CN111242851A - 一种混凝土结构表面裂缝检测方法及*** - Google Patents
一种混凝土结构表面裂缝检测方法及*** Download PDFInfo
- Publication number
- CN111242851A CN111242851A CN202010276561.XA CN202010276561A CN111242851A CN 111242851 A CN111242851 A CN 111242851A CN 202010276561 A CN202010276561 A CN 202010276561A CN 111242851 A CN111242851 A CN 111242851A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- fused
- calculating
- coordinate
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000009466 transformation Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 8
- 230000007774 longterm Effects 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 20
- 238000012544 monitoring process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 239000013589 supplement Substances 0.000 description 7
- 230000001413 cellular effect Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 241000264877 Hippospongia communis Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开一种混凝土结构表面裂缝检测方法及***,涉及混凝土裂缝检测技术领域。该方法包括:获取工业相机拍摄的待测混凝土结构表面多个区域的区域图像;对区域图像进行拼接融合处理,得到全景图像;利用基于渗流模型的裂缝检测算法对全景图像进行裂缝检测,得到全景图像中的裂缝;计算裂缝的坐标、宽度和长度,并存储。本发明采用工业相机待测混凝土结构表面的区域图像,实现对结构表面一定区域范围内裂缝宽度、长度及分布的远程、长期检测,利用低分辨率的工业相机采集的区域图像,利用基于渗流模型的裂缝检测算法对全景图像进行裂缝检测,能够检测出大于1/5个像素大小的细微裂缝,极大地提升了裂缝检测分辨率。
Description
技术领域
本发明涉及混凝土裂缝检测技术领域,特别是涉及一种混凝土结构表面裂缝检测方法及***。
背景技术
在混凝土结构病害的裂缝、蜂窝、麻面和坑穴等几种方式中,裂缝是破坏较为严重、威胁较大的一种。以桥梁结构为例,相关文献数据表明,因为裂缝导致混凝土结构桥梁破损的占破损桥梁总数的90%以上。裂缝对混凝土桥梁的危害很大,特别容易造成桥梁坍塌等安全事故。基于此,人们越来越重视对于桥梁裂缝的定期检测与维护等工作。
最传统的检测桥梁裂缝的方法是人工检测,但人工检测方式很容易受人的主观因素影响,测量的结果不稳定,精度和效率都很低。对于人工无法触及的地方,还需配置桥梁作业检测车。桥梁检测作业车不仅费用大,而且检测效率低。
目前基于图像的裂缝检测方法主要是基于整像素级别的处理过程,无法识别出亚像素级别的细微裂缝,检测精度低。有些裂缝检测方法虽然可以对裂缝的边缘进行亚像素定位,裂缝宽度检测精度也可以达到亚像素的水平,但该方法仅适用宽度较大的裂缝。若裂缝宽度小于1个像素,该方法将无法识别出裂缝或即使能够识别出裂缝,裂缝宽度的检测结果也变得不稳定。因此现有检测裂缝的方法存在适应性和检测精度低的问题。
发明内容
本发明的目的是提供一种混凝土结构表面裂缝检测方法及***,解决了现有检测裂缝的方法适应性和检测精度低的问题。
为实现上述目的,本发明提供了如下方案:
一种混凝土结构表面裂缝检测方法,包括:
获取工业相机拍摄的待测混凝土结构表面多个区域的区域图像;所述待测混凝土结构表面相邻区域的区域图像有部分图像重叠;
对所述区域图像进行拼接融合处理,得到全景图像;
利用基于渗流模型的裂缝检测算法对所述全景图像进行裂缝检测,得到所述全景图像中的裂缝;
计算所述裂缝的坐标、宽度和长度,并存储所述裂缝的坐标、宽度和长度。
可选的,所述对所述区域图像进行拼接融合处理,得到全景图像,具体包括:
采用单尺度Retinex算法对所述区域图像进行图像增强处理,得到增强区域图像;
将所述待测混凝土结构表面任一区域的增强区域图像作为第一待融合图像;
将与所述第一待融合图像相邻区域的增强区域图像作为第二待融合图像;
采用尺度不变特征变换算法提取所述第一待融合图像和所述第二待融合图像的重叠部分的重叠像素点中的公共特征点,得到所述公共特征点分别在所述第一待融合图像的第一坐标和在所述第二待融合图像的第二坐标;每个所述增强区域图像均包括重叠像素点以及剩余像素点;
根据所述第一坐标和所述第二坐标建立坐标变换模型;
利用所述坐标变换模型计算所述第二待融合图像的剩余像素点在所述第一待融合图像的坐标系的坐标,以及利用直接平均法计算所述重叠像素点的灰度值,得到拼接融合图像A’;
将所述拼接融合图像A’替换所述第一待融合图像,并返回“将与所述第一待融合图像相邻区域的增强区域图像作为第二待融合图像”,遍历所有所述增强区域图像,得到全景图像。
可选的,所述利用基于渗流模型的裂缝检测算法对所述全景图像进行裂缝检测,得到所述全景图像中的裂缝,具体包括:
利用基于渗流模型的裂缝检测算法抽取所述全景图像中的裂缝,得到裂缝图像;
对所述裂缝图像进行膨胀处理,得到膨胀图像和所述膨胀图像中的裂缝区域;
采用细化算法对所述膨胀图像进行细化处理,提取所述裂缝区域中的裂缝骨架,得到裂缝骨架、裂缝骨架像素点和细化图像;
根据所述细化图像进行灰度值合并,将所述膨胀图像中的非裂缝骨架像素点的灰度值均匀的添加到与所述非裂缝骨架像素点相邻的裂缝骨架像素点,得到裂缝骨架图像和裂缝骨架像素点的灰度合并值;
根据所述裂缝骨架图像计算裂缝的起点、终点和分叉点,得到所述全景图像中的裂缝,并存储所述裂缝的起点、终点和分叉点。
可选的,所述计算所述裂缝的坐标、宽度和长度,并存储所述裂缝的坐标、宽度和长度,具体包括:
计算所述裂缝区域的质心,所述裂缝区域的质心的坐标为所述裂缝的坐标;
获取多条裂缝标准线,和所述裂缝标准线的标准宽度;
对所述裂缝标准线依次进行膨胀处理、细化处理和灰度值合并,得到所述裂缝标准线每个像素点的合并灰度值;
计算所有所述合并灰度值的平均值,将所述平均值确定为所述裂缝标准线的灰度合并值;
利用所述标准宽度和所述裂缝标准线的灰度合并值,通过直线拟合计算得到裂缝标定系数;
利用所述裂缝骨架像素点的灰度合并值和所述裂缝标定系数,计算得到所述裂缝的宽度;
利用所述裂缝骨架像素点和所述裂缝标定系数,计算得到所述裂缝的长度;
存储所述坐标、所述宽度、所述长度和所述裂缝。
一种混凝土结构表面裂缝检测***,包括:
区域图像模块,用于获取工业相机拍摄的待测混凝土结构表面多个区域的区域图像;所述待测混凝土结构表面相邻区域的区域图像有部分图像重叠;
全景图像模块,用于对所述区域图像进行拼接融合处理,得到全景图像;
裂缝模块,用于利用基于渗流模型的裂缝检测算法对所述全景图像进行裂缝检测,得到所述全景图像中的裂缝;
计算模块,用于计算所述裂缝的坐标、宽度和长度,并存储所述裂缝的坐标、宽度和长度。
可选的,所述全景图像模块,具体包括:
增强单元,用于采用单尺度Retinex算法对所述区域图像进行图像增强处理,得到增强区域图像;
第一待融合图像单元,用于将所述待测混凝土结构表面任一区域的增强区域图像作为第一待融合图像;
第二待融合图像单元,用于将与所述第一待融合图像相邻区域的增强区域图像作为第二待融合图像;
公共特征点单元,用于采用尺度不变特征变换算法提取所述第一待融合图像和所述第二待融合图像的重叠部分的重叠像素点中的公共特征点,得到所述公共特征点分别在所述第一待融合图像的第一坐标和在所述第二待融合图像的第二坐标;每个所述增强区域图像均包括重叠像素点以及剩余像素点;
坐标变换模型单元,用于根据所述第一坐标和所述第二坐标建立坐标变换模型;
拼接融合图像单元,用于利用所述坐标变换模型计算所述第二待融合图像的剩余像素点在所述第一待融合图像的坐标系的坐标,以及利用直接平均法计算所述重叠像素点的灰度值,得到拼接融合图像A’;
全景图像单元,用于将所述拼接融合图像A’替换所述第一待融合图像,并执行第二待融合图像单元,遍历所有所述增强区域图像,得到全景图像。
可选的,所述裂缝模块,具体包括:
裂缝图像单元,用于利用基于渗流模型的裂缝检测算法抽取所述全景图像中的裂缝,得到裂缝图像;
膨胀单元,用于对所述裂缝图像进行膨胀处理,得到膨胀图像和所述膨胀图像中的裂缝区域;
细化单元,用于采用细化算法对所述膨胀图像进行细化处理,提取所述裂缝区域中的裂缝骨架,得到裂缝骨架、裂缝骨架像素点和细化图像;
合并单元,用于根据所述细化图像进行灰度值合并,将所述膨胀图像中的非裂缝骨架像素点的灰度值均匀的添加到与所述非裂缝骨架像素点相邻的裂缝骨架像素点,得到裂缝骨架图像和裂缝骨架像素点的灰度合并值;
计算单元,用于根据所述裂缝骨架图像计算裂缝的起点、终点和分叉点,得到所述全景图像中的裂缝,并存储所述裂缝的起点、终点和分叉点。
可选的,所述计算模块,具体包括:
坐标单元,用于计算所述裂缝区域的质心,所述裂缝区域的质心的坐标为所述裂缝的坐标;
标准宽度单元,用于获取多条裂缝标准线,和所述裂缝标准线的标准宽度;
合并灰度值单元,用于对所述裂缝标准线依次进行膨胀处理、细化处理和灰度值合并,得到所述裂缝标准线每个像素点的合并灰度值;
灰度合并值单元,用于计算所有所述合并灰度值的平均值,将所述平均值确定为所述裂缝标准线的灰度合并值;
裂缝标定系数单元,用于利用所述标准宽度和所述裂缝标准线的灰度合并值,通过直线拟合计算得到裂缝标定系数;
宽度单元,用于利用所述裂缝骨架像素点的灰度合并值和所述裂缝标定系数,计算得到所述裂缝的宽度;
长度单元,用于利用所述裂缝骨架像素点和所述裂缝标定系数,计算得到所述裂缝的长度;
存储单元,用于存储所述坐标、所述宽度、所述长度和所述裂缝。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种混凝土结构表面裂缝检测方法及***。该方法包括:获取工业相机拍摄的待测混凝土结构表面多个区域的区域图像;待测混凝土结构表面相邻区域的区域图像有部分图像重叠;对区域图像进行拼接融合处理,得到全景图像;利用基于渗流模型的裂缝检测算法对全景图像进行裂缝检测,得到全景图像中的裂缝;计算裂缝的坐标、宽度和长度,并存储裂缝的坐标、宽度和长度。本发明采用工业相机获取待测混凝土结构表面的区域图像,实现对结构表面一定区域范围内裂缝宽度、长度及分布的远程、长期检测,利用低分辨率的工业相机采集的区域图像,利用基于渗流模型的裂缝检测算法对全景图像进行裂缝检测,能够检测出大于1/5个像素大小的细微裂缝,极大地提升了裂缝检测分辨率;同时利用较低分辨率的工业相机实现高精度的裂缝宽度识别,大大降低了裂缝检测的成本,适用于桥梁、隧道、大坝以及建筑物等混凝土结构裂缝由萌生、扩展到危及结构安全的全过程检测和预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明实施例所提供的混凝土结构表面裂缝检测方法的流程图;
图2为本发明实施例所提供的灰度值合并示意图;
图3为本发明实施例所提供的裂缝骨架图像;
图4为本发明实施例所提供的裂缝标准线示意图;
图5为本发明实施例所提供的混凝土结构表面裂缝检测装置的结构图;
图6为本发明实施例所提供的现场图像采集分析子装置的结构图;
图7为本发明实施例所提供的混凝土结构表面裂缝检测***的***图。
其中,1、现场图像采集分析子装置;2、4G基站;3、4G蜂窝网络;4、因特网;5、监测中心;6、补光灯;7、嵌入式工控机;8、二维电动云台;9、4G无线数据远传模块;10、工业相机;20、电源模块;11、第一裂缝;12、第二裂缝;13、第三裂缝。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种混凝土结构表面裂缝检测方法及***,解决了现有检测裂缝的方法适应性和检测精度低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例提供一种混凝土结构表面裂缝检测方法,图1为本发明实施例所提供的混凝土结构表面裂缝检测方法的流程图。参见图1,混凝土结构表面裂缝检测方法包括:
步骤101,获取工业相机拍摄的待测混凝土结构表面多个区域的区域图像;待测混凝土结构表面相邻区域的区域图像有部分图像重叠。区域的数量为N个,区域图像的数量为N个,优选的两个相邻区域图像的重叠面积至少为区域图像面积的1/4。
步骤102,对区域图像进行拼接融合处理,得到全景图像。本实施例为了保证检测分辨率,待测混凝土结构表面的区域范围为2m×2m,拼接融合处理得到的全景图像为不大于4平方米的待测混凝土结构表面图像。
步骤102具体包括:采用单尺度Retinex(Single Scale Retinex,SSR)算法对区域图像进行图像增强处理,得到增强区域图像。SSR算法去除了区域图像中的照度分量,以减少光照不匀对检测精度造成的影响。
将待测混凝土结构表面任一区域的增强区域图像作为第一待融合图像。
将与第一待融合图像相邻区域的增强区域图像作为第二待融合图像。
采用尺度不变特征变换算法(Scale-invariant feature transform,SIFT算法)提取第一待融合图像和第二待融合图像的重叠部分的重叠像素点中的公共特征点,得到公共特征点分别在第一待融合图像的第一坐标和在第二待融合图像的第二坐标;每个增强区域图像均包括重叠部分和非重叠部分,重叠部分的像素点为重叠像素点,剩余像素点为增强区域图像中除重叠像素点以外的像素点,即每个增强区域图像均包括重叠像素点以及剩余像素点,公共特征点为SIFT算法提取的任意两个相邻区域的增强区域图像重叠像素点中的特征像素点。以第1个区域的增强区域图像A1和第2个区域的增强区域图像A2为例进行说明:采用SIFT算法分别提取增强区域图像A1和增强区域图像A2的重叠部分的公共特征点T1、T2、…、Tj,j表示公共特征点的数量,公共特征点在增强区域图像A1中的第一坐标为(x 1,y 1)、(x 2,y 2)、…、(x j,y j),公共特征点在增强区域图像A2中的第二坐标为、、…、。
根据第一坐标和第二坐标建立坐标变换模型。具体包括:
根据第一坐标和第二坐标采用公式(1)建立坐标变换模型:
将坐标(x 1,y 1)、(x 2,y 2)、…、(x j,y j)和、、…、分别代入公式(1)中,可得方程组,采用列文伯格-马夸尔特(Levenberg-Marquardt,L-M)方法求解对方程组进行求解,计算得到m i (i=0,1,…,7)的值,根据m i (i=0,1,…,7)的值得到建立的坐标变换模型。
利用坐标变换模型计算第二待融合图像的剩余像素点在第一待融合图像的坐标系的坐标,以及利用直接平均法计算重叠像素点的灰度值,得到拼接融合图像A’。具体包括:
根据建立的坐标变换模型,将第二待融合图像中的剩余像素点的坐标转换为第一待融合图像坐标系中的坐标,利用直接平均法将第二待融合图像中重叠像素点的灰度值与第一待融合图像中重叠像素点的灰度值进行平均得到重叠像素点的灰度值,进而得到拼接融合图像A’。直接平均法进行融合的原理是:对两幅图像的灰度值直接相加除以2得到拼接融合图像的灰度值。重叠像素点和剩余像素点的坐标为像素点在增强区域图像中的位置,增强区域图像的坐标系根据像素点的位置进行建立。
将拼接融合图像A’替换第一待融合图像,并返回“将与第一待融合图像相邻区域的增强区域图像作为第二待融合图像”,遍历所有增强区域图像,将所有增强区域图像进行拼接融合,得到全景图像。具体为将增强区域图像A1与增强区域图像A2拼接融合为拼接融合图像A’后,将拼接融合图像A’与第3个区域的增强区域图像A3进行拼接融合,用拼接融合图像A’与增强区域图像A3拼接融合的图像替换更新拼接融合图像A’,此时更新后的拼接融合图像A’的内容包括增强区域图像A1、增强区域图像A2和增强区域图像A3的所有内容,再用更新后的拼接融合图像A’与第4个区域的增强区域图像A4进行拼接融合,依次类推直至将所有增强区域图像拼接融合为全景图像。第1个区域和第2个区域为相邻的两个区域,第3个区域与第1个区域(或第2个区域)为相邻的两个区域,第4个区域与第1个区域(或第2个区域或第3个区域)为相邻的两个区域。
步骤103,利用基于渗流模型的裂缝检测算法对全景图像进行裂缝检测,得到全景图像中的裂缝。
步骤103具体包括:利用基于渗流模型的裂缝检测算法抽取全景图像中的裂缝,得到裂缝图像。
对裂缝图像进行膨胀处理,得到膨胀图像和膨胀图像中的裂缝区域。具体为:
利用3×3模板扫描裂缝图像中的每一个像素点,将3×3模板与3×3模板覆盖的像素点做或计算,得到每个像素点膨胀后的像素点,根据每个像素点膨胀后的像素点得到膨胀图像。膨胀后的像素点的值为0或1。3×3模板为3像素×3像素的区域,对3×3模板中的9个像素点做或计算,得到每个像素点膨胀后的像素点:P = P1 || P2 || P3 || P4 || P5 ||P6 || P7 || P8 || P9。其中P表示膨胀后的像素点,P1、P2、P3、P4、P5、P6、P7、P8、P9分别表示3×3模板中的9个像素点,膨胀处理使得每个裂缝区域扩大一圈,以补偿在裂缝抽取过程中有些细微裂缝或较大裂缝边缘像素点的丢失。
采用细化算法对膨胀图像中的裂缝区域进行细化处理,提取裂缝区域中的裂缝骨架,得到裂缝骨架、裂缝骨架像素点和细化图像。具体包括:
采用细化算法提取膨胀图像中每个裂缝区域的骨架,得到裂缝骨架像素点,删除非裂缝骨架像素点,得到裂缝骨架、裂缝骨架像素点和细化处理后的细化图像。裂缝骨架为裂缝的中轴线。该中轴线上的每个位置只有一个像素宽度。
根据细化图像进行灰度值合并,将膨胀图像中的裂缝区域的非裂缝骨架像素点的灰度值均匀的添加到与非裂缝骨架像素点相邻的裂缝骨架像素点,得到裂缝骨架图像和裂缝骨架像素点的灰度合并值。具体包括:
根据细化图像中的裂缝骨架和膨胀图像中的裂缝区域,利用3×3模板扫描全景图像中每个裂缝区域内的每个非裂缝骨架像素点,得到非裂缝骨架像素点的灰度值,并将非裂缝骨架像素点的灰度值均匀分散到与非裂缝骨架像素点的相邻的裂缝骨架像素点上,得到裂缝骨架像素点的灰度合并值和裂缝骨架图像。图2为本发明实施例所提供的灰度值合并示意图,参见图2,将非裂缝骨架像素点P5的灰度值均匀分散到相邻的裂缝骨架像素点P6、P7、P8和P9上,灰度值合并之前,像素点P5、P6、P7、P8、P9的灰度值分别为120、180、70、100、200;灰度值合并之后,像素点P5、P6、P7、P8、P9的灰度值分别为0、210、100、130、230。P1、P2、P3、P4、P5、P6、P7、P8、P9分别表示3×3模板中的9个像素点,进行灰度值合并时3×3模板以非裂缝骨架像素点为中心点。
根据裂缝骨架图像计算裂缝的起点、终点和分叉点,得到全景图像中的裂缝,并存储裂缝的起点、终点和分叉点。具体为将裂缝的起点、终点和分叉点存储至裂缝数据库。计算分叉点的方法如下:利用3×3模板扫描细化图像,判断被扫描的9个像素点中值为1的像素点数量,若值为1的像素点数量大于4,则被扫描的9个像素点对应区域的中心点的像素点为分叉点。图3为本发明实施例所提供的裂缝骨架图像,以图3为例说明,参见图3,第一裂缝11的起点为像素点A,终点为像素点B;第二裂缝12的起点为像素点B,终点为像素点C;第三裂缝13的起点为像素点B,终点为像素点D。以像素点B为中心点的3×3模板中,值为1的像素点数量大于4,所以像素点B为分叉点。计算起点或终点的方法如下:沿着裂缝骨架像素点,用3×3模板扫描细化图像,若被扫描的9个像素点中值为1的像素点数量为1,则该像素点为起点或终点;每条裂缝会有两个值为1的像素点,其中一个定义为起点,另一个就定义为终点。
步骤104,计算裂缝的坐标、宽度和长度,并存储裂缝的坐标、宽度和长度。
步骤104具体包括:
计算裂缝区域的质心,裂缝区域的质心的坐标为裂缝的坐标。本实施例中计算膨胀图像中裂缝区域的质心,质心在膨胀图像中的坐标(xc,yc)为裂缝坐标。
获取多条裂缝标准线,和裂缝标准线的标准宽度:将裂缝标定标准线贴于待测混凝土结构表面。图4为本发明实施例所提供的裂缝标准线示意图,本实施例的裂缝标定标准线为15条,裂缝标定标准线参见图4,图4中各条裂缝标准线的标准宽度分别为a1=0.05mm、a2=0.06mm、a3=0.07mm、a4=0.08mm、a5=0.09mm、a6=0.1mm、a7=0.2mm、a8=0.3mm、a9=0.4mm、a10=0.5mm、a11=0.6mm、a12=0.7mm、a13=0.8mm、a14=0.9mm、a15=1.00mm,长度均为40mm。获取工业相机拍摄的多条裂缝标准线的图像。
对裂缝标准线依次进行膨胀处理、细化处理和灰度值合并,得到裂缝标准线每个像素点的合并灰度值。具体为:对拍摄的包括多条裂缝标准线的图像依次进行膨胀处理、细化处理和灰度值合并,得到每条裂缝标准线每个像素点的合并灰度值。
计算所有合并灰度值的平均值,将平均值确定为裂缝标准线的灰度合并值;具体为:计算一条裂缝标准线所有合并灰度值的平均值,将平均值确定为该条裂缝标准线的灰度合并值,并根据上述步骤计算得到所有裂缝标准线的灰度合并值,本实施例中15条裂缝标准线的灰度合并值为b1、b2、…、b15。
利用标准宽度和裂缝标准线的灰度合并值,通过直线拟合计算得到裂缝标定系数。具体为:将每条裂缝标准线的标准宽度与对应裂缝标准线的灰度合并值组成一组数据,得到(a1,b1)、(a2,b2)、…、(a15,b15)共15组数据,将15组数据根据公式(2)进行直线拟合,得到直线的斜率,即裂缝标定系数k。
a=kb (2);
公式(2)中,a表示标准宽度;k表示裂缝标定系数;b表示裂缝标准线的灰度合并值。裂缝标准线只是用来标定k值,即用来直线拟合;裂缝标准线的数量越多,用于直线拟合的数据也就越多,拟合出来的裂缝标定系数k也就越精确。
利用裂缝骨架像素点的灰度合并值和裂缝标定系数,计算得到裂缝的宽度。宽度=裂缝骨架像素点的灰度合并值*裂缝标定系数k,通过每个裂缝骨架像素点的灰度合并值分别乘以裂缝标定系数k可以得到裂缝上每个裂缝骨架像素点所处位置的宽度,进而可以得到裂缝不同位置的宽度。
利用裂缝骨架像素点和裂缝标定系数,计算得到裂缝的长度。裂缝长度=裂缝骨架像素点总数*裂缝标定系数k,一条裂缝的长度等于该裂缝的裂缝骨架中像素点的总数与裂缝标定系数的乘积。
存储坐标、宽度、长度和裂缝。具体为:坐标、宽度、长度、裂缝的起点、裂缝的终点和裂缝的分叉点存储至裂缝数据库。
本实施例的混凝土结构表面裂缝检测方法可以用于监测混凝土结构表面的裂缝是否有扩展或混凝土结构表面是否有新生裂缝,具体包括:
更新工业相机拍摄的待测混凝土结构表面多个区域的区域图像,根据混凝土结构表面裂缝检测方法更新裂缝,更新的裂缝包括裂缝的坐标、宽度和长度。
将更新的裂缝与裂缝数据库中存储的裂缝进行比较,判断裂缝是否扩展或是否有新生裂缝,具体包括:
将更新的裂缝与存储的裂缝进行匹配,得到与更新的裂缝对应的存储的裂缝。
将所更新的裂缝的宽度和长度分别与对应的存储的裂缝的宽度和长度做差,判断裂缝是否扩展,若差值大于预设的扩展阈值,则判定裂缝扩展超限,进行扩展超限报警。或直接将所更新的裂缝的宽度和长度,与预设的宽度阈值和预设的长度阈值对比,若所更新的裂缝的宽度大于预设的宽度阈值或所更新的裂缝的长度大于预设的长度阈值,则判定裂缝扩展超限,进行扩展超限报警。
将更新的裂缝与存储的裂缝做差,裂缝的坐标为裂缝区域的质心,所以每条裂缝均只有一个坐标,计算更新的坐标的数量,将更新的坐标的数量与存储的裂缝坐标的数量做差,得到新生裂缝数量,若新生裂缝数量大于或等于1,则判定出现新生裂缝。将更新的裂缝与存储的裂缝匹配后,剩余的更新的裂缝确定为新生裂缝。
将更新的裂缝存储至裂缝数据库。
若新生裂缝数量大于预设的新生阈值,则判定新生裂缝超限,进行新生裂缝超限报警。
本实施例提供一种混凝土结构表面裂缝检测装置,图5为本发明实施例所提供的混凝土结构表面裂缝检测装置的结构图,参见图5,混凝土结构表面裂缝检测装置包括:现场图像采集分析子装置1、数据远程传输子装置和监测中心5。
现场图像采集分析子装置1与数据远程传输子装置连接,数据远程传输子装置与监测中心5连接。现场图像采集分析子装置通过数据远程传输子装置将分析检测的数据传输至监测中心。现场图像采集分析子装置1与数据远程传输子装置的数量均可以为多个。
现场图像采集分析子装置用于采集混凝土结构表面的区域图像,和对区域图像进行裂缝检测,得到检测数据。
图6为本发明实施例所提供的现场图像采集分析子装置的结构图,图5和图6中箭头表示数据的传输方向。参见图6,现场图像采集分析子装置包括:工业相机10、补光灯6、移动平台、控制模块、数据传输模块和电源模块20。移动平台采用二维电动云台8,控制模块采用嵌入式工控机7,数据传输模块采用4G无线数据远传模块9。
工业相机用于拍摄待测混凝土结构表面多个区域的区域图像。
工业相机10与控制模块电连接,控制模块用于输出指令控制工业相机拍摄区域图像,并获取拍摄的区域图像。
补光灯用于对待测混凝土结构表面进行照明。
补光灯6与控制模块电连接,控制模块用于输出指令控制补光灯对待测混凝土结构表面进行照明。
补光灯6和工业相机10均固定于移动平台上,补光灯6固定于工业相机10周围,优选的补光灯6和工业相机10并排固定于二维电动云台8上。
二维电动云台8与控制模块电连接,二维电动云台用于根据控制模块的指令,改变水平角度和俯仰角度,带动补光灯和工业相机对准待测混凝土结构表面的任一区域。控制模块用于输出指令控制二维电动云台改变水平角度和俯仰角度。
嵌入式工控机7还用于采用混凝土结构表面裂缝检测方法对拍摄的区域图像进行裂缝检测,得到检测数据,并通过4G无线数据远传模块将检测数据发送至数据远程传输子装置,进而传输至监测中心。检测数据包括混凝土结构表面的裂缝信息,裂缝信息包括裂缝的坐标、宽度和长度。嵌入式工控机7还用于根据检测指令更新检测数据,并根据更新的检测数据监测混凝土结构表面的裂缝是否有扩展或混凝土结构表面是否有新生裂缝,并将监测结果传输至监测中心。监测结果包括扩展超限报警信息和新生裂缝超限报警信息,扩展超限报警信息为更新的检测数据与对应存储的检测数据的差值大于预设的扩展阈值,或更新的检测数据大于预设的宽度阈值和预设的长度阈值;新生裂缝超限报警信息为更新的检测数据中新生裂缝数量大于预设的新生阈值。
电源模块20分别与嵌入式工控机7、二维电动云台8、补光灯、工业相机10和4G无线数据远传模块9连接,用于为嵌入式工控机、二维电动云台、补光灯、工业相机和4G无线数据远传模块供电。
数据远程传输子装置包括:4G基站2、4G蜂窝网络3和因特网4,用于将现场图像采集分析子装置的数据传输至监测中心。数据远程传输子装置可以实现数据的远程无线传输。
4G无线数据远传模块9与4G基站2连接,4G基站2与4G蜂窝网络3连接,4G蜂窝网络3与因特网4连接,因特网4与监测中心5连接。4G基站2可以为多个,每个现场图像采集分析子装置的4G无线数据远传模块均与一个4G基站连接。
监测中心5包括:网络服务器、客户端和数据库。因特网4与网络服务器连接,网络服务器分别与客户端和数据库连接。
客户端用于与每个现场图像采集分析子装置建立通信,并接收现场图像采集分析子装置传输的数据;还用于与用户建立连接,接收用户输入的定期或不定期检测指令,并将检测指令传输至嵌入式工控机。客户端还用于接收监测结果,并根据监测结果向预设用户报警。数据库用于存储现场图像采集分析子装置传输的数据。
本实施例混凝土结构表面裂缝检测装置的工作过程为:客户端根据用户输入的定期或不定期检测指令,定期或不定期对现场图像采集分析子装置发送检测指令。现场图像采集分析子装置控制工业相机和补光灯拍摄区域图像;嵌入式工控机获取区域图像,并对区域图像进行裂缝检测,得到检测数据,并将检测数据存储到数据库,同时将检测数据通过4G无线数据远传模块发送至监测中心。客户端将接收的检测数据保存至本地服务器的数据库。用户可以通过客户端对检测数据进行相应的裂缝特征信息的统计、对比、汇总和打印输出。
工业相机至混凝土结构表面之间的监测距离为6m时,本发明混凝土结构表面裂缝检测装置的裂缝检测分辨率为0.25mm/像素,此时混凝土结构表面裂缝检测装置的主要技术指标为:
1)、工业相机可监测区域范围小于或等于2m×2m;
2)、可识别的最小裂缝宽度为0.05mm;
3)、裂缝宽度范围在0.1~0.38mm时,裂缝宽度的检测精度≤±0.02mm;
4)、裂缝长度的检测精度≤±10%。
优选的,混凝土结构表面裂缝检测装置的防护等级为IP65;工作温度在-40℃~+65℃之间。
本发明的混凝土结构表面裂缝检测方法和混凝土结构表面裂缝检测装置,通过工业相机拍摄的区域图像就能实现对混凝土结构表面一定区域范围内裂缝的宽度、长度及分布的远程和长期检测和监测,实现裂缝由萌生、扩展到危及结构安全的全过程监测和预警,适用于桥梁、隧道、大坝以及建筑物等结构的裂缝检测和监测;可以利用较低分辨率的工业相机达到较高精度的裂缝宽度识别,大大降低混凝土结构表面裂缝检测方法的实现成本和检测装置的成本。混凝土结构表面裂缝检测方法能够抽取出大于1/5个像素大小的细微裂缝,可以实现混凝土结构表面裂缝宽度的亚像素识别,极大地提升了裂缝检测分辨率。
本实施例提供一种混凝土结构表面裂缝检测***,图7为本发明实施例所提供的混凝土结构表面裂缝检测***的***图。参见图7,混凝土结构表面裂缝检测***包括:
区域图像模块201,用于获取工业相机拍摄的待测混凝土结构表面多个区域的区域图像;待测混凝土结构表面相邻区域的区域图像有部分图像重叠。区域的数量为N个,区域图像的数量为N个,优选的两个相邻区域图像的重叠面积至少为区域图像面积的1/4。
全景图像模块202,用于对区域图像进行拼接融合处理,得到全景图像。
全景图像模块202,具体包括:
增强单元,用于采用单尺度Retinex算法对区域图像进行图像增强处理,得到增强区域图像。
第一待融合图像单元,用于将待测混凝土结构表面任一区域的增强区域图像作为第一待融合图像。
第二待融合图像单元,用于将与第一待融合图像相邻区域的增强区域图像作为第二待融合图像。
公共特征点单元,用于采用尺度不变特征变换算法(Scale-invariant featuretransform,SIFT算法)提取第一待融合图像和第二待融合图像的重叠部分的重叠像素点中的公共特征点,得到公共特征点分别在第一待融合图像的第一坐标和在第二待融合图像的第二坐标;每个增强区域图像均包括重叠部分和非重叠部分,重叠部分的像素点为重叠像素点,剩余像素点为增强区域图像中除重叠像素点以外的像素点,即每个增强区域图像均包括重叠像素点以及剩余像素点,公共特征点为SIFT算法提取的任意两个相邻区域的增强区域图像重叠像素点中的特征像素点。
坐标变换模型单元,用于根据第一坐标和第二坐标建立坐标变换模型。
拼接融合图像单元,用于利用坐标变换模型计算第二待融合图像的剩余像素点在第一待融合图像的坐标系的坐标,以及利用直接平均法计算重叠像素点的灰度值,得到拼接融合图像A’。
全景图像单元,用于将拼接融合图像A’替换第一待融合图像,并执行第二待融合图像单元,遍历所有增强区域图像,将所有增强区域图像进行拼接融合,得到全景图像。
裂缝模块203,用于利用基于渗流模型的裂缝检测算法对全景图像进行裂缝检测,得到全景图像中的裂缝。
裂缝模块203,具体包括:
裂缝图像单元,用于利用基于渗流模型的裂缝检测算法抽取全景图像中的裂缝,得到裂缝图像。
膨胀单元,用于对裂缝图像进行膨胀处理,得到膨胀图像和膨胀图像中的裂缝区域。
细化单元,用于采用细化算法对膨胀图像中的裂缝区域进行细化处理,提取裂缝区域中的裂缝骨架,得到裂缝骨架、裂缝骨架像素点和细化图像。
合并单元,用于根据细化图像进行灰度值合并,将膨胀图像中的裂缝区域的非裂缝骨架像素点的灰度值均匀的添加到与非裂缝骨架像素点相邻的裂缝骨架像素点,得到裂缝骨架图像和裂缝骨架像素点的灰度合并值。
计算单元,用于根据裂缝骨架图像计算裂缝的起点、终点和分叉点,得到全景图像中的裂缝,并存储裂缝的起点、终点和分叉点。
计算模块204,用于计算裂缝的坐标、宽度和长度,并存储裂缝的坐标、宽度和长度。
计算模块204,具体包括:
坐标单元,用于计算裂缝区域的质心,裂缝区域的质心的坐标为裂缝的坐标。
标准宽度单元,用于获取多条裂缝标准线,和裂缝标准线的标准宽度。
合并灰度值单元,用于对裂缝标准线依次进行膨胀处理、细化处理和灰度值合并,得到裂缝标准线每个像素点的合并灰度值。具体用于:对拍摄的包括多条裂缝标准线的图像依次进行膨胀处理、细化处理和灰度值合并,得到每条裂缝标准线每个像素点的合并灰度值。
灰度合并值单元,用于计算所有合并灰度值的平均值,将平均值确定为裂缝标准线的灰度合并值;具体用于:计算一条裂缝标准线所有合并灰度值的平均值,将平均值确定为该条裂缝标准线的灰度合并值,并根据灰度合并值单元计算得到所有裂缝标准线的灰度合并值。
裂缝标定系数单元,用于利用标准宽度和裂缝标准线的灰度合并值,通过直线拟合计算得到裂缝标定系数。
宽度单元,用于利用裂缝骨架像素点的灰度合并值和裂缝标定系数,计算得到裂缝的宽度。宽度=裂缝骨架像素点的灰度合并值*裂缝标定系数k。
长度单元,用于利用裂缝骨架像素点和裂缝标定系数,计算得到裂缝的长度。裂缝长度=裂缝骨架像素点总数*裂缝标定系数k。
存储单元,用于存储坐标、宽度、长度和裂缝。
混凝土结构表面裂缝检测***包括:监测模块。
监测模块,用于监测混凝土结构表面的裂缝是否有扩展或混凝土结构表面是否有新生裂缝。监测模块具体包括:
更新单元,用于更新工业相机拍摄的待测混凝土结构表面多个区域的区域图像,根据混凝土结构表面裂缝检测方法更新裂缝,更新的裂缝包括裂缝的坐标、宽度和长度。
比较单元,用于将更新的裂缝与裂缝数据库中存储的裂缝进行比较,判断裂缝是否扩展或是否有新生裂缝,具体包括:
匹配子单元,用于将更新的裂缝与存储的裂缝进行匹配,得到与更新的裂缝对应的存储的裂缝。
裂缝扩展子单元,用于将所更新的裂缝的宽度和长度分别与对应的存储的裂缝的宽度和长度做差,判断裂缝是否扩展。
扩展超限报警子单元,用于若差值大于预设的扩展阈值,则判定裂缝扩展超限,进行扩展超限报警。或直接将所更新的裂缝的宽度和长度,与预设的宽度阈值和预设的长度阈值对比,若所更新的裂缝的宽度大于预设的宽度阈值或所更新的裂缝的长度大于预设的长度阈值,则判定裂缝扩展超限,进行扩展超限报警。
新生裂缝子单元,用于将更新的裂缝与存储的裂缝做差,裂缝的坐标为裂缝区域的质心,所以每条裂缝均只有一个坐标,计算更新的坐标的数量,将更新的坐标的数量与存储的裂缝坐标的数量做差,得到新生裂缝数量,若新生裂缝数量大于或等于1,则判定出现新生裂缝。将更新的裂缝与存储的裂缝匹配后,剩余的更新的裂缝确定为新生裂缝。
更新存储单元,用于将更新的裂缝存储至裂缝数据库。
新生裂缝超限报警单元,用于若新生裂缝数量大于预设的新生阈值,则判定新生裂缝超限,进行新生裂缝超限报警。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种混凝土结构表面裂缝检测方法,其特征在于,包括:
获取工业相机拍摄的待测混凝土结构表面多个区域的区域图像;所述待测混凝土结构表面相邻区域的区域图像有部分图像重叠;
对所述区域图像进行拼接融合处理,得到全景图像;
所述对所述区域图像进行拼接融合处理,得到全景图像,具体包括:
采用单尺度Retinex算法对所述区域图像进行图像增强处理,得到增强区域图像;
利用基于渗流模型的裂缝检测算法对所述全景图像进行裂缝检测,得到所述全景图像中的裂缝;
所述利用基于渗流模型的裂缝检测算法对所述全景图像进行裂缝检测,得到所述全景图像中的裂缝,具体包括:
利用基于渗流模型的裂缝检测算法抽取所述全景图像中的裂缝,得到裂缝图像;
对所述裂缝图像进行膨胀处理,得到膨胀图像和所述膨胀图像中的裂缝区域;
采用细化算法对所述膨胀图像进行细化处理,提取所述裂缝区域中的裂缝骨架,得到裂缝骨架、裂缝骨架像素点和细化图像;
根据所述细化图像进行灰度值合并,将所述膨胀图像中的非裂缝骨架像素点的灰度值均匀的添加到与所述非裂缝骨架像素点相邻的裂缝骨架像素点,得到裂缝骨架图像和裂缝骨架像素点的灰度合并值;
根据所述裂缝骨架图像计算裂缝的起点、终点和分叉点,得到所述全景图像中的裂缝,并存储所述裂缝的起点、终点和分叉点;
计算所述裂缝的坐标、宽度和长度,并存储所述裂缝的坐标、宽度和长度。
2.根据权利要求1所述的混凝土结构表面裂缝检测方法,其特征在于,所述对所述区域图像进行拼接融合处理,得到全景图像,还包括:
将所述待测混凝土结构表面任一区域的增强区域图像作为第一待融合图像;
将与所述第一待融合图像相邻区域的增强区域图像作为第二待融合图像;
采用尺度不变特征变换算法提取所述第一待融合图像和所述第二待融合图像的重叠部分的重叠像素点中的公共特征点,得到所述公共特征点分别在所述第一待融合图像的第一坐标和在所述第二待融合图像的第二坐标;每个所述增强区域图像均包括重叠像素点以及剩余像素点;
根据所述第一坐标和所述第二坐标建立坐标变换模型;
利用所述坐标变换模型计算所述第二待融合图像的剩余像素点在所述第一待融合图像的坐标系的坐标,以及利用直接平均法计算所述重叠像素点的灰度值,得到拼接融合图像A’;
将所述拼接融合图像A’替换所述第一待融合图像,并返回“将与所述第一待融合图像相邻区域的增强区域图像作为第二待融合图像”,遍历所有所述增强区域图像,得到全景图像。
3.根据权利要求1所述的混凝土结构表面裂缝检测方法,其特征在于,所述计算所述裂缝的坐标、宽度和长度,并存储所述裂缝的坐标、宽度和长度,具体包括:
计算所述裂缝区域的质心,所述裂缝区域的质心的坐标为所述裂缝的坐标;
获取多条裂缝标准线,和所述裂缝标准线的标准宽度;
对所述裂缝标准线依次进行膨胀处理、细化处理和灰度值合并,得到所述裂缝标准线每个像素点的合并灰度值;
计算所有所述合并灰度值的平均值,将所述平均值确定为所述裂缝标准线的灰度合并值;
利用所述标准宽度和所述裂缝标准线的灰度合并值,通过直线拟合计算得到裂缝标定系数;
利用所述裂缝骨架像素点的灰度合并值和所述裂缝标定系数,计算得到所述裂缝的宽度;
利用所述裂缝骨架像素点和所述裂缝标定系数,计算得到所述裂缝的长度;
存储所述坐标、所述宽度、所述长度和所述裂缝。
4.一种混凝土结构表面裂缝检测***,其特征在于,包括:
区域图像模块,用于获取工业相机拍摄的待测混凝土结构表面多个区域的区域图像;所述待测混凝土结构表面相邻区域的区域图像有部分图像重叠;
全景图像模块,用于对所述区域图像进行拼接融合处理,得到全景图像;
所述全景图像模块,具体包括:
增强单元,用于采用单尺度Retinex算法对所述区域图像进行图像增强处理,得到增强区域图像;
裂缝模块,用于利用基于渗流模型的裂缝检测算法对所述全景图像进行裂缝检测,得到所述全景图像中的裂缝;
所述裂缝模块,具体包括:
裂缝图像单元,用于利用基于渗流模型的裂缝检测算法抽取所述全景图像中的裂缝,得到裂缝图像;
膨胀单元,用于对所述裂缝图像进行膨胀处理,得到膨胀图像和所述膨胀图像中的裂缝区域;
细化单元,用于采用细化算法对所述膨胀图像进行细化处理,提取所述裂缝区域中的裂缝骨架,得到裂缝骨架、裂缝骨架像素点和细化图像;
合并单元,用于根据所述细化图像进行灰度值合并,将所述膨胀图像中的非裂缝骨架像素点的灰度值均匀的添加到与所述非裂缝骨架像素点相邻的裂缝骨架像素点,得到裂缝骨架图像和裂缝骨架像素点的灰度合并值;
计算单元,用于根据所述裂缝骨架图像计算裂缝的起点、终点和分叉点,得到所述全景图像中的裂缝,并存储所述裂缝的起点、终点和分叉点;
计算模块,用于计算所述裂缝的坐标、宽度和长度,并存储所述裂缝的坐标、宽度和长度。
5.根据权利要求4所述的混凝土结构表面裂缝检测***,其特征在于,所述全景图像模块,还包括:
第一待融合图像单元,用于将所述待测混凝土结构表面任一区域的增强区域图像作为第一待融合图像;
第二待融合图像单元,用于将与所述第一待融合图像相邻区域的增强区域图像作为第二待融合图像;
公共特征点单元,用于采用尺度不变特征变换算法提取所述第一待融合图像和所述第二待融合图像的重叠部分的重叠像素点中的公共特征点,得到所述公共特征点分别在所述第一待融合图像的第一坐标和在所述第二待融合图像的第二坐标;每个所述增强区域图像均包括重叠像素点以及剩余像素点;
坐标变换模型单元,用于根据所述第一坐标和所述第二坐标建立坐标变换模型;
拼接融合图像单元,用于利用所述坐标变换模型计算所述第二待融合图像的剩余像素点在所述第一待融合图像的坐标系的坐标,以及利用直接平均法计算所述重叠像素点的灰度值,得到拼接融合图像A’;
全景图像单元,用于将所述拼接融合图像A’替换所述第一待融合图像,并执行第二待融合图像单元,遍历所有所述增强区域图像,得到全景图像。
6.根据权利要求4所述的混凝土结构表面裂缝检测***,其特征在于,所述计算模块,具体包括:
坐标单元,用于计算所述裂缝区域的质心,所述裂缝区域的质心的坐标为所述裂缝的坐标;
标准宽度单元,用于获取多条裂缝标准线,和所述裂缝标准线的标准宽度;
合并灰度值单元,用于对所述裂缝标准线依次进行膨胀处理、细化处理和灰度值合并,得到所述裂缝标准线每个像素点的合并灰度值;
灰度合并值单元,用于计算所有所述合并灰度值的平均值,将所述平均值确定为所述裂缝标准线的灰度合并值;
裂缝标定系数单元,用于利用所述标准宽度和所述裂缝标准线的灰度合并值,通过直线拟合计算得到裂缝标定系数;
宽度单元,用于利用所述裂缝骨架像素点的灰度合并值和所述裂缝标定系数,计算得到所述裂缝的宽度;
长度单元,用于利用所述裂缝骨架像素点和所述裂缝标定系数,计算得到所述裂缝的长度;
存储单元,用于存储所述坐标、所述宽度、所述长度和所述裂缝。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010276561.XA CN111242851B (zh) | 2020-04-10 | 2020-04-10 | 一种混凝土结构表面裂缝检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010276561.XA CN111242851B (zh) | 2020-04-10 | 2020-04-10 | 一种混凝土结构表面裂缝检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242851A true CN111242851A (zh) | 2020-06-05 |
CN111242851B CN111242851B (zh) | 2020-08-04 |
Family
ID=70875546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010276561.XA Active CN111242851B (zh) | 2020-04-10 | 2020-04-10 | 一种混凝土结构表面裂缝检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242851B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111696098A (zh) * | 2020-06-16 | 2020-09-22 | 王昕阳 | 一种基于大数据的混凝土构件检测***及方法 |
CN112348804A (zh) * | 2020-11-25 | 2021-02-09 | 浙江大成工程项目管理有限公司 | 由基坑位移导致的裂缝监测方法、***、装置和存储介质 |
CN112560587A (zh) * | 2020-11-27 | 2021-03-26 | 贵州中建建筑科研设计院有限公司 | 一种卷积神经网络边坡裂缝变化的动态预警方法及*** |
CN112630223A (zh) * | 2020-12-07 | 2021-04-09 | 杭州申昊科技股份有限公司 | 一种基于隧道裂纹检测***及方法 |
CN112906562A (zh) * | 2021-02-19 | 2021-06-04 | 内蒙古科技大学 | 一种链篦机台车侧板裂缝的安全预警方法 |
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 |
CN115184378A (zh) * | 2022-09-15 | 2022-10-14 | 北京思莫特科技有限公司 | 一种基于移动设备的混凝土结构病害检测***及方法 |
CN118196181A (zh) * | 2024-05-20 | 2024-06-14 | 安徽大学 | 基于图像处理的预制构件表面蜂窝麻面面积检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103528527A (zh) * | 2013-10-15 | 2014-01-22 | 北京交通大学长三角研究院 | 基于区域选定的裂缝尺寸自动测量方法 |
CN104700395A (zh) * | 2014-11-11 | 2015-06-10 | 长安大学 | 一种构造物外观裂缝检测方法及*** |
JP2016102721A (ja) * | 2014-11-28 | 2016-06-02 | Dic株式会社 | コンクリートクラック検出剤、及び、コンクリートクラック検出方法 |
-
2020
- 2020-04-10 CN CN202010276561.XA patent/CN111242851B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103528527A (zh) * | 2013-10-15 | 2014-01-22 | 北京交通大学长三角研究院 | 基于区域选定的裂缝尺寸自动测量方法 |
CN104700395A (zh) * | 2014-11-11 | 2015-06-10 | 长安大学 | 一种构造物外观裂缝检测方法及*** |
JP2016102721A (ja) * | 2014-11-28 | 2016-06-02 | Dic株式会社 | コンクリートクラック検出剤、及び、コンクリートクラック検出方法 |
Non-Patent Citations (1)
Title |
---|
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II辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111696098B (zh) * | 2020-06-16 | 2021-11-26 | 乐清市凡山电器有限公司 | 一种基于大数据的混凝土构件检测***及方法 |
CN111696098A (zh) * | 2020-06-16 | 2020-09-22 | 王昕阳 | 一种基于大数据的混凝土构件检测***及方法 |
CN112348804A (zh) * | 2020-11-25 | 2021-02-09 | 浙江大成工程项目管理有限公司 | 由基坑位移导致的裂缝监测方法、***、装置和存储介质 |
CN112560587A (zh) * | 2020-11-27 | 2021-03-26 | 贵州中建建筑科研设计院有限公司 | 一种卷积神经网络边坡裂缝变化的动态预警方法及*** |
CN112560587B (zh) * | 2020-11-27 | 2022-04-08 | 贵州中建建筑科研设计院有限公司 | 一种卷积神经网络边坡裂缝变化的动态预警方法及*** |
CN112630223A (zh) * | 2020-12-07 | 2021-04-09 | 杭州申昊科技股份有限公司 | 一种基于隧道裂纹检测***及方法 |
CN112630223B (zh) * | 2020-12-07 | 2023-12-26 | 杭州申昊科技股份有限公司 | 一种基于隧道裂纹检测***及方法 |
CN112906562A (zh) * | 2021-02-19 | 2021-06-04 | 内蒙古科技大学 | 一种链篦机台车侧板裂缝的安全预警方法 |
CN112906562B (zh) * | 2021-02-19 | 2022-08-02 | 内蒙古科技大学 | 一种链篦机台车侧板裂缝的安全预警方法 |
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 |
CN115184378A (zh) * | 2022-09-15 | 2022-10-14 | 北京思莫特科技有限公司 | 一种基于移动设备的混凝土结构病害检测***及方法 |
CN115184378B (zh) * | 2022-09-15 | 2024-03-29 | 北京思莫特科技有限公司 | 一种基于移动设备的混凝土结构病害检测***及方法 |
CN118196181A (zh) * | 2024-05-20 | 2024-06-14 | 安徽大学 | 基于图像处理的预制构件表面蜂窝麻面面积检测方法 |
CN118196181B (zh) * | 2024-05-20 | 2024-07-19 | 安徽大学 | 基于图像处理的预制构件表面蜂窝麻面面积检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111242851B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242851B (zh) | 一种混凝土结构表面裂缝检测方法及*** | |
US10269138B2 (en) | UAV inspection method for power line based on human visual system | |
KR100726009B1 (ko) | 구조물의 변위 측정 시스템 및 방법 | |
Akagic et al. | Pothole detection: An efficient vision based method using rgb color space image segmentation | |
US20200364849A1 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
KR20200013148A (ko) | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 | |
CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及*** | |
CN113192063B (zh) | 一种桥梁线形监测***以及桥梁线形监测方法 | |
CN111610193A (zh) | 采用多镜头拍摄巡检地铁隧道管片结构缺陷的***及方法 | |
CN113537016B (zh) | 一种道路巡查中道路损伤自动检测预警的方法 | |
CN112802004B (zh) | 便携式输电线路和杆塔健康智能视频检测装置 | |
CN113554667B (zh) | 一种基于图像识别的三维位移检测方法及装置 | |
CN107092905B (zh) | 一种电力巡检机器人的待识别仪器定位方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN110260785A (zh) | 基于三维激光扫描的岩体隧道掌子面分析反馈集成*** | |
CN112781518B (zh) | 一种房屋形变监测方法及*** | |
CN106225702A (zh) | 裂缝宽度检测装置和方法 | |
CN110617772A (zh) | 一种非接触式线径测量装置及方法 | |
CN112000124B (zh) | 一种应用于电网的无人机巡检方法 | |
CN114812403A (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
CN109827515A (zh) | 一种分离式的螺纹钢丝头尺寸检测***和方法 | |
CN110963036A (zh) | 一种基于无人机进行建筑检测修复的装置及方法 | |
CN113313760A (zh) | 用于阵列式金属连接件的锈蚀检测方法、装置和*** | |
CN112815868A (zh) | 一种路面三维检测方法 | |
CN114419080B (zh) | 一种幕墙巡检***和方法 |
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 |