CN103400139A - 一种混凝土裂缝特征信息的识别方法 - Google Patents
一种混凝土裂缝特征信息的识别方法 Download PDFInfo
- Publication number
- CN103400139A CN103400139A CN201310277205XA CN201310277205A CN103400139A CN 103400139 A CN103400139 A CN 103400139A CN 201310277205X A CN201310277205X A CN 201310277205XA CN 201310277205 A CN201310277205 A CN 201310277205A CN 103400139 A CN103400139 A CN 103400139A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- pixel
- fracture
- characteristic information
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种混凝土裂缝特征信息的识别方法,首先对裂缝进行图像采集,依次对裂缝图像进行预处理,预处理包括裂缝图像灰度化、平滑及锐化,而后通过二维大津法或马尔科夫分割算法对裂缝图像进行识别处理,并采用投影法进行裂缝图像类型判断,最后利用计算机控制***对裂缝图像进行分析提取裂缝特征信息,在提取特征信息过程中计算机控制***能够自动化、批量化、快速化地提取出裂缝特征信息,并结合物理参数完成结构状态评估,从而完成混凝土裂缝特征信息识别的全过程。本发明通过计算机控制***实现对因开裂破损而形成的混凝土结构表面裂缝进行远距离的、快速准确的检测,为结构状态评估等提供有效参数,大大提高检测的快速性、准确性和科学性。
Description
技术领域
本发明涉及混凝土裂缝识别技术领域,具体为一种混凝土裂缝特征信息的识别方法。
背景技术
混凝土结构的建筑物如桥梁结构、工业与民用建筑等在建设和使用过程中均会出现不同程度及不同形式的裂缝,建筑物结构的破坏和倒塌也都是从裂缝的扩展开始,所以裂缝往往成为建筑物结构破坏过程中的定性及定量评判指标,而且裂缝还会影响结构的美观和结构的耐久性能,因此对产生裂缝的构件进行定期地检测维修,以及根据实际情况进行动态状态的评估是非常有必要。传统的裂缝检测手段主要靠裂缝测宽仪、直尺等工具,人工进行操作,不仅速度慢且费时费力。随着摄影技术以及计算机技术的发展,采用数字图像处理技术为混凝土裂缝信息识别提供了新的方法,基于图像处理的混凝土结构表面裂缝检测研究,因其检测较为方便、数据较为准确且较为快速科学等多方面的优点,越来越受到科研人员的重视;然而传统的裂缝图像分割识别算法效果不理想,因此如何更加快速化、准确化、科学化地识别出混凝土裂缝特征信息已经成为本领域技术人员亟待解决的重要课题。
发明内容
本发明所解决的技术问题在于提供一种混凝土裂缝特征信息的识别方法,以解决上述背景技术中的缺点。
本发明所解决的技术问题采用以下技术方案来实现:
一种混凝土裂缝特征信息的识别方法,首先对裂缝进行图像采集,依次对裂缝图像进行预处理,预处理包括裂缝图像灰度化、平滑及锐化,而后通过二维大津法或马尔科夫分割算法对裂缝图像进行识别处理,并采用投影法进行裂缝图像类型判断,最后利用计算机控制***对裂缝图像进行分析提取裂缝特征信息,在提取特征信息过程中计算机控制***能够自动化、批量化、快速化地提取出裂缝特征信息,并结合物理参数完成结构状态评估,从而完成混凝土裂缝特征信息识别的全过程。
在本发明中,一种混凝土裂缝特征信息的识别方法具体步骤如下:
1)、裂缝图像采集与裂缝图像预处理
采用图像采集装置对裂缝进行图像采集,而后对裂缝图像进行预处理,预处理包括裂缝图像灰度化、平滑及锐化;
2)、裂缝图像识别处理
通过二维大津法和或马尔科夫分割算法对步骤1)所得裂缝图像进行识别处理,在二维大津法中,设裂缝图像 为M个灰度级,裂缝图像区域中任一像素点与其邻域像素点区间为(0~M-1),设任一像素点与其邻域像素点集合为二元数组,表示该像素灰度值,表示像素点区间内某像素灰度值,表示二元数组在像素点区间范围内出现的频次,表示裂缝图像总像素个数,因此二维联合概率密度为
设裂缝区域的分割阈值为二维矢量,根据裂缝区域二维直方图投影平面的分布,将裂缝区域分割为4个不同的区域(0,1,2,3),其中,0和1所在区域表示目标裂缝和背景像素点的集合,通常这类像素点其灰度值以及邻域像素点灰度值差异不大;而2和3所在区域则表示边缘和噪声像素点集合,这类像素点及邻域像素点灰度值差异较大;和分别表示二维直方图中裂缝和背景区域,则二维直方图中裂缝概率和背景区域概率分别表示为:
