[go: up one dir, main page]

CN117090133B - 一种护栏及其检测方法 - Google Patents

一种护栏及其检测方法 Download PDF

Info

Publication number
CN117090133B
CN117090133B CN202311062939.6A CN202311062939A CN117090133B CN 117090133 B CN117090133 B CN 117090133B CN 202311062939 A CN202311062939 A CN 202311062939A CN 117090133 B CN117090133 B CN 117090133B
Authority
CN
China
Prior art keywords
image
guardrail
sub
candidate defect
concrete
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311062939.6A
Other languages
English (en)
Other versions
CN117090133A (zh
Inventor
蒋立其
杨在强
王成虎
王浩宇
王明
卜倩淼
张文
王飞
闵泉
陈亚振
徐亚峰
马磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongjiao Huaan Technology Co ltd
Wuhan Cccc Traffic Engineering Co ltd
Qingdao Dilop Precision Machinery Co ltd
Original Assignee
Beijing Zhongjiao Huaan Technology Co ltd
Wuhan Cccc Traffic Engineering Co ltd
Qingdao Dilop Precision Machinery Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhongjiao Huaan Technology Co ltd, Wuhan Cccc Traffic Engineering Co ltd, Qingdao Dilop Precision Machinery Co ltd filed Critical Beijing Zhongjiao Huaan Technology Co ltd
Priority to CN202311062939.6A priority Critical patent/CN117090133B/zh
Publication of CN117090133A publication Critical patent/CN117090133A/zh
Application granted granted Critical
Publication of CN117090133B publication Critical patent/CN117090133B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01D—CONSTRUCTION OF BRIDGES, ELEVATED ROADWAYS OR VIADUCTS; ASSEMBLY OF BRIDGES
    • E01D19/00—Structural or constructional details of bridges
    • E01D19/10—Railings; Protectors against smoke or gases, e.g. of locomotives; Maintenance travellers; Fastening of pipes or cables to bridges
    • E01D19/103—Parapets, railings ; Guard barriers or road-bridges
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01F—ADDITIONAL WORK, SUCH AS EQUIPPING ROADS OR THE CONSTRUCTION OF PLATFORMS, HELICOPTER LANDING STAGES, SIGNS, SNOW FENCES, OR THE LIKE
    • E01F15/00—Safety arrangements for slowing, redirecting or stopping errant vehicles, e.g. guard posts or bollards; Arrangements for reducing damage to roadside structures due to vehicular impact
    • E01F15/02—Continuous barriers extending along roads or between traffic lanes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Multimedia (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种护栏及其检测方法，涉及护栏维护技术领域，包括：链接套管；横梁，设置有多组，相邻所述横梁的两端部通过链接套管连接；混凝土座，设置于所述横梁下；立柱，穿设于所述横梁和所述混凝土座，且所述立柱通过第一连接件与所述链接套管连接，以支撑所述横梁和所述混凝土座。本发明有效地增强了链接处的受力薄弱点；横梁高度高于相邻标准段护栏设施，双横梁空间有效避免乘员头部直接撞击护栏，同时提升司乘人员驾驶视觉较好，其整体结构通透，风阻小，其结构性能稳固。

Description

一种护栏及其检测方法
技术领域
本发明涉及护栏技术领域，特别是指一种护栏及其检测方法。
背景技术
护栏是公路、桥梁等场所常见的安全设施。
传统的护栏高度较低，且对于司乘人员而言，其驾驶视觉较差，整体风阻较大。
有鉴于此，特提出本发明。
发明内容
本发明要解决的技术问题是提供一种护栏及其检测方法，能够准确检测护栏缺陷，且能够适应长时间的检测。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种护栏，包括：
链接套管；
横梁，设置有多组，相邻所述横梁的两端部通过链接套管连接；
混凝土座，设置于所述横梁下；
立柱，穿设于所述横梁和所述混凝土座，且所述立柱通过第一连接件与所述链接套管连接，以支撑所述横梁和所述混凝土座。
更进一步的，所述混凝土座包括：
混凝土中底座，设置有多组，且相邻两所述混凝土中底座端部间通过第二连接件连接；
混凝土下底座，设置有多组，且所述混凝土下底座的中心轴线与相邻两所述混凝土中底座端部的连接处轴线重合。
更进一步的，所述第一连接件为M20高强螺栓。
更进一步的，所述第二连接件为高锰钢销锁。
更进一步的，所述横梁和所述立柱的力学性能为：屈服强度≥700MPa，抗拉强度≥750MPa，断后伸长率≥20％。
第二方面，一种护栏检测方法，所述方法包括：
获取护栏的原始图像，并对所述原始图像进行预处理，得到第一图像；
对所述第一图像进行双边滤波，并对滤波后的图像进行阈值处理，得到第一子图像；
对所述第一图像内灰度值进行处理，得到第二子图像；
将所述第一子图像和所述第二子图像进行整合得到候选缺陷片段；
对所述候选缺陷片段进行特征提取，并对提取的特征进行判断，得到检测结果。
进一步的，获取护栏的原始图像，并对所述原始图像进行预处理，得到第一图像，包括：
使用高斯滤波算法对所述原始图像进行去除噪声；
使用Canny边缘检测算法检测所述原始图像边缘，并使用Hough变换提取出护栏边界；
使用掩模操作去除护栏边界以外的无关区域，得到第一图像。
进一步的，对所述第一图像进行双边滤波，并对滤波后的图像进行阈值处理，得到第一子图像，包括：
通过公式：
分别计算对第一图像I增维后所得到的三维图像矩阵和三维权值矩阵；
将三维图像矩阵和三维权值矩阵进行平均下采样，其中，所采样的像素块尺寸为Ss*Sr*Ss，Sr为灰度域采样率，Ss为空间域采样率；
通过公式： 进行双边滤波；其中G为通过线性化后的Gs和Gr的乘积，Gs和Gr分别为空间邻近度因子和灰度相似度因子，interp为插值函数。
进一步的，对所述第一图像内灰度值进行处理，得到第二子图像，包括：
通过公式ψ(x,y)＝∑(u,v)[I((u,v)-I(x,y)]，计算位于(x，y)处的像素点的局部灰差，(u,v)为领域像素点坐标，其中，当ψ(x,y)为0时，则(x，y)及其领域内的像素点均位于缺陷中，当ψ(x,y)为正值，则(x，y)为接近背景区域的缺陷像素点，当ψ(x,y)为负值，则(x，y)为接近缺陷区域的背景像素点，当ψ(x,y)为0，则(x，y)为背景像素点且领域内无缺陷像素点；
将对得到的灰度差图像进行阈值并去除小区域，得到第二子图像。
进一步的，将所述第一子图像和所述第二子图像进行整合得到候选缺陷片段，包括：
对第一子图像和第二子图像分别进行开运算，并计算第一子图像和第二子图像对应的像素级差异度矩阵，得到重合区域；
将重合区域作为共同区域，提取所述共同区域的连接组件；
根据所述连接组件的大小和形状特征，筛选得到可能候选缺陷片段；
使用形态学重构算法填充候选缺陷片段的边界，得到候选缺陷片段。
进一步的，对所述候选缺陷片段进行特征提取，并对提取的特征进行判断，得到检测结果，包括：
使用Sobel边缘检测算子提取候选缺陷片段的边缘特征；
使用GLCM算法计算候选缺陷片段的纹理特征；
使用Hu不变矩方法获得候选缺陷片段的形状特征；
使用HSV颜色空间分析提取候选缺陷片段的颜色特征；
设置多级权重，并根据边缘特征、纹理特征、形状特征和颜色特征，计算片段的缺陷概率；
将缺陷概率高于预设判断阈值的候选缺陷片段输出为检测结果。
进一步的，在对所述候选缺陷片段进行特征提取，并对提取的特征进行判断，得到检测结果后，还包括：对检测结果进行标注，以得到护栏缺陷信息。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过采用交错式安装，不同间距立柱链接，横梁间使用外套管式链接，方便其安装施工，并有效地增强了链接处的受力薄弱点；横梁高度高于相邻标准段护栏设施，双横梁空间有效避免乘员头部直接撞击护栏，同时提升司乘人员驾驶视觉较好，其整体结构通透，风阻小，其结构性能稳固。
附图说明
图1是本发明的实施例提供的护栏结构示意图。
图2是本发明的实施例提供的护栏检测方法的流程示意图。
图3是本发明的实施例提供的护栏检测装置示意图。
第一连接件1；横梁2；链接套管3；立柱4；第二连接件5；混凝土中底座6；混凝土下底座7。
具体实施方式
下面将参照附图更细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种护栏，包括：
链接套管3；
横梁2，设置有多组，相邻所述横梁2的两端部通过链接套管3连接；
混凝土中底座6，设置有多组，且平行设置于所述横梁2下；
混凝土下底座7，设置有多组，且平行设置于所述混凝土中底座6下；
立柱4，设置有多组，且穿设于所述横梁2、混凝土中底座6和混凝土下底座7，且所述立柱4通过第一连接件1与所述横梁2连接，以定位相邻所述混凝土中底座6的两端部及相邻所述混凝土下底座7的两端部。
更进一步的，相邻两所述混凝土中底座6端部间通过第二连接件5连接。
如图2所示，本发明的实施例还提出一种护栏检测方法，所述方法包括：
步骤1，获取护栏的原始图像，并对所述原始图像进行预处理，得到第一图像；
步骤2，对所述第一图像进行双边滤波，并对滤波后的图像进行阈值处理，得到第一子图像；
步骤3，对所述第一图像内灰度值进行处理，得到第二子图像；
步骤4，将所述第一子图像和所述第二子图像进行整合得到候选缺陷片段；
步骤5，对所述候选缺陷片段进行特征提取，并对提取的特征进行判断，得到检测结果。
在本发明实施例所述的护栏检测方法中，提取了多种视觉特征，包括边缘、纹理、形状和颜色特征，可以从不同角度分析片段，提高判断的全面性；边缘特征可以反映裂纹的线条信息；纹理特征可以体现表面质感；形状特征可以判断裂纹的形态；颜色特征可分析腐蚀等情况；通过设计裂纹判别函数，可以整合各特征的判断结果，进行综合分析，而不是单一依赖某一特征；设置特征的权重参数，可以根据实际情况调节不同特征的重要性贡献；计算裂纹概率，可以得到一个可靠性指标，而不仅是简单的二分类结果；输出检测结果的位置、尺寸等信息，可以清晰地展示缺陷的具体情况；通过调节阈值参数可以控制检测灵敏度，平衡漏报率和误报率。
具体的，步骤1，获取护栏的原始图像，并对所述原始图像进行预处理，得到第一图像，包括：
步骤11，使用高斯滤波算法对所述原始图像进行去除噪声；
步骤12，使用Canny边缘检测算法检测所述原始图像边缘，并使用Hough变换提取出护栏边界；
步骤13，使用掩模操作去除护栏边界以外的无关区域，得到第一图像。
在本发明实施例所述的护栏检测方法中，使用高斯滤波进行去噪，可以消除原始图像中的噪声点和噪声，提高后续处理的效果；Canny边缘检测结合Hough变换可以有效检测出护栏的边界轮廓，实现对目标区域的提取；去除无关背景区域，可以减少后续处理的计算量，提高处理速度；获取包含完整护栏区域的图像，为后续检测处理提供了合适的输入图像；预处理保证了输入图像质量，提高了后续阈值分割、特征提取等算法的效果；预处理算法成熟可靠，Canny、Hough变换等都是图像处理领域的经典算法；预处理流程简单高效，有利于整个检测系统的实时性和稳定性；预处理流程具有一定通用性，可应用于包括护栏在内的各种设备图像的预处理；有利于提高整个检测方法的鲁棒性，减少环境变化和噪声对检测结果的影响。
具体的，步骤2，对所述第一图像进行双边滤波，并对滤波后的图像进行阈值处理，得到第一子图像，包括：
步骤21，通过公式：
分别计算对第一图像I增维后所得到的三维图像矩阵和三维权值矩阵；
步骤22，将三维图像矩阵和三维权值矩阵进行平均下采样，其中，所采样的像素块尺寸为Ss*Sr*Ss，Sr为灰度域采样率，Ss为空间域采样率；
步骤23，通过公式： 进行双边滤波；其中G为通过线性化后的Gs和Gr的乘积，Gs和Gr分别为空间邻近度因子和灰度相似度因子，interp为插值函数。
在本发明实施例所述的护栏检测方法中，使用双边滤波可以有效保留图像边缘信息，同时进行平滑滤波，避免图像过度模糊；通过构建三维权值矩阵，结合空间域和灰度域信息，进行自适应滤波；权值矩阵中的空间因子Gs保证了同一结构或目标的像素点得到平滑；灰度因子Gr保留了边缘的灰度跳变；采样和插值操作用于计算像素块的新灰度值，降低计算量；有利于保留护栏图像中的边缘轮廓信息，如裂纹边缘等，为后续处理提供良好输入。
具体的，步骤3，对所述第一图像内灰度值进行处理，得到第二子图像，包括：
步骤31，通过公式ψ(x,y)＝∑(u,v)[I((u,v)-I(x,y)]，计算位于(x，y)处的像素点的局部灰差，(u,v)为领域像素点坐标，其中，当ψ(x,y)为0时，则(x，y)及其领域内的像素点均位于缺陷中，当ψ(x,y)为正值，则(x，y)为接近背景区域的缺陷像素点，当ψ(x,y)为负值，则(x，y)为接近缺陷区域的背景像素点，当ψ(x,y)为0，则(x，y)为背景像素点且领域内无缺陷像素点；
步骤32，将对得到的灰度差图像进行阈值并去除小区域，得到第二子图像。
具体的，步骤4，将所述第一子图像和所述第二子图像进行整合得到候选缺陷片段，包括：
步骤41，对第一子图像和第二子图像分别进行开运算，并计算第一子图像和第二子图像对应的像素级差异度矩阵，得到重合区域；
步骤42，将重合区域作为共同区域，提取所述共同区域的连接组件；
步骤43，根据所述连接组件的大小和形状特征，筛选得到可能候选缺陷片段；
步骤44，使用形态学重构算法填充候选缺陷片段的边界，得到候选缺陷片段。
具体的，步骤5，对所述候选缺陷片段进行特征提取，并对提取的特征进行判断，得到检测结果，包括：
步骤51，使用Sobel边缘检测算子提取候选缺陷片段的边缘特征；
步骤52，使用GLCM算法计算候选缺陷片段的纹理特征；
步骤53，使用Hu不变矩方法获得候选缺陷片段的形状特征；
步骤54，使用HSV颜色空间分析提取候选缺陷片段的颜色特征；
步骤55，设置多级权重，并根据边缘特征、纹理特征、形状特征和颜色特征，计算片段的缺陷概率；
步骤56，将缺陷概率高于预设判断阈值的候选缺陷片段输出为检测结果。
具体的，在步骤5对所述候选缺陷片段进行特征提取，并对提取的特征进行判断，得到检测结果后，还包括：步骤6，对检测结果进行标注，以得到护栏缺陷信息。
如图3所示，本发明还提供了一种护栏检测装置，包括：
获取模块，用于获取护栏的原始图像，并对所述原始图像进行预处理，得到第一图像；
处理模块，用于对所述第一图像进行双边滤波，并对滤波后的图像进行阈值处理，得到第一子图像；
生成模块，用于对所述第一图像内灰度值进行处理，得到第二子图像；
整合模块，用于将所述第一子图像和所述第二子图像进行整合得到候选缺陷片段；
提取模块，用于对所述候选缺陷片段进行特征提取，并对提取的特征进行判断，得到检测结果。
需要说明的是，该装置是与上述方法相对应的装置，上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种护栏检测方法，其特征在于，所述方法包括：
