CN109374651B - 一种基于系留无人机的大型桥梁检测方法及检测装置 - Google Patents

一种基于系留无人机的大型桥梁检测方法及检测装置 Download PDF

Info

Publication number
CN109374651B
CN109374651B CN201811302247.3A CN201811302247A CN109374651B CN 109374651 B CN109374651 B CN 109374651B CN 201811302247 A CN201811302247 A CN 201811302247A CN 109374651 B CN109374651 B CN 109374651B
Authority
CN
China
Prior art keywords
bridge
image
aerial vehicle
unmanned aerial
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811302247.3A
Other languages
English (en)
Other versions
CN109374651A (zh
Inventor
李清泉
王永全
汪驰升
朱家松
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 University
Original Assignee
Shenzhen University
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 University filed Critical Shenzhen University
Priority to CN201811302247.3A priority Critical patent/CN109374651B/zh
Publication of CN109374651A publication Critical patent/CN109374651A/zh
Application granted granted Critical
Publication of CN109374651B publication Critical patent/CN109374651B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft

Abstract

本发明公开了一种基于系留无人机的大型桥梁检测方法及检测装置，其中，检测方法包括步骤：将系留电源布置在桥面上，无人机从桥面起降，对桥梁表面进行检测；或者，将系留电源布置在地面上，无人机从地面起降，对桥梁表面进行检测。本发明基于系留无人机，提供了两种桥梁检测的作业方法，操作人员处于桥面或桥下安全地带，安全有保证，而且作业简单，同时不影响正常交通；此外系留无人机有地面供电，可以连续飞行，能够满足续航的要求。

