CN112964193A - 一种新型桥梁变形监测方法及系统 - Google Patents
一种新型桥梁变形监测方法及系统 Download PDFInfo
- Publication number
- CN112964193A CN112964193A CN202110399940.2A CN202110399940A CN112964193A CN 112964193 A CN112964193 A CN 112964193A CN 202110399940 A CN202110399940 A CN 202110399940A CN 112964193 A CN112964193 A CN 112964193A
- Authority
- CN
- China
- Prior art keywords
- image
- bridge
- box body
- pose
- images
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012937 correction Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 6
- 230000000007 visual effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- 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
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种新型桥梁变形监测方法及系统，方法包括安装GPS接收机，依据GPS接收机进行桥墩的定位，安装3D深度视觉传感器阵列，依据3D深度视觉传感器阵列采集桥梁的位姿图像，依据采集到的位姿图像进行3D图像的构建，从而获得局部桥梁箱体的3D图像，对局部桥梁箱体的3D图像进行拼接，从而获得整体桥梁箱体的3D图像，分别对局部桥梁箱体的3D图像和整体桥梁箱体的3D图像进行追踪，实现桥梁局部变形和整体变形的监测；通过GPS接收机对桥墩进行定位，并且通过3D深度视觉传感器对桥梁箱体进行图像监测，能够大大提高监测的效率，降低桥梁的安全隐患，此外，通过采用3D深度视觉传感器能够实现桥梁整体变形和桥梁局部变形的同时监测，提高监测的效果。
Description
技术领域
本发明涉及桥梁监测的技术领域，尤其涉及一种新型桥梁变形监测方法及系统。
背景技术
桥梁结构形态的变化以及它呈现的损伤病害往往昭示了桥梁结构的安全状态，桥梁结构发生“重大病害”时往往反映到桥梁几何形态的变化，因此，桥梁变形监测是桥梁健康监测的重要组成部分，是桥梁安全性评价的一项重要指标，现有技术中，往往通过采用数字图像处理技术对桥梁进行整体变形和局部变形监测，从而实现对桥梁的变形监测。
然而，现有技术对于桥梁整体变形和局部变形进行监测的方式存在以下缺陷：(1)不能保证整体变形和局部变形的同时监测，从而导致难以达到最优的监测效果；(2)监测的效率比较低，不能及时发现桥梁的变形情况，导致桥梁的安全隐患大大提升。
发明内容
有鉴于此，本发明提出一种新型桥梁变形监测方法及系统，可以解决现有技术对于桥梁整体变形和局部变形进行监测所存在的监测效果差和监测效率低的缺陷。
本发明的技术方案是这样实现的：
一种新型桥梁变形监测方法，所述方法具体包括以下步骤：
步骤S1，在每个桥墩上安装GPS接收机，依据所述GPS接收机进行桥墩的定位；
步骤S2，在每个桥梁箱体上安装3D深度视觉传感器，组成3D深度视觉传感器阵列，依据所述3D深度视觉传感器阵列采集桥梁的位姿图像；
步骤S3，依据3D深度视觉传感器阵列中的每个3D深度视觉传感器所采集到的位姿图像进行3D图像的构建，从而获得局部桥梁箱体的3D图像；
步骤S4，对局部桥梁箱体的3D图像进行拼接，从而获得整体桥梁箱体的3D图像；
步骤S5，分别对局部桥梁箱体的3D图像和整体桥梁箱体的3D图像进行追踪，从而实现桥梁局部变形和整体变形的监测。
作为所述新型桥梁变形监测方法的进一步可选方案，所述步骤S2中依据所述3D深度视觉传感器阵列采集桥梁的位姿图像，具体包括以下步骤：
步骤S21，依据3D深度视觉传感器阵列中的每个3D深度视觉传感器，获取桥梁箱体变形的局域图像；
步骤S22，对所述桥梁箱体变形的局域图像进行处理，获得相邻两帧图像间的位姿变换，从而得到位姿图像。
作为所述新型桥梁变形监测方法的进一步可选方案，所述步骤S2之后，步骤S3之前还包括以下步骤：
对所述位姿图像进行优化，得到最优的位姿图像。
作为所述新型桥梁变形监测方法的进一步可选方案，所述步骤S3包括以下步骤：
步骤S31，对3D深度视觉传感器阵列中的每个3D深度视觉传感器所采集到的位姿图像进行预处理，使得两幅位姿图像的极线呈平行状态；
步骤S32，提取两幅位姿图像的稳定特征点，并依据稳定特征点建立每幅图像的匹配点；
步骤S33，依据平行极线约束，剔除误匹配点，从而实现局部桥梁箱体的3D图像。
作为所述新型桥梁变形监测方法的进一步可选方案，所述步骤S31包括以下步骤：
步骤S311，基于位姿图像的噪声均值和方差定义位姿图像的能量泛函，建立去噪变分模型；
步骤S312，依据建立的去噪变分模型对位姿图像进行去畸变矫正，再进行立体矫正，使两幅图像的极线呈平行状态。
作为所述新型桥梁变形监测方法的进一步可选方案，所述步骤S4包括以下步骤：
步骤S41，获取局部桥梁箱体的3D图像的断面数据；
步骤S42，依据断面数据，实现相邻局部桥梁箱体的3D图像的拼接，从而构建出整体桥梁箱体的3D图像。
一种新型桥梁变形监测系统，所述系统包括：
GPS接收机，用于对每个桥墩进行定位；
位姿图像获取模块，用于获取每个桥梁箱体的位姿图像；
构建模块，用于依据每个桥梁箱体的位姿图像构建局部桥梁箱体的3D图像；
拼接模块，用于依据局部桥梁箱体的3D图像拼接出整体桥梁箱体的3D图像；
追踪模块，用于对局部桥梁箱体的3D图像和整体桥梁箱体的3D图像进行追踪。
作为所述新型桥梁变形监测系统的进一步可选方案，所述位姿图像获取模块包括：
3D深度视觉传感器阵列，用于获取桥梁箱体变形的局域图像；
处理器，用于对所述桥梁箱体变形的局域图像进行处理，获得相邻两帧图像间的位姿变换，从而得出位姿图像。
作为所述新型桥梁变形监测系统的进一步可选方案，所述构建模块包括：
预处理模块，用于对3D深度视觉传感器阵列中的每个3D深度视觉传感器所采集到的位姿图像进行预处理，从而使两幅位姿图像的极线呈平行状态；
匹配模块，用于提取两幅位姿图像的稳定特征点，并依据稳定特征点建立每幅图像的匹配点；
剔除模块，用于依据平行极线约束，剔除误匹配点。
作为所述新型桥梁变形监测系统的进一步可选方案，，所述预处理模块包括：
建立模型模块，用于依据位姿图像的噪声均值和方差定义位姿图像的能量泛函，从而建立去噪变分模型；
矫正模块，用于依据建立的去噪变分模型对位姿图像进行去畸变矫正，再进行立体矫正，使两幅图像的极线呈平行状态。
本发明的有益效果是：通过GPS接收机对桥墩进行定位，并且通过3D深度视觉传感器对桥梁箱体进行图像监测，能够大大提高监测的效率，从而及时发现桥梁的变形情况，降低了桥梁的安全隐患，此外，通过采用3D深度视觉传感器能够实现桥梁整体变形和桥梁局部变形的同时监测，提高监测的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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为本发明一种新型桥梁变形监测方法的流程示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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它实施例，都属于本发明保护的范围。
参考图1，一种新型桥梁变形监测方法，所述方法具体包括以下步骤：
步骤S1，在每个桥墩上安装GPS接收机，依据所述GPS接收机进行桥墩的定位；
步骤S2，在每个桥梁箱体上安装3D深度视觉传感器，组成3D深度视觉传感器阵列，依据所述3D深度视觉传感器阵列采集桥梁的位姿图像；
步骤S3，依据3D深度视觉传感器阵列中的每个3D深度视觉传感器所采集到的位姿图像进行3D图像的构建，从而获得局部桥梁箱体的3D图像；
步骤S4，对局部桥梁箱体的3D图像进行拼接，从而获得整体桥梁箱体的3D图像；
步骤S5，分别对局部桥梁箱体的3D图像和整体桥梁箱体的3D图像进行追踪，从而实现桥梁局部变形和整体变形的监测。
在本实施例中，通过GPS接收机对桥墩进行定位，并且通过3D深度视觉传感器对桥梁箱体进行图像监测，能够大大提高监测的效率，从而及时发现桥梁的变形情况，降低了桥梁的安全隐患，此外，通过采用3D深度视觉传感器能够实现桥梁整体变形和桥梁局部变形的同时监测，提高监测的效果。
优选的，所述步骤S2中依据所述3D深度视觉传感器阵列采集桥梁的位姿图像，具体包括以下步骤：
步骤S21，依据3D深度视觉传感器阵列中的每个3D深度视觉传感器，获取桥梁箱体变形的局域图像；
步骤S22，对所述桥梁箱体变形的局域图像进行处理，获得相邻两帧图像间的位姿变换，从而得到位姿图像。
在本实施例中，3D深度视觉传感器阵列中的每个3D深度视觉传感器可以获得桥梁箱体变形的局域图像，然后基于图像镜像原理，结合I MU定位算法，通过视觉里程计处理序列视觉传感器相邻两帧图像间的位姿变换来得到视觉传感器运动过程，从而得到位姿图像。
优选的，所述步骤S2之后，步骤S3之前还包括以下步骤：
对所述位姿图像进行优化，得到最优的位姿图像。。
在本实施例中，利用滤波理论或者优化理论进行优化，得到最优的位姿图像，从而提高桥梁变形的识别。
优选的，所述步骤S3包括以下步骤：
步骤S31，对3D深度视觉传感器阵列中的每个3D深度视觉传感器所采集到的位姿图像进行预处理，使得两幅位姿图像的极线呈平行状态；
步骤S32，提取两幅位姿图像的稳定特征点，并依据稳定特征点建立每幅图像的匹配点；
步骤S33，依据平行极线约束，剔除误匹配点，从而实现局部桥梁箱体的3D图像。
优选的，所述步骤S31包括以下步骤：
步骤S311，基于位姿图像的噪声均值和方差定义位姿图像的能量泛函，建立去噪变分模型；
步骤S312，依据建立的去噪变分模型对位姿图像进行去畸变矫正，再进行立体矫正，使两幅图像的极线呈平行状态。
在本实施例中，基于位姿图像的噪声均值和方差定义图像的能量泛函建立去噪变分模型；在单目标定后对图像进行去畸变矫正，再进行立体矫正，使两幅图像的极线呈平行状态；构造高斯金字塔，从高斯差分金字塔中获得稳定的特征点，确定关键主方向，建立每幅图像的关键点的SIFT特征描述符集合，根据平行极线约束剔除误匹配点，采用欧氏距离相似度量的方式进行匹配，采用RANSAC算法优化匹配，实现局域平面图像的立体匹配，从而实现3D图像的构建。
优选的，所述步骤S4包括以下步骤：
步骤S41，获取局部桥梁箱体的3D图像的断面数据；
步骤S42，依据断面数据，实现相邻局部桥梁箱体的3D图像的拼接，从而构建出整体桥梁箱体的3D图像。
在本实施例中，相邻3D视觉传感器获取的图像断面的数据拼接主要依据两断面重叠区域共有的标志点来完成，通过标志点的匹配完成坐标变换矩阵的求解，再将不同区域的标志点转换到同一个坐标系下，根据空间点相对位置的确定性，利用三点法求取相邻区域的坐标转换矩阵，并通过坐标变换完成初始拼接，在完成基于三点法的拼接之后，在重叠部分寻找最接近的标志点对，采用最小二乘法计算出变换矩阵，通过坐标变换完成精拼接，最终构建全局桥梁箱体的3D图像。
一种新型桥梁变形监测系统，所述系统包括：
GPS接收机，用于对每个桥墩进行定位；
位姿图像获取模块，用于获取每个桥梁箱体的位姿图像；
构建模块，用于依据每个桥梁箱体的位姿图像构建局部桥梁箱体的3D图像；
拼接模块，用于依据局部桥梁箱体的3D图像拼接出整体桥梁箱体的3D图像；
追踪模块，用于对局部桥梁箱体的3D图像和整体桥梁箱体的3D图像进行追踪。
在本实施例中，通过GPS接收机对桥墩进行定位，并且通过3D深度视觉传感器对桥梁箱体进行图像监测，能够大大提高监测的效率，从而及时发现桥梁的变形情况，降低了桥梁的安全隐患，此外，通过采用3D深度视觉传感器能够实现桥梁整体变形和桥梁局部变形的同时监测，提高监测的效果。
优选的，所述位姿图像获取模块包括：
3D深度视觉传感器阵列，用于获取桥梁箱体变形的局域图像；
处理器，用于对所述桥梁箱体变形的局域图像进行处理，获得相邻两帧图像间的位姿变换，从而得出位姿图像。
在本实施例中，3D深度视觉传感器阵列中的每个3D深度视觉传感器可以获得桥梁箱体变形的局域图像，然后基于图像镜像原理，结合I MU定位算法，通过视觉里程计处理序列视觉传感器相邻两帧图像间的位姿变换来得到视觉传感器运动过程，从而得到位姿图像。
优选的，所述构建模块包括：
预处理模块，用于对3D深度视觉传感器阵列中的每个3D深度视觉传感器所采集到的位姿图像进行预处理，从而使两幅位姿图像的极线呈平行状态；
匹配模块，用于提取两幅位姿图像的稳定特征点，并依据稳定特征点建立每幅图像的匹配点；
剔除模块，用于依据平行极线约束，剔除误匹配点。
优选的，所述预处理模块包括：
建立模型模块，用于依据位姿图像的噪声均值和方差定义位姿图像的能量泛函，从而建立去噪变分模型；
矫正模块，用于依据建立的去噪变分模型对位姿图像进行去畸变矫正，再进行立体矫正，使两幅图像的极线呈平行状态。
在本实施例中，基于位姿图像的噪声均值和方差定义图像的能量泛函建立去噪变分模型；在单目标定后对图像进行去畸变矫正，再进行立体矫正，使两幅图像的极线呈平行状态；构造高斯金字塔，从高斯差分金字塔中获得稳定的特征点，确定关键主方向，建立每幅图像的关键点的SIFT特征描述符集合，根据平行极线约束剔除误匹配点，采用欧氏距离相似度量的方式进行匹配，采用RANSAC算法优化匹配，实现局域平面图像的立体匹配，从而实现3D图像的构建。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种新型桥梁变形监测方法，其特征在于，所述方法具体包括以下步骤：
步骤S1，在每个桥墩上安装GPS接收机，依据所述GPS接收机进行桥墩的定位；
步骤S2，在每个桥梁箱体上安装3D深度视觉传感器，组成3D深度视觉传感器阵列，依据所述3D深度视觉传感器阵列采集桥梁的位姿图像；
步骤S3，依据3D深度视觉传感器阵列中的每个3D深度视觉传感器所采集到的位姿图像进行3D图像的构建，从而获得局部桥梁箱体的3D图像；
步骤S4，对局部桥梁箱体的3D图像进行拼接，从而获得整体桥梁箱体的3D图像；
步骤S5，分别对局部桥梁箱体的3D图像和整体桥梁箱体的3D图像进行追踪，从而实现桥梁局部变形和整体变形的监测。
2.根据权利要求1所述的一种新型桥梁变形监测方法，其特征在于，所述步骤S2中依据所述3D深度视觉传感器阵列采集桥梁的位姿图像，具体包括以下步骤：
步骤S21，依据3D深度视觉传感器阵列中的每个3D深度视觉传感器，获取桥梁箱体变形的局域图像；
步骤S22，对所述桥梁箱体变形的局域图像进行处理，获得相邻两帧图像间的位姿变换，从而得到位姿图像。
3.根据权利要求2所述的一种新型桥梁变形监测方法，其特征在于，所述步骤S2之后，步骤S3之前还包括以下步骤：
对所述位姿图像进行优化，得到最优的位姿图像。
4.根据权利要求1或3所述的一种新型桥梁变形监测方法，其特征在于，所述步骤S3包括以下步骤：
步骤S31，对3D深度视觉传感器阵列中的每个3D深度视觉传感器所采集到的位姿图像进行预处理，使得两幅位姿图像的极线呈平行状态；
步骤S32，提取两幅位姿图像的稳定特征点，并依据稳定特征点建立每幅图像的匹配点；
步骤S33，依据平行极线约束，剔除误匹配点，从而实现局部桥梁箱体的3D图像。
5.根据权利要求4所述的一种新型桥梁变形监测方法，其特征在于，所述步骤S31包括以下步骤：
步骤S311，基于位姿图像的噪声均值和方差定义位姿图像的能量泛函，建立去噪变分模型；
步骤S312，依据建立的去噪变分模型对位姿图像进行去畸变矫正，再进行立体矫正，使两幅图像的极线呈平行状态。
6.根据权利要求5所述的一种新型桥梁变形监测方法，其特征在于，所述步骤S4包括以下步骤：
步骤S41，获取局部桥梁箱体的3D图像的断面数据；
步骤S42，依据断面数据，实现相邻局部桥梁箱体的3D图像的拼接，从而构建出整体桥梁箱体的3D图像。
7.一种新型桥梁变形监测系统，其特征在于，所述系统包括：
GPS接收机，用于对每个桥墩进行定位；
位姿图像获取模块，用于获取每个桥梁箱体的位姿图像；
构建模块，用于依据每个桥梁箱体的位姿图像构建局部桥梁箱体的3D图像；
拼接模块，用于依据局部桥梁箱体的3D图像拼接出整体桥梁箱体的3D图像；
追踪模块，用于对局部桥梁箱体的3D图像和整体桥梁箱体的3D图像进行追踪。
8.根据权利要求7所述的一种新型桥梁变形监测系统，其特征在于，所述位姿图像获取模块包括：
3D深度视觉传感器阵列，用于获取桥梁箱体变形的局域图像；
处理器，用于对所述桥梁箱体变形的局域图像进行处理，获得相邻两帧图像间的位姿变换，从而得出位姿图像。
9.根据权利要求1或8所述的一种新型桥梁变形监测系统，其特征在于，所述构建模块包括：
预处理模块，用于对3D深度视觉传感器阵列中的每个3D深度视觉传感器所采集到的位姿图像进行预处理，从而使两幅位姿图像的极线呈平行状态；
匹配模块，用于提取两幅位姿图像的稳定特征点，并依据稳定特征点建立每幅图像的匹配点；
剔除模块，用于依据平行极线约束，剔除误匹配点。
10.根据权利要求9所述的一种新型桥梁变形监测系统，其特征在于，所述预处理模块包括：
建立模型模块，用于依据位姿图像的噪声均值和方差定义位姿图像的能量泛函，从而建立去噪变分模型；
矫正模块，用于依据建立的去噪变分模型对位姿图像进行去畸变矫正，再进行立体矫正，使两幅图像的极线呈平行状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110399940.2A CN112964193A (zh) | 2021-04-14 | 2021-04-14 | 一种新型桥梁变形监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110399940.2A CN112964193A (zh) | 2021-04-14 | 2021-04-14 | 一种新型桥梁变形监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112964193A true CN112964193A (zh) | 2021-06-15 |
Family
ID=76281463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110399940.2A Pending CN112964193A (zh) | 2021-04-14 | 2021-04-14 | 一种新型桥梁变形监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112964193A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118052733A (zh) * | 2024-03-06 | 2024-05-17 | 昆山市交通工程发展中心 | 一种基于ar实景增强的桥梁状态监测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100998063B1 (ko) * | 2010-01-07 | 2010-12-03 | 순천대학교 산학협력단 | 교량의 변형량 측정방법 |
| CN102645173A (zh) * | 2011-02-16 | 2012-08-22 | 张文杰 | 一种基于多目视觉的桥梁三维变形监测方法 |
| CN102661716A (zh) * | 2012-04-20 | 2012-09-12 | 武汉理工大学 | 基于光纤陀螺技术的桥梁和隧道线形及刚度检测方法与系统 |
| CN105987672A (zh) * | 2016-05-09 | 2016-10-05 | 周劲宇 | 基于轮廓线影像叠差分析的结构变形监测方法 |
| CN108775890A (zh) * | 2018-06-14 | 2018-11-09 | 北京国电高科科技有限公司 | 一种桥梁远程监测系统及方法 |
| CN109357663A (zh) * | 2018-11-21 | 2019-02-19 | 陕西高速公路工程试验检测有限公司 | 桥梁检测系统 |
| CN109443321A (zh) * | 2018-10-30 | 2019-03-08 | 中国人民解放军国防科技大学 | 一种监测大型结构形变的串并联像机网络测量方法 |
| 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 |
| 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 |
| CN111854622A (zh) * | 2020-06-09 | 2020-10-30 | 西安交通大学第二附属医院 | 一种大视场光学动态变形测量方法 |
| CN111982015A (zh) * | 2020-08-18 | 2020-11-24 | 深圳大学 | 结构几何形态监测方法 |
| CN112419425A (zh) * | 2020-11-20 | 2021-02-26 | 南京理工大学 | 用于结构变形测量的抗扰动高精度相机群测量方法 |
-
2021
- 2021-04-14 CN CN202110399940.2A patent/CN112964193A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100998063B1 (ko) * | 2010-01-07 | 2010-12-03 | 순천대학교 산학협력단 | 교량의 변형량 측정방법 |
| CN102645173A (zh) * | 2011-02-16 | 2012-08-22 | 张文杰 | 一种基于多目视觉的桥梁三维变形监测方法 |
| CN102661716A (zh) * | 2012-04-20 | 2012-09-12 | 武汉理工大学 | 基于光纤陀螺技术的桥梁和隧道线形及刚度检测方法与系统 |
| CN105987672A (zh) * | 2016-05-09 | 2016-10-05 | 周劲宇 | 基于轮廓线影像叠差分析的结构变形监测方法 |
| CN108775890A (zh) * | 2018-06-14 | 2018-11-09 | 北京国电高科科技有限公司 | 一种桥梁远程监测系统及方法 |
| CN109443321A (zh) * | 2018-10-30 | 2019-03-08 | 中国人民解放军国防科技大学 | 一种监测大型结构形变的串并联像机网络测量方法 |
| CN109357663A (zh) * | 2018-11-21 | 2019-02-19 | 陕西高速公路工程试验检测有限公司 | 桥梁检测系统 |
| 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 |
| 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 |
| CN111854622A (zh) * | 2020-06-09 | 2020-10-30 | 西安交通大学第二附属医院 | 一种大视场光学动态变形测量方法 |
| CN111982015A (zh) * | 2020-08-18 | 2020-11-24 | 深圳大学 | 结构几何形态监测方法 |
| CN112419425A (zh) * | 2020-11-20 | 2021-02-26 | 南京理工大学 | 用于结构变形测量的抗扰动高精度相机群测量方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118052733A (zh) * | 2024-03-06 | 2024-05-17 | 昆山市交通工程发展中心 | 一种基于ar实景增强的桥梁状态监测方法 |
| CN118052733B (zh) * | 2024-03-06 | 2024-08-02 | 昆山市交通工程发展中心 | 一种基于ar实景增强的桥梁状态监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103411553B (zh) | 多线结构光视觉传感器的快速标定方法 | |
| Yu et al. | 3D reconstruction of road surfaces using an integrated multi-sensory approach | |
| CN112001958B (zh) | 基于有监督单目深度估计的虚拟点云三维目标检测方法 | |
| CN110647850A (zh) | 一种基于逆透视原理的车道偏移自动测量方法 | |
| CN106584451B (zh) | 一种基于视觉导航的变电站自动构图机器人及方法 | |
| CN111210477B (zh) | 一种运动目标的定位方法及系统 | |
| CN106960449B (zh) | 基于多特征约束的异源配准方法 | |
| CN106296814B (zh) | 公路养护检测与可视化交互方法和系统 | |
| CN110929710B (zh) | 一种基于视觉的仪表指针读数自动识别方法与系统 | |
| CN107481274B (zh) | 一种三维作物点云的鲁棒性重构方法 | |
| CN110675449B (zh) | 一种基于双目相机的离岸流检测方法 | |
| CN113379712B (zh) | 一种基于计算机视觉的钢桥螺栓病害检测方法及系统 | |
| CN103727930A (zh) | 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法 | |
| CN102831617A (zh) | 一种运动目标检测与跟踪的方法和系统 | |
| CN104574393A (zh) | 一种三维路面裂缝图像生成系统和方法 | |
| CN105913013A (zh) | 双目视觉人脸识别算法 | |
| CN109509164A (zh) | 一种基于gdgf的多传感器图像融合方法及系统 | |
| CN110930365B (zh) | 一种交通场景下的正交消失点检测方法 | |
| CN110648362B (zh) | 一种双目立体视觉的羽毛球定位识别与姿态计算方法 | |
| WO2021017211A1 (zh) | 一种基于视觉的车辆定位方法、装置及车载终端 | |
| CN112198170A (zh) | 一种无缝钢管外表面三维检测中识别水滴的检测方法 | |
| CN117128861A (zh) | 一种去测站化三维激光扫描桥梁监测系统及监测方法 | |
| CN112580683A (zh) | 一种基于互相关的多传感器数据时间对齐系统及其方法 | |
| CN112101211A (zh) | 一种基于目标检测和双目测距的人员与吊臂位置计算方法 | |
| CN116188417A (zh) | 基于slam和图像处理的裂缝检测及其三维定位方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210615 |
|
| RJ01 | Rejection of invention patent application after publication |