二维大津法对裂缝图像的处理,根据上述公式(1)~(6),首先遍历整个裂缝图像区域,计算每一个二维矢量所对应的类间方差大小,当该值为最大时即确定此时对应二维矢量为裂缝区域的最佳阈值,马尔科夫随机场分割算法与二位大律算法类似;
3)、判断裂缝图像的裂缝类型
在经过步骤2)对裂缝图像识别与辨析后,从裂缝特点出发,通过投影法判断裂缝类型,在本发明专利中涉及的混凝土裂缝分为横向裂缝、纵向裂缝、斜向裂缝以及网状裂缝四大类;裂缝区域的像素点均取值为1,而背景区域的像素点则均取值为0,利用这个特点通过投影法对各类裂缝图像进行分析,具体方法如下:
(1) 裂缝图像采用矩阵形式表示,首先确定以图像左上正交像素点位置为原点的直角坐标系;
(2) 裂缝目标区域中每一个像素点位置均分别沿X轴和Y轴进行投影,以每个像素点位置的x或y为横坐标,以裂缝目标区域中每个像素点分别向X轴方向或Y轴方向进行投影后所叠加的像素点总数为纵坐标或,然后绘制图形,其显示为曲线形状;
(3)最后通过裂缝图像的投影示意图即可判断上述各种类型裂缝类型;
4)、利用计算机控制***提取裂缝特征信息
计算机控制***采用VC++和matlab混合编程的方法,并添加二维大津、马尔科夫分割、自动分类、***标定算法,编制成C++或matlab程序,依次调用各处理函数,形成自动处理功能,编写对话框,添加在役混凝土结构评估模块,即可实现自动化、批量化、快速化地提取出裂缝特征信息,具体包括如下步骤:
(1)在VC++中利用Appwzard向导形成软件框架;
(2)设置VC++、Matlab混合编程环境;
(3)建立消息映射,添加传统裂缝图像处理识别、信息提取算法;
(4)编制C++或matlab程序,添加二维大津、马尔科夫分割、自动分类及***标定算法;
(5)编制C++或matlab程序,依次调用各处理函数,形成自动处理功能;
(6)类似于自动处理,编制批量处理程序,并预先设置自动处理模板;
(7)编写word写入程序,预先设计好分析报告输出模板;
(8)编写对话框,添加在役混凝土结构评估模块;
(9)运行调试各种程序功能;
(10)生成裂缝特征信息自动控制***。
在本发明中,步骤4)中裂缝特征信息包括裂缝长度、裂缝宽度、裂缝角度及裂缝间距。
在本发明中,通过计算机控制***实现对因开裂破损而形成的混凝土结构表面裂缝进行远距离的、快速准确的检测,为结构状态评估等提供有效参数,同时结合研究建立的物理评估模型而编制设计的在役混凝土结构评估模块,较为准确地分析出其服役状态,其全过程实现了整个混凝土结构集裂缝图像采集、处理、识别、特征提取以及结构评估的操作一体化,大大提高检测的快速性、准确性和科学性。
有益效果
(1)本发明操作便捷;该方法可以“自动处理”和“批量处理”,方便使用且节省检测工作人员的大量时间,也便于同一时间点、同一检测结构、不同部位上裂缝图像的处理,同时也方便了大量处理数据的统一管理;
(2)本发明功能完善;“裂缝分类”功能可以自动辨别出裂缝类型,方便用户的检测分析;“裂缝特征信息检测报告”功能将所有的裂缝信息计算结果以及结构状态评估结果反映在一份检测报告中,方便用户数据管理等;
(3)本发明计算准确;“二维大津法或马尔科夫分割算法”提高了裂缝图像的识别分割效果;改进裂缝宽度、长度等算法提高了计算结果的准确性; “***标定”为状态评估提供较为准确、翔实的数据;
(4)本发明适用性强;在评估模块方面,以裂缝信息特征作为状态评估主要参数,而裂缝特征是结构检测时的重要检测项目,***具有适用性;在软件中通过参数的输入即可输出梁的内力状态,为结构服役状态评估提供依据,具有便捷性;通过对***评估结果与实验结果对比分析可知,***评估结果能真实反映构件的内力状态,因此评估结果具有可靠性。
附图说明
图1 本发明中裂缝图像处理流程图。
图2 本发明中裂缝图像预处理后示意图。
图3 本发明中裂缝图像识别处理后示意图。
图4 本发明中计算机控制***开发流程图。
具体实施方式
以下结合附图和实施例对本发明作进一步详细说明。
参见图1、图2、图3、图4的一种混凝土裂缝特征信息的识别方法,具体步骤如下:
1、裂缝图像采集与裂缝图像预处理
采用图像采集装置对裂缝进行图像采集,而后对裂缝图像进行预处理,预处理包括裂缝图像灰度化、平滑及锐化;
2、裂缝图像识别处理
通过二维大津法和或马尔科夫分割算法对步骤1所得裂缝图像进行识别处理,在二维大津法中,设裂缝图像为M个灰度级,裂缝图像区域中任一像素点与其邻域像素点区间为(0~M-1),设任一像素点与其邻域像素点集合为二元数组,表示该像素灰度值,表示像素点区间内某像素灰度值,表示二元数组在像素点区间范围内出现的频次,表示裂缝图像总像素个数,因此二维联合概率密度为
设裂缝区域的分割阈值为二维矢量,根据裂缝区域二维直方图投影平面的分布,将裂缝区域分割为4个不同的区域(0,1,2,3),其中,0和1所在区域表示目标裂缝和背景像素点的集合,通常这类像素点其灰度值以及邻域像素点灰度值差异不大;而2和3所在区域则表示边缘和噪声像素点集合,这类像素点及邻域像素点灰度值差异较大;和分别表示二维直方图中裂缝和背景区域,则二维直方图中裂缝概率和背景区域概率分别表示为:
两区域内各自的期望值二维矢量为
二维直方图总期望值矢量表示为
离散度矩阵的迹衡量其背景与裂缝目标区域间的类间方差大小:
(6)
3、判断裂缝图像的裂缝类型
在经过步骤2对裂缝图像识别与辨析后,从裂缝特点出发,通过投影法判断裂缝类型,在本发明专利中涉及的混凝土裂缝分为横向裂缝、纵向裂缝、斜向裂缝以及网状裂缝四大类;裂缝区域的像素点均取值为1,而背景区域的像素点则均取值为0,利用这个特点通过投影法对各类裂缝图像进行分析,具体方法如下:
(1) 裂缝图像采用矩阵形式表示,首先确定以图像左上正交像素点位置为原点的直角坐标系;
(2) 裂缝目标区域中每一个像素点位置均分别沿X轴和Y轴进行投影,以每个像素点位置的x或y为横坐标,以裂缝目标区域中每个像素点分别向X轴方向或Y轴方向进行投影后所叠加的像素点总数为纵坐标或,然后绘制图形,其显示为曲线形状;
(3)最后通过裂缝图像的投影示意图即可判断裂缝图像类型,在本实施例中,断裂缝图像的分析结果是斜向裂缝;
4、利用计算机控制***提取裂缝特征信息
计算机控制***采用VC++和matlab混合编程的方法,并添加二维大津、马尔科夫分割、自动分类、***标定算法,编制成C++或matlab程序,依次调用各处理函数,形成自动处理功能,编写对话框,添加在役混凝土结构评估模块,即可实现自动化、批量化、快速化地提取出裂缝特征信息,具体包括如下步骤:
(1)在VC++中利用Appwzard向导形成软件框架;
(2)设置VC++、Matlab混合编程环境;
(3)建立消息映射,添加传统裂缝图像处理识别、信息提取算法;
(4)编制C++或matlab程序,添加二维大津、马尔科夫分割、自动分类及***标定算法;
(5)编制C++或matlab程序,依次调用各处理函数,形成自动处理功能;
(6)类似于自动处理,编制批量处理程序,并预先设置自动处理模板;
(7)编写word写入程序,预先设计好分析报告输出模板;
(8)编写对话框,添加在役混凝土结构评估模块;
(9)运行调试各种程序功能;
(10)生成裂缝特征信息自动控制***。
在本实施例中,步骤1)中图像采集装置包括CCD摄像头/数码相机、1394/USB图像采集卡及数据连接线。
在本实施例中,步骤4)中裂缝特征信息中裂缝平均宽度为0.5200mm。
在本实施例中,经过上述处理后与实际测出的裂缝宽度对比,其精度在8%以内,大大提高检测的快速性、准确性和科学性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种混凝土裂缝特征信息的识别方法,其特征在于,首先对裂缝进行图像采集,依次对裂缝图像进行预处理,预处理包括裂缝图像灰度化、平滑及锐化,而后通过二维大津法或马尔科夫分割算法对裂缝图像进行识别处理,并采用投影法进行裂缝图像类型判断,最后利用计算机控制***对裂缝图像进行分析提取裂缝特征信息,在提取特征信息过程中计算机控制***能够自动化、批量化、快速化地提取出裂缝特征信息,并结合物理参数完成结构状态评估,从而完成混凝土裂缝特征信息识别的全过程。
2.根据权利要求1所述的一种混凝土裂缝特征信息的识别方法,其特征在于,具体步骤如下:
1)、裂缝图像采集与裂缝图像预处理
采用图像采集装置对裂缝进行图像采集,而后对裂缝图像进行预处理,预处理包括裂缝图像灰度化、平滑及锐化;
2)、裂缝图像识别处理
通过二维大津法和或马尔科夫分割算法对步骤1)所得裂缝图像进行识别处理,在二维大津法中,设裂缝图像 为M个灰度级,裂缝图像区域中任一像素点与其邻域像素点区间为(0~M-1),设任一像素点与其邻域像素点集合为二元数组,表示该像素灰度值,表示像素点区间内某像素灰度值,表示二元数组在像素点区间范围内出现的频次,表示裂缝图像总像素个数,因此二维联合概率密度为
设裂缝区域的分割阈值为二维矢量,根据裂缝区域二维直方图投影平面的分布,将裂缝区域分割为4个不同的区域(0,1,2,3),其中,0和1所在区域表示目标裂缝和背景像素点的集合,通常这类像素点其灰度值以及邻域像素点灰度值差异不大;而2和3所在区域则表示边缘和噪声像素点集合,这类像素点及邻域像素点灰度值差异较大;和分别表示二维直方图中裂缝和背景区域,则二维直方图中裂缝概率和背景区域概率分别表示为:
(4)
3)判断裂缝图像的裂缝类型
在经过步骤2)对裂缝图像识别与辨析后,从裂缝特点出发,通过投影法判断裂缝类型,在本发明专利中涉及的混凝土裂缝分为横向裂缝、纵向裂缝、斜向裂缝以及网状裂缝四大类;裂缝区域的像素点均取值为1,而背景区域的像素点则均取值为0,利用这个特点通过投影法对各类裂缝图像进行分析,具体方法如下:
(1) 裂缝图像采用矩阵形式表示,首先确定以图像左上正交像素点位置为原点的直角坐标系;
(2) 裂缝目标区域中每一个像素点位置均分别沿X轴和Y轴进行投影,以每个像素点位置的x或y为横坐标,以裂缝目标区域中每个像素点分别向X轴方向或Y轴方向进行投影后所叠加的像素点总数为纵坐标或,然后绘制图形,其显示为曲线形状;
(3)最后通过裂缝图像的投影示意图即可判断上述各种类型裂缝类型;
4)、利用计算机控制***提取裂缝特征信息
计算机控制***采用VC++和matlab混合编程的方法,并添加二维大津、马尔科夫分割、自动分类、***标定算法,编制成C++或matlab程序,依次调用各处理函数,形成自动处理功能,编写对话框,添加在役混凝土结构评估模块,即可实现自动化、批量化、快速化地提取出裂缝特征信息,具体包括如下步骤:
(1)在VC++中利用Appwzard向导形成软件框架;
(2)设置VC++、Matlab混合编程环境;
(3)建立消息映射,添加传统裂缝图像处理识别、信息提取算法;
(4)编制C++或matlab程序,添加二维大津、马尔科夫分割、自动分类及***标定算法;
(5)编制C++或matlab程序,依次调用各处理函数,形成自动处理功能;
(6)类似于自动处理,编制批量处理程序,并预先设置自动处理模板;
(7)编写word写入程序,预先设计好分析报告输出模板;
(8)编写对话框,添加在役混凝土结构评估模块;
(9)运行调试各种程序功能;
(10)生成裂缝特征信息自动控制***。
3.根据权利要求2所述的一种混凝土裂缝特征信息的识别方法,其特征在于,步骤1)中图像采集装置包括CCD摄像头/数码相机、1394/USB图像采集卡及数据连接线。
4.根据权利要求2所述的一种混凝土裂缝特征信息的识别方法,其特征在于,步骤4)中裂缝特征信息包括裂缝长度、裂缝宽度、裂缝角度及裂缝间距。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310277205XA CN103400139A (zh) | 2013-07-04 | 2013-07-04 | 一种混凝土裂缝特征信息的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310277205XA CN103400139A (zh) | 2013-07-04 | 2013-07-04 | 一种混凝土裂缝特征信息的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103400139A true CN103400139A (zh) | 2013-11-20 |
Family
ID=49563757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310277205XA Pending CN103400139A (zh) | 2013-07-04 | 2013-07-04 | 一种混凝土裂缝特征信息的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103400139A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127777A (zh) * | 2016-06-27 | 2016-11-16 | 中山大学 | 一种三维空间裂缝分离识别与表征方法 |
CN104008553B (zh) * | 2014-06-17 | 2017-03-22 | 武汉武大卓越科技有限责任公司 | 融合影像梯度信息和分水岭方法的裂缝检测方法 |
CN107403427A (zh) * | 2017-07-20 | 2017-11-28 | 重庆邮电大学 | 一种基于遗传规划与渗流模型的混凝土表面裂缝检测方法 |
CN107506787A (zh) * | 2017-07-27 | 2017-12-22 | 陕西师范大学 | 一种基于迁移自学习的混凝土桥梁裂缝分类方法 |
CN109685759A (zh) * | 2018-11-05 | 2019-04-26 | 北京中企卓创科技发展有限公司 | 一种加速混凝土开裂设备及其测试方法 |
JP2019200213A (ja) * | 2015-12-25 | 2019-11-21 | 富士フイルム株式会社 | 損傷情報処理装置及び損傷情報処理方法 |
CN112785594A (zh) * | 2021-03-16 | 2021-05-11 | 合肥工业大学 | 基于图像二维幅值估计的桥梁自动结构裂缝识别方法 |
CN113240635A (zh) * | 2021-05-08 | 2021-08-10 | 中南大学 | 一种裂缝分辨为基准的结构物检测图像质量测试方法 |
CN114839192A (zh) * | 2022-04-26 | 2022-08-02 | 哈尔滨理工大学 | 一种混凝土桥梁裂缝检测*** |
CN117115135A (zh) * | 2023-09-15 | 2023-11-24 | 延安大学 | 一种基于机器视觉的混凝土裂纹检测***及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7965908B2 (en) * | 2005-08-18 | 2011-06-21 | Fujifilm Corporation | Image searching apparatus, image printing apparatus, print ordering system, over-the-counter printing terminal apparatus, image capturing apparatus, image searching program and method |
CN102680480A (zh) * | 2012-05-03 | 2012-09-19 | 中南大学 | 一种混凝土结构裂缝智能化检测方法 |
-
2013
- 2013-07-04 CN CN201310277205XA patent/CN103400139A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7965908B2 (en) * | 2005-08-18 | 2011-06-21 | Fujifilm Corporation | Image searching apparatus, image printing apparatus, print ordering system, over-the-counter printing terminal apparatus, image capturing apparatus, image searching program and method |
CN102680480A (zh) * | 2012-05-03 | 2012-09-19 | 中南大学 | 一种混凝土结构裂缝智能化检测方法 |
Non-Patent Citations (4)
Title |
---|
PHILIPPE DELAGNES ET AL.: "A MARKOV RANDOM FIELD FOR RECTILINEAR STRUCTURE EXTRACTION IN PAVEMENT DISTRESS IMAGE ANALYSIS", 《IEEE IINTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
张国旗: "基于图像处理的混凝土桥梁底面裂缝检测方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
景晓军 等: "一种基于二维最大类间方差的图像分割算法", 《通信学报》 * |
曾艳霞: "混凝土裂缝特征信息识别研究", 《中国优秀硕士学位全文数据库信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008553B (zh) * | 2014-06-17 | 2017-03-22 | 武汉武大卓越科技有限责任公司 | 融合影像梯度信息和分水岭方法的裂缝检测方法 |
JP2019200213A (ja) * | 2015-12-25 | 2019-11-21 | 富士フイルム株式会社 | 損傷情報処理装置及び損傷情報処理方法 |
CN106127777A (zh) * | 2016-06-27 | 2016-11-16 | 中山大学 | 一种三维空间裂缝分离识别与表征方法 |
CN107403427A (zh) * | 2017-07-20 | 2017-11-28 | 重庆邮电大学 | 一种基于遗传规划与渗流模型的混凝土表面裂缝检测方法 |
CN107506787A (zh) * | 2017-07-27 | 2017-12-22 | 陕西师范大学 | 一种基于迁移自学习的混凝土桥梁裂缝分类方法 |
CN107506787B (zh) * | 2017-07-27 | 2019-09-10 | 陕西师范大学 | 一种基于迁移自学习的混凝土桥梁裂缝分类方法 |
CN109685759A (zh) * | 2018-11-05 | 2019-04-26 | 北京中企卓创科技发展有限公司 | 一种加速混凝土开裂设备及其测试方法 |
CN109685759B (zh) * | 2018-11-05 | 2022-05-10 | 北京中企卓创科技发展有限公司 | 一种加速混凝土开裂设备及其测试方法 |
CN112785594A (zh) * | 2021-03-16 | 2021-05-11 | 合肥工业大学 | 基于图像二维幅值估计的桥梁自动结构裂缝识别方法 |
CN112785594B (zh) * | 2021-03-16 | 2022-08-30 | 合肥工业大学 | 基于图像二维幅值估计的桥梁自动结构裂缝识别方法 |
CN113240635A (zh) * | 2021-05-08 | 2021-08-10 | 中南大学 | 一种裂缝分辨为基准的结构物检测图像质量测试方法 |
CN113240635B (zh) * | 2021-05-08 | 2022-05-03 | 中南大学 | 一种裂缝分辨为基准的结构物检测图像质量测试方法 |
CN114839192A (zh) * | 2022-04-26 | 2022-08-02 | 哈尔滨理工大学 | 一种混凝土桥梁裂缝检测*** |
CN117115135A (zh) * | 2023-09-15 | 2023-11-24 | 延安大学 | 一种基于机器视觉的混凝土裂纹检测***及方法 |
CN117115135B (zh) * | 2023-09-15 | 2024-04-30 | 延安大学 | 一种基于机器视觉的混凝土裂纹检测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400139A (zh) | 一种混凝土裂缝特征信息的识别方法 | |
US20220309640A1 (en) | Product defect detection method, device and system | |
Arena et al. | A new computational approach to cracks quantification from 2D image analysis: Application to micro-cracks description in rocks | |
CN111553303B (zh) | 基于卷积神经网络的遥感正射影像密集建筑物提取方法 | |
WO2019134252A1 (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN103065134B (zh) | 一种具有提示信息的指纹识别装置和方法 | |
RU2015134095A (ru) | Способ и устройство для обнаружения прямой линии | |
JP2011158373A (ja) | 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置 | |
CN101533466B (zh) | 一种眼睛定位图像处理方法 | |
US11657644B2 (en) | Automatic ruler detection | |
JP6733983B2 (ja) | 画像解析装置 | |
CN105930852A (zh) | 一种气泡图像识别方法 | |
CN103886332A (zh) | 一种检测与识别金属网栅缺陷的方法 | |
CN113096121A (zh) | 基于交叉断裂力学和图像处理的路面裂缝检测方法和*** | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
CN103268494B (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN113393430B (zh) | 用于风机叶片缺陷检测的热成像图像增强训练方法和装置 | |
CN109596639A (zh) | 缺陷检测***及缺陷检测方法 | |
CN106203351A (zh) | 裂缝智能识别分类的方法 | |
CN111553345A (zh) | 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法 | |
CN1667351A (zh) | 强反射背景下粗糙纹理工件图像特征点自动提取方法 | |
CN111008635A (zh) | 一种基于ocr的多票据自动识别方法及识别*** | |
CN106548474A (zh) | 一种微结构表面检测方法 | |
CN115456996A (zh) | 一种核燃料芯块的离散性缺陷检测方法及相关组件 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20131120 |