迹区域作为隧道衬砌台车的钢结构表面的目标锈迹区域。
优选的,所述获取每个初始锈迹区域的最终显著值,包括:
利用CA算法计算每一个初始锈迹区域在多尺度下的平均显著值;提取每一个尺度上平均显著值最大的初始锈迹区域,作为关注区域;当所述关注区域中像素点的显著值大于预设关注阈值时,将像素点作为显著像素点;将所述关注区域之外的像素点与距离最近的显著像素点的欧几里得距离进行加权,重新定义显著值;通过高斯分布的矩阵来突出中心区域的显著值,设置一个位于图像中心的二维高斯分布,设置水平方差为图像宽度的1/6,垂直方差为图像高度的1/6,计算获得合并的每一个初始锈迹区域的最终显著值。
本发明实施例至少具有如下有益效果:
本发明实施例涉及图像数据处理技术领域,该方法首先对隧道衬砌台车的钢结构表面图像进行区域划分,得到分割区域,该分割区域是更加精细的对钢结构表面图像进行区域分割,此时还未进行锈迹区域的划分,其进行区域划分得到分割区域是为了后续从钢结构表面图像中得到锈迹区域打基础;由于锈迹区域正常接近于红色,故其结合了RGB色彩空间中的红色通道,且每一个像素点的在LAB色彩空间内A值与LAB色彩空间内B值越大,反映该像素点颜色越偏向红色和黄色,故分别基于RGB色彩空间和LAB色彩空间对钢结构表面图像分析,确定每个分割区域的初始锈迹因子和识别调整权重;由识别调整权重对初始锈迹因子调节得到锈迹特征因子;结合多尺度下的平均显著值和锈迹特征因子,合并分割区域得到初始锈迹区域;从初始锈迹区域中筛选出目标锈迹区域,这样可以使得在利用显著性检测CA算法对钢结构表面锈迹缺陷进行检测时,对不同大小、不同锈迹程度的区域都可以做到准确地检测;由于锈迹的存在会使得钢结构表面的金属层逐渐腐蚀和剥落,导致钢材的截面减小,从而会降低钢结构承载能力和强度,故最后根据目标锈迹区域的面积占比确定隧道衬砌台车的钢结构的稳定估测值。本发明实施例对不同大小、不同锈迹程度的区域都可以做到准确地检测,以进一步实现对隧道衬砌台车钢结构稳定性质量检测。
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隧道衬砌台车钢结构稳定性质量检测方法的方法流程图;
图2为本发明一个实施例所提供的隧道衬砌台车的钢结构表面图像的示意图。
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隧道衬砌台车钢结构稳定性质量检测方法,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。
本发明实施例提供了一种隧道衬砌台车钢结构稳定性质量检测方法的具体实施方法,该方法适用于隧道衬砌台车钢结构的检测场景。该场景下高清摄像机与隧道衬砌台车的钢结构表面进行垂直摆放,也即将高清摄像机的中轴线垂直于隧道衬砌台车的钢结构表面。为了解决采用CA算法现有的操作来进行显著性检测时,会使得一些小的、锈迹程度低的区域无法被检测出来,从而影响对钢结构稳定性的判断的技术问题。本发明实施例结合对钢结构图像在RGB色彩空间以及LAB色彩空间中的特征进行分析,对相似程度大的区域进行合并,实现对所有锈迹区域更准确的缺陷检测结果,最后结合目标锈迹区域确定隧道衬砌台车钢结构的稳定性。
下面结合附图具体的说明本发明所提供的一种隧道衬砌台车钢结构稳定性质量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一种隧道衬砌台车钢结构稳定性质量检测方法的步骤流程图,该方法包括以下步骤:
步骤S100,获取隧道衬砌台车的钢结构表面图像。
首先通过高清摄像机对隧道衬砌台车的钢结构进行图像采集,得到隧道衬砌台车的钢结构图像。为了减少图像中的噪声,使用均值滤波算法对采集到的钢结构图像进行滤波处理,得到滤波后的隧道衬砌台车的钢结构表面图像,这样可以减少误检和漏检情况的发生。请参阅图2,图2为隧道衬砌台车的钢结构表面图像。需要说明的是,隧道衬砌台车的钢结构表面图像为RGB图像。
步骤S200,基于钢结构表面图像在LAB色彩空间下各通道值的相似度,对钢结构表面图像进行区域划分,得到分割区域。
本方案的核心目的是为了将钢结构表面图像中存在相似图像特征的相邻区域进行合并。其主要依据的是每一个相邻区域之间在RGB色彩空间以及LAB色彩空间中的特征相似程度。而具体对于每一个区域与其相邻区域之间的相似程度的分析,首先应该对预处理之后的钢结构表面图像进行聚类,对拥有相似图像特征的像素点聚到一个区域之后再进行后续分析。然后依靠CA算法的现有操作计算每一个区域在多尺度下的平均显著值。之后,对每一个区域在RGB以及LAB色彩空间中的特征进行分析,可以得到每一个区域的锈迹特征因子。接着,依据每一个区域的在多尺度下的平均显著值之间的差异以及锈迹特征因子之间的差异,得到每一个区域与其相邻区域之间的相似程度。最后,对每一个区域与其相邻的一个区域之间的相似程度设置阈值,超出阈值的两个相邻区域即可进行合并。对合并后的区域进行显著值分析,以得到准确的锈迹区域,通过锈迹区域的占比来确定隧道衬砌台车的钢结构的稳定估测值。
为了实现后续对于不同区域之间的合并,在本步骤应该首先依靠每一个像素点在LAB空间中的特征对整幅钢结构表面图像使用DBSCAN算法进行聚类。具体的聚类规则为:1.将预处理后的钢结构表面图像由RGB色彩空间转换为LAB色彩空间;2.根据LAB色彩空间的特性,将L、A、B作为三个轴来构建一个三维坐标系;3.获得钢结构图像中每一个像素点在三维坐标系中的位置;4.使用DBSCAN算法对三维坐标系中的所有像素点进行聚类,在本发明实施例中半径设置为经验值10,对三维坐标进行聚类。需要说明的是,DBSCAN算法为本领域技术人员的公知技术,在此不再进行赘述。
也即基于钢结构表面图像在LAB色彩空间下各通道值的相似度,对钢结构表面图像进行区域划分,得到分割区域,具体的:将所述钢结构表面图像中每个像素点在LAB色彩空间中三个通道值作为像素点的三维坐标,得到每个像素点在三维空间中的三维数据点;基于DBSCAN算法,对钢结构表面图像中像素点对应的三维数据点进行聚类,将属于同一聚类簇的三维数据点对应的像素点且位置相邻的像素点划分至同一区域,得到钢结构表面图像中的多个分割区域。
步骤S300,根据所述钢结构表面图像中分割区域在RGB色彩空间下红色通道值的权重占比,确定每个分割区域的初始锈迹因子。
通过步骤S200对每一个分割区域进行了聚类划分之后,在步骤S300中就需要对每一个分割区域的锈迹特征进行分析。而对于每个分割区域的锈迹特征的分析,首先可以依据每一个分割区域内像素点在RGB三通道中R通道内占据的权重,R通道即为红色通道,因为锈迹一般呈褐红色,所以红色通道下的通道值所占比重越大,其属于锈迹区域的概率越大。同时每个分割区域与图像中其他分割区域之间的差异性越强,其分割区域的初始锈迹因子也会越大。
结合上述逻辑对每一个分割区域内的初始锈迹因子进行计算。该初始锈迹因子的计算公式为:
;其中,/>为钢结构表面图像中第n个分割区域的初始锈迹因子;/>为第n个分割区域内的像素点数量;/>为第n个分割区域内第m个像素点在R通道内的通道值;/>为第n个分割区域内第m个像素点在G通道内的通道值;/>为第n个分割区域内第m个像素点在B通道内的通道值;/>为归一化函数;/>为第n个分割区域中所有像素点在R通道内的比重之和,/>;/>为分割区域的数量;/>为钢结构表面图像中除第n个分割区域外的第k个分割区域中所有像素点在R通道内的比重之和。
其中,初始锈迹因子的计算公式中表示第n个分割区域中所有像素点在R通道内的比重之和,该值越大说明该分割区域内的像素点在R通道内所占的比重越大,说明该分割区域内的像素点的颜色越偏红色,其属于锈迹的可能性越大,该分割区域对应的初始锈迹因子的取值越大。/>表示的是图像中除了第n个分割区域之外的K-1个分割区域中所有像素在R通道内的比重之和的平均值,表现的是图像中的整体颜色,而/>表示第n个分割区域中所有像素点在R通道内的比重之和与图像中除了第n个分割区域之外的K-1个分割区域中所有像素在R通道内的比重之和的平均值的差值,表示的是当前分析的分割区域内像素点与其他分割区域内像素点在R通道内的差值,使用/>对其进行归一化,该值越大说明当前分割区域内的像素点与其他分割区域内像素点的颜色相比越偏向红色,那么该分割区域属于锈迹的可能性越大,其初始锈迹因子越大。
步骤S400,根据所述钢结构表面图像中分割区域在LAB色彩空间下颜色对立维度的通道值的大小和波动情况,构建每个分割区域的识别调整权重;由每个分割区域的识别调整权重对初始锈迹因子进行调节,得到锈迹特征因子。
对每个分割区域的锈迹特征的分析也可以对每一个分割区域在LAB色彩空间内的特征进行分析。由于锈迹区域的像素点的颜色变化相对于正常区域其拥有更加频繁密集的变化。所以可以通过分析每个分割区域内每一个像素点在LAB色彩空间内A值、LAB色彩空间内B值的变化特征以及数值表现来对每一个分割区域的初始锈迹因子进行校正,得到更准确的锈迹特征因子。其中,每一个像素点的在LAB色彩空间内A值与LAB色彩空间内B值越大,反映该像素点颜色越偏向红色和黄色,说明初始锈迹因子值越大的可信度越大,其锈迹特征因子越大。每个区域内每一个像素点在LAB色彩空间内A,B值的变化越频繁,那么该区域属于锈迹区域的可能性越大,其锈迹特征因子越大。
依据上述逻辑计算每一个分割区域的锈迹特征因子,首先分析分割区域在LAB色彩空间下的特征,确定每个分割区域的识别调整权重,由识别调整权重对初始锈迹因子进行调节,得到锈迹特征因子。
其中,根据所述钢结构表面图像中分割区域在LAB色彩空间下颜色对立维度的通道值的大小和波动情况,构建每个分割区域的识别调整权重。其中,颜色对立维度包括LAB色彩空间下的A通道和B通道。
识别调整权重的计算公式为:
;其中,/>为第n个分割区域的识别调整权重;/>为第n个分割区域内的像素点数量;/>为第n个分割区域中第m个像素点在LAB色彩空间下A通道的通道值;/>为第n个分割区域中第m个像素点在LAB色彩空间下B通道的通道值;/>为第n个分割区域内的所有像素点在LAB色彩空间中A通道的通道值与B通道的通道值的和值的方差。
其中,识别调整权重的计算公式中表示第n个分割区域的所有像素点在LAB色彩空间中A值与B值之和,该值越大,说明该分割区域内像素点颜色越偏红色和黄色,说明该分割区域内点的初始锈迹因子值的可信度越大,分割区域的锈迹特征因子越大。/>表示第n个分割区域内的所有像素点在LAB色彩空间中A值与B值的和值的方差,/>的取值越大,说明第n个分割区域内的所有像素点的颜色特征更加离散,其变化更加频繁,那么该分割区域属于锈迹区域的可能性越大,其锈迹特征因子越大。
在得到每个分割区域的识别调整权重之后,由每个分割区域的识别调整权重对初始锈迹因子进行调节,得到锈迹特征因子,具体的:将每个分割区域的识别调整权重和初始锈迹因子的乘积,作为分割区域的锈迹特征因子。
该锈迹特征因子的计算公式为:
;
其中,为钢结构表面图像中第n个分割区域的初始锈迹因子,其他的符号与识别调整权重的计算公式的含义均相同。
步骤S500,结合分割区域在多尺度下的平均显著值和所述锈迹特征因子,对分割区域进行合并,得到初始锈迹区域。
根据步骤S400,得到每一个分割区域的锈迹特征因子之后,对每一个分割区域与其相邻分割区域之间的相似程度进行分析,其主要依据的是每一个分割区域与其相邻分割区域之间锈迹特征因子的差异值以及两个分割区域在多尺度下平均显著值的差异值,这两种指标的差异越小,说明两个分割区域越相似,越应该进行合并。
具体的:以任意相邻的两个分割区域作为第一待匹配区域和第二待匹配区域,结合第一待匹配区域和第二待匹配区域在多尺度下的平均显著值的差异和所述锈迹特征因子的差异,确定第一待匹配区域和第二待匹配区域的区域可合并程度;当相邻的分割区域的区域可合并程度大于或等于预设可合并阈值时,将相邻的分割区域合并,将合并后的区域作为初始锈迹区域。需要说明的是,使用显著性检测CA算法的现有操作计算得到每一个分割区域在多尺度下的平均显著值,其中,/>的具体计算过程与原始算法一致,在此不做叙述。
区域可合并程度的计算公式为:
;
其中,为第n个分割区域与相邻的第u个分割区域之间的区域可合并程度;为以自然常数为底数的指数函数;/>为第n个分割区域的锈迹特征因子;/>为与第n个分割区域相邻的第u个分割区域的锈迹特征因子;/>为第n个分割区域在多尺度下的平均显著值;/>为与第n个分割区域相邻的第u个分割区域的在多尺度下的平均显著值;/>为取绝对值符号。
其中,区域可合并程度的计算公式中表示的是第n个分割区域与其相邻的第u个分割区域之间关于锈迹特征因子的差异值,二者差异越小,说明两个分割区域越相似,相似程度越大,这两个分割区域越应该进行合并。/>表示的是第n个分割区域与其相邻的第u个分割区域在多尺度下的平均显著值的差异值,二者差异越小,说明两个分割区域越相似,相似程度越大,这两个分割区域越应该进行合并。
在得到相邻的分割区域的区域可合并程度之后,当相邻的分割区域的区域可合并程度大于或等于预设可合并阈值时,将相邻的分割区域合并,将合并后的区域作为初始锈迹区域。在本发明实施例中预设可合并阈值的取值为0.6,在其他实施例中由实施者根据实际情况调整该取值。因为当相邻的分割区域的区域可合并程度大于或等于预设可合并阈值时,认为这两个相邻的分割区域内的像素点具有相似的颜色特征,可以进行合并。例如当有a1、a2、a3和a4四个分割区域时,当a1与a2相邻且对应的可合并程度为0.7,a2与a3相邻且对应的可合并程度为0.8,a4与a3相邻且对应的可合并程度为0.5时,将a1与a2合并,a2和a3合并,也即将a1、a2和a3进行合并。
步骤S600,对所述初始锈迹区域进行显著值分析,从初始锈迹区域中筛选出隧道衬砌台车的钢结构表面的目标锈迹区域;根据所述目标锈迹区域的面积占比确定隧道衬砌台车的钢结构的稳定估测值。
利用CA算法计算每一个初始锈迹区域在多尺度下的平均显著值;提取每一个尺度上平均显著值最大的初始锈迹区域,作为关注区域;当所述关注区域中像素点的显著值大于预设关注阈值时,将像素点作为显著像素点;将所述关注区域之外的像素点与距离最近的显著像素点的欧几里得距离进行加权,重新定义显著值;通过高斯分布的矩阵来突出中心区域的显著值,设置一个位于图像中心的二维高斯分布,设置水平方差为图像宽度的1/6,垂直方差为图像高度的1/6,计算获得合并的每一个初始锈迹区域的最终显著值。在本发明实施例中预设关注阈值的取值为0.8,在其他实施例中由实施者根据实际情况调整该取值。
依据显著性检测CA算法对钢结构表面图像中完成合并之后的各个初始锈迹区域的最终显著值进行计算,具体步骤如下:1.计算完成合并之后的每一个区域的显著性;2.为了增强显著区域与非显著区域的对比度,计算每一个区域在多尺度下的平均显著值;3.提取每一个尺度上最受关注的区域,如果一个像素的显著性值超过阈值0.8,则认为该像素在这一个尺度上受到关注。将关注区域之外的每个像素根据其与最近关注像素的欧几里得距离进行加权,重新定义显著值;4.通过高斯分布的矩阵来突出中心区域的显著值。设置一个位于图像中心的二维高斯分布,设置水平方差为图像宽度的1/6,垂直方差为图像高度的1/6,计算获得合并的每一个初始锈迹区域的最终显著值。需要说明的是,显著性检测CA算法为本领域技术人员的公知技术,在此不再进行赘述。
最后,根据最终显著值,从初始锈迹区域中筛选出隧道衬砌台车的钢结构表面的目标锈迹区域,具体的:将最终显著值大于预设锈迹阈值的初始锈迹区域作为隧道衬砌台车的钢结构表面的目标锈迹区域。在本发明实施例中预设锈迹阈值的取值为0.75,在其他实施例中由实施者根据实际情况调整该取值。
在获得了目标锈迹区域之后,通过对钢结构表面图像中目标锈迹区域所占面积的计算可以实现对于钢结构稳定性的估计。由于锈迹的存在会使得钢结构表面的金属层逐渐腐蚀和剥落,导致钢材的截面减小,从而会降低钢结构承载能力和强度。因此,根据所述目标锈迹区域的面积占比确定隧道衬砌台车的钢结构的稳定估测值,稳定估测值的计算公式为:。其中/>表示钢结构表面图像的稳定估测值,/>表示钢结构表面图像中像素点的总数量,/>表示钢结构表面图像中的所有目标锈迹区域的像素点的总数量,/>为归一化函数。在本发明实施例中将像素点的数量作为面积的大小。/>表示钢结构表面图像中的所有目标锈迹区域所占的面积大小,最后使用/>对图像中所有锈迹区域所占的面积大小进行归一化,得到钢结构表面图像的稳定估测值。
综上所述,本发明实施例涉及图像数据处理技术领域。该方法首先获取隧道衬砌台车的钢结构表面图像;基于钢结构表面图像在LAB色彩空间下各通道值的相似度,对钢结构表面图像进行区域划分,得到分割区域;根据钢结构表面图像中分割区域在RGB色彩空间下红色通道值的权重占比,确定每个分割区域的初始锈迹因子;根据钢结构表面图像中分割区域在LAB色彩空间下颜色对立维度的通道值的大小和波动情况,构建每个分割区域的识别调整权重;由每个分割区域的识别调整权重对初始锈迹因子进行调节,得到锈迹特征因子;结合分割区域在多尺度下的平均显著值和锈迹特征因子,对分割区域进行合并,得到初始锈迹区域;对初始锈迹区域进行显著值分析,从初始锈迹区域中筛选出隧道衬砌台车的钢结构表面的目标锈迹区域;根据目标锈迹区域的面积占比确定隧道衬砌台车的钢结构的稳定估测值。本发明实施例通过对显著性检测CA算法的改进,对钢构表面锈迹缺陷进行检测时,对不同大小、不同锈迹程度的区域都可以做到准确地检测。
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 (9)
1.一种隧道衬砌台车钢结构稳定性质量检测方法,其特征在于,该方法包括以下步骤:
获取隧道衬砌台车的钢结构表面图像;
基于钢结构表面图像在LAB色彩空间下各通道值的相似度,对钢结构表面图像进行区域划分,得到分割区域;
根据所述钢结构表面图像中分割区域在RGB色彩空间下红色通道值的权重占比,确定每个分割区域的初始锈迹因子;
根据所述钢结构表面图像中分割区域在LAB色彩空间下颜色对立维度的通道值的大小和波动情况,构建每个分割区域的识别调整权重;由每个分割区域的识别调整权重对初始锈迹因子进行调节,得到锈迹特征因子;
结合分割区域在多尺度下的平均显著值和所述锈迹特征因子,对分割区域进行合并,得到初始锈迹区域;
对所述初始锈迹区域进行显著值分析,从初始锈迹区域中筛选出隧道衬砌台车的钢结构表面的目标锈迹区域;根据所述目标锈迹区域的面积占比确定隧道衬砌台车的钢结构的稳定估测值;
其中,所述识别调整权重的获取方法为:
所述颜色对立维度包括LAB色彩空间下的A通道和B通道;
所述识别调整权重的计算公式为:
;其中,/>为第n个分割区域的识别调整权重;/>为第n个分割区域内的像素点数量;/>为第n个分割区域中第m个像素点在LAB色彩空间下A通道的通道值;/>为第n个分割区域中第m个像素点在LAB色彩空间下B通道的通道值;/>为第n个分割区域内的所有像素点在LAB色彩空间中A通道的通道值与B通道的通道值的和值的方差。
2.根据权利要求1所述的一种隧道衬砌台车钢结构稳定性质量检测方法,其特征在于,所述基于钢结构表面图像在LAB色彩空间下各通道值的相似度,对钢结构表面图像进行区域划分,得到分割区域,包括:
将所述钢结构表面图像中每个像素点在LAB色彩空间中三个通道值作为像素点的三维坐标,得到每个像素点在三维空间中的三维数据点;基于DBSCAN算法,对钢结构表面图像中像素点对应的三维数据点进行聚类,将属于同一聚类簇的三维数据点对应的像素点且位置相邻的像素点划分至同一区域,得到钢结构表面图像中的多个分割区域。
3.根据权利要求1所述的一种隧道衬砌台车钢结构稳定性质量检测方法,其特征在于,所述初始锈迹因子的计算公式为:
;其中,/>为钢结构表面图像中第n个分割区域的初始锈迹因子;/>为第n个分割区域内的像素点数量;/>为第n个分割区域内第m个像素点在R通道内的通道值;/>为第n个分割区域内第m个像素点在G通道内的通道值;/>为第n个分割区域内第m个像素点在B通道内的通道值;/>为归一化函数;/>为第n个分割区域中所有像素点在R通道内的比重之和,/>;/>为分割区域的数量;/>为钢结构表面图像中除第n个分割区域外的第k个分割区域中所有像素点在R通道内的比重之和。
4.根据权利要求1所述的一种隧道衬砌台车钢结构稳定性质量检测方法,其特征在于,所述由每个分割区域的识别调整权重对初始锈迹因子进行调节,得到锈迹特征因子,包括:
将每个分割区域的识别调整权重和初始锈迹因子的乘积,作为分割区域的锈迹特征因子。
5.根据权利要求1所述的一种隧道衬砌台车钢结构稳定性质量检测方法,其特征在于,所述结合分割区域在多尺度下的平均显著值和所述锈迹特征因子,对分割区域进行合并,得到初始锈迹区域,包括:
以任意相邻的两个分割区域作为第一待匹配区域和第二待匹配区域,结合第一待匹配区域和第二待匹配区域在多尺度下的平均显著值的差异和所述锈迹特征因子的差异,确定第一待匹配区域和第二待匹配区域的区域可合并程度;
当相邻的分割区域的区域可合并程度大于或等于预设可合并阈值时,将相邻的分割区域合并,将合并后的区域作为初始锈迹区域。
6.根据权利要求5所述的一种隧道衬砌台车钢结构稳定性质量检测方法,其特征在于,所述区域可合并程度的计算公式为:
;
其中,为第n个分割区域与相邻的第u个分割区域之间的区域可合并程度;/>为以自然常数为底数的指数函数;/>为第n个分割区域的锈迹特征因子;/>为与第n个分割区域相邻的第u个分割区域的锈迹特征因子;/>为第n个分割区域在多尺度下的平均显著值;/>为与第n个分割区域相邻的第u个分割区域的在多尺度下的平均显著值;/>为取绝对值符号。
7.根据权利要求1所述的一种隧道衬砌台车钢结构稳定性质量检测方法,其特征在于,所述对所述初始锈迹区域进行显著值分析,从初始锈迹区域中筛选出隧道衬砌台车的钢结构表面的目标锈迹区域,包括:
获取每个初始锈迹区域的最终显著值;根据所述最终显著值,从初始锈迹区域中筛选出隧道衬砌台车的钢结构表面的目标锈迹区域。
8.根据权利要求7所述的一种隧道衬砌台车钢结构稳定性质量检测方法,其特征在于,所述根据所述最终显著值,从初始锈迹区域中筛选出隧道衬砌台车的钢结构表面的目标锈迹区域,包括:
将最终显著值大于预设锈迹阈值的初始锈迹区域作为隧道衬砌台车的钢结构表面的目标锈迹区域。
9.根据权利要求7所述的一种隧道衬砌台车钢结构稳定性质量检测方法,其特征在于,所述获取每个初始锈迹区域的最终显著值,包括:
利用CA算法计算每一个初始锈迹区域在多尺度下的平均显著值;提取每一个尺度上平均显著值最大的初始锈迹区域,作为关注区域;当所述关注区域中像素点的显著值大于预设关注阈值时,将像素点作为显著像素点;将所述关注区域之外的像素点与距离最近的显著像素点的欧几里得距离进行加权,重新定义显著值;通过高斯分布的矩阵来突出中心区域的显著值,设置一个位于图像中心的二维高斯分布,设置水平方差为图像宽度的1/6,垂直方差为图像高度的1/6,计算获得合并的每一个初始锈迹区域的最终显著值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410345663.0A CN117952965B (zh) | 2024-03-26 | 2024-03-26 | 一种隧道衬砌台车钢结构稳定性质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410345663.0A CN117952965B (zh) | 2024-03-26 | 2024-03-26 | 一种隧道衬砌台车钢结构稳定性质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117952965A CN117952965A (zh) | 2024-04-30 |
CN117952965B true CN117952965B (zh) | 2024-06-18 |
Family
ID=90798178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410345663.0A Active CN117952965B (zh) | 2024-03-26 | 2024-03-26 | 一种隧道衬砌台车钢结构稳定性质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952965B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300119A (zh) * | 2018-09-11 | 2019-02-01 | 石家庄铁道大学 | 钢结构表面锈蚀区域的检测方法、检测装置及终端设备 |
CN113409314A (zh) * | 2021-08-18 | 2021-09-17 | 南京市特种设备安全监督检验研究院 | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07260707A (ja) * | 1994-03-28 | 1995-10-13 | Nippon Steel Corp | 建材用塗装鋼板の劣化評価法 |
JP3151400B2 (ja) * | 1996-02-28 | 2001-04-03 | 株式会社巴コーポレーション | 管類の内部腐食検出方法 |
US8311302B2 (en) * | 2010-12-13 | 2012-11-13 | Carestream Health, Inc. | Method for identification of dental caries in polychromatic images |
JP6201922B2 (ja) * | 2014-07-23 | 2017-09-27 | マツダ株式会社 | 車両用錆検出装置、車両用錆検出システム、及び車両用錆検出方法 |
CN111815629B (zh) * | 2020-08-25 | 2020-12-08 | 创新奇智(南京)科技有限公司 | 衬砌检测方法、装置、电子设备及存储介质 |
CN114494205B (zh) * | 2022-01-27 | 2023-04-18 | 江苏瑞构新型材料有限公司 | 一种基于自适应的颜色分级的门窗锈蚀程度判定方法 |
CN114862754A (zh) * | 2022-03-18 | 2022-08-05 | 南京钢铁股份有限公司 | 钢材锈蚀程度的辨识方法、系统及存储介质 |
CN115496706A (zh) * | 2022-06-19 | 2022-12-20 | 北京强度环境研究所 | 一种基于数字图像处理的表面腐蚀比率测量方法 |
CN115049649B (zh) * | 2022-08-12 | 2022-11-11 | 山东振鹏建筑钢品科技有限公司 | 基于锈蚀程度的钢筋打磨除锈控制方法 |
CN115760762A (zh) * | 2022-11-17 | 2023-03-07 | 香港中文大学(深圳) | 一种锈蚀检测方法,检测装置及存储介质 |
-
2024
- 2024-03-26 CN CN202410345663.0A patent/CN117952965B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300119A (zh) * | 2018-09-11 | 2019-02-01 | 石家庄铁道大学 | 钢结构表面锈蚀区域的检测方法、检测装置及终端设备 |
CN113409314A (zh) * | 2021-08-18 | 2021-09-17 | 南京市特种设备安全监督检验研究院 | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117952965A (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN114140462B (zh) | 一种基于图像处理的轴承磨损程度评估方法 | |
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN115294338A (zh) | 一种叶轮表面缺陷识别方法 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116092013B (zh) | 一种用于智慧监控的危险路况识别方法 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN115311277B (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN115294140A (zh) | 一种五金零件缺陷检测方法及系统 | |
CN115311267A (zh) | 一种格纹织物异常检测方法 | |
CN115131375B (zh) | 一种矿石自动分割方法 | |
CN115861320A (zh) | 一种汽车零件加工信息智能检测方法 | |
CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及系统 | |
CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
CN114049316A (zh) | 一种基于金属光泽区域的钢丝绳缺陷检测方法 | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
CN117292137B (zh) | 一种航拍遥感影像优化分割处理方法 | |
CN117952965B (zh) | 一种隧道衬砌台车钢结构稳定性质量检测方法 | |
CN115100510B (zh) | 一种轮胎磨损度识别方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 |
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 |