CN109472766A - 桥梁螺栓区域定位方法及终端设备 - Google Patents
桥梁螺栓区域定位方法及终端设备 Download PDFInfo
- Publication number
- CN109472766A CN109472766A CN201810981742.5A CN201810981742A CN109472766A CN 109472766 A CN109472766 A CN 109472766A CN 201810981742 A CN201810981742 A CN 201810981742A CN 109472766 A CN109472766 A CN 109472766A
- Authority
- CN
- China
- Prior art keywords
- bolt
- area
- connected domain
- bridge
- profile
- 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
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,提供了一种桥梁螺栓区域定位方法及终端设备。该方法包括:获取包含桥梁梁体的初始图像;对所述初始图像进行颜色分割处理及边缘检测处理,从所述初始图像中提取出桥梁螺栓的分布区域待检测区域图像;对所述分布待检测区域图像进行连通域分析处理;对经过所述连通域分析处理的待检测区域分布区域图像中的螺栓轮廓进行聚类分析,确定桥梁螺栓区域。本发明根据螺栓密集分布特征,采用颜色分割与边缘检测相结合的方法筛选待检测区域,再采用聚类分析方法对待检测区域进行聚类,定位桥梁螺栓区域的位置,能够提高定位精度和定位效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种桥梁螺栓区域定位方法及终端设备。
背景技术
桥梁作为交通枢纽在交通运输中起着至关重要的作用,尤其对于特大型桥梁而言,投资巨大,对国民经济发展和社会稳定起到了巨大作用。伴随着铁路桥梁建设技术的进步和提高,一系列新技术、新工艺、新材料、新结构在桥梁建设中普及应用,拓宽了铁路桥梁设计、施工的理念,一大批技术复杂、设计和施工难度大的大跨径桥梁相继建成通车。随之而来的是桥梁后期运营维护管理工作变得更加繁重和复杂,给运营期间的桥梁养护维修带来了新的挑战。
螺栓组群(如图1所示)作为桥梁的连接与固定环节有着至关重要的作用,因此对其异常状况的检测也是重中之重。目前桥梁螺栓的安全巡查和病害检测主要以人工巡检方式为主,人工巡检的缺点是成本高、效率低、安全系数差、检测结果具有主观差异性等。
随着自动化、智能化技术的快速发展,考虑大桥的复杂性和精细管养需求,需要一种自动智能化巡检方法,其中进行密集螺栓区域病害自动化检测的首要任务和难点在于对整个螺栓区域的定位。一些学者提出采用分类器对螺栓区域进行定位,但分类器训练需要大量样本,需要对不同的桥梁收集不同的训练样本集,样本收集困难度高,并且由于不同大桥的螺栓形态与颜色各异,通过样本训练出的分类器的定位效果差,适用性不高。
发明内容
有鉴于此,本发明实施例提供了桥梁螺栓区域定位方法及终端设备,以解决目前采用分类器对桥梁螺栓区域进行定位的定位效果差的问题。
本发明实施例的第一方面提供了桥梁螺栓区域定位方法,包括:
获取包含桥梁梁体的初始图像;
对所述初始图像进行颜色分割处理及边缘检测处理,从所述初始图像中提取出桥梁螺栓的待检测区域图像;
对所述待检测区域图像进行连通域分析处理;
对经过所述连通域分析处理的待检测区域图像中的螺栓轮廓进行聚类分析,确定桥梁螺栓区域。
本发明实施例的第二方面提供了终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面中的桥梁螺栓区域定位方法。
本发明实施例的第三方面提供了计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中的桥梁螺栓区域定位方法。
本发明实施例与现有技术相比存在的有益效果是:通过颜色分割处理及边缘检测处理从初始图像中提取出桥梁螺栓的待检测区域图像,能够确定出桥梁螺栓的大致区域,实现对桥梁螺栓区域的粗定位;通过对待检测区域图像进行连通域分析处理并进行聚类分析,能够利用桥梁螺栓分布密集的特征准确定位桥梁螺栓区域,实现对密集螺栓区域的细定位。本发明实施例根据螺栓密集分布特征,采用颜色分割与边缘检测相结合的方法筛选待检测区域,再采用聚类分析方法对待检测区域进行聚类,定位桥梁螺栓区域的位置,能够提高定位精度和定位效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的桥梁螺栓组群的示意图;
图2是本发明实施例提供的桥梁螺栓区域定位方法的实现流程图;
图3是本发明实施例提供的桥梁螺栓区域定位方法中对初始图像进行颜色分割处理的实现流程图;
图4是本发明实施例提供的桥梁螺栓区域定位方法中对所述待检测区域图像进行连通域分析处理的实现流程图;
图5是本发明实施例提供的DBSCAN算法的示意图;
图6是本发明实施例提供的桥梁螺栓区域定位方法中进行聚类分析的实现流程图;
图7是本发明实施例提供的一个实施示例的示意图;
图8是本发明实施例提供的桥梁螺栓区域定位装置的示意图;
图9是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图2为本发明实施例提供的桥梁螺栓区域定位方法的实现流程图,详述如下:
在S201中,获取包含桥梁梁体的初始图像。
在本实施例中,可以通过相机等图像采集装置采集桥梁梁体的图像作为初始图像。
在S202中,对所述初始图像进行颜色分割处理及边缘检测处理,从所述初始图像中提取出桥梁螺栓的待检测区域图像。
在本实施例中,可以采用颜色分割和边缘检测两种图像处理方式对初始图像进行处理,去除初始图像中的背景图像信息,从初始图像中提取出桥梁螺栓的待检测区域图像。待检测区域图像即为桥梁螺栓所在区域的图像。颜色分割处理为基于颜色的图像分割处理方式。颜色分割处理和边缘检测处理的先后顺序在此不作限定,可以根据实际情况进行确定。
作为本发明的一个实施例,如图3所示,S202中对所述初始图像进行颜色分割处理可以包括:
在S301中,获取桥梁梁体中螺栓所在区域的颜色信息,并根据所述颜色信息确定颜色分割条件。
在本实施例中,通常桥体具有一定的颜色特征,可以获取用户输入的螺栓所在区域的颜色信息,或者从初始图像中提取螺栓所在区域的颜色信息。
在S302中,从所述初始图像中提取出符合所述颜色分割条件的区域图像。
在本实施例中,可以从初始图像中提取出符合颜色分割条件的区域图像,这些区域图像的颜色与螺栓所在区域的颜色相同或相近,其他区域的颜色与螺栓所在区域的颜色相差较大,因此通过颜色特征分析可以去除初始图像中的背景图像信息。
例如,以蓝色大跨径桥梁梁体为例,由于彩色图像主要由Red,Green,Blue三个通道的数据矩阵分量组成,因此颜色分割条件可以确定为Blue>1.6Red,根据这个条件可以从初始图像中确定螺栓所在区域的大致范围,去除背景信息。其中Blue,Green,Red分别为彩色图像中的蓝色、绿色和红色通道数据矩阵。
实际应用中通常桥梁梁体一些区域的颜色是统一的,与非梁体的背景颜色存在一定差别,本实施例通过颜色分割条件对初始图像进行颜色分割处理,能够有效清除初始图像中的背景信息。
作为本发明的一个实施例,S202中对所述初始图像进行边缘检测处理可以包括:
通过Canny算子对所述初始图像进行边缘检测处理。
本实施例通过Canny算子对初始图像进行边缘检测,利用Canny算子的高信噪比及高检测精度的特性保证边缘检测的检测精度。
在S203中,对所述待检测区域图像进行连通域分析处理。
在本实施例中,经过颜色分割及边缘检测得到的待检测区域图像中螺栓区域轮廓的主要形态为半圆弧形态,而背景干扰杂波的主要形态为直线、折线、小型半弧、细小圆圈等。采用连通体分析的方法可以去除待检测区域图像中的干扰杂波。
作为本发明的一个实施例,如图4所示,S203可以包括:
在S401中,确定所述待检测区域图像中的各个连通域。
在本实施例中,可以对待检测区域图像中的轮廓区域进行连通处理,得到多个连通域。
在S402中,通过直线检测分别确定各个连通域中的直线特征信息。
在本实施例,可以通过图像处理中的直线检测方法分别对各个连通域内的直线进行检测,获得直线特征信息。
可选地,可以通过霍夫直线检测算法确定各个连通域中的直线特征信息。
在本实施例中,可以通过霍夫直线检测算法对各个连通域进行直线检测。例如,直线公式为y=kx+b,将x,y空间的坐标映射到参数k,b空间上。统计当前连通域中符合共线条件的点的个数,其中x,y空间共线的点个数就是k,b空间共点的线条个数。
在S403中,分别判断各个连通域中的直线特征信息是否符合预设直线特征条件,将直线特征信息符合所述预设直线特征条件的连通域删除。
在本实施例中,由于桥梁螺栓对应的连通域的直线特征信息与背景干扰对应的连通域的直线特征信息存在区别,因此可以通过预设直线特征条件,判断直线特征信息符合所述预设直线特征条件的连通域为背景干扰对应的连通域,将这些连通域删除,从而达到去除干扰杂波的目的。
例如,直线特征信息可以包括连通域中共线点的个数及共线点的个数在连通域中点总个数中所占的比例。预设直线特征条件可以表示为:
其中,point为连通域中共线点个数,sum_point为连通域中点的总个数。预设直线特征条件表述为,连通域中共线的点的个数大于预设个数阈值(如10),且共线点的个数在连通域内点总个数中所占的比例大于预设比例阈值(如0.5)。若一个连通域的直线特征信息符合预设直线特征条件,表明该连通域是背景干扰对应的连通域,将该连通域删除。
在S404中,统计各个连通域的连通域特征信息,将连通域特征信息不符合预设特征信息条件的连通域删除。
在本实施例中,可以通过预设特征信息条件,对于小型圆弧、细小圆圈此类背景杂波对应的连通域去除。
可选地,所述连通域特征信息包括连通域面积信息和/或连通域外切椭圆的长短轴比值。
在本实施例中,预设特征信息条件可以表示为:
其中,Area为连通域面积,Axis为连通域外切椭圆的长短轴比值。预设特征信息条件可以表述为,连通域面积大于预设面积阈值(如40),且连通域外切椭圆的长短轴比值小于预设长短轴比值阈值(如10)。若一个连通域的连通域特征信息不符合预设特征信息条件,表明该连通域是小型圆弧、细小圆圈等背景干扰对应的连通域,将该连通域删除。
本实施例通过预设直线特征条件来判定桥梁螺栓的待检测区域图像中直线、折线等背景干扰杂波对应的连通域,通过预设特征信息条件来判定小型半弧、细小圆圈等背景干扰杂波对应的连通域,将这些背景干扰的连通域去除,消除背景干扰,从而提高桥梁螺栓的定位准确度。
在S204中,对经过所述连通域分析处理的待检测区域图像中的螺栓轮廓进行聚类分析,确定桥梁螺栓区域。
在本实施例中,可以根据桥梁螺栓的密集分布特征,通过对待检测区域图像中的螺栓轮廓进行聚类分析,确定出桥梁螺栓区域,实现对桥梁螺栓区域的精确定位。
本发明实施例通过颜色分割处理及边缘检测处理从初始图像中提取出桥梁螺栓的待检测区域图像,能够确定出桥梁螺栓的大致区域,实现对桥梁螺栓区域的粗定位;通过对待检测区域图像进行连通域分析处理并进行聚类分析,能够利用桥梁螺栓分布密集的特征准确定位桥梁螺栓区域,实现对密集螺栓区域的细定位。本发明实施例根据螺栓密集分布特征,采用颜色分割与边缘检测相结合的方法筛选待检测区域,再采用聚类分析方法对待检测区域进行聚类,定位桥梁螺栓区域的位置,能够提高定位精度和定位效率。
可选地,可以通过基于密度的带有噪声的空间聚类DBSCAN算法对经过所述连通域分析处理的待检测区域图像中的螺栓轮廓进行聚类分析。
在本实施例中,可以通过DBSCAN((Density-Based Spatial Clustering ofApplications with Noise)算法对待检测区域图像中的螺栓轮廓进行聚类分析。
DBSCAN算法通过搜索检查数据集中的每个点的邻域来建立簇,具体过程如下:如果点P的领域内包含多个目标点,则创建一个以P为核心对象的目标簇;然后DBSCAN通过迭代聚集的方式搜索以这些核心对象为中心的直接密度可达的对象集,并将这些直接密度可达的对象集进行合并直到没有添加任何新的对象目标时,该搜索过程结束。
对于“直接密度可达”的理解,如图5所示。点M,P,O在一个设定的半径内都包含三个以上的点,因此它们都是核心对象;M与P是“直接密度可达”,Q与M是“直接密度可达”,而P与O无法“直接密度可达”。经过上述推理,M、P、Q范围内的点被分为一簇,同理,S、O、N内所包含的点被分为一簇。
作为本发明的一个实施例,如图6所示,S204可以包括:
在S601中,获取预设轮廓个数和预设邻域范围;
在S602中,将预设邻域范围内包含的轮廓个数大于或等于预设轮廓个数的螺栓轮廓确定为核心轮廓对象;
在S603中,选取未处理的任一核心轮廓对象作为种子,查找所有从所述种子直接密度可达的螺栓轮廓,生成一个螺栓轮廓集合;
在S604中,通过迭代方式将能直接密度可达的螺栓轮廓集合进行合并,确定各个聚类簇。
在本实施例中,其中预设轮廓个数和预设邻域范围可以根据实际需求进行设定,在此不作限定。可以将预设邻域范围内包含的轮廓个数大于或等于预设轮廓个数的螺栓轮廓确定为核心轮廓对象,在待检测区域图像中任意选择一个没有类别的核心轮廓对象作为种子,然后找到所有这个核心轮廓对象能够“直接密度可达”的样本集合,即为一个螺栓轮廓集合。接着继续选择另一个没有类别的核心轮廓对象去寻找“直接密度可达”的样本集合,由此得到另一个核心轮廓对象。按照上述流程,一直运行到所有核心对象都有特定的类别为止。将相互之间存在能直接密度可达的螺栓轮廓的螺栓轮廓集合进行合并,确定各个聚类簇。
如图7所示为本发明的一个实施示例,分别以桥梁螺栓仿制模型不同的两张采集图像作为初始图像,进行桥梁螺栓区域定位。图7(a)为初始图像1,图7(b)为对初始图像1进行聚类分析的结果示意图,图7(c)为定位出的初始图像1中的桥梁螺栓区域的位置;图7(d)为初始图像2,图7(e)为对初始图像2进行聚类分析的结果示意图,图7(f)为定位出的初始图像2中的桥梁螺栓区域的位置。图7(g)为对初始图像1的一个区域进行边缘检测与颜色分割后的示意图。从图7可以看出,通过本发明实施例提供的桥梁螺栓定位方法,能够有效去除图像中的背景干扰,并且通过聚类分析精确定位出桥梁螺栓的区域位置。
本发明实施例通过颜色分割处理及边缘检测处理从初始图像中提取出桥梁螺栓的待检测区域图像,能够确定出桥梁螺栓的大致区域,实现对桥梁螺栓区域的粗定位;通过对待检测区域图像进行连通域分析处理并进行聚类分析,能够利用桥梁螺栓分布密集的特征准确定位桥梁螺栓区域,实现对密集螺栓区域的细定位。本发明实施例根据螺栓密集分布特征,采用颜色分割与边缘检测相结合的方法筛选待检测区域,再采用聚类分析方法对待检测区域进行聚类,定位桥梁螺栓区域的位置,能够提高定位精度和定位效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的桥梁螺栓区域定位方法,图8示出了本发明实施例提供的桥梁螺栓区域定位装置的示意图。为了便于说明,仅示出了与本实施例相关的部分。
参照图8,该装置包括获取模块81、提取模块82、处理模块83和聚类模块84。
获取模块81,用于获取包含桥梁梁体的初始图像。
提取模块82,用于对所述初始图像进行颜色分割处理及边缘检测处理,从所述初始图像中提取出桥梁螺栓的待检测区域图像。
处理模块83,用于对所述待检测区域图像进行连通域分析处理。
聚类模块84,用于对经过所述连通域分析处理的待检测区域图像中的螺栓轮廓进行聚类分析,确定桥梁螺栓区域。
可选地,所述提取模块82用于:
获取桥梁梁体中螺栓所在区域的颜色信息,并根据所述颜色信息确定颜色分割条件;
从所述初始图像中提取出符合所述颜色分割条件的区域图像。
可选地,所述提取模块82用于:
通过Canny算子对所述初始图像进行边缘检测处理。
可选地,所述处理模块83用于:
确定所述待检测区域图像中的各个连通域;
通过直线检测分别确定各个连通域中的直线特征信息;
分别判断各个连通域中的直线特征信息是否符合预设直线特征条件,将直线特征信息符合所述预设直线特征条件的连通域删除;
统计各个连通域的连通域特征信息,将连通域特征信息不符合预设特征信息条件的连通域删除。
可选地,所述处理模块83用于:
通过霍夫直线检测算法确定各个连通域中的直线特征信息。
可选地,所述连通域特征信息包括连通域面积信息和/或连通域外切椭圆的长短轴比值。
可选地,所述聚类模块84用于:
通过基于密度的带有噪声的空间聚类DBSCAN算法对经过所述连通域分析处理的待检测区域图像中的螺栓轮廓进行聚类分析。
可选地,所述聚类模块84用于:
获取预设轮廓个数和预设邻域范围;
将预设邻域范围内包含的轮廓个数大于或等于预设轮廓个数的螺栓轮廓确定为核心轮廓对象;
选取未处理的任一核心轮廓对象作为种子,查找所有从所述种子直接密度可达的螺栓轮廓,生成一个螺栓轮廓集合;
通过迭代方式将能直接密度可达的螺栓轮廓集合进行合并,确定各个聚类簇。
本发明实施例通过颜色分割处理及边缘检测处理从初始图像中提取出桥梁螺栓的待检测区域图像,能够确定出桥梁螺栓的大致区域,实现对桥梁螺栓区域的粗定位;通过对待检测区域图像进行连通域分析处理并进行聚类分析,能够利用桥梁螺栓分布密集的特征准确定位桥梁螺栓区域,实现对密集螺栓区域的细定位。本发明实施例根据螺栓密集分布特征,采用颜色分割与边缘检测相结合的方法筛选待检测区域,再采用聚类分析方法对待检测区域进行聚类,定位桥梁螺栓区域的位置,能够提高定位精度和定位效率。
图9是本发明一实施例提供的终端设备的示意图。如图9所示,该实施例的终端设备9包括:处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92,例如程序。所述处理器90执行所述计算机程序92时实现上述各个方法实施例中的步骤,例如图2所示的步骤201至203。或者,所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能,例如图8所示模块81至84的功能。
示例性的,所述计算机程序92可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器91中,并由所述处理器90执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序92在所述终端设备9中的执行过程。
所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是终端设备9的示例,并不构成对终端设备9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线、显示器等。
所称处理器90可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述终端设备9的内部存储单元,例如终端设备9的硬盘或内存。所述存储器91也可以是所述终端设备9的外部存储设备,例如所述终端设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种桥梁螺栓区域定位方法,其特征在于,包括:
获取包含桥梁梁体的初始图像;
对所述初始图像进行颜色分割处理及边缘检测处理,从所述初始图像中提取出桥梁螺栓的待检测区域图像;
对所述待检测区域图像进行连通域分析处理;
对经过所述连通域分析处理的待检测区域图像中的螺栓轮廓进行聚类分析,确定桥梁螺栓区域。
2.如权利要求1所述的桥梁螺栓区域定位方法,其特征在于,所述对所述初始图像进行颜色分割处理包括:
获取桥梁梁体中螺栓所在区域的颜色信息,并根据所述颜色信息确定颜色分割条件;
从所述初始图像中提取出符合所述颜色分割条件的区域图像。
3.如权利要求1所述的桥梁螺栓区域定位方法,其特征在于,所述对所述初始图像进行边缘检测处理包括:
通过Canny算子对所述初始图像进行边缘检测处理。
4.如权利要求1所述的桥梁螺栓区域定位方法,其特征在于,所述对所述待检测区域图像进行连通域分析处理包括:
确定所述待检测区域图像中的各个连通域;
通过直线检测分别确定各个连通域中的直线特征信息;
分别判断各个连通域中的直线特征信息是否符合预设直线特征条件,将直线特征信息符合所述预设直线特征条件的连通域删除;
统计各个连通域的连通域特征信息,将连通域特征信息不符合预设特征信息条件的连通域删除。
5.如权利要求4所述的桥梁螺栓区域定位方法,其特征在于,所述通过直线检测分别确定各个连通域中的直线特征信息包括:
通过霍夫直线检测算法确定各个连通域中的直线特征信息。
6.如权利要求4所述的桥梁螺栓区域定位方法,其特征在于,所述连通域特征信息包括连通域面积信息和/或连通域外切椭圆的长短轴比值。
7.如权利要求1所述的桥梁螺栓区域定位方法,其特征在于,所述对经过所述连通域分析处理的待检测区域图像中的螺栓轮廓进行聚类分析包括:
通过基于密度的带有噪声的空间聚类DBSCAN算法对经过所述连通域分析处理的待检测区域图像中的螺栓轮廓进行聚类分析。
8.如权利要求1至7任一项所述的桥梁螺栓区域定位方法,其特征在于,所述对经过所述连通域分析处理的待检测区域图像中的螺栓轮廓进行聚类分析包括:
获取预设轮廓个数和预设邻域范围;
将预设邻域范围内包含的轮廓个数大于或等于预设轮廓个数的螺栓轮廓确定为核心轮廓对象;
选取未处理的任一核心轮廓对象作为种子,查找所有从所述种子直接密度可达的螺栓轮廓,生成一个螺栓轮廓集合;
通过迭代方式将能直接密度可达的螺栓轮廓集合进行合并,确定各个聚类簇。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810981742.5A CN109472766B (zh) | 2018-08-27 | 2018-08-27 | 桥梁螺栓区域定位方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810981742.5A CN109472766B (zh) | 2018-08-27 | 2018-08-27 | 桥梁螺栓区域定位方法及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472766A true CN109472766A (zh) | 2019-03-15 |
CN109472766B CN109472766B (zh) | 2022-05-17 |
Family
ID=65661444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810981742.5A Active CN109472766B (zh) | 2018-08-27 | 2018-08-27 | 桥梁螺栓区域定位方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472766B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709356A (zh) * | 2020-06-12 | 2020-09-25 | 北京百度网讯科技有限公司 | 识别目标区域的方法、装置、电子设备和路侧设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881861A (zh) * | 2015-03-11 | 2015-09-02 | 西南交通大学 | 一种基于图元分类的高铁接触网悬挂装置故障状态检测方法 |
EP3079099A1 (en) * | 2015-04-01 | 2016-10-12 | Ricoh Company, Ltd. | Method and device for detecting road dividing object |
CN108108682A (zh) * | 2017-12-14 | 2018-06-01 | 华北电力大学(保定) | 一种绝缘子闪络故障定位方法及*** |
CN108334879A (zh) * | 2018-02-11 | 2018-07-27 | 深圳市朗驰欣创科技股份有限公司 | 一种区域提取方法、***及终端设备 |
CN108389195A (zh) * | 2018-02-24 | 2018-08-10 | 北京理工大学 | 图像检测方法及装置 |
-
2018
- 2018-08-27 CN CN201810981742.5A patent/CN109472766B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881861A (zh) * | 2015-03-11 | 2015-09-02 | 西南交通大学 | 一种基于图元分类的高铁接触网悬挂装置故障状态检测方法 |
EP3079099A1 (en) * | 2015-04-01 | 2016-10-12 | Ricoh Company, Ltd. | Method and device for detecting road dividing object |
CN108108682A (zh) * | 2017-12-14 | 2018-06-01 | 华北电力大学(保定) | 一种绝缘子闪络故障定位方法及*** |
CN108334879A (zh) * | 2018-02-11 | 2018-07-27 | 深圳市朗驰欣创科技股份有限公司 | 一种区域提取方法、***及终端设备 |
CN108389195A (zh) * | 2018-02-24 | 2018-08-10 | 北京理工大学 | 图像检测方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709356A (zh) * | 2020-06-12 | 2020-09-25 | 北京百度网讯科技有限公司 | 识别目标区域的方法、装置、电子设备和路侧设备 |
CN111709356B (zh) * | 2020-06-12 | 2023-09-01 | 阿波罗智联(北京)科技有限公司 | 识别目标区域的方法、装置、电子设备和路侧设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109472766B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108228798A (zh) | 确定点云数据之间的匹配关系的方法和装置 | |
CN108415975B (zh) | 基于bdch-dbscan的出租车载客热点识别方法 | |
CN109784636A (zh) | 欺诈用户识别方法、装置、计算机设备及存储介质 | |
WO2021254027A1 (zh) | 一种可疑社团的识别方法、装置、存储介质和计算机设备 | |
CN109726658A (zh) | 人群计数及定位方法、***、电子终端及存储介质 | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及*** | |
CN109451532A (zh) | 一种基站位置的核查方法及装置 | |
CN107679734A (zh) | 一种用于无标签数据分类预测的方法和*** | |
CN109461133A (zh) | 桥梁螺栓脱落检测方法及终端设备 | |
CN109446689A (zh) | 直流换流站二次***图纸识别方法及*** | |
Wang et al. | Cracking classification using minimum rectangular cover–based support vector machine | |
CN107358182A (zh) | 行人检测方法及终端设备 | |
CN110348522A (zh) | 一种图像检测识别方法及***、电子设备、图像分类网络优化方法及*** | |
CN108764375A (zh) | 高速公路货运车辆跨省匹配方法及装置 | |
CN110458425A (zh) | 风险主体的风险分析方法、装置、可读介质及电子设备 | |
CN108764319A (zh) | 一种样本分类方法和装置 | |
CN108520070A (zh) | 用于电子地图的筛选兴趣点的方法和装置 | |
CN110069961A (zh) | 一种物体检测方法和装置 | |
CN110134759A (zh) | 一种获取企业的行业信息的方法 | |
CN109982361A (zh) | 信号干扰分析方法、装置、设备及介质 | |
CN110059635A (zh) | 一种皮肤瑕疵检测方法及装置 | |
CN107729939A (zh) | 一种面向新增电网资源的cim模型扩展方法及装置 | |
CN109784352A (zh) | 一种评估分类模型的方法和装置 | |
CN110309240A (zh) | 去除动态目标的方法和装置 | |
CN108182444A (zh) | 基于场景分类的视频质量诊断的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |