CN116612103A - 一种基于机器视觉的建筑结构裂缝智能检测方法及其*** - Google Patents

一种基于机器视觉的建筑结构裂缝智能检测方法及其*** Download PDF

Info

Publication number
CN116612103A
CN116612103A CN202310642828.6A CN202310642828A CN116612103A CN 116612103 A CN116612103 A CN 116612103A CN 202310642828 A CN202310642828 A CN 202310642828A CN 116612103 A CN116612103 A CN 116612103A
Authority
CN
China
Prior art keywords
crack
image
building
machine vision
layer
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
Application number
CN202310642828.6A
Other languages
English (en)
Other versions
CN116612103B (zh
Inventor
沈孛
刁硕
刘立渠
王明芳
张言斌
谭海亮
孙斌
陈勇敏
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.)
China Construction And Research Institute Testing Center Co ltd
China Academy of Building Research CABR
Original Assignee
China Construction And Research Institute Testing Center Co ltd
China Academy of Building Research CABR
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 China Construction And Research Institute Testing Center Co ltd, China Academy of Building Research CABR filed Critical China Construction And Research Institute Testing Center Co ltd
Priority to CN202310642828.6A priority Critical patent/CN116612103B/zh
Publication of CN116612103A publication Critical patent/CN116612103A/zh
Application granted granted Critical
Publication of CN116612103B publication Critical patent/CN116612103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于机器视觉的建筑结构裂缝智能检测方法及其***，包括通过实时影像提取建筑物变形特征信息；通过所述建筑物变形特征信息建立动态阈值，通过区域生长方法获取动态阈值下的裂缝结果；根据动态阈值下所述裂缝识别结果为图像各像素点赋予权重系数，通过裂缝骨架长度和裂缝区域所占面积确定裂缝特征信息；所述裂缝特征信息对通过卷积神经网络算法，得到图像的输出值，获取激活函数层的函数表达式；将模糊核和所述函数表达式作为非盲图像复原模型的输入对所述实时影像进行识别，不断交替求最小值得到均包含裂缝特征的目标图像。本发明可作为住宅建筑无损检测图像识别使用，提高了结构裂缝检出率和检出精度。

Description

一种基于机器视觉的建筑结构裂缝智能检测方法及其***
技术领域
本发明涉及一种建筑裂缝图像处理技术，尤其涉及一种基于机器视觉的建筑结构裂缝智能检测方法及其***。
背景技术
想要获取准确的裂缝信息，就要使用高精度的摄像机，得到高质量的图像。但是高分辨率的图像会携带大量的无关信息，造成数据冗余，并导致检测效率变，因此，需要一种基于机器视觉的建筑结构裂缝智能检测方法。
发明内容
本发明的目的是要提供一种基于机器视觉的建筑结构裂缝智能检测方法。
为达到上述目的，本发明是按照以下技术方案实施的：
本发明包括如下步骤：
A在住宅建筑的建筑物周围设置多个高清摄像头采集建筑物的实时影像，基于机器视觉对所述实时影像进行预处理，提取建筑物变形特征信息；
B通过所述建筑物变形特征信息建立动态阈值，通过区域生长方法获取动态阈值下的裂缝结果；
C根据动态阈值下所述裂缝识别结果为图像各像素点赋予权重系数，通过裂缝骨架长度和裂缝区域所占面积确定裂缝特征信息；
D所述裂缝特征信息对通过卷积神经网络算法，得到图像的输出值，获取激活函数层的函数表达式；
E将模糊核和所述函数表达式作为非盲图像复原模型的输入对所述实时影像进行识别，不断交替求最小值得到均包含裂缝特征的目标图像。
进一步地，为解决量化偏移问题，需要将提取得到的特征数据输入掩模分支中，将图像中的对象进行多层次分割，并提取其特征映射系数。对两个相邻的像素点进行线性插值处理，如公式所示：
式中：k（x，y）为上述两个相邻像素点的线性插值；（x1，y1）为第一个内插值的点坐标，（x2，y2）为第二个内插值的点坐标；xi为最合适的插值像素；yn和ym则为对应区域像素单元的中心点坐标。对4个采样点的灰度值进行赋值处理，其中存在低分辨率的过滤效果。在区域内生成一个小型的神经网络，寻找目标区域，并生成候选背景。
进一步地，所述机器学习以图像连通区域占框比、图像中点和线的离散状态作为建筑裂缝识别特征。
进一步地，基于机器视觉对图像进行预处理，所述预处理的方法包括所述实时影像进行灰度化和滤波处理，将彩色图像转化为灰度图像，对计算像素内灰度化处理的加权均值，得到裂缝区域边界信息。
进一步地，所述滤波处理的方法包括采用平滑滤波的方法对其进行滤波处理，其滤波公式为：
式中：H(x),y——滤波后某一点像素值；x、y——建筑裂缝图像任意一点像素坐标；exp——建筑结构建筑裂缝图像平滑参数，通常情况下该参数值为1.5；M——该像素点邻域内像素的总数量；f——像素点邻域像素的灰度中值；σ——建筑裂缝图像中心像素点像素值；ϖ——灰度域滤波核。
进一步地，所述卷积神经网络一般通过输入层、隐含层和输出层3个部分构成，当输入图像的大小为m×n时，输出图像，如公式所示。
式中：F（x）为输出图像的大小；Kp为待填充的图像尺寸；fp为卷积核大小；Ds为房屋裂缝检测的步长。当F（x）为一个整数时，可以得到输出图像的结果。池化层则是一个居于卷积层内部，通过特征提取获得特征图，并进行信息过滤的结构。在预设的池化函数之间，可以将现有的特征结果替换为完整的统计量。在激活函数层，其函数表达式如公式所示。
式中：p（x）为结合线性模型的激活函数；x为像素点权值。在全连接层内，卷积层与池化层均能够得到非线性组合下的提取特征，并通过神经元与外部的连接机制，获取传递后的输出值。此时通过判别机制，就可以得到建筑结构施工中防误裂缝的识别结果。
进一步地，所述复原模型的模糊核包括函数表达式模型 F ，模糊核的预测器 P 以及模糊核校正器 C 。设 LR 图片 ILR 的维度是 。假设模糊核的维度是 l×l ，则核空间是一个 /> 维度的线性空间。为了节省计算量，首先对核空间进行降维。核通过降维矩阵 /> 投影到一个 b 维的线性空间。 降维后的模糊核表示，且满足 /> ；后进入迭代校正阶段
经过 t次循环之后，得到最终的结果。
一种基于机器视觉的建筑结构裂缝智能检测***，所述***包括：
获取模块，配置为：设置多个高清摄像头采集建筑物的实时影像，基于机器视觉对所述实时影像进行预处理，获取建筑物变形特征信息；
判断模块，配置为：根据动态阈值下所述裂缝识别结果为图像各像素点赋予权重系数，通过裂缝骨架长度和裂缝区域所占面积确定裂缝特征信息；
分析模块，配置为：所述裂缝特征信息对通过卷积神经网络算法，得到图像的输出值，获取激活函数层的函数表达式；
输出模块，配置为：将模糊核和所述函数表达式作为非盲图像复原模型的输入对所述实时影像进行识别，不断交替求最小值得到均包含裂缝特征的目标图像。
一种电子设备，包括：处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述方法。
一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述方法。
本发明的有益效果是：
本发明可作为住宅建筑无损检测图像识别使用，解决了现在技术中建筑结构裂缝检测成本高和效率低的问题，避免误差大和测量精度不高等局限的问题,提高了结构裂缝检出率和检出精度。
附图说明
图1是本发明的流程图。
图2是本发明的硬件示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
如图1所示：本发明包括如下步骤：
本发明包括如下步骤：
A在住宅建筑的建筑物周围设置多个高清摄像头采集建筑物的实时影像，基于机器视觉对所述实时影像进行预处理，提取建筑物变形特征信息；
B通过所述建筑物变形特征信息建立动态阈值，通过区域生长方法获取动态阈值下的裂缝结果；
C根据动态阈值下所述裂缝识别结果为图像各像素点赋予权重系数，通过裂缝骨架长度和裂缝区域所占面积确定裂缝特征信息；
D所述裂缝特征信息对通过卷积神经网络算法，得到图像的输出值，获取激活函数层的函数表达式；
E将模糊核和所述函数表达式作为非盲图像复原模型的输入对所述实时影像进行识别，不断交替求最小值得到均包含裂缝特征的目标图像。
在本实施例子中为解决量化偏移问题，需要将提取得到的特征数据输入掩模分支中，将图像中的对象进行多层次分割，并提取其特征映射系数。对两个相邻的像素点进行线性插值处理，如公式所示 ：
式中：k（x，y）为上述两个相邻像素点的线性插值；（x1，y1）为第一个内插值的点坐标，（x2，y2）为第二个内插值的点坐标；xi为最合适的插值像素；yn和ym则为对应区域像素单元的中心点坐标。对4个采样点的灰度值进行赋值处理，其中存在低分辨率的过滤效果。在区域内生成一个小型的神经网络，寻找目标区域，并生成候选背景。
在本实施例子中所述机器学习以图像连通区域占框比、图像中点和线的离散状态作为建筑裂缝识别特征。
在本实施例子中所述卷积神经网络一般通过输入层、隐含层和输出层3个部分构成。在输入层中，算法提取外部信息，并结合分类标签对其进行接收与传递。在最后的输出层，信息通过隐含层处理后的结果会直接得到一个分类标签，通过机器视觉提供的图像信息，得到像素的识别结果与分类。最中间的隐含层则是一个位于输入层与输出层之间的处理机制，隐含层最本质的最用就是处理通过输入层传递进来的图像信息，使其能够成为可以被机器识别的结构，这一层也是神经网络中神经元最集中的区域。
在隐含层中，主要包括卷积层、池化层、激活函数层以及全连接层4个主要结构。卷积层最主要的功能是提取输入信息，并通过特征降维的方式，重新划分属性权值参数。卷积层的权值参数可以通过卷积核大小、步长和填充三种方式来决定，结合输出特征图的特性，获取检测技术下正式卷积核的超参数大小。当输入图像的大小为m×n时，输出图像，如公式所示。
式中：F（x）为输出图像的大小；Kp为待填充的图像尺寸；fp为卷积核大小；Ds为房屋裂缝检测的步长。当F（x）为一个整数时，可以得到输出图像的结果。池化层则是一个居于卷积层内部，通过特征提取获得特征图，并进行信息过滤的结构。在预设的池化函数之间，可以将现有的特征结果替换为完整的统计量。在激活函数层，其函数表达式如公式所示。
式中：p（x）为结合线性模型的激活函数；x为像素点权值。在全连接层内，卷积层与池化层均能够得到非线性组合下的提取特征，并通过神经元与外部的连接机制，获取传递后的输出值。此时通过判别机制，就可以得到建筑结构施工中防误裂缝的识别结果。
在本实施例子中所述复原模型的模糊核包括函数表达式模型 F ，模糊核的预测器 P 以及模糊核校正器 C 。设 LR 图片 ILR 的维度是 。假设模糊核的维度是 l×l ，则核空间是一个 /> 维度的线性空间。为了节省计算量，首先对核空间进行降维。核通过降维矩阵 /> 投影到一个 b 维的线性空间。 降维后的模糊核表示，且满足 /> ；后进入迭代校正阶段
经过 t次循环之后，得到最终的结果。
一种基于机器视觉的建筑结构裂缝检测***，所述***包括：
获取模块，配置为：设置多个高清摄像头采集建筑物的实时影像，基于机器视觉对所述实时影像进行预处理，获取建筑物变形特征信息；
在本实施例子中基于机器视觉对图像进行预处理，所述预处理的方法包括所述实时影像进行灰度化和滤波处理，将彩色图像转化为灰度图像，对计算像素内灰度化处理的加权均值，得到裂缝区域边界信息。
在本实施例子中所述滤波处理的方法包括采用平滑滤波的方法对其进行滤波处理，其滤波公式为：
式中：H(x),y——滤波后某一点像素值；x、y——建筑裂缝图像任意一点像素坐标；exp——建筑结构建筑裂缝图像平滑参数，通常情况下该参数值为1.5；M——该像素点邻域内像素的总数量；f——像素点邻域像素的灰度中值；σ——建筑裂缝图像中心像素点像素值；ϖ——灰度域滤波核。
裂缝区域与图像背景区域存在较大的灰度值差异，只要保证生长点位于裂缝区域内，就能通过区域生长方法较完整地识别出整条裂缝。机器视觉法的检测原理比较简单，主要包含三个步骤：应用图像传感器获取建筑结构建筑裂缝图像数据，将其作为建筑裂缝裂缝识别分析数据样本；利用机器视觉技术提取图像连通区域占框比、图像中点和线的离散状态特征；在对图像特征归一化处理的基础上，根据图像裂缝特征计算出分析样本与常规建筑裂缝图像样本的相似度，以此判定分析样本是否存在裂缝。
判断模块，配置为：根据动态阈值下所述裂缝识别结果为图像各像素点赋予权重系数，通过裂缝骨架长度和裂缝区域所占面积确定裂缝特征信息；
本发明采用动态阈值判断准则，具体步骤如下:①确定生长点;②生长点八邻域默认为初次生长区域，计算该区域内像素点的平均灰度值，记为Pmean;③计算初次生长区域内每个像素点八邻域内的平均灰域内像素点的平均灰度值，记为P均值；3计算初次生长区域内每个像素点八邻域内的平均灰度和裂缝平均宽度），其中裂缝长度确定方法为：提取出裂缝的骨架线，以骨架线所占的像素个数为裂缝长度；裂缝平均宽度确定方法为：由裂缝区域所占的像素个数除以裂缝长度确定.
分析模块，配置为：所述裂缝特征信息对通过卷积神经网络算法，得到图像的输出值，获取激活函数层的函数表达式；
输出模块，配置为：将模糊核和所述函数表达式作为非盲图像复原模型的输入对所述实时影像进行识别，不断交替求最小值得到均包含裂缝特征的目标图像。
为了验证机器视觉法的实际应用性能，选择传统监测方法作为对比方法，与机器视觉法进行对比试验。试验以某建筑为试验对象，该建筑共7座，建筑使用年限比较长，建筑结构建筑裂缝已经出现老化现象，裂缝数量比较多，且修复量比较大，利用机器视觉法与传统方法对该建筑结构建筑裂缝裂缝进行检测。
建筑裂缝图像获取采用无人机搭载图像传感器的方式，对建筑裂缝图像数据进行获取。
本次选择大疆无人机作为载体，采用CCD图像传感器作为图像采集设备。图像传感器通过FullCameraLink接口与无人机相连，使用12V供电。可设置拍摄频率、像素、分辨率、焦距、帧率等参数。将图像传感器获取的建筑物裂缝图像数据上传至计算机，根据不同数据源对建筑物裂缝图像数据进行分类存储，以供后续处理分析
试验准备了10个无人机和25个图像传感器，将无人机飞行高度设定为500m，飞行角度范围设定为25°～195°，飞行速度设定为10.5km/h，图像传感器拍摄频率设定为10.16Hz，分辨率设定为24288×1，像素尺寸设定为6μm，动态范围设定为79dB。试验共采集到1000份建筑图像数据样本，通过识别分析后检测到裂缝数量共641个,从数据分析可以得出以下结论：试验中机器视觉法召回率平均值为97.48%，最大召回率可以达到99.75%，说明检测到的建筑结构建筑裂缝裂缝数量基本与实际情况一致；而传统方法平均召回率为58.46%，最大召回率仅为66.48%，远远低于机器视觉法，说明机器视觉法的召回率较高，在建筑结构建筑裂缝裂缝检测方面具有较高的精度。
图像传感器在采集图像过程中很容易受到外界因素影响，导致采集的建筑裂缝图像中含有一定的噪声，裂缝属于一种细长的形态，如果图像中存在裂缝，图像会出现中断现象，因此选取图像连通区域占框比作为建筑裂缝裂缝图像特征，因为机器视觉法采用了机器视觉技术，以图像连通区域占框比、图像中点和线的离散状态作为建筑裂缝裂缝识别特征，从多方面分析建筑裂缝裂缝情况，保证了检测结果的可信度。因此试验结果证明了机器视觉法检测精度更高一些，
将获取到的建筑裂缝图像建立图像样本集L，利用机器视觉技术对样本集L中图像样本数据进行处理和分析，提取到样本中的裂缝特征。
一种电子设备，包括：处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述方法。
一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述方法。
图2是本申请的一个实施例电子设备的结构示意图。请参考图2，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成一种信息安全风险管理装置。处理器，执行存储器所存放的程序，并具体用于执行前述任意一种基于机器视觉的建筑结构裂缝智能检测方法。
上述如本申请图1所示实施例揭示的一种基于机器视觉的建筑结构裂缝智能检测方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器（CentralProcessing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific IntegratedCircuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中一种基于机器视觉的建筑结构裂缝智能检测方法，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，执行前述的任意一种基于机器视觉的建筑结构裂缝智能检测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (10)

1.一种基于机器视觉的建筑结构裂缝智能检测方法，其特征在于：包括如下步骤：
A在住宅建筑的建筑物周围设置多个高清摄像头采集建筑物的实时影像，基于机器视觉对所述实时影像进行预处理，提取建筑物变形特征信息；
B通过所述建筑物变形特征信息建立动态阈值，通过区域生长方法获取动态阈值下的裂缝结果；
C根据动态阈值下所述裂缝识别结果为图像各像素点赋予权重系数，通过裂缝骨架长度和裂缝区域所占面积确定裂缝特征信息；
D所述裂缝特征信息对通过卷积神经网络算法，得到图像的输出值，获取激活函数层的函数表达式；
E将模糊核和所述函数表达式作为非盲图像复原模型的输入对所述实时影像进行识别，不断交替求最小值得到均包含裂缝特征的目标图像。
2.根据权利要求1所述的基于机器视觉的建筑结构裂缝智能检测方法，其特征在于：在步骤A中所述提取建筑物变形特征信息，需要将提取得到的特征数据输入掩模分支中，将图像中的对象进行多层次分割，并提取其特征映射系数，对两个相邻的像素点进行线性插值处理，如公式所示 ：
；
式中：k（x，y）为上述两个相邻像素点的线性插值；（x1，y1）为第一个内插值的点坐标，（x2，y2）为第二个内插值的点坐标；xi为最合适的插值像素；yn和ym则为对应区域像素单元的中心点坐标，对4个采样点的灰度值进行赋值处理，其中存在低分辨率的过滤效果，在区域内生成一个小型的神经网络，寻找目标区域，并生成候选背景。
3.根据权利要求1所述的基于机器视觉的建筑结构裂缝智能检测方法，其特征在于：所述机器学习以图像连通区域占框比、图像中点和线的离散状态作为建筑裂缝识别特征。
4.根据权利要求1所述的基于机器视觉的建筑结构裂缝智能检测方法，其特征在于：基于机器视觉对图像进行预处理，所述预处理的方法包括所述实时影像进行灰度化和滤波处理，将彩色图像转化为灰度图像，对计算像素内灰度化处理的加权均值，得到裂缝区域边界信息。
5.根据权利要求4所述的基于机器视觉的建筑结构裂缝智能检测方法，其特征在于：所述滤波处理的方法包括采用平滑滤波的方法对其进行滤波处理，其滤波公式为：
；
式中：H(x),y——滤波后某一点像素值；x、y——建筑裂缝图像任意一点像素坐标；exp——建筑结构建筑裂缝图像平滑参数，通常情况下该参数值为1.5；M——该像素点邻域内像素的总数量；f——像素点邻域像素的灰度中值；σ——建筑裂缝图像中心像素点像素值；——灰度域滤波核。
6.根据权利要求1所述的基于机器视觉的建筑结构裂缝智能检测方法，其特征在于：所述卷积神经网络一般通过输入层、隐含层和输出层3个部分构成,在隐含层中，主要包括卷积层、池化层、激活函数层以及全连接层4个主要结构,当输入图像的大小为m×n时，输出图像如公式所示：
；
式中：F（x）为输出图像的大小；Kp为待填充的图像尺寸；fp为卷积核大小；Ds为房屋裂缝检测的步长，当F（x）为一个整数时，可以得到输出图像的结果，池化层则是一个居于卷积层内部，通过特征提取获得特征图，并进行信息过滤的结构，在预设的池化函数之间，可以将现有的特征结果替换为完整的统计量，在激活函数层，其函数表达式如公式所示：
；
式中：p（x）为结合线性模型的激活函数；x为像素点权值，在全连接层内，卷积层与池化层均能够得到非线性组合下的提取特征，并通过神经元与外部的连接机制，获取传递后的输出值，此时通过判别机制，就可以得到建筑结构施工中防误裂缝的识别结果。
7.根据权利要求1所述的基于机器视觉的建筑结构裂缝智能检测方法，其特征在于：所述复原模型的模糊核包括函数表达式模型F，模糊核的预测器P以及模糊核校正器C，设 LR图片 ILR 的维度是 ，假设模糊核的维度是 l×l ，则核空间是一个 /> 维度的线性空间，为了节省计算量，首先对核空间进行降维，核通过降维矩阵 /> 投影到一个 b 维的线性空间，降维后的模糊核表示，且满足 /> ，后进入迭代校正阶段；
；
经过 t次循环之后，得到最终的结果。
8.一种基于机器视觉的建筑结构裂缝智能检测***，其特征在于：所述***包括：
获取模块，配置为：设置多个高清摄像头采集建筑物的实时影像，基于机器视觉对所述实时影像进行预处理，获取建筑物变形特征信息；
判断模块，配置为：根据动态阈值下所述裂缝识别结果为图像各像素点赋予权重系数，通过裂缝骨架长度和裂缝区域所占面积确定裂缝特征信息；
分析模块，配置为：所述裂缝特征信息对通过卷积神经网络算法，得到图像的输出值，获取激活函数层的函数表达式；
输出模块，配置为：将模糊核和所述函数表达式作为非盲图像复原模型的输入对所述实时影像进行识别，不断交替求最小值得到均包含裂缝特征的目标图像。
9.一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1~7之任一所述方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1~7之任一所述方法。
CN202310642828.6A 2023-06-01 2023-06-01 一种基于机器视觉的建筑结构裂缝智能检测方法及其*** Active CN116612103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310642828.6A CN116612103B (zh) 2023-06-01 2023-06-01 一种基于机器视觉的建筑结构裂缝智能检测方法及其***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310642828.6A CN116612103B (zh) 2023-06-01 2023-06-01 一种基于机器视觉的建筑结构裂缝智能检测方法及其***

Publications (2)

Publication Number Publication Date
CN116612103A true CN116612103A (zh) 2023-08-18
CN116612103B CN116612103B (zh) 2023-12-15

Family

ID=87679835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310642828.6A Active CN116612103B (zh) 2023-06-01 2023-06-01 一种基于机器视觉的建筑结构裂缝智能检测方法及其***

Country Status (1)

Country Link
CN (1) CN116612103B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115665A (zh) * 2023-10-17 2023-11-24 深圳市城市交通规划设计研究中心股份有限公司 一种基于路面裂缝分析方法的静态影响参数分析方法
CN117541983A (zh) * 2023-11-08 2024-02-09 广东理致技术有限公司 一种基于机器视觉的模型数据质量分析方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023226A (zh) * 2016-05-31 2016-10-12 彭博 一种基于三维虚拟路面的裂缝自动检测方法
CN106645205A (zh) * 2017-02-24 2017-05-10 武汉大学 一种无人机桥梁底面裂纹检测方法及***
CN108537221A (zh) * 2018-03-29 2018-09-14 陕西师范大学 基于兴趣区域的桥梁或路面裂缝检测方法和评价方法
CN108830827A (zh) * 2017-05-02 2018-11-16 通用电气公司 神经网络训练图像生成***
CN108921813A (zh) * 2018-05-16 2018-11-30 中设设计集团股份有限公司 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法
CN114972333A (zh) * 2022-07-19 2022-08-30 淄博市淄川区市政环卫服务中心 基于人工智能的道路裂缝检测方法及***
CN116152214A (zh) * 2023-03-02 2023-05-23 山西春福科技有限公司 一种用于金属制品涂层的塑粉耐候性检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023226A (zh) * 2016-05-31 2016-10-12 彭博 一种基于三维虚拟路面的裂缝自动检测方法
CN106645205A (zh) * 2017-02-24 2017-05-10 武汉大学 一种无人机桥梁底面裂纹检测方法及***
CN108830827A (zh) * 2017-05-02 2018-11-16 通用电气公司 神经网络训练图像生成***
CN108537221A (zh) * 2018-03-29 2018-09-14 陕西师范大学 基于兴趣区域的桥梁或路面裂缝检测方法和评价方法
CN108921813A (zh) * 2018-05-16 2018-11-30 中设设计集团股份有限公司 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法
CN114972333A (zh) * 2022-07-19 2022-08-30 淄博市淄川区市政环卫服务中心 基于人工智能的道路裂缝检测方法及***
CN116152214A (zh) * 2023-03-02 2023-05-23 山西春福科技有限公司 一种用于金属制品涂层的塑粉耐候性检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115665A (zh) * 2023-10-17 2023-11-24 深圳市城市交通规划设计研究中心股份有限公司 一种基于路面裂缝分析方法的静态影响参数分析方法
CN117115665B (zh) * 2023-10-17 2024-02-27 深圳市城市交通规划设计研究中心股份有限公司 一种基于路面裂缝分析方法的静态影响参数分析方法
CN117541983A (zh) * 2023-11-08 2024-02-09 广东理致技术有限公司 一种基于机器视觉的模型数据质量分析方法及***

Also Published As

Publication number Publication date
CN116612103B (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
CN116612103B (zh) 一种基于机器视觉的建筑结构裂缝智能检测方法及其***
CN109033950B (zh) 基于多特征融合级联深度模型的车辆违停检测方法
CN108694386B (zh) 一种基于并联卷积神经网络的车道线检测方法
CN110728658A (zh) 一种基于深度学习的高分辨率遥感影像弱目标检测方法
CN110580428A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
CN110516517B (zh) 一种基于多帧图像的目标识别方法、装置及设备
CN115223063B (zh) 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及***
CN112329881B (zh) 车牌识别模型训练方法、车牌识别方法及装置
CN114049356B (zh) 一种结构表观裂缝检测方法、装置及***
CN113033385A (zh) 一种基于深度学习的违章建筑遥感识别方法及***
CN114596316A (zh) 一种基于语义分割的道路图像细节抓取方法
CN112465735A (zh) 行人检测方法、装置及计算机可读存储介质
CN111881984A (zh) 一种基于深度学习的目标检测方法和装置
KR102260556B1 (ko) 전역 정보와 지역 정보 통합을 통한 딥러닝 기반 주차구획 검출 방법 및 장치
CN116229419B (zh) 一种行人检测方法及装置
CN110765900B (zh) 一种基于dssd的自动检测违章建筑方法及***
CN112924037A (zh) 基于图像配准的红外体温检测***及检测方法
CN114596244A (zh) 基于视觉处理和多特征融合的红外图像识别方法及***
CN114005110B (zh) 3d检测模型训练方法与装置、3d检测方法与装置
CN113642676B (zh) 基于异构气象数据融合的区域电网负荷预测方法和装置
CN115909285A (zh) 一种雷达和视频信号融合的车辆跟踪方法
CN111785094A (zh) 平流雾检测方法、装置、计算机设备和可读存储介质
CN111507258B (zh) 聚焦关键样本的基于集成学习的道路区域检测方法、***
CN113902739B (zh) Nut线夹缺陷识别方法、装置及设备、可读存储介质
CN111428067B (zh) 公文图片获取方法、装置及电子设备

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