CN117593651B - 一种隧道裂纹分割识别方法 - Google Patents
一种隧道裂纹分割识别方法 Download PDFInfo
- Publication number
- CN117593651B CN117593651B CN202410074052.7A CN202410074052A CN117593651B CN 117593651 B CN117593651 B CN 117593651B CN 202410074052 A CN202410074052 A CN 202410074052A CN 117593651 B CN117593651 B CN 117593651B
- Authority
- CN
- China
- Prior art keywords
- channel
- value
- abnormal
- image
- crack
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000011218 segmentation Effects 0.000 title claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 154
- 230000008859 change Effects 0.000 claims abstract description 83
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 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
- G06V20/176—Urban or other man-made structures
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种隧道裂纹分割识别方法,属于图像处理技术领域,本发明中采用实时监测图像与隧道内洞面原始图像相减的方式,解决隧道内存在类似裂纹的痕迹带来的影响,同时,更便于发现隧道的新变化,凸出隧道变化位置,再将差值图像进行拆分,得到三种单通道图像,对单通道图像进行增强处理,进一步地增大异常区域的通道值与正常区域的通道值的距离,使得异常区域更显著,提高提取异常像素点的精度,再从异常像素点中找到裂纹上的像素点,取三种单通道增强图像的裂纹上的像素点的交集,得到隧道裂纹,提高裂纹分割识别的精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种隧道裂纹分割识别方法。
背景技术
隧道裂纹是隧道常见的病害,隧道内洞面通常由于温度不均衡,热胀冷缩,造成洞面存在挤压出现裂纹。现有通过采集隧道的图像,可以实现实时监测隧道裂纹情况,但是现有的隧道裂纹分割识别方法通常采用卷积神经网络,例如YOLO神经网络对裂纹目标进行识别,从而获取到裂纹位置,但是卷积神经网络中包含大量的卷积层和池化层,存在计算复杂度高和计算量大的问题,且隧道本身是分段浇筑或者是管片拼接而成,就存在较多类似于裂纹的痕迹,容易被误识别,存在裂纹识别精度不高的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种隧道裂纹分割识别方法解决了以下技术问题:
1、采用卷积神经网络进行隧道裂纹分割识别,存在计算复杂度高和计算量大的问题;
2、隧道本身存在较多类似于裂纹的痕迹,容易被误识别,现有的隧道裂纹分割识别方法存在裂纹识别精度不高的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种隧道裂纹分割识别方法,包括以下步骤:
S1、采集隧道内洞面实时监测图像;
S2、将实时监测图像与隧道内洞面原始图像进行按同像素点位置的像素值相减,得到差值图像;
S3、将差值图像进行拆分,得到单通道图像,其中,单通道图像包括:R通道图像、G通道图像和B通道图像;
S4、对单通道图像进行增强,得到单通道增强图像,并找出单通道增强图像中异常像素点,其中,单通道增强图像包括:R通道增强图像、G通道增强图像和B通道增强图像;
S5、根据单通道增强图像上各个异常像素点的位置,找出裂纹上的像素点;
S6、取R通道增强图像、G通道增强图像和B通道增强图像的裂纹上的像素点的交集,得到隧道裂纹。
综上,本发明的有益效果为:本发明中采用实时监测图像与隧道内洞面原始图像相减的方式,解决隧道内存在类似裂纹的痕迹带来的影响,同时,更便于发现隧道的新变化,凸出隧道变化位置,再将差值图像进行拆分,得到三种单通道图像,对单通道图像进行增强处理,进一步地增大异常区域的通道值与正常区域的通道值的距离,使得异常区域更显著,提高提取异常像素点的精度,再从异常像素点中找到裂纹上的像素点,取三种单通道增强图像的裂纹上的像素点的交集,得到隧道裂纹,提高裂纹分割识别的精度。
本发明中根据差值图像上各个通道值的分布情况,找出对应裂纹上的像素点,计算量和复杂度远远小于卷积神经网络,解决现有采用卷积神经网络进行隧道裂纹分割识别,存在计算复杂度高和计算量大的问题。
本发明中在隧道内同一位置处,可能由于光线明暗的变化,该位置成像后,造成实时监测图像与隧道内洞面原始图像在该位置的像素值不同,但是光线明暗的变化对隧道内洞面的影响是整体的,因此,采用实时监测图像与隧道内洞面原始图像相减的方式,解决隧道内存在类似裂纹的痕迹带来的影响,且能凸出隧道内的新变化区域。
进一步地,所述S4包括以下分步骤:
S41、对单通道图像进行增强处理,得到单通道增强图像;
S42、根据单通道增强图像中每个像素点的邻域通道值,计算每个像素点的异常值;
S43、在像素点的异常值大于异常阈值时,该像素点为异常像素点。
进一步地,所述S41包括以下分步骤:
S411、根据各个通道值的距离,对单通道图像进行聚类处理,找到面积占比最大的区域,归为正常区域;
S412、根据正常区域内通道值,对单通道图像进行增强处理,得到单通道增强图像。
上述进一步地方案的有益效果为:由于本发明中利用的是差值图像,而差值图像中包含光线带来的整体变化以及隧道内结构上的新变化,光线带来的整体变化面积占比较大,因此,本发明中根据各个通道值的距离,对单通道图像进行聚类处理,即将通道值相似的一类归为一个区域,占比最大的为正常区域。
进一步地,所述S412中对单通道图像进行增强处理的公式为:
,
其中,tz为增强后的通道值,t为单通道图像中任一待增强的通道值,tanh为双曲正切函数,ti为正常区域中第i个通道值,N为正常区域中通道值的数量,i为正整数。
上述进一步地方案的有益效果为:本发明中以正常区域为目标,根据单通道图像中任一待增强的通道值与正常区域内通道均值的距离,体现该待增强的通道值的异常情况,距离越大,增强后的通道值越大,与正常区域的区分更显著。
进一步地,所述S42包括以下分步骤:
S421、以单通道增强图像中每个像素点为中心点;
S422、根据中心点的内层邻域范围的通道值,计算中心点的第一异常系数,其中,内层邻域范围为33邻域区域;
S423、根据中心点的外层邻域范围的通道值,计算中心点的第二异常系数,其中,外层邻域范围为55邻域区域中减去3/>3邻域区域的剩余区域;
S424、将第一异常系数和第二异常系数相加,得到每个像素点的异常值。
上述进一步地方案的有益效果为:本发明中在增强后,更利于提取出异常像素点,以单通道增强图像中每个像素点为中心点,根据两个范围内,通道值的分布情况,从而确定出该中心点的异常值,异常值用于表达该中心点是否处于通道值异常变化的位置。
进一步地,所述S422中计算中心点的第一异常系数的公式为:
,
其中,u1为中心点的第一异常系数,tj为内层邻域范围的第j个通道值,H为固定常数,j为正整数;
所述S423中计算中心点的第二异常系数的公式为:
,
其中,u2为中心点的第二异常系数,tk为外层邻域范围的第k个通道值。
上述进一步地方案的有益效果为:本发明选择了两个范围:内层邻域范围和外层邻域范围,从而提高异常像素点的选择精度,通过邻域的通道值分布情况,能反映该区域的通道值是否波动,波动代表该区域可能是纹裂与正常区域的过渡点。
进一步地,所述S5包括以下分步骤:
S51、根据单通道增强图像上异常像素点的MM邻域范围内各个异常像素点的位置,获取异常像素点的横向变化向量、纵向变化向量和方向变化向量,其中,M为正整数;
S52、根据异常像素点的横向变化向量、纵向变化向量和方向变化向量,采用三层BP神经网络,计算异常像素点的疑似裂纹系数;
S53、根据异常像素点的疑似裂纹系数,得到每个异常像素点的裂纹值;
S54、在裂纹值大于裂纹阈值时,对应异常像素点为裂纹上的像素点。
进一步地,所述S51具体为:从异常像素点的MM邻域范围内等距采样K+1个异常像素点,采用第n+1个采样异常像素点与第n个采样异常像素点的横坐标相减,得到横向变化向量中第n个横向变化值xb,n,K和n为正整数,横向变化向量为:X={xb,n},其中,X为横向变化向量,n的取值范围为1~K;
采用第n+1个采样异常像素点与第n个采样异常像素点的纵坐标相减,得到纵向变化向量中第n个纵向变化值yb,n,纵向变化向量为:Y={yb,n},其中,Y为纵向变化向量;
采用第n+1个采样异常像素点与第n个采样异常像素点的角度相减,得到方向变化向量中第n个方向变化值rn,方向变化向量为:R={rn},其中,R为方向变化向量,rn=en+1-en,en+1为第n+1个采样异常像素点的角度,en为第n个采样异常像素点的角度,en+1=arctan(yn+1/xn+1),xn+1为第n+1个采样异常像素点的横坐标,yn+1为第n+1个采样异常像素点的纵坐标,en=arctan(yn/xn),xn为第n个采样异常像素点的横坐标,yn为第n个采样异常像素点的纵坐标,arctan为反正切函数。
上述进一步地方案的有益效果为:本发明根据异常像素点的MM邻域范围内各个异常像素点的位置,从而获取异常像素点的横向变化向量、纵向变化向量和方向变化向量,通过邻域范围内坐标的变化,表达该异常像素点的特征,再采用三层BP神经网络去预估该异常像素点的疑似裂纹系数。
本发明中横向变化向量表达MM邻域范围横坐标的变化趋势,纵向变化向量表达MM邻域范围纵坐标的变化趋势,方向变化向量表达M/>M邻域范围像素点角度的变化趋势,综合三方面的因素,预估异常像素点的疑似裂纹系数。
进一步地,所述S52中三层BP神经网络包括:第一输入层、第二输入层、第三输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层;
所述第一输入层用于输入横向变化向量,其输出端与第一隐藏层的输入端连接;所述第二输入层用于输入纵向变化向量,其输出端与第二隐藏层的输入端连接;所述第三输入层用于输入方向变化向量,其输出端与第三隐藏层的输入端连接;所述输出层的输入端分别与第一隐藏层的输出端、第二隐藏层的输出端和第三隐藏层的输出端连接,其输出端作为三层BP神经网络的输出端。
上述进一步地方案的有益效果为:本发明中三个输入层和三个隐藏层各处理一个类型的数据,减少BP神经网络的复杂度,更好调控每个类型的数据对输出结果的影响。
进一步地,所述S53中得到每个异常像素点的裂纹值的公式为:
,
其中,L为异常像素点的裂纹值,Fo为正在计算裂纹值的异常像素点的疑似裂纹系数,为正在计算裂纹值的异常像素点的M/>M邻域范围内第/>个异常像素点的疑似裂纹系数,/>为正整数,C为在计算裂纹值的异常像素点的M/>M邻域范围内异常像素点的数量,Fth为门限值,γ为超门限系数,γ等于在计算裂纹值的异常像素点的M/>M邻域范围内疑似裂纹系数大于门限值的数量。
上述进一步地方案的有益效果为:本发明中在获取每个异常像素点的疑似裂纹系数后,根据周边范围内其他异常像素点的疑似裂纹系数以及自身的疑似裂纹系数,确定出与门限值的差值,差值越大越有可能为裂纹上的像素点,同时,设置超门限系数,在周边范围大多数疑似裂纹系数大于门限值时,该异常像素点也归为裂纹上的像素点。
附图说明
图1为一种隧道裂纹分割识别方法的流程图;
图2为三层BP神经网络的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种隧道裂纹分割识别方法,包括以下步骤:
S1、采集隧道内洞面实时监测图像;
S2、将实时监测图像与隧道内洞面原始图像进行按同像素点位置的像素值相减,得到差值图像;
S3、将差值图像进行拆分,得到单通道图像,其中,单通道图像包括:R通道图像、G通道图像和B通道图像;
S4、对单通道图像进行增强,得到单通道增强图像,并找出单通道增强图像中异常像素点,其中,单通道增强图像包括:R通道增强图像、G通道增强图像和B通道增强图像;
S5、根据单通道增强图像上各个异常像素点的位置,找出裂纹上的像素点;
S6、取R通道增强图像、G通道增强图像和B通道增强图像的裂纹上的像素点的交集,得到隧道裂纹。
在本实施例中,原始图像为隧道无裂纹时的参考图像,与实时监测图像拍摄角度和位置相同,相当于是预存的一张无裂纹图像。
在步骤S3中差值图像中每个像素点位置的像素值为两个同位置像素点的像素差值,因此,差值图像上每个像素点包含R、G和B通道分量。
所述S4包括以下分步骤:
S41、对单通道图像进行增强处理,得到单通道增强图像;
S42、根据单通道增强图像中每个像素点的邻域通道值,计算每个像素点的异常值;
S43、在像素点的异常值大于异常阈值时,该像素点为异常像素点。
所述S41包括以下分步骤:
S411、根据各个通道值的距离,对单通道图像进行聚类处理,找到面积占比最大的区域,归为正常区域;
在本发明中,聚类算法中的距离换成各个通道值的距离,其他实现过程与现有技术一致,用于实现对相似距离范围的通道值进行分区;
S412、根据正常区域内通道值,对单通道图像进行增强处理,得到单通道增强图像。
由于本发明中利用的是差值图像,而差值图像中包含光线带来的整体变化以及隧道内结构上的新变化,光线带来的整体变化面积占比较大,因此,本发明中根据各个通道值的距离,对单通道图像进行聚类处理,即将通道值相似的一类归为一个区域,占比最大的为正常区域。
所述S412中对单通道图像进行增强处理的公式为:
,
其中,tz为增强后的通道值,t为单通道图像中任一待增强的通道值,tanh为双曲正切函数,ti为正常区域中第i个通道值,N为正常区域中通道值的数量,i为正整数。
本发明中以正常区域为目标,根据单通道图像中任一待增强的通道值与正常区域内通道均值的距离,体现该待增强的通道值的异常情况,距离越大,增强后的通道值越大,与正常区域的区分更显著。
所述S42包括以下分步骤:
S421、以单通道增强图像中每个像素点为中心点;
S422、根据中心点的内层邻域范围的通道值,计算中心点的第一异常系数,其中,内层邻域范围为33邻域区域;
S423、根据中心点的外层邻域范围的通道值,计算中心点的第二异常系数,其中,外层邻域范围为55邻域区域中减去3/>3邻域区域的剩余区域;
S424、将第一异常系数和第二异常系数相加,得到每个像素点的异常值。
本发明中在增强后,更利于提取出异常像素点,以单通道增强图像中每个像素点为中心点,根据两个范围内,通道值的分布情况,从而确定出该中心点的异常值,异常值用于表达该中心点是否处于通道值异常变化的位置。
所述S422中计算中心点的第一异常系数的公式为:
,
其中,u1为中心点的第一异常系数,tj为内层邻域范围的第j个通道值,H为固定常数,j为正整数;
所述S423中计算中心点的第二异常系数的公式为:
,
其中,u2为中心点的第二异常系数,tk为外层邻域范围的第k个通道值,k为正整数。
本发明选择了两个范围:内层邻域范围和外层邻域范围,从而提高异常像素点的选择精度,通过邻域的通道值分布情况,能反映该区域的通道值是否波动,波动代表该区域可能是纹裂与正常区域的
过渡点。
所述S5包括以下分步骤:
S51、根据单通道增强图像上异常像素点的MM邻域范围内各个异常像素点的位置,获取异常像素点的横向变化向量、纵向变化向量和方向变化向量,其中,M为正整数;
在本实施例中,M取大于等于3的正整数;
S52、根据异常像素点的横向变化向量、纵向变化向量和方向变化向量,采用三层BP神经网络,计算异常像素点的疑似裂纹系数;
S53、根据异常像素点的疑似裂纹系数,得到每个异常像素点的裂纹值;
S54、在裂纹值大于裂纹阈值时,对应异常像素点为裂纹上的像素点。
所述S51具体为:从异常像素点的MM邻域范围内等距采样K+1个异常像素点,采用第n+1个采样异常像素点与第n个采样异常像素点的横坐标相减,得到横向变化向量中第n个横向变化值xb,n,K和n为正整数,横向变化向量为:X={xb,n},其中,X为横向变化向量,n的取值范围为1~K;
在本实施例中,K的大小根据需求而设定;
采用第n+1个采样异常像素点与第n个采样异常像素点的纵坐标相减,得到纵向变化向量中第n个纵向变化值yb,n,纵向变化向量为:Y={yb,n},其中,Y为纵向变化向量;
采用第n+1个采样异常像素点与第n个采样异常像素点的角度相减,得到方向变化向量中第n个方向变化值rn,方向变化向量为:R={rn},其中,R为方向变化向量,rn=en+1-en,en+1为第n+1个采样异常像素点的角度,en为第n个采样异常像素点的角度,en+1=arctan(yn+1/xn+1),xn+1为第n+1个采样异常像素点的横坐标,yn+1为第n+1个采样异常像素点的纵坐标,en=arctan(yn/xn),xn为第n个采样异常像素点的横坐标,yn为第n个采样异常像素点的纵坐标,arctan为反正切函数。
本发明根据异常像素点的MM邻域范围内各个异常像素点的位置,从而获取异常像素点的横向变化向量、纵向变化向量和方向变化向量,通过邻域范围内坐标的变化,表达该异常像素点的特征,再采用三层BP神经网络去预估该异常像素点的疑似裂纹系数。
本发明中横向变化向量表达MM邻域范围横坐标的变化趋势,纵向变化向量表达MM邻域范围纵坐标的变化趋势,方向变化向量表达M/>M邻域范围像素点角度的变化趋势,综合三方面的因素,预估异常像素点的疑似裂纹系数。
如图2所示,所述S52中三层BP神经网络包括:第一输入层、第二输入层、第三输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层;
所述第一输入层用于输入横向变化向量,其输出端与第一隐藏层的输入端连接;所述第二输入层用于输入纵向变化向量,其输出端与第二隐藏层的输入端连接;所述第三输入层用于输入方向变化向量,其输出端与第三隐藏层的输入端连接;所述输出层的输入端分别与第一隐藏层的输出端、第二隐藏层的输出端和第三隐藏层的输出端连接,其输出端作为三层BP神经网络的输出端。
本发明中三个输入层和三个隐藏层各处理一个类型的数据,减少BP神经网络的复杂度,更好调控每个类型的数据对输出结果的影响。
在本实施例中,隐藏层和输出层的具体实现表达式如下。
第一隐藏层的表达式为:
,
其中,g1为第一隐藏层的输出,sigmoid为S型激活函数,xb,n为横向变化向量中第n个横向变化值,wx,n为xb,n的权重;
所述第二隐藏层的表达式为:
,
其中,g2为第二隐藏层的输出,yb,n为纵向变化向量中第n个纵向变化值,wy,n为yb,n的权重;
所述第三隐藏层的表达式为:
,
其中,g3为第三隐藏层的输出,rn为方向变化向量中第n个方向变化值,wr,n为rn的权重;
所述输出层的表达式为:
,
其中,F为异常像素点的疑似裂纹系数,tanh为双曲正切函数,w1为g1的权重,w2为g2的权重,w3为g3的权重。
所述S53中得到每个异常像素点的裂纹值的公式为:
,
其中,L为异常像素点的裂纹值,Fo为正在计算裂纹值的异常像素点的疑似裂纹系数,为正在计算裂纹值的异常像素点的M/>M邻域范围内第/>个异常像素点的疑似裂纹系数,/>为正整数,C为在计算裂纹值的异常像素点的M/>M邻域范围内异常像素点的数量,Fth为门限值,γ为超门限系数,γ等于在计算裂纹值的异常像素点的M/>M邻域范围内疑似裂纹系数大于门限值的数量。
在本实施例中,门限值根据需求进行设定。
本发明中在获取每个异常像素点的疑似裂纹系数后,根据周边范围内其他异常像素点的疑似裂纹系数以及自身的疑似裂纹系数,确定出与门限值的差值,差值越大越有可能为裂纹上的像素点,同时,设置超门限系数,在周边范围大多数疑似裂纹系数大于门限值时,该异常像素点也归为裂纹上的像素点,充分提取裂纹轮廓。
本发明中采用实时监测图像与隧道内洞面原始图像相减的方式,解决隧道内存在类似裂纹的痕迹带来的影响,同时,更便于发现隧道的新变化,凸出隧道变化位置,再将差值图像进行拆分,得到三种单通道图像,对单通道图像进行增强处理,进一步地增大异常区域的通道值与正常区域的通道值的距离,使得异常区域更显著,提高提取异常像素点的精度,再从异常像素点中找到裂纹上的像素点,取三种单通道增强图像的裂纹上的像素点的交集,得到隧道裂纹,提高裂纹分割识别的精度。
本发明中根据差值图像上各个通道值的分布情况,找出对应裂纹上的像素点,计算量和复杂度远远小于卷积神经网络,解决现有采用卷积神经网络进行隧道裂纹分割识别,存在计算复杂度高和计算量大的问题。
本发明中在隧道内同一位置处,可能由于光线明暗的变化,该位置成像后,造成实时监测图像与隧道内洞面原始图像在该位置的像素值不同,但是光线明暗的变化对隧道内洞面的影响是整体的,因此,采用实时监测图像与隧道内洞面原始图像相减的方式,解决隧道内存在类似裂纹的痕迹带来的影响,且能凸出隧道内的新变化区域。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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)
1.一种隧道裂纹分割识别方法,其特征在于,包括以下步骤:
S1、采集隧道内洞面实时监测图像;
S2、将实时监测图像与隧道内洞面原始图像进行按同像素点位置的像素值相减,得到差值图像;
S3、将差值图像进行拆分,得到单通道图像,其中,单通道图像包括:R通道图像、G通道图像和B通道图像;
S4、对单通道图像进行增强,得到单通道增强图像,并找出单通道增强图像中异常像素点,其中,单通道增强图像包括:R通道增强图像、G通道增强图像和B通道增强图像;
S5、根据单通道增强图像上各个异常像素点的位置,找出裂纹上的像素点;
S6、取R通道增强图像、G通道增强图像和B通道增强图像的裂纹上的像素点的交集,得到隧道裂纹;
所述S5包括以下分步骤:
S51、根据单通道增强图像上异常像素点的MM邻域范围内各个异常像素点的位置,获取异常像素点的横向变化向量、纵向变化向量和方向变化向量,其中,M为正整数;
S52、根据异常像素点的横向变化向量、纵向变化向量和方向变化向量,采用三层BP神经网络,计算异常像素点的疑似裂纹系数;
S53、根据异常像素点的疑似裂纹系数,得到每个异常像素点的裂纹值;
S54、在裂纹值大于裂纹阈值时,对应异常像素点为裂纹上的像素点;
所述S51具体为:从异常像素点的MM邻域范围内等距采样K+1个异常像素点,采用第n+1个采样异常像素点与第n个采样异常像素点的横坐标相减,得到横向变化向量中第n个横向变化值xb,n,K和n为正整数,横向变化向量为:X={xb,n},其中,X为横向变化向量,n的取值范围为1~K;
采用第n+1个采样异常像素点与第n个采样异常像素点的纵坐标相减,得到纵向变化向量中第n个纵向变化值yb,n,纵向变化向量为:Y={yb,n},其中,Y为纵向变化向量;
采用第n+1个采样异常像素点与第n个采样异常像素点的角度相减,得到方向变化向量中第n个方向变化值rn,方向变化向量为:R={rn},其中,R为方向变化向量,rn=en+1-en,en+1为第n+1个采样异常像素点的角度,en为第n个采样异常像素点的角度,en+1=arctan(yn+1/xn+1),xn+1为第n+1个采样异常像素点的横坐标,yn+1为第n+1个采样异常像素点的纵坐标,en=arctan(yn/xn),xn为第n个采样异常像素点的横坐标,yn为第n个采样异常像素点的纵坐标,arctan为反正切函数;
所述S52中三层BP神经网络包括:第一输入层、第二输入层、第三输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层;
所述第一输入层用于输入横向变化向量,其输出端与第一隐藏层的输入端连接;所述第二输入层用于输入纵向变化向量,其输出端与第二隐藏层的输入端连接;所述第三输入层用于输入方向变化向量,其输出端与第三隐藏层的输入端连接;所述输出层的输入端分别与第一隐藏层的输出端、第二隐藏层的输出端和第三隐藏层的输出端连接,其输出端作为三层BP神经网络的输出端;
所述S53中得到每个异常像素点的裂纹值的公式为:
,
其中,L为异常像素点的裂纹值,Fo为正在计算裂纹值的异常像素点的疑似裂纹系数,为正在计算裂纹值的异常像素点的M/>M邻域范围内第/>个异常像素点的疑似裂纹系数,/>为正整数,C为在计算裂纹值的异常像素点的M/>M邻域范围内异常像素点的数量,Fth为门限值,γ为超门限系数,γ等于在计算裂纹值的异常像素点的M/>M邻域范围内疑似裂纹系数大于门限值的数量。
2.根据权利要求1所述的隧道裂纹分割识别方法,其特征在于,所述S4包括以下分步骤:
S41、对单通道图像进行增强处理,得到单通道增强图像;
S42、根据单通道增强图像中每个像素点的邻域通道值,计算每个像素点的异常值;
S43、在像素点的异常值大于异常阈值时,该像素点为异常像素点。
3.根据权利要求2所述的隧道裂纹分割识别方法,其特征在于,所述S41包括以下分步骤:
S411、根据各个通道值的距离,对单通道图像进行聚类处理,找到面积占比最大的区域,归为正常区域;
S412、根据正常区域内通道值,对单通道图像进行增强处理,得到单通道增强图像。
4.根据权利要求3所述的隧道裂纹分割识别方法,其特征在于,所述S412中对单通道图像进行增强处理的公式为:
,
其中,tz为增强后的通道值,t为单通道图像中任一待增强的通道值,tanh为双曲正切函数,ti为正常区域中第i个通道值,N为正常区域中通道值的数量,i为正整数。
5.根据权利要求2所述的隧道裂纹分割识别方法,其特征在于,所述S42包括以下分步骤:
S421、以单通道增强图像中每个像素点为中心点;
S422、根据中心点的内层邻域范围的通道值,计算中心点的第一异常系数,其中,内层邻域范围为3 3邻域区域;
S423、根据中心点的外层邻域范围的通道值,计算中心点的第二异常系数,其中,外层邻域范围为55邻域区域中减去3/>3邻域区域的剩余区域;
S424、将第一异常系数和第二异常系数相加,得到每个像素点的异常值。
6.根据权利要求5所述的隧道裂纹分割识别方法,其特征在于,所述S422中计算中心点的第一异常系数的公式为:
,
其中,u1为中心点的第一异常系数,tj为内层邻域范围的第j个通道值,H为固定常数,j为正整数;
所述S423中计算中心点的第二异常系数的公式为:
,
其中,u2为中心点的第二异常系数,tk为外层邻域范围的第k个通道值,k为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410074052.7A CN117593651B (zh) | 2024-01-18 | 2024-01-18 | 一种隧道裂纹分割识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410074052.7A CN117593651B (zh) | 2024-01-18 | 2024-01-18 | 一种隧道裂纹分割识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117593651A CN117593651A (zh) | 2024-02-23 |
CN117593651B true CN117593651B (zh) | 2024-04-05 |
Family
ID=89922339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410074052.7A Active CN117593651B (zh) | 2024-01-18 | 2024-01-18 | 一种隧道裂纹分割识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593651B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510964A (zh) * | 2015-11-27 | 2016-04-20 | 中国石油大学(华东) | 复杂构造区低级序走滑断层的地震识别方法 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及*** |
CN107818562A (zh) * | 2017-10-23 | 2018-03-20 | 广东电网有限责任公司东莞供电局 | 一种干式空心并联电抗器风道绝缘包封层裂纹在线检测方法 |
CN108460419A (zh) * | 2018-03-07 | 2018-08-28 | 中国科学院武汉岩土力学研究所 | 钻孔光学图像和雷达成像信息融合的裂缝参数提取方法 |
CN110930352A (zh) * | 2019-02-25 | 2020-03-27 | 研祥智能科技股份有限公司 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
CN115661021A (zh) * | 2021-07-09 | 2023-01-31 | 长鑫存储技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
WO2023082418A1 (zh) * | 2021-11-09 | 2023-05-19 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
CN117173188A (zh) * | 2023-11-03 | 2023-12-05 | 泸州通鑫显示科技有限公司 | 一种玻璃瘢痕识别方法 |
CN117274263A (zh) * | 2023-11-22 | 2023-12-22 | 泸州通源电子科技有限公司 | 一种显示器瘢痕缺陷检测方法 |
CN117333825A (zh) * | 2023-12-01 | 2024-01-02 | 尚古智造(山东)智能装备有限公司 | 一种基于计算机视觉的电缆桥架监测方法 |
CN117372338A (zh) * | 2023-09-15 | 2024-01-09 | 瑞声科技(新加坡)有限公司 | 一种镜面缺陷检测方法、装置、设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7336849B2 (en) * | 2004-05-13 | 2008-02-26 | Destiny Technology Corporation | Exposure correction method for digital images |
-
2024
- 2024-01-18 CN CN202410074052.7A patent/CN117593651B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510964A (zh) * | 2015-11-27 | 2016-04-20 | 中国石油大学(华东) | 复杂构造区低级序走滑断层的地震识别方法 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及*** |
CN107818562A (zh) * | 2017-10-23 | 2018-03-20 | 广东电网有限责任公司东莞供电局 | 一种干式空心并联电抗器风道绝缘包封层裂纹在线检测方法 |
CN108460419A (zh) * | 2018-03-07 | 2018-08-28 | 中国科学院武汉岩土力学研究所 | 钻孔光学图像和雷达成像信息融合的裂缝参数提取方法 |
CN110930352A (zh) * | 2019-02-25 | 2020-03-27 | 研祥智能科技股份有限公司 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
CN115661021A (zh) * | 2021-07-09 | 2023-01-31 | 长鑫存储技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
WO2023082418A1 (zh) * | 2021-11-09 | 2023-05-19 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
CN117372338A (zh) * | 2023-09-15 | 2024-01-09 | 瑞声科技(新加坡)有限公司 | 一种镜面缺陷检测方法、装置、设备及可读存储介质 |
CN117173188A (zh) * | 2023-11-03 | 2023-12-05 | 泸州通鑫显示科技有限公司 | 一种玻璃瘢痕识别方法 |
CN117274263A (zh) * | 2023-11-22 | 2023-12-22 | 泸州通源电子科技有限公司 | 一种显示器瘢痕缺陷检测方法 |
CN117333825A (zh) * | 2023-12-01 | 2024-01-02 | 尚古智造(山东)智能装备有限公司 | 一种基于计算机视觉的电缆桥架监测方法 |
Non-Patent Citations (4)
Title |
---|
An image processing-based crack detection technique for pressed panel products;Yinan Miao等;《Journal of Manufacturing Systems》;20201031;287-297 * |
Image-Based Crack Detection Methods: A Review;Hafiz Suliman Munawar等;《Infrastructures 2021》;20210814;第6卷(第8期);1-20 * |
基于机器视觉的轮毂瑕疵检测***开发;唐楚;《中国优秀硕士学位论文全文数据库_工程科技Ⅱ辑》;20220215;C035-571 * |
基于漏磁数据成像的管道缺陷识别方法研究;王之桢;《中国优秀硕士学位论文全文数据库_工程科技Ⅰ辑》;20220415;B019-205 * |
Also Published As
Publication number | Publication date |
---|---|
CN117593651A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及*** | |
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与*** | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN109214380B (zh) | 车牌倾斜校正方法 | |
CN109635814B (zh) | 基于深度神经网络的森林火灾自动检测方法和装置 | |
CN111444948B (zh) | 一种图像特征提取与匹配方法 | |
CN116740070A (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制*** | |
CN109255799B (zh) | 一种基于空间自适应相关滤波器的目标跟踪方法及*** | |
CN115639248A (zh) | 一种用于建筑外墙质量检测的***及方法 | |
CN116168037A (zh) | 一种基于图像处理的导线压接弯曲度计算方法及*** | |
CN116385434A (zh) | 一种用于预制梁裂缝的智能检测方法 | |
CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN117593651B (zh) | 一种隧道裂纹分割识别方法 | |
CN116823820B (zh) | 一种铝碳质整体塞棒轮廓弯曲检测方法 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理*** | |
CN113222028B (zh) | 一种基于多尺度邻域梯度模型的图像特征点实时匹配方法 | |
CN110322454B (zh) | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 | |
CN107067377B (zh) | 一种高光谱图像的阴影检测与光谱恢复的方法及装置 | |
CN109785331B (zh) | 基于自适应像素值约束和mrf的声呐图像分割方法 | |
CN112949389A (zh) | 一种基于改进目标检测网络的雾霾图像目标检测方法 | |
CN110648341B (zh) | 一种基于尺度空间和子图的目标边界检测方法 | |
CN117974657B (zh) | 一种基于计算机视觉的电缆表面缺陷检测方法 |
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 |