CN116385434A - 一种用于预制梁裂缝的智能检测方法 - Google Patents
一种用于预制梁裂缝的智能检测方法 Download PDFInfo
- Publication number
- CN116385434A CN116385434A CN202310643925.7A CN202310643925A CN116385434A CN 116385434 A CN116385434 A CN 116385434A CN 202310643925 A CN202310643925 A CN 202310643925A CN 116385434 A CN116385434 A CN 116385434A
- Authority
- CN
- China
- Prior art keywords
- target
- crack
- pixel point
- target area
- probability
- 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 21
- 238000003708 edge detection Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012986 modification Methods 0.000 abstract description 5
- 230000004048 modification Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000008646 thermal stress Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20076—Probabilistic image 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及数据处理技术领域,公开了一种用于预制梁裂缝的智能检测方法,包括获取RGB图像中的目标像素点及热红外图像中的第一目标区域,获取第一目标区域中的第二目标区域,利用更新后的目标像素点的最小阈值及RGB图像中其他像素点的最小阈值作为对RGB图像进行Canny边缘检测时对应每个像素点的最小阈值进行Canny边缘检测得到所有边缘,利用边缘中的疑似裂缝所对应的第一目标区域的热边缘概率对疑似裂缝的对应的裂缝概率进行更新得到每条疑似裂缝的更新裂缝概率,获得所有裂缝,避免了全局修改阈值缩放系数,导致大量的噪点的引入的问题;得到了更加精确的边缘区域和完整裂缝边缘。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于预制梁裂缝的智能检测方法。
背景技术
在建筑工程中,将预制梁在工厂进行预制,再运至施工现场按设计要求位置进行安装固定的梁,对预制梁上的裂缝需要进行检测,但是由于预制梁体积较大,人工难以准确识别,因此往往采用高空摄像,对图像进行分析,来获得预制梁上的裂缝图像;
目前在对图像中的裂缝图像进行检测时,通过阈值分割来检测,但该方法只有当裂缝较为明显时,检测精度较高,但预制梁体积较大,现场环境复杂,导致阴影存在,使得有些裂缝区域无法检测到。
发明内容
本发明用于解决目前裂缝检测精度过低,无法能够准确的将预制梁上的裂缝检测出来,提供一种通过热红外图像对RGB图像上的不清晰的裂缝进行识别,得到了完整的裂缝的用于建筑工程质量的智能检测方法,包括:
获取预制梁的RGB图像及热红外图像;
获取热红外图像中的第一目标区域;并获取每个第一目标区域的热边缘概率;
获取对RGB图像进行Canny边缘检测的双阈值,并提取RGB图像中梯度值小于双阈值中最小阈值所对应的目标像素点,并获取每个目标像素点在热红外图像中对应的像素点,根据每个目标像素点对应的像素点到每个第一目标区域的欧式距离获取第一目标区域中每个目标像素点所对应的第二目标区域;
根据每个目标像素点所对应的第二目标区域的热边缘概率获取每个目标像素点的阈值缩放系数,根据每个目标像素点的阈值缩放系数对目标像素点在进行双阈值检测时最小阈值进行更新得到RGB图像在进行双阈值检测时目标像素点的自适应最小阈值;
利用更新后的目标像素点的自适应最小阈值及RGB图像中其他像素点的最小阈值作为对RGB图像进行Canny边缘检测时对应每个像素点的最小阈值进行Canny边缘检测得到所有边缘;
获取每条边缘属于裂缝边缘的裂缝概率,利用每条边缘的裂缝概率确定该所有边缘中的裂缝和疑似裂缝;
利用疑似裂缝在热红外图像中所对应的第一目标区域的热边缘概率对疑似裂缝的对应的裂缝概率进行更新得到每条疑似裂缝的更新裂缝概率,并利用更新后的每条疑似裂缝的更新裂缝概率确定所有疑似裂缝中的裂缝。
进一步,利用疑似裂缝在热红外图像中所对应的第一目标区域的热边缘概率对疑似裂缝的对应的裂缝概率进行更新的方法包括:
获取每个疑似裂缝与每个第一目标区域的相似度;
利用获得的相似度得到与每个疑似裂缝与匹配的第一目标区域;
将每个疑似裂缝所对应边缘的裂缝概率、所匹配的第一目标区域的热边缘概率及相似度得到更新后的更新裂缝概率。
进一步,获取每个第一目标区域的热边缘概率的方法包括:
获取每个第一目标区域的中线,中线上每个像素点的切线的垂线;
提取中线上每个像素点所对应的垂线与第一目标区域边缘的两个交点;
利用中线上每个像素点的灰度值分别与两个交点的灰度值进行对比;
根据不同的对比结果对中线上的像素点进行赋值;
利用每个第一目标区域的中线上所有像素点的赋值及数量得到第一目标区域的热边缘概率。
进一步,获取第一目标区域中每个目标像素点所对应的第二目标区域的方法包括:
根据每个目标像素点对应的像素点到每个第一目标区域的欧式距离的大小对第一目标区域进行排序,将该排序作为每个目标像素点的第一目标区域序列;
获取每个目标像素点的第一目标区域序列中最大的热边缘概率所对应的第一目标区域所在的位置作为目标位置;
将目标位置之前所有的第一目标区域及位于目标位置的第一目标区域作为每个目标像素点的第二目标区域。
进一步,获取每个目标像素点的阈值缩放系数的方法包括:
每个目标像素点的阈值缩放系数的公式如下:
式中:表示为阈值缩放系数,/>表示第i个第二目标区域的热边缘概率;N表示每个目标像素点对应的第二目标区域的数量;/>表示目标像素点对应的像素点到第i个第二目标区域的欧式距离;/>表示为每个目标像素点对应的所有第二目标区域的热边缘概率之和。
进一步,获取每个疑似裂缝与每个第一目标区域的相似的方法包括:
获取每个疑似裂缝和每个第一目标区域的最小外接矩形;
对每个最小外接矩形内的图像矩阵进行分解得到多个特征向量;
利用每个疑似裂缝的最小外接矩形的特征向量与每个第一目标区域的最小外接矩形的特征向量进行匹配得到每个疑似裂缝与第一目标区域的相似度。
本发明的有益效果是:本发明通过对预制梁的热红外图像和RGB图像,获取RGB图像中的目标像素点及热红外图像中的第一目标区域,利用每个目标像素点到每个第一目标区域的欧式距离获取第一目标区域中的第二目标区域,根据每个目标像素点所对应的第二目标区域的热边缘概率获取每个目标像素点的阈值缩放系数,利用每个目标像素点的阈值缩放系数对目标像素点在进行Canny边缘检测时的最小阈值进行更新,利用更新后的目标像素点的最小阈值及RGB图像中其他像素点的最小阈值作为对RGB图像进行Canny边缘检测时对应每个像素点的最小阈值进行Canny边缘检测得到所有边缘,然后利用边缘中的疑似裂缝所对应的第一目标区域的热边缘概率对疑似裂缝的对应的裂缝概率进行更新得到每条疑似裂缝的更新裂缝概率,获得所有裂缝,通过计算每个像素点的阈值缩放系数,避免了全局修改阈值缩放系数,导致大量的噪点的引入的问题;通过热红外边缘与canny边缘的互相验证补充,得到了更加精确的边缘区域和完整裂缝边缘。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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为本发明方法流程示意图;
图2为本发明是实施例中对疑似裂缝的对应的裂缝概率进行更新方法的流程示意图;
图3为本发明实施例中获取第一目标区域中每个目标像素点所对应的第二目标区域的方法的流程示意图;
图4为本发明实施例中的裂缝图像;
图5是对图4中不明显裂缝进行标记的图像。
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。
实施例1
如图1所示的本发明提供给一种用于预制梁裂缝的智能检测方法,包括:
通过多光谱相机对预制梁的RGB图像和热红外图像进行采集,在采集时,将多光谱相机可以进行移动对所有的预制梁图像(RGB图像和热红外图像)进行采集,然后进行拼接形成完整的预制梁图像(拼接方法为本技术领域的公知常识,在这里不进行详细的描述),方便后续的处理,也可以单一的图像进行处理,采集到的RGB图像与热红外图像中图像所在的位置必须完全相同,如RGB图像中的像素点与热红外图像同一位置的像素点所代表的图像(该图像为所记录的物体)完全相同。
由于预制梁在使用过程中,会由于光照造成温度升高,当温度升高时,混凝土表面的热膨胀系数较大,而裂缝两侧混凝土的热膨胀系数不同,因此会引起混凝土内部温度梯度的变化,从而产生热应力作用,因此通常情况下裂缝两侧的温度高于裂缝处的温度,鉴于此原因本实施例采集了预制梁的热红外图像来对RGB图像中不清楚的裂缝进行识别;
由于热红外图像中裂缝处的温度高于其它位置,因此为了得到准确的裂缝在热红外图像中需要先获取高温区域,即本实施例记载的第一目标区域;在获取第一目标区域的同时根据第一目标区域的灰度值得到第一目标区域的热边缘概率,该热边缘概率作为热红外图像中裂缝的概率,并将热边缘概率低于0.7(概率阈值)的第一目标区域进行去除,得到去除后的所有第一目标区域作为热红外图像中的最终第一目标区域;
