CN113125444A - 一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法 - Google Patents
一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法 Download PDFInfo
- Publication number
- CN113125444A CN113125444A CN202110425909.1A CN202110425909A CN113125444A CN 113125444 A CN113125444 A CN 113125444A CN 202110425909 A CN202110425909 A CN 202110425909A CN 113125444 A CN113125444 A CN 113125444A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- point cloud
- aerial vehicle
- railway bridge
- bridge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 201000010099 disease Diseases 0.000 title claims abstract description 42
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000007689 inspection Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法，包括勘察采集巡检目标铁路桥梁段的环境；确定无人飞行器巡检路径与机位；飞行器上搭载的三维激光点云扫描仪对巡检目标铁路桥梁段进行三维激光扫描得到相应点云数据；点云数据的预处理；根据处理后的点云数据进行模型三维重建得到目标铁路桥梁模型；根据重构模型获取目标铁路桥梁的损伤信息；根据病害几何参数信息对目标铁路桥梁进行病害分析。利用本发明提供的铁路桥梁病害监测方法对桥梁进行病害监测能有效的提高其高效性、可靠性。
Description
技术领域
本发明涉及铁路安全工程领域，特别涉及一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法。
背景技术
桥梁在铁路线路中占比高，其中京沪高铁桥梁占比高达80.5％。服役中的铁路桥梁由于达到设计基准期，车辆载荷作用和风力、地震、温度应力作用发生结构性损伤、裂缝、水泥混凝土剥落也给桥梁安全带来安全隐患。传统桥梁病害监测以检测人员利用探伤巡检车、长焦相机和利用摄像头布设长期监控点的方法监测桥梁病害范围和程度。但是人工现场调查方法工作量大，速度慢，效率低，漏检率高。桥梁检测车和定点监控摄像头费用昂贵，不易普及，其中巡检车占用桥面轨道，对行车安全造成威胁。长焦相机受光照、分辨率、拍摄角度限制，对工作场景要求高不适合普及。且上述采集方式准确率低，病害程度判断标准个体化差异大。高速列车大多都是日间行驶，白天不利于开展监测工作，工作受时间限制影响较大。桥梁一般离地较高，也增加了监测难度。因此针对铁路桥梁病害监测采用非直接接触的无人飞行器搭载三维激光扫描仪的调查监测方式具有重要的意义。
采用无人飞行器监测方法，制造成本、使用成本、维修费用低，飞行安全性高，对于恶劣的自然环境适应性好，机动性能优异，受铁路桥梁离地高度限制弱。三维激光扫描技术采集目标物点云数据，点云作为对物体模型进行描述的新的表现形式，一系列点的集合包含了目标物体的空间坐标信息和纹理表面结构多种信息，通过对点云数据的重建来对目标物进行描述，可以呈现更加精准的细节信息，并且点云数据的存储方式简单，不具备复杂的拓扑结构。
发明内容
为了克服现有技术中的不足，本发明提供一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法，以解决上述技术背景中提出的铁路桥梁病害监测受铁路离地高度、环境、时间条件约束限制强、效率低、难度大、成本高、工作量大、判断标准个体差异化大的问题。
为了达到上述发明目的，解决其技术问题所采用的技术方案如下：
一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法，包括以下步骤：
步骤A：勘察采集巡检目标铁路桥梁段的环境；
步骤B：确定无人飞行器巡检路径与机位；
步骤C：飞行器上搭载的三维激光点云扫描仪对巡检目标铁路桥梁段进行三维激光扫描得到相应点云数据；
步骤D：点云数据的预处理；
步骤E：根据处理后的点云数据进行模型三维重建得到目标铁路桥梁模型；
步骤F：根据重构模型获取目标铁路桥梁的损伤信息；
步骤G：根据病害几何参数信息对目标铁路桥梁进行病害分析。
进一步的，所述步骤A包括：勘察采集巡检目标铁路桥梁段所处的外部自然环境，建立环境模型。
进一步的，所述步骤B包括：利用PRM规划无人飞行器的运行轨迹，利用GPS获取飞行器的大地坐标。
进一步的，所述步骤C包括：当扫描铁路桥梁的无人飞行器为多个时，相邻飞行器之间扫描获取的三维点云数据存在交叉重合。
进一步的，所述步骤D包括：点云数据的噪声去除、数据精简、平滑处理和数据配准。
进一步的，所述步骤E包括：用三角网格法对点云数据进行网格重建。
进一步的，所述步骤F包括：对模型中结构面产状信息进行通域标记，通过投影法对铁路桥梁的病害类型进行分类，运用函数获取裂缝的几何参数具体指标。
进一步的，所述步骤G包括：采用BP神经网络对目标铁路桥梁的病害程度进行评价。
本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：
本发明采用无人飞行器搭载三维激光扫描仪监测方法，无人飞行器机动性能强，受铁路桥梁所处自然环境和桥梁离地高度条件的约束限制较弱，无人飞行器制造成本、使用成本、维修费用低，飞行安全性能高。三维激光扫描技术扫描目标铁路桥梁得到点云数据，对点云数据进行预处理和模型重建，模型可以精准呈现出目标桥梁的纹理表面结构信息，进而根据纹理表面结构信息获取病害几何参数，对铁路桥梁病害进行监测，解决了传统铁路桥梁监测方式效率低、难度大、代价高、工作量大、判断标准差个体异化大的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见，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。附图中：
图1是本发明一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法的流程图；
图2是本发明的横向应用示意图；
图3是本发明的纵向应用示意图；
图4是本发明中无人飞行器扫描铁路桥梁巡检路径和机位示意图；
图5是本发明中多台无人飞行器搭载三维激光扫描仪扫描区域交叉重合示意图。
具体实施方式
以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，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的前提下所获得的所有其他实施例，都属于本发明的保护范围。
如图1-5所示，本实施例公开了一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法，包括以下步骤：
步骤A：勘察采集巡检目标铁路桥梁段的环境；
步骤B：确定无人飞行器巡检路径与机位；
步骤C：飞行器上搭载的三维激光点云扫描仪对巡检目标铁路桥梁段进行三维激光扫描得到相应点云数据；
步骤D：点云数据的预处理；
步骤E：根据处理后的点云数据进行模型三维重建得到目标铁路桥梁模型；
步骤F：根据重构模型获取目标铁路桥梁的损伤信息；
步骤G：根据病害几何参数信息对目标铁路桥梁进行病害分析。
进一步的，所述步骤A包括：勘察采集巡检目标铁路桥梁段所处的外部自然环境，建立环境模型。环境模型是对巡检桥梁周围实际飞行环境进行采集并通过Octomap以八叉树方法为基础生成三维环境模型，Octomap建立的模型对环境没有任何限制，能够映射出周围任意环境，同时将模型中的空间表示为障碍区域、空闲区域和未知区域，将实际的物理环境表示为计算机可以处理的数学模型，实现物理环境到数学模型的映射。空间环境模型是无人飞行器路径规划的基础，建立的环境模型的好坏直接影响飞行器路径规划。
进一步的，所述步骤B包括：利用PRM规划无人飞行器的运行轨迹，利用GPS获取飞行器的大地坐标。采用概率地图算法(PRM)基于环境模型以随机采样的方法构造地图。首先在环境模型初始化构造路线图的边集合和点集合，并设置采样点数目的上限，然后通过碰撞检测采样点是否在自由空间中，直到采样点数目检测到上限数，最后连接无碰撞的采样点，包括连接起始点和目标点，完成无人飞行器的扫描路径规划。无人飞行器沿运行轨迹扫描时通过GPS获取的大地坐标定为机位。
其中，碰撞检测是用来检测无飞行器在实际飞行过程中是否会与障碍物发生碰撞，保证无人飞行器飞行路径的安全性。碰撞检测采用层次包围盒法，主要用于离散碰撞检测，层次包围盒为一个六面体，当包围盒的每一条边与坐标轴平行，这样的包围盒称为AABB包围盒，反之称为OBB包围盒，OBB包围盒和AABB包围盒相比，OBB包围盒可以旋转。由于环境是固定且不旋转的，作为本发明的优选采用AABB包围盒模型。将Octomap模型中的节点转换为包围盒表示，考虑无人飞行器的尺寸，无人飞行器也用AABB包围盒处理，以无人飞行器为动态点进行碰撞检测筛选出在自由空间中的采样点。
