CN112785594B - 基于图像二维幅值估计的桥梁自动结构裂缝识别方法 - Google Patents

基于图像二维幅值估计的桥梁自动结构裂缝识别方法 Download PDF

Info

Publication number
CN112785594B
CN112785594B CN202110280857.3A CN202110280857A CN112785594B CN 112785594 B CN112785594 B CN 112785594B CN 202110280857 A CN202110280857 A CN 202110280857A CN 112785594 B CN112785594 B CN 112785594B
Authority
CN
China
Prior art keywords
crack
image
cracks
images
adopting
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.)
Active
Application number
CN202110280857.3A
Other languages
English (en)
Other versions
CN112785594A (zh
Inventor
虞少杰
杨栋
张静
陈诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110280857.3A priority Critical patent/CN112785594B/zh
Publication of CN112785594A publication Critical patent/CN112785594A/zh
Application granted granted Critical
Publication of CN112785594B publication Critical patent/CN112785594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20048—Transform domain processing
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像二维幅值估计的桥梁自动结构裂缝识别方法，其步骤包括：1对于采集倒的裂缝图像进行灰度化，再对灰度图像进行阈值分割，通过阈值分割结果初步判断裂缝类型；2在空间域上，采用均值偏移方法，对图像的背景进行平滑，使用二维幅值估计法将图像转化为频域，采用带通滤波器进行频域上的滤波，得到最终图像处理后的裂缝图像；3采用Canny算子进行裂缝检测，最后通过连通域处理，采用闭运算补齐裂缝轮廓，最终将裂缝进行标注。本发明适用于大多数环境下各种桥梁裂缝的检测，能够避免桥梁环境背景因素干扰对于裂缝识别的影响，提高裂缝检测的效率和准确性。

Description

基于图像二维幅值估计的桥梁自动结构裂缝识别方法
技术领域
本发明涉及于桥梁安全检测领域，具体地说是一种基于图像二维幅值估计的桥梁自动结构裂缝识别方法
背景技术
随着大跨度桥梁服役期的增长，长时间暴露在潮湿、海风、等恶劣环境下，同时还受到车辆、风、地震、疲劳、超载等人为因素作用，对其结构与受力特性稳定性会造成巨大的影响，大跨度桥梁的失稳现象往往会造成巨大的人员伤亡与经济损失，裂纹是由于结构超载和疲劳所引起的病害，会导致混凝土结构在服役期间的抗渗性破坏，导致钢筋的腐蚀，促进化学反应对于钢筋的攻击。因此桥梁裂缝是桥梁结构内部稳定性发生变化的表征桥梁易于发生腐蚀，没有适当的检查，昂贵的维护是不可避免的，虽然各种传感器广泛的应用，但是检查过程仍然是费时费力的，需要检查人员利用设备对桥体进行检测。为了节约人工成本并且获得更好的效果，采用机器视觉进行桥体的检测。
Yan等人利用构造出来的一种特定的中值滤波器来进行图像增强的处理，然后在检测裂缝的时候，使用基于灰度形态算子的边缘检测算法。这种方法具有一定的局限性，当面对内容复杂的路面病害图像的时候，如果还采用这种定值判断依据，那就不可避免地会出现错误的判断。现在技术中，使用机器学习来进行裂缝识别，但机器学习进行监督学习，需要庞大的带注释的数据集进行训练，并且对于计算机具有较强的算力要求，很难利用于实际工程中。
发明内容
本发明是为了克服现有技术的不足之处，提供一种基于图像二维幅值估计的桥梁自动结构裂缝识别方法，以期能避免桥梁环境背景因素干扰对于裂缝识别的影响，从而提高裂缝检测的效率和准确性。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于图像二维幅值估计的桥梁自动结构裂缝识别方法的特点是包含以下步骤：
步骤1：采集桥台底部的混凝土裂缝图片并进行灰度化处理，得到灰度图像；
步骤2：定义初始阈值为T0，并按照初始阈值T0将灰度化图像分为两部分图像，分别计算两部分图像的灰度均值，将两部分图像的灰度均值取平均值后得到新的阈值T1，将新的阈值T1与初始阈值T0相比较，若两者的差值小于“1”，则将新的阈值T1作为最终的分割阈值T；否则，重复计算，直到两者的差值小于“1”为止；
步骤3：按照分割阈值T对灰度化图像进行分割，得到分割后的图像；计算分割后的图像的连通域面积，得到裂缝图像；
步骤4：判断裂缝图像中所有裂缝的特征点的像素总数以及所有裂缝的特征点像素所占所述裂缝图像中所有像素点的比例；
当裂缝的特征点像素所占的比例大于裂缝判定阈值时，则所述裂缝图像中的裂缝判定为Ⅰ类裂缝，否则，判定为Ⅱ类裂缝；
步骤5：对于Ⅰ类裂缝，通过二维幅值估计法对所述裂缝图像转化为二维频域图像，再对二维频域图像进行高通滤波处理，得到滤波后的频域图像；采用傅里叶逆变换将滤波后的频域图像转换为滤波后的裂缝图像；
对于Ⅱ类裂缝，先采用均值漂移方法对分类后的裂缝图像中背景进行图像降噪，再对降噪后的裂缝图像采用二维幅值估计法中的低通滤波转化为平滑背景后的裂缝图像；
步骤6：采用Canny边缘检测方法对滤波后的裂缝图像或平滑背景后的裂缝图像进行裂缝识别，得到离散裂缝图像；
步骤7：采用闭运算和孔洞填充的方式对所述离散裂缝图像中的所有离散裂缝进行裂缝连接与补齐，从而得到填充后的裂缝图像；
步骤8：根据裂缝的线状几何特点，对于填充后的裂缝图像中的裂缝所在连通域进行标注，并计算所标注的连通域的面积以及在填充后的裂缝图像上所占的像素数量，从而得到裂缝的尺寸。
与现有技术相比，本发明的有益效果在于：
1、本发明引入阈值分割作为裂缝图像的分类，通过对于阈值分割后连通域面积，初步判断裂缝类型，对于不同的裂缝类型选择不同的滤波方法，避免了桥梁环境背景因素干扰识别效果，提高了裂缝检测的效率和准确性。
2、本发明通过采用频域与空域上的双重滤波，降低了环境背景对于检测效果的影响，提高了裂缝识别的精度。
3、本发明通过阈值分割的图像分类，并对分类后的不同裂缝类型采取不同的裂缝处理方法，先对图像进行空域上的均值漂移，再通过二维幅值估计法将空域转化为频域，并对不同类型的裂缝类型采用高通与低通滤波，最后对处理后图像进行Canny算子进行边缘检测，从而能够有效的解决在不同环境下，桥梁裂缝尺寸不同对于裂缝检测精度的影响，避免了桥梁环境背景因素干扰识别效果，提高了裂缝检测的效率和准确性。
附图说明
图1为本发明方法的流程图；
图2为本发明灰度化图像；
图3为本发明均值漂移后图像；
图4为本发明二维幅值估计法高通滤波后图像；
图5为本发明Canny边缘算子识别后图像；
图6为本发明采用闭运算+孔洞填充后图像；
图7为本发明为框架标注后图像。
具体实施方式
本实施例中，一种基于图像二维幅值估计的桥梁自动结构裂缝识别方法是通过轨道机器人上安装的摄像头，对于桥梁桥台部***缝图像进行采集，具体流程图如图1所示，包含以下步骤：
步骤1：采集桥台底部的混凝土裂缝图片并进行灰度化处理，得到灰度图像；灰度图像如图2所示；
步骤2：对于初步得到的裂缝灰度图像，定义初始阈值为T0，并按照初始阈值T0将灰度化图像分为两部分图像，分别计算两部分图像的灰度均值，将两部分图像的灰度均值取平均值后得到新的阈值T1，将新的阈值T1与初始阈值T0相比较，若两者的差值小于“1”，则将新的阈值T1作为最终的分割阈值T；否则，重复按照式(1)的方式计算，直到两者的差值小于“1”为止；
Figure BDA0002978314060000031
式(1)中，U1和U2为两部分图像的灰度均值，Ti为第i次迭代的阈值；
步骤3：按照分割阈值T对灰度化图像进行分割，得到分割后的图像；计算分割后的图像的连通域面积，得到裂缝图像；
步骤4：判断裂缝图像中所有裂缝的特征点的像素总数以及所有裂缝的特征点像素所占所述裂缝图像中所有像素点的比例；
当裂缝的特征点像素所占的比例大于裂缝判定阈值时，则所述裂缝图像中的裂缝判定为Ⅰ类裂缝，否则，判定为Ⅱ类裂缝，通过对于裂缝的分类，并对不同类型采用不同的图像处理方法，实现在对不同类型裂缝在识别效果上的统一性，在尽可能不破坏裂缝的情况下对噪音进行消除；
步骤5：对于Ⅰ类裂缝，通过二维幅值估计法对所述裂缝图像转化为二维频域图像，具体转化方法如式(2))所示；
Figure BDA0002978314060000041
式(2)中，m1和m2为假设的二维匹配滤波长度，A(ω1,ω2)为二维滤波器，ω1,ω2任意数值所对应的频率；
Figure BDA0002978314060000042
为二维傅里叶变量，并有：
Figure BDA0002978314060000043
式(3)中，g(ω1,ω2)为二维傅里叶变换的函数；
Figure BDA0002978314060000044
为前向后协方差矩阵；
再对二维频域图像进行高通滤波处理，得到滤波后的频域图像；采用傅里叶逆变换将滤波后的频域图像转换为滤波后的裂缝图像；
对于Ⅱ类裂缝，先采用均值漂移方法对分类后的裂缝图像中背景进行图像降噪，平滑背景后的裂缝图像如图3所示，图3中处理后的裂缝图像不仅保留了裂缝边缘的细节特征，还对背景中所存在的背景结构表面纹理或污染、路面凹坑或混凝土剥落等影响进行消除；均值漂移的具体方法如式(4)所示；
Figure BDA0002978314060000045
式(4)中，MT(x)为基于核函数的轮廓函数，x为空间中的一个点；K为单位核函数，h为d*d的带宽矩阵，ω为根据距离的采样点xi的权重。带宽矩阵存在形式为
Figure BDA0002978314060000046
hi为核函数的带宽；通过这样形式将裂缝边缘的细节进行聚集，达到平滑图片的效果；
再对平滑后的裂缝图像采用二维幅值估计法中的低通滤波，再使用傅里叶逆变换将低通滤波后的频域图像转换为滤波后的裂缝图像，如图4所示；
步骤6：采用Canny边缘检测方法对滤波后的裂缝图像或平滑背景后的裂缝图像进行裂缝识别，得到离散裂缝图像，如图5所示，Canny边缘检测能够详细的标注裂缝边缘，但是裂缝内部还未得到填充；
步骤7：为了保证裂缝的完整性，采用闭运算和孔洞填充的方式对所述离散裂缝图像中的所有离散裂缝进行裂缝连接与补齐，从而得到填充后的裂缝图像，并对于所有小于指定面积的特征阈值的连通域删去，得到效果如图6所示；
步骤8：根据裂缝的线状几何特点，对于填充后的裂缝图像中的裂缝所在连通域进行标注，并计算所标注的连通域的面积以及在填充后的裂缝图像上所占的像素数量，从而得到裂缝的尺寸如图7所示。
从图6与图2可以看出本发明提出的一种基于图像二维幅值估计的桥梁自动结构裂缝识别方法，抗干扰能力强，识别精度高，适用于工程实际中。

Claims (1)

1.一种基于图像二维幅值估计的桥梁自动结构裂缝识别方法，其特征是包含以下步骤：
步骤1：采集桥台底部的混凝土裂缝图片并进行灰度化处理，得到灰度图像；
步骤2：定义初始阈值为T0，并按照初始阈值T0将灰度化图像分为两部分图像，分别计算两部分图像的灰度均值，将两部分图像的灰度均值取平均值后得到新的阈值T1，将新的阈值T1与初始阈值T0相比较，若两者的差值小于“1”，则将新的阈值T1作为最终的分割阈值T；否则，重复计算，直到两者的差值小于“1”为止；
步骤3：按照分割阈值T对灰度化图像进行分割，得到分割后的图像；计算分割后的图像的连通域面积，得到裂缝图像；
步骤4：判断裂缝图像中所有裂缝的特征点的像素总数以及所有裂缝的特征点像素所占所述裂缝图像中所有像素点的比例；
当裂缝的特征点像素所占的比例大于裂缝判定阈值时，则所述裂缝图像中的裂缝判定为Ⅰ类裂缝，否则，判定为Ⅱ类裂缝；
步骤5：对于Ⅰ类裂缝，通过二维幅值估计法对所述裂缝图像转化为二维频域图像，再对二维频域图像进行高通滤波处理，得到滤波后的频域图像；采用傅里叶逆变换将滤波后的频域图像转换为滤波后的裂缝图像；
对于Ⅱ类裂缝，先采用均值漂移方法对分类后的裂缝图像中背景进行图像降噪，再对降噪后的裂缝图像采用二维幅值估计法中的低通滤波转化为平滑背景后的裂缝图像；
步骤6：采用Canny边缘检测方法对滤波后的裂缝图像或平滑背景后的裂缝图像进行裂缝识别，得到离散裂缝图像；
步骤7：采用闭运算和孔洞填充的方式对所述离散裂缝图像中的所有离散裂缝进行裂缝连接与补齐，从而得到填充后的裂缝图像；
步骤8：根据裂缝的线状几何特点，对于填充后的裂缝图像中的裂缝所在连通域进行标注，并计算所标注的连通域的面积以及在填充后的裂缝图像上所占的像素数量，从而得到裂缝的尺寸。
CN202110280857.3A 2021-03-16 2021-03-16 基于图像二维幅值估计的桥梁自动结构裂缝识别方法 Active CN112785594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110280857.3A CN112785594B (zh) 2021-03-16 2021-03-16 基于图像二维幅值估计的桥梁自动结构裂缝识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110280857.3A CN112785594B (zh) 2021-03-16 2021-03-16 基于图像二维幅值估计的桥梁自动结构裂缝识别方法

Publications (2)

Publication Number Publication Date
CN112785594A CN112785594A (zh) 2021-05-11
CN112785594B true CN112785594B (zh) 2022-08-30

Family

ID=75762699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110280857.3A Active CN112785594B (zh) 2021-03-16 2021-03-16 基于图像二维幅值估计的桥梁自动结构裂缝识别方法

Country Status (1)

Country Link
CN (1) CN112785594B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113899675B (zh) * 2021-10-13 2022-05-27 淮阴工学院 一种基于机器视觉的混凝土抗渗自动检测方法、装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915526A (zh) * 2012-09-18 2013-02-06 合肥工业大学 基于互补场景模型的球面全景图缺失信息修复方法
CN103400139A (zh) * 2013-07-04 2013-11-20 中南大学 一种混凝土裂缝特征信息的识别方法
CN109580657A (zh) * 2019-01-23 2019-04-05 郑州工程技术学院 一种桥梁质量检测中的裂缝检测方法
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
CN111145161A (zh) * 2019-12-28 2020-05-12 北京工业大学 一种路面裂缝数字图像处理和识别的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8750596B2 (en) * 2011-08-19 2014-06-10 Cognex Corporation System and method for identifying defects in a material
AU2015392660B2 (en) * 2015-04-27 2019-05-16 Wuhan Optics Valley Zoyon Science And Technology Co., Ltd. Stepwise-refinement pavement crack detection method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915526A (zh) * 2012-09-18 2013-02-06 合肥工业大学 基于互补场景模型的球面全景图缺失信息修复方法
CN103400139A (zh) * 2013-07-04 2013-11-20 中南大学 一种混凝土裂缝特征信息的识别方法
CN109580657A (zh) * 2019-01-23 2019-04-05 郑州工程技术学院 一种桥梁质量检测中的裂缝检测方法
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
CN111145161A (zh) * 2019-12-28 2020-05-12 北京工业大学 一种路面裂缝数字图像处理和识别的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Cement Pavement Crack Identification Method Based on DFT Transformation and Crack Segment Splicing Method;Hong Ying et.al;《IOP Conference Series: Materials Science and Engineering》;20190826;第562卷;第1-5页 *
Fatigue crack monitoring in train track steel structures using plastic optical fiber sensor;dong Yang et.al;《Measurement Science and Technology》;20170915;第28卷;第1-9页 *
基于小波和Radon变换的桥梁裂缝检测;魏武等;《计算机工程与设计》;20130916;第34卷(第09期);第3151-3157页 *
基于数字图像处理技术的混凝土裂缝特征检测与计算分析;王林林;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180315;第I138-1904页 *

Also Published As

Publication number Publication date
CN112785594A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN111814711B (zh) 一种应用于矿井机器视觉的图像特征快速匹配方法及***
Wang et al. Research on crack detection algorithm of the concrete bridge based on image processing
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN112950508A (zh) 一种基于计算机视觉的排水管道视频数据修复方法
CN107490582B (zh) 一种流水线工件检测***
CN113592861A (zh) 一种基于动态阈值的桥梁裂缝检测方法
WO2023082418A1 (zh) 基于人工智能技术的电力综合管廊沉降裂缝识别方法
Dan et al. Automatic recognition of surface cracks in bridges based on 2D-APES and mobile machine vision
CN112258444A (zh) 一种电梯钢丝绳检测方法
CN115684176A (zh) 一种薄膜表面缺陷在线视觉检测***
CN114332026A (zh) 一种铭牌表面划痕缺陷的视觉检测方法及装置
CN116660286A (zh) 基于图像分割的线束剥头测量与缺陷检测方法及***
CN114549441A (zh) 基于图像处理的吸管缺陷检测方法
CN112785594B (zh) 基于图像二维幅值估计的桥梁自动结构裂缝识别方法
Berwo et al. Automotive engine cylinder head crack detection: Canny edge detection with morphological dilation
CN115601379A (zh) 一种基于数字图像处理的表面裂纹精确检测技术
CN115018785A (zh) 基于视觉振频识别的提升钢丝绳张力检测方法
CN115082849A (zh) 基于深度学习的模板支架安全智能监测方法
CN117237330B (zh) 基于机器视觉的自动化桥梁缺陷检测方法
CN111882537B (zh) 视觉检测方法及***
CN112330633B (zh) 基于自适应带通滤波的跨接线胶带破损故障图像分割方法
Mustapha et al. Crack Detection on Surfaces Using Digital Image Processing
CN109064417B (zh) 地铁隧道图像处理方法及装置
CN113870328A (zh) 一种液体异物视觉检测方法及***
CN112508908B (zh) 基于图像处理动车组撒砂管接头断开故障检测方法

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