CN112229586A - 桥梁支座健康状态检测方法及终端设备 - Google Patents
桥梁支座健康状态检测方法及终端设备 Download PDFInfo
- Publication number
- CN112229586A CN112229586A CN202011059901.XA CN202011059901A CN112229586A CN 112229586 A CN112229586 A CN 112229586A CN 202011059901 A CN202011059901 A CN 202011059901A CN 112229586 A CN112229586 A CN 112229586A
- Authority
- CN
- China
- Prior art keywords
- bridge
- target
- target image
- image
- line data
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
-
- 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
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10024—Color 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种桥梁支座健康状态检测方法及终端设备,该方法包括:控制目标摄像机工作在长焦距拍摄模式,自目标摄像机中获取桥梁支座对应的标靶图像,提取标靶图像中各个方向的线数据,对所述各个方向的线数据进行匹配计算,确定桥梁支座在各个方向的实际位移序列;若桥梁支座在各个方向的实际位移序列不满足预设条件,则控制目标摄像机工作在短焦距拍摄模式,自目标摄像机中获取桥梁支座对应的全景图像,并将所述全景图像输入至预设卷积神经网络,确定桥梁支座的表观病害类型。本发明提供的桥梁支座健康状态检测方法及终端设备检测成本更低,检测效率更高。
Description
技术领域
本发明属于桥梁结构健康检测技术领域,更具体地说,是涉及一种桥梁支座健康状态检测方法及终端设备。
背景技术
桥梁作为交通线路上的一种大型结构物,如何保证其在运营期内保持良好的健康状态,对保障线路运输安全畅通具有重要的意义。考虑桥梁支座是桥梁的重要构件,一旦该结构出现病害,势必会影响桥梁结构的受力状态甚至交通安全,所以桥梁支座的状态检测是桥梁建设及养护工作中不可缺少的环节。
在桥梁建设及运营服役过程中,桥梁支座位移的变化是反映桥梁支座健康状态的重要指标之一,如何实时检测桥梁支座的位移变化,确保桥梁支座乃至整个桥梁结构的正常服役性能,对保障线路运输安全具有重要意义。目前应用于桥梁支座位移变化检测的主要装置为位移计,其属于金属感应的线性器件,原理是把各种被测物理量转换为电量。为了完成上述测量,位移计需要采用传统的接触式测量方式,将其放在桥梁各测点下方,并以支架支撑位移计完成数据采集。当桥梁受力发生挠度变形时,位移计上的位移传感器会将接触感应到的数据传送到控制器进行存储,经软件处理后可以显示桥梁支座的动态位移曲线。这种位移测量方式虽然简单有效,但是在长期服役过程中,由于支座位移不断发生瞬态变化,易导致位移计发生机械性损坏,致使支座位移检测系统失效。
在此基础上,对桥梁支座的表观病害检查也是桥梁支座健康状态的重要检查项目。目前针对这些桥梁支座的健康检查工作主要还是通过人工完成且需要借助大型的辅助设备,比如吊篮平台、桁架式检测平台及高空作业平台等。考虑铁道线路中的桥梁数量众多,桥梁检测工作量巨大,单纯依靠人力的支座病害检测效率低下,完成一次桥梁健康检查工作会耗费巨大的人力物力。正因此,针对桥梁支座的病害检查时间往往会间隔很长,当检测到桥梁支座位移变化出现异常时,桥梁运营管理部门无法及时、详细地获取桥梁支座的现场服役情况,致使桥梁结构工作在潜在危险期,给线路运输和人民生命财产安全带来不确定性威胁。
因此,如何更低成本、更高效率地实现桥梁支座的健康状态检测成为本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的在于提供一种桥梁支座健康状态检测方法及终端设备,以解决现有技术中桥梁支座健康状态检测效率较低,成本较高的技术问题。
本发明实施例的第一方面,提供了一种桥梁支座健康状态检测方法,包括:
控制目标摄像机工作在长焦距拍摄模式,自目标摄像机中获取桥梁支座对应的标靶图像,提取标靶图像中各个方向的线数据,对所述各个方向的线数据进行匹配计算,确定桥梁支座在各个方向的实际位移序列;
若桥梁支座在各个方向的实际位移序列不满足预设条件,则控制目标摄像机工作在短焦距拍摄模式,自目标摄像机中获取桥梁支座对应的全景图像,并将所述全景图像输入至预设卷积神经网络,确定桥梁支座的表观病害类型。
本发明实施例的第二方面,提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的桥梁支座健康状态检测方法的步骤。
本发明实施例的第三方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的桥梁支座健康状态检测方法的步骤。
本发明实施例提供的桥梁支座健康状态检测方法及终端设备的有益效果在于:
1)本发明实施例有效地利用了摄像机的自动变焦功能,通过控制摄像机的工作模式在长焦距拍摄和短焦距拍摄之间变换,实现了在应用一套设备的条件下的对桥梁支座位移变化检测与表观病害检测两种功能的切换,相对于现有技术有效地节约了设备成本和人力成本,在实现自动检测的同时提高了检测效率。
2)现有的桥梁支座位移测量方法通常利用图像分割算法提取标靶面积或标靶边缘来完成位移测量,而本发明实施例采用线数据匹配计算的方法来估计桥梁振动过程中标靶图像的坐标变化,可以更好地适应光照不均匀、标靶运动模糊、背景区域污染等复杂环境,相对于现有技术具备更高的测量准确性。
3)本发明实施例充分利用了同一场景拍摄的连续图像序列的冗余信息,基于连续拍摄的全景图像以及预设卷积神经网络进行桥梁支座表观病害的识别,可以显著提高桥梁支座表观病害的识别效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明一实施例提供的桥梁支座健康状态检测方法的流程示意图;
图2为本发明一实施例提供的终端设备的示意框图;
图3为本发明一实施例提供的红色方标标靶识的结构示意图;
图4为本发明一实施例提供的第一方向的标靶安装示意图;
图5为本发明一实施例提供的第二方向的标靶安装示意图;
图6为本发明一实施例提供的标靶与摄像机的相对位置示意图;
图7为本发明一实施例提供的单帧标靶图像的抽取示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参考图1,图1为本发明一实施例提供的桥梁支座健康状态检测方法的流程示意图,该方法包括:
S101:控制目标摄像机工作在长焦距拍摄模式,自目标摄像机中获取桥梁支座对应的标靶图像,提取标靶图像中各个方向的线数据,对各个方向的线数据进行匹配计算,确定桥梁支座在各个方向的实际位移序列。
S102:若桥梁支座在各个方向的实际位移序列不满足预设条件,则控制目标摄像机工作在短焦距拍摄模式,自目标摄像机中获取桥梁支座对应的全景图像,并将全景图像输入至预设卷积神经网络,确定桥梁支座的表观病害类型。
在本实施例中,在进行桥梁支座健康状态检测之前,可首先设置红色方标标靶识,如图3所示,该标识由两部分构成,中心区域为红色不透明的方标靶31,包围红色方标靶的为黑色不透明大方形靶32。为了避免标靶面反光干扰,标靶材料可选用磨砂亚克力板。
在本实施例中,在进行桥梁支座健康状态检测之前,如图6所示,在红色方标靶正前方一定距离内放置一台摄像机。摄像机的安装条件为:1)保证摄像机镜头面与红色方标靶面尽量平行;2)镜头中心轴线与方标靶中心轴线尽量共线。以上2个条件可保证摄像机拍摄的红色方标靶图像尽量在整个图像中心,且红色方标靶成像大概率为正方形。由于摄像机安装固定在桥墩上,在列车荷载作用于桥梁梁体时,一般桥墩不会发生位移变化。因此,可通过分析摄像机拍摄到的标识图像的位移,确定桥梁梁体两端在各个方向的位移变化。
在本实施例中,如图6所示,目标摄像机为电子自动变焦摄像机,可通过SDK编程控制目标摄像机的镜头焦距参数,使目标摄像机的工作模式在长焦距拍摄和短焦距拍摄之间变换。当摄像机工作在长焦距拍摄模式时,获取的视频图像为仅包含标靶的小范围图像区域,分析处理长焦距拍摄的标靶图像可进行桥梁支座的位移变化检测,当摄像机工作在短焦距拍摄模式下时,获取的视频图像扩大为包含支座周边内容的大范围图像区域,分析处理短焦距拍摄的图像可进行桥梁支座的表观病害的检测。
在本发明实施例中,可在目标摄像机工作在长焦距拍摄模式时,通过分析桥梁支座对应的标靶图像来确定桥梁支座在各个方向的位移变化,当检测到桥梁支座的位移变化存在异常时,调整目标摄像机的工作模式至短焦距工作模式以进行桥梁支座表观病害的检测。其中,在进行桥梁支座表观病害后,可控制目标摄像机重新切换回长焦距拍摄模式。
由上可以得出,一方面,本发明实施例有效地利用了摄像机的自动变焦功能,通过控制摄像机的工作模式在长焦距拍摄和短焦距拍摄之间变换,实现了在应用一套设备的条件下的对桥梁支座位移变化检测与表观病害检测两种功能的切换,相对于现有技术有效地节约了设备成本和人力成本,在实现自动检测的同时提高了检测效率。另一方面,现有的桥梁支座位移测量方法通常利用图像分割算法提取标靶面积或标靶边缘来完成位移测量,而本发明实施例采用线数据匹配计算的方法来估计桥梁振动过程中标靶图像的坐标变化,可以更好地适应光照不均匀、标靶运动模糊、背景区域污染等复杂环境,相对于现有技术具备更高的测量准确性。再一方面,本发明实施例充分利用了同一场景拍摄的连续图像序列的冗余信息,基于连续拍摄的全景图像以及预设卷积神经网络进行桥梁支座表观病害的识别,可以显著提高桥梁支座表观病害的识别效果。
可选地,作为本发明实施例提供的桥梁支座健康状态检测方法的一种具体实施方式,自目标摄像机中获取桥梁支座对应的标靶图像,包括:
自目标摄像机中获取桥梁固定端支座对应的第一标靶图像和第二标靶图像;其中,第一标靶图像为第一标靶对应的图像,第二标靶图像为第二标靶对应的图像,第一标靶和第二标靶均设置在桥梁固定端支座上方的桥梁梁体上,第一标靶和第二标靶所在的平面垂直;
自目标摄像机中获取桥梁活动端支座对应的第三标靶图像和第四标靶图像;其中,第三标靶图像为第三标靶对应的图像,第四标靶图像为第四标靶对应的图像,第三标靶和第四标靶均设置在桥梁活动端支座上方的桥梁梁体上,第三标靶和第一标靶所在的平面平行,第四标靶和第二标靶所在的平面平行。
在本实施例中,可在桥梁的每端各设置两个标靶,也即在桥梁的两端共设置四个标靶,如图4和图5所示,可在桥梁固定支座端设置第一标靶和第二标靶,在桥梁的活动支座端设置第三标靶和第四标靶。本实施例中,在桥梁梁体上每端下方对应安装有桥梁支座,其中三角状为固定支座、圆形状为活动支座。当有列车荷载作用于桥梁梁体时,各个标靶会同时在水平方向和竖直方向发生位移。
在本实施例中,对于桥梁的某一个支座(或者说桥梁的某一端),可设置两个标靶(本实施例以第一标靶和第二标靶为例),使第一标靶和第二标靶所在的平面垂直,以描述桥梁支座在各个方向上的位移。例如本发明图4和图5所示例的,第一标靶图像可以表征桥梁固定端支座在x方向的位移和y方向的位移,第二标靶图像可以表征桥梁固定端支座在z方向的位移,第三标靶图像可以表征桥梁活动端支座在x方向的位移和y方向的位移,第四标靶图像可以表征桥梁活动端支座在z方向的位移。实际对于桥梁的某个支座,使用两个平面垂直的标靶即可描述该支座在各个方向的位移,因此本实施例中所描述的x方向、y方向、z方向是相对概念,当指定标靶平面上两个相互垂直的方向为x方向和y方向时,则z方向也随之确定。
在本实施例中,需要指出的是,第一标靶和第二标靶的位置并不限于图4和图5所公开的内容,图4和图5仅为示例作用,只要第一标靶和第二标靶所在的平面垂直即满足本发明实施例的构思。
在本实施例中,在获取第一标靶图像以及第二标靶图像之前,还可以包括:
获取第一标靶对应的第一视频数据以及第二标靶对应的第二视频数据,对所述第一视频数据和第二视频数据进行图像提取,得到第一标靶图像和第二标靶图像。
在本实施例中,读取本地存储的红色方标靶视频数据时,该视频数据主要包括视频文件名、视频数据文件头、数据块和索引块。其中视频文件名包含了该段视频文件的初始采集时间,视频数据文件头有视频帧数、每帧图像数据格式和尺寸、摄像机采集帧频参数f等,数据块包含拍摄的所有图像数据流,索引块包括数据块列表和它们在文件中的位置。通过上述内容,可以任意访问红色方标靶视频数据的每一帧图像内容、以及确定每一帧图像对应的采集时间。因此,可通过对视频数据进行图像提取得到第一标靶图像和第二标靶图像。
同理,在获取第三标靶图像以及第四标靶图像之前,还可以包括:
获取第三标靶对应的第三视频数据以及第四标靶对应的第四视频数据,对所述第三视频数据和第四视频数据进行图像提取,得到第三标靶图像和第四标靶图像。
可选地,作为本发明实施例提供的桥梁支座健康状态检测方法的一种具体实施方式,提取标靶图像中各个方向的线数据,包括:
提取第一标靶图像的中间行数据作为桥梁固定端支座的x方向线数据,提取第一标靶图像的中间列数据作为桥梁固定端支座的y方向线数据,提取第二标靶图像的中间行数据作为桥梁固定端支座的z方向线数据。
提取第三标靶图像的中间行数据作为桥梁活动端支座的x方向线数据,提取第三标靶图像的中间列数据作为桥梁活动端支座的y方向线数据,提取第四标靶图像的中间行数据作为桥梁活动端支座的z方向线数据。
在本实施例中,参考图4、图5中各个标靶的设置方式,可提取第一标靶图像、第三标靶图像的中间行数据作为x方向线数据,提取第一标靶图像、第三标靶图像的中间列数据作为y方向线数据,提取第二标靶图像、第四标靶图像的中间行数据作为z方向线数据。其中,中间行数据和中间列数据的抽取方式如图7所示。
可选地,作为本发明实施例提供的桥梁支座健康状态检测方法的一种具体实施方式,在对各个方向的线数据进行匹配计算之前,还包括根据各个方向的线数据确定列车荷载作用的时程信息的步骤。
根据各个方向的线数据确定列车荷载作用的时程信息,包括:
S1:设定当前起始检测图像的帧号为n,移动窗口的宽度为w,移动步长为d,其中n=1,d≦w。
S2:从第三标靶图像中提取第n至第n+w帧图像,基于第n至第n+w帧图像的x方向线数据确定第n+w帧图像相对于其前w帧图像的欧几里得范数。
S3:若欧几里得范数大于预设阈值,则将第n+w帧图像对应的时刻作为时间基准点,基于时间基准点确定列车荷载作用的时程信息。若欧几里得范数不大于预设阈值,则令n=n+d,并返回执行步骤S2。
在本实施例中,可基于移动窗口平均检测方法,通过处理标靶图像确定列车荷载的时间基准点(也即列车荷载的起始时刻),基于时间基准点确定列车荷载作用的时程信息。
在本实施例中,第n至第n+w帧图像的x方向线数据即第n至第n+w帧图像的中间行数据。
在本实施例中,d、w均为整数,其具体数值可根据实际需求进行设定,例如w可以设置为5f,其中f为目标摄像机的采集帧频。
在本实施例中,目标摄像机的固定安装点不同,当列车荷载作用于桥梁梁体时,每个目标摄像机拍摄到的图像目标位移变化情况也不同。其中,位于活动端支座的标靶对应的图像在x方向上位移变化最大,因此本发明实施例基于第三标靶图像进行列车荷载作用时程信息的确定。
可选地,作为本发明实施例提供的桥梁列车荷载作用时程提取方法的一种具体实施方式,基于第n至第n+w帧图像的线数据确定第n+w帧图像相对于其前w帧图像的欧几里得范数,包括:
在本实施例中,p可反映第n+w帧图像相对于其前w帧图像的平均数据的变化情况。
从以上描述可知,本发明实施例通过移动窗口平均检测方法来提取列车荷载作用的时程信息,避免了现场安装磁钢来采集列车荷载作用的时程信息,有效降低了设备成本以及人力成本。
可选地,作为本发明实施例提供的桥梁支座健康状态检测方法的一种具体实施方式,基于时间基准点确定列车荷载作用的时程信息,包括:
若时间基准点为t,则列车荷载作用的时程信息为(Ta,Tb),其中,Ta为第三标靶图像在第t-m秒对应的帧号、Tb为第三标靶图像在第t-m+M秒对应的帧号,m为预设时间间隔,M为列车荷载作用的最大时长。
在本实施例中,m可根据实际需求进行设置,例如m可以为10。也就是说,本实施例可以时刻t为时间基准点,提取时间基准点前10秒的帧号,将该帧号作为列车荷载作用时程信息的起始点,将起始点在最大时长后对应的帧号作为列车荷载作用时程信息的终止点。
可选地,作为本发明实施例提供的桥梁支座健康状态检测方法的一种具体实施方式,若列车荷载作用的时程信息为(Ta,Tb),则对各个方向的线数据进行匹配计算,确定桥梁固定端支座在各个方向的实际位移序列,包括:
将第一标靶图像中第Ta帧图像的x方向线数据作为x方向模板数据,将第一标靶图像中第Ta帧图像的y方向线数据作为y方向模板数据,将第二标靶图像中第Ta帧图像的z方向线数据作为z方向模板数据。
将第一标靶图像中第Ta至Tb帧图像的x方向线数据分别与x方向模板数据匹配,得到桥梁固定端支座在x方向的实际位移序列。将第一标靶图像中第Ta至Tb帧图像的y方向线数据分别与y方向模板数据匹配,得到桥梁固定端支座在y方向的实际位移序列。将第二标靶图像中第Ta至Tb帧图像的z方向线数据分别与z方向模板数据匹配,得到桥梁固定端支座在z方向的实际位移序列。
在本实施例中,桥梁支座包括桥梁固定端支座和桥梁活动端支座,上述内容为桥梁固定端支座在各个方向的实际位移序列的确定方法,对于桥梁活动端支座,其与固定端支座对应的实际位移序列的确定方法相同,此处不再赘述。
可选地,作为本发明实施例提供的桥梁支座健康状态检测方法的一种具体实施方式,将第一标靶图像中第Ta至Tb帧图像的x方向线数据分别与x方向模板数据匹配,得到桥梁固定端支座在x方向的实际位移序列,包括:
根据得到第一标靶图像中各帧图像在x方向上的匹配量cxi。其中,x′为x方向模板数据,xi为第i帧图像的x方向线数据,符号表示点乘运算,F(·)为傅里叶变换运算,F-1(·)为傅里叶逆变换运算,*表示复数求共轭运算,Re(·)表示复数求实部运算。
根据si1=max(cxi)确定第一标靶图像中各帧图像在x方向上的像素坐标序列s1=(s11,s21,...,sn1)。其中,si1为第一标靶图像中第i帧图像在x方向上的像素坐标,n=Tb-Ta+1。
基于第一标靶图像中各帧图像在x方向上的像素坐标序列确定第一标靶图像中各帧图像在x方向上的像素位移序列。
基于第一标靶图像中各帧图像在x方向上的像素位移序列、像素与实际位移的预设转换关系确定第一标靶图像中各帧图像在x方向上的实际位移序列。
在本实施例中,第一标靶图像中各帧图像指的是第一标靶图像中第Ta至Tb帧图像。
在本实施例中,同理,第一标靶图像中各帧图像在y方向上的像素坐标序列s2=(s12,s22,...,sn2)的确定方法为:si2=max(cyi)。其中,si2为第一标靶图像中第i帧图像在y方向上的像素坐标。
在本实施例中,同理,第二标靶图像中各帧图像在z方向上的像素坐标序列s3=(s13,s23,...,sn3)的确定方法为:si3=max(czi)。其中,si3为第二标靶图像中第i帧图像在z方向上的像素坐标。
在本实施例中,基于第一标靶图像中各帧图像在x方向上的像素坐标序列确定第一标靶图像中各帧图像在x方向上的像素位移序列,包括:
令序列s1=(s11,s21,...,sn1)中,每个序列值均减第一个序列值,得到第一标靶图像中各帧图像在x方向上的像素位移序列s1a=(ax1,ax2,…,axn),其中,s1a也可以表示为s1a=(s11-s11,s21-s11,...,sn1-s11)。
同理,基于第一标靶图像中各帧图像在y方向上的像素坐标序列确定第一标靶图像中各帧图像在y方向上的像素位移序列,包括:
令序列s2=(s12,s22,...,sn2)中,每个序列值均减第一个序列值,得到第一标靶图像中各帧图像在x方向上的像素位移序列s2a=(ay1,ay2,…,ayn),其中,s2a也可以表示为s2a=(s12-s12,s22-s12,...,sn2-s12)。
同理,基于第二标靶图像中各帧图像在z方向上的像素坐标序列确定第二标靶图像中各帧图像在z方向上的像素位移序列,包括:
令序列s3=(s13,s23,...,sn3)中,每个序列值均减第一个序列值,得到第一标靶图像中各帧图像在x方向上的像素位移序列s3a=(az1,az2,…,azn),其中,s3a也可以表示为s3a=(s13-s13,s23-s13,...,sn3-s13)。
在本实施例中,第一标靶图像像素与实际位移的预设转换关系为:
Pw1=(2×D)/(lx–ls+ly–lz)
进一步地,第二标靶图像像素与实际位移的预设转换关系为:
Pw2=D/(ry–rz)
其中,lz为第一标靶左边缘坐标值,ly为第一标靶右边缘坐标值,ls为第一标靶上边缘坐标值,lx为第一标靶下边缘坐标值,rz为第二标靶左边缘坐标值,ry为第二标靶右边缘坐标值,Pw1、Pw2分别为第一标靶图像像素与实际位移的预设转换系数、第二标靶图像像素与实际位移的预设转换系数,D为方标靶边长的实际长度参数(单位为mm),本发明实施例采用的方标靶长度的典型值为60mm。
在本实施例中,基于第一标靶图像中各帧图像在x方向上的像素位移序列、像素与实际位移的预设转换关系确定第一标靶图像中各帧图像在x方向上的实际位移序列,包括:
令PW1与第一标靶图像中各帧图像在x方向上的像素位移序列相乘得到第一标靶图像中各帧图像在x方向上的实际位移序列ψ1:
ψ1=(p1ax1,p1ax2,…,p1axn),其中,PW1=p1。
同理,可令PW1与第一标靶图像中各帧图像在y方向上的像素位移序列相乘得到第一标靶图像中各帧图像在y方向上的实际位移序列ψ2:
ψ2=(p1ay1,p1ay2,…,p1ayn),其中,PW1=p1。
同理,可令PW2与第二标靶图像中各帧图像在z方向上的像素位移序列相乘得到第二标靶图像中各帧图像在z方向上的实际位移序列ψ3:
ψ3=(p2az1,p2az2,…,p2azn),其中,PW2=p2。
在本实施例中,活动端支座和固定端支座对应的实际位移序列的计算方式相同,此处不再赘述。
可选地,作为本发明实施例提供的桥梁支座健康状态检测方法的一种具体实施方式,桥梁支座包括桥梁固定端支座和桥梁活动端支座,预设条件包括:
桥梁支座在各个方向的位移量最大值小于第一预设阈值、桥梁固定端支座与桥梁活动端支座在x方向和z方向上的位移量变化比不小于第二预设阈值、桥梁固定端支座与桥梁活动端支座在x方向上的皮尔逊相关系数大于第三预设阈值、桥梁固定端支座与桥梁活动端支座在所有方向上的余弦相似度量值之和大于第四预设阈值。
在本实施例中,预设条件还可以详述为:
(1)桥梁支座在x方向上对应的预设条件:
固定端支座x方向位移:max|ψ1|<ε1
活动端支座x方向位移:max|γ1|>ε2,γ1为活动端支座在x方向对应的实际位移序列。
x方向的位移变化比:η11=max|γ1|/max|ψ1|(η11≥1,1为第二预设阈值)
其中,ε1、ε2可根据实际需求设定。
(2)桥梁支座在y方向上对应的预设条件:
固定端支座y方向位移:max|ψ2|<ε3
活动端支座y方向位移:max|γ2|<ε4,γ2为活动端支座在y方向对应的实际位移序列。
其中,ε3、ε4可根据实际需求设定。
(3)桥梁支座在z方向上对应的预设条件:
固定端支座z方向位移:max|ψ3|<ε5
活动端支座z方向位移:max|γ3|<ε6,γ3为活动端支座在z方向对应的实际位移序列。
z方向位移变化比:η33=max|γ3|/max|ψ3|(η33≥1,1为第二预设阈值)
其中,ε5、ε6可根据实际需求设定。
在本实施例中,当列车荷载经过桥梁结构后,提取桥梁两端支座的实际位移序列,并根据上述预设条件对实际位移序列进行判断,若实际位移序列不满足上述预设条件,则可判定桥梁支座可能处于不正常工作状态,此时可控制目标摄像机进入短焦距拍摄模式,实时抓取桥梁支座周边区域的图像数据,进行支座表观病害检测。
可选地,为了避免后续连续进入短焦距拍摄模式,可对已判定异常的实际位移序列进行验证,本发明实施例提供了一种基于余弦相似度量的数据重复度验证方法,具体如下:
Γ=0.3×(τ1+τ2+τ3)+0.7×(κ1+κ2+κ3)
其中,表示桥梁固定端支座第j次振动数据与第j+1次振动数据的余弦相似度量值,其中i=1时为桥梁固定端对应的x方向的实际位移序列,i=2时为桥梁固定端对应的y方向的实际位移序列,i=3时为桥梁固定端对应的z方向的实际位移序列。表示桥梁活动端支座第j次振动数据与第j+1次振动数据的余弦相似度量值,其中i=1时为桥梁活动端对应的x方向的实际位移序列,i=2时为桥梁活动端对应的y方向的实际位移序列,i=3时为桥梁活动端对应的z方向的实际位移序列。
其中,在实际测试中发现,桥梁活动端支座的位移变化一般远大于桥梁固定端支座的位移变化,因此在上述公式中,固定端支座位移变化度量的权重参数设定为0.3,活动端支座位移变化度量的权重参数设定为0.7。
在本实施例中,当最终的计算结果Γ大于第四预设阈值2时,可判定第j次桥梁振动数据与第j+1次桥梁振动数据的保持一致,满足预设条件。
从以上描述可知,本发明实施例通过设置多种预设条件,可有效判断桥梁支座结构是否处于正常服役状态,相对于现有技术中基于单一支座振动数据(振动数据通过标靶图像来描述)分析桥梁支座健康状态的方法,具备更高的准确性。
可选地,作为本发明实施例提供的桥梁健康状态检测方法的一种具体实施方式,当目标摄像机启动进入短焦距拍摄模式后,会拍摄到包含桥梁支座周边区域的图像数据。在此基础上,本发明实施例提供了一种区域差异性检测与深度学习相结合的桥梁支座表观病害检测方法。该方法的具体过程可以详述为:
(1)图像数据截取:考虑到目标摄像机为固定拍摄模式,其拍摄视角与场景内容相对固定。为了更有效地进行支座表观病害检测,本实施例可以对目标摄像机拍摄的桥梁支座对应的全景图像进行截取,删除与支座结构无关的背景内容,只保留包含桥梁支座的图像区域。
(2)支座病害差异性检测:由于目标摄像机可通过长时间拍摄的方式获取桥梁支座劣化过程,基于此,本发明实施例可将支座表面出现的病害建模为前景目标,利用混合高斯背景建模方法对未出现病害前的大量支座的全景图像进行建模,基于建立的背景模型,检测桥梁支座振动出现异常时的新图像数据,由此判定支座表面是否出现异常区域。
(3)支座病害识别:在判定桥梁支座表面出现可疑病害区域时,本发明实施例设计了一种含6层卷积层、3层池化层、1层全连接层和1层Softmax分类层的快速卷积神经网络(也即预设卷积神经网络),精准识别支座病害类型。其中,病害类型包括但不限于剪切变形、钢板锈蚀、移错位、橡胶老化开裂等。
通过上述步骤,在完成对短焦距拍摄的支座全景图像的检测识别后,可控制目标摄像机的工作模式重新切换为长焦距拍摄,恢复对桥梁支座的振动位移变化的检测。
参见图2,图2为本发明一实施例提供的终端设备的示意框图。如图2所示的本实施例中的终端200可以包括:一个或多个处理器201、一个或多个输入设备202、一个或多个输出设备203及一个或多个存储器204。上述处理器201、输入设备202、则输出设备203及存储器204通过通信总线205完成相互间的通信。存储器204用于存储计算机程序,计算机程序包括程序指令。处理器201用于执行存储器204存储的程序指令。其中,处理器201被配置用于调用程序指令执行上述各方法实施例。
应当理解,在本发明实施例中,所称处理器201可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备202可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备203可以包括显示器(LCD等)、扬声器等。
该存储器204可以包括只读存储器和随机存取存储器,并向处理器201提供指令和数据。存储器204的一部分还可以包括非易失性随机存取存储器。例如,存储器204还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器201、输入设备202、输出设备203可执行本发明实施例提供的桥梁支座健康状态检测方法的第一实施例和第二实施例中所描述的实现方式,也可执行本发明实施例所描述的终端的实现方式,在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令被处理器执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,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,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。另外,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或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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发明实施例方案的目的。
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,也可以是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,也可以采用软件功能单元的形式实现。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种桥梁支座健康状态检测方法,其特征在于,包括:
控制目标摄像机工作在长焦距拍摄模式,自目标摄像机中获取桥梁支座对应的标靶图像,提取标靶图像中各个方向的线数据,对所述各个方向的线数据进行匹配计算,确定桥梁支座在各个方向的实际位移序列;
若桥梁支座在各个方向的实际位移序列不满足预设条件,则控制目标摄像机工作在短焦距拍摄模式,自目标摄像机中获取桥梁支座对应的全景图像,并将所述全景图像输入至预设卷积神经网络,确定桥梁支座的表观病害类型。
2.如权利要求1所述的桥梁支座健康状态检测方法,其特征在于,所述自目标摄像机中获取桥梁支座对应的标靶图像,包括:
自目标摄像机中获取桥梁固定端支座对应的第一标靶图像和第二标靶图像;其中,第一标靶图像为第一标靶对应的图像,第二标靶图像为第二标靶对应的图像,第一标靶和第二标靶均设置在桥梁固定端支座上方的桥梁梁体上,第一标靶和第二标靶所在的平面垂直;
自目标摄像机中获取桥梁活动端支座对应的第三标靶图像和第四标靶图像;其中,第三标靶图像为第三标靶对应的图像,第四标靶图像为第四标靶对应的图像,第三标靶和第四标靶均设置在桥梁活动端支座上方的桥梁梁体上,第三标靶和第一标靶所在的平面平行,第四标靶和第二标靶所在的平面平行。
3.如权利要求2所述的桥梁支座健康状态检测方法,其特征在于,所述提取标靶图像中各个方向的线数据,包括:
提取第一标靶图像的中间行数据作为桥梁固定端支座的x方向线数据,提取第一标靶图像的中间列数据作为桥梁固定端支座的y方向线数据,提取第二标靶图像的中间行数据作为桥梁固定端支座的z方向线数据;
提取第三标靶图像的中间行数据作为桥梁活动端支座的x方向线数据,提取第三标靶图像的中间列数据作为桥梁活动端支座的y方向线数据,提取第四标靶图像的中间行数据作为桥梁活动端支座的z方向线数据。
4.如权利要求2所述的桥梁支座健康状态检测方法,其特征在于,在对所述各个方向的线数据进行匹配计算之前,还包括根据各个方向的线数据确定列车荷载作用的时程信息的步骤;
所述根据各个方向的线数据确定列车荷载作用的时程信息,包括:
S1:设定当前起始检测图像的帧号为n,移动窗口的宽度为w,移动步长为d,其中n=1,d≦w;
S2:从第三标靶图像中提取第n至第n+w帧图像,基于第n至第n+w帧图像的x方向线数据确定第n+w帧图像相对于其前w帧图像的欧几里得范数;
S3:若所述欧几里得范数大于预设阈值,则将第n+w帧图像对应的时刻作为时间基准点,基于所述时间基准点确定列车荷载作用的时程信息;若所述欧几里得范数不大于预设阈值,则令n=n+d,并返回执行步骤S2。
5.如权利要求4所述的桥梁支座健康状态检测方法,其特征在于,所述基于所述时间基准点确定列车荷载作用的时程信息,包括:
若时间基准点为t,则列车荷载作用的时程信息为(Ta,Tb),其中,Ta为第三标靶图像在第t-m秒对应的帧号、Tb为第三标靶图像在第t-m+M秒对应的帧号,m为预设时间间隔,M为列车荷载作用的最大时长。
6.如权利要求4所述的桥梁支座健康状态检测方法,其特征在于,若列车荷载作用的时程信息为(Ta,Tb),则对所述各个方向的线数据进行匹配计算,确定桥梁固定端支座在各个方向的实际位移序列,包括:
将第一标靶图像中第Ta帧图像的x方向线数据作为x方向模板数据,将第一标靶图像中第Ta帧图像的y方向线数据作为y方向模板数据,将第二标靶图像中第Ta帧图像的z方向线数据作为z方向模板数据;
将第一标靶图像中第Ta至Tb帧图像的x方向线数据分别与所述x方向模板数据匹配,得到桥梁固定端支座在x方向的实际位移序列;将第一标靶图像中第Ta至Tb帧图像的y方向线数据分别与所述y方向模板数据匹配,得到桥梁固定端支座在y方向的实际位移序列;将第二标靶图像中第Ta至Tb帧图像的z方向线数据分别与所述z方向模板数据匹配,得到桥梁固定端支座在z方向的实际位移序列。
7.如权利要求6所述的桥梁支座健康状态检测方法,其特征在于,所述将第一标靶图像中第Ta至Tb帧图像的x方向线数据分别与所述x方向模板数据匹配,得到桥梁固定端支座在x方向的实际位移序列,包括:
根据cxi=Re(F-1(F(x′)⊙F*(xi)))得到第一标靶图像中各帧图像在x方向上的匹配量cxi;其中,x′为x方向模板数据,xi为第i帧图像的x方向线数据,⊙符号表示点乘运算,F(·)为傅里叶变换运算,F-1(·)为傅里叶逆变换运算,*表示复数求共轭运算,Re(·)表示复数求实部运算;
根据si1=max(cxi)确定第一标靶图像中各帧图像在x方向上的像素坐标序列s1=(s11,s21,...,sn1);其中,si1为第一标靶图像中第i帧图像在x方向上的像素坐标,n=Tb-Ta+1;
基于第一标靶图像中各帧图像在x方向上的像素坐标序列确定第一标靶图像中各帧图像在x方向上的像素位移序列;
基于第一标靶图像中各帧图像在x方向上的像素位移序列、像素与实际位移的预设转换关系确定第一标靶图像中各帧图像在x方向上的实际位移序列。
8.如权利要求1所述的桥梁支座健康状态检测方法,其特征在于,所述桥梁支座包括桥梁固定端支座和桥梁活动端支座,所述预设条件包括:
所述桥梁支座在各个方向的位移量最大值小于第一预设阈值、桥梁固定端支座与桥梁活动端支座在x方向和z方向上的位移量变化比不小于第二预设阈值、桥梁固定端支座与桥梁活动端支座在x方向上的皮尔逊相关系数大于第三预设阈值、桥梁固定端支座与桥梁活动端支座在所有方向上的余弦相似度量值之和大于第四预设阈值。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011059901.XA CN112229586B (zh) | 2020-09-30 | 2020-09-30 | 桥梁支座健康状态检测方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011059901.XA CN112229586B (zh) | 2020-09-30 | 2020-09-30 | 桥梁支座健康状态检测方法及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112229586A true CN112229586A (zh) | 2021-01-15 |
CN112229586B CN112229586B (zh) | 2022-10-14 |
Family
ID=74119799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011059901.XA Active CN112229586B (zh) | 2020-09-30 | 2020-09-30 | 桥梁支座健康状态检测方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112229586B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113267398A (zh) * | 2021-04-30 | 2021-08-17 | 国网河北省电力有限公司衡水供电分公司 | 电杆力学检测系统、控制方法和服务器 |
CN117876969A (zh) * | 2024-03-11 | 2024-04-12 | 贵州省公路建设养护集团有限公司 | 一种用于实现桥梁施工下的安全监测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103281492A (zh) * | 2013-05-23 | 2013-09-04 | 深圳锐取信息技术股份有限公司 | 视频画面切换方法、系统、录播服务器及视频录播系统 |
CN106125269A (zh) * | 2016-06-27 | 2016-11-16 | 中国科学院西安光学精密机械研究所 | 双模多用途连续变焦光学系统 |
JP2018072218A (ja) * | 2016-10-31 | 2018-05-10 | 国立大学法人佐賀大学 | 変位計測方法、及び変位計測装置 |
CN108775872A (zh) * | 2018-06-26 | 2018-11-09 | 南京理工大学 | 基于自动变焦实时图像处理的桥梁挠度检测方法 |
CN109300126A (zh) * | 2018-09-21 | 2019-02-01 | 重庆建工集团股份有限公司 | 一种基于空间位置的桥梁病害高精度智能检测方法 |
CN110031477A (zh) * | 2019-04-04 | 2019-07-19 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
CN110044289A (zh) * | 2019-04-17 | 2019-07-23 | 上海同岩土木工程科技股份有限公司 | 基于自动变焦的隧道多断面收敛变形视频监测装置及方法 |
CN111127436A (zh) * | 2019-12-25 | 2020-05-08 | 北京深测科技有限公司 | 一种用于桥梁的位移检测预警方法 |
-
2020
- 2020-09-30 CN CN202011059901.XA patent/CN112229586B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103281492A (zh) * | 2013-05-23 | 2013-09-04 | 深圳锐取信息技术股份有限公司 | 视频画面切换方法、系统、录播服务器及视频录播系统 |
CN106125269A (zh) * | 2016-06-27 | 2016-11-16 | 中国科学院西安光学精密机械研究所 | 双模多用途连续变焦光学系统 |
JP2018072218A (ja) * | 2016-10-31 | 2018-05-10 | 国立大学法人佐賀大学 | 変位計測方法、及び変位計測装置 |
CN108775872A (zh) * | 2018-06-26 | 2018-11-09 | 南京理工大学 | 基于自动变焦实时图像处理的桥梁挠度检测方法 |
CN109300126A (zh) * | 2018-09-21 | 2019-02-01 | 重庆建工集团股份有限公司 | 一种基于空间位置的桥梁病害高精度智能检测方法 |
CN110031477A (zh) * | 2019-04-04 | 2019-07-19 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
CN110044289A (zh) * | 2019-04-17 | 2019-07-23 | 上海同岩土木工程科技股份有限公司 | 基于自动变焦的隧道多断面收敛变形视频监测装置及方法 |
CN111127436A (zh) * | 2019-12-25 | 2020-05-08 | 北京深测科技有限公司 | 一种用于桥梁的位移检测预警方法 |
Non-Patent Citations (2)
Title |
---|
叶肖伟: "基于计算机视觉的结构位移监测综述", 《中国公路学报》 * |
张广远: "高铁线下结构病害可视化方法研究", 《中国铁路》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113267398A (zh) * | 2021-04-30 | 2021-08-17 | 国网河北省电力有限公司衡水供电分公司 | 电杆力学检测系统、控制方法和服务器 |
CN117876969A (zh) * | 2024-03-11 | 2024-04-12 | 贵州省公路建设养护集团有限公司 | 一种用于实现桥梁施工下的安全监测方法及系统 |
CN117876969B (zh) * | 2024-03-11 | 2024-06-04 | 贵州省公路建设养护集团有限公司 | 一种用于实现桥梁施工下的安全监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112229586B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
CN102692600B (zh) | 基于机器视觉的继电器触头电寿命快速评估方法及装置 | |
CN112229586B (zh) | 桥梁支座健康状态检测方法及终端设备 | |
CN104964886A (zh) | 一种焊接构件疲劳应力及应变实时非接触式监测方法 | |
EP4131061A1 (en) | Vehicle loss assessment method, vehicle loss assessment apparatus, and electronic device using same | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
Tayo et al. | Portable crack width calculation of concrete road pavement using machine vision | |
CN116739991A (zh) | 基于深度学习的液晶显示屏表面缺陷检测方法及电子装置 | |
CN116129135A (zh) | 基于小目标视觉识别和虚拟实体映射的塔吊安全预警方法 | |
CN112924037A (zh) | 基于图像配准的红外体温检测系统及检测方法 | |
CN117522833A (zh) | 一种摄像头解像力评估方法、装置、电子设备及存储介质 | |
CN109102499B (zh) | 一种动车车顶的检测方法及系统 | |
CN112132227B (zh) | 桥梁列车荷载作用时程提取方法、装置及终端设备 | |
CN114037834B (zh) | 一种基于振动信号和rgb图像融合的语义分割方法及装置 | |
CN107317846B (zh) | 基于云平台的车辆管理系统 | |
CN115760720A (zh) | 基于移动设备与超分重建分割网络的裂缝在线检测方法及系统 | |
CN109522844A (zh) | 一种社交亲密度确定方法及系统 | |
CN112229500B (zh) | 结构振动位移监测方法及终端设备 | |
CN115984221B (zh) | 一种道路标线修复识别方法、装置、设备及其存储介质 | |
CN117706239B (zh) | 一种换流变压器过热故障点预测系统 | |
RU2763307C2 (ru) | Способ детекции вмятин на элементах кузова транспортных средств и устройство для реализации данного способа | |
CN116309418B (zh) | 桥梁悬臂施工主梁变形的智能监测方法及装置 | |
CN117788961B (zh) | 基于视频图像的河道渠系悬移质含沙量监测方法及系统 | |
CN115909254B (zh) | 一种基于摄像头原始图像的dms系统及其图像处理方法 | |
CN111008956B (zh) | 基于图像处理的梁底裂纹检测方法、系统、装置及介质 |
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 |