CN109029277A - 一种隧道形变监测系统及方法 - Google Patents
一种隧道形变监测系统及方法 Download PDFInfo
- Publication number
- CN109029277A CN109029277A CN201810682228.1A CN201810682228A CN109029277A CN 109029277 A CN109029277 A CN 109029277A CN 201810682228 A CN201810682228 A CN 201810682228A CN 109029277 A CN109029277 A CN 109029277A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- image
- module
- data
- deformation monitoring
- 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
- 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
Abstract
本发明公开了一种隧道形变监测系统及方法,该系统包括设置在检修车上的弧形架,弧形架围成的弧面与检修车行进方向垂直或者呈非零的一定角度,在弧形架上布设有多个图像传感器、多个补光灯、多个测量弧形架与隧道衬砌距离的形变检测模块;还包括姿态传感模块,图像采集模块,控制系统和服务器。该系统能够对隧道进行全景图像和地形距离点云数据进行采集;基于图像数据和距离点云数据构建隧道真实三维图像,非接触实现隧道收敛图建立,与隧道标准收敛图或上一次测量结果比对,实现隧道形变的检测,并且实现形变异常点的图像可视化观察。通过姿态传感模块对检修车行驶中的振动、转弯、加减速等造成的误差进行补偿,提高了测量结果的准确性。
Description
技术领域
本发明涉及隧道检测领域,特别是涉及一种隧道形变监测系统及方法。
背景技术
地铁隧道在施工及营运过程中,由于受到地面、周边建筑物负载及土体扰动、隧道周边工程施工及隧道工程结构施工、地铁列车运行振动等,对隧道产生综合影响而造成隧道变形,为了保证地铁建设及运营期间的安全,相关单位会定期对地铁隧道形变进行监测,隧道的形变监测对隧道的施工及运营阶段的安全性都有重要意义。
目前传统检测方法主要依靠专用测量仪器(全站仪、断面仪、收敛仪等)及建立检测基准网监测隧道沉降的方法来对隧道的形变状况进行监测。隧道形变监测的工作原理是在明暗交界处、围岩变化段及变形缝位置设置一个及以上的断面,并在每个断面相应的两侧边墙处设一对沉降观测点,经过漫长的定期观测之后绘制沉降时态曲线。这一种形变监测的方法耗时持久,且当观测数据不足或工后沉降评估不能满足设计要求时,监测耗时可能又会延长;且不同地区的地质和水文复杂多变,这使得传统隧道监测方法对于本土隧道健康安全监测效果并不明显。传统监测方法更大的缺陷是难以实现对隧道的整体、实时、自动监测,不能获取较为准确的数据反馈。
现有技术中,公开号为CN1OR047930B的中国专利中披露了一种车载式地铁隧道病害数据自动化采集系统,该系统中平板车每行驶设定的距离后,中控主板控制图像采集装置实时采集地铁隧道图像,电机组件带动测距仪测量图像采集装置的实时位置并记录,编码器计算平板车的行驶距离,并采集当前图像采集装置的纵向定位数据,中控主板读取测距仪和编码器中的数据后送往主控计算机。该发明采用六台相机进行拍照,同时运用测距仪和编码器进行定位,病害信息采集快速、准确。但对于平板车行驶中遇到的振动、转弯、加减速等造成图像畸变、图像特征模糊等问题并未涉及以及解决。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种隧道形变监测系统及方法。
为了实现本发明的上述目的,根据本发明的第一个方面,本发明提供了一种隧道形变监测系统,包括设置在检修车上的弧形架,所述弧形架围成的弧面与检修车行进方向垂直或者呈非零的一定角度,在弧形架上布设有多个图像传感器、为所述图像传感器提供照度的多个补光灯、多个测量所述弧形架与隧道衬砌距离的形变检测模块;
还包括用于获取检修车姿态信息的姿态传感模块,采集图像传感器输出的图像数据的图像采集模块,实时同步获取所述图像采集模块、形变检测模块和姿态传感模块的输出数据的控制系统,以及接收所述控制系统输出数据并进行形变分析处理的位于监控室的服务器。
上述技术方案的有益效果为:该系统通过在弧形架上布设图像传感器和形变检测模块,对隧道进行全景监测;基于图像数据和距离点云数据构建隧道真实三维图像。通过设置姿态传感模块对检修车行驶中的振动、转弯、加减速等造成的误差进行补偿,提高了测量结果的准确性。控制系统实时采集图像采集模块、姿态传感模块、测距模块的输出数据并传输至监控室的服务器进行离线分析处理,有效避开地铁停运时段过短带来的人为漏判问题,大大延长了地铁隧道监测天窗期,对隧道形变实时监测。
在本发明的一种优选实施方式中,所述形变检测模块为多个布设在所述弧形架上的测距模块。
上述技术方案的有益效果为:便于数据处理和还原隧道三维结构,测距模块成本低,性价比高。
在本发明的一种优选实施方式中,还包括位于监控室的显示操控模块,所述显示操控模块的数据端与所述服务器的显控数据端通信连接;
和/或还包括电源管理子系统,所述电源管理子系统为系统提供稳定电源。为系统提供稳定电源,保证隧道监测顺利进行。
上述技术方案的有益效果为:通过显示操控系统的启动和关闭,并实时显示隧道全景三维图像或报警信息等,便于人机交互。
为了实现本发明的上述目的,根据本发明的第二个方面,本发明提供了一种隧道形变监测方法,包括:
S1,控制系统同步获取图像采集模块输出的图像数据、形变检测模块输出的点云数据和姿态传感模块输出的姿态数据,将图像数据、点云数据和姿态数据分开或一起压缩后获得数据包,并在数据包中标记时间标签和空间标签;
所述时间标签为控制系统同步获取图像数据、点云数据、数据和姿态数据的时间;
S2,控制系统发送数据包至服务器,服务器对数据包进行解压处理;
S3,服务器对解压处理后的图像数据进行拼接融合处理,获得隧道全景图像;
S4,在每个时间标签或空间标签的数据包中,服务器基于姿态数据对点云数据进行补偿处理;
S5,服务器对补偿处理后的点云数据基于三角剖分算法重构隧道三维结构;
S6,服务器将隧道全景图像和隧道三维结构按照时间和空间顺序进行融合,获得隧道全景三维图像;
S7,基于补偿处理后的点云数据获得多个关联有空间标签的隧道收敛面,将所述隧道收敛面与标准隧道收敛面或者上一个空间标签关联的隧道收敛面进行比对处理,获得隧道形变监测结果,记录该空间标签并将其关联的隧道全景三维图像和隧道形变监测结果发送至显示操控模块显示。
上述技术方案的有益效果为:同步采集图像采集模块输出的图像数据、形变检测模块输出的点云数据和姿态传感模块输出的姿态数据并标记时间标签和空间标签,保证了监测的实时性,使数据处理获得的隧道全景图像和隧道三维结构具有相同的时间基准和空间基准,使隧道全景三维图像更准确还原隧道真实情况,非接触实现隧道收敛图建立,与隧道标准收敛图或上一次测量结果比对,实现隧道形变的检测,并且实现形变异常点的图像可视化观察;通过姿态数据对点云数据进行补偿,能够消除检修车行驶中振动、转弯、加减速等带来的误差,增加隧道三维结构的重构精度,以及收敛面的精准性,进而提高系统隧道形变监测的准确性。通过收敛比对获得形变测量值,直观,运算量少。服务器对数据离线分析处理,有效避开地铁停运时段过短带来的人为漏判问题,大大延长了地铁隧道监测天窗期。硬件模块与软件模块具有无耦合,阻抗高和灵敏度高低功耗的特点。
在本发明的一种优选实施方式中,所述S3包括:
S31,在一个时间标签或空间标签对应的图像数据中,对紧邻的两个摄像头中任一图像传感器输出的图像数据进行透视处理;
S32,将透视处理后的图像数据进行桶形变化处理;
S33,基于ofast算法提取另一个图像传感器输出的图像数据和所述桶形变化处理后的图像数据的特征点;
S34,基于NCC算法利用特征点的图像局部灰度进行特征点匹配;
S35,基于特征点匹配结果进行图像融合,获得隧道全景图像。
上述技术方案的有益效果为:拼接速度快。
在本发明的一种优选实施方式中,所述S3包括:基于金字塔图像融合算法对图像数据进行拼接融合处理,获得隧道全景图像。
上述技术方案的有益效果为:能得到具有更多有用信息的高对比度的融合图像,融合效果良好。
在本发明的一种优选实施方式中,所述S4包括:
S41,基于姿态数据获取检修车行驶中的航向角、俯仰角和横滚角;
S42,使用航向角、俯仰角和横滚角对点云数据进行坐标补偿,补偿公式为:
其中,为测距模块的激光脉冲打在隧道内壁上的激光脚点P相对姿态传感模块的测量中心的坐标;(xIG,yIG,zIG)为姿态传感模块的测量中心,(xLI,yLI,zLI)为测距模块的光学中心相对于姿态传感模块的测量中心的坐标偏移量;Rθ为测距模块瞬时扫描坐标系相对于测距模块仪器坐标系的转换矩阵,旋转角为扫描角(-θ);RIMU为姿态传感模块惯性坐标系转换矩阵,S为激光测距值,旋转角为系统3个姿态角(-ω,-φ,-κ),ω为航向角,φ为俯仰角,κ为横滚角。
上述技术方案的有益效果为:对点云数据进行补偿,能有效消除检修车行驶中振动、转弯、加减速等带来的误差,增加隧道三维结构的重构精度,以及收敛面的精准性,进而提高系统隧道形变监测的准确性。
在本发明的一种优选实施方式中,所述S7包括:
S71,沿隧道建立多个以轨道面为基准面,以轨道中心为基准点的标准隧道收敛面A,每个标准隧道收敛面A关联有一个空间标签;
S72,在每个空间标签处利用补偿处理后的点云数据基于曲线拟合法获取以轨道面为基准面,以轨道中心为基准点的隧道收敛面B;
S73,依次计算所有空间标签关联的隧道收敛面B与标准隧道收敛面A或者与上一个空间标签关联的隧道收敛面B'的差值,若差值达到形变阈值时,记录该空间标签并将其关联的隧道全景三维图像和预警信息发送至显示操控模块显示。
上述技术方案的有益效果为:隧道分段或者分区域建立标准隧道三维全景图像,节约了时间,创建方便,将隧道全景三维图像与标准隧道三维全景图像直接进行比对处理,能够快速获得隧道形变结果,加快了隧道监测的数据处理速度,提高了监测的实时性。
在本发明的一种优选实施方式中,在所述S1之前,还包括在显示操控模块按下开始按钮,系统启动并初始化步骤;
上述技术方案的有益效果为:通过显示操控模块远程对检修车上的各模块进后行操控,避免了人员直接参于检修车上各设备和模块的开启或关闭,使本系统在列车运营时间段也可以工作。
附图说明
图1是本发明一具体实施方式中隧道形变监测系统的系统图;
图2是本发明一具体实施方式中隧道形变监测方法的流程图;
图3是本发明一具体实施方式中隧道收敛面与标准隧道收敛面的比对示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明公开了一种隧道形变监测系统,如图1所示,在一种优选实施方式中,该系统包括设置在检修车上的弧形架,弧形架围成的弧面与检修车行进方向垂直或者呈非零的一定角度,在弧形架上布设有多个图像传感器、为图像传感器提供照度的多个补光灯、多个测量弧形架与隧道衬砌距离的形变检测模块;
还包括用于获取检修车姿态信息的姿态传感模块,采集图像传感器输出的图像数据的图像采集模块,实时同步获取所述图像采集模块、形变检测模块和姿态传感模块的输出数据的控制系统,以及接收控制系统输出数据并进行形变分析处理的位于监控室的服务器。
在本实施方式中,为了监测到隧道全部内壁,弧形架的弧度角优选的大于180°,在本实施方式中,可为270°,为加强弧形架的刚度,可在将弧形架两端通过直型肋条加固,优选的还可以在弧形架内部用多个直型肋条加固。弧形架可为选用金属材质或者刚度较大的塑料材质,通过焊接或者螺栓连接的方式固定在检修车上,优选的,固定在检修车的前端。根据图像传感器的视角和弧形架的弧度角,确定图像传感器的数量,从成本等考虑,本发明可优选视角在略大于30度的摄像头,补光灯数量优选的与图像传感器一致,紧邻图像传感器布设。当弧形架的弧度角为270°时,图像传感器数量为9个,补光灯为9个LED灯,与图像传感器1:1的比例均匀布设在弧形架上。摄像头包括互连的定焦镜头和图像感应器,图像感应器可为CCD感应器等。图像采集模块为图像采集卡,如可选用北京大恒图像的DH-VT140进行。
在本实施方式中,形变检测模块用于测量其所在弧形架与隧道衬砌的距离值,为了对隧道内壁结构有一个准确的监测,优选的,形变监测模块的数量不小于图像传感器的数量,当弧形架为270°时,其数量可为9个。形变监测模块可选择超声波测距传感器、激光测距传感器、红外线测距传感器和24GHZ雷达传感器之一或任意组合。
