CN109300126B - 一种基于空间位置的桥梁病害高精度智能检测方法 - Google Patents
一种基于空间位置的桥梁病害高精度智能检测方法 Download PDFInfo
- Publication number
- CN109300126B CN109300126B CN201811107843.6A CN201811107843A CN109300126B CN 109300126 B CN109300126 B CN 109300126B CN 201811107843 A CN201811107843 A CN 201811107843A CN 109300126 B CN109300126 B CN 109300126B
- Authority
- CN
- China
- Prior art keywords
- bridge
- image
- length
- data
- defect
- 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
Links
Images
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
-
- 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
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Abstract
一种基于空间位置的桥梁病害高精度智能检测方法,步骤如下:采用高清影像采集系统,对桥梁侧面、梁底、桥面进行拍摄,以采集桥梁各部分的影像图和记录采集影像时的位置信息;将所述影像数据、位置信息数据导入图像处理软件,制作桥梁各部分的拼接影像图;将制作好的拼接影像图导入到桥梁病害智能识别系统;建立桥梁病害三维空间档案系统,在桥梁病害信息与桥梁三维模型空间进行自动匹配后,将匹配桥梁病害信息的桥梁三维模型数据存入数据库中,以便调用、查看。本发明实现了桥梁检测数据的自动采集、智能化分析,减少检测技术人员外业工作量提高检测效率。
Description
技术领域
本发明涉及桥梁病害检测,特别是涉及一种基于空间位置的桥梁病害高精度智能检测方法。
背景技术
根据中华人民共和国建设部于2004年3月1日颁布实施的《城市桥梁养护技术规范(CJJ99-2003)》和2004年6月28日颁布实施的《公路桥涵养护规范(JTGH11-2004)》的规定。桥梁的检查分为经常检查、定期检查和特殊检查。《公路桥涵养护规范(JTGH11-2004)》3.2.1规定,经常检查的周期依据桥梁技术状况而定,一般每月不得少于一次,汛期应加强不定期检查。《城市桥梁养护技术规范(CJJ99-2003)》城市桥梁养护等级分为三个等级,各等级的城市桥梁必须进行经常检查。经常检查的周期规定如下:
1、城市桥梁的I等养护,即城市主干路、城市快速路上的桥梁及特大桥梁和特殊结构的桥梁的经常检查周期为一天;
2、城市桥梁的II等养护,即城市桥梁中区域集会点、商业区及旅游路线或市区之间的联络线、主要地区或重点企业所在地桥梁的经常检查周期为三天;
3、城市桥梁的III等养护即城市支路和街坊路上桥梁的经常检查周期为七天;
截至2009年末,我国桥梁累计达66万余座,每座桥梁按规定要求均需进行经常检查,桥梁养护管理单位经常检查的工作量十分巨大。
目前的桥梁检查主要存在以下不足之处:
1.高速公路具有交通流量大、不便封闭施工等特点,检测过程中的交通安全隐患一直以来是检测过程中最大的安全隐患,相对于全封道作业,通车条件下的检测作业更具危险性;
2.对于特殊结构桥梁(如斜拉桥、悬索桥、钢管混凝土拱桥等)或者大跨高墩桥梁来说,传统的检测工具基本无法派上用场,只能回归人工检测的原始形态;
3.需要有经验的检测人员利用相关专有仪器来识别桥梁病害,整个过程工作强度大、周期长,其中检测过程是高度依赖检测人员,所以也无法避免人为检测错误。
发明内容
针对上述现有技术的不足,本发明提供了一种基于空间位置的桥梁病害高精度智能检测方法,以解决上述问题中的不足之处。
为了解决上述技术问题,本发明采用了如下的技术方案:
一种基于空间位置的桥梁病害高精度智能检测方法,检测方法的步骤如下:
步骤1.采用高清影像采集系统,对桥梁侧面、梁底、桥面进行拍摄,以采集桥梁各部分的影像图和记录采集影像时的位置信息;
步骤2.将所述影像数据、位置信息数据导入图像处理软件,制作桥梁各部分的拼接影像图;
步骤3.将制作好的拼接影像图导入到桥梁病害智能识别系统,通过自动读取所述拼接影像图的每条裂缝长度、宽度所占的像素数,得出桥梁病害在桥梁三维模型的对应位置及桥梁病害的类别、长度和宽度,并推算出裂缝的长度和宽度,当裂缝长度、宽度超过阈值时判断为病害图像;具体包括以下步骤:
3.1)桥梁病害类别的识别:收集历史桥梁病害图像,将对包含有桥梁病害的拼接影像图的部位进行人工标注分类形成的裂缝标识库发送至智能检测软件,智能检测软件采用卷积神经网络算法进行训练、学习检测桥梁病害的区域和类别;
3.2)桥梁病害的测量:当识别桥梁病害图像后,通过识别所述拼接影像图得出病害的尺寸,公式如下:Resolution=Dm/Dp,其中,Dp为拼接影像图上目标尺寸,Dm为目标实际尺寸,Resolution为拼接影像图的分辨率,桥梁病害实际长度Lm=Lp*Resolution,Lp为桥梁病害在拼接影像图上的长度;
3.3)病害定位,包括如下步骤:
3.3.1)基于CAD数据对桥梁三维模型按构件分块建模,并通过建筑信息模型技术和地理信息系统技术计算出桥梁构件的坐标,将每座桥梁按照各自的构件拆分成三维模型并将拆分后的构件进行编号;
3.3.2)通过全球定位系统对影像数据进行定位,获取影像数据的位置数据,计算出坐标,所述影像数据的坐标通过与已知坐标的桥梁构件的三维模型进行匹配存储,使影像数据与桥梁构件建立空间对应关系,利用数字水印技术使影像数据在存储时显示存储时间;
3.3.3)根据桥梁病害在影像数据的位置以及影像数据与桥梁构件的三维模型的相对位置,将桥梁病害标注在桥梁的三维模型上并以桥梁构件为单位对每个桥梁病害进行编码,在影像数据上对桥梁病害注明坐标,并对桥梁病害的几何尺寸进行标注;
步骤4.建立桥梁病害三维空间档案系统,在桥梁病害信息与桥梁三维模型空间进行自动匹配后,将匹配桥梁病害信息的桥梁三维模型数据存入数据库中,以便调用、查看。
作为优化,
A.在所述步骤3.2中的拼接影像图上目标尺寸Dp的长度采用平面曲线的弧长S计算算法,公式如下:
定义直角坐标,设函数f(x)在区间[a,b]上具有一阶连续的导数,曲线y=f(x)的长度S即为裂缝长度;
取x为积分变量,则x∈[a,b],在[a,b]上任取一小区间[x,x+dx],那么这一小区间所对应的曲线弧段的长度Δs可以用它的弧微分ds来近似;
B.在所述步骤3.2中的拼接影像图上目标尺寸Dp的宽度W计算公式如下:
W=μ*N,其中,W为裂缝宽度,μ为高清影像采集系统的像元大小,N为裂缝占用像元数量。
作为优化,所述高清影像采集系统由无人机或车载系统或在桥检车工作平台任一或多个组合构成。
作为优化,所述高清影像采集系统采用无人机对桥梁侧面、梁底、桥面进行图像采集。
作为优化,所述无人机在装载高清影像采集系统进行拍摄前,根据测试的桥梁结构数据对无人机的飞行线路进行设计,以确保无人机的拍摄高度和移动速度保持不变。
作为优化,在桥梁两侧空地上架设GPS基站,将GPS卫星信号传导至桥底,提高无人机飞行稳定性。
作为优化,所述桥梁病害三维空间档案系统包括桥梁三维模型构件的编号、桥梁病害的图片、位置、范围、发展趋势、结论及建议。
本发明的有益效果是:
1.本方法实现了桥梁检测数据的自动采集、智能化分析,减少检测技术人员外业工作量提高检测效率。
2.通过高清影像采集系统的数据采集实现对桥梁病害的动态追溯,实行对桥梁状态数据采集的全覆盖,实现不同时期桥梁病害发展趋势的动态量化评估。
3.通过桥梁病历的建立,实现在桥梁的全寿命期完整准确的对桥梁病害的发展、治理、监控、评估的量化动态管理和准确评估。
附图说明
图1为本发明所述的一种基于空间位置的桥梁病害高精度智能检测方法的流程图。
图2为图1中的步骤3的具体流程图。
图3为图2中的步骤3.2的平面曲线计算方法的坐标图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
一种基于空间位置的桥梁病害高精度智能检测方法,检测方法的步骤如下:
步骤1.采用高清影像采集系统,对桥梁侧面、梁底、桥面进行拍摄,以采集桥梁各部分的影像图和记录采集影像时的位置信息。
步骤2.将所述影像数据、位置信息数据导入图像处理软件,制作桥梁各部分的拼接影像图。
步骤3.将制作好的拼接影像图导入到桥梁病害智能识别系统,通过自动读取所述拼接影像图的每条裂缝长度、宽度所占的像素数,得出桥梁病害在桥梁三维模型的对应位置及桥梁病害的类别、长度和宽度,并推算出裂缝的长度和宽度,当裂缝长度、宽度超过阈值时判断为病害图像;具体包括以下步骤:
3.1)桥梁病害类别的识别:收集历史桥梁病害图像,将对包含有桥梁病害的拼接影像图部位的进行人工标注分类形成的裂缝标识库发送至智能检测软件,智能检测软件采用卷积神经网络算法进行训练、学习检测桥梁病害的区域和类别。还可以采用高斯模糊、Sobel算子、形态学开闭算法来预处理拼接影像图,再利用支持向量机算法训练智能检测软件。
3.2)桥梁病害的测量:当识别桥梁病害图像后,通过识别所述拼接影像图得出病害的尺寸,公式如下:Resolution=Dm/Dp,其中,Dp为拼接影像图上目标尺寸,Dm为目标实际尺寸,Resolution为拼接影像图的分辨率,桥梁病害实际长度Lm=Lp*Resolution,Lp为桥梁病害在拼接影像图上的长度。
3.3)病害定位,包括如下步骤:
3.3.1)基于CAD数据对桥梁三维模型按构件分块建模,并通过建筑信息模型技术和地理信息系统技术计算出桥梁构件的坐标,将每座桥梁按照各自的构件拆分成三维模型并将拆分后的构件进行编号;
建筑信息模型(Building Information Modeling,BIM)是以建筑工程项目的各项相关信息数据作为模型的基础,进行建筑模型的建立,通过数字信息仿真模拟建筑物所具有的真实信息。它具有信息完备性、信息关联性、信息一致性、可视化、协调性、模拟性、优化性和可出图性八大特点;
地理信息系统(Geographic Information System或Geo-Information system,GIS),它是一种特定的十分重要的空间信息系统。它是在计算机硬、软件系统支持下,对整个或部分地球表层(包括大气层)空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术系统;
3.3.2)通过全球定位系统对影像数据进行定位,获取影像数据的位置数据,计算出坐标,影像数据的坐标通过与已知坐标的桥梁构件的三维模型进行匹配存储,使影像数据与桥梁构件建立空间对应关系,利用数字水印技术使影像数据在存储时显示存储时间;
3.3.3)根据桥梁病害在影像数据的位置以及影像数据与桥梁构件的三维模型的相对位置,将桥梁病害标注在桥梁的三维模型上并以桥梁构件为单位对每个桥梁病害进行编码,在影像数据上对桥梁病害注明坐标,并对桥梁病害的几何尺寸进行标注;
步骤4.建立桥梁病害三维空间档案系统,在桥梁病害信息与桥梁三维模型空间进行自动匹配后,将匹配桥梁病害信息的桥梁三维模型数据存入数据库中,以便调用、查看。
工作人员通过桥梁病害三维空间档案系统将桥梁各部件状况评定结果登记在“桥梁病例卡”中,根据“桥梁病例卡”及检测桥梁清单,桥梁病害三维空间档案系统自动生成定检成果汇总统计分析的可视化图表以及与上次定检成果相比的趋势变化及分析可视化图表。
本实施例中,在步骤3.2中的拼接影像图上目标尺寸Dp的长度采用平面曲线的弧长S计算算法,公式如下:
定义直角坐标,设函数f(x)在区间[a,b]上具有一阶连续的导数,曲线y=f(x)的长度S即为裂缝长度;
取x为积分变量,则x∈[a,b],在[a,b]上任取一小区间[x,x+dx],那么这一小区间所对应的曲线弧段的长度Δs可以用它的弧微分ds来近似;
在步骤3.2中的拼接影像图上目标尺寸Dp的宽度W计算公式如下:
W=μ*N,其中,W为裂缝宽度,μ为高清影像采集系统的像元大小,N为裂缝占用像元数量。
本实施例中,搭载设备中的无人机对桥梁下部结构、梁底、桥面系的外观进行检测。检查桥梁的铺装层的裂缝(龟裂、纵横裂缝)、坑槽、波浪、桥头沉降、伸缩缝的异常变形、破损、脱落;梁端头、底面是否破损,梁是否有伸缩空间、混凝土有无裂缝、渗水、表面风化、剥落、露筋、预应力钢束锚固区段混凝土有无开裂,沿预应力筋的混凝土表面有无纵向裂缝等;梁(板)式结构的跨中、支点及变截面处,悬臂端牛腿或中间铰部位,梁的固结处和桁架节点部位,混凝土是否开裂、缺损和出现露筋;装配式梁桥联结部位的缺损状况:组合梁的桥面板与梁的结合部位及预制桥面板之间的接头处混凝土有无开裂、渗水;横向联结构件是否开裂,连接钢板的焊缝有无锈蚀、断裂,边梁有无横移或向外倾斜;支座组件开裂、错位、脱空、位移情况等。
本实施例中,高清影像采集系统由无人机或车载系统或在桥检车工作平台任一或多个组合构成,本实施例的高清影像采集系统采用无人机对桥梁侧面、梁底、桥面进行图像采集,无人机在装载高清影像采集系统进行拍摄前,根据测试的桥梁结构数据对无人机的飞行线路进行设计,以确保无人机的拍摄高度和移动速度保持不变。
本实施例中,在桥梁两侧空地上架设GPS基站,将GPS卫星信号传导至桥底,提高无人机飞行稳定性。
本实施例中,桥梁病害三维空间档案系统包括桥梁三维模型构件的编号、桥梁病害的图片、位置、范围、发展趋势、结论及建议。
本发明的工作原理:
通过对搭载着高清影像采集系统的搭载设备进行操控,采集桥梁各个部位的影像数据,将影像数据录入桥梁病害智能识别系统和桥梁病害三维空间档案系统,实现对桥梁病害的可视化管理,多起数据可实现自动对比,预测未来病害发展趋势。
最后应说明的是:本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等统计数的范围之内,则本发明也意图包含这些改动和变型。
Claims (7)
1.一种基于空间位置的桥梁病害高精度智能检测方法,其特征在于,所述方法的步骤如下:
步骤1.采用高清影像采集系统,对桥梁侧面、梁底、桥面进行拍摄,以采集桥梁各部分的影像图和记录采集影像时的位置信息;
步骤2.将所述桥梁各部分的影像图、位置信息数据导入图像处理软件,制作桥梁各部分的拼接影像图;
步骤3.将制作好的拼接影像图导入到桥梁病害智能识别系统,通过自动读取所述拼接影像图的每条裂缝长度、宽度所占的像素数,得出桥梁病害在桥梁三维模型的对应位置及桥梁病害的类别、长度和宽度,并推算出裂缝的长度和宽度,当裂缝长度、宽度超过阈值时判断为病害图像;具体包括以下步骤:
3.1)桥梁病害类别的识别:收集历史桥梁病害图像,将对包含有桥梁病害的拼接影像图的部位进行人工标注分类形成的裂缝标识库发送至智能检测软件,智能检测软件采用卷积神经网络算法进行训练、学习检测桥梁病害的区域和类别;
3.2)桥梁病害的测量:当识别桥梁病害图像后,通过识别所述拼接影像图得出病害的尺寸,公式如下:Resolution=Dm/Dp,其中,Dp为拼接影像图上目标尺寸,Dm为目标实际尺寸,Resolution为拼接影像图的分辨率,桥梁病害实际长度Lm=Lp*Resolution,Lp为桥梁病害在拼接影像图上的长度;
3.3)病害定位,包括如下步骤:
3.3.1)基于CAD数据对桥梁三维模型按构件分块建模,并通过建筑信息模型技术和地理信息系统技术计算出桥梁构件的坐标,将每座桥梁按照各自的构件拆分成三维模型并将拆分后的构件进行编号;