获取护栏的原始图像，并对所述原始图像进行预处理，得到第一图像，包括：
使用高斯滤波算法对所述原始图像进行去除噪声；
使用Canny边缘检测算法检测所述原始图像边缘，并使用Hough变换提取出护栏边界；
使用掩模操作去除护栏边界以外的无关区域，得到第一图像；
对所述第一图像进行双边滤波，并对滤波后的图像进行阈值处理，得到第一子图像，包括：
通过公式：
分别计算对第一图像I增维后所得到的三维图像矩阵和三维权值矩阵；
将三维图像矩阵和三维权值矩阵进行平均下采样，其中，所采样的像素块尺寸为Ss*Sr*Ss，Sr为灰度域采样率，Ss为空间域采样率；
通过公式： 进行双边滤波；其中G为通过线性化后的Gs和Gr的乘积，Gs和Gr分别为空间邻近度因子和灰度相似度因子，interp为插值函数；
对所述第一图像内灰度值进行处理，得到第二子图像，包括：
通过公式ψ(x,y)＝∑(u,v)[I((u,v)-I(x,y)]，计算位于(x，y)处的像素点的局部灰差，(u,v)为领域像素点坐标，其中，当ψ(x,y)为0时，则(x，y)及其领域内的像素点均位于缺陷中，当ψ(x,y)为正值，则(x，y)为接近背景区域的缺陷像素点，当ψ(x,y)为负值，则(x，y)为接近缺陷区域的背景像素点，当ψ(x,y)为0，则(x，y)为背景像素点且领域内无缺陷像素点；
将对得到的灰度差图像进行阈值并去除小区域，得到第二子图像；
将所述第一子图像和所述第二子图像进行整合得到候选缺陷片段，包括：
对第一子图像和第二子图像分别进行开运算，并计算第一子图像和第二子图像对应的像素级差异度矩阵，得到重合区域；
将重合区域作为共同区域，提取所述共同区域的连接组件；
根据所述连接组件的大小和形状特征，筛选得到可能候选缺陷片段；
使用形态学重构算法填充候选缺陷片段的边界，得到候选缺陷片段；
对所述候选缺陷片段进行特征提取，并对提取的特征进行判断，得到检测结果，包括：
使用Sobel边缘检测算子提取候选缺陷片段的边缘特征；
使用GLCM算法计算候选缺陷片段的纹理特征；
使用Hu不变矩方法获得候选缺陷片段的形状特征；
使用HSV颜色空间分析提取候选缺陷片段的颜色特征；
设置多级权重，并根据边缘特征、纹理特征、形状特征和颜色特征，计算片段的缺陷概率；
将缺陷概率高于预设判断阈值的候选缺陷片段输出为检测结果；
其中，所述护栏包括：
链接套管(3)；
横梁(2)，设置有多组，相邻所述横梁(2)的两端部通过链接套管(3)连接；
混凝土座，设置于所述横梁(2)下；
立柱(4)，穿设于所述横梁(2)和所述混凝土座，且所述立柱(4)通过第一连接件(1)与所述链接套管(3)连接，以支撑所述横梁(2)和所述混凝土座；所述混凝土座包括：
混凝土中底座(6)，设置有多组，且相邻两所述混凝土中底座(6)端部间通过第二连接件(5)连接；
混凝土下底座(7)，设置有多组，且所述混凝土下底座(7)的中心轴线与相邻两所述混凝土中底座(6)端部的连接处轴线重合；
所述第一连接件(1)为M20高强螺栓；所述第二连接件(5)为高锰钢销锁；所述横梁(2)和所述立柱(4)的力学性能为：屈服强度≥700MPa，抗拉强度≥750MPa，断后伸长率≥20％。
CN202311062939.6A 2023-08-23 2023-08-23 一种护栏及其检测方法 Active CN117090133B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311062939.6A CN117090133B (zh) 2023-08-23 2023-08-23 一种护栏及其检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311062939.6A CN117090133B (zh) 2023-08-23 2023-08-23 一种护栏及其检测方法

Publications (2)

Publication Number Publication Date
CN117090133A CN117090133A (zh) 2023-11-21
CN117090133B true CN117090133B (zh) 2024-06-11

Family

ID=88769349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311062939.6A Active CN117090133B (zh) 2023-08-23 2023-08-23 一种护栏及其检测方法

Country Status (1)

Country Link
CN (1) CN117090133B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934382B (zh) * 2023-12-27 2024-09-20 北京交科公路勘察设计研究院有限公司 基于图像分析的高速公路护栏检测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
USRE38716E1 (en) * 1984-12-20 2005-03-22 Orbotech, Ltd. Automatic visual inspection system
JP2005283197A (ja) * 2004-03-29 2005-10-13 Seiko Epson Corp 画面のスジ欠陥検出方法及び装置
CN109284664A (zh) * 2017-07-20 2019-01-29 大陆汽车有限责任公司 驾驶员辅助系统和护栏检测方法
CN110335233A (zh) * 2019-04-24 2019-10-15 武汉理工大学 基于图像处理技术的高速公路护栏板缺陷检测系统和方法
CN111024722A (zh) * 2019-12-31 2020-04-17 芜湖哈特机器人产业技术研究院有限公司 一种基于数据融合的木材缺陷检测系统及方法
CN215518354U (zh) * 2021-02-23 2022-01-14 山东省交通科学研究院 一种道路中分带单排梁柱式护栏结构
CN115272838A (zh) * 2022-07-26 2022-11-01 山东大学 基于信息融合技术的海洋浮游生物自动识别方法及系统
CN116228780A (zh) * 2023-05-10 2023-06-06 江苏森标科技有限公司 基于计算机视觉的硅片缺陷检测方法及系统
CN116246072A (zh) * 2023-03-02 2023-06-09 昆明学院 一种图像预处理系统和基于图像预处理的目标提取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
USRE38716E1 (en) * 1984-12-20 2005-03-22 Orbotech, Ltd. Automatic visual inspection system
JP2005283197A (ja) * 2004-03-29 2005-10-13 Seiko Epson Corp 画面のスジ欠陥検出方法及び装置
CN109284664A (zh) * 2017-07-20 2019-01-29 大陆汽车有限责任公司 驾驶员辅助系统和护栏检测方法
CN110335233A (zh) * 2019-04-24 2019-10-15 武汉理工大学 基于图像处理技术的高速公路护栏板缺陷检测系统和方法
CN111024722A (zh) * 2019-12-31 2020-04-17 芜湖哈特机器人产业技术研究院有限公司 一种基于数据融合的木材缺陷检测系统及方法
CN215518354U (zh) * 2021-02-23 2022-01-14 山东省交通科学研究院 一种道路中分带单排梁柱式护栏结构
CN115272838A (zh) * 2022-07-26 2022-11-01 山东大学 基于信息融合技术的海洋浮游生物自动识别方法及系统
CN116246072A (zh) * 2023-03-02 2023-06-09 昆明学院 一种图像预处理系统和基于图像预处理的目标提取方法
CN116228780A (zh) * 2023-05-10 2023-06-06 江苏森标科技有限公司 基于计算机视觉的硅片缺陷检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于双重阈值和张量投票的表面裂纹检测算法;李慧娴;激光与光电子学进展(第5期);第167-174页 *

Also Published As

Publication number Publication date
CN117090133A (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
CN112419299B (zh) 一种螺栓缺失检测方法、装置、设备及存储介质
CN112419298B (zh) 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质
CN103955923B (zh) 一种快速的基于图像的路面病害检测方法
CN109489724B (zh) 一种隧道列车安全运行环境综合检测装置及检测方法
CN111382704A (zh) 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN111080650B (zh) 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法
CN107958201A (zh) 一种车辆年检保险单表格的智能检测系统及方法
CN107886047A (zh) 一种车辆年检检验报告的检测系统及方法
CN117090133B (zh) 一种护栏及其检测方法
CN117593290A (zh) 列车360度动态图像监测系统的螺栓松动检测方法及设备
CN108109146A (zh) 一种路面标志线缺陷检测装置
CN108508023B (zh) 一种铁路接触网中接触端部顶紧螺栓的缺陷检测系统
CN104298993A (zh) 一种适用于轨道沿线复杂场景下的杆号定位和识别方法
Zhang et al. Catenary insulator defect detection: A dataset and an unsupervised baseline
CN112330633B (zh) 基于自适应带通滤波的跨接线胶带破损故障图像分割方法
KR102585146B1 (ko) 딥러닝 기반의 도로손상 탐지 장치 및 방법
CN110363749A (zh) 基于图像处理的防震锤锈蚀程度评价方法
CN119205747A (zh) 基于计算机视觉的铁路扣件异常检测方法及系统
CN112508908B (zh) 基于图像处理动车组撒砂管接头断开故障检测方法
CN112150453B (zh) 一种铁路货车摇枕弹簧折断故障自动检测方法
CN113870299A (zh) 一种基于边缘检测和形态学图像处理的3d打印故障检测方法
CN115131377A (zh) 铁路道岔间距检测方法、装置及系统
CN118883576B (zh) 一种道路自动化巡检方法以及系统
CN112365481B (zh) 基于图像处理的横跨梁组装螺栓丢失检测方法
CN116246114B (zh) 自监督脱轨自动装置拉环脱落图像异常检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant