FR3087030A1 - Procede pour la caracterisation de fissures murales - Google Patents
Procede pour la caracterisation de fissures murales Download PDFInfo
- Publication number
- FR3087030A1 FR3087030A1 FR1859275A FR1859275A FR3087030A1 FR 3087030 A1 FR3087030 A1 FR 3087030A1 FR 1859275 A FR1859275 A FR 1859275A FR 1859275 A FR1859275 A FR 1859275A FR 3087030 A1 FR3087030 A1 FR 3087030A1
- Authority
- FR
- France
- Prior art keywords
- cracks
- digital
- crack
- sets
- image
- 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
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Abstract
L'invention concerne un procédé pour la caractérisation de fissures murales comprenant au moins une étape d'acquisition d'une image numérique et de traitement de ladite image numérique pour extraire des ensembles numériques de pixels associés à une fissure, caractérisé en ce qu'il comporte en outre une étape de classification desdits ensembles numériques en fonction de l'appartenance à une classe d'angle.
Description
PROCEDE POUR LA CARACTERISATION DE FISSURES MURALES
Domaine de l'invention
La présente invention concerne le domaine du contrôle des fissures sur la façade d'un immeuble.
Une fissure est une fente plus ou moins longue et plus ou moins large qui affecte un mur. Selon sa longueur et sa largeur, une fissure est considérée comme bénigne ou dangereuse.
Une fissure est caractérisée par sa longueur et surtout par son ouverture, c'est-à-dire l’écartement entre ses deux v. lèvres », appelé également « amplitude ». Celle-ci est mesurée en dixièmes de millimètre (mm). Tant que l'amplitude de la fissure est inférieure à 2/10ème de mm, elle est appelée microfissure. Si cette amplitude dépasse 20/10ème de mm (2 mm), la fissure devient lézarde.
On distingue :
- Les microfissures : Filiformes et de moins de 0.2 mm de large, elles restent superficielles et a priori ne présentent pas de danger. Néanmoins il faut les surveiller pour être sûr que ce ne soit pas une fissure structurelle dangereuse qui sous le poids de la maçonnerie se soit refermée...
- Les fissures fines ; Elles font entre 0.2 et 2 mm de large. Elles ne présentent pas de danger sauf si elles évoluent et ou se multiplient. C'est alors le signe qu'elles concernent la structure du bâtiment (fissures structurelles ou fissures sur les fondations).
- Les fissures dangereuses : Ce sont des fentes de plus de 2 mm de large et de plus de 2 0 cm de long. Elles sont appelées fissures traversantes lorsqu'elles traversent le mur de part en part. Ce sont des fissures en escalier quand elles suivent les joints des parpaings composants le mur. Et elles deviennent fissures infiltrantes lorsque l'eau pénètre dans la fente. Certaines fissures peuvent atteindre quelques centimètres de large. On parle alors de lézardes.
Par ailleurs, la variation de l'amplitude dans le temps apporte un enseignement supplémentaire sur la nature et la gravité de la fissure.
Selon leurs emplacements sur le ou les murs, les fissures sont plus ou moins dangereuses et marquent des désordres qui remettent en cause la solidité de la structure du bâtiment.
De grosses fissures horizontales ou en escalier sont souvent la conséquence de problèmes au niveau du sous-sol et donc des fissures des fondations. Des longues fissures verticales situées à l'angle de deux murs peuvent entrainer une désolidarisation des pans de murs. Les fissures infiltrantes sont particulièrement dangereuses car les infiltrations et la succession de périodes de gel puis de dégel fragilisent encore plus le mur.
La qualification d'une fissure nécessite une certaine expertise. Lorsque des fissures dangereuses apparaissent sur un mur, il faut rapidement mettre en place un système de surveillance et de suivi de leur évolution sur plusieurs mois. On connaît dans l'état de la technique différents moyens pour mesurer l'importance des fissures :
* Témoin en plâtre installé à cheval sur les bords de la fissure, ® Témoin en verre inclus dans un manchon en plâtre, ® Fissuromètre gradué ou électronique, ® Extensomètre et déformètre.
Ces mesures permettent de déterminer l'évolution possible des fissures et de définir leur degré de dangerosité.
On a aussi proposé de procéder à la reconnaissance d'image pour caractériser les fissures visibles sur un bâtiment.
Etat de la technique
On connaît dans l'état de la technique le brevet chinois CN104568981 décrivant un procédé de mesure de défaut de paroi de bâtiment basé sur une image. Le procédé comprend les étapes suivantes;
- acquisition de l'image d'une surface de paroi de bâtiment, traitement, affichage, calcul et mesure de l'image;
- sur la base d'une image à mesurer, peindre une ligne avec la main sur l'image à mesurer affichée dans une interface d'opération en utilisant une souris pour mesurer le défaut de la paroi du bâtiment, et acquérir une ou plusieurs informations de défauts telle que la longueur de la fissure, la largeur de la fissure, la surface du matériau de remplissage ou circulaire du bâtiment sur la surface du mur, où la méthode est appropriée pour mesurer les défauts tels que la longueur de la fissure, la largeur de la fissure surface extérieure de tout bâtiment de structure en béton armé.
On connaît aussi le brevet chinois CN106651893 décrivant un procédé d'identification de fissure de corps de paroi à base de détection de bord.
Le procédé comprend les étapes d'acquisition d'une image de corps de paroi, de prétraitement de l'image, d’extraction d'un bord de fissure et de filtration des bruits de fond, puis d'identification d'une fissure de paroi.
Une autre solution connue est décrite dans le brevet japonais JP2014098683 décrivant un autre procédé et dispositif permettant de mesurer à distance une fissure.
Plusieurs points laser de forme connue sont projetés à côté d'une fissure sur un mur éloigné et un calcul géométrique est utilisé pour obtenir les coordonnées relatives et les distances réelles entre les différents points laser et les distances réelles sont prises comme longueurs de référence de la f is sure.
Ensuite, les images de la fissure et les taches laser sont capturées simultanément dans une position éloignée par une caméra, et une technique de reconnaissance d'image est utilisée pour calculer un paramètre pertinent pour la fissure dans les images capturées par calcul. Un utilisateur peut acquérir le paramètre de fissure sans devoir se rapprocher complètement de l'emplacement de la fissure pour effectuer une mesure à courte distance ou placer un objet de référence à proximité de la fissure, de sorte que la sécurité et la commodité soient assurées.
Le brevet chinois CN105910540 décrit également un procédé de détection de fissures de paroi de bâtiment. Il comprend les étapes suivantes : on prend un dispositif de photographie par un capteur d'image CMOS, avec une mesure de la distance entre la caméra et le mur.
En fonction des champs de vue transversale et longitudinale de la caméra, la longueur réelle et la largeur de la surface du mur dans l'image sont calculées; en fonction des différences de valeurs de pixels de la fissure et de la surface de la paroi, on détermine le nombre de pixels de largeur de la fissure et l'angle inclus entre la fissure et la ligne horizontale; le nombre de pixels dans chaque rangée et le nombre de pixels dans chaque colonne dans l'image sont lus, et la longueur et la largeur de chaque pixel correspondant à la surface du mur sur l'image sont calculées; et la largeur de la fissure de la surface réelle de la paroi est calculée.
Inconvénients de l'art antérieur
Les solutions de l'art antérieur présentent différents inconvénients, notamment celui de la caractérisation des fissures qui est difficile, notamment lorsque le mur présente des zones d'humidité ou un état de surface rendant difficile la distinction entre le pourtour de la fissure et le fond du mur.
Solution apportée par l'invention
La présente invention vise à remédier à ces inconvénients en proposant un procédé pour la caractérisation de fissures murales comprenant au moins une étape d'acquisition d'une image numérique et de traitement de ladite image numérique pour extraire des ensembles numériques de pixels associés à une fissuref caractérisé en ce qu'il comporte en outre une étape de classification desdits ensembles numériques en fonction de l'appartenance à une classe d'angle.
Selon une première variante, le procédé comporte en outre une étape de calcul, pour chacun desdits ensembles numériques, d'une ligne médiane desdits pixels associés à une fissure et à déterminer l'angle formé entre la ligne droite directrice de ladite ligne médiane, et une ligne directrice horizontale de ladite image numérique, et à classifier lesdits ensembles numériques en fonction de l'appartenance à une classe d’angle.
De préférence, il comporte en outre une étape de détection, pour chacun desdits ensembles numériques, de la présence de points d'inflexion de ladite ligne médiane, et de la décomposition desdits ensembles présentant de tels points d'inflexion de sous-ensembles associés, correspondant aux segments de ladite ligne médiane, et de détermination de l'angle formé entre chacun desdits segments, pour classifier lesdits ensembles présentant des points d'inflexion en fonction de l'appartenance desdits angles à une classe d'angle.
Avantageusement, le procédé comporte une succession d'étapes d'acquisition d'images numériques décalées dans le temps, ainsi qu'un traitement d'appariement des ensembles associés à des fissures sur les images numériques successives et de détermination, pour chacun des ensembles appariés, d'un indicateur représentatif de l'évolution d'un paramètre dimensionnel.
Selon une deuxième variante, le procédé comporte des étapes préalables d'enregistrement d'une pluralité d'images numériques d'une surface présentant des fissures, et d'association à chacune desdites images d'au moins un indicateur représentatif de la nature des fissures apparaissant dans l'image correspondante, et une étape d'apprentissage supervisé d'un réseau de neurones.
Description détaillée d'un exemple de réalisation
La présente invention sera mieux comprise à la lecture de la description qui suit, se référant à un exemple non limitatif de réalisation illustré par le dessin annexé où :
- la figure 1 représente un exemple d'image numérique selon l’invention.
Le procédé selon l'invention consiste à prendre en premier lieu une ou plusieurs images d'un mur présentant des fissures avec un équipement de prise de vue tel qu'un téléphone cellulaire (« smartphone »), une tablette ou un appareil photo numérique.
La figure 1 représente un exemple d'une telle image, donc laquelle on distingue une fissure (1 ) .
L'image acquise comporte au moins une zone présentant une fissure (1) ainsi qu'une zone permettant de déterminer le référentiel du mur, et plus particulièrement une ligne directrice horizontale, par exemple un bord d'encadrement de porte ou de fenêtre.
Cette image est transmise à un serveur pour procéder à un traitement visant à extraire de cette image les zones correspondant à des fissures, puis à traiter ces zones pour extraire des informations simplifiées permettant de caractériser chacune des fissures
Le traitement vise à reconnaître une ligne médiane (2 ) .
Méthode de détection de fissures.
La détection et le traitement des parties d'images correspondant à des fissures consistent à détecter des objets fins et sombres en présence d’un bruit relativement important.
Un exemple non limitatif de traitement est basé sur l'approche dite de chemins minimaux, permettant de prendre en compte des caractéristiques photométriques et géométriques des fissures tout en étant le plus robuste possible à la texture de 1’image.
Les algorithmes dits de Dijkstra et de « Fast Marching » sont particulièrement efficaces pour rechercher un chemin minimal.
Ces deux algorithmes détectent le squelette de la fissure. L'algorithme de Dijkstra permet de mieux suivre la trajectoire chaotique d'une fissure alors que le terme de régulation introduit dans le principe du Fast Marching a pour T f Ί H 4» Ί i q q ô r Ί sa
JL Λ. xZ» L- L.*. xZ» ~L JL O tZZ tZ^ -L Ll. L» JL Ll i *ÇZ» Lx- Lr -L JL «
Si un tel algorithme est appliqué en tout point de l'image, il en résulte un coût de calculs important.
Le procédé proposé par l'invention consiste donc à sélectionner les chemins calculés entre les minima locaux pour obtenir le squelette de la fissure.
