CN112837286A - 一种用于支架变形的检测方法和系统 - Google Patents
一种用于支架变形的检测方法和系统 Download PDFInfo
- Publication number
- CN112837286A CN112837286A CN202110128163.8A CN202110128163A CN112837286A CN 112837286 A CN112837286 A CN 112837286A CN 202110128163 A CN202110128163 A CN 202110128163A CN 112837286 A CN112837286 A CN 112837286A
- Authority
- CN
- China
- Prior art keywords
- support
- stent
- point
- deformation
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000009466 transformation Effects 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 238000006073 displacement reaction Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000001131 transforming effect Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000000253 optical time-domain reflectometry Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明给出了一种用于支架变形的检测方法和系统，构建基于深度神经网络的支架护套检测器模型，利用包括支架护套的监控视频图像的样本数据训练支架护套检测器模型；利用支架护套检测器模型获取支架点位置，二值化监控视频图像获得支架点二值化图像，支架点位置为支架护套检测器模型获取的检测框的中心点；将支架点的二值化图像进行投射变换获取基准支架点二值化图像，定期获取监控视频图像的支架点二值化图像，将支架二值化图像基于基准支架点二值化图像对其变换获得对齐支架点二值化图像；叠加相邻周期的对齐支架点二值化图像，分别获取对齐支架点二值化图像的位移轨迹图，获取支架变形位置和变形程度。利用该方法能够快速定位变形位置和程度。
Description
技术领域
本发明涉及图像处理的技术领域，尤其是一种用于支架变形的检测方法和系统。
背景技术
城市综合管廊，又称“共同沟”，即在城市地下建设一个隧道空间，将水、电、气、热、通讯等各类市政管线有机综合集约化地铺设在同一条隧道内，并进行集中管理的市政基础设施。各类管线分类分层放置在层架上，由支架支撑层架重量。当管线重量超出支架支撑范围，或支架老化，将会导致支架变形引起管线拉伸变形，容易引起电缆发热或管道泄露，造成火灾或爆炸等风险，为确保管廊长期稳定安全运行，需要进行管道与支架变形检测。当前主要通过人工巡检方式进行检查，由于变形是个长期缓慢的过程，细微变化难以发现，容易造成疏漏，存在较大安全隐患。
针对管廊结构变形，目前通常采取形变监测仪。如压差式沉降倾角综合测量仪，沉降监测利用测量相邻测点间压力变化来测量沉降，倾角监测利用测量静态重力加速度的变化来测量倾角。如分布式光纤应变系统，利用光纤作为传感敏感元件和传输信号介质，采用先进的OTDR技术，探测出沿着光纤不同位置应变的变化，实现真正分布式的测量。监测仪主机和工作站布置在管理房内，形变检测光纤沿管廊顶部，紧贴内壁安装。
形变监测仪价格昂贵，且需要安装大量配件设施，施工部署复杂，一般仅用在管廊本体结构监测上。由于管廊内部层架多，管道多，不适合使用形变监测仪，因此需要一种部署简单，价格合理的解决方案。
发明内容
为了解决现有技术中形变检测仪成本高、需要安装大量配件设施，施工部署复杂、管廊内部层架多，管道多不适合形变检测的技术问题，本发明提出了一种用于支架变形的检测方法和系统，用以解决上述技术问题。
根据本发明的一个方面，提出了一种用于支架变形的检测方法，包括：
S1：构建基于深度神经网络的支架护套检测器模型，利用包括支架护套的监控视频图像的样本数据训练支架护套检测器模型；
S2：利用支架护套检测器模型获取支架位置点，二值化监控视频图像获得支架点二值化图像，其中，支架位置点为支架护套检测器模型获取的检测框的中心点；
S3：将支架点二值化图像进行投射变换获取基准支架点二值化图像，定期获取监控视频图像的支架点二值化图像，将支架点二值化图像基于基准支架点二值化图像对其变换获得对齐支架点二值化图像；
S4：叠加相邻周期的对齐支架点二值化图像，分别获取对齐支架点二值化图像的位移轨迹图，获取支架变形位置和变形程度。
在一些具体的实施例中，步骤S2具体包括利用训练好的支架护套检测器模型对输入的监控视频图像进行检测，获得支架护套的检测框，以检测框的中心点作为支架位置点，对监控视频图像进行二值化，支架位置点像素点值为1，其余为0，得到支架点二值化图像。通过二值化处理可以清楚地展现支架点的位置，便于进行支架的变形分析。
在一些具体的实施例中，步骤S3中基准支架点二值化图像的获取具体包括：获取同一空间平面内的构成四边形的4个支架位置点，对该空间平面进行缩放平移，获得目标映射平面，目标映射平面焦距与监控设备的焦距相同，且目标映射平面平行于相机平面，对支架点二值化图像进行平面透视变换，得到变换后初始的基准支架点二值化图像。凭借该步骤护套支架点的实际距离与变换后的图像距离保持等比例关系，提高支架变形的图像测量精度。
在一些具体的实施例中，步骤S3中对齐支架点二值化图像具体包括：以基准支架点二值化图像为基准，将支架点二值化图像的所有支架点以第一变换参数进行对齐变换，变换到基准支架点二值化图像对应点得到第一对齐支架点二值化图像。通过对齐步骤，每次检测重新计算对齐变换参数H，使得绝大部分无变形的支架目标点与基准支架点重叠，才能准确的反映出变形支架点的偏差位置和偏差程度。
在一些具体的实施例中，步骤S3还包括计算基准支架点二值化图像与第一对齐支架点二值化图像中所有对应支架点的距离，去除变形偏离距离大于指定距离阈值的点，得到未变形或较小变形的基准支架点二值化图像和对应的检测支架点二值化图像，并计算获得第二变换参数对支架点二值化图像进行变换，得到第二对齐支架点二值化图像。
在一些具体的实施例中，第一变换参数和第二变换参数通过奇异值分解算法分解支架点坐标对组成的系数矩阵，并取矩阵的前9个参数作为第一变换参数和第二变换参数的最优解。
在一些具体的实施例中，步骤S4中的位移轨迹图具体为当前第二对齐支架点二值化图像的目标点和上一周期的第二对齐支架点二值化图像中对应的目标点的连线，并叠加到上一周期的轨迹图。通过轨迹图，可以直观快速的定位出支架变形位置及变形程度。
在一些具体的实施例中，步骤S4具体包括：响应于某一支架点变形量大于支架点变形阈值，该处支架变形；响应于行支架变形系数大于行变形阈值，整行支架变形，其中，支架点变形量为轨迹图的连通邻接点数，支架变形系数为整行支架的变形量与支架点数的比值。
根据本发明的第二方面，提出了一种计算机可读存储介质，其上存储有一或多个计算机程序，该一或多个计算机程序被计算机处理器执行时实施上述任一项的方法。
根据本发明的第三方面，提出了一种用于支架变形的检测系统，该系统包括：
支架护套检测器模型单元：配置用于构建基于深度神经网络的支架护套检测器模型，利用包括支架护套的监控视频图像的样本数据训练支架护套检测器模型；
二值化处理单元：配置用于利用支架护套检测器模型获取支架点位置，二值化监控视频图像获得支架点二值化图像，其中，支架点位置为支架护套检测器模型获取的检测框的中心点；
图像变换、对齐单元：配置用于将支架点二值化图像进行投射变换获取基准支架点二值化图像，定期获取监控视频图像的支架点二值化图像，将支架点二值化图像基于基准支架点二值化图像对其变换获得对齐支架点二值化图像；
变形监测单元：配置用于叠加相邻周期的对齐支架点二值化图像，分别获取对齐支架点二值化图像的位移轨迹图，获取支架变形位置和变形程度。
本发明提出的一种用于支架变形的检测方法和系统，利用图像处理技术解决支架变形问题。通过平面透视变换，将图像变换到平行于相机平面的坐标系中，作为基准支架点图像，以便等比例反应出支架变形偏移，提高检测精度。定期测量过程中，通过对齐基准图像，解决相机震动位移带来的判断偏差，利用大量坐标点数据通过最小二乘法优化求解对齐变换参数，通过去除偏离点再次对齐，进一步优化对齐精度，提升支架变形检测精度。利用管廊已经安装的视频监控摄像机，通过本发明的视频图像分析处理，可以及时发现支架变形安全隐患，避免安全事故发生。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例的用于支架变形的检测方法流程图；
图2是本申请的一个具体的实施例的支架变形的检测方法流程图；
图3是本申请的一个具体的实施例的检测支架点二值化图像示意图；
图4是本申请的一个具体的实施例的变换后的支架点二值化图像示意图；
图5是本申请的一个具体实施例的支架变形实验示意图；
图6是本申请的一个实施例的用于支架变形的检测系统的框架图；
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请的一个实施例的用于支架变形的检测方法，图1示出了根据本申请的实施例的用于支架变形的检测方法流程图。如图1所示，该方法包括：
S101：构建基于深度神经网络的支架护套检测器模型，利用包括支架护套的监控视频图像的样本数据训练支架护套检测器模型。管廊支架末端均有支架护套，收集每个摄像头视频图像，分别用矩形框标注图像中的支架护套，得到支架护套样本数据。
S102：利用支架护套检测器模型获取支架位置点，二值化监控视频图像获得支架点二值化图像，其中，支架位置点为支架护套检测器模型获取的检测框的中心点。利用训练好的支架护套检测器模型对输入的监控视频图像进行检测，获得支架护套的检测框，以检测框的中心点作为支架位置点，对监控视频图像进行二值化，支架位置点像素点值为1，其余为0，得到支架点二值化图像。
S103：将支架点二值化图像进行投射变换获取基准支架点二值化图像，定期获取监控视频图像的支架点二值化图像，将支架点二值化图像基于基准支架点二值化图像对其变换获得对齐支架点二值化图像。
在具体的实施例中，获取同一空间平面内的构成四边形的4个支架位置点，对该空间平面进行缩放平移，获得目标映射平面，目标映射平面焦距与监控设备的焦距相同，且目标映射平面平行于相机平面，对支架点二值化图像进行平面透视变换，得到变换后初始的基准支架点二值化图像。变换模型简化为仿射变换，这样护套支架点的实际距离与变换后的图像距离保持等比例关系，提高支架变形的图像测量精度。
在具体的实施例中，以基准支架点二值化图像为基准，将支架点二值化图像的所有支架点以第一变换参数进行对齐变换，变换到基准支架点二值化图像对应点得到第一对齐支架点二值化图像。计算基准支架点二值化图像与第一对齐支架点二值化图像中所有对应支架点的距离，去除变形偏离距离大于指定距离阈值的点，得到未变形或较小变形的基准支架点二值化图像和对应的检测支架点二值化图像，并计算获得第二变换参数对支架点二值化图像进行变换，得到第二对齐支架点二值化图像。其中，第一变换参数和第二变换参数可以通过奇异值分解算法分解支架点坐标对组成的系数矩阵，并取矩阵的前9个参数作为第一变换参数和第二变换参数的最优解。
S104：叠加相邻周期的对齐支架点二值化图像，分别获取对齐支架点二值化图像的位移轨迹图，获取支架变形位置和变形程度。其中，位移轨迹图具体为当前第二对齐支架点二值化图像的目标点和上一周期的第二对齐支架点二值化图像中对应的目标点的连线，并叠加到上一周期的轨迹图。
在具体的实施例中，响应于某一支架点变形量大于支架点变形阈值，该处支架变形；响应于行支架变形系数大于行变形阈值，整行支架变形，其中，支架点变形量为轨迹图的连通邻接点数，支架变形系数为整行支架的变形量与支架点数的比值。
继续参考图2，图2示出了根据本申请的一个具体的实施例的支架变形的检测方法流程图，该方法具体包括以下步骤：
步骤201：训练支架护套检测器。管廊支架末端均有支架护套，收集每个摄像头视频图像，分别用矩形框标注图像中的支架护套，得到支架护套样本数据。构建基于深度神经网络的支架护套检测器模型，并用样本数据训练支架护套检测器。
步骤202：检测支架护套目标。获取摄像头视频图像，利用训练好的护套检测器对输入图像进行检测，得到各个支架护套的检测框，并以检测框的中心点作为支架位置点。将图像二值化，支架位置点像素点值为1，其它像素点值为0，得到支架点二值化图像。该支架点二值化图像如图3中的示意图所示。
步骤203：初始化基准支架点图像。选取出现在图像画面中距离摄像头较近的，且处于同一个物理空间平面内构成四边形的4个支架点，分别为左上W0，右上W1，右下W2，左下W3。以W0为坐标原点，并测量这4个支架点的空间平面坐标Wi(i＝0,1,2,3)。获取对应支架点二值化图像的4个像素点Pi(i＝0,1,2,3)。
在具体的实施例中，将物理空间平面坐标Wi(i＝0,1,2,3)进行缩放平移,得到目标映射平面坐标点W′i＝sWi+tW，使得目标成像平面焦距等于相机焦距，变换后的图像为相机正视图，即相机平面平行于护套点平面，变换模型简化为仿射变换，这样护套支架点的实际距离与变换后的图像距离保持等比例关系，提高支架变形的图像测量精度。其中，计算选取的支架点空间垂直距离dW＝W3-W0和像素点垂直距离dP＝P3-P0，进而获得缩放系数
tW为固定的平移量，通过上述映射可以使得空间坐标点都落在同一个象限。
在具体的实施例中，平面透视变换满足aW′i＝MPi，其中M为单应矩阵
a为缩放系数，选取的4个坐标对共有8个等式组成线性方程组，利用高斯消元法求解单应矩阵M的所有参数。
在具体的实施例中，对支架点二值化图像以变换参数M进行透视变换，得到变换后初始的基准支架点二值化图像I0，并记录所有目标点的变换对应关系，以及I0中每一行的支架点信息。最终获得的基准支架点二值化图像参考图4中的变换后的支架点二值化图像示意图所示。
步骤204：定期检测。每隔一个固定时间周期，如1天，获取视频图像，进行支架护套目标检测，得到检测支架点二值化图像Isrc。
步骤205：支架点对齐变换。在长期运行过程中或者相机震动，相机位置发生微小偏移，使用初始的透视变换参数M将导致变换后的所有支架目标点存在偏差，影响对支架变形的判断。该偏差不是简单的平移偏差，因此需要通过对齐步骤，每次检测重新计算对齐变换参数H，使得绝大部分无变形的支架目标点与基准支架点重叠，才能准确的反映出变形支架点的偏差位置和偏差程度。
在具体的实施例中，以基准支架点二值化图像I0为基准，将二值化图像Isrc的所有支架点
变换到I0对应点
其中H为对齐变换单应矩阵
由两个相同向量外积为0的性质：
展开得到
去掉最后一项等式，简化得到以下公式：
将该公式转化为矩阵方程：Ah＝0，其中，A为N个支架点坐标对组成的2N×9系数矩阵：
h为待求解的对齐变换参数H，其中h＝[h0 h1 h2 h3 h4 h5 h6 h7 h8]T；
用最小二乘法优化求解，使得||Ah||2最小：
且满足s.t.||h||2＝1；
利用奇异值分解SVD方法分解矩阵A(公式A＝UDVT)，取向量V的前9个参数作为H的最优解：h*＝V.col(9)。
最终以变换参数H进行对齐变换，得到对齐支架点二值化图像IH。
步骤206：去除偏离点再次对齐：计算I0与IH所有对应支架点的距离，去除变形偏离距离大于指定距离阈值的点，得到未变形或较小变形的基准支架点I′0和对应的检测支架点I′src,使用步骤205中相同的算法计算得到精确的变换参数H′，并以H′对Isrc进行变换，得到对齐支架点二值化图像In。优选的，指定距离阈值为5，应当认识到，该指定阈值可以根据实际的应用场景设置为其他不同值，同样能够实现本发明的技术效果。
步骤207：将In图像叠加到上一个周期Tn-1轨迹图像，并对In每个目标点，与上一个周期In-1对应的点以直线连通，直线所经像素点标记为1，这样就得到每个支架点的位移轨迹图Tn。通过该轨迹图，可以直观快速的定位出支架变形位置及变形程度。
在具体的实施例中，以I0图像中的支架点为起点，计算对应轨迹图Tn的连通邻接像素点为1的数量，记为变形量，得到每个支架点的变形量，如果支架点变形量大于支架点变形阈值(如取值为5)，则判断为支架变形。一个场景中可能因支架变形产生多个支架点位置变形，通过其与轨迹图的位置关系可以快速判断是否为变形。对于每一行，累加一行所有支架点的变形量，除以一行支架点个数，得到行支架变形系数，如果行支架变形系数大于行变形阈值(如取值3)，则判断为整行支架变形。应当认识到，支架点变形阈值、行变形阈值可以根据不同的场景设置为其他的数值，以满足不同场景的应用要求。图5中示出了利用上述方法检测支架变形的实验示意图，由图5上的支架点位移轨迹图，顶上第一层重物下压支架变形。
继续参考图6，图6示出了根据本申请的一个实施例的用于支架变形的检测系统的框架图。该系统具体包括支架护套检测器模型单元601、二值化处理单元602、图像变换、对齐单元603和变形监测单元604。支架护套检测器模型单元601配置用于构建基于深度神经网络的支架护套检测器模型，利用包括支架护套的监控视频图像的样本数据训练支架护套检测器模型；二值化处理单元602配置用于利用支架护套检测器模型获取支架点位置，二值化监控视频图像获得支架点二值化图像，其中，支架点位置为支架护套检测器模型获取的检测框的中心点；图像变换、对齐单元603配置用于将支架点二值化图像进行投射变换获取基准支架点二值化图像，定期获取监控视频图像的支架点二值化图像，将支架点二值化图像基于基准支架点二值化图像对其变换获得对齐支架点二值化图像；变形监测单元604配置用于叠加相邻周期的对齐支架点二值化图像，分别获取对齐支架点二值化图像的位移轨迹图，获取支架变形位置和变形程度。
下面参考图7，其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：构建基于深度神经网络的支架护套检测器模型，利用包括支架护套的监控视频图像的样本数据训练支架护套检测器模型；利用支架护套检测器模型获取支架位置点，二值化监控视频图像获得支架点二值化图像，其中，支架位置点为支架护套检测器模型获取的检测框的中心点；将支架点二值化图像进行投射变换获取基准支架点二值化图像，定期获取监控视频图像的支架点二值化图像，将支架点二值化图像基于基准支架点二值化图像对其变换获得对齐支架点二值化图像；叠加相邻周期的对齐支架点二值化图像，分别获取对齐支架点二值化图像的位移轨迹图，获取支架变形位置和变形程度。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于支架变形的检测方法，其特征在于，包括：
S1：构建基于深度神经网络的支架护套检测器模型，利用包括所述支架护套的监控视频图像的样本数据训练所述支架护套检测器模型；
S2：利用所述支架护套检测器模型获取支架位置点，二值化所述监控视频图像获得支架点二值化图像，其中，所述支架位置点为所述支架护套检测器模型获取的检测框的中心点；
S3：将所述支架点二值化图像进行投射变换获取基准支架点二值化图像，定期获取所述监控视频图像的支架点二值化图像，将所述支架点二值化图像基于所述基准支架点二值化图像对其变换获得对齐支架点二值化图像；
S4：叠加相邻周期的所述对齐支架点二值化图像，分别获取所述对齐支架点二值化图像的位移轨迹图，获取支架变形位置和变形程度。
2.根据权利要求1所述的用于支架变形的检测方法，其特征在于，所述步骤S2具体包括利用训练好的所述支架护套检测器模型对输入的监控视频图像进行检测，获得支架护套的检测框，以所述检测框的中心点作为支架位置点，对所述监控视频图像进行二值化，支架位置点像素点值为1，其余为0，得到所述支架点二值化图像。
3.根据权利要求1所述的用于支架变形的检测方法，其特征在于，所述步骤S3中基准支架点二值化图像的获取具体包括：获取同一空间平面内的构成四边形的4个支架位置点，对该空间平面进行缩放平移，获得目标映射平面，所述目标映射平面焦距与监控设备的焦距相同，且所述目标映射平面平行于相机平面，对所述支架点二值化图像进行平面透视变换，得到变换后初始的基准支架点二值化图像。
4.根据权利要求1所述的用于支架变形的检测方法，其特征在于，所述步骤S3中对齐支架点二值化图像具体包括：以所述基准支架点二值化图像为基准，将所述支架点二值化图像的所有支架点以第一变换参数进行对齐变换，变换到所述基准支架点二值化图像对应点得到第一对齐支架点二值化图像。
5.根据权利要求4所述的用于支架变形的检测方法，其特征在于，所述步骤S3还包括计算所述基准支架点二值化图像与所述第一对齐支架点二值化图像中所有对应支架点的距离，去除变形偏离距离大于指定距离阈值的点，得到未变形或较小变形的基准支架点二值化图像和对应的检测支架点二值化图像，并计算获得第二变换参数对所述支架点二值化图像进行变换，得到第二对齐支架点二值化图像。
6.根据权利要求5所述的用于支架变形的检测方法，其特征在于，所述第一变换参数和所述第二变换参数通过奇异值分解算法分解支架点坐标对组成的系数矩阵，并取矩阵的前9个参数作为所述第一变换参数和所述第二变换参数的最优解。
7.根据权利要求5所述的用于支架变形的检测方法，其特征在于，所述步骤S4中的所述位移轨迹图具体为当前第二对齐支架点二值化图像的目标点和上一周期的第二对齐支架点二值化图像中对应的目标点的连线，并叠加到上一周期的轨迹图。
8.根据权利要求1或7所述的用于支架变形的检测方法，其特征在于，所述步骤S4具体包括：响应于某一支架点变形量大于支架点变形阈值，该处支架变形；响应于行支架变形系数大于行变形阈值，整行支架变形，其中，所述支架点变形量为所述轨迹图的连通邻接点数，所述支架变形系数为整行支架的变形量与支架点数的比值。
9.一种计算机可读存储介质，其上存储有一或多个计算机程序，其特征在于，该一或多个计算机程序被计算机处理器执行时实施权利要求1至8中任一项所述的方法。
10.一种用于支架变形的检测系统，其特征在于，所述系统包括：
支架护套检测器模型单元：配置用于构建基于深度神经网络的支架护套检测器模型，利用包括所述支架护套的监控视频图像的样本数据训练所述支架护套检测器模型；
二值化处理单元：配置用于利用所述支架护套检测器模型获取支架点位置，二值化所述监控视频图像获得支架点二值化图像，其中，所述支架点位置为所述支架护套检测器模型获取的检测框的中心点；
图像变换、对齐单元：配置用于将所述支架点二值化图像进行投射变换获取基准支架点二值化图像，定期获取所述监控视频图像的支架点二值化图像，将所述支架点二值化图像基于所述基准支架点二值化图像对其变换获得对齐支架点二值化图像；
变形监测单元：配置用于叠加相邻周期的所述对齐支架点二值化图像，分别获取所述对齐支架点二值化图像的位移轨迹图，获取支架变形位置和变形程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110128163.8A CN112837286A (zh) | 2021-01-29 | 2021-01-29 | 一种用于支架变形的检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110128163.8A CN112837286A (zh) | 2021-01-29 | 2021-01-29 | 一种用于支架变形的检测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112837286A true CN112837286A (zh) | 2021-05-25 |
Family
ID=75931065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110128163.8A Pending CN112837286A (zh) | 2021-01-29 | 2021-01-29 | 一种用于支架变形的检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112837286A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115082850A (zh) * | 2022-05-23 | 2022-09-20 | 哈尔滨工业大学 | 基于计算机视觉的模板支架安全风险识别方法 |
| CN115620211A (zh) * | 2022-12-06 | 2023-01-17 | 广东祥利科技有限公司 | 阻燃低烟无卤护套的性能数据处理方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06323081A (ja) * | 1993-05-14 | 1994-11-22 | Taisei Corp | 地中掘削機の水平移動量検知方法 |
| US5513114A (en) * | 1992-08-19 | 1996-04-30 | Mitsubishi Denki Kabushiki Kaisha | Apparatus for and method of compensating for positioning error |
| CN104599249A (zh) * | 2015-01-13 | 2015-05-06 | 重庆大学 | 缆索承重桥梁桥面车辆载荷分布实时检测方法 |
| US20150213588A1 (en) * | 2014-01-28 | 2015-07-30 | Altek Semiconductor Corp. | Image capturing device and method for detecting image deformation thereof |
| CN205954497U (zh) * | 2016-08-28 | 2017-02-15 | 中铁二十局集团有限公司 | 大跨度连续梁深水桥墩墩顶托架预压施工结构 |
| CN108090901A (zh) * | 2017-12-28 | 2018-05-29 | 西安中科微光影像技术有限公司 | 一种基于心血管oct影像的生物支架对齐方法及装置 |
| CN110751680A (zh) * | 2019-10-17 | 2020-02-04 | 中国科学院云南天文台 | 一种具有快速对齐算法的图像处理方法 |
| CN111238388A (zh) * | 2020-01-08 | 2020-06-05 | 安徽逻根农业科技有限公司 | 一种高空支架形态监测装置和方法 |
| CN111583244A (zh) * | 2020-05-11 | 2020-08-25 | 安徽建大交通科技有限公司 | 一种桥梁变形检测方法和系统 |
-
2021
- 2021-01-29 CN CN202110128163.8A patent/CN112837286A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5513114A (en) * | 1992-08-19 | 1996-04-30 | Mitsubishi Denki Kabushiki Kaisha | Apparatus for and method of compensating for positioning error |
| JPH06323081A (ja) * | 1993-05-14 | 1994-11-22 | Taisei Corp | 地中掘削機の水平移動量検知方法 |
| US20150213588A1 (en) * | 2014-01-28 | 2015-07-30 | Altek Semiconductor Corp. | Image capturing device and method for detecting image deformation thereof |
| CN104599249A (zh) * | 2015-01-13 | 2015-05-06 | 重庆大学 | 缆索承重桥梁桥面车辆载荷分布实时检测方法 |
| CN205954497U (zh) * | 2016-08-28 | 2017-02-15 | 中铁二十局集团有限公司 | 大跨度连续梁深水桥墩墩顶托架预压施工结构 |
| CN108090901A (zh) * | 2017-12-28 | 2018-05-29 | 西安中科微光影像技术有限公司 | 一种基于心血管oct影像的生物支架对齐方法及装置 |
| CN110751680A (zh) * | 2019-10-17 | 2020-02-04 | 中国科学院云南天文台 | 一种具有快速对齐算法的图像处理方法 |
| CN111238388A (zh) * | 2020-01-08 | 2020-06-05 | 安徽逻根农业科技有限公司 | 一种高空支架形态监测装置和方法 |
| CN111583244A (zh) * | 2020-05-11 | 2020-08-25 | 安徽建大交通科技有限公司 | 一种桥梁变形检测方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| 吴超超;赵欣;王涛;: "变形监测点三维坐标获取系统", 地理空间信息, no. 06, 28 December 2009 (2009-12-28) * |
| 袁向荣;: "梁变形检测的一维数字图像相关法", 广州大学学报(自然科学版), no. 01, 15 January 2010 (2010-01-15) * |
| 钱逸秋;史艳霞;范其明;高海娟;: "地铁输电接触轨动态检测系统设计与研究", 自动化与仪表, no. 11, 15 November 2015 (2015-11-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115082850A (zh) * | 2022-05-23 | 2022-09-20 | 哈尔滨工业大学 | 基于计算机视觉的模板支架安全风险识别方法 |
| CN115620211A (zh) * | 2022-12-06 | 2023-01-17 | 广东祥利科技有限公司 | 阻燃低烟无卤护套的性能数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | Computer vision for SHM of civil infrastructure: From dynamic response measurement to damage detection–A review | |
| Chen et al. | Video camera–based vibration measurement for civil infrastructure applications | |
| Yuan et al. | A novel intelligent inspection robot with deep stereo vision for three-dimensional concrete damage detection and quantification | |
| Narazaki et al. | Efficient development of vision-based dense three-dimensional displacement measurement algorithms using physics-based graphics models | |
| Ji et al. | Nontarget stereo vision technique for spatiotemporal response measurement of line-like structures | |
| CN112837286A (zh) | 一种用于支架变形的检测方法和系统 | |
| Alamdari et al. | Non-contact structural health monitoring of a cable-stayed bridge: Case study | |
| Sun et al. | Three-dimensional structural displacement measurement using monocular vision and deep learning based pose estimation | |
| CN116182878B (zh) | 道路曲面信息生成方法、装置、设备和计算机可读介质 | |
| Joo et al. | Linear RGB-D SLAM for structured environments | |
| Jeon et al. | Vision‐based automatic cable displacement measurement using Cable‐ROI Net and Uni‐KLT | |
| CN113421224A (zh) | 一种基于视觉的缆索结构健康监测方法及系统 | |
| Miao et al. | Phase-based vibration imaging for structural dynamics applications: Marker-free full-field displacement measurements with confidence measures | |
| Wang et al. | Target-free recognition of cable vibration in complex backgrounds based on computer vision | |
| CN116379359A (zh) | 天然气泄露检测方法及多模态天然气泄露检测系统 | |
| Ri et al. | Drone-based displacement measurement of infrastructures utilizing phase information | |
| CN112665730B (zh) | 震前温度异常检测方法、装置、设备和存储介质 | |
| CN103176349B (zh) | 镜头检测装置及方法 | |
| Waikat et al. | First Measurement Campaign by a Multi-Sensor Robot for the Lifecycle Monitoring of Transformers | |
| Wei et al. | Phase-correction algorithm of deformed grating images in the depth measurement of weld pool surface in gas tungsten arc welding | |
| Jafari et al. | Long-term monitoring of structures through point cloud analysis | |
| CN117252837A (zh) | 一种晶圆测试的数据处理方法、装置、介质和电子设备 | |
| Yu et al. | Automatic crack detection and 3D reconstruction of structural appearance using underwater wall-climbing robot | |
| Safdarinezhad et al. | A photogrammetric solution for measurement of power lines sag via integration of image and accelerometer data of a smartphone | |
| Zheng et al. | An automatic reading method for pointer meter based on one-stage detector |
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 |