[go: up one dir, main page]

CN117037075A - 一种基于图像处理的工程检测方法及系统 - Google Patents

一种基于图像处理的工程检测方法及系统 Download PDF

Info

Publication number
CN117037075A
CN117037075A CN202311286243.1A CN202311286243A CN117037075A CN 117037075 A CN117037075 A CN 117037075A CN 202311286243 A CN202311286243 A CN 202311286243A CN 117037075 A CN117037075 A CN 117037075A
Authority
CN
China
Prior art keywords
image
images
processing
module
sub
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.)
Pending
Application number
CN202311286243.1A
Other languages
English (en)
Inventor
刘爱萍
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.)
Shenzhen Jinzhong Engineering Inspection Co ltd
Original Assignee
Shenzhen Jinzhong Engineering Inspection 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 Shenzhen Jinzhong Engineering Inspection Co ltd filed Critical Shenzhen Jinzhong Engineering Inspection Co ltd
Priority to CN202311286243.1A priority Critical patent/CN117037075A/zh
Publication of CN117037075A publication Critical patent/CN117037075A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，公开了一种基于图像处理的工程检测方法及系统，通过获取建筑施工拍摄的多张现场监控图像，对现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像；根据预设数量从多张第一现场处理图像中进行抽取，并将抽取的第一现场处理图像进行拼接，得到第二现场处理图像；根据第一现场处理图像和第二现场处理图像生成第一待识别图像集，并对第一待识别图像集中的图像进行特征提取，得到第二待识别图像集；将第二待识别图像集输入预先训练得到的图像识别模型中，并根据图像识别模型输出的图像识别结果对工程进行检测；本发明实现工程检测，提升了检测效率，在远程了解工地的工程进度及进展情况。

