KR102133330B1 - Apparatus and method for recognizing crack in sturcutre - Google Patents
Apparatus and method for recognizing crack in sturcutre Download PDFInfo
- Publication number
- KR102133330B1 KR102133330B1 KR1020180097433A KR20180097433A KR102133330B1 KR 102133330 B1 KR102133330 B1 KR 102133330B1 KR 1020180097433 A KR1020180097433 A KR 1020180097433A KR 20180097433 A KR20180097433 A KR 20180097433A KR 102133330 B1 KR102133330 B1 KR 102133330B1
- Authority
- KR
- South Korea
- Prior art keywords
- shadow
- crack
- image
- unit
- equation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 41
- 238000004364 calculation method Methods 0.000 claims description 25
- 239000000284 extract Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000005336 cracking Methods 0.000 claims 3
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/30—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring roughness or irregularity of surfaces
-
- G06T5/006—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
본 발명의 일 실시예에 따른 구조물의 균열 인식 장치는 구조물의 균열 영상을 수신하는 균열 영상 수신부, 상기 균열 영상 수신부에서 수신된 균열 영상의 히스토그램을 분석하여 바이모달리티를 산출하는 히스토그램 분석부, 상기 히스토그램 분석부에서 산출된 상기 바이모달리티를 기초로 균열 영상 내의 그림자 유무를 판단하고, 그림자가 존재하는 그림자 영상과 그림자가 존재하지 않는 비그림자 영상으로 구분하는 그림자 판단부, 상기 그림자 판단부에서 상기 그림자 영상으로 구분된 균열 영상에 한하여 그림자 제거 연산을 수행하는 그림자 제거부, 상기 그림자 제거부에서 그림자 제거 연산이 수행된 그림자 제거 영상에서 균열을 인식하거나, 또는 상기 그림자 판단부에서 구분된 상기 비그림자 영상에서 균열을 인식하는 균열 인식부를 포함한다. A crack recognition apparatus for a structure according to an embodiment of the present invention includes a crack image receiving unit receiving a crack image of the structure, a histogram analyzing unit analyzing a histogram of the crack image received from the crack image receiving unit, and calculating a bimodality. Based on the bimodality calculated by the analysis unit, the presence or absence of a shadow in a crack image is determined, and a shadow determination unit is divided into a shadow image with a shadow and a non-shadow image without a shadow, and the shadow image is obtained from the shadow determination unit. A shadow removal unit that performs a shadow removal operation only for crack images classified as, Recognize a crack in a shadow removal image where the shadow removal operation is performed by the shadow removal unit, or in the non-shadow image separated by the shadow determination unit And a crack recognition unit that recognizes cracks.
Description
본 발명은 바이모달리티를 이용한 구조물의 균열 인식 장치 및 방법에 관한 것이다. The present invention relates to an apparatus and method for crack detection of structures using bimodality.
콘크리트 구조물의 균열에 대한 조사는 콘크리트 구조물의 정밀 안전 진단에 있어서 중요한 판단 요소이다. Investigation of cracks in concrete structures is an important judgment factor in the precise safety diagnosis of concrete structures.
통상적으로, 콘크리트 구조물의 균열에 대한 조사는 육안 관측 방법이 사용되고 있다. 그런데 육안 관측 방법은 정확도 및 신뢰도가 낮은 단점이 있다. In general, a visual observation method is used to investigate cracks in a concrete structure. However, the visual observation method has a disadvantage of low accuracy and reliability.
최근 들어, 콘크리트 구조물의 균열을 영상 처리하여 측정하는 방법에 관한 연구가 활발히 이루어지고 있다. Recently, research has been actively conducted on a method of measuring cracks in concrete structures by image processing.
본 발명과 관련된 선행기술로는 대한민국 등록특허 제10-1772916호(2017.08.31. 공고)가 있다. 상기 선행문헌에는 촬영영상과 인공지능 알고리즘 기반의 균열검출 자동화 프로그램을 이용한 터널 라이닝 표면의 균열 검출 방법 및 시스템에 관하여 개시되어 있다. Prior art related to the present invention is Republic of Korea Patent Registration No. 10-1772916 (August 31, 2017). The preceding document discloses a method and system for crack detection of a tunnel lining surface using an image and artificial intelligence algorithm based crack detection automation program.
이러한 종래의 선행문헌에는 합성곱 신경망(CNN)기법을 이용하여 콘크리트 표면에 발생한 균열을 검출하고, 균열의 특징을 이용하여 최종 균열과 노이즈를 구분하기 위한 방법이 소개되어 있다. A method for detecting cracks occurring on a concrete surface using a synthetic product neural network (CNN) technique and discriminating final cracks from noises using the characteristics of cracks is introduced in the prior art.
하지만 그림자로 인한 영향을 제거하기 위한 방법에 관하여는 전혀 개시하고 있지 않으며, 만일 구조물의 표면에 그림자가 존재할 경우 그림자로 인한 영향을 받기 때문에 정확한 균열 검출이 어려운 문제점이 있다. However, the method for removing the influence due to the shadow is not disclosed at all, and if there is a shadow on the surface of the structure, it is difficult to accurately detect cracks because it is affected by the shadow.
본 발명의 목적은 구조물의 균열 영상으로부터 그림자 신호를 제거하여 균열을 정확하게 인식할 수 있는 구조물의 균열 인식 장치 및 방법을 제공함에 있다. An object of the present invention is to provide a crack recognition apparatus and method for a structure capable of accurately recognizing a crack by removing a shadow signal from a crack image of the structure.
본 발명의 다른 목적은 바이모달리티를 기초로 그림자 유무를 판단하여, 균열을 신속하고 정확하게 인식할 수 있는 구조물의 균열 인식 장치 및 방법을 제공함에 있다. Another object of the present invention is to provide a crack recognition apparatus and method for a structure capable of quickly and accurately recognizing a crack by determining the presence or absence of a shadow based on bimodality.
본 발명의 또 다른 목적은 그림자 영상으로 분류된 영상에 한하여 그림자 제거 연산을 수행하고, 비그림자 영상에 대한 그림자 제거 과정을 생략하여, 균열 인식에 소요되는 처리 시간을 단축시킬 수 있는 구조물의 균열 인식 장치 및 방법을 제공함에 있다. Another object of the present invention is to perform a shadow removal operation only for images classified as shadow images, and omit the shadow removal process for non-shadow images, so that crack recognition of structures that can shorten the processing time required for crack recognition It provides an apparatus and method.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.The objects of the present invention are not limited to the objects mentioned above, and other objects and advantages of the present invention not mentioned can be understood by the following description, and will be more clearly understood by the embodiments of the present invention. In addition, it will be readily appreciated that the objects and advantages of the present invention can be realized by means of the appended claims and combinations thereof.
본 발명의 일 실시예에 따른 구조물의 균열 인식 장치는 구조물의 균열 영상을 수신하는 균열 영상 수신부; 상기 균열 영상 수신부에서 수신된 균열 영상의 히스토그램을 분석하여 바이모달리티를 산출하는 히스토그램 분석부; 상기 히스토그램 분석부에서 산출된 상기 바이모달리티를 기초로 균열 영상 내의 그림자 유무를 판단하고, 그림자가 존재하는 그림자 영상과 그림자가 존재하지 않는 비그림자 영상으로 구분하는 그림자 판단부; 상기 그림자 판단부에서 상기 그림자 영상으로 구분된 균열 영상에 한하여 그림자 제거 연산을 수행하는 그림자 제거부; 상기 그림자 제거부에서 그림자 제거 연산이 수행된 그림자 제거 영상에서 균열을 인식하거나, 또는 상기 그림자 판단부에서 구분된 상기 비그림자 영상에서 균열을 인식하는 균열 인식부;를 포함한다. An apparatus for recognizing a crack of a structure according to an embodiment of the present invention includes a crack image receiving unit for receiving a crack image of the structure; A histogram analysis unit to calculate a bimodality by analyzing a histogram of the crack image received from the crack image reception unit; A shadow determination unit for determining the presence or absence of a shadow in a crack image based on the bimodality calculated by the histogram analysis unit, and classifying a shadow image with a shadow and a non-shadow image without a shadow; A shadow removal unit that performs a shadow removal operation only on the crack image divided into the shadow image by the shadow determination unit; And a crack recognition unit for recognizing a crack in the shadow removal image in which the shadow removal operation is performed by the shadow removal unit, or for recognizing a crack in the non-shadow image separated by the shadow determination unit.
바람직하게는, 상기 히스토그램 분석부는, 수신된 균열 영상의 히스토그램을 산출하여 클래스간 분산이 최대가 되는 지점을 임계값으로 설정하는 임계값 산출부; 상기 산출된 임계값을 기준으로 영상을 두 그룹으로 나누어 각 그룹에서 변수와 빈도수에 대한 2차 다항식을 추정하는 다항식 추정부; 상기 추정된 2차 다항식으로부터 각 그룹의 피크의 방향과 크기를 포함한 피크값을 산출하는 피크 산출부; 및 상기 산출된 피크값을 이용하여 바이모달리티를 산출하는 바이모달리티 산출부;를 포함한다. Preferably, the histogram analysis unit includes: a threshold calculation unit configured to calculate a histogram of the received crack image and set a point at which the variance between classes becomes maximum as a threshold value; A polynomial estimator for dividing an image into two groups based on the calculated threshold and estimating a quadratic polynomial for variables and frequencies in each group; A peak calculating unit calculating a peak value including a direction and a magnitude of a peak of each group from the estimated quadratic polynomial; And a bimodality calculator configured to calculate bimodality using the calculated peak value.
또한, 상기 임계값 산출부에서, 상기 클래스간 분산은 하기의 수학식 1에 근거하여 연산될 수 있다. In addition, in the threshold calculation unit, the variance between classes may be calculated based on Equation 1 below.
[수학식 1] [Equation 1]
(여기서 는 클래스간 분산이고, m1과 m2는 각 클래스의 평균이며, P1과 P2는 가중치로 통계적으로 픽셀 값이 나타날 확률임)(here Is the variance between classes, m1 and m2 are averages of each class, and P1 and P2 are the probability of statistically appearing pixel values as weights)
또한, 상기 임계값 산출부에서, 상기 클래스간 분산이 최대가 되도록 하는 상기 임계값은 하기의 수학식 2에 근거하여 연산될 수 있다. In addition, in the threshold value calculation unit, the threshold value for maximizing the variance between classes may be calculated based on Equation 2 below.
[수학식 2] [Equation 2]
(여기서 는 임계값이고, x는 화소임)(here Is a threshold, x is a pixel)
또한, 상기 다항식 추정부에서, 상기 임계값을 기준으로 두 그룹으로 나누어진 각 그룹의 2차 다항식은 하기의 수학식 3에 근거하여 추정될 수 있다. In addition, in the polynomial estimator, a quadratic polynomial of each group divided into two groups based on the threshold may be estimated based on Equation 3 below.
[수학식 3] [Equation 3]
(여기서 와 는 2차 다항식의 계수임)(here Wow Is the second-order polynomial coefficient)
또한, 상기 피크 산출부에서, 상기 피크 값은 상기 추정된 2차 다항식으로부터 하기의 수학식 4에 근거하여 산출될 수 있다. In addition, in the peak calculator, the peak value may be calculated based on Equation 4 below from the estimated quadratic polynomial.
[수학식 4][Equation 4]
(여기서 zk는 두 그룹의 피크 값임)(Where z k is the peak value of the two groups)
또한, 상기 바이모달리티 산출부에서, 상기 바이모달리티는 상기 피크 값을 하기의 수학식 5에 대입하여 산출될 수 있다. Also, in the bimodality calculating unit, the bimodality may be calculated by substituting the peak value into Equation 5 below.
[수학식 5][Equation 5]
또한, 상기 그림자 판단부는, 상기 바이모달리티가 상기 임계값보다 클 경우, 해당 영상을 상기 그림자 영상으로 분류할 수 있다. In addition, when the bimodality is greater than the threshold, the shadow determination unit may classify the corresponding image as the shadow image.
또한, 상기 그림자 제거부는, 상기 그림자 제거 연산을 하기의 수학식 6에 근거하여 수행할 수 있다. In addition, the shadow removal unit may perform the shadow removal operation based on Equation 6 below.
[수학식 6][Equation 6]
(여기서 는 그림자 제거 연산 이전의 그림자 영상이고, 는 그림자 영상의 메디안 필터링 결과이며, 는 그림자 제거 연산 이후의 그림자 제거 영상임)(here Is the shadow image before the shadow removal operation, Is the median filtering result of the shadow image, Is a shadow removal image after the shadow removal operation)
또한, 상기 균열 인식부는, 상기 그림자 제거 영상 또는 상기 비그림자 영상에서 균열을 인식하되, 상기 균열 인식은 명암을 기준으로 한 이진화를 통해 균열 후보를 추출한 다음, 상기 추출된 객체의 크기와 원형도를 이용하여 설정 조건을 만족하는 경우에 균열로 인식할 수 있다.In addition, the crack recognition unit recognizes a crack in the shadow removal image or the non-shadow image, wherein the crack recognition extracts a crack candidate through binarization based on contrast, and then extracts the size and circularity of the extracted object. It can be recognized as a crack when it satisfies the setting conditions.
한편, 본 발명의 다른 실시예에 따르면 상기의 구조물의 균열 인식 장치를 이용한 구조물의 균열 인식 방법을 제공한다. 본 발명의 실시예에 따르는 구조물 균열 인식 방법은 (a) 상기 균열 영상 수신부에서, 구조물의 균열 영상을 수신하는 단계; (b) 상기 히스토그램 분석부에서, 상기 균열 영상 수신부로부터 수신된 균열 영상의 히스토그램을 분석하여 바이모달리티를 산출하는 단계; (c) 상기 그림자 판단부에서, 상기 히스토그램 분석부로부터 산출된 상기 바이모달리티를 기초로 균열 영상 내의 그림자 유무를 판단하고, 그림자가 존재하는 그림자 영상과 그림자가 존재하지 않는 비그림자 영상으로 구분하는 단계; (d) 상기 그림자 제거부에서, 상기 그림자 판단부에서 상기 그림자 영상으로 구분된 균열 영상에 한하여 그림자 제거 연산을 수행하는 단계; 및 (e) 상기 균열 인식부에서, 상기 그림자 제거 연산이 수행된 그림자 제거 영상에서 균열을 인식하거나, 또는 상기 그림자 판단부에서 구분된 상기 비그림자 영상에서 균열을 인식하는 단계;를 포함한다. On the other hand, according to another embodiment of the present invention provides a method for recognizing the crack of a structure using the crack recognition device of the structure. Structure crack recognition method according to an embodiment of the present invention (a) in the crack image receiving unit, receiving a crack image of the structure; (b) calculating a bimodality by analyzing the histogram of the crack image received from the crack image receiver in the histogram analysis unit; (c) in the shadow determination unit, determining the presence or absence of a shadow in a crack image based on the bimodality calculated from the histogram analysis unit and classifying the shadow image as a shadow image and a non-shadow image as a shadow image. ; (d) in the shadow removing unit, performing the shadow removing operation on the crack image divided into the shadow image by the shadow determining unit; And (e) in the crack recognition unit, recognizing a crack in the shadow removal image in which the shadow removal operation is performed, or recognizing a crack in the non-shadow image separated by the shadow determination unit.
이때, 상기 (b) 단계는, (b-1) 상기 임계값 산출부에서, 수신된 균열 영상의 히스토그램을 산출하여 클래스간 분산이 최대가 되는 지점을 임계값으로 설정하는 단계; (b-2) 상기 다항식 추정부에서, 상기 산출된 임계값을 기준으로 영상을 두 그룹으로 나누어 각 그룹에서 변수와 빈도수에 대한 2차 다항식을 추정하는 단계; (b-3) 상기 피크 산출부에서, 상기 추정된 2차 다항식으로부터 각 그룹의 피크의 방향과 크기를 포함한 피크값을 산출하는 단계; 및 (b-4) 상기 바이모달리티 산출부에서, 상기 산출된 피크값을 이용하여 바이모달리티를 산출하는 단계;를 포함한다. In this case, the step (b) may include: (b-1) calculating, by the threshold calculating unit, a histogram of the received crack image to set a point at which the variance between classes becomes the maximum as a threshold value; (b-2) estimating a quadratic polynomial for variables and frequencies in each group by dividing the image into two groups based on the calculated threshold value in the polynomial estimator; (b-3) calculating a peak value including a direction and a magnitude of a peak of each group from the estimated second order polynomial in the peak calculator; And (b-4) calculating the bimodality using the calculated peak value in the bimodality calculating unit.
또한, 상기 (b-1) 단계에서, 상기 임계값 산출부에서, 상기 클래스간 분산은 하기의 수학식 1에 근거하여 연산될 수 있다. In addition, in step (b-1), in the threshold calculation unit, the inter-class variance may be calculated based on Equation 1 below.
[수학식 1] [Equation 1]
(여기서 는 클래스간 분산이고, m1과 m2는 각 클래스의 평균이며, P1과 P2는 가중치로 통계적으로 픽셀 값이 나타날 확률임)(here Is the variance between classes, m1 and m2 are averages of each class, and P1 and P2 are the probability of statistically appearing pixel values as weights)
또한, 상기 (b-1) 단계에서, 상기 임계값 산출부에서, 상기 클래스간 분산이 최대가 되도록 하는 상기 임계값은 하기의 수학식 2에 근거하여 연산될 수 있다. In addition, in the step (b-1), in the threshold value calculating unit, the threshold value for maximizing the variance between classes may be calculated based on Equation 2 below.
[수학식 2] [Equation 2]
(여기서 는 임계값이고, x는 화소임)(here Is a threshold, x is a pixel)
또한, 상기 (b-2) 단계에서, 상기 다항식 추정부에서, 상기 임계값을 기준으로 두 그룹으로 나누어진 각 그룹의 2차 다항식은 하기의 수학식 3에 근거하여 추정될 수 있다. In addition, in the step (b-2), in the polynomial estimator, a quadratic polynomial of each group divided into two groups based on the threshold may be estimated based on Equation 3 below.
[수학식 3] [Equation 3]
(여기서 와 는 2차 다항식의 계수임)(here Wow Is the second-order polynomial coefficient)
또한, 상기 (b-3) 단계에서, 상기 피크 산출부에서, 상기 피크 값은 상기 추정된 2차 다항식으로부터 하기의 수학식 4에 근거하여 산출될 수 있다. In addition, in step (b-3), in the peak calculator, the peak value may be calculated based on Equation 4 below from the estimated quadratic polynomial.
[수학식 4][Equation 4]
(여기서 zk는 두 그룹의 피크 값임)(Where z k is the peak value of the two groups)
또한, 상기 (b-4) 단계에서, 상기 바이모달리티 산출부에서, 상기 바이모달리티는 상기 피크 값을 하기의 수학식 5에 대입하여 산출될 수 있다. In addition, in the step (b-4), in the bimodality calculating unit, the bimodality may be calculated by substituting the peak value into Equation 5 below.
[수학식 5][Equation 5]
또한, 상기 (c) 단계에서, 상기 그림자 판단부에서, 상기 바이모달리티가 상기 임계값보다 클 경우, 해당 영상을 상기 그림자 영상으로 분류할 수 있다.In addition, in step (c), when the bimodality is greater than the threshold value, the shadow determination unit may classify the corresponding image as the shadow image.
또한, 상기 (d) 단계에서, 상기 그림자 제거부에서, 상기 그림자 제거 연산을 하기의 수학식 6에 근거하여 수행할 수 있다. In addition, in the step (d), in the shadow removal unit, the shadow removal operation may be performed based on Equation 6 below.
[수학식 6][Equation 6]
(여기서 는 그림자 제거 연산 이전의 그림자 영상이고, 는 그림자 영상의 메디안 필터링 결과이며, 는 그림자 제거 연산 이후의 그림자 제거 영상임)(here Is the shadow image before the shadow removal operation, Is the median filtering result of the shadow image, Is a shadow removal image after the shadow removal operation)
또한, 상기 (e) 단계에서, 상기 균열 인식부에서, 상기 그림자 제거 영상 또는 상기 비그림자 영상의 균열을 인식하되, 상기 균열 인식은 명암을 기준으로 한 이진화를 통해 균열 후보를 추출한 다음, 상기 추출된 객체의 크기와 원형도를 이용하여 설정 조건을 만족하는 경우에 균열로 인식할 수 있다. In the step (e), the crack recognition unit recognizes the crack of the shadow removal image or the non-shadow image, wherein the crack recognition extracts a crack candidate through binarization based on contrast, and then extracts the crack. If the set condition is satisfied by using the size and circularity of the object, it can be recognized as a crack.
본 발명인 구조물의 균열 인식 장치 및 방법에 의하면, 구조물의 균열 영상에서 그림자 신호를 제거하여, 균열을 정확하게 인식할 수 있는 유리한 기술적 효과가 있다. According to the apparatus and method for crack recognition of a structure according to the present inventors, there is an advantageous technical effect that can accurately recognize a crack by removing a shadow signal from the crack image of the structure.
예컨대, 본 발명인 구조물의 균열 인식 장치 및 방법에 의하면, 히스토그램 분석부는 그림자 인식부가 균열 영상 수신부에서 수신한 영상의 히스토그램을 분석한다. 그리고 그림자 판단부는 히스토그램 분석부에서 분석된 바이모달리티를 기초로 그림자 유무를 판단한다. 그리고 그림자 제거부는 그림자 판단부에서 판단된 그림자가 존재하는 영상에 한하여 그림자 제거 연산을 수행한다. 그리고 균열 인식부는 그림자 제거부에 의해 제거된 균열 영상 혹은 그림자가 포함되지 않은 균열 영상에 대하여 균열을 인식한다. 이와 같이 구성됨에 따라, 본 발명인 구조물 균열 인식 장치에 의하면 구조물의 균열을 종래에 비해 신속하고 정확하게 인식할 수 있는 장점이 있다. For example, according to the apparatus and method for crack recognition of a structure of the present invention, the histogram analysis unit analyzes the histogram of the image received by the shadow recognition unit at the crack image reception unit. In addition, the shadow determination unit determines whether a shadow is present based on the bimodality analyzed by the histogram analysis unit. In addition, the shadow removal unit performs a shadow removal operation only for the image in which the shadow determined by the shadow determination unit exists. In addition, the crack recognition unit recognizes a crack with respect to a crack image removed by the shadow removal unit or a crack image without shadow. According to the configuration as described above, according to the structure crack recognition apparatus of the present invention, there is an advantage that the structure crack can be recognized quickly and accurately compared to the conventional one.
또한, 본 발명의 구조물의 균열 인식 장치 및 방법에 의하면, 히스토그램 분석부는 영상의 히스토그램을 산출하여 클래스간 분산이 최대가 되는 지점을 임계값으로 설정한다. 그리고 히스토그램 분석부는 임계값을 기준으로 나누어진 두 그룹의 빈도수와 변수에 대한 2차 다항식을 추정한다. 그 이후, 히스토그램 분석부는 추정된 다항식으로부터 각 그룹에 피크의 크기와 방향을 산출하고, 산출된 피크를 이용하여 바이모달리티를 측정할 수 있는 장점이 있다. In addition, according to the apparatus and method for detecting cracks in a structure of the present invention, the histogram analysis unit calculates a histogram of an image and sets a point at which the variance between classes becomes maximum as a threshold. In addition, the histogram analysis unit estimates a quadratic polynomial for the frequency and variables of the two groups divided based on the threshold. After that, the histogram analysis unit has an advantage of calculating the size and direction of the peaks in each group from the estimated polynomial, and measuring the bimodality using the calculated peaks.
또한, 본 발명의 구조물의 균열 인식 장치 및 방법에 의하면, 그림자 영상으로 분류된 영상에 한하여 그림자 제거 연산을 수행하고, 비그림자 영상에 대해서는 그림자 제거 과정을 생략할 수 있다. 이에 따라, 본 발명에 의하면 구조물의 균열 인식에 소요되는 처리 시간을 대폭 단축시킬 수 있는 장점이 있다. In addition, according to the apparatus and method for crack recognition of a structure of the present invention, it is possible to perform a shadow removal operation only for an image classified as a shadow image and omit a shadow removal process for a non-shadow image. Accordingly, according to the present invention, there is an advantage that can significantly shorten the processing time required to recognize the crack of the structure.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.In addition to the above-described effects, the concrete effects of the present invention will be described together while describing the specific matters for carrying out the invention.
도 1은 본 발명의 일 실시예에 따른 구조물의 균열 인식 장치를 간략히 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 구조물의 균열 인식 장치 중에서 히스토그램 분석부의 세부 구성을 도시한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 구조물의 균열 인식 방법을 설명하기 위해 도시한 순서도이다.
도 4는 구조물의 균열 영상 중 그림자가 존재하는 그림자 영상(a)과 그림자가 존재하지 않는 비그림자 영상(b)을 나타낸 사진들이다.
도 5는 그림자(Shadow) 영상과 비그림자(Non-Shadow) 영상의 히스토그램을 나타낸 그래프들이다. 1 is a block diagram briefly showing a crack recognition device of a structure according to an embodiment of the present invention.
Figure 2 is a block diagram showing the detailed configuration of the histogram analysis unit in the crack recognition device of the structure according to an embodiment of the present invention.
3 is a flowchart illustrating a method for recognizing a crack in a structure according to an embodiment of the present invention.
4 is a photograph showing a shadow image (a) with a shadow and a non-shadow image (b) with no shadow among the crack images of the structure.
5 is a graph showing histograms of a shadow image and a non-shadow image.
이하, 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the drawings so that those skilled in the art to which the present invention pertains can easily practice. The present invention can be implemented in many different forms and is not limited to the embodiments described herein.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다. 또한, 본 발명의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.In order to clearly describe the present invention, parts irrelevant to the description are omitted, and the same reference numerals are assigned to the same or similar elements throughout the specification. In addition, some embodiments of the present invention will be described in detail with reference to exemplary drawings. In adding reference numerals to the components of each drawing, the same components may have the same reference numerals as possible even though they are displayed on different drawings. In addition, in describing the present invention, when it is determined that detailed descriptions of related well-known structures or functions may obscure the subject matter of the present invention, detailed descriptions thereof may be omitted.
본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 다른 구성 요소가 "개재"되거나, 각 구성 요소가 다른 구성 요소를 통해 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.In describing the components of the present invention, terms such as first, second, A, B, (a), and (b) may be used. These terms are only for distinguishing the components from other components, and the essence, order, order, or number of the components is not limited by the terms. When a component is described as being "connected", "coupled" or "connected" to another component, the component may be directly connected to or connected to the other component, but different components between each component It should be understood that the "intervenes" may be, or each component may be "connected", "coupled" or "connected" through other components.
또한, 본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.In addition, in implementing the present invention, components may be subdivided for convenience of description, but these components may be implemented in one device or module, or one component may be multiple devices or modules. It can be implemented by being divided into.
도 1은 본 발명의 일 실시예에 따른 구조물의 균열 인식 장치를 간략히 도시한 블록도이고, 도 2는 본 발명의 일 실시예에 따른 구조물의 균열 인식 장치 중에서 히스토그램 분석부의 세부 구성을 도시한 블록도이다.1 is a block diagram schematically showing a crack recognition device of a structure according to an embodiment of the present invention, and FIG. 2 is a block diagram showing a detailed configuration of a histogram analysis unit among crack recognition devices of a structure according to an embodiment of the present invention It is.
도 1을 참조하면, 본 발명의 일 실시예에 따른 구조물의 균열 인식 장치(1000)는 균열 영상 수신부(100), 히스토그램 분석부(200), 그림자 판단부(300), 그림자 제거부(400), 그리고 균열 인식부(500)를 포함한다. Referring to FIG. 1, a
균열 영상 수신부(100)는 구조물의 균열 영상을 수신한다. 여기서, 구조물이라 함은 콘크리트 구조물 등을 말하며, 구조물의 균열 영상이란 콘크리트 표면에 발생한 균열을 촬영한 영상을 말한다. Crack
히스토그램 분석부(200)는 균열 영상 수신부(100)에서 수신된 균열 영상의 히스토그램을 분석한다. 그리고 히스토그램 분석부(200)는 균열 영상의 히스토그램 분석 작업을 통해 바이모달리티를 산출한다. The
그림자 판단부(300)는 히스토그램 분석부(200)에서 산출된 바이모달리티를 기초로 균열 영상 내의 그림자 유무를 판단한다. The
그림자 판단부(300)는 바이모달리티를 기초로 하여 균열 영상 내의 그림자 유무를 판단한 결과, 그림자가 존재하는 영상(이하, '그림자 영상'이라 함)과 그림자가 존재하지 않는 영상(이하, '비그림자 영상'이라 함)을 구분한다. As a result of determining the presence or absence of a shadow in the crack image based on the bimodality, the
그림자 제거부(400)는 그림자 판단부(300)에서 그림자 영상으로 구분된 균열 영상에 한하여 그림자 제거 연산을 수행한다,The
균열 인식부(500)는 그림자 제거부(400)에서 그림자 제거 연산이 수행된 영상(이하, '그림자 제거 영상'이라 함)에서 균열을 인식한다. 또는 균열 인식부(500)는 그림자 판단부(300)에서 그림자가 존재하지 않는 영상, 즉 비그림자 영상으로 구분된 영상으로부터 균열을 인식한다. The
구체적으로 설명하면, 히스토그램 분석부(200)는 도 2에 도시된 바와 같이 임계값 산출부(210), 다항식 추정부(220), 피크 산출부(230), 바이모달리티 산출부(240)를 포함한다. Specifically, the
임계값 산출부(210)는 수신된 균열 영상의 히스토그램을 산출하여 클래스간 분산이 최대가 되는 지점을 임계값으로 설정한다. The
예컨대, 임계값 산출부(210)에서, 클래스간 분산은 하기의 수학식 1에 근거하여 연산될 수 있다. For example, in the
[수학식 1] [Equation 1]
여기서, 는 클래스간 분산이고, m1과 m2는 각 클래스의 평균이며, P1과 P2는 가중치로 통계적으로 픽셀 값이 나타날 확률을 나타낸다.here, Is the variance between classes, m1 and m2 are averages of each class, and P1 and P2 are the weights, which indicate the probability of statistically appearing pixel values.
이에 더하여, 임계값 산출부(210)에서, 클래스간 분산이 최대가 되도록 하는 임계값은 하기의 수학식 2에 근거하여 연산될 수 있다. In addition to this, in the
[수학식 2][Equation 2]
여기서, 는 임계값이고, x는 화소를 나타낸다.here, Is a threshold value, and x represents a pixel.
다항식 추정부(220)는 산출된 임계값을 기준으로 영상을 두 그룹으로 나누어 각 그룹에서 변수와 빈도수에 대한 2차 다항식을 추정한다. The
예컨대, 다항식 추정부(220)에서, 임계값을 기준으로 두 그룹으로 나누어진 각 그룹의 2차 다항식은 하기의 수학식 3에 근거하여 추정될 수 있다. For example, in the
[수학식 3] [Equation 3]
여기서, 와 는 2차 다항식의 계수를 나타낸다.here, Wow Denotes the coefficient of the second-order polynomial.
한편, 피크 산출부(230)는 추정된 2차 다항식으로부터 각 그룹의 피크의 방향과 크기를 포함한 피크값을 산출한다. On the other hand, the
예컨대, 피크 산출부(230)에서, 피크 값은 추정된 2차 다항식으로부터 하기의 수학식 4에 근거하여 구해진다. For example, in the
[수학식 4][Equation 4]
여기서, zk는 두 그룹의 피크 값을 나타낸다.Here, z k represents the peak values of the two groups.
바이모달리티 산출부(240)는 산출된 피크값을 이용하여 바이모달리티를 산출한다. The
예컨대, 바이모달리티 산출부(240)에서, 바이모달리티는 피크 값을 하기의 수학식 5에 대입하여 산출될 수 있다. For example, in the
[수학식 5][Equation 5]
한편, 그림자 판단부(300)는 바이모달리티가 임계값보다 클 경우, 해당 영상을 상기 그림자 영상으로 분류한다. Meanwhile, when the bimodality is greater than a threshold, the
그림자 제거부(400)는 그림자 제거 연산을 하기의 수학식 6에 근거하여 수행할 수 있다. The
[수학식 6][Equation 6]
여기서, 는 그림자 제거 연산 이전의 그림자 영상이고, 는 그림자 영상의 메디안 필터링 결과이며, 는 그림자 제거 연산 이후의 그림자 제거 영상을 나타낸다.here, Is the shadow image before the shadow removal operation, Is the median filtering result of the shadow image, Indicates a shadow removal image after the shadow removal operation.
한편, 균열 인식부(500)는 그림자 제거 영상 또는 비그림자 영상에서 균열을 인식하되, 균열 인식은 명암을 기준으로 한 이진화를 통해 균열 후보를 추출한 다음, 상기 추출된 객체의 크기와 원형도를 이용하여 설정 조건을 만족하는 경우에 균열로 인식할 수 있다. Meanwhile, the
이하, 본 발명의 일 실시예에 따른 구조물의 균열 인식 방법에 관하여 설명하기로 한다. Hereinafter, a method for recognizing cracks in a structure according to an embodiment of the present invention will be described.
도 3은 본 발명의 일 실시예에 따른 구조물의 균열 인식 방법을 설명하기 위해 도시한 순서도이다. 3 is a flowchart illustrating a method for recognizing a crack in a structure according to an embodiment of the present invention.
도 3을 참조하면, 본 발명의 일 실시예에 따르는 구조물의 균열 인식 방법은 균열 영상 수신 단계(S100), 히스토그램 분석 단계(S200), 그림자 판단 단계(S300), 그림자 제거 단계(S400), 그리고 균열 인식 단계(S500)를 포함한다.Referring to FIG. 3, a crack recognition method of a structure according to an embodiment of the present invention includes a crack image reception step (S100), a histogram analysis step (S200), a shadow determination step (S300), a shadow removal step (S400), and Crack recognition step (S500).
균열 영상 수신 단계(S100)는 균열 영상 수신부(100, 도 1 참조)에서, 구조물의 균열 영상을 수신하는 단계를 말한다. Crack image receiving step (S100) refers to the step of receiving the crack image of the structure in the crack image receiving unit (100, see FIG. 1).
히스토그램 분석 단계(S200)는 히스토그램 분석부(200, 도1 참조)에서, 수신된 균열 영상의 히스토그램을 분석하여 바이모달리티를 산출하는 단계를 말한다. The histogram analysis step S200 refers to a step in which the histogram analysis unit 200 (refer to FIG. 1) analyzes the histogram of the received crack image to calculate bimodality.
그림자 판단 단계(S300)는 그림자 판단부(300, 도 1 참조)에서 히스토그램 분석부(200, 도 1 참조)로부터 산출된 바이모달리티를 기초로 균열 영상 내의 그림자 유무를 판단하는 단계를 말한다. 이와 같이, 그림자 판단 단계(S300)는 그림자가 존재하는 그림자 영상과 그림자가 존재하지 않는 비그림자 영상을 구분한다. The shadow determination step S300 refers to a step of determining the presence or absence of a shadow in the crack image based on the bimodality calculated by the histogram analysis unit 200 (see FIG. 1) in the shadow determination unit 300 (see FIG. 1 ). As described above, in the shadow determining step S300, a shadow image with a shadow and a non-shadow image with no shadow are distinguished.
그림자 제거 단계(S400)는 그림자 제거부(400, 도 1 참조)에서, 그림자 영상으로 구분된 균열 영상에 한하여 그림자 제거 연산을 수행하는 단계를 말한다. The shadow removal step (S400) refers to a step of performing a shadow removal operation on a crack image divided into a shadow image by the shadow removal unit 400 (refer to FIG. 1).
균열 인식 단계(S500)는 균열 인식부(500, 도 1 참조)에서, 그림자 제거 연산이 수행된 그림자 제거 영상에서 균열을 인식하거나 그림자 판단부(300, 도 1 참조)에서 구분된 비그림자 영상에서 균열을 인식하는 단계이다.In the crack recognition step (S500), the crack recognition unit 500 (refer to FIG. 1) recognizes a crack in the shadow removal image in which the shadow removal operation is performed, or in a non-shadow image separated by the shadow determination unit 300 (refer to FIG. 1). It is a step to recognize cracks.
예를 들어, 히스토그램 분석 단계(S200)는 임계값 산출 단계, 다항식 추정 단계, 피크 산출 단계, 및 바이모달리티 산출 단계를 포함한다. For example, the histogram analysis step S200 includes a threshold calculation step, a polynomial estimation step, a peak calculation step, and a bimodality calculation step.
구체적으로 설명하면, 임계값 산출 단계에서는, 임계값 산출부(210, 도 2 참조)에서, 수신된 균열 영상의 히스토그램을 산출하여 클래스간 분산이 최대가 되는 지점을 임계값으로 설정한다. Specifically, in the threshold calculation step, the threshold calculation unit 210 (refer to FIG. 2) calculates a histogram of the received crack image, and sets a point at which variance between classes becomes maximum as a threshold value.
이때, 임계값 산출부(210, 도 2 참조)에서, 클래스간 분산은 하기의 수학식 1에 근거하여 연산될 수 있다. In this case, in the threshold calculation unit 210 (see FIG. 2 ), the inter-class variance may be calculated based on Equation 1 below.
[수학식 1] [Equation 1]
여기서, 는 클래스간 분산이고, m1과 m2는 각 클래스의 평균이며, P1과 P2는 가중치로 통계적으로 픽셀 값이 나타날 확률을 나타낸다.here, Is the variance between classes, m1 and m2 are averages of each class, and P1 and P2 are the weights, which indicate the probability of statistically appearing pixel values.
그리고 임계값 산출부(210, 도 2 참조)에서, 클래스간 분산이 최대가 되도록 하는 임계값은 하기의 수학식 2에 근거하여 연산될 수 있다. In addition, in the threshold calculation unit 210 (refer to FIG. 2 ), the threshold value for maximizing the variance between classes may be calculated based on Equation 2 below.
[수학식 2] [Equation 2]
여기서, 는 임계값이고, x는 화소를 나타낸다.here, Is a threshold value, and x represents a pixel.
다음으로, 다항식 추정 단계에서는, 다항식 추정부(220, 도 2 참조)에서, 산출된 임계값을 기준으로 영상을 두 그룹으로 나누어 각 그룹에서 변수와 빈도수에 대한 2차 다항식을 추정한다. Next, in the polynomial estimation step, the polynomial estimator 220 (refer to FIG. 2) divides the image into two groups based on the calculated threshold value to estimate the quadratic polynomial for variables and frequencies in each group.
예컨대, 다항식 추정부(220, 도 2 참조)에서, 임계값을 기준으로 두 그룹으로 나누어진 각 그룹의 2차 다항식은 하기의 수학식 3에 근거하여 추정될 수 있다. For example, in the polynomial estimator 220 (refer to FIG. 2 ), the quadratic polynomial of each group divided into two groups based on the threshold may be estimated based on Equation 3 below.
[수학식 3] [Equation 3]
여기서, 와 는 2차 다항식의 계수를 나타낸다.here, Wow Denotes the coefficient of the second-order polynomial.
그 다음으로, 피크 산출 단계에서는, 피크 산출부(230, 도 2 참조)에서, 추정된 2차 다항식으로부터 각 그룹의 피크의 방향과 크기를 포함한 피크값을 산출한다. Next, in the peak calculation step, the peak calculation unit 230 (refer to FIG. 2) calculates a peak value including the direction and magnitude of the peaks of each group from the estimated quadratic polynomial.
예컨대, 피크 산출부(230, 도 2 참조)에서, 피크 값은 추정된 2차 다항식으로부터 하기의 수학식 4에 근거하여 구해진다. For example, in the peak calculating unit 230 (refer to FIG. 2), the peak value is obtained from the estimated quadratic polynomial based on Equation 4 below.
[수학식 4][Equation 4]
여기서, zk는 두 그룹의 피크 값을 나타낸다. Here, z k represents the peak values of the two groups.
그 다음으로, 바이모달리티 산출 단계에서는, 바이모달리티 산출부(240, 도 2 참조)에서, 산출된 피크값을 이용하여 바이모달리티를 산출한다. Next, in the bimodality calculating step, the bimodality calculating unit 240 (refer to FIG. 2) calculates the bimodality using the calculated peak value.
예컨대, 바이모달리티 산출부(240, 도 2 참조)에서, 바이모달리티는 피크 값을 하기의 수학식 5에 대입하여 산출될 수 있다. For example, in the bimodality calculator 240 (see FIG. 2 ), the bimodality may be calculated by substituting the peak value into Equation 5 below.
[수학식 5][Equation 5]
한편, 그림자 판단 단계(S300)에서는 그림자 판단부(300, 도 1 참조)가 바이모달리티가 설정된 조건을 만족하는지 여부를 판단하는데, 만일 바이모달리티가 임계값보다 클 경우 해당 영상을 그림자 영상으로 분류한다. 그리고 그림자 제거 단계(S400)에서는 그림자 제거부(400, 도 1 참조)가 그림자 제거 연산을 수행한다. 그림자 제거 연산은 하기의 수학식 6에 근거하여 수행할 수 있다. On the other hand, in the shadow determining step S300, the shadow determining unit 300 (see FIG. 1) determines whether the bimodality satisfies the set condition. If the bimodality is greater than the threshold, the corresponding image is classified as a shadow image. . And in the shadow removal step (S400), the shadow removal unit 400 (see FIG. 1) performs a shadow removal operation. The shadow removal operation can be performed based on Equation 6 below.
[수학식 6] [Equation 6]
여기서, 는 그림자 제거 연산 이전의 그림자 영상이고, 는 그림자 영상의 메디안 필터링 결과이며, 는 그림자 제거 연산 이후의 그림자 제거 영상을 나타낸다.here, Is the shadow image before the shadow removal operation, Is the median filtering result of the shadow image, Indicates a shadow removal image after the shadow removal operation.
한편, 균열 인식 단계(S500)에서는 균열 인식부(500, 도 1 참조)가 그림자 제거 영상 또는 비그림자 영상에서 균열을 인식한다. On the other hand, in the crack recognition step (S500), the crack recognition unit 500 (refer to FIG. 1) recognizes a crack in a shadow removal image or a non-shadow image.