3.3.2)通过全球定位系统对影像数据进行定位,获取影像数据的位置数据,计算出坐标,所述影像数据的坐标通过与已知坐标的桥梁构件的三维模型进行匹配存储,使影像数据与桥梁构件建立空间对应关系,利用数字水印技术使影像数据在存储时显示存储时间;
3.3.3)根据桥梁病害在影像数据的位置以及影像数据与桥梁构件的三维模型的相对位置,将桥梁病害标注在桥梁的三维模型上并以桥梁构件为单位对每个桥梁病害进行编码,在影像数据上对桥梁病害注明坐标,并对桥梁病害的几何尺寸进行标注;
步骤4.建立桥梁病害三维空间档案系统,在桥梁病害信息与桥梁三维模型空间进行自动匹配后,将匹配桥梁病害信息的桥梁三维模型数据存入数据库中,以便调用、查看。
2.根据权利要求1所述的一种基于空间位置的桥梁病害高精度智能检测方法,其特征在于,
A.在3.2)中的拼接影像图上目标尺寸Dp的长度采用平面曲线的弧长S计算算法,公式如下:
定义直角坐标,设函数f(x)在区间[a,b]上具有一阶连续的导数,曲线y=f(x)的长度S即为裂缝长度;
取x为积分变量,则x∈[a,b],在[a,b]上任取一小区间[x,x+dx],那么这一小区间所对应的曲线弧段的长度Δs可以用它的弧微分ds来近似;
B.在3.2)中的拼接影像图上目标尺寸Dp的宽度W计算公式如下:
W=μ*N,其中,W为裂缝宽度,μ为高清影像采集系统的像元大小,N为裂缝占用像元数量。
3.根据权利要求1所述的一种基于空间位置的桥梁病害高精度智能检测方法,其特征在于,所述高清影像采集系统由无人机或车载系统或在桥检车工作平台任一或多个组合构成。
4.根据权利要求3所述的一种基于空间位置的桥梁病害高精度智能检测方法,其特征在于,所述高清影像采集系统采用无人机对桥梁侧面、梁底、桥面进行图像采集。
5.根据权利要求4所述的一种基于空间位置的桥梁病害高精度智能检测方法,其特征在于,所述无人机在装载高清影像采集系统进行拍摄前,根据测试的桥梁结构数据对无人机的飞行线路进行设计,以确保无人机的拍摄高度和移动速度保持不变。
6.根据权利要求5所述的一种基于空间位置的桥梁病害高精度智能检测方法,其特征在于,在桥梁两侧空地上架设GPS基站,将GPS卫星信号传导至桥底,提高无人机飞行信号稳定性。
7.根据权利要求1所述的一种基于空间位置的桥梁病害高精度智能检测方法,其特征在于,所述桥梁病害三维空间档案系统包括桥梁三维模型构件的编号、桥梁病害的图片、位置、范围、发展趋势、结论及建议。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811107843.6A CN109300126B (zh) | 2018-09-21 | 2018-09-21 | 一种基于空间位置的桥梁病害高精度智能检测方法 |
US16/156,528 US10818003B2 (en) | 2018-09-21 | 2018-10-10 | High-precision intelligent detection method for bridge diseases based on spatial position |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811107843.6A CN109300126B (zh) | 2018-09-21 | 2018-09-21 | 一种基于空间位置的桥梁病害高精度智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109300126A CN109300126A (zh) | 2019-02-01 |
CN109300126B true CN109300126B (zh) | 2022-01-07 |
Family
ID=65163669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811107843.6A Active CN109300126B (zh) | 2018-09-21 | 2018-09-21 | 一种基于空间位置的桥梁病害高精度智能检测方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10818003B2 (zh) |
CN (1) | CN109300126B (zh) |
Families Citing this family (61)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015224442A1 (de) * | 2015-11-05 | 2017-05-11 | Continental Teves Ag & Co. Ohg | Situationsabhängiges Teilen von MAP-Botschaften zur Verbesserung digitaler Karten |
CN108364280B (zh) * | 2018-01-03 | 2022-04-15 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
JP7412983B2 (ja) * | 2019-02-04 | 2024-01-15 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
CN110031477B (zh) * | 2019-04-04 | 2021-01-01 | 华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 |
CN110516294B (zh) * | 2019-07-16 | 2022-05-20 | 西南交通大学 | 一种基于bim的4d运维信息模型的建立方法 |
CN110441314A (zh) * | 2019-07-30 | 2019-11-12 | 南京华智大为科技有限责任公司 | 基于无人机自动化扫描的桥梁梁板底面巡查系统 |
CN110852576A (zh) * | 2019-10-22 | 2020-02-28 | 中冶建筑研究总院有限公司 | 一种基于智能监测的桥梁技术状况快速评定方法 |
CN110894704A (zh) * | 2019-11-15 | 2020-03-20 | 东南大学 | 一种基于无人机的公路路面病害的定位方法 |
CN111275812B (zh) * | 2020-01-19 | 2023-10-17 | 北京恒华伟业科技股份有限公司 | 一种数据展示方法、装置及电子设备 |
CN111274637B (zh) * | 2020-01-20 | 2022-07-29 | 天津市交通科学研究院 | 基于bim技术的四维桥梁信息管理系统 |
CN111272764B (zh) * | 2020-01-22 | 2023-04-28 | 哈尔滨工业大学 | 大型智能临时平台非接触图像识别移动管控系统及方法 |
CN111272142B (zh) * | 2020-03-30 | 2021-09-07 | 广州市重点公共建设项目管理中心 | 一种高支模的沉降监测装置及方法 |
CN111563530B (zh) * | 2020-04-01 | 2023-05-09 | 中铁大桥科学研究院有限公司 | 一种智能化桥梁病害巡检方法和系统 |
CN111597608A (zh) * | 2020-04-17 | 2020-08-28 | 南京震坤物联网科技有限公司 | 基于裂缝轮廓族的桥梁bim模型裂缝带参数可视化创建方法 |
CN111524121A (zh) * | 2020-04-22 | 2020-08-11 | 南京智行信息科技有限公司 | 一种基于机器视觉技术的路桥病害自动检测方法 |
CN111553236B (zh) * | 2020-04-23 | 2022-06-07 | 福建农林大学 | 基于道路前景图像的路面病害目标检测与实例分割方法 |
CN111667578B (zh) * | 2020-05-22 | 2023-03-31 | 安徽省交通控股集团有限公司 | 一种三维空间信息系统中的桥梁病害可视化方法 |
CN111595859A (zh) * | 2020-05-22 | 2020-08-28 | 三峡大学 | 桥涵损伤检测方法及损伤检测、管理系统 |
CN111651816A (zh) * | 2020-05-25 | 2020-09-11 | 上海建工一建集团有限公司 | 裂缝识别方法及建筑结构安全性监测方法 |
CN111860202A (zh) * | 2020-06-28 | 2020-10-30 | 中铁大桥科学研究院有限公司 | 图像识别与智能设备结合的梁场台座状态识别方法及系统 |
CN111581697B (zh) * | 2020-07-02 | 2023-01-24 | 江苏现代工程检测有限公司 | 基于bim的桥梁检测信息管理方法及系统 |
CN112052624A (zh) * | 2020-08-13 | 2020-12-08 | 五邑大学 | 一种基于大数据评估预测桥梁寿命的方法 |
CN112052625A (zh) * | 2020-08-13 | 2020-12-08 | 五邑大学 | 一种基于大数据评估预测建筑寿命的方法 |
CN112229586B (zh) * | 2020-09-30 | 2022-10-14 | 石家庄铁道大学 | 桥梁支座健康状态检测方法及终端设备 |
CN112686836B (zh) * | 2020-11-05 | 2023-11-28 | 广东博智林机器人有限公司 | 墙壁施工方法及装置 |
CN112417560B (zh) * | 2020-11-19 | 2023-04-18 | 华东交通大学 | 一种铁路t梁病害影响评估方法、系统、终端设备及可读存储介质 |
CN112685808B (zh) * | 2020-12-07 | 2022-12-27 | 山西省智慧交通研究院有限公司 | 斜拉桥技术状况参数化结构建模及智能评定系统 |
CN112700429B (zh) * | 2021-01-08 | 2022-08-26 | 中国民航大学 | 基于深度学习的机场道面地下结构病害自动检测方法 |
CN112903710A (zh) * | 2021-01-22 | 2021-06-04 | 山东高速工程检测有限公司 | 桥梁表观病害的监测方法、系统及装置 |
CN112884760B (zh) * | 2021-03-17 | 2023-09-26 | 东南大学 | 近水桥梁多类型病害智能检测方法与无人船设备 |
CN113065540A (zh) * | 2021-03-31 | 2021-07-02 | 广东电网有限责任公司 | 一种基于机巡图像的输电线路元件失效识别方法及系统 |
CN113111415B (zh) * | 2021-04-02 | 2022-06-03 | 中铁大桥勘测设计院集团有限公司 | 一种考虑部分拉索失效的斜拉桥索力可靠度评估方法 |
CN113066086B (zh) * | 2021-04-26 | 2022-08-30 | 深圳市商汤科技有限公司 | 道路病害检测方法及装置、电子设备和存储介质 |
CN113190040B (zh) * | 2021-04-29 | 2021-10-08 | 集展通航(北京)科技有限公司 | 一种基于无人机视频与铁路bim进行线路巡检的方法和系统 |
CN113188436A (zh) * | 2021-05-18 | 2021-07-30 | 吉林大学 | 一种基于仿生传感元件的桥梁应变及裂缝监测方法与装置 |
CN113888481A (zh) * | 2021-06-11 | 2022-01-04 | 重庆红岩建设机械制造有限责任公司 | 一种桥面病害检测方法、系统、设备及存储介质 |
CN113837996B (zh) * | 2021-08-17 | 2023-09-29 | 北京工商大学 | 一种支持人工校验的地铁隧道病害自动检测方法 |
CN114486908A (zh) * | 2021-12-31 | 2022-05-13 | 长江航道工程局有限责任公司 | 一种桥墩病害识别检测无人机及检测方法 |
CN114202660B (zh) * | 2022-02-21 | 2022-12-30 | 广东建科交通工程质量检测中心有限公司 | 一种基于边云桥梁检测的远程分布式控制方法及系统 |
CN114387291B (zh) * | 2022-03-22 | 2022-07-15 | 中大检测(湖南)股份有限公司 | 公路状况检测图像中基准网格的自动筛选方法及系统 |
CN114550107B (zh) * | 2022-04-26 | 2022-07-26 | 深圳联和智慧科技有限公司 | 基于无人机集群的桥梁联动智能巡检方法、系统及云平台 |
CN114724040A (zh) * | 2022-05-06 | 2022-07-08 | 悉地(苏州)勘察设计顾问有限公司 | 一种基于航拍拼接图像的混凝土裂缝识别方法及系统 |
CN114943693B (zh) * | 2022-05-09 | 2023-07-25 | 盐城工学院 | 一种基于JetsonNano桥梁裂纹检测方法及系统 |
CN115018300B (zh) * | 2022-05-30 | 2023-04-28 | 河北宝力工程装备股份有限公司 | 一种基于传感器技术的桥梁健康在线监测安全分析一体化平台 |
CN115127476B (zh) * | 2022-06-27 | 2023-09-15 | 中铁二局第一工程有限公司 | 一种3d扫描的钢结构合龙检测及配切方法 |
CN115184372B (zh) * | 2022-07-13 | 2023-04-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 混凝土结构难达部位微裂纹荧光渗透智能探测装置与方法 |
CN115688555B (zh) * | 2022-09-07 | 2024-03-26 | 兰州大学 | 一种桥梁寿命预测方法 |
CN115184378B (zh) * | 2022-09-15 | 2024-03-29 | 北京思莫特科技有限公司 | 一种基于移动设备的混凝土结构病害检测系统及方法 |
CN115797350B (zh) * | 2023-02-07 | 2023-06-02 | 清华大学 | 桥梁病害检测方法、装置、计算机设备和存储介质 |
CN116108541B (zh) * | 2023-03-10 | 2023-07-25 | 安徽省交通建设股份有限公司 | 一种基于bim的斜拉索桥梁施工可视化管理系统及方法 |
CN116122356B (zh) * | 2023-04-14 | 2023-06-27 | 成都建工第三建筑工程有限公司 | 一种基于多模型融合的深基坑安全监测系统 |
CN116152237B (zh) * | 2023-04-18 | 2023-07-04 | 中铁四局集团有限公司 | 一种钢轨剥落掉块检测方法及系统 |
CN116596508B (zh) * | 2023-05-12 | 2024-03-08 | 广东交科检测有限公司 | 一种边坡裂缝病害发展识别记录方法 |
CN116295020B (zh) * | 2023-05-22 | 2023-08-08 | 山东高速工程检测有限公司 | 一种桥梁病害定位方法及定位装置 |
CN116597125B (zh) * | 2023-05-24 | 2023-11-21 | 中国公路工程咨询集团有限公司 | 一种基于图像识别的桥梁拼接遥感控制系统及方法 |
CN116842620B (zh) * | 2023-07-10 | 2023-12-29 | 广州交投工程检测有限公司 | 一种钢筋混凝土桥梁裂缝的智能预测方法及系统 |
CN116678368B (zh) * | 2023-07-28 | 2023-10-17 | 山东德丰重工有限公司 | 基于bim技术的装配式钢结构数据智能采集方法 |
CN116753962B (zh) * | 2023-08-16 | 2023-10-13 | 成都睿铂科技有限责任公司 | 一种桥梁的航线规划方法及装置 |
CN116823232B (zh) * | 2023-08-28 | 2023-12-01 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种桥梁表观病害巡检方法、巡检系统以及巡检装置 |
CN117036965B (zh) * | 2023-10-08 | 2024-01-05 | 四川正路建设工程检测咨询有限公司 | 桥梁维修设备控制方法、电子设备和计算机可读介质 |
CN117333675B (zh) * | 2023-10-09 | 2024-04-09 | 国网吉林省电力有限公司 | 一种gis伸缩节的监测预警方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345542A (zh) * | 2013-06-05 | 2013-10-09 | 西安理工大学 | 一种基于三维可视化技术的桥梁病害标记方法 |
CN105046328A (zh) * | 2015-07-31 | 2015-11-11 | 江苏省交通规划设计院股份有限公司 | 一种三维可视化桥梁病害信息采集管理系统及方法 |
CN106645205A (zh) * | 2017-02-24 | 2017-05-10 | 武汉大学 | 一种无人机桥梁底面裂纹检测方法及系统 |
CN107967685A (zh) * | 2017-12-11 | 2018-04-27 | 中交第二公路勘察设计研究院有限公司 | 一种基于无人机遥感的桥梁墩塔裂缝无损定量检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9454816B2 (en) * | 2013-10-23 | 2016-09-27 | International Electronic Machines Corp. | Enhanced stereo imaging-based metrology |
CN108463717B (zh) * | 2016-01-26 | 2021-05-25 | 富士胶片株式会社 | 龟裂信息检测装置、龟裂信息检测方法及存储介质 |
WO2017221965A1 (ja) * | 2016-06-23 | 2017-12-28 | 日本電気株式会社 | 状態判定装置、状態判定方法、及びプログラムを記憶する記憶媒体 |
-
2018
- 2018-09-21 CN CN201811107843.6A patent/CN109300126B/zh active Active
- 2018-10-10 US US16/156,528 patent/US10818003B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345542A (zh) * | 2013-06-05 | 2013-10-09 | 西安理工大学 | 一种基于三维可视化技术的桥梁病害标记方法 |
CN105046328A (zh) * | 2015-07-31 | 2015-11-11 | 江苏省交通规划设计院股份有限公司 | 一种三维可视化桥梁病害信息采集管理系统及方法 |
CN106645205A (zh) * | 2017-02-24 | 2017-05-10 | 武汉大学 | 一种无人机桥梁底面裂纹检测方法及系统 |
CN107967685A (zh) * | 2017-12-11 | 2018-04-27 | 中交第二公路勘察设计研究院有限公司 | 一种基于无人机遥感的桥梁墩塔裂缝无损定量检测方法 |
Non-Patent Citations (1)
Title |
---|
基于BIM技术的桥梁病害信息三维可视化采集管理系统;陈宁等;《中外公路》;20170304;第37卷(第1期);第305-308页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109300126A (zh) | 2019-02-01 |
US20200098103A1 (en) | 2020-03-26 |
US10818003B2 (en) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109300126B (zh) | 一种基于空间位置的桥梁病害高精度智能检测方法 | |
CN108764205B (zh) | 基于无人机低空航摄系统进行城市市政普查的方法 | |
Jiang et al. | Underpass clearance checking in highway widening projects using digital twins | |
CN103955923A (zh) | 一种快速的基于图像的路面病害检测方法 | |
Jiang et al. | Building digital twins of existing highways using map data based on engineering expertise | |
Benmhahe et al. | Automated pavement distress detection, classification and measurement: A review | |
CN113312987B (zh) | 一种基于无人机航拍路面裂缝图像的识别方法 | |
Reeder et al. | Implementation manual—3D engineered models for highway construction: The Iowa experience | |
Ahlborn et al. | Bridge condition assessment using remote sensors. | |
Gura et al. | Updating the algorithm for processing laser scanning data using linear objects as an example | |
CN115510607A (zh) | 一种基于三维实景建模技术的三电迁改设计方法 | |
CN113160022A (zh) | 市政桥梁养护管理系统、方法、设备及可读存储介质 | |
CN114863272A (zh) | 一种确定城市植被对城市综合活力影响强度的方法和系统 | |
Ostroglazov et al. | System analysis and processing of transport infrastructure information | |
Lueangvilai | Development of Structure and Pavement Inspection Using Mobile Laser Scanning Point Clouds: A Case Study of Thailand Expressway | |
Pace | Effects of short-term strains on concrete bulb-tee bridge girders and analysis of the practicality of using three-dimensional models based on drone imagery to aid in bridge inspections | |
Farooq | An approach to bridge inspection using 3D laser scanners and digital photographs | |
CN114399584B (zh) | 基于倾斜摄影的道路沿线附属设施及构筑物布置方法 | |
Reeder et al. | 3D engineered models for highway construction: the Iowa experience. | |
Catigbac et al. | Integrated workflow with mobile mapping survey and BIM approach to digitalize subway infrastructures | |
Keegan et al. | Modern pavement condition assesment methods for periodic maintenance and rehabilitation planning on a network level-a United States approach with possible application opportunities in South África | |
Wood et al. | Improvement of Low Traffic Volume Gravel Roads in Nebraska | |
Chung et al. | GIS-based automated management of highway surface crack inspection system | |
JOHN | College of Engineering, Design, Art, And Technology School of Built Environment Department of Geomatics and Land Management | |
Ripoll et al. | State of the art of noise mapping in Europe |
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 |