CN116597329A - 一种基于机器视觉的桥梁裂缝检测***及方法 - Google Patents
一种基于机器视觉的桥梁裂缝检测***及方法 Download PDFInfo
- Publication number
- CN116597329A CN116597329A CN202310573461.7A CN202310573461A CN116597329A CN 116597329 A CN116597329 A CN 116597329A CN 202310573461 A CN202310573461 A CN 202310573461A CN 116597329 A CN116597329 A CN 116597329A
- Authority
- CN
- China
- Prior art keywords
- detection
- value
- preset
- minimum
- aerial vehicle
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 305
- 238000000034 method Methods 0.000 title abstract description 4
- 238000010586 diagram Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 abstract description 6
- 229910000831 Steel Inorganic materials 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器视觉的桥梁裂缝检测***及方法,其中***包括:裂缝检测图获取模块,用于获取目标桥梁对应的预设的裂缝检测图;图像采集路线规划模块,用于基于裂缝检测图,规划图像采集路线;图像采集控制模块,用于基于图像采集路线,控制无人机对目标桥梁进行图像采集,获取采集图像;裂缝检测模块,用于基于机器视觉,根据采集图像,进行裂缝检测,并输出检测结果。本发明控制无人机对目标桥梁进行图像采集,基于机器视觉,根据无人机采集的采集图像,进行裂缝检测,降低了人力成本,更避免了由于桥梁上多有车辆通行,人工巡检具有一定程度的风险性的问题,无人机可以飞行拍摄桥底、桥墩等工作人员无法抵达的地方,提升了便捷性。
Description
技术领域
本发明涉及计算机数据处理技术领域,特别涉及一种基于机器视觉的桥梁裂缝检测***及方法。
背景技术
目前,桥梁在投入使用时间较长时,可能会出现裂缝,比如:桥体混凝土表面出现麻面,导致雨水等由麻面进入,接触到内部的钢筋,导致钢筋锈胀,使得混凝土开裂等。为保证桥梁的安全性,需要定时对桥梁进行裂缝检测。
传统的,对桥梁进行裂缝巡检时,多是以人工巡检的方式实现,即安排多个工作人员在桥梁上巡视检查桥体是否出现裂缝。但是这样做存在多个不足:一、人力成本较大;二、桥梁上多有车辆通行,人工巡检具有一定程度的风险性;三、桥底、桥墩等工作人员无法抵达的地方,工作人员巡视检查存在较大难度。
因此,亟需一种解决办法,以解决上述不足。
发明内容
本发明目的之一在于提供了一种基于机器视觉的桥梁裂缝检测***,控制无人机对目标桥梁进行图像采集,基于机器视觉,根据无人机采集的采集图像,进行裂缝检测,无需安排多个工作人员在桥梁上巡视检查桥体是否出现裂缝,降低了人力成本,更避免了由于桥梁上多有车辆通行,人工巡检具有一定程度的风险性的问题,无人机可以飞行拍摄桥底、桥墩等工作人员无法抵达的地方,提升了桥梁裂缝检测的便捷性。
本发明实施例提供的一种基于机器视觉的桥梁裂缝检测***,包括:
裂缝检测图获取模块,用于获取目标桥梁对应的预设的裂缝检测图;
图像采集路线规划模块,用于基于裂缝检测图,规划图像采集路线;
图像采集控制模块,用于基于图像采集路线,控制无人机对目标桥梁进行图像采集,获取采集图像;
裂缝检测模块,用于基于机器视觉,根据采集图像,进行裂缝检测,并输出检测结果。
优选的,图像采集路线规划模块基于裂缝检测图,规划图像采集路线,执行如下操作:
获取裂缝检测图中多个检测区域的检测优先值;
基于最小包围球绘制条件,在裂缝检测图中绘制包含至少两个检测区域的最小包围球;
获取最小包围球对应的拍摄位置和拍摄角度;
基于检测次序值确定规则,根据最小包围球中的检测区域的检测优先值,确定检测次序值;
按照检测次序值从大到小将对应拍摄位置进行排序,获得位置序列;
在裂缝检测图中规划位置序列中两两拍摄位置之间的飞行路线;
将飞行路线进行首尾连接,并将拍摄角度标记于飞行路线上对应拍摄位置处,获得图像采集路线;
其中,最小包围球绘制条件包括:
最小包围球中的检测区域的区域表面的表面正对方向两两之间的方向夹角均落在预设的夹角区间内;
区域表面两两之间的最小距离均小于等于预设的第一距离阈值;
各区域表面上存在目标直线与最小包围球的同一直径平行;目标直线的两端落在区域表面的边界线上,区域表面的表面中心位置与目标直线之间的最小距离小于等于预设的第二距离阈值;
最小包围球的体积小于等于预设的体积阈值;
最小包围球中的检测区域的检测优先值两两之间的第一差值均小于等于预设的第一差值阈值;
其中,检测次序值确定规则包括:
确定最小包围球中的检测区域的检测优先值中的最大优先值和最小优先值;
当最大优先值与最小优先值之间的第二差值大于等于预设的第二差值阈值时,将最大优先值作为检测次序值;否则,将最小包围球中的检测区域的检测优先值的平均值作为检测次序值。
优选的,图像采集路线规划模块获取裂缝检测图中多个检测区域的检测优先值,执行如下操作:
从裂缝检测图中确定检测区域的区域信息;
基于预设的第一特征提取模板,对区域信息进行特征提取,获得信息特征集;
获取预设的检测优先值确定库;检测优先值确定库包括:多组一一对应的标准信息特征集和标准值;
确定信息特征集是否包含任一标准信息特征集;
当为是时,将与信息特征集包含的标准信息特征集对应的标准值作为目标值;
累加计算每一目标值,获得检测区域的检测优先值。
优选的,图像采集路线规划模块获取最小包围球对应的拍摄位置和拍摄角度,执行如下操作:
基于最小包围球中的检测区域的区域表面的表面中心位置和表面正对方向,构建第一方向向量;
将无人机对应的预设的虚拟无人机设置于最小包围球旁;
持续获取虚拟无人机的飞行位置和拍摄方向;
基于飞行位置和拍摄方向,构建第二方向向量;
对虚拟无人机进行飞行调整;对虚拟无人机进行飞行调整时,任一第一方向向量与第二方向向量之间的向量夹角均落在预设的向量夹角区间内;
直至虚拟无人机的最大拍摄范围刚好包含最小包围球中的全部的检测区域的区域表面时,将虚拟无人机当前的飞行位置作为最小包围球对应的拍摄位置,并将虚拟无人机当前的拍摄方向作为最小包围球对应的拍摄角度。
优选的,裂缝检测模块基于机器视觉,根据采集图像,进行裂缝检测,执行如下操作:
基于预设的第二特征提取模板,对采集图像进行特征提取,获得多个图像特征;
将图像特征与预设的标准图像特征库中的标准图像特征进行匹配;
当匹配符合时,确定对应采集图像上出现桥梁裂缝。
本发明实施例提供的一种基于机器视觉的桥梁裂缝检测方法,包括:
步骤S1:获取目标桥梁对应的预设的裂缝检测图;
步骤S2:基于裂缝检测图,规划图像采集路线;
步骤S3:基于图像采集路线,控制无人机对目标桥梁进行图像采集,获取采集图像;
步骤S4:基于机器视觉,根据采集图像,进行裂缝检测,并输出检测结果。
优选的,步骤S2:基于裂缝检测图,规划图像采集路线,包括:
获取裂缝检测图中多个检测区域的检测优先值;
基于最小包围球绘制条件,在裂缝检测图中绘制包含至少两个检测区域的最小包围球;
获取最小包围球对应的拍摄位置和拍摄角度;
基于检测次序值确定规则,根据最小包围球中的检测区域的检测优先值,确定检测次序值;
按照检测次序值从大到小将对应拍摄位置进行排序,获得位置序列;
在裂缝检测图中规划位置序列中两两拍摄位置之间的飞行路线;
将飞行路线进行首尾连接,并将拍摄角度标记于飞行路线上对应拍摄位置处,获得图像采集路线;
其中,最小包围球绘制条件包括:
最小包围球中的检测区域的区域表面的表面正对方向两两之间的方向夹角均落在预设的夹角区间内;
区域表面两两之间的最小距离均小于等于预设的第一距离阈值;
各区域表面上存在目标直线与最小包围球的同一直径平行;目标直线的两端落在区域表面的边界线上,区域表面的表面中心位置与目标直线之间的最小距离小于等于预设的第二距离阈值;
最小包围球的体积小于等于预设的体积阈值;
最小包围球中的检测区域的检测优先值两两之间的第一差值均小于等于预设的第一差值阈值;
其中,检测次序值确定规则包括:
确定最小包围球中的检测区域的检测优先值中的最大优先值和最小优先值;
当最大优先值与最小优先值之间的第二差值大于等于预设的第二差值阈值时,将最大优先值作为检测次序值;否则,将最小包围球中的检测区域的检测优先值的平均值作为检测次序值。
优选的,获取裂缝检测图中多个检测区域的检测优先值,包括:
从裂缝检测图中确定检测区域的区域信息;
基于预设的第一特征提取模板,对区域信息进行特征提取,获得信息特征集;
获取预设的检测优先值确定库;检测优先值确定库包括:多组一一对应的标准信息特征集和标准值;
确定信息特征集是否包含任一标准信息特征集;
当为是时,将与信息特征集包含的标准信息特征集对应的标准值作为目标值;
累加计算每一目标值,获得检测区域的检测优先值。
优选的,获取最小包围球对应的拍摄位置和拍摄角度,包括:
基于最小包围球中的检测区域的区域表面的表面中心位置和表面正对方向,构建第一方向向量;
将无人机对应的预设的虚拟无人机设置于最小包围球旁;
持续获取虚拟无人机的飞行位置和拍摄方向;
基于飞行位置和拍摄方向,构建第二方向向量;
对虚拟无人机进行飞行调整;对虚拟无人机进行飞行调整时,任一第一方向向量与第二方向向量之间的向量夹角均落在预设的向量夹角区间内;
直至虚拟无人机的最大拍摄范围刚好包含最小包围球中的全部的检测区域的区域表面时,将虚拟无人机当前的飞行位置作为最小包围球对应的拍摄位置,并将虚拟无人机当前的拍摄方向作为最小包围球对应的拍摄角度。
优选的,步骤S4:基于机器视觉,根据采集图像,进行裂缝检测,包括:
基于预设的第二特征提取模板,对采集图像进行特征提取,获得多个图像特征;
将图像特征与预设的标准图像特征库中的标准图像特征进行匹配;
当匹配符合时,确定对应采集图像上出现桥梁裂缝。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于机器视觉的桥梁裂缝检测***的示意图;
图2为本发明实施例中一种基于机器视觉的桥梁裂缝检测方法的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于机器视觉的桥梁裂缝检测***,如图1所示,包括:
裂缝检测图获取模块1,用于获取目标桥梁对应的预设的裂缝检测图;目标桥梁为需要进行裂缝检测的桥梁;裂缝检测图上标记有目标桥梁上需要进行裂缝检测的多个检测区域;
图像采集路线规划模块2,用于基于裂缝检测图,规划图像采集路线;图像采集路线途经各检测区域;
图像采集控制模块3,用于基于图像采集路线,控制无人机对目标桥梁进行图像采集,获取采集图像;无人机每抵达一个检测区域时,对检测区域进行拍照,回传拍摄的采集图像;
裂缝检测模块4,用于基于机器视觉,根据采集图像,进行裂缝检测,并输出检测结果。***自行根据采集图像,检测桥梁是否出现裂缝,当出现时,报告给管理人员。
上述技术方案的工作原理及有益效果为:
本申请控制无人机对目标桥梁进行图像采集,基于机器视觉,根据无人机采集的采集图像,进行裂缝检测,无需安排多个工作人员在桥梁上巡视检查桥体是否出现裂缝,降低了人力成本,更避免了由于桥梁上多有车辆通行,人工巡检具有一定程度的风险性的问题,无人机可以飞行拍摄桥底、桥墩等工作人员无法抵达的地方,提升了桥梁裂缝检测的便捷性。
在一个实施例中,图像采集路线规划模块2基于裂缝检测图,规划图像采集路线,执行如下操作:
获取裂缝检测图中多个检测区域的检测优先值;检测优先值越大,对应检测区域越需要优先进行图像采集,从而优先进行裂缝检测;
基于最小包围球绘制条件,在裂缝检测图中绘制包含至少两个检测区域的最小包围球;
获取最小包围球对应的拍摄位置和拍摄角度;
基于检测次序值确定规则,根据最小包围球中的检测区域的检测优先值,确定检测次序值;
按照检测次序值从大到小将对应拍摄位置进行排序,获得位置序列;
在裂缝检测图中规划位置序列中两两拍摄位置之间的飞行路线;
将飞行路线进行首尾连接,并将拍摄角度标记于飞行路线上对应拍摄位置处,获得图像采集路线;由此,基于图像采集路线对无人机进行控制时,控制无人机按照图像采集路线进行飞行,抵达拍摄位置时,控制无人机进行停留,以拍摄位置处标记的拍摄角度对最小包围球内的检测区域进行图像采集;
其中,最小包围球绘制条件包括:
最小包围球中的检测区域的区域表面的表面正对方向两两之间的方向夹角均落在预设的夹角区间内;表面正对方向为由区域表面的表面中心位置垂直向外的方向;夹角区间可以为,比如:0到20度;满足这一条件时,使得最小包围球内的各个检测区域正对方向大致相同,这样一来,无人机在拍摄时就有一个角度可以拍到最小包围球中的全部检测区域;
区域表面两两之间的最小距离均小于等于预设的第一距离阈值;第一距离阈值可以为,比如:0.8米;满足这一条件时,可以使得最小包围球中的检测区域不会距离太远,提升紧凑性;
各区域表面上存在目标直线与最小包围球的同一直径平行;满足这一条件时,可以使得各区域表面之间近似平行,这样一来,无人机在拍摄时就有一个角度可以近似正对着拍到最小包围球中的全部检测区域;
目标直线的两端落在区域表面的边界线上,区域表面的表面中心位置与目标直线之间的最小距离小于等于预设的第二距离阈值;第二距离阈值可以为,比如:0.4米;满足这一条件时,可以使得目标直线跨越区域表面的跨度越大,更加使得各区域表面之间近似平行;
最小包围球的体积小于等于预设的体积阈值;体积阈值可以为,比如:10立方米;满足这一条件时,可以使得无人机拍摄最小包围球中的全部检测区域时,不会因为需要拍摄的画面过大造成拍摄不清晰的情形;
最小包围球中的检测区域的检测优先值两两之间的第一差值均小于等于预设的第一差值阈值;第一差值阈值可以为,比如:10;满足这一条件时,可以使得最小包围球中的检测区域需要优先进行图像采集的程度大致相同,避免无人机拍摄最小包围球中的全部检测区域时,单独在需要优先进行图像采集的程度较低的检测区域上浪费图像采集资源;
其中,检测次序值确定规则包括:
确定最小包围球中的检测区域的检测优先值中的最大优先值和最小优先值;
当最大优先值与最小优先值之间的第二差值大于等于预设的第二差值阈值时,将最大优先值作为检测次序值;否则,将最小包围球中的检测区域的检测优先值的平均值作为检测次序值。第二差值阈值可以为,比如:15;第二差值大于等于第二差值阈值时,说明最小包围球中的检测区域需要优先进行图像采集的程度之间相差较大,但是最大优先值对应的检测区域自身需要优先进行图像采集的程度较大,需要尽快进行图像采集,因此将最大优先值作为检测次序值,否则,将最小包围球中的检测区域的检测优先值的平均值作为检测次序值,提升检测次序值确定的合理性。
上述技术方案的工作原理及有益效果为:
基于裂缝检测图,规划图像采集路线时,引入检测次序值、最小包围球、拍摄位置和拍摄角度,提升图像采集路线规划的合理性和规划效率。一般的,无人机的拍摄范围不会很小,一次性可以拍到较多个检测区域,若控制无人机一个个依次对检测区域进行图像采集,会造成拍摄资源的浪费,更降低了无人机的拍摄效率,因此,本发明实施例引入最小包围球,控制无人机对最小包围球内的全部检测区域进行图像采集,特别具有适用性。
在一个实施例中,图像采集路线规划模块2获取裂缝检测图中多个检测区域的检测优先值,执行如下操作:
从裂缝检测图中确定检测区域的区域信息;区域信息包括:检测区域的桥梁结构信息(比如:内部是钢筋等)、历史巡检信息(比如:历史上桥梁某处的混凝土表面出现过麻面等)等;
基于预设的第一特征提取模板,对区域信息进行特征提取,获得信息特征集;信息特征集包括:桥梁结构特征(比如:钢筋、混凝土)、历史巡检特征(比如:混凝土表面出现麻面);
获取预设的检测优先值确定库;检测优先值确定库包括:多组一一对应的标准信息特征集和标准值;
确定信息特征集是否包含任一标准信息特征集;包含时,标准信息特征集中的特征在信息特征集中全部都有;
当为是时,将与信息特征集包含的标准信息特征集对应的标准值作为目标值;当信息特征集包含标准信息特征集时,对应标准值可以反应检测区域需要优先进行图像采集的程度,比如:标准信息特征集为钢筋、混凝土、混凝土表面出现麻面,则说明检测区域内部钢筋可能会被雨水由麻面浸入导致锈胀出现裂缝,则标准值为50;
累加计算每一目标值,获得检测区域的检测优先值。
上述技术方案的工作原理及有益效果为:
引入检测优先值确定库,提升了检测区域的检测优先值确定效率和确定精准性。
在一个实施例中,图像采集路线规划模块2获取最小包围球对应的拍摄位置和拍摄角度,执行如下操作:
基于最小包围球中的检测区域的区域表面的表面中心位置和表面正对方向,构建第一方向向量;
将无人机对应的预设的虚拟无人机设置于最小包围球旁;虚拟无人机为1:1无人机的无人机模型;
持续获取虚拟无人机的飞行位置和拍摄方向;
基于飞行位置和拍摄方向,构建第二方向向量;
对虚拟无人机进行飞行调整;对虚拟无人机进行飞行调整时,任一第一方向向量与第二方向向量之间的向量夹角均落在预设的向量夹角区间内;向量夹角区间可以为,比如:150度至180度;当向量夹角落在向量夹角区间内时,说明无人机的拍摄角度近似正对着最小包围球内的全部检测区域;
直至虚拟无人机的最大拍摄范围刚好包含最小包围球中的全部的检测区域的区域表面时,将虚拟无人机当前的飞行位置作为最小包围球对应的拍摄位置,并将虚拟无人机当前的拍摄方向作为最小包围球对应的拍摄角度。一般的,虚拟无人机被设置于最小包围球旁时,比较靠近最小包围球,此时虚拟无人机无法拍摄到最小包围球中的全部检测区域,因此,需要对虚拟无人机进行飞行调整,但是,若随机调整,直至虚拟无人机拍摄到最小包围球中的全部检测区域时,花费时间会很长,调整没有一个方向,缺乏方向性,因此,本发明实施例设置调整方向即任一第一方向向量与第二方向向量之间的向量夹角均落在预设的向量夹角区间内,提升对虚拟无人机进行位置调整的效率。
在一个实施例中,裂缝检测模块4基于机器视觉,根据采集图像,进行裂缝检测,执行如下操作:
基于预设的第二特征提取模板,对采集图像进行特征提取,获得多个图像特征;图像特征包括:从采集图像上分割出的多个局部图像等;
将图像特征与预设的标准图像特征库中的标准图像特征进行匹配;标准图像特征为桥梁裂缝图像;
当匹配符合时,确定对应采集图像上出现桥梁裂缝。图像特征与标准图像特征一匹配,就说明存在裂缝。
本发明实施例提供了一种基于机器视觉的桥梁裂缝检测方法,如图2所示,包括:
步骤S1:获取目标桥梁对应的预设的裂缝检测图;
步骤S2:基于裂缝检测图,规划图像采集路线;
步骤S3:基于图像采集路线,控制无人机对目标桥梁进行图像采集,获取采集图像;
步骤S4:基于机器视觉,根据采集图像,进行裂缝检测,并输出检测结果。
步骤S2:基于裂缝检测图,规划图像采集路线,包括:
获取裂缝检测图中多个检测区域的检测优先值;
基于最小包围球绘制条件,在裂缝检测图中绘制包含至少两个检测区域的最小包围球;
获取最小包围球对应的拍摄位置和拍摄角度;
基于检测次序值确定规则,根据最小包围球中的检测区域的检测优先值,确定检测次序值;
按照检测次序值从大到小将对应拍摄位置进行排序,获得位置序列;
在裂缝检测图中规划位置序列中两两拍摄位置之间的飞行路线;
将飞行路线进行首尾连接,并将拍摄角度标记于飞行路线上对应拍摄位置处,获得图像采集路线;
其中,最小包围球绘制条件包括:
最小包围球中的检测区域的区域表面的表面正对方向两两之间的方向夹角均落在预设的夹角区间内;
区域表面两两之间的最小距离均小于等于预设的第一距离阈值;
各区域表面上存在目标直线与最小包围球的同一直径平行;目标直线的两端落在区域表面的边界线上,区域表面的表面中心位置与目标直线之间的最小距离小于等于预设的第二距离阈值;
最小包围球的体积小于等于预设的体积阈值;
最小包围球中的检测区域的检测优先值两两之间的第一差值均小于等于预设的第一差值阈值;
其中,检测次序值确定规则包括:
确定最小包围球中的检测区域的检测优先值中的最大优先值和最小优先值;
当最大优先值与最小优先值之间的第二差值大于等于预设的第二差值阈值时,将最大优先值作为检测次序值;否则,将最小包围球中的检测区域的检测优先值的平均值作为检测次序值。
获取裂缝检测图中多个检测区域的检测优先值,包括:
从裂缝检测图中确定检测区域的区域信息;
基于预设的第一特征提取模板,对区域信息进行特征提取,获得信息特征集;
获取预设的检测优先值确定库;检测优先值确定库包括:多组一一对应的标准信息特征集和标准值;
确定信息特征集是否包含任一标准信息特征集;
当为是时,将与信息特征集包含的标准信息特征集对应的标准值作为目标值;
累加计算每一目标值,获得检测区域的检测优先值。
获取最小包围球对应的拍摄位置和拍摄角度,包括:
基于最小包围球中的检测区域的区域表面的表面中心位置和表面正对方向,构建第一方向向量;
将无人机对应的预设的虚拟无人机设置于最小包围球旁;
持续获取虚拟无人机的飞行位置和拍摄方向;
基于飞行位置和拍摄方向,构建第二方向向量;
对虚拟无人机进行飞行调整;对虚拟无人机进行飞行调整时,任一第一方向向量与第二方向向量之间的向量夹角均落在预设的向量夹角区间内;
直至虚拟无人机的最大拍摄范围刚好包含最小包围球中的全部的检测区域的区域表面时,将虚拟无人机当前的飞行位置作为最小包围球对应的拍摄位置,并将虚拟无人机当前的拍摄方向作为最小包围球对应的拍摄角度。
步骤S4:基于机器视觉,根据采集图像,进行裂缝检测,包括:
基于预设的第二特征提取模板,对采集图像进行特征提取,获得多个图像特征;
将图像特征与预设的标准图像特征库中的标准图像特征进行匹配;
当匹配符合时,确定对应采集图像上出现桥梁裂缝。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于机器视觉的桥梁裂缝检测***,其特征在于,包括:
裂缝检测图获取模块,用于获取目标桥梁对应的预设的裂缝检测图;
图像采集路线规划模块,用于基于所述裂缝检测图,规划图像采集路线;
图像采集控制模块,用于基于所述图像采集路线,控制无人机对所述目标桥梁进行图像采集,获取采集图像;
裂缝检测模块,用于基于机器视觉,根据所述采集图像,进行裂缝检测,并输出检测结果。
2.如权利要求1所述的一种基于机器视觉的桥梁裂缝检测***,其特征在于,所述图像采集路线规划模块基于所述裂缝检测图,规划图像采集路线,执行如下操作:
获取所述裂缝检测图中多个检测区域的检测优先值;
基于最小包围球绘制条件,在所述裂缝检测图中绘制包含至少两个所述检测区域的最小包围球;
获取所述最小包围球对应的拍摄位置和拍摄角度;
基于检测次序值确定规则,根据所述最小包围球中的所述检测区域的所述检测优先值,确定检测次序值;
按照所述检测次序值从大到小将对应所述拍摄位置进行排序,获得位置序列;
在所述裂缝检测图中规划所述位置序列中两两所述拍摄位置之间的飞行路线;
将所述飞行路线进行首尾连接,并将所述拍摄角度标记于所述飞行路线上对应所述拍摄位置处,获得所述图像采集路线;
其中,所述最小包围球绘制条件包括:
所述最小包围球中的所述检测区域的区域表面的表面正对方向两两之间的方向夹角均落在预设的夹角区间内;
所述区域表面两两之间的最小距离均小于等于预设的第一距离阈值;
各所述区域表面上存在目标直线与所述最小包围球的同一直径平行;所述目标直线的两端落在所述区域表面的边界线上,所述区域表面的表面中心位置与所述目标直线之间的最小距离小于等于预设的第二距离阈值;
所述最小包围球的体积小于等于预设的体积阈值;
所述最小包围球中的所述检测区域的所述检测优先值两两之间的第一差值均小于等于预设的第一差值阈值;
其中,所述检测次序值确定规则包括:
确定所述最小包围球中的所述检测区域的所述检测优先值中的最大优先值和最小优先值;
当所述最大优先值与所述最小优先值之间的第二差值大于等于预设的第二差值阈值时,将所述最大优先值作为所述检测次序值;否则,将所述最小包围球中的所述检测区域的所述检测优先值的平均值作为所述检测次序值。
3.如权利要求2所述的一种基于机器视觉的桥梁裂缝检测***,其特征在于,所述图像采集路线规划模块获取所述裂缝检测图中多个检测区域的检测优先值,执行如下操作:
从所述裂缝检测图中确定所述检测区域的区域信息;
基于预设的第一特征提取模板,对所述区域信息进行特征提取,获得信息特征集;
获取预设的检测优先值确定库;所述检测优先值确定库包括:多组一一对应的标准信息特征集和标准值;
确定所述信息特征集是否包含任一所述标准信息特征集;
当为是时,将与所述信息特征集包含的所述标准信息特征集对应的所述标准值作为目标值;
累加计算每一所述目标值,获得所述检测区域的所述检测优先值。
4.如权利要求2所述的一种基于机器视觉的桥梁裂缝检测***,其特征在于,所述图像采集路线规划模块获取所述最小包围球对应的拍摄位置和拍摄角度,执行如下操作:
基于所述最小包围球中的所述检测区域的所述区域表面的所述表面中心位置和所述表面正对方向,构建第一方向向量;
将所述无人机对应的预设的虚拟无人机设置于所述最小包围球旁;
持续获取所述虚拟无人机的飞行位置和拍摄方向;
基于所述飞行位置和所述拍摄方向,构建第二方向向量;
对所述虚拟无人机进行飞行调整;对所述虚拟无人机进行飞行调整时,任一所述第一方向向量与所述第二方向向量之间的向量夹角均落在预设的向量夹角区间内;
直至所述虚拟无人机的最大拍摄范围刚好包含所述最小包围球中的全部的所述检测区域的所述区域表面时,将所述虚拟无人机当前的所述飞行位置作为所述最小包围球对应的所述拍摄位置,并将所述虚拟无人机当前的所述拍摄方向作为所述最小包围球对应的所述拍摄角度。
5.如权利要求1所述的一种基于机器视觉的桥梁裂缝检测***,其特征在于,所述裂缝检测模块基于机器视觉,根据所述采集图像,进行裂缝检测,执行如下操作:
基于预设的第二特征提取模板,对所述采集图像进行特征提取,获得多个图像特征;
将所述图像特征与预设的标准图像特征库中的标准图像特征进行匹配;
当匹配符合时,确定对应所述采集图像上出现桥梁裂缝。
6.一种基于机器视觉的桥梁裂缝检测方法,其特征在于,包括:
步骤S1:获取目标桥梁对应的预设的裂缝检测图;
步骤S2:基于所述裂缝检测图,规划图像采集路线;
步骤S3:基于所述图像采集路线,控制无人机对所述目标桥梁进行图像采集,获取采集图像;
步骤S4:基于机器视觉,根据所述采集图像,进行裂缝检测,并输出检测结果。
7.如权利要求6所述的一种基于机器视觉的桥梁裂缝检测方法,其特征在于,所述步骤S2:基于所述裂缝检测图,规划图像采集路线,包括:
获取所述裂缝检测图中多个检测区域的检测优先值;
基于最小包围球绘制条件,在所述裂缝检测图中绘制包含至少两个所述检测区域的最小包围球;
获取所述最小包围球对应的拍摄位置和拍摄角度;
基于检测次序值确定规则,根据所述最小包围球中的所述检测区域的所述检测优先值,确定检测次序值;
按照所述检测次序值从大到小将对应所述拍摄位置进行排序,获得位置序列;
在所述裂缝检测图中规划所述位置序列中两两所述拍摄位置之间的飞行路线;
将所述飞行路线进行首尾连接,并将所述拍摄角度标记于所述飞行路线上对应所述拍摄位置处,获得所述图像采集路线;
其中,所述最小包围球绘制条件包括:
所述最小包围球中的所述检测区域的区域表面的表面正对方向两两之间的方向夹角均落在预设的夹角区间内;
所述区域表面两两之间的最小距离均小于等于预设的第一距离阈值;
各所述区域表面上存在目标直线与所述最小包围球的同一直径平行;所述目标直线的两端落在所述区域表面的边界线上,所述区域表面的表面中心位置与所述目标直线之间的最小距离小于等于预设的第二距离阈值;
所述最小包围球的体积小于等于预设的体积阈值;
所述最小包围球中的所述检测区域的所述检测优先值两两之间的第一差值均小于等于预设的第一差值阈值;
其中,所述检测次序值确定规则包括:
确定所述最小包围球中的所述检测区域的所述检测优先值中的最大优先值和最小优先值;
当所述最大优先值与所述最小优先值之间的第二差值大于等于预设的第二差值阈值时,将所述最大优先值作为所述检测次序值;否则,将所述最小包围球中的所述检测区域的所述检测优先值的平均值作为所述检测次序值。
8.如权利要求7所述的一种基于机器视觉的桥梁裂缝检测方法,其特征在于,所述获取所述裂缝检测图中多个检测区域的检测优先值,包括:
从所述裂缝检测图中确定所述检测区域的区域信息;
基于预设的第一特征提取模板,对所述区域信息进行特征提取,获得信息特征集;
获取预设的检测优先值确定库;所述检测优先值确定库包括:多组一一对应的标准信息特征集和标准值;
确定所述信息特征集是否包含任一所述标准信息特征集;
当为是时,将与所述信息特征集包含的所述标准信息特征集对应的所述标准值作为目标值;
累加计算每一所述目标值,获得所述检测区域的所述检测优先值。
9.如权利要求7所述的一种基于机器视觉的桥梁裂缝检测方法,其特征在于,所述获取所述最小包围球对应的拍摄位置和拍摄角度,包括:
基于所述最小包围球中的所述检测区域的所述区域表面的所述表面中心位置和所述表面正对方向,构建第一方向向量;
将所述无人机对应的预设的虚拟无人机设置于所述最小包围球旁;
持续获取所述虚拟无人机的飞行位置和拍摄方向;
基于所述飞行位置和所述拍摄方向,构建第二方向向量;
对所述虚拟无人机进行飞行调整;对所述虚拟无人机进行飞行调整时,任一所述第一方向向量与所述第二方向向量之间的向量夹角均落在预设的向量夹角区间内;
直至所述虚拟无人机的最大拍摄范围刚好包含所述最小包围球中的全部的所述检测区域的所述区域表面时,将所述虚拟无人机当前的所述飞行位置作为所述最小包围球对应的所述拍摄位置,并将所述虚拟无人机当前的所述拍摄方向作为所述最小包围球对应的所述拍摄角度。
10.如权利要求6所述的一种基于机器视觉的桥梁裂缝检测方法,其特征在于,所述步骤S4:基于机器视觉,根据所述采集图像,进行裂缝检测,包括:
基于预设的第二特征提取模板,对所述采集图像进行特征提取,获得多个图像特征;
将所述图像特征与预设的标准图像特征库中的标准图像特征进行匹配;
当匹配符合时,确定对应所述采集图像上出现桥梁裂缝。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310573461.7A CN116597329A (zh) | 2023-05-19 | 2023-05-19 | 一种基于机器视觉的桥梁裂缝检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310573461.7A CN116597329A (zh) | 2023-05-19 | 2023-05-19 | 一种基于机器视觉的桥梁裂缝检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116597329A true CN116597329A (zh) | 2023-08-15 |
Family
ID=87611197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310573461.7A Pending CN116597329A (zh) | 2023-05-19 | 2023-05-19 | 一种基于机器视觉的桥梁裂缝检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597329A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079166A (zh) * | 2023-10-12 | 2023-11-17 | 江苏智绘空天技术研究院有限公司 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
-
2023
- 2023-05-19 CN CN202310573461.7A patent/CN116597329A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079166A (zh) * | 2023-10-12 | 2023-11-17 | 江苏智绘空天技术研究院有限公司 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
CN117079166B (zh) * | 2023-10-12 | 2024-02-02 | 江苏智绘空天技术研究院有限公司 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Automated bridge component recognition from point clouds using deep learning | |
CN108051450B (zh) | 一种基于无人机的桥梁健康检测***及方法 | |
US20180189750A1 (en) | Maintenance plan drafting support system, method, and program | |
US20160133008A1 (en) | Crack data collection method and crack data collection program | |
US20240210330A1 (en) | Systems and methods for artificial intelligence powered inspections and predictive analyses | |
CN110763697B (zh) | 一种使用飞行器检测工程结构表面裂缝的方法 | |
CN111141225B (zh) | 一种基于激光阵列的钢筋尺寸测量方法及*** | |
CN116597329A (zh) | 一种基于机器视觉的桥梁裂缝检测***及方法 | |
EP3023912A1 (en) | Crack data collection apparatus and server apparatus to collect crack data | |
Chun et al. | Utilization of unmanned aerial vehicle, artificial intelligence, and remote measurement technology for bridge inspections | |
CN113379712B (zh) | 一种基于计算机视觉的钢桥螺栓病害检测方法及*** | |
US11594021B1 (en) | Method and system for maintaining tunnel using tunnel image data | |
CN113160211A (zh) | 基于无人机平台的建筑物损伤判读*** | |
CN114663672B (zh) | 一种输电线路塔钢构件腐蚀检测方法及*** | |
CN113723626A (zh) | 地铁线路保护巡检方法、装置、计算机设备和存储介质 | |
CN111566696A (zh) | 图像处理程序、图像处理方法以及图像处理装置 | |
CN113885504A (zh) | 一种列检机器人自主巡检方法、***及存储介质 | |
CN115096268B (zh) | 基于无人机航拍及超声波探测的桥梁损伤深度检测方法 | |
Yamane et al. | Bridge damage cause estimation using multiple images based on visual question answering | |
CN113159089A (zh) | 一种路面损伤识别方法、***、计算机设备和存储介质 | |
CN115294040A (zh) | 基于DDRNets的路面裂痕检测方法、无人机、计算机可读介质 | |
CN115389516A (zh) | 一种基于高精度定位及深度神经网络的路面病害去重方法 | |
CN114021345A (zh) | 防护设施健康监测方法、装置、介质及电子设备 | |
CN111024705A (zh) | 一种电力线断股的检测方法、装置、设备及存储介质 | |
Jiang et al. | A visual inspection and diagnosis system for bridge rivets based on a convolutional neural network |
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 |