Description

一种基于系留无人机的大型桥梁检测方法及检测装置
技术领域
本发明涉及图像识别处理领域，尤其涉及一种基于系留无人机的大型桥梁检测方法及检测装置。
背景技术
近十几年，我国交通事业的发展迅速，桥梁公路里程不断增加，截止到2015年底，全国桥梁公路达到77.92万座，4592.77万米。其中，特大桥梁3894座、690.42万米，大桥79512座、2060.85万米。同时，近年来随着国家路网的不断完善和物流产业的迅猛发展，公路交通流量显著增长，超大型运输车和超重车数量日益增多，桥梁在服役年限里加速了老化和破损，难以适应日益增长的交通运输量需求。据不完全统计，我国公路路网中有超过10万座桥梁被定为危桥。众多因素降低了桥梁承载能力和耐久性，甚至影响运营的安全，由此引起的一系列问题都需要相应的维修、改造和加固来解决，而这些工作又必须在对桥梁结构进行详细和全面检测的基础上才能进行。因此，准确、高效的桥梁检测工作十分重要。
目前，常用的桥梁检测方法有很多种，例如支架检测、望远镜检测、爬壁机器人、桥梁检测车、桥梁承载能力检测等。不过，这些现有的大型桥梁检测方式还存在一些不足:1)可操作的难度非常大，对于桥梁的高墩结构以及涉水区段等，存在一定的检测盲区；2)实时性差，桥梁损坏事故发生后不能快速检测桥梁的最新情况；3)危险系数比较高，给检测人员带来一定的安全风险；4)进行桥梁的静载或动载检测会严重影响正常交通。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供一种基于系留无人机的大型桥梁检测方法及检测装置，旨在解决现有的桥梁检测方法操作难度大、不安全、并且会影响正常的交通运行的问题。
本发明的技术方案如下：
一种基于系留无人机的大型桥梁检测方法，包括步骤：
将系留电源布置在桥面上，无人机从桥面起降，对桥梁表面进行检测；
或者，将系留电源布置在地面上，无人机从地面起降，对桥梁表面进行检测。
所述的基于系留无人机的大型桥梁检测方法，其中，对桥梁表面进行检测的步骤包括：
步骤S1：获取桥梁表面的初始影像，以及所述初始影像与桥梁表面对应的位置信息；
步骤S2：对所述初始影像进行灰度校正，以去除辅助光照不均引起的噪声信号，得到校正后的影像；
步骤S3：将所述校正后的影像分成三个级别：像素级影像、单元级影像和块级影像，然后基于所述像素级影像到单元级影像的灰度计算，消除随机噪声信号；基于所述单元级影像的块级影像进行邻域差分直方图分割计算，消除桥梁表面的背景信号，从而检测出桥梁表面的裂缝区域；
其中，所述单元级影像是指裂缝影像的一部分，所述块级影像是指裂缝区域整体的影像。
步骤S4：对所述裂缝区域进行边缘跟踪，提取裂缝的几何特征。
所述的基于系留无人机的大型桥梁检测方法，其中，所述步骤S1中，获取所述初始影像与桥梁表面对应的位置信息，具体方法包括：采用惯性导航系统和/或GPS系统定位。
所述的基于系留无人机的大型桥梁检测方法，其中，所述步骤S2包括：
步骤S21、将所述初始影像的影像行中各像元与所述影像行的均值求差，得到差值影像行；
步骤S22、对所述差值影像行采用正弦函数进行最小二乘拟合，得到所述影像行的噪声信号的正弦参数；
步骤S23、通过所述正弦参数计算出所述噪声信号，对所述初始影像进行补偿，得到校正后的影像。
所述的基于系留无人机的大型桥梁检测方法，其中，所述步骤S3中，所述灰度计算的离散数学模型为：
Grayunit＝λMinunit+(1-λ)Meanunit；
其中，Grayunit为计算得到的单元级影像灰度值，Minunit为单元级影像最小灰度值，Meanunit为单元级影像灰度均值，λ为单元级影像最小灰度值的权重。
所述的基于系留无人机的大型桥梁检测方法，其中，所述步骤S3中，所述邻域差分直方图分割计算的离散数学模型为：
Figure BDA0001852691360000041
其中，Dhg为块级影像灰度级Gray((i+h)*m+(j+k)在影像中与其八邻域象素变化量的统计值，m为块级影像横向的单元数。n为块级影像纵向的单元数，g为灰度值，h和k是表示在影像取八邻域方向时能够遍历所有方向，起数学运算作用，无实际物理意义，g、h、i、j、k、m、n均为整数；g∈[0，255]，h∈[-1，1]，k∈[-1，1]，i∈[0，n-1]、j∈[0，m-1]。
所述的基于系留无人机的大型桥梁检测方法，其中，所述步骤S4中，所述几何特征包括点状特征、线状特征和面状特征。
所述的基于系留无人机的大型桥梁检测方法，其中，包括：系留无人机，以及设置在所述系留无人机上的桥梁检测系统；
所述系留无人机包括系留电源，以及与所述系留电源通过电连接的无人机。
所述的基于系留无人机的大型桥梁检测方法，其中，所述桥梁检测系统包括：
图像采集模块，用于获取桥梁表面的初始影像；
定位导航模块，用于所述无人机的导航定位，并获取所述初始影像与桥梁表面对应的位置信息；
处理器，分别与所述图像采集模块、所述定位导航模块通信连接，用于数据的处理计算；
存储器，与所述处理器通信连接，所述存储器存储有计算机程序，所述计算机程序用于被执行时实现如上所述的方法。
所述的基于系留无人机的大型桥梁检测方法，其中，所述图像采集模块包括云台和防抖相机。
有益效果：本发明基于系留无人机，提供了两种桥梁检测的作业方法，操作人员处于桥面或地面安全地带，安全有保证，而且作业简单，同时不影响正常交通；此外相比单纯的无人机(续航大概30min)，系留无人机有地面供电，可以连续飞行，不存在续航时间，对于大型桥梁检测来说，一次检测作业时间相对较长，系留无人机能够满足续航的要求。
附图说明
图1为本发明提供的一种大型桥梁检测方法的实施例的示意图。
图2为本发明提供的另一种大型桥梁检测方法的实施例的示意图。
图3为本发明提供的一种大型桥梁检测装置的结构示意图。
具体实施方式
本发明提供了一种基于系留无人机的大型桥梁检测方法及检测装置，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，本发明中，桥梁表面是指桥梁上不方便直接检测的部位，例如桥体的底面和侧面、桥墩的侧面等等。
本发明提供的基于系留无人机的大型桥梁检测方法，其中一种实施如图1所示，将系留电源1布置在桥面上，无人机2从桥面3起降，对桥梁表面进行检测。另一种实施方式如图2所示，将系留电源1布置在地面上，无人机2从地面起降，对桥梁表面3进行检测。操作人员在桥下进行无人机起降。具体操作时，以桥面起降为例，起飞无人机之前，将系留模块中的线缆释放出足够长度，使得线缆依靠重力自然下垂，防止无人机的旋翼缠绕到线缆；操作人员在桥面上操控无人机的飞行及起降，数据采集及处理由无人机完成。
本发明基于系留无人机的两种桥梁检测的作业方法，操作人员处于桥面或桥下安全地带，安全有保证，而且作业简单，同时不影响正常交通；此外相比单纯的无人机(续航大概30min)，系留无人机有地面供电，可以连续飞行，不存在续航时间，对于大型桥梁检测来说，一次检测作业时间相对较长，系留无人机能够满足续航的要求。
本发明还提供了系留无人机对桥面进行检测的较佳实施例，具体包括：
步骤S1：获取桥梁表面的初始影像，以及所述初始影像与桥梁表面对应的位置信息。
具体的，无人机抵近桥梁底面和侧面飞行的同时，对桥梁底面和侧面状况进行扫描，获取桥梁底面和侧面的初始影像；由于无人机配置有定位导航模块，例如惯性导航系统或者GPS系统定位，因此可以将获取的初始影像与桥梁底面和侧面对应的位置进行匹配。优选的，同时配备惯性导航系统和GPS系统定位，可以获得更精确的位置匹配效果。
步骤S2：对所述初始影像进行灰度校正，以去除辅助光照不均引起的噪声信号，得到校正后的影像。
具体的，在获取桥梁底面和侧面影像时，相机对光照的要求较高，光照的不均匀性使所成影像产生带状条纹，含有过多纵向噪声会使得检测结果失去意义，所以在裂缝之前必须进行影像的灰度校正。
含有裂缝的辅助照明影像(初始影像)I(p)主要由以下信号组成，具体是：①桥梁背景信号Ib(p)②桥梁裂缝信号Ic(p)③随机噪声信号In(p)④辅助光照不均引起的噪声信号Ia(p)组成，可表达成如下式子：
I(p)＝Ib(p)+Ic(p)+In(p)+Ia(p) (1)
去除噪声信号的步骤包括：
步骤S21、将所述初始影像的影像行中各像元与所述影像行的均值求差，得到差值影像行。
影像行辅助照明不均噪声分量消除的数学表达如下：
Iminus(p)＝I(p)-Iave(p) (2)
其中，Iminus(p)表示差值影像行的像元值，Iave(p)表示初始影像的影像行均值。
步骤S22、对所述差值影像行采用正弦函数进行最小二乘拟合，得到所述影像行的噪声信号的正弦参数。
差值影像行像元值与横坐标之间为正弦关系，数学表示如下：
Iminus(p)＝asin(bj)+c (3)
对式(3)进行线性化后，利用最小二乘原理得到正弦函数的三个参数a、b、c。
步骤S23、通过所述正弦参数计算出所述噪声信号，对所述初始影像进行补偿，得到校正后的影像。
影像行辅助照明不均噪声信号对应的分量Ia(p)为：
Ia(p)＝asin(bj)+c (4)
最终得到经过灰度校正后的影像I′(p)为：
I′(p)＝I(p)-Ia(p)＝Ib(p)+Ic(p)+In(p) (5)
步骤S3：将所述校正后的影像分成三个级别：像素级影像、单元级影像和块级影像，然后基于所述像素级影像到单元级影像的灰度计算，消除随机噪声信号；基于所述单元级影像的块级影像进行邻域差分直方图分割计算，消除桥梁背景信号，从而检测出桥梁的裂缝区域；其中，所述单元级影像是指裂缝影像的一部分，所述块级影像是指裂缝区域整体的影像，本发明中为了降低检测的时间复杂度和误检测，将影像进行多尺度分割，例如，可以将4*4像素单元作为像素级影像。
具体的，基于所述像素级影像到单元级影像的灰度计算的离散数学模型为：
Grayunit＝λMinunit+(1-λ)Meanunit (6)
其中，Grayunit为计算得到的单元级影像灰度值，Minunit为单元级影像最小灰度值，Meanunit为单元级影像灰度均值，λ为单元级影像最小灰度值的权重。通过该计算可以消除随机噪声的影响，同时降低时间计算度。
所述邻域差分直方图分割计算的离散数学模型为：
Figure BDA0001852691360000091
其中，Dhg为块级影像灰度级Gray((i+h)*m+(j+k)在影像中与其八邻域象素变化量的统计值，m为块级影像横向的单元数。n为块级影像纵向的单元数，g为灰度值，h和k是表示在影像取八邻域方向时能够遍历所有方向，起数学运算作用，无实际物理意义，g、h、i、j、k、m、n均为整数；g∈[0，255]，h∈[-1，1]，k∈[-1，1]，i∈[0，n-1]、j∈[0，m-1]。通过该计算可消除全局背景强度不一致的影响，从而准确地检测出裂缝破损区域。
步骤S4：对所述裂缝区域进行边缘跟踪，提取裂缝的几何特征。
具体的，通过对所检测出的裂缝区域进行影像分析和变换，以提取所需特征，可以得到裂缝的边缘矢量，它是裂缝几何特征提取的基础，几何特征又是裂缝分类的一个重要组成部分。对于一般的封闭的几何图形而言，其几何特征分为三大类即：点状特征、线状特征和面状特征。以上三大类特征都能在不同程度上反映出路面裂缝的类型，从而为路面裂缝分类提供比较好的基础数据。
本发明利用摄像技术实现桥梁底部和侧面图像采集，利用惯导、GPS结合运动图像定位技术实现裂缝破损位置的精确定位，通过裂缝破损影像几何特征提取算法进行大型桥梁的裂缝精确识别，本发明的检测方法简易、安全、低成本、高精度、可定位、裂缝可自动识别，可广泛应用于城市高架桥、跨河大桥、跨海大桥等大型桥梁的常规勘查检测。
本发明还提供了一种基于系留无人机的大型桥梁检测装置的较佳实施例，如图3所示，包括：系留无人机，以及设置在所述系留无人机上的桥梁检测系统；系留无人机包括系留电源，以及与系留电源通过电连接的无人机。
具体的，桥梁检测系统可以包括：图像采集模块，用于获取桥梁表面的初始影像，优选的，图像采集模块包括云台和防抖相机，以获取更清晰的照片。定位导航模块，用于所述无人机的导航定位，并获取所述初始影像与桥梁表面对应的位置信息。处理器，分别与所述图像采集模块、所述定位导航模块通信连接，用于数据的处理计算。存储器，与所述处理器通信连接，所述存储器存储有计算机程序，所述计算机程序用于被执行时实现如上文所述的大型桥梁检测方法。
综上所述，本发明提供了一种基于系留无人机的大型桥梁检测方法及检测装置，本发明基于系留无人机，提供了两种桥梁检测的作业方法，利用摄像技术实现桥梁底部和侧面图像采集，利用惯导、GPS结合运动图像定位技术实现裂缝破损位置的精确定位，通过裂缝破损影像几何特征提取算法进行大型桥梁的裂缝精确识别，本发明的检测方法简易、安全、低成本、高精度、可定位、裂缝可自动识别；此外相比单纯的无人机(续航大概30min)，系留无人机有地面供电，可以连续飞行，不存在续航时间，对于大型桥梁检测来说，一次检测作业时间相对较长，系留无人机能够满足续航的要求。本发明可广泛应用于城市高架桥、跨河大桥、跨海大桥等大型桥梁的常规勘查检测。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种基于系留无人机的大型桥梁检测方法，其特征在于，包括步骤：
将系留电源布置在桥面上，无人机从桥面起降，对桥梁表面进行检测；
或者，将系留电源布置在地面上，无人机从地面起降，对桥梁表面进行检测；
对桥梁表面进行检测的步骤包括：
步骤S1：获取桥梁表面的初始影像，以及所述初始影像与桥梁表面对应的位置信息；
步骤S2：对所述初始影像进行灰度校正，以去除辅助光照不均引起的噪声信号，得到校正后的影像；
步骤S3：将所述校正后的影像分成三个级别：像素级影像、单元级影像和块级影像，然后基于所述像素级影像到单元级影像的灰度计算，消除随机噪声信号；基于所述单元级影像的块级影像进行邻域差分直方图分割计算，消除桥梁表面的背景信号，从而检测出桥梁表面的裂缝区域；
其中，所述单元级影像是指裂缝影像的一部分，所述块级影像是指裂缝区域整体的影像。
步骤S4：对所述裂缝区域进行边缘跟踪，提取裂缝的几何特征；
所述步骤S2包括：
步骤S21、将所述初始影像的影像行中各像元与所述影像行的均值求差，得到差值影像行；
步骤S22、对所述差值影像行采用正弦函数进行最小二乘拟合，得到所述影像行的噪声信号的正弦参数；
步骤S23、通过所述正弦参数计算出所述噪声信号，对所述初始影像进行补偿，得到校正后的影像。
2.根据权利要求1所述的基于系留无人机的大型桥梁检测方法，其特征在于，所述步骤S1中，获取所述初始影像与桥梁表面对应的位置信息，具体方法包括：采用惯性导航系统和/或GPS系统定位。
3.根据权利要求1所述的基于系留无人机的大型桥梁检测方法，其特征在于，所述步骤S3中，所述灰度计算的离散数学模型为：
Grayunit＝λMinunit+(1-λ)Meanunit；
其中，Grayunit为计算得到的单元级影像灰度值，Minunit为单元级影像最小灰度值，Meanunit为单元级影像灰度均值，λ为单元级影像最小灰度值的权重。
4.根据权利要求1所述的基于系留无人机的大型桥梁检测方法，其特征在于，所述步骤S3中，所述邻域差分直方图分割计算的离散数学模型为：
Figure FDA0002953734800000021
其中，Dhg为块级影像灰度级Gray((i+h)*m+(j+k)在影像中与其八邻域象素变化量的统计值，m为块级影像横向的单元数。n为块级影像纵向的单元数，g为灰度值，h和k是表示在影像取八邻域方向时能够遍历所有方向，起数学运算作用，无实际物理意义，g、h、i、j、k、m、n均为整数；g∈[0，255]，h∈[-1，1]，k∈[-1，1]，i∈[0，n-1]、j∈[0，m-1]。
5.根据权利要求1所述的基于系留无人机的大型桥梁检测方法，其特征在于，所述步骤S4中，所述几何特征包括点状特征、线状特征和面状特征。
6.一种基于系留无人机的大型桥梁检测装置，其特征在于，包括：系留无人机，以及设置在所述系留无人机上的桥梁检测系统；
所述系留无人机包括系留电源，以及与所述系留电源通过电连接的无人机；
所述桥梁检测系统包括：
图像采集模块，用于获取桥梁表面的初始影像；
定位导航模块，用于所述无人机的导航定位，并获取所述初始影像与桥梁表面对应的位置信息；
处理器，分别与所述图像采集模块、所述定位导航模块通信连接，用于数据的处理计算；
存储器，与所述处理器通信连接，所述存储器存储有计算机程序，所述计算机程序用于被执行时实现如权利要求1-5任一项所述的方法。
7.根据权利要求6所述的基于系留无人机的大型桥梁检测装置，其特征在于，所述图像采集模块包括云台和防抖相机。
CN201811302247.3A 2018-11-02 2018-11-02 一种基于系留无人机的大型桥梁检测方法及检测装置 Active CN109374651B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811302247.3A CN109374651B (zh) 2018-11-02 2018-11-02 一种基于系留无人机的大型桥梁检测方法及检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811302247.3A CN109374651B (zh) 2018-11-02 2018-11-02 一种基于系留无人机的大型桥梁检测方法及检测装置

