CN112669286A - 基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法 - Google Patents
基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法 Download PDFInfo
- Publication number
- CN112669286A CN112669286A CN202011602263.1A CN202011602263A CN112669286A CN 112669286 A CN112669286 A CN 112669286A CN 202011602263 A CN202011602263 A CN 202011602263A CN 112669286 A CN112669286 A CN 112669286A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- binary image
- damage degree
- thermal insulation
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 68
- 238000009413 insulation Methods 0.000 title claims abstract description 41
- 238000003384 imaging method Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000003708 edge detection Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000001931 thermography Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 14
- 230000005764 inhibitory process Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 21
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009422 external insulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法，本发明涉及外墙外保温***缺陷识别与损伤程度评价方法。本发明的目的是为了解决现有红外热像法在外墙外保温缺陷检测时需检测人员参与进行检测判定，导致效率低，准确性差的问题。过程为：一、对采集的红外热像图进行图像去噪处理，然后将去噪处理后的图像转化为灰度图像，绘制灰度直方图；二、计算灰度图像中像素点的灰度梯度，然后进行非极大值抑制，最后进行阈值筛选，获得边缘检测二值图；三、得到轮廓提取及勾勒后的二值图；四、对轮廓提取及勾勒后的二值图进行阈值分割，将二值图缺陷和背景分割开；五，计算缺陷面积和损伤程度。本发明用于本发明涉及外墙外保温***评价领域。
Description
技术领域
本发明涉及外墙外保温***缺陷识别与损伤程度评价方法。
背景技术
建筑外墙外保温***可以有效改善墙体保温性能，保护主体结构，是实现我国建筑节能目标的重要技术手段之一。目前应用范围最广的是有机苯板类外保温***。受原材料、施工质量及体系复杂性等因素影响，该类外墙外保温***质量参差不齐，已安装外墙外保温***的构筑物时常发生外保温层脱落的现象，为城市建筑物安全带来极大的挑战。如何对已完成外墙外保温***及新建外保温工程进行高效准确的质量监测评定，及时发现***缺陷避免造成人员财产损失是目前行业工作者亟需解决的问题之一。传统的外保温***缺陷检测主要是通过人力小锤敲击等方式，效率低下，成本较高，且检测效果不尽人意。根据外墙外保温***的温敏特性，研究人员提出利用红外热像法对外墙外保温***缺陷进行定位与表征的方法。红外热像法，顾名思义，就是利用红外图像作为表征手段的一种检测方法。红外热像图展示了目标表面的温度分布，而没有缺陷的外保温层可以视为均质材料，可以认为其表面温度均匀分布；当发生缺陷时，体系导热系数改变，温度变化，产生温差。通过分析红外热像图，可以捕捉到温度变化，进而推断获得缺陷位置及类型等信息，进而实现缺陷的检测。
目前，红外热像法在外墙外保温缺陷检测方面虽然有较多应用，但大多以定性为主，尚需检测人员参与进行检测判定，效率较低。因此，亟需一种自动化程度和精准度比较高的缺陷检测方法。
发明内容
本发明的目的是为了解决现有红外热像法在外墙外保温缺陷检测时需检测人员参与进行检测判定，导致效率低，准确性差的问题，而提出基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法。
基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法具体过程为：
外墙外保温***是指目前广泛使用的外墙围护结构，有许多不同的类别，起到保温作用的外墙围护结构都可以称之为外保温***。
步骤一、无人机采集建筑外墙的红外热像图，对采集的红外热像图进行图像去噪处理，然后将去噪处理后的图像转化为灰度图像，绘制灰度直方图；
步骤二、计算灰度图像中像素点的灰度梯度，然后进行非极大值抑制，最后进行阈值筛选，获得边缘检测二值图；
步骤三、运用轮廓提取算法提取边缘检测二值图的轮廓，完成轮廓提取；利用轮廓勾勒算法对提取的轮廓进行勾勒，得到轮廓提取及勾勒后的二值图；
步骤四、对轮廓提取及勾勒后的二值图进行阈值分割，将二值图缺陷和背景分割开；
步骤五，基于步骤四，计算缺陷面积和损伤程度。
本发明的有益效果为：
本发明准确、高效，提高了外墙外保温缺陷识别与损伤程度评价的效率、准确性。本发明仅需人工导入图片及参数，即可获得判定结果，极大提高了外保温缺陷检测的自动化程度。本发明可以实现缺陷的实时监测，为外保温脱落预警提供指导。本发明提高了外保温缺陷识别的智能化、自动化和准确性。本发明为外墙外保温***缺陷的自动识别与损伤程度评价提供了解决方案。可以实现缺陷识别及其轮廓的勾勒、缺陷面积的计算输出和损伤程度的计算输出。
本发明的目的是提供一套基于红外热像的建筑外墙外保温缺陷识别与损伤程度评价方法，通过无人机采集的红外热像图可以实现缺陷的机器自主判定，并进行***损伤程度的量化判定。
定性和定量分析相结合对缺陷进行综合分析，利用边缘检测等算法在图像中完成缺陷的勾勒标示，利用阈值分割完成缺陷面积和损伤程度的计算，检测效率显著提高；
封装软件可通过人机交互实现参数选择，用户可根据分析结果随时调整相关参数，软件操作便捷化、傻瓜化；
缺陷检测仅须人为输入参数，与传统检测相比，检测结果受到检测人员的主观判断影响小，判断更加客观，更加准确。
附图说明
图1为基于红外热像的建筑外墙外保温缺陷识别与损伤程度评价流程图；
图2为获取的灰度直方图；
图3为边缘检测获取的二值图；
图4为原始红外热像图中缺陷轮廓的勾勒图；
图5为高斯去噪后灰度图像的自适应阈值分割图；
图6为高斯去噪后灰度图像的全局阈值分割图。
具体实施方式
具体实施方式一：本实施方式基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法具体过程为：
外保温***是指目前广泛使用的外墙围护结构，有许多不同的类别，起到保温作用的外墙围护结构都可以称之为外保温***。
步骤一、无人机采集建筑外墙的红外热像图，对采集的红外热像图进行图像去噪处理，然后将去噪处理后的图像转化为灰度图像，绘制灰度直方图；
步骤二、计算灰度图像中像素点的灰度梯度，然后进行非极大值抑制，最后进行阈值筛选，获得边缘检测二值图；
步骤三、运用轮廓提取算法提取边缘检测二值图的轮廓，完成轮廓提取；利用轮廓勾勒算法对提取的轮廓进行勾勒，得到轮廓提取及勾勒后的二值图；
步骤四、对轮廓提取及勾勒后的二值图进行阈值分割，将二值图缺陷和背景分割开；
步骤五，基于步骤四，计算缺陷面积和损伤程度。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中无人机采集建筑外墙的红外热像图，对采集的红外热像图进行图像去噪处理，然后将去噪处理后的图像转化为灰度图像，绘制灰度直方图；具体过程为：
对采集的红外热像图采用高斯滤波进行图像去噪；
采用高斯滤波进行图像去噪，高斯滤波分为两个步骤：
1)计算高斯掩模；
2)卷积(即每一个点附近的像素矩阵与高斯掩模进行内积)
高斯掩模(mask)即为高斯核，是一个用于卷积的矩阵，它是基于高斯分布计算得到的。高斯分布即正态分布，其概率密度函数如下：
高斯掩膜是二维的，此时仅须将上式中的x和μ用相应的向量替代即可，如下：
(x,y)为掩膜内任意点的坐标
(x0,y0)为掩膜中心的坐标。
以3x3高斯掩膜为例，对于图像中任意点(x0,y0)，其周围各点的坐标为：
取σ为1计算可得：
最后对上式中的矩阵进行归一化即可获得高斯掩膜，如下：
获得高斯掩膜后，将其与图像进行卷积即可完成高斯滤波。
高斯掩膜的取值仅与掩膜矩阵的尺寸，即高斯核的大小及σ的值有关，而后者一般取默认值1，因此，仅须调整高斯核的大小，在已研发的检测软件中，用户可以调整高斯核来获得不同的滤波效果。
输入给定范围内的高斯核参数或采用默认参数，即可获得去噪后的灰度图像及灰度直方图。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中计算灰度图像中像素点的灰度梯度，然后进行非极大值抑制，最后进行阈值筛选，获得边缘检测二值图；具体过程为：
本研究运用Canny算法进行边缘检测，该算法分为四个步骤：图像去噪、图像梯度的获取、非极大值抑制、阈值筛选。
图像去噪
噪声对图像的边缘检测影响极大，为了提高检测效果，首先要对图像进行去噪处理。Canny边缘检测运用高斯滤波算法对图像进行降噪处理。具体过程如前所述。
步骤二一、计算灰度图像中像素点的灰度梯度；
步骤二二、对步骤二一中求灰度梯度后的灰度图像中像素点进行非极大值抑制；
非极大值抑制是为了去除所有可能不构成边缘的不需要的像素。在灰度图像中每个像素点处，判断该像素点是否取得了其梯度方向上附近区域的极大值，若是，则保留该点用于后续处理，否则将其值置为0(抑制)；
通过非极大值抑制，得到的边缘检测图像将是带有“细边”的二进制图像。
步骤二三、对步骤二二得到的灰度图像中像素点进行阈值筛选，获得边缘检测二值图。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤二一中计算灰度图像中像素点的灰度梯度；具体过程为：
图像边缘处的灰度变化明显，而灰度的变化可以通过图像的梯度获知。因此，这一步利用Sobel算子对去噪后的灰度图像在水平和垂直方向上进行滤波，获得各像素点x,y两个方向的一阶导数Gx，Gy，灰度图像中像素点的灰度梯度计算公式如下：
为了提高运算效率，可以对上式进行简化，如下：
G＝|GX|+|GY|
式中，Gx，Gy分别为利用Sobel算子对去噪后的灰度图像在水平和垂直方向上进行滤波获取的x，y两个方向的一阶导数，x方向为平行于灰度图像矩阵行的方向，y方向为平行于灰度图像矩阵列的方向(在计算机中图像都是由数组(矩阵)构成的，此处的图像矩阵指的是构成灰度图像的矩阵)。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤二三中对步骤二二得到的灰度图像中像素点进行阈值筛选，获得边缘检测二值图；具体过程为：
利用阈值筛选对边缘做最后的筛选。
针对各像素点处的灰度梯度设置两个阈值，minValue和maxValue，将像素点分成了三部分；
灰度梯度大于maxValue的点必定是边缘点；
灰度梯度小于minValue的点必定是非边缘点；
而介于两者之间的点需要根据连通性判断，若与边缘点相连，则该点为边缘点，否则为非边缘点；
根据边缘点得到边缘检测二值图。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤三中运用轮廓提取算法提取边缘检测二值图的轮廓，完成轮廓提取；利用轮廓勾勒算法对提取的轮廓进行勾勒(轮廓提取和勾勒算法都是OpenCV中提供的，可以认为是公知的)，得到轮廓提取及勾勒后的二值图；具体过程为：
运用OpenCV中的轮廓提取算法findContours提取边缘检测二值图的轮廓，完成轮廓提取，利用OpenCV中的drawContours算法对提取的轮廓进行勾勒，得到轮廓提取及勾勒后的二值图。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述步骤四中对轮廓提取及勾勒后的二值图进行阈值分割，将二值图缺陷和背景分割开；具体过程为：
本步骤可以有两种实现方式：全局阈值分割和自适应阈值分割；用户可以先完成自适应阈值分割，获得二值图像，若不满足要求，则可根据灰度直方图选取合适的全局阈值，输入给定范围内的参数，获取二值图像；若仍不满足要求，可更改全局阈值，重复上述过程，直至获得满足要求的阈值分割二值图像；
阈值分割二值图中各像素点的像素值计算公式如下：
式中，f(x,y)表示高斯去噪后的灰度图像中坐标为(x,y)的像素点的像素值，g(x,y)表示阈值分割后获得的二值图中坐标为(x,y)的像素点的像素值，T为阈值，对于全局阈值分割，T为全局阈值，对于自适应阈值分割，T为局部阈值；
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是：所述步骤五中基于步骤四，计算缺陷面积和损伤程度；具体过程为：
由于无人机采集图像时光轴垂直于物距，因此可以通过墙体的实际尺寸近似估算缺陷面积和损伤程度；阈值分割二值图将缺陷和背景分割开来，统计缺陷对应的像素点数得到缺陷面积占比，即为损伤程度，根据实际面积可得缺陷面积，输出结果。
其它步骤及参数与具体实施方式一至七之一相同。
采用以下实施例验证本发明的有益效果：
实施例一：
如图1所示，一套基于红外热像的建筑外墙外保温缺陷识别与损伤程度评价方法，步骤如下：
步骤一，灰度直方图获取：采用默认参数对输入的红外图像进行图像高斯去噪处理，然后将其转化为灰度图像，获得灰度直方图，如图2所示；
步骤二，边缘检测：在完成灰度直方图的获取后，计算像素点的灰度梯度，公式如下所示：
G＝|GX|+|GY|
式中，Gx，Gy分别为利用Sobel算子获取的x，y两个方向的梯度，x方向为平行于图像矩阵行的方向，y方向为平行于图像矩阵列的方向。
接下来进行非极大值抑制，输入最小阈值和最大阈值，进行阈值筛选，获得边缘检测二值图，如图3所示；
步骤三，轮廓提取及勾勒：获取边缘检测二值图后，运用轮廓提取算法完成轮廓的提取；而后利用轮廓勾勒算法完成轮廓勾勒，勾勒后的缺陷轮廓如图4所示；
步骤四，阈值分割：首先完成自适应阈值分割，获得二值图像，如图5所示，显然分割效果不满足要求；根据灰度直方图选取合适的全局阈值并输入，获取二值图像，如图6所示；阈值分割二值图中各像素点的像素值计算公式如下：
式中，f(x,y)表示高斯去噪后的灰度图像中坐标为(x,y)的像素点的像素值，g(x,y)表示阈值分割后获得的二值图中坐标为(x,y)的像素点的像素值，T为阈值，对于全局阈值分割，T为全局阈值，对于自适应阈值分割，T为局部阈值。
步骤五，缺陷面积和损伤程度的计算：阈值分割二值图中缺陷和背景像素值不同，通过对像素点的统计得到缺陷面积占比，获得损伤程度为0.4853％，实际测量计算获得墙体实际面积为228cm2，计算得缺陷面积为1.1064cm2。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法，其特征在于：所述方法具体过程为：
步骤一、无人机采集建筑外墙的红外热像图，对采集的红外热像图进行图像去噪处理，然后将去噪处理后的图像转化为灰度图像，绘制灰度直方图；
步骤二、计算灰度图像中像素点的灰度梯度，然后进行非极大值抑制，最后进行阈值筛选，获得边缘检测二值图；
步骤三、运用轮廓提取算法提取边缘检测二值图的轮廓，完成轮廓提取；利用轮廓勾勒算法对提取的轮廓进行勾勒，得到轮廓提取及勾勒后的二值图；
步骤四、对轮廓提取及勾勒后的二值图进行阈值分割，将二值图缺陷和背景分割开；
步骤五，基于步骤四，计算缺陷面积和损伤程度。
2.根据权利要求1所述基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法，其特征在于：所述步骤一中无人机采集建筑外墙的红外热像图，对采集的红外热像图进行图像去噪处理，然后将去噪处理后的图像转化为灰度图像，绘制灰度直方图；具体过程为：
对采集的红外热像图采用高斯滤波进行图像去噪。
3.根据权利要求1或2所述基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法，其特征在于：所述步骤二中计算灰度图像中像素点的灰度梯度，然后进行非极大值抑制，最后进行阈值筛选，获得边缘检测二值图；具体过程为：
步骤二一、计算灰度图像中像素点的灰度梯度；
步骤二二、对步骤二一中求灰度梯度后的灰度图像中像素点进行非极大值抑制；
步骤二三、对步骤二二得到的灰度图像中像素点进行阈值筛选，获得边缘检测二值图。
4.根据权利要求3所述基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法，其特征在于：所述步骤二一中计算灰度图像中像素点的灰度梯度；具体过程为：
利用Sobel算子对去噪后的灰度图像在水平和垂直方向上进行滤波，获得各像素点x,y两个方向的一阶导数Gx，Gy，灰度图像中像素点的灰度梯度计算公式如下：
对上式进行简化，如下：
G＝GX|+|GY|
式中，Gx，Gy分别为利用Sobel算子对去噪后的灰度图像在水平和垂直方向上进行滤波获取的x，y两个方向的一阶导数，x方向为平行于灰度图像矩阵行的方向，y方向为平行于灰度图像矩阵列的方向。
5.根据权利要求4所述基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法，其特征在于：所述步骤二三中对步骤二二得到的灰度图像中像素点进行阈值筛选，获得边缘检测二值图；具体过程为：
针对各像素点处的灰度梯度设置两个阈值，minValue和maxValue，将像素点分成了三部分；
灰度梯度大于maxValue的点必定是边缘点；
灰度梯度小于minValue的点必定是非边缘点；
而介于两者之间的点需要根据连通性判断，若与边缘点相连，则该点为边缘点，否则为非边缘点；
根据边缘点得到边缘检测二值图。
6.根据权利要求5所述基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法，其特征在于：所述步骤三中运用轮廓提取算法提取边缘检测二值图的轮廓，完成轮廓提取；利用轮廓勾勒算法对提取的轮廓进行勾勒，得到轮廓提取及勾勒后的二值图；具体过程为：
运用OpenCV中的轮廓提取算法findContours提取边缘检测二值图的轮廓，完成轮廓提取，利用OpenCV中的drawContours算法对提取的轮廓进行勾勒，得到轮廓提取及勾勒后的二值图。
7.根据权利要求6所述基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法，其特征在于：所述步骤四中对轮廓提取及勾勒后的二值图进行阈值分割，将二值图缺陷和背景分割开；具体过程为：
阈值分割二值图中各像素点的像素值计算公式如下：
式中，f(x,y)表示高斯去噪后的灰度图像中坐标为(x,y)的像素点的像素值，g(x,y)表示阈值分割后获得的二值图中坐标为(x,y)的像素点的像素值，T为阈值。
8.根据权利要求7所述基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法，其特征在于：所述步骤五中基于步骤四，计算缺陷面积和损伤程度；具体过程为：
统计缺陷对应的像素点数得到缺陷面积占比，即为损伤程度，根据实际面积可得缺陷面积，输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011602263.1A CN112669286A (zh) | 2020-12-29 | 2020-12-29 | 基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011602263.1A CN112669286A (zh) | 2020-12-29 | 2020-12-29 | 基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112669286A true CN112669286A (zh) | 2021-04-16 |
Family
ID=75410607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011602263.1A Pending CN112669286A (zh) | 2020-12-29 | 2020-12-29 | 基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112669286A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052833A (zh) * | 2021-04-20 | 2021-06-29 | 东南大学 | 一种基于红外热辐射的非视域成像方法 |
| CN113588090A (zh) * | 2021-07-05 | 2021-11-02 | 东莞市鑫泰仪器仪表有限公司 | 一种基于无人机热成像的人体搜查方法及*** |
| CN114018946A (zh) * | 2021-10-20 | 2022-02-08 | 武汉理工大学 | 一种基于OpenCV的高反光瓶盖缺陷检测方法 |
| CN114359416A (zh) * | 2022-03-17 | 2022-04-15 | 山东水利建设集团有限公司 | 一种建筑物外墙空鼓渗漏异常检测及定位方法 |
| CN117952975A (zh) * | 2024-03-26 | 2024-04-30 | 中建国际工程有限公司 | 一种基于三维点云的既有保温墙面修缮方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108414526A (zh) * | 2018-02-02 | 2018-08-17 | 江苏方建质量鉴定检测有限公司 | 一种外墙空鼓检测*** |
| WO2018216629A1 (ja) * | 2017-05-22 | 2018-11-29 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
| CN109658376A (zh) * | 2018-10-24 | 2019-04-19 | 哈尔滨工业大学 | 一种基于图像识别的表面缺陷识别方法 |
| CN110044964A (zh) * | 2019-04-25 | 2019-07-23 | 湖南科技大学 | 基于无人飞机热成像视频的建筑饰面层脱粘缺陷识别方法 |
| CN110555345A (zh) * | 2018-06-01 | 2019-12-10 | 北京深鉴智能科技有限公司 | 智能图像分析***和方法 |
| CN111260616A (zh) * | 2020-01-13 | 2020-06-09 | 三峡大学 | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 |
-
2020
- 2020-12-29 CN CN202011602263.1A patent/CN112669286A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018216629A1 (ja) * | 2017-05-22 | 2018-11-29 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
| CN108414526A (zh) * | 2018-02-02 | 2018-08-17 | 江苏方建质量鉴定检测有限公司 | 一种外墙空鼓检测*** |
| CN110555345A (zh) * | 2018-06-01 | 2019-12-10 | 北京深鉴智能科技有限公司 | 智能图像分析***和方法 |
| CN109658376A (zh) * | 2018-10-24 | 2019-04-19 | 哈尔滨工业大学 | 一种基于图像识别的表面缺陷识别方法 |
| CN110044964A (zh) * | 2019-04-25 | 2019-07-23 | 湖南科技大学 | 基于无人飞机热成像视频的建筑饰面层脱粘缺陷识别方法 |
| CN111260616A (zh) * | 2020-01-13 | 2020-06-09 | 三峡大学 | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052833A (zh) * | 2021-04-20 | 2021-06-29 | 东南大学 | 一种基于红外热辐射的非视域成像方法 |
| CN113588090A (zh) * | 2021-07-05 | 2021-11-02 | 东莞市鑫泰仪器仪表有限公司 | 一种基于无人机热成像的人体搜查方法及*** |
| CN114018946A (zh) * | 2021-10-20 | 2022-02-08 | 武汉理工大学 | 一种基于OpenCV的高反光瓶盖缺陷检测方法 |
| CN114018946B (zh) * | 2021-10-20 | 2023-02-03 | 武汉理工大学 | 一种基于OpenCV的高反光瓶盖缺陷检测方法 |
| CN114359416A (zh) * | 2022-03-17 | 2022-04-15 | 山东水利建设集团有限公司 | 一种建筑物外墙空鼓渗漏异常检测及定位方法 |
| CN117952975A (zh) * | 2024-03-26 | 2024-04-30 | 中建国际工程有限公司 | 一种基于三维点云的既有保温墙面修缮方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112669286A (zh) | 基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法 | |
| CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
| CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
| CN110033431B (zh) | 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法 | |
| CN108827181B (zh) | 一种基于视觉的板材表面检测方法 | |
| JP6099479B2 (ja) | ひび割れ検出方法 | |
| CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
| JP5852919B2 (ja) | ひび割れ検出方法 | |
| CN113109368A (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| CN111489337A (zh) | 一种自动光学检测伪缺陷去除方法及*** | |
| CN111060442A (zh) | 一种基于图像处理的油液颗粒检测方法 | |
| CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
| CN111476712B (zh) | 一种烧结机的台车箅条图像的摄取及检测方法、*** | |
| CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
| CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
| CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
| CN113506246A (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
| CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
| CN115601379A (zh) | 一种基于数字图像处理的表面裂纹精确检测技术 | |
| CN109671084B (zh) | 一种工件形状的测量方法 | |
| CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和*** | |
| CN117764983A (zh) | 一种用于智能制造产线的双目识别的视觉检测的方法 | |
| CN108898080B (zh) | 一种基于山脊线邻域评价模型的裂缝连接方法 | |
| CN114758139B (zh) | 基坑积水检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |
|
| RJ01 | Rejection of invention patent application after publication |