CN110322428B - 检测隧道病害的方法、装置及电子设备 - Google Patents
检测隧道病害的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110322428B CN110322428B CN201910375057.2A CN201910375057A CN110322428B CN 110322428 B CN110322428 B CN 110322428B CN 201910375057 A CN201910375057 A CN 201910375057A CN 110322428 B CN110322428 B CN 110322428B
- Authority
- CN
- China
- Prior art keywords
- tunnel
- point cloud
- information
- disease
- gray
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 82
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000012937 correction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 27
- 238000004364 calculation method Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 238000001514 detection method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2016—Rotation, translation, scaling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种检测隧道病害的方法、装置及电子设备，包括：获取隧道的点云和点云相对于隧道平面的姿态角；通过姿态角对点云进行纠正，获取纠正后的点云；对纠正后的点云进行处理，得到隧道的灰度图和/或深度图；根据隧道的灰度图和/或深度图，确定隧道的病害区域的病害信息。该方法通过对获取的点云进行纠正，可以获取到较为精确的点云，使得基于该精确的点云进行处理，可以生成精度较高的隧道灰度图和/或深度图，从而可以反映出隧道的真实情况，进而基于该灰度图和/或深度图，使得确定的隧道病害信息更加精确。
Description
技术领域
本发明涉及隧道病害检测技术领域，特别涉及一种检测隧道病害的方法、装置及电子设备。
背景技术
隧道病害主要包括隧道掉块脱落、裂缝和渗水等，隧道病害的存在通常会严重影响隧道内设备的正常工作以及人员的安全。比如，隧道渗漏水的存在不仅会使施工机械锈蚀、腐烂，还容易使绝缘设备失效，造成电路短路、跳闸甚至漏电事故，导致危及人身、设备的安全。现有技术中，对隧道病害的检测包括采用点云采集设备对隧道表面进行点云数据的采集，从而直接将点云采集设备所采集的点云数据根据隧道中心线转换成图像，根据生成的图像即可获取隧道的病害信息。
但采用现有技术，根据点云采集设备所采集的点云信息生成隧道的图像时，生成的图像精度不高，易产生扭曲畸变的，无法反映隧道的真实情况，导致隧道病害的检测不精准。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种检测隧道病害的方法、装置及电子设备，能够对获取隧道的真实情况，从而可以精准的检测出隧道病害。
为实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种检测隧道病害的方法，包括：
获取隧道的点云和点云相对于隧道平面的姿态角；
通过姿态角对点云进行纠正，获取纠正后的点云；
对纠正后的点云进行处理，得到隧道的灰度图和/或深度图；
根据隧道的灰度图和/或深度图，确定隧道的病害区域的病害信息。
可选地，通过姿态角对点云进行纠正，包括：
通过偏航角、俯仰角和翻滚角依次对点云的三维坐标进行纠正。
可选地，对纠正后的点云进行处理，包括：
过滤纠正后的点云中不符合预设要求的点云；
对过滤后的点云通过最小二乘法拟合曲线，得到隧道的中心位置和纠正后的点云的三维坐标映射到隧道平面的坐标信息。
可选地，对纠正后的点云进行处理，得到隧道的灰度图，包括：
按照隧道的中心位置和预设图片宽度值，获取过滤后的点云落在每一隧道区间的强度值；
根据强度值，获取过滤后的点云对应的灰度值，并根据灰度值生成灰度图。
可选地，对纠正后的点云进行处理，得到隧道的深度图，包括：根据过滤后的点云在隧道平面的坐标信息，获取过滤后的点云相对于隧道的中心位置的第一距离，和过滤后的点云与前后相邻预设帧间隔的点云之间的第二距离，得到第一距离与所述第二距离之间的差值；
根据差值，得到过滤后的点云的深度信息；
根据过滤后的点云的深度信息，生成隧道的深度图。
可选地，对纠正后的点云进行处理，还包括：
对过滤后的点云按照预设规则进行抽稀和插帧处理，得到隧道的里程信息，其中，里程信息包括点云的帧号和里程值。
可选地，根据隧道的灰度图和/或深度图，确定隧道的病害区域的病害信息，包括：
判断隧道的灰度图的灰度值和/或深度图的深度信息是否符合预设要求；
若不符合预设要求，则确定灰度值和/或深度信息对应的区域为病害区域；
获取病害区域的特征信息，根据病害区域的特征信息确定对应的病害信息，其中，特征信息包括病害区域的坐标信息、颜色信息和形状信息。
可选地，病害信息包括下述一种或多种的组合：里程信息、病害类型信息、变形深度信息、病害角度信息、病害面积信息和病害长度信息。
第二方面，本发明实施例还提供了一种检测隧道病害的装置，包括：获取模块、纠正模块、处理模块以及确定模块；获取模块，用于获取隧道的点云和点云相对于所述隧道平面的姿态角；纠正模块，用于通过姿态角对点云进行纠正，获取纠正后的点云；处理模块，用于对纠正后的点云进行处理，得到隧道的灰度图和/或深度图；确定模块，用于根据隧道的灰度图和/或深度图，确定隧道的病害区域的病害信息。
第三方面，本发明实施例还提供了一种电子设备，包括存储有计算机程序的存储器和处理器，计算机程序被处理器读取并运行时，实现如第一方面所述的方法。
本发明的有益效果是：
本发明实施例提供的一种检测隧道病害的方法、装置及电子设备，该方法通过对获取的点云进行纠正，可以获取到较为精确的点云，使得基于该精确的点云进行处理，可以生成精度较高的隧道灰度图和/或深度图，从而可以反映出隧道的真实情况，进而基于该灰度图和/或深度图，使得确定的隧道病害信息更加精确。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种检测隧道病害的方法；
图2为本发明实施例提供的另一种检测隧道病害的方法；
图3为本发明实施例提供的又一种检测隧道病害的方法；
图4为本发明实施例提供的一种隧道灰度图的示意图；
图5为本发明实施例提供的又一种检测隧道病害的方法；
图6为本发明实施例提供的一种隧道深度图的示意图；
图7为本发明实施例提供的又一种检测隧道病害的方法；
图8为本发明实施例提供的另一种隧道深度图的示意图；
图9为本发明实施例提供的另一种隧道深度图的示意图；
图10为本发明实施例提供的另一种隧道深度图的示意图；
图11为本发明实施例提供的一种检测隧道装置的模块示意图；
图12为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
图1为本发明实施例提供一种检测隧道病害的方法。该方法的可以应用于多种隧道的检测，该隧道可以是铁路隧道、公路隧道、地铁隧道等，本申请并不对隧道的类型进行限定。如图1所示，该方法，包括：
S101、获取隧道的点云和点云相对于隧道平面的姿态角。
隧道的点云指的是描述隧道表面特性的海量点集合，可以根据激光测量原理得到，即当激光照射到隧道表面时，所反射的激光会携带方位、距离等信息，若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，由于扫描极为精细，则能够得到大量的激光点，因而也可称所采集到的点云为激光点云，其中，隧道点云的采集可以是通过激光雷达，也可以是其他带有激光扫描头的激光设备采集，本申请并不对此进行限定，所采集到的隧道点云可以是由多帧点云构成的，其中，每一帧点云可以反映隧道的三维坐标和隧道表面的激光反射强度等信息。
姿态角指的是隧道的每帧点云相对于隧道平面的方位姿态，可以包括航向角、俯仰角和翻滚角等，当然，根据实际的情况，也可以包括其他，本申请在此并不进行限定。
S102、通过姿态角对点云进行纠正，获取纠正后的点云。
其中，通过采用激光设备采集隧道的点云时，由于每帧点云相对于平面存在着姿态角，所采集的每帧点云都存在一定的误差，因此，需要对每帧点云进行纠正，纠正时可采用该帧点云相对于隧道平面的姿态角进行纠正，从而使得纠正后的点云可以较为准确。
S103、对纠正后的点云进行处理，得到隧道的灰度图和/或深度图。
其中，对纠正后的点云进行处理，该处理包括过滤，抽稀，插帧以及平滑等，本申请对此并不限定，使得可以基于纠正后准确的点云进行处理，得到隧道的灰度图和/或深度图精度较高，可以反映隧道的真实情况。其中，需要说明的是，根据实际的需要，可以只处理得到隧道的灰度图、只得到隧道的深度图、或得到隧道的灰度图和深度图，本申请并不对此进行限定。
S104、根据隧道的灰度图和/或深度图，确定隧道的病害区域的病害信息。
根据隧道的灰度图和/或深度图的特征信息，即可确定隧道的病害区域以及相应的病害信息。其中，灰度图的特征信息至少包括灰度值，深度图的特征信息至少包括深度信息，也可以包括其他特征信息，本申请并不限定。其中，隧道病害可以包括变形、裂缝及渗水等类别，每一类别都对应的不同的病害信息，具体地，可以包括下述一种或多种的组合，比如，该病害在隧道中的里程信息，角度信息，病害的区域面积、长度信息、深度信息等，本申请并不对此进行限制。
综上所述，本申请所提供的检测隧道病害的方法，包括：获取隧道的点云和点云相对于隧道平面的姿态角；通过姿态角对点云进行纠正，获取纠正后的点云；对纠正后的点云进行处理，得到隧道的灰度图和/或深度图；根据隧道的灰度图和/或深度图，确定隧道的病害区域的病害信息。该方法通过对获取的点云进行纠正，可以获取到较为精确的点云，使得基于该精确的点云进行处理，可以生成精度较高的隧道灰度图和/或深度图，从而反映出隧道的真实情况，进而基于该灰度图和/或深度图，使得确定的隧道病害信息更加精确。
可选地，通过姿态角对点云进行纠正，包括：
通过偏航角、俯仰角和翻滚角依次对每帧点云的三维坐标进行纠正。
本申请中，姿态角包括偏航角、俯仰角和翻滚角，下面以每帧点云为例说明采用姿态角对点云进行纠正的过程，其中，采用偏航角对每帧点云的三维坐标进行纠正的计算公式如下：
其中，
为偏航角，xn，yn，zn表示初始点云的坐标值，x1，y1，z1表示经过偏航修正后点云的坐标值。
进一步地，在得到经过偏航修正后点云的坐标值后，采用俯仰角对每帧点云的三维坐标进行纠正的计算公式如下：
其中，θ为俯仰角，x1，y1，z1表示经过俯仰修正后点云的坐标值，x2，y2，z2表示经过俯仰修正后点云的坐标值。
进一步地，在经过俯仰修正后点云的坐标值后，采用翻滚角对每帧点云的三维坐标进行纠正的计算公式如下：
其中，γ为翻滚角，x2，y2，z2表示经过俯仰修正后点云的坐标值，xb，yb，zb表示最终获得的纠正后点云坐标。
图2为本发明实施例提供另一种检测隧道病害的方法。可选地，如图2所示，对纠正后的点云进行处理，包括：
S201、过滤纠正后的点云中不符合预设要求的点云。
其中，由于纠正后的点云可能含有噪点，需要经过初步过滤以滤掉该噪点，其中，预设要求可以是每帧点云的点数量阈值和预设半径等，本申请并不对此进行限定。比如，隧道内壁是圆形时，真实点云的点间距较小，通过设置每帧点云的点数量阈值和半径，搜索当前半径内的点云，当该半径内的点数量小于该阈值则舍去该帧点云，大于该阈值则保留，通过上述方法得到过滤后的点云，当然也可采取其他过滤方式进行过滤，本申请对此并不限定。
S202、对过滤后的点云通过最小二乘法拟合曲线，得到隧道的中心位置和纠正后的点云的三维坐标映射到隧道平面的坐标信息。
对过滤后的点云通过最小二乘法拟合曲线，可以将过滤后的每一帧点云通过最小二乘法拟合曲线，得到隧道的中心位置和沿各个方向的半径Radius。比如，圆形隧道可以提取圆心Center和半径Radius；矩形隧道提取到矩形中心坐标Center，长轴长LAxis，短轴长SAxis；椭圆形提取椭圆的中心Center，椭圆的长轴LAxis，短轴SAxis。进而基于该隧道的中心位置以及沿各个方向的半径，也可以得到纠正后点云的三维坐标映射到隧道平面的坐标信息。
比如，将每一帧点云根据编码器的里程值进行等间距抽稀和插帧处理，得到存储帧VecPointCloud，对存储帧VecPointCloud每一帧点云PtCloud进行坐标变换，可以转换到相对于中心Center的新坐标值VecPtLoc。
图3为本发明实施例提供的又一种检测隧道病害的方法。可选地，如图3所示，对纠正后的点云进行处理，得到隧道的灰度图，包括：
S301、按照隧道的中心位置和预设图片宽度值，获取过滤后的点云落在每一隧道区间的强度值。
其中，预设图片宽度值指的是预设生成的灰度图和/或深度图的宽度值，根据不同的需求，可以设置相应的预设图片宽度值，本申请并不对此进行限定。其中，图片宽度为Width时，将隧道按中心Center平均分成图片宽度Width份并沿隧道顶点展开，对应地，可以包括图片宽度Width个隧道区间，则按照隧道的中心位置和预设图片宽度值，获取过滤后的点云落在每一隧道区间的强度值具体计算过程如下：
基于存储帧VecPointCloud的每一帧点云PtCloud转换后的新坐标值VecPtLoc，可以将每一帧点云的坐标转为角度Angle表示，计算过程为：
Angle＝INT((tan-1(y÷x))×180÷π)
其中，INT()表示取整函数，x表示新坐标系下点云的x轴坐标，y表示新坐标系下点云的y轴坐标。
在将每一帧点云的坐标信息转为角度Angle时，对该角度Angle进行进一步变换，即可得到每一帧点云落在每个区间的角度，计算过程为：
其中，Angle表示每帧点云落在区间i的角度，Cout表示每帧点云落在区间i的个数，i的取值为1到图片宽度Width值的整数。
进一步地，根据每一帧点云落在每一区间的强度，也可求出每一帧点云落在每个区间强度值，计算过程为：
其中，Intensity表示每帧点云落在区间i的强度，Cout表示每帧点云落在区间i的个数，i的取值为1到图片宽度Width值的整数。
需要说明的是，若每帧点云落在该区间i的强度值vecIntensityi为零时，需要做差值处理，若每帧点云落在该区间的强度值vecAverIntensity不为零时，则不作处理，其计算公式如下：
其中，vecIntensityi-1表示每帧点云落在上个区间的强度值，vecIntensityi+1表示每帧点云落在下个区间的强度值。即若每帧点云落在该区间i的强度值vecIntensityi为零时，则每帧点云落在该区间i的强度值vecIntensityi为上个区间的强度值vecIntensityi-1和下个区间的强度值vecIntensityi+1的均值。
S302、根据强度值，获取过滤后的点云对应的灰度值，并根据灰度值生成灰度图。
在获取到每帧点云落在每一区间i的强度值vecIntensityi后，可以根据预设计算公式将强度值vecIntensityi转为灰度值AverGrayVali，并对该灰度值AverGrayVali进行归一化处理，即可生成相应的灰度图。其中，该预设计算公式为：
vecIntensityi表示每帧点云在每一区间i的强度值，AverGrayVali表示与每一区间i的强度值相对应的灰度值，其中，vecIntensityi小于0时，对应的灰度值为0；vecIntensityi大于等于0且小于等于1时，对应的灰度值通过公式INT(vecIntensityi×255+0.5)即可求得，INT()表示取整函数；vecIntensityi大于1时，对应的灰度值为1，则依据上述所述的公式即可求出每帧点云在每一区间i的灰度值。
而灰度值AverGrayVali进行归一化处理的计算公式可如下所示：
其中，Max表示预设的灰度图像的最大灰度值，Min表示预设的灰度图像的最小灰度值，AverGrayVali表示归一化之前每帧点云在每一区间i的灰度值，AVerGrayVali表示归一化之后每帧点云在每一区间i的灰度值。
图4为本发明实施例提供的一种隧道灰度图的示意图。重复上述操作，如图4所示，直到存储帧VecPointCloud全部得到归一化后的灰度值，即可生成如图4所示的灰度图。
图5为本发明实施例提供的又一种检测隧道病害的方法。可选地，如图5所示，对纠正后的点云进行处理，得到隧道的深度图，包括：
S401、根据过滤后的点云在隧道平面的坐标信息，获取过滤后点云相对于隧道的中心位置的第一距离，和过滤后的点云与前后预设帧间隔的点云之间的第二距离，得到第一距离与第二距离之间的差值。
其中，第二距离也可称为最优距离，指的是每帧点云中每个点Point的前预设帧间隔的点Point与后预设帧间隔的点Point之间的距离按从小到大排序时，位于排序中间的距离为第二距离或最优距离。
根据过滤后的点云在隧道平面的坐标信息，计算过滤后每帧点云的每个点Point相对于隧道中心Center的第一距离Dist，第一距离Dist的计算公式为：
其中，x表示点Point的横坐标，y表示点Point的纵坐标。
而根据过滤后的点云在隧道平面的坐标信息，计算每帧点云每个点Point的前后预设帧间隔的第二距离DistN，需要说明的是该第二距离DistN指的是每帧点云每个点Point的前后预设帧间隔的最优距离，第二距离的计算公式为：
Sort(vecDist.begin(),vecDist.end())
DistN＝vecDist[N÷2]
其中，vecDist表示N帧点云的集合，Sort()函数表示对vecDist进行从小到大排序，N表示前后预设帧间隔，N的取值可以为200、300或500等，根据实际的需要，可自行进行选择，本申请并不对此进行限定。
进一步地，第一距离与第二距离之间的差值Sub可表示为：
Sub＝Dist-DistN
其中，Dist表示第一距离，DistN表示第二距离。
402、根据差值，得到过滤后的点云的深度信息。
在得到该差值之后，基于该差值可以得到过滤后每个点的深度信息，具体计算过程为：
B＝(Sub-Min)÷(Max-Min)×255
G＝(Sub-Min)÷(Max-Min)×255
R＝(Sub-Min)÷(Max-Min)×255
其中，B表示每个点RGB中的蓝色分量，G表示每个点RGB中的绿色分量，R表示每个点RGB中的红色分量，Min表示预设的第二距离的最小值，Max表示预设的第二距离的最大值。
S403、根据过滤后的点云的深度信息，生成隧道的深度图。
图6为本发明实施例提供的一种隧道深度图的示意图。如图6所示，依据上述点云中每一点深度信息的计算过程，计算使得存储帧VecPointCloud每一个点都转换为RGB分量，即可生成隧道的深度图。其中，对于生成的深度图，需要说明的是，距离中心Center较远的点，其颜色RGB分量较大，表现在图像上颜色较深，呈现蓝色，如图6中的区域(a)；距离中心Center较近的点，其颜色RGB分量较小，表现在图像上颜色较浅，呈现绿色或者黄色，如图6中的区域(b)所呈现的颜色为绿色。其中，图像颜色范围与设定的最小值Min和最大值Max有关，当最大值和最小值的差值越大时，其颜色变化越多，当差值越小时，其颜色变化越小。
可选地，对纠正后的点云进行处理，还包括：
对过滤后的点云按照预设规则进行抽稀和插帧处理，得到隧道的里程信息。
其中，里程信息包括点云的帧号和里程值。
里程值可以通过编码器获取，编码器可以设置在隧道检测小车的行走轮上，当通过编码器获取时，里程值的计算公式为：
Mileage＝(Encl-BegEncl)×2×π×r/f
其中，Encl为编码器的当前脉冲数，BegEncl为编码器的起始脉冲数，r为检测小车的行走轮半径，f为采样频率。当然里程值也可以通过其他方式获取，本申请并不对此进行限定。
进一步地，如果里程值Mileage落在图像分度值PointMile范围内则保留该里程值和该帧点云，如果该图像分度值PointMile范围内已经存在里程值和点云，则里程值和点云被覆盖，如果里程值Mileage超出图像分度值PointMile范围，则保留上一个里程值和上一帧点云，重复上述操作，直到每一个图像分度值PointMile范围内填满里程和点云，存储至vecPointMilei，具体的计算过程为：
其中，Mileage表示当前里程值，i表示第i个图像分度值，PointMilei表示第i个图像分度值的里程，PointMilei-1表示第i-1个图像分度值的里程，vecPointMilei表示保留的里程值和该帧点云，里程值和每一帧点云是一一对应关系。
其中，需要说明的是图像分度值可以依据预设参数获得，具体计算过程如下，已知预设参数图像宽度Width，点云周长Perimeter，则根据图像宽度Width和点云周长Perimeter即可计算出图像的分辨率，具体计算过程为：
Pix＝Width÷(2×π×Perimeter)
其中，Width为图像宽度，Perimeter为点云的周长。
则图像分度值计算公式为：
PointMile＝1÷Pix
则依据上述公式即可求得图像的分度值。
进一步地，当存储帧VecPointCloud数量大于等于图片宽度Width时，存储帧VecPointCloud数量不在增加，将依据上述里程值的计算过程，将帧号和里程值保存成里程信息。
此外，需要说明的是，采用编码器进行里程值的采集时，由于编码器在推行过程中存在打滑等现象，因此会存在相应的误差，可以对所存在的误差进行相应的纠正。比如，对于圆形隧道，在圆形隧道墙上记录监测里程，可以通过灰度图进行查看，在灰度图的相应位置添加里程桩，计算编码器拉伸系数，从而得到真正的里程信息TrueMile，其公式如下：
其中，TrueEncl表示真实的里程值，BegEncl表示该起始监测点的编码器里程值，EndEncl表示终止监测点的编码器里程值，BegMile表示监测点的起始里程桩，EndMile表示监测点的终止里程桩。
图7为本发明实施例提供的又一种检测隧道病害的方法。可选地，如图7所示，根据隧道的灰度图和/或深度图，确定隧道的病害区域的病害信息，包括：
S501、判断隧道的灰度图的灰度值和/或深度图的深度信息是否符合预设要求。
其中，该预设要求可以是根据正常隧道所对应的灰度值和/或深度信息所设定的灰度值和/或深度信息要求。
S502、若不符合预设要求，则确定灰度值和/或深度信息对应的区域为病害区域。
根据所设定的预设要求，即可判定不符合预设要求的灰度值和/或深度信息对应的区域为病害区域。
比如，灰度值的预设要求为A～B之间，则隧道的灰度图中灰度值满足预设要求A～B之间的，则可认为隧道不存在病害区域，否则为隧道存在病害区域，其他病害区域的确定与该判定过程类似，本申请在此便不再赘述。
S503、获取病害区域的特征信息，根据病害区域的特征信息确定对应的病害信息。
其中，特征信息包括病害区域的坐标信息、颜色信息和形状信息。
其中，通过获取隧道病害区域的特征信息，即可对该病害区域进一步分析。特征信息可以包括病害区域的坐标信息、颜色信息和形状信息，当然也可包括角度信息等，本申请在此不作限制。比如，坐标信息可判定病害区域所处灰度值和/或深度图的位置，进而反映病害区域在隧道中的位置；颜色信息和形状信息可判定病害的类别。
图8为本发明实施例提供的另一种隧道深度图的示意图。如图8所示，基于该图可以确定隧道中的变形区域，图上局部为蓝色，见区域(a)，周围为绿色，见区域(b)，表示该范围的最优距离为绿色显示的距离；如果当前距离大于最优距离时，则显示为蓝色，见区域(a)；如果当前距离小于最优距离时，则显示桔色，见区域(c)；如果当前距离远大于最优距离时，其显示白色，图中未示出；如果当前距离远小于最优距离时，其显示黑色，见区域(d)；差值越大，颜色变化越明显，其具体计算公式如下：
B＝(Sub-Min)÷(Max-Min)×255
G＝(Sub-Min)÷(Max-Min)×255
R＝(Sub-Min)÷(Max-Min)×255
其中，假设最优距离Mid为0m，最小值Min为-0.2m，最大值Max为0.2m，表示与隧道最优距离的差值为±0.2m，当实际的距离大于最小距离0.1m时，其B、G、R分量为64，其颜色为绿色；当实际的距离大于最优距离0.25m时，其B、G、R分量为159，其颜色为蓝色，具体颜色的计算方式可参考上述进行，本申请在此不再赘述。
而对于该变形区域，则可进一步获取该变形区域的病害信息，比如，变形区域的里程信息、角度信息、面积信息、深度信息等。进一步地，变形区域的里程信息为变形区域的中间里程，计算公式如下：
DeformMile＝f((EndMouseX+BegMouseX)÷2)
其中，EndMouseX表示变形区域中灰度图和/或深度图终止的横坐标，BegMouseX表示变形区域中灰度图和/或深度图起始的横坐标，f()表示图像横坐标和里程Mile的映射关系。
变形区域的角度信息DeformAngle为变形区域的中间角度，计算公式如下：
DeformAngle＝Height÷360×(EndMouseY+BegMouseY)÷2
其中，Height表示图像的高度，EndMouseY表示变形区域终止的纵坐标，BegMouseY表示变形区域起始的纵坐标。
变形区域的面积信息DeformArea为该区域的弧长DeformLength与里程差DeformMileSub的乘积，其计算公式如下：
DeformMileSub＝f(EndMouseX)-f(BegMouseX)
DeformArea＝DeformLength×DeformMileSub
其中，Height表示图像的高度，EndMouseY表示变形区域终止的纵坐标，BegMouseY表示变形区域起始的纵坐标，DeformMileSub表示变形区域的面积，f()表示图像横坐标和里程Mile的映射关系，DeformMileSub表示变形区域终止的横坐标所对应的里程与变形区域起始横坐标所对应的里程之间的差值。
变形区域的深度信息DeformDeep计算公式如下：
DeformDeep＝DeformDist-DistN
其中，DeformDist表示变形区域的最优距离，DistN表示N帧点云的最优距离。
当然，需要说明的是，在获取到变形区域后，可以进一步加载点云的前后预设N帧，从而还原真实的三维信息，若看到点云变形区域的点云跟其他位置的点云不在一个平面，更确认此处为变形区域，提高隧道中变形区域检测的准确性。
图9为本发明实施例提供的另一种隧道深度图的示意图。可选地，如图9所示，基于该图可以确定隧道中的渗水区域，对应图9中的区域(a)，由于激光雷达对水的反射强度为零，所以隧道的灰度图和/或深度图中不规则的黑色图形对应的区域即可为隧道的渗水区域。
图10为本发明实施例提供的另一种隧道深度图的示意图。可选地，如图10所示，由于裂缝的变化规律不一，多沿环片缝方向延伸，依据该规律，即可在灰度图确定隧道的裂缝，如图10中的区域(a)和区域(b)即为该隧道的裂缝区域。
可选地，病害信息包括下述一种或多种的组合：里程信息、病害类型信息、变形深度信息、病害角度信息、病害面积信息和病害长度信息。
其中，里程信息指的是隧道中发生病害的里程信息；病害类别可以包括变形、渗水、裂缝等，根据隧道的不同环境，也可包括其他的病害类型，本申请并不对此进行限定；变形深度信息可以包括变形区域的凸起信息和变形区域的凹陷信息；病害角度信息，用于描述病害区域与隧道中心的角度信息；病害面积信息则对应的可以是变形面积、渗水面积等，本申请并不对此进行限定，病害长度信息则用于描述裂缝的长度；当然，还可以包括其他的病害信息，本申请在此便不再赘述。
此外，需要说明的是，在获取到上述一项或多项病害信息后，也可建立每一病害类别与其病害信息之间的关联关系，并根据该关联关系生成相应的病害分析报告，比如，隧道变形报告、隧道渗水报告、隧道裂缝报告等，本申请并不对此进行限定。
此外，本申请结合具体的隧道病害报告对隧道变形、病害、渗水进行说明。如表1所示，为本申请实施例提供的一种隧道病害报告。对于序号为1的报告反映的是在13071.4021公里的隧道位置具有隧道变形区域，该区域的具体情况为该区域是凸起变形，相对于隧道中心的角度为191°，变形面积为0.53平方米。相应地，对于序号为5的报告反映的是在13053.4155公里的隧道位置具有隧道变形区域，该区域的具体情况为该区域是凹陷变形，相对于隧道中心的角度为185°，变形面积为0.33平方米。
表1
如表2所示，为本申请实施例提供的另一种隧道病害报告。对于序号为1的报告反映的是在13301.302公里的隧道位置具有隧道渗水区域，该区域的具体情况该区域相对于隧道中心的角度为146°，渗水面积为0.39平方米。
表2
如表3所示，为本申请实施例提供的另一种隧道病害报告，对于序号为1的报告反映的是在10458.548公里的隧道位置具有隧道裂缝区域，该区域的具体情况该区域相对于隧道中心的角度为63°，裂缝长度为0.02米。
表3
图11为本发明实施例提供的一种检测隧道装置的模块示意图。如图11所示，该装置包括：获取模块110、纠正模块120、处理模块130以及确定模块140。
获取模块110，用于获取隧道的点云和点云相对于所述隧道平面的姿态角；纠正模块120，用于通过姿态角对点云进行纠正，获取纠正后的点云；处理模块130，用于对纠正后的点云进行处理，得到隧道的灰度图和/或深度图；确定模块140，用于根据隧道的灰度图和/或深度图，确定隧道的病害区域的病害信息。
图12为本发明实施例提供的一种电子设备结构示意图。如图12所示，该电子设备可以包括存储有计算机程序的存储器410和处理器420，处理器420可以调用存储器410存储的计算机程序。当该计算机程序被处理器420读取并运行，可以实现上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器读取并运行时，可以实现上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-OnlyMemory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种检测隧道病害的方法，其特征在于，包括：
获取隧道的点云和所述点云相对于隧道平面的姿态角；
通过所述姿态角对所述点云进行纠正，获取纠正后的点云；
对所述纠正后的点云进行处理，得到所述隧道的灰度图和/或深度图；
根据所述隧道的灰度图和/或深度图，确定所述隧道的病害区域的病害信息；
所述通过所述姿态角对点云进行纠正，包括：
通过偏航角、俯仰角和翻滚角依次对所述点云的三维坐标进行纠正；
所述对所述纠正后的点云进行处理，包括：
过滤所述纠正后的点云不符合预设要求的点云；
对过滤后的点云通过最小二乘法拟合曲线，得到所述隧道的中心位置和所述纠正后的点云的三维坐标映射到所述隧道平面的坐标信息；
其中，所述对所述纠正后的点云进行处理，得到所述隧道的深度图，包括：
根据所述过滤后的点云在所述隧道平面的坐标信息，获取所述过滤后的点云相对于所述隧道的中心位置的第一距离，和所述过滤后的点云与前后预设帧间隔的点云之间的第二距离，得到所述第一距离与所述第二距离之间的差值；
根据所述差值，得到所述过滤后的点云的深度信息；
根据所述过滤后的点云的深度信息，生成所述隧道的深度图。
2.根据权利要求1所述的方法，其特征在于，所述对所述纠正后的点云进行处理，得到所述隧道的灰度图，包括：
按照所述隧道的中心位置和预设图片宽度值，获取所述过滤后的点云落在每一隧道区间的强度值；
根据所述强度值，获取所述过滤后的点云对应的灰度值，并根据所述灰度值生成所述灰度图。
3.根据权利要求1所述的方法，其特征在于，所述对所述纠正后的点云进行处理，还包括：
对所述过滤后的点云按照预设规则进行抽稀和插帧处理，得到所述隧道的里程信息，其中，所述里程信息包括所述点云的帧号和里程值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述隧道的灰度图和/或深度图，确定所述隧道的病害区域的病害信息，包括：
判断所述隧道的灰度图的灰度值和/或深度图的深度信息是否符合预设要求；
若不符合预设要求，则确定所述灰度值和/或深度信息对应的区域为病害区域；
获取所述病害区域的特征信息，根据所述病害区域的特征信息确定对应的病害信息，其中，所述特征信息包括所述病害区域的坐标信息、颜色信息和形状信息。
5.根据权利要求4所述的方法，其特征在于，所述病害信息包括下述一种或多种的组合：里程信息、病害类型信息、变形深度信息、病害角度信息、病害面积信息和病害长度信息。
6.一种检测隧道病害的装置，其特征在于，包括：获取模块、纠正模块、处理模块以及确定模块；
所述获取模块，用于获取隧道的点云和所述点云相对于隧道平面的姿态角；
所述纠正模块，用于通过所述姿态角对所述点云进行纠正，获取纠正后的点云；
所述处理模块，用于对所述纠正后的点云进行处理，得到所述隧道的灰度图和/或深度图；
所述确定模块，用于根据所述隧道的灰度图和/或深度图，确定所述隧道的病害区域的病害信息；
所述纠正模块，具体用于通过偏航角、俯仰角和翻滚角依次对所述点云的三维坐标进行纠正；
所述处理模块，具体用于过滤所述纠正后的点云不符合预设要求的点云；对过滤后的点云通过最小二乘法拟合曲线，得到所述隧道的中心位置和所述纠正后的点云的三维坐标映射到所述隧道平面的坐标信息；
根据所述过滤后的点云在所述隧道平面的坐标信息，获取所述过滤后的点云相对于所述隧道的中心位置的第一距离，和所述过滤后的点云与前后预设帧间隔的点云之间的第二距离，得到所述第一距离与所述第二距离之间的差值；
根据所述差值，得到所述过滤后的点云的深度信息；
根据所述过滤后的点云的深度信息，生成所述隧道的深度图。
7.一种电子设备，其特征在于，包括存储有计算机程序的存储器和处理器，所述计算机程序被所述处理器读取并运行时，实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910375057.2A CN110322428B (zh) | 2019-05-07 | 2019-05-07 | 检测隧道病害的方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910375057.2A CN110322428B (zh) | 2019-05-07 | 2019-05-07 | 检测隧道病害的方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110322428A CN110322428A (zh) | 2019-10-11 |
| CN110322428B true CN110322428B (zh) | 2021-07-30 |
Family
ID=68118853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910375057.2A Active CN110322428B (zh) | 2019-05-07 | 2019-05-07 | 检测隧道病害的方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110322428B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111102935B (zh) * | 2019-12-31 | 2021-09-28 | 武汉汉宁轨道交通技术有限公司 | 隧道结构检测方法、装置和电子设备 |
| CN111415344B (zh) * | 2020-03-19 | 2023-06-20 | 北京城建勘测设计研究院有限责任公司 | 一种马蹄形隧道的病害检测方法及装置 |
| CN111325747B (zh) * | 2020-03-19 | 2023-07-11 | 北京城建勘测设计研究院有限责任公司 | 一种矩形隧道的病害检测方法及装置 |
| CN113359102A (zh) * | 2021-05-12 | 2021-09-07 | 武汉中仪物联技术股份有限公司 | 管道雷达扫描数据的处理方法和装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5927579A (en) * | 1996-07-09 | 1999-07-27 | Schwabe; Barry E. | User attachable device for securing single use cameras and the like on clothing |
| CN104359459A (zh) * | 2014-12-04 | 2015-02-18 | 上海岩土工程勘察设计研究院有限公司 | 采用三维激光扫描反射率信息生成隧道内壁影像的方法 |
| CN104792790A (zh) * | 2015-04-10 | 2015-07-22 | 北京力铁轨道交通设备有限公司 | 隧道状态检测装置和检测方法 |
| CN107655898A (zh) * | 2017-10-10 | 2018-02-02 | 山西省交通科学研究院 | 一种用于公路隧道检测的立体扫描机器人及其实施方法 |
| CN207300902U (zh) * | 2017-10-10 | 2018-05-01 | 山西省交通科学研究院 | 一种用于公路隧道检测的立体扫描机器人 |
| CN108230344A (zh) * | 2018-01-24 | 2018-06-29 | 上海岩土工程勘察设计研究院有限公司 | 一种隧道渗漏水病害自动识别方法 |
| CN108335291A (zh) * | 2018-01-24 | 2018-07-27 | 上海岩土工程勘察设计研究院有限公司 | 一种隧道病害影像预处理方法 |
| CN109029277A (zh) * | 2018-06-27 | 2018-12-18 | 常州沃翌智能科技有限公司 | 一种隧道形变监测系统及方法 |
| CN109060821A (zh) * | 2018-07-10 | 2018-12-21 | 深圳大学 | 基于激光检测的隧道病害检测方法及隧道病害检测装置 |
| CN109060820A (zh) * | 2018-07-10 | 2018-12-21 | 深圳大学 | 基于激光检测的隧道病害检测方法及隧道病害检测装置 |
| CN109459439A (zh) * | 2018-12-06 | 2019-03-12 | 东南大学 | 一种基于移动式三维激光扫描技术的隧道衬砌裂缝检测方法 |
-
2019
- 2019-05-07 CN CN201910375057.2A patent/CN110322428B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5927579A (en) * | 1996-07-09 | 1999-07-27 | Schwabe; Barry E. | User attachable device for securing single use cameras and the like on clothing |
| CN104359459A (zh) * | 2014-12-04 | 2015-02-18 | 上海岩土工程勘察设计研究院有限公司 | 采用三维激光扫描反射率信息生成隧道内壁影像的方法 |
| CN104792790A (zh) * | 2015-04-10 | 2015-07-22 | 北京力铁轨道交通设备有限公司 | 隧道状态检测装置和检测方法 |
| CN107655898A (zh) * | 2017-10-10 | 2018-02-02 | 山西省交通科学研究院 | 一种用于公路隧道检测的立体扫描机器人及其实施方法 |
| CN207300902U (zh) * | 2017-10-10 | 2018-05-01 | 山西省交通科学研究院 | 一种用于公路隧道检测的立体扫描机器人 |
| CN108230344A (zh) * | 2018-01-24 | 2018-06-29 | 上海岩土工程勘察设计研究院有限公司 | 一种隧道渗漏水病害自动识别方法 |
| CN108335291A (zh) * | 2018-01-24 | 2018-07-27 | 上海岩土工程勘察设计研究院有限公司 | 一种隧道病害影像预处理方法 |
| CN109029277A (zh) * | 2018-06-27 | 2018-12-18 | 常州沃翌智能科技有限公司 | 一种隧道形变监测系统及方法 |
| CN109060821A (zh) * | 2018-07-10 | 2018-12-21 | 深圳大学 | 基于激光检测的隧道病害检测方法及隧道病害检测装置 |
| CN109060820A (zh) * | 2018-07-10 | 2018-12-21 | 深圳大学 | 基于激光检测的隧道病害检测方法及隧道病害检测装置 |
| CN109459439A (zh) * | 2018-12-06 | 2019-03-12 | 东南大学 | 一种基于移动式三维激光扫描技术的隧道衬砌裂缝检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110322428A (zh) | 2019-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110322428B (zh) | 检测隧道病害的方法、装置及电子设备 | |
| US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
| CN104535586B (zh) | 带钢边部缺陷检测识别方法 | |
| CN108759973B (zh) | 一种水位测量方法 | |
| US4361830A (en) | Device for displaying feature of contour image | |
| CN113376654B (zh) | 基于三维激光的集卡防砸检测方法、装置和计算机设备 | |
| CN110853081B (zh) | 基于单木分割的地面和机载LiDAR点云配准方法 | |
| CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
| CN110443243B (zh) | 水位监测方法、存储介质、网络设备和水位监测系统 | |
| CN111179152A (zh) | 一种道路标识识别方法及装置、介质、终端 | |
| CN108986082A (zh) | 一种基于epnp的钢轨廓形检测方法及系统 | |
| WO2021179983A1 (zh) | 基于三维激光的集卡防吊起检测方法、装置和计算机设备 | |
| CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
| CN107798293A (zh) | 一种道路裂缝检测装置 | |
| CN113554667B (zh) | 一种基于图像识别的三维位移检测方法及装置 | |
| CN110533649B (zh) | 一种无人机通用结构裂缝识别检测装置及方法 | |
| 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 | |
| CN110068826B (zh) | 一种测距的方法及装置 | |
| CN114550037A (zh) | 一种水电站视频数据数字化安全预警方法及装置 | |
| CN111325747A (zh) | 一种矩形隧道的病害检测方法及装置 | |
| CN116465316A (zh) | 钢材厚度批量测量方法、装置、设备及介质 | |
| JP2002042142A (ja) | 距離計測装置、それを用いた監視装置 | |
| CN114037993A (zh) | 变电站指针仪表读数方法、装置、存储介质以及电子设备 | |
| CN112734705B (zh) | 一种答题卡的异常检测方法、装置、电子设备及存储介质 | |
| CN116883340A (zh) | 基于精密三维的路面井盖检测方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230529 Address after: 433000, No. 6, 7th Floor, Building 1, Building 1, Wudahui Garden, National Geospatial Information Industry Base Phase V, South of Daxue Garden Road, Donghu Development Zone, Wuhan City, Hubei Province Patentee after: WUHAN HIRAIL PROFILING TECHNOLOGY CO.,LTD. Patentee after: WUHAN University Address before: 430000 phase V of National Geospatial Information Industry base south of University Park Road, East Lake New Technology Development Zone, Wuhan, Hubei Province -- No. 6, floor 7, building 1, Wuda Huiyuan Patentee before: WUHAN HIRAIL PROFILING TECHNOLOGY CO.,LTD. |