CN111563888A - 一种定量裂缝生长监测方法 - Google Patents

一种定量裂缝生长监测方法 Download PDF

Info

Publication number
CN111563888A
CN111563888A CN202010371643.2A CN202010371643A CN111563888A CN 111563888 A CN111563888 A CN 111563888A CN 202010371643 A CN202010371643 A CN 202010371643A CN 111563888 A CN111563888 A CN 111563888A
Authority
CN
China
Prior art keywords
crack
cracks
detected
quantitative information
quantitative
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.)
Pending
Application number
CN202010371643.2A
Other languages
English (en)
Inventor
刘宇飞
樊健生
孔思宇
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202010371643.2A priority Critical patent/CN111563888A/zh
Publication of CN111563888A publication Critical patent/CN111563888A/zh
Pending legal-status Critical Current

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种定量裂缝生长监测方法。该方法包括：获取待测结构的表面的原始图像；利用已训练的卷积神经网络，从所获取的原始图像中确定出存在裂缝的裂缝区域；从裂缝区域中识别出裂缝，并提取出各条裂缝的边缘线和中心线，再根据边缘线与中心线计算得到各条裂缝的定量信息；在裂缝监测数据库中为每一条裂缝设置一个唯一的标识符，并根据裂缝的标识符将每次检测得到的各条裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中；将新产生裂缝和已经存在裂缝的定量信息进行输出，完成定量裂缝生长监测。应用本发明可以对待测结构的表面的裂缝生长进行有效的监测。

Description

一种定量裂缝生长监测方法
技术领域
本申请涉及图像处理技术领域，尤其涉及一种定量裂缝生长监测方法。
背景技术
表面裂缝是对结构进行监测与损伤评估的重要指标之一。
混凝土的表面裂缝可能由众多原因导致，除了正常设计下的荷载作用之外，混凝土的收缩徐变，结构设计不当与使用超载，地震、台风、洪水等自然灾害，结构支座不均匀沉降等，均会导致混凝土裂缝的出现。混凝土结构一旦出现明显的裂缝，会导致外部不利因素(水、盐)等入侵，致使内部钢筋锈蚀，造成结构出现严重的安全问题。突然而快速发展的裂缝，更是结构破坏、垮塌的先兆。因此，对混凝土表面裂缝的监测，是保障混凝土结构安全的重要措施之一。
目前，现有技术中针对大型结构的裂缝监测仍然是采用人工测量为主。但是，这种监测方法存在安全性低、检测效率和精度低、劳动强度大等问题。此外，通过人工测量的方法也不能持续对结构的裂缝生长情况进行监测，只能得到某一个时刻的裂缝开展情况。
除了人工测量的方法外，现有技术中还提出了基于超声波、雷达波以及分布式光纤的裂缝监测方法。但是，现有技术中的上述监测方法不仅对于传感器的布置和精度要求均比较高，并且，在受到外界噪音干扰时，检测结果也会有较大波动，从而导致裂缝的识别效果不理想。因此，在使用现有技术中的上述监测方法时，往往其最后的效果和精度都不尽如人意。
发明内容
有鉴于此，本发明提供了一种定量裂缝生长监测方法，从而可以对待测结构的表面的裂缝生长进行有效的监测。
本发明的技术方案具体是这样实现的：
一种定量裂缝生长监测方法，该方法包括：
获取待测结构的表面的原始图像；
利用已训练的卷积神经网络，从所获取的原始图像中确定出存在裂缝的裂缝区域；
从裂缝区域中识别出裂缝，并提取出各条裂缝的边缘线和中心线，再根据边缘线与中心线计算得到各条裂缝的定量信息；
在裂缝监测数据库中为每一条裂缝设置一个唯一的标识符，并根据裂缝的标识符将每次检测得到的各条裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中；
将新产生裂缝和已经存在裂缝的定量信息进行输出，完成定量裂缝生长监测。
进一步的，在获取待测结构的表面的原始图像时，使得前后拍摄的两幅图像至少有1/3的区域重合，然后再采用图像拼接的方式得到待测结构整体的表面的原始图像。
进一步的，利用已有的数据库中所存储的多个已标记过裂缝位置的裂缝图像对预设的卷积神经网络进行训练，得到用于判断原始图像中是否存在裂缝的卷积神经网络。
进一步的，将原始图像分割成多个具有预设面积的区域，以符合卷积神经网络的输入要求，然后再利用已训练的卷积神经网络来判断各区域中是否存在裂缝，并将存在裂缝的区域作为裂缝区域。
进一步的，利用图像处理技术，对存在裂缝的裂缝区域进行降噪和二值化处理，从存在裂缝的裂缝区域中识别出裂缝，并提取出各条裂缝的边缘线和中心线；再根据边缘线与中心线计算得到各条裂缝的定量信息。
进一步的，根据裂缝的边缘线得到该裂缝的边缘曲线，并根据裂缝的中心线得到该裂缝的骨架曲线。
进一步的，对待测结构的表面进行多次检测，并在每次检测之后都将得到的各条裂缝的定量信息以及对应的检测时间，按照各条裂缝的标识符存储在裂缝监测数据库中。
进一步的，对待测结构的表面进行第一次检测时，在裂缝监测数据库中为检测到的每一条裂缝设置一个唯一的编号，并将检测到的每一条裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中；
当对待测结构的表面进行第N次检测时，其中，N为大于1的整数，对于本次检测中检测到的每一条裂缝，都将该检测到的裂缝与已存储在裂缝监测数据库中的各条裂缝分别进行形状匹配，并根据形状匹配的结果确定裂缝监测数据库中是否存在匹配的裂缝；如果是，则根据所匹配的裂缝的标识符，将该检测到的裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中；如果否，则为该检测到的裂缝设置一个唯一的标识符，并将该检测到的裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中。
进一步的，通过如下的步骤来实现形状匹配：
对进行形状匹配的两条裂缝的边缘点集进行均匀采样，分别得到两条裂缝的采样集合P和Q；
分别计算P、Q中每个边缘点的形状上下文；
计算P、Q中任意两个边缘点之间形状上下文的匹配代价，生成代价矩阵C；
使用匈牙利算法和代价矩阵C，计算配对代价的最小值；
根据配对代价的最小值确定进行形状匹配的两条裂缝是否为同一条裂缝。
进一步的，所述形状匹配阈值为0.15～0.4。
如上可见，本发明中的定量裂缝生长监测方法具有如下的优点：
1、在本发明中的定量裂缝生长监测方法中，只需要对待测结构的表面进行拍照得到图像，然后通过卷积神经网络和图像处理技术直接从图像上找出裂缝，并且可以得到裂缝的宽度和长度等定量信息，因此无需通过人工进行检查即可找出裂缝，而且造价低，操作简单。
2、在本发明中的定量裂缝生长监测方法中，从图像中找出裂缝之后，还能通过形状匹配技术得到每条裂缝在结构寿命期中的变化情况，因此有利于对于结构安全性的判断。
3、本发明中的定量裂缝生长监测方法对于各种类型的工程结构形式(例如，桥梁、隧道、大坝、道路、建筑、构筑物等)都可以适用，因此可以广泛地应用于工程结构监测领域中。
因此可知，本发明中所提出的定量裂缝生长监测方法，是一种结果可靠、造价低且操作简单的裂缝生长监测方法。
附图说明
图1为本发明实施例中的定量裂缝生长监测方法的流程图。
图2为本发明实施例中的存在裂缝的裂缝区域的示意图。
图3为图2的裂缝区域中的裂缝的边缘曲线的示意图。
图4为图2的裂缝区域中的裂缝的骨架曲线的示意图。
具体实施方式
为使本发明的技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明作进一步详细的说明。
图1为本发明实施例中的定量裂缝生长监测方法的流程图。如图1所示，本发明实施例中的定量裂缝生长监测方法包括如下所述步骤：
步骤11，获取待测结构的表面的原始图像。
在本步骤中，将先获取待测结构的表面的原始图像，作为裂缝生长监测的基础。
在获取原始图像时，可以使用相机(或其他的图像获取装置)来对待测结构的表面进行拍照，并将拍照所得的照片作为待测结构的表面的原始图像。
在拍摄原始图像时，使相机与待测结构的表面垂直。而当待测结构的表面较大，需要移动相机进行拍摄的时候，可使得前后拍摄的两幅图像至少有1/3的区域重合，然后再采用图像拼接的方式得到待测结构整体的表面的原始图像。
步骤12，利用已训练的卷积神经网络，从所获取的原始图像中确定出存在裂缝的裂缝区域。
在获取了待测结构的表面的原始图像之后，即可通过卷积神经网络直接判断所获取的原始图像中是否存在裂缝。如果存在裂缝，则从所获取的原始图像中确定出存在裂缝的裂缝区域。
在本发明的技术方案中，以预先准备一个已训练的卷积神经网络，以用于所获取的原始图像中确定出存在裂缝的裂缝区域。
例如，作为示例，在本发明的一个具体实施例中，可以利用已有的数据库(例如，裂缝图像库)中所存储的多个已标记过裂缝位置的裂缝图像对预设的卷积神经网络进行训练，从而得到可以判断原始图像中是否存在裂缝的卷积神经网络。
在进行上述步骤12时，可以先将原始图像分割成多个具有预设面积的区域，以符合卷积神经网络的输入要求，然后再利用已训练的卷积神经网络来判断各区域中是否存在裂缝，并将存在裂缝的区域作为裂缝区域，从而完成存在裂缝的裂缝区域的确认。
步骤13，从裂缝区域中识别出裂缝，并提取出各条裂缝的边缘线和中心线，再根据边缘线与中心线计算得到各条裂缝的定量信息。
例如，作为示例，在本发明的一个具体实施例中，可以利用图像处理技术，对存在裂缝的裂缝区域进行降噪和二值化处理，从存在裂缝的裂缝区域中识别出裂缝，并提取出各条裂缝的边缘线和中心线；然后，再根据边缘线与中心线计算得到各条裂缝的定量信息(例如，裂缝的长度、宽度等信息)。
另外，作为示例，在本发明的另一个具体实施例中，还可以根据裂缝的边缘线得到该裂缝的边缘曲线，并可根据裂缝的中心线得到该裂缝的骨架曲线，如图3和图4所示。
步骤14，在裂缝监测数据库中为每一条裂缝设置一个唯一的标识符，并根据裂缝的标识符将每次检测得到的各条裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中。
在本发明的技术方案中，将预先设置一个裂缝监测数据库，用于存储各条裂缝的定量信息。因此，将在该裂缝监测数据库中为每一条裂缝都设置一个唯一的标识符(例如，设置一个唯一的编号)，从而可以通过该标识符来区分不同的裂缝。
另外，在本发明的技术方案中，可以对待测结构的表面进行多次检测，并在每次检测之后都将得到的各条裂缝的定量信息以及对应的检测时间，按照各条裂缝的标识符存储在裂缝监测数据库中。
例如，作为示例，在本发明的一个具体实施例中，当对待测结构的表面进行第一次检测时，可以在裂缝监测数据库中为检测到的每一条裂缝设置一个唯一的编号，并将检测到的每一条裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中。
而当对待测结构的表面进行第N(N为大于1的整数)次检测时，对于本次检测中检测到的每一条裂缝，都将该检测到的裂缝与已存储在裂缝监测数据库中的各条裂缝分别进行形状匹配，并根据形状匹配的结果确定裂缝监测数据库中是否存在匹配的裂缝(即确定该检测到的裂缝是否与裂缝监测数据库中的某一条裂缝为同一条裂缝)；如果是，则表示该检测到的裂缝是一条旧裂缝，因此可以根据所匹配的裂缝的标识符，将该检测到的裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中；如果否，则表示该检测到的裂缝是一条新裂缝，因此，将为该检测到的裂缝设置一个唯一的标识符(例如，设置一个唯一的编号)，并将该检测到的裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中。
因此，在本发明的技术方案中，可以对待测结构的表面进行多次检测(例如，至少2次检测，每两次检测之间的间隔为3～6个月)，为待测结构的表面上的每一条裂缝都设置一个唯一的标识符，并将每次检测到的各条裂缝的定量信息以及对应的检测时间都存储在裂缝监测数据库中。
另外，在本发明的技术方案中，可以使用多种具体实现方式来进行上述的形状匹配。以下将以其中的一种具体实现方式为例，对本发明的技术方案进行详细的介绍。
例如，作为示例，在本发明的一个具体实施例中，可以通过如下的步骤来实现上述的形状匹配：
步骤141，对进行形状匹配的两条裂缝的边缘点集进行均匀采样，分别得到两条裂缝的采样集合P和Q。
在本发明的技术方案中，采样的数量可以是n个点，因此可以分别得到与两条裂缝相对应的两个具有n个边缘点的采样集合P(p1,p2,p3,……,pn)和Q(q1,q2,q3,……,qn)。其中，p1,p2,p3,……,pn分别表示采样集合P中的第1、2、3、……、n个边缘点，q1,q2,q3,……,qn分别表示采样集合Q中的第1、2、3、……、n个边缘点。
其中，上述的边缘点集是边缘点的集合，该边缘点集可以从裂缝的图像中直接提取得到。
步骤142，分别计算P、Q中每个边缘点的形状上下文。
在本发明的技术方案中，形状上下文是表征每个边缘点与其周围边缘点相对位置关系的特征量。每个边缘点的形状上下文不同。
步骤143，计算P、Q中任意两个边缘点之间形状上下文的匹配代价，生成代价矩阵C。
在本发明的技术方案中，如果采样的数量为n个点，则上述的代价矩阵C为n*n阶的矩阵。
步骤144，使用匈牙利算法和代价矩阵C，计算配对代价的最小值。
步骤145，根据配对代价的最小值确定进行形状匹配的两条裂缝是否为同一条裂缝。
例如，作为示例，在本发明的一个具体实施例中，如果配对代价的最小值小于预设的形状匹配阈值，则可以确定进行形状匹配的两条裂缝为同一条裂缝；如果配对代价的最小值大于或等于预设的形状匹配阈值，则可以确定进行形状匹配的两条裂缝不是同一条裂缝。
另外，在本发明的技术方案中，可以根据实际应用情况的需要，预先设置上述形状匹配阈值的值或取值范围。例如，作为示例，在本发明的一个具体实施例中，所述形状匹配阈值可以是0.15～0.4。
因此，通过上述的步骤141～145，即可判断通过形状匹配的结果来确定两条裂缝是否为同一条裂缝，从而可以根据形状匹配的结果确定裂缝监测数据库中是否存在匹配的裂缝，进而可以区分新的裂缝和已经存在的裂缝(即可以判断当前检测到的裂缝是新的裂缝还是已经存储在裂缝监测数据库中的旧裂缝)。
步骤15，将新产生裂缝和已经存在裂缝的定量信息进行输出，完成定量裂缝生长监测。
在本步骤中，将输出新产生裂缝和已经存在裂缝的定量信息，例如，裂缝监测数据库中的所有裂缝的定量信息，可以包括：每条裂缝骨架线上的像素点坐标、所属裂缝的编号、以及该点的裂缝宽度等信息。
通过上述的步骤11～15，可以通过所获取的待测结构的表面的原始图像识别出裂缝，并计算得到各条裂缝的定量信息，再将每次检测得到的各条裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中，并为每一条裂缝设置一个唯一的标识符，因此可以获得新产生裂缝和已经存在裂缝的定量信息，从而可以完成对每一条裂缝在寿命期内的追踪，并获取每一条裂缝的定量信息，实现定量裂缝生长监测。
综上可知，在本发明的技术方案中，由于可以通过所获取的待测结构的表面的原始图像确定出存在裂缝的裂缝区域，并从裂缝区域中识别出裂缝，计算得到各条裂缝的定量信息，然后将每次检测得到的各条裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中，并为每一条裂缝设置一个唯一的标识符，因此可以获得所有新产生裂缝和已经存在裂缝的定量信息，还可以进一步通过形状匹配技术得到每条裂缝在结构寿命期中的变化情况，从而可以实现定量裂缝生长监测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种定量裂缝生长监测方法，其特征在于，该方法包括：
获取待测结构的表面的原始图像；
利用已训练的卷积神经网络，从所获取的原始图像中确定出存在裂缝的裂缝区域；
从裂缝区域中识别出裂缝，并提取出各条裂缝的边缘线和中心线，再根据边缘线与中心线计算得到各条裂缝的定量信息；
在裂缝监测数据库中为每一条裂缝设置一个唯一的标识符，并根据裂缝的标识符将每次检测得到的各条裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中；
将新产生裂缝和已经存在裂缝的定量信息进行输出，完成定量裂缝生长监测。
2.根据权利要求1所述的方法，其特征在于：
在获取待测结构的表面的原始图像时，使得前后拍摄的两幅图像至少有1/3的区域重合，然后再采用图像拼接的方式得到待测结构整体的表面的原始图像。
3.根据权利要求1所述的方法，其特征在于：
利用已有的数据库中所存储的多个已标记过裂缝位置的裂缝图像对预设的卷积神经网络进行训练，得到用于判断原始图像中是否存在裂缝的卷积神经网络。
4.根据权利要求3所述的方法，其特征在于：
将原始图像分割成多个具有预设面积的区域，以符合卷积神经网络的输入要求，然后再利用已训练的卷积神经网络来判断各区域中是否存在裂缝，并将存在裂缝的区域作为裂缝区域。
5.根据权利要求1所述的方法，其特征在于：
利用图像处理技术，对存在裂缝的裂缝区域进行降噪和二值化处理，从存在裂缝的裂缝区域中识别出裂缝，并提取出各条裂缝的边缘线和中心线；再根据边缘线与中心线计算得到各条裂缝的定量信息。
6.根据权利要求5所述的方法，其特征在于：
根据裂缝的边缘线得到该裂缝的边缘曲线，并根据裂缝的中心线得到该裂缝的骨架曲线。
7.根据权利要求1所述的方法，其特征在于：
对待测结构的表面进行多次检测，并在每次检测之后都将得到的各条裂缝的定量信息以及对应的检测时间，按照各条裂缝的标识符存储在裂缝监测数据库中。
8.根据权利要求7所述的方法，其特征在于：
对待测结构的表面进行第一次检测时，在裂缝监测数据库中为检测到的每一条裂缝设置一个唯一的编号，并将检测到的每一条裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中；
当对待测结构的表面进行第N次检测时，其中，N为大于1的整数，对于本次检测中检测到的每一条裂缝，都将该检测到的裂缝与已存储在裂缝监测数据库中的各条裂缝分别进行形状匹配，并根据形状匹配的结果确定裂缝监测数据库中是否存在匹配的裂缝；如果是，则根据所匹配的裂缝的标识符，将该检测到的裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中；如果否，则为该检测到的裂缝设置一个唯一的标识符，并将该检测到的裂缝的定量信息以及对应的检测时间存储在裂缝监测数据库中。
9.根据权利要求8所述的方法，其特征在于，通过如下的步骤来实现形状匹配：
对进行形状匹配的两条裂缝的边缘点集进行均匀采样，分别得到两条裂缝的采样集合P和Q；
分别计算P、Q中每个边缘点的形状上下文；
计算P、Q中任意两个边缘点之间形状上下文的匹配代价，生成代价矩阵C；
使用匈牙利算法和代价矩阵C，计算配对代价的最小值；
根据配对代价的最小值确定进行形状匹配的两条裂缝是否为同一条裂缝。
10.根据权利要求9所述的方法，其特征在于：
所述形状匹配阈值为0.15～0.4。
CN202010371643.2A 2020-05-06 2020-05-06 一种定量裂缝生长监测方法 Pending CN111563888A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010371643.2A CN111563888A (zh) 2020-05-06 2020-05-06 一种定量裂缝生长监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010371643.2A CN111563888A (zh) 2020-05-06 2020-05-06 一种定量裂缝生长监测方法

Publications (1)

Publication Number Publication Date
CN111563888A true CN111563888A (zh) 2020-08-21

Family

ID=72071942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010371643.2A Pending CN111563888A (zh) 2020-05-06 2020-05-06 一种定量裂缝生长监测方法

Country Status (1)

Country Link
CN (1) CN111563888A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114021702A (zh) * 2021-11-04 2022-02-08 福建省华渔教育科技有限公司 一种基于cnn-lstm混合模型的塔吊裂缝生长预测方法
CN114814916A (zh) * 2022-04-01 2022-07-29 煤炭科学研究总院有限公司 地表裂缝定位方法、装置及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778844A (zh) * 2016-11-30 2017-05-31 北京交通大学 隧道内裂缝匹配方法和系统
CN107103323A (zh) * 2017-03-09 2017-08-29 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于图像轮廓特征的目标识别方法
CN108229461A (zh) * 2018-01-16 2018-06-29 上海同岩土木工程科技股份有限公司 一种基于深度学习的隧道裂缝快速识别方法
CN108346144A (zh) * 2018-01-30 2018-07-31 哈尔滨工业大学 基于计算机视觉的桥梁裂缝自动监测与识别方法
CN110334727A (zh) * 2019-04-30 2019-10-15 国家电网有限公司 一种隧道裂缝智能匹配检测方法
WO2020046213A1 (en) * 2018-08-31 2020-03-05 Agency For Science, Technology And Research A method and apparatus for training a neural network to identify cracks

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778844A (zh) * 2016-11-30 2017-05-31 北京交通大学 隧道内裂缝匹配方法和系统
CN107103323A (zh) * 2017-03-09 2017-08-29 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于图像轮廓特征的目标识别方法
CN108229461A (zh) * 2018-01-16 2018-06-29 上海同岩土木工程科技股份有限公司 一种基于深度学习的隧道裂缝快速识别方法
CN108346144A (zh) * 2018-01-30 2018-07-31 哈尔滨工业大学 基于计算机视觉的桥梁裂缝自动监测与识别方法
WO2020046213A1 (en) * 2018-08-31 2020-03-05 Agency For Science, Technology And Research A method and apparatus for training a neural network to identify cracks
CN110334727A (zh) * 2019-04-30 2019-10-15 国家电网有限公司 一种隧道裂缝智能匹配检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱力强等: "基于特征点集距离描述的裂缝图像匹配算法研究", 《仪器仪表学报》 *
黄宏伟, 成都：电子科技大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114021702A (zh) * 2021-11-04 2022-02-08 福建省华渔教育科技有限公司 一种基于cnn-lstm混合模型的塔吊裂缝生长预测方法
CN114814916A (zh) * 2022-04-01 2022-07-29 煤炭科学研究总院有限公司 地表裂缝定位方法、装置及电子设备
CN114814916B (zh) * 2022-04-01 2023-09-26 煤炭科学研究总院有限公司 地表裂缝定位方法、装置及电子设备

Similar Documents

Publication Publication Date Title
US11551341B2 (en) Method and device for automatically drawing structural cracks and precisely measuring widths thereof
JP7319432B2 (ja) 学習用データ収集装置、学習用データ収集方法、及びプログラム
KR100773393B1 (ko) 댐 시설물의 실시간 모니터링시스템 및 그 방법
EP3889356A1 (en) Structure repair method selection system, repair method selection method, and repair method selection server
CN111563888A (zh) 一种定量裂缝生长监测方法
JP7351849B2 (ja) 構造物の損傷原因推定システム、損傷原因推定方法、及び損傷原因推定サーバ
CN108140218B (zh) 健全度判定装置、健全度判定方法及健全度判定程序
Adhikari et al. A study of image-based element condition index for bridge inspection
CN105547602A (zh) 一种地铁隧道管片渗漏水的远距离测量方法
CN110276752B (zh) 基于android系统的混凝土表面裂缝特征的APP检测方法
CN115014198B (zh) 一种基于三维激光扫描的钢筋安装检测方法
CN111724358A (zh) 基于图像和卷积神经网络的混凝土质量检测方法及系统
CN117314397B (zh) 基于桥梁搭建下的安全巡检方法、电子设备及存储介质
CN118097436B (zh) 一种建筑体表面缺陷检测系统及检测方法
CN110210774B (zh) 滑坡风险评价方法及系统
CN110310258B (zh) 一种混凝土构件钢筋锈蚀程度的评定方法
KR102026427B1 (ko) 스마트폰을 이용한 콘크리트 균열 측정 방법
CN117091565B (zh) 一种基于卫星定位的桥梁沉降检测方法、设备及系统
CN117131671A (zh) 一种基于数字孪生的水利工程智能监测方法及系统
CN116183622A (zh) 一种基于点云信息的地铁渗漏水检测方法
CN116309376A (zh) 一种ppr管道内外径测量方法、装置、设备及存储介质
JP4619677B2 (ja) 非接触測定システム及び方法
CN111504232B (zh) 一种混凝土裂缝数字化检测方法
CN114240948B (zh) 一种结构表面损伤图像的智能分割方法及系统
Truong-Hong et al. Measuring deformation of bridge structures using laser scanning data

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200821

RJ01 Rejection of invention patent application after publication