CN117670874A - 一种基于图像处理的箱型梁内部裂缝检测方法 - Google Patents
一种基于图像处理的箱型梁内部裂缝检测方法 Download PDFInfo
- Publication number
- CN117670874A CN117670874A CN202410128753.4A CN202410128753A CN117670874A CN 117670874 A CN117670874 A CN 117670874A CN 202410128753 A CN202410128753 A CN 202410128753A CN 117670874 A CN117670874 A CN 117670874A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- cracks
- box girder
- gray
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 16
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000003702 image correction Methods 0.000 claims abstract description 5
- 238000003672 processing method Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 32
- 238000001914 filtration Methods 0.000 claims description 15
- 230000004297 night vision Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000011049 filling Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的箱型梁内部裂缝检测方法，属于基于图像处理领域，首先，获取箱型梁内部灰度图像，再图像校正、图像预处理、裂缝图像筛选，对筛选出来的裂缝图像做分割处理，分割出裂缝，再使用形态学处理方法对分割后的图像进行补偿；再对图像进行分类，最后提取裂缝的特征并测量。本发明可以在夜间或低光条件下获取高质量的图像，然后结合图像处理技术，实现对裂缝的自动检测，安全性高、不受光照条件限制、准确性高、实时性强、可降低人工巡检的工作量，解决人工干预过多，主观性大，误差大，狭小区域裂缝检测难度大等问题，从而提高桥梁维护的效率。
Description
技术领域
本发明涉及一种基于图像处理的箱型梁内部裂缝检测方法，属于基于图像处理技术领域。
背景技术
桥梁作为城市交通网络的关键组成部分，承担着人们出行和货物运输的重要任务。然而，桥梁结构在长期使用过程中，会受到多种因素的影响，包括气候变化、交通负载和自然灾害。这些因素可能导致桥梁内部产生裂缝，如果不及早检测和处理，使桥梁内部钢筋与空气接触产生锈蚀，会危及桥梁的结构完整性和安全性。
人工检测箱型梁内部的病害受到人工的经验和主观判断的影响，受视野和检测环境影响,有些人工到达不了的狭窄区域可能会潜藏病害，且进入箱梁内部进行检测存在一定的安全风险，效率低，检测的人力成本也会增加。
基于深度学习的裂缝检测方法在许多方面取得了显著的进展，但也存在一些缺点和挑战，包括：模型需要大量的标注数据进行训练，但获取标注数据成本昂贵和耗时；标注裂缝的过程涉及到人工操作，受标注者主观判断，导致训练数据的标签不一致；训练耗费大量的计算资源；模型难以解释其决策过程；裂缝检测结果受训练模型的影响较大。
发明内容
本发明的目的在于提供一种基于图像处理的箱型梁内部裂缝检测方法，可以快速筛选出含有裂缝的图像，对裂缝进行分类并测量其长度和面积。
本发明的目的可以通过以下技术方案实现：
一种基于图像处理的箱型梁内部裂缝检测方法，检测方法包括以下步骤：
1）获取由夜视相机采集的多幅桥梁箱型梁内部灰度图像；
2）图像校正，将夜视图像进行清除障碍物、透视校正得到待检测图像；
3）图像预处理，利用直方图均衡化的方法对待检测图像做图像增强处理，增强图像的对比度，并使图像中的细节更加清晰；使用中值滤波方法对增强后的图像进行滤波，消除大部分颗粒噪声；采用自适应阈值二值化方法对滤波后的图像做二值化处理；使用形态学处理方法对二值图像去噪，得到预处理后的图像；
4）裂缝图像筛选，采用基于最长边缘的最小外接圆的方法对所有图像进行筛选，筛选出含有裂缝的图像；
5）采用Otsu阈值分割法对筛选出来的裂缝图像做分割处理，分割出裂缝，再使用形态学处理方法对分割后的图像进行补偿；
6）对图像进行分类，将分割后的图像在水平和垂直方向上做投影，将水平和垂直投影长度的差值作为分类依据，裂缝可分类为横向、纵向、网状裂缝；
7）提取裂缝的特征并测量裂缝面积、长度，使用轮廓追踪算法对分割后图像提取裂缝的边界；直接统计分割后图像中灰度值为1的像素总数即为裂缝的面积；采用细化算法提取裂缝的骨架，统计骨架图中灰度值为1的像素的总数即为裂缝的长度。
进一步的，所述清除障碍物，是由于相机拍摄角度的原因，图像中的管线对于裂缝检测造成了障碍，需要去除，通过合并从不同角度捕获的多个图像，可以从最终图像中移除阻碍箱梁内部裂缝识别的管线和其他物体，即可将校正后的局域相片与完整相片结合形成统一大小的多张相片。
进一步的，所述透视校正是将原图像通过投影映射，从原图像平面变换到新图像平面，变换公式为：
其中，是原图像平面坐标点，对应得到变换后的图像平面坐标点为。
进一步的，所述直方图均衡化的方法，先计算原始图像的灰度直方图，再计算累积分布函数（CDF）并映射新的像素值，其映射公式为：
其中，是CDF的最小值，M是图像的宽度，N是图像的高度，L是灰度级别的数量，最后将新的像素值替换原始图像中的相应像素值，从而完成直方图均衡化。
进一步的，所述中值滤波是将像素点邻域的灰度值按顺序排列，取中间值作为这个像素点的灰度值进而消除噪声，中值滤波公式：
其中表示中值滤波后的输出像素值，/>是输入图像/>中的像素值，/>表示一个窗口或区域，选用3×3的8邻接正方形窗口，包含/>像素值。
进一步的，所述自适应阈值二值化，灰度图像中将裂缝区域灰度值赋为1，其余部分赋值为0。
进一步的，所述形态学处理，即对图像进行开运算和闭运算，开运算先腐蚀，后膨胀，消除小的噪声并保留较大的形状；闭运算先膨胀，后腐蚀，填充物体内部的小孔。
进一步的，所述最长边缘的最小外接圆的方法，利用边缘提取的方法找出图像中的最长边缘，根据最长边缘的端点坐标获取其最小外接圆，再以外接圆的半径作为筛选的依据，将其与筛选阈值比较，若外接圆半径大于阈值，则判为有裂缝图像，若小于阈值，则判为无裂缝图像，其表述为：
式中，表示最小外接圆的半径，/>表示图像筛选所用的阈值。
进一步的，所述Otsu阈值分割法，依据灰度直方图遍历阈值找到使类间方差最大的阈值作为分割阈值进行图像分割，将裂缝和背景区分开来，类间方差公式：
假设选择一个阈值0<k<L-1，用阈值k将图像处理为两类C1和C2，其中C1的灰度范围为[0，k]，C2的灰度范围为[k+1，L-1]，P1为C1灰度的概率，P2为C2灰度的概率，m1是分配到类C1的像素的平均灰度值，m2是分配到类C2的像素的平均灰度值，mG是整个图像的平均灰度值。
进一步的，分类依据为：若水平方向与垂直方向的投影差值都超过85（经验值）则是非线性裂缝，分类为网状裂缝；若水平方向上的投影长度与垂直方向的投影长度的差值小于80则是线性裂缝；水平方向上的投影长度与垂直方向的投影长度的差值为负，则归类为纵向裂缝；水平方向上的投影长度与垂直方向的投影长度的差值为正，则归类为横向裂缝。
本发明的有益效果：
本发明可以在夜间或低光条件下获取高质量的图像，然后结合图像处理技术，实现对裂缝的自动检测，安全性高、不受光照条件限制、准确性高、实时性强、可降低人工巡检的工作量，解决人工干预过多，主观性大，误差大，狭小区域裂缝检测难度大等问题，从而提高桥梁维护的效率。
附图说明
下面结合附图和具体实施例对本发明作进一步详细描述。
图1是本发明检测方法的流程图。
图2是本发明图像校正和清除障碍物效果图。
附图标记说明：a为图像校正；b为清除障碍物。
图3是本发明图像直方图均衡化效果图。
附图标记说明：a为原灰度直方图；b为均衡化后灰度直方图；c为原夜视图像；d为直方图均衡化图像。
图4是本发明图像中值滤波效果图。
图5是本发明图像二值化效果图。
图6是本发明形态学处理效果图。
图7是本发明筛选裂缝图像原理图。
图8是本发明裂缝分类效果图。
附图标记说明：a为分割图像；b为纵向裂缝水平和垂直投影；c为横向裂缝水平和垂直投影；d为网状裂缝水平和垂直投影。
图9是本发明裂缝边缘提取图。
图10是本发明裂缝测量效果图。
附图标记说明：a为裂缝测量长度图像；b为裂缝面积测量图像。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本发明按照输入夜视图像，图像预处理，裂缝图像筛选、分割分类、特征提取、裂缝测量的流程进行对裂缝相片的处理。
如图2所示，对图像进行透视校正和清除障碍物，基于透视变换的原理校正已捕获的图像的角度，获得目标图像的正面视图。通过合并从不同角度捕获的多个图像，从最终图像中移除阻碍箱梁内部裂缝识别的管线和其他物体，获取箱梁内部局域正视相片，再将校正后的局域相片与完整相片结合形成统一大小的多张相片。
如图3所示，使用直方图均衡化的方法对图像进行增强。通过重新分布图像的像素值，增加图像的对比度和视觉效果，使图像更容易分析和理解，增强图像的对比度，并使图像中的细节更加清晰可见。其灰度直方图是一个典型的双峰一谷形状。
如图4所示，利用中值滤波法对图像进行去噪处理。中值滤波是常用的非线性滤波方法，将像素点邻域的灰度值按顺序排列，取中间值作为这个像素点的灰度值进而消除噪声。
如图5所示，图像二值化需要一个阈值，图像的灰度值和这个阈值的大小关系决定了图像二值化后的灰度值是0还是1。规定将裂缝区域赋值为1，其余部分赋值为0。阈值的选取需要遍历图像的每个局部，即自适应阈值二值化。
如图6所示，对二值图像进一步去噪，进行二值图像滤波通常是为了去除二值化图像中的噪声或者改善二进制形状的连通性。本发明使用基于数学形态学的开运算和闭运算进行二值图像滤波。开运算是一种常用的滤波方法，先腐蚀，后膨胀，这个过程有助于消除小的噪声并保留较大的形状。闭运算与开运算相反，先膨胀，后腐蚀，它通常用于填充物体内部的小孔或裂缝。先使用开运算再使用闭运算对二值化图像进一步滤除一些小噪声。
如图7所示，对图像进行分割及细化，本发明采用Otsu阈值分割法对裂缝图像分割，该方法具有操作简单，分割后的图像是具有连续区域的特点。当裂缝图像的灰度值大于这个阈值时将像素点归为一类，当裂缝图像的灰度值小于这个阈值时将像素点归为另一类，裂缝就可以从图像中分割出来。Otsu法属于全局阈值，可以自动确定阈值，操作简单，效果明显。分割之后会发现还有一些小噪声，且检测目标会有一定损失，对分割图像再做形态学处理，即开运算和闭运算，做进一步去噪和补偿。
如图8所示，对图像进行分类，将分割后的图像在水平和垂直方向上做投影，将水平和垂直投影长度的差值作为分类依据。若水平方向与垂直方向的投影差值都超过80（经验值）则是非线性裂缝，分类为网状裂缝。若水平方向上的投影长度与垂直方向的投影长度的差值小于80则是线性裂缝。水平方向上的投影长度与垂直方向的投影长度的差值为负，则归类为纵向裂缝；水平方向上的投影长度与垂直方向的投影长度的差值为正，则归类为横向裂缝。
如图9所示，对裂缝图像进行特征提取与裂缝检测，提取特征是为了从图像中获取有关裂缝的信息，以便进行分析和分类。本发明检测裂缝边界，测量横向和纵向裂缝的长度，测量裂缝的面积。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.一种基于图像处理的箱型梁内部裂缝检测方法，其特征在于：检测方法包括以下步骤：
1）获取由夜视相机采集的多幅桥梁箱型梁内部灰度图像；
2）图像校正，将夜视图像进行清除障碍物、透视校正得到待检测图像；
3）图像预处理，利用直方图均衡化的方法对待检测图像做图像增强处理，增强图像的对比度，并使图像中的细节更加清晰；使用中值滤波方法对增强后的图像进行滤波，消除大部分颗粒噪声；采用自适应阈值二值化方法对滤波后的图像做二值化处理；使用形态学处理方法对二值图像去噪，得到预处理后的图像；
4）裂缝图像筛选，采用基于最长边缘的最小外接圆的方法对所有图像进行筛选，筛选出含有裂缝的图像；
5）采用Otsu阈值分割法对筛选出来的裂缝图像做分割处理，分割出裂缝，再使用形态学处理方法对分割后的图像进行补偿；
6）对图像进行分类，将分割后的图像在水平和垂直方向上做投影，将水平和垂直投影长度的差值作为分类依据，裂缝可分类为横向、纵向、网状裂缝；
7）提取裂缝的特征并测量裂缝面积、长度，使用轮廓追踪算法对分割后图像提取裂缝的边界；直接统计分割后图像中灰度值为1的像素总数即为裂缝的面积；采用细化算法提取裂缝的骨架，统计骨架图中灰度值为1的像素的总数即为裂缝的长度。
2.根据权利要求1中所述的一种基于图像处理的箱型梁内部裂缝检测方法，其特征在于：所述清除障碍物，是通过合并从不同角度捕获的多个图像，从最终图像中移除阻碍箱梁内部裂缝识别的管线和其他物体，即可将校正后的局域相片与完整相片结合形成统一大小的多张相片。
3.根据权利要求1中所述的一种基于图像处理的箱型梁内部裂缝检测方法，其特征在于：所述透视校正是将原图像通过投影映射，从原图像平面变换到新图像平面，变换公式为：其中，/>是原图像平面坐标点，对应得到变换后的图像平面坐标点为/>。
4.根据权利要求1中所述的一种基于图像处理的箱型梁内部裂缝检测方法，其特征在于：所述直方图均衡化的方法，先计算原始图像的灰度直方图，再计算累积分布函数（CDF）并映射新的像素值，其映射公式为：
其中，是CDF的最小值，M是图像的宽度，N是图像的高度，L是灰度级别的数量，最后将新的像素值替换原始图像中的相应像素值，从而完成直方图均衡化。
5.根据权利要求1中所述的一种基于图像处理的箱型梁内部裂缝检测方法，其特征在于：所述中值滤波是将像素点邻域的灰度值按顺序排列，取中间值作为这个像素点的灰度值进而消除噪声，中值滤波公式：
其中/>表示中值滤波后的输出像素值，/>是输入图像/>中的像素值，/>表示一个窗口或区域，选用3×3的8邻接正方形窗口，包含/>像素值。
6.根据权利要求1中所述的一种基于图像处理的箱型梁内部裂缝检测方法，其特征在于：所述自适应阈值二值化，灰度图像中将裂缝区域灰度值赋为1，其余部分赋值为0。
7.根据权利要求1中所述的一种基于图像处理的箱型梁内部裂缝检测方法，其特征在于：所述形态学处理，即对图像进行开运算和闭运算，开运算先腐蚀，后膨胀，消除小的噪声并保留较大的形状；闭运算先膨胀，后腐蚀，填充物体内部的小孔。
8.根据权利要求1中所述的一种基于图像处理的箱型梁内部裂缝检测方法，其特征在于：所述最长边缘的最小外接圆的方法，利用边缘提取的方法找出图像中的最长边缘，根据最长边缘的端点坐标获取其最小外接圆，再以外接圆的半径作为筛选的依据，将其与筛选阈值比较，若外接圆半径大于阈值，则判为有裂缝图像，若小于阈值，则判为无裂缝图像，其表述为：
式中，/> 表示最小外接圆的半径，/>表示图像筛选所用的阈值。
9.根据权利要求1中所述的一种基于图像处理的箱型梁内部裂缝检测方法，其特征在于：所述Otsu阈值分割法，依据灰度直方图遍历阈值找到使类间方差最大的阈值作为分割阈值进行图像分割，将裂缝和背景区分开来，类间方差公式：
假设选择一个阈值0<k<L-1，用阈值k将图像处理为两类C1和C2，其中C1的灰度范围为[0，k]，C2的灰度范围为[k+1，L-1]，P1为C1灰度的概率，P2为C2灰度的概率，m1是分配到类C1的像素的平均灰度值，m2是分配到类C2的像素的平均灰度值，mG是整个图像的平均灰度值。
10.根据权利要求1中所述的一种基于图像处理的箱型梁内部裂缝检测方法，其特征在于：分类依据为：若水平方向与垂直方向的投影差值都超过85则是非线性裂缝，分类为网状裂缝；若水平方向上的投影长度与垂直方向的投影长度的差值小于80则是线性裂缝；水平方向上的投影长度与垂直方向的投影长度的差值为负，则归类为纵向裂缝；水平方向上的投影长度与垂直方向的投影长度的差值为正，则归类为横向裂缝。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410128753.4A CN117670874A (zh) | 2024-01-31 | 2024-01-31 | 一种基于图像处理的箱型梁内部裂缝检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410128753.4A CN117670874A (zh) | 2024-01-31 | 2024-01-31 | 一种基于图像处理的箱型梁内部裂缝检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117670874A true CN117670874A (zh) | 2024-03-08 |
Family
ID=90071584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410128753.4A Pending CN117670874A (zh) | 2024-01-31 | 2024-01-31 | 一种基于图像处理的箱型梁内部裂缝检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117670874A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440657A (zh) * | 2013-08-27 | 2013-12-11 | 武汉大学 | 一种在线道路裂缝筛查方法 |
| CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
| CN108986079A (zh) * | 2018-06-26 | 2018-12-11 | 中国矿业大学(北京) | 一种复杂裂隙网络的裂缝提取及优化方法 |
| CN110390669A (zh) * | 2019-06-26 | 2019-10-29 | 杭州电子科技大学 | 一种桥梁图像中裂缝的检测方法 |
| CN112348887A (zh) * | 2019-08-09 | 2021-02-09 | 华为技术有限公司 | 终端位姿确定方法以及相关装置 |
| CN112740225A (zh) * | 2020-09-30 | 2021-04-30 | 华为技术有限公司 | 一种路面要素确定方法及装置 |
| US20210272272A1 (en) * | 2018-11-29 | 2021-09-02 | Fujifilm Corporation | Inspection support apparatus, inspection support method, and inspection support program for concrete structure |
| CN114140402A (zh) * | 2021-11-17 | 2022-03-04 | 安徽省交通控股集团有限公司 | 桥梁裂缝检测及可视化方法、装置、设备及可读存储介质 |
| CN115205382A (zh) * | 2022-06-08 | 2022-10-18 | 阿里巴巴（中国）有限公司 | 目标物定位方法以及装置 |
| CN115512224A (zh) * | 2022-09-28 | 2022-12-23 | 三峡大学 | 一种曲线拟合对比度增强的道路裂缝检测方法 |
| CN115690104A (zh) * | 2022-12-30 | 2023-02-03 | 合肥图迅电子科技有限公司 | 一种晶圆裂缝检测方法、装置及存储介质 |
| CN116109616A (zh) * | 2023-03-01 | 2023-05-12 | 辽宁工程技术大学 | 基于YOLOv5的路面裂缝检测及小面元拟合检测方法 |
-
2024
- 2024-01-31 CN CN202410128753.4A patent/CN117670874A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440657A (zh) * | 2013-08-27 | 2013-12-11 | 武汉大学 | 一种在线道路裂缝筛查方法 |
| CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
| CN108986079A (zh) * | 2018-06-26 | 2018-12-11 | 中国矿业大学(北京) | 一种复杂裂隙网络的裂缝提取及优化方法 |
| US20210272272A1 (en) * | 2018-11-29 | 2021-09-02 | Fujifilm Corporation | Inspection support apparatus, inspection support method, and inspection support program for concrete structure |
| CN110390669A (zh) * | 2019-06-26 | 2019-10-29 | 杭州电子科技大学 | 一种桥梁图像中裂缝的检测方法 |
| CN112348887A (zh) * | 2019-08-09 | 2021-02-09 | 华为技术有限公司 | 终端位姿确定方法以及相关装置 |
| CN112740225A (zh) * | 2020-09-30 | 2021-04-30 | 华为技术有限公司 | 一种路面要素确定方法及装置 |
| CN114140402A (zh) * | 2021-11-17 | 2022-03-04 | 安徽省交通控股集团有限公司 | 桥梁裂缝检测及可视化方法、装置、设备及可读存储介质 |
| CN115205382A (zh) * | 2022-06-08 | 2022-10-18 | 阿里巴巴（中国）有限公司 | 目标物定位方法以及装置 |
| CN115512224A (zh) * | 2022-09-28 | 2022-12-23 | 三峡大学 | 一种曲线拟合对比度增强的道路裂缝检测方法 |
| CN115690104A (zh) * | 2022-12-30 | 2023-02-03 | 合肥图迅电子科技有限公司 | 一种晶圆裂缝检测方法、装置及存储介质 |
| CN116109616A (zh) * | 2023-03-01 | 2023-05-12 | 辽宁工程技术大学 | 基于YOLOv5的路面裂缝检测及小面元拟合检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
| CN107230202B (zh) | 路面病害图像的自动识别方法和*** | |
| CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
| CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
| CN112419250A (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
| CN110264448B (zh) | 一种基于机器视觉的绝缘子故障检测方法 | |
| CN109255350B (zh) | 一种基于视频监控的新能源车牌检测方法 | |
| CN110473221B (zh) | 一种目标物体自动扫描***及方法 | |
| CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
| CN111027511B (zh) | 基于感兴趣区块提取的遥感图像舰船检测方法 | |
| CN113313107B (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
| CN116630813B (zh) | 一种公路路面施工质量智能检测*** | |
| CN111507971A (zh) | 一种隧道表面缺陷检测方法 | |
| CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
| CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
| CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
| CN114723709A (zh) | 隧道病害检测方法、装置和电子设备 | |
| CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
| CN117094914A (zh) | 基于计算机视觉的智慧城市道路监控*** | |
| CN113537037A (zh) | 路面病害识别方法、***、电子设备及存储介质 | |
| Fang et al. | Towards real-time crack detection using a deep neural network with a Bayesian fusion algorithm | |
| CN114332095A (zh) | 一种基于多层结构的细胞分割方法、装置及电子设备 | |
| Gao et al. | Intelligent crack damage detection system in shield tunnel using combination of retinanet and optimal adaptive selection | |
| CN115619799B (zh) | 一种基于迁移学习的晶粒图像分割方法及*** | |
| Danilescu et al. | Road anomalies detection using basic morphological algorithms |
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 |