CN111784785B - 一种桥梁动态位移识别方法 - Google Patents

一种桥梁动态位移识别方法 Download PDF

Info

Publication number
CN111784785B
CN111784785B CN202010467813.7A CN202010467813A CN111784785B CN 111784785 B CN111784785 B CN 111784785B CN 202010467813 A CN202010467813 A CN 202010467813A CN 111784785 B CN111784785 B CN 111784785B
Authority
CN
China
Prior art keywords
image
bridge
point
displacement
points
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
CN202010467813.7A
Other languages
English (en)
Other versions
CN111784785A (zh
Inventor
雷冬
杜文康
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010467813.7A priority Critical patent/CN111784785B/zh
Publication of CN111784785A publication Critical patent/CN111784785A/zh
Application granted granted Critical
Publication of CN111784785B publication Critical patent/CN111784785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种桥梁动态位移识别方法，在桥梁不同位置布置不同形状及规格的标记点；通过视频采集设备获取桥梁振动过程中的视频，并分解为单帧图像，同时量化为可以计算分析的图像数字矩阵；利用数字图像技术识别图像中标记点特征，对标记点进行捕捉；计算标记点的形心位置，获取标记点随时间变化的位移曲线；通过对图像进行标定获取桥面振动的实际动态位移。优点：无需安装传统的传感器，对桥梁结构正常的运营无影响；可以通过多点测量同时获取桥梁多点动态位移，有较高的测试效率；可以快速捕捉桥梁结构振动的实时动态位移及最大位移值，可以获得结构多点位移信息，同时获取桥梁振动的模态及振型信息，进一步对桥梁进行动力学分析。

Description

一种桥梁动态位移识别方法
技术领域
本发明涉及一种桥梁动态位移识别方法，属于桥梁健康监测技术领域。
背景技术
随着各种新结构、大跨径、复杂体系桥梁的不断出现，桥梁健康监测和桥梁安全性评估逐渐受到人们的广泛重视。作为桥梁安全性评价的一项关键指标，桥梁的动态位移测量是桥梁监测及检测的重要组成部分，能够直接反应桥梁结构的形变是否超出其安全允许范围，同时可以进一步反映出在运营状态下结构动态特性的变化，可以为桥梁的损伤识别及演化提供重要的支撑。
目前，桥梁动态位移测量主要依靠加速度计等传统传感器的测量，但是对于现场安装环境及条件有较为严格的要求，而且仪器更换及养护较为繁琐，通常需要中断交通，尤其是处在江河之上的桥梁，相应的管理养护工作更为严峻。同时，一些监测效果较好的传感器，如全球定位系统(GPS)等，如果对全桥整体进行监测，成本十分昂贵。因此，开发一套成本低廉，精度可靠并且可以实现远距离非接触测量的桥梁动态位移监测十分必要。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种桥梁动态位移识别方法。
为解决上述技术问题，本发明提供一种桥梁动态位移识别方法，在桥梁不同位置布置不同形状及规格的标记点；
通过视频采集设备获取桥梁振动过程中的视频，并分解为单帧图像，同时量化为可以计算分析的图像数字矩阵；
利用颜色分量提取方法和形态学处理方法对单帧图像中的标记点进行捕捉；
根据图像数字矩阵计算标记点的形心位置，获取标记点随时间变化的位移曲线；
通过对获取的单帧图像进行标定，获取像素与实际位移比值，进一步对位移曲线进行计算，获取桥面振动的实际动态位移。
进一步的，所述标记点布置在相机视域范围内主梁一侧及墩柱侧面，标记点形状为方形或圆形，纯色填充或具有一定特征的点或者条纹填充。
进一步的，所述图像数字矩阵表示为函数p(x，y)，
Figure RE-GDA0002662864810000021
其中，x,y分别代表每个像素点在图像中的坐标，p(x，y)代表在该点处的灰度值，S代表图像横向的像素个数，T代表图像纵向的像素个数，p(S，T)代表横坐标为S，纵坐标为T位置的灰度值。
进一步的，通过所述分量提取方法提取不同颜色的标记点，其中提前不同颜色的标记点的公式为：
Red＝R＞n*G&R＞n*B (2)
Blue＝B＞n*R&B＞n*G (3)
Green＝G＞n*R&G＞n*B (4)
其中，Red、Blue和Green分别代表图像中红色分量、蓝色分量和绿色分量， R、G和B分别代表构成图像的三种颜色矩阵，n为正整数，根据目标点颜色的具体灰度值调整相应的参数n值。
进一步的，通过所述形态学处理方法突出标记点，包括：
公式(5)到公式(8)总共四种运算；
Figure RE-GDA0002662864810000022
Figure RE-GDA0002662864810000023
Figure RE-GDA0002662864810000024
Figure RE-GDA0002662864810000025
其中，
Figure RE-GDA0002662864810000028
表示通过B结构元素对A进行腐蚀，满足以下条件的点(x,y) 的集合：B的中心点平移到点(x,y)时，B完全包含于A中；
Figure RE-GDA0002662864810000026
表示通过B结构元素对A进行腐蚀，满足以下条件的点(x,y)的集合：B的中心点平移到点(x,y)时，B与A的交集非空；
Figure RE-GDA0002662864810000027
表示先腐蚀后膨胀；A·B表示先膨胀后腐蚀；
A指的是经过颜色分量方法提取并进行二值化后的图像，B是用于处理图像 A的结构元素，
Figure RE-GDA0002662864810000035
代表腐蚀运算，
Figure RE-GDA0002662864810000031
代表膨胀运算，(B)xy代表用于图像处理，以(x,y)为中心点的结构元素。
进一步的，设经过一系列图像处理后的区域大小为M×N，p(x，y)是每个像素点在图像矩阵中对应的灰度值，则
所述形心坐标的计算公式为：
Figure RE-GDA0002662864810000032
Figure RE-GDA0002662864810000033
其中，xc、yc分别代表形心横坐标和纵坐标，M和N表示图像的区域大小为M×N，x和y分别表示像素点在图像中的位置，x代表横坐标，y代表纵坐标。
进一步的，所述标定采用比例系数测定方法，计算图像距离和实际距离的比例关系，比例系数k表示为公式(11)
Figure RE-GDA0002662864810000034
式中：x移是图像中位移的距离，单位为像素，X是标定的位移距离，单位是毫米。
本发明所达到的有益效果：
1、本发明是非接触式动态位移测量的一种，无需安装传统的传感器，对桥梁结构正常的运营无影响；
2、本发明不需要布设大量的线路，可以通过多点测量同时获取桥梁多点动态位移，有较高的测试效率；
3、利用数字图像处理方法，可以精准匹配不同形状及特性的标记点，通过形心的计算，得到位移时程曲线；
4、可以快速捕捉桥梁结构振动的实时动态位移及最大位移值，可以获得结构多点位移信息，同时获取桥梁振动的模态及振型信息，进一步对桥梁进行动力学分析。
附图说明
图1是本发明的流程示意图；
图2是本发明中实验模型振动视频分解后图像；
图3是本发明中提取颜色分量并进行形态学处理后的图像。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1所示，本发明公开一种桥梁动态位移识别方法，包括以下步骤：
步骤一、根据实际桥梁结构设计相应规格的标记点，标记点形状主要为方形及圆形，形式主要分为用红色、绿色、蓝色等纯色填充和具有一定特征的点或者条纹填充。按照监测及检测要求分别布置在相机视域范围内主梁一侧及墩柱侧面。
步骤二，通过安装在固定位置的相机采集桥梁振动视频数据，采样频率为 0-200Hz，并将视频上传至数据处理系统。
步骤三，将视频数据分离为单幅图像进行数字量化分析。数字量化处理后，数字图像变为一个二维数组用函数p(x，y)表示，是由三种颜色矩阵叠加而成，可以表示为公式(1)。
Figure RE-GDA0002662864810000041
其中，x,y分别代表每个像素点在图像中的坐标，p(x，y)代表在该点处的灰度值，S代表图像横向的像素个数，T代表图像纵向的像素个数。
步骤四，利用颜色分量提取方法和形态学处理方法对桥梁上布置的标记点进行捕捉分析。通过颜色分量提取方法提取不同颜色的标记点。三种颜色分量提取可以分别表示为公式(2)(3)(4)：
Red＝Rp(x，y)＞n*Gp(x，y)&Rp(x，y)＞n*Bp(x，y) (2)
Blue＝Bp(x，y)＞n*Rp(x，y)&Bp(x，y)＞n*Gp(x，y) (3)
Green＝Gp(x，y)＞n*Gp(x，y)&Gp(x，y)＞n*Bp(x，y) (4)
其中，Red、Blue和Green分别代表图像中红色分量、蓝色分量和绿色分量， Rp(x，y)、Gp(x，y)和Bp(x，y)分别代表构成图像的三种颜色矩阵，n为正整数，可以根据目标点颜色的具体灰度值调整相应的参数n值。
步骤五，通过形态学处理，包括膨胀、腐蚀以及开闭运算，使标记点突出，去除噪声区域，提高图像分析效率。形态学方法包括公式(5)到公式(8)总共四种运算；
Figure RE-GDA0002662864810000051
Figure RE-GDA0002662864810000052
Figure RE-GDA0002662864810000053
Figure RE-GDA0002662864810000054
其中，公式(3)是腐蚀的定义运算，即通过B结构元素对A进行腐蚀，是满足以下条件的点(x,y)的集合：B的中心点平移到点(x,y)时，B完全包含于A 中；公式(4)是膨胀的定义运算，即通过B结构元素对A进行腐蚀，是满足以下条件的点(x,y)的集合：B的中心点平移到点(x,y)时，B与A的交集非空；公式(5)是膨胀腐蚀相结合的开运算，即先腐蚀后膨胀；公式(6)是膨胀腐蚀相结合的闭运算，即先膨胀后腐蚀；其中，A指的是被处理的图像，B 是用于处理图像的结构元素，
Figure RE-GDA0002662864810000056
代表腐蚀运算，通过B结构元素对A进行腐蚀运算，
Figure RE-GDA0002662864810000055
代表膨胀运算，通过B结构元素对A进行膨胀运算。(B)xy代表用于图像处理，以(x,y)为中心点的结构元素。
步骤六，通过计算标记点形心坐标，获得标记点随时间变化的曲线。将图像分为多个区域，获取每帧图像中多个标记点的形心坐标，进而获得多个标记点随时间变化的曲线。通过多个标记点位移信息计算，进一步获取桥梁整体动态位移信息。设经过一系列图像处理后的区域大小为M×N，p(x，y)是每个像素点在图像矩阵中对应的灰度值，则目标的形心坐标为：
Figure RE-GDA0002662864810000061
Figure RE-GDA0002662864810000062
其中，xc、yc分别代表形心横坐标和纵坐标。
步骤七，通过比例系数法，测定图像距离和实际距离的比例系数，获取桥梁真实位移信息。测量图像中标记点的图像距离，根据已知的标记点的实际距离，求得固定相机位置的比例系数，基于比例系数换算出图像中动态位移的实际距离。比例系数k可以表示为公式(11)
Figure RE-GDA0002662864810000063
式中：x移是图像中位移的距离，单位为Pixel，X是标定的位移距离，单位是mm。
如图2-3所示，在某次实验模型的测试中，通过单反相机获取桥面的振动视频，对视频分割后得到时间序列的图像，利用颜色分类提取、形态学处理及形心计算方法获取拉索的位移时间曲线，经过标定获得桥面真实位移，分别为 T1＝16Pixel，T2＝18Pixel，T3＝22Pixel，T4＝16Pixel，T5＝15Pixel，已知标记点的图像距离为24Pixel，实际距离为80mm，比例系数k＝0.3，五点真实位移为 T1＝53.34mm，T2＝60mm，T3＝73.34mm，T4＝53.34mm，T5＝50mm。可以看出，桥梁最大位移出现在T3,根据标记点位置，可知最大挠度出现在跨中。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种桥梁动态位移识别方法，其特征在于，
在桥梁不同位置布置不同形状及规格的标记点；
通过视频采集设备获取桥梁振动过程中的视频，并分解为单帧图像，同时量化为可以计算分析的图像数字矩阵；
利用颜色分量提取方法和形态学处理方法对单帧图像中的标记点进行捕捉；
根据图像数字矩阵计算标记点的形心位置，获取标记点随时间变化的位移曲线；
通过对获取的单帧图像进行标定，获取像素与实际位移比值，进一步对位移曲线进行计算，获取桥面振动的实际动态位移；
通过所述分量提取方法提取不同颜色的标记点，其中提取不同颜色的标记点的公式为：
Red＝R＞n*G&R＞n*B (2)
Blue＝B＞n*R&B＞n*G (3)
Green＝G＞n*R&G＞n*B (4)
其中，Red、Blue和Green分别代表图像中红色分量、蓝色分量和绿色分量，R、G和B分别代表构成图像的三种颜色矩阵，n为正整数，根据目标点颜色的具体灰度值调整相应的参数n值。
2.根据权利要求1所述的桥梁动态位移识别方法，其特征在于，所述标记点布置在相机视域范围内主梁一侧及墩柱侧面，标记点形状为方形或圆形，纯色填充或具有一定特征的点或者条纹填充。
3.根据权利要求1所述的桥梁动态位移识别方法，其特征在于，
所述图像数字矩阵表示为函数p(x,y)，
Figure FDA0003688479080000011
其中，x,y分别代表每个像素点在图像中的坐标，p(x,y)代表在该点处的灰度值，S代表图像横向的像素个数，T代表图像纵向的像素个数，p(S,T)代表横坐标为S，纵坐标为T位置的灰度值。
4.根据权利要求1所述的桥梁动态位移识别方法，其特征在于，通过所述形态学处理方法突出标记点，包括：
公式(5)到公式(8)总共四种运算；
Figure FDA0003688479080000021
Figure FDA0003688479080000022
Figure FDA0003688479080000023
Figure FDA0003688479080000024
其中，
Figure FDA0003688479080000025
表示通过B结构元素对A进行腐蚀，满足以下条件的点(x,y)的集合：B的中心点平移到点(x,y)时，B完全包含于A中；
Figure FDA0003688479080000026
表示通过B结构元素对A进行腐蚀，满足以下条件的点(x,y)的集合：B的中心点平移到点(x,y)时，B与A的交集非空；
Figure FDA00036884790800000211
表示先腐蚀后膨胀；A·B表示先膨胀后腐蚀；
A指的是经过颜色分量方法提取并进行二值化后的图像，B是用于处理图像A的结构元素，
Figure FDA0003688479080000027
代表腐蚀运算，
Figure FDA0003688479080000028
代表膨胀运算，(B)xy代表用于图像处理，以(x,y)为中心点的结构元素。
5.根据权利要求1所述的桥梁动态位移识别方法，其特征在于，
设经过一系列图像处理后的区域大小为M×N，p(x,y)是每个像素点在图像矩阵中对应的灰度值，则
形心坐标的计算公式为：
Figure FDA0003688479080000029
Figure FDA00036884790800000210
其中，xc、yc分别代表形心横坐标和纵坐标，M和N表示图像的区域大小为M×N，x和y分别表示像素点在图像中的位置，x代表横坐标，y代表纵坐标。
6.根据权利要求1所述的桥梁动态位移识别方法，其特征在于，所述标定采用比例系数测定方法，计算图像距离和实际距离的比例关系，比例系数k表示为公式(11)
Figure FDA0003688479080000031
式中：x移是图像中位移的距离，单位为像素，X是标定的位移距离，单位是毫米。
CN202010467813.7A 2020-05-28 2020-05-28 一种桥梁动态位移识别方法 Active CN111784785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010467813.7A CN111784785B (zh) 2020-05-28 2020-05-28 一种桥梁动态位移识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010467813.7A CN111784785B (zh) 2020-05-28 2020-05-28 一种桥梁动态位移识别方法

Publications (2)

Publication Number Publication Date
CN111784785A CN111784785A (zh) 2020-10-16
CN111784785B true CN111784785B (zh) 2022-08-12

Family

ID=72754163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010467813.7A Active CN111784785B (zh) 2020-05-28 2020-05-28 一种桥梁动态位移识别方法

Country Status (1)

Country Link
CN (1) CN111784785B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392789B (zh) * 2021-06-21 2022-02-18 暨南大学 利用少量传感器信息的桥梁全桥完备模态振型识别方法
CN117746341B (zh) * 2024-02-18 2024-04-30 四川交通职业技术学院 一种基于人工智能的桥梁施工工地安全智能管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110470226A (zh) * 2019-07-10 2019-11-19 广东工业大学 一种基于无人机系统的桥梁结构位移测量方法
CN110634138A (zh) * 2019-09-26 2019-12-31 杭州鲁尔物联科技有限公司 一种基于视觉感知的桥梁变形的监测方法、装置及设备
CN110705433A (zh) * 2019-09-26 2020-01-17 杭州鲁尔物联科技有限公司 一种基于视觉感知的桥梁变形的监测方法、装置及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9046353B2 (en) * 2011-08-02 2015-06-02 The United States Of America As Represented By The Secretary Of The Navy System and method for remote full field three-dimensional displacement and strain measurements

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110470226A (zh) * 2019-07-10 2019-11-19 广东工业大学 一种基于无人机系统的桥梁结构位移测量方法
CN110634138A (zh) * 2019-09-26 2019-12-31 杭州鲁尔物联科技有限公司 一种基于视觉感知的桥梁变形的监测方法、装置及设备
CN110705433A (zh) * 2019-09-26 2020-01-17 杭州鲁尔物联科技有限公司 一种基于视觉感知的桥梁变形的监测方法、装置及设备

Also Published As

Publication number Publication date
CN111784785A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN108759973A (zh) 一种水位测量方法
CN111784785B (zh) 一种桥梁动态位移识别方法
CN102288254B (zh) 基于数字图像处理的水位测量方法
CN110929710B (zh) 一种基于视觉的仪表指针读数自动识别方法与系统
CN113011283B (zh) 一种基于视频的非接触式钢轨轨枕相对位移实时测量方法
CN111896549A (zh) 一种基于机器学习的建筑物裂缝监测系统和方法
CN111649857A (zh) 一种目标匹配分析的拉索模态测量方法
CN113469178B (zh) 一种基于深度学习的电力表计识别方法
CN116844147A (zh) 一种基于深度学习的指针式仪表识别和异常警报方法
CN111259770A (zh) 一种基于无人机平台和深度学习的复杂背景下索力快速测试系统及方法
CN116665125A (zh) 用于桥隧病害的智能识别系统
CN113592839A (zh) 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统
CN115457556A (zh) 一种核电厂圆盘指针式仪表读数方法
CN113744393B (zh) 一种多层级边坡滑坡变化监测方法
CN113610786B (zh) 一种基于视觉测量的轨道变形监测方法
CN114428110A (zh) 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统
CN116818397B (zh) 基于机器视觉的中小跨径桥梁快速荷载试验方法及系统
Widyantoro et al. Fuzzy traffic congestion model based on speed and density of vehicle
CN117037449A (zh) 一种基于边缘计算的团雾监测方法及监测系统
CN112461345B (zh) 一种基于lsd直线检测算法的汽车衡轧线出界检测方法
CN115471691A (zh) 地铁车站施工中周边建筑物沉降监测管理方法
CN114494240A (zh) 基于多尺度协作深度学习的无砟轨道板裂缝测量方法
CN111696103A (zh) 单跨简支梁桥在不中断交通条件下的恒载线形测绘方法
CN112985289A (zh) 一种隧道多断面测量监测系统及监测方法
JPH02236420A (ja) 水位測定方法及び装置

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