在本实施方式中,姿态传感模块可为IMU惯导模块或者陀螺仪等姿态传感器,IMU惯导模块优选但不限于型号为Ellipse2-E双天线组合导航系统,通过RS232通讯接口与控制系统进行数据通信。
在本实施方式中,控制系统包括基于X86架构的工控主板、磁盘阵列和通信模块,X86架构的工控主板可选用平望科技公司的型号为PV6351工控主板;磁盘阵列可选用戴尔PowerVault MD1200,具有24TB容量,能满足大量数据暂存。通信模块可为以太网通信模块,如西门子BCNet-S7300模块,或者WIFI通信模块,如上海汉枫电子科技有限公司的HF-A21,或者GSM通信模块,如西门子的TC35/TC35i。通信模块的输入端与工控主板的数据输出端连接,通信模块的输出端通过网线或者无线与服务器的数据输入端连接,服务器为具有大量数据运算能力的工控机或者服务器,且配置有大容量的磁盘阵列。
在本发明的一种优选实施方式中,形变检测模块为多个布设在弧形架上的测距模块。
在本实施方式中,测距模块可选北京天泽泰和科技有限公司型号为YHJ1000的激光测距仪,可紧邻图像传感器均匀分布设置。
在本发明的一种优选实施方式中,还包括位于监控室的显示操控模块,显示操控模块的数据端与服务器的显控数据端通信连接;
和/或还包括电源管理子系统,电源管理子系统为系统提供稳定电源。
在本实施方式中,显示操控模块可为连接在服务器的显示器、键盘、或者触摸屏等,具体连接方式本领域技术人员可参考电脑主机与键盘和显示器的连接线路,在此不再赘述。
在本实施方式中,电源管理子系统将检修车上的车载DC24V电源转换为各子系统和设备提供所需电压,可通过不同大小电压输出的DCDC降压模块实现,如24V降压至5V,可选用深圳市芯纳电子有限公司XL2596;或者选用LM7805或LM2576。优选的,在所述电源管理子系统的输入端与车载DC24V供电端之间还依次连接有保险丝和滤波器,所述保险丝为系统电源进行保护,当车载电源突变到保险丝耐受电流极限时,自动断开,保护系统不受电流冲击而损坏。所述滤波器将车载输入的DC24V进行异形波形过滤,保证系统电源的稳定,可为RC低通滤波器。
本发明还公开了一种隧道形变监测方法,如图2所示,包括:
S1,控制系统同步获取图像采集模块输出的图像数据、形变检测模块输出的点云数据和姿态传感模块输出的姿态数据,将图像数据、点云数据和姿态数据分开或一起压缩后获得数据包,并在数据包中标记时间标签和空间标签;
时间标签为控制系统同步获取图像数据、点云数据、数据和姿态数据的时间;
S2,控制系统发送数据包至服务器,服务器对数据包进行解压处理;
S3,服务器对解压处理后的图像数据进行拼接融合处理,获得隧道全景图像;
S4,在每个时间标签或空间标签的数据包中,服务器基于姿态数据对点云数据进行补偿处理;
S5,服务器对补偿处理后的点云数据基于三角剖分算法重构隧道三维结构;
S6,服务器将隧道全景图像和隧道三维结构按照时间和空间顺序进行融合,获得隧道全景三维图像;
S7,基于补偿处理后的点云数据获得多个与空间标签关联的隧道收敛面,将所述隧道收敛面与标准隧道收敛面或者上一个空间标签关联的隧道收敛面进行比对处理,获得隧道形变监测结果,记录该空间标签并将其关联的隧道全景三维图像和隧道形变监测结果发送至显示操控模块显示。
在本实施方式中,通过时间标签和空间标签关联,对于形变测试结果,可以获得在一段时间内某一个空间标签处形变变化的趋势曲线,从趋势变化快慢,可以对变化较快的空间标签处的形变特别关注,避免事故发生。
在本实施方式中,控制系统采用主动、被动、授时同步等多种方式采集图像采集模块输出的图像数据、测距模块输出的点云数据、姿态传感模块输出的姿态数据,通过设置时间标签和空间标签,为这些数据提供统一的时间和空间基准。时间标签可以具体到秒,如2018年6月6日9点19分,将这些数据作为时间标签;空间标签表示主控子系统采集该数据包时的地理信息位置,可以依照现有技术中从设置在隧道内的里程桩、检修车上设置空间记录仪器或者GPS定位系统获得。优选的,空间标签可表示检修车在隧道中行进的距离,如处于隧道100米处,系统启动前以某一地点为基准,启动运行后计以该点为零点实现系统运行轨迹记录,标识隧道病害发生的精准区域地点,指导检修人员进行实地勘查和修复。
在本实施方式中,S5,服务器对补偿处理后的点云数据基于三角剖分算法重构隧道三维结构包括:
在一个时间标签或空间标签对应的距离点云数据中,Delaunay三角网(即三角剖分中的三角网)采用逐点插入法构造,逐点法生成Delaunay三角网的流程如下:
(1)把距离值点云内的点,定义为二维平面上的Voronoi图,连接所有相邻的具有三个公共顶点的Voronoi多边形的生长中心就形成了Delaunay三角网,这个公共顶点形成Delaunay三角形外接圆的圆心;
(2)Delaunay三角网是一系列相连的但不重叠的三角形的集合,Delaunay三角网的外边界是一个凸多边形(即为凸壳),具有空外接圆和最小内角最大性质;凸壳为一个包含多个点的多边形(一般为超三角形和矩形);
(3)把所有的数据点逐点插入到已经生成的凸壳内,再用Lawson的局部优化过程LOP进行优化,保证生成的Delaunay三角网;
(4)定义一个包含所有数据的点的凸包,将包含在其中的一点和凸包的各顶点相连,生成n个新的三角形,根据Delaunay三角判别法则去掉多余的三角形,知道所有点都被插入,最后删除包含凸包顶点的所有三角形,得到一个时间标签或空间标签对应点云数据还原的隧道三维结构,依次逐个对所有时间标签或空间标签对应的距离点云数据进行上述处理,得到了整个隧道的三维结构。
在本实施方式中,标准隧道收敛面A可在隧道修建完成时测量获得,可选择在隧道内壁每个管片拼接缝隙处测量,在隧道内部依据里程桩或者管片位置标记获得标准隧道收敛面的地理位置,并将其与地理位置与其最接近的空间标签关联。隧道收敛面即为该隧道限界,如图3所示。
在本发明的一种优选实施方式中,所述S3包括:
S31,在一个时间标签或空间标签对应的图像数据中,对紧邻的两个摄像头中任一图像传感器输出的图像数据进行透视处理;
S32,将透视处理后的图像数据进行桶形变化处理;
S33,基于ofast算法提取另一个图像传感器输出的图像数据和所述桶形变化处理后的图像数据的特征点;
S34,基于NCC算法利用特征点的图像局部灰度归一化算法进行特征点匹配;
S35,基于特征点匹配结果进行图像融合,获得隧道全景图像。
