【技术实现步骤摘要】
一种桥梁裂缝检测数据集预筛选与标定方法
[0001]本专利技术属于机器学习
,具体涉及一种桥梁裂缝检测方法。
技术介绍
[0002]截至2018年底,我国业已建成大跨度桥梁9万余座,特大跨度桥梁5千余座,主跨度超过400米的特大跨度桥梁超过100座。大多数桥梁均处于交通要道,一旦发生垮塌事故,不仅会造成极大的经济损失,而且还会造成无辜者的伤亡,因此桥梁安全问题事关国计民生。近年来,由于交通流量的快速增长,给桥梁的运营安全造成巨大的压力。此外,由于桥梁建成时间久、设计性能差、自然环境恶劣等原因,近年来桥梁垮塌事件频发,造成极大的损失。现有研究表明,绝大多数混凝土桥梁损坏与桥梁裂缝有关,因此,对混凝土桥梁裂缝的检测对于桥梁养护工作至关重要。
[0003]长期以来,针对桥梁的裂缝检测多采用以超声波、红外检测为主的局部无损伤检测方法和整体检测方法。基于图像检测方式则多以人工读取图像检测为主,这种方法受到检测者经验制约,受到其主观影响大,且耗时耗力。
[0004]由于计算机硬件技术的更新迭代和图像处理技术的快速发展,采用图像处理技术进行裂缝检测与分割目前正受到国内外学术界、工程界的广泛关注与探索。从传统的图像处理技术再到如今机器学习、深度学习技术在图像处理中的应用,国内外优秀学者不断将新的计算方法融入到裂缝检测技术之中,优秀的研究成果逐年增加。
[0005]尽管基于机器学习、深度学习进行裂缝的检测能够有效提高检测裂缝的精度,但是这种方法也存在其局限性,如:需要大量含有裂缝有效信息的数据进行神经网络 ...
【技术保护点】
【技术特征摘要】
1.一种桥梁裂缝检测数据集预筛选与标定方法,其特征在于,包括如下步骤:步骤1:获取多幅桥梁表面、底部和桥墩部位原始图像;步骤2:对获得到的原始图像进行预处理和粗筛选,具体方法如下:步骤2
‑
1:将每幅原始图像重新设置尺寸为N1*N2,图像像素位置用(x,y)表示;步骤2
‑
2:将步骤2
‑
1得到的所有图像进行灰度化处理,得到灰度图像;步骤2
‑
3:对步骤2
‑
2得到的灰度图像进行图像增强处理,增大图像的对比度;步骤2
‑
4:继续对增强处理后的图像进行图像滤波,滤除图像噪声;步骤2
‑
5:对滤除噪声之后的图像进行边缘检测,并进行全局阈值分割,得到二值图像;步骤2
‑
6:对二值图像进行连接操作,将未闭合图像轮廓进行连接,得到多个封闭区域;步骤2
‑
7:对步骤2
‑
6获得的图像进行轮廓提取,计算每个封闭区域的图像轮廓像素周长C和图像轮廓包围像素面积大小A;步骤2
‑
8:对图像进行粗筛选,具体筛选方法如下:步骤2
‑8‑
1:定义参数F:利用CLIQUE聚类算法,用周长C、面积A和参数F三个维度对图像轮廓进行聚类,得到阈值t1、t2、t3;步骤2
‑8‑
2:若图像中任一封闭区域的周长C小于阈值t1,则判断该封闭区域为非裂缝像素,将该封闭区域像素置为背景像素;若图像中任一封闭区域的周长C大于等于阈值t1,则进行下一步;步骤2
‑8‑
3:若图像中非背景像素的任一封闭区域的面积A小于阈值t2,则判断该封闭区域为非裂缝像素,将该封闭区域像素置为背景像素;若图像中非背景像素的任一封闭区域的面积A大于等于阈值t2,则进行下一步;步骤2
‑8‑
4:若图像中非背景像素的任一封闭区域的参数F大于阈值t3,则判断该封闭区域为非裂缝像素,将该封闭区域像素置为背景像素;若图像中非背景像素的任一封闭区域的参数F小于等于阈值t3,则判断该封闭区域的像素为裂缝像素;步骤2
‑8‑
5:包含裂缝像素的图像称为裂缝图像;若整幅图像中都不含有裂缝像素,判断该图像为不含有裂缝图像,排除出数据集之外;步骤3:对步骤2得到的裂缝图像进行进一步精筛选,具体步骤如下:步骤3
‑
1:将裂缝图像和该裂缝图像所对应的原始图像进行人工比对,并进行标注,具体步骤如下:步骤3
‑1‑
1:对于裂缝图像中的任一裂缝像素所在的封闭区域,若该裂缝图像所对应的原始图像中同一位置区域是裂缝...
【专利技术属性】
技术研发人员:张夷斋,姬文鹏,黄攀峰,闫雨晨,杨奇磊,李鹏辉,章永威,
申请(专利权)人:西北工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。