Publications (2)

Publication Number Publication Date
CN109374651A CN109374651A (zh) 2019-02-22
CN109374651B true CN109374651B (zh) 2021-04-27

Family

ID=65397513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811302247.3A Active CN109374651B (zh) 2018-11-02 2018-11-02 一种基于系留无人机的大型桥梁检测方法及检测装置

Country Status (1)

Country Link
CN (1) CN109374651B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105735150A (zh) * 2016-03-04 2016-07-06 浙江大学 一种移动多目视觉桥梁常规检测方法
CN108106801A (zh) * 2017-11-15 2018-06-01 温州市交通工程试验检测有限公司 桥隧病害非接触检测系统及检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104843176B (zh) * 2015-04-28 2017-04-19 北京恒华伟业科技股份有限公司 一种用于桥梁隧道自动巡检旋翼无人机系统及导航方法
CN204676420U (zh) * 2015-04-30 2015-09-30 尹栋 基于无人机系统的桥梁质量快速检测装置
CN104762877A (zh) * 2015-04-30 2015-07-08 尹栋 基于无人机系统的桥梁质量快速检测装置
US10432915B2 (en) * 2016-03-22 2019-10-01 The Sanborn Map Company, Inc. Systems, methods, and devices for generating three-dimensional models
US10053218B2 (en) * 2016-03-31 2018-08-21 General Electric Company System and method for positioning an unmanned aerial vehicle
CN105975972B (zh) * 2016-04-27 2019-05-07 湖南桥康智能科技有限公司 基于影像的桥梁裂缝检测与特征提取方法
JP2018100498A (ja) * 2016-12-19 2018-06-28 川田テクノロジーズ株式会社 浮上式点検装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105735150A (zh) * 2016-03-04 2016-07-06 浙江大学 一种移动多目视觉桥梁常规检测方法
CN108106801A (zh) * 2017-11-15 2018-06-01 温州市交通工程试验检测有限公司 桥隧病害非接触检测系统及检测方法

Also Published As

Publication number Publication date
CN109374651A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
CN106919915B (zh) 基于adas系统的地图道路标记及道路质量采集装置及方法
CN104599249B (zh) 缆索承重桥梁桥面车辆载荷分布实时检测方法
CN108198417B (zh) 一种基于无人机的道路巡检系统
CN113537016B (zh) 一种道路巡查中道路损伤自动检测预警的方法
CN111260615B (zh) 基于激光和机器视觉融合的无人机桥梁表观病害检测方法
CN105373135A (zh) 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统
CN113379712B (zh) 一种基于计算机视觉的钢桥螺栓病害检测方法及系统
CN110619329B (zh) 基于机载视觉的铁路货运敞车车厢编号及装载状态识别方法
CN106018409B (zh) 一种机场跑道异物和裂纹的识别系统及其检测识别方法
CN110046584B (zh) 一种基于无人机巡检的道路裂纹检测装置及检测方法
CN106054916A (zh) 一种无人机桥梁巡检系统及巡检方法
CN110120155A (zh) 一种化工厂区车辆超限超载智能监控报警系统
CN111598846B (zh) 一种基于yolo的隧道内铁轨缺陷检测方法
CA3228100A1 (en) Road surface technical condition detection method and device based on three-dimensional contour
CN112819766A (zh) 一种桥梁缺陷检修方法、设备、系统及存储介质
CN114758322A (zh) 基于机器识别的道路质量检测系统
CN109325911B (zh) 一种基于注意力增强机制的空基铁轨检测方法
CN109374651B (zh) 一种基于系留无人机的大型桥梁检测方法及检测装置
WO2022104798A1 (zh) 基于5g的无人驾驶电子交警执勤系统
CN111784718B (zh) 一种离散物料堆积状态智能在线预测装置及预测方法
CN115994901A (zh) 一种道路病害自动检测方法与系统
CN109960280A (zh) 一种桥梁墩身巡检航线规划方法
CN112132824B (zh) 一种货车轴箱弹簧故障自动检测方法
CN112820109A (zh) 一种道路巡检安全预警方法及系统
CN113551636A (zh) 基于异常数据矫正的平整度检测方法

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
GR01 Patent grant
GR01 Patent grant