CN112487925B - 一种桥梁载荷损伤识别方法及系统 - Google Patents

一种桥梁载荷损伤识别方法及系统 Download PDF

Info

Publication number
CN112487925B
CN112487925B CN202011341814.3A CN202011341814A CN112487925B CN 112487925 B CN112487925 B CN 112487925B CN 202011341814 A CN202011341814 A CN 202011341814A CN 112487925 B CN112487925 B CN 112487925B
Authority
CN
China
Prior art keywords
bridge
sub
images
neural network
image
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
CN202011341814.3A
Other languages
English (en)
Other versions
CN112487925A (zh
Inventor
何新锐
刘芝辰
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 Maritime University
Original Assignee
Shanghai Maritime 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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202011341814.3A priority Critical patent/CN112487925B/zh
Publication of CN112487925A publication Critical patent/CN112487925A/zh
Application granted granted Critical
Publication of CN112487925B publication Critical patent/CN112487925B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
    • E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01D—CONSTRUCTION OF BRIDGES, ELEVATED ROADWAYS OR VIADUCTS; ASSEMBLY OF BRIDGES
    • E01D1/00—Bridges in general
    • 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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • G01N2021/9518—Objects of complex shape, e.g. examined with use of a surface follower device using a surface follower, e.g. robot

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Architecture (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种桥梁车辆载荷损伤识别方法，包含步骤：S1、设置若干图像采集模块和若干GPS模块；S2、将采集的桥梁路面图像划分为若干大小相同的子图像；S3、人工标注子图像中的车辆、桥梁路面损伤区域，建立训练集和验证集；S4、通过训练集和验证集预训练第一、第二神经网络模型，第一、第二神经网络模型分别用于识别车辆、桥梁路面损伤区域；S4、将实时采集的桥梁路面图像划分为若干个子图像，将该子图像输入训练好的第一、第二神经网络模型，识别该子图像中的桥梁路面损伤区域并计算其在对应子图像的占比；S5、若占比超过设定的阈值，发送子图像对应的位置信息、占比给控制中心。本发明还提供一种桥梁车辆载荷损伤识别系统。

Description

一种桥梁载荷损伤识别方法及系统
技术领域
本发明涉及路面检测技术领域，特别涉及一种桥梁载荷损伤识别方法及系统。
背景技术
桥梁结构在服役期间，长期承受着风荷载、车辆荷载、人群荷载、以及地震荷载等随机荷载的作用，产生疲劳现象。重复作用的疲劳荷载所引起的应力水平虽然远低于强度屈服极限，但会有较强烈的应力集中现象产生，最终会导致突然的破坏，这种破坏称为疲劳破坏。它是一种结构材料在重复荷载作用下发生的低于静载强度的脆性破坏。
在上述的作用力中，尤以车辆荷载为最主要的因素，其作用力大、频率高、且作用时间长，造成的桥梁结构的疲劳损伤最大。由于日常生活中长期作用于桥梁结构上的各种实际车辆荷载，导致了桥梁结构构件的疲劳损伤累积。
目前，发现桥梁路面损伤的方法主要依靠于人工巡检，费时、费力、效率低下。人工巡检方式不能够及时发现桥梁路面的损伤，同时由于桥梁路面车辆较多，对工作人员也造成一定的安全隐患。
也有一些安装在桥区的摄像头用于监控桥梁车流，但显然不可能覆盖到桥梁路面的每个区域，且对于采集的图像仍需要人工处理和判断。而且采集的图像实时记录会产生大量的数据，会给后续数据存储、数据传输、数据处理带来压力。因此，现有的桥梁路面监控系统无法自动判断桥梁路面是否因车辆载荷造成损伤，更不能实时、在线、自动、智能化的判断损伤程度，并根据判断结果自动通知相关部门进行处理。
综上所述，亟需一种桥梁载荷损伤识别系统及方法，能够有效的自动识别桥梁路面因车辆载荷所产生的损伤，并能够准确判断损伤程度。
发明内容
本发明的目的是提供一种桥梁车辆载荷损伤识别方法及系统，能够自动识别所采集的桥梁路面图像中桥梁载荷损伤区域，并判断损伤程度，将判断结果和图像的采集位置发送给控制中心，同时还能够自动根据桥梁路面损伤程度生成对应的报警信息并报告给控制中心。
为了达到上述目的，本发明提供一种桥梁车辆载荷损伤识别方法，包含步骤：
S1、在桥梁上方设置若干个图像采集模块和若干GPS模块，一个图像采集模块对应一个GPS模块；通过图像采集模块采集桥梁路面图像，通过与该图像采集模块对应的GPS模块获取该图像采集模块的位置信息；
S2、将所述桥梁路面图像划分为若干个大小相同的子图像；
S3、人工对所述子图像中的车辆、桥梁路面损伤区域进行标注；并对将标注后的部分子图像作为训练集，剩余的子图像作为验证集；
S4、通过所述训练集和验证集预训练第一、第二神经网络模型；所述第一神经网络模型用于从所述子图像中识别车辆；所述第二神经网络模型用于从不包含车辆的子图像中识别桥梁路面损伤区域；
S4、将实时采集的桥梁路面图像划分为若干个对应的子图像，将该子图像输入训练好的第一、第二神经网络模型，识别该子图像中的桥梁路面损伤区域；计算得到该桥梁路面损伤区域在对应子图像的占比；
S5、若所述占比超过设定的第一阈值，将该子图像对应的所述位置信息、所述占比发送给控制中心。
优选的，所述若干个图像采集模块能够采集桥头至桥尾的全部桥梁路面图像。
优选的，步骤S1中还包含：按照设定的分辨率对采集的桥梁路面图像按像素进行压缩，划分压缩后的桥梁路面图像为若干个对应的子图像。
优选的，所述桥梁车辆载荷损伤识别方法，还包含步骤S6：若所述占比大于所述第一阈值且低于第二阈值，生成第一报警信息并发送给控制中心；若所述占比大于所述第二阈值，生成第二报警信息并发送给控制中心；其中第二阈值大于第一阈值。
优选的，所述第一、第二神经网络模型均为CNN卷积神经网络模型。
本发明还提供一种桥梁载荷损伤识别系统，用于实现本发明所述的桥梁载荷损伤识别，所述系统包含：
若干个图像采集模块，设置在桥梁上方，用于采集桥梁路面图像；
若干个GPS模块，设置在桥梁上方，一个GPS模块对应一个图像采集模块，通过GPS模块采集对应的图像采集模块的位置信息；
数据处理模块，其通讯连接所述图像采集模块和GPS模块；所述数据处理模块包含图像划分模块、第一、第二神经网络模型；通过所述图像划分模块将图像采集模块采集的桥梁路面图像划分为对应的若干个子图像；所述第一神经网络模型用于从所述子图像中识别车辆；所述第二神经网络模型用于从不包含车辆的子图像中识别桥梁路面损伤区域；
通讯模块，用于实现所述图像采集模块与数据处理模块之间、所述GPS模块与数据处理模块之间、数据处理模块与控制中心之间的数据传输。
优选的，所述数据处理模块还包含计算模块，所述计算模块根据第二神经网络模型识别的子图像中的桥梁路面损伤区域，计算该桥梁路面损伤区域在对应子图像的占比。
优选的，所述桥梁载荷损伤识别系统，还包含报警模块，所述报警模块根据所述占比生成对应的报警信息并发送给控制中心。
与现有技术相比，本发明的有益效果在于：
1)能够获取全场信息，本发明的图像采集能够覆盖整个桥面，实现桥面无遗漏的图像采集；
2)本发明不仅能够自动、实时、智能化的识别所采集的桥梁路面图像中的载荷损伤区域，同时还能够自动报告该载荷损伤区域的位置信息，以便于控制中心进行及时处理；
3)本发明中，通过按照设定的分辨率对采集的桥梁路面图像进行压缩，既保证了对图像中的桥梁载荷损伤识别的精度，又保证了图像的处理速度。
4)本发明不依赖于人工巡检识别桥梁载荷损伤，不仅大大提高了工作效率、节约了大量劳动力，并能够防止巡检人员发生安全事故。
附图说明
为了更清楚地说明本发明技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，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为本发明的桥梁载荷损伤识别方法流程图；
图2为本发明的桥梁载荷损伤识别系统示意图；
图中：1、图像采集模块；2、GPS模块；3、通讯模块；4、数据处理模块；40、图像划分模块；41、第一神经网络模型；42、第二神经网络模型；43、计算模块；5、控制中心；6、报警模块。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
如图1所示，本发明提供一种桥梁车辆载荷损伤识别方法，包含步骤：
S1、在桥梁上方设置若干个图像采集模块1和若干GPS模块2，一个图像采集模块1对应一个GPS模块2；通过图像采集模块1采集桥梁路面图像，通过与该图像采集模块1对应的GPS模块2获取该图像采集模块1的位置信息；所述若干个图像采集模块1能够采集桥头至桥尾的全部桥梁路面图像。
在本发明的一个实施例中，步骤S1中还包含：按照设定的分辨率对采集的桥梁路面图像按像素进行压缩，划分压缩后的桥梁路面图像为若干个对应的子图像。压缩图像的目地是为了降低数据处理复杂度，减少数据传输量和存储量，加快数据处理速度。通过预设的分辨率能够保证图像不至于过度失真。
S2、将所述桥梁路面图像划分为若干个大小相同的子图像；
S3、人工对所述子图像中的车辆、桥梁路面损伤区域进行标注；并对将标注后的部分子图像作为训练集，剩余的子图像作为验证集；
S4、通过所述训练集和验证集预训练第一神经网络模型41、第二神经网络模型42；所述第一神经网络模型41用于从所述子图像中识别车辆；所述第二神经网络模型42用于从不包含车辆的子图像中识别桥梁路面损伤区域；在本发明的实施例中，所述第一神经网络模型41、第二神经网络模型42均为CNN卷积神经网络模型。
S4、将实时采集的桥梁路面图像划分为若干个对应的子图像，将该子图像输入训练好的第一神经网络模型41、第二神经网络模型42，识别该子图像中的桥梁路面损伤区域；计算得到该桥梁路面损伤区域在对应子图像的占比；
S5、若所述占比超过设定的第一阈值，将该子图像对应的所述位置信息、所述占比发送给控制中心5。
S6、若所述占比大于所述第一阈值且低于第二阈值，生成第一报警信息并发送给控制中心5；若所述占比大于所述第二阈值，生成第二报警信息并发送给控制中心5；其中第二阈值大于第一阈值。
本发明还提供一种桥梁载荷损伤识别系统，用于实现本发明所述的桥梁载荷损伤识别，如图2所示，所述系统包含：若干个图像采集模块1、若干个GPS模块2、数据处理模块4、通讯模块3、报警模块6。
所述图像采集模块1设置在桥梁上方，用于采集桥梁路面图像。
所述GPS模块2设置在桥梁上方，一个GPS模块2对应一个图像采集模块1，通过GPS模块2采集对应的图像采集模块1的位置信息。
所述数据处理模块4包含图像划分模块40、第一神经网络模型41、第二神经网络模型42、计算模块43。
通过所述图像划分模块40将图像采集模块1采集的桥梁路面图像划分为对应的若干个子图像；所述第一神经网络模型41用于从所述子图像中识别车辆；所述第二神经网络模型42用于从不包含车辆的子图像中识别桥梁路面损伤区域；所述计算模块43根据第二神经网络模型42识别的子图像中的桥梁路面损伤区域，计算该桥梁路面损伤区域在对应子图像的占比。
所述报警模块6根据所述占比生成对应的报警信息并发送给控制中心5。
通讯模块3，用于实现所述图像采集模块1与数据处理模块4之间、所述GPS模块2与数据处理模块4之间、数据处理模块4与控制中心5之间的数据传输、数据处理模块4与报警模块6之间的数据传输。
图像采集模块1、GPS模块2将采集的桥梁路面图像、位置信息通过通讯模块3发送给数据处理模块4。数据处理模块4将其识别的桥梁路面载荷损伤的占比以及对应的位置信息通过通讯模块3发送给控制中心5。数据处理模块4还通过通讯模块3将计算得到的占比发送给报警模块6。报警模块6生成对应的报警信息并通过通讯模块3发送给控制中心5。
本发明的桥梁载荷损伤识别方法及系统，不仅能够自动、实时、智能化的识别所采集的桥梁路面图像中的载荷损伤区域，同时还能够自动报告该载荷损伤区域的位置信息，以便于控制中心5进行及时处理。本发明不依赖于人工巡检识别桥梁载荷损伤，不仅大大提高了工作效率、节约了大量劳动力，并能够防止巡检人员发生安全事故。
以上所述，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 (8)

1.一种桥梁车辆载荷损伤识别方法，其特征在于，包含步骤：
S1、在桥梁上方设置若干个图像采集模块和若干GPS模块，一个图像采集模块对应一个GPS模块；通过图像采集模块采集桥梁路面图像，通过与该图像采集模块对应的GPS模块获取该图像采集模块的位置信息；
S2、将所述桥梁路面图像划分为若干个大小相同的子图像；
S3、人工对所述子图像中的车辆、桥梁路面损伤区域进行标注；并对将标注后的部分子图像作为训练集，剩余的子图像作为验证集；
S4、通过所述训练集和验证集预训练第一、第二神经网络模型；所述第一神经网络模型用于从所述子图像中识别车辆；所述第二神经网络模型用于从不包含车辆的子图像中识别桥梁路面损伤区域；
S4、将实时采集的桥梁路面图像划分为若干个对应的子图像，将该子图像输入训练好的第一、第二神经网络模型，识别该子图像中的桥梁路面损伤区域；计算得到该桥梁路面损伤区域在对应子图像的占比；
S5、若所述占比超过设定的第一阈值，将该子图像对应的所述位置信息、所述占比发送给控制中心。
2.如权利要求1所述的桥梁车辆载荷损伤识别方法，其特征在于，所述若干个图像采集模块能够采集桥头至桥尾的全部桥梁路面图像。
3.如权利要求1所述的桥梁车辆载荷损伤识别方法，其特征在于，步骤S1中还包含：按照设定的分辨率对采集的桥梁路面图像进行压缩，划分压缩后的桥梁路面图像为若干个对应的子图像。
4.如权利要求1所述的桥梁车辆载荷损伤识别方法，其特征在于，还包含步骤S6：若所述占比大于所述第一阈值且低于第二阈值，生成第一报警信息并发送给控制中心；若所述占比大于所述第二阈值，生成第二报警信息并发送给控制中心；其中第二阈值大于第一阈值。
5.如权利要求1所述的桥梁车辆载荷损伤识别方法，其特征在于，所述第一、第二神经网络模型均为CNN卷积神经网络模型。
6.一种桥梁载荷损伤识别系统，用于实现如权利要求1至5任一所述的桥梁载荷损伤识别，其特征在于，包含：
若干个图像采集模块，设置在桥梁上方，用于采集桥梁路面图像；
若干个GPS模块，设置在桥梁上方，一个GPS模块对应一个图像采集模块，通过GPS模块采集对应的图像采集模块的位置信息；
数据处理模块，其通讯连接所述图像采集模块和GPS模块；所述数据处理模块包含图像划分模块、第一、第二神经网络模型；通过所述图像划分模块将图像采集模块采集的桥梁路面图像划分为对应的若干个子图像；所述第一神经网络模型用于从所述子图像中识别车辆；所述第二神经网络模型用于从不包含车辆的子图像中识别桥梁路面损伤区域；
通讯模块，用于实现所述图像采集模块与数据处理模块之间、所述GPS模块与数据处理模块之间、数据处理模块与控制中心之间的数据传输。
7.如权利要求6所述的桥梁载荷损伤识别系统，其特征在于，所述数据处理模块还包含计算模块，所述计算模块根据第二神经网络模型识别的子图像中的桥梁路面损伤区域，计算该桥梁路面损伤区域在对应子图像的占比。
8.如权利要求7所述的桥梁载荷损伤识别系统，其特征在于，还包含报警模块，所述报警模块根据所述占比生成对应的报警信息并发送给控制中心。
CN202011341814.3A 2020-11-25 2020-11-25 一种桥梁载荷损伤识别方法及系统 Active CN112487925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011341814.3A CN112487925B (zh) 2020-11-25 2020-11-25 一种桥梁载荷损伤识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011341814.3A CN112487925B (zh) 2020-11-25 2020-11-25 一种桥梁载荷损伤识别方法及系统

Publications (2)

Publication Number Publication Date
CN112487925A CN112487925A (zh) 2021-03-12
CN112487925B true CN112487925B (zh) 2024-05-14

Family

ID=74934523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011341814.3A Active CN112487925B (zh) 2020-11-25 2020-11-25 一种桥梁载荷损伤识别方法及系统

Country Status (1)

Country Link
CN (1) CN112487925B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117197136B (zh) * 2023-11-06 2024-01-26 中数智科(杭州)科技有限公司 跨座式单轨轨道梁损伤检测定位系统、方法和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106556498A (zh) * 2016-10-31 2017-04-05 石家庄铁道大学 桥梁结构损伤识别方法及系统
WO2017202139A1 (zh) * 2016-05-26 2017-11-30 东南大学 一种基于长标距应变影响包络线的桥梁损伤识别方法
KR101816566B1 (ko) * 2016-11-29 2018-02-21 한국건설기술연구원 차량센서를 활용한 교량 유지관리 시스템 및 그 방법
KR20190086141A (ko) * 2018-01-12 2019-07-22 인하대학교 산학협력단 Cnn을 이용한 교량 구조물 손상추정기법의 개발을 위한 시뮬레이션 데이터 처리방법
CN111144039A (zh) * 2019-12-04 2020-05-12 东南大学 一种基于深度学习的列车动态称重系统及称重方法
CN111191714A (zh) * 2019-12-28 2020-05-22 浙江大学 桥梁外观损伤病害智能识别方法
CN111551562A (zh) * 2020-01-20 2020-08-18 深圳大学 一种桥梁路面结构损伤识别方法和系统
CN111709332A (zh) * 2020-06-04 2020-09-25 浙江大学 基于稠密卷积神经网络的桥梁车辆荷载时空分布识别方法
WO2020199538A1 (zh) * 2019-04-04 2020-10-08 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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017202139A1 (zh) * 2016-05-26 2017-11-30 东南大学 一种基于长标距应变影响包络线的桥梁损伤识别方法
CN106556498A (zh) * 2016-10-31 2017-04-05 石家庄铁道大学 桥梁结构损伤识别方法及系统
KR101816566B1 (ko) * 2016-11-29 2018-02-21 한국건설기술연구원 차량센서를 활용한 교량 유지관리 시스템 및 그 방법
KR20190086141A (ko) * 2018-01-12 2019-07-22 인하대학교 산학협력단 Cnn을 이용한 교량 구조물 손상추정기법의 개발을 위한 시뮬레이션 데이터 처리방법
WO2020199538A1 (zh) * 2019-04-04 2020-10-08 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
CN111144039A (zh) * 2019-12-04 2020-05-12 东南大学 一种基于深度学习的列车动态称重系统及称重方法
CN111191714A (zh) * 2019-12-28 2020-05-22 浙江大学 桥梁外观损伤病害智能识别方法
CN111551562A (zh) * 2020-01-20 2020-08-18 深圳大学 一种桥梁路面结构损伤识别方法和系统
CN111709332A (zh) * 2020-06-04 2020-09-25 浙江大学 基于稠密卷积神经网络的桥梁车辆荷载时空分布识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
卷积神经网络在桥梁结构表面病害检测中的应用研究;韩晓健;赵志成;沈泽江;;结构工程师;20190428(02);全文 *
基于深度学习和无线传输的桥梁裂缝图像识别系统;曾世钦;唐朝;陈可;;建材世界;20190415(02);全文 *

Also Published As

Publication number Publication date
CN112487925A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN111307823B (zh) 基于边云协同的变电设备典型视觉缺陷检测系统及方法
CN111047818A (zh) 一种基于视频图像的森林火灾预警系统
CN114894411B (zh) 一种基于无线传感器网络的桥梁健康监测方法及系统
CN113469966B (zh) 一种基于防松线识别的列车螺栓松动检测方法
CN109782364B (zh) 基于机器视觉的交通标志牌缺失检测方法
CN104599249A (zh) 缆索承重桥梁桥面车辆载荷分布实时检测方法
CN111610191B (zh) 一种道路检测与修复系统
CN103096121A (zh) 一种摄像头移动检测方法及装置
CN112487925B (zh) 一种桥梁载荷损伤识别方法及系统
CN110411686B (zh) 桥梁静动影像全息性态健康监测诊断方法及系统
CN110852001A (zh) 一种基于图像处理的桥梁结构安全评估方法
CN111626261A (zh) 一种水工建筑物智能巡检分析预警系统
CN116993665A (zh) 一种基于计算机视觉的建筑工程作业面施工进度的智能检测方法
CN112613453A (zh) 一种用于电力基建施工现场违章排查方法及系统
CN116664846A (zh) 基于语义分割实现3d打印桥面施工质量监测方法及系统
CN115439763A (zh) 一种基于YOLOv5模型的水工程表面裂缝检测方法
CN114633774A (zh) 一种基于人工智能的轨道交通故障检测系统
CN111967419B (zh) 一种坝岸险情预测方法、装置、计算机设备及存储介质
CN116718255A (zh) 智能土石方运量称重系统
CN112181331A (zh) 一种可变信息发布终端发布内容一致性检测系统
CN116052075A (zh) 一种基于计算机视觉的吊装作业行为检测评价方法和设备
CN113065416A (zh) 集成于变电站视频监控装置的渗漏监测装置及方法、介质
CN104408942A (zh) 车辆智能测速装置与方法
CN115187880A (zh) 基于图像识别的通信光缆缺陷检测方法、系统及存储介质
CN111079642A (zh) 线路可移动监控方法及装置及计算机可读介质

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