由于RGB图像通过canny进行边缘检测时,存在较大误差,如图4和图5所示,图4是裂缝原图像,图5为对图4中裂缝不明显进行标记得到图像,在canny边缘检测中为了减少伪边缘,采用双阈值的方法对边缘像素点进行保留,大于高阈值的保留,位于高低阈值之间的看像素点的邻域像素点是否有高阈值像素点,进行保留;小于低阈值的像素点删除;而图5中标记的区域可能是高低阈值之间,由于较大邻域内才有高阈值像素点,可能被删除;标记区域也可能是小于低阈值,导致直接被删除;为了避免这些情况的发生,保留标记区域,本实施例采用这些像素点与热红外图像中边缘的关系作为像素点保留的一个参考因素,使得标记区域的像素点也可以保留下来;
具体的是,获取对RGB图像进行Canny边缘检测的双阈值,在对RGB图像进行Canny边缘检测时采用的双阈值中的高阈值用K1表示,低阈值采用K2表示,由于在进行Canny边缘检测时,出现某个边缘的梯度较小,即梯度值小于K2,在检测时容易将这些像素点进行剔除,而这些像素点可能是裂缝区域,为确保能够将这些像素点进行保存,因此需要对该类像素点在进行边缘检测时,需要低阈值K2进行自适应调节得到自适应的低阈值K2来确保在对该像素点进行边缘检测时不会出现是边缘被剔除的情况;在获取容易被剔除的像素点时,将RGB图像中梯度值小于双阈值中最小阈值K2的像素点进行提取,并将该像素点作为目标像素点;由于本实施例需要引用热红外图像来对裂缝进行识别,因在获取目标像素点后,需要获取热红外图像中与目标像素点同位置的像素点,将热红外图像中雨目标像素点同位之的像素点作为在热红外图像中对应的像素点;
由于目标像素点热红外图像中对应的像素点与邻近高温区域的距离关系,如果某个特征不明显区域与一个高概率高温区域的欧式距离相近,则可以作为一个依据,降低该处的阈值要求,使得该区域被保留下来,鉴于此需要将所有第一目标区域中符合条件的第二目标区域筛选出来;
主要是利用每个目标像素点对应的像素点到每个第一目标区域的欧式距离来获取第一目标区域中每个目标像素点所对应的第二目标区域;
然后根据每个目标像素点所对应的第二目标区域的热边缘概率获取每个目标像素点的阈值缩放系数。
所述阈值缩放系数是由1减去反阈值缩放系数获取,反阈值缩放系数是指结果值与阈值缩放系数相反,第二目标区域与目标像素点对应的像素点的欧式距离越小,第二目标区域的热边缘概率越大,对应的反阈值缩放系数越大,即得到一个越大的值,但由于该值是作为低阈值的系数,因此该值越大,低阈值修正后越大,因此需要用1减去反阈值缩放系数,得到阈值缩放系数;每个点有一个阈值缩放系数,避免了全局修改阈值缩放系数,导致大量的噪点的引入;
根据每个目标像素点的阈值缩放系数对目标像素点在进行双阈值检测时最小阈值进行更新得到RGB图像在进行双阈值检测时目标像素点的自适应最小阈值;具体的是通过目标像素点的阈值缩放系数与k2的乘积作为目标像素点对应的更新后的低阈值作为自适应最小阈值;
然后利用更新后的目标像素点的自适应最小阈值及RGB图像中其他像素点的最小阈值作为对RGB图像进行Canny边缘检测时对应每个像素点的最小阈值进行Canny边缘检测得到所有边缘;
利用每条边缘上所有点的平均梯度与低阈值的比值,通过最大比值进行归一化,得到每条边缘的比值,作为每条边缘的边缘概率,该边缘概率即为每条边缘属于裂缝边缘的裂缝概率,利用每条边缘的裂缝概率确定该所有边缘中的裂缝和疑似裂缝得到的;将所有边缘中的裂缝作为识别出的裂缝,在判断边缘是否为裂缝时,当边缘的裂缝概率大于0.7时将该边缘作为裂缝,当边缘的裂缝概率小于0.7时,将该边缘作为疑似裂缝;然后对疑似裂缝是否为裂缝进行判断;
具体的是利用疑似裂缝在热红外图像中所对应的第一目标区域的热边缘概率对疑似裂缝的对应的裂缝概率进行更新得到每条疑似裂缝的更新裂缝概率,并利用更新后的每条疑似裂缝的更新裂缝概率确定所有疑似裂缝中的裂缝,当疑似裂缝更新后的裂缝概率值大于0.7时,该疑似裂缝为裂缝,当小于0.7时,该疑似裂缝不是裂缝,完成了对RGB图像中所有裂缝的识别,提高了裂缝识别的精度,为后续对预制梁质量的判断提供了准确的参数。
实施例2
在实施例1的基础上,由于热红外图像上热传递的原因,导致裂缝边界的模糊,导致对疑似裂缝是否为裂缝不能通过裂缝概率进行准确的判断,本实施例为了能够将疑似裂缝中的裂缝准确的识别出来,通过RGB边缘与热红外边缘的匹配,得到裂缝区域的同时得到高精度的裂缝边缘。
边缘区域的裂缝概率越大,对应匹配的第二目标区域的热边缘概率越大,该边缘区域的边缘概率越大,即原来边缘概率较小的,但是对应的匹配高温区域的概率较大,且边缘形状相近,则该边缘的概率应该较大;
为了确保疑似裂缝的边缘概率更加准确,如图2所示本实施例提供了一种利用疑似裂缝在热红外图像中所对应的第一目标区域的热边缘概率对疑似裂缝的对应的裂缝概率进行更新的方法包括:
获取每个疑似裂缝与每个第一目标区域的相似度;
在获取相似度时,首先获取每个疑似裂缝和每个第一目标区域的最小外接矩形;
对每个最小外接矩形内的图像矩阵进行K-SVD分解得到多个特征向量和每个特征向量对应的特征值,保持每个最小外接矩形得到的多个特征向量的特征值的最大十个特征值及其对应的特征向量,将疑似裂缝的最小外接矩形获取的特征向量作为一侧节点,将第一目标区域的最小外接矩形获取的特征向量作为另一侧节点,采用KM匹配中最大匹配原则计算得到每个疑似裂缝区域与每个第一目标区域匹配结果,将匹配结果的边值作为每个疑似裂缝与每个第一目标区域的相似度,本实施例中的KM匹配属于本领域常规的KM匹配方法,关于该KM匹配方法的具体过程在这里就不进行具体的阐述;
当疑似裂缝与第一目标区域的相似度大于等于0.7时,将该第一目标区域作为疑似裂缝的匹配目标区域;得到所有疑似裂缝匹配的第一目标区域;
将每个疑似裂缝所对应边缘的裂缝概率、所匹配的第一目标区域的热边缘概率及相似度得到更新后的更新裂缝概率;
式中:表示疑似裂缝更新后的更新裂缝概率,/>表示疑似裂缝所匹配的第一目标区域的热边缘概率;/>表示疑似裂缝更新裂缝前的裂缝概率;/>表示疑似裂缝与其所匹配的第一目标区域的相似度,通过该公式可以看出/>越大,疑似裂缝为裂缝边缘的概率越大;相似度/>越大,疑似裂缝为裂缝边缘的概率越大。
实施例3
每个第一目标区域(温度较高区域)不一定是裂缝区域,也可能是由于光照情况不同,受到某个区域的光照反射,光强较大,造成某个非裂缝区域的温度较高;通过裂缝高温区域的性质来区分,当温度升高时,混凝土表面的热膨胀系数较大,而裂缝两侧混凝土的热膨胀系数不同,因此会引起混凝土内部温度梯度的变化,从而产生热应力作用,因此通常情况下裂缝两侧的温度高于裂缝处的温度,鉴于此本实施例通过每个第一目标区域的热边缘来判断第一目标区域是否为裂缝区域;因此在判断第一目标区域是否为裂缝区域,要得到每个第一目标区域的热边缘概率;
因此在实施例1的基础上,如图2所示本实施例提供了每个第一目标区域的热边缘概率的方法,包括:
对每个第一目标区域进行骨架提取获取每个第一目标区域的中线,获取每个中线上的所有像素点,过中线上每个像素点的切线做垂线;
获取垂线与其对应的第一目标区域边缘的两个交点;因此得到中线上所有像素点对应的两个交点;
利用中线上每个像素点的灰度值分别与其对应两个交点的灰度值进行对比;
根据不同的对比结果对中线上的像素点进行赋值;具体的是当中线上像素点的灰度值小于其对应的两个交点的像素值时,将其中线上该像素点赋值2,当中线上像素点的灰度值小于两个交点其中一个交点的像素值时,将其中线上该像素点赋值1,当中线上像素点的灰度值大于其对应的两个交点的像素值时,将其中线上该像素点赋值0,按此对中线上所有像素点完成赋值;
利用每个第一目标区域的中线上所有像素点的赋值及数量得到第一目标区域的热边缘概率;具体的表达式为:
表示中线上所有像素点的标记值和;/>表示中线上的像素点数量,通过计算得到了每个第一目标区域的热边缘概率,即每个第一目标区域确实为裂缝区域的概率,将热边缘概率大于0.7的高温区域进行保留,参与之后的计算。
实施例4
Canny边缘检测过程中的双阈值筛选,可能存在较大误差,如果某个边缘的梯度较小,往往就直接被筛选掉了,但实际上可能属于裂缝区域,只是特征不明显。因此本实施例首先通过目标像素点在热红外图像中对应的像素点与邻近高温区域的距离关系,如果某个特征不明显区域与一个高概率高温区域的欧式距离相近,则可以作为一个依据,降低该处的阈值要求,使得该区域被保留下来;
因此本实施例采用如图3所示的获取第一目标区域中每个目标像素点所对应的第二目标区域的方法包括:
根据每个目标像素点对应的像素点到每个第一目标区域的欧式距离的大小对第一目标区域进行排序,将该排序作为每个目标像素点的第一目标区域序列;
获取每个目标像素点的第一目标区域序列中最大的热边缘概率所对应的第一目标区域所在的位置作为目标位置;
将目标位置之前所有的第一目标区域及位于目标位置的第一目标区域作为每个目标像素点的第二目标区域;
例:如第一目标区域:B1、B2、 B3、B4、 B5、B6、 B7、B8、 B9、B10;
每个目标像素点的其中一个目标像素点A,获取该目标像素点A对应的像素点到每个第一目标区域的欧式距离为:
根据其欧式距离的大小对其进行排序,排序是按照从小到大进行排序,该目标像素点A到每个目标像素点的欧式距离的顺序为:
如第一目标区域B1、B2、 B3、B4、 B5、B6、 B7、B8、 B9、B10的热边缘概率中B7的热边缘概率最大,按照目标位置之前所有的第一目标区域及位于目标位置的第一目标区域作为每个目标像素点的第二目标区域的方法,得到的第二目标区域为B3、B5、B1、B8、B2、B7,完成了A目标像素点对应的第二目标区域的筛选;
在获得目标像素点对应的第二目标区域后,按照如下方法获取每个目标像素点的阈值缩放系数的方法:
每个目标像素点的阈值缩放系数的公式如下:
式中:表示为阈值缩放系数,/>表示第i个第二目标区域的热边缘概率;N表示每个目标像素点对应的第二目标区域的数量;/>表示目标像素点对应的像素点到第i个第二目标区域的欧式距离;/>表示为每个目标像素点对应的所有第二目标区域的热边缘概率之和。
对于每个目标像素点来说,通过第二目标区域的距离加权的方法得到每个点的反阈值缩放系数:
所述反阈值缩放系数是指结果值与想要的阈值缩放系数相反,第二目标区域与目标像素点的欧式距离越小,第二目标区域的热边缘概率越大,对应的反阈值缩放系数越大,即得到一个越大的值,但由于该值是作为低阈值的系数,因此该值越大,低阈值修正后越大,因此需要用1减去反阈值缩放系数,得到阈值缩放系数;每个点有一个阈值缩放系数,避免了全局修改阈值缩放系数,导致大量的噪点的引入;
通过计算可以得到每个小于低阈值K2点的阈值缩放系数,将阈值缩放系数与低阈值K2的乘积作为该点对应的更新后的低阈值,利用每个目标像素点更新后的低阈值和原高阈值进行canny边缘检测的其它过程完成边缘检测。
对canny边缘检测得到的每条边缘,计算每条边缘上所有点的平均梯度与低阈值的比值,通过最大比值进行归一化,得到每条边缘的比值,作为每条边缘的边缘概率,所述边缘概率即每条边缘属于裂缝边缘的概率,避免了全局修改阈值缩放系数,导致大量的噪点的引入的问题,提高了裂缝的识别精度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种用于预制梁裂缝的智能检测方法,其特征在于,包括:
获取预制梁的RGB图像及热红外图像;
获取热红外图像中的第一目标区域;并获取每个第一目标区域的热边缘概率;
获取对RGB图像进行Canny边缘检测的双阈值,并提取RGB图像中梯度值小于双阈值中最小阈值所对应的目标像素点,并获取每个目标像素点在热红外图像中对应的像素点,根据每个目标像素点对应的像素点到每个第一目标区域的欧式距离获取第一目标区域中每个目标像素点所对应的第二目标区域;
根据每个目标像素点所对应的第二目标区域的热边缘概率获取每个目标像素点的阈值缩放系数,根据每个目标像素点的阈值缩放系数对目标像素点在进行双阈值检测时最小阈值进行更新得到RGB图像在进行双阈值检测时目标像素点的自适应最小阈值;
利用更新后的目标像素点的自适应最小阈值及RGB图像中其他像素点的最小阈值作为对RGB图像进行Canny边缘检测时对应每个像素点的最小阈值进行Canny边缘检测得到所有边缘;
获取每条边缘属于裂缝边缘的裂缝概率,利用每条边缘的裂缝概率确定该所有边缘中的裂缝和疑似裂缝;
利用疑似裂缝在热红外图像中所对应的第一目标区域的热边缘概率对疑似裂缝的对应的裂缝概率进行更新得到每条疑似裂缝的更新裂缝概率,并利用更新后的每条疑似裂缝的更新裂缝概率确定所有疑似裂缝中的裂缝。
2.根据权利要求1所述的一种用于预制梁裂缝的智能检测方法,其特征在于,利用疑似裂缝在热红外图像中所对应的第一目标区域的热边缘概率对疑似裂缝的对应的裂缝概率进行更新的方法包括:
获取每个疑似裂缝与每个第一目标区域的相似度;
利用获得的相似度得到与每个疑似裂缝与匹配的第一目标区域;
将每个疑似裂缝所对应边缘的裂缝概率、所匹配的第一目标区域的热边缘概率及相似度得到更新后的更新裂缝概率。
3.根据权利要求1所述的一种用于预制梁裂缝的智能检测方法,其特征在于,获取每个第一目标区域的热边缘概率的方法包括:
获取每个第一目标区域的中线,中线上每个像素点的切线的垂线;
提取中线上每个像素点所对应的垂线与第一目标区域边缘的两个交点;
利用中线上每个像素点的灰度值分别与两个交点的灰度值进行对比;
根据不同的对比结果对中线上的像素点进行赋值;
利用每个第一目标区域的中线上所有像素点的赋值及数量得到第一目标区域的热边缘概率。
4.根据权利要求1所述的一种用于预制梁裂缝的智能检测方法,其特征在于,获取第一目标区域中每个目标像素点所对应的第二目标区域的方法包括:
根据每个目标像素点对应的像素点到每个第一目标区域的欧式距离的大小对第一目标区域进行排序,将该排序作为每个目标像素点的第一目标区域序列;
获取每个目标像素点的第一目标区域序列中最大的热边缘概率所对应的第一目标区域所在的位置作为目标位置;
将目标位置之前所有的第一目标区域及位于目标位置的第一目标区域作为每个目标像素点的第二目标区域。
6.根据权利要求2所述的一种用于预制梁裂缝的智能检测方法,其特征在于,获取每个疑似裂缝与每个第一目标区域的相似的方法包括:
获取每个疑似裂缝和每个第一目标区域的最小外接矩形;
对每个最小外接矩形内的图像矩阵进行分解得到多个特征向量;
利用每个疑似裂缝的最小外接矩形的特征向量与每个第一目标区域的最小外接矩形的特征向量进行匹配得到每个疑似裂缝与第一目标区域的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310643925.7A CN116385434B (zh) | 2023-06-02 | 2023-06-02 | 一种用于预制梁裂缝的智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310643925.7A CN116385434B (zh) | 2023-06-02 | 2023-06-02 | 一种用于预制梁裂缝的智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385434A true CN116385434A (zh) | 2023-07-04 |
CN116385434B CN116385434B (zh) | 2023-08-08 |
Family
ID=86971424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310643925.7A Active CN116385434B (zh) | 2023-06-02 | 2023-06-02 | 一种用于预制梁裂缝的智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385434B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703907A (zh) * | 2023-08-04 | 2023-09-05 | 合肥亚明汽车部件有限公司 | 一种基于机器视觉的汽车铸件表面缺陷检测方法 |
CN116958182A (zh) * | 2023-09-20 | 2023-10-27 | 广东华宸建设工程质量检测有限公司 | 基于图像数据的混凝土裂缝快速检测方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016107408A1 (zh) * | 2014-12-30 | 2016-07-07 | 江苏科技大学 | 窄间隙焊缝偏差的红外视觉传感检测方法及装置 |
WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
JP2017053819A (ja) * | 2015-09-11 | 2017-03-16 | 国立大学法人富山大学 | コンクリートのひび割れ検出方法及び検出プログラム |
WO2017119154A1 (ja) * | 2016-01-07 | 2017-07-13 | 三菱電機株式会社 | 検出装置および検出方法 |
US20170301078A1 (en) * | 2016-04-15 | 2017-10-19 | ecoATM, Inc. | Methods and systems for detecting cracks in electronic devices |
GB201719239D0 (en) * | 2017-11-20 | 2018-01-03 | Gkn Aerospace Services Ltd | Defect detection and correction |
WO2018008370A1 (ja) * | 2016-07-06 | 2018-01-11 | 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 |
CN109544546A (zh) * | 2018-11-30 | 2019-03-29 | 电子科技大学 | 一种基于多目标优化的红外热图像缺陷特征提取方法 |
CN109886939A (zh) * | 2019-01-30 | 2019-06-14 | 西安电子科技大学 | 基于张量投票的桥梁裂缝检测方法 |
CN110136196A (zh) * | 2019-01-30 | 2019-08-16 | 西安电子科技大学 | 一种桥梁裂缝宽度自动测量方法 |
AU2020101011A4 (en) * | 2019-06-26 | 2020-07-23 | Zhejiang University | Method for identifying concrete cracks based on yolov3 deep learning model |
CN111784677A (zh) * | 2020-07-03 | 2020-10-16 | 安徽炬视科技有限公司 | 一种基于场景分析的单摄像头刀闸臂张角识别方法 |
US20210082098A1 (en) * | 2019-09-18 | 2021-03-18 | Rupesh Wasudevrao KUMBHARE | Method and system for detection of anomalies in surfaces |
CN112529880A (zh) * | 2020-12-16 | 2021-03-19 | 武汉巨合科技有限公司 | 一种基于双目视觉的大坝图像裂纹检测装置及方法 |
WO2021135372A1 (zh) * | 2019-12-30 | 2021-07-08 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与*** |
CN113436168A (zh) * | 2021-06-25 | 2021-09-24 | 重庆邮电大学 | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 |
CN113643245A (zh) * | 2021-07-26 | 2021-11-12 | 深圳市鑫信腾科技股份有限公司 | 一种屏幕缺陷的测量方法、装置及计算机可读存储介质 |
CN114419025A (zh) * | 2022-01-27 | 2022-04-29 | 江苏泰和木业有限公司 | 一种基于图像处理的纤维板质量评估方法 |
CN114723681A (zh) * | 2022-03-22 | 2022-07-08 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土裂缝缺陷检测方法 |
CN115965623A (zh) * | 2023-03-16 | 2023-04-14 | 深圳市岑科实业有限公司 | 一种变压器生产中表面瑕疵检测方法及*** |
-
2023
- 2023-06-02 CN CN202310643925.7A patent/CN116385434B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016107408A1 (zh) * | 2014-12-30 | 2016-07-07 | 江苏科技大学 | 窄间隙焊缝偏差的红外视觉传感检测方法及装置 |
WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
JP2017053819A (ja) * | 2015-09-11 | 2017-03-16 | 国立大学法人富山大学 | コンクリートのひび割れ検出方法及び検出プログラム |
WO2017119154A1 (ja) * | 2016-01-07 | 2017-07-13 | 三菱電機株式会社 | 検出装置および検出方法 |
US20170301078A1 (en) * | 2016-04-15 | 2017-10-19 | ecoATM, Inc. | Methods and systems for detecting cracks in electronic devices |
WO2018008370A1 (ja) * | 2016-07-06 | 2018-01-11 | 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 |
GB201719239D0 (en) * | 2017-11-20 | 2018-01-03 | Gkn Aerospace Services Ltd | Defect detection and correction |
CN109544546A (zh) * | 2018-11-30 | 2019-03-29 | 电子科技大学 | 一种基于多目标优化的红外热图像缺陷特征提取方法 |
CN109886939A (zh) * | 2019-01-30 | 2019-06-14 | 西安电子科技大学 | 基于张量投票的桥梁裂缝检测方法 |
CN110136196A (zh) * | 2019-01-30 | 2019-08-16 | 西安电子科技大学 | 一种桥梁裂缝宽度自动测量方法 |
AU2020101011A4 (en) * | 2019-06-26 | 2020-07-23 | Zhejiang University | Method for identifying concrete cracks based on yolov3 deep learning model |
US20210082098A1 (en) * | 2019-09-18 | 2021-03-18 | Rupesh Wasudevrao KUMBHARE | Method and system for detection of anomalies in surfaces |
WO2021135372A1 (zh) * | 2019-12-30 | 2021-07-08 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与*** |
CN111784677A (zh) * | 2020-07-03 | 2020-10-16 | 安徽炬视科技有限公司 | 一种基于场景分析的单摄像头刀闸臂张角识别方法 |
CN112529880A (zh) * | 2020-12-16 | 2021-03-19 | 武汉巨合科技有限公司 | 一种基于双目视觉的大坝图像裂纹检测装置及方法 |
CN113436168A (zh) * | 2021-06-25 | 2021-09-24 | 重庆邮电大学 | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 |
CN113643245A (zh) * | 2021-07-26 | 2021-11-12 | 深圳市鑫信腾科技股份有限公司 | 一种屏幕缺陷的测量方法、装置及计算机可读存储介质 |
CN114419025A (zh) * | 2022-01-27 | 2022-04-29 | 江苏泰和木业有限公司 | 一种基于图像处理的纤维板质量评估方法 |
CN114723681A (zh) * | 2022-03-22 | 2022-07-08 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土裂缝缺陷检测方法 |
CN115965623A (zh) * | 2023-03-16 | 2023-04-14 | 深圳市岑科实业有限公司 | 一种变压器生产中表面瑕疵检测方法及*** |
Non-Patent Citations (3)
Title |
---|
ZHANG L 等: "Road crack detection using deep convolutional neural network", 《IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》, pages 3708 - 3712 * |
严世强 等: "基于渗流和区域生长联合分析的红外图像裂缝病害检测方法", 《现代电子技术》, vol. 43, no. 18, pages 6 - 10 * |
王道峰;周传林;: "图像分析技术在混凝土桥梁裂缝识别与计算中的应用", 筑路机械与施工机械化, no. 11, pages 79 - 84 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703907A (zh) * | 2023-08-04 | 2023-09-05 | 合肥亚明汽车部件有限公司 | 一种基于机器视觉的汽车铸件表面缺陷检测方法 |
CN116703907B (zh) * | 2023-08-04 | 2023-10-27 | 合肥亚明汽车部件有限公司 | 一种基于机器视觉的汽车铸件表面缺陷检测方法 |
CN116958182A (zh) * | 2023-09-20 | 2023-10-27 | 广东华宸建设工程质量检测有限公司 | 基于图像数据的混凝土裂缝快速检测方法 |
CN116958182B (zh) * | 2023-09-20 | 2023-12-08 | 广东华宸建设工程质量检测有限公司 | 基于图像数据的混凝土裂缝快速检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116385434B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116385434B (zh) | 一种用于预制梁裂缝的智能检测方法 | |
CN108364280B (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及*** | |
CN116596936B (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
JP6099479B2 (ja) | ひび割れ検出方法 | |
CN113658132A (zh) | 基于计算机视觉的结构件焊缝检测方法 | |
CN117314912B (zh) | 一种焊管表面焊接缺陷视觉检测方法及*** | |
JP5852919B2 (ja) | ひび割れ検出方法 | |
CN115511889A (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
CN115082466B (zh) | 一种pcb表面焊点缺陷检测方法及*** | |
CN112686264B (zh) | 数字式仪表读数方法、装置、计算机设备和存储介质 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN112258426A (zh) | 一种基于Mask RCNN的脚手架图像自动倾斜校正的方法 | |
CN115131354A (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及*** | |
CN115639248A (zh) | 一种用于建筑外墙质量检测的***及方法 | |
CN117705815B (zh) | 一种基于机器视觉的印刷缺陷检测方法 | |
CN115274486A (zh) | 一种半导体表面缺陷识别方法 | |
CN117218115B (zh) | 一种汽车配件漆面异常检测方法 | |
CN117237683B (zh) | 基于改进神经网络的芯片缺陷智慧检测*** | |
CN114004858A (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
CN114943738A (zh) | 一种基于视觉识别的传感器封装固化胶缺陷识别方法 | |
CN113643245A (zh) | 一种屏幕缺陷的测量方法、装置及计算机可读存储介质 | |
CN114120320A (zh) | 一种图像多目标信息识别方法、***及介质 |
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 |