예를 들어, 균열 인식은 명암을 기준으로 한 이진화를 통해 균열 후보를 추출한 다음, 상기 추출된 객체의 크기와 원형도를 이용하여 설정 조건을 만족하는 경우에 균열로 인식한다. For example, crack recognition is performed by extracting a crack candidate through binarization based on contrast, and then recognized as a crack when a set condition is satisfied using the size and circularity of the extracted object.
도 4는 구조물의 균열 영상 중 그림자가 존재하는 그림자 영상(a)과 그림자가 존재하지 않는 비그림자 영상(b)을 나타낸 사진들이다. 그리고 도 5는 그림자(Shadow) 영상과 비그림자(Non-Shadow) 영상의 히스토그램을 나타낸 그래프들이다. 4 is a photograph showing a shadow image (a) with a shadow and a non-shadow image (b) with no shadow among the crack images of the structure. And FIG. 5 is a graph showing histograms of a shadow image and a non-shadow image.
도 5에 도시된 두 영상의 히스토그램의 형태를 살펴보면 그림자 영상의 히스토그램이 바이모달 특성을 나타내는 것을 확인할 수 있으며, 유니모달 특성을 나타내는 비그림자 영상과 차이가 있음을 확인할 수 있다. Looking at the shape of the histograms of the two images shown in FIG. 5, it can be confirmed that the histograms of the shadow images exhibit bimodal characteristics, and that there is a difference from the non-shadow images representing unimodal characteristics.
본 발명에서 제시된 바이모달리티 측정 방법으로 측정한 그림자 영상과 비그림자 영상의 바이모달리티는 각각 0.86과 0으로 나타났으며, 바이모달리티 산출을 통해 그림자 영상과 비그림자 영상을 구분할 수 있음을 보여준다.The bimodality of the shadow image and the non-shadow image measured by the bimodality measurement method presented in the present invention was found to be 0.86 and 0, respectively, and shows that the shadow image and the non-shadow image can be distinguished by calculating the bimodality.
상술한 바와 같이, 본 발명의 구성 및 작용에 따르면, 구조물의 균열 영상에서 그림자 신호를 제거하여, 균열을 정확하게 인식할 수 있다. As described above, according to the configuration and operation of the present invention, by removing the shadow signal from the crack image of the structure, it is possible to accurately recognize the crack.
구체적인 예로서, 히스토그램 분석부는 그림자 인식부가 균열 영상 수신부에서 수신한 영상의 히스토그램을 분석한다. 그리고 그림자 판단부는 히스토그램 분석부에서 분석된 바이모달리티를 기초로 그림자 유무를 판단한다. 그리고 그림자 제거부는 그림자 판단부에서 판단된 그림자가 존재하는 영상에 한하여 그림자 제거 연산을 수행한다. 그리고 균열 인식부는 그림자 제거부에 의해 제거된 균열 영상 혹은 그림자가 포함되지 않은 균열 영상에 대하여 균열을 인식한다. 그 결과, 구조물의 균열을 보다 신속하고 정확하게 인식할 수 있다.As a specific example, the histogram analysis unit analyzes the histogram of the image received by the shadow recognition unit from the crack image reception unit. In addition, the shadow determination unit determines whether a shadow is present based on the bimodality analyzed by the histogram analysis unit. In addition, the shadow removal unit performs a shadow removal operation only for the image in which the shadow determined by the shadow determination unit exists. In addition, the crack recognition unit recognizes a crack with respect to a crack image removed by the shadow removal unit or a crack image without shadow. As a result, cracks in the structure can be recognized more quickly and accurately.
나아가, 히스토그램 분석부는 영상의 히스토그램을 산출하여 클래스간 분산이 최대가 되는 지점을 임계값으로 설정한다. 이어서, 히스토그램 분석부는 임계값을 기준으로 나누어진 두 그룹의 빈도수와 변수에 대한 2차 다항식을 추정한다. 이어서, 히스토그램 분석부는 추정된 다항식으로부터 각 그룹에 피크의 크기와 방향을 산출하고, 산출된 피크를 이용하여 바이모달리티를 측정하는데, 이로써 그림자의 존재 유무를 신속하고 정확하게 판단할 수 있다. Furthermore, the histogram analysis unit calculates a histogram of the image and sets a point at which the variance between classes becomes maximum as a threshold value. Subsequently, the histogram analysis unit estimates a quadratic polynomial for the frequency and variables of the two groups divided based on the threshold. Subsequently, the histogram analysis unit calculates the size and direction of the peaks in each group from the estimated polynomial, and measures the bimodality using the calculated peaks, thereby quickly and accurately determining the presence or absence of a shadow.
더 나아가, 그림자 영상으로 분류된 영상에 한하여 그림자 제거 연산을 수행하고, 비그림자 영상에 대해서는 그림자 제거 과정을 생략할 수 있다. 그 결과, 불필요한 영상 처리 과정에 소요되는 시간을 줄여 구조물의 균열 인식에 소요되는 처리 시간을 대폭 단축시킬 수 있다. Furthermore, the shadow removal operation can be performed only for images classified as shadow images, and the shadow removal process can be omitted for non-shadow images. As a result, it is possible to significantly reduce the processing time required for crack recognition of the structure by reducing the time required for the unnecessary image processing process.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.As described above, the present invention has been described with reference to the exemplified drawings, but the present invention is not limited by the examples and drawings disclosed in the present specification, and can be varied by those skilled in the art within the scope of the technical idea of the present invention. It is obvious that modifications can be made. In addition, although the operation and effect according to the configuration of the present invention has not been explicitly described while describing the embodiments of the present invention, it is natural that the predictable effect by the configuration should also be recognized.
S100: 균열 영상 수신 단계
S200: 히스토그램 분석 단계
S300: 그림자 판단 단계
S400: 그림자 제거 단계
S500: 균열 인식 단계
100: 균열 영상 수신부
200: 히스토그램 분석부
210: 임계값 산출부
220: 다항식 추정부
230: 피크 산출부
240: 바이모달리티 산출부
300: 그림자 판단부
400: 그림자 제거부
500: 균열 인식부S100: crack image receiving step
S200: histogram analysis step
S300: shadow judgment step
S400: shadow removal steps
S500: crack recognition step
100: crack image receiver
200: histogram analysis unit
210: threshold calculation unit
220: polynomial estimation unit
230: peak calculator
240: bimodality calculation unit
300: shadow judgment unit
400: shadow remover
500: crack recognition unit
Claims (20)
상기 균열 영상 수신부에서 수신된 균열 영상의 히스토그램을 분석하여 바이모달리티를 산출하는 히스토그램 분석부;
상기 히스토그램 분석부에서 산출된 상기 바이모달리티를 기초로 균열 영상 내의 그림자 유무를 판단하고, 그림자가 존재하는 그림자 영상과 그림자가 존재하지 않는 비그림자 영상으로 구분하는 그림자 판단부;
상기 그림자 판단부에서 상기 그림자 영상으로 구분된 균열 영상에 한하여 그림자 제거 연산을 수행하는 그림자 제거부;
상기 그림자 제거부에서 그림자 제거 연산이 수행된 그림자 제거 영상에서 균열을 인식하거나, 또는 상기 그림자 판단부에서 구분된 상기 비그림자 영상에서 균열을 인식하는 균열 인식부;를 포함하고,
상기 히스토그램 분석부는, 수신된 균열 영상의 히스토그램을 산출하여 클래스간 분산이 최대가 되는 지점을 임계값으로 설정하는 임계값 산출부;
상기 산출된 임계값을 기준으로 영상을 두 그룹으로 나누어 각 그룹에서 변수와 빈도수에 대한 2차 다항식을 추정하는 다항식 추정부;
상기 추정된 2차 다항식으로부터 각 그룹의 피크의 방향과 크기를 포함한 피크값을 산출하는 피크 산출부; 및
상기 산출된 피크값을 이용하여 바이모달리티를 산출하는 바이모달리티 산출부;를 포함하며,
상기 임계값 산출부에서, 상기 클래스간 분산은 하기의 수학식 1에 근거하여 연산되는 것을 특징으로 하는 구조물의 균열 인식 장치.
[수학식 1]
(여기서 는 클래스간 분산이고, m1과 m2는 각 클래스의 평균이며, P1과 P2는 가중치로 통계적으로 픽셀 값이 나타날 확률임)
A crack image receiver for receiving a crack image of the structure;
A histogram analysis unit to calculate a bimodality by analyzing a histogram of the crack image received from the crack image reception unit;
A shadow determination unit for determining the presence or absence of a shadow in a crack image based on the bimodality calculated by the histogram analysis unit and classifying a shadow image with a shadow and a non-shadow image without a shadow;
A shadow removal unit that performs a shadow removal operation only on the crack image divided into the shadow image by the shadow determination unit;
It includes; a crack recognition unit for recognizing a crack in the shadow removal image in which the shadow removal operation is performed by the shadow removal unit, or for recognizing a crack in the non-shadow image separated by the shadow determination unit;
The histogram analysis unit includes: a threshold calculation unit configured to calculate a histogram of the received crack image and set a point at which variance between classes becomes maximum as a threshold value;
A polynomial estimator for dividing an image into two groups based on the calculated threshold and estimating a quadratic polynomial for variables and frequencies in each group;
A peak calculating unit calculating a peak value including a direction and a magnitude of a peak of each group from the estimated quadratic polynomial; And
It includes; a bimodality calculation unit for calculating a bimodality using the calculated peak value;
In the threshold value calculating unit, the inter-class variance is calculated based on the following equation (1) Crack detection device of a structure.
[Equation 1]
(here Is the variance between classes, m1 and m2 are averages of each class, and P1 and P2 are the probability of statistically appearing pixel values as weights)
상기 임계값 산출부에서,
상기 클래스간 분산이 최대가 되도록 하는 상기 임계값은 하기의 수학식 2에 근거하여 연산되는 것을 특징으로 하는 구조물의 균열 인식 장치.
[수학식 2]
(여기서 는 임계값이고, x는 화소임)
According to claim 1,
In the threshold calculation unit,
The threshold value for maximizing the variance between classes is calculated based on Equation 2 below.
[Equation 2]
(here Is a threshold, x is a pixel)
상기 다항식 추정부에서,
상기 임계값을 기준으로 두 그룹으로 나누어진 각 그룹의 2차 다항식은 하기의 수학식 3에 근거하여 추정되는 것을 특징으로 하는 구조물의 균열 인식 장치.
[수학식 3]
(여기서 와 는 2차 다항식의 계수임)
According to claim 4,
In the polynomial estimation unit,
The second-order polynomial of each group divided into two groups based on the threshold is a crack recognition apparatus for a structure, characterized in that it is estimated based on the following equation (3).
[Equation 3]
(here Wow Is the second-order polynomial coefficient)
상기 피크 산출부에서,
상기 피크 값은 상기 추정된 2차 다항식으로부터 하기의 수학식 4에 근거하여 산출되는 것을 특징으로 하는 구조물의 균열 인식 장치.
[수학식 4]
(여기서 zk는 두 그룹의 피크 값임)
The method of claim 5,
In the peak calculation unit,
The peak value is calculated based on the following equation (4) from the estimated second-order polynomial crack cracking apparatus of the structure.
[Equation 4]
(Where z k is the peak value of the two groups)
상기 바이모달리티 산출부에서,
상기 바이모달리티는 상기 피크 값을 하기의 수학식 5에 대입하여 산출되는 것을 특징으로 하는 구조물의 균열 인식 장치.
[수학식 5]
The method of claim 6,
In the bimodality calculation unit,
The bimodality is a crack recognition device for a structure, characterized in that calculated by substituting the peak value in Equation 5 below.
[Equation 5]
상기 그림자 판단부는,
상기 바이모달리티가 상기 임계값보다 클 경우, 해당 영상을 상기 그림자 영상으로 분류하는 것을 특징으로 하는 구조물의 균열 인식 장치.
The method of claim 7,
The shadow determining unit,
When the bimodality is greater than the threshold, a crack recognition apparatus for a structure, characterized in that the image is classified as the shadow image.
상기 그림자 제거부는,
상기 그림자 제거 연산을 하기의 수학식 6에 근거하여 수행하는 것을 특징으로 하는 구조물의 균열 인식 장치.
[수학식 6]
(여기서 는 그림자 제거 연산 이전의 그림자 영상이고, 는 그림자 영상의 메디안 필터링 결과이며, 는 그림자 제거 연산 이후의 그림자 제거 영상임)
According to claim 1,
The shadow removal unit,
A crack recognition apparatus for a structure, characterized in that the shadow removal operation is performed based on Equation 6 below.
[Equation 6]
(here Is the shadow image before the shadow removal operation, Is the median filtering result of the shadow image, Is a shadow removal image after the shadow removal operation)
상기 균열 인식부는,
상기 그림자 제거 영상 또는 상기 비그림자 영상에서 균열을 인식하되,
상기 균열 인식은 명암을 기준으로 한 이진화를 통해 균열 후보를 추출한 다음, 상기 추출된 객체의 크기와 원형도를 이용하여 설정 조건을 만족하는 경우에 균열로 인식하는 것을 특징으로 하는 구조물의 균열 인식 장치.
According to claim 1,
The crack recognition unit,
A crack is recognized in the shadow removal image or the non-shadow image,
The crack recognition is to extract a crack candidate through binarization based on contrast, and then recognize the crack as a crack when the set condition is satisfied by using the size and circularity of the extracted object. .
(a) 상기 균열 영상 수신부에서, 구조물의 균열 영상을 수신하는 단계;
(b) 상기 히스토그램 분석부에서, 상기 균열 영상 수신부로부터 수신된 균열 영상의 히스토그램을 분석하여 바이모달리티를 산출하는 단계;
(c) 상기 그림자 판단부에서, 상기 히스토그램 분석부로부터 산출된 상기 바이모달리티를 기초로 균열 영상 내의 그림자 유무를 판단하고, 그림자가 존재하는 그림자 영상과 그림자가 존재하지 않는 비그림자 영상으로 구분하는 단계;
(d) 상기 그림자 제거부에서, 상기 그림자 판단부에서 상기 그림자 영상으로 구분된 균열 영상에 한하여 그림자 제거 연산을 수행하는 단계; 및
(e) 상기 균열 인식부에서, 상기 그림자 제거 연산이 수행된 그림자 제거 영상에서 균열을 인식하거나, 또는 상기 그림자 판단부에서 구분된 상기 비그림자 영상에서 균열을 인식하는 단계;를 포함하고,
상기 (b) 단계는, (b-1) 상기 임계값 산출부에서, 수신된 균열 영상의 히스토그램을 산출하여 클래스간 분산이 최대가 되는 지점을 임계값으로 설정하는 단계;
(b-2) 상기 다항식 추정부에서, 상기 산출된 임계값을 기준으로 영상을 두 그룹으로 나누어 각 그룹에서 변수와 빈도수에 대한 2차 다항식을 추정하는 단계;
(b-3) 상기 피크 산출부에서, 상기 추정된 2차 다항식으로부터 각 그룹의 피크의 방향과 크기를 포함한 피크값을 산출하는 단계; 및
(b-4) 상기 바이모달리티 산출부에서, 상기 산출된 피크값을 이용하여 바이모달리티를 산출하는 단계;를 포함하며,
상기 (b-1) 단계에서, 상기 임계값 산출부에서, 상기 클래스간 분산은 하기의 수학식 1에 근거하여 연산되는 것을 특징으로 하는 구조물의 균열 인식 방법.
[수학식 1]
(여기서 는 클래스간 분산이고, m1과 m2는 각 클래스의 평균이며, P1과 P2는 가중치로 통계적으로 픽셀 값이 나타날 확률임)
A method for recognizing cracks in a structure using a crack recognition device of any one of claims 1, 4 to 10,
(a) receiving, at the crack image receiving unit, a crack image of the structure;
(b) calculating a bimodality by analyzing the histogram of the crack image received from the crack image receiver in the histogram analysis unit;
(c) in the shadow determination unit, determining the presence or absence of a shadow in a crack image based on the bimodality calculated from the histogram analysis unit, and classifying the shadow image into a shadow image and a non-shadow image without a shadow. ;
(d) in the shadow removing unit, performing the shadow removing operation on the crack image divided into the shadow image by the shadow determining unit; And
(e) in the crack recognition unit, recognizing a crack in the shadow removal image in which the shadow removal operation has been performed, or recognizing a crack in the non-shadow image separated in the shadow determination unit;
The step (b) may include: (b-1) calculating, by the threshold calculating unit, a histogram of the received crack image to set a point at which the variance between classes becomes maximum as a threshold;
(b-2) estimating a quadratic polynomial for variables and frequencies in each group by dividing the image into two groups based on the calculated threshold value in the polynomial estimator;
(b-3) calculating a peak value including a direction and a magnitude of a peak of each group from the estimated quadratic polynomial in the peak calculator; And
(b-4) calculating, by the bimodality calculating unit, the bimodality using the calculated peak value;
In step (b-1), in the threshold calculation unit, the inter-class variance is calculated based on Equation 1 below.
[Equation 1]
(here Is the variance between classes, m1 and m2 are averages of each class, and P1 and P2 are the probability of statistically appearing pixel values as weights)
상기 (b-1) 단계에서,
상기 임계값 산출부에서, 상기 클래스간 분산이 최대가 되도록 하는 상기 임계값은 하기의 수학식 2에 근거하여 연산되는 것을 특징으로 하는 구조물의 균열 인식 방법.
[수학식 2]
(여기서 는 임계값이고, x는 화소임)
The method of claim 11,
In step (b-1),
In the threshold calculation unit, the threshold value for the variance between classes to be the maximum is calculated based on the following equation (2) crack cracking method of the structure.
[Equation 2]
(here Is a threshold, x is a pixel)
상기 (b-2) 단계에서,
상기 다항식 추정부에서, 상기 임계값을 기준으로 두 그룹으로 나누어진 각 그룹의 2차 다항식은 하기의 수학식 3에 근거하여 추정되는 것을 특징으로 하는 구조물의 균열 인식 방법.
[수학식 3]
(여기서 와 는 2차 다항식의 계수임)
The method of claim 14,
In step (b-2),
In the polynomial estimator, the second-order polynomial of each group divided into two groups based on the threshold is estimated based on Equation 3 below.
[Equation 3]
(here Wow Is the second-order polynomial coefficient)
상기 (b-3) 단계에서,
상기 피크 산출부에서, 상기 피크 값은 상기 추정된 2차 다항식으로부터 하기의 수학식 4에 근거하여 산출되는 것을 특징으로 하는 구조물의 균열 인식 방법.
[수학식 4]
(여기서 zk는 두 그룹의 피크 값임)
The method of claim 15,
In step (b-3),
In the peak calculating unit, the peak value is calculated based on the following equation (4) from the estimated second-order polynomial crack cracking method of the structure.
[Equation 4]
(Where z k is the peak value of the two groups)
상기 (b-4) 단계에서,
상기 바이모달리티 산출부에서, 상기 바이모달리티는 상기 피크 값을 하기의 수학식 5에 대입하여 산출되는 것을 특징으로 하는 구조물의 균열 인식 방법.
[수학식 5]
The method of claim 16,
In step (b-4),
In the bimodality calculator, the bimodality is calculated by substituting the peak value into Equation 5 below.
[Equation 5]
상기 (c) 단계에서,
상기 그림자 판단부에서, 상기 바이모달리티가 상기 임계값보다 클 경우, 해당 영상을 상기 그림자 영상으로 분류하는 것을 특징으로 하는
구조물의 균열 인식 방법.
The method of claim 17,
In step (c),
In the shadow determination unit, when the bimodality is greater than the threshold, the corresponding image is classified as the shadow image.
How to recognize cracks in structures.
상기 (d) 단계에서,
상기 그림자 제거부에서, 상기 그림자 제거 연산을 하기의 수학식 6에 근거하여 수행하는 것을 특징으로 하는 구조물의 균열 인식 방법.
[수학식 6]
(여기서 는 그림자 제거 연산 이전의 그림자 영상이고, 는 그림자 영상의 메디안 필터링 결과이며, 는 그림자 제거 연산 이후의 그림자 제거 영상임)
The method of claim 11,
In step (d),
In the shadow removal unit, the method for crack recognition of a structure characterized in that the shadow removal operation is performed based on the following equation (6).
[Equation 6]
(here Is the shadow image before the shadow removal operation, Is the median filtering result of the shadow image, Is a shadow removal image after the shadow removal operation)
상기 (e) 단계에서,
상기 균열 인식부에서, 상기 그림자 제거 영상 또는 상기 비그림자 영상의 균열을 인식하되, 상기 균열 인식은 명암을 기준으로 한 이진화를 통해 균열 후보를 추출한 다음, 상기 추출된 객체의 크기와 원형도를 이용하여 설정 조건을 만족하는 경우에 균열로 인식하는 것을 특징으로 하는 구조물의 균열 인식 방법.The method of claim 11,
In step (e),
The crack recognition unit recognizes a crack of the shadow removal image or the non-shadow image, and the crack recognition extracts a crack candidate through binarization based on contrast, and then uses the size and circularity of the extracted object. A method for recognizing cracks in a structure, characterized in that it is recognized as a crack when the set condition is satisfied.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180097433A KR102133330B1 (en) | 2018-08-21 | 2018-08-21 | Apparatus and method for recognizing crack in sturcutre |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180097433A KR102133330B1 (en) | 2018-08-21 | 2018-08-21 | Apparatus and method for recognizing crack in sturcutre |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200021720A KR20200021720A (en) | 2020-03-02 |
KR102133330B1 true KR102133330B1 (en) | 2020-07-13 |
Family
ID=69805616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180097433A KR102133330B1 (en) | 2018-08-21 | 2018-08-21 | Apparatus and method for recognizing crack in sturcutre |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102133330B1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102195890B1 (en) | 2020-09-03 | 2020-12-28 | 한세이엔씨(주) | Safety Diagnosis System and Method Using Smart Glasses |
KR20220017705A (en) * | 2020-08-05 | 2022-02-14 | 이근호 | System and method for measuring crack of structure and a recording medium having computer readable program for executing the method |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0961138A (en) * | 1995-08-24 | 1997-03-07 | Mitsubishi Heavy Ind Ltd | Crack extraction apparatus |
JPH1042274A (en) * | 1996-07-25 | 1998-02-13 | Babcock Hitachi Kk | Abnormality monitoring method and device |
KR100443667B1 (en) * | 2002-01-23 | 2004-08-09 | 주식회사 비젼넷 | Method for detecting a crack of pavement |
-
2018
- 2018-08-21 KR KR1020180097433A patent/KR102133330B1/en active IP Right Grant
Non-Patent Citations (1)
Title |
---|
영상처리 기법을 이용한 콘크리트 교량의 균열 검출, 대한전자공학회 학술대회, 2007.07* |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220017705A (en) * | 2020-08-05 | 2022-02-14 | 이근호 | System and method for measuring crack of structure and a recording medium having computer readable program for executing the method |
KR102432314B1 (en) * | 2020-08-05 | 2022-08-12 | 이근호 | System and method for measuring crack of structure and a recording medium having computer readable program for executing the method |
KR102195890B1 (en) | 2020-09-03 | 2020-12-28 | 한세이엔씨(주) | Safety Diagnosis System and Method Using Smart Glasses |
Also Published As
Publication number | Publication date |
---|---|
KR20200021720A (en) | 2020-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9811899B2 (en) | Method, image processing system and computer-readable recording medium for item defect inspection | |
CN105139386B (en) | A kind of image processing method of fast automatic detecting electric connector solder joint defective work | |
CN106780486B (en) | Steel plate surface defect image extraction method | |
US10198630B2 (en) | Peak detection method | |
KR102133332B1 (en) | Boundary based structure crack detection apparatus and method | |
CN111369516B (en) | Transformer bushing heating defect detection method based on infrared image recognition | |
US20170330315A1 (en) | Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program | |
KR102085035B1 (en) | Method and Apparatus for Setting Candidate Area of Object for Recognizing Object | |
CN117593294B (en) | Centrifugal fan blade crack visual detection method based on image feature analysis | |
CN105891230B (en) | Fruit appearance detection method based on spectral image analysis | |
CN114897806A (en) | Defect detection method, electronic device and computer readable storage medium | |
CN111652098A (en) | Product surface defect detection method and device | |
KR102133330B1 (en) | Apparatus and method for recognizing crack in sturcutre | |
CN110610123A (en) | Multi-target vehicle detection method and device, electronic equipment and storage medium | |
CN115471476A (en) | Method, device, equipment and medium for detecting component defects | |
CN117635590A (en) | Defect detection method, defect detection device and storage medium for notebook computer shell | |
CN117197700B (en) | Intelligent unmanned inspection contact net defect identification system | |
CN106778675B (en) | A kind of recognition methods of target in video image object and device | |
KR20220102506A (en) | Apparatus and method for detecting of faults in surfaces of metal tube | |
CN113379726A (en) | Line detection method, device, equipment and computer readable storage medium | |
WO2016092783A1 (en) | Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program | |
CN115082449B (en) | Electronic component defect detection method | |
CN110751623A (en) | Joint feature-based defect detection method, device, equipment and storage medium | |
CN110634124A (en) | Method and equipment for area detection | |
CN115049641A (en) | Electric data processing method and system for anomaly detection of mechanical parts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
G170 | Re-publication after modification of scope of protection [patent] |