在本实施方式中,将对紧邻的两个摄像头中任一图像传感器输出的图像进行透视处理,透视处理的变换公式为:
其中,u,v是透视变换前图像中像素点的坐标,x,y是点u,v透视变换后的坐标。为透视变换系数矩阵,当w为1时,得到:
根据上式,通过已知透视变换对应的几个点就可以求取变换公式。
将上述透视处理后的图像数据进行桶形变化处理:
桶形变化公式为:
其中,ru是非畸变图像中某像素点到图像中心的距离,rd是畸变后该像素点到图像中心的距离,k是畸变因子,与具体的镜头相关。进行桶形变换后缩减了边缘图像匹配的发散,尽量让匹配点的纵坐标的差值减小,缩减透视变换后的变形。
将另一个图像传感器输出的图像数据和桶形变化处理后的图像数据进行特征点匹配处理:
特征点的匹配是通过oFAST+rBRIEF算法即ORB算法来实现的。oFAST为在使用FAST提取出特征点之后,给其定义一个特征点方向,以此来实现特征点的旋转不变形的特征提取方法。FAST算法是公认的最快的特征点提取方法。FAST算法提取的特征点非常接近角点类型。oFAST算法如下:
步骤一:粗提取。能够提取大量的特征点,但是有很大一部分的特征点的质量不高。采用以下提取方法。从图像中选取一点P。我们判断该点是不是特征点的方法是,以P为圆心画一个半径为3pixel的圆。圆周上如果有连续n个像素点的灰度值比P点的灰度值大或者小,则认为P为特征点。一般n设置为12。为了加快特征点的提取,快速排出非特征点,首先检测1、9、5、13位置上的灰度值,如果P是特征点,那么这四个位置上有3个或3个以上的的像素值都大于或者小于P点的灰度值。如果不满足,则直接排出此点。
步骤二:机器学习的方法筛选最优特征点。ID3算法训练一个决策树,将特征点圆周上的16个像素输入决策树中,以此来筛选出最优的FAST特征点。
步骤三:非极大值抑制去除局部较密集特征点。使用非极大值抑制算法去除临近位置多个特征点的问题。为每一个特征点计算出其响应大小。计算方式是特征点P和其周围16个特征点偏差的绝对值和。在比较临近的特征点中,保留响应值较大的特征点,删除其余的特征点。
步骤四:特征点的尺度不变形。建立金字塔,来实现特征点的多尺度不变性。设置一个比例因子scaleFactor(默认为1.2)和金字塔的层数nlevels(默认为8)。将原图像按比例因子缩小成nlevels幅图像。缩放后的图像为:I’=I/scaleFactork(k=1,2,…,nlevels)。nlevels幅不同比例的图像提取特征点总和作为这幅图像的oFAST特征点。
步骤五:特征点的旋转不变性。ORB算法提出使用矩法来确定FAST特征点的方向。也就是说通过矩来计算特征点以r为半径范围内的质心,特征点坐标到质心形成一个向量作为该特征点的方向。矩定义如下:
其中,x,y为图像中像素点坐的标值,从上式可得到,
零阶矩为:m00=∑x,yI(x,y);一阶矩为:m01=∑x,yyI(x,y)和m10=∑x,yxI(x,y)。
质心定义为:
θ=arctan2(m01,m10);
BRIEF算法提取得到的特征点描述符是一个二进制的字符串,假设当前的一个特征点的邻域空间patch,设为pp,pp定义的一个二进制测试:
其中p(x)表示的是在点x处的图像灰度值,那么这样我们就可以得到一个n位的二进制串。
对于x和y的坐标分布是以特征点为中心的高斯分布考虑到图像中有噪声的干扰,在实际的求取特征点描述符的过程中,需要对图像进行平滑操作。使用的方法是,在对比操作τ进行的时候,不是对比的一个点,而是对比的在31×31的patch中的若干个5×5的子窗口。每个特征点的31×31大小的邻域中穷举出所有可能的5×5的匹配子窗口。假设wp为总邻域的边长,wt作为子窗口的边长,那么再这个邻域中一共有N=(wp-wt)2个子窗口存在,从其中任意挑选2个子窗口,则有种可能的选择,然后去掉其中重叠的子窗口的匹配可能,对于作者的实验中,总共有205590种可能的匹配子窗口。然后算法运行如下:
(1)对于每个特征点的邻域中所有可能的子窗口进行匹配,则得到205590个匹配结果,这作为一行,按照公知的300k个特征点法,形成一个300000×205590的矩阵;
(2)对于这个矩阵,求各列的平均值,并按照离0.5的大小从小到大进行排序,并记录每列是由哪一对位置x和y的比较构成的,每队看做一个元素,构成向量T;
(3)贪婪搜索:
(a)取出距离0.5最近的两个位置放到R,并在T中删除;
(b)在去除T中距离0.5最近的两个位置,判断该位置与R中已经存在的关联性是否达到阈值,如果达到则抛弃当前的位置,如果没有达到则把它加入到R中;
(c)反复执行(a)、(b)中的操作,直到R中有256对,如果执行一遍没有达到256,那么提高(b)中的阈值,再次进行此操作,直到选出256对为止。利用这样搜索出来的256对位置生成特征点描述符的方法就是我们前面提到的rBRIEF。
在本实施方式中,基于NCC算法利用特征点的图像局部灰度归一化算法进行特征点匹配的过程为:
为了得到特征点之间的对应关系,直接利用特征点图像局部灰度进行特征点匹配,归一化相互关系数:
其中,w1和w2为以特征点为中心的大小相同的匹配窗口,u1和u2分别为两图像上特征点匹配窗口中像素灰度值。通过计算某个特征点特征向量与待匹配点集特征向量之间的距离,若最近邻特征向量距离与次近邻特征向量距离之比小于阈值D(一般取0.6-0.8之间),则认为该点与最近邻特征向量点是一对匹配点。
在本发明的一种优选实施方式中,S3包括:基于金字塔图像融合算法对图像数据进行拼接融合处理,获得隧道全景图像。
在本实施方式中,基于金字塔分解的图像融合过程是在不同尺度、不同空间分辨率和不同分解层上分别进行的与简单图像融合算法相比能够获得更好的融合效果。具体包括:
步骤1:图像高斯金字塔分解;具体流程本领域技术人员可参考现有技术。
步骤2:图像的拉普拉斯分解;具体流程本领域技术人员可参考现有技术。
步骤3:由拉普拉斯金字塔重建还原图像;具体流程本领域技术人员可参考现有技术。
步骤4:基于拉普拉斯金字塔分解的图像融合;
设LAl和LBl分别为源图像A,B经过拉普拉斯金字塔分解后得到的第l层图像,融合后的结果为LFl。当l=N时,LAN和LBN分别为源图像A,B经过拉普拉斯金字塔分解后得到的顶层图像。对于顶层图像的融合,首先计算以其各个像素为中心的区域大小为M*N(M、N取奇数且M>=3、N>=3)的区域平均梯度:
其中,Ix与Iy分别为像素f(x,y)在x与y方向上的一阶差分,定义如下:
ΔIx=f(x,y)-f(x-1,y);
ΔIy=f(x,y)-f(x,y-1);
因此对于顶层图像中的每一个像素LAN(i,j)和LBN(i,j)都可以得到与之相对应的区域平均梯度GA(i,j)和GB(i,j)。由于平均梯度反映了图像中的微小细节反差和纹理变化特征,同时也反映出图像的清晰度。一般来说平均梯度越大,图像层次也丰富,则图像越清晰。因此顶层图像的融合结果为:
步骤5:基于拉普拉斯金字塔分解的图像融合;在得到金字塔各个层次的融合图像LF1、LF2、LFN后。通过前面的重构,便可得到最终的融合图像。
在本发明的一种优选实施方式中,S4包括:
S41,基于姿态数据获取检修车行驶中的航向角、俯仰角和横滚角;
S42,使用航向角、俯仰角和横滚角对点云数据进行坐标补偿,补偿公式为:
其中,为测距模块的激光脉冲打在隧道内壁上的激光脚点P相对姿态传感模块的测量中心的坐标;(xIG,yIG,zIG)为姿态传感模块的测量中心,(xLI,yLI,zLI)为测距模块的光学中心相对于姿态传感模块的测量中心的坐标偏移量;Rθ为测距模块瞬时扫描坐标系相对于测距模块仪器坐标系的转换矩阵,旋转角为扫描角(-θ);RIMU为姿态传感模块惯性坐标系转换矩阵,S为激光测距值,旋转角为系统3个姿态角(-ω,-φ,-κ),ω为航向角,φ为俯仰角,κ为横滚角。
在本发明的一种优选实施方式中,如图3所示,S7包括:
S71,沿隧道建立多个以轨道面为基准面,以轨道中心为基准点的标准隧道收敛面A,每个标准隧道收敛面A关联有一个空间标签;
S72,在每个空间标签处利用补偿处理后的点云数据基于曲线拟合法获取以轨道面为基准面,以轨道中心为基准点的隧道收敛面B;
S73,依次计算所有空间标签关联的隧道收敛面B与标准隧道收敛面A或者与上一个空间标签关联的隧道收敛面B'的差值,若差值达到形变阈值时,记录该空间标签并将其关联的隧道全景三维图像和预警信息发送至显示操控模块显示。
在本实施方式中,可基于最小二乘椭圆拟合法获取隧道收敛面B,包括:
隧道断面轮廓线定义为椭球与断面所在平面的相交线,且椭球中心与断面中心重合,均落在隧道中轴线上;
基于精简后的点云数据采用最小代数距离平方和的方法求解出椭圆曲线,得到该空间标签的点云数据的隧道收敛面B。
隧道断面设计为一个标准的圆面,在受到外力作用下一般可以认为是一个离心率很小的椭圆,用平面二次曲线的一般方程可以表示为:
F(p,q)=ax2+bxy+cy2+dx+ey+f=0;
其中,p={a,b,c,d,e,f}T,q=[x2,xy,y,x,y,1],第i个像素点的系数qi为qi=[xi 2,xiyi,yi,xi,yi,1],F(p,qi)称为平面上点(xi,yi)到曲线F(p,q)=0的代数距离,即可通过求解所有点的最小代数距离平方和的方法求解出相应的二次曲线。通过以上公式可依次求出椭圆的中心、长半轴和短半轴,从而得到隧道收敛面B。
在本发明的一种优选实施方式中,在S1之前,还包括在显示操控模块按下开始按钮,系统启动并初始化步骤。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种隧道形变监测系统,其特征在于,包括设置在检修车上的弧形架,所述弧形架围成的弧面与检修车行进方向垂直或者呈非零的一定角度,在弧形架上布设有多个图像传感器、为所述图像传感器提供照度的多个补光灯、多个测量所述弧形架与隧道衬砌距离的形变检测模块;
还包括用于获取检修车姿态信息的姿态传感模块,采集图像传感器输出的图像数据的图像采集模块,实时同步获取所述图像采集模块、形变检测模块和姿态传感模块的输出数据的控制系统,以及接收所述控制系统输出数据并进行形变分析处理的位于监控室的服务器。
2.如权利要求1所述的隧道形变监测系统,其特征在于,所述形变检测模块为多个布设在所述弧形架上的测距模块。
3.如权利要求1所述的隧道形变监测系统,其特征在于,还包括位于监控室的显示操控模块,所述显示操控模块的数据端与所述服务器的显控数据端通信连接;
和/或还包括电源管理子系统,所述电源管理子系统为系统提供稳定电源。
4.一种基于权利要求1-3中任一所述的隧道形变监测系统的隧道形变监测方法,其特征在于,包括:
S1,控制系统同步获取图像采集模块输出的图像数据、形变检测模块输出的点云数据和姿态传感模块输出的姿态数据,将图像数据、点云数据和姿态数据分开或一起压缩后获得数据包,并在数据包中标记时间标签和空间标签;
所述时间标签为控制系统同步获取图像数据、点云数据和姿态数据的时间;
S2,控制系统发送数据包至服务器,服务器对数据包进行解压处理;
S3,服务器对解压处理后的图像数据进行拼接融合处理,获得隧道全景图像;
S4,在每个时间标签或空间标签的数据包中,服务器基于姿态数据对点云数据进行补偿处理;
S5,服务器对补偿处理后的点云数据基于三角剖分算法重构隧道三维结构;
S6,服务器将隧道全景图像和隧道三维结构按照时间和空间顺序进行融合,获得隧道全景三维图像;
S7,基于补偿处理后的点云数据获得多个关联有空间标签的隧道收敛面,将所述隧道收敛面与标准隧道收敛面或者上一个空间标签关联的隧道收敛面进行比对处理,获得隧道形变监测结果,记录该空间标签并将其关联的隧道全景三维图像和隧道形变监测结果发送至显示操控模块显示。
5.如权利要求4所述的隧道形变监测方法,其特征在于,所述S3包括:
S31,在一个时间标签或空间标签对应的图像数据中,对紧邻的两个摄像头中任一图像传感器输出的图像数据进行透视处理;
S32,将透视处理后的图像数据进行桶形变化处理;
S33,基于ofast算法提取另一个图像传感器输出的图像数据和所述桶形变化处理后的图像数据的特征点;
S34,基于NCC算法利用特征点的图像局部灰度进行特征点匹配;
S35,基于特征点匹配结果进行图像融合,获得隧道全景图像。
6.如权利要求4所述的隧道形变监测方法,其特征在于,所述S3包括:基于金字塔图像融合算法对图像数据进行拼接融合处理,获得隧道全景图像。
7.如权利要求4所述的隧道形变监测方法,其特征在于,所述S4包括:
S41,基于姿态数据获取检修车行驶中的航向角、俯仰角和横滚角;
S42,使用航向角、俯仰角和横滚角对点云数据进行坐标补偿,补偿公式为:
其中,为测距模块的激光脉冲打在隧道内壁上的激光脚点P相对姿态传感模块的测量中心的坐标;(xIG,yIG,zIG)为姿态传感模块的测量中心,(xLI,yLI,zLI)为测距模块的光学中心相对于姿态传感模块的测量中心的坐标偏移量;Rθ为测距模块瞬时扫描坐标系相对于测距模块仪器坐标系的转换矩阵,旋转角为扫描角(-θ);RIMU为姿态传感模块惯性坐标系转换矩阵,S为激光测距值,旋转角为系统3个姿态角(-ω,-φ,-κ),ω为航向角,φ为俯仰角,κ为横滚角。
8.如权利要求4所述的隧道形变监测方法,其特征在于,所述S7包括:
S71,沿隧道建立多个以轨道面为基准面,以轨道中心为基准点的标准隧道收敛面A,每个标准隧道收敛面A关联有一个空间标签;
S72,在每个空间标签处利用补偿处理后的点云数据基于曲线拟合法获取以轨道面为基准面,以轨道中心为基准点的隧道收敛面B;
S73,依次计算所有空间标签关联的隧道收敛面B与标准隧道收敛面A或者与上一个空间标签关联的隧道收敛面B'的差值,若差值达到形变阈值时,记录该空间标签并将其关联的隧道全景三维图像和预警信息发送至显示操控模块显示。
9.如权利要求4所述的隧道形变监测方法,其特征在于,在所述S1之前,还包括在显示操控模块按下开始按钮,系统启动并初始化步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810682228.1A CN109029277A (zh) | 2018-06-27 | 2018-06-27 | 一种隧道形变监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810682228.1A CN109029277A (zh) | 2018-06-27 | 2018-06-27 | 一种隧道形变监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109029277A true CN109029277A (zh) | 2018-12-18 |
Family
ID=65520554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810682228.1A Pending CN109029277A (zh) | 2018-06-27 | 2018-06-27 | 一种隧道形变监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109029277A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109441549A (zh) * | 2019-01-08 | 2019-03-08 | 四川公路桥梁建设集团有限公司 | 一种隧道二衬断面结构尺寸智能检测台车 |
CN109556539A (zh) * | 2018-12-29 | 2019-04-02 | 上海山南勘测设计有限公司 | 一种基于盾构管片测定的大坡度隧道轴线检测方法 |
CN109767142A (zh) * | 2019-03-11 | 2019-05-17 | 福建工程学院 | 一种智能潜盾隧道施工管理方法 |
CN110097504A (zh) * | 2019-05-13 | 2019-08-06 | 招商局重庆交通科研设计院有限公司 | 一种用于隧道巡检机器人的图像视觉采集系统 |
CN110108205A (zh) * | 2019-05-13 | 2019-08-09 | 中国农业科学院农产品加工研究所 | 体积快速测定的装置和方法 |
CN110132157A (zh) * | 2019-05-30 | 2019-08-16 | 华中科技大学 | 一种地铁安全远端自动化监测及分析系统和方法 |
CN110322428A (zh) * | 2019-05-07 | 2019-10-11 | 武汉汉宁轨道交通技术有限公司 | 检测隧道病害的方法、装置及电子设备 |
CN110595374A (zh) * | 2019-09-17 | 2019-12-20 | 中国人民解放军火箭军工程大学 | 基于传递像机的大型结构件实时形变监测方法 |
CN111127436A (zh) * | 2019-12-25 | 2020-05-08 | 北京深测科技有限公司 | 一种用于桥梁的位移检测预警方法 |
CN111238388A (zh) * | 2020-01-08 | 2020-06-05 | 安徽逻根农业科技有限公司 | 一种高空支架形态监测装置和方法 |
CN111538353A (zh) * | 2020-05-12 | 2020-08-14 | 南京航空航天大学 | 一种隧道检测车稳定装置 |
CN111707668A (zh) * | 2020-05-28 | 2020-09-25 | 武汉武大卓越科技有限责任公司 | 基于序列图像的隧道检测及图像处理方法 |
CN111854717A (zh) * | 2020-08-28 | 2020-10-30 | 广州市盾建地下工程有限公司 | 隧道工程导线网测量用托架装置及其测量方法 |
CN113280750A (zh) * | 2021-06-09 | 2021-08-20 | 武汉大学 | 一种三维变形监测方法和装置 |
CN113790667A (zh) * | 2021-11-18 | 2021-12-14 | 中大检测(湖南)股份有限公司 | 基于雷达的大坝变形检测方法 |
CN114019950A (zh) * | 2021-09-29 | 2022-02-08 | 哈尔滨工业大学 | 一种隧道结构表观病害智能巡检机器人 |
CN114136268A (zh) * | 2021-11-24 | 2022-03-04 | 长安大学 | 一种试验隧道内部收敛变形及破坏状态监测装置及工作方法 |
WO2022120607A1 (zh) * | 2020-12-08 | 2022-06-16 | 深圳大学 | 三维变形测量系统、方法、装置和存储介质 |
CN114791278A (zh) * | 2022-04-14 | 2022-07-26 | 中南大学 | 基于地磁场和重力场感知的姿态角传感装置及监测方法 |
CN115046490A (zh) * | 2022-04-24 | 2022-09-13 | 同济大学 | 一种基于数据融合的结构层间变形监测装置及方法 |
CN116793245A (zh) * | 2023-08-24 | 2023-09-22 | 济南瑞源智能城市开发有限公司 | 一种基于轨道机器人的隧道检测方法、设备及介质 |
CN117191816A (zh) * | 2023-11-08 | 2023-12-08 | 广东工业大学 | 基于多光谱融合的电子元器件表面缺陷检测方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408410A (zh) * | 2008-10-28 | 2009-04-15 | 山东科技大学 | 隧道体元形变移动监测系统及隧道体元形变移动监测方法 |
CN103047930A (zh) * | 2012-12-05 | 2013-04-17 | 上海同岩土木工程科技有限公司 | 一种车载式地铁隧道病害数据自动化采集系统 |
CN104567708A (zh) * | 2015-01-06 | 2015-04-29 | 浙江工业大学 | 基于主动式全景视觉的隧道全断面高速动态健康检测装置与方法 |
CN104914108A (zh) * | 2015-05-15 | 2015-09-16 | 上海同岩土木工程科技有限公司 | 基于机器视觉的高速公路隧道检测车系统 |
CN105277950A (zh) * | 2015-09-29 | 2016-01-27 | 西安知几天线技术有限公司 | 基于车体坐标系的激光雷达坐标转换方法 |
CN107063179A (zh) * | 2017-04-27 | 2017-08-18 | 上海同岩土木工程科技股份有限公司 | 一种可移动式隧道断面变形检测装置 |
-
2018
- 2018-06-27 CN CN201810682228.1A patent/CN109029277A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408410A (zh) * | 2008-10-28 | 2009-04-15 | 山东科技大学 | 隧道体元形变移动监测系统及隧道体元形变移动监测方法 |
CN103047930A (zh) * | 2012-12-05 | 2013-04-17 | 上海同岩土木工程科技有限公司 | 一种车载式地铁隧道病害数据自动化采集系统 |
CN104567708A (zh) * | 2015-01-06 | 2015-04-29 | 浙江工业大学 | 基于主动式全景视觉的隧道全断面高速动态健康检测装置与方法 |
CN104914108A (zh) * | 2015-05-15 | 2015-09-16 | 上海同岩土木工程科技有限公司 | 基于机器视觉的高速公路隧道检测车系统 |
CN105277950A (zh) * | 2015-09-29 | 2016-01-27 | 西安知几天线技术有限公司 | 基于车体坐标系的激光雷达坐标转换方法 |
CN107063179A (zh) * | 2017-04-27 | 2017-08-18 | 上海同岩土木工程科技股份有限公司 | 一种可移动式隧道断面变形检测装置 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109556539A (zh) * | 2018-12-29 | 2019-04-02 | 上海山南勘测设计有限公司 | 一种基于盾构管片测定的大坡度隧道轴线检测方法 |
CN109441549A (zh) * | 2019-01-08 | 2019-03-08 | 四川公路桥梁建设集团有限公司 | 一种隧道二衬断面结构尺寸智能检测台车 |
CN109767142A (zh) * | 2019-03-11 | 2019-05-17 | 福建工程学院 | 一种智能潜盾隧道施工管理方法 |
CN110322428A (zh) * | 2019-05-07 | 2019-10-11 | 武汉汉宁轨道交通技术有限公司 | 检测隧道病害的方法、装置及电子设备 |
CN110322428B (zh) * | 2019-05-07 | 2021-07-30 | 武汉汉宁轨道交通技术有限公司 | 检测隧道病害的方法、装置及电子设备 |
CN110108205B (zh) * | 2019-05-13 | 2020-11-24 | 中国农业科学院农产品加工研究所 | 体积快速测定的装置和方法 |
CN110097504A (zh) * | 2019-05-13 | 2019-08-06 | 招商局重庆交通科研设计院有限公司 | 一种用于隧道巡检机器人的图像视觉采集系统 |
CN110108205A (zh) * | 2019-05-13 | 2019-08-09 | 中国农业科学院农产品加工研究所 | 体积快速测定的装置和方法 |
CN110132157A (zh) * | 2019-05-30 | 2019-08-16 | 华中科技大学 | 一种地铁安全远端自动化监测及分析系统和方法 |
CN110595374A (zh) * | 2019-09-17 | 2019-12-20 | 中国人民解放军火箭军工程大学 | 基于传递像机的大型结构件实时形变监测方法 |
CN110595374B (zh) * | 2019-09-17 | 2020-05-05 | 中国人民解放军火箭军工程大学 | 基于传递像机的大型结构件实时形变监测方法 |
CN111127436A (zh) * | 2019-12-25 | 2020-05-08 | 北京深测科技有限公司 | 一种用于桥梁的位移检测预警方法 |
CN111127436B (zh) * | 2019-12-25 | 2023-10-20 | 北京深测科技有限公司 | 一种用于桥梁的位移检测预警方法 |
CN111238388B (zh) * | 2020-01-08 | 2021-11-16 | 安徽逻根农业科技有限公司 | 一种高空支架形态监测装置和方法 |
CN111238388A (zh) * | 2020-01-08 | 2020-06-05 | 安徽逻根农业科技有限公司 | 一种高空支架形态监测装置和方法 |
CN111538353A (zh) * | 2020-05-12 | 2020-08-14 | 南京航空航天大学 | 一种隧道检测车稳定装置 |
CN111538353B (zh) * | 2020-05-12 | 2021-10-19 | 南京航空航天大学 | 一种隧道检测车稳定装置 |
CN111707668A (zh) * | 2020-05-28 | 2020-09-25 | 武汉武大卓越科技有限责任公司 | 基于序列图像的隧道检测及图像处理方法 |
CN111707668B (zh) * | 2020-05-28 | 2023-11-17 | 武汉光谷卓越科技股份有限公司 | 基于序列图像的隧道检测及图像处理方法 |
CN111854717A (zh) * | 2020-08-28 | 2020-10-30 | 广州市盾建地下工程有限公司 | 隧道工程导线网测量用托架装置及其测量方法 |
WO2022120607A1 (zh) * | 2020-12-08 | 2022-06-16 | 深圳大学 | 三维变形测量系统、方法、装置和存储介质 |
CN113280750A (zh) * | 2021-06-09 | 2021-08-20 | 武汉大学 | 一种三维变形监测方法和装置 |
CN114019950A (zh) * | 2021-09-29 | 2022-02-08 | 哈尔滨工业大学 | 一种隧道结构表观病害智能巡检机器人 |
CN113790667A (zh) * | 2021-11-18 | 2021-12-14 | 中大检测(湖南)股份有限公司 | 基于雷达的大坝变形检测方法 |
CN114136268A (zh) * | 2021-11-24 | 2022-03-04 | 长安大学 | 一种试验隧道内部收敛变形及破坏状态监测装置及工作方法 |
CN114791278A (zh) * | 2022-04-14 | 2022-07-26 | 中南大学 | 基于地磁场和重力场感知的姿态角传感装置及监测方法 |
CN115046490A (zh) * | 2022-04-24 | 2022-09-13 | 同济大学 | 一种基于数据融合的结构层间变形监测装置及方法 |
CN116793245A (zh) * | 2023-08-24 | 2023-09-22 | 济南瑞源智能城市开发有限公司 | 一种基于轨道机器人的隧道检测方法、设备及介质 |
CN116793245B (zh) * | 2023-08-24 | 2023-12-01 | 济南瑞源智能城市开发有限公司 | 一种基于轨道机器人的隧道检测方法、设备及介质 |
CN117191816A (zh) * | 2023-11-08 | 2023-12-08 | 广东工业大学 | 基于多光谱融合的电子元器件表面缺陷检测方法和装置 |
CN117191816B (zh) * | 2023-11-08 | 2024-02-20 | 广东工业大学 | 基于多光谱融合的电子元器件表面缺陷检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109029277A (zh) | 一种隧道形变监测系统及方法 | |
CN104567708B (zh) | 基于主动式全景视觉的隧道全断面高速动态健康检测装置与方法 | |
CN107709928B (zh) | 用于实时建图与定位的方法和装置 | |
Yu et al. | 3D reconstruction of road surfaces using an integrated multi-sensory approach | |
Rau et al. | Analysis of oblique aerial images for land cover and point cloud classification in an urban environment | |
CN104932001B (zh) | 一种实时3d核辐射环境重建监测系统 | |
CN104330074B (zh) | 一种智能测绘平台及其实现方法 | |
CN105096386A (zh) | 大范围复杂城市环境几何地图自动生成方法 | |
CN106199626A (zh) | 基于摆动激光雷达的室内三维点云地图生成系统及方法 | |
CN106049210A (zh) | 一种轨道状态智能检测平台 | |
Roncella et al. | Photogrammetry for geological applications: automatic retrieval of discontinuity orientation in rock slopes | |
CN103837087B (zh) | 基于主动形状模型的受电弓自动检测方法 | |
CN112800524A (zh) | 一种基于深度学习的路面病害三维重建方法 | |
CN106997605A (zh) | 一种通过智能手机采集脚型视频和传感器数据获取三维脚型的方法 | |
CN109596121A (zh) | 一种机动站自动目标检测与空间定位方法 | |
CN203126621U (zh) | 一种车载三维激光与全景影像测量系统 | |
McKeown et al. | Performance evaluation for automatic feature extraction | |
CN109871739A (zh) | 基于yolo-sioctl的机动站自动目标检测与空间定位方法 | |
CN109115434A (zh) | 一种隧道健康监测系统及方法 | |
Yang et al. | Automated wall‐climbing robot for concrete construction inspection | |
CN114279324A (zh) | 一种预制构件外观质量全方位智能检测方法 | |
Tao et al. | Automatic reconstruction of road centerlines from mobile mapping image sequences | |
CN109671109A (zh) | 密集点云生成方法及系统 | |
CN111473774B (zh) | 无人机单航带倾斜摄影电力线障碍物巡检方法 | |
CN109883400A (zh) | 基于yolo-sitcol的固定站自动目标检测与空间定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |