CN118097436B - 一种建筑体表面缺陷检测系统及检测方法 - Google Patents
一种建筑体表面缺陷检测系统及检测方法 Download PDFInfo
- Publication number
- CN118097436B CN118097436B CN202410494162.9A CN202410494162A CN118097436B CN 118097436 B CN118097436 B CN 118097436B CN 202410494162 A CN202410494162 A CN 202410494162A CN 118097436 B CN118097436 B CN 118097436B
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- pixel
- edge information
- edge
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 246
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000013139 quantization Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 239000003550 marker Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 238000011179 visual inspection Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000009466 transformation 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
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像检测技术领域,具体涉及一种建筑体表面缺陷检测系统及检测方法。该方法包括步骤1,数据采集,按照预设轨迹对待检测表面进行图像数据采集,获取多个初始图像;步骤2,图像拼接,对多个初始图像进行拼接,得到待检测表面的拼接图像;步骤3,提取边缘信息,从拼接图像中提取第一边缘信息、第二边缘信息和第三边缘信息;步骤4,量化缺陷尺寸,根据第一边缘信息、第二边缘信息、第三边缘信息以及待检测表面轮廓边缘的实际尺寸,对缺陷尺寸进行量化,得到各缺陷的量化信息;步骤5,输出结果,将检测到的缺陷信息以可视化的形式输出为检测结果。该方法能够提升建筑体表面缺陷的检测效率和准确率。
Description
技术领域
本发明涉及图像检测技术领域,具体涉及一种建筑体表面缺陷检测系统及检测方法。
背景技术
在混凝土建筑体中,裂缝是最常见的缺陷类型,裂缝可能导致混凝土结构强度下降、渗水、腐蚀等问题,进而影响建筑体的使用寿命和安全性,任由裂缝发展甚至会造成建筑体倒塌的重大事故。此外,剥落、蜂窝、碱硬化等缺陷对建筑体结构的危害也不容小觑。为此,需要对混凝土建筑体的表面进行经常性的缺陷检测。目前,通常是采用人工目视检查对混凝土建筑体表面进行缺陷检测,检测效率低下,并且,在对筒仓、隧道、水利大坝、高层建筑、桥梁、墩柱、索塔等混凝土建筑体的表面进行缺陷检测的过程中,人工难以到达指定位置对建筑体表面进行目视检查,另外,人工抵达这些建筑物表面对应位置进行目视检查也会带来较大的安全风险。此外,也有通过无人机抵近高处拍摄建筑体表面并实时回传拍摄画面的手段对建筑体表面进行缺陷检测,然而,再这样的检测手段受限于实时拍摄、回传画面的清晰度,在受强光、阴影等影响的情况下,难以清楚反映建筑体外表面的实况,且长时间的识别工作会造成工作人员视觉疲劳,导致漏判、误判。
为了提升建筑体表面缺陷的检测效率和准确率,亟需提出一种建筑体表面缺陷检测系统及检测方法,以实现对高处建筑体外表面的缺陷高效率检测,减轻人工劳动强度,及时发现判别缺陷类型,给建筑体后期的维护维修工作提供有力指导。
发明内容
本发明目的在于提供一种建筑体表面缺陷检测系统及检测方法,尤其适用于筒仓、隧道、水利大坝、高层建筑、桥梁、墩柱、索塔等高耸混凝土建筑体,能够至少部分克服上述技术问题,提升建筑体表面缺陷的检测效率和准确率,以及实现对高处建筑体外表面的缺陷高效率检测,减轻人工劳动强度,及时发现判别缺陷类型,给建筑体后期的维护维修工作提供有力指导。
根据本公开的第一个方面,提供了一种建筑体表面缺陷检测方法,该方法包括以下步骤:步骤1,数据采集,按照预设轨迹对待检测表面进行图像数据采集,获取多个初始图像;步骤2,图像拼接,按照所述预设轨迹,对多个所述初始图像进行拼接,得到待检测表面的拼接图像;步骤3,提取边缘信息,通过预设算法从所述拼接图像中提取第一边缘信息、第二边缘信息和第三边缘信息,其中,所述第一边缘信息能够表征所述待检测表面轮廓边缘的像素尺寸,所述第二边缘信息能够表征各缺陷轮廓边缘的像素尺寸,所述第三边缘信息能够表征各所述缺陷到所述待检测表面轮廓边缘的像素距离;步骤4,量化缺陷尺寸,根据所述第一边缘信息、所述第二边缘信息、所述第三边缘信息以及所述待检测表面轮廓边缘的实际尺寸,对缺陷尺寸进行量化,得到各缺陷的量化信息,所述量化信息包括各所述缺陷的位置、尺寸;步骤5,输出结果,将检测到的缺陷信息以可视化的形式输出为检测结果,所述检测结果包括缺陷的类型、实际位置、实际尺寸。
进一步地,所述通过预设算法从所述拼接图像中提取第一边缘信息、第二边缘信息和第三边缘信息之前还包括:将所述拼接图像进行灰度化处理,得到灰度图像;所述灰度化处理按以下方式进行:
,
其中,g(i,j)表示所述灰度图像中第i行第j列的像素点的灰度值,R(i,j)表示所述拼接图像中第i行第j列的像素点的R通道的值,G(i,j)表示所述拼接图像中第i行第j列的像素点的G通道的值,B(i,j)表示所述拼接图像中第i行第j列的像素点的B通道的值。
进一步地,所述第一边缘信息按照以下方式提取得到:计算所述灰度图像的灰度变化梯度,根据所述灰度变化梯度标记所述待检测表面的表面区域,并输出第一标记图像;对所述第一标记图像进行第一预处理,得到第一预处理图像,其中,所述第一预处理按照以下方式进行:
,
其中,g'(i,j)表示第一预处理图像中第i行第j列的像素点的灰度值;遍历所述第一预处理图像中各个像素点,记录g'(i,j)=255的所有像素点组成的背景区域,将处于所述背景区域与所述表面区域的分界线上的所有像素点确定为所述第一边缘信息。
进一步地,所述第二边缘信息按照以下方式提取得到:将所述灰度图像输入到预设的缺陷检测模型进行缺陷检测,通过所述缺陷检测模型识别并标记缺陷的类型、标记包含缺陷信息的感兴趣区域,并输出第二标记图像;对所述第二标记图像进行二值化处理,得到二值化图像,其中,所述二值化处理按以下方式进行:
,
其中,g 二值(i,j) 表示二值化图像中第i行第j列的像素点的灰度值,α表示预设阈值;遍历所述二值化图像中各个像素点,记录灰度值为0的所有像素点,得到所述第二边缘信息。
进一步地,在对所述第二标记图像进行二值化处理之前,还包括:对所述第二标记图像进行第二预处理,得到第二预处理图像,其中,所述第二预处理按照以下方式进行:
,
其中,g''(i,j) 表示第二预处理图像中第i行第j列的像素点的灰度值,所述二值化处理在所述感兴趣区域内进行。
进一步地,所述第三边缘信息按照以下方式提取得到:从处于所述背景区域与所述表面区域的界线上的所有像素点中选取任一像素点(i 0 ,j 0 ),在所述二值化图像中以(i 0 , j 0 )为原点建立平面直角坐标系,获取各所述缺陷到所述平面直角坐标系两坐标轴的像素距离;将各所述缺陷到所述平面直角坐标系两坐标轴的像素距离确定为所述第三边缘信息。
进一步地,所述各缺陷的量化信息通过以下方式得到:根据所述第一边缘信息和所述待检测表面轮廓边缘的实际尺寸,得到缩放比;根据所述第二边缘信息和所述缩放比,得到各缺陷轮廓边缘的实际尺寸;根据所述第三边缘信息和所述缩放比,得到各所述缺陷到所述待检测表面轮廓边缘的实际距离。
进一步地,所述第二边缘信息包括缺陷的像素长度,所述像素长度通过以下方式确定:对于任一所述感兴趣区域,从该感兴趣区域中选取任一灰度值为0的第一像素点,获得所述第一像素点与该感兴趣区域中各灰度值为0的像素点之间的第一像素距离;在所述第一像素距离取得最大值的情况下,将该像素点确定为第二像素点,获得所述第二像素点与该感兴趣区域中各灰度值为0的像素点之间的第二像素距离;在所述第二像素距离取得最大值的情况下,将所述第二像素距离确定为该感兴趣区域中的缺陷的像素长度。
进一步地,训练所述缺陷检测模型的缺陷数据库通过以下方式获得:对于建筑体表面缺陷中的任一种缺陷,收集多个包含该缺陷的缺陷图像;对各所述缺陷图像进行翻转、旋转、缩放,获得扩展图像;对各所述缺陷图像和各所述扩展图像进行第三预处理,所述第三预处理包括灰度化处理和二值化处理;利用第三预处理后的各个图像建立所述缺陷数据库。
根据本公开的第一个方面,提供了一种建筑体表面缺陷检测系统,该系统包括:数据采集模块,用于按照预设轨迹对待检测表面进行图像数据采集,获取多个初始图像;图像拼接模块,按照所述预设轨迹,对多个所述初始图像进行拼接,得到待检测表面的拼接图像;边缘提取模块,用于从所述拼接图像中提取第一边缘信息、第二边缘信息和第三边缘信息,其中,所述第一边缘信息能够表征所述待检测表面轮廓边缘的像素尺寸,所述第二边缘信息能够表征各缺陷轮廓边缘的像素尺寸,所述第三边缘信息能够表征各所述缺陷到所述待检测表面轮廓边缘的像素距离;尺寸量化模块,用于根据所述第一边缘信息、所述第二边缘信息、所述第三边缘信息以及所述待检测表面轮廓边缘的实际尺寸,对缺陷尺寸进行量化,得到各缺陷的量化信息,所述量化信息包括各所述缺陷的位置、尺寸;结果输出模块,用于将检测到的缺陷信息以可视化的形式输出为检测结果,所述检测结果包括缺陷的类型、实际位置、实际尺寸。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本公开实施例提供的一种建筑体表面缺陷检测系统及检测方法,能够通过远距离进行图像数据采集,实现对待检测建筑体表面的缺陷识别工作,一方面,避免了人工直接抵达高空等恶劣环境下进行目视检查作业的安全风险,另一方面,也能够快速准确的标记缺陷发生的位置、识别缺陷的类别、确定缺陷的尺寸,并以图纸、表格等形式可视化输出呈现,避免了人工绘图、标记、测算的繁琐,便于存档管理以及缺陷追踪监测对比;
2、本公开实施例提供的一种建筑体表面缺陷检测系统及检测方法,通过令该表面区域以外的像素点的灰度值为255,可以快速确定出灰度图像中的背景区域;进而,将处于背景区域和表面区域的分界线上的像素点确定为第一边缘信息,在具备高准确性的同时,避免了引入复杂算法,能够简单快捷的提取出表征待检测表面的轮廓边缘的第一边缘信息;
3、本公开实施例提供的一种建筑体表面缺陷检测系统及检测方法,在二值化处理前,将第二标记图像中感兴趣区域之外的区域排除,仅针对感兴趣区域进行二值化处理,一方面,避免了对整个第二标记图像进行全局二值化处理,大大减少了二值化处理的作业区域,提升了处理效率;另一方面,相较于直接对第二标记图像进行全局二值化处理而言,仅针对范围较小的感兴趣区域进行二值化处理,有利于精确选取预设阈值,减少了漏检或误检的发生,有利于确保提取的第二边缘信息的可靠性;
4、本公开实施例提供的一种建筑体表面缺陷检测系统及检测方法,通过将分别处理得到的二值化图像和第一预处理图像相关联,简便地获取了表征各缺陷到待检测表面轮廓边缘的像素距离,获取方式简单,运算量小,有利于提高缺陷检测的速率;
5、本公开实施例提供的一种建筑体表面缺陷检测系统及检测方法,通过将几何的计算原理融入到确定裂缝类缺陷的像素宽度的算法中,能够快捷地求取裂缝类缺陷的像素宽度,且求取的素宽度值准确可靠。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1示意性示出了根据本发明实施例的一种建筑体表面缺陷检测方法的流程图;
图2示意性示出了根据本发明实施例确定缺陷像素长度的原理图;
图3示意性示出了根据本发明实施例确定裂缝类缺陷的像素宽度的示意图;
图4示意性示出了根据本发明实施例确定裂缝类缺陷的上边缘在第j列处像素点对应的倾角𝜃1的示意图;
图5示意性示出了根据本发明实施例确定裂缝类缺陷的上边缘在第j列处像素点对应的倾角𝜃2的示意图;
图6示意性示出了根据本发明实施例获取多个初始图像的示意图;
图7示意性示出了根据本发明实施例将中间拼接图像和下一初始图像进行拼接的流程图;
图8示意性示出了根据本发明实施例的一种建筑体表面缺陷检测系统的机构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。需要说明的是,本发明已经处于实际研发使用阶段。
对于筒仓、隧道、水利大坝、高层建筑、桥梁、墩柱、索塔等混凝土建筑体而言,其主要是由混凝土建成,混凝土很容易发生结构变形,在外界环境的不断变化中(如温度变化带来的膨胀或收缩),很容易形成产生各种缺陷,尤其是裂缝。长期负载过重导致应力不均问题,也会导致裂缝产生。表面裂缝的产生会影响建筑物的使用寿命,严重会导致事故的发生,造成经济、生命财产损失。因此,对建筑表面缺陷进行检测对消除安全隐患具有重大意义。通过定期检测,能够及时发现建筑体表面缺陷,便于及时修护和填补缺陷,阻止建筑危害的发生,避免造成老化或结构损害等问题带来经济损失。
为了克服现有检测手段依赖于人工识别的情况、避免人工抵达高危环境进行目视检查;实现建筑体表面缺陷自动化识别与检测,提高缺陷检测效率。本发明提供了一种建筑体表面缺陷检测方法,用于至少部分克服上述技术问题,实现上述有益效果。
图1示意性示出了根据本发明实施例的一种建筑体表面缺陷检测方法的流程图。如图1所示,该方法包括以下步骤:
步骤1,数据采集,按照预设轨迹对待检测表面进行图像数据采集,获取多个初始图像;
步骤2,图像拼接,按照所述预设轨迹,对多个所述初始图像进行拼接,得到待检测表面的拼接图像;
步骤3,提取边缘信息,通过预设算法从所述拼接图像中提取第一边缘信息、第二边缘信息和第三边缘信息,其中,所述第一边缘信息能够表征所述待检测表面轮廓边缘的像素尺寸,所述第二边缘信息能够表征各缺陷轮廓边缘的像素尺寸,所述第三边缘信息能够表征各所述缺陷到所述待检测表面轮廓边缘的像素距离;
步骤4,量化缺陷尺寸,根据所述第一边缘信息、所述第二边缘信息、所述第三边缘信息以及所述待检测表面轮廓边缘的实际尺寸,对缺陷尺寸进行量化,得到各缺陷的量化信息,所述量化信息包括各所述缺陷的位置、尺寸;
步骤5,输出结果,将检测到的缺陷信息以可视化的形式输出为检测结果,所述检测结果包括缺陷的类型、实际位置、实际尺寸。
基于此,本发明实施例提供的一种建筑体表面缺陷检测方法,能够通过远距离进行图像数据采集,实现对待检测建筑体表面的缺陷识别工作,一方面,避免了人工直接抵达高空等恶劣环境下进行目视检查作业的安全风险,另一方面,也能够快速准确的标记缺陷发生的位置、识别缺陷的类别、确定缺陷的尺寸,并以图纸、表格等形式可视化输出呈现,避免了人工绘图、标记、测算的繁琐,便于存档管理以及缺陷追踪监测对比。
更具体地,所述通过预设算法从所述拼接图像中提取第一边缘信息、第二边缘信息和第三边缘信息之前还包括:
将所述拼接图像进行灰度化处理,得到灰度图像;
所述灰度化处理按以下方式进行:
,
其中,g(i,j)表示所述灰度图像中第i行第j列的像素点的灰度值,R(i,j)表示所述拼接图像中第i行第j列的像素点的R通道的值,G(i,j)表示所述拼接图像中第i行第j列的像素点的G通道的值,B(i,j)表示所述拼接图像中第i行第j列的像素点的B通道的值。
通过对拼接图像进行灰度化处理,一方面,能够减少光照、阴影、色彩等因素对缺陷特征的影响,突出缺陷的特征,便于缺陷的识别和提取;另一方面,减少了提取边缘信息步骤的存储空间需求量和计算量,提高了提取边缘信息的速率。
更具体地,所述第一边缘信息按照以下方式提取得到:
计算所述灰度图像的灰度变化梯度,根据所述灰度变化梯度标记所述待检测表面的表面区域,并输出第一标记图像;具体而言是通过计算灰度图像的灰度变化梯度,将灰度急剧变化的像素点确定为轮廓边缘的发生像素点,再结合混凝土建筑体待检测表面的灰度值变化较小的特性,可以确定出待检测表面的表面区域(即待检测表面呈现在灰度图像上的区域)。
对所述第一标记图像进行第一预处理,得到第一预处理图像,其中,所述第一预处理按照以下方式进行:
,
其中,g'(i,j)表示第一预处理图像中第i行第j列的像素点的灰度值;
遍历所述第一预处理图像中各个像素点,记录g'(i,j)=255的所有像素点组成的背景区域,将处于所述背景区域与所述表面区域的分界线上的所有像素点确定为所述第一边缘信息。
通过令该表面区域以外的像素点的灰度值为255,可以确定出灰度图像中的背景区域(即灰度值为255的所有像素点组成的区域);进而,将处于背景区域和表面区域的分界线上的像素点确定为第一边缘信息,在具备高准确性的同时,避免了引入复杂算法,能够简单快捷的提取出表征待检测表面的轮廓边缘的第一边缘信息。
更具体地,所述第二边缘信息按照以下方式提取得到:
将所述灰度图像输入到预设的缺陷检测模型进行缺陷检测,通过所述缺陷检测模型识别并标记缺陷的类型、标记包含缺陷信息的感兴趣区域,并输出第二标记图像;
对所述第二标记图像进行二值化处理,得到二值化图像,其中,所述二值化处理按以下方式进行:
,
其中,g 二值(i,j) 表示二值化图像中第i行第j列的像素点的灰度值,α表示预设阈值;
遍历所述二值化图像中各个像素点,记录灰度值为0的所有像素点,得到所述第二边缘信息。
本实施例通过缺陷检测模型进行缺陷检测,能够确保缺陷特征识别的准确性,并在输出的图像中标记缺陷的位置、类型和区域;基于此,通过对图像进行二值化处理,能够快速地将缺陷的边缘轮廓信息提取出来,便于缺陷的轮廓边缘的像素尺寸的确定。
更进一步地,在对所述第二标记图像进行二值化处理之前,还包括:
对所述第二标记图像进行第二预处理,得到第二预处理图像,其中,所述第二预处理按照以下方式进行:
,
其中,g''(i,j)表示第二预处理图像中第i行第j列的像素点的灰度值,所述二值化处理在所述感兴趣区域内进行。
基于此,在二值化处理前,将第二标记图像中感兴趣区域之外的区域(不包含缺陷特征的区域)排除,仅针对感兴趣区域进行二值化处理,一方面,避免了对整个第二标记图像进行全局二值化处理,大大减少了二值化处理的作业区域(即大幅减少了二值化处理的数据量),提升了处理效率;另一方面,相较于直接对第二标记图像进行全局二值化处理而言,仅针对范围较小(像素点较少)的感兴趣区域进行二值化处理,有利于精确选取预设阈值,减少了漏检(将缺陷区域中的一部分像素点错误地标记为背景)或误检(将背景区域中的一部分像素点错误地标记为缺陷)的发生,有利于确保提取的第二边缘信息的可靠性。
更进一步地,所述第三边缘信息按照以下方式提取得到:
从第一预处理图像中处于所述背景区域与所述表面区域的界线上的所有像素点中选取任一像素点(i 0 ,j 0 ),在所述二值化图像中以(i 0 ,j 0 )为原点建立平面直角坐标系(优选地,该平面直角坐标系的x轴和y轴分别与该二值化图像的行和列平行),获取各所述缺陷到所述平面直角坐标系两坐标轴的像素距离;
将各所述缺陷到所述平面直角坐标系两坐标轴的像素距离确定为所述第三边缘信息。
由于二值化图像和第一预处理图像之间并未发生尺寸变换,则第一预处理图像上的像素点(i 0 ,j 0 )与二值化图像中的像素点(i 0 ,j 0 )是该待检测表面轮廓边缘上的同一个点;各缺陷到该平面直角坐标系的x轴之间的像素距离,以及各缺陷到该平面直角坐标系的y轴之间的像素距离,即可表征各缺陷到待检测表面轮廓边缘的像素距离。其中,对于任一缺陷而言,选取该缺陷轮廓边缘上的一像素点为位置特征点,根据该像素点的行数和列数,即可得到该像素点到待检测表面轮廓边缘的像素距离,通过将分别处理得到的二值化图像和第一预处理图像相关联,简便地获取了表征各缺陷到待检测表面轮廓边缘的像素距离,获取方式简单,运算量小,有利于提高缺陷检测的速率。
更具体而言,所述各缺陷的量化信息通过以下方式得到:
根据所述第一边缘信息和所述待检测表面轮廓边缘的实际尺寸,得到缩放比,具体来说是通过待检测表面轮廓边缘某一线条的像素长度和该线条的实际尺寸得到缩放比;
根据所述第二边缘信息和所述缩放比,得到各缺陷轮廓边缘的实际尺寸,具体而言,对任一缺陷,通过该缺陷的像素长度和像素宽度,结合缩放比,可以得到该缺陷的实际长度和实际宽度;
根据所述第三边缘信息和所述缩放比,得到各所述缺陷到所述待检测表面轮廓边缘的实际距离,具体而言,对于任一缺陷,根据该缺陷到该平面直角坐标系的x轴之间的像素距离,以及该缺陷到该平面直角坐标系的y轴之间的像素距离,结合缩放比,即可确定该缺陷的实际位置(缺陷相对于像素点(i 0 ,j 0 )在待检测表面上对应的点的位置)。
图2示意性示出了根据本发明实施例确定缺陷像素长度的原理图。如图2所示,所述第二边缘信息包括缺陷的像素长度,所述像素长度通过以下方式确定:
在二值化图像中,对于任一所述感兴趣区域,从该感兴趣区域中选取任一灰度值为0的第一像素点(例如图2中A点),获得所述第一像素点与该感兴趣区域中各灰度值为0的像素点之间的第一像素距离;
在所述第一像素距离取得最大值的情况下(即图2中线段AB),将该像素点(即图2中B点)确定为第二像素点,获得所述第二像素点与该感兴趣区域中各灰度值为0的像素点之间的第二像素距离;
在所述第二像素距离取得最大值的情况下(即图2中线段BC),将所述第二像素距离确定为该感兴趣区域中的缺陷的像素长度(该缺陷的像素长度根据第二像素距离两端像素点所在的行数和列数得到),优选地,将上述第二像素距离的中点作为前述的特征点。
对于条状的裂缝缺陷以及块状的剥落等缺陷而言,上述的方式确定出的缺陷像素长度更能够准确地体现出该缺陷的长度信息,避免了常规方式使得检测的缺陷长度偏小的情况,有利于技术人员根据正确的缺陷的长度信息,做出正确的应对和补救措施。
对于裂缝类的缺陷而言,裂缝的实际宽度也反映了裂缝病害的严重程度,反映了建筑体的破坏风险程度。图3示意性示出了根据本发明实施例确定裂缝类缺陷的像素宽度的示意图;如图3所示,在本发明的实施例中,裂缝类缺陷的像素宽度通过以下方式确定:
对于任一裂缝类缺陷,遍历该缺陷对应的感兴趣区域内第j列的像素点,确定该缺陷的上边缘在第j列处像素点对应的行数U j 和下边缘在第j列处像素点对应的行数D j ,则该缺陷在第j列对应的像素行数d j 表示为:
;
图4示意性示出了根据本发明实施例确定裂缝类缺陷的上边缘在第j列处像素点对应的倾角𝜃1的示意图。如图4所示,遍历该缺陷对应的感兴趣区域内第j+1列和j-1列的像素点,确定该缺陷的上边缘在第j+1列处像素点对应的行数U j+1、在第j-1列处像素点对应的行数U j-1,则该缺陷的上边缘在第j列处像素点对应的倾角𝜃1表示为:
;
图5示意性示出了根据本发明实施例确定裂缝类缺陷的上边缘在第j列处像素点对应的倾角𝜃2的示意图。如图5所示,遍历该缺陷对应的感兴趣区域内第j+1列和j-1列的像素点,确定该缺陷的下边缘在第j+1列处像素点对应的行数D j+1、在第j-1列处像素点对应的行数D j-1,则该缺陷的下边缘在第j列处像素点对应的倾角𝜃2表示为:
;
则该缺陷在第j列处的倾斜角𝜃表示为:
;
则该缺陷在第j列处的像素宽度w j 表示为:
;
采用上述方法得到该缺陷在各列处的像素宽度,以其中的最大值作为该缺陷的像素宽度,优选地,将该缺陷的像素宽度的中点作为前述的特征点。
基于此,通过将几何的计算原理融入到确定裂缝类缺陷的像素宽度的算法中,能够快捷地求取裂缝类缺陷的像素宽度,且在求取过程中,仅在该缺陷在第j列处的倾斜角𝜃的求取过程进行了近似处理,然而对于裂缝类缺陷而言,尽管裂缝的走势曲折不定,但裂缝在某一列处的上边缘和下边缘的倾角通常大致相同,因此,该近似处理并不会带来较大误差,求取的素宽度值准确可靠。
进一步地,训练所述缺陷检测模型的缺陷数据库通过以下方式获得:
对于建筑体表面缺陷中的任一种缺陷,收集多个包含该缺陷的缺陷图像;
对各所述缺陷图像进行翻转、旋转、缩放,获得扩展图像;
对各所述缺陷图像和各所述扩展图像进行第三预处理,所述第三预处理包括灰度化处理和二值化处理;
利用第三预处理后的各个图像建立所述缺陷数据库。
通过上述方式,能够在少量收集缺陷样本的基础上,大幅扩展缺陷数据库,并且,通过该数据库训练出的缺陷检测模型检测的准确率更高,即使输入图像的角度等并非正视角度,也能够准确的识别缺陷特征。
图6示意性示出了根据本发明实施例获取多个初始图像的示意图。如图6所示,在本发明实施例中,数据采集按照以下方式进行:将所述待检测表面划分为若干子区域(即图中标示出的1、2、3、4、5、6、7、8、9、10等子区域),使用图像采集设备沿所述预设轨迹(即图6中箭头方向所示的轨迹)对各所述子区域逐一进行图像数据采集,获得对应的初始图像,各初始图像均涵盖对应子区域。更优地,是将待检测表面划分为若干纵向区域(例如在图6中,将待检测表面划分为了8个纵向区域),将每一纵向区域划分为若干子区域(例如在图6中,将每一纵向区域划分为了5个子区域);所述预设轨迹为:从第一个纵向区域的上端(第一个纵向区域的第一个子区域,例如图6中所示的子区域1)开始向着第一个纵向区域的下端(第一个纵向区域的最后一个子区域,例如图6中所示的子区域5)进行图像数据采集;采集第一个纵向区域的下端后,采集第二个纵向区域的下端(第二个纵向区域的最后一个子区域,例如图6中所示的子区域6),而后向着第二个纵向区域的上端(第二个纵向区域的第一个子区域,例如图6中所示的子区域10)进行图像数据采集;采集第二个纵向区域的上端后,采集第三个纵向区域的上端(第三个纵向区域的第一个子区域),而后向着第三个纵向区域的末端(第三个纵向区域的最后一个子区域)进行图像数据采集;按此规律,直至完成图像数据采集。
所述按照所述预设轨迹,对多个所述初始图像进行拼接包括:
步骤21,按照各所述初始图像的获取顺序,对各所述初始图像排序;
步骤22,按顺序选取第一初始图像和第二初始图像进行拼接,得到中间拼接图像;
步骤23,将所述中间拼接图像和下一初始图像进行拼接,并用拼接结果更新所述中间拼接图像;
步骤24,重复所述步骤23,直至所述中间拼接图像和最后一个初始图像完成拼接,并将拼接结果输出为所述拼接图像。
图7示意性示出了根据本发明实施例将中间拼接图像和下一初始图像进行拼接的流程图。如图7所示,所述对多个所述初始图像进行拼接还包括:
在将所述中间拼接图像和下一初始图像进行拼接的过程中,若存在两个与所述下一初始图像相邻的已拼接初始图像,则通过该两个已拼接图像中与所述下一初始图像横向相邻的已拼接初始图像验证拼接结果,在验证通过的情况下,用所述拼接结果更新所述中间拼接图像;在验证不通过的情况下,将所述中间拼接图像和所述下一初始图像再次配准后再次进行拼接。
基于此,在存在两个与所述下一初始图像相邻的已拼接初始图像的情况下(例如下一初始图像为图6中子区域7对应的初始图像,其存在两个相邻的已拼接初始图像,即图6中子区域4、6对应的初始图像),则通过与所述下一初始图像横向相邻的已拼接初始图像验证拼接结果(例如通过图6中子区域4对应的初始图像验证子区域7的拼接结果)。由此,能够大幅提升拼接图像的配准可靠性,确保拼接图像的质量,有利于确保后续步骤中提取边缘信息和量化缺陷尺寸的准确性。
基于上述建筑体表面缺陷检测方法,本发明还提供了一种建筑体表面缺陷检测系统,如图8所示,该系统包括:
数据采集模块,用于按照预设轨迹对建筑体表面进行图像数据采集,获取多个初始图像;
图像拼接模块,按照所述预设轨迹,对多个所述初始图像进行拼接,得到待检测表面的拼接图像;
边缘提取模块,用于从所述拼接图像中提取第一边缘信息、第二边缘信息和第三边缘信息,其中,所述第一边缘信息能够表征所述待检测表面轮廓边缘的像素尺寸,所述第二边缘信息能够表征各缺陷轮廓边缘的像素尺寸,所述第三边缘信息能够表征各所述缺陷到所述待检测表面轮廓边缘的像素距离;
量化模块,用于根据所述第一边缘信息、所述第二边缘信息、所述第三边缘信息以及所述待检测表面轮廓边缘的实际尺寸,对缺陷尺寸进行量化,得到各缺陷的量化信息,所述量化信息包括各所述缺陷的位置、尺寸;
输出模块,用于将检测到的缺陷信息以可视化的形式输出为检测结果,所述检测结果包括缺陷的类型、实际位置、实际尺寸。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种建筑体表面缺陷检测方法,其特征在于,包括以下步骤:
步骤1,数据采集,按照预设轨迹对待检测表面进行图像数据采集,获取多个初始图像;
步骤2,图像拼接,按照所述预设轨迹,对多个所述初始图像进行拼接,得到待检测表面的拼接图像;
步骤3,提取边缘信息,通过预设算法从所述拼接图像中提取第一边缘信息、第二边缘信息和第三边缘信息,其中,所述第一边缘信息能够表征所述待检测表面轮廓边缘的像素尺寸,所述第二边缘信息能够表征各缺陷轮廓边缘的像素尺寸,所述第三边缘信息能够表征各所述缺陷到所述待检测表面轮廓边缘的像素距离;
步骤4,量化缺陷尺寸,根据所述第一边缘信息、所述第二边缘信息、所述第三边缘信息以及所述待检测表面轮廓边缘的实际尺寸,对缺陷尺寸进行量化,得到各缺陷的量化信息,所述量化信息包括各所述缺陷的位置、尺寸;
步骤5,输出结果,将检测到的缺陷信息以可视化的形式输出为检测结果,所述检测结果包括缺陷的类型、实际位置、实际尺寸;
其中,所述通过预设算法从所述拼接图像中提取第一边缘信息、第二边缘信息和第三边缘信息之前还包括:
将所述拼接图像进行灰度化处理,得到灰度图像;
所述灰度化处理按以下方式进行:
,
其中,g(i,j)表示所述灰度图像中第i行第j列的像素点的灰度值,R(i,j)表示所述拼接图像中第i行第j列的像素点的R通道的值,G(i,j)表示所述拼接图像中第i行第j列的像素点的G通道的值,B(i,j)表示所述拼接图像中第i行第j列的像素点的B通道的值;
所述第一边缘信息按照以下方式提取得到:
计算所述灰度图像的灰度变化梯度,根据所述灰度变化梯度标记所述待检测表面的表面区域,并输出第一标记图像;
对所述第一标记图像进行第一预处理,得到第一预处理图像,其中,所述第一预处理按照以下方式进行:
,
其中,g'(i,j)表示第一预处理图像中第i行第j列的像素点的灰度值;
遍历所述第一预处理图像中各个像素点,记录g'(i,j)=255的所有像素点组成的背景区域,将处于所述背景区域与所述表面区域的分界线上的所有像素点确定为所述第一边缘信息;
所述第二边缘信息按照以下方式提取得到:
将所述灰度图像输入到预设的缺陷检测模型进行缺陷检测,通过所述缺陷检测模型识别并标记缺陷的类型、标记包含缺陷信息的感兴趣区域,并输出第二标记图像;
对所述第二标记图像进行二值化处理,得到二值化图像,其中,所述二值化处理按以下方式进行:
,
其中,g 二值(i,j) 表示二值化图像中第i行第j列的像素点的灰度值,α表示预设阈值;
遍历所述二值化图像中各个像素点,记录灰度值为0的所有像素点,得到所述第二边缘信息;
所述第二边缘信息包括缺陷的像素长度,所述像素长度通过以下方式确定:
对于任一所述感兴趣区域,从该感兴趣区域中选取任一灰度值为0的第一像素点,获得所述第一像素点与该感兴趣区域中各灰度值为0的像素点之间的第一像素距离;
在所述第一像素距离取得最大值的情况下,将该像素点确定为第二像素点,获得所述第二像素点与该感兴趣区域中各灰度值为0的像素点之间的第二像素距离;
在所述第二像素距离取得最大值的情况下,将所述第二像素距离确定为该感兴趣区域中的缺陷的像素长度;
裂缝类缺陷的像素宽度通过以下方式确定:
对于任一裂缝类缺陷,遍历该缺陷对应的感兴趣区域内第j列的像素点,确定该缺陷的上边缘在第j列处像素点对应的行数U j 和下边缘在第j列处像素点对应的行数D j ,则该缺陷在第j列对应的像素行数d j 表示为:
;
遍历该缺陷对应的感兴趣区域内第j+1列和j-1列的像素点,确定该缺陷的上边缘在第j+1列处像素点对应的行数U j+1、在第j-1列处像素点对应的行数U j-1,则该缺陷的上边缘在第j列处像素点对应的倾角𝜃1表示为:
;
遍历该缺陷对应的感兴趣区域内第j+1列和j-1列的像素点,确定该缺陷的下边缘在第j+1列处像素点对应的行数D j+1、在第j-1列处像素点对应的行数D j-1,则该缺陷的下边缘在第j列处像素点对应的倾角𝜃2表示为:
;
则该缺陷在第j列处的倾斜角𝜃表示为:
;
则该缺陷在第j列处的像素宽度w j 表示为:
;
采用上述方法得到该缺陷在各列处的像素宽度,以其中的最大值作为该缺陷的像素宽度。
2.根据权利要求1所述的一种建筑体表面缺陷检测方法,其特征在于,在对所述第二标记图像进行二值化处理之前,还包括:
对所述第二标记图像进行第二预处理,得到第二预处理图像,其中,所述第二预处理按照以下方式进行:
,
其中,g''(i,j) 表示第二预处理图像中第i行第j列的像素点的灰度值,所述二值化处理在所述感兴趣区域内进行。
3.根据权利要求1所述的一种建筑体表面缺陷检测方法,其特征在于,所述第三边缘信息按照以下方式提取得到:
从处于所述背景区域与所述表面区域的界线上的所有像素点中选取任一像素点(i 0 , j 0 ),在所述二值化图像中以(i 0 ,j 0 )为原点建立平面直角坐标系,获取各所述缺陷到所述平面直角坐标系两坐标轴的像素距离;
将各所述缺陷到所述平面直角坐标系两坐标轴的像素距离确定为所述第三边缘信息。
4.根据权利要求1所述的一种建筑体表面缺陷检测方法,其特征在于,所述各缺陷的量化信息通过以下方式得到:
根据所述第一边缘信息和所述待检测表面轮廓边缘的实际尺寸,得到缩放比;
根据所述第二边缘信息和所述缩放比,得到各缺陷轮廓边缘的实际尺寸;
根据所述第三边缘信息和所述缩放比,得到各所述缺陷到所述待检测表面轮廓边缘的实际距离。
5.根据权利要求1所述的一种建筑体表面缺陷检测方法,其特征在于,训练所述缺陷检测模型的缺陷数据库通过以下方式获得:
对于建筑体表面缺陷中的任一种缺陷,收集多个包含该缺陷的缺陷图像;
对各所述缺陷图像进行翻转、旋转、缩放,获得扩展图像;
对各所述缺陷图像和各所述扩展图像进行第三预处理,所述第三预处理包括灰度化处理和二值化处理;
利用第三预处理后的各个图像建立所述缺陷数据库。
6.一种建筑体表面缺陷检测系统,基于权利要求1至5中任一权利要求所述的一种建筑体表面缺陷检测方法,其特征在于,包括:
数据采集模块,用于按照预设轨迹对待检测表面进行图像数据采集,获取多个初始图像;
图像拼接模块,按照所述预设轨迹,对多个所述初始图像进行拼接,得到待检测表面的拼接图像;
边缘提取模块,用于从所述拼接图像中提取第一边缘信息、第二边缘信息和第三边缘信息,其中,所述第一边缘信息能够表征所述待检测表面轮廓边缘的像素尺寸,所述第二边缘信息能够表征各缺陷轮廓边缘的像素尺寸,所述第三边缘信息能够表征各所述缺陷到所述待检测表面轮廓边缘的像素距离;
尺寸量化模块,用于根据所述第一边缘信息、所述第二边缘信息、所述第三边缘信息以及所述待检测表面轮廓边缘的实际尺寸,对缺陷尺寸进行量化,得到各缺陷的量化信息,所述量化信息包括各所述缺陷的位置、尺寸;
结果输出模块,用于将检测到的缺陷信息以可视化的形式输出为检测结果,所述检测结果包括缺陷的类型、实际位置、实际尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410494162.9A CN118097436B (zh) | 2024-04-24 | 2024-04-24 | 一种建筑体表面缺陷检测系统及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410494162.9A CN118097436B (zh) | 2024-04-24 | 2024-04-24 | 一种建筑体表面缺陷检测系统及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118097436A CN118097436A (zh) | 2024-05-28 |
CN118097436B true CN118097436B (zh) | 2024-07-12 |
Family
ID=91146042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410494162.9A Active CN118097436B (zh) | 2024-04-24 | 2024-04-24 | 一种建筑体表面缺陷检测系统及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118097436B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581415A (zh) * | 2022-03-08 | 2022-06-03 | 成都数之联科技股份有限公司 | Pcb缺陷的检测方法、装置、计算机设备及存储介质 |
CN114609141A (zh) * | 2022-02-28 | 2022-06-10 | 广东省科学院智能制造研究所 | 一种基于视觉检测的包装产品表面缺陷检测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2930032B1 (fr) * | 2008-04-09 | 2010-05-14 | Peugeot Citroen Automobiles Sa | Procede et installation de caracterisation d'un defaut de surface sur une piece |
JP5678737B2 (ja) * | 2011-03-10 | 2015-03-04 | セイコーエプソン株式会社 | 欠陥検出方法及び欠陥検出装置 |
CN113963049A (zh) * | 2021-10-27 | 2022-01-21 | 上海精测半导体技术有限公司 | 一种像素尺寸、实际尺寸的测量方法及电子设备 |
CN115908269B (zh) * | 2022-10-26 | 2023-07-04 | 中科慧远视觉技术(北京)有限公司 | 视觉缺陷检测方法、装置、存储介质和计算机设备 |
CN115639248A (zh) * | 2022-12-22 | 2023-01-24 | 天津思睿信息技术有限公司 | 一种用于建筑外墙质量检测的系统及方法 |
-
2024
- 2024-04-24 CN CN202410494162.9A patent/CN118097436B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114609141A (zh) * | 2022-02-28 | 2022-06-10 | 广东省科学院智能制造研究所 | 一种基于视觉检测的包装产品表面缺陷检测方法及装置 |
CN114581415A (zh) * | 2022-03-08 | 2022-06-03 | 成都数之联科技股份有限公司 | Pcb缺陷的检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN118097436A (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
Hou et al. | Inspection of surface defects on stay cables using a robot and transfer learning | |
KR102121958B1 (ko) | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 | |
CN111899288B (zh) | 基于红外和可见光图像融合的隧道渗漏水区域检测与识别方法 | |
CN113469177B (zh) | 基于深度学习的排水管道缺陷检测方法及系统 | |
CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
CN110246130B (zh) | 基于红外和可见光图像数据融合的机场道面裂缝检测方法 | |
EP3855389A1 (en) | Training data collection device, training data collection method, and program | |
CN111241994B (zh) | 一种深度学习的遥感影像农村公路砂化路段的提取方法 | |
CN111046950B (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
CN108154498A (zh) | 一种裂缝缺陷检测系统及其实现方法 | |
CN109993742B (zh) | 基于对角导数算子的桥梁裂缝快速识别方法 | |
CN116823800A (zh) | 一种基于深度学习的复杂背景下桥梁混凝土裂缝检测方法 | |
CN114705689A (zh) | 一种基于无人机的建筑物外立面裂缝检测方法及系统 | |
CN111126183A (zh) | 一种基于近地面影像数据的震后建筑物损毁检测方法 | |
CN108332927A (zh) | 一种桥梁表面裂缝检测装置 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN113554667B (zh) | 一种基于图像识别的三维位移检测方法及装置 | |
CN115631132A (zh) | 网络训练方法、缺陷检测方法、装置、存储介质和设备 | |
CN118334007A (zh) | 一种水工混凝土结构的裂缝检测与预警方法及系统 | |
CN118097436B (zh) | 一种建筑体表面缺陷检测系统及检测方法 | |
CN116309418B (zh) | 桥梁悬臂施工主梁变形的智能监测方法及装置 | |
CN116664984A (zh) | 一种基于机器视觉的排水管道缺陷检测方法及系统 | |
CN112270663B (zh) | 基于蜂巢网络环境的沥青路面过筛修复系统 | |
CN109064417B (zh) | 地铁隧道图像处理方法及装置 |
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 |