Description

一种基于图像处理的工程检测方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像处理的工程检测方法及系统。
背景技术
建筑施工是指工程建设实施阶段的生产活动，是指进行工业项目和民用项目的房屋建筑、土木工程、设备安装和管线敷设等施工活动的地域，是各类建筑物的建造过程，也可以说是把设计图纸上的各种线条，在指定的地点，变成实物的过程。它包括基础工程施工、主体结构施工、屋面工程施工、装饰工程施工等。施工作业的场所称为“建筑施工现场”或叫“施工现场”，也叫工地。为了保证施工的质量需要对建筑施工进行工程检测，由于人工检测方式效率较低，不能满足检测的需要。
有鉴于此，亟需一种解决办法。
发明内容
本发明的目的是为了解决上述问题，设计了一种基于图像处理的工程检测方法及系统。
本发明第一方面提供一种基于图像处理的工程检测方法，该方法包括以下步骤：
获取建筑施工拍摄的多张现场监控图像，对所述现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像；
根据预设数量从多张第一现场处理图像中进行抽取，并将抽取的第一现场处理图像进行拼接，得到第二现场处理图像；
根据所述第一现场处理图像和所述第二现场处理图像生成第一待识别图像集，并对所述第一待识别图像集中的图像进行特征提取，得到第二待识别图像集；
将所述第二待识别图像集输入预先训练得到的图像识别模型中，并根据所述图像识别模型输出的图像识别结果对工程进行检测。
可选的，在本发明第一方面的第一种实现方式中，所述获取建筑施工拍摄的多张现场监控图像，对所述现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像，包括：
通过伽马算法对进行建筑施工拍摄的多张现场监控图像亮度增强处理；
将增亮后的现场监控图像从RGB颜色空间转换到HSV颜色空间，并利用多尺度高斯函数提取光照分量V；
构造基于二维伽马函数的自适应亮度校正函数，并校正光照分量，对光照不均匀图像进行自适应校正处理；
将色调分量、饱和度分量和校正后的亮度分量和进行重构，得到重构的现场监控图像；
将重构的现场监控图像由HSV颜色空间转换到RGB空间，获得均衡处理的现场监控图像；
基于拉普拉斯对比度权重、饱和度权重、亮度权重，得到均衡处理的现场监控图像的三种权重图像，并进行权重归一化，得到预处理后的现场监控图像。
可选的，在本发明第一方面的第二种实现方式中，所述获取建筑施工拍摄的多张现场监控图像，对所述现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像，还包括：
读取预处理后的现场监控图像并获取灰度直方图；
初始化被囊群算法参数，并执行被囊群算法，初始化种群，其中种群的个体位置为阈值向量，向量分量为由小到大排列的灰度级值；
基于Kapur熵，计算个体适应度值，获得最优个体位置，若达到最大迭代次数，则算法结束，记录最优个体位置和适应度值，否则继续迭代；
基于最优解将预处理后的现场监控图像进行多阈值分割，得到多张第一现场处理图像。
可选的，在本发明第一方面的第三种实现方式中，所述根据预设数量从多张第一现场处理图像中进行抽取，并将抽取的第一现场处理图像进行拼接，得到第二现场处理图像，包括：
获取多张第一现场处理图像，对所述第一现场处理图像进行图像变换扩充处理，其中图像变换扩充处理至少包括图像放大、图像缩小、图像翻转和图像旋转中一种或多种；
从扩充后的第一现场处理图像中选取预设数量的图像进行依次进行排布拼接，并对拼接得到的图像进行缩放和裁剪处理，以得到第二现场处理图像。
可选的，在本发明第一方面的第四种实现方式中，所述对所述第一待识别图像集中的图像进行特征提取，得到第二待识别图像集，包括：
构建所述第一待识别图像集中图像的Hessian矩阵、图像空间和尺度空间；
在所述尺度空间和所述图像空间内对检测到的Hessian矩阵的行列式极大值做内插；
通过选取邻域的极值样本进行三维二次拟合得到具有亚像素和亚尺度精度的局部极大值，从而得到图像特征点；
以所述图像特征点为中心，通过Haar小波特征并设置权重系数分配向量的主方向；
根据向量的主方向，确定每个像素点在水平和垂直方向上的Harr小波响应，并根据Harr小波响应来确定Surf描述子；
利用Surf描述子通过最近邻法进行特征匹配，得到图像特征匹配结果，并基于图像特征匹配结果得到第二待识别图像集。
可选的，在本发明第一方面的第五种实现方式中，将所述第二待识别图像集输入预先训练得到的图像识别模型中，并根据所述图像识别模型输出的图像识别结果对工程进行检测，包括：
获取所述第二待识别图像集中的图像，通过所述图像识别模型中的编码器提取图像特征并获取上下信息；
使用MobileNetV2和MobileNetV3作为主干网络，通过空洞卷积的扩张系数调整卷积的感知域大小，从多个尺度捕捉图像信息，得到特征图；
通过1×1卷积调整特征图大小，进行尺寸归一化，通过连接操作进行特征融合；
融合后的特征通过卷积和上采样处理提取特征，再通过Softmax层后预测出输出的图像识别结果。
可选的，在本发明第一方面的第六种实现方式中，所述第二待识别图像集输入预先训练得到的图像识别模型中，并根据所述图像识别模型输出的图像识别结果对工程进行检测，还包括：
获取图像识别模型输出的图像识别结果，对图像识别结果的预测框进行裁剪，并把预测结果进行二值化；
以最小外接矩形包围目标区域进行再次裁剪，得到优化识别结果；
将所述优化识别结果和所述图像识别结果进行模板匹配，得出工程检测结果。
本发明第二方面提供了一种基于图像处理的工程检测系统，该系统包括图像分割模块、图像拼接模块、特征提取模块和图像识别模块，其中，图像分割模块，用于获取建筑施工拍摄的多张现场监控图像，对所述现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像；
图像拼接模块，用于根据预设数量从多张第一现场处理图像中进行抽取，并将抽取的第一现场处理图像进行拼接，得到第二现场处理图像；
特征提取模块，用于根据所述第一现场处理图像和所述第二现场处理图像生成第一待识别图像集，并对所述第一待识别图像集中的图像进行特征提取，得到第二待识别图像集；
图像识别模块，用于将所述第二待识别图像集输入预先训练得到的图像识别模型中，并根据所述图像识别模型输出的图像识别结果对工程进行检测。
可选的，在本发明第二方面的第一种实现方式中，所述图像分割模块包括图像读取子模块、算法执行子模块、算法迭代子模块和多阈值分割子模块，其中，图像读取子模块，用于读取预处理后的现场监控图像并获取灰度直方图；
算法执行子模块，用于初始化被囊群算法参数，并执行被囊群算法，初始化种群，其中种群的个体位置为阈值向量，向量分量为由小到大排列的灰度级值；
算法迭代子模块，用于基于Kapur熵，计算个体适应度值，获得最优个体位置，若达到最大迭代次数，则算法结束，记录最优个体位置和适应度值，否则继续迭代；
多阈值分割子模块，用于基于最优解将预处理后的现场监控图像进行多阈值分割，得到多张第一现场处理图像。
可选的，在本发明第二方面的第二种实现方式中，所述特征提取模块包括构建子模块、检测子模块、拟合子模块、设置子模块、确定子模块和匹配子模块，其中，构建子模块，用于构建所述第一待识别图像集中图像的Hessian矩阵、图像空间和尺度空间；
检测子模块，用于在所述尺度空间和所述图像空间内对检测到的Hessian矩阵的行列式极大值做内插；
拟合子模块，用于通过选取邻域的极值样本进行三维二次拟合得到具有亚像素和亚尺度精度的局部极大值，从而得到图像特征点；
设置子模块，用于以所述图像特征点为中心，通过Haar小波特征并设置权重系数分配向量的主方向；
确定子模块，用于根据向量的主方向，确定每个像素点在水平和垂直方向上的Harr小波响应，并根据Harr小波响应来确定Surf描述子；
匹配子模块，用于利用Surf描述子通过最近邻法进行特征匹配，得到图像特征匹配结果，并基于图像特征匹配结果得到第二待识别图像集。
本发明提供的技术方案中，通过获取建筑施工拍摄的多张现场监控图像，对所述现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像；根据预设数量从多张第一现场处理图像中进行抽取，并将抽取的第一现场处理图像进行拼接，得到第二现场处理图像；根据所述第一现场处理图像和所述第二现场处理图像生成第一待识别图像集，并对所述第一待识别图像集中的图像进行特征提取，得到第二待识别图像集；将所述第二待识别图像集输入预先训练得到的图像识别模型中，并根据所述图像识别模型输出的图像识别结果对工程进行检测；本发明基于图像处理技术的工程检测方法可以高效的实现工程检测，提升了检测效率，在远程了解工地的工程进度及进展情况，也提高了建筑施工的安全性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明实施例提供的基于图像处理的工程检测方法的第一个实施例示意图；
