CN108734692A - 一种桥梁结构检测系统 - Google Patents
一种桥梁结构检测系统 Download PDFInfo
- Publication number
- CN108734692A CN108734692A CN201810252756.3A CN201810252756A CN108734692A CN 108734692 A CN108734692 A CN 108734692A CN 201810252756 A CN201810252756 A CN 201810252756A CN 108734692 A CN108734692 A CN 108734692A
- Authority
- CN
- China
- Prior art keywords
- module
- bridge
- section
- information
- curve
- 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
Links
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明属于桥梁结构检测技术领域,公开了一种桥梁结构检测系统,设置有无人机循查模块、设备检查模块、检测信息反馈模块、警报模块、信息整合模块、模拟故障模块、综合评估模块。该发明结构清晰,功能齐全,通过人工、检测设备、无人机等进行多种信息的监测采集,可对桥梁结构出现故障时进行第一时间的反馈警报处理,方便工作人员及时进行维修,同时在进行桥梁结构检测可采集当前桥梁状况,还可针对当前桥梁状况进行模拟故障,对桥梁进行综合评估,做到采集检测评估一体化,适合推广。
Description
技术领域
本发明属于桥梁结构检测技术领域,尤其涉及一种桥梁结构检测系统。
背景技术
目前,业内常用的现有技术是这样的:
道路和桥梁是交通运输系统中不可分割的一个整体,而公路桥梁质量的好坏往往影响着整条公路的运营安全和质量,对桥梁结构的检测影响到桥梁的使用,桥梁检测必须准确无误,但是现有桥梁结构检测系统,还存在不足,在检测过程中功能单一,方式少,耗费人力,存在一定性的误差,同时桥梁出现故障时无法在第一时间知晓,容易造成事故的发生。
插值样条曲线/曲面有不少构造方法,在几何造型中占有重要的地位。目前现有技术对有理三次样条以及它们在形状控制中的应用进行了研究以及对三角多项式的插值样条进行了研究,取得了一些有用的结果。
桥梁变形读数的自动判读在检测工作中非常重要。现有技术一采用一种基于图像灰度特征的Hough分割算法,用该算法分割出一个包含所有桥梁变形的圆环区域,即信息显著区域;该方法定位的准确率低,从而影响最终读数的准确性。现有技术二首先利用桥梁变形的彩色信息提取变形区域,然后利用基于轮廓信息的Hough变换定位中心,最后拟合出变形区域中心,进而分割出变形区域;该方法提取的轮廓,即边缘往往有缺失、不准确。
现有技术三提出一种基于彩色特征的定位算法,该算法首将先RGB彩色空间图像归一化,即将图像的R、G、B三分量分别除以该三分量的总和得到归一化的r、g、b三分量,然后根据红色指针目标像素满足的条件:r>g,r>b,g<ratio(ratio是g的百分比阈值)二值化图像原始,最后提取桥梁变形区域;该算法采用了归一化的彩色空间模型虽然降低图像空间中R、G、B三分量的相关性和图像对比度的要求,但是在归一化和二值化图像过程中算法复杂度高,特别当水表图像分辨率较高时,耗时非常大。
综上所述,现有技术存在的问题是:
现有桥梁结构检测系统,还存在不足,在检测过程中功能单一,方式少,耗费人力,存在一定性的误差,同时桥梁出现故障时无法在第一时间知晓,容易造成事故的发生。
目前的样条曲线/曲面不插值控制顶点,或者说不具有插值功能,生成的是自由曲线/曲面。影响了获得图像的真实图形。
目前的桥梁结构变形自动读数识别方法存在计算量大,速度慢,直接影响到系统的实时性。不能很好的识别变形量,校正后读数依然存有误差,降低桥梁结构变形读数自动判读的可靠性。
发明内容
针对现有技术存在的问题,本发明提供了一种桥梁结构检测系统。
本发明是这样实现的,一种桥梁结构检测系统,设置有:
无人机循查模块,与警报模块、信息整合模块连接,通过无人机循查桥梁进行初步检测,并将信息反馈到信息整合模块和警报模块;
无人机循查模块集成有图像处理模块,图像处理模块的处理方法包括:
选取调配函数,作连结各样条小区间的两个端点的直线以及连结以及对应的两相邻de Boor控制顶点的直线,作各样条小区间上的样条曲线上的点与连结各样条小区间的两个端点的直线上的点的差得到增量向量;将增量向量通过伸缩后平移到连结两相邻deBoor控制顶点的直线上得到各样条小区间插值于de Boor控制顶点的三次B样条插值曲线;
