CN109064449A - 一种桥梁表面病害的检测方法 - Google Patents
一种桥梁表面病害的检测方法 Download PDFInfo
- Publication number
- CN109064449A CN109064449A CN201810726585.3A CN201810726585A CN109064449A CN 109064449 A CN109064449 A CN 109064449A CN 201810726585 A CN201810726585 A CN 201810726585A CN 109064449 A CN109064449 A CN 109064449A
- Authority
- CN
- China
- Prior art keywords
- disease
- image
- bridge surface
- binary image
- detection method
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种桥梁表面病害的检测方法,涉及桥梁病害防治领域,包括以下步骤:S1、采集桥梁表面病害样本,使用深度学习算法对样本进行训练学习,获得病害语义分割网络模型;S2、根据所述病害语义分割网络模型对病害图像进行分割,并将分割后图像转化为二值化图像;S3、计算识别单幅二值化图像的8连通区域,然后计算二值化图像中每个连通区域的面积;S4、对所有病害分割图像转化的二值化图像依次进行步骤S3计算,合并计算结果输出为病害检测结果。本发明的桥梁表面病害的检测方法便于获得各类病害区域的数目、面积、病害总面积和病害最大面积等指标,较现有技术提升了对桥梁病害的检测准确度和全面度。
Description
技术领域
本发明涉及桥梁病害检测领域,具体涉及一种桥梁表面病害的检测方法。
背景技术
建筑物、公路、桥梁和隧道表面不可避免地存在病害,例如混凝土桥梁底面的掉块、露筋、蜂窝、麻面等,由于这些病害是影响桥梁安全的重要因素,因此,对桥梁结构进行定期检测,以便及时发现病害是否产生和生长是监控桥梁健康状况的有效手段。传统的检测方法是检测人员使用望远镜远距离观察桥底病害,或者通过搭建的桥底平台近距离观察桥底病害,检测人员手动记录病害的尺寸信息。由于桥底病害分布不规律,导致人工检测方法难度大,记录的病害数据受环境和人为因素影响大,病害尺寸数据的准确性差,可靠性低,而且搭建桥底平台花费大,周期长,危险性高。
随着图像采集、数字图像处理技术、深度学习算法的快速发展,目前出现了基于深度学习算法的进行桥梁病害识别的研究及方法,以实现对桥梁病害的自动分割。
但使用现有深度学习算法直接进行桥梁病害的识别统计时,由于桥梁病害的尺寸和边界范围对桥梁养护存在重要影响,在进行桥梁病害识别过程中,使用现有方法对病害的边界范围识别不够精确,难以直接获取桥梁病害的连通区域和准确计算病害尺寸。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种桥梁表面病害的检测方法,可对桥梁病害图像进行自动进行分割检测,并自动得出病害区域个数及面积的统计结果,病害边界识别明显。
为达到以上目的,本发明采取的技术方案是:
一种桥梁表面病害的检测方法,包括以下步骤:
S1、采集桥梁表面病害样本,使用深度学习算法对样本进行训练学习,获得病害语义分割网络模型;
S2、根据所述病害语义分割网络模型对病害图像进行分割,并将分割后图像转化为二值化图像;
S3、计算识别单幅二值化图像的8连通区域,然后计算二值化图像中每个连通区域的面积;
S4、对所有病害分割图像转化的二值化图像依次进行步骤S3计算,合并计算结果作为病害检测结果输出。
在上述技术方案的基础上,所述步骤S2中,对每一种病害图像标记唯一的病害标签。
在上述技术方案的基础上,所述步骤S2中,将分割后图像转化为多个二值化图像,每幅二值化图像中包括背景和一种病害标签的病害。
在上述技术方案的基础上,所述每幅分割后图像转化的二值化图像个数与病害标签数相同。
在上述技术方案的基础上,所述步骤S2中,根据图像中各像素的灰度值标记不同的病害标签。
在上述技术方案的基础上,所述步骤S3中,使用MATLAB的函数计算单幅二值化图像的8连通区域,然后采用函数计算二值化图像中每个连通区域的面积;
其中,img表示输入图像像素矩阵;L表示与img大小相同的矩阵,包含了标记img每个连通区域的类别标签;num表示img中连通区域的个数;structs表示矩阵L中每个连通区域的面积。
在上述技术方案的基础上,步骤S4中,病害检测结果包括所有病害分割图像转化的二值化图像中各类病害区域的数目、面积、病害总面积和病害最大面积。
在上述技术方案的基础上,所述步骤S1中,使用MATLAB携带的SegNet网络对采集到的桥梁表面病害样本进行训练。
在上述技术方案的基础上,所述病害检测结果以Excel表格的形式输出。
在上述技术方案的基础上,所述步骤S1中,对桥梁表面病害样本进行病害区域标记。
与现有技术相比,本发明的优点在于:
(1)本发明的桥梁表面病害的检测方法将检测图像通过基于深度学习算法对病害自动进行分割,转化为二值化图像,随后使用MATLAB的[L,num]=bwlabel(img,8)函数计算单幅二值化图像的8连通区域的延伸并合并,实现了标记的各病害边界准确识别,便于获得各类病害区域的数目、面积、病害总面积和病害最大面积等指标,较现有技术提升了对桥梁病害的检测准确度和全面度。
(2)本发明的桥梁表面病害的检测方法仅通过MATLAB自带函数的计算分析,即可达到,无需进行复杂的图像处理和分类计算,降低了设备硬件要求,增强了该方法在实际桥梁病害识别检测的实用性。
附图说明
图1为本发明实施例中桥梁表面病害的检测方法的流程图;
图2是本发明实施例中检测连通区域函数的输入、输出矩阵示例图;
图3是本发明实施例中使用的病害样本图像的示例图;
图4是本发明实施例中对病害样本图像进行标记识别后图像的示例图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
参见图1所示,本发明实施例提供一种桥梁表面病害的检测方法,包括以下步骤:
S1、采集桥梁表面病害样本,使用深度学习算法对样本进行训练学习,获得病害语义分割网络模型;
具体的,在本实施例中,采集如图3所示的大量桥梁表面病害样本图像,包括掉块、露筋、蜂窝、麻面等,首先对样本进行标记,在实施标记时,对不同病害使用不同的标签内容,在本实施例中标记两种病害,掉块、露筋,将背景也进行标记,一共有三种标签。本实施例中的一种对病害样本图像进行标记后的图像如图4所示,其将不同病害和背景通过不同颜色/灰度值进行区分。
随后,使用标记后的图像进行样本训练和测试,例如可采用MATLAB2017b自带的SegNet网络对60%的病害样本进行训练,40%样本进行测试,得到病害语义分割网络模型,对病害进行分割。
本实施例中,可根据图像中各像素的灰度值标记不同的病害标签,如将背景在分割图像中的灰度值为1,掉块在分割图像中的灰度值为2,露筋在分割图像中的灰度值为3。
S2、根据所述病害语义分割网络模型对病害图像进行分割,并将分割后图像转化为二值化图像;在本实施例操作过程中,可将每幅分割后图像转化为多个二值化图像,每幅二值化图像中包括背景和一种病害标签的病害,并使二值化图像个数与病害相同,这样可使得最终获得的二值化图像数目等于病害数目,便于后续统计和边界区域计算。
本实施例中每幅病害分割图像转化为两幅二值化图像,在二值化图像中,背景为0,病害为1,如图2所示,第一幅二值化图像中,将掉块像素点的像素值设置为1,其余所有像素点的像素值设置为0;同样地,第二幅二值化图像中,将露筋像素点的像素值设置为1,其余所有像素点的像素值设置为0。
S3、计算识别单幅二值化图像的8连通区域,然后计算二值化图像中每个连通区域的面积;具体的,可使用MATLAB(本实施例中使用MATLAB2017b版本进行相关计算)的[L,num]=bwlabel(img,8)函数计算单幅二值化图像的8连通区域,然后采用structs=region(L,'Area')函数计算二值化图像中每个连通区域的面积;
其中,img表示输入图像像素矩阵;L表示与img大小相同的矩阵,包含了标记img每个连通区域的类别标签;num表示img中连通区域的个数;structs表示矩阵L中每个连通区域的面积。
此步骤通过S2中获取的各含有一个病害标签的二值化图像为基础单元进行8连通区域的延伸计算,将含有同样病害且相连通的区域进行整合,即通过数学方法实现了病害图像的整合处理,简单精确的获取了各个大小不一的病害的图像及边界。
S4、对所有病害分割图像转化的二值化图像依次进行步骤S3计算,合并计算结果输出为病害检测结果。具体的,病害检测结果包括所有病害分割图像转化的二值化图像中各类病害区域的数目、面积、病害总面积和病害最大面积。
具体的,在本实施例中,可分别计算各个病害分割图像转化的二值化图像中掉块区域个数、面积和露筋区域个数、面积,并将所有病害图像的掉块、露筋检测结果分别写入Excel表中,作为病害检测结果。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种桥梁表面病害的检测方法,其特征在于,包括以下步骤:
S1、采集桥梁表面病害样本,使用深度学习算法对样本进行训练学习,获得病害语义分割网络模型;
S2、根据所述病害语义分割网络模型对病害图像进行分割,并将分割后图像转化为二值化图像;
S3、计算识别单幅二值化图像的8连通区域,然后计算二值化图像中每个连通区域的面积;
S4、对所有病害分割图像转化的二值化图像依次进行步骤S3计算,合并计算结果作为病害检测结果输出。
2.如权利要求1所述的桥梁表面病害的检测方法,其特征在于:所述步骤S2中,对每一种病害图像标记唯一的病害标签。
3.如权利要求2所述的桥梁表面病害的检测方法,其特征在于:所述步骤S2中,将分割后图像转化为多个二值化图像,每幅二值化图像中包括背景和一种病害标签的病害。
4.如权利要求3所述的桥梁表面病害的检测方法,其特征在于:所述每幅分割后图像转化的二值化图像个数与病害标签数相同。
5.如权利要求2所述的桥梁表面病害的检测方法,其特征在于,所述步骤S2中,根据图像中各像素的灰度值标记不同的病害标签。
6.如权利要求1所述的桥梁表面病害的检测方法,其特征在于:所述步骤S3中,使用MATLAB的[L,num]=bwlabel(img,8)函数计算单幅二值化图像的8连通区域,然后采用structs=region(L,'Area')函数计算二值化图像中每个连通区域的面积;
其中,img表示输入图像像素矩阵;L表示与img大小相同的矩阵,包含了标记img每个连通区域的类别标签;num表示img中连通区域的个数;structs表示矩阵L中每个连通区域的面积。
7.如权利要求1所述的桥梁表面病害的检测方法,其特征在于:步骤S4中,病害检测结果包括所有病害分割图像转化的二值化图像中各类病害区域的数目、面积、病害总面积和病害最大面积。
8.如权利要求1所述的桥梁表面病害的检测方法,其特征在于:所述步骤S1中,使用MATLAB携带的SegNet网络对采集到的桥梁表面病害样本进行训练。
9.如权利要求1所述的桥梁表面病害的检测方法,其特征在于:所述病害检测结果以Excel表格的形式输出。
10.如权利要求1所述的桥梁表面病害的检测方法,其特征在于:所述步骤S1中,对桥梁表面病害样本进行病害区域标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810726585.3A CN109064449B (zh) | 2018-07-04 | 2018-07-04 | 一种桥梁表面病害的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810726585.3A CN109064449B (zh) | 2018-07-04 | 2018-07-04 | 一种桥梁表面病害的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064449A true CN109064449A (zh) | 2018-12-21 |
CN109064449B CN109064449B (zh) | 2021-01-05 |
Family
ID=64819141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810726585.3A Active CN109064449B (zh) | 2018-07-04 | 2018-07-04 | 一种桥梁表面病害的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064449B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490212A (zh) * | 2019-02-26 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 钼靶影像处理设备、方法和装置 |
CN111444924A (zh) * | 2020-04-20 | 2020-07-24 | 中国科学院声学研究所南海研究站 | 一种病虫害检测及灾害等级分析方法及*** |
WO2020199538A1 (zh) * | 2019-04-04 | 2020-10-08 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警***及方法 |
CN112945149A (zh) * | 2021-01-26 | 2021-06-11 | 宁波诺视智能科技有限公司 | 一种链条铆钉铆接面积的检测装置及其检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842203A (zh) * | 2012-09-04 | 2012-12-26 | 广东省公路管理局 | 基于视频图像的桥梁病害监测方法 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测***及方法 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
-
2018
- 2018-07-04 CN CN201810726585.3A patent/CN109064449B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842203A (zh) * | 2012-09-04 | 2012-12-26 | 广东省公路管理局 | 基于视频图像的桥梁病害监测方法 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测***及方法 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
Non-Patent Citations (1)
Title |
---|
阮小丽 等: "桥梁混凝土结构表面裂缝自动识别技术研究", 《世界桥梁》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490212A (zh) * | 2019-02-26 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 钼靶影像处理设备、方法和装置 |
CN110490212B (zh) * | 2019-02-26 | 2022-11-08 | 腾讯科技(深圳)有限公司 | 钼靶影像处理设备、方法和装置 |
WO2020199538A1 (zh) * | 2019-04-04 | 2020-10-08 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警***及方法 |
CN111444924A (zh) * | 2020-04-20 | 2020-07-24 | 中国科学院声学研究所南海研究站 | 一种病虫害检测及灾害等级分析方法及*** |
CN111444924B (zh) * | 2020-04-20 | 2023-05-30 | 中国科学院声学研究所南海研究站 | 一种病虫害检测及灾害等级分析方法及*** |
CN112945149A (zh) * | 2021-01-26 | 2021-06-11 | 宁波诺视智能科技有限公司 | 一种链条铆钉铆接面积的检测装置及其检测方法 |
CN112945149B (zh) * | 2021-01-26 | 2023-07-25 | 宁波诺视智能科技有限公司 | 一种链条铆钉铆接面积的检测装置及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109064449B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767376B (zh) | 基于深度学习的x线片骨龄预测方法及*** | |
CN109064449A (zh) | 一种桥梁表面病害的检测方法 | |
CN108596046A (zh) | 一种基于深度学习的细胞检测计数方法及*** | |
CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
CN108961330B (zh) | 基于图像的猪体长测算方法及*** | |
CN108846828A (zh) | 一种基于深度学习的病理图像目标区域定位方法及*** | |
CN107280697A (zh) | 基于深度学习和数据融合的肺结节分级判定方法和*** | |
TWI684997B (zh) | 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 | |
CN109886928A (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN108830332A (zh) | 一种视觉车辆检测方法及*** | |
CN106803248B (zh) | 模糊车牌图像模糊度评价方法 | |
CN109543542A (zh) | 一种特定场所人员着装是否规范的判定方法 | |
US20220315243A1 (en) | Method for identification and recognition of aircraft take-off and landing runway based on pspnet network | |
CN106033540A (zh) | 一种***微生态形态学自动分析方法和*** | |
CN107818321A (zh) | 一种用于车辆年检的水印日期识别方法 | |
CN111724355A (zh) | 一种鲍鱼体型参数的图像测量方法 | |
CN109117774A (zh) | 一种基于稀疏编码的多视角视频异常检测方法 | |
CN106023199A (zh) | 一种基于图像分析技术的烟气黑度智能检测方法 | |
CN113674216A (zh) | 一种基于深度学习的地铁隧道病害检测方法 | |
CN109684986A (zh) | 一种基于车辆检测跟踪的车辆分析方法及*** | |
CN108645490A (zh) | 基于图像处理技术的冷水水表视觉检测***及检测方法 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及*** | |
CN114235539A (zh) | 基于深度学习的pd-l1病理切片自动判读方法及*** | |
CN109063701A (zh) | 一种红外图像中目标的标记方法、装置、设备及存储介质 | |
CN108717522A (zh) | 一种基于深度学习和相关滤波的人体目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |