CN110130987A - 一种基于图像分析的隧道收敛变形监测方法 - Google Patents
一种基于图像分析的隧道收敛变形监测方法 Download PDFInfo
- Publication number
- CN110130987A CN110130987A CN201910318303.0A CN201910318303A CN110130987A CN 110130987 A CN110130987 A CN 110130987A CN 201910318303 A CN201910318303 A CN 201910318303A CN 110130987 A CN110130987 A CN 110130987A
- Authority
- CN
- China
- Prior art keywords
- template
- image
- index point
- matching
- tunnel
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010191 image analysis Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000002123 temporal effect Effects 0.000 claims abstract description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 6
- 239000010959 steel Substances 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像分析的隧道收敛变形监测方法，该方法在隧道的监测断面处设置有标志点，包括以下步骤：1)定时、连续采集覆盖监测断面的标志点的图像；2)对所采集的图像进行预处理；3)进行模板匹配，判断匹配度是否大于等于设定值，若是，则执行步骤4)，若否，则返回步骤1)；4)识别各标志点的边缘像素点，初步计算各标志点中心坐标；5)放大各标志点中心的邻域，采用多级匹配模式进行模板匹配，二次识别标志点中心，并计算测线长度；6)重复步骤1)‑5)，按时间序列获得历次采集图像分析得到的测线长度，得到随时间变化的隧道收敛变形。与现有技术相比，本发明具有高精度、快速、无干扰、实施成本低廉等优点。
Description
技术领域
本发明涉及隧道变形监测技术领域，尤其是涉及一种基于图像分析的隧道收敛变形监测方法，应用范围包含施工期及运营期，覆盖公路隧道、地铁隧道以及管沟管廊等。
背景技术
隧道施工过程，以及隧道运营过程中，隧道结构的变形，尤其是收敛变形，是反映结构安全的最直观指标。为保障隧道结构安全，对隧道变形控制有具体的要求，收敛变形更是安全监测的必测项目。传统的隧道变形监测方法主要采用全站仪或收敛计人工监测，监测一次需要1个小时，监测频率最高1天1-2次，不仅效率较低，而且实时性不足，不能及时反映隧道安全状态。目前较常见的自动监测方法有三维激光扫描和智能机器人，但它们的实施成本过高，实际工程中应用并不普遍。
专利CN101975571B公开了一种通过矿用摄像探头获取被测巷道的视频图像，并通过计算机监测中心软件识别断面上的标志点，根据物方与像方的几何比例关系计算巷道断面大小及其变化的方法。
专利申请CN108801170A公开了一种隧道变形监测系统，通过激光测距仪测量隧道断面宽度，通过监控摄像头获取断面视频图像，通过远程控制端分析监测数据和视频数据。
上述现有技术均提出了通过视频图像实时自动监测断面变形的方法，但没有提出从获取的视频图像中识别和计算结构变形的具体方法。此外，隧道中光线昏暗，摄像头成像质量较差，要实现隧道收敛变形的视频监测，仍需进一步改善成像质量、提高监测精度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于图像分析的隧道收敛变形监测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于图像分析的隧道收敛变形监测方法，该方法在隧道的监测断面处设置有标志点，包括以下步骤：
1)定时、连续采集覆盖监测断面的标志点的图像；
2)对所采集的图像进行预处理；
3)对经预处理后的图像进行模板匹配，判断匹配度是否大于等于设定值，若是，则执行步骤4)，若否，则返回步骤1)；
4)识别各标志点的边缘像素点，初步计算各标志点中心坐标；
5)放大各标志点中心的邻域，采用多级匹配模式进行模板匹配，二次识别标志点中心，并计算每两个标志点中心之间的相对距离，即测线长度；
6)重复步骤1)-5)，按时间序列获得历次采集图像分析得到的测线长度，得到随时间变化的隧道收敛变形。
进一步地，所述标志点布置于隧道拱顶和两侧边墙位置；
所述标志点为九宫格样式的棋盘状，且配备有长方形标靶。
进一步地，所述预处理具体为：
定位图像中标志点附近区域，对所述标志点附近区域进行平滑和增强处理。
进一步地，标志点附近区域可以选择标志点周围5cm范围。
进一步地，进行所述模板匹配时，根据自适应的匹配方法获得模板的尺寸参数，具体地，
在基准位置处拍摄图像，图像中标志点的长、宽分别为Size_xd、Size_yd，则当监测断面与相机距离为M米时，所成像的标志点的长与宽Size_xM、Size_yM，计算公式为：
式中，d为基准位置与标志点间的距离。
进一步地，模板匹配中，所述匹配度NCC的计算公式为：
式中，(i,j)为子图像左下角的坐标，所述子图像为经预处理后的图像上被模板覆盖的区域，t(u,v)为模板中各像素的灰度，f(r,c)为平移到图像当前位置的模板所覆盖的子图像中各像素的灰度，mt和表示模板所有像素灰度值的平均值和方差，mf和分别表示与模板相同大小的子图像中所有点的平均灰度值与方差，模板的像素个数为m×n。
进一步地，所述模板包括基本模板、主对角线模板、副对角线模板或全局模板。
进一步地，所述初步计算各标志点中心坐标具体为：
对匹配的标志点图像采用边缘检测算法粗定位，得到像素级边缘图像；
利用三次样条插值法对提取出的边缘图像进行插值运算，得到亚像素级的边缘图像；
在边缘图像中得到四个对角点，对角点的连线即为标志点中心。
进一步地，所述采用多级匹配模式进行模板匹配具体为：
第一级匹配：利用基础模板进行匹配，若满足|NCC|＞0.6，则进行第二级匹配；
第二级匹配：利用主对角线模板和副对角线模板进行匹配，若满足|NCC|＞0.6，则进行第三级匹配；
第三级匹配：利用全局模板进行匹配，若满足|NCC|＞0.9，则匹配成功；
任意一级匹配过程中不满足要求时，则判定该区域图像匹配失败，将模板移动至下一区域。
进一步地，该方法还包括：
根据隧道收敛变形划分结构安全状态等级。
进一步地，针对实际工程的结构、荷载形式，通过数值计算软件计算监测断面处的结构破坏荷载，以荷载P达到破坏荷载Pu的30％、50％、70％、90％时的收敛变形值为分级的临界值，即：
a.监测收敛变形值小于荷载为30％Pu时的计算变形，则安全等级为I级；
b.监测收敛变形值大于荷载为30％Pu而小于荷载为50％Pu时的计算变形，则安全等级为II级；
c.监测收敛变形值大于荷载为50％Pu而小于荷载为70％Pu时的计算变形，则安全等级为III级；
d.监测收敛变形值大于荷载为70％Pu而小于荷载为90％Pu时的计算变形，则安全等级为IV级；
e.监测收敛变形值大于荷载为90％Pu时的计算变形，则安全等级为V级；
当安全状态达到IV级及以上时，应发送预警信息。
进一步地，该方法还包括：
根据隧道收敛变形自动调整图像采集频率。
进一步地，当结构收敛变形的变化速率小于0.5mm/天时，图像采集频率为1-2次/2天；当结构收敛变形的变化速率大于0.5mm/天而小于1mm/天时，图像采集频率为1/天；当结构收敛变形的变化速率大于1mm/天时，图像采集频率为1次/2小时；当结构收敛变形的变化速率大于2mm/天时，发送预警信息提示结构安全性低。
与现有技术相比，本发明具有以如下有益效果：
1、本发明使用高清网络摄像机获取隧道断面图像，并通过边缘检测算法、自适应模板匹配法精确定位预先安装的标志点，从而高精度、无干扰、低成本地实现隧道收敛变形的实时监测。
2、本发明与全站仪人工监测、测量机器人自动监测等手段对比，本发明可以实现隧道收敛变形的高精度、快速、无干扰监测，实施成本低廉，并可以根据变形状态动态调整监测频率，也可广泛应用于管廊管沟、顶管隧道等其他类似地下工程中。
3、本发明采用多级模板匹配方式，并分两次确定标志点中心，精确性高，从而准确监测隧道收敛变形。
4、本发明可根据隧道收敛变形自动调整图像采集频率，降低成本的同时提高安全性。
附图说明
图1为本发明中标志点的安装和收敛变形计算的示意图；
图中：1-标志点A、2-标志点B，3-标志点C；
图2为通过图像识别分析隧道收敛变形的流程图；
图3为模板匹配中的搜索图和模板图；
图中：4-搜索图S、5-模板图T、6-子图Sij；
图4为基本模板示意图；
图5为主对角线模板示意图；
图6为副对角线模板示意图；
图7为全局模板示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例中监测断面标志点的安装位置如图1所示，每个断面至少布置三个标志点，分别安装在拱顶、左右侧边墙位置，如图中标志点A1、标志点B2、标志点C3。标志点采用九宫格样式、黑白相间的棋盘状，边长尺寸为6cm，并配备长、宽尺寸分别为6cm、2cm的长方形标靶作为尺寸修正的依据。标志点A1和标志点B2间的水平距离L12的变化值为隧道的边墙收敛，标志点C3和标志点A1、标志点B2连线的垂直距离L的变化值为隧道的拱顶相对沉降。
本实施例提供一种基于图像分析的隧道收敛变形监测方法，该方法在隧道的监测断面处设置有标志点，定时、连续采集覆盖监测断面的标志点的图像；对经预处理后的图像进行模板匹配，判断匹配度是否大于等于设定值，进而判断图像质量是否满足要求；在图像质量满足要求时，识别各标志点的边缘像素点，初步计算各标志点中心坐标；放大各标志点中心的邻域，采用多级匹配模式进行模板匹配，二次识别标志点中心，并计算每两个标志点中心之间的相对距离，即测线长度；按时间序列获得历次采集图像分析得到的测线长度，得到随时间变化的隧道收敛变形。
图2说明了通过图像识别分析隧道收敛变形的流程，包括以下步骤：
(1)在距离监测断面50-100m的断面边墙位置安装一台500万像素的高清网络摄像机，通过摄像机采集监测断面图像，图像应覆盖全部标志点。
(2)摄像机采集到的图像传输并存储在与摄像机连接的工控机中，进行增强预处理，先通过图像平滑法去除图像中的噪点、使用灰度拉伸法改善图像的明暗分布。
进一步，预处理的范围为预先设定的标志点附近区域，即先拍摄一张图片，人为选出标志点所在位置，可选择标志点周围5cm范围。
(3)采用自适应匹配方法选择模板尺寸：
在基准位置处拍摄图像，图像中标志点的长、宽分别为Size_xd、Size_yd，则当监测断面与相机距离为M米时，所成像的标志点的长与宽Size_xM、Size_yM，可由公式(1)计算，并据此选择模板大小：
式中，d(单位米)为基准位置与标志点间的距离，本实施例中d＝10。
(4)对预处理后的图像进行模板匹配，并根据匹配的结果对图像质量进行预判。
进一步，所述的匹配方法如图3所示，将模板图像T和搜索图像S的灰度值作为输入参数进行统计计算，将模板T(m×n个像素)叠放在被搜索S(W×H个像素)上平移，按照公式(2)计算将模板T与搜索图上被模板覆盖的区域(子图Sij)之间的匹配系数：
公式中(i,j)为子图像左下角的坐标，t(u,v)为模板图像中各像素的灰度，f(r,c)为平移到图像当前位置的模板所覆盖的子图像中各像素的灰度；和表示模板所有像素灰度值的平均值和方差；和分别表示与模板相同大小的子图像中所有点的平均灰度值与方差。
匹配系数NCC(i,j)的值域范围为[-1,1]。当NCC(i,j)＝1时，模板与子图像的极性相同；当NCC(i,j)＝-1时，模板与子图像的极性相反。归一化积相关系数的绝对值越大就表示模板与搜索图像中子图像之间越接近，归一化积相关系数的绝对值越接近0表示模板与子图像越不一致，当NCC(i,j)＝±1时模板与搜索图像中的子图像完全匹配。
其中模板的形式包括基本模板、主对角线模板、副对角线模板和全局模板，如图4、图5、图6、图7所示，图中0表示白色像素，1表示黑色像素。在预判阶段仅采用全局模板匹配。
进一步，模板匹配的搜索范围即为步骤(1)所述的标志点附近区域。
(5)当所有标志点与模板的匹配系数NCC的绝对值不小于0.6时，认为图像质量符合要求、进行下一步标志点的定位，否则认为图像质量不符合要求并重新拍摄一张图像。例如，图像中仅包含了2个标志点，其NCC值大于0.6，另1标志点未出现导致其NCC值为0，不符合要求，需重新拍摄；或图像中包含了3个标志点，其中2个的NCC值大于0.6另1个则小于0.6时，不符合要求，需重新拍摄。
(6)重复上述步骤直至图像质量符合要求后，先对匹配的标志点图像采用边缘检测算法粗定位，得到像素级边缘图像；再利用三次样条插值法对提取出的边缘图像进行插值运算，得到亚像素级的边缘图像；在边缘图像中得到四个对角点，对角点的连线即为标志点中心。
(7)选择标志点中心的邻域2-3cm区域作为新的模板匹配的搜索区域，放大图像并等比方法模板尺寸。
(8)采用多级模板匹配策略进行模板匹配：第一级匹配为利用基础模板进行匹配，若满足，则进行第二级匹配；第二级匹配为利用主、副对角线模板进行匹配，若满足，则进行第三级匹配；第三级匹配为利用全局模板进行匹配，若满足，则认为匹配；任意一级匹配过程中不满足要求时，则认为该区域子图像不满足匹配条件，将模板移动至下一区域。
(9)识别标志点中心，获得标志点中心的精确定位坐标。
(10)根据每次采集图像后的定位结果得L12和L的历史变化，即可求得隧道的收敛变形。
根据收敛变形的大小评定结构的安全状态等级：
a.监测收敛变形值小于荷载为30％Pu时的计算变形，则安全等级为I级；
b.监测收敛变形值大于荷载为30％Pu而小于荷载为50％Pu时的计算变形，则安全等级为II级；
c.监测收敛变形值大于荷载为50％Pu而小于荷载为70％Pu时的计算变形，则安全等级为III级；
d.监测收敛变形值大于荷载为70％Pu而小于荷载为90％Pu时的计算变形，则安全等级为IV级；
e.监测收敛变形值大于荷载为90％Pu时的计算变形，则安全等级为V级；
当安全状态达到IV级及以上时，通过短信后邮件的方式向用户端发送预警信息。
依据预设的标准，工控机动态判断收敛变形的变化速率，并自动调整图像采集频率：当结构收敛变形的变化速率小于0.5mm/天时，图像采集频率为1-2次/2天；当结构收敛变形的变化速率大于0.5mm/天而小于1mm/天时，图像采集频率为1/天；当结构收敛变形的变化速率大于1mm/天时，图像采集频率为1次/2小时；当结构收敛变形的变化速率大于2mm/天时，发送预警信息提示结构安全性低。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于图像分析的隧道收敛变形监测方法，其特征在于，该方法在隧道的监测断面处设置有标志点，包括以下步骤：
1)定时、连续采集覆盖监测断面的标志点的图像；
2)对所采集的图像进行预处理；
3)对经预处理后的图像进行模板匹配，判断匹配度是否大于等于设定值，若是，则执行步骤4)，若否，则返回步骤1)；
4)识别各标志点的边缘像素点，初步计算各标志点中心坐标；
5)放大各标志点中心的邻域，采用多级匹配模式进行模板匹配，二次识别标志点中心，并计算每两个标志点中心之间的相对距离，即测线长度；
6)重复步骤1)-5)，按时间序列获得历次采集图像分析得到的测线长度，得到随时间变化的隧道收敛变形。
2.根据权利要求1所述的基于图像分析的隧道收敛变形监测方法，其特征在于，所述标志点布置于隧道拱顶和两侧边墙位置；
所述标志点为九宫格样式的棋盘状，且配备有长方形标靶。
3.根据权利要求1所述的基于图像分析的隧道收敛变形监测方法，其特征在于，所述预处理具体为：
定位图像中标志点附近区域，对所述标志点附近区域进行平滑和增强处理。
4.根据权利要求1所述的基于图像分析的隧道收敛变形监测方法，其特征在于，进行所述模板匹配时，根据自适应的匹配方法获得模板的尺寸参数，具体地，
在基准位置处拍摄图像，图像中标志点的长、宽分别为Size_xd、Size_yd，则当监测断面与相机距离为M米时，所成像的标志点的长与宽Size_xM、Size_yM，计算公式为：
式中，d为基准位置与标志点间的距离。
5.根据权利要求1所述的基于图像分析的隧道收敛变形监测方法，其特征在于，模板匹配中，所述匹配度NCC的计算公式为：
式中，(i,j)为子图像左下角的坐标，所述子图像为经预处理后的图像上被模板覆盖的区域，t(u,v)为模板中各像素的灰度，f(r,c)为平移到图像当前位置的模板所覆盖的子图像中各像素的灰度，mt和表示模板所有像素灰度值的平均值和方差，mf和分别表示与模板相同大小的子图像中所有点的平均灰度值与方差，模板的像素个数为m×n。
6.根据权利要求5所述的基于图像分析的隧道收敛变形监测方法，其特征在于，所述模板包括基本模板、主对角线模板、副对角线模板或全局模板。
7.根据权利要求1所述的基于图像分析的隧道收敛变形监测方法，其特征在于，所述初步计算各标志点中心坐标具体为：
对匹配的标志点图像采用边缘检测算法粗定位，得到像素级边缘图像；
利用三次样条插值法对提取出的边缘图像进行插值运算，得到亚像素级的边缘图像；
在边缘图像中得到四个对角点，对角点的连线即为标志点中心。
8.根据权利要求6所述的基于图像分析的隧道收敛变形监测方法，其特征在于，所述采用多级匹配模式进行模板匹配具体为：
第一级匹配：利用基础模板进行匹配，若满足|NCC|＞0.6，则进行第二级匹配；
第二级匹配：利用主对角线模板和副对角线模板进行匹配，若满足|NCC|＞0.6，则进行第三级匹配；
第三级匹配：利用全局模板进行匹配，若满足|NCC|＞0.9，则匹配成功；
任意一级匹配过程中不满足要求时，则判定该区域图像匹配失败，将模板移动至下一区域。
9.根据权利要求1所述的基于图像分析的隧道收敛变形监测方法，其特征在于，该方法还包括：
根据隧道收敛变形划分结构安全状态等级。
10.根据权利要求1所述的基于图像分析的隧道收敛变形监测方法，其特征在于，该方法还包括：
根据隧道收敛变形自动调整图像采集频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910318303.0A CN110130987B (zh) | 2019-04-19 | 2019-04-19 | 一种基于图像分析的隧道收敛变形监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910318303.0A CN110130987B (zh) | 2019-04-19 | 2019-04-19 | 一种基于图像分析的隧道收敛变形监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110130987A true CN110130987A (zh) | 2019-08-16 |
| CN110130987B CN110130987B (zh) | 2021-03-26 |
Family
ID=67570547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910318303.0A Active CN110130987B (zh) | 2019-04-19 | 2019-04-19 | 一种基于图像分析的隧道收敛变形监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110130987B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111156917A (zh) * | 2020-01-17 | 2020-05-15 | 北京林业大学 | 一种基于灰度标志点的变形测量方法 |
| CN111220085A (zh) * | 2020-01-13 | 2020-06-02 | 西南交通大学 | 一种基于三维激光扫描点云数据的隧道大变形量测方法 |
| CN113091699A (zh) * | 2021-03-31 | 2021-07-09 | 中煤科工集团重庆研究院有限公司 | 一种基于视频图像的微小位移放大方法 |
| CN113096036A (zh) * | 2021-03-31 | 2021-07-09 | 中煤科工集团重庆研究院有限公司 | 一种视频干扰信号去除方法及系统 |
| CN113124767A (zh) * | 2021-03-08 | 2021-07-16 | 上海同岩土木工程科技股份有限公司 | 一种隧道长距离沉降变形自动化监测装置及监测方法 |
| CN113847879A (zh) * | 2020-06-28 | 2021-12-28 | 中铁上海工程局集团有限公司 | 一种隧道断面收敛变形的自动化监测系统及其方法 |
| CN118258317A (zh) * | 2024-05-07 | 2024-06-28 | 广东省源天工程有限公司 | 一种基于数字图像的基坑支护结构局部失稳变形监测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005003689A1 (ja) * | 2003-07-02 | 2005-01-13 | Neubrex Co., Ltd. | 構造体監視システム |
| CN101975571A (zh) * | 2010-09-14 | 2011-02-16 | 中国矿业大学 | 一种巷道变形的自动实时监测方法 |
| CN102620673A (zh) * | 2012-03-16 | 2012-08-01 | 同济大学 | 基于图像分析的隧道变形在线监测系统及其应用 |
| CN103017673A (zh) * | 2012-12-26 | 2013-04-03 | 中铁二十四局集团有限公司 | 隧道围岩变形实时连续监测报警方法 |
| CN105260701A (zh) * | 2015-09-14 | 2016-01-20 | 中电海康集团有限公司 | 一种适用于复杂场景下的前方车辆检测方法 |
| CN105937408A (zh) * | 2016-06-15 | 2016-09-14 | 中国铁道科学研究院电子计算技术研究所 | 隧道围岩变形预警方法及系统 |
| CN107945215A (zh) * | 2017-12-14 | 2018-04-20 | 湖南华南光电(集团)有限责任公司 | 高精度红外图像跟踪器及一种目标快速跟踪方法 |
| CN109297428A (zh) * | 2018-11-21 | 2019-02-01 | 武汉珈鹰智能科技有限公司 | 一种基于无人机的高精度变形巡测技术方法 |
| CN109614879A (zh) * | 2018-11-19 | 2019-04-12 | 温州大学 | 基于图像识别的料斗颗粒检测方法 |
-
2019
- 2019-04-19 CN CN201910318303.0A patent/CN110130987B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005003689A1 (ja) * | 2003-07-02 | 2005-01-13 | Neubrex Co., Ltd. | 構造体監視システム |
| CN101975571A (zh) * | 2010-09-14 | 2011-02-16 | 中国矿业大学 | 一种巷道变形的自动实时监测方法 |
| CN102620673A (zh) * | 2012-03-16 | 2012-08-01 | 同济大学 | 基于图像分析的隧道变形在线监测系统及其应用 |
| CN103017673A (zh) * | 2012-12-26 | 2013-04-03 | 中铁二十四局集团有限公司 | 隧道围岩变形实时连续监测报警方法 |
| CN105260701A (zh) * | 2015-09-14 | 2016-01-20 | 中电海康集团有限公司 | 一种适用于复杂场景下的前方车辆检测方法 |
| CN105937408A (zh) * | 2016-06-15 | 2016-09-14 | 中国铁道科学研究院电子计算技术研究所 | 隧道围岩变形预警方法及系统 |
| CN107945215A (zh) * | 2017-12-14 | 2018-04-20 | 湖南华南光电(集团)有限责任公司 | 高精度红外图像跟踪器及一种目标快速跟踪方法 |
| CN109614879A (zh) * | 2018-11-19 | 2019-04-12 | 温州大学 | 基于图像识别的料斗颗粒检测方法 |
| CN109297428A (zh) * | 2018-11-21 | 2019-02-01 | 武汉珈鹰智能科技有限公司 | 一种基于无人机的高精度变形巡测技术方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111220085A (zh) * | 2020-01-13 | 2020-06-02 | 西南交通大学 | 一种基于三维激光扫描点云数据的隧道大变形量测方法 |
| CN111156917A (zh) * | 2020-01-17 | 2020-05-15 | 北京林业大学 | 一种基于灰度标志点的变形测量方法 |
| CN111156917B (zh) * | 2020-01-17 | 2021-10-22 | 北京林业大学 | 一种基于灰度标志点的变形测量方法 |
| CN113847879A (zh) * | 2020-06-28 | 2021-12-28 | 中铁上海工程局集团有限公司 | 一种隧道断面收敛变形的自动化监测系统及其方法 |
| CN113124767A (zh) * | 2021-03-08 | 2021-07-16 | 上海同岩土木工程科技股份有限公司 | 一种隧道长距离沉降变形自动化监测装置及监测方法 |
| CN113124767B (zh) * | 2021-03-08 | 2023-02-14 | 上海同岩土木工程科技股份有限公司 | 一种隧道长距离沉降变形自动化监测装置及监测方法 |
| CN113091699A (zh) * | 2021-03-31 | 2021-07-09 | 中煤科工集团重庆研究院有限公司 | 一种基于视频图像的微小位移放大方法 |
| CN113096036A (zh) * | 2021-03-31 | 2021-07-09 | 中煤科工集团重庆研究院有限公司 | 一种视频干扰信号去除方法及系统 |
| CN113091699B (zh) * | 2021-03-31 | 2024-05-14 | 中煤科工集团重庆研究院有限公司 | 一种基于视频图像的微小位移放大方法 |
| CN118258317A (zh) * | 2024-05-07 | 2024-06-28 | 广东省源天工程有限公司 | 一种基于数字图像的基坑支护结构局部失稳变形监测方法 |
| CN118258317B (zh) * | 2024-05-07 | 2024-09-20 | 广东省源天工程有限公司 | 一种基于数字图像的基坑支护结构局部失稳变形监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110130987B (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110130987A (zh) | 一种基于图像分析的隧道收敛变形监测方法 | |
| CN103487034B (zh) | 一种基于立式标靶的车载单目摄像头测距测高方法 | |
| CN102768022B (zh) | 采用数码照相技术的隧道围岩变形检测方法 | |
| CN111563442A (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
| US20030137646A1 (en) | Method and apparatus for generating structural data from laser reflectance images | |
| CN107014294A (zh) | 一种基于红外图像的接触网几何参数检测方法及系统 | |
| CN107092877A (zh) | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 | |
| CN105069843A (zh) | 一种面向城市三维建模的密集点云的快速提取方法 | |
| CN113914407B (zh) | 一种基于bim与机器视觉的挖掘机开挖隧道精确控制系统 | |
| CN106485751B (zh) | 应用于基桩检测中的无人机摄影成像及数据处理方法及系统 | |
| CN103077527A (zh) | 一种稳健的多源卫星遥感影像配准方法 | |
| CN114241298A (zh) | 一种激光雷达和图像融合的塔吊环境目标检测方法及系统 | |
| CN105096299A (zh) | 多边形检测方法和多边形检测装置 | |
| CN105307115A (zh) | 一种基于行动机器人的分布式视觉定位系统及方法 | |
| Cheng et al. | Vision-based trajectory monitoring for assembly alignment of precast concrete bridge components | |
| CN114742820A (zh) | 一种基于深度学习的螺栓松动检测方法、系统及存储介质 | |
| CN104361603A (zh) | 枪机图像目标标定方法及其系统 | |
| CN114812403A (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
| CN105307116A (zh) | 一种基于移动机器人的分布式视觉定位系统及方法 | |
| CN112198170A (zh) | 一种无缝钢管外表面三维检测中识别水滴的检测方法 | |
| CN110147748A (zh) | 一种基于道路边缘检测的移动机器人障碍物识别方法 | |
| CN105108094A (zh) | 一种提高板坯连铸机切割精度的切割方法及系统 | |
| CN115877400A (zh) | 基于雷达与视觉融合的巷道顶板支护钢带钻孔定位方法 | |
| CN112652020A (zh) | 一种基于AdaLAM算法的视觉SLAM方法 | |
| CN108074264A (zh) | 一种分级多目视觉定位方法、系统及装置 |
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 |