JP2014228357A - Crack detecting method - Google Patents
Crack detecting method Download PDFInfo
- Publication number
- JP2014228357A JP2014228357A JP2013107390A JP2013107390A JP2014228357A JP 2014228357 A JP2014228357 A JP 2014228357A JP 2013107390 A JP2013107390 A JP 2013107390A JP 2013107390 A JP2013107390 A JP 2013107390A JP 2014228357 A JP2014228357 A JP 2014228357A
- Authority
- JP
- Japan
- Prior art keywords
- crack
- image
- pixel
- wavelet
- noise
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000001514 detection method Methods 0.000 claims description 44
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 230000001131 transforming effect Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000005336 cracking Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 14
- 238000000611 regression analysis Methods 0.000 description 13
- 238000009415 formwork Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000003672 processing method Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 6
- 102220477667 Mitochondrial inner membrane protease subunit 2_S40T_mutation Human genes 0.000 description 4
- 206010027146 Melanoderma Diseases 0.000 description 3
- 102220352372 c.148T>G Human genes 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 240000004050 Pentaglottis sempervirens Species 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 231100000241 scar Toxicity 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 102220475756 Probable ATP-dependent RNA helicase DDX6_S30A_mutation Human genes 0.000 description 1
- 102220470087 Ribonucleoside-diphosphate reductase subunit M2_S20A_mutation Human genes 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Description
本発明は、コンクリート表面に生じているひび割れの検出をおこなうひび割れ検出方法に係り、特に、撮影されたコンクリート表面の汚れや照明条件などによってひび割れの検出が困難な場合においても、簡易に高精度のひび割れ検出をおこなうことのできるひび割れ検出方法に関するものである。 The present invention relates to a crack detection method for detecting cracks generated on a concrete surface, and in particular, even when it is difficult to detect cracks due to dirt or lighting conditions of the photographed concrete surface, it is simple and highly accurate. The present invention relates to a crack detection method capable of detecting cracks.
コンクリート表面上のひび割れを検出する方法としては、従来、調査員がスケールを使用しながら目視観察をおこない、ひび割れの幅や長さを測定する方法が一般的であった。しかし、この目視観察による方法は調査員の測定技量などによって精度のばらつきが大きくなることや、ひび割れが大量に存在する場合においては大量の情報を正確に処理するために莫大な労力および時間を要するといった問題があった。 As a method for detecting cracks on the concrete surface, conventionally, a method in which an investigator visually observes using a scale and measures the width and length of the crack has been common. However, this visual observation method requires a large amount of labor and time to accurately process a large amount of information when there are large variations in accuracy due to the measurement skill of the investigator and when there are a large number of cracks. There was a problem.
上記の問題に対して、コンクリート表面の撮影画像をコンピュータに取り込み、画像をひび割れ領域とそれ以外の領域とに２値化処理する画像処理手法が適用されている。画像の２値化処理とは、ある濃度値に対して画像の濃度を０または１に表現することであり、例えば、入力画像ｆ（ｉ，ｊ）に対して２値化処理で得られる２値化画像ｂ（ｉ，ｊ）はｂ（ｉ，ｊ）＝１（ｆ（ｉ，ｊ）＞ｋ）、０（ｆ（ｉ，ｊ）≦ｋ）となる。ここで、ｋは２値化する際の閾値であり、したがって２値化画像の良し悪しは閾値ｋの選定によって決まるといってよい。 In order to solve the above problem, an image processing technique is applied in which a captured image of a concrete surface is taken into a computer, and the image is binarized into a cracked area and other areas. The image binarization process is to express the image density to 0 or 1 with respect to a certain density value. For example, 2 obtained by the binarization process for the input image f (i, j). The binarized image b (i, j) is b (i, j) = 1 (f (i, j)> k) and 0 (f (i, j) ≦ k). Here, k is a threshold value for binarization, and therefore it can be said that the quality of the binarized image is determined by the selection of the threshold value k.
従来の閾値を求める手法としては、固定閾値または可変閾値による処理方法がある。固定閾値による処理方法には、Ｐタイル法やモード法、相関比を用いた方法などが挙げられる。固定閾値による処理方法は、対象画像の濃度ヒストグラムを作成し、画像の背景（コンクリート表面）の濃度値とひび割れの濃度値との間に明確な谷が現れるような双峰性のヒストグラムが得られる場合において有効な方法である。 As a conventional method for obtaining a threshold value, there is a processing method using a fixed threshold value or a variable threshold value. Examples of the processing method using a fixed threshold include a P tile method, a mode method, and a method using a correlation ratio. The processing method using a fixed threshold creates a density histogram of the target image, and a bimodal histogram is obtained in which a clear valley appears between the density value of the background (concrete surface) of the image and the density value of the crack. This is an effective method in some cases.
一方、可変閾値による処理方法は、照明条件などによって撮影ムラが生じ、背景の濃度値と対象部分の濃度値が画像全体で一定でない場合に有効な方法である。この可変閾値処理法は、注目している画素を中心とする局所領域の平均濃度値を閾値とする方法である。この方法の欠点は、背景領域の微妙な濃淡変化に応じて、例えばひび割れ以外のノイズが多い画像となってしまう点である。 On the other hand, the processing method using a variable threshold is an effective method in the case where shooting unevenness occurs due to illumination conditions or the like and the background density value and the density value of the target portion are not constant in the entire image. This variable threshold processing method is a method in which an average density value of a local region centered on a pixel of interest is used as a threshold. A drawback of this method is that, for example, an image having a lot of noise other than cracks is generated in accordance with a subtle change in shading of the background area.
従来の画像処理方法は、撮影された入力画像に対して閾値を決定し、２値化処理をおこないながらひび割れの抽出をおこなうものである。すなわち、この一般的な処理の流れは次のようになる。１）撮影画像をコンピュータに取り込んで入力画像を作成する。２）入力画像の濃度の補正をする。３）２値化処理をおこなってひび割れの抽出をおこなう。 In the conventional image processing method, a threshold is determined for a photographed input image, and cracks are extracted while performing a binarization process. That is, the general processing flow is as follows. 1) Capture the captured image into a computer and create an input image. 2) Correct the density of the input image. 3) Perform binarization and extract cracks.
上記する従来の画像処理法は、濃度が一様なコンクリート表面上のひび割れの検出においては比較的高精度のひび割れ検出が可能である。しかし、実際のコンクリート構造物の表面は様々な汚れを含んでおり、さらにはひび割れの濃度も、ひび割れの幅や深度などに応じてばらつきがあるのが一般的である。このようなコンクリート表面に対して従来の画像処理法を用いると、ひび割れの抽出に際しては様々な問題が生じ得る。例えば、固定閾値処理の場合において、コンクリート表面上の汚れ領域とひび割れ領域が同程度の濃度値である場合には、これらを２値化処理することが極めて困難となる。濃度ヒストグラムが双峰性を呈していて、閾値を容易に決定できたとしても、ひび割れ領域と判断される範囲には汚れ領域が含まれる可能性が極めて高くなる。また、逆に、ひび割れ周辺部の汚れ領域を含ませないような閾値をあらたに設定しようとすると、今度は他のひび割れ領域を除外してしまうことになってしまう。 The conventional image processing method described above can detect a crack with relatively high accuracy in detecting a crack on a concrete surface having a uniform concentration. However, the surface of an actual concrete structure contains various stains, and the density of cracks generally varies depending on the width and depth of the cracks. When a conventional image processing method is used for such a concrete surface, various problems may occur when extracting cracks. For example, in the case of the fixed threshold processing, if the dirt region and the crack region on the concrete surface have similar density values, it is extremely difficult to binarize them. Even if the density histogram exhibits bimodality and the threshold value can be easily determined, there is a very high possibility that the area that is determined to be a cracked area includes a dirty area. On the other hand, if a new threshold value is set so as not to include the dirt region around the crack, another crack region will be excluded this time.
可変閾値処理の場合には、コンクリート表面上の汚れが多くなるにしたがって、ひび割れ抽出画像中にひび割れ以外のノイズが多く含まれることになり、場合によってはひび割れ抽出画像を一見しても、どの部分がひび割れ領域なのか全く判別できないこととなる。 In the case of variable threshold processing, as the dirt on the concrete surface increases, more noise other than cracks will be included in the cracked extracted image. It is impossible to determine at all whether or not the region is a cracked region.
上記する従来手法の問題に対して本発明者等は、撮影されたコンクリート表面の汚れや照明条件などによってひび割れの検出が困難な場合においても、簡易に高精度のひび割れ検出をおこなうことのできるひび割れ検出方法を発案し、特許文献１にその開示をおこなっている。このひび割れ検出方法は、対比される２つの濃度に対応したウェーブレット係数を算定するとともに、２つの濃度をそれぞれ変化させた場合のウェーブレット係数を算定してウェーブレット係数テーブルを作成し、ひび割れ検出対象であるコンクリート表面の撮影画像をコンピュータに入力して入力画像とし、この入力画像をウェーブレット変換することによってウェーブレット画像を作成するステップ、ウェーブレット係数テーブル内において局所領域内の近傍画素の平均濃度と注目画素の濃度に対応するウェーブレット係数を閾値とし、注目画素のウェーブレット係数が閾値よりも大きな場合はこの注目画素をひび割れと判定し、閾値よりも小さな場合は注目画素をひび割れでないと判定し、局所領域および注目画素を変化させながら注目画素のウェーブレット係数と閾値との比較をおこなうことでひび割れ抽出画像を作成するステップ、からなる検出方法である。 In order to solve the problems of the conventional methods described above, the present inventors can easily detect cracks with high accuracy even when cracks are difficult to detect due to dirt on the concrete surface or lighting conditions. A detection method is conceived and disclosed in Patent Document 1. This crack detection method calculates wavelet coefficients corresponding to two contrasted concentrations, calculates wavelet coefficients when the two concentrations are changed, creates a wavelet coefficient table, and is a crack detection target. A step of creating a wavelet image by inputting a captured image of the concrete surface into a computer and converting the input image into a wavelet. The average density of neighboring pixels in the local area and the density of the target pixel in the wavelet coefficient table. If the wavelet coefficient of the pixel of interest is greater than the threshold, the pixel of interest is determined to be cracked, and if it is less than the threshold, the pixel of interest is determined not to be cracked. Note while changing Creating a crack extracted image by performing a comparison with the wavelet coefficients of the pixel and the threshold value, the detection method comprising.
この検出方法では、さらに輪郭線追跡処理により、任意の画素に対してこれに隣接する８方向の画素を対象に繋がりのある画素を連結し、連結された画素の集合体にラベリングをおこなっている。ここで、ラベリングごとに構成画素の数（もしくは対応する面積）がその閾値よりも小さな場合にラベリングされた集合体をノイズと見なして除去するようにしている。 In this detection method, a pixel that is connected to an arbitrary pixel is connected to an arbitrary pixel by an outline tracking process, and a set of connected pixels is labeled. . Here, when the number of constituent pixels (or corresponding area) for each labeling is smaller than the threshold value, the labeled aggregate is regarded as noise and removed.
上記するウェーブレット変換を適用してなるひび割れ検出方法によってその検出精度は格段に向上するものの、本発明者等によるこのひび割れ検出方法に関する更なる検証によれば、解析パラメータとしてウェーブレット係数値とウェーブレット係数テーブル内の閾値との許容値を２５、ノイズ除去のための閾値として輪郭線追跡処理から求められるひび割れと判定された画素の一塊の個数を１０（この値以下であればこの一塊の画素を除去）で計算した結果、ひび割れ以外の多くのノイズが検出されており、そのさらなる改良が必要であることが分かっている。 Although the detection accuracy is greatly improved by the crack detection method to which the above-described wavelet transform is applied, according to further verification on the crack detection method by the present inventors, the wavelet coefficient value and the wavelet coefficient table are used as analysis parameters. The number of pixels determined to be cracks obtained from the contour tracking process as a threshold for noise removal is 25, and the number of pixels determined as cracks is 10 (if this value is less than this value, the pixels of this block are removed). As a result of calculation, a lot of noise other than cracks has been detected, and it is known that further improvement is necessary.
なお、ひび割れ判定の閾値を大きくする、もしくはノイズ除去の閾値を大きくすることによってひび割れ以外のノイズ部分を減少させることはできるが、その一方で一部の細かいひび割れや不連続なひび割れを検出しない可能性が生じ易くなってしまい、得策とは言い難い。 Although it is possible to reduce the noise part other than cracks by increasing the crack detection threshold or increasing the noise removal threshold, it is not possible to detect some fine cracks or discontinuous cracks. It is difficult to say that it is a good idea.
そこで、上記する問題を解決するべく、本発明者等は、コンピュータ処理にて得られた二値化画像から、ひび割れや型枠跡、コンクリート表面の汚れなどの領域を多変量解析の一手法である判別処理にて自動的に高い精度でひび割れとノイズを判別する発案に至っている。 Therefore, in order to solve the above-mentioned problems, the present inventors have used a method for multivariate analysis of areas such as cracks, formwork traces, and dirt on the concrete surface from a binarized image obtained by computer processing. It has come to the idea of automatically discriminating cracks and noise with high accuracy by a certain discrimination process.
より具体的には、得られた二値化画像の各オブジェクト（二値化画像にて同じ値を持つ画素を連結してできる一つの塊）の形状に関する特徴量として、面積や周囲長、円形度などの項目を選定して特徴量を計算する。これらの塊の特徴量に関しては、予め特徴量テーブルが作成されている。 More specifically, as the feature amount related to the shape of each object (one block formed by connecting pixels having the same value in the binarized image) of the obtained binarized image, the area, the perimeter, the circle Select items such as degrees and calculate feature values. Regarding the feature quantities of these blocks, a feature quantity table is created in advance.
この特徴量テーブルの作成は、現在そのコンクリート表面のひび割れ検出対象となっているコンクリート表面であってもよいし、それ以外のコンクリート表面であってもよいが、ある任意のコンクリート表面に対して二値化画像を作成し、二値化画像を構成するそれぞれの塊の複数の特徴量をコンピュータで計算してテーブル化しておく。そして、この特徴量テーブルにはさらに、この任意のコンクリート表面に関する観測結果、すなわち、それぞれの塊がひび割れである場合は区分「３」、ノイズ種の中でも型枠や傷跡などの場合は区分「２」、ノイズ種の中でもしみ跡や汚れなどの雑音の場合は区分「１」、などといった具合に、観測結果であるそれぞれの塊が、ひび割れ、ノイズ種からなるグループのいずれの区分に属するかが割り当てられている。この特徴量テーブルに対し、それぞれの塊の有する複数の特徴量を説明変数とし、ひび割れもしくはいずれかのノイズ種を目的変数とする判別分析をおこなって、特徴量が特定されている塊をひび割れもしくはノイズ種のいずれかであると判定し、この判定された結果を予測値とするものである。 The feature table may be created on a concrete surface that is currently subject to crack detection on the concrete surface, or on a concrete surface other than that. A binarized image is created, and a plurality of feature quantities of each block constituting the binarized image are calculated by a computer and tabulated. The feature table further includes observation results regarding this arbitrary concrete surface, that is, the classification “3” when each lump is cracked, and the classification “2” when the noise type is a formwork or a scar. ”In the case of noise such as stains and dirt, among the noise types, the classification“ 1 ”, etc., and so on, whether each lump as an observation result belongs to a group of cracks or noise types Assigned. Discriminant analysis is performed on this feature quantity table with a plurality of feature quantities of each block as explanatory variables, and cracks or one of the noise types as an objective variable. It is determined that it is one of the noise types, and the determined result is used as a predicted value.
この改良されたひび割れ検出方法によれば、ひび割れと微細なノイズの判別率が92%以上と高い結果が得られることが本発明者等によって特定されている。 According to the improved crack detection method, the present inventors have specified that a high result of a discrimination rate between cracks and fine noises of 92% or more can be obtained.
しかしながら、ひび割れと型枠跡の判別率は70%程度とやや低くなり、誤判別する可能性があることもまた本発明者等によって特定されている。 However, the discrimination rate between cracks and form marks is as low as about 70%, and it is also specified by the present inventors that there is a possibility of erroneous discrimination.
この原因を本発明者等は次のように分析している。すなわち、上記するウェーブレット変換を適用してなるひび割れ検出方法ではガボール関数が適用されているが、このガボール関数はひび割れのような幅の狭い線状のオブジェクトの検出に適しているものの、幅の広い面状の型枠跡や剥落部、漏水部などのオブジェクトの検出には適していないためである。このように幅の広い面状の型枠跡や剥落部、漏水部などのオブジェクトの検出には、ラプラシアンガウシアン関数を適用することによって判別率を高めることができる。 The present inventors analyze this cause as follows. In other words, the Gabor function is applied to the crack detection method using the wavelet transform described above. This Gabor function is suitable for detecting a narrow linear object such as a crack, but has a wide width. This is because it is not suitable for detecting objects such as planar formwork traces, peeling parts, and water leakage parts. Thus, the discrimination rate can be increased by applying a Laplacian Gaussian function to the detection of objects such as wide planar formwork traces, peeled portions, and water leakage portions.
そこで本発明者等は、型枠跡等の面状のノイズと微細なノイズの双方を精度よく除去することができ、もってひび割れを高い精度で検出することのできるひび割れ検出方法の発案に至っている。 Therefore, the present inventors have come up with the idea of a crack detection method that can accurately remove both surface noise such as form marks and fine noise, and can detect cracks with high accuracy. .
本発明は上記する問題に鑑みてなされたものであり、型枠跡等の面状のノイズと微細なノイズの双方を精度よく除去することができ、もってひび割れを高い精度で検出することのできるひび割れ検出方法を提供することを目的としている。 The present invention has been made in view of the above-described problems, and can remove both surface noise such as formwork traces and fine noise with high accuracy, and can detect cracks with high accuracy. The object is to provide a crack detection method.
前記目的を達成すべく、本発明によるひび割れ検出方法は、
（方法Ａ）
コンクリート表面に生じているひび割れの検出をおこなうに当たり、ひび割れ判別画像を作成する方法であって、
ひび割れの濃度とコンクリート表面の濃度を擬似的に設定し、ガボール関数を適用して対比される２つの濃度に対応したウェーブレット係数を算定するとともに、この２つの濃度をそれぞれ変化させた場合のウェーブレット係数を算定してウェーブレット係数テーブルを作成し、ひび割れ検出対象であるコンクリート表面の撮影画像をコンピュータに入力して入力画像とし、この入力画像をウェーブレット変換することによってウェーブレット画像を作成するステップ１Ａ、
ウェーブレット係数テーブル内において、前記コンクリート表面の濃度と仮定する局所領域内の近傍画素の平均濃度と、前記ひび割れの濃度と仮定する注目画素の濃度に対応するウェーブレット係数を閾値とし、任意の近傍画素における任意の注目画素のウェーブレット係数が閾値よりも大きな場合は該近傍画素における該注目画素をひび割れと判定し、任意の近傍画素における任意の注目画素のウェーブレット係数が閾値よりも小さな場合は該近傍画素における該注目画素をひび割れでないと判定し、局所領域および注目画素を変化させながら注目画素のウェーブレット係数と閾値との比較をおこない、さらに輪郭線追跡処理をおこなって、同じウェーブレット関数を有する画素を連結して一つの塊を形成し、それぞれの塊が予め設定されている塊の閾値よりも小さな場合はノイズと判定し、塊の閾値よりも大きな場合はひび割れと判定することにより、ノイズの一部が除去されてなる二値化画像を作成するステップ２Ａ、
前記塊の特徴量を特定し、塊の特徴量ごとにひび割れとひび割れ以外のノイズ種が予め規定されている特徴量テーブルを参照して、複数の特徴量を説明変数とし、ひび割れもしくはいずれかのノイズ種を目的変数とする判別分析をおこなって特徴量が特定されている前記塊をひび割れもしくはノイズ種のいずれかであると判定し、
前記塊ごとの特徴量の特定と各塊の判別分析を第２のステップにおける全ての塊に実行することにより、二値化画像からさらにノイズが除去されてなるひび割れ判別画像を作成するステップ３Ａ、からなり、
前記特徴量テーブルの作成は、任意のコンクリート表面に対して前記第１のステップ、第２のステップを実行して二値化画像を作成し、該二値化画像を構成するそれぞれの塊の複数の特徴量をコンピュータで計算するとともに、それぞれの塊に対する観測結果（塊がひび割れ、ノイズ種からなるグループのいずれか一種）を割り当てるものであり、
（方法Ｂ）
コンクリート表面に生じている面的に広がりを持った対象物であるしみ跡、湧水や剥離剥落などの変状およびケーブルや架線などの人工構造物に代表される面状対象物に相当する非ひび割れ判別画像を作成する方法であって、
前記対象物の濃度とコンクリート表面の濃度を擬似的に設定し、ラプラシアンガウシアン関数を適用して対比される２つの濃度に対応したウェーブレット係数を算定するとともに、この２つの濃度をそれぞれ変化させた場合のウェーブレット係数を算定してウェーブレット係数テーブルを作成し、これら対象物の検出対象であるコンクリート表面の撮影画像をコンピュータに入力して入力画像とし、この入力画像をウェーブレット変換することによってウェーブレット画像を作成するステップ１Ｂ、
ウェーブレット係数テーブル内において、前記コンクリート表面の濃度と仮定する局所領域内の近傍画素の平均濃度と、前記面状対象物の濃度と仮定する注目画素の濃度に対応するウェーブレット係数を閾値とし、任意の近傍画素における任意の注目画素のウェーブレット係数が閾値よりも大きな場合は該近傍画素における該注目画素を面状対象物と判定し、任意の近傍画素における任意の注目画素のウェーブレット係数が閾値よりも小さな場合は該近傍画素における該注目画素を面状対象物でないと判定し、局所領域および注目画素を変化させながら注目画素のウェーブレット係数と閾値との比較をおこない、面状対象物と判定された画素に対して面状対象物とノイズの判別処理をおこない、さらに輪郭線追跡処理をおこなって、同じウェーブレット関数を有する画素を連結して一つの塊を形成し、それぞれの塊が予め設定されている塊の閾値よりも小さな場合はノイズと判定し、塊の閾値よりも大きな場合は面状対象物と判定することにより、ノイズの一部が除去されてなる二値化画像を作成するステップ２Ｂ、
前記塊の特徴量を特定し、塊の特徴量ごとにしみ跡、湧水や剥離剥落などの変状、ケーブルや架線などの人工構造物などが予め規定されている特徴量テーブルを参照して、複数の特徴量を説明変数とし、これら面状対象物を目的変数とする判別分析をおこなって特徴量が特定されている前記塊をひび割れもしくはノイズ種のいずれかであると判定し、
前記塊ごとの特徴量の特定と各塊の判別分析を第２のステップにおける全ての塊に実行することにより、二値化画像からさらにノイズが除去されてなる非ひび割れ判別画像を作成するステップ３Ｂ、からなり、
次に、方法Ａで作成されたひび割れ判別画像と方法Ｂで作成された非ひび割れ判別画像の差分によってひび割れ画像を作成するものである。
In order to achieve the above object, a crack detection method according to the present invention comprises:
(Method A)
A method for creating a crack discrimination image when detecting cracks on a concrete surface,
Simulate the density of the crack and the concrete surface, apply the Gabor function and calculate the wavelet coefficients corresponding to the two concentrations to be compared, and the wavelet coefficients when these two concentrations are changed respectively. Step 1A for creating a wavelet coefficient table by calculating a wavelet coefficient table, inputting a captured image of a concrete surface to be cracked into a computer as an input image, and wavelet transforming the input image;
In the wavelet coefficient table, the average density of neighboring pixels in the local area assumed to be the density of the concrete surface and the wavelet coefficient corresponding to the density of the target pixel assumed to be the crack density are used as threshold values, and in any neighboring pixels If the wavelet coefficient of any pixel of interest is larger than the threshold, the pixel of interest in the neighboring pixel is determined to be cracked, and if the wavelet coefficient of any pixel of interest in the neighboring pixel is smaller than the threshold, The target pixel is determined not to be cracked, the local region and the target pixel are changed, the wavelet coefficient of the target pixel is compared with a threshold value, and the contour tracking process is further performed to connect pixels having the same wavelet function. Form one lump and each lump is preset. If smaller than the threshold value of the mass are determines the noise, by if greater than the threshold value of the mass is determined that cracking, steps 2A to create a binarized image in which a part of the noise is being removed,
Identify the feature quantity of the lump, refer to the feature quantity table in which cracks and noise types other than cracks are defined in advance for each feature quantity of the lump, use multiple feature quantities as explanatory variables, Perform a discriminant analysis with the noise type as the objective variable to determine that the mass with the specified feature quantity is either a crack or a noise type,
Step 3A for creating a crack discriminating image in which noise is further removed from the binarized image by performing identification of the feature amount for each chunk and discriminating analysis of each chunk in all the chunks in the second step, Consists of
The feature amount table is created by executing the first step and the second step on an arbitrary concrete surface to create a binarized image, and a plurality of the respective blocks constituting the binarized image. Is calculated by computer and assigns the observation result for each lump (one of the group consisting of cracks and noise species),
(Method B)
Non-surface objects that are spread over the surface of concrete, such as stains, deformations such as spring water and peeling, and non-surface objects such as cables and overhead lines. A method of creating a crack discrimination image,
When the density of the object and the density of the concrete surface are set in a pseudo manner, the wavelet coefficients corresponding to the two densities to be compared are calculated by applying the Laplacian Gaussian function, and the two densities are changed respectively. A wavelet coefficient table is calculated and a wavelet coefficient table is created, and the captured image of the concrete surface that is the detection target of these objects is input to a computer as an input image, and a wavelet image is created by wavelet transforming this input image Step 1B,
In the wavelet coefficient table, the average density of neighboring pixels in the local region assumed to be the density of the concrete surface, and the wavelet coefficient corresponding to the density of the target pixel assumed to be the density of the planar object are set as threshold values, and any arbitrary When the wavelet coefficient of an arbitrary pixel of interest in a neighboring pixel is larger than a threshold, the pixel of interest in the neighboring pixel is determined as a planar object, and the wavelet coefficient of an arbitrary pixel of interest in an arbitrary neighboring pixel is smaller than the threshold In this case, it is determined that the target pixel in the neighboring pixel is not a planar object, the wavelet coefficient of the target pixel is compared with the threshold value while changing the local region and the target pixel, and the pixel determined as the planar object A planar object and noise are discriminated against the image, and the contour line is further traced. Pixels having a bullet function are connected to form one block. If each block is smaller than a preset block threshold, it is determined as noise, and if it is larger than the block threshold, a planar object is formed. Step 2B for creating a binarized image from which part of the noise is removed by determining
Identify the feature quantity of the lump, refer to the feature quantity table that prescribes for each feature quantity of the lump, deformations such as spots, spring water and peeling off, artificial structures such as cables and overhead lines, etc. , Using a plurality of feature quantities as explanatory variables, performing a discriminant analysis with these planar objects as objective variables, and determining that the mass with the specified feature quantities is either a crack or a noise species,
Step 3B for creating a non-crack discriminating image in which noise is further removed from the binarized image by specifying the feature amount for each chunk and discriminating and analyzing each chunk in the second step. Consists of
Next, a crack image is created based on the difference between the crack discrimination image created by Method A and the non-crack discrimination image created by Method B.
ウェーブレット(wavelet)とは、小さな波という意味であり、局在性を持つ波の基本単位を、ウェーブレット関数を用いた式で表現することができる。このウェーブレット関数を拡大または縮小することにより、時間情報や空間情報と周波数情報を同時に解析することが可能となる。このウェーブレット係数を、ひび割れを有するコンクリート表面に適用する場合のこの係数の特徴としては、コンクリート表面の濃度と、ひび割れの濃度と、ひび割れ幅に依存するということである。例えば、ひび割れ幅が大きくなるにつれてウェーブレット係数の値は大きくなる傾向があり、また、ひび割れの濃度が濃くなるにつれて（黒色に近づくにつれて）ウェーブレット係数の値は大きくなる傾向がある。 A wavelet means a small wave, and a basic unit of a localized wave can be expressed by an expression using a wavelet function. By enlarging or reducing the wavelet function, it is possible to simultaneously analyze time information, spatial information, and frequency information. When this wavelet coefficient is applied to a concrete surface having cracks, the characteristic of this coefficient is that it depends on the concentration of the concrete surface, the concentration of cracks, and the crack width. For example, the value of the wavelet coefficient tends to increase as the crack width increases, and the value of the wavelet coefficient tends to increase as the density of cracks increases (closer to black).
ウェーブレット変換によって算定されるウェーブレット係数を用いて、ひび割れの検出をおこなうアルゴリズムは以下のようになる。まず、コンクリート表面の撮影画像とウェーブレット関数との内積よりウェーブレット係数を求める。このウェーブレット係数を２５６階調に変換することで、連続量を持ったウェーブレット画像が作成できる。 An algorithm for detecting cracks using wavelet coefficients calculated by wavelet transform is as follows. First, the wavelet coefficient is obtained from the inner product of the captured image of the concrete surface and the wavelet function. By converting this wavelet coefficient to 256 gradations, a wavelet image having a continuous amount can be created.
ウェーブレット係数は、上記するようにひび割れ幅やひび割れの濃度、コンクリート表面の濃度によって変化することから、擬似的に作成されたデータを用いてひび割れの濃度とコンクリート表面の濃度に関するウェーブレット係数を各階調ごとに算定しておき、ウェーブレット係数テーブルを作成しておく。このウェーブレット係数テーブルにある各階調ごとのウェーブレット係数が、ひび割れ検出の際の閾値となる。例えば、対比される２つの濃度（一方の濃度をコンクリート表面の濃度、他方の濃度をひび割れの濃度と仮定することができる）に対応するウェーブレット係数（閾値）がウェーブレット係数テーブルを参照すれば一義的に決定される。したがって、後述するように、撮影画像において対比される２つの濃度間のウェーブレット係数を算定した際に、このウェーブレット係数がウェーブレット係数テーブルの閾値よりも大きな場合は、ひび割れであると判断できるし、閾値よりも小さな場合はひび割れでないと判断することができる。 As described above, the wavelet coefficient varies depending on the crack width, crack density, and concrete surface density. As a result, the wavelet coefficient related to the crack density and concrete surface density for each gradation is created using simulated data. The wavelet coefficient table is created in advance. The wavelet coefficient for each gradation in the wavelet coefficient table serves as a threshold for crack detection. For example, wavelet coefficients (thresholds) corresponding to two contrasted concentrations (one concentration can be assumed to be a concrete surface concentration and the other concentration to be a crack concentration) are unique if the wavelet coefficient table is referenced. To be determined. Therefore, as will be described later, when the wavelet coefficient between the two densities to be compared in the captured image is calculated, if this wavelet coefficient is larger than the threshold value of the wavelet coefficient table, it can be determined that it is a crack, and the threshold value If it is smaller than that, it can be determined that it is not cracked.
このウェーブレット係数テーブルを作成する際の擬似的なデータは特に限定するものではないが、例えば、ひび割れ幅が１画素（１ピクセル）〜５画素（５ピクセル）までの中で、各画素幅のひび割れごとに、コンクリート表面の階調とひび割れの階調に対応するウェーブレット係数を算定する。閾値の設定に際しては、例えば、ひび割れ幅が１画素の場合のウェーブレット係数のうち、ひび割れに対応するウェーブレット係数を選定し、ひび割れ幅が５画素の場合のウェーブレット係数のうち、ひび割れ領域でない箇所のウェーブレット係数を選定し、これら２つのウェーブレット係数の平均値をもって任意の階調における閾値とすることができる。 The pseudo data when creating the wavelet coefficient table is not particularly limited. For example, the crack width is 1 pixel (1 pixel) to 5 pixels (5 pixels), and cracks of each pixel width are included. For each, the wavelet coefficient corresponding to the gradation of the concrete surface and the gradation of the crack is calculated. When setting the threshold value, for example, the wavelet coefficient corresponding to the crack is selected from the wavelet coefficients when the crack width is 1 pixel, and the wavelet coefficient of the portion that is not the crack area is selected among the wavelet coefficients when the crack width is 5 pixels. A coefficient is selected, and an average value of these two wavelet coefficients can be used as a threshold value in an arbitrary gradation.
本発明のひび割れ検出方法においては、微細なノイズを除去してなるひび割れ判別画像の作成ルート（方法Ａ）と、型枠跡等の面状のノイズに関する非ひび割れ判別画像の作成ルート（方法Ｂ）をそれぞれおこない、それぞれの作成ルートにおいて適用するウェーブレット関数に関し、線状オブジェクトの検出に好適なガボール関数と面状のオブジェクトの検出に好適なラプラシアンガウシアン関数を使い分けることがその大きな特徴の一つである。 In the crack detection method of the present invention, a route for creating a crack discrimination image obtained by removing minute noise (Method A), and a route for creating a non-crack discrimination image relating to surface noise such as a mold trace (Method B). One of the main features of the wavelet function applied to each creation route is to use a Gabor function suitable for detecting linear objects and a Laplacian Gaussian function suitable for detecting planar objects. .
ガボール関数を適用してひび割れ判別画像を作成する方法Ａ、ラプラシアンガウシアン関数を適用して非ひび割れ判別画像を作成する方法Ｂのいずれにおいても、それらのステップ１Ａ，１Ｂにおいて、上記するウェーブレット係数テーブルを作成しておくとともに、撮影画像に対してレンズ収差補正やあおり補正などの補正処理をおこない、これをコンピュータに入力して入力画像とし、この入力画像をウェーブレット変換することによってウェーブレット画像を作成する。このウェーブレット画像の作成は、コンピュータ内部において以下のように実施される。まず、適宜に設定された広域領域（例えば３０×３０画素の領域）に対してウェーブレット係数を算定する。次に、この広域領域から一画素移動した広域領域（同じように例えば３０×３０画素の領域であって、移動前の３０×３０画素の領域とほとんどの画素が共通している）で、同じようにウェーブレット係数を算定する。この操作を入力画像全体に繰り返すことにより、コンピュータ内部には、ウェーブレット係数の連続量からなるウェーブレット画像が作成される。 In either of the method A for creating a crack discrimination image by applying a Gabor function and the method B for creating a non-crack discrimination image by applying a Laplacian Gaussian function, the wavelet coefficient table described above is used in the steps 1A and 1B. A wavelet image is created by performing correction processing such as lens aberration correction and tilt correction on the photographed image, inputting it into a computer as an input image, and wavelet transforming the input image. The wavelet image is created in the computer as follows. First, wavelet coefficients are calculated for an appropriately set wide area (for example, an area of 30 × 30 pixels). Next, it is the same in a wide area moved by one pixel from this wide area (in the same way, for example, a 30 × 30 pixel area and most of the pixels are the same as the 30 × 30 pixel area before the movement). The wavelet coefficient is calculated as follows. By repeating this operation for the entire input image, a wavelet image composed of continuous amounts of wavelet coefficients is created inside the computer.
次に方法Ａ、方法Ｂのステップ２Ａ，２Ｂにおいて、このウェーブレット係数の連続量からなるウェーブレット画像において、ウェーブレット係数テーブル内の閾値（ウェーブレット係数）とウェーブレット画像を構成するウェーブレット係数とを比較し、画像を構成するウェーブレット係数が閾値よりも大きな場合はひび割れまたは面状対象物と判断し（画面上では例えば白色）、閾値よりも小さな場合はひび割れまたは面状対象物でないと判断する（画面上では例えば黒色）。そして、この操作をウェーブレット画像全体でおこなうことにより、黒い背景色内に白いひび割れまたは面状対象物が描き出された途中段階の二値化画像が作成される。 Next, in Steps 2A and 2B of Method A and Method B, in the wavelet image composed of the continuous amount of the wavelet coefficients, the threshold value (wavelet coefficient) in the wavelet coefficient table is compared with the wavelet coefficients constituting the wavelet image. If the wavelet coefficient that constitutes is larger than the threshold value, it is determined as a crack or a planar object (for example, white on the screen), and if it is smaller than the threshold value, it is determined that it is not a crack or a planar object (for example, on the screen) Black). Then, by performing this operation on the entire wavelet image, a binary image in the middle stage in which a white crack or a planar object is drawn in a black background color is created.
方法Ａ、方法Ｂにおけるステップ２Ａ，２Ｂにおいて、この途中段階の二値化画像に対して輪郭線追跡処理をおこなってひび割れまたは面状対象物に対してノイズの除去処理をおこなう。 In Steps 2A and 2B in the method A and the method B, the contour line tracking process is performed on the binarized image in the middle stage, and the noise removal process is performed on the cracked or planar object.
この輪郭線追跡処理は、ひび割れまたは面状対象物に対してノイズを除去するものである。輪郭線追跡処理は、ある任意の画素（ひび割れと判断されている画素）から出発して、隣接する画素がひび割れ箇所の場合には出発画素と接続し、さらに隣接する画素がひび割れ箇所の場合にはさらに双方を接続し、最終的に出発画素に閉合した場合（例えば、第１画素、第２画素、…、第ｎ−１画素、第ｎ画素、第１画素の順に接続される場合）や、次に繋がるひび割れ箇所が存在しなくなった場合に終了するものである。この輪郭線追跡処理によれば、ループ状に閉合するようなひび割れラインや、複数の屈曲部を備えて線状に伸びるひび割れラインなど、適宜のひび割れラインが作成されることになる。この際、繋げられる画素数の最小数を予め設定しておくことにより、この設定数以下の画素はすべてひび割れでないとして、画面のひび割れ表示から削除することができる。 This contour line tracking process is to remove noise from cracks or planar objects. Contour tracking processing starts from an arbitrary pixel (a pixel that is determined to be a crack), and connects to the start pixel if the adjacent pixel is a cracked location, and further if the adjacent pixel is a cracked location Are connected to each other and finally closed to the starting pixel (for example, the first pixel, the second pixel,..., The n−1th pixel, the nth pixel, and the first pixel are connected in this order), The process ends when there is no longer any crack connected to the next. According to this contour line tracking process, an appropriate crack line such as a crack line that closes in a loop shape or a crack line that has a plurality of bent portions and extends linearly is created. At this time, by setting the minimum number of pixels to be connected in advance, it is possible to delete all pixels equal to or less than this set number from the crack display on the screen, assuming that they are not cracked.
次に、方法Ａ、方法Ｂにおけるステップ３Ａ，３Ｂにおいて、ステップ２Ａ，２Ｂで作成された二値化画像に対して、画素が連結してなる多数の塊（オブジェクト）の形状からひび割れ、型枠跡、しみ跡、人工構造物などの判別をおこなう。 Next, in Steps 3A and 3B in Method A and Method B, the binarized images created in Steps 2A and 2B are cracked from the shape of a large number of objects (objects) formed by connecting pixels, and the formwork Discriminate traces, blotches, and artificial structures.
具体的には、方法Ａ、方法Ｂのステップ３Ａ，３Ｂにおいて、塊の特徴量を特定する。ここで、塊の特徴量とは、塊の形状に影響を与える要因のことであり、その一例として、塊の面積、塊の外接四角形の高さや幅、塊の外形相当の楕円形の長軸と短軸、塊の面積とその外接四角形の面積の比率、塊の外接四角形の幅と高さの比率、塊の外形相当の楕円形の長軸と短軸の比率、塊の真円度（(周囲長)2÷(4π×面積)の一般式から算定される塊の真円度）、塊の外周の凹凸度（フラクタル次元）、塊の外周の長さなどを挙げることができる。 Specifically, in steps 3A and 3B of method A and method B, the feature amount of the lump is specified. Here, the feature amount of a lump is a factor that affects the shape of the lump. For example, the lump area, the height and width of the lump's circumscribed rectangle, and the major axis of the oval corresponding to the lump's outline And the minor axis, the ratio of the area of the lump and its circumscribed rectangle, the ratio of the width and height of the circumscribed rectangle of the lump, the ratio of the major and minor axes of the oval corresponding to the outer shape of the lump, the roundness of the lump ( (Perimeter length) 2 ÷ (4π × area) The roundness of the lump calculated from the general formula, the irregularity of the lump outer circumference (fractal dimension), the length of the lump outer periphery, and the like.
これらの塊の特徴量に関しては、予め特徴量テーブルが作成されている。この特徴量テーブルの作成は、現在そのコンクリート表面のひび割れ検出対象となっているコンクリート表面であってもよいし、それ以外のコンクリート表面であってもよいが、ある任意のコンクリート表面に対して上記するステップ１Ａ、ステップ２Ａおよびステップ１Ｂ、ステップ２Ｂを同様に実行して二値化画像を作成し、二値化画像を構成するそれぞれの塊の複数の特徴量をコンピュータで計算してテーブル化しておく。 Regarding the feature quantities of these blocks, a feature quantity table is created in advance. The feature table may be created on a concrete surface that is currently subject to crack detection on the concrete surface, or on any other concrete surface. Step 1A, Step 2A, Step 1B, and Step 2B are executed in the same manner to create a binarized image, and a plurality of feature values of each block constituting the binarized image are calculated by a computer and tabulated. deep.
そして、この特徴量テーブルにはさらに、この任意のコンクリート表面に関する観測結果、すなわち、それぞれの塊がひび割れである場合は区分「３」、ノイズ種の中でも型枠や傷跡などの場合は区分「２」、ノイズ種の中でもしみ跡や汚れなどの雑音の場合は区分「１」、などといった具合に、観測結果であるそれぞれの塊が、ひび割れ、ノイズ種からなるグループのいずれの区分に属するかが割り当てられている。 The feature table further includes observation results regarding this arbitrary concrete surface, that is, the classification “3” when each lump is cracked, and the classification “2” when the noise type is a formwork or a scar. ”In the case of noise such as stains and dirt, among the noise types, the classification“ 1 ”, etc., and so on, whether each lump as an observation result belongs to a group of cracks or noise types Assigned.
この特徴量テーブルに対し、それぞれの塊の有する複数の特徴量を説明変数とし、ひび割れもしくはいずれかのノイズ種を目的変数とする判別分析をおこなって、特徴量が特定されている塊をひび割れもしくはノイズ種のいずれかであると判定し、この判定された結果を予測値とするものである。 Discriminant analysis is performed on this feature quantity table with a plurality of feature quantities of each block as explanatory variables, and cracks or one of the noise types as an objective variable. It is determined that it is one of the noise types, and the determined result is used as a predicted value.
たとえば、実際にひび割れである塊に対してその予測値がひび割れであれば予測値と観測結果が一致することになり、実際にひび割れではない塊（ノイズ種の一種）に対して予測値がひび割れであれば予測値と観測結果が一致していないことになる。 For example, if the predicted value for a mass that is actually cracked is cracked, the predicted value matches the observed result, and the predicted value for a mass that is not actually cracked (a type of noise type) is cracked. If so, the predicted value and the observation result do not match.
ここで、「判別分析」とは、予め与えられているデータが異なるグループに分かれることが明らかな場合に、新しいデータが得られた際に、どちらのグループに入るのかを判別するための基準となる判別関数を得るための手法のことである。 Here, “discriminant analysis” is a standard for discriminating which group is included when new data is obtained when it is clear that the pre-given data is divided into different groups. Is a technique for obtaining a discriminant function.
方法Ａでは、それぞれの塊の有する複数の特徴量を説明変数とし、ひび割れもしくはいずれかのノイズ種を目的変数としている。 In the method A, a plurality of feature amounts of each lump are used as explanatory variables, and cracks or one of noise types is used as an objective variable.
同様に、方法Ｂではそれぞれの塊の有する複数の特徴量を説明変数とし、剥離剥落，しみ跡，人工構造物もしくはいずれかのノイズ種を目的変数としている。 Similarly, in the method B, a plurality of feature values of each lump is used as an explanatory variable, and peeling and peeling, a spot, an artificial structure, or any noise type is used as a target variable.
ステップ３Ａ、３Ｂでは、ステップ２Ａ、２Ｂで特定されている二値化画像に内蔵されている多数の塊のそれぞれに対して、その特徴量の特定と判別分析を実行することにより、ひび割れ判別画像や型枠跡等の面状の非ひび割れ判別画像を作成することができる。 In steps 3A and 3B, a crack discrimination image is obtained by performing identification and discriminant analysis of the feature amount for each of a large number of chunks incorporated in the binarized image specified in steps 2A and 2B. It is possible to create a planar non-crack discrimination image such as a mold trace or the like.
方法Ａでガボール関数を適用してひび割れ判別画像が作成され、方法Ｂでラプラシアンガウシアン関数を適用して非ひび割れ判別画像が作成されたら、最後にコンピュータ内でひび割れ判別画像から非ひび割れ判別画像の差分画像を作成することにより、この差分画像に相当するひび割れ画像が作成される。 When a Gabor function is applied in Method A to create a crack discrimination image and a Laplacian Gaussian function is applied in Method B to create a non-crack discrimination image, the difference between the crack discrimination image and the non-crack discrimination image in the computer is the last. By creating an image, a crack image corresponding to the difference image is created.
本発明のひび割れ検出方法によれば、ガボール関数を適用して微細なノイズを除去しながらひび割れ判別画像を作成するルートと、ラプラシアンガウシアン関数を適用して型枠跡等の面状のノイズに関する非ひび割れ判別画像を作成するルートをそれぞれおこない、それぞれの作成ルートにて作成されたひび割れ判別画像と非ひび割れ判別画像の差分によってひび割れ画像を作成することにより、線状で細い微細なノイズと型枠跡等の面状のノイズの双方がともに効果的に取り除かれた、高精度なひび割れ画像を作成することができる。 According to the crack detection method of the present invention, a route for creating a crack discrimination image while removing fine noise by applying a Gabor function, and a non-related noise related to planar noise such as form marks by applying a Laplacian Gaussian function. By creating a crack image based on the difference between the crack identification image and the non-crack identification image created by each creation route, and creating a crack discrimination image, linear fine fine noise and formwork traces are created. Thus, it is possible to create a highly accurate crack image in which both surface noises such as the above are effectively removed.
ノイズの除去が終了してひび割れ画像が作成されたら、ひび割れ幅の推定をおこなうのがよい。ここで、ひび割れ幅の推定方法の実施の形態を説明する。このひび割れ幅の推定に際し、今回撮影対象となるコンクリート表面とは異なり、以前に撮影された撮影対象のコンクリート表面において貼付けされたクラックスケールの撮影画像であって、既に蓄積されている該クラックスケールの撮影画像をデータベースとして設定しておく。このクラックスケールの撮影画像のデータベースには、クラックスケールの最小幅から最大幅までの複数の実寸値ｑが含まれており、さらに、撮影距離やレンズ焦点距離、空間分解能が異なる複数の画像データから構成されるものである。 When the removal of noise has been completed and a crack image has been created, the crack width should be estimated. Here, an embodiment of the crack width estimation method will be described. When estimating the crack width, unlike the concrete surface to be photographed this time, it is a photographed image of the crack scale that has been pasted on the concrete surface of the photographed object, and the crack scale already accumulated. A photographed image is set as a database. The crack scale photographed image database includes a plurality of actual size values q from the minimum width to the maximum width of the crack scale, and further from a plurality of image data having different photographing distances, lens focal lengths, and spatial resolutions. It is composed.
一方、ひび割れ特定対象のコンクリート表面に対して第３のステップで作成されているひび割れ画像に対し、さらに細線化処理を実行してその中心線で構成される、撮影対象のコンクリート表面のひび割れの細線化画像を作成する。 On the other hand, the crack image created in the third step on the concrete surface of the crack identification target is further thinned to form the center line of the cracked thin line of the concrete surface to be photographed. Create an image.
データベース中のクラックスケールの撮影画像をコンピュータに入力してクラックスケールの入力画像とし、クラックスケールの入力画像をウェーブレット変換することによってクラックスケールのウェーブレット画像を作成し、クラックスケールのウェーブレット画像に対して細線化処理を実行してその中心線で構成される、クラックスケールの細線化画像を作成し、クラックスケールの細線化画像において、ひび割れ幅の推定式の説明変数ｐを、ｐ＝（ウェーブレット係数の値）−（ウェーブレット係数の閾値）とし、クラックスケールの撮影画像から特定されるクラックスケールの実寸値ｑと説明変数ｐより回帰分析をおこなう。そして、説明変数ｐをパラメータとする以下のひび割れ幅の推定式：ｙ＝ａ＋ｂｐ （ａ，ｂは回帰分析で特定された定数、ｐは説明変数）を求め、推定式のｐに対し、撮影対象のコンクリート表面のひび割れの細線化画像におけるウェーブレット係数の値とウェーブレット係数の閾値から特定されるｐを適用することにより、撮影対象ごとにそれぞれのコンクリート表面のひび割れ幅を特定する。 The crack scale photographed image in the database is input to the computer as a crack scale input image, and the crack scale wavelet image is created by wavelet transform of the crack scale input image. The crack scale thinned image composed of the center line is created by executing the processing, and in the crack scale thinned image, the explanatory variable p of the crack width estimation formula is set to p = (wavelet coefficient value) ) − (Threshold of wavelet coefficient), and regression analysis is performed from the actual size value q of the crack scale specified from the captured image of the crack scale and the explanatory variable p. Then, the following crack width estimation formula with the explanatory variable p as a parameter: y = a + bp (a and b are constants specified by regression analysis, p is an explanatory variable) is obtained, and the object to be photographed with respect to the estimation formula p By applying p specified from the value of the wavelet coefficient in the thinned image of the crack on the concrete surface and the threshold value of the wavelet coefficient, the crack width of each concrete surface is specified for each subject.
ここで、回帰分析にて特定されるひび割れ幅の推定式は、蓄積されるクラックスケールのデータ量等によって変化する。また、説明変数ｐは、クラックスケールの細線化画像の全画素数に対応した値からなる。 Here, the crack width estimation formula specified by the regression analysis varies depending on the amount of data of the accumulated crack scale and the like. The explanatory variable p is a value corresponding to the total number of pixels of the crack scale thinned image.
回帰分析の結果、クラックスケールにおけるひび割れ幅、ウェーブレット係数、注目画素の輝度、周辺画素の平均輝度、空間分解能や相関係数から構成されるデータベースを作成することができる。 As a result of the regression analysis, it is possible to create a database composed of crack width at crack scale, wavelet coefficient, luminance of target pixel, average luminance of surrounding pixels, spatial resolution and correlation coefficient.
また、前記回帰分析の結果、相関係数が一定の高さ以上のクラックスケールの撮影画像のみを使用して前記ひび割れ幅の推定式を求めてもよい。推定式の精度は、回帰分析にて求められる相関係数に依存するところが大きく、より具体的には、一定の高い相関係数を有するクラックスケールの撮影画像のみを使用して回帰分析をおこない、ひび割れ幅の推定式を特定するのが望ましい。このことにより、クラックスケールを撮影した際のピントの不具合やクラックスケールの貼り方が浮いていることに依拠するぼけた画像を除去することができ、結果として推定式の精度向上に繋がる。 In addition, as a result of the regression analysis, the crack width estimation formula may be obtained using only a photograph image of a crack scale having a correlation coefficient of a certain height or higher. The accuracy of the estimation formula largely depends on the correlation coefficient obtained by the regression analysis. More specifically, the regression analysis is performed using only the photographed image of the crack scale having a certain high correlation coefficient. It is desirable to specify an estimation formula for the crack width. As a result, it is possible to remove a blurred image that depends on a problem of focus when the crack scale is photographed or a sticking method of the crack scale is floating, and as a result, the accuracy of the estimation formula is improved.
最後に、推定されたひび割れ幅に基づくひび割れデータ、すなわち、全ひび割れ長さの算定やひび割れ幅ごとのひび割れ長さの算定、ひび割れ幅ごとの分布図の作成、ひび割れ展開図の作成などをおこない、該ひび割れデータから所望の情報を抽出することが可能となる。 Finally, crack data based on the estimated crack width, that is, calculation of the total crack length, calculation of crack length for each crack width, creation of a distribution map for each crack width, creation of a crack development map, etc. Desired information can be extracted from the crack data.
また、本発明によるひび割れ検出方法の好ましい実施の形態は、前記特徴量テーブルに対し、それぞれの塊と、特徴量テーブルにおける前記グループの重心位置の間の距離をマハラノビスの汎距離で特定し、このマハラノビスの汎距離から塊がそれぞれのグループに属する確率値を特定し、該確率値に基づいてそれぞれの塊の判定結果を修正するものである。 Further, in a preferred embodiment of the crack detection method according to the present invention, the distance between each lump and the position of the center of gravity of the group in the feature quantity table is specified by the Mahalanobis general distance with respect to the feature quantity table. The probability value that a lump belongs to each group is specified from the Mahalanobis's general distance, and the determination result of each lump is corrected based on the probability value.
判別関数には、超平面・直線による線形判別関数と、超曲面・曲線によるマハラノビス汎距離よる非線形判別関数がある。本実施の形態では、それぞれの塊と特徴量テーブルにおけるグループの重心位置の間の距離をこのマハラノビス汎距離で特定することとし、このマハラノビスの汎距離から塊がそれぞれのグループに属する確率値を特定し、この確率値に基づいてそれぞれの塊の判定結果を修正するものである。 The discriminant functions include a linear discriminant function based on a hyperplane / straight line and a non-linear discriminant function based on a Mahalanobis general distance based on a hypersurface / curve. In this embodiment, the distance between each block and the center of gravity position of the group in the feature table is specified by this Mahalanobis general distance, and the probability value that the block belongs to each group is specified from this Mahalanobis general distance. Then, the determination result of each lump is corrected based on this probability value.
このように確率値に基づいてそれぞれの塊の判定結果を修正することにより、各塊に対する予測値を修正して修正予測値とし、この修正予測値に基づくひび割れ画像を作成することができ、ひび割れ検出精度はさらに向上する。 In this way, by correcting the determination result of each block based on the probability value, the predicted value for each block can be corrected to a corrected predicted value, and a crack image based on the corrected predicted value can be created. The detection accuracy is further improved.
そして、この確率値に関しては、確率値の閾値を予め規定しておき、特定された確率値がこの閾値を下回る場合にはどのグループにも属さないものとし、どのグループにも属さない塊に対しては人為的に該塊のグループを特定するようにしてもよい。 And regarding this probability value, a threshold value of the probability value is defined in advance, and if the specified probability value falls below this threshold value, it does not belong to any group, and for a mass that does not belong to any group For example, the group of the chunks may be specified artificially.
すなわち、どのグループにも属さないものに関しては、これをさらに何等かのアルゴリズムを適用してコンピュータ処理するよりも、撮影画像と確率値に基づいて観測者（技術者）が判断した方が効率的であり、結果の精度も好ましいものとなるのが理由である。 In other words, for those that do not belong to any group, it is more efficient for the observer (engineer) to make a judgment based on the captured image and the probability value, rather than applying some algorithm to the computer. This is because the accuracy of the results is favorable.
以上の説明から理解できるように、本発明のひび割れ検出方法によれば、ガボール関数を適用して微細なノイズを除去しながらひび割れ判別画像を作成するルートと、ラプラシアンガウシアン関数を適用して型枠跡等の面状のノイズに関する非ひび割れ判別画像を作成するルートをそれぞれおこない、それぞれの作成ルートにて作成されたひび割れ判別画像と非ひび割れ判別画像の差分によってひび割れ画像を作成することにより、線状で細い微細なノイズと型枠跡等の面状のノイズの双方がともに効果的に取り除かれた、高精度なひび割れ画像を作成することができる。 As can be understood from the above description, according to the crack detection method of the present invention, a route for creating a crack discrimination image while removing fine noise by applying a Gabor function, and a formwork by applying a Laplacian Gaussian function. By creating a crack image based on the difference between the crack discrimination image and the non-crack discrimination image created by each creation route, and creating a crack image for each line noise Thus, it is possible to create a highly accurate crack image in which both fine fine noise and surface noise such as formwork traces are effectively removed.
以下、図面を参照して本発明のひび割れ検出方法の実施の形態を説明する。図１ａは、入力画像と局所領域の関係を示した模式図である。本発明のひび割れ検出方法では、入力画像１における広域領域２でウェーブレット変換をおこない、広域領域２の中心である局所領域３におけるひび割れの検出をおこなうものである。入力画像１内をくまなく広域領域２を上下左右に平行移動して、入力画像１内におけるひび割れの検出をおこなう。この方法により、従来の固定閾値法のように、例えば入力画像１内で一つの閾値を決める方法に比べて、精度のよいひび割れの検出をおこなうことができる。
Hereinafter, embodiments of a crack detection method of the present invention will be described with reference to the drawings. FIG. 1 a is a schematic diagram showing a relationship between an input image and a local region. In the crack detection method of the present invention, wavelet transform is performed in the
図１ｂは、局所領域３を拡大した図であり、図示する実施形態では、たとえば３×３の９つの画素（８つの近傍画素３１，３１，…と、中央に位置する注目画素３２）を対象としてひび割れ判定をおこなう。なお、ウェーブレット係数の算定は、図１ａにおける広域領域２を対象としておこなわれる。ここで、図２で示すフローにおける、方法Ａではウェーブレット関数（マザーウェーブレット関数）としてガボール関数を用いた以下の式でウェーブレット変換をおこなうことでウェーブレット係数を算定する。
FIG. 1 b is an enlarged view of the
[数１]
[数２]
[数３]
ここで、ｆ（ｘ、ｙ）は入力画像（ここで、ｘ、ｙは２次元入力画像中の任意の座標である）を、Ψはマザーウェーブレット関数（ガボール関数）を、（ｘ０、ｙ０）はΨの平行移動量を、ａｋはΨの拡大や縮小を（ここで、ａｋは周波数の逆数であって、幾つかの周波数領域について計算するための周波数幅を整数ｋで示した値）、ｆ０は中心周波数を、σはガウス関数の標準偏差を、θは波の進行方向を表す回転角を、（ｘ’、ｙ’）は（ｘ、ｙ）を角度θだけ回転させた座標を、それぞれ示している。 Here, f (x, y) is an input image (where x and y are arbitrary coordinates in the two-dimensional input image), Ψ is a mother wavelet function (Gabor function), and (x 0 , y 0 ) is the translation amount of Ψ, a k is the expansion or contraction of Ψ (where a k is the reciprocal of the frequency, and the frequency width for calculating several frequency regions is indicated by an integer k) value), rotate the f 0 is the center frequency, the σ is the standard deviation of the Gaussian function, the rotation angle theta is representative of the direction of travel of the wave, (x ', y') is the angle theta (x, y) Each coordinate is shown.
ここで、数式１を用いて計算した複数のθ、ｋに対して、ウェーブレット係数Ψの累計値Ｃ（ｘ０、ｙ０）を求めたのが数式４となる。 Here, the cumulative value C (x 0 , y 0 ) of the wavelet coefficient Ψ is obtained for a plurality of θ, k calculated using Formula 1 as Formula 4.
[数４]
上記のパラメータは、任意に設定できるが、例えば、σを０．５〜２に、ａｋは０〜５に、ｆ０は０．１に、回転角は０〜１８０度に、それぞれ設定できる。 The above parameters can be set arbitrarily. For example, σ can be set to 0.5 to 2, a k to 0 to 5, f 0 to 0.1, and the rotation angle to 0 to 180 degrees. .
数式４における平行移動量（ｘ０、ｙ０）は、注目画素の位置に対応するものであり、注目画素の位置を順次移動させることによって、ウェーブレット係数の連続量（Ｃ（ｘ０、ｙ０））が算定でき、この連続量を図示することによってウェーブレット画像が作成できる。 The parallel movement amount (x 0 , y 0 ) in Equation 4 corresponds to the position of the target pixel, and the continuous amount of wavelet coefficients (C (x 0 , y 0 ) is obtained by sequentially moving the position of the target pixel. )) Can be calculated, and a wavelet image can be created by illustrating this continuous quantity.
一方、図２で示すフローにおける、方法Ｂではウェーブレット関数（マザーウェーブレット関数）としてラプラシアンガウシアン関数を用いた以下の式でウェーブレット変換をおこなうことでウェーブレット係数を算定する。以下、数式５にラプラシアンガウシアン関数を、数式６にウェーブレット展開係数（二次元ウェーブレット変換基本式）を、数式７に数式６で示すウェーブレット展開係数の絶対値の累計値からなる特徴量を、それぞれ示す。 On the other hand, in the method B in the flow shown in FIG. 2, wavelet coefficients are calculated by performing wavelet transformation using the following equation using a Laplacian Gaussian function as a wavelet function (mother wavelet function). Hereinafter, a Laplacian Gaussian function is expressed by Equation 5, a wavelet expansion coefficient (two-dimensional wavelet transform basic equation) is expressed by Equation 6, and a feature amount including a cumulative value of absolute values of the wavelet expansion coefficients expressed by Equation 6 is expressed by Equation 7, respectively. .
[数５]
[数６]
[数７]
ここで、ｆ（ｘ、ｙ）は入力画像を、（ｘ０、ｙ０）は（ｘ、ｙ）の平面上の平行移動量を、σはガウス関数の標準偏差を、それぞれ示している。 Here, f (x, y) represents an input image, (x 0 , y 0 ) represents a translation amount on the plane (x, y), and σ represents a standard deviation of a Gaussian function.
広域領域２を構成する全画素に対して、方法Ａ，方法Ｂともに、ウェーブレット係数をそれぞれに固有の上算定式に基づいて算定した後、注目画素を一つ左右または上下に移動させてできる広域領域２の全画素において同様にウェーブレット係数を算定する。このウェーブレット係数算定を入力画像全体で実施することにより、適宜の範囲内における構成画素がそれぞれのウェーブレット係数を備えたウェーブレット画像（ウェーブレット係数の連続量からなる画像）を作成することができる。
For all the pixels that make up the
次に、図２に基づいて、ひび割れ検出方法の一実施形態を説明する。 Next, an embodiment of a crack detection method will be described with reference to FIG.
まず、ＣＣＤカメラ等のデジタルカメラで撮影されたコンクリート表面の撮影画像をコンピュータに取り込むことにより、入力画像の作成（ステップＳ１０）がおこなわれる。 First, an input image is created (step S10) by taking a photographed image of a concrete surface photographed by a digital camera such as a CCD camera into a computer.
次に、方法Ａ，方法Ｂともに、入力画像とは何らの関係もない、対比する２つの濃度からなる擬似画像に対して、ウェーブレット係数の算定をおこなう。例えば、図３に示すように、コンクリート表面と仮定される背景色ａ（例えば、背景色のＲ、Ｇ、Ｂが、２５５，２５５，２５５とする）と、ひび割れと仮定される線分ｂ１〜ｂ５からなる擬似画像のウェーブレット係数を求める。ここで、線分ｂ１〜ｂ５は、線幅が順に１画素（１ピクセル）〜５画素（５ピクセル）まで変化しており、さらに、各線分は、３種類の濃度を備えている（例えば、線分ｂ１では、濃度の濃い順に、ｂ１１（黒色）、ｂ１２（薄い黒色）、ｂ１３（灰色）と変化している）。この擬似画像に対してウェーブレット変換をおこなうことで算定されるウェーブレット係数の鳥瞰図を示したのが図４である。図４において、Ｘ軸は線分の幅を、Ｙ軸は線分の色の濃度を、Ｚ軸はウェーブレット係数をそれぞれ示している。この線幅の設定は、最終的に抽出したいひび割れ幅の最大値によって設定すればよい。なお、画素幅ごとに、ひび割れ領域のウェーブレット係数と、ひび割れ領域以外のウェーブレット係数が算定できる。本実施形態では、コンクリート表面と仮定される任意の濃度（階調）と、ひび割れと仮定される任意の濃度（階調）に対応する閾値（ウェーブレット係数）を算定するにあたり、例えば、ひび割れ幅が１画素幅の場合におけるひび割れ領域のウェーブレット係数と、ひび割れ幅が５画素幅の場合におけるひび割れ領域以外のウェーブレット係数との平均値をもって、設定したひび割れ幅範囲内において対象となる階調に対応した閾値としている。この閾値の設定は、勿論任意でかまわない。 Next, in both method A and method B, wavelet coefficients are calculated for a pseudo image having two contrasts that have no relationship with the input image. For example, as shown in FIG. 3, the background color a assumed to be a concrete surface (for example, the background colors R, G, B are assumed to be 255, 255, 255) and the line segments b1 to b1 assumed to be cracks. The wavelet coefficient of the pseudo image consisting of b5 is obtained. Here, the line segments b1 to b5 change in order from 1 pixel (1 pixel) to 5 pixels (5 pixels) in order, and each line segment has three types of density (for example, In the line segment b1, it changes to b11 (black), b12 (light black), and b13 (gray) in descending order of density). FIG. 4 shows a bird's-eye view of wavelet coefficients calculated by performing wavelet transform on this pseudo image. In FIG. 4, the X axis indicates the line segment width, the Y axis indicates the color density of the line segment, and the Z axis indicates the wavelet coefficient. The line width may be set according to the maximum crack width to be finally extracted. For each pixel width, the wavelet coefficient of the crack region and the wavelet coefficient other than the crack region can be calculated. In this embodiment, when calculating the arbitrary density (gradation) assumed to be a concrete surface and the threshold value (wavelet coefficient) corresponding to the arbitrary density (gradation) assumed to be a crack, for example, the crack width is Threshold value corresponding to the target gradation within the set crack width range, with the average value of the wavelet coefficient of the crack area in the case of 1 pixel width and the wavelet coefficient other than the crack area in the case of the crack width of 5 pixels. It is said. Of course, this threshold value may be arbitrarily set.
対比する２つの濃度の組み合わせをそれぞれ０〜２５５の２５６階調でおこなうことで、図５に示すようなウェーブレット係数テーブルの作成（図２のステップＳ３０Ａ，３０Ｂ）がおこなわれる。なお、この作業は、図示するフロー位置でなくともよく、例えば、入力画像の作成前であってもかまわない。 By performing the two density combinations to be compared with 256 gradations of 0 to 255, the wavelet coefficient table as shown in FIG. 5 is created (steps S30A and 30B in FIG. 2). Note that this operation does not have to be performed at the illustrated flow position, and may be performed, for example, before creation of the input image.
図２に戻り、方法Ａでは入力画像をガボール関数を適用してウェーブレット変換することにより、方法Ｂでは入力画像をラプラシアンガウシアン関数を適用してウェーブレット変換することにより、それぞれウェーブレット画像の作成（ステップＳ２０Ａ，Ｓ２０Ｂ）がおこなわれる。ウェーブレット画像は、上記するように各画素が固有のウェーブレット係数を備えた連続量からなるものであり、各画素のウェーブレット係数を対応するウェーブレット係数テーブルのウェーブレット係数（閾値）と比較することにより、黒い背景色内に白いひび割れが描き出された途中段階の二値化画像（ノイズの一部が除去されていない二値化画像）が作成される。 Returning to FIG. 2, in method A, wavelet transform is applied to the input image by applying a Gabor function, and in method B, wavelet transform is performed by applying the Laplacian Gaussian function to the input image (step S20A). , S20B). A wavelet image is composed of a continuous amount in which each pixel has a unique wavelet coefficient as described above. By comparing the wavelet coefficient of each pixel with the wavelet coefficient (threshold) of the corresponding wavelet coefficient table, the wavelet image is black. A binarized image in the middle stage in which white cracks are drawn in the background color (binarized image from which a part of noise is not removed) is created.
次いで、輪郭線追跡処理の内容を概説する。この輪郭線追跡処理は、各ひび割れ領域における任意のひび割れ画素を起点とし（第１画素）、例えば、この第１画素から反時計回りに隣接する画素に注目し、この隣接画素（第２画素）がひび割れ画素である場合には第１画素と第２画素を接続する。以後、同様に第２画素、第３画素、…、第ｎ−１画素、第ｎ画素とひび割れ画素の追跡をおこない、第ｎ画素の次に起点となる第１画素がくる場合には、第一画素〜第ｎ画素までを一つのひび割れ箇所（ひび割れライン）と判定する。あるいは、第ｎ画素の次に続くひび割れ画素が存在しなくなった時点で、第１画素〜第ｎ画素を一つのひび割れ箇所（ひび割れライン）と判定する。なお、ひび割れラインの中には、その途中で二股以上に分岐するようなひび割れも含まれる。この次数ｎの設定は任意であり、第１画素からの追跡数がこの設定された次数ｎ以上の場合をひび割れと判定することにより、ノイズの一部が除去されてなる二値化画像が作成される。 Next, the outline of the outline tracking process will be outlined. This contour tracking process starts from an arbitrary cracked pixel in each cracked area (first pixel), for example, pays attention to a pixel adjacent counterclockwise from this first pixel, and this adjacent pixel (second pixel) If is a cracked pixel, the first pixel and the second pixel are connected. Thereafter, similarly, the second pixel, the third pixel,..., The (n−1) th pixel, the nth pixel and the cracked pixel are traced, and when the first pixel that is the starting point comes after the nth pixel, One pixel to n-th pixel are determined as one crack location (crack line). Alternatively, when there is no crack pixel following the nth pixel, the first pixel to the nth pixel are determined as one crack location (crack line). The crack line also includes a crack that branches into two or more branches in the middle. Setting of the order n is arbitrary, and a binarized image in which a part of noise is removed is created by determining that the tracking number from the first pixel is equal to or more than the set order n as a crack. Is done.
以上の方法で二値化画像が作成されたら、この二値化画像に対して画像編集ソフトを使用して、ドット部を除去する方法、所定長さ未満の線分を非クラック部として除去するといった方法を適用してノイズの最終除去をおこなってひび割れ判別画像を作成する（ステップＳ５０Ａ）。 When a binarized image is created by the above method, image editing software is used on the binarized image to remove the dot portion, and a line segment less than a predetermined length is removed as a non-cracked portion. By applying such a method, the noise is finally removed to create a crack discrimination image (step S50A).
方法Ａ、Ｂでは、二値化画像の作成（ステップＳ４０Ａ、Ｓ４０Ｂ）までの処理フローとは別に、独立して、二値化画像に基づいた特徴量テーブルを作成しておく。 In the methods A and B, a feature amount table based on the binarized image is created independently of the processing flow up to the creation of the binarized image (steps S40A and S40B).
具体的には、ひび割れ特定対象のコンクリート表面とは異なるコンクリート表面に対して、図２のステップＳ４０Ａ、Ｓ４０Ｂまでを実行して二値化画像を作成する。この二値化画像は、同じウェーブレット関数を有する画素が連結してなる多数の塊（オブジェクト）を内蔵しているが、それぞれの塊の有するいくつかの特徴量を特定してこれを特徴量テーブルとしてテーブル化しておく。ここで、塊の特徴量とは、塊の形状に影響を与える要因のことであり、塊の面積、塊の外接四角形の高さや幅、塊の外形相当の楕円形の長軸と短軸、塊の面積とその外接四角形の面積の比率、塊の外接四角形の幅と高さの比率、塊の外形相当の楕円形の長軸と短軸の比率、塊の真円度（(周囲長)2÷(4π×面積)の一般式から算定される塊の真円度）、塊の外周の凹凸度（フラクタル次元）、塊の外周の長さなどから構成される。 Specifically, a binarized image is created by executing steps S40A and S40B in FIG. 2 on a concrete surface different from the concrete surface to be cracked. This binarized image contains a large number of chunks (objects) formed by connecting pixels having the same wavelet function, and some feature quantities of each chunk are identified and stored in the feature quantity table. As a table. Here, the feature amount of the lump is a factor that affects the shape of the lump, and the area of the lump, the height and width of the circumscribed rectangle of the lump, the major and minor axes of the ellipse corresponding to the outer shape of the lump, The ratio of the area of the lump to its surrounding rectangle, the ratio of the width and height of the lump's circumscribed rectangle, the ratio of the major axis to the minor axis of the oval corresponding to the outer shape of the lump, the roundness of the lump ((perimeter length) 2 ÷ (4π × area) The roundness of the lump calculated from the general formula), the roughness of the lump's outer periphery (fractal dimension), the length of the lump's outer periphery, etc.
そして、この特徴量テーブルにはさらに、この任意のコンクリート表面に関する観測結果を入力しておく。具体的には、塊がひび割れである場合は区分「３」、ノイズ種の中でも型枠や傷跡などの場合は区分「２」、ノイズ種の中でもしみ跡や汚れなどの雑音の場合は区分「１」などの数字が規定されており、観測結果であるそれぞれの塊が、ひび割れ、ノイズ種からなるグループのいずれの区分に属するかが割り当てられている（ステップＳ６０）。 And the observation result regarding this arbitrary concrete surface is further input into this feature-value table. Specifically, when the lump is cracked, the classification is “3”, among the noise types, the classification is “2”, and among the noise types, the classification is “stains or dirt”. A number such as “1” is defined, and it is assigned to which of the groups of cracks and noise species each lump as an observation result belongs (step S60).
次に、この特徴量テーブルを参照して、ひび割れ特定対象のコンクリート表面に対して作成されている二値化画像が内蔵する多数の塊に対し、判別分析をおこなって予測値を求めることとする。より具体的には、それぞれの塊の有する複数の特徴量を説明変数とし、ひび割れもしくはいずれかのノイズ種を目的変数とする判別分析をおこなうものであり、この判別分析によってそれぞれの塊をひび割れもしくはノイズ種のいずれかであると判定し、この判定された結果を予測値とする（ステップＳ６１）。 Next, with reference to this feature amount table, a discriminant analysis is performed on a large number of masses contained in the binarized image created for the concrete surface to be cracked, and a predicted value is obtained. . More specifically, a discriminant analysis is performed by using a plurality of feature quantities of each lump as explanatory variables and cracking or any noise type as an objective variable. It is determined that it is one of the noise types, and the determined result is set as a predicted value (step S61).
ステップＳ６０で作成されている特徴量テーブルに対して、ひび割れ特定対象のコンクリート表面に対する二値化画像に内蔵される多数の塊（オブジェクト）の判別分析に基づく予測値が付加されて特徴量テーブルは順次更新されていく。なお、ひび割れ特定対象のコンクリート表面に関する実際のひび割れ観測結果も特徴量テーブルに入力される。 Prediction values based on the discriminant analysis of a large number of objects (objects) built in the binarized image with respect to the concrete surface to be cracked are added to the feature value table created in step S60, and the feature value table becomes It will be updated sequentially. Note that the actual crack observation results for the concrete surface subject to crack identification are also input to the feature quantity table.
判別分析にて各塊の予測値が特定され、コンピュータ内の特徴量テーブルに自動入力されることになるが、この予測値と観測値が一致しないものが残りのノイズである。 The predicted value of each block is specified by discriminant analysis and automatically input to the feature table in the computer, but the remaining noise is the one whose predicted value does not match the observed value.
このノイズを確率値を用いて修正し（ステップＳ６３であり、確率値の計算はステップＳ６２）、予測値を修正して特徴量テーブルを更新し、この内容を二値化画像Ｓ４０Ａ、Ｓ４０Ｂに反映して残りのノイズを除去して二値化画像を作成する（ステップＳ４０Ａ、Ｓ４０Ｂ）。 This noise is corrected using the probability value (step S63, the calculation of the probability value is step S62), the predicted value is corrected and the feature amount table is updated, and this content is reflected in the binarized images S40A and S40B. Then, the remaining noise is removed to create a binarized image (steps S40A and S40B).
ここで、予測値に対して確率値を適用してその修正をおこなう方法を概説する。不図示の特徴量テーブルにおいては、観測値の区分（たとえば「１」）に対して予測値が判定区分（たとえば「１」〜「３」）になった個数を表しておく。たとえば、観測値の区分「１」が予測値の判定区分「１」となる正判別の個数を測定し、観測値の区分「１」が予測値の判定区分「２」となる誤判別の個数を測定し、観測値の区分「１」が予測値の判定区分「３」となる誤判別の個数を測定する。さらに、それぞれの正判別率と誤判別率を求めておく。 Here, an outline of a method for correcting a predicted value by applying a probability value will be described. In the feature amount table (not shown), the number of the predicted values that have become the determination categories (for example, “1” to “3”) with respect to the observation value category (for example, “1”) is represented. For example, the number of positive discriminations in which the observed value category “1” becomes the predicted value judgment category “1” is measured, and the number of misclassifications in which the observed value category “1” becomes the predicted value judgment category “2”. And the number of misclassifications in which the observed value category “1” becomes the predicted value judgment category “3” is measured. Further, the correct discrimination rate and the incorrect discrimination rate are obtained.
判別分析の結果に関する考察として、観測値の区分「３」→予測値の判定区分「３」を測定し、観測値の区分「３」→予測値の判定区分「２」を測定し、観測値の区分「３」→予測値の判定区分「１」を測定する。ここで、観測値の区分「３」→予測値の判定区分「１」または「２」となる原因としては、ひび割れとひび割れまたはしみ跡などの領域同士が結合する場合やひび割れ検出が不十分で不連続となるためであり、ひび割れの一部分の領域のオブジェクトに誤判別率が高くなる傾向がある。また、観測値の区分「１」→予測値の判定区分「１」を測定し、観測値の区分「１」→予測値の判定区分「２」を測定し、観測値の区分「１」→予測値の判定区分「３」を測定する。また、観測値の区分「２」→予測値の判定区分「１」を測定し、観測値の区分「２」→予測値の判定区分「２」を測定し、観測値の区分「２」→予測値の判定区分「３」を測定する。観測値の区分「１」→予測値の判定区分「２」または「３」の誤判別率は極めて希であるが、コンクリート表面の汚れや模様で生じる場合がある。観測値の区分「２」→予測値の判定区分「１」または「３」の誤判別は、コンクリート表面のしみ跡、型枠跡、ひび割れ検出の一部分で生じる場合がある。 As a consideration on the results of discriminant analysis, the observed value category “3” → the predicted value judgment category “3” is measured, the observed value category “3” → the predicted value judgment category “2” is measured, and the observed value Category “3” → predicted value judgment category “1” is measured. Here, the reason why the observed value classification “3” → predicted value judgment classification “1” or “2” is the case where cracks and cracks, or spots such as spots are combined, or crack detection is insufficient. This is because it becomes discontinuous, and the misclassification rate tends to be high for objects in a partial area of the crack. Also, the observed value category “1” → the predicted value judgment category “1” is measured, the observed value category “1” → the predicted value judgment category “2” is measured, and the observed value category “1” → The judgment classification “3” of the predicted value is measured. Also, the observed value category “2” → the predicted value judgment category “1” is measured, the observed value category “2” → the predicted value judgment category “2” is measured, and the observed value category “2” → The judgment classification “3” of the predicted value is measured. The misclassification rate of the observed value category “1” → predicted value judgment category “2” or “3” is extremely rare, but may occur due to dirt or patterns on the concrete surface. Misclassification of observed value category “2” → predicted value judgment category “1” or “3” may occur in part of spot detection, form trace, and crack detection on the concrete surface.
このような判別結果を受け、確率値を適用して予測値の修正をおこなう。観測値の区分「３」→予測値の判定区分「１」または「２」となる場合は、ひび割れがひび割れでないと誤判別するために改善する必要性がある。そこで、マハラノビスの汎距離により、それぞれの塊（オブジェクト）がどのグループに属するかを判別することとする。なお、この方法では該当するグループにどの程度属しているのかが明確でないため、マハラノビスの汎距離を用いてそれぞれの塊がそれぞれのグループに属する確率を算定することとした。なお、マハラノビスの汎距離に関しては、「多変量解析法（奥野忠一ほか）日科技連」を参照した。 In response to such a determination result, the predicted value is corrected by applying the probability value. When the observed value classification is “3” → the predicted value judgment classification is “1” or “2”, there is a need for improvement in order to erroneously determine that the crack is not a crack. Therefore, it is determined which group each object (object) belongs to based on the Mahalanobis general distance. Since it is not clear how much the group belongs to this method, the probability that each lump belongs to each group is calculated using Mahalanobis's general distance. As for the Mahalanobis generalized distance, we referred to “Multivariate Analysis Method (Tadakazu Okuno et al.) Nisshingi Renren”.
マハラノビスの汎距離を用いた確率値の計算に関し、判別分析では判別の方法は新たな塊（オブジェクトχ）が特徴量データによってグループ化された各グループの重心位置Ｇｈとの距離で判定する。判別分析では、オブジェクトχと各グループの重心位置Ｇｈとの距離ｄ(χ、Ｇｈ)、ｈ＝１，２、・・・ｇで表し、マハラノビスの汎距離が用いられる。ここで、ｇはグループの数、ｐはオブジェクトχの次元を表す。χ＝｛ｘ１、ｘ２、・・・ｘｐ｝がｐ次元正規分布Ｎ(μ、Σ)に従う時、ある一つのグループに対するその平均ベクトルμと母分散・共分散行列Σは次の式８のように書ける。 Relates calculation of the probability values using Mahalanobis distance, the method of discrimination in discriminant analysis a new mass (object chi) is determined by the distance between the position of the center of gravity G h for each group grouped by the feature amount data. In the discriminant analysis, the distance d (χ, G h ) between the object χ and the centroid position G h of each group, h = 1, 2,... G is used, and the Mahalanobis general distance is used. Here, g represents the number of groups, and p represents the dimension of the object χ. When χ = {x 1 , x 2 ,... x p } follows a p-dimensional normal distribution N (μ, Σ), its mean vector μ and population variance / covariance matrix Σ for a group are given by It can be written as 8.
[数８]
[数９]
また、ｐ次元正規分布の確率密度は次の式１０と書くことができる。 Further, the probability density of the p-dimensional normal distribution can be written as the following Expression 10.
[数１０]
式１０をマハラノビスの汎距離Ｄ２を用いて書き換えると次の式１１と書くことができる。 Rewriting Equation 10 by using the Mahalanobis distance D 2 can be written as the following equation 11.
[数１１]
式９で定義したＤ２は自由度ｐのχ2分布に従う。Ｄ２がある値よりも大きくなる確率はχ2分布を用いて求めることができる。 D 2 defined by Equation 9 follows a χ 2 distribution with p degrees of freedom. Probability is larger than a certain value D 2 can be determined using the chi 2 distribution.
このようにして求めた確率値を用いて特徴量データの誤判別率を検討し、観測値の区分「３」→予測値の判定区分「１」または「２」となる誤判別を低減させるための予測値修正法を以下で説明する。 In order to reduce the misclassification of the observation value classification “3” → the prediction value judgment classification “1” or “2” by examining the misclassification rate of the feature value data using the probability value thus obtained. The predicted value correction method will be described below.
確率値に対して閾値を一定値に規定しておき、あるオブジェクトの各グループに属する確率がそれぞれ閾値以下ならば予測値に対して判別区分「others」を追加してこの判別区分に属することとする。この判別区分「others」に属したオブジェクトは撮影画像と確率値をもとに技術者が判断することとする。 The threshold value is defined as a constant value for the probability value, and if the probability of belonging to each group of an object is less than or equal to the threshold value, a discrimination category “others” is added to the predicted value and it belongs to this discrimination category. To do. An engineer determines an object belonging to this discrimination category “others” based on a captured image and a probability value.
予測値修正後の特徴量データに基づく判別分析結果を受けて、予測値の判定区分「１〜３」のどのグループにも属さないオブジェクトに対する取り扱いを検討した。予測値が判定区分「１〜３」のどのグループにも属さない場合、予測値に判定区分「others」を追加し、オブジェクトが判定区分「others」に入った際には確率値から予測値の修正値を計算する。 Based on the discriminant analysis result based on the feature value data after the predicted value correction, the handling of objects that do not belong to any group of the predicted value determination categories “1 to 3” was examined. When the predicted value does not belong to any group of the determination categories “1 to 3”, the determination category “others” is added to the predicted value, and when the object enters the determination category “others”, the predicted value is calculated from the probability value. Calculate the correction value.
この修正予測値に関し、確率値の高い順を参考にして技術者が最終的な判断を下すこととする。 Regarding this corrected predicted value, an engineer will make a final judgment with reference to the descending order of probability values.
従来法では、図２中のステップＳ５０Ａのひび割れ判別画像の作成段階で作成されたひび割れ以外の雑音に対して画像編集ソフトを用いてマニュアル操作でおこなっていたため、この操作は極めて煩雑で手間が掛かることから操作の過程でひび割れの見落としなどの人為的なミスが生じ易かった。これに対し、判別分析をおこない、かつ、確率値を用いてひび割れの予測値を修正しながらひび割れの判定を自動処理することにより得られたステップＳ５０Ａ、Ｓ５０Ｂのひび割れ判別画像と非ひび割れ判別画像の差分により得られるひび割れ画像（ステップＳ７０）により、このような人為的なミスが解消される。 In the conventional method, since noise other than cracks created in the step of creating a crack discrimination image in step S50A in FIG. 2 is performed manually using image editing software, this operation is extremely complicated and time-consuming. Therefore, human error such as oversight of cracks was likely to occur during the operation process. On the other hand, the crack discriminating image and the non-cracking discriminating image in steps S50A and S50B obtained by performing discriminant analysis and automatically processing the crack determination while correcting the predicted crack value using the probability value. Such an artificial mistake is eliminated by the cracked image (step S70) obtained by the difference.
次に、方法Ａで作成されたひび割れ判別画像と方法Ｂで作成された非ひび割れ判別画像をコンピュータ内で合成し、より具体的にはひび割れ判別画像と非ひび割れ判別画像の差分処理をおこなって差分画像を作成することにより、ひび割れ判別画像中に内包される面状の非ひび割れ判別画像が取り除かれてひび割れ画像が作成される（ステップＳ７０）。 Next, the crack discrimination image created by Method A and the non-crack discrimination image created by Method B are combined in a computer, and more specifically, the difference processing between the crack discrimination image and the non-crack discrimination image is performed. By creating an image, the planar non-crack discrimination image included in the crack discrimination image is removed to create a crack image (step S70).
このように、図２のフローにおけるステップＳ７０までの処理によれば、ガボール関数を適用して微細なノイズを除去しながらひび割れ判別画像を作成するルート（方法Ａ）と、ラプラシアンガウシアン関数を適用して型枠跡等の面状のノイズに関する非ひび割れ判別画像を作成するルート（方法Ｂ）を並行しておこない、それぞれの作成ルートにて作成されたひび割れ判別画像と非ひび割れ判別画像の差分によってひび割れ画像を作成することにより、線状で細い微細なノイズと型枠跡等の面状のノイズの双方がともに効果的に取り除かれた、高精度なひび割れ画像を作成することができる。なお、ここでいう、方法Ａと方法Ｂを「並行しておこなう」とは、２つのルートがあることを意味しているに過ぎず、２つのルートを同時におこなってもよいし、方法Ａを実行した後に方法Ｂを実行してもよく、双方の方法の実行の時間的な制約を課するものではない。 In this way, according to the processing up to step S70 in the flow of FIG. 2, a route (method A) for creating a crack discrimination image while applying a Gabor function to remove fine noise and a Laplacian Gaussian function are applied. The route (Method B) for creating non-crack discrimination images related to surface noise such as mold traces is performed in parallel, and the crack is determined by the difference between the crack discrimination image and the non-crack discrimination image created by each creation route. By creating an image, it is possible to create a high-accuracy cracked image in which both linear and fine fine noise and surface noise such as formwork traces are effectively removed. Here, “performing method A and method B in parallel” only means that there are two routes, and two routes may be performed simultaneously. Method B may be executed after execution, and does not impose time constraints on the execution of both methods.
ステップＳ７０でひび割れ画像が作成されたら、この作成されたひび割れ画像に対して、それぞれのひび割れの中心線で構成され、たとえばひび割れ全体が１画素幅（１ピクセル幅）を有する細線化画像を作成し、この細線化画像を使用してひび割れ幅の推定値を算定する（ステップＳ８０）。ここで、このひび割れ幅の推定方法を図６に基づいて説明する。 When a crack image is created in step S70, a thinned image is formed with the center line of each crack for the created crack image, for example, the entire crack has one pixel width (one pixel width). Then, an estimated value of the crack width is calculated using the thinned image (step S80). Here, the estimation method of this crack width is demonstrated based on FIG.
ステップＳ１００にてデータベース化されたそれぞれのクラックスケールの撮影画像をコンピュータに入力してそれぞれのクラックスケールの入力画像を作成し、それぞれのクラックスケールの入力画像をウェーブレット変換することによってクラックスケールのウェーブレット画像を作成し（ステップＳ１０１）、ウェーブレット画像の各画素のウェーブレット係数を対応するウェーブレット係数テーブルのウェーブレット係数（閾値）と比較することによってクラックスケールの２値化画像を作成する（ステップＳ１０２）。そして、これに細線化処理を実行してその中心線で構成される、クラックスケールの細線化画像を作成する（ステップＳ１０３）。 The crack scale wavelet image is generated by inputting the photographed image of each crack scale stored in the database in step S100 to a computer to create an input image of each crack scale, and wavelet transforming the input image of each crack scale. (Step S101), and the wavelet coefficient of each pixel of the wavelet image is compared with the wavelet coefficient (threshold value) of the corresponding wavelet coefficient table to create a binary image of the crack scale (step S102). Then, thinning processing is executed on this to create a crack scale thinned image composed of the center line (step S103).
作成されたクラックスケールの細線化画像において、ひび割れ幅の推定式の説明変数ｐを、以下の式１２で規定する。 In the created crack scale thinned image, the explanatory variable p of the crack width estimation formula is defined by the following formula 12.
[数１２]
ｐ＝（ウェーブレット係数の値）−（ウェーブレット係数の閾値）
[Equation 12]
p = (wavelet coefficient value) − (wavelet coefficient threshold)
上記する説明変数ｐと、クラックスケールの撮影画像から特定されるクラックスケールの実寸値ｑより、回帰分析をおこなう。 Regression analysis is performed from the explanatory variable p described above and the actual size value q of the crack scale specified from the captured image of the crack scale.
回帰分析の結果、説明変数ｐをパラメータとする以下のひび割れ幅の推定式を得ることができる（ステップＳ１０４）。 As a result of the regression analysis, the following crack width estimation formula using the explanatory variable p as a parameter can be obtained (step S104).
[数１３]
ｙ＝ａ＋ｂｐ
（単位はｍｍ、ａ、ｂは回帰分析で特定された定数、ｐは説明変数）
[Equation 13]
y = a + bp
(Unit is mm, a, b are constants specified by regression analysis, p is explanatory variable)
推定式のｐに対し、撮影対象のコンクリート表面のひび割れの細線化画像におけるウェーブレット係数の値とウェーブレット係数の閾値から特定されるｐを適用することにより、撮影対象ごとにそれぞれのコンクリート表面のひび割れ幅を特定することができる（ステップＳ１０４）。 By applying p specified from the wavelet coefficient value and the wavelet coefficient threshold value in the thinned image of cracks on the concrete surface to be photographed to p in the estimation formula, the crack width of each concrete surface for each object to be photographed Can be specified (step S104).
図２に戻り、ステップＳ８０によってひび割れ幅の推定をおこなった後に、各ひび割れの分布状態、ひび割れ幅ごとのひび割れ数量などに関するテーブルや図面（ひび割れ展開図など）をデータとして作成する（ステップＳ９０）。 Returning to FIG. 2, after estimating the crack width in step S80, a table and drawings (crack development etc.) relating to the distribution state of each crack, the number of cracks for each crack width, etc. are created as data (step S90).
なお、図６では、クラックスケールのデータベースからひび割れ幅の推定式の特定までのフローと撮影対象のコンクリート表面の細線化画像の作成までが並行したフロー図となっているが、本発明のひび割れ検出方法は、このフロー図に限定されるものではなく、たとえばステップＳ１００〜ステップＳ１０４を先行しておこない、ひび割れ幅の推定式を予め特定しておき、その次に、撮影対象のコンクリート表面における細線化画像の作成をおこなうフローであってもよい。 In FIG. 6, the flow from the crack scale database to the identification of the crack width estimation formula and the creation of a thinned image of the concrete surface to be imaged are shown in a parallel flow diagram. The method is not limited to this flowchart. For example, steps S100 to S104 are performed in advance, an estimation formula for the crack width is specified in advance, and then the thinning on the concrete surface to be photographed is performed. It may be a flow for creating an image.
ここで、回帰分析の結果、相関係数が比較的高いクラックスケール画像のみを用いて回帰分析をおこない、ひび割れ幅の推定式を特定するのが望ましい。 Here, as a result of the regression analysis, it is desirable to perform a regression analysis using only a crack scale image having a relatively high correlation coefficient to specify an estimation formula for a crack width.
たとえば、相関係数０．８５以上のクラックスケール画像を用いて回帰分析をおこない、特定されたひび割れ幅の推定式（たとえばy=0.029+0.000736p）は極めて高い精度でひび割れ幅を特定することができる。 For example, regression analysis is performed using a crack scale image having a correlation coefficient of 0.85 or more, and the specified crack width estimation formula (for example, y = 0.029 + 0.000736p) can identify the crack width with extremely high accuracy. it can.
図７は、ひび割れ幅の推定方法に関する他の実施の形態を説明した図である。 FIG. 7 is a diagram illustrating another embodiment relating to a crack width estimation method.
撮影画像から求められたｐは、撮影画像の品質によってばらつきが生じ易い。そこで、撮影画像の品質を一定の基準に基準化するために、以下の式で示される前記基準化されたｐを求める。 The p obtained from the captured image tends to vary depending on the quality of the captured image. Therefore, in order to standardize the quality of the captured image with a certain standard, the standardized p represented by the following equation is obtained.
[数１４]
[数１５]
[実施例]
本発明者等は本発明のひび割れ検出方法を実際におこなった。図８ａは撮影画像を示した写真図であり、図８ｂは方法Ａで作成された二値化画像を示した図である。また、図９ａは方法Ａで作成されたひび割れ判別画像を示した図であり、図９ｂは方法Ｂで作成された二値化画像を示した図である。また、図１０ａは方法Ｂで作成された非ひび割れ判別画像（架線検出画像）を示した図であり、図１０ｂは方法Ｂで作成された非ひび割れ判別画像（黒色しみ跡検出画像）を示した図である。さらに、図１１は、図９ａのひび割れ判別画像と、図１０ａ，ｂの非ひび割れ判別画像の差分に基づいて作成されたひび割れ画像を示した図である。
[Example]
The inventors actually performed the crack detection method of the present invention. FIG. 8A is a photographic view showing a captured image, and FIG. 8B is a view showing a binarized image created by the method A. 9A is a diagram showing a crack discrimination image created by the method A, and FIG. 9B is a diagram showing a binarized image created by the method B. FIG. 10a is a diagram showing a non-crack discrimination image (overhead detection image) created by Method B, and FIG. 10b is a non-crack discrimination image (black spot detection image) created by Method B. FIG. Further, FIG. 11 is a diagram showing a crack image created based on the difference between the crack determination image of FIG. 9a and the non-crack determination image of FIGS. 10a and 10b.
本発明者等の検証によれば、図９ａで示すひび割れ判別画像に関し、実際のひび割れとコンクリート表面の汚れなどの雑音との判別率は92%以上と高く、実際のひび割れと型枠跡の判別率は70%程度と高くないことから雑音除去のみをおこなった。 According to the verification by the present inventors, regarding the crack discrimination image shown in FIG. 9a, the discrimination rate between actual cracks and noise such as dirt on the concrete surface is as high as 92% or more, and discrimination between actual cracks and form marks Since the rate is not as high as 70%, only noise removal was performed.
そこで、撮影画像にラプラシアンガウシアン関数を適用して得られる図９ｂの二値化画像の各オブジェクトに対し、判別分析をおこなって図１０ａで示す架線検出画像、図１０ｂで示す黒色しみ跡検出画像、型枠跡検出画像などを得た後、図９ａのひび割れ判別画像と、図１０ａ，ｂの非ひび割れ判別画像の差分に基づいて、図１１で示すひび割れ画像を自動処理にて作成した。このひび割れ画像によれば、型枠跡等が効果的に除去された高精度のひび割れ画像となっている。 Therefore, discriminant analysis is performed on each object of the binarized image of FIG. 9B obtained by applying the Laplacian Gaussian function to the captured image, and the overhead line detection image shown in FIG. 10A, the black spot detection image shown in FIG. 10B, After obtaining the mold trace detection image and the like, the crack image shown in FIG. 11 was created by automatic processing based on the difference between the crack discrimination image shown in FIG. 9a and the non-crack discrimination image shown in FIGS. According to this cracked image, it is a highly accurate cracked image from which formwork marks and the like are effectively removed.
以上、本発明の実施の形態を、図面を用いて詳述してきたが、具体的な構成はこの実施形態に限定されるものではなく、本発明の要旨を逸脱しない範囲における設計変更等があっても、それらは本発明に含まれるものである。 The embodiment of the present invention has been described in detail with reference to the drawings. However, the specific configuration is not limited to this embodiment, and there are design changes and the like without departing from the scope of the present invention. However, they are included in the present invention.
１…入力画像、２…広域領域、３…局所領域、３１…近傍画素、３２…注目画素 DESCRIPTION OF SYMBOLS 1 ... Input image, 2 ... Wide area | region, 3 ... Local area | region, 31 ... Neighboring pixel, 32 ... Interesting pixel
Claims (2)
コンクリート表面に生じているひび割れの検出をおこなうに当たり、ひび割れ判別画像を作成する方法であって、
ひび割れの濃度とコンクリート表面の濃度を擬似的に設定し、ガボール関数を適用して対比される２つの濃度に対応したウェーブレット係数を算定するとともに、この２つの濃度をそれぞれ変化させた場合のウェーブレット係数を算定してウェーブレット係数テーブルを作成し、ひび割れ検出対象であるコンクリート表面の撮影画像をコンピュータに入力して入力画像とし、この入力画像をウェーブレット変換することによってウェーブレット画像を作成するステップ１Ａ、
ウェーブレット係数テーブル内において、前記コンクリート表面の濃度と仮定する局所領域内の近傍画素の平均濃度と、前記ひび割れの濃度と仮定する注目画素の濃度に対応するウェーブレット係数を閾値とし、任意の近傍画素における任意の注目画素のウェーブレット係数が閾値よりも大きな場合は該近傍画素における該注目画素をひび割れと判定し、任意の近傍画素における任意の注目画素のウェーブレット係数が閾値よりも小さな場合は該近傍画素における該注目画素をひび割れでないと判定し、局所領域および注目画素を変化させながら注目画素のウェーブレット係数と閾値との比較をおこない、さらに輪郭線追跡処理をおこなって、同じウェーブレット関数を有する画素を連結して一つの塊を形成し、それぞれの塊が予め設定されている塊の閾値よりも小さな場合はノイズと判定し、塊の閾値よりも大きな場合はひび割れと判定することにより、ノイズの一部が除去されてなる二値化画像を作成するステップ２Ａ、
前記塊の特徴量を特定し、塊の特徴量ごとにひび割れとひび割れ以外のノイズ種が予め規定されている特徴量テーブルを参照して、複数の特徴量を説明変数とし、ひび割れもしくはいずれかのノイズ種を目的変数とする判別分析をおこなって特徴量が特定されている前記塊をひび割れもしくはノイズ種のいずれかであると判定し、
前記塊ごとの特徴量の特定と各塊の判別分析を第２のステップにおける全ての塊に実行することにより、二値化画像からさらにノイズが除去されてなるひび割れ判別画像を作成するステップ３Ａ、からなり、
前記特徴量テーブルの作成は、任意のコンクリート表面に対して前記第１のステップ、第２のステップを実行して二値化画像を作成し、該二値化画像を構成するそれぞれの塊の複数の特徴量をコンピュータで計算するとともに、それぞれの塊に対する観測結果（塊がひび割れ、ノイズ種からなるグループのいずれか一種）を割り当てるものであり、
（方法Ｂ）
コンクリート表面に生じている面的に広がりを持った対象物であるしみ跡、湧水や剥離剥落などの変状およびケーブルや架線などの人工構造物に代表される面状対象物に相当する非ひび割れ判別画像を作成する方法であって、
前記対象物の濃度とコンクリート表面の濃度を擬似的に設定し、ラプラシアンガウシアン関数を適用して対比される２つの濃度に対応したウェーブレット係数を算定するとともに、この２つの濃度をそれぞれ変化させた場合のウェーブレット係数を算定してウェーブレット係数テーブルを作成し、これら対象物の検出対象であるコンクリート表面の撮影画像をコンピュータに入力して入力画像とし、この入力画像をウェーブレット変換することによってウェーブレット画像を作成するステップ１Ｂ、
ウェーブレット係数テーブル内において、前記コンクリート表面の濃度と仮定する局所領域内の近傍画素の平均濃度と、前記面状対象物の濃度と仮定する注目画素の濃度に対応するウェーブレット係数を閾値とし、任意の近傍画素における任意の注目画素のウェーブレット係数が閾値よりも大きな場合は該近傍画素における該注目画素を面状対象物と判定し、任意の近傍画素における任意の注目画素のウェーブレット係数が閾値よりも小さな場合は該近傍画素における該注目画素を面状対象物でないと判定し、局所領域および注目画素を変化させながら注目画素のウェーブレット係数と閾値との比較をおこない、面状対象物と判定された画素に対して面状対象物とノイズの判別処理をおこない、さらに輪郭線追跡処理をおこなって、同じウェーブレット関数を有する画素を連結して一つの塊を形成し、それぞれの塊が予め設定されている塊の閾値よりも小さな場合はノイズと判定し、塊の閾値よりも大きな場合は面状対象物と判定することにより、ノイズの一部が除去されてなる二値化画像を作成するステップ２Ｂ、
前記塊の特徴量を特定し、塊の特徴量ごとにしみ跡、湧水や剥離剥落などの変状、ケーブルや架線などの人工構造物などが予め規定されている特徴量テーブルを参照して、複数の特徴量を説明変数とし、これら面状対象物を目的変数とする判別分析をおこなって特徴量が特定されている前記塊をひび割れもしくはノイズ種のいずれかであると判定し、
前記塊ごとの特徴量の特定と各塊の判別分析を第２のステップにおける全ての塊に実行することにより、二値化画像からさらにノイズが除去されてなる非ひび割れ判別画像を作成するステップ３Ｂ、からなり、
次に、方法Ａで作成されたひび割れ判別画像と方法Ｂで作成された非ひび割れ判別画像の差分によってひび割れ画像を作成する、ひび割れ検出方法。 (Method A)
A method for creating a crack discrimination image when detecting cracks on a concrete surface,
Simulate the density of the crack and the concrete surface, apply the Gabor function and calculate the wavelet coefficients corresponding to the two concentrations to be compared, and the wavelet coefficients when these two concentrations are changed respectively. Step 1A for creating a wavelet coefficient table by calculating a wavelet coefficient table, inputting a captured image of a concrete surface to be cracked into a computer as an input image, and wavelet transforming the input image;
In the wavelet coefficient table, the average density of neighboring pixels in the local area assumed to be the density of the concrete surface and the wavelet coefficient corresponding to the density of the target pixel assumed to be the crack density are used as threshold values, and in any neighboring pixels If the wavelet coefficient of any pixel of interest is larger than the threshold, the pixel of interest in the neighboring pixel is determined to be cracked, and if the wavelet coefficient of any pixel of interest in the neighboring pixel is smaller than the threshold, The target pixel is determined not to be cracked, the local region and the target pixel are changed, the wavelet coefficient of the target pixel is compared with a threshold value, and the contour tracking process is further performed to connect pixels having the same wavelet function. Form one lump and each lump is preset. If smaller than the threshold value of the mass are determines the noise, by if greater than the threshold value of the mass is determined that cracking, steps 2A to create a binarized image in which a part of the noise is being removed,
Identify the feature quantity of the lump, refer to the feature quantity table in which cracks and noise types other than cracks are defined in advance for each feature quantity of the lump, use multiple feature quantities as explanatory variables, Perform a discriminant analysis with the noise type as the objective variable to determine that the mass with the specified feature quantity is either a crack or a noise type,
Step 3A for creating a crack discriminating image in which noise is further removed from the binarized image by performing identification of the feature amount for each chunk and discriminating analysis of each chunk in all the chunks in the second step, Consists of
The feature amount table is created by executing the first step and the second step on an arbitrary concrete surface to create a binarized image, and a plurality of the respective blocks constituting the binarized image. Is calculated by computer and assigns the observation result for each lump (one of the group consisting of cracks and noise species),
(Method B)
Non-surface objects that are spread over the surface of concrete, such as stains, deformations such as spring water and peeling, and non-surface objects such as cables and overhead lines. A method of creating a crack discrimination image,
When the density of the object and the density of the concrete surface are set in a pseudo manner, the wavelet coefficients corresponding to the two densities to be compared are calculated by applying the Laplacian Gaussian function, and the two densities are changed respectively. A wavelet coefficient table is calculated and a wavelet coefficient table is created, and the captured image of the concrete surface that is the detection target of these objects is input to a computer as an input image, and a wavelet image is created by wavelet transforming this input image Step 1B,
In the wavelet coefficient table, the average density of neighboring pixels in the local region assumed to be the density of the concrete surface, and the wavelet coefficient corresponding to the density of the target pixel assumed to be the density of the planar object are set as threshold values, and any arbitrary When the wavelet coefficient of an arbitrary pixel of interest in a neighboring pixel is larger than a threshold, the pixel of interest in the neighboring pixel is determined as a planar object, and the wavelet coefficient of an arbitrary pixel of interest in an arbitrary neighboring pixel is smaller than the threshold In this case, it is determined that the target pixel in the neighboring pixel is not a planar object, the wavelet coefficient of the target pixel is compared with the threshold value while changing the local region and the target pixel, and the pixel determined as the planar object A planar object and noise are discriminated against the image, and the contour line is further traced. Pixels having a bullet function are connected to form one block. If each block is smaller than a preset block threshold, it is determined as noise, and if it is larger than the block threshold, a planar object is formed. Step 2B for creating a binarized image from which part of the noise is removed by determining
Identify the feature quantity of the lump, refer to the feature quantity table that prescribes for each feature quantity of the lump, deformations such as spots, spring water and peeling off, artificial structures such as cables and overhead lines, etc. , Using a plurality of feature quantities as explanatory variables, performing a discriminant analysis with these planar objects as objective variables, and determining that the mass with the specified feature quantities is either a crack or a noise species,
Step 3B for creating a non-crack discriminating image in which noise is further removed from the binarized image by specifying the feature amount for each chunk and discriminating and analyzing each chunk in the second step. Consists of
Next, a crack detection method for creating a crack image based on a difference between a crack discrimination image created by Method A and a non-crack discrimination image created by Method B.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013107390A JP6099479B2 (en) | 2013-05-21 | 2013-05-21 | Crack detection method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013107390A JP6099479B2 (en) | 2013-05-21 | 2013-05-21 | Crack detection method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2014228357A true JP2014228357A (en) | 2014-12-08 |
| JP6099479B2 JP6099479B2 (en) | 2017-03-22 |
Family
ID=52128331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2013107390A Active JP6099479B2 (en) | 2013-05-21 | 2013-05-21 | Crack detection method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6099479B2 (en) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017191041A (en) * | 2016-04-14 | 2017-10-19 | 大成建設株式会社 | Crack detection method |
| JP2019027905A (en) * | 2017-07-28 | 2019-02-21 | 大成建設株式会社 | Quantitative evaluation method of damaged part on concrete surface, quantitative evaluation device, quantitative evaluation system and program |
| JP2019120491A (en) * | 2017-12-28 | 2019-07-22 | 日立Ｇｅニュークリア・エナジー株式会社 | Method for inspecting defects and defects inspection system |
| CN111882664A (en) * | 2020-07-08 | 2020-11-03 | 武汉武大卓越科技有限责任公司 | Multi-window accumulated difference crack extraction method |
| CN113239790A (en) * | 2021-05-11 | 2021-08-10 | 上海道生医疗科技有限公司 | Tongue crack feature identification and length measurement method and system |
| US11105749B2 (en) | 2016-07-06 | 2021-08-31 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method and program |
| CN113610812A (en) * | 2021-08-10 | 2021-11-05 | 哈尔滨理工大学 | Weight calculation method for judging and influencing factors of subsurface crack form of ultrasonic vibration grinding optical glass |
| CN113758662A (en) * | 2021-09-24 | 2021-12-07 | 长江三峡通航管理局 | Hydraulic hoist pipe connection leakproofness detecting system |
| US11408831B2 (en) | 2019-02-18 | 2022-08-09 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and recording medium |
| KR20230009641A (en) * | 2021-07-09 | 2023-01-17 | 한국전력공사 | Method for detecting crack in structures |
| CN117132896A (en) * | 2023-10-23 | 2023-11-28 | 深圳英飞拓科技股份有限公司 | Method for detecting and identifying building cracking |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7329951B2 (en) | 2019-04-01 | 2023-08-21 | キヤノン株式会社 | Image processing device and its control method |
| JP2024000324A (en) | 2022-06-20 | 2024-01-05 | キヤノン株式会社 | Information processing device, information processing method, and program |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6340844A (en) * | 1986-08-05 | 1988-02-22 | Nippon Steel Corp | Surface flaw identification |
| JP2006162583A (en) * | 2004-11-10 | 2006-06-22 | Taisei Corp | Crack detection method |
| US7295695B1 (en) * | 2002-03-19 | 2007-11-13 | Kla-Tencor Technologies Corporation | Defect detection via multiscale wavelets-based algorithms |
| JP2011106923A (en) * | 2009-11-16 | 2011-06-02 | Taisei Corp | Particle size specifying method and particle size specifying system for granular material |
| JP2012002531A (en) * | 2010-06-14 | 2012-01-05 | Taisei Corp | Crack detection method |
-
2013
- 2013-05-21 JP JP2013107390A patent/JP6099479B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6340844A (en) * | 1986-08-05 | 1988-02-22 | Nippon Steel Corp | Surface flaw identification |
| US7295695B1 (en) * | 2002-03-19 | 2007-11-13 | Kla-Tencor Technologies Corporation | Defect detection via multiscale wavelets-based algorithms |
| JP2006162583A (en) * | 2004-11-10 | 2006-06-22 | Taisei Corp | Crack detection method |
| JP2011106923A (en) * | 2009-11-16 | 2011-06-02 | Taisei Corp | Particle size specifying method and particle size specifying system for granular material |
| JP2012002531A (en) * | 2010-06-14 | 2012-01-05 | Taisei Corp | Crack detection method |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017191041A (en) * | 2016-04-14 | 2017-10-19 | 大成建設株式会社 | Crack detection method |
| EP4006835A1 (en) | 2016-07-06 | 2022-06-01 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method and program |
| US11105749B2 (en) | 2016-07-06 | 2021-08-31 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method and program |
| JP2019027905A (en) * | 2017-07-28 | 2019-02-21 | 大成建設株式会社 | Quantitative evaluation method of damaged part on concrete surface, quantitative evaluation device, quantitative evaluation system and program |
| JP2019120491A (en) * | 2017-12-28 | 2019-07-22 | 日立Ｇｅニュークリア・エナジー株式会社 | Method for inspecting defects and defects inspection system |
| JP7178171B2 (en) | 2017-12-28 | 2022-11-25 | 日立Ｇｅニュークリア・エナジー株式会社 | Defect inspection method and defect inspection system |
| US11408831B2 (en) | 2019-02-18 | 2022-08-09 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and recording medium |
| CN111882664A (en) * | 2020-07-08 | 2020-11-03 | 武汉武大卓越科技有限责任公司 | Multi-window accumulated difference crack extraction method |
| CN113239790A (en) * | 2021-05-11 | 2021-08-10 | 上海道生医疗科技有限公司 | Tongue crack feature identification and length measurement method and system |
| KR20230009641A (en) * | 2021-07-09 | 2023-01-17 | 한국전력공사 | Method for detecting crack in structures |
| KR102559790B1 (en) | 2021-07-09 | 2023-07-27 | 한국전력공사 | Method for detecting crack in structures |
| CN113610812A (en) * | 2021-08-10 | 2021-11-05 | 哈尔滨理工大学 | Weight calculation method for judging and influencing factors of subsurface crack form of ultrasonic vibration grinding optical glass |
| CN113610812B (en) * | 2021-08-10 | 2024-02-02 | 哈尔滨理工大学 | Weight resolving method for judging subsurface crack form of ultrasonic vibration grinding optical glass and influencing factors |
| CN113758662A (en) * | 2021-09-24 | 2021-12-07 | 长江三峡通航管理局 | Hydraulic hoist pipe connection leakproofness detecting system |
| CN113758662B (en) * | 2021-09-24 | 2024-03-12 | 长江三峡通航管理局 | Pipeline connection tightness detection system of hydraulic hoist |
| CN117132896A (en) * | 2023-10-23 | 2023-11-28 | 深圳英飞拓科技股份有限公司 | Method for detecting and identifying building cracking |
| CN117132896B (en) * | 2023-10-23 | 2024-05-14 | 深圳英飞拓科技股份有限公司 | Method for detecting and identifying building cracking |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6099479B2 (en) | 2017-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6099479B2 (en) | Crack detection method | |
| JP5852919B2 (en) | Crack detection method | |
| JP4006007B2 (en) | Crack detection method | |
| JP5385593B2 (en) | Crack detection method | |
| CN110286124B (en) | Machine vision-based refractory brick measuring system | |
| JP5421192B2 (en) | Crack detection method | |
| CN113109368B (en) | Glass crack detection method, device, equipment and medium | |
| JP2017053819A (en) | Crack detection method and detection program of concrete | |
| JP6811217B2 (en) | Crack identification method, crack identification device, crack identification system and program on concrete surface | |
| JP6823486B2 (en) | Crack detection method | |
| WO2017161598A1 (en) | Fast density estimation method for defect inspection application | |
| CN110706224B (en) | Optical element weak scratch detection method, system and device based on dark field image | |
| JP5705711B2 (en) | Crack detection method | |
| CN111354047B (en) | Computer vision-based camera module positioning method and system | |
| JP4870016B2 (en) | Crack detection method | |
| CN109544513A (en) | A kind of steel pipe end surface defect extraction knowledge method for distinguishing | |
| CN115639248A (en) | System and method for detecting quality of building outer wall | |
| CN117094975A (en) | Method and device for detecting surface defects of steel and electronic equipment | |
| CN113705564B (en) | Pointer type instrument identification reading method | |
| JP7008408B2 (en) | Crack detection method | |
| CN113284158B (en) | Image edge extraction method and system based on structural constraint clustering | |
| CN115546139A (en) | Defect detection method and device based on machine vision and electronic equipment | |
| CN111473944B (en) | PIV data correction method and device for observing complex wall surface in flow field | |
| JP6909090B2 (en) | Quantitative evaluation method, quantitative evaluation device, quantitative evaluation system and program of damaged part on concrete surface | |
| JP2008185510A (en) | Crack detection method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20151215 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160920 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160916 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20161017 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20161129 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170105 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170214 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170221 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6099479 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |