CN118038278B - 一种建筑工程质量智能检测方法及*** - Google Patents
一种建筑工程质量智能检测方法及*** Download PDFInfo
- Publication number
- CN118038278B CN118038278B CN202410432069.5A CN202410432069A CN118038278B CN 118038278 B CN118038278 B CN 118038278B CN 202410432069 A CN202410432069 A CN 202410432069A CN 118038278 B CN118038278 B CN 118038278B
- Authority
- CN
- China
- Prior art keywords
- building
- pixel point
- neighborhood
- gray
- pixel
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000007547 defect Effects 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 15
- 238000010276 construction Methods 0.000 abstract description 15
- 230000014509 gene expression Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000739 chaotic effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及计算机视觉技术领域,具体涉及一种建筑工程质量智能检测方法及***。本发明根据建筑工程图像中每个像素点邻域内的灰度分布特征获得每个像素点的建筑局部稳定程度;根据邻域内每相邻两个像素点之间的灰度相似程度获得邻域内的建筑背景灰度特征,进而获得像素点邻域的建筑背景特征;根据像素点邻域内的灰度异常特征,获得像素点邻域的建筑缺陷特征;进而获得像素点邻域的建筑局部灰度特征;结合像素点之间的距离与建筑局部灰度特征差异获得像素点之间的相似度,进而获得图像的聚类结果;根据聚类结果对建筑工程进行质量检测。本发明使聚类结果更加精准,便于对建筑工程质量进行智能检测。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种建筑工程质量智能检测方法及***。
背景技术
建筑行业一直是社会发展的关键领域之一,而建筑工程的质量管理一直是项目成功的关键要素。传统的质量检测方法主要依赖于人工巡检和离线检测,存在着效率低、盲区大、成本高等问题。随着科技的不断发展,智能检测技术逐渐在建筑工程领域崭露头角,为提升质量管理水平提供了新的可能性。
在对建筑工程图像进行检测时,建筑工程会存在例如裂纹、凹陷等缺陷表现;在现有技术中,通常会使用聚类算法对建筑工程图像中的像素点进行聚类分析,将不同的缺陷表现聚类在一个聚类簇中便于分析。然而仅仅通过各像素点之间的距离来确定像素点之间的相似度,会使得建筑工程图像中相对连续的缺陷或不同位置的相同缺陷在聚类时出现误差,影响到建筑工程的质量检测。
发明内容
为了解决在利用聚类算法对建筑工程图像进行分析时,仅仅通过各像素点之间的距离来确定像素点之间的相似度,会使得建筑工程图像中相对连续的缺陷或不同位置的相同缺陷在聚类时出现误差,影响到建筑工程的质量检测的技术问题,本发明的目的在于提供一种建筑工程质量智能检测方法及***,所采用的技术方案具体如下:
一种建筑工程质量智能检测方法,所述方法包括:
获取建筑工程图像;
根据所述建筑工程图像内每个像素点预设邻域的灰度分布特征,获得每个像素点预设邻域的建筑灰度混乱程度;根据每个像素点在预设邻域内所有预设延伸方向上的灰度差异特征,获得每个像素点预设邻域的建筑灰度差异程度;根据每个像素点预设邻域的所述建筑灰度混乱程度与所述建筑灰度差异程度,获得所述建筑工程图像内每个像素点的建筑局部稳定程度;
根据每个像素点预设邻域内每相邻两个像素点之间的灰度相似程度,获得每个像素点预设邻域的建筑背景灰度特征;利用所述建筑背景灰度特征对每个像素点预设邻域内的灰度稳定程度进行修正,获得每个像素点预设邻域的建筑背景特征;根据每个像素点预设邻域内像素点的灰度分布波动特征,以及每个延伸方向上像素点之间的灰度分布差异特征,获得每个像素点预设邻域的建筑缺陷特征;
根据所述建筑背景特征、所述建筑缺陷特征与所述建筑局部稳定程度,获得每个像素点预设邻域内的建筑局部灰度特征;根据任意两个像素点之间的建筑局部灰度特征差异与位置距离,获得任意两个像素点之间的相似度;根据所述相似度获得所述建筑工程图像的聚类结果;
根据所述聚类结果对建筑工程进行质量检测。
进一步地,所述建筑灰度混乱程度的获取方法包括:
将预设邻域内中心像素点与每个其他像素点之间的灰度值差异求平均,获得每个像素点预设邻域的建筑灰度混乱程度。
进一步地,所述建筑灰度差异程度的获取方法包括:
根据建筑灰度差异程度计算公式获取所述建筑灰度差异程度,所述建筑灰度差异程度计算公式如下所示:
;式中,/>表示第/>个像素点预设邻域内的建筑灰度差异程度;/>表示第/>个像素点的延伸方向的数量;/>表示第/>个像素点的延伸方向的序号;/>表示第个像素点预设邻域内每个延伸方向上的像素点数量;/>表示第/>个像素点预设邻域内每个延伸方向上的像素点序号;/>表示第/>个像素点的灰度值;/>表示第/>个像素点预设邻域内第/>个延伸方向上的第/>个像素点的灰度值;/>表示最大值函数;/>表示最小值函数。
进一步地,所述建筑局部稳定程度的获取方法包括:
将每个像素点预设邻域的所述建筑灰度混乱程度与所述建筑灰度差异程度的乘积进行负相关映射并归一化处理,获得每个像素点预设邻域的建筑局部稳定程度。
进一步地,所述建筑背景灰度特征的获取方法包括:
计算每个像素点预设邻域内每相邻两个像素点的灰度值之间的相似特征作为每相邻两个像素点之间的灰度相似程度;
将每个像素点预设邻域内每相邻两个像素点之间的灰度相似程度求平均,获得每个像素点预设邻域的建筑背景灰度特征。
进一步地,所述建筑背景特征的获取方法包括:
将每个像素点预设邻域内的灰度标准差进行负相关映射并归一化处理,获得每个像素点预设邻域的灰度稳定程度;
将所述建筑背景灰度特征与所述灰度稳定程度的乘积进行归一化处理,获得每个像素点预设邻域的建筑背景特征。
进一步地,所述建筑缺陷特征的获取方法包括:
根据建筑缺陷特征计算公式获取所述建筑缺陷特征,所述建筑缺陷特征计算公式如下所示:
;式中,/>表示第/>个像素点预设邻域内的建筑缺陷特征;/>表示第/>个像素点预设邻域内的灰度标准差;/>表示第/>个像素点的延伸方向的数量;/>表示第/>个像素点的延伸方向的序号;/>表示第/>个像素点预设邻域内第/>个延伸方向上所有像素点的灰度均值;/>表示预设邻域内第/>个延伸方向灰度值上小于/>的像素点数量;/>表示第/>个像素点预设邻域内第/>个延伸方向灰度值上小于的第/>个像素点的灰度值;/>表示归一化函数;/>表示以自然常数为底的指数函数。
进一步地,所述建筑局部灰度特征的获取方法包括:
根据建筑局部灰度特征计算公式获取所述建筑局部灰度特征,所述建筑局部灰度特征计算公式如下所示:
;式中,/>表示第/>个像素点预设邻域内的建筑局部灰度特征;/>表示第/>个像素点预设邻域内的建筑局部稳定程度;/>表示第/>个像素点预设邻域内的建筑背景特征;/>表示第/>个像素点预设邻域内的建筑缺陷特征。
进一步地,所述相似度的获取方法包括:
将所述建筑工程图像上任意两个像素点之间的建筑局部灰度特征差异与欧式距离进行负相关映射并归一化处理,获得所述建筑工程图像上任意两个像素点之间的相似度。
一种建筑工程质量智能检测***,所述***包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种建筑工程质量智能检测方法的步骤。
本发明具有如下有益效果:
本发明获取建筑工程图像;由于像素点预设邻域内可能既存在缺陷区域,又存在正常区域,像素点预设邻域内的灰度特征的建筑局部稳定程度不同,所以根据建筑工程图像内每个像素点预设邻域内的灰度分布特征,获得每个像素点预设邻域的建筑灰度混乱程度;根据每个像素点在预设邻域内所有预设延伸方向上的灰度差异特征,获得每个像素点预设邻域的建筑灰度差异程度;根据每个像素点预设邻域内的建筑灰度混乱程度与建筑灰度差异程度,获得建筑工程图像内每个像素点的建筑局部稳定程度,反映了每个像素点预设邻域内的灰度表现特征;由于正常区域内像素点灰度值较为一致,而外界环境不同,缺陷区域内像素点灰度值往往存在差异,所以根据每个像素点预设邻域内每相邻两个像素点之间的灰度相似程度,获得每个像素点预设邻域的建筑背景灰度特征;用建筑背景灰度特征对每个像素点预设邻域内的灰度稳定程度进行修正,获得每个像素点预设邻域的建筑背景特征,反映了每个像素点预设邻域的灰度特征的正常表现程度;若像素点预设邻域内存在较多缺陷区域,则在预设邻域内存在多个像素点的灰度值较低,所以根据每个像素点预设邻域内像素点的灰度分布波动特征,以及每个延伸方向上像素点之间的灰度分布差异特征,获得每个像素点预设邻域的建筑缺陷特征,反映了每个像素点预设邻域的灰度特征的异常表现程度;根据建筑背景特征、建筑缺陷特征与建筑局部稳定程度,获得每个像素点预设邻域内的建筑局部灰度特征;根据任意两个像素点之间的建筑局部灰度特征差异与距离,获得任意两个像素点之间的相似度;根据相似度获得建筑工程图像的聚类结果;根据聚类结果对所有像素点进行质量检测。本发明利用像素点邻域内的灰度特征计算建筑工程图像中任意两个像素点之间的建筑局部灰度特征,并结合像素点之间的距离获得像素点之间的相似性,使聚类结果更加精准,便于对建筑工程质量进行智能检测。
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和优点,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种建筑工程质量智能检测方法流程图;
图2为本发明一个实施例所提供的一种建筑工程表面示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种建筑工程质量智能检测方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种建筑工程质量智能检测方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种建筑工程质量智能检测方法流程图,该方法包括:
步骤S1:获取建筑工程图像。
