CN110533649A - 一种无人机通用结构裂缝识别检测装置及方法 - Google Patents

一种无人机通用结构裂缝识别检测装置及方法 Download PDF

Info

Publication number
CN110533649A
CN110533649A CN201910801770.9A CN201910801770A CN110533649A CN 110533649 A CN110533649 A CN 110533649A CN 201910801770 A CN201910801770 A CN 201910801770A CN 110533649 A CN110533649 A CN 110533649A
Authority
CN
China
Prior art keywords
image
crack
capture device
image capture
unmanned plane
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
Application number
CN201910801770.9A
Other languages
English (en)
Other versions
CN110533649B (zh
Inventor
刘辉
郭嘉
田坤
单伽锃
蒋利学
赵荣欣
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.)
Shanghai Building Science Research Institute Co Ltd
Original Assignee
Shanghai Building Science Research Institute Co Ltd
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 Shanghai Building Science Research Institute Co Ltd filed Critical Shanghai Building Science Research Institute Co Ltd
Priority to CN201910801770.9A priority Critical patent/CN110533649B/zh
Publication of CN110533649A publication Critical patent/CN110533649A/zh
Application granted granted Critical
Publication of CN110533649B publication Critical patent/CN110533649B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/8851—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种无人机通用结构裂缝识别检测方法，涉及土木工程领域，解决了目前结构裂缝检测成本高且效率低下的弊端，其技术方案要点是包括有以下步骤：到达需要采集图像的位置、采集获取结构裂缝图像、进行像素解析度计算、确定图像捕捉装置与被检测平面的相对位置、计算得到单个像素对应在被检测平面上的实际距离、对图像捕捉装置获取的图像进行矫正、对矫正后的图像进行预处理、处理获得裂缝结构的二值图像、计算得到裂缝尺度几何参数、最终计算得到裂缝的实际几何参数，本发明的一种无人机通用结构裂缝识别检测方法，能够便捷、高效地获取结构裂缝图像，并且通过对图像的分析计算，简便的实现对建筑物表面裂缝的识别检测。

Description

一种无人机通用结构裂缝识别检测装置及方法
技术领域
本发明涉及土木工程领域，特别涉及一种无人机通用结构裂缝识别检测装置及方法。
背景技术
建构筑物在不同荷载条件和复杂环境作用下，材料性能退化，产生不同程度损伤，给使用者带来功能上的损失，并且存在安全隐患。裂缝是各类建构筑物中常见破坏形态，结构裂缝使结构保护层对钢筋的保护作用降低，钢筋锈蚀速率加快，降低结构耐久性与安全性。并且裂缝还会造成粉刷层剥落、房屋渗漏等问题。
传统的裂缝检测方法通常采用人工目测与仪器量测相结合的方法进行，主要使用的仪器与工具有读数显微镜、裂缝卡等；或是在大型设备的协助下进行远程裂缝观测，例如车载检测设备，望远镜等。这种方法原理简单，但在实际实施过程中存在诸多问题。开发一种高效率，低成本的建构筑物表面裂缝检测方法，对于全寿命健康监测工作的发展与普及具有十分重要的意义。
发明内容
本发明的目的是提供一种无人机通用结构裂缝识别检测方法，能够便捷、高效地获取结构裂缝图像，并且通过对图像的分析计算，简便的实现对建筑物表面裂缝的识别检测。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种无人机通用结构裂缝识别检测方法，包括有以下步骤：
图像捕捉装置到达需要采集图像的位置，采集获取结构裂缝图像；
基于图像捕捉装置的成像原理进行像素解析度计算，确定图像捕捉装置与被检测平面的相对位置，计算得到单个像素对应在被检测平面上的实际距离；
基于图像捕捉装置的畸变参数，对图像捕捉装置获取的图像进行矫正；
对矫正后的图像进行预处理，并对预处理后的图像进行边缘提取，处理获得裂缝结构的二值图像；
根据处理得到裂缝结构的二值图像计算得到裂缝尺度几何参数；
根据裂缝尺度几何参数与图像像素解析度的乘积计算得到裂缝的实际几何参数。
作为优选，上述预处理具体包括有：
通过灰度化处理降低冗余数据；
采用基于帽变换的形态学组合算法对图像增强；
采用中值滤波对背景中噪点进行平滑处理。
作为优选，图像解析度计算具体包括有：
对测距装置的两个激光光源间距及发射激光光束夹角进行标定；
通过两个激光光束实测长度，结合标定的激光光源间距与激光光束夹角，确定测距装置及图像捕捉装置与被检测平面的相对距离；
基于图像捕捉装置的成像原理，建立像素点与被检测平面上对应物点的坐标转换关系，计算得到单个像素对应在被检测平面上的实际距离。
作为优选，裂缝图像的二值图像包括有裂缝主体二值图像及裂缝骨架二值图像；
对预处理的图像经过改进自适应Canny算法双阈值计算方法进行处理得到所述裂缝主体二值图像；
基于裂缝主体二值图像，通过基于形态学击中击不中变换的细化算法进行细化，得到代表裂缝走向特征的裂缝骨架二值图像。
作为优选，所述裂缝像素尺度几何参数的获取具体包括有：
采用Radon变换极值点对应角度作为裂缝走向；
采用裂缝骨架二值图像中相邻骨架像素点的欧氏距离之和作为裂缝长度；
采用各骨架点在四个方向上到裂缝主体二值图像边缘距离中的最小值作为裂缝单点宽度，并根据单点宽度经过简单计算得到裂缝整体平均宽度与最大宽度。
一种无人机通用结构裂缝识别检测装置，包括有用于采集结构裂缝图像的图像捕捉装置、用于确定图像捕捉装置与被检测平面的相对位置的测距装置、用于稳定安装图像捕捉装置及测距装置的云台；还包括有用于承载云台、图像捕捉装置及测距装置的飞行装置；所述测距装置及图像捕捉装置中心轴向平行；
所述飞行装置携带图像捕捉装置飞行至所需检测平面处采集结构裂缝图像。
作为优选，所述图像捕捉装置及测距装置联合安装于所述云台，所述云台位于飞行装置的上方/下方。
作为优选，所述云台设置有两个，且所述图像捕捉装置及测距装置独立安装于所述云台，所述云台分别位于飞行装置的上方/下方。
综上所述，本发明具有以下有益效果：
通过飞行装置的设置，能够简便的实现携带图像捕捉装置至所需检测的结构平面处，对结构表面的裂缝进行捕捉识别，操作更加的便捷；
通过3D打印两点测距装置确定图像捕捉装置与被检测平面相对位置并对图像进行矫正和预处理，通过提出的改进自适应Canny算法双阈值计算方法对图像进行处理，自动获取裂缝几何参数，整体高效。
附图说明
图1为一种无人机通用结构裂缝识别检测装置示意图；
图2为测距装置电路模块示意图；
图3为测距装置标定示意图；
图4为测距原理示意图；
图5为灰度化处理前后裂缝图像对比图；
图6为图像增强前后裂缝图像对比图；
图7为平滑处理前后裂缝图像对比图；
图8为裂缝图像灰度直方图；
图9为改进自适应阈值Canny算法边缘提取图像；
图10为裂缝主体二值图像；
图11为裂缝主体与骨架线局部放大图；
图12为裂缝宽度像素扫描示意图。
图中：1、飞行装置；2、云台；3、测距装置；4、图像捕捉装置。
具体实施方式
以下结合附图对本发明作进一步详细说明。
根据一个或多个实施例，公开的一种无人机通用结构裂缝识别检测装置，如图1所示，包括有飞行装置1、云台2、图像捕捉装置4 及测距装置3，云台2、图像捕捉装置4及测距装置3安装在飞行装置1上，通过云台2稳定图像捕捉装置4及测距装置3，使得图像捕捉装置4与测距装置3同步运动。飞行装置1通过操作人员手动控制或通过编程自动规划路线，在合适位置通过图像捕捉装置4及测距装置3对建筑外墙裂缝同时进行图像采集与相对位置测量。
使用棋盘格标定方法标定图像捕捉装置4的焦距，分辨率，畸变参数等内部参数。此过程可通过向程序输入多张标定图像由计算机自动识别计算完成。
飞行装置1可为无人机等各类型小型飞行装置1；测距装置3为 3D打印两点测距装置3，可整体进行3D打印或者装置外壳进行3D打印后进行拼装；图像捕捉装置4可为相机、摄像机等具有图像采集功能的设备；云台2对应于图像捕捉装置4及测距装置3联合设置，进行稳定安装，安装后的图像捕捉装置4及测距装置3可随着云台的位置安装位于飞行装置1的上方或者下方；另外，云台2对应于图像捕捉装置4及测距装置3可独立设置，设置有两个云台，分别对图像捕捉装置4及测距装置3进行独立稳定安装，每个云台2相互独立，可安装于飞行装置1的上方或者下方。保持图像捕捉装置4和测距装置 3朝向同一侧且中心轴线相互平行，以使得测距装置3测量获取的与检测平面间的相对位置可确定图像捕捉装置4与被检测平面之间的相对位置。
根据3D打印两点测距装置3系统的功能需求，设计其电路模块。图2为3D打印两点测距装置3电路模块示意图。
根据一个或多个实施例，公开的一种无人机通用结构裂缝识别检测方法，步骤如下：
图像捕捉装置4达到需要采集图像的位置，采集获取结构裂缝图像；
基于图像捕捉装置4的成像原理进行像素解析度计算，确定图像捕捉装置4与被检测平面的相对位置，计算得到单个像素对应在被检测平面上的实际距离；
基于图像捕捉装置4的畸变参数，对图像捕捉装置4获取的图像进行矫正；
对矫正后的图像进行预处理，并对预处理后的图像进行边缘提取，处理获得裂缝结构的二值图像；
根据处理得到裂缝结构的二值图像计算得到裂缝尺度几何参数；
根据裂缝尺度几何参数与图像像素解析度的乘积计算得到裂缝的实际几何参数。
测距装置3的外壳由3D打印制作。为避免系统误差，在使用前应对测距装置3中两个激光光源点间距与发射激光光束夹角进行标定，图3为测距仪标定的示意图，其中A’B’代表任一竖直反光平面，调整测距装置3的角度使其正对反光平面，此时实测两激光束长度相等。使用游标卡尺测量装置激光光源点间距与反光平面上光斑间距，求解等腰梯形ABB’A’计算得到光束夹角。
通过3D打印两点测距装置3可以获得图像捕捉装置4与被测平面相对位置，为像素解析度计算提供基础。两点测距原理如图4所示，已知两个激光光束的实测长度，以及事先标定的测距仪激光光源间距与激光光束夹角，测距仪与被检测平面相对位置为平面几何可解参数。由于测距仪与图像捕捉装置4同步运动，其与图像捕捉装置4相对被检测平面位置相同。
通过图像捕捉装置4焦距，分辨率等内部参数以及拍摄时相对被检测平面的角度与距离，可建立图像上像素与实际平面上对应物点的中心投影关系，并计算得到图像像素对应的平面上空间距离。此过程可通过向程序输入相机内参以及图像获取装置相对被检测平面的夹角与距离，由计算机自动计算完成。
根据图像捕捉装置4与被测平面相对位置和镜头焦距信息，对所捕捉到的裂缝图像进行畸变矫正。
对畸变矫正图像进行预处理。采用灰度化处理降低冗余数据，图 5为灰度化处理前后裂缝图像对比，分别为灰度处理前的图像(5a) 和灰度处理后的图像(5b)。采用基于帽变换的形态学组合算法对图像增强，图6为图像增强前后裂缝图像对比，分别为增强处理前图像 (6a)及增强处理后图像(6b)。采用中值滤波对背景中噪点进行平滑处理，图7为平滑处理前后裂缝图像对比，分别为平滑处理前图像 (7a)和平滑处理后图像(7b)。
裂缝图像边缘提取方法。基于灰度图像统计参数和裂缝图像灰度直方图特征，提出自适应Canny算法双阈值计算方法进行裂缝图像边缘提取。图8为裂缝图像灰度直方图，图9为改进自适应阈值Canny 算法边缘提取结果。
裂缝主体二值图像获取方法。通过对裂缝主体位置所在处像素参数值进行设定，通过形态学对裂缝边缘图像进行处理，得到裂缝分割二值图像。图10为裂缝主体二值图像。
裂缝骨架二值图像获取。对裂缝二值图像进行细化，得到位于裂缝主体中心线位置的单像素宽度细线，此线即为裂缝主体骨架线。图 11即为裂缝主体局部放大图(11a)与骨架线局部放大图(11b)。
裂缝几何参数自动提取。裂缝主要几何参数包括裂缝走向、裂缝长度、裂缝宽度。将裂缝骨架曲线进行Radon变换，变换之后对应位置与方向产生极值，极值点对应角度即为裂缝走向。裂缝骨架曲线宽度为1像素，通过对骨架曲线像素尺度上长度统计可得裂缝长度。从骨架曲线选定像素点出发，在0°、45°、90°、135°四个方向进行扫描裂缝主体，取该点各方向上宽度中的最小值作为裂缝在该点处的单点裂缝宽度，根据单点宽度经过简单计算得到裂缝整体平均宽度与最大宽度。图12为裂缝宽度像素扫描示意图。
将图像处理与几何特征分析结果与图像像素解析度相乘，即可得到裂缝的实际几何参数。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (8)

1.一种无人机通用结构裂缝识别检测方法，其特征是，包括有以下步骤：
图像捕捉装置(4)到达需要采集图像的位置，采集获取结构裂缝图像；
基于图像捕捉装置(4)的成像原理进行像素解析度计算，确定图像捕捉装置(4)与被检测平面的相对位置，计算得到单个像素对应在被检测平面上的实际距离；
基于图像捕捉装置(4)的畸变参数，对图像捕捉装置(4)获取的图像进行矫正；
对矫正后的图像进行预处理，并对预处理后的图像进行边缘提取，处理获得裂缝结构的二值图像；
根据处理得到裂缝结构的二值图像计算得到裂缝尺度几何参数；
根据裂缝尺度几何参数与图像像素解析度的乘积计算得到裂缝的实际几何参数。
2.根据权利要求1所述的无人机通用结构裂缝识别检测方法，其特征是，上述预处理具体包括有：
通过灰度化处理降低冗余数据；
采用基于帽变换的形态学组合算法对图像增强；
采用中值滤波对背景中噪点进行平滑处理。
3.根据权利要求1所述的无人机通用结构裂缝识别检测方法，其特征是，图像解析度计算具体包括有：
对测距装置(3)的两个激光光源间距及发射激光光束夹角进行标定；
通过两个激光光束实测长度，结合标定的激光光源间距与激光光束夹角，确定测距装置(3)及图像捕捉装置(4)与被检测平面的相对距离；
基于图像捕捉装置(4)的成像原理，建立像素点与被检测平面上对应物点的坐标转换关系，计算得到单个像素对应在被检测平面上的实际距离。
4.根据权利要求1所述的无人机通用结构裂缝识别检测方法，其特征是：裂缝图像的二值图像包括有裂缝主体二值图像及裂缝骨架二值图像；
对预处理的图像经过改进自适应Canny算法双阈值计算方法进行处理得到所述裂缝主体二值图像；
基于裂缝主体二值图像，通过基于形态学击中击不中变换的细化算法进行细化，得到代表裂缝走向特征的裂缝骨架二值图像。
5.根据权利要求4所述的无人机通用结构裂缝识别检测方法，其特征是，所述裂缝像素尺度几何参数的获取具体包括有：
采用Radon变换极值点对应角度作为裂缝走向；
采用裂缝骨架二值图像中相邻骨架像素点的欧氏距离之和作为裂缝长度；
采用各骨架点在四个方向上到裂缝主体二值图像边缘距离中的最小值作为裂缝单点宽度，并根据单点宽度经过简单计算得到裂缝整体平均宽度与最大宽度。
6.一种无人机通用结构裂缝识别检测装置，其特征是：包括有用于采集结构裂缝图像的图像捕捉装置(4)、用于确定图像捕捉装置(4)与被检测平面的相对位置的测距装置(3)、用于稳定安装图像捕捉装置(4)及测距装置(3)的云台(2)；还包括有用于承载云台(2)、图像捕捉装置(4)及测距装置(3)的飞行装置(1)；所述测距装置(3)及图像捕捉装置(4)中心轴向平行；
所述飞行装置(1)携带图像捕捉装置(4)飞行至所需检测平面处采集结构裂缝图像。
7.根据权利要求6所述的无人机通用结构裂缝识别检测装置，其特征是：所述图像捕捉装置(4)及测距装置(3)联合安装于所述云台(2)，所述云台(2)位于飞行装置(1)的上方/下方。
8.根据权利要求6所述的无人机通用结构裂缝识别检测装置，其特征是：所述云台(2)设置有两个，且所述图像捕捉装置(4)及测距装置(3)独立安装于所述云台(2)，所述云台(2)分别位于飞行装置(1)的上方/下方。
CN201910801770.9A 2019-08-28 2019-08-28 一种无人机通用结构裂缝识别检测装置及方法 Active CN110533649B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910801770.9A CN110533649B (zh) 2019-08-28 2019-08-28 一种无人机通用结构裂缝识别检测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910801770.9A CN110533649B (zh) 2019-08-28 2019-08-28 一种无人机通用结构裂缝识别检测装置及方法

Publications (2)

Publication Number Publication Date
CN110533649A true CN110533649A (zh) 2019-12-03
CN110533649B CN110533649B (zh) 2022-12-20

Family

ID=68664728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910801770.9A Active CN110533649B (zh) 2019-08-28 2019-08-28 一种无人机通用结构裂缝识别检测装置及方法

Country Status (1)

Country Link
CN (1) CN110533649B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111256594A (zh) * 2020-01-18 2020-06-09 中国人民解放军国防科技大学 一种飞机蒙皮表面状态物理特征的测量方法
CN113848209A (zh) * 2021-08-23 2021-12-28 浙江工业大学 一种基于无人机与激光测距的堤坝裂缝检测方法
CN114399490A (zh) * 2022-01-13 2022-04-26 如你所视(北京)科技有限公司 建筑物涂刷质量检测方法和装置、计算机可读存储介质
CN114782845A (zh) * 2022-06-20 2022-07-22 青岛理工大学 爆破后建筑物新生裂缝识别方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013117409A (ja) * 2011-12-02 2013-06-13 Taisei Corp ひび割れ検出方法
US20140132965A1 (en) * 2012-11-15 2014-05-15 National Applied Research Laboratories Method for measuring cracks remotely and device thereof
CN107240079A (zh) * 2017-06-09 2017-10-10 南京理工大学 一种基于图像处理的路面裂缝检测方法
CN108364280A (zh) * 2018-01-03 2018-08-03 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
CN109682316A (zh) * 2018-11-19 2019-04-26 湖北电鹰科技有限公司 基于无人机成像的混凝土裂缝识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013117409A (ja) * 2011-12-02 2013-06-13 Taisei Corp ひび割れ検出方法
US20140132965A1 (en) * 2012-11-15 2014-05-15 National Applied Research Laboratories Method for measuring cracks remotely and device thereof
CN107240079A (zh) * 2017-06-09 2017-10-10 南京理工大学 一种基于图像处理的路面裂缝检测方法
CN108364280A (zh) * 2018-01-03 2018-08-03 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
CN109682316A (zh) * 2018-11-19 2019-04-26 湖北电鹰科技有限公司 基于无人机成像的混凝土裂缝识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
方志等: "基于图像分析技术的结构表面裂缝形态检测", 《铁道科学与工程学报》 *
查旭东等: "基于图像处理技术的连续配筋混凝土路面裂缝宽度检测方法", 《长沙理工大学学报(自然科学版)》 *
马鑫等: "裂缝图像识别与特征参数算法的研究", 《科技资讯》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111256594A (zh) * 2020-01-18 2020-06-09 中国人民解放军国防科技大学 一种飞机蒙皮表面状态物理特征的测量方法
CN111256594B (zh) * 2020-01-18 2022-01-14 中国人民解放军国防科技大学 一种飞机蒙皮表面状态物理特征的测量方法
CN113848209A (zh) * 2021-08-23 2021-12-28 浙江工业大学 一种基于无人机与激光测距的堤坝裂缝检测方法
CN113848209B (zh) * 2021-08-23 2023-12-15 浙江工业大学 一种基于无人机与激光测距的堤坝裂缝检测方法
CN114399490A (zh) * 2022-01-13 2022-04-26 如你所视(北京)科技有限公司 建筑物涂刷质量检测方法和装置、计算机可读存储介质
CN114782845A (zh) * 2022-06-20 2022-07-22 青岛理工大学 爆破后建筑物新生裂缝识别方法、装置、设备及介质

Also Published As

Publication number Publication date
CN110533649B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN110533649A (zh) 一种无人机通用结构裂缝识别检测装置及方法
RU2609434C2 (ru) Выявление расположения и местоположения объектов
CN111383285B (zh) 一种基于毫米波雷达与摄像机传感器融合标定方法及系统
CN106959078B (zh) 一种用于三维轮廓测量的轮廓测量方法
US10060739B2 (en) Method for determining a position and orientation offset of a geodetic surveying device and such a surveying device
CN109410256A (zh) 基于互信息的点云与影像自动高精度配准方法
JP5503578B2 (ja) 物体検出装置及び物体検出方法
CN107218928B (zh) 一种复杂多管路系统检测方法
CN104574393B (zh) 一种三维路面裂缝图像生成系统和方法
JP5891560B2 (ja) 三次元画像を形成するための識別専用オプトロニックシステムおよび方法
WO2012053521A1 (ja) 光学情報処理装置、光学情報処理方法、光学情報処理システム、光学情報処理プログラム
CN109341668B (zh) 基于折射投影模型和光束追踪法的多相机测量方法
CN111879235A (zh) 弯管的三维扫描检测方法、三维扫描系统和计算机设备
Sarker et al. Multi-scale 3D roughness quantification of concrete interfaces and pavement surfaces with a single-camera set-up
US20230105991A1 (en) Method of imaging a wind turbine rotor blade
CN116524109B (zh) 一种基于WebGL的三维桥梁可视化方法及相关设备
Lee et al. A study on scan data matching for reverse engineering of pipes in plant construction
CN117128861A (zh) 一种去测站化三维激光扫描桥梁监测系统及监测方法
Hasheminasab et al. Linear Feature-based image/LiDAR integration for a stockpile monitoring and reporting technology
CN114035188A (zh) 一种地基雷达冰川流速高精度监测算法与系统
CN112581524A (zh) 基于点云的slam移动机器人机场道路检测数据获取方法
Gao et al. Full‐field deformation measurement by videogrammetry using self‐adaptive window matching
KR101497944B1 (ko) 영상 처리 기반의 계측 정보 표시 장치 및 계측 정보 표시 방법
Li-Chee-Ming et al. Generation of three dimensional photo-realistic models from LiDAR and image data
Wang et al. A feasibility study on data automation for comprehensive pavement condition survey

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