CN112734702A - 基于大数据分析和机器视觉的桥梁安全监测方法及云平台 - Google Patents

基于大数据分析和机器视觉的桥梁安全监测方法及云平台 Download PDF

Info

Publication number
CN112734702A
CN112734702A CN202011583848.3A CN202011583848A CN112734702A CN 112734702 A CN112734702 A CN 112734702A CN 202011583848 A CN202011583848 A CN 202011583848A CN 112734702 A CN112734702 A CN 112734702A
Authority
CN
China
Prior art keywords
bridge
depth
sub
area
early warning
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.)
Withdrawn
Application number
CN202011583848.3A
Other languages
English (en)
Inventor
詹晨
许强
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202011583848.3A priority Critical patent/CN112734702A/zh
Publication of CN112734702A publication Critical patent/CN112734702A/zh
Withdrawn legal-status Critical Current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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开基于大数据分析和机器视觉的桥梁安全监测方法及云平台，通过对大跨度桥梁的整个桥面划分为若干子区域，并结合高清摄像头对各子区域的桥面进行图像获取和图像预处理操作，同时对各子区域的桥面图像进行特征提取和路害种类匹配，检测各子区域的桥面路害种类中裂缝和车辙的深度，进而统计桥梁综合安全影响系数，以此进行不同级别的安全预警，并对其进行显示，实现了对大跨度桥梁桥面损害的快速检测需求，提高了检测效率以及检测精度，降低了人力和物力的成本，同时保障了检测人员的安全，大大提高了桥梁的使用寿命。

Description

基于大数据分析和机器视觉的桥梁安全监测方法及云平台
技术领域
本发明属于桥梁安全监测技术领域，具体涉及到基于大数据分析和机器视觉的桥梁安全监测方法及云平台。
背景技术
裂缝是桥面病害问题的最早的形态之一,只有在裂缝出现的早期进行维护,才能有效地提高桥梁路面的使用寿命。因此,桥梁路面裂缝的检测识别对于提升桥梁路面的质量有着重大的意义。
目前,由于我国对大跨度桥梁桥面损害问题的研究较少，导致检测桥面装备也相对缺乏,人工检测需要国家桥梁管理部门配置相应程度的设备、人力等资源来实现定期的安全巡视和检查。但是,人工检测具有检测效率低、检测人员安全问题以及无法保证检测精度等缺点,不能满足大跨度桥梁桥面损害的快速检测需求。但随着机器视觉技术的不断发展,使其技术在工业自动化领域中广泛应用。因此,为了减少人力物力的损失,提高准确率,进行安全的桥梁路面状态监控服务,运用机器视觉技术可以成功改善传统人工检测的问题,使路面损害得到快速精准的检测识别。
发明内容
针对上述问题，本发明提出基于大数据分析和机器视觉的桥梁安全监测方法及云平台，通过对大跨度桥梁的整个桥面划分为若干子区域，并结合高清摄像头对各子区域的桥面进行图像获取和图像预处理操作，同时对各子区域的桥面图像进行特征提取和路害种类匹配，检测各子区域的桥面路害种类中裂缝和车辙的深度，进而统计桥梁综合安全影响系数，以此进行不同级别的安全预警，并对其进行显示，解决了现有技术中存在的问题。
本发明的目的可以通过以下技术方案来实现：
基于大数据分析和机器视觉的桥梁安全监测方法，包括以下步骤：
S1：获取各个子区域的桥面图像，并进行图像预处理操作；
S2：将处理过后的图像进行特征提取与路害种类匹配；
S3：检测各个子区域内裂缝和车辙的深度，并进行相对裂缝差和相对车辙差计算，以统计桥梁综合安全影响系数；
S4：根据桥梁综合安全影响系数进行不同级别的预警，并进行显示。
上述基于大数据分析和机器视觉的桥梁安全监测方法使用了一种基于大数据分析和机器视觉的桥梁安全监测系统，包括区域划分模块、图像采集模块、特征提取模块、特征种类匹配模块、数据库、激光检测模块、建模分析服务器、管理服务器、预警模块和显示终端；
所述图像采集模块分别与区域划分模块和特征提取模块连接，特征种类匹配模块分别与特征提取模块和激光检测模块连接，建模分析服务器分别与激光检测模块和管理服务器连接，管理服务器分别与显示终端、数据库和预警模块连接，数据库分别与特征提取模块、特征种类匹配模块和建模分析服务器连接；
所述区域划分模块,用于对大跨度桥梁的整个桥面进行区域划分,对整个桥面划分为若干面积相同且相互连接的检测子区域,将划分后的若干检测子区域按照从桥头到桥尾的顺序进行编号,依次标记为1,2,...,i,...,g；
所述图像采集模块，包括若干高清摄像头，用于对各个子区域的桥面进行图像采集，并将采集的各个子区域的桥面图像发送至特征提取模块；
所述特征提取模块接收图像采集模块发送的各个子区域的桥面图像，对接收的各个子区域的桥面图像进行图像预处理操作，并将图像预处理操作后的各个子区域的桥面图像中的路害特征进行提取，同时对各子区域桥面图像中路害的特征与数据库中存储的不同路害种类对应的特征进行对比，得到该子区域的桥面图像的路害种类的特征，进而获得各子区域桥面图像的路害种类特征，对各个子区域桥面图像的路害种类特征按照预设的顺序进行编号，依次标记为1,2,...,m,...,n,构成路害种类特征集合,Ai(ai1,ai2,...,aim,...,ain)，aim表示为第i个子区域桥面图像中第m个路害种类特征，并将路害种类特征集合发送至特征种类匹配模块；
所述特征种类匹配模块接收特征提取模块发送的路害种类特征集合，提取路害种类特征集合中各子区域桥面图像中所有的路害种类特征，将提取的各子区域桥面图像中所有的路害种类特征与数据库中存储的路害种类特征中裂缝特征和车辙特征分别进行对比，构成路害种类特征对比集合A′i(a′i1,a′i2,...,a′im,...,a′in),a′im表示为第i个子区域桥面图像中第m个路害种类特征与数据库中存储的路害种类特征中裂缝特征和车辙特征的对比值，若第i个子区域桥面图像中第m个路害种类特征与裂缝特征对比成功，则a′im等于1，若第i个子区域桥面图像中第m个路害种类特征与车辙特征对比成功，则a′im等于0，并从路害种类特征对比集合中提取出对比值为1的路害种类特征，按照预设的顺序，依次标记为1,2,...,j,...,k,构成子区域裂缝集合Bi(bi1,bi2,...,bij,...,bik),bij表示为第i个子区域桥面图像中第j条裂缝，从路害种类特征对比集合中提取出对比值为0的路害种类特征，按照预设的顺序，依次标记为1,2,...,p,...,q,构成子区域车辙集合Ci(ci1,ci2,...,cip,...,ciq),cip表示为第i个子区域桥面图像中第p个车辙，特征种类匹配模块将子区域裂缝集合和子区域车辙集合分别发送至激光检测模块；
所述数据库用于存储不同路害种类对应的特征，存储裂缝的深度阈值和车辙的深度阈值，存储各桥梁安全等级对应的桥梁综合安全影响系数阈值；
所述激光检测模块包括若干激光扫描仪，分别安装在桥面的各个子区域内，接收特征种类匹配模块发送的子区域裂缝集合，对子区域裂缝集合中各个子区域桥面图像中各条裂缝进行深度检测，接收特征种类匹配模块发送的子区域车辙集合，对子区域车辙集合中各个子区域桥面图像中各条车辙进行深度检测，将检测的各个子区域的各条裂缝深度和各个车辙深度分别发送至建模分析服务器；
所述建模分析服务器接收激光检测模块发送的各个子区域的各条裂缝深度，将检测的各个子区域的裂缝深度与数据库中存储的裂缝的深度阈值进行对比，构成子区域裂缝深度对比集合B′i(b′i1,b′i2,...,b′ij,…,b′ik)，b′ij表示为第i个子区域中第j条裂缝深度与裂缝的深度阈值之间的差值，接收激光检测模块发送的各个子区域的各个车辙深度，将检测的各个子区域的车辙深度与数据库中存储的车辙的深度阈值进行对比，构成子区域车辙深度对比集合C′i(c′i1,c′i2,...,c′ip,...,c′iq)，c′ip表示为第i个子区域中第p个车辙深度与车辙的深度阈值之间的差值；
建模分析服务器将统计的子区域裂缝深度对比集合中各个子区域的裂缝深度对比值按照采集时间段进行划分，依次标记为1,2,...,t,...,h,构成时间段裂缝深度对比集合B″it(b″it1,b″it2,...,b″itj,...,b″itk)，b″itj表示为第i个子区域内第t个时间段内第j条裂缝深度与裂缝的深度阈值之间的差值，将统计的子区域车辙深度对比集合中各个子区域的车辙深度对比值按照采集时间段进行划分，依次标记为1,2,...,t,...,h,构成时间段车辙深度对比集合C″it(c″it1,c″it2,...,c″itp,…,c″itq)，c″itp表示为第i个子区域内第t个时间段内第p个车辙深度与车辙的深度阈值之间的差值；
建模分析服务器将各子区域内各个时间段内的裂缝深度对比值与第t-1个时间段内的裂缝深度对比值进行对比，得到裂缝相对深度差，将得到的裂缝相对深度差构成子区域裂缝相对深度差集合ΔBit(Δbit1,Δbit2,…,Δbitj,…,Δbitk)，Δbitj表示为第i子区域内第t个时间段内第j条裂缝深度差与第t-1个时间段内的第j条裂缝深度差之间的差值，将各子区域内各个时间段内的车辙深度对比值与第t-1个时间段内的车辙深度对比值进行对比，得到车辙相对深度差，将得到的车辙相对深度差构成子区域车辙相对深度差集合ΔCit(Δcit1,Δcit2,…,Δcitp,…,Δcitq)，Δcitp表示为第i子区域内第t个时间段内的第p条车辙深度差与第t-1个时间段内的第p条车辙深度差之间的差值，建模分析服务器根据统计的裂缝相对深度差集合和车辙相对深度差集合，以评估桥梁综合安全系数，并将评估的桥梁综合安全影响系数发送至管理服务器；
所述管理服务器接收建模分析服务器发送的桥梁综合安全影响系数，并将接收的桥梁综合安全影响系数与数据库中存储的各桥梁安全等级对应的桥梁综合安全影响系数阈值作对比，若接收的桥梁综合安全影响系数小于一级桥梁安全等级对应的桥梁综合安全影响系数阈值，则不发送预警指令至预警模块，若接收的桥梁综合安全影响系数大于一级桥梁安全等级对应的桥梁综合安全影响系数阈值小于二级桥梁安全等级对应的桥梁综合安全影响系数阈值，则发送一级预警指令至预警模块，若接收的桥梁综合安全影响系数大于二级桥梁安全等级对应的桥梁综合安全影响系数阈值小于三级桥梁安全等级对应的桥梁综合安全影响系数阈值，则发送二级预警指令至预警模块，若接收的桥梁综合安全影响系数大于三级桥梁安全等级对应的桥梁综合安全影响系数阈值，则发送三级预警指令至预警模块，管理服务器将接收的桥梁综合安全影响系数以及对应的桥梁安全等级发送至显示终端；
所述预警模块包括预警信号灯，接收管理服务器发送的预警指令，若没有接收到预警指令，则预警信号灯正常显示为绿色，若接收到一级预警指令，则预警信号灯显示为蓝色，若接收到二级预警指令，则预警信号灯显示为黄色，若接收到三级预警指令，则预警信号灯显示为红色；
所述显示终端接收管理服务器发送的桥梁综合安全影响系数和对应的桥梁安全等级，并进行显示。
进一步地，所述特征提取模块包括中值滤波单元、图像增强单元和阈值分割单元。
进一步地，所述中值滤波单元用于消除采集的各个子区域的桥面图像中的颗粒噪声,提高图像背景的平滑度,所述图像增强单元用于增强采集的各个子区域的桥面图像中路害区域与背景区域亮度特征对比度，所述阈值分割单元用于通过对采集的各个子区域的桥面图像进行灰度阈值分割,以分割路害区域与背景区域。
进一步地，所述桥梁综合安全影响系数的计算公式为
Figure BDA0002865782930000061
Δcitp表示为第i子区域内第t个时间段内的第p条车辙深度差与第t-1个时间段内的第p条车辙深度差之间的差值，Δbitj表示为第i子区域内第t个时间段内第j条裂缝深度差与第t-1个时间段内的第j条裂缝深度差之间的差值。
进一步地，所述各桥梁安全等级对应的桥梁综合安全影响系数阈值的大小顺序为ξ1＜ξ2＜ξ3。
进一步地，所述桥梁综合安全影响系数越小，则表示桥梁越安全，桥梁综合安全影响系数越大，则表示桥梁越危险。
所述云平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个桥梁安全监测终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行本发明基于大数据分析和机器视觉的桥梁安全监测方法。
有益效果：
(1)本发明通过对大跨度桥梁的整个桥面划分为若干子区域，并结合高清摄像头对各子区域的桥面进行图像获取和图像预处理操作，同时对各子区域的桥面图像进行特征提取和路害种类匹配，检测各子区域的桥面路害种类中裂缝和车辙的深度，进而统计桥梁综合安全影响系数，以此进行不同级别的安全预警，并对其进行显示，实现了对大跨度桥梁桥面损害的快速检测需求，提高了检测效率以及检测精度，降低了人力和物力的成本，同时保障了检测人员的安全，大大提高了桥梁的使用寿命。
(2)本发明在预警模块，通过接收不同级别的预警指令，以立即变换预警信号灯的颜色警示管理人员，避免二次事故的发生，保证了桥梁的安全性，减少了事故的发生。
(3)本发明在显示终端，通过直观显示分析、处理后的桥梁综合安全影响系数，方便专业技术人员直接通过评估结果对桥梁采取对应的措施进行维护，同时也方便了一般桥梁管理人员与政府监管部门等其他人员在不同时间、地点查阅桥梁的相关信息。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的方法流程图；
图2为本发明系统模块示意图。
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。
请参照图1所示，基于大数据分析和机器视觉的桥梁安全监测方法，包括以下步骤：
S1：获取各个子区域的桥面图像，并进行图像预处理操作；
S2：将处理过后的图像进行特征提取与路害种类匹配；
S3：检测各个子区域内裂缝和车辙的深度，并进行相对裂缝差和相对车辙差计算，以统计桥梁综合安全影响系数；
S4：根据桥梁综合安全影响系数进行不同级别的预警，并进行显示。
上述基于大数据分析和机器视觉的桥梁安全监测方法使用了一种基于大数据分析和机器视觉的桥梁安全监测系统，包括区域划分模块、图像采集模块、特征提取模块、特征种类匹配模块、数据库、激光检测模块、建模分析服务器、管理服务器、预警模块和显示终端；
所述图像采集模块分别与区域划分模块和特征提取模块连接，特征种类匹配模块分别与特征提取模块和激光检测模块连接，建模分析服务器分别与激光检测模块和管理服务器连接，管理服务器分别与显示终端、数据库和预警模块连接，数据库分别与特征提取模块、特征种类匹配模块和建模分析服务器连接；
所述区域划分模块,用于对大跨度桥梁的整个桥面进行区域划分,对整个桥面划分为若干面积相同且相互连接的检测子区域,将划分后的若干检测子区域按照从桥头到桥尾的顺序进行编号,依次标记为1,2,...,i,...,g；
所述图像采集模块，包括若干高清摄像头，用于对各个子区域的桥面进行图像采集，并将采集的各个子区域的桥面图像发送至特征提取模块；
所述特征提取模块接收图像采集模块发送的各个子区域的桥面图像，对接收的各个子区域的桥面图像进行图像预处理操作，特征提取模块包括中值滤波单元、图像增强单元和阈值分割单元，中值滤波单元用于消除采集的各个子区域的桥面图像中的颗粒噪声,提高图像背景的平滑度,图像增强单元用于增强采集的各个子区域的桥面图像中路害区域与背景区域亮度特征对比度，阈值分割单元用于通过对采集的各个子区域的桥面图像进行灰度阈值分割,以分割路害区域与背景区域，并将图像预处理操作后的各个子区域的桥面图像中的路害特征进行提取，同时对各子区域桥面图像中路害的特征与数据库中存储的不同路害种类对应的特征进行对比，得到该子区域的桥面图像的路害种类的特征，进而获得各子区域桥面图像的路害种类特征，对各个子区域桥面图像的路害种类特征按照预设的顺序进行编号，依次标记为1,2,...,m,...,n,构成路害种类特征集合,Ai(ai1,ai2,…,aim,…,ain)，aim表示为第i个子区域桥面图像中第m个路害种类特征，并将路害种类特征集合发送至特征种类匹配模块；
所述特征种类匹配模块接收特征提取模块发送的路害种类特征集合，提取路害种类特征集合中各子区域桥面图像中所有的路害种类特征，将提取的各子区域桥面图像中所有的路害种类特征与数据库中存储的路害种类特征中裂缝特征和车辙特征分别进行对比，构成路害种类特征对比集合A′i(a′i1,a′i2,...,a′im,...,a′in),a′im表示为第i个子区域桥面图像中第m个路害种类特征与数据库中存储的路害种类特征中裂缝特征和车辙特征的对比值，若第i个子区域桥面图像中第m个路害种类特征与裂缝特征对比成功，则a′im等于1，若第i个子区域桥面图像中第m个路害种类特征与车辙特征对比成功，则a′im等于0，并从路害种类特征对比集合中提取出对比值为1的路害种类特征，按照预设的顺序，依次标记为1,2,...,j,...,k,构成子区域裂缝集合Bi(bi1,bi2,...,bij,...,bik),bij表示为第i个子区域桥面图像中第j条裂缝，从路害种类特征对比集合中提取出对比值为0的路害种类特征，按照预设的顺序，依次标记为1,2,...,p,...,q,构成子区域车辙集合Ci(ci1,ci2,...,cip,...,ciq),cip表示为第i个子区域桥面图像中第p个车辙，特征种类匹配模块将子区域裂缝集合和子区域车辙集合分别发送至激光检测模块；
所述数据库用于存储不同路害种类对应的特征，存储裂缝的深度阈值和车辙的深度阈值，存储各桥梁安全等级对应的桥梁综合安全影响系数阈值，各桥梁安全等级对应的桥梁综合安全影响系数阈值的大小顺序为ξ1＜ξ2＜ξ3；
所述激光检测模块包括若干激光扫描仪，分别安装在桥面的各个子区域内，接收特征种类匹配模块发送的子区域裂缝集合，对子区域裂缝集合中各个子区域桥面图像中各条裂缝进行深度检测，接收特征种类匹配模块发送的子区域车辙集合，对子区域车辙集合中各个子区域桥面图像中各条车辙进行深度检测，将检测的各个子区域的各条裂缝深度和各个车辙深度分别发送至建模分析服务器；
所述建模分析服务器接收激光检测模块发送的各个子区域的各条裂缝深度，将检测的各个子区域的裂缝深度与数据库中存储的裂缝的深度阈值进行对比，构成子区域裂缝深度对比集合B′i(b′i1,b′i2,...,b′ij,…,b′ik)，b′ij表示为第i个子区域中第j条裂缝深度与裂缝的深度阈值之间的差值，接收激光检测模块发送的各个子区域的各个车辙深度，将检测的各个子区域的车辙深度与数据库中存储的车辙的深度阈值进行对比，构成子区域车辙深度对比集合C′i(c′i1,c′i2,...,c′ip,...,c′iq)，c′ip表示为第i个子区域中第p个车辙深度与车辙的深度阈值之间的差值；
建模分析服务器将统计的子区域裂缝深度对比集合中各个子区域的裂缝深度对比值按照采集时间段进行划分，依次标记为1,2,...,t,...,h,构成时间段裂缝深度对比集合B″it(b″it1,b″it2,...,b″itj,…,b″itk)，b″itj表示为第i个子区域内第t个时间段内第j条裂缝深度与裂缝的深度阈值之间的差值，将统计的子区域车辙深度对比集合中各个子区域的车辙深度对比值按照采集时间段进行划分，依次标记为1,2,...,t,...,h,构成时间段车辙深度对比集合C″it(c″it1,c″it2,…,c″itp,…,c″itq)，c″itp表示为第i个子区域内第t个时间段内第p个车辙深度与车辙的深度阈值之间的差值；
建模分析服务器将各子区域内各个时间段内的裂缝深度对比值与第t-1个时间段内的裂缝深度对比值进行对比，得到裂缝相对深度差，将得到的裂缝相对深度差构成子区域裂缝相对深度差集合ΔBit(Δbit1,Δbit2,…,Δbitj,…,Δbitk)，Δbitj表示为第i子区域内第t个时间段内第j条裂缝深度差与第t-1个时间段内的第j条裂缝深度差之间的差值，将各子区域内各个时间段内的车辙深度对比值与第t-1个时间段内的车辙深度对比值进行对比，得到车辙相对深度差，将得到的车辙相对深度差构成子区域车辙相对深度差集合ΔCit(Δcit1,Δcit2,…,Δcitp,…,Δcitq)，Δcitp表示为第i子区域内第t个时间段内的第p条车辙深度差与第t-1个时间段内的第p条车辙深度差之间的差值，建模分析服务器根据统计的裂缝相对深度差集合和车辙相对深度差集合，以评估桥梁综合安全系数，桥梁综合安全影响系数的计算公式为
Figure BDA0002865782930000121
Δcitp表示为第i子区域内第t个时间段内的第p条车辙深度差与第t-1个时间段内的第p条车辙深度差之间的差值，Δbitj表示为第i子区域内第t个时间段内第j条裂缝深度差与第t-1个时间段内的第j条裂缝深度差之间的差值，桥梁综合安全影响系数越小，则表示桥梁越安全，桥梁综合安全影响系数越大，则表示桥梁越危险，并将评估的桥梁综合安全影响系数发送至管理服务器；
所述管理服务器接收建模分析服务器发送的桥梁综合安全影响系数，并将接收的桥梁综合安全影响系数与数据库中存储的各桥梁安全等级对应的桥梁综合安全影响系数阈值作对比，若接收的桥梁综合安全影响系数小于一级桥梁安全等级对应的桥梁综合安全影响系数阈值，则不发送预警指令至预警模块，若接收的桥梁综合安全影响系数大于一级桥梁安全等级对应的桥梁综合安全影响系数阈值小于二级桥梁安全等级对应的桥梁综合安全影响系数阈值，则发送一级预警指令至预警模块，若接收的桥梁综合安全影响系数大于二级桥梁安全等级对应的桥梁综合安全影响系数阈值小于三级桥梁安全等级对应的桥梁综合安全影响系数阈值，则发送二级预警指令至预警模块，若接收的桥梁综合安全影响系数大于三级桥梁安全等级对应的桥梁综合安全影响系数阈值，则发送三级预警指令至预警模块，管理服务器将接收的桥梁综合安全影响系数以及对应的桥梁安全等级发送至显示终端；
所述预警模块包括预警信号灯，接收管理服务器发送的预警指令，若没有接收到预警指令，则预警信号灯正常显示为绿色，若接收到一级预警指令，则预警信号灯显示为蓝色，若接收到二级预警指令，则预警信号灯显示为黄色，若接收到三级预警指令，则预警信号灯显示为红色，预警模块通过接收不同级别的预警指令，以立即变换预警信号灯的颜色警示管理人员，避免二次事故的发生，保证了桥梁的安全性，减少了事故的发生；
所述显示终端接收管理服务器发送的桥梁综合安全影响系数和对应的桥梁安全等级，并进行显示，显示终端通过直观显示分析、处理后的桥梁综合安全影响系数，方便专业技术人员直接通过评估结果对桥梁采取对应的措施进行维护，同时也方便了一般桥梁管理人员与政府监管部门等其他人员在不同时间、地点查阅桥梁的相关信息。
所述云平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个桥梁安全监测终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行本发明基于大数据分析和机器视觉的桥梁安全监测方法。
本发明通过对大跨度桥梁的整个桥面划分为若干子区域，并结合高清摄像头对各子区域的桥面进行图像获取和图像预处理操作，同时对各子区域的桥面图像进行特征提取和路害种类匹配，检测各子区域的桥面路害种类中裂缝和车辙的深度，进而统计桥梁综合安全影响系数，以此进行不同级别的安全预警，并对其进行显示，实现了对大跨度桥梁桥面损害的快速检测需求，提高了检测效率以及检测精度，降低了人力和物力的成本，同时保障了检测人员的安全，大大提高了桥梁的使用寿命。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (7)

1.基于大数据分析和机器视觉的桥梁安全监测方法，其特征在于：包括以下步骤：
S1：获取各个子区域的桥面图像，并进行图像预处理操作；
S2：将处理过后的图像进行特征提取与路害种类匹配；
S3：检测各个子区域内裂缝和车辙的深度，并进行相对裂缝差和相对车辙差计算，以统计桥梁综合安全影响系数；
S4：根据桥梁综合安全影响系数进行不同级别的预警，并进行显示；
上述基于大数据分析和机器视觉的桥梁安全监测方法使用了一种基于大数据分析和机器视觉的桥梁安全监测系统，包括区域划分模块、图像采集模块、特征提取模块、特征种类匹配模块、数据库、激光检测模块、建模分析服务器、管理服务器、预警模块和显示终端；
所述图像采集模块分别与区域划分模块和特征提取模块连接，特征种类匹配模块分别与特征提取模块和激光检测模块连接，建模分析服务器分别与激光检测模块和管理服务器连接，管理服务器分别与显示终端、数据库和预警模块连接，数据库分别与特征提取模块、特征种类匹配模块和建模分析服务器连接；
所述区域划分模块,用于对大跨度桥梁的整个桥面进行区域划分,对整个桥面划分为若干面积相同且相互连接的检测子区域,将划分后的若干检测子区域按照从桥头到桥尾的顺序进行编号,依次标记为1,2,...,i,...,g；
所述图像采集模块，包括若干高清摄像头，用于对各个子区域的桥面进行图像采集，并将采集的各个子区域的桥面图像发送至特征提取模块；
所述特征提取模块接收图像采集模块发送的各个子区域的桥面图像，对接收的各个子区域的桥面图像进行图像预处理操作，并将图像预处理操作后的各个子区域的桥面图像中的路害特征进行提取，同时对各子区域桥面图像中路害的特征与数据库中存储的不同路害种类对应的特征进行对比，得到该子区域的桥面图像的路害种类的特征，进而获得各子区域桥面图像的路害种类特征，对各个子区域桥面图像的路害种类特征按照预设的顺序进行编号，依次标记为1,2,...,m,...,n,构成路害种类特征集合,Ai(ai1,ai2,...,aim,...,ain)，aim表示为第i个子区域桥面图像中第m个路害种类特征，并将路害种类特征集合发送至特征种类匹配模块；
所述特征种类匹配模块接收特征提取模块发送的路害种类特征集合，提取路害种类特征集合中各子区域桥面图像中所有的路害种类特征，将提取的各子区域桥面图像中所有的路害种类特征与数据库中存储的路害种类特征中裂缝特征和车辙特征分别进行对比，构成路害种类特征对比集合A′i(a′i1,a′i2,...,a′im,...,a′in),a′im表示为第i个子区域桥面图像中第m个路害种类特征与数据库中存储的路害种类特征中裂缝特征和车辙特征的对比值，若第i个子区域桥面图像中第m个路害种类特征与裂缝特征对比成功，则a′im等于1，若第i个子区域桥面图像中第m个路害种类特征与车辙特征对比成功，则a′im等于0，并从路害种类特征对比集合中提取出对比值为1的路害种类特征，按照预设的顺序，依次标记为1,2,...,j,...,k,构成子区域裂缝集合Bi(bi1,bi2,...,bij,...,bik),bij表示为第i个子区域桥面图像中第j条裂缝，从路害种类特征对比集合中提取出对比值为0的路害种类特征，按照预设的顺序，依次标记为1,2,...,p,...,q,构成子区域车辙集合Ci(ci1,ci2,...,cip,...,ciq),cip表示为第i个子区域桥面图像中第p个车辙，特征种类匹配模块将子区域裂缝集合和子区域车辙集合分别发送至激光检测模块；
所述数据库用于存储不同路害种类对应的特征，存储裂缝的深度阈值和车辙的深度阈值，存储各桥梁安全等级对应的桥梁综合安全影响系数阈值；
所述激光检测模块包括若干激光扫描仪，分别安装在桥面的各个子区域内，接收特征种类匹配模块发送的子区域裂缝集合，对子区域裂缝集合中各个子区域桥面图像中各条裂缝进行深度检测，接收特征种类匹配模块发送的子区域车辙集合，对子区域车辙集合中各个子区域桥面图像中各条车辙进行深度检测，将检测的各个子区域的各条裂缝深度和各个车辙深度分别发送至建模分析服务器；
所述建模分析服务器接收激光检测模块发送的各个子区域的各条裂缝深度，将检测的各个子区域的裂缝深度与数据库中存储的裂缝的深度阈值进行对比，构成子区域裂缝深度对比集合B′i(b′i1,b′i2,…,b′ij,…,b′ik)，b′ij表示为第i个子区域中第j条裂缝深度与裂缝的深度阈值之间的差值，接收激光检测模块发送的各个子区域的各个车辙深度，将检测的各个子区域的车辙深度与数据库中存储的车辙的深度阈值进行对比，构成子区域车辙深度对比集合C′i(c′i1,c′i2,...,c′ip,...,c′iq)，c′ip表示为第i个子区域中第p个车辙深度与车辙的深度阈值之间的差值；
建模分析服务器将统计的子区域裂缝深度对比集合中各个子区域的裂缝深度对比值按照采集时间段进行划分，依次标记为1,2,...,t,...,h,构成时间段裂缝深度对比集合B″it(b″it1,b″it2,...,b″itj,...,b″itk)，b″itj表示为第i个子区域内第t个时间段内第j条裂缝深度与裂缝的深度阈值之间的差值，将统计的子区域车辙深度对比集合中各个子区域的车辙深度对比值按照采集时间段进行划分，依次标记为1,2,...,t,...,h,构成时间段车辙深度对比集合C″it(c″it1,c″it2,...,c″itp,...,c″itq)，c″itp表示为第i个子区域内第t个时间段内第p个车辙深度与车辙的深度阈值之间的差值；
建模分析服务器将各子区域内各个时间段内的裂缝深度对比值与第t-1个时间段内的裂缝深度对比值进行对比，得到裂缝相对深度差，将得到的裂缝相对深度差构成子区域裂缝相对深度差集合ΔBit(Δbit1,Δbit2,...,Δbitj,...,Δbitk)，Δbitj表示为第i子区域内第t个时间段内第j条裂缝深度差与第t-1个时间段内的第j条裂缝深度差之间的差值，将各子区域内各个时间段内的车辙深度对比值与第t-1个时间段内的车辙深度对比值进行对比，得到车辙相对深度差，将得到的车辙相对深度差构成子区域车辙相对深度差集合ΔCit(Δcit1,Δcit2,...,Δcitp,...,Δcitq)，Δcitp表示为第i子区域内第t个时间段内的第p条车辙深度差与第t-1个时间段内的第p条车辙深度差之间的差值，建模分析服务器根据统计的裂缝相对深度差集合和车辙相对深度差集合，以评估桥梁综合安全系数，并将评估的桥梁综合安全影响系数发送至管理服务器；
所述管理服务器接收建模分析服务器发送的桥梁综合安全影响系数，并将接收的桥梁综合安全影响系数与数据库中存储的各桥梁安全等级对应的桥梁综合安全影响系数阈值作对比，若接收的桥梁综合安全影响系数小于一级桥梁安全等级对应的桥梁综合安全影响系数阈值，则不发送预警指令至预警模块，若接收的桥梁综合安全影响系数大于一级桥梁安全等级对应的桥梁综合安全影响系数阈值小于二级桥梁安全等级对应的桥梁综合安全影响系数阈值，则发送一级预警指令至预警模块，若接收的桥梁综合安全影响系数大于二级桥梁安全等级对应的桥梁综合安全影响系数阈值小于三级桥梁安全等级对应的桥梁综合安全影响系数阈值，则发送二级预警指令至预警模块，若接收的桥梁综合安全影响系数大于三级桥梁安全等级对应的桥梁综合安全影响系数阈值，则发送三级预警指令至预警模块，管理服务器将接收的桥梁综合安全影响系数以及对应的桥梁安全等级发送至显示终端；
所述预警模块包括预警信号灯，接收管理服务器发送的预警指令，若没有接收到预警指令，则预警信号灯正常显示为绿色，若接收到一级预警指令，则预警信号灯显示为蓝色，若接收到二级预警指令，则预警信号灯显示为黄色，若接收到三级预警指令，则预警信号灯显示为红色；
所述显示终端接收管理服务器发送的桥梁综合安全影响系数和对应的桥梁安全等级，并进行显示。
2.根据权利要求1所述的基于大数据分析和机器视觉的桥梁安全监测方法，其特征在于：所述特征提取模块包括中值滤波单元、图像增强单元和阈值分割单元。
3.根据权利要求2所述的基于大数据分析和机器视觉的桥梁安全监测方法，其特征在于：所述中值滤波单元用于消除采集的各个子区域的桥面图像中的颗粒噪声,提高图像背景的平滑度,所述图像增强单元用于增强采集的各个子区域的桥面图像中路害区域与背景区域亮度特征对比度，所述阈值分割单元用于通过对采集的各个子区域的桥面图像进行灰度阈值分割,以分割路害区域与背景区域。
4.根据权利要求1所述的基于大数据分析和机器视觉的桥梁安全监测方法，其特征在于：所述桥梁综合安全影响系数的计算公式为
Figure FDA0002865782920000051
Δcitp表示为第i子区域内第t个时间段内的第p条车辙深度差与第t-1个时间段内的第p条车辙深度差之间的差值，Δbitj表示为第i子区域内第t个时间段内第j条裂缝深度差与第t-1个时间段内的第j条裂缝深度差之间的差值。
5.根据权利要求1所述的基于大数据分析和机器视觉的桥梁安全监测方法，其特征在于：所述各桥梁安全等级对应的桥梁综合安全影响系数阈值的大小顺序为ξ1＜ξ2＜ξ3。
6.根据权利要求1所述的基于大数据分析和机器视觉的桥梁安全监测方法，其特征在于：所述桥梁综合安全影响系数越小，则表示桥梁越安全，桥梁综合安全影响系数越大，则表示桥梁越危险。
7.一种云平台，其特征在于：所述云平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个桥梁安全监测终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行权利要求1-6中任意一项的基于大数据分析和机器视觉的桥梁安全监测方法。
CN202011583848.3A 2020-12-28 2020-12-28 基于大数据分析和机器视觉的桥梁安全监测方法及云平台 Withdrawn CN112734702A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011583848.3A CN112734702A (zh) 2020-12-28 2020-12-28 基于大数据分析和机器视觉的桥梁安全监测方法及云平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011583848.3A CN112734702A (zh) 2020-12-28 2020-12-28 基于大数据分析和机器视觉的桥梁安全监测方法及云平台

Publications (1)

Publication Number Publication Date
CN112734702A true CN112734702A (zh) 2021-04-30

Family

ID=75606721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011583848.3A Withdrawn CN112734702A (zh) 2020-12-28 2020-12-28 基于大数据分析和机器视觉的桥梁安全监测方法及云平台

Country Status (1)

Country Link
CN (1) CN112734702A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998772A (zh) * 2022-08-03 2022-09-02 深圳联和智慧科技有限公司 一种基于无人机的一体化桥梁检测方法、系统及云平台
CN115479949A (zh) * 2022-09-14 2022-12-16 交铁检验认证实验室(成都)有限公司 一种基于大数据的桥梁安全监测预警方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998772A (zh) * 2022-08-03 2022-09-02 深圳联和智慧科技有限公司 一种基于无人机的一体化桥梁检测方法、系统及云平台
CN115479949A (zh) * 2022-09-14 2022-12-16 交铁检验认证实验室(成都)有限公司 一种基于大数据的桥梁安全监测预警方法及系统

Similar Documents

Publication Publication Date Title
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
KR102202572B1 (ko) 드론의 촬영영상과 인공지능 알고리즘 기반의 도로표면 균열 검출 방법 및 시스템
CN111091544B (zh) 铁路货车转向架侧面一体架构断裂故障检测方法
CN108898085A (zh) 一种基于手机视频的道路病害智能检测方法
CN104504388A (zh) 一种路面裂缝识别和特征提取算法及系统
CN112734702A (zh) 基于大数据分析和机器视觉的桥梁安全监测方法及云平台
CN113295312B (zh) 基于bim的桥梁施工应力检测方法及系统
CN113935666B (zh) 基于图像处理的建筑装饰墙面砖异常评估方法
CN104537651A (zh) 一种路面图像中裂缝比例检测算法及系统
CN111680729A (zh) 基于x光机图像机场旅客安检危险品实时高识别率方法
CN112067618A (zh) 一种基于图形化的产品质量缺陷采集分析系统
Abbas et al. Automated pavement distress detection using image processing techniques
CN114662208B (zh) 一种基于Bim技术的施工可视化系统及方法
CN115995056A (zh) 一种基于深度学习的桥梁病害自动识别方法
Shatnawi Automatic pavement cracks detection using image processing techniques and neural network
CN114841920A (zh) 基于图像处理的火焰识别方法、装置及电子设备
CN117474870B (zh) 一种基于大数据筛选的公路路面裂缝识别决策方法及系统
CN113179389A (zh) 一种输电线路危险车辆吊车扬臂识别系统及识别方法
Flotzinger et al. dacl10k: Benchmark for Semantic Bridge Damage Segmentation
CN112329770B (zh) 一种仪表刻度识别方法及装置
CN105512633A (zh) 一种电力系统危险目标识别方法及装置
CN115810161A (zh) 一种变电站火灾识别方法及系统
CN114757962A (zh) 一种架空线路山火识别方法
CN113239832A (zh) 基于图像识别的隐患智能识别方法及系统
CN115082865B (zh) 基于视觉图像识别的桥机入侵危险行为预警方法及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210430