设备检查模块,与警报模块和信息整合模块连接,通过在桥梁上安装检测设备对桥梁进行检测,并将信息反馈到信息整合模块和警报模块;
检测信息反馈模块,与信息整合模块连接,对桥梁进行人工检测,并将信息输入信息整合模块;
信息整合模块:与无人机循查模块、设备检查模块、检测信息反馈模块、模拟故障模块连接,对接收的信息进行综合处理,并将处理后的信息传到模拟故障模块;
信息整合模块对接收的无人机循查模块、设备检查模块、检测信息反馈模块、模拟故障模块信息进行综合处理包括:
第一步,对RGB格式接收的无人机循查模块、设备检查模块、检测信息反馈模块、模拟故障模块任意一模块的源图像I采用加权平均法灰度化;
其中,R,G,B分别为I的红绿蓝分量,g为灰度化后图像;
第二步,对灰度图像g进行中值滤波和线性灰度拉伸;
h(x,y)=Median[T[g(x,y)]|0<x<N,0<y<N];
其中T灰度拉伸变换函数,N为中值滤波模板大小,取奇数;
第三步,对无人机循查模块、设备检查模块、检测信息反馈模块、模拟故障模块传输的桥梁图像h作LRCD变换;
第四步,二值化LRCD变换后桥梁图像k,并做腐蚀膨胀交替变换去除指针区域周围的干扰,得到桥梁所在连通区域;
第五步步骤,精确定位桥梁变形中心;
步骤六,分割出变形区域;
步骤七,生成50幅M×M大小的模板图像,标号为0~49,并保存至大小为M×M×50的imgModel数组中;
步骤八,用模板匹配法识别变形区域读数;初始化一个累加器,变形区域图像ffi(i=1,2,3,4)与50幅模板图像进行逐一匹配,变形区域图像与模板图像在相同位置处对应的像素灰度值为0,则累加器增1,当与全部模板图像匹配完成后,累加器取值最大的模板就是待测变形区域的最佳匹配,记为Pij(i=1,2,3,4j=0,1,2,...,49),则变形区域读数为
其中10-c(c=1,2,3,4)为变形精度,int为下取整;
步骤九,根据桥梁之间的相互关联,进行桥梁变形读数校正,得到精确的读数,需要校正的模板为:
进一步,所述桥梁结构检测系统还设置有:
模拟故障模块:与信息整合模块、综合评估模块连接,接收信息后,进行模拟故障检测,并将信息传到综合评估模块;
综合评估模块:与模拟故障模块连接,对桥梁进行综合评估;
警报模块,与无人机循查模块、设备检查模块2连接,接收信息后对故障进行报警。
进一步,图像处理模块的处理方法具体包括:
步骤一,选取调配函数,作连结各样条小区间的两个端点的直线以及连结以及对应的两相邻de Boor控制顶点的直线,作各样条小区间上的样条曲线上的点与连结各样条小区间的两个端点的直线上的点的差得到增量向量;
步骤二,将增量向量通过伸缩后平移到连结两相邻de Boor控制顶点的直线上就得到了各样条小区间插值于de Boor控制顶点的插值曲线;
步骤三,对于三次B样条曲线,得到调配函数用Bézier形式的表示式,构造的插值于控制顶点的曲线为三次B样条插值曲线。
进一步,构造插值曲线的方法包括:
给定型值点列d0,d1,d2,…,dm,补充辅助点d-2,d-1…和dm+1,dm+2…,样条结点序列为:
…≤t-1≤a=t0<t1<t2<…<tm-1<tm=b≤tm+1≤…;
将{dj}作为deBoor控制顶点序列,得n阶B样条曲线,记为:
其中Nj,n(t)是n阶B样条基函数,其支集设为区间 为实数取整;
构造曲线dI(t),满足插值条件:
dI(tk)=dk,k=0,1,2,…,m;
插值曲线的构造方法进一步包括:
在每个区间样条子区间[ti,ti+1](i=0,1,2,…,m-1)上,连接B样条曲线段d(t)的两个端点d(ti)和d(ti+1)的直线段记为li(t),方程为:
li(t)=(1-Φi(t))d(ti)+Φi(t)d(ti+1),ti≤t≤ti+1;
而连接两相邻de Boor点di和di+1的直线段记为Li(t),方程为:
li(t)=(1-Φi(t))d(ti)+Φi(t)d(ti+1),ti≤t≤ti+1;
Li(t)=(1-Φi(t))di+Φi(t)di+1,ti≤t≤ti+1;
作曲线段d(t)与直线段li(t)在区间[ti,ti+1]上的差向量:
δi(t)=d(t)-li(t),ti≤t≤ti+1;
差向量伸缩,即得αδi(t),α>0,将其平移,使其起点落在直线段上的对应点处,即得:
dI(t)=Li(t)+αδi(t),ti≤t≤ti+1,i=0,1,2,…,m-1;
或写为:
dI(t)=[(1-Φi(t))di+Φi(t)di+1]+α[d(t)-(1-Φi(t))d(ti)-Φi(t)d(ti+1)];
ti≤t≤ti+1,i=0,1,2,…,m-1。
函数Φi(t)满足如下的条件:
Φi(t)在区间[ti,ti+1]上具有直到n-2阶的连续导数;
得:
Φi(t)在区间[ti,ti+1]为单调增函数,以避免直线段li(t)和Li(t)出现重结点。
进一步,三次B样条曲线转化为三次B样条插值曲线的方法为:
给定区间[a,b]的一个扩充分划:
t-9≤t-6≤t-3≤a=t0<t1<…<t3i<t3i+1<…<t3m-1<t3m=b≤t3(m+1)≤t3(m+2)≤t3(m+3);
及deBoor控制顶点序列;
d-1,d0,d1,d2,…,dm,dm+1,
区间[a,b]上以:{t-9,t-6,t-3,t0,t3,…,t3i,t3(i+1),…,t3(m-1),t3m,t3(m+1),t3(m+2),t3(m+3)};为样条结点的三次B样条曲线记为:
其中B样条基函数Nj,4(t)的支集上的样条结点为t3(j-2),t3(j-1),t3j,t3(j+1),t3(j+2);
构造一条三次B样条插值曲线dI(t),使得通过诸型值点列,即满足插值条件:
dI(t3k)=dk,k=0,1,2,…,m;
三次B样条曲线转化为三次B样条插值曲线的方法进一步包括:
(1)对于[t3i,t3i+3]上的B样条曲线段:
d(t)=Ni-1,4(t)di-1+Ni,4(t)di+Ni+1,4(t)di+1+Ni+2,4(t)di+2,t3i≤t≤t3i+3;
构造连接该曲线段两端点d(t3i)和d(t3i+3)的直线段li(t),使之满足条件:
1)li(t)∈C2[t3i,t3i+3];
2)li(t3i)=d(t3i),li(t3i+3)=d(t3i+3),li (k)(t3i)=li (k)(t3i+3)=0,k=0,1;
3)曲线段li(t)在区间[t3i,t3i+3]上无重结点;
具有如下形式:
其中调配函数满足条件:
a)
b)
c)函数在区间[t3i,t3i+3]上为单调增,从而
选取以t3i,t3i+1,t3i+2,t3i+3为单结点的三次样条函数,使之满足上述调配函数的三个条件,由条件a)和b),经过计算得到的表达式如下:
其中0≤u≤1,j=0,1,…,n是Bernstein基函数;
易知0<ci0<ci1<ci2<ci3<1,是区间[t3i,t3i+3]上的单调增函数;
在等距结点情形:h3i=h3i+1=h3i+2:
(2)作曲线段di(t)与直线段li(t)在区间[ti,ti+1]上的差向量:
δi(t)=di(t)-li(t),t3i≤t≤t3i+3;
δi(t)有性质:
δi(t)∈C2[t3i,t3i+3];
差向量δi(t)描述了曲线段d(t)上和直线段li(t)上对应点处的增向量;
(3)引入伸缩因子α>0,作向量αδi(t),将其平移到直线段上,生成曲线段:
其中t3i≤t≤t3i+3,是连接两相邻de Boor点di和di+1的直线段;
副法线向量为:
γDi(t3i)=α2γd(t3i),γDi(t3i+3)=α2γd(t3i+3);
其中γDi(t)=Di′(t)×Di″(t),γdi(t)=d′(t)×d″(t)分别表示曲线段Di(t)和d(t)的副法线向量。
本发明的优点及积极效果为:
该发明结构清晰,功能齐全,通过人工、检测设备、无人机等进行多种信息的监测采集,可对桥梁结构出现故障时进行第一时间的反馈警报处理,方便工作人员及时进行维修,同时在进行桥梁结构检测可采集当前桥梁状况,还可针对当前桥梁状况进行模拟故障,对桥梁进行综合评估,做到采集检测评估一体化,适合推广。
本发明提供的图像处理模块的图像处理方法,利用增量伸缩平移和张量积的方法,构造了矩形域上的插值于控制顶点网格的双三次B样条插值曲面B和样条插值曲面,插值曲线/曲面的构造方法简洁,几何意义明显,与BURBS方法相容,对几何造型是有意义的。本发明提出了一个新的几何造型方法,这个方法解决了插值控制顶点的问题,对于图像处理工程具有重要意义。
本发明的信息进行综合处理方法,在3.30GHZ Intel Core i5-4590CPU,4GB RamPC的Windows 7x64系统上使用版本8.5.0(R2015a)Matlab软件做测试实验。实验随机选取从检表平台上采集的200幅水表图像,图片分辨率为2048×1536,保存格式为.jpg,测试现有技术和本发明的定位性能,结果如表1所示:
定位方法 | 实验图像(幅) | 定位正确(幅) | 准确率(%) | 运行时间(幅/s) |
技术一 | 200 | 178 | 89 | 0.91 |
技术二 | 200 | 181 | 90.5 | 0.79 |
技术三 | 200 | 185 | 92.5 | 287 |
技术四 | 200 | 186 | 93 | 0.53 |
本发明 | 200 | 199 | 99.5 | 0.58 |
表1.
实验结果表明,本发明可以准确识别199幅水表图像指针读数,准确率达到99.6%,比其他现有技术准确率都要高。
本发明对于桥梁变形图像处理时,克服传统算法定位的不足,能准确拟合出该指针的回变形区域中心,从而提高变形读数的识别率和自动判读的准确率。
附图说明
图1是本发明实施例提供的桥梁结构检测系统的结构示意图;
图中:1、无人机循查模块;2、设备检查模块;3、检测信息反馈模块;4、警报模块;5、信息整合模块;6、模拟故障模块;7、综合评估模块。
图2是本发明实施例提供的B样条插值曲线的增量平移构造方法示意图。
图3是本发明实施例提供的的分段三次Bernstein函数表示示意图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
现有桥梁结构检测系统,还存在不足,在检测过程中功能单一,方式少,耗费人力,存在一定性的误差,同时桥梁出现故障时无法在第一时间知晓,容易造成事故的发生。
如图1所示,本发明实施例提供的桥梁结构检测系统设置有无人机循查模块1、设备检查模块2、检测信息反馈模块3、警报模块4、信息整合模块5、模拟故障模块6、综合评估模块7。
无人机循查模块1:所述无人机循查模块1与警报模块4、信息整合模块5连接,通过无人机循查桥梁进行初步检测,并将信息反馈到信息整合模块5和警报模块4;
设备检查模块2:所述设备检查模块2与警报模块4和信息整合模块5连接,通过在桥梁上安装检测设备对桥梁进行检测,并将信息反馈到信息整合模块5和警报模块4。
检测信息反馈模块3:所述检测信息反馈模块3与信息整合模块5连接,可对桥梁进行人工检测,并将信息输入信息整合模块5。
信息整合模块5:信息所述信息整合模块5与无人机循查模块1、设备检查模块2、检测信息反馈模块3、模拟故障模块6连接,可对接收的信息进行综合处理,并将处理后的信息传到模拟故障模块6。
模拟故障模块6:所述模拟故障模块6与信息整合模块5、综合评估模块7连接,接收信息后,可进行模拟故障检测,并将信息传到综合评估模块7。
综合评估模块7:所述综合评估模块7与模拟故障模块6连接,可对桥梁进行综合评估。
所述警报模块4与无人机循查模块1、设备检查模块2连接,接收信息后可对故障进行报警,方便工作人员处理。
本发明的工作原理是:通过无机人循查模块1无人机进行桥梁日常巡查和定期巡查,采集数据,减轻人力;设备检查模块2通过在桥梁结构上安装检查设备对桥梁进行数据采集;检测信息反馈模块3通过人工进行二次数据采集,减少检测误差;信息整合模块5接收到无人机循查模块1、设备检查模块2、检测信息反馈模块3的数据信息后,进行信息综合处理,容易模拟故障模块6对信息进行识别,使得模拟故障模块6进行模拟故障的发生,检测当前桥梁结构可承受的最大程度,最后通过综合评估模块7进行综合评估处理;警报模块4在桥梁处理故障时进行警报,通知工作人员进行及时维修。
该发明结构清晰,功能齐全,通过人工、检测设备、无人机等进行多种信息的监测采集,可对桥梁结构出现故障时进行第一时间的反馈警报处理,方便工作人员及时进行维修,同时在进行桥梁结构检测可采集当前桥梁状况,还可针对当前桥梁状况进行模拟故障,对桥梁进行综合评估,做到采集检测评估一体化,适合推广。
下面结合具体分析对本发明作进一步描述。
无人机循查模块集成有图像处理模块,图像处理模块的处理方法包括:
选取调配函数,作连结各样条小区间的两个端点的直线以及连结以及对应的两相邻de Boor控制顶点的直线,作各样条小区间上的样条曲线上的点与连结各样条小区间的两个端点的直线上的点的差得到增量向量;将增量向量通过伸缩后平移到连结两相邻deBoor控制顶点的直线上得到各样条小区间插值于deBoor控制顶点的三次B样条插值曲线;
设备检查模块,与警报模块和信息整合模块连接,通过在桥梁上安装检测设备对桥梁进行检测,并将信息反馈到信息整合模块和警报模块;
检测信息反馈模块,与信息整合模块连接,对桥梁进行人工检测,并将信息输入信息整合模块;
信息整合模块:与无人机循查模块、设备检查模块、检测信息反馈模块、模拟故障模块连接,对接收的信息进行综合处理,并将处理后的信息传到模拟故障模块;
信息整合模块对接收的无人机循查模块、设备检查模块、检测信息反馈模块、模拟故障模块信息进行综合处理包括:
第一步,对RGB格式接收的无人机循查模块、设备检查模块、检测信息反馈模块、模拟故障模块任意一模块的源图像I采用加权平均法灰度化;
其中,R,G,B分别为I的红绿蓝分量,g为灰度化后图像;
第二步,对灰度图像g进行中值滤波和线性灰度拉伸;
h(x,y)=Median[T[g(x,y)]|0<x<N,0<y<N];
其中T灰度拉伸变换函数,N为中值滤波模板大小,取奇数;
第三步,对无人机循查模块、设备检查模块、检测信息反馈模块、模拟故障模块传输的桥梁图像h作LRCD变换;
第四步,二值化LRCD变换后桥梁图像k,并做腐蚀膨胀交替变换去除指针区域周围的干扰,得到桥梁所在连通区域;
第五步,精确定位桥梁变形中心;
步骤六,分割出变形区域;
步骤七,生成50幅M×M大小的模板图像,标号为0~49,并保存至大小为M×M×50的imgModel数组中;
步骤八,用模板匹配法识别变形区域读数;初始化一个累加器,变形区域图像ffi(i=1,2,3,4)与50幅模板图像进行逐一匹配,变形区域图像与模板图像在相同位置处对应的像素灰度值为0,则累加器增1,当与全部模板图像匹配完成后,累加器取值最大的模板就是待测变形区域的最佳匹配,记为Pij(i=1,2,3,4j=0,1,2,...,49),则变形区域读数为
其中10-c(c=1,2,3,4)为变形精度,int为下取整;
步骤九,根据桥梁之间的相互关联,进行桥梁变形读数校正,得到精确的读数,需要校正的模板为:
图像处理模块的处理方法具体包括:
步骤一,选取调配函数,作连结各样条小区间的两个端点的直线以及连结以及对应的两相邻deBoor控制顶点的直线,作各样条小区间上的样条曲线上的点与连结各样条小区间的两个端点的直线上的点的差得到增量向量;
步骤二,将增量向量通过伸缩后平移到连结两相邻deBoor控制顶点的直线上就得到了各样条小区间插值于deBoor控制顶点的插值曲线;
步骤三,对于三次B样条曲线,得到调配函数用Bézier形式的表示式,构造的插值于控制顶点的曲线为三次B样条插值曲线。
进一步,构造插值曲线的方法包括:
给定型值点列d0,d1,d2,…,dm,补充辅助点d-2,d-1…和dm+1,dm+2…,样条结点序列为:
…≤t-1≤a=t0<t1<t2<…<tm-1<tm=b≤tm+1≤…;
将{dj}作为de Boor控制顶点序列,得n阶B样条曲线,记为:
其中Nj,n(t)是n阶B样条基函数,其支集设为区间 为实数取整;
构造曲线dI(t),满足插值条件:
dI(tk)=dk,k=0,1,2,…,m;
插值曲线的构造方法进一步包括:
在每个区间样条子区间[ti,ti+1](i=0,1,2,…,m-1)上,连接B样条曲线段d(t)的两个端点d(ti)和d(ti+1)的直线段记为li(t),方程为:
li(t)=(1-Φi(t))d(ti)+Φi(t)d(ti+1),ti≤t≤ti+1;
而连接两相邻de Boor点di和di+1的直线段记为Li(t),方程为:
li(t)=(1-Φi(t))d(ti)+Φi(t)d(ti+1),ti≤t≤ti+1;
Li(t)=(1-Φi(t))di+Φi(t)di+1,ti≤t≤ti+1;
作曲线段d(t)与直线段li(t)在区间[ti,ti+1]上的差向量:
δi(t)=d(t)-li(t),ti≤t≤ti+1;
差向量伸缩,即得αδi(t),α>0,将其平移,使其起点落在直线段上的对应点处,即得:
dI(t)=Li(t)+αδi(t),ti≤t≤ti+1,i=0,1,2,…,m-1;
或写为:
dI(t)=[(1-Φi(t))di+Φi(t)di+1]+α[d(t)-(1-Φi(t))d(ti)-Φi(t)d(ti+1)];
ti≤t≤ti+1,i=0,1,2,…,m-1。
函数Φi(t)满足如下的条件:
Φi(t)在区间[ti,ti+1]上具有直到n-2阶的连续导数;
得:
Φi(t)在区间[ti,ti+1]为单调增函数,以避免直线段li(t)和Li(t)出现重结点。
进一步,三次B样条曲线转化为三次B样条插值曲线的方法为:
给定区间[a,b]的一个扩充分划:
t-9≤t-6≤t-3≤a=t0<t1<…<t3i<t3i+1<…<t3m-1<t3m=b≤t3(m+1)≤t3(m+2)≤t3(m+3);
及deBoor控制顶点序列;
d-1,d0,d1,d2,…,dm,dm+1,
区间[a,b]上以:{t-9,t-6,t-3,t0,t3,…,t3i,t3(i+1),…,t3(m-1),t3m,t3(m+1),t3(m+2),t3(m+3)};为样条结点的三次B样条曲线记为:
其中B样条基函数Nj,4(t)的支集上的样条结点为t3(j-2),t3(j-1),t3j,t3(j+1),t3(j+2);
构造一条三次B样条插值曲线dI(t),使得通过诸型值点列,即满足插值条件:
dI(t3k)=dk,k=0,1,2,…,m;
三次B样条曲线转化为三次B样条插值曲线的方法进一步包括:
(1)对于[t3i,t3i+3]上的B样条曲线段:
d(t)=Ni-1,4(t)di-1+Ni,4(t)di+Ni+1,4(t)di+1+Ni+2,4(t)di+2,t3i≤t≤t3i+3;
构造连接该曲线段两端点d(t3i)和d(t3i+3)的直线段li(t),使之满足条件:
1)li(t)∈C2[t3i,t3i+3];
2)li(t3i)=d(t3i),li(t3i+3)=d(t3i+3),li (k)(t3i)=li (k)(t3i+3)=0,k=0,1;
3)曲线段li(t)在区间[t3i,t3i+3]上无重结点;
具有如下形式:
其中调配函数满足条件:
a)
b)
c)函数在区间[t3i,t3i+3]上为单调增,从而
选取以t3i,t3i+1,t3i+2,t3i+3为单结点的三次样条函数,使之满足上述调配函数的三个条件,由条件a)和b),经过计算得到的表达式如下:
其中0≤u≤1,j=0,1,…,n是Bernstein基函数;
易知0<ci0<ci1<ci2<ci3<1,是区间[t3i,t3i+3]上的单调增函数;
在等距结点情形:h3i=h3i+1=h3i+2:
(2)作曲线段di(t)与直线段li(t)在区间[ti,ti+1]上的差向量:
δi(t)=di(t)-li(t),t3i≤t≤t3i+3;
δi(t)有性质:
δi(t)∈C2[t3i,t3i+3];
δi(t3i)=δ(t3i+3)=0,δi (k)(t3i)=d(k)(t3i),δi (k)(t3i+3)=d(k)(t3i+3),k=0,1,差向量δi(t)描述了曲线段d(t)上和直线段li(t)上对应点处的增向量;
(3)引入伸缩因子α>0,作向量αδi(t),将其平移到直线段上,生成曲线段:
其中t3i≤t≤t3i+3,是连接两相邻de Boor点di和di+1的直线段;
副法线向量为:
γDi(t3i)=α2γd(t3i),γDi(t3i+3)=α2γd(t3i+3);
其中γDi(t)=Di′(t)×Di″(t),γdi(t)=d′(t)×d″(t)分别表示曲线段Di(t)和d(t)的副法线向量。
图2是本发明实施例提供的B样条插值曲线的增量平移构造方法示意图。
图3是本发明实施例提供的的分段三次Bernstein函数表示示意图。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (5)
1.一种桥梁结构检测系统,其特征在于,所述桥梁结构检测系统设置有:
无人机循查模块,与警报模块、信息整合模块连接,通过无人机循查桥梁进行初步检测,并将信息反馈到信息整合模块和警报模块;
无人机循查模块集成有图像处理模块,图像处理模块的处理方法包括:
选取调配函数,作连结各样条小区间的两个端点的直线以及连结以及对应的两相邻deBoor控制顶点的直线,作各样条小区间上的样条曲线上的点与连结各样条小区间的两个端点的直线上的点的差得到增量向量;将增量向量通过伸缩后平移到连结两相邻de Boor控制顶点的直线上得到各样条小区间插值于deBoor控制顶点的三次B样条插值曲线;
设备检查模块,与警报模块和信息整合模块连接,通过在桥梁上安装检测设备对桥梁进行检测,并将信息反馈到信息整合模块和警报模块;
检测信息反馈模块,与信息整合模块连接,对桥梁进行人工检测,并将信息输入信息整合模块;
信息整合模块:与无人机循查模块、设备检查模块、检测信息反馈模块、模拟故障模块连接,对接收的信息进行综合处理,并将处理后的信息传到模拟故障模块;
信息整合模块对接收的无人机循查模块、设备检查模块、检测信息反馈模块、模拟故障模块信息进行综合处理包括:
第一步,对RGB格式接收的无人机循查模块、设备检查模块、检测信息反馈模块、模拟故障模块任意一模块的源图像I采用加权平均法灰度化;
其中,R,G,B分别为I的红绿蓝分量,g为灰度化后图像;
第二步,对灰度图像g进行中值滤波和线性灰度拉伸;
h(x,y)=Median[T[g(x,y)]|0<x<N,0<y<N];
其中T灰度拉伸变换函数,N为中值滤波模板大小,取奇数;
第三步,对无人机循查模块、设备检查模块、检测信息反馈模块、模拟故障模块传输的桥梁图像h作LRCD变换;
第四步,二值化LRCD变换后桥梁图像k,并做腐蚀膨胀交替变换去除指针区域周围的干扰,得到桥梁所在连通区域;
第五步,精确定位桥梁变形中心;
步骤六,分割出变形区域;
步骤七,生成50幅M×M大小的模板图像,标号为0~49,并保存至大小为M×M×50的imgModel数组中;
步骤八,用模板匹配法识别变形区域读数;初始化一个累加器,变形区域图像ffi(i=1,2,3,4)与50幅模板图像进行逐一匹配,变形区域图像与模板图像在相同位置处对应的像素灰度值为0,则累加器增1,当与全部模板图像匹配完成后,累加器取值最大的模板就是待测变形区域的最佳匹配,记为Pij(i=1,2,3,4j=0,1,2,...,49),则变形区域读数为
其中10-c(c=1,2,3,4)为变形精度,int为下取整;
步骤九,根据桥梁之间的相互关联,进行桥梁变形读数校正,得到精确的读数,需要校正的模板为:
2.如权利要求1所述的桥梁结构检测系统,其特征在于,所述桥梁结构检测系统还设置有:
模拟故障模块:与信息整合模块、综合评估模块连接,接收信息后,进行模拟故障检测,并将信息传到综合评估模块;
综合评估模块:与模拟故障模块连接,对桥梁进行综合评估;
警报模块,与无人机循查模块、设备检查模块2连接,接收信息后对故障进行报警。
3.如权利要求1所述的桥梁结构检测系统,其特征在于,图像处理模块的处理方法具体包括:
步骤一,选取调配函数,作连结各样条小区间的两个端点的直线以及连结以及对应的两相邻deBoor控制顶点的直线,作各样条小区间上的样条曲线上的点与连结各样条小区间的两个端点的直线上的点的差得到增量向量;
步骤二,将增量向量通过伸缩后平移到连结两相邻deBoor控制顶点的直线上就得到了各样条小区间插值于deBoor控制顶点的插值曲线;
步骤三,对于三次B样条曲线,得到调配函数用Bézier形式的表示式,构造的插值于控制顶点的曲线为三次B样条插值曲线。
4.如权利要求3所述的桥梁结构检测系统,其特征在于,构造插值曲线的方法包括:
给定型值点列d0,d1,d2,…,dm,补充辅助点d-2,d-1…和dm+1,dm+2…,样条结点序列为:
…≤t-1≤a=t0<t1<t2<…<tm-1<tm=b≤tm+1≤…;
将{dj}作为deBoor控制顶点序列,得n阶B样条曲线,记为:
其中Nj,n(t)是n阶B样条基函数,其支集设为区间 为实数取整;
构造曲线dI(t),满足插值条件:
dI(tk)=dk,k=0,1,2,…,m;
插值曲线的构造方法进一步包括:
在每个区间样条子区间[ti,ti+1](i=0,1,2,…,m-1)上,连接B样条曲线段d(t)的两个端点d(ti)和d(ti+1)的直线段记为li(t),方程为:
li(t)=(1-Φi(t))d(ti)+Φi(t)d(ti+1),ti≤t≤ti+1;
而连接两相邻de Boor点di和di+1的直线段记为Li(t),方程为:
li(t)=(1-Φi(t))d(ti)+Φi(t)d(ti+1),ti≤t≤ti+1;
Li(t)=(1-Φi(t))di+Φi(t)di+1,ti≤t≤ti+1;
作曲线段d(t)与直线段li(t)在区间[ti,ti+1]上的差向量:
δi(t)=d(t)-li(t),ti≤t≤ti+1;
差向量伸缩,即得αδi(t),α>0,将其平移,使其起点落在直线段上的对应点处,即得:
dI(t)=Li(t)+αδi(t),ti≤t≤ti+1,i=0,1,2,…,m-1;
或写为:
dI(t)=[(1-Φi(t))di+Φi(t)di+1]+α[d(t)-(1-Φi(t))d(ti)-Φi(t)d(ti+1)];
ti≤t≤ti+1,i=0,1,2,…,m-1。
函数Φi(t)满足如下的条件:
Φi(t)在区间[ti,ti+1]上具有直到n-2阶的连续导数;
Φi(ti)=0,Φi(ti+1)=1,
得:
dI(tk)=dk,
Φi(t)在区间[ti,ti+1]为单调增函数,以避免直线段li(t)和Li(t)出现重结点。
5.如权利要求3所述的桥梁结构检测系统,其特征在于,三次B样条曲线转化为三次B样条插值曲线的方法为:
给定区间[a,b]的一个扩充分划:
t-9≤t-6≤t-3≤a=t0<t1<…<t3i<t3i+1<…<t3m-1<t3m=b≤t3(m+1)≤t3(m+2)≤t3(m+3);
及deBoor控制顶点序列;
d-1,d0,d1,d2,…,dm,dm+1,
区间[a,b]上以:{t-9,t-6,t-3,t0,t3,…,t3i,t3(i+1),…,t3(m-1),t3m,t3(m+1),t3(m+2),t3(m+3)};为样条结点的三次B样条曲线记为:
其中B样条基函数Nj,4(t)的支集上的样条结点为t3(j-2),t3(j-1),t3j,t3(j+1),t3(j+2);
构造一条三次B样条插值曲线dI(t),使得通过诸型值点列,即满足插值条件:
dI(t3k)=dk,k=0,1,2,…,m;
三次B样条曲线转化为三次B样条插值曲线的方法进一步包括:
(1)对于[t3i,t3i+3]上的B样条曲线段:
d(t)=Ni-1,4(t)di-1+Ni,4(t)di+Ni+1,4(t)di+1+Ni+2,4(t)di+2,t3i≤t≤t3i+3;
构造连接该曲线段两端点d(t3i)和d(t3i+3)的直线段li(t),使之满足条件:
1)li(t)∈C2[t3i,t3i+3];
2)li(t3i)=d(t3i),li(t3i+3)=d(t3i+3),li (k)(t3i)=li (k)(t3i+3)=0,k=0,1;
3)曲线段li(t)在区间[t3i,t3i+3]上无重结点;
具有如下形式:
其中调配函数满足条件:
a)
b)
c)函数在区间[t3i,t3i+3]上为单调增,从而
选取以t3i,t3i+1,t3i+2,t3i+3为单结点的三次样条函数,使之满足上述调配函数的三个条件,由条件a)和b),经过计算得到的表达式如下:
其中是Bernstein基函数;
h3i+k=t3i+k+1-t3i+k,k=0,1,2;
易知0<ci0<ci1<ci2<ci3<1,是区间[t3i,t3i+3]上的单调增函数;
在等距结点情形:h3i=h3i+1=h3i+2:
(2)作曲线段di(t)与直线段li(t)在区间[ti,ti+1]上的差向量:
δi(t)=di(t)-li(t),t3i≤t≤t3i+3;
δi(t)有性质:
δi(t)∈C2[t3i,t3i+3];
δi(t3i)=δ(t3i+3)=0,δi (k)(t3i)=d(k)(t3i),δi (k)(t3i+3)=d(k)(t3i+3),k=0,1,差向量δi(t)描述了曲线段d(t)上和直线段li(t)上对应点处的增向量;
(3)引入伸缩因子α>0,作向量αδi(t),将其平移到直线段上,生成曲线段:
其中是连接两相邻de Boor点di和di+1的直线段;
副法线向量为:
γDi(t3i)=α2γd(t3i),γDi(t3i+3)=α2γd(t3i+3);
其中γDi(t)=Di′(t)×Di″(t),γdi(t)=d′(t)×d″(t)分别表示曲线段Di(t)和d(t)的副法线向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810252756.3A CN108734692A (zh) | 2018-03-26 | 2018-03-26 | 一种桥梁结构检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810252756.3A CN108734692A (zh) | 2018-03-26 | 2018-03-26 | 一种桥梁结构检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108734692A true CN108734692A (zh) | 2018-11-02 |
Family
ID=63941078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810252756.3A Pending CN108734692A (zh) | 2018-03-26 | 2018-03-26 | 一种桥梁结构检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734692A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110031477A (zh) * | 2019-04-04 | 2019-07-19 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
CN110470226A (zh) * | 2019-07-10 | 2019-11-19 | 广东工业大学 | 一种基于无人机系统的桥梁结构位移测量方法 |
CN114036258A (zh) * | 2021-10-19 | 2022-02-11 | 东南大学 | 一种基于自然语言处理的桥梁技术状况等级快速识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536456A (zh) * | 2014-12-19 | 2015-04-22 | 郑州市公路工程公司 | 一种自主飞行四旋翼无人机路桥施工巡检系统及方法 |
CN106504297A (zh) * | 2016-09-14 | 2017-03-15 | 陕西理工学院 | 基于b样条的插值曲线或曲面的增量伸缩平移构造方法 |
CN107679535A (zh) * | 2017-09-16 | 2018-02-09 | 西安电子科技大学 | 一种基于模板匹配的指针式水表自动读数识别系统及方法 |
-
2018
- 2018-03-26 CN CN201810252756.3A patent/CN108734692A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536456A (zh) * | 2014-12-19 | 2015-04-22 | 郑州市公路工程公司 | 一种自主飞行四旋翼无人机路桥施工巡检系统及方法 |
CN106504297A (zh) * | 2016-09-14 | 2017-03-15 | 陕西理工学院 | 基于b样条的插值曲线或曲面的增量伸缩平移构造方法 |
CN107679535A (zh) * | 2017-09-16 | 2018-02-09 | 西安电子科技大学 | 一种基于模板匹配的指针式水表自动读数识别系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110031477A (zh) * | 2019-04-04 | 2019-07-19 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
CN110470226A (zh) * | 2019-07-10 | 2019-11-19 | 广东工业大学 | 一种基于无人机系统的桥梁结构位移测量方法 |
CN114036258A (zh) * | 2021-10-19 | 2022-02-11 | 东南大学 | 一种基于自然语言处理的桥梁技术状况等级快速识别方法 |
CN114036258B (zh) * | 2021-10-19 | 2022-06-24 | 东南大学 | 一种基于自然语言处理的桥梁技术状况等级快速识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
CN108734692A (zh) | 一种桥梁结构检测系统 | |
CN116167668B (zh) | 基于bim的绿色节能建筑施工质量评价方法及系统 | |
CN111145157B (zh) | 基于高分辨率遥感影像的路网数据自动化质量检查方法 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
CN113836999A (zh) | 基于探地雷达的隧道施工风险智能识别方法及系统 | |
CN113487722A (zh) | 一种基于三维激光扫描方法的混凝土构件自动化检测方法 | |
CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
CN112183624A (zh) | 一种基于集成学习的大坝监测数据异常检测方法 | |
CN102521874B (zh) | 一种基于图像重建三维数据的法线重采样方法 | |
CN109782167B (zh) | 基于卷积网络深度模型的齿轮减速电机品检装置及方法 | |
CN117036266A (zh) | 一种基于知识蒸馏的工业图像异常检测方法及系统 | |
CN111784785A (zh) | 一种桥梁动态位移识别方法 | |
CN112990190A (zh) | 指针式仪表读数的识别方法、装置 | |
CN116259008A (zh) | 一种基于计算机视觉的水位实时监测方法 | |
CN113870328A (zh) | 一种液体异物视觉检测方法及系统 | |
CN115389516A (zh) | 一种基于高精度定位及深度神经网络的路面病害去重方法 | |
CN115311200A (zh) | 一种基于SSA-PointNet++神经网络混凝土管道损伤识别与体积量化方法 | |
CN108955909A (zh) | 一种基于机器视觉的油温表识别读数方法 | |
CN110502992B (zh) | 一种基于关系图谱的固定场景视频的人脸快速识别方法 | |
CN114298144A (zh) | 一种基于深度卷积神经网络的水电站设备漏油识别方法 | |
CN112710632A (zh) | 一种玻璃微珠高低折射率检测方法及系统 | |
Ying et al. | Detection of the bolt loosening angle through semantic key point extraction detection by using an hourglass network | |
CN114283296B (zh) | 一种基于结构相似度的目标识别自评估方法 | |
CN117593300B (zh) | 一种pe管材裂纹缺陷检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181102 |