本发明一个实施例提供了一种建筑工程质量智能检测方法,针对于建筑工程的质量检测,首先需要获取本发明实施例的识别对象,即获取建筑工程图像。
本发明一个实施例中,采用CCD工业相机对建筑墙壁进行拍摄,获取所有建筑工程图像。
需要说明的是,为了保证后续图像处理过程的图像质量,获得建筑工程图像后还需要进行图像预处理操作,具体图像预处理操作为本领域技术人员熟知的技术手段,在此不做赘述以及限定。在本发明实施例中图像预处理操作包括滤波和灰度化。
步骤S2:根据建筑工程图像内每个像素点预设邻域内的灰度分布特征,获得每个像素点预设邻域的建筑灰度混乱程度;根据每个像素点在预设邻域内所有预设延伸方向上的灰度差异特征,获得每个像素点预设邻域的建筑灰度差异程度;根据每个像素点预设邻域内的建筑灰度混乱程度与建筑灰度差异程度,获得建筑工程图像内每个像素点的建筑局部稳定程度。
图2提供了一种建筑工程表面示意图,在图像中,建筑表面的裂痕区域与凹陷区域的灰度表现要小于正常区域的灰度表现,并且建筑表面不同的缺陷区域灰度表现也不相同。由于不同区域内像素点的灰度表现不同,所以应当对建筑工程图像中每个像素点所在预设邻域进行分析,通过邻域内的灰度特征获得每个像素点在邻域内的局部表现。由于在建筑表面上存在的缺陷可能并不连续,且分布不规律,所以每个像素点预设邻域内可能既存在缺陷区域,又存在正常区域,每个像素点预设邻域内的灰度特征的建筑局部稳定程度不同。故本发明实施例中,根据建筑工程图像内每个像素点预设邻域内的灰度分布特征,获得每个像素点预设邻域的建筑灰度混乱程度;根据每个像素点在预设邻域内所有预设延伸方向上的灰度差异特征,获得每个像素点预设邻域的建筑灰度差异程度;根据每个像素点预设邻域内的建筑灰度混乱程度与建筑灰度差异程度,获得建筑工程图像内每个像素点的建筑局部稳定程度。
本发明一个实施例中,预设邻域设置为以每个像素点为中心的的正方形窗口,且下文若不作特殊强调,预设邻域均采用此设置方式。需要说明的是,在本发明其他实施例中,预设邻域设置方式可以由实施人员自行设置,在此不做限定。
优选地,本发明一个实施例中,建筑灰度混乱程度的获取方法包括:
将预设邻域内中心像素点与每个其他像素点之间的灰度值差异求平均,获得每个像素点预设邻域的建筑灰度混乱程度。本发明一个实施例中,建筑灰度混乱程度计算公式如下所示:
式中,表示第/>个像素点预设邻域内的建筑灰度混乱程度;/>表示第/>个像素点预设邻域内其他像素点的数量;/>表示第/>个像素点预设邻域内其他像素点的序号;/>表示第/>个像素点的灰度值;/>表示第/>个像素点预设邻域内第/>个像素点的灰度值。
在建筑灰度混乱程度计算公式中,第个像素点预设邻域内中心像素点与每个其他像素点之间的灰度值差异平均值越大,说明第/>个像素点在预设邻域内灰度表现越突出,此时第/>个像素点的灰度在预设邻域内的稳定程度越差。
优选地,本发明一个实施例中,建筑灰度差异程度的获取方法包括:
根据建筑灰度差异程度计算公式获取建筑灰度差异程度,建筑灰度差异程度计算公式如下所示:
式中,表示第/>个像素点预设邻域内的建筑灰度差异程度;/>表示第/>个像素点的延伸方向的数量;/>表示第/>个像素点的延伸方向的序号;/>表示第/>个像素点预设邻域内每个延伸方向上的像素点数量;/>表示第/>个像素点预设邻域内每个延伸方向上的像素点序号;/>表示第/>个像素点的灰度值;/>表示第/>个像素点预设邻域内第/>个延伸方向上的第/>个像素点的灰度值;/>表示最大值函数;/>表示最小值函数。
在建筑灰度差异程度计算公式中,表示第/>个像素点预设邻域内第/>个延伸方向上的第/>个像素点的灰度值与第/>个像素点的灰度值之间的最大值与最小值之间的比值,当/>越大时,说明预设邻域内中心像素点与延伸方向上每个像素点之间的灰度差异越大,通过第/>个像素点预设邻域在每个延伸方向上的灰度特征的建筑灰度差异程度,反映每个延伸方向像素点灰度表现的稳定程度,其中建筑灰度差异程度越大,每个延伸方向像素点灰度表现的稳定程度越小,选取所有延伸方向上的建筑灰度差异程度最大值,建筑灰度差异程度最大值对应的延伸方向存在缺陷区域像素点的可能性越大,当建筑灰度差异程度最大值对应的延伸方向同样呈现比较稳定的灰度特征时,此时可以认为第/>个像素点预设邻域内局部的灰度特征越稳定。
本发明一个实施例中,预设延伸方向设置为预设邻域内中心像素点的八个邻域方向,且下文若不作特殊强调,预设延伸方向均采用此设置方式。需要说明的是,在本发明其他实施例中,还可以使用其他延伸方向,在此不做限定。
优选地,本发明一个实施例中,建筑局部稳定程度的获取方法包括:
将每个像素点预设邻域的建筑灰度混乱程度与建筑灰度差异程度的乘积进行负相关映射并归一化处理,获得每个像素点预设邻域的建筑局部稳定程度。本发明一个实施例中,建筑局部稳定程度计算公式如下所示:
式中,表示第/>个像素点预设邻域内的建筑局部稳定程度;/>表示第/>个像素点预设邻域内的建筑灰度混乱程度;/>表示第/>个像素点预设邻域内的建筑灰度差异程度;/>表示以自然常数为底的指数函数。
在建筑局部稳定程度计算公式中,第个像素点预设邻域内的建筑灰度混乱程度越小,第/>个像素点预设邻域内灰度特征的建筑局部稳定程度越大;第/>个像素点预设邻域内的建筑灰度差异程度越小,即第/>个像素点预设邻域内缺陷表现最严重的延伸方向上像素点的差异程度较小,将第/>个像素点预设邻域内的建筑局部稳定程度与建筑灰度差异程度进行负相关映射并归一化处理,此时,该延伸方向上像素点的灰度值与第/>个像素点的灰度值相似,所以第/>个像素点预设邻域内灰度特征的建筑局部稳定程度越大。
至此,获得每个像素点在预设邻域内的建筑局部稳定程度。
步骤S3:根据每个像素点预设邻域内每相邻两个像素点之间的灰度相似程度,获得每个像素点预设邻域的建筑背景灰度特征;利用建筑背景灰度特征对每个像素点预设邻域内的灰度稳定程度进行修正,获得每个像素点预设邻域的建筑背景特征;根据每个像素点预设邻域内像素点的灰度分布波动特征,以及每个延伸方向上像素点之间的灰度分布差异特征,获得每个像素点预设邻域的建筑缺陷特征。
由于每个像素点预设邻域内可能同时存在正常区域与缺陷区域,且不同像素点邻域内的灰度特征的正常表现程度与异常表现程度不同。当像素点预设邻域内灰度特征的建筑局部稳定程度越大时,像素点预设邻域内正常区域占比越大,缺陷区域占比越小。由于不同缺陷区域的灰度特征可能不同,存在不同像素点预设邻域建筑局部稳定程度相同但可能两个邻域内部各自的正常表现程度与异常表现程度不同的情况,为了后续准确地获取两个像素点之间的相似度,需要利用每个像素点预设邻域内的属于背景区域的正常像素点的灰度表现程度与属于缺陷区域的异常像素点的灰度表现程度,对每个像素点预设邻域内的建筑局部稳定程度进行调整。故本发明实施例中,获得每个像素点预设邻域的建筑背景特征与建筑缺陷特征。
像素点预设邻域内每相邻两个像素点之间的灰度相似程度能够反映出像素点预设邻域内正常区域的正常表现程度,其中每相邻两个像素点之间的灰度相似程度越大,说明相邻两个像素点的灰度值越相似。实际情况中,正常区域内像素点灰度值表现一致,由于外界环境不同,缺陷区域内像素点灰度值往往存在差异,由此可以根据邻域内像素点之间的灰度相似程度获得预设邻域内正常像素点的灰度特征,所以本发明实施例中,根据每个像素点预设邻域内每相邻两个像素点之间的灰度相似程度,获得每个像素点预设邻域的建筑背景灰度特征。
优选地,本发明一个实施例中,建筑背景灰度特征的获取方法包括:
计算每个像素点预设邻域内每相邻两个像素点的灰度值之间的相似特征作为每相邻两个像素点之间的灰度相似程度;将每个像素点预设邻域内每相邻两个像素点之间的灰度相似程度求平均,获得每个像素点预设邻域的建筑背景灰度特征。
本发明一个实施例中,获得每个像素点预设邻域内每相邻两个像素点之间的灰度值最小值与灰度值最大值;将每相邻两个像素点之间的灰度值最小值与灰度值最大值之间的比值作为相邻两个像素点的灰度值之间的相似性,并将每相邻两个像素点之间的灰度值最小值与灰度值最大值之间的比值求平均,获得每个像素点预设邻域的建筑背景灰度特征;其中平均值越接近于1,说明像素点预设邻域内像素点的灰度值越接近,相邻两个像素点之间的灰度相似程度越大,此时邻域内正常区域占比越大,邻域内的建筑背景灰度特征越明显。
优选地,本发明一个实施例中,建筑背景特征的获取方法包括:
将每个像素点预设邻域内的灰度标准差进行负相关映射并归一化处理,获得每个像素点预设邻域的灰度稳定程度;将建筑背景灰度特征与灰度稳定程度的乘积进行归一化处理,获得每个像素点预设邻域的建筑背景特征。本发明一个实施例中,建筑背景特征计算公式如下所示:
式中,表示第/>个像素点预设邻域内的建筑背景特征;/>表示第/>个像素点预设邻域内的灰度标准差;/>表示第/>个像素点预设邻域内的像素点总数量;/>表示第/>个像素点预设邻域内的像素点序号;/>表示第/>个像素点预设邻域内第/>个像素点的灰度值;/>表示第/>个像素点预设邻域内第/>个像素点的灰度值;/>表示最大值函数;/>表示最小值函数;/>表示归一化函数;/>表示第/>个像素点预设邻域内的灰度稳定程度;表示第/>个像素点预设邻域内的建筑背景灰度特征。
在建筑背景特征计算公式中,越接近于1,说明预设邻域内第/>个像素点与第/>个像素点之间的灰度差异程度越小,此时预设邻域内每相邻两个像素点之间的灰度差异程度越小,第/>个像素点预设邻域内像素点灰度值越相似,正常区域占比越大,越应该调大第/>个像素点预设邻域内的建筑局部稳定程度,此时第/>个像素点预设邻域内的建筑背景特征越大;而第/>个像素点预设邻域内像素点的灰度值标准差越小,此时第/>个像素点预设邻域内像素点的灰度表现越稳定,第/>个像素点预设邻域可能越正常,越应该调大第/>个像素点预设邻域内的建筑局部稳定程度,此时第/>个像素点预设邻域内的建筑背景特征越大。
若像素点预设邻域内存在较多缺陷区域,则在预设邻域内存在多个灰度值较低的异常像素点,不同像素点邻域内灰度分布波动特征不同,且在邻域中心像素点各延伸方向上灰度分布差异特征,所以本发明实施例中,根据每个像素点预设邻域内像素点的灰度分布波动特征,以及每个延伸方向上像素点之间的灰度分布差异特征,获得每个像素点预设邻域的建筑缺陷特征。
优选地,本发明一个实施例中,建筑缺陷特征的获取方法包括:
根据建筑缺陷特征计算公式获取建筑缺陷特征,建筑缺陷特征计算公式如下所示:
式中,表示第/>个像素点预设邻域内的建筑缺陷特征;/>表示第/>个像素点预设邻域内的灰度标准差;/>表示第/>个像素点的延伸方向的数量;/>表示第/>个像素点的延伸方向的序号;/>表示第/>个像素点预设邻域内第/>个延伸方向上所有像素点的灰度均值;/>表示预设邻域内第/>个延伸方向灰度值上小于/>的像素点数量;表示第/>个像素点预设邻域内第/>个延伸方向灰度值上小于/>的第/>个像素点的灰度值;/>表示归一化函数;/>表示以自然常数为底的指数函数。
在建筑缺陷特征计算公式中,第个像素点预设邻域内每个延伸方向上像素点的灰度值均值越小,第/>个像素点预设邻域内每个延伸方向上的属于缺陷区域的异常像素点数量越多,建筑缺陷特征越明显;在第/>个像素点预设邻域内第/>个延伸方向上,将延伸方向的像素点灰度值均值,与延伸方向上小于/>的所有像素点的灰度值之间的差值累加求和,第/>个延伸方向上差值和值越大,说明该延伸方向上属于缺陷区域的异常像素点的数量越多,该延伸方向上的灰度分布差异特征越明显,第/>个像素点预设邻域内每个延伸方向上的属于缺陷区域的异常像素点灰度异常特征越明显,此时对所有延伸方向进行分析,反映了第/>个像素点预设邻域内第/>个延伸方向上像素点之间的灰度分布差异特征,其中灰度分布差异特征越明显,说明在第/>个延伸方向上属于缺陷区域的异常像素点灰度特征越明显,对所有延伸方向的灰度分布差异特征求平均,平均值越大,第/>个像素点预设邻域内的建筑缺陷特征越大;第/>个像素点预设邻域内的灰度值标准差越大,说明邻域内灰度分布波动特征越混乱,第/>个像素点预设邻域内属于缺陷区域的异常像素点的灰度异常特征越明显,第/>个像素点预设邻域内的建筑缺陷特征越大。
至此,获得每个像素点预设邻域内的建筑背景特征与建筑缺陷特征。
步骤S4:根据建筑背景特征、建筑缺陷特征与建筑局部稳定程度,获得每个像素点预设邻域内的建筑局部灰度特征;根据任意两个像素点之间的建筑局部灰度特征差异与位置距离,获得任意两个像素点之间的相似度;根据相似度获得建筑工程图像的聚类结果。
利用步骤S3获得的建筑背景特征与建筑缺陷特征对每个像素点预设邻域内的建筑局部稳定程度进行调整,获得每个像素点预设邻域内的建筑局部灰度特征。
优选地,本发明一个实施例中,建筑局部灰度特征的获取方法包括:
根据建筑局部灰度特征计算公式获取建筑局部灰度特征,建筑局部灰度特征计算公式如下所示:
式中,表示第/>个像素点预设邻域内的建筑局部灰度特征;/>表示第/>个像素点预设邻域内的建筑局部稳定程度;/>表示第/>个像素点预设邻域内的建筑背景特征;/>表示第/>个像素点预设邻域内的建筑缺陷特征。
在建筑局部灰度特征计算公式中,由于像素点预设邻域内可能同时存在正常区域与缺陷区域,而建筑局部稳定程度能够反映像素点邻域内正常区域的灰度表现程度与异常区域的灰度表现程度,当像素点邻域内正常区域占比多时,缺陷区域占比就会变少,所以利用来表示像素点邻域内缺陷区域的表现程度;所以/>能够反映出第/>个像素点预设邻域内的正常区域的最终表现程度,而/>能够反映出第/>个像素点预设邻域内的缺陷区域的最终表现程度,将两者相加反映出第/>个像素点预设邻域内的建筑局部灰度特征。
优选地,本发明一个实施例中,相似度的获取方法包括:
将建筑工程图像上任意两个像素点之间的建筑局部灰度特征差异与欧式距离进行负相关映射并归一化处理,获得建筑工程图像上任意两个像素点之间的相似度。本发明一个实施例中,相似度计算公式如下所示:
式中,表示第/>个像素点与第/>个像素点之间的相似度;/>表示第/>个像素点预设邻域内的建筑局部灰度特征;/>表示第/>个像素点预设邻域内的建筑局部灰度特征;/>表示第/>个像素点与第/>个像素点之间的欧式距离;/>表示以自然常数为底的指数函数。
在相似度计算公式中,第个像素点与第/>个像素点之间的建筑局部灰度特征越小,第/>个像素点与第/>个像素点越可能是灰度特征相似的像素点,第/>个像素点与第/>个像素点之间的相似度越大;第/>个像素点与第/>个像素点之间的欧式距离越小,第/>个像素点与第/>个像素点越有可能出现在同一区域,此时第/>个像素点与第/>个像素点之间的相似度越大。
至此,获得任意两个像素点之间的相似度。
本发明一个实施例中,根据任意两个像素点之间的相似度,对建筑工程图像上每个像素点使用基于连通图动态***的聚类算法,获得所有聚类簇。需要说明的是,基于连通图动态***的聚类算法为本领域技术人员所熟知的技术手段,且在本发明其他实施例中,还可以采用其他聚类算法进行建筑工程质量检测,在此不做限定及赘述。
步骤S5:根据聚类结果对所有像素点进行质量检测。
本发明一个实施例中,根据聚类结果对所有像素点进行质量检测,包括:
由于在实际情况中,建筑表面的正常区域最大,所以可以将面积最大的聚类簇作为正常区域像素点的聚类簇,此时获得正常区域像素点组成的第一聚类簇;
设置其他聚类簇与第一聚类簇之间的距离阈值,将大于距离阈值的所有聚类簇的像素点灰度值设置为255,将小于距离阈值的所有聚类簇设置为0,将第一聚类簇内的所有像素点设置为0,获得二值化的建筑工程图像,在二值化的建筑工程图像中,灰度值为255的像素点为缺陷区域的像素点,灰度值为0的像素点为正常区域的像素点,由此对建筑工程图像中的缺陷区域与正常区域做出区分;
由于缺陷区域存在不同种类,例如墙皮裂纹、裂缝、凹陷等情况,为了进一步对不同缺陷区域进行区分,将二值化后的建筑工程图像输入到CNN神经网络,输出为质量状况。其中,数据集的获取方法:采集不同缺陷种类的建筑工程二值图像,给不同缺陷种类的二值图像分配不同的标签(如墙皮裂纹、裂缝、凹陷等),将所有的样本和对应的标签作为数据集。训练过程:利用数据集训练该神经网络,使用的损失函数为交叉熵损失函数。
需要说明的是,CNN神经网络均为本领域技术人员所熟知的技术手段,且在本发明其他实施例中,还可以采用其他神经网络进行建筑工程质量检测,在此不做限定及赘述。
综上,本发明获取建筑工程图像;根据建筑工程图像内每个像素点预设邻域内的灰度分布特征,获得每个像素点预设邻域的建筑灰度混乱程度;根据每个像素点在预设邻域内所有预设延伸方向上的灰度差异特征,获得每个像素点预设邻域的建筑灰度差异程度;根据每个像素点预设邻域内的建筑灰度混乱程度与建筑灰度差异程度,获得建筑工程图像内每个像素点的建筑局部稳定程度;根据每个像素点预设邻域内每相邻两个像素点之间的灰度相似程度,获得每个像素点预设邻域的建筑背景灰度特征;利用建筑背景灰度特征对每个像素点预设邻域内的灰度稳定程度进行修正,获得每个像素点预设邻域的建筑背景特征;根据每个像素点预设邻域内像素点的灰度分布波动特征,以及每个延伸方向上像素点之间的灰度分布差异特征,获得每个像素点预设邻域的建筑缺陷特征,反映了每个像素点预设邻域的灰度特征的异常表现程度;根据建筑背景特征、建筑缺陷特征与建筑局部稳定程度,获得每个像素点预设邻域内的建筑局部灰度特征;根据任意两个像素点之间的建筑局部灰度特征差异与距离,获得任意两个像素点之间的相似度;根据相似度获得建筑工程图像的聚类结果;根据聚类结果对建筑工程图像进行质量检测。本发明利用像素点邻域内的灰度特征计算建筑工程图像中任意两个像素点之间的建筑局部灰度特征,并结合像素点之间的距离获得像素点之间的相似性,使聚类结果更加精准,便于对建筑工程质量进行智能检测。
本发明实施例还提供了一种建筑工程质量智能检测***,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器在执行计算机程序时,可以实现一种建筑工程质量智能检测方法的步骤。
一种建筑工程图像聚类方法实施例:
在现有技术中,利用聚类算法对建筑工程图像进行分析时,仅仅通过各像素点之间的距离来确定像素点之间的相似度,会使得建筑工程图像中相对连续的缺陷或不同位置的相同缺陷在聚类时出现误差,从而无法得到准确聚类结果的技术问题,为了解决该问题,本实施例提供了一种建筑工程图像聚类方法。
步骤S1:获取建筑工程图像。
步骤S2:根据建筑工程图像内每个像素点预设邻域内的灰度分布特征,获得每个像素点预设邻域的建筑灰度混乱程度;根据每个像素点在预设邻域内所有预设延伸方向上的灰度差异特征,获得每个像素点预设邻域的建筑灰度差异程度;根据每个像素点预设邻域内的建筑灰度混乱程度与建筑灰度差异程度,获得建筑工程图像内每个像素点的建筑局部稳定程度。
步骤S3:根据每个像素点预设邻域内每相邻两个像素点之间的灰度相似程度,获得每个像素点预设邻域的建筑背景灰度特征;利用建筑背景灰度特征对每个像素点预设邻域内的灰度稳定程度进行修正,获得每个像素点预设邻域的建筑背景特征;根据每个像素点预设邻域内像素点的灰度分布波动特征,以及每个延伸方向上像素点之间的灰度分布差异特征,获得每个像素点预设邻域的建筑缺陷特征。
步骤S4:根据建筑背景特征、建筑缺陷特征与建筑局部稳定程度,获得每个像素点预设邻域内的建筑局部灰度特征;根据任意两个像素点之间的建筑局部灰度特征差异与位置距离,获得任意两个像素点之间的相似度;根据相似度获得建筑工程图像的聚类结果。
由于步骤S1-S4的具体实现过程在上述一种建筑工程质量智能检测方法及***中已给出详细说明,不再赘述。
本实施例的技术效果:本发明获取建筑工程图像;由于像素点预设邻域内可能既存在缺陷区域,又存在正常区域,像素点预设邻域内的灰度特征的建筑局部稳定程度不同,所以根据建筑工程图像内每个像素点预设邻域内的灰度分布特征,获得每个像素点预设邻域的建筑灰度混乱程度;根据每个像素点在预设邻域内所有预设延伸方向上的灰度差异特征,获得每个像素点预设邻域的建筑灰度差异程度;根据每个像素点预设邻域内的建筑灰度混乱程度与建筑灰度差异程度,获得建筑工程图像内每个像素点的建筑局部稳定程度,反映了每个像素点预设邻域内的灰度表现特征;由于正常区域内像素点灰度值较为一致,而外界环境不同,缺陷区域内像素点灰度值往往存在差异,所以根据每个像素点预设邻域内每相邻两个像素点之间的灰度相似程度,获得每个像素点预设邻域的建筑背景灰度特征;用建筑背景灰度特征对每个像素点预设邻域内的灰度稳定程度进行修正,获得每个像素点预设邻域的建筑背景特征,反映了每个像素点预设邻域的灰度特征的正常表现程度;若像素点预设邻域内存在较多缺陷区域,则在预设邻域内存在多个像素点的灰度值较低,所以根据每个像素点预设邻域内像素点的灰度分布波动特征,以及每个延伸方向上像素点之间的灰度分布差异特征,获得每个像素点预设邻域的建筑缺陷特征,反映了每个像素点预设邻域的灰度特征的异常表现程度;根据建筑背景特征、建筑缺陷特征与建筑局部稳定程度,获得每个像素点预设邻域内的建筑局部灰度特征;根据任意两个像素点之间的建筑局部灰度特征差异与距离,获得任意两个像素点之间的相似度;根据相似度获得建筑工程图像的聚类结果。本实施例利用像素点邻域内的灰度特征计算建筑工程图像中任意两个像素点之间的建筑局部灰度特征,并结合像素点之间的距离获得像素点之间的相似性,使聚类结果更加精准。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (3)
1.一种建筑工程质量智能检测方法,其特征在于,所述方法包括:
获取建筑工程图像;
根据所述建筑工程图像内每个像素点预设邻域的灰度分布特征,获得每个像素点预设邻域的建筑灰度混乱程度;根据每个像素点在预设邻域内所有预设延伸方向上的灰度差异特征,获得每个像素点预设邻域的建筑灰度差异程度;根据每个像素点预设邻域的所述建筑灰度混乱程度与所述建筑灰度差异程度,获得所述建筑工程图像内每个像素点的建筑局部稳定程度;
根据每个像素点预设邻域内每相邻两个像素点之间的灰度相似程度,获得每个像素点预设邻域的建筑背景灰度特征;利用所述建筑背景灰度特征对每个像素点预设邻域内的灰度稳定程度进行修正,获得每个像素点预设邻域的建筑背景特征;根据每个像素点预设邻域内像素点的灰度分布波动特征,以及每个延伸方向上像素点之间的灰度分布差异特征,获得每个像素点预设邻域的建筑缺陷特征;
根据所述建筑背景特征、所述建筑缺陷特征与所述建筑局部稳定程度,获得每个像素点预设邻域内的建筑局部灰度特征;根据任意两个像素点之间的建筑局部灰度特征差异与位置距离,获得任意两个像素点之间的相似度;根据所述相似度获得所述建筑工程图像的聚类结果;
根据所述聚类结果对建筑工程进行质量检测;
所述建筑灰度混乱程度的获取方法包括:
将预设邻域内中心像素点与每个其他像素点之间的灰度值差异求平均,获得每个像素点预设邻域的建筑灰度混乱程度;
所述建筑灰度差异程度的获取方法包括:
根据建筑灰度差异程度计算公式获取所述建筑灰度差异程度,所述建筑灰度差异程度计算公式如下所示:
;式中,/>表示第/>个像素点预设邻域内的建筑灰度差异程度;/>表示第/>个像素点的延伸方向的数量;/>表示第/>个像素点的延伸方向的序号;/>表示第/>个像素点预设邻域内每个延伸方向上的像素点数量;/>表示第/>个像素点预设邻域内每个延伸方向上的像素点序号;/>表示第/>个像素点的灰度值;/>表示第/>个像素点预设邻域内第/>个延伸方向上的第/>个像素点的灰度值;/>表示最大值函数;/>表示最小值函数;
所述建筑局部稳定程度的获取方法包括:
将每个像素点预设邻域的所述建筑灰度混乱程度与所述建筑灰度差异程度的乘积进行负相关映射并归一化处理,获得每个像素点预设邻域的建筑局部稳定程度;
所述建筑背景灰度特征的获取方法包括:
计算每个像素点预设邻域内每相邻两个像素点的灰度值之间的相似特征作为每相邻两个像素点之间的灰度相似程度;
将每个像素点预设邻域内每相邻两个像素点之间的灰度相似程度求平均,获得每个像素点预设邻域的建筑背景灰度特征;
所述建筑背景特征的获取方法包括:
将每个像素点预设邻域内的灰度标准差进行负相关映射并归一化处理,获得每个像素点预设邻域的灰度稳定程度;
将所述建筑背景灰度特征与所述灰度稳定程度的乘积进行归一化处理,获得每个像素点预设邻域的建筑背景特征;
所述建筑缺陷特征的获取方法包括:
根据建筑缺陷特征计算公式获取所述建筑缺陷特征,所述建筑缺陷特征计算公式如下所示:
;式中,/>表示第/>个像素点预设邻域内的建筑缺陷特征;/>表示第/>个像素点预设邻域内的灰度标准差;/>表示第/>个像素点的延伸方向的数量;/>表示第/>个像素点的延伸方向的序号;/>表示第/>个像素点预设邻域内第/>个延伸方向上所有像素点的灰度均值;/>表示预设邻域内第/>个延伸方向灰度值上小于/>的像素点数量;/>表示第/>个像素点预设邻域内第/>个延伸方向灰度值上小于/>的第/>个像素点的灰度值;/>表示归一化函数;/>表示以自然常数为底的指数函数;
所述建筑局部灰度特征的获取方法包括:
根据建筑局部灰度特征计算公式获取所述建筑局部灰度特征,所述建筑局部灰度特征计算公式如下所示:
;式中,/>表示第/>个像素点预设邻域内的建筑局部灰度特征;/>表示第/>个像素点预设邻域内的建筑局部稳定程度;/>表示第/>个像素点预设邻域内的建筑背景特征;/>表示第/>个像素点预设邻域内的建筑缺陷特征。
2.根据权利要求1所述的一种建筑工程质量智能检测方法,其特征在于,所述相似度的获取方法包括:
将所述建筑工程图像上任意两个像素点之间的建筑局部灰度特征差异与欧式距离进行负相关映射并归一化处理,获得所述建筑工程图像上任意两个像素点之间的相似度。
3.一种建筑工程质量智能检测***,所述***包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~2任意一项所述一种建筑工程质量智能检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410432069.5A CN118038278B (zh) | 2024-04-11 | 2024-04-11 | 一种建筑工程质量智能检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410432069.5A CN118038278B (zh) | 2024-04-11 | 2024-04-11 | 一种建筑工程质量智能检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118038278A CN118038278A (zh) | 2024-05-14 |
CN118038278B true CN118038278B (zh) | 2024-06-18 |
Family
ID=90989761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410432069.5A Active CN118038278B (zh) | 2024-04-11 | 2024-04-11 | 一种建筑工程质量智能检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118038278B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004347363A (ja) * | 2003-05-20 | 2004-12-09 | Utechzone Co Ltd | 輝度分布の紛乱程度で電子式ディスプレイの表示品質を検査する方法 |
CN110458064B (zh) * | 2019-07-31 | 2022-09-27 | 南京理工大学 | 结合数据驱动型和知识驱动型的低空目标检测与识别方法 |
CN115082445B (zh) * | 2022-07-25 | 2022-11-08 | 山东鲁泰防水科技有限公司 | 一种建筑防水卷材表面缺陷检测方法 |
CN115439716A (zh) * | 2022-09-20 | 2022-12-06 | 广东电网有限责任公司 | 配网绝缘子老化检测模型的训练和检测方法、装置及设备 |
CN115330780B (zh) * | 2022-10-13 | 2023-03-07 | 山东盛世恒机械制造有限公司 | 一种金属焊接夹渣缺陷快速检测方法 |
CN117557569B (zh) * | 2024-01-12 | 2024-04-02 | 吉林交通职业技术学院 | 一种道路路面施工质量检测方法及*** |
CN117635604B (zh) * | 2024-01-23 | 2024-04-05 | 华航检测认证(青岛)有限公司 | 一种建筑工程钢结构焊接质量检测方法 |
-
2024
- 2024-04-11 CN CN202410432069.5A patent/CN118038278B/zh active Active
Non-Patent Citations (2)
Title |
---|
Automatic inspection of pavement cracking distress;Yaxiong Huang等;《Journal of Electronic Imaging》;20060331;第15卷(第1期);第013017-1至013017-6页 * |
基于灰色理论的木板材表面缺陷图像分割质量评价研究;陈庆为;《中国优秀硕士学位论文全文数据库信息科技辑》;20150315(第03期);第I138-2227页 * |
Also Published As
Publication number | Publication date |
---|---|
CN118038278A (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sergyan | Color histogram features based image classification in content-based image retrieval systems | |
CN116611748B (zh) | 一种钛合金家具生产质量监控*** | |
CN101770582A (zh) | 图像匹配***及方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN101140216A (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
CN116452589B (zh) | 基于图像处理的人造板表面缺陷智能检测方法 | |
CN113947570B (zh) | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制*** | |
CN116721107B (zh) | 一种电缆生产质量智能监控*** | |
CN111563896B (zh) | 一种用于接触网异常检测的图像处理方法 | |
CN117808796B (zh) | 一种基于计算机视觉的齿轮表面损伤检测方法 | |
CN112270658A (zh) | 一种基于机器视觉的电梯钢丝绳检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN116137036A (zh) | 基于机器学习的基因检测数据智能处理*** | |
CN117036737A (zh) | 基于信息熵、gms与lc显著检测的特征提取与匹配方法 | |
CN114881965A (zh) | 一种基于人工智能和图像处理的木板节子检测方法 | |
CN111461010A (zh) | 一种基于模板跟踪的电力设备识别效率优化方法 | |
CN108986083B (zh) | 基于阈值优化的sar图像变化检测方法 | |
CN114049320A (zh) | 一种基于图片相似度的器件缺失ai质检方法与装置 | |
CN118038278B (zh) | 一种建筑工程质量智能检测方法及*** | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和*** | |
CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 |
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 |