CN110517255A - 基于吸引子模型的浅裂缝检出方法 - Google Patents
基于吸引子模型的浅裂缝检出方法 Download PDFInfo
- Publication number
- CN110517255A CN110517255A CN201910811228.1A CN201910811228A CN110517255A CN 110517255 A CN110517255 A CN 110517255A CN 201910811228 A CN201910811228 A CN 201910811228A CN 110517255 A CN110517255 A CN 110517255A
- Authority
- CN
- China
- Prior art keywords
- fracture
- shallow
- shallow fracture
- attracting
- crack
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 244000181917 Rubus leucodermis Species 0.000 claims 1
- 235000011036 Rubus leucodermis Nutrition 0.000 claims 1
- 235000003942 Rubus occidentalis Nutrition 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本专利名称为“基于吸引子模型的浅裂缝检出方法”,属于计算机视觉、图像处理领域。裂缝是混凝土结构中最常见的缺陷或损伤现象,严重的裂缝可能危害结构的整体性和稳定性,所以裂缝的检出工作十分必要。本专利提出了一种利用图像处理对裂缝进行检出的方法,特别是针对浅裂缝检出,本专利提出了一种基于吸引子模型的浅裂缝检出算法,将各个像素点假设为一个矢量,并作为一个吸引子,然后根据它们之间的吸引度大小,两两匹配,得到多组吸引子;接着确定每一组吸引子之间的矩形区域,并在原图中相应的矩形区域做图像处理,最后通过拼接得到最终的浅裂缝骨架图。本发明能达到的效果包括:清晰、准确的找出浅裂缝所在的位置并显示,无需人工干预。
Description
技术领域
本发明涉及一种针对建筑物上浅裂缝的检出方法,属于计算机视觉领域和图像处理领域。
背景技术
裂缝是混凝土结构中最常见的缺陷或损伤现象,严重的裂缝可能危害结构的整体性和稳定性,所以裂缝的检测工作十分必要。人工对裂缝的发现和定位可以达到很高的准确度,但是这样费时费力;而当前裂缝检测的图像处理算法在面对建筑物上深浅不同的裂缝时,为保证检测效果,常常是针对整体图像处理,而这种整体理通常使得浅裂缝无法检测或者检测后显示不全,如针对图1所示的裂缝图,为保证检测效果,整体处理图像后裂缝检测图如图2所示。图3和图4分别为提取图1右下角的浅裂缝图和提取图2右下角的整体处理后的裂缝检测图。通过对比图3和图4,可以看出这种整体处理对浅裂缝的检出并不是很有效。所以针对浅裂缝的检出,本专利提出了一种基于吸引子模型的检出方法,能够清晰、准确的检测出浅裂缝。
针对浅裂缝的检测,本专利提出了一种基于吸引子模型的浅裂缝检出算法,在获得整体处理后的裂缝骨架图之后,将其上各个像素点假设为一个矢量,并且每一个像素点作为一个吸引子;然后根据它们的方向和吸引度大小,两两匹配,确定每一对吸引子;接着提取每一对吸引子之间的一个矩形区域,并在原图中相应的矩形区域降低阈值,直至出现裂缝骨架为止;最后通过拼接得到最终的浅裂缝骨架图。
发明内容
本发明的目的在于解决整体处理建筑物图像时图像上的浅裂缝无法检测或显示不全的问题。为了解决这些问题,本专利以图像处理为主要的技术手段,提出了一种基于吸引子模型的浅裂缝检出方法。该流程包括:首先对整体裂缝图做图像处理工作,包括灰度化、顶帽变换、阈值化、提取骨架图;接着提取显示不全的浅裂缝区域,运用吸引子算法得到浅裂缝区域中的各对吸引子;然后确定每一对吸引子之间的一个矩形区域,并在原图中相应位置降低二值化的阈值,直到该矩形区域中出现裂缝为止;最后拼接每一次处理后的结果,得到浅裂缝骨架图。
本发明能达到的效果包括:清晰、准确的找出浅裂缝所在的位置并显示,无需人工干预。
附图说明
图1裂缝原始图
图2整体裂缝检测图
图3裂缝原始图右下角的浅裂缝图
图4裂缝原始图右下角的浅裂缝检测图
图5像素点八邻域窗口图
图6像素点方向区域图
图7确定矩形区域原理图
图8迭代过程中的浅裂缝检测图
图9迭代过程中的浅裂缝检测图
图10最终的浅裂缝检测图
具体实施方式
一、吸引子算法
通过前期的图像处理,已经得到裂缝图的整体检测图,并通过提取右下角的区域,得到了检测不全的浅裂缝检测图,如图4所示。针对图4,提出吸引子算法,其步骤如下:
1、确定像素点的种类
本步骤主要目的是对图4的像素点进行分类,以便确定吸引子对,分类依据是像素点八邻域窗口存在的像素点像素值为255的个数。假设t(i,j)是图像在坐标(i,j)处的像素值,将t(i,j)的八邻域窗口记为W,像素点八邻域窗口图如图5所示,W包含(Z1,Z2,...,Z8)八个像素点。若t(i,j)为255,则如果t(i,j)的八邻域窗口中像素值为255的像素点个数为零,则把像素点(i,j)定义为一个“孤立点”;如果t(i,j)的八邻域窗口中像素值为255的像素点个数为一,则把像素点(i,j)定义为一个“端点”;如果t(i,j)的八邻域窗口中像素值为255的像素点个数为两个或者更多,则把像素点(i,j)定义为一个“连接点”。按照以上的规则对图4的像素点进行分类,并利用堆栈的方法保存这三类的像素点,而每个像素点又被定义成一个吸引子,所以本步骤定义了吸引子的全部种类。
2、确定吸引子的大小和方向
本步骤的主要目的是为每一类吸引子确定大小和方向。首先确定吸引子的方向,对于“孤立点”,本专利中将其方向定义为任意方向;对于“端点”,本专利将其方向定义为其八邻域中存在的唯一的像素点的反向延长线的方向;对于“连接点”,本专利定义它们没有方向。其次确定吸引子的大小,对于“端点”和“连接点”,本专利将它们的大小类似于磁力球磁力的大小,磁力球的磁力与和它相连的磁力球多少有关,与它相连的磁力球越多,则它的磁力就越大,类似的,本专利通过确定一个吸引子前面有多少吸引子与它相连来确定吸引子的大小;而对于“连接点”,本专利定义其大小为零。
3、确定吸引子对
本步骤的主要目的是确定吸引子对。前面的步骤已经分类并保存了所有的有效吸引子,接下来两两比较这些吸引子来确定每一对吸引子。对于“端点”和“连接点”,本专利首先是为每个吸引子确定一个扇区,其中扇区的方向与吸引子的方向一致,扇区的延伸长度则由吸引子的大小决定,吸引子越大,则扇区的延伸长度越长,而经过实验论证,本专利采用(-15°,15°)的扇区角度,如图5所示,如果两个吸引子的扇区有交集则将这两个吸引子配对。而对于“连接点”,其本身没有大小和方向,所以它们不参与配对,只是在确定吸引子的大小时起到重要作用。本专利采用堆栈的方法对这些吸引子进行两两对比操作,当某两个吸引子点被确定为一对吸引子后,则在堆栈中删除这两个吸引子的数据,再依次处理,最终确定出吸引子对。
二、根据吸引子对处理裂缝图并得到浅裂缝骨架图
两个吸引子能够配对就说明这两个吸引子之间存在潜在的浅裂缝,所以本步骤主要针对这些吸引子对,确定每一对吸引子之间的矩形区域,并在原始裂缝图中的相应矩形区域改变阈值直到矩形区域内出现裂缝骨架线为止。矩形区域的示意图如图7所示,矩形区域的选取原则是以一对吸引子的两个吸引子坐标为端点,其长和宽分别为两吸引子横纵坐标之差的绝对值。对所有的吸引子对进行以上的操作,得到若干个矩形区域;然后在原图中相应的矩形区域降低阈值,直至区域内出现裂缝骨架;接着对这些矩形区域进行拼接,得到浅裂缝骨架图。
只处理一次显然不能达到很好的效果,所以本专利采用迭代的思想来提高实验效果。将处理后的检测图作为输入继续进行上述的吸引子算法处理,达到设定的迭代次数则输出最终的裂缝检测图。图8、图9分别为去除无关的干扰点后迭代过程中的浅裂缝检测图。图10为最终的浅裂缝检测图。与原始裂缝图对比,可以看出,本专利提出的像素吸引子算法清晰、准确的显示了浅裂缝的骨架图,解决了整体处理无法检测或者检测不全的浅裂缝的问题。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (3)
1.基于吸引子模型的浅裂缝检出方法,其特征在于利用图像处理的方法对建筑物上的裂缝进行检测,并全自动的定位和显示这些裂缝,无需人工干预,可操作性强;能够清晰、准确的定位裂缝。
2.根据权利要求1所述的基于吸引子模型的浅裂缝检出方法,其特征是,针对浅裂缝检测,本专利提出了一种基于吸引子模型的浅裂缝检出算法,通过人为制定规则,计算像素点之间的吸引度,发现和定位浅裂缝并显示。
3.根据权利要求1所述的基于吸引子模型的浅裂缝检出方法,其特征是,包含以下的处理流程:对裂缝图片进行全局灰度化、对灰度化后的图像做顶帽变换和黑帽变换、设定阈值提取裂缝骨架图、利用吸引子算法对浅裂缝处理,显示浅裂缝条纹的骨架图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910811228.1A CN110517255A (zh) | 2019-08-29 | 2019-08-29 | 基于吸引子模型的浅裂缝检出方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910811228.1A CN110517255A (zh) | 2019-08-29 | 2019-08-29 | 基于吸引子模型的浅裂缝检出方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110517255A true CN110517255A (zh) | 2019-11-29 |
Family
ID=68629326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910811228.1A Pending CN110517255A (zh) | 2019-08-29 | 2019-08-29 | 基于吸引子模型的浅裂缝检出方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517255A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013020142A2 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack detection |
CN104992429A (zh) * | 2015-04-23 | 2015-10-21 | 北京宇航时代科技发展有限公司 | 一种基于图像局部增强的山体裂缝检测方法 |
CN106652023A (zh) * | 2016-12-13 | 2017-05-10 | 华中科技大学 | 一种大规模无序图像快速运动恢复结构的方法及*** |
EP3321882A1 (en) * | 2016-11-10 | 2018-05-16 | Ricoh Company, Ltd. | Matching cost computation method and device |
CN108168439A (zh) * | 2017-12-29 | 2018-06-15 | 北京理工大学 | 基于亚像素的裂缝宽度检测关键技术 |
CN108898080A (zh) * | 2018-06-19 | 2018-11-27 | 广西大学 | 一种基于山脊线邻域评价模型的裂缝连接方法 |
US20190107497A1 (en) * | 2017-07-12 | 2019-04-11 | Inlevel Gmbh | Device and method for optical monitoring of surfaces of an object |
-
2019
- 2019-08-29 CN CN201910811228.1A patent/CN110517255A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013020142A2 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack detection |
CN104992429A (zh) * | 2015-04-23 | 2015-10-21 | 北京宇航时代科技发展有限公司 | 一种基于图像局部增强的山体裂缝检测方法 |
EP3321882A1 (en) * | 2016-11-10 | 2018-05-16 | Ricoh Company, Ltd. | Matching cost computation method and device |
CN106652023A (zh) * | 2016-12-13 | 2017-05-10 | 华中科技大学 | 一种大规模无序图像快速运动恢复结构的方法及*** |
US20190107497A1 (en) * | 2017-07-12 | 2019-04-11 | Inlevel Gmbh | Device and method for optical monitoring of surfaces of an object |
CN108168439A (zh) * | 2017-12-29 | 2018-06-15 | 北京理工大学 | 基于亚像素的裂缝宽度检测关键技术 |
CN108898080A (zh) * | 2018-06-19 | 2018-11-27 | 广西大学 | 一种基于山脊线邻域评价模型的裂缝连接方法 |
Non-Patent Citations (2)
Title |
---|
J. RYUE 等: "The detection of cracks in beams using chaotic excitations", 《HTTP://ENGINEERING.NYU.EDU/MECHATRONICS/CONTROL_LAB/BCK/VKAPILA/CHAOTIC%20REF/PORFIRI"S/SHARE/SCARICATI-09-27-2007/SDARTICLE1.PDF》 * |
刘永强 等: "基于非线性激光超声的微裂纹检测及定位", 《振动、测试与诊断》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
CN110678901B (zh) | 信息处理设备、信息处理方法和计算机可读存储介质 | |
CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
WO2016062159A1 (zh) | 图像匹配方法及手机应用测试平台 | |
CN106250902A (zh) | 基于图像特征模板匹配的电力***开关状态检测方法 | |
CN109858325B (zh) | 一种表格检测方法和装置 | |
CN107808386A (zh) | 一种基于图像语义分割的海天线检测方法 | |
CN104794421A (zh) | 一种qr码定位及识别方法 | |
CN111126253A (zh) | 基于图像识别的刀闸状态检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN113487721B (zh) | 一种基于三维点云的预制构件自动化识别方法 | |
CN109946304A (zh) | 基于特征匹配的零件表面缺陷在线检测***及检测方法 | |
CN109712071A (zh) | 基于航迹约束的无人机图像拼接与定位方法 | |
CN111915509B (zh) | 基于图像处理去阴影优化的保护压板状态辨识方法 | |
CN106022337B (zh) | 一种基于连续边缘特征的平面目标检测方法 | |
CN105678737A (zh) | 一种基于Radon变换的数字图像角点检测方法 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN105118069B (zh) | 一种复杂环境直线检测和筛选方法及应用该方法的机器人 | |
CN104751487A (zh) | 一种基于彩色rgb三平面色变帧差的运动目标检测方法 | |
CN109948570A (zh) | 一种用于动态环境下的无人机实时检测方法 | |
CN113673515A (zh) | 一种计算机视觉目标检测算法 | |
CN105740818A (zh) | 一种应用于增强现实的人工标志检测方法 | |
CN110517255A (zh) | 基于吸引子模型的浅裂缝检出方法 | |
CN105574841A (zh) | 一种基于颜色的图像分割方法及装置 | |
CN116958837A (zh) | 基于无人机的市政设施故障检测*** |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191129 |
|
WD01 | Invention patent application deemed withdrawn after publication |