图2为本发明实施例提供的基于图像处理的工程检测方法的第二个实施例示意图；
图3为本发明实施例提供的基于图像处理的工程检测方法的第三个实施例示意图；
图4为本发明实施例提供的基于图像处理的工程检测系统的一种结构示意图；
图5为本发明实施例提供的基于图像处理的工程检测系统的另一种结构示意图。
具体实施方式
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、设备、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1本发明实施例提供的基于图像处理的工程检测方法的第一个实施例示意图，该方法具体包括以下步骤：
步骤101、获取建筑施工拍摄的多张现场监控图像，对现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像；
本实施例中，读取预处理后的现场监控图像并获取灰度直方图；初始化被囊群算法参数，并执行被囊群算法，初始化种群，其中种群的个体位置为阈值向量，向量分量为由小到大排列的灰度级值；基于Kapur熵，计算个体适应度值，获得最优个体位置，若达到最大迭代次数，则算法结束，记录最优个体位置和适应度值，否则继续迭代；基于最优解将预处理后的现场监控图像进行多阈值分割，得到多张第一现场处理图像。
步骤102、根据预设数量从多张第一现场处理图像中进行抽取，并将抽取的第一现场处理图像进行拼接，得到第二现场处理图像；
本实施例中，获取多张第一现场处理图像，对第一现场处理图像进行图像变换扩充处理，其中图像变换扩充处理至少包括图像放大、图像缩小、图像翻转和图像旋转中一种或多种；从扩充后的第一现场处理图像中选取预设数量的图像进行依次进行排布拼接，并对拼接得到的图像进行缩放和裁剪处理，以得到第二现场处理图像。
步骤103、根据第一现场处理图像和第二现场处理图像生成第一待识别图像集，并对第一待识别图像集中的图像进行特征提取，得到第二待识别图像集；
步骤104、将第二待识别图像集输入预先训练得到的图像识别模型中，并根据图像识别模型输出的图像识别结果对工程进行检测。
本实施例中，获取第二待识别图像集中的图像，通过图像识别模型中的编码器提取图像特征并获取上下信息；使用MobileNetV2和MobileNetV3作为主干网络，通过空洞卷积的扩张系数调整卷积的感知域大小，从多个尺度捕捉图像信息，得到特征图；通过1×1卷积调整特征图大小，进行尺寸归一化，通过连接操作进行特征融合；融合后的特征通过卷积和上采样处理提取特征，再通过Softmax层后预测出输出的图像识别结果。
本实施例中，获取图像识别模型输出的图像识别结果，对图像识别结果的预测框进行裁剪，并把预测结果进行二值化；以最小外接矩形包围目标区域进行再次裁剪，得到优化识别结果；将优化识别结果和图像识别结果进行模板匹配，得出工程检测结果。
本发明实施例中，通过获取建筑施工拍摄的多张现场监控图像，对现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像；根据预设数量从多张第一现场处理图像中进行抽取，并将抽取的第一现场处理图像进行拼接，得到第二现场处理图像；根据第一现场处理图像和第二现场处理图像生成第一待识别图像集，并对第一待识别图像集中的图像进行特征提取，得到第二待识别图像集；将第二待识别图像集输入预先训练得到的图像识别模型中，并根据图像识别模型输出的图像识别结果对工程进行检测；本发明基于图像处理技术的工程检测方法可以高效的实现工程检测，提升了检测效率，在远程了解工地的工程进度及进展情况，也提高了建筑施工的安全性。
请参阅图2，本发明实施例提供的基于图像处理的工程检测方法的第二个实施例示意图，该方法包括：
步骤201、通过伽马算法对进行建筑施工拍摄的多张现场监控图像亮度增强处理；
步骤202、将增亮后的现场监控图像从RGB颜色空间转换到HSV颜色空间，并利用多尺度高斯函数提取光照分量V；
步骤203、构造基于二维伽马函数的自适应亮度校正函数，并校正光照分量，对光照不均匀图像进行自适应校正处理；
步骤204、将色调分量、饱和度分量和校正后的亮度分量和进行重构，得到重构的现场监控图像；
步骤205、将重构的现场监控图像由HSV颜色空间转换到RGB空间，获得均衡处理的现场监控图像；
步骤206、基于拉普拉斯对比度权重、饱和度权重、亮度权重，得到均衡处理的现场监控图像的三种权重图像，并进行权重归一化，得到预处理后的现场监控图像。
本实施例中，拉普拉斯对比度权重基于图像的拉普拉斯算子来计算每个像素点的对比度值，能够有效的提取图像的边缘和纹理；饱和度权重可更好地提取矿井图像中的色彩信息，从而更好地进行图像处理，其中权重值越大的像素点表示色彩饱和度越高；亮度权重是基于像素的亮度值（或灰度值）来确定像素对图像的整体亮度的贡献，主要作用是对图像中不同亮度区域的像素进行分类和加权，从而更好地进行图像处理。
请参阅图3，本发明实施例提供的基于图像处理的工程检测方法的第三个实施例示意图，该方法包括：
步骤301、构建第一待识别图像集中图像的Hessian矩阵、图像空间和尺度空间；
步骤302、在尺度空间和图像空间内对检测到的Hessian矩阵的行列式极大值做内插；
步骤303、通过选取邻域的极值样本进行三维二次拟合得到具有亚像素和亚尺度精度的局部极大值，从而得到图像特征点；
步骤304、以图像特征点为中心，通过Haar小波特征并设置权重系数分配向量的主方向；
步骤305、根据向量的主方向，确定每个像素点在水平和垂直方向上的Harr小波响应，并根据Harr小波响应来确定Surf描述子；
步骤306、利用Surf描述子通过最近邻法进行特征匹配，得到图像特征匹配结果，并基于图像特征匹配结果得到第二待识别图像集。
请参阅图4，本发明实施例提供的基于图像处理的工程检测系统的一种结构示意图，该系统包括图像分割模块、图像拼接模块、特征提取模块和图像识别模块，其中，图像分割模块401，用于获取建筑施工拍摄的多张现场监控图像，对现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像；
图像拼接模块402，用于根据预设数量从多张第一现场处理图像中进行抽取，并将抽取的第一现场处理图像进行拼接，得到第二现场处理图像；
特征提取模块403，用于根据第一现场处理图像和第二现场处理图像生成第一待识别图像集，并对第一待识别图像集中的图像进行特征提取，得到第二待识别图像集；
图像识别模块404，用于将第二待识别图像集输入预先训练得到的图像识别模型中，并根据图像识别模型输出的图像识别结果对工程进行检测。
请参阅图5，本发明实施例中基于图像处理的工程检测系统的另一种结构示意图包括：
图像分割模块401，用于获取建筑施工拍摄的多张现场监控图像，对现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像；
图像拼接模块402，用于根据预设数量从多张第一现场处理图像中进行抽取，并将抽取的第一现场处理图像进行拼接，得到第二现场处理图像；
特征提取模块403，用于根据第一现场处理图像和第二现场处理图像生成第一待识别图像集，并对第一待识别图像集中的图像进行特征提取，得到第二待识别图像集；
图像识别模块404，用于将第二待识别图像集输入预先训练得到的图像识别模型中，并根据图像识别模型输出的图像识别结果对工程进行检测。
本实施例中，图像分割模块401包括图像读取子模块、算法执行子模块、算法迭代子模块和多阈值分割子模块，其中，图像读取子模块4011，用于读取预处理后的现场监控图像并获取灰度直方图；
算法执行子模块4012，用于初始化被囊群算法参数，并执行被囊群算法，初始化种群，其中种群的个体位置为阈值向量，向量分量为由小到大排列的灰度级值；
算法迭代子模块4013，用于基于Kapur熵，计算个体适应度值，获得最优个体位置，若达到最大迭代次数，则算法结束，记录最优个体位置和适应度值，否则继续迭代；
多阈值分割子模块4014，用于基于最优解将预处理后的现场监控图像进行多阈值分割，得到多张第一现场处理图像。
本实施例中，特征提取模块403包括构建子模块、检测子模块、拟合子模块、设置子模块、确定子模块和匹配子模块，其中，构建子模块4031，用于构建第一待识别图像集中图像的Hessian矩阵、图像空间和尺度空间；
检测子模块4032，用于在尺度空间和图像空间内对检测到的Hessian矩阵的行列式极大值做内插；
拟合子模块4033，用于通过选取邻域的极值样本进行三维二次拟合得到具有亚像素和亚尺度精度的局部极大值，从而得到图像特征点；
设置子模块4034，用于以图像特征点为中心，通过Haar小波特征并设置权重系数分配向量的主方向；
确定子模块4035，用于根据向量的主方向，确定每个像素点在水平和垂直方向上的Harr小波响应，并根据Harr小波响应来确定Surf描述子；
匹配子模块4036，用于利用Surf描述子通过最近邻法进行特征匹配，得到图像特征匹配结果，并基于图像特征匹配结果得到第二待识别图像集。
通过上述方案的实施，本发明基于图像处理技术的工程检测方法可以高效的实现工程检测，提升了检测效率，在远程了解工地的工程进度及进展情况，也提高了建筑施工的安全性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于图像处理的工程检测方法，其特征在于，该方法包括以下步骤：
获取建筑施工拍摄的多张现场监控图像，对所述现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像；
根据预设数量从多张第一现场处理图像中进行抽取，并将抽取的第一现场处理图像进行拼接，得到第二现场处理图像；
根据所述第一现场处理图像和所述第二现场处理图像生成第一待识别图像集，并对所述第一待识别图像集中的图像进行特征提取，得到第二待识别图像集；
将所述第二待识别图像集输入预先训练得到的图像识别模型中，并根据所述图像识别模型输出的图像识别结果对工程进行检测。
2.如权利要求1所述的一种基于图像处理的工程检测方法，其特征在于，所述获取建筑施工拍摄的多张现场监控图像，对所述现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像，包括：
通过伽马算法对进行建筑施工拍摄的多张现场监控图像亮度增强处理；
将增亮后的现场监控图像从RGB颜色空间转换到HSV颜色空间，并利用多尺度高斯函数提取光照分量V；
构造基于二维伽马函数的自适应亮度校正函数，并校正光照分量，对光照不均匀图像进行自适应校正处理；
将色调分量、饱和度分量和校正后的亮度分量和进行重构，得到重构的现场监控图像；
将重构的现场监控图像由HSV颜色空间转换到RGB空间，获得均衡处理的现场监控图像；
基于拉普拉斯对比度权重、饱和度权重、亮度权重，得到均衡处理的现场监控图像的三种权重图像，并进行权重归一化，得到预处理后的现场监控图像。
3.如权利要求1所述的一种基于图像处理的工程检测方法，其特征在于，所述获取建筑施工拍摄的多张现场监控图像，对所述现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像，还包括：
读取预处理后的现场监控图像并获取灰度直方图；
初始化被囊群算法参数，并执行被囊群算法，初始化种群，其中种群的个体位置为阈值向量，向量分量为由小到大排列的灰度级值；
基于Kapur熵，计算个体适应度值，获得最优个体位置，若达到最大迭代次数，则算法结束，记录最优个体位置和适应度值，否则继续迭代；
基于最优解将预处理后的现场监控图像进行多阈值分割，得到多张第一现场处理图像。
4.如权利要求1所述的一种基于图像处理的工程检测方法，其特征在于，所述根据预设数量从多张第一现场处理图像中进行抽取，并将抽取的第一现场处理图像进行拼接，得到第二现场处理图像，包括：
获取多张第一现场处理图像，对所述第一现场处理图像进行图像变换扩充处理，其中图像变换扩充处理至少包括图像放大、图像缩小、图像翻转和图像旋转中一种或多种；
从扩充后的第一现场处理图像中选取预设数量的图像进行依次进行排布拼接，并对拼接得到的图像进行缩放和裁剪处理，以得到第二现场处理图像。
5.如权利要求1所述的一种基于图像处理的工程检测方法，其特征在于，所述对所述第一待识别图像集中的图像进行特征提取，得到第二待识别图像集，包括：
构建所述第一待识别图像集中图像的Hessian矩阵、图像空间和尺度空间；
在所述尺度空间和所述图像空间内对检测到的Hessian矩阵的行列式极大值做内插；
通过选取邻域的极值样本进行三维二次拟合得到具有亚像素和亚尺度精度的局部极大值，从而得到图像特征点；
以所述图像特征点为中心，通过Haar小波特征并设置权重系数分配向量的主方向；
根据向量的主方向，确定每个像素点在水平和垂直方向上的Harr小波响应，并根据Harr小波响应来确定Surf描述子；
利用Surf描述子通过最近邻法进行特征匹配，得到图像特征匹配结果，并基于图像特征匹配结果得到第二待识别图像集。
6.如权利要求1所述的一种基于图像处理的工程检测方法，其特征在于，将所述第二待识别图像集输入预先训练得到的图像识别模型中，并根据所述图像识别模型输出的图像识别结果对工程进行检测，包括：
获取所述第二待识别图像集中的图像，通过所述图像识别模型中的编码器提取图像特征并获取上下信息；
使用MobileNetV2和MobileNetV3作为主干网络，通过空洞卷积的扩张系数调整卷积的感知域大小，从多个尺度捕捉图像信息，得到特征图；
通过1×1卷积调整特征图大小，进行尺寸归一化，通过连接操作进行特征融合；
融合后的特征通过卷积和上采样处理提取特征，再通过Softmax层后预测出输出的图像识别结果。
7.如权利要求1所述的一种基于图像处理的工程检测方法，其特征在于，所述第二待识别图像集输入预先训练得到的图像识别模型中，并根据所述图像识别模型输出的图像识别结果对工程进行检测，还包括：
获取图像识别模型输出的图像识别结果，对图像识别结果的预测框进行裁剪，并把预测结果进行二值化；
以最小外接矩形包围目标区域进行再次裁剪，得到优化识别结果；
将所述优化识别结果和所述图像识别结果进行模板匹配，得出工程检测结果。
8.一种基于图像处理的工程检测系统，其特征在于，该系统包括图像分割模块、图像拼接模块、特征提取模块和图像识别模块，其中，图像分割模块，用于获取建筑施工拍摄的多张现场监控图像，对所述现场监控图像依次进行预处理和图像分割处理，得到多张第一现场处理图像；
图像拼接模块，用于根据预设数量从多张第一现场处理图像中进行抽取，并将抽取的第一现场处理图像进行拼接，得到第二现场处理图像；
特征提取模块，用于根据所述第一现场处理图像和所述第二现场处理图像生成第一待识别图像集，并对所述第一待识别图像集中的图像进行特征提取，得到第二待识别图像集；
图像识别模块，用于将所述第二待识别图像集输入预先训练得到的图像识别模型中，并根据所述图像识别模型输出的图像识别结果对工程进行检测。
9.如权利要求8所述的一种基于图像处理的工程检测系统，其特征在于，所述图像分割模块包括图像读取子模块、算法执行子模块、算法迭代子模块和多阈值分割子模块，其中，图像读取子模块，用于读取预处理后的现场监控图像并获取灰度直方图；
算法执行子模块，用于初始化被囊群算法参数，并执行被囊群算法，初始化种群，其中种群的个体位置为阈值向量，向量分量为由小到大排列的灰度级值；
算法迭代子模块，用于基于Kapur熵，计算个体适应度值，获得最优个体位置，若达到最大迭代次数，则算法结束，记录最优个体位置和适应度值，否则继续迭代；
多阈值分割子模块，用于基于最优解将预处理后的现场监控图像进行多阈值分割，得到多张第一现场处理图像。
10.如权利要求8所述的一种基于图像处理的工程检测系统，其特征在于，所述特征提取模块包括构建子模块、检测子模块、拟合子模块、设置子模块、确定子模块和匹配子模块，其中，构建子模块，用于构建所述第一待识别图像集中图像的Hessian矩阵、图像空间和尺度空间；
检测子模块，用于在所述尺度空间和所述图像空间内对检测到的Hessian矩阵的行列式极大值做内插；
拟合子模块，用于通过选取邻域的极值样本进行三维二次拟合得到具有亚像素和亚尺度精度的局部极大值，从而得到图像特征点；
设置子模块，用于以所述图像特征点为中心，通过Haar小波特征并设置权重系数分配向量的主方向；
确定子模块，用于根据向量的主方向，确定每个像素点在水平和垂直方向上的Harr小波响应，并根据Harr小波响应来确定Surf描述子；
匹配子模块，用于利用Surf描述子通过最近邻法进行特征匹配，得到图像特征匹配结果，并基于图像特征匹配结果得到第二待识别图像集。
CN202311286243.1A 2023-10-08 2023-10-08 一种基于图像处理的工程检测方法及系统 Pending CN117037075A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311286243.1A CN117037075A (zh) 2023-10-08 2023-10-08 一种基于图像处理的工程检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311286243.1A CN117037075A (zh) 2023-10-08 2023-10-08 一种基于图像处理的工程检测方法及系统

Publications (1)

Publication Number Publication Date
CN117037075A true CN117037075A (zh) 2023-11-10

Family

ID=88641432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311286243.1A Pending CN117037075A (zh) 2023-10-08 2023-10-08 一种基于图像处理的工程检测方法及系统

Country Status (1)

Country Link
CN (1) CN117037075A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118461088A (zh) * 2024-07-09 2024-08-09 湖南龙智新材料科技有限公司 一种反转电解铜箔表面处理工艺

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115859A (zh) * 2022-06-16 2022-09-27 天津大学 基于无人机航拍的长线性工程施工进度智能识别与分析方法
CN116645530A (zh) * 2023-04-23 2023-08-25 广东建瀚工程管理有限公司 基于图像比对的施工检测方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115859A (zh) * 2022-06-16 2022-09-27 天津大学 基于无人机航拍的长线性工程施工进度智能识别与分析方法
CN116645530A (zh) * 2023-04-23 2023-08-25 广东建瀚工程管理有限公司 基于图像比对的施工检测方法、装置、设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
孙林 等: "矿井智能监控目标识别的图像增强方法与应用", HTTPS://KNS.CNKI.NET/KCMS2/DETAIL/11.2190.TD.20230724.1941.002.HTML, pages 1 - 13 *
曹先革 等: "基于SURF算法的雪地图像特征提取与配准", 测绘与空间地理信息, vol. 46, no. 5, pages 1 - 4 *
董维振 等: "基于改进被囊群算法的图像多阈值分割方法", 计算机工程与设计, vol. 44, no. 7, pages 2093 - 2102 *
蒋买勇 等: "基于数字图像的砌体涵洞病害识别与工程应用", 中国农村水利水电, no. 8, pages 265 - 271 *
陈宇平: "基于卷积神经网络的土木工程结构表面损伤检测的研究", 万方中国学位论文全文数据库, pages 25 - 36 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118461088A (zh) * 2024-07-09 2024-08-09 湖南龙智新材料科技有限公司 一种反转电解铜箔表面处理工艺

Similar Documents

Publication Publication Date Title
CN104463795B (zh) 一种点阵式dm二维码图像处理方法及装置
Moselhi et al. Automated detection of surface defects in water and sewer pipes
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
CN111598889B (zh) 均压环倾斜故障的识别方法、装置、计算机设备
CN111899270A (zh) 卡片边框检测方法、装置、设备及可读存储介质
CN111179232A (zh) 基于图像处理的钢筋尺寸检测系统及方法
CN116228757B (zh) 一种基于图像处理算法的深海网箱网衣检测方法
JP2014089626A (ja) 画像検出装置及び制御プログラム並びに画像検出方法
CN107256547A (zh) 一种基于显著性检测的表面裂纹识别方法
CN113963041A (zh) 一种图像纹理识别方法及系统
CN118247711B (zh) 一种Transformer架构小目标检测方法及系统
CN117764977A (zh) 基于全局特征增强和多尺度融合的磁瓦表面缺陷检测方法
CN113515655A (zh) 一种基于图像分类的故障识别方法及装置
CN113505622A (zh) 一种自动识别多条码与led灯的测试系统及方法
CN117409083B (zh) 一种基于红外图像和改进yolov5的电缆终端识别方法及装置
CN117037075A (zh) 一种基于图像处理的工程检测方法及系统
JP6338234B2 (ja) 領域分け方法、領域分けプログラム及び画像処理システム
Yetiş et al. Adaptive vision based condition monitoring and fault detection method for multi robots at production lines in industrial systems
CN114067273B (zh) 一种夜间机场航站楼热成像显著人体分割检测方法
Ibrahim et al. A GAN-based blind inpainting method for masonry wall images
Hori et al. A real-time multi face detection technique using positive-negative lines-of-face template
CN119600286B (zh) 一种基于U-Net的遥感图像语义分割方法
CN112132135B (zh) 一种基于图像处理的电网传输线检测方法、存储介质
CN119810440A (zh) 一种基于边缘和拓扑感知的遥感图像建筑物提取方法
CN117889867B (zh) 一种基于局部自注意力移动窗口算法的路径规划方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20231110

RJ01 Rejection of invention patent application after publication