CN109580657A - 一种桥梁质量检测中的裂缝检测方法 - Google Patents
一种桥梁质量检测中的裂缝检测方法 Download PDFInfo
- Publication number
- CN109580657A CN109580657A CN201910062696.3A CN201910062696A CN109580657A CN 109580657 A CN109580657 A CN 109580657A CN 201910062696 A CN201910062696 A CN 201910062696A CN 109580657 A CN109580657 A CN 109580657A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- value
- bridge
- gray
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及桥梁质量检测中的裂缝检测方法,可有效解决将机器视觉技术、现代传感技术、数据分析处理技术、计算技术融合到桥梁质量检测之中,获取对被检测桥梁连续、稳定的裂缝图像,以实现桥梁质量的裂缝自动化检测,确保桥梁安全使用的问题,方法是,安装设备,采集裂缝图像,对图像进行图像灰度化、灰度级变换、图像滤波的预处理,裂缝目标和图像背景区分出来,以鉴别裂缝,提取裂缝参数,裂缝细化得到骨架脊线,剔除毛刺,计算裂缝宽度,得到桥梁裂缝的真实最大宽度。本发明方法科学,易操作,检测效果好,能够快速、精确地实现桥梁裂缝的鉴别,提高桥梁裂缝自动化检测水平,有效地保障了交通运输的畅通和安全。
Description
技术领域
本发明涉及交通建设,特别是一种桥梁质量检测中的裂缝检测方法。
背景技术
随着经济和科技的日益增强,公路交通事业也迅猛发展。桥梁是交通道路建设的重要组成部分,与人们的出行安全和交通畅通息息相关。但目前鉴于混凝土桥的优势以及我国的国情,桥梁建设仍以混凝土桥为主。
混凝土桥梁在建设和使用过程中,易受到自然力和人为因素的影响,诸如温度应力、荷载、材料老化、人工浇筑方式等,随时间的推移,会不可避免地产生损害。这些损害的表现形式有多种,如混凝土脱落、碳化、裂缝、钢筋锈蚀、桥墩下沉等,对桥梁的安全与寿命构成严重威胁,情况严重时导致桥梁坍塌事故,给生命财产带来不可挽回的损失。
裂缝作为桥梁病害的一种,对桥梁的安全运营有重大影响,调查发现90%以上的桥梁损坏均由裂缝引起。当裂缝宽度超过0.2~0.3mm以上时,混凝土可能出现碳化、表面层脱落、内部钢筋腐蚀等现象,其强度和刚度会因此大大降低,同时,桥梁的承重能力随之下降,严重时,甚至发生坍塌事故。因此,必须限制混凝土结构中裂缝的宽度,对构成威胁的裂缝采取补救措施,避免出现桥梁坍塌事故,保证交通的畅通运行。定期地开展桥梁巡视和维护工作,通过对裂缝形状特征(如长度、宽度、深度)的识别和检测来准确评估各种裂缝对桥梁建设带来的风险,这具有积极的现实意义。
由于桥梁在结构及材料上存在的问题,裂缝的产生难以避免,因此及时发现裂缝并对其进行检测是一项相当重要的工作,对构成威胁的裂缝及时采用对应的解决措施,防止安全事故发生是必不可少的。目前,国内外对桥梁裂缝的检测普遍采用人工检测的方法,即技术人员直接检测裂缝,或借助一些简单的仪器、设备等辅助工具来完成桥梁裂缝的检测。该方法操作灵活简单,但是主要存在:第一是需要技术人员深入到桥底下,劳动强度大,耗时费力,难以保障技术人员安全;第二是技术人员需要直接读数、记录,人为误差等主观性误差较大,对技术人员技术水平要求高,而且获得的测量结果的稳定性与准确性难以保证。借助于桥梁检测车,可以克服第一个缺点,但是,对于第二个缺点,如何安全、平稳地采集到高质量的裂缝图片,以及如何对图片进行分析,从而快速检测出裂缝,这依然是一个亟待解决的问题。
发明内容
针对上述情况,为克服现有技术之缺陷,本发明之目的就是提供一种桥梁质量检测中的裂缝检测方法,可有效解决将机器视觉技术、现代传感技术、数据分析处理技术、计算技术融合到桥梁质量检测之中,获取对被检测桥梁连续、稳定的裂缝图像,以实现桥梁质量的裂缝自动化检测,确保桥梁安全使用的问题。
本发明解决的技术方案是,一种桥梁质量检测中的裂缝检测方法,包括以下步骤:
(1)、安装设备:
将检测车行驶至桥梁待检测区域上方,并在检测车上安装向下的机械臂,在机械臂下部安装与桥梁待测部位平行的直线轨道,将直线轨道固定在桥墩上,将行走小车安装在直线轨道上,使行走小车沿着直线导轨进行往复运动,行走小车与控制主机(另配,图中未显示) 相连,将环形LED光源、CCD相机经垂直升降台装在行走小车上方,调整相机镜头与桥梁底面的距离,由控制主机实现行走小车的往复行走及定位;
(2)、裂缝图像的采集:
启动桥梁检测车,操控机械臂,将行走小车送入桥梁底部待测部位下方,通过垂直升降台,调整CCD相机镜头与桥梁底面的距离,由控制主机控制行走小车,连续地拍摄桥梁底面的图像,拍摄完一趟后,检测车沿桥梁方向移动一段距离,继续拍摄相邻区域的图像,直至待测部位拍摄完,将采集的图像传给控制主机计算机,完成裂缝图像采集;
(3)、裂缝图像预处理:
图像预处理包括对图像灰度化、灰度级变换、图像滤波的处理,方法是:
图像灰度化:获取的裂缝图像是真彩RGB图像,在检测裂缝过程中,只需要图像的亮度(灰度)值信息,因此,利用灰度处理技术将裂缝图像由真彩RGB图像处理为灰度级图像;
图像灰度级变换:通过设定阈值,利用灰度变换方法,将数值低于和高于该阈值的灰度分别压缩至两个区间内,从而实现裂缝图像的平衡光照、减弱背景干扰并增强目标裂缝;
图像滤波:图像滤波的作用是滤除图像中噪声对应的波形并尽量保留图像细节特征完整,图像质量对于后续图像检测和分析的可信度以及有效性有直接的影响,利用滤波模板对裂缝图像进行滤波处理;
(4)、裂缝图像的鉴别:
裂缝图像分割是将裂缝目标和图像背景区分出来,以鉴别裂缝,方法是:
a.计算灰度为i的像素的概率;
b.设灰度阈值为t,将图像灰度值分为两类C1、C2;
c.分别计算C1、C2类出现的概率W1、W2;
d.分别计算C1、C2类的均值U1、U2;
e.计算C1、C2类间方差D1,2;
f.依次选取灰度阈值t,求取出使得方差D1,2最大的灰度阈值t;
(5)、裂缝参数的提取:
裂缝参数测量包括裂缝细化、毛刺剔除以及宽度计算;
1.裂缝细化:
裂缝的细化是为了得到骨架脊线,方法是:
①对于裂缝图像中的某一点,将消除模板与之匹配,若满足消除模板中的任意一个,则转至下步骤②,否则跳转至下步骤③;
②用保留模板与图像匹配:若满足保留模板中的任意一个,则保留该点,否则删除该点;
③保留该点,回至步骤①;
④不断重复步骤①、②、③,直至对一幅图中所有像素点扫描完毕,转至下步骤⑤;
⑤若前一次扫描中,有像素点被删除,表明裂缝未被进一步地细化,则程序回至步骤①,继续执行模板匹配;若没有点被删除,则细化结束后,得到裂缝的骨架图像;
2.毛刺剔除:
毛刺的剔除首先需要标记节点和端点、分支编码,然后通过设定阈值来滤除,方法是:
①标记节点和端点,在细化后的裂缝骨架图中取掩模依次滑过整幅图像,若至少有3个点与掩模的中心点相连,则该中心点即为节点,若只有一个点与中心点连接,则为端点;
②分支编码,从节点开始跟踪毛刺直至其端点,然后对各段分支进行编码,并计算毛刺长度LE;
③毛刺剔除,设定一个毛刺长度阈值TE,将低于毛刺长度阈值TE的毛刺去除末梢;
3.裂缝宽度计算:
①对于裂缝骨架图g(x,y)中的任意像素点i,提取两条法线L1和L2;
②计算法线L1和L2分别与原裂缝特征图像f(x,y)交点,得到一系列交点(x1,y1)、(x2,y2),…,(xr,yr),并构成两个集合A1={(xi,yi)|(xi,yi)∈L1}和A2={(xi,yi)|(xi,yi)∈L2};
x为裂缝图像像素点在X轴上的投影坐标,y为裂缝图像像素点在Y轴上的投影坐标,
f(x,y)为裂缝图像处理后的灰度值,取值范围为0到255;
③分别求两个集合中任意两元素的距离,其最大值即为法线与原裂缝特征边缘的交点,分别记为d1和d2;
④比较d1和d2的大小,取较大值作为裂缝在点i的宽度d(i),并存入宽度矩阵W,则W=[d(1),d(2),…,d(n)],其中n为裂缝骨架的像素点总数;
⑤求宽度矩阵W的最大值,得到桥梁裂缝的真实最大宽度dmax。
本发明方法科学,易操作,检测效果好,能够快速、精确地实现桥梁裂缝的鉴别,解决人工检测方法安全性低、劳动强度大、效率低下等问题,从而提高桥梁裂缝自动化检测水平,有效地保障了交通运输的畅通和安全,有显著的经济和社会效益。
附图说明
图1为本发明的设备安装状态图。
图2为本发明的工艺流程图。
图3为本发明算法的PR曲线和ROC曲线图。
图4为本发明的消除模板图。
图5为本发明的保留模板图。
具体实施方式
以下结合附图和具体情况对本发明的具体实施方式作详细说明。
本发明在具体实施中,一种桥梁质量检测中的裂缝检测方法,包括以下步骤:
(1)安装设备:
由图1所示,将检测车1行驶至桥梁2待检测区域上方,并在检测车1上安装向下的机械臂3,在机械臂3下部安装与桥梁待测部位10平行的直线轨道5,将直线轨道5固定在桥墩4上,将行走小车8安装在直线轨道5上,使行走小车8沿着直线导轨5进行往复运动,行走小车8与控制主机(另配,图中未显示)相连,将环形LED光源7、CCD相机6经垂直升降台9装在行走小车8上方,调整相机镜头与桥梁底面的距离,由控制主机实现行走小车的往复行走及定位;
将桥梁检测车行驶至待测区域上方,活动平衡重推出,支撑轮下降,工作装置起升,工作装置伸到桥外,工作平台下放,滑动桁架下降,工作平台向桥内回转,内平台伸出;
清除平台装配面的污物,将直线导轨平稳放在平台上,锁装配螺丝确认螺栓孔是否吻合,使用侧向固定螺丝,确定直线轨道5位置,锁装配螺丝确认螺栓孔是否吻合,并将导轨底部基准面固定于工作平台,依据上述步骤安装其余配对直线轨道;
将行走小车轻轻放置在直线轨道滑块上,不完全锁紧安装螺栓,通过止动螺丝将直线导轨滑块的基准侧与行走小车侧面基准面接触,使行走小车定位,全锁紧基准侧和从动侧的装配螺栓,完成安装;
伺服电机控制行走小车沿着直线导轨进行往复运动,通过MODBUS连接到控制主机;
将环形LED光源安装在CCD相机镜头底部,再将安装有环形LED光源的CCD相机固定在行走小车上方;
通过垂直升降台调整相机镜头与桥梁底面的距离,使相机与桥梁底面的距离控制在 180-220mm;
控制主机放置在控制柜,一方面通过MODBUS连接到伺服电机,从而控制电机参数调节、电机转速设定、电机速度获取、位置脉冲获取,最终实现行走小车定位控制;另外一方面通过以太网接口连接到CCD相机,实现图像的裂缝图像的采集;
(2)裂缝图像的采集:
a.启动桥梁检测车;
b.操控机械臂,将行走小车送入桥梁底部指定位置;
c.通过垂直升降台在垂直方向的运动,调整相机镜头与桥梁底面的距离,使相机与桥梁底面的距离控制在180-220mm;
d.通过控制主机设置行走小车在直线导轨行走的速度、停顿时间与方向,保证相机顺利连续地拍摄桥梁底面图像;
e.扫描完一趟后,桥梁检测车带着机械臂沿桥梁方向移动110mm,小车反向行走,继续拍摄相邻区域的图像,直到扫描整个行程;
f.拍摄完成,将采集的图像经以太网接口传给计算机,由此完成裂缝图像采集;
采集到的图像为真彩RGB图像,采用JPG格式,为后续图像处理与分析提供原始数据;
(3)、裂缝图像预处理:
裂缝与背景在图像中通常具备一定的区分度,但由于影像设备、外部环境以及桥面复杂的纹理,往往不能从中直接分离出目标裂缝,因此需对图像做一系列处理,应用图像检测算法,以实现裂缝特征的提取,整个裂缝图像处理包括图像预处理、分割、识别和分析;其中图像预处理作为目标检测的第一步,起着重要的作用,其目的是排除干扰物,更明显的突显目标与背景之间的对立关系,以此来为图像分割做准备,图像预处理包括图像灰度化、灰度级变换、图像滤波,包括以下步骤:
图像灰度化
针对获取的裂缝图像是真彩RGB图像,在检测裂缝过程中,只需要图像的亮度(灰度)值信息,而图像的颜色信息没有实质的用处,且会徒增计算量,利用式(1)将裂缝图像由真彩 RGB图像处理为灰度级图像:
f(x,y)=wRR(x,y)+wGG(x,y)+wBB(x,y)式(1)
x--裂缝图像像素点在X轴上的投影坐标;
y--裂缝图像像素点在Y轴上的投影坐标;
f(x,y)--裂缝图像处理后的灰度值,取值范围为0到255;
R(x,y)--原始裂缝图像的红原色分量值,取值范围为0到255;
G(x,y)--原始裂缝图像的绿原色分量值,取值范围为0到255;
B(x,y)--原始裂缝图像的蓝原色分量值,取值范围为0到255;
wR--原始裂缝图像的红原色分量值的权值,取值0.299;
wG--原始裂缝图像的绿原色分量值的权值,取值0.587;
wB--原始裂缝图像的蓝原色分量值的权值,取值0.114;
图像灰度级变换
通过设定好的阈值m,利用式子(2),将数值低于和高于该阈值的灰度分别压缩至两个区间内,从而实现裂缝图像的平衡光照、减弱背景干扰并增强目标裂缝:
S--输出图像的灰度值,取值范围为0到255;
r--输入图像的灰度值,取值范围为0到255;
m--设定的阈值,初始取值0.5;
E--用于控制函数的斜率,取值5;
对于灰度值低于m和高于m的像素所在的区间,对比度拉伸会分别将这些区间压缩至两个更窄的区间内,形成较暗和较亮的两个区域。因此输出的是一幅具有高对比度的图像。采用对比度拉伸变换后的图像,可见裂缝得到了明显的增强,同时,弱化了背景;
图像滤波
图像滤波的作用是滤除图像中噪声对应的波形并尽量保留图像细节特征完整,是图像预处理中必不可少的操作。图像滤波结果的质量对于后续图像检测和分析的可信度以及有效性有直接的影响。
对于裂缝图像f(x,y)内任意像素点(x,y),定义滤波模板W,利用式(3),计算输出图像 g(x,y):
g(x,y)=med{f(x-k,y-l),(k,l∈W)} 式(3)
g(x,y)--滤波后裂缝图像的灰度值,取值范围为0到255;
f(x,y)--滤波前裂缝图像的灰度值,取值范围为0到255;
med()--取中值运算;
W--滤波模板,采用3×3二维模板;
k--滤波模板X轴上的大小,取值3;
l--滤波模板Y轴上的大小,取值3;
x--像素点在X轴上的投影坐标;
y--像素点在Y轴上的投影坐标;
(4)、裂缝图像的分割
裂缝图像分割是将裂缝目标和图像背景区分出来,方法是:
利用式(4)计算灰度为i的像素的概率:
Pi=ni/N 式(4)
Pi--灰度为i的像素的概率;
ni--灰度为i的像素的个数;
N--图像中像素个数;
设灰度阈值为t,将图像灰度值分为两类C1,C2:
C1={1,2,...,t}
C2={t+1,t+2,...,L}
C1--灰度值在[1,t]间的像素的集合;
C2--灰度值在[t+1,L]间的像素的集合;
L--图像中的灰度级数,取值256;
t--设定的灰度阈值,取值范围[1,L];
利用式(5)和式(6),分别计算C1,C2类出现的概率W1,W2:
W1--C1类出现的概率;
W2--C2类出现的概率;
Pi--灰度为i的像素的概率;
L--图像中的灰度级数,取值256;
t--设定的灰度阈值,取值范围[1,L];
利用式(7)和式(8),分别计算C1,C2类的均值U1,U2:
U1--C1类的均值;
U2--C2类的均值;
W1--C1类出现的概率;
W2--C2类出现的概率;
Pi--灰度为i的像素的概率;
L--图像中的灰度级数,取值256;
t--设定的灰度阈值,取值范围[1,L];
利用式(9)计算C1,C2类间方差D1,2:
D1,2=W1W2(U2-U1)2 式(9)
D1,2--C1,C2类间方差D12;
U1--C1类的均值;
U2--C2类的均值;
W1--C1类出现的概率;
W2--C2类出现的概率;
在[1,L]范围内,依次选取t值,利用式(4)至式(9)进行计算,求取出使得D1,2最大的t值为135;
(5)、裂缝参数的提取:
由于裂缝宽度对于桥梁安全的影响最大且最直观,选择最大宽度dmax作为桥梁裂缝检测的关键参数,从而作为损伤程度的评价依据,裂缝参数测量包括:裂缝细化、毛刺剔除以及宽度计算;
裂缝细化
细化是将图像中的二值物体和形状减小为单个像素宽的线,裂缝的细化则是为了得到骨架脊线,去除自身其他因素的干扰,为裂缝参数计算作铺垫,方法是:
①对于裂缝图像中的某一点,将消除模板与之匹配,若满足图4(a)-(h)中的任意一个,则转至下步骤②,否则跳转至下步骤③;
②用图5的保留模板与图像匹配,若满足图4(a)、(b)和(c)中的任意一个,则保留该点; 否则删除该点;
③保留该点,回至步骤①;
④不断重复步骤①、②、③,直至对一幅图中所有像素点扫描完毕,转至步骤⑤;
⑤若前一次扫描中,有像素点被删除,表明裂缝未被进一步地细化,则程序回至步骤①,继续执行模板匹配;若没有点被删除,则细化结束后,得到裂缝的骨架图像;
毛刺剔除
骨骼化后的裂缝通常并不是一条单一的曲线,而是会在主干旁伴有许多较短的分支,这些分支就称作毛刺,其产生可能与裂缝宽度的突变或者是分割后图像本身存在的毛边相关,由于毛刺会严重影响裂缝宽度的计算,所以需将其剔除,毛刺的剔除首先需要标记节点和端点、分支编码,然后通过设定阈值来滤除,方法是:
①标记节点和端点:
毛刺始于骨架,与骨架相连,其交点就称为节点,而悬空的另一端则为端点,节点像素通常与三个像素点相邻,而与端点相邻的像素则只有一个,在细化后的裂缝骨架图中取3×3 的掩模依次滑过整幅图像,若至少有3个点与掩模的中心点相连,则该中心点即为节点,若只有一个点与中心点连接,则为端点;
②分支编码:
从节点开始跟踪毛刺直至其端点,记为E(x,y),然后对各段分支进行编码,并利用式(10) 计算毛刺长度LE:
LE--毛刺长度;
Eo--编号为偶数的链码个数;
Ej--编号为奇数的链码个数;
③毛刺剔除
结合桥梁裂缝本身和毛刺的特征分析,有分叉的裂缝,其分支要比骨架图中的毛刺长得多,因此只需设定一个适当的阈值TE,利用式子(11)将低于TE的毛刺去除末梢:
T--表示为毛刺的总个数;
裂缝宽度计算
在提取裂缝的骨架的基础上,根据骨架图中像素点的法线与原裂缝特征边缘的交点间的距离,来定义裂缝的宽度;
①对于裂缝骨架图g(x,y)中的任意像素点i,利用式(12)提取两条法线L1和L2:
(xi,yi)--骨架图像g(x,y)中的第i个像素点的坐标;
(X1,Y1)--经过点i的法线L1的坐标;
(X2,Y2)--经过点i的法线L2的坐标;
②计算法线L1和L2分别与原裂缝特征图像f(x,y)交点,得到一系列交点(x1,y1)、(x2,y2),…,(xr,yr),并构成两个集合A1={(xi,yi)|(xi,yi)∈L1}和A2={(xi,yi)|(xi,yi)∈L2};
③利用式(13)分别求两个集合中任意两元素的距离,其最大值即为法线与原裂缝特征边缘的交点,分别记为d1和d2,计算如下:
④比较d1和d2的大小,取较大值作为裂缝在点i的宽度d(i),并存入宽度矩阵W,则W=[d(1),d(2),…,d(n)],其中n为裂缝骨架的像素点总数;
⑤求宽度矩阵W的最大值,即得到桥梁裂缝的真实最大宽度dmax。
所述的CCD相机,德国映美精工业相机,型号DFK 23U274,最高分辨率1600×1200,像素尺寸4.4μm×4.4μm,传感器类型CCD,光学尺寸1/1.8",帧率20fps,感光度0.15lx。
所述的LED环形光源,东莞科麦视觉科技有限公司生产的直射环形光源,型号 KM-RND7040,发光角度90°,白色,电压12V,功率3W,内径40mm,外径70mm,厚度21mm。
所述的直线导轨,直线导轨主要作用为导向作用,在本发明中,选择的直线导轨采用上银科技股份有限公司生产的直线导轨滑块滑轨道,型号HGH25CA,直线导轨高度容许尺寸误差±0.1mm,宽度容许尺寸误差±0.1mm,成对高度相互误差0.02mm,成对宽度相互误差0.03mm。
所述的伺服电机,伺服电机驱动转动轴,转动轴驱动转轮,行走小车沿着导轨在一定的方向上平稳行走,通过程序控制小车的行走方向与速度。在本发明中,行走小车的运动控制器选择庸博(厦门)电气技术有限公司1KW通用伺服驱动器,具有通用MODBUS通讯,多种智能化的监视功能和精巧的操作面板,支持电机参数调节、电机转速设定、电机速度获取、位置脉冲获取、电机故障代码获取等功能。
所述的桥梁检测车,陕西汽车控股集团有限公司生产的桁架式桥梁检测车,型号SX5230JQJ,工作平台最大荷载800kg,平台前端最大荷载400kg,最大水平作业幅度22m,最大作业深度8.5m,第一回转旋转范围0~90°,第二回转旋转范围0~180°,最大跨越护栏高度4.2m,最大跨越人行道宽度3.2m。
所述的控制主机为台式计算机或笔记本式计算机。
由上述可以看出,本发明是将机器视觉技术、现代传感技术、数据分析处理技术、最优化计算技术等理论融合到桥梁质量检测之中。通过对被检测桥梁进行连续、稳定的裂缝图像获取的一种桥梁质量检测中的裂缝检测方法,以满足桥梁裂缝的科学检测,易操作,效果好,并经实地应用和实验,效果非常好,有关资料如下:
1.裂缝图像的获取及其预处理
利用本发明实施方式中的“设备安装”及“裂缝图像的采集”实施步骤,获取的裂缝图像是真彩RGB图像,利用本发明实施方式中的“裂缝图像预处理”实施步骤,得到灰度化处理后的裂缝图像,灰度级变换处理后的图像,滤波处理后的图像。
2.裂缝图像的识别
利用本发明实施方式中的“裂缝图像的分割”实施步骤,得到分割处理后的图像。利用本发明实施方式中的“裂缝参数的提取”实施步骤,得到裂缝最大宽度。
3.识别方法的执行时间
算法执行的快慢是衡量其优劣的重要指标。试验中,选取30幅采集到的大小一致的图像,运用本发明中的算法进行测试并计时,其结果如表1所示。
表1不同图像的运行时间
由表1可以看出,本发明方法能够实现对裂缝图像的分割,并且运行时间短,对幅面大小一样的不同图像,消耗时间相差不大。说明该方法可行、高效、稳定。
4.识别方法的性能分析
无论采用何种算法进行分割,在以大量图像为基础的试验中,测试结果都夹杂噪声或者未能完全提取所有裂缝像素。本发明通过绘制PR曲线(查准率-查全率曲线)和ROC曲线来评价裂缝图像的分割质量。将本发明方法分割结果的PR曲线和ROC曲线作比较,其结果如图 3所示。
在图3(a)中,本发明算法的PR曲线非常接近右上方,尤其在查全率(Recall)较高时(0.7-1), 其精确率(Precision)也较高。而在图3(b)中,本发明算法的ROC曲线也明显更偏左上,即当假阳性率(FPR)较低时(0-0.3),真阳性率(TPR)更高,此时检测出裂缝像素的比例最大。通过计算可知,本发明算法的PR曲线和ROC曲线下面积达到90.7%和91.4%,表明其去噪能力强、分割效果好,可准确检测桥梁裂缝,并进行及时维修,确保桥梁交通安全、畅通,是桥梁安全上的创新,有显著的经济和社会效益。
Claims (2)
1.一种桥梁质量检测中的裂缝检测方法,其特征在于,包括以下步骤:
(1)、安装设备:
将检测车行驶至桥梁待检测区域上方,并在检测车上安装向下的机械臂,在机械臂下部安装与桥梁待测部位平行的直线轨道,将直线轨道固定在桥墩上,将行走小车安装在直线轨道上,使行走小车沿着直线导轨进行往复运动,行走小车与控制主机相连,将环形LED光源、CCD相机经垂直升降台装在行走小车上方,调整相机镜头与桥梁底面的距离,由控制主机实现行走小车的往复行走及定位;
(2)、裂缝图像的采集:
启动桥梁检测车,操控机械臂,将行走小车送入桥梁底部待测部位下方,通过垂直升降台,调整CCD相机镜头与桥梁底面的距离,由控制主机控制行走小车,连续地拍摄桥梁底面的图像,,拍摄完一趟后,检测车沿桥梁方向移动一段距离,继续拍摄相邻区域的图像,直至待测部位拍摄完,将采集的图像传给控制主机计算机,完成裂缝图像采集;
(3)、裂缝图像预处理:
图像预处理包括对图像灰度化、灰度级变换、图像滤波的处理,方法是:
图像灰度化:获取的裂缝图像是真彩RGB图像,在检测裂缝过程中,只需要图像的亮度(灰度)值信息,因此,利用灰度处理技术将裂缝图像由真彩RGB图像处理为灰度级图像;
图像灰度级变换:通过设定阈值,利用灰度变换方法,将数值低于和高于该阈值的灰度分别压缩至两个区间内,从而实现裂缝图像的平衡光照、减弱背景干扰并增强目标裂缝;
图像滤波:图像滤波的作用是滤除图像中噪声对应的波形并尽量保留图像细节特征完整,图像质量对于后续图像检测和分析的可信度以及有效性有直接的影响,利用滤波模板对裂缝图像进行滤波处理;
(4)、裂缝图像的鉴别:
裂缝图像分割是将裂缝目标和图像背景区分出来,以鉴别裂缝,方法是:
a.计算灰度为i的像素的概率;
b.设灰度阈值为t,将图像灰度值分为两类C1、C2;
c.分别计算C1、C2类出现的概率W1、W2;
d.分别计算C1、C2类的均值U1、U2;
e.计算C1、C2类间方差D1,2;
f.依次选取灰度阈值t,求取出使得方差D1,2最大的灰度阈值t;
(5)、裂缝参数的提取:
裂缝参数测量包括裂缝细化、毛刺剔除以及宽度计算;
1).裂缝细化:
裂缝的细化是为了得到骨架脊线,方法是:
①对于裂缝图像中的某一点,将消除模板与之匹配,若满足消除模板中的任意一个,则转至下步骤②,否则跳转至下步骤③;
②用保留模板与图像匹配:若满足保留模板中的任意一个,则保留该点,否则删除该点;
③保留该点,回至步骤①;
④不断重复步骤①、②、③,直至对一幅图中所有像素点扫描完毕,转至下步骤⑤;
⑤若前一次扫描中,有像素点被删除,表明裂缝未被进一步地细化,则程序回至步骤①,继续执行模板匹配;若没有点被删除,则细化结束后,得到裂缝的骨架图像;
2).毛刺剔除:
毛刺的剔除首先需要标记节点和端点、分支编码,然后通过设定阈值来滤除,方法是:
①标记节点和端点,在细化后的裂缝骨架图中取掩模依次滑过整幅图像,若至少有3个点与掩模的中心点相连,则该中心点即为节点,若只有一个点与中心点连接,则为端点;
②分支编码,从节点开始跟踪毛刺直至其端点,然后对各段分支进行编码,并计算毛刺长度LE;
③毛刺剔除,设定一个毛刺长度阈值TE,将低于毛刺长度阈值TE的毛刺去除末梢;
3).裂缝宽度计算:
①对于裂缝骨架图g(x,y)中的任意像素点i,提取两条法线L1和L2;
②计算法线L1和L2分别与原裂缝特征图像f(x,y)交点,得到一系列交点(x1,y1)、(x2,y2),…,(xr,yr),并构成两个集合A1={(xi,yi)|(xi,yi)∈L1}和A2={(xi,yi)|(xi,yi)∈L2};
x为裂缝图像像素点在X轴上的投影坐标,y为裂缝图像像素点在Y轴上的投影坐标,
f(x,y)为裂缝图像处理后的灰度值,取值范围为0到255;
③分别求两个集合中任意两元素的距离,其最大值即为法线与原裂缝特征边缘的交点,分别记为d1和d2;
④比较d1和d2的大小,取较大值作为裂缝在点i的宽度d(i),并存入宽度矩阵W,则W=[d(1),d(2),…,d(n)],其中n为裂缝骨架的像素点总数;
⑤求宽度矩阵W的最大值,得到桥梁裂缝的真实最大宽度dmax。
2.根据权利要求1所述的桥梁质量检测中的裂缝检测方法,其特征在于,包括以下步骤:
(1)安装设备:
将检测车(1)行驶至桥梁(2)待检测区域上方,并在检测车(1)上安装向下的机械臂(3),在机械臂(3)下部安装与桥梁待测部位(10)平行的直线轨道(5),将直线轨道(5)固定在桥墩(4)上,将行走小车(8)安装在直线轨道(5)上,使行走小车(8)沿着直线导轨(5)进行往复运动,行走小车(8)与控制主机相连,将环形LED光源(7)、CCD相机(6)经垂直升降台(9)装在行走小车(8)上方,调整相机镜头与桥梁底面的距离,由控制主机实现行走小车的往复行走及定位;
将桥梁检测车行驶至待测区域上方,活动平衡重推出,支撑轮下降,工作装置起升,工作装置伸到桥外,工作平台下放,滑动桁架下降,工作平台向桥内回转,内平台伸出;
清除平台装配面的污物,将直线导轨平稳放在平台上,锁装配螺丝确认螺栓孔是否吻合,使用侧向固定螺丝,确定直线轨道5位置,锁装配螺丝确认螺栓孔是否吻合,并将导轨底部基准面固定于工作平台,依据上述步骤安装其余配对直线轨道;
将行走小车轻轻放置在直线轨道滑块上,不完全锁紧安装螺栓,通过止动螺丝将直线导轨滑块的基准侧与行走小车侧面基准面接触,使行走小车定位,全锁紧基准侧和从动侧的装配螺栓,完成安装;
伺服电机控制行走小车沿着直线导轨进行往复运动,通过MODBUS连接到控制主机;
将环形LED光源安装在CCD相机镜头底部,再将安装有环形LED光源的CCD相机固定在行走小车上方;
通过垂直升降台调整相机镜头与桥梁底面的距离,使相机与桥梁底面的距离控制在180-220mm;
控制主机放置在控制柜,一方面通过MODBUS连接到伺服电机,从而控制电机参数调节、电机转速设定、电机速度获取、位置脉冲获取,最终实现行走小车定位控制;另外一方面通过以太网接口连接到CCD相机,实现图像的裂缝图像的采集;
(2)裂缝图像的采集:
a.启动桥梁检测车;
b.操控机械臂,将行走小车送入桥梁底部指定位置;
c.通过垂直升降台在垂直方向的运动,调整相机镜头与桥梁底面的距离,使相机与桥梁底面的距离控制在180-220mm;
d.通过控制主机设置行走小车在直线导轨行走的速度、停顿时间与方向,保证相机顺利连续地拍摄桥梁底面图像;
e.扫描完一趟后,桥梁检测车带着机械臂沿桥梁方向移动110mm,小车反向行走,继续拍摄相邻区域的图像,直到扫描整个行程;
f.拍摄完成,将采集的图像经以太网接口传给计算机,由此完成裂缝图像采集;
采集到的图像为真彩RGB图像,采用JPG格式,为后续图像处理与分析提供原始数据;
(3)、裂缝图像预处理:
裂缝与背景在图像中通常具备一定的区分度,但由于影像设备、外部环境以及桥面复杂的纹理,往往不能从中直接分离出目标裂缝,因此需对图像做一系列处理,应用图像检测算法,以实现裂缝特征的提取,整个裂缝图像处理包括图像预处理、分割、识别和分析;其中图像预处理作为目标检测的第一步,起着重要的作用,其目的是排除干扰物,更明显的突显目标与背景之间的对立关系,以此来为图像分割做准备,图像预处理包括图像灰度化、灰度级变换、图像滤波,包括以下步骤:
图像灰度化
针对获取的裂缝图像是真彩RGB图像,在检测裂缝过程中,只需要图像的亮度(灰度)值信息,而图像的颜色信息没有实质的用处,且会徒增计算量,利用式(1)将裂缝图像由真彩RGB图像处理为灰度级图像:
f(x,y)=wRR(x,y)+wGG(x,y)+wBB(x,y) 式(1)
x--裂缝图像像素点在X轴上的投影坐标;
y--裂缝图像像素点在Y轴上的投影坐标;
f(x,y)--裂缝图像处理后的灰度值,取值范围为0到255;
R(x,y)--原始裂缝图像的红原色分量值,取值范围为0到255;
G(x,y)--原始裂缝图像的绿原色分量值,取值范围为0到255;
B(x,y)--原始裂缝图像的蓝原色分量值,取值范围为0到255;
wR--原始裂缝图像的红原色分量值的权值,取值0.299;
wG--原始裂缝图像的绿原色分量值的权值,取值0.587;
wB--原始裂缝图像的蓝原色分量值的权值,取值0.114;
图像灰度级变换
通过设定好的阈值m,利用式子(2),将数值低于和高于该阈值的灰度分别压缩至两个区间内,从而实现裂缝图像的平衡光照、减弱背景干扰并增强目标裂缝:
S--输出图像的灰度值,取值范围为0到255;
r--输入图像的灰度值,取值范围为0到255;
m--设定的阈值,初始取值0.5;
E--用于控制函数的斜率,取值5;
对于灰度值低于m和高于m的像素所在的区间,对比度拉伸会分别将这些区间压缩至两个更窄的区间内,形成较暗和较亮的两个区域。因此输出的是一幅具有高对比度的图像。采用对比度拉伸变换后的图像,可见裂缝得到了明显的增强,同时,弱化了背景;
图像滤波
图像滤波的作用是滤除图像中噪声对应的波形并尽量保留图像细节特征完整,是图像预处理中必不可少的操作。图像滤波结果的质量对于后续图像检测和分析的可信度以及有效性有直接的影响。
对于裂缝图像f(x,y)内任意像素点(x,y),定义滤波模板W,利用式(3),计算输出图像g(x,y):
g(x,y)=med{f(x-k,y-l),(k,l∈W)} 式(3)
g(x,y)--滤波后裂缝图像的灰度值,取值范围为0到255;
f(x,y)--滤波前裂缝图像的灰度值,取值范围为0到255;
med()--取中值运算;
W--滤波模板,采用3×3二维模板;
k--滤波模板X轴上的大小,取值3;
l--滤波模板Y轴上的大小,取值3;
x--像素点在X轴上的投影坐标;
y--像素点在Y轴上的投影坐标;
(4)、裂缝图像的分割
裂缝图像分割是将裂缝目标和图像背景区分出来,方法是:
利用式(4)计算灰度为i的像素的概率:
Pi=ni/N 式(4)
Pi--灰度为i的像素的概率;
ni--灰度为i的像素的个数;
N--图像中像素个数;
设灰度阈值为t,将图像灰度值分为两类C1,C2:
C1={1,2,...,t}
C2={t+1,t+2,...,L}
C1--灰度值在[1,t]间的像素的集合;
C2--灰度值在[t+1,L]间的像素的集合;
L--图像中的灰度级数,取值256;
t--设定的灰度阈值,取值范围[1,L];
利用式(5)和式(6),分别计算C1,C2类出现的概率W1,W2:
W1--C1类出现的概率;
W2--C2类出现的概率;
Pi--灰度为i的像素的概率;
L--图像中的灰度级数,取值256;
t--设定的灰度阈值,取值范围[1,L];
利用式(7)和式(8),分别计算C1,C2类的均值U1,U2:
U1--C1类的均值;
U2--C2类的均值;
W1--C1类出现的概率;
W2--C2类出现的概率;
Pi--灰度为i的像素的概率;
L--图像中的灰度级数,取值256;
t--设定的灰度阈值,取值范围[1,L];
利用式(9)计算C1,C2类间方差D1,2:
D1,2=W1W2(U2-U1)2 式(9)
D1,2--C1,C2类间方差D12;
U1--C1类的均值;
U2--C2类的均值;
W1--C1类出现的概率;
W2--C2类出现的概率;
在[1,L]范围内,依次选取t值,利用式(4)至式(9)进行计算,求取出使得D1,2最大的t值为135;
(5)、裂缝参数的提取:
由于裂缝宽度对于桥梁安全的影响最大且最直观,选择最大宽度dmax作为桥梁裂缝检测的关键参数,从而作为损伤程度的评价依据,裂缝参数测量包括:裂缝细化、毛刺剔除以及宽度计算;
裂缝细化
细化是将图像中的二值物体和形状减小为单个像素宽的线,裂缝的细化则是为了得到骨架脊线,去除自身其他因素的干扰,为裂缝参数计算作铺垫,方法是:
对于裂缝图像中的某一点,将消除模板与之匹配,若前一次扫描中,有像素点被删除,表明裂缝未被进一步地细化,继续执行模板匹配;若没有点被删除,则细化结束后,得到裂缝的骨架图像;
毛刺剔除
骨骼化后的裂缝通常并不是一条单一的曲线,而是会在主干旁伴有许多较短的分支,这些分支就称作毛刺,其产生可能与裂缝宽度的突变或者是分割后图像本身存在的毛边相关,由于毛刺会严重影响裂缝宽度的计算,所以需将其剔除,毛刺的剔除首先需要标记节点和端点、分支编码,然后通过设定阈值来滤除,方法是:
①标记节点和端点:
毛刺始于骨架,与骨架相连,其交点就称为节点,而悬空的另一端则为端点,节点像素通常与三个像素点相邻,而与端点相邻的像素则只有一个,在细化后的裂缝骨架图中取3×3 的掩模依次滑过整幅图像,若至少有3个点与掩模的中心点相连,则该中心点即为节点,若只有一个点与中心点连接,则为端点;
②分支编码:
从节点开始跟踪毛刺直至其端点,记为E(x,y),然后对各段分支进行编码,并利用式(10)计算毛刺长度LE:
LE--毛刺长度;
Eo--编号为偶数的链码个数;
Ej--编号为奇数的链码个数;
③毛刺剔除
结合桥梁裂缝本身和毛刺的特征分析,有分叉的裂缝,其分支要比骨架图中的毛刺长得多,因此只需设定一个适当的阈值TE,利用式子(11)将低于TE的毛刺去除末梢:
T--表示为毛刺的总个数;
裂缝宽度计算
在提取裂缝的骨架的基础上,根据骨架图中像素点的法线与原裂缝特征边缘的交点间的距离,来定义裂缝的宽度;
①对于裂缝骨架图g(x,y)中的任意像素点i,利用式(12)提取两条法线L1和L2:
(xi,yi)--骨架图像g(x,y)中的第i个像素点的坐标;
(X1,Y1)--经过点i的法线L1的坐标;
(X2,Y2)--经过点i的法线L2的坐标;
②计算法线L1和L2分别与原裂缝特征图像f(x,y)交点,得到一系列交点(x1,y1)、(x2,y2),…,(xr,yr),并构成两个集合A1={(xi,yi)|(xi,yi)∈L1}和A2={(xi,yi)|(xi,yi)∈L2};
③利用式(13)分别求两个集合中任意两元素的距离,其最大值即为法线与原裂缝特征边缘的交点,分别记为d1和d2,计算如下:
④比较d1和d2的大小,取较大值作为裂缝在点i的宽度d(i),并存入宽度矩阵W,则W=[d(1),d(2),…,d(n)],其中n为裂缝骨架的像素点总数;
⑤求宽度矩阵W的最大值,即得到桥梁裂缝的真实最大宽度dmax。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910062696.3A CN109580657B (zh) | 2019-01-23 | 2019-01-23 | 一种桥梁质量检测中的裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910062696.3A CN109580657B (zh) | 2019-01-23 | 2019-01-23 | 一种桥梁质量检测中的裂缝检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109580657A true CN109580657A (zh) | 2019-04-05 |
CN109580657B CN109580657B (zh) | 2021-08-20 |
Family
ID=65917019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910062696.3A Active CN109580657B (zh) | 2019-01-23 | 2019-01-23 | 一种桥梁质量检测中的裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109580657B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109946318A (zh) * | 2019-04-23 | 2019-06-28 | 上海理工大学 | 一种桥梁底面裂纹检测***和检测方法 |
CN110108211A (zh) * | 2019-04-17 | 2019-08-09 | 福建省永正工程质量检测有限公司 | 一种检测桥梁底面的裂缝宽度测量装置 |
CN110163843A (zh) * | 2019-04-16 | 2019-08-23 | 江苏大学 | 一种基于图像采集的楼板钢筋工程辅助验收方法 |
CN110222609A (zh) * | 2019-05-24 | 2019-09-10 | 江西理工大学 | 一种基于图像处理的墙体裂缝智能识别方法 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN110533713A (zh) * | 2019-07-10 | 2019-12-03 | 湖南交工智能技术有限公司 | 桥梁裂缝宽度高精度测量方法及测量装置 |
CN110838113A (zh) * | 2019-11-08 | 2020-02-25 | 南京大学金陵学院 | 一种对复丝合成中单丝计数和单丝粗细一致性的检测方法 |
CN111272764A (zh) * | 2020-01-22 | 2020-06-12 | 哈尔滨工业大学 | 大型智能临时平台非接触图像识别移动管控***及方法 |
CN112485262A (zh) * | 2020-12-22 | 2021-03-12 | 常州信息职业技术学院 | 一种混凝土表观裂缝宽度及其扩展演化的检测方法及装置 |
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 |
CN112784626A (zh) * | 2019-11-04 | 2021-05-11 | 解晗 | 基于移动终端的更换需求现场触发装置 |
CN113358659A (zh) * | 2021-04-25 | 2021-09-07 | 上海工程技术大学 | 一种用于高铁箱梁裂缝自动化检测的相机阵列式成像方法 |
CN113592861A (zh) * | 2021-09-27 | 2021-11-02 | 江苏中云筑智慧运维研究院有限公司 | 一种基于动态阈值的桥梁裂缝检测方法 |
CN113607052A (zh) * | 2021-08-09 | 2021-11-05 | 中铁北京工程局集团有限公司 | 一种市政桥梁工程的桥梁裂缝测量装置及方法 |
CN113610060A (zh) * | 2021-09-29 | 2021-11-05 | 北京雷图科技有限公司 | 一种结构体裂缝亚像素检测方法 |
CN114111602A (zh) * | 2021-11-22 | 2022-03-01 | 招商局重庆交通科研设计院有限公司 | 一种基于图像技术的桥梁表面裂缝宽度计算方法 |
CN114820671A (zh) * | 2022-04-11 | 2022-07-29 | 苏州大学 | 一种用于货运铁路无人驾驶的轨道限界识别方法 |
CN114998313A (zh) * | 2022-07-18 | 2022-09-02 | 山东海鑫达石油机械有限公司 | 基于视觉定位的流体输送管管口毛刺识别定位方法 |
CN115584682A (zh) * | 2022-11-10 | 2023-01-10 | 诸暨市天辰钢结构工程有限公司 | 一种桥梁裂缝检测装置及其检测方法 |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN116071387A (zh) * | 2023-03-06 | 2023-05-05 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于机器视觉的枕轨生产质量检测方法 |
CN116958138A (zh) * | 2023-09-19 | 2023-10-27 | 河南省建筑质量监督检验中心有限公司 | 一种用于桥梁检测的取样控制方法、***、设备及介质 |
CN117079062A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于路面裂缝分析方法的动静态影响参数分析方法 |
CN117388277A (zh) * | 2023-12-08 | 2024-01-12 | 江苏现代工程检测有限公司 | 一种桥梁裂缝检测装置 |
CN117404072A (zh) * | 2023-12-15 | 2024-01-16 | 山东新云鹏电气有限公司 | 一种基于人工智能的钻场管理*** |
CN117451769A (zh) * | 2023-12-19 | 2024-01-26 | 四川省水利科学研究院 | 一种堆石混凝土施工质量检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008020426A (ja) * | 2006-07-11 | 2008-01-31 | Teikoku Sekkei Jimusho:Kk | 車載型遠隔点検装置 |
CN101713167A (zh) * | 2009-10-23 | 2010-05-26 | 周劲宇 | 桥梁结构健康监测车 |
CN202383079U (zh) * | 2011-12-15 | 2012-08-15 | 华中科技大学 | 一种桥梁底面裂缝检测装置 |
CN105719259A (zh) * | 2016-02-19 | 2016-06-29 | 上海理工大学 | 路面裂缝图像检测方法 |
CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
CN107642036A (zh) * | 2017-09-11 | 2018-01-30 | 中交第公路勘察设计研究院有限公司 | 桥梁快速可视化检测装置及其***和方法 |
CN108802061A (zh) * | 2018-07-27 | 2018-11-13 | 北京华横新技术开发公司 | 一种桥梁裂纹检测装置 |
-
2019
- 2019-01-23 CN CN201910062696.3A patent/CN109580657B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008020426A (ja) * | 2006-07-11 | 2008-01-31 | Teikoku Sekkei Jimusho:Kk | 車載型遠隔点検装置 |
CN101713167A (zh) * | 2009-10-23 | 2010-05-26 | 周劲宇 | 桥梁结构健康监测车 |
CN202383079U (zh) * | 2011-12-15 | 2012-08-15 | 华中科技大学 | 一种桥梁底面裂缝检测装置 |
CN105719259A (zh) * | 2016-02-19 | 2016-06-29 | 上海理工大学 | 路面裂缝图像检测方法 |
CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
CN107642036A (zh) * | 2017-09-11 | 2018-01-30 | 中交第公路勘察设计研究院有限公司 | 桥梁快速可视化检测装置及其***和方法 |
CN108802061A (zh) * | 2018-07-27 | 2018-11-13 | 北京华横新技术开发公司 | 一种桥梁裂纹检测装置 |
Non-Patent Citations (3)
Title |
---|
陆玲等: "《数字图像处理》", 30 June 2007, 中国电力出版社 * |
陈勇主编: "《变电站交流回流智能检验***设计与实现》", 31 December 2015, 吉林人民出版社 * |
高泰: "隧道裂缝图像采集与检测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163843A (zh) * | 2019-04-16 | 2019-08-23 | 江苏大学 | 一种基于图像采集的楼板钢筋工程辅助验收方法 |
CN110108211A (zh) * | 2019-04-17 | 2019-08-09 | 福建省永正工程质量检测有限公司 | 一种检测桥梁底面的裂缝宽度测量装置 |
CN109946318A (zh) * | 2019-04-23 | 2019-06-28 | 上海理工大学 | 一种桥梁底面裂纹检测***和检测方法 |
CN109946318B (zh) * | 2019-04-23 | 2021-08-17 | 上海理工大学 | 一种桥梁底面裂纹检测***和检测方法 |
CN110222609A (zh) * | 2019-05-24 | 2019-09-10 | 江西理工大学 | 一种基于图像处理的墙体裂缝智能识别方法 |
CN110378879A (zh) * | 2019-06-26 | 2019-10-25 | 杭州电子科技大学 | 一种桥梁裂缝检测方法 |
CN110533713A (zh) * | 2019-07-10 | 2019-12-03 | 湖南交工智能技术有限公司 | 桥梁裂缝宽度高精度测量方法及测量装置 |
CN112784626A (zh) * | 2019-11-04 | 2021-05-11 | 解晗 | 基于移动终端的更换需求现场触发装置 |
CN112784626B (zh) * | 2019-11-04 | 2022-07-01 | 广东新星源智能信息科技有限公司 | 基于移动终端的更换需求现场触发装置 |
CN110838113A (zh) * | 2019-11-08 | 2020-02-25 | 南京大学金陵学院 | 一种对复丝合成中单丝计数和单丝粗细一致性的检测方法 |
CN110838113B (zh) * | 2019-11-08 | 2022-03-04 | 南京大学金陵学院 | 一种对复丝合成中单丝计数和单丝粗细一致性的检测方法 |
CN111272764A (zh) * | 2020-01-22 | 2020-06-12 | 哈尔滨工业大学 | 大型智能临时平台非接触图像识别移动管控***及方法 |
CN111272764B (zh) * | 2020-01-22 | 2023-04-28 | 哈尔滨工业大学 | 大型智能临时平台非接触图像识别移动管控***及方法 |
CN112485262A (zh) * | 2020-12-22 | 2021-03-12 | 常州信息职业技术学院 | 一种混凝土表观裂缝宽度及其扩展演化的检测方法及装置 |
CN112485262B (zh) * | 2020-12-22 | 2023-08-11 | 常州信息职业技术学院 | 一种混凝土表观裂缝宽度及其扩展演化的检测方法及装置 |
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 |
CN113358659A (zh) * | 2021-04-25 | 2021-09-07 | 上海工程技术大学 | 一种用于高铁箱梁裂缝自动化检测的相机阵列式成像方法 |
CN113358659B (zh) * | 2021-04-25 | 2022-07-19 | 上海工程技术大学 | 一种用于高铁箱梁裂缝自动化检测的相机阵列式成像方法 |
CN113607052A (zh) * | 2021-08-09 | 2021-11-05 | 中铁北京工程局集团有限公司 | 一种市政桥梁工程的桥梁裂缝测量装置及方法 |
CN113592861A (zh) * | 2021-09-27 | 2021-11-02 | 江苏中云筑智慧运维研究院有限公司 | 一种基于动态阈值的桥梁裂缝检测方法 |
CN113610060A (zh) * | 2021-09-29 | 2021-11-05 | 北京雷图科技有限公司 | 一种结构体裂缝亚像素检测方法 |
CN114111602A (zh) * | 2021-11-22 | 2022-03-01 | 招商局重庆交通科研设计院有限公司 | 一种基于图像技术的桥梁表面裂缝宽度计算方法 |
CN114820671A (zh) * | 2022-04-11 | 2022-07-29 | 苏州大学 | 一种用于货运铁路无人驾驶的轨道限界识别方法 |
CN114998313A (zh) * | 2022-07-18 | 2022-09-02 | 山东海鑫达石油机械有限公司 | 基于视觉定位的流体输送管管口毛刺识别定位方法 |
CN114998313B (zh) * | 2022-07-18 | 2022-10-21 | 山东海鑫达石油机械有限公司 | 基于视觉定位的流体输送管管口毛刺识别定位方法 |
CN115584682A (zh) * | 2022-11-10 | 2023-01-10 | 诸暨市天辰钢结构工程有限公司 | 一种桥梁裂缝检测装置及其检测方法 |
CN116071387A (zh) * | 2023-03-06 | 2023-05-05 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于机器视觉的枕轨生产质量检测方法 |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN116958138A (zh) * | 2023-09-19 | 2023-10-27 | 河南省建筑质量监督检验中心有限公司 | 一种用于桥梁检测的取样控制方法、***、设备及介质 |
CN116958138B (zh) * | 2023-09-19 | 2023-12-19 | 河南省建筑质量监督检验中心有限公司 | 一种用于桥梁检测的取样控制方法、***、设备及介质 |
CN117079062A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于路面裂缝分析方法的动静态影响参数分析方法 |
CN117079062B (zh) * | 2023-10-17 | 2023-12-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于路面裂缝分析方法的动静态影响参数分析方法 |
CN117388277A (zh) * | 2023-12-08 | 2024-01-12 | 江苏现代工程检测有限公司 | 一种桥梁裂缝检测装置 |
CN117388277B (zh) * | 2023-12-08 | 2024-02-06 | 江苏现代工程检测有限公司 | 一种桥梁裂缝检测装置 |
CN117404072A (zh) * | 2023-12-15 | 2024-01-16 | 山东新云鹏电气有限公司 | 一种基于人工智能的钻场管理*** |
CN117404072B (zh) * | 2023-12-15 | 2024-02-23 | 山东新云鹏电气有限公司 | 一种基于人工智能的钻场管理*** |
CN117451769A (zh) * | 2023-12-19 | 2024-01-26 | 四川省水利科学研究院 | 一种堆石混凝土施工质量检测方法 |
CN117451769B (zh) * | 2023-12-19 | 2024-03-15 | 四川省水利科学研究院 | 一种堆石混凝土施工质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109580657B (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109580657A (zh) | 一种桥梁质量检测中的裂缝检测方法 | |
CN109754368A (zh) | 一种桥梁质量检测中的裂缝拼接方法 | |
CN103839268B (zh) | 一种地铁隧道表面裂缝的检测方法 | |
WO2023045299A1 (zh) | 基于三维轮廓的路面技术状况检测方法及设备 | |
CN105158257B (zh) | 滑板测量方法及装置 | |
CN111476767B (zh) | 一种基于异源图像融合的高铁扣件缺陷识别方法 | |
CN104504388A (zh) | 一种路面裂缝识别和特征提取算法及*** | |
CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及*** | |
CN107478176A (zh) | 一种受电弓损耗检测方法及*** | |
CN107527067A (zh) | 一种基于探地雷达的铁路路基病害智能识别方法 | |
CN104535356A (zh) | 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及*** | |
CN105608429B (zh) | 基于差分激励的鲁棒车道线检测方法 | |
CN105404874B (zh) | 一种基于投影和hough直线检测的车窗识别*** | |
CN109059775B (zh) | 具有图像边缘提取步骤的钢轨磨耗检测方法 | |
CN103837087B (zh) | 基于主动形状模型的受电弓自动检测方法 | |
CN102297660A (zh) | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 | |
CN103440657B (zh) | 一种在线道路裂缝筛查方法 | |
CN109506628A (zh) | 一种基于深度学习的卡车环境下目标物测距方法 | |
CN103279765A (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN109859170A (zh) | 一种基于lbp特征的钢丝绳表面损伤智能监测方法及*** | |
CN106546185A (zh) | 一种基于机器视觉检测的轮廓质量检测方法 | |
CN106803245A (zh) | 基于探地雷达周期性检测的铁路路基状态评估方法 | |
CN115082849A (zh) | 基于深度学习的模板支架安全智能监测方法 | |
CN107610094B (zh) | 基于椭球立体表征的裂缝三维检测方法 |
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 |