[发明专利]一种混凝土桥梁病害并行智能量化方法及装置

说明书

本发明涉及桥梁病害检测量化和图像处理技术领域，具体涉及一种混凝土桥梁病害并行智能量化方法。方法包括从原始图像中识别并裁剪裂缝区域，得到裂缝区域图像；对裂缝区域图像进行灰度化、中值滤波和限制对比度自适应直方图均衡化处理；提取裂缝像素并进行二值化处理，得到裂缝区域二值图，再去除涂画标记噪声；将裂缝区域二值图转换为连通域图，筛选连通域，再量化和连接裂缝，得到完整的裂缝二值图；获取完整的裂缝二值图的轮廓坐标，对裂缝进行可视化操作得到裂缝可视化图；基于裁剪图像在原始图像中的位置信息，将裂缝可视化图还原至原始图像中。本发明具有较强的适应性和鲁棒性，保证准确量化和可视化裂缝的同时提高其效率。

技术领域

本发明涉及一种桥梁病害检测量化和图像处理技术领域，特别是一种混凝土桥梁病害并行智能量化方法及装置。

背景技术

在世界已建桥梁中，大部分是混凝土桥梁。在使用过程中需要定期对桥梁进行检测，以方便制定相应的养护维修对策。裂缝是混凝土桥梁的主要病害之一，已成为混凝土桥梁检测和养护的最重要内容。传统的人工检测和量化方法存在成本高、效率低等缺点，已经无法满足信息时效性的需求。近年来，不少学者利用深度学习在图像识别中的优势，使用卷积神经网络进行桥梁病害的定位和分类，且取得了很好的效果。

在现有的研究中存在使用深度学习来识别和检测裂缝，还没有单独使用深度学习相关的思路来实现微裂缝（裂缝宽度小于1mm）的量化任务，并且图像中的微裂缝（宽度小于1mm）准确量化和可视化也有待提高，量化裂缝在实际的工程应用中是非常重要的。

发明内容

本发明的目的在于：针对现有技术存在目前欠缺单独使用深度学习相关的思路对微裂缝进行量化、以及存在微裂缝量化准确度的问题，提供一种混凝土桥梁病害并行智能量化方法，采用目标检测网络模型进行裂缝区域的提取，通过深度学习的数字图像处理方式对裂缝进行量化和可视化处理，提高微裂缝量化和可视化的准确度，同时提高了工作效率。

为了实现上述目的，本发明采用的技术方案为：

一种混凝土桥梁病害并行智能量化方法，包括：

步骤S1，从原始图像中识别并裁剪裂缝区域，得到裂缝区域图像；

步骤S2，对裂缝区域图像进行灰度化、中值滤波和限制对比度自适应直方图均衡化处理；

步骤S3，基于处理后的裂缝区域图像，分成若干个连续区域，以区域内裂缝宽度的最大值与对角线长度的乘积作为裂缝所占像素最多的阈值，在直方图中以该阈值对区域内图像做二值化处理，每个区域二值化处理后得到裂缝区域二值图；

步骤S4，去除裂缝区域二值图的涂画标记噪声；

步骤S5，将去除涂画标记噪声的裂缝区域二值图转换为连通域图，经过连通域筛选，得到过滤后的连通域图；

步骤S6，基于过滤后的连通域图，量化和连接裂缝，得到完整的裂缝二值图；

步骤S7，获取完整的裂缝二值图的轮廓坐标，对裂缝进行可视化操作，得到裂缝可视化图；

步骤S8，基于裁剪图像在原始图像中的位置信息，将裂缝可视化图还原至原始图像中。

作为本发明的优选方案，采用目标检测网络模型YOLOv5识别裂缝区域。

作为本发明的优选方案，步骤S3进一步包括以裂缝区域图像的短边为边长划分若干个连续的正方形区域和非正方形区域。

作为本发明的优选方案，步骤S4包括：

步骤S41，基于在HSV颜色空间提取蓝色涂画标记信息，得到蓝色涂画标记的掩膜；

步骤S42，利用图像形态学开运算对掩膜去噪后、再像素反转处理，得到处理后的掩膜；

步骤S43，将裂缝区域二值图和处理后的掩膜相乘。

作为本发明的优选方案，步骤S5中，通过连通域标记算法将去除涂画标记噪声的裂缝区域二值图转换为连通域图，筛选出宽长比为前60%，同时面积大于20个像素的连通域。