En supposant que les fissures correspondent à des pixels plus sombres que le fond de l'image, le principe de cette approche est de sélectionner les chemins (au départ de chaque pixel) qui possèdent le plus faible coût.
Pour l'algorithme de Dijkstra, la fonction classique de coût de chemin C(s,d) est définie comme la somme des niveaux de gris le long du chemin, par l'équation (1) :
4~~^ηι=ε
Où ;
« s désigne le pixel source, * d désigne le pixel destination, et « I(m) désigne le niveau de gris du pixel m.
Ce critère n'implique aucune contrainte de longueur ou de forme du chemin. L'application de l'algorithme de Dijkstra entre toutes les paires de pixels (s,d) de l'image est coûteux en termes de calculs c'est pourquoi une adaptation de l'algorithme de Dijkstra pour la détection des fissures de la chaussée a été proposée dans l'article T.S. NGUYEN, «Free-Form Anisotropy: A New Method For Crack Detection On Pavement Surface Images,» ΙΞΕΞ Int. Conf. on Image Processing, pp. 1069-1072, 2011.
Cette solution utilise des contraintes de direction et de longueur pour réduire significativement les temps de calculs. Malheureusement, ces contraintes limitent la variété des formes de fissures, en particulier les fissures interconnectées ne peuvent être détectées.
Le deuxième défaut est la façon dont ces chemins minimaux sont exploités. La solution présentée dans l'article Nguyen susvisé évalue la probabilité de chaque pixel d'appartenir à une fissure en s'appuyant sur les coûts des chemins. Ensuite, les pixels qui ont une valeur plus grande qu'un seuil prédéterminé sont conservés et les propriétés de connexion induites par le chemin minimal sont perdues.
Amélioration des performances
Le traitement peut être amélioré par :
« une réduction du temps de calculs en sélectionnant des sources et des destinations locales, « une stratégie de sélection des meilleurs chemins minimaux.
La fonction de coût est définie par l'équation (1) susvisée et l'algorithme se compose de quatre étapes.
Etape 1 x Sélection des pixels amorces.
Afin de réduire fortement le temps de calculs, le calculateur sélectionne les pixels qui correspondent à des minima locaux et dont l'intensité est inférieure à un seuil, Sa, déterminé grâce à 1'histogramme de l'image.
Seulement quelques pixels sélectionnés sont à l'intérieur de la fissure, d'autres représentent des sources potentielles de fausses alarmes qui doivent être filtrées, ce qui correspond aux deux étapes suivantes.
Cette première étape consiste à :
- Sélectionner les minima locaux πη dans un voisinage PxP
- Estimer un seuil Sa
- Sélectionner les amorces ai telles que I(mt)<Sa
Etape 2 ; Recherche de chemins minimaux entre les pixels amorces.
L'algorithme de Dijkstra est utilisé pour calculer les chemins minimaux entre les différentes paires de pixels amorces (s,d). En résultat, on dispose d'un ensemble de chemins minimaux qui sont caractérisés par leur longueur en pixels et la valeur du coût du chemin.
Cette deuxième étape consiste à calculer pour chaque amorce les coûts des chemins minimaux c(aijr a·,) avec j= 1 à 8, correspondant aux 8 amorces voisines possibles dans un voisinage 3Px3P ;
Etape 3 : Sélection des chemins minimaux.
Les statistiques de la fonction de coût donnent une distribution bimodale pour laquelle un seuil Sc est plus facile à définir. Les chemins sélectionnés sont totalement ou partiellement à l'intérieur de la fissure. Dans ce dernier cas, des ramifications apparaissent le long du squelette de la fissure. On procède à la sélection des meilleurs chemins minimaux tels que c(ai, a-j ) < Sc
Etape 4 : Élimination des fausses alarmes (ramifications).
Une ramification est le chemin entre une extrémité et un croisement entre plusieurs chemins. Une fois ces ramifications identifiées, elles sont considérées comme des fausses alarmes si, et seulement si, leur août est supérieur au seuil Sc, déjà utilisé à l'étape (3).
En résumé, l'algorithme nécessite trois paramètres. Les seuils Sa et Sc sont ajustés aux statistiques de chaque image et correspondent respectivement à la moyenne moins 1'écart type des niveaux de gris de 1'image et la moyenne moins 1'écart type des coûts des chemins minimaux calculés. La taille du voisinage utilisé pour sélectionner les minimaux locaux a été choisi de manière empirique à P = 8.
Alternative de réalisation
Selon une alternative de mise en œuvre de l'invention, le procédé met en œuvre une solution d'apprentissage machine.
A cet effet, on procède à une première séquence d'apprentissage automatique supervisé consistant à acquérir une série de photographies d'une surface présentant des fissures et à procéder à un traitement consistant à surligner les fissures et à leur attribuer une annotation sur la gravité, orientation et localisation, les critères d'annotation appartenant à des classes prédéterminées. Optionnellement, chacun des critères d'appartenance à une classe est associé également à une probabilité d'appartenance à chacune des classes prédéterminées.
A titre d'exemple, les critères d'annotation sont constitués par les rubriques suivantes :
- Identification de l'image
- Date de 1'image
- Niveau de dangerosité selon une échelle de 1 à 5
- Zone d'apparition de la fissure (par exemple angle d'un mur, mur extérieur, plafond,...)
Orientation de la fissure (par horizontale, verticale, multidirectionnelle,...) .
exempl oblique
Claims (5)
- Revendications1 - Procédé pour la caractérisation de fissures murales comprenant au moins une étape d'acquisition d'une image numérique et de traitement de ladite image numérique pour extraire des ensembles numériques de pixels associés à une fissure, caractérisé en ce qu'il comporte en outre une étape de classification desdits ensembles numériques en fonction de l'appartenance à une classe d'angle.
- 2 - Procédé pour la caractérisation de fissures murales selon la revendication 1 caractérisé en ce qu'il comporte en outre une étape consistant à calculer, pour chacun desdits ensembles numériques, d'une ligne médiane desdits pixels associés à une fissure et de détermination de l'angle formé entre la ligne droite directrice de ladite ligne médiane, et une ligne directrice horizontale de ladite image numérique, et de classification desdits ensembles numériques en fonction de l'appartenance à une classe d'angle.
- 3 - Procédé pour la caractérisation de fissures murales selon la revendication 2 caractérisé en ce qu'il comporte en outre une étape de détection, pour chacun desdits ensembles numériques, de la présence de points d'inflexion de ladite ligne médiane, et de décomposition desdits ensembles présentant de tels points d'inflexion en sous-ensembles associés, correspondant aux segments de ladite ligne médiane, et de détermination de l'angle formé entre chacun desdits segments, pour classifier lesdits ensembles présentant des points d'inflexion en fonction de l'appartenance desdits angles à une classe d'angle.
- 4 - Procédé pour la caractérisation de fissures murales selon la revendication 1 caractérisé en ce qu'il comporte une succession d'étapes d'acquisition d'images numériques décalées dans le temps, ainsi qu'un traitement d’appariement des ensembles associés à des fissures sur les images numériques successives et de détermination, pour chacun des ensembles appariés, d'un indicateur représentatif de l’évolution d'un 5 paramètre dimensionnel.
- 5 - Procédé pour la caractérisation de fissures murales selon la revendication 1 caractérisé en ce qu’il comporte des étapes préalables d'enregistrement d'une pluralité d'images 10 numériques d'une surface présentant des fissures, et d'association à chacune desdites images d'au moins un indicateur représentatif de la nature des fissures apparaissant dans l'image correspondante, et une étape d'apprentissage supervisé d'un réseau de neurones.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1859275A FR3087030B1 (fr) | 2018-10-08 | 2018-10-08 | Procede pour la caracterisation de fissures murales |
| PCT/FR2019/052380 WO2020074822A1 (fr) | 2018-10-08 | 2019-10-08 | Procede pour la caracterisation de fissures murales |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1859275A FR3087030B1 (fr) | 2018-10-08 | 2018-10-08 | Procede pour la caracterisation de fissures murales |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3087030A1 true FR3087030A1 (fr) | 2020-04-10 |
| FR3087030B1 FR3087030B1 (fr) | 2021-07-09 |
Family
ID=65244161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1859275A Active FR3087030B1 (fr) | 2018-10-08 | 2018-10-08 | Procede pour la caracterisation de fissures murales |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3087030B1 (fr) |
| WO (1) | WO2020074822A1 (fr) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112666167A (zh) * | 2020-12-22 | 2021-04-16 | 成都圭目机器人有限公司 | 一种评估水泥混凝土道面裂缝产生fod风险的方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014098683A (ja) | 2012-11-15 | 2014-05-29 | National Applied Research Laboratories | 遠距離クラック測量方法 |
| CN104568981A (zh) | 2015-01-06 | 2015-04-29 | 中科华核电技术研究院有限公司北京分公司 | 基于图像的建筑物墙壁缺陷测量方法及其系统 |
| CN105910540A (zh) | 2016-06-23 | 2016-08-31 | 吴江市建设工程质量检测中心有限公司 | 一种用于现场检测建筑墙体裂缝的方法 |
| CN106651893A (zh) | 2016-12-23 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种基于边缘检测的墙体裂缝识别方法 |
-
2018
- 2018-10-08 FR FR1859275A patent/FR3087030B1/fr active Active
-
2019
- 2019-10-08 WO PCT/FR2019/052380 patent/WO2020074822A1/fr active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014098683A (ja) | 2012-11-15 | 2014-05-29 | National Applied Research Laboratories | 遠距離クラック測量方法 |
| CN104568981A (zh) | 2015-01-06 | 2015-04-29 | 中科华核电技术研究院有限公司北京分公司 | 基于图像的建筑物墙壁缺陷测量方法及其系统 |
| CN105910540A (zh) | 2016-06-23 | 2016-08-31 | 吴江市建设工程质量检测中心有限公司 | 一种用于现场检测建筑墙体裂缝的方法 |
| CN106651893A (zh) | 2016-12-23 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种基于边缘检测的墙体裂缝识别方法 |
Non-Patent Citations (7)
| Title |
|---|
| BARA'WASFI AL-MISTAREHI: "An Approach for Automated Detection and Classification of Pavement Cracks", 18 March 2016 (2016-03-18), pages 1 - 165, XP055589025, Retrieved from the Internet <URL:https://pdfs.semanticscholar.org/33b5/0d809528370b558bb1a9fc9616ad8d2cbc7c.pdf> [retrieved on 20190515] * |
| DONGNA HU ET AL: "Wall crack detection based on image processing", INTELLIGENT CONTROL AND INFORMATION PROCESSING (ICICIP), 2012 THIRD INTERNATIONAL CONFERENCE ON, IEEE, 15 July 2012 (2012-07-15), pages 597 - 600, XP032288242, ISBN: 978-1-4577-2144-1, DOI: 10.1109/ICICIP.2012.6391474 * |
| KONG YINGYING ET AL: "Detecting Type and Size of Road Crack with the Smartphone", 22017 IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL SCIENCE AND ENGINEERING (CSE) AND IEEE INTERNATIONAL CONFERENCE ON EMBEDDED AND UBIQUITOUS COMPUTING (EUC), IEEE, vol. 1, 21 July 2017 (2017-07-21), pages 572 - 579, XP033139885, ISBN: 978-1-5386-3220-8, [retrieved on 20170808], DOI: 10.1109/CSE-EUC.2017.106 * |
| T.S. NGUYEN: "Free-Form Anisotropy: A New Method For Crack Détection On Pavement Surface Images", IEEE INT. CONF. ON IMAGE PROCESSING, 2011, pages 1069 - 1072, XP032079762, DOI: doi:10.1109/ICIP.2011.6115610 |
| W BENNING ET AL: "MONITORING CRACK ORIGIN AND EVOLUTION AT CONCRETE ELEMENTS USING PHOTOGRAMMETRY", PROCCEDINGS OF XXTH CONGRESS OF ISPRS (INTERNATIONAL SOCIETY FOR PHOTOGRAMMETRY AND REMOTE SENSING), 12 July 2004 (2004-07-12), pages 1 - 6, XP055589396, Retrieved from the Internet <URL:https://pdfs.semanticscholar.org/013c/2b7480dc25611f6c334c2f06107e74c0240d.pdf> [retrieved on 20190516] * |
| YING L ET AL: "Beamlet transform based technique for pavement image processing and classification", ELECTRO/INFORMATION TECHNOLOGY, 2009. EIT '09. IEEE INTERNATIONAL CONFERENCE ON, IEEE, PISCATAWAY, NJ, USA, 7 June 2009 (2009-06-07), pages 141 - 145, XP031499333, ISBN: 978-1-4244-3354-4 * |
| ZHUN FAN ET AL: "Automatic Pavement Crack Detection Based on Structured Prediction with the Convolutional Neural Network", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 1 February 2018 (2018-02-01), XP080857319 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112666167A (zh) * | 2020-12-22 | 2021-04-16 | 成都圭目机器人有限公司 | 一种评估水泥混凝土道面裂缝产生fod风险的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020074822A1 (fr) | 2020-04-16 |
| FR3087030B1 (fr) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Woodget et al. | Subaerial gravel size measurement using topographic data derived from a UAV‐SfM approach | |
| Guan et al. | Iterative tensor voting for pavement crack extraction using mobile laser scanning data | |
| González-Jorge et al. | Monitoring biological crusts in civil engineering structures using intensity data from terrestrial laser scanners | |
| Dell'Acqua et al. | Remote sensing and earthquake damage assessment: Experiences, limits, and perspectives | |
| EP2549434B1 (fr) | Procédé de modélisation de bâtiments à partir d'une image géoréférencée | |
| Rau et al. | Bridge crack detection using multi-rotary UAV and object-base image analysis | |
| AU2016230926A1 (en) | Method and apparatus for processing spectral images | |
| Nex et al. | LiDAR or Photogrammetry? Integration is the answer | |
| Chen et al. | A potential crack region method to detect crack using image processing of multiple thresholding | |
| FR3042283B1 (fr) | Methode de traitement d'une image radar de type sar et methode de detection de cible associee | |
| FR3025918A1 (fr) | Procede et systeme de modelisation automatisee d'une piece | |
| Kang et al. | The change detection of building models using epochs of terrestrial point clouds | |
| Friman et al. | Illumination and shadow compensation of hyperspectral images using a digital surface model and non-linear least squares estimation | |
| Chen et al. | Automated bridge deck evaluation through UAV derived point cloud | |
| Van Der Horst et al. | Mobile laser scan data for road surface damage detection | |
| Varela-González et al. | Automatic filtering of vehicles from mobile LiDAR datasets | |
| FR3087030A1 (fr) | Procede pour la caracterisation de fissures murales | |
| EP2875316B1 (fr) | Procede de determination de parametres d'observation d'une surface d'eau par imagerie | |
| RU2536668C2 (ru) | Способ распознавания объектов | |
| Tuttas et al. | Reconstruction of façades in point clouds from multi aspect oblique ALS | |
| Mishra et al. | Artificial intelligence-assisted visual inspection for cultural heritage: State-of-the-art review | |
| FR2978276A1 (fr) | Procede de modelisation de batiments a partir d'une image georeferencee | |
| Dong et al. | A window detection algorithm for remote laser gas leakage detection system | |
| WO2016132068A1 (fr) | Procédé de détermination de la bathymétrie à partir d'images satellitaires optiques quasi synchrones | |
| Siddiqui et al. | An improved building detection in complex sites using the LIDAR height variation and point density |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20200410 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |
|
| PLFP | Fee payment |
Year of fee payment: 6 |