进一步的，所述步骤C包括：当扫描铁路桥梁的无人飞行器为多个时，相邻飞行器之间扫描获取的三维点云数据存在交叉重合。一般三维激光扫描系统对目标物的扫描一次只能得到一个角度的点云数据，扫描仪很难以一个角度姿态通过一次巡检就得到整个目标物的完整点云信息，反应一个目标物的整体信息通常由扫描仪以若干角度扫描信息组合而成。在目标桥梁信息采集由一台三维激光扫描仪一次巡检无法完全采集时，本发明作为优选采用多台无人飞行器搭载三维扫描仪进行巡检，为提高各扫描仪采集的点云数据拼接契合度，相邻无人飞行器之间扫描获取的三维点云数据存在交叉重叠，如图5中符号5为交叉重叠区域。
进一步的，所述步骤D包括：点云数据的噪声去除、数据精简、平滑处理和数据配准。三维激光扫描仪获取的铁路桥梁点云数据通常有数十万或更多，且操作过程中受外界环境的影响，不可避免的存在一些噪声和空洞，对于物体的三维重建，有时需要采集多个不同角度的点云信息，为了保证目标桥梁重建的准确性和快速性，在对采集的目标物体点云重建前，必须要对其进行一些关键的预处理操作，作为优选本发明的步骤D采用包括噪声去除、数据精简、平滑处理、数据配准的预处理过程。
对上述预处理过程详细解释如下：
噪声去除：在点云数据采集过程中，由于设备本身的局限性，以及在采集数据过程中不可避免的会受到外界环境的干扰，如光照产生的反射，障碍物的干扰，在采集到的数据中会掺杂一些噪声。噪声主要为距主体点云有较大距离差异的离散点或者离散群点，作为优选本发明采用统计滤波和半径滤波对点云的噪声点进行去除。其中，统计滤波通过对当前查询点的领域距离进行统计分析，计算出查询点到其领域点的平均距离，采用高斯模型对点云分布点的规律进行计算分析，计算出其均值和标准差，进而确定出一个判定范围，超出判定范围的点集则被视作离群点被删除。半径滤波对待查询点的近邻点的个数进行判断，将不满足近邻点个数的点云数据作为孤立点进行删除。
数据精简：为了对目标桥梁模型的细节信息进行更精确的描述，三维激光扫描仪获取的点云数据量十分的庞大，点云数据的冗余，不仅会影响通过点云数据对目标桥梁的重建速度，过密的数据点反而会降低重建的精度，高质量的精简可以在保持点云特征的前提下，实现对冗余数据的剔除。目前常用的精简方法主要有体素栅格法、均匀网格法、曲率采样法、三角网格法。均匀网格法、曲率采样法和三角网格法精简效率低且明显降低点云特征。作为本发明的优选采用体素栅格法，将输入的点云数据创建成一个三维体素栅格，通过计算体素栅格邻域点云数据的法向量和距离，确定每个体素的重心，用该体素的重心位置或者该重心最近的点云数据代替整个体素数据，完成对点云数据的精简。
平滑处理：去噪和精简后的数据依然会存在局部空洞、细小噪声、误差，对精简过的数据直接重建，得到的重建模型表面不光滑且存在局部空洞，影响目标桥梁损伤特征的提取。作为优选本发明采用移动最小二乘法对局部网格平滑处理，改善重建模型的光滑程度，并采用加权的协差矩阵来计算局部参考平面，获取高质量流行点云，完成对点云数据的平滑。
数据配准：三维激光扫描仪在采集数据的过程中，由于受测量物体尺寸、设备采集数据的局限性、目标桥梁之间的遮挡的影响，需要使用无人飞行器从不同的角度对数据进行采集(如图2-4中符号1-4代表各个无人飞行器的机位)，以获得目标桥梁不同角度的三维点云信息，通过对采集到的不同角度的点云进行配准，进而获得目标桥梁完整地三维点云模型。点云配准是将不同角度的点云图像通过点云配准技术将其拼接起来，点云配准的实质是通过对多幅点云数据进行三维刚体变换，使不同方向采集的点云数据在同一三维坐标下实现匹配与重叠。作为优选本发明采用最近迭代算法(ICP)进行数据配准，在对点云迭代配准的过程中引入概率统计的思想，解析不同点云数据的相关性，求解最近点作为相关性的评价指标，通过协差方程对不用点云数据的局部相关性进行判断，最终求出旋转矩阵，完成对点云数据的配准。
进一步的，所述步骤E包括：用三角网格法对点云数据进行网格重建。网格重建就是将目标铁路桥梁的三维点云数据用网格进行连接起来，从而达到重建目标铁路桥梁模型的目的。常用的三维网格重建算法有球旋转三角网格算法重建、泊松重建和Delaunay三角重建，泊松重建和Delaunay三角重建这两种算法重建时间长，算法复杂。最为优选本发明采用球旋转三角网格重建法对目标桥梁的点云数据重建。球旋转算法首先计算三维点云各点的法向量，确定各个点的空间方向，在不破坏三角形连接性的前提下平滑网格定点的法线，然后通过旋转球来寻找互不相交的点来组成三角网格，完成对目标桥梁的三维点云数据重建。
进一步的，所述步骤F包括：对模型中结构面产状信息进行通域标记，通过投影法对铁路桥梁的病害类型进行分类，运用函数获取裂缝的几何参数具体指标。根据三维点云数据重建获得的目标桥梁模型，在MATLAB软件中使用函数bwlabel函数将模型结构面状信息进行通域标记，然后利用投影法对标记的结构面状信息进行分类，针对桥梁常见裂缝病害，分类标记的结构面状信息主要为：横向裂缝、纵向裂缝、斜向裂缝和网状裂缝。对连通域标记后，运用函数可以获得裂缝的几何参数具体指标，得到裂缝的形状、走向，分布位置、发育规模。
物体在光源的照射下会出现影子，投影法就是从这一自然现象抽象出来的，在本发明中利用投影法对标记的结构面状信息从不同方向的轴进行投影，不用类型的裂缝所得的投影结果是不同的，通过各个轴的投影特征可以对裂缝病害进行分类。
