基于深度学习和无人机的混凝土结构裂缝检测方法

混凝土裂缝检测是结构检测的重点内容之一。近年来,基于无人机的裂缝检测系统已得到广泛研究,并且深度学习也被用于从图像中自动识别裂缝。然而,仍然难以简单地实现裂缝尺寸的量化。该文旨在开发一种基于深度学习和无人机的裂缝检测方法,可以在没有参照标记物的情况下实现混凝土裂缝的准确检测和有效量化。首先提出了采用多尺度特征融合结构的裂缝特征金字塔网络,用于多种裂缝的图像分割。并在多尺度和多场景的裂缝数据集上进行了训练和测试。接下来提出了一种改进方法来标定无人机云台相机的图像尺度场,并建立了全场尺度。最后,通过获得的分割结果和全场尺度完成裂缝定位和定量测量。利用无人机系统进行了现场实验,验证了该方法的可行性。结果表明,在不同测量距离和角度下,裂缝宽度测量的最大误差均小于5%。研究成果有望为混凝土结构的裂缝检测提供一个具有前景的解决方案。     

基于图像处理技术的建筑裂缝测量方法分析

裂缝测量是监测建筑结构健康和确保结构安全的一项重要任务。手动测量裂缝的过程非常耗时，并且容易受到检查员主观判断影响。文中建立了一种基于图像处理技术的智能测量模型，用于自动裂缝识别和分析。新模型提出了一种称为最小-最大灰度级判别（MMG）的灰度强度调整方法，预处理由Otsu方法阈值化的图像，这种灰度强度调整方法的目标是提高裂缝检测结果的准确性。结果表明，MMG和Otsu方法结合，可以成功测量建筑图像中的裂缝缺陷，包括面积、周长、宽度、长度和方向。     

基于语义分割的混凝土裂缝图像识别方法研究

因快速、无损等优势,基于深度学习的图像识别技术已成为混凝土裂缝智能检测研究的热点,其中语义分割算法可实现对裂缝图像像素级别的分割,进而实现裂缝信息量化识别。基于U-Net语义分割网络,本文提出一种混凝土裂缝图像识别方法。首先,针对混凝土裂缝检测,训练了改进的U-Net网络模型,对裂缝图像实施精准分割;其次,对分割后的裂缝图像,采用最大内切圆算法提出了裂缝宽度计算方法;最后,通过室内混凝土板模型试验对所提方法进行验证。结果表明,本文算法和设备条件对于宽度为0.30mm左右的裂缝计算结果较差,最大误差为0.26mm;对于宽度大于0.60mm的裂缝计算效果较好,最大误差为0.14mm。考虑到可以通过提高相机分辨率进一步提升检测精度,本文方法可应用于混凝土结构表观裂缝检测,大幅提高基础设施的智能化管养水平。     

基于图像处理和标识物的裂缝变化测量方法

针对传统的基于人工检测的混凝土结构物裂缝巡检方法存在检测结果误差大、方式复杂等缺点,提出一种新型的基于图像处理双标识物的裂缝宽度变化测量方法,利用便于识别和存储信息的棋盘格和二维码标识物,将其置于裂缝两侧并拍摄图像,通过预处理、标识点识别、坐标计算等过程得到标识物相对坐标,经多次拍摄后计算相对坐标变化,从而计算裂缝的宽度变化。室内模拟和现场试验表明：该方法不仅方法有效,而且具有一定的精度,可减少裂缝监测的成本,提高裂缝宽度测量的信息化程度,为裂缝宽度测量提供一种新的解决方案。     

基于改进Canny算法的墙面裂缝自动识别及量测

墙体结构的表面裂缝对建筑结构的健康和美观都有一定程度的影响,因此墙面裂缝的监测和检测工作较为重要。基于数字图像的检测方法人工参与度低,自动化程度高,能快速识别裂缝。本文对比了传统微分算子识别图像裂缝的效果,选取Canny算法为基本算法,在算法中引入导向滤波和同态滤波进行改进,达到消除噪声、保留和增强边缘细节信息的目的。在识别裂缝的基础上,通过边界像素的计算测量裂缝的像素长度和宽度,通过像素解析度求得实际长度。通过实验对比手工测量值和图像测量值,在普通相机标定情况下,图像测量的裂缝几何特征值精度较好,与手工测量值的误差在3%左右。因此该方法能够为后续裂缝的常态监测和检测的智能化提供一种思路。     

基于数字图像技术的结构裂缝参数分析

基于数字图象处理技术,提取并分析了含结构裂缝照片中与裂缝分布有关的数字特征参数.首先考虑拍摄环境条件(如光线强度等),通过对灰度图像设定适当阈值来区分图像中的裂缝与图像背景,获得了相应二值图像;然后结合形态学膨胀与腐蚀技术,消除二值图像中的噪点,使用边缘检测技术提取裂缝的边缘图像;进而得到裂缝的面积、长度、平均宽度、宽度最大值、宽度最小值以及记盒维数等数字特征参数.这一方法为已有建筑物结构裂缝的确认与分析提供了一条新的途径.     

基于数字图像处理的裂缝检测方法

为保证图像质量,提出一种基于阈值判断的自适应中值滤波(TAMF)新算法。通过扩充图像边界,将噪声图像与对其进行中值滤波后的图像相减得到的灰度值均值T作为判断条件,对搜索窗口内的噪声像素点采用中值滤波处理后输出结果,信号点则不做处理。使用几种滤波算法进行试验分析,结果表明,不同浓度的椒盐噪声均可采用TAMF算法进行滤除,该算法能有效保护图像边缘细节,在PSNR和MSE等图像性能指标上维持较高的水平,为后续裂缝宽度测量提供良好环境。数字图像处理通过获取图像(裂缝)灰度信息,对图像(裂缝)特征进行提取;然后,基于TAMF算法与改进的切线垂线法,将数字图像处理中的图像预处理、裂缝骨架提取、裂缝宽度计算等方法进行集成,提出一套基于数字图像处理的混凝土裂缝图像宽度测量流程,该测量流程所需设备单一,可大幅提高检测精度和效率,满足工程应用要求。     

盾构隧道管片裂缝图像识别及宽度计算优化方法

针对盾构隧道管片结构裂损的图像,基于数字图像处理技术,运用软件MATLAB的图像处理功能进行裂缝图像灰度变换及均衡化、图像分割及裂缝识别、边缘提取和宽度计算。在宽度计算中,采用霍夫变换对曲线裂缝进行拟合,细化裂缝图像的宽度,得到更精确信息。     

基于计算机视觉的建筑外墙剥落和裂缝两阶段检测方法

地震灾害中,对建筑物外墙立面损伤状况进行快速检测有利于灾情评估与灾后重建。为实现建筑外墙立面剥落和裂缝的自动化非接触式检测,提出了一种结合深度学习与图像处理的外墙损伤定位与量化评估的两阶段检测方法。通过建立并标定北川老县城地震破坏房屋数据集,采用基于损失函数模型Focal Loss的目标检测网络定位破损区域目标框,并克服小尺度区域的正负样本不均衡问题。根据提取的目标破损区域单幅图像,提出图像滤波、阈值分割和形态学操作的组合处理流程,进行贴面砖墙面下剥落和裂缝的像素级别分割与提取。进一步结合像素尺度与物理尺度的映射关系,完成剥落面积、裂缝宽度等关键破损信息的计算与识别。结果表明,该方法可较好地对震后建筑物外墙立面的墙面剥落和裂缝进行定位和提取,对墙面损伤可实现像素级分割并准确地识别损伤关键物理参数,能实现对建筑物震后损伤的准确和快速检测。     

基于全卷积神经网络的桥梁裂缝分割和测量方法

为了提高桥梁病害检测自动化水平,解决当前人工检测耗时费力和传统图像分割方法存在去噪效果不明显、分割后裂缝连续性较差等问题,提出了一种基于全卷积神经网络的BCI-AS(Bridge Crack Image-Automatic Segmentation)桥梁裂缝自动分割模型和一种基于投影技术的最小二乘拟合中心线的裂缝宽度测量算法。基于BCI-AS的模型对桥梁裂缝图像数据集进行了精确的像素级分割,分割准确率达到94.45%。基于投影技术最小二乘拟合中心线的算法对分割的裂缝二值图进行了宽度测量,结果表明相对误差在7%以下,证明了所提出具体算法对裂缝分割和裂缝宽度计算的可行性。     

Automated image processing technique for detecting and analysing concrete surface cracks

In the present work, an image processing technique that automatically detects and analyses cracks in the digital image of concrete surfaces is proposed. The image processing technique automates the measurement of crack characteristics including the width, length, orientation and crack pattern. In the proposed technique, a morphological technique was applied to correct the non-uniform brightness of the background, and enhanced binarisation and shape analysis were used to improve the detection performance; furthermore, detailed algorithms to calculate the crack width, length, orientation and an artificial neural network to recognise crack patterns including horizontal, vertical, diagonal (?45°), diagonal (+45°), and random cracks are proposed. An image processing program was developed for the proposed algorithm and a series of experimental and analytical investigations were performed to assess the validity of the algorithm. Then, the crack characteristics measured using the proposed technique were compared with those obtained using a conventional technique. The test results showed that the crack characteristics can be accurately measured and analysed using the proposed technique.     

复杂环境公路隧道裂缝快速识别与分割算法研究

随着我国公路隧道由建设为主朝建养并重转化,在运营里程快速增长与既有隧道劣化加剧的双重作用下,移动检测及结构安全快速诊断已成为目前公路隧道运营维养领域的研究热点之一。我国已研发了多种类型的隧道检测车,为裂缝、渗漏水等表观病害的快速检测提供了手段,然而公路隧道衬砌图像背景复杂、干扰因素多、裂缝占比小的特点,给检测数据的快速分析带来巨大挑战,已成为制约技术推广的主要瓶颈。基于深度学习算法,本文提出了一种将目标识别与语义分割进行组合的裂缝快速提取方法,首先采用Faster R-CNN网络对原始衬砌图像进行目标识别,判定所采集图片是否存在裂缝并智能框选出裂缝区域;随后对框选出的裂缝区域自动裁切,由此过滤不含裂缝的图片并去除含裂缝图片中的干扰背景,再利用U-Net语义分割网络对裂缝进行像素级分割。通过实际工程验证发现,单幅图像裂缝整体分割时间小于0.15 s,在常见各类干扰因素下,目标识别F1值可达到92%,语义分割像素准确度可达到98%以上。与阈值分割和同类智能分割算法相比,本方法显著提高了识别速度与精度,为从隧道检测车海量数据中进行快速准确的裂缝提取提供了良好手段。     

Real-time automatic crack detection method based on drone

Real-time automated drone-based crack detection can be used for efficient building damage assessment. This paper proposes an automated real-time crack detection method based on a drone. Using a lightweight classification algorithm, a lightweight segmentation algorithm, a high-precision segmentation algorithm, and a crack width measurement algorithm, the cracks are classified, roughly segmented, finely segmented, and the maximum width is extracted. A crack information-assisted drone flight automatic control algorithm for automatic crack detection guides the drone toward the crack position. The effectiveness of the crack detection algorithm and the crack information-assisted drone flight automatic control algorithm was tested on two different datasets, a two-story building, and a 16-m-high shaking table test building. The results show that crack detection can be finished in real-time during the flight. Using the proposed method can significantly improve the MIoU of crack edge detection and the accuracy of maximum crack width measurement under the non-ideal shooting conditions of the actual inspection situation by automatically approaching the vicinity of the crack.     

基于区域生长法的建筑裂缝定量分析方法

数字图像处理技术应用于裂缝测量可获取数字化的裂缝信息,具有操作灵活、测量精度高等优点,可以克服传统建筑裂缝测量技术的费时费力、精度不高等不足,具有广泛的应用前景。本文提出了一种基于区域生长法建筑裂缝识别方法,通过在实地拍摄的建筑裂缝图片中选择若干种子点,利用区域生长法提取出图像中的建筑裂缝部分,获得能够表征建筑裂缝特点的性质参数。结合工程实例进行实验,结果表明该法具有相当高的精确性和可行性,可以满足工程实际的需要。     

基于单像摄影测量的桥梁裂缝快速测量方法

针对传统桥梁裂缝量测操作复杂、效率差、危险性高的现状,提出了一种基于单像摄影测量的桥梁裂缝快速测量方法。首先使用数码相机采集桥梁裂缝的单张影像;其次利用Levenberg-Marquardt算法进行相机标定并完成原始影像的畸变纠正;然后使用Wong-Ttrinder圆点定位算子自动定位出标志牌上标志点的中心位置并进行二维直接线性变换,实现影像平面坐标与物方空间坐标之间的转换;最后采用基于卡方检验的Canny边缘检测算子精确提取出裂缝边缘,并实现裂缝宽度的自动量测。实验结果表明,与裂缝测宽仪量测结果相比,本文方法的中误差为0.25 mm,相对误差的范围为0.15%~0.37%,能够满足桥梁裂缝监测工程的要求,在实际的应用中具有较强的鲁棒性、经济性与安全性。     

基于数字图像识别的岩土体裂隙形态参数分析方法

为了准确高效地测量岩土体裂隙的各形态参数,结合计算机数字图像处理技术,提出一整套裂隙图像计算机识别和定量分析方法。通过对含有裂隙的图像进行二值化、桥接、去杂、智能识别等操作,获取裂隙网络节点以及各裂隙的主干,进而提取裂隙的宽度、长度、方向等裂隙形态参数,实现了裂隙图像的计算机定量分析。在此基础上提出一种评价裂隙网络连通性的方法。基于该技术思路开发的岩土体裂隙图像处理系统(CIAS)被成功应用于土体干缩裂隙图像的识别和形态定量分析研究中。研究表明,该方法可以更加科学、高效地提取岩土裂隙形态参数,为裂隙的定量分析和评价提供了可靠依据。     

基于图像局部网格特征的隧道衬砌裂缝自动识别

 裂缝是隧道衬砌最常见也是最严重的病害之一。针对常规图像识别方法存在的问题,提出一种基于图像局部网格特征的隧道衬砌裂缝自动识别方法。首先将图像划分为8 Pixel×8 Pixel的局部网格,基于局部网格内不同方向之间的亮度差异和对比度差异特征设计十字形模板,通过模板计算将网格中灰度值最小的像素识别为潜在的裂缝种子,最后采用种子连接算法将离散的裂缝种子像素连接成为完整的连续裂缝,在连接过程中自动计算裂缝的走向、长度和宽度。通过接受者操作特征曲线估计算法的最优参数和最佳阈值,从定性和定量分析两方面验证其可靠性和准确性。工程应用实例表明,算法能取得良好的裂缝识别效果,特别是对细微裂缝和存在渗漏水的衬砌图像,算法的可靠性和识别率均高于常规的图像识别方法。     

Zernike‐moment measurement of thin‐crack width in images enabled by dual‐scale deep learning

Although crack inspection is a routine practice in civil infrastructure management (especially for highway bridge structures), it is time‐consuming and safety‐concerning to trained engineers and costly to the stakeholders. To automate this in the near future, the algorithmic challenge at the onset is to detect and localize cracks in imagery data with complex scenes. The rise of deep learning (DL) sheds light on overcoming this challenge through learning from imagery big data. However, how to exploit DL techniques is yet to be fully explored. One primary component of practical crack inspection is that it is not merely detection via visual recognition. To evaluate the potential risk of structural failure, it entails quantitative characterization, which usually includes crack width measurement. To further facilitate the automation of machine‐vision‐based concrete crack inspection, this article proposes a DL‐enabled quantitative crack width measurement method. In the detection and mapping phase, dual‐scale convolutional neural networks are designed to detect cracks in complex scene images with validated high accuracy. Subsequently, a novel crack width estimation method based on the use of Zernike moment operator is further developed for thin cracks. The experimental results based on a laboratory loading test agree well with the direct measurements, which substantiates the effectiveness of the proposed method for quantitative crack detection.     

基于图象子块分布特性的路面破损图象特征提取

由于路面破损形式的多种多样,造成路面破损分类[1]成为一大难题,这极大的限制了路面破损自动检测的普及和发展,使得路面破损自动检测即使在发达国家也普及得不够理想。本文在前文提出的破损密度因子的基础上,进一步设计了出方向密度因子,得到一种基于图象子块分布特性的路面破损识别算法。通过仿真,验证了其对常见的5种路面破损类型进行分类的可行性。为了进一步验证我们提出的识别算法,论文选择了另外一种路面破损分类算法,即PROXIMITY算法进行神经网络仿真对比。神经网络的训练样本是两组,测试样本也是两组,进行了四次仿真对比。四次仿真结果都显示方向密度因子算法优于PROXIMITY算法。     

Real‐time crack assessment using deep neural networks with wall‐climbing unmanned aerial system

Crack information provides important evidence of structural degradation and safety in civil structures. Existing inspection methods are inefficient and difficult to rapidly deploy. A real‐time crack inspection method is proposed in this study to address this difficulty. Within this method, a wall‐climbing unmanned aerial system (UAS) is developed to acquire detailed crack images without distortion, then a wireless data transmission method is applied to fulfill real‐time detection requirements, allowing smartphones to receive real‐time video taken from the UAS. Next, an image data set including 1,330 crack images taken by the wall‐climbing UAS is established and used for training a deep‐learning model. For increasing detection speed, state‐of‐the‐art convolutional neural networks (CNNs) are compared and employed to train the crack detector; the selected model is transplanted into an android application so that the detection of cracks can be undertaken on a smartphone in real time. Following this, images with cracks are separated and crack width is calculated using an image processing method. The proposed method is then applied to a building where crack information is acquired and calculated accurately with high efficiency, thus verifying the practicability of the proposed method and system.