进一步的，所述步骤G包括：采用BP神经网络对目标铁路桥梁的病害程度进行评价。具体的，包括基于获取的不同种类的裂缝几何参数具体指标，采用经过训练的BP神经网络对目标铁路桥梁的病害程度进行评价，也可采用其他传统数据分析方式对目标铁路桥梁的病害程度进行评价。
以上所述，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。
Claims (8)
1.一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法，其特征在于，包括以下步骤：
步骤A：勘察采集巡检目标铁路桥梁段的环境；
步骤B：确定无人飞行器巡检路径与机位；
步骤C：飞行器上搭载的三维激光点云扫描仪对巡检目标铁路桥梁段进行三维激光扫描得到相应点云数据；
步骤D：点云数据的预处理；
步骤E：根据处理后的点云数据进行模型三维重建得到目标铁路桥梁模型；
步骤F：根据重构模型获取目标铁路桥梁的损伤信息；
步骤G：根据病害几何参数信息对目标铁路桥梁进行病害分析。
2.根据权利要求1所述的一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法，其特征在于，所述步骤A包括：勘察采集巡检目标铁路桥梁段所处的外部自然环境，建立环境模型。
3.根据权利要求1所述的一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法，其特征在于，所述步骤B包括：利用PRM规划无人飞行器的运行轨迹，利用GPS获取飞行器的大地坐标。
4.根据权利要求1所述的一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法，其特征在于，所述步骤C包括：当扫描铁路桥梁的无人飞行器为多个时，相邻飞行器之间扫描获取的三维点云数据存在交叉重合。
5.根据权利要求1所述的一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法，其特征在于，所述步骤D包括：点云数据的噪声去除、数据精简、平滑处理和数据配准。
6.根据权利要求1所述的一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法，其特征在于，所述步骤E包括：用三角网格法对点云数据进行网格重建。
7.根据权利要求1所述的一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法，其特征在于，所述步骤F包括：对模型中结构面产状信息进行通域标记，通过投影法对铁路桥梁的病害类型进行分类，运用函数获取裂缝的几何参数具体指标。
8.根据权利要求1所述的一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法，其特征在于，所述步骤G包括：采用BP神经网络对目标铁路桥梁的病害程度进行评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110425909.1A CN113125444A (zh) | 2021-04-20 | 2021-04-20 | 一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110425909.1A CN113125444A (zh) | 2021-04-20 | 2021-04-20 | 一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113125444A true CN113125444A (zh) | 2021-07-16 |
Family
ID=76778249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110425909.1A Pending CN113125444A (zh) | 2021-04-20 | 2021-04-20 | 一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113125444A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113587835A (zh) * | 2021-07-22 | 2021-11-02 | 河北工业大学 | 一种利用三维激光扫描技术进行桥梁工程质量验收的方法 |
| CN113776447A (zh) * | 2021-08-16 | 2021-12-10 | 武汉工程大学 | 基于三维扫描的挠度获取和横向分布影响线的计算方法及系统 |
| CN113868733A (zh) * | 2021-09-01 | 2021-12-31 | 浙江大学 | 一种基于三维点云的既有结构bim模型自动化生成方法 |
| CN114119605A (zh) * | 2022-01-14 | 2022-03-01 | 北京铁科特种工程技术有限公司 | 铁路工务设备及周边环境形变对比分析方法 |
| CN114758222A (zh) * | 2022-03-09 | 2022-07-15 | 哈尔滨工业大学水资源国家工程研究中心有限公司 | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 |
| CN115797350A (zh) * | 2023-02-07 | 2023-03-14 | 清华大学 | 桥梁病害检测方法、装置、计算机设备和存储介质 |
| CN115908424A (zh) * | 2023-02-14 | 2023-04-04 | 广东建准检测技术有限公司 | 基于三维激光扫描的建筑物健康检测方法、系统及介质 |
| CN116988377A (zh) * | 2023-08-09 | 2023-11-03 | 广东省公路建设有限公司湾区特大桥养护技术中心 | 一种桥梁钢箱梁内表观病害检测机器人及方法 |
| CN117128861A (zh) * | 2023-10-23 | 2023-11-28 | 常州市建筑材料研究所有限公司 | 一种去测站化三维激光扫描桥梁监测系统及监测方法 |
| CN117218743A (zh) * | 2023-11-07 | 2023-12-12 | 诺比侃人工智能科技(成都)股份有限公司 | 基于机器视觉的智能巡检控制方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108318499A (zh) * | 2018-01-05 | 2018-07-24 | 株洲时代电子技术有限公司 | 一种桥梁巡检方法 |
| CN208569041U (zh) * | 2018-01-05 | 2019-03-01 | 株洲时代电子技术有限公司 | 桥梁巡检系统 |
| CN109978791A (zh) * | 2019-03-28 | 2019-07-05 | 苏州市建设工程质量检测中心有限公司 | 一种基于倾斜摄影和三维激光扫描融合的桥梁监测方法 |
-
2021
- 2021-04-20 CN CN202110425909.1A patent/CN113125444A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108318499A (zh) * | 2018-01-05 | 2018-07-24 | 株洲时代电子技术有限公司 | 一种桥梁巡检方法 |
| CN208569041U (zh) * | 2018-01-05 | 2019-03-01 | 株洲时代电子技术有限公司 | 桥梁巡检系统 |
| CN109978791A (zh) * | 2019-03-28 | 2019-07-05 | 苏州市建设工程质量检测中心有限公司 | 一种基于倾斜摄影和三维激光扫描融合的桥梁监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 唐均;: "三维激光扫描技术在桥梁监测中的应用", 《矿山测量》, no. 04 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113587835A (zh) * | 2021-07-22 | 2021-11-02 | 河北工业大学 | 一种利用三维激光扫描技术进行桥梁工程质量验收的方法 |
| CN113776447A (zh) * | 2021-08-16 | 2021-12-10 | 武汉工程大学 | 基于三维扫描的挠度获取和横向分布影响线的计算方法及系统 |
| CN113868733A (zh) * | 2021-09-01 | 2021-12-31 | 浙江大学 | 一种基于三维点云的既有结构bim模型自动化生成方法 |
| CN114119605A (zh) * | 2022-01-14 | 2022-03-01 | 北京铁科特种工程技术有限公司 | 铁路工务设备及周边环境形变对比分析方法 |
| CN114758222A (zh) * | 2022-03-09 | 2022-07-15 | 哈尔滨工业大学水资源国家工程研究中心有限公司 | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 |
| CN114758222B (zh) * | 2022-03-09 | 2024-05-14 | 哈尔滨工业大学水资源国家工程研究中心有限公司 | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 |
| CN115797350A (zh) * | 2023-02-07 | 2023-03-14 | 清华大学 | 桥梁病害检测方法、装置、计算机设备和存储介质 |
| CN115908424A (zh) * | 2023-02-14 | 2023-04-04 | 广东建准检测技术有限公司 | 基于三维激光扫描的建筑物健康检测方法、系统及介质 |
| CN116988377A (zh) * | 2023-08-09 | 2023-11-03 | 广东省公路建设有限公司湾区特大桥养护技术中心 | 一种桥梁钢箱梁内表观病害检测机器人及方法 |
| CN117128861A (zh) * | 2023-10-23 | 2023-11-28 | 常州市建筑材料研究所有限公司 | 一种去测站化三维激光扫描桥梁监测系统及监测方法 |
| CN117218743A (zh) * | 2023-11-07 | 2023-12-12 | 诺比侃人工智能科技(成都)股份有限公司 | 基于机器视觉的智能巡检控制方法及系统 |
| CN117218743B (zh) * | 2023-11-07 | 2024-02-09 | 诺比侃人工智能科技(成都)股份有限公司 | 基于机器视觉的智能巡检控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113125444A (zh) | 一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法 | |
| Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
| WO2021232463A1 (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
| CN111429498B (zh) | 一种基于点云和影像融合技术的铁路营业线三维中线制作方法 | |
| CN109900712B (zh) | 基于摄像测量的风电叶片机械故障在线检测系统及其方法 | |
| CN102521884B (zh) | 一种基于LiDAR数据与正射影像的3维屋顶重建方法 | |
| CN107301648B (zh) | 基于重叠区域边界角度的冗余点云去除方法 | |
| CN112414309B (zh) | 基于机载激光雷达的高铁接触线导高及拉出值巡检方法 | |
| CN103324916B (zh) | 基于建筑轮廓的车载和航空LiDAR数据配准方法 | |
| WO2023142608A1 (zh) | 获得飞机面型的系统和方法 | |
| CN115993096A (zh) | 一种高层建筑变形测量方法 | |
| Wei et al. | Automated inspection and monitoring of member deformation in grid structures | |
| CN115909092A (zh) | 轻量化输电通道隐患测距方法及隐患预警装置 | |
| CN115203778A (zh) | 隧道超欠挖检测方法、装置、终端设备及存储介质 | |
| CN113781639B (zh) | 一种大场景道路基础设施数字化模型快速构建方法 | |
| CN116977586A (zh) | 一种基于电网gis平台的实景三维建模方法 | |
| CN113223168B (zh) | 一种隧道三维形貌快速建模的方法 | |
| Sun et al. | A new single-view 3D pantograph reconstruction aided by prior CAD model | |
| CN114820505A (zh) | 一种动态目标的非接触测量方法 | |
| CN114863064A (zh) | 一种汽车轮廓曲面模型构建方法及系统 | |
| CN106952249A (zh) | 基于交比不变性的绝缘子串中轴线提取方法 | |
| CN114119355A (zh) | 一种盾构隧道掉块风险预警方法与系统 | |
| Xu et al. | Member separation and deformation recognition of spatial grid structures in-service | |
| Wu et al. | Track gauge measurement based on model matching using UAV image | |
| Tang et al. | Automated Evaluation of Indoor Dimensional Tolerance Compliance Using the TLS Data and BIM |
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 |