CN113688824B - 一种施工节点的信息采集方法、装置及存储介质 - Google Patents

一种施工节点的信息采集方法、装置及存储介质 Download PDF

Info

Publication number
CN113688824B
CN113688824B CN202111059592.0A CN202111059592A CN113688824B CN 113688824 B CN113688824 B CN 113688824B CN 202111059592 A CN202111059592 A CN 202111059592A CN 113688824 B CN113688824 B CN 113688824B
Authority
CN
China
Prior art keywords
focal length
construction
camera
image
shooting
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
CN202111059592.0A
Other languages
English (en)
Other versions
CN113688824A (zh
Inventor
郑文
林恒
张翔
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.)
Fujian Huichuan Internet Of Things Technology Science And Technology Co ltd
Original Assignee
Fujian Huichuan Internet Of Things Technology Science And Technology Co ltd
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 Fujian Huichuan Internet Of Things Technology Science And Technology Co ltd filed Critical Fujian Huichuan Internet Of Things Technology Science And Technology Co ltd
Priority to CN202111059592.0A priority Critical patent/CN113688824B/zh
Publication of CN113688824A publication Critical patent/CN113688824A/zh
Application granted granted Critical
Publication of CN113688824B publication Critical patent/CN113688824B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种施工节点的信息采集方法、装置及存储介质,包括:根据第一相机焦距拍摄建筑施工平面,得到第一图像;根据所述第一图像获得多个可见区域;根据第二相机焦距拍摄所述多个可见区域,得到多个第二图像;所述第二相机焦距大于所述第一相机焦距;获取每个所述第二图像中包含指定施工阶段的施工区域;根据第三相机焦距拍摄所述施工区域,得到第三图像;所述第三相机焦距大于所述第二相机焦距。

Description

一种施工节点的信息采集方法、装置及存储介质
技术领域
本申请涉及监测技术领域,具体而言,涉及一种施工节点的信息采集方法、装置及计算机可读存储介质。
背景技术
在工程建设过程中,为保障施工质量,需要对工程的关键节点进行测量。采用全站仪的传统测量方法不能保存测量时的现场环境,不利于事后追溯。因此,越来越多工程项目采用视频测量设备采集和存档包含空间信息的施工节点图像。
现有采集施工节点图像的方法,通常在一个角度区间内,根据相机视场角计算出步进角度,按照步进角度旋转视频测量设备云台并依次采集图像,使采集的多张图像覆盖目标施工平面的所有可见区域。当目标施工区域较大而相机视场角较小时,常常需要采集几百张甚至上千张图像才能覆盖目标施工区域,对拍摄时长和数据存储都带来了极大的压力。另外,由于同一施工平面可能存在多个并行的施工阶段,导致不能精确获取项目施工进度,然而有些关键节点图像又必须在指定的施工阶段获取,为了拍摄到满足要求的关键节点图像,需要每天采集施工节点图像,进一步增大了存储压力。
发明内容
本申请实施例的目的在于提供一种施工节点的信息采集方法、装置及计算机可读存储介质,提高信息采集的效率,及改善存储压力。
第一方面,本申请实施例提供了一种施工节点的信息采集方法,该方法包括:
根据第一相机焦距拍摄建筑施工平面,得到第一图像;
根据所述第一图像获得多个可见区域;
根据第二相机焦距拍摄所述多个可见区域,得到多个第二图像;所述第二相机焦距大于所述第一相机焦距;
获取每个所述第二图像中包含指定施工阶段的施工区域;
根据第三相机焦距拍摄所述施工区域,得到第三图像;所述第三相机焦距大于所述第二相机焦距。
在上述实现过程中,根据第一相机焦距拍摄施工平面,得到了第一图像,将第一图像进行处理,获得多个可见区域;进而加大相机焦距,根据第二相机焦距拍摄多个可见区域,得到多个第二图像,获取每张第二图像中包含指定施工阶段的施工区域;进而加大相机焦距,得到第三图像。通过逐步拍摄识别的方式确定第三图像,第三图像的区域比第一图像的区域小,且包括了施工区域,剔除其他不需要的区域,因此只需要较小的存储空间。相比于现有技术,减少了拍摄第三图像的次数和耗时,降低了存储设备的存储压力。
进一步地,所述根据所述第一图像获得多个可见区域的步骤,包括:
根据所述第一图像确定目标区域;
将所述目标区域划分为所述多个可见区域。
在上述实现过程中,根据第一图像初步确定目标区域,再将目标区域划分为多个可见区域。基于上述实施方式,能够快速地获取多个可见区域。
进一步地,所述根据所述第一图像确定目标区域的步骤,包括:
利用基于深度卷积神经网络的目标检测模型或基于深度卷积神经网络的实例分割模型中的一种,对所述第一图像进行处理,获得所述目标区域。
在上述实现过程中,基于深度卷积神经网络的目标检测模型或基于深度卷积神经网络的实例分割模型能够准确地识别出目标区域。
进一步地,所述根据第二相机焦距拍摄所述多个可见区域,得到多个第二图像的步骤,包括:
获取所述目标区域的宽度和高度,以及所述可见区域的宽度和高度;
根据所述目标区域的宽度和高度、所述可见区域的宽度和高度确定每个所述可见区域的中心像素坐标;
根据所述可见区域的中心像素坐标确定云台的多个旋转角度;
根据所述云台的多个旋转角度旋转所述云台到指定位置,控制摄像机以所述第二相机焦距进行拍摄;
截取摄像机的拍摄画面,得到所述多个第二图像。
在上述实现过程中,获取目标区域的宽度和高度,以及所述可见区域的宽度和高度计算出每个可见区域的中心像素坐标,基于可见区域的中心像素坐标,能够确定云台的旋转角度,每个旋转角度对应摄像机对准每个可见区域的中心,当云台旋转到每个指定位置时,控制摄像机以第二相机焦距进行拍摄,截取当前的拍摄画面,获得多个第二图像。得到多个第二图像的过程中是将摄像机对准每个可见区域的中心,因此,获取的第二图像具有更高的清晰度。
进一步地,所述确定每个所述第二图像中包含指定施工阶段的施工区域的步骤,包括:
利用基于深度卷积神经网络的目标检测模型或基于深度卷积神经网络的实例分割模型中的一种,对所述第二图像进行处理,获得所述包含指定施工阶段的施工区域。
在上述实现过程中,基于深度卷积神经网络的目标检测模型或基于深度卷积神经网络的实例分割模型能够准确地识别出包含指定施工阶段的施工区域。
进一步地,所述根据第三相机焦距拍摄所述施工区域的方法,包括:
获取所述第三相机焦距的水平视场角和垂直视场角,以及所述包含指定施工阶段的施工区域的高度和宽度;
根据所述第三相机焦距的水平视场角和垂直视场角、所述包含指定施工阶段的施工区域的高度和宽度确定每个所述包含指定施工阶段的施工区域的中心像素坐标;
根据所述施工区域的中心像素坐标确定所述云台的多个旋转角度;
根据所述云台的多个旋转角度旋转所述云台到指定位置,控制摄像机以所述第三相机焦距进行拍摄;
截取所述摄像机的拍摄画面,得到所述第三图像。
在上述实现过程中,首先获取第三相机焦距的水平视场角和垂直视场角、包含指定施工阶段的施工区域的高度和宽度,接着,根据第三相机焦距的水平视场角和垂直视场角,包含指定施工阶段的施工区域的高度和宽度确定每个包含指定施工阶段的施工区域的中心像素坐标,根据施工区域的中心像素坐标确定云台的多个旋转角度,基于云台的旋转角度,控制云台进行旋转,以使摄像机对准包含指定施工阶段的施工区域的中心,使得获取的第三图像的清晰度更高。
进一步地,在所述根据所述云台的多个旋转角度旋转所述云台到指定位置的步骤之后,还包括:
获取当前激光测距仪的激光距离;
在所述得到所述第三图像的步骤之后,还包括:
将所述第三图像、所述云台的旋转角度和所述激光距离进行存储。
在上述实现过程中,在获取第三图像之后,还获取激光测距仪的激光距离和云台的旋转角度,并与第三图像一起存储,用于后续的测量工作。
第二方面,本申请提供了一种施工节点的信息采集装置,包括:
拍摄模块,用于根据第一相机焦距拍摄建筑施工平面,得到第一图像;
可见区域获取模块,根据所述第一图像获得多个可见区域;
所述拍摄模块还用于根据第二相机焦距拍摄所述多个可见区域,得到多个第二图像;所述第二相机焦距大于所述第一相机焦距;
施工区域获取模块,用于获取每个所述第二图像中包含指定施工阶段的施工区域;
所述拍摄模块还用于根据第三相机焦距拍摄所述施工区域,得到第三图像;所述第三相机焦距大于所述第二相机焦距。
进一步地,所述可见区域获取模块还用于根据所述第一图像确定目标区域;将所述目标区域划分为所述多个可见区域。
第三方面,本申请提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的施工节点的信息采集方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的施工节点的信息采集方法的流程示意图;
图2为本申请实施例提供的获取多个可见区域的流程示意图;
图3为本申请实施例提供的根据第二相机焦距拍摄所述多个可见区域的流程示意图;
图4为本申请实施例提供的根据第三相机焦距拍摄所述施工区域的流程示意图;
图5为本申请实施例提供的施工节点的信息采集装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
现有采集施工节点图像的方法,通常在一个角度区间内,根据相机视场角计算出步进角度,按照步进角度旋转视频测量设备云台并依次采集图像,使采集的多张图像覆盖目标施工平面的所有可见区域。当目标施工区域较大而相机视场角较小时,常常需要采集几百张甚至上千张图像才能覆盖目标施工区域,对拍摄时长和数据存储都带来了极大的压力。另外,由于同一施工平面可能存在多个并行的施工阶段,导致不能精确获取项目施工进度,然而有些关键节点图像又必须在指定的施工阶段获取,为了拍摄到满足要求的关键节点图像,需要每天采集施工节点图像,进一步增大了存储压力。
实施例1
参见图1,本申请实施例提供一种施工节点的信息采集方法,应用在工地视频测量设备上,视频测量设备至少包括:设置在云台上的摄像机,激光测距仪。
该方法包括:
S1:根据第一相机焦距拍摄建筑施工平面,得到第一图像;
S2:根据所述第一图像获得多个可见区域;
S3:根据第二相机焦距拍摄所述多个可见区域,得到多个第二图像;所述第二相机焦距大于所述第一相机焦距;
S4:获取每个所述第二图像中包含指定施工阶段的施工区域;
S5:根据第三相机焦距拍摄所述施工区域,得到第三图像;所述第三相机焦距大于所述第二相机焦距。
示例性地,第一相机焦距为可变倍摄像机的最小相机焦距。
S1中,以第一相机焦距拍摄建筑施工平面,不一定是单个第一图像包含整个建筑施工平面,也可能是不同云台角度下拍摄的多个第一图像覆盖建筑施工平面。举例来说,可以根据第一相机焦距的水平视场角和垂直视场角将建筑施工平面分割成多个小矩形,转动云台使得摄像机对准每个小矩形的中心,然后截取视频画面,所有视频截图画面就覆盖了建筑施工平面的区域。
首先根据第一相机焦距拍摄施工平面,得到了第一图像,将第一图像进行处理,获得多个可见区域,接着,加大相机焦距,根据第二相机焦距拍摄多个可见区域,得到多个第二图像,获取每张第二图像中包含指定施工阶段的施工区域,进一步地,加大相机焦距,得到第三图像。通过逐步拍摄识别的方式确定第三图像,第三图像的区域比第一图像的区域小,且包括了施工区域,剔除其他不需要的区域图像,因此只需要较小的存储空间。相比于现有技术,减少了拍摄第三图像的次数和耗时,降低了存储设备的存储压力。
参见图2,在一种可能的实施方式中,S2包括:
S21:根据所述第一图像确定目标区域;
S22:将所述目标区域划分为多个可见区域。
上述实施例中,首先根据第一图像初步确定目标区域,接着,再将目标区域划分为多个可见区域。基于上述实施方式,能够快速地获取多个可见区域。
在一种可能的实施方式中,S21通过以下步骤完成:
利用基于深度卷积神经网络的目标检测模型或基于深度卷积神经网络的实例分割模型中的一种,对所述第一图像进行处理,获得所述目标区域。
上述实施例中,基于深度卷积神经网络的目标检测模型和基于深度卷积神经网络的实例分割模型能够准确地识别出目标区域。
参见图3,在一种可能的实施方式中,S3包括:
S31:获取所述目标区域的宽度和高度,以及所述可见区域的宽度和高度;
S32:根据所述目标区域的宽度和高度、所述可见区域的宽度和高度确定每个所述可见区域的中心像素坐标;
S33:根据所述可见区域的中心像素坐标确定云台的多个旋转角度;
S34:根据所述云台的多个旋转角度旋转所述云台到指定位置,控制摄像机以所述第二相机焦距进行拍摄;
S35:截取摄像机的拍摄画面,得到所述多个第二图像。
上述实施例中,可见区域的宽度和高度可以根据第二相机焦距的视场角和第一相机焦距的视场角计算得到。具体的计算方法为:
其中,w2, h2为可见区域的宽度和高度,w1, h1为第一图像的宽度和高度,a1, b1为第一相机焦距的水平视场角和垂直视场角,a2,b2为第二相机焦距的水平视场角和垂直视场角。
上述实施例中,首先获取目标区域的宽度和高度,以及所述可见区域的宽度和高度计算出每个可见区域的中心像素坐标,基于可见区域的中心像素坐标,能够确定云台的旋转角度,每个旋转角度对应摄像机对准每个可见区域的中心,当云台旋转到每个指定位置时,控制摄像机以第二相机焦距进行拍摄,截取当前的拍摄画面,获得多个第二图像。上述步骤中,第二相机焦距大于第一相机焦距,因此,获取的第二图像具有更高的清晰度。
在一种可能的实施方式中,S4包括:利用基于深度卷积神经网络的目标检测模型或基于深度卷积神经网络的实例分割模型中的一种,对所述第二图像进行处理,获得所述包含指定施工阶段的施工区域。
在一种可能的实施方式中,指定施工阶段包括:模板支架搭设阶段、墙柱钢筋绑扎阶段、梁板支模阶段、梁板钢筋绑扎阶段、安装管线预埋阶段、砼浇筑,将墙柱钢筋绑扎阶段、梁板支模阶段、梁板钢筋绑扎阶段作为指定施工阶段。
上述实施例中,基于深度卷积神经网络的目标检测模型(如YOLOv4)和基于深度卷积神经网络的实例分割模型(如MaskRCNN)能够准确地识别出包含指定施工阶段的施工区域。
利用基于深度卷积神经网络的目标检测模型进行处理,得到的是基于到包含建筑施工平面的目标区域,此时所述目标区域由矩形框表示。后续需要利用图像处理技术手段将目标区域提取出来。利用基于深度卷积神经网络的实例分割模型进行处理,此时所述目标区域由组成轮廓的像素坐标点集合表示。
参见图4,在一种可能的实施方式中,S5包括:
S51:获取所述第三相机焦距的水平视场角和垂直视场角,以及所述包含指定施工阶段的施工区域的高度和宽度;
S52:根据所述第三相机焦距的水平视场角和垂直视场角、所述包含指定施工阶段的施工区域的高度和宽度确定每个所述包含指定施工阶段的施工区域的中心像素坐标;
S53:根据所述施工区域的中心像素坐标确定所述云台的多个旋转角度;
S54:根据所述云台的多个旋转角度旋转所述云台到指定位置,控制摄像机以所述第三相机焦距进行拍摄;
S55:截取所述摄像机的拍摄画面,得到所述多个第三图像。
上述实施例中,可以根据第二相机焦距的水平视场角和垂直视场角、第三相机焦距的水平视场角和垂直视场角与第二图像的宽度和高度,计算得到每张第三图像在第二图像中的宽度和高度。然后根据第三图像在第二图像中的宽度和高度,和第二图像中包含指定施工阶段的施工区域,计算出每张第三图像在第二图像的中心点像素坐标,即每个包含指定施工阶段的施工区域的中心像素坐标。
上述实施例中,首先获取第三相机焦距的水平视场角和垂直视场角、包含指定施工阶段的施工区域的高度和宽度,接着,根据第三相机焦距的水平视场角和垂直视场角,包含指定施工阶段的施工区域的高度和宽度确定每个包含指定施工阶段的施工区域的中心像素坐标,根据施工区域的中心像素坐标确定云台的多个旋转角度,基于云台的旋转角度,控制云台进行旋转,以使摄像机对准包含指定施工阶段的施工区域的中心,从而获得包含指定施工阶段的施工区域的全部第三图像。
在一种可能的实施方式中,S5之后,方法还包括:
获取当前激光测距仪的激光距离;
所述得到所述第三图像之后,还包括:
将所述第三图像、所述云台的旋转角度和所述激光距离进行存储。
需要说明的是,以上所述的高度和宽度可以是实际的尺寸,也可以是像素为单元。
实施例2
参见图5,本申请实施例提供了一种施工节点的信息采集装置,包括:
拍摄模块1,用于根据第一相机焦距拍摄建筑施工平面,得到第一图像;
可见区域获取模块2,根据所述第一图像获得多个可见区域;
所述拍摄模块1还用于根据第二相机焦距拍摄所述多个可见区域,得到多个第二图像;所述第二相机焦距大于所述第一相机焦距;
施工区域获取模块3,用于获取每个所述第二图像中包含指定施工阶段的施工区域;
所述拍摄模块1还用于根据第三相机焦距拍摄所述施工区域,得到第三图像;所述第三相机焦距大于所述第二相机焦距。
在一种可能的实施方式中,所述可见区域获取模块2还用于根据所述第一图像确定目标区域;将所述目标区域划分为多个可见区域。
在一种可能的实施方式中,所述可见区域获取模块2还用于利用基于深度卷积神经网络的目标检测模型或基于深度卷积神经网络的实例分割模型中的一种,对所述第一图像进行处理,获得所述目标区域。
在一种可能的实施方式中,拍摄模块1还用于获取所述目标区域的宽度和高度,以及所述可见区域的宽度和高度;
根据所述目标区域的宽度和高度、所述可见区域的宽度和高度确定每个所述可见区域的中心像素坐标;
根据所述可见区域的中心像素坐标确定云台的多个旋转角度;
根据所述云台的多个旋转角度旋转所述云台到指定位置,控制摄像机以所述第二相机焦距进行拍摄;
截取摄像机的拍摄画面,得到所述多个第二图像。
在一种可能的实施方式中,施工区域获取模块3还用于利用基于深度卷积神经网络的目标检测模型或基于深度卷积神经网络的实例分割模型中的一种,对所述第二图像进行处理,获得所述包含指定施工阶段的施工区域。
在一种可能的实施方式中,施工区域获取模块3还用于获取所述第三相机焦距的水平视场角和垂直视场角,以及所述包含指定施工阶段的施工区域的高度和宽度;
根据所述第三相机焦距的水平视场角和垂直视场角、所述包含指定施工阶段的施工区域的高度和宽度确定每个所述包含指定施工阶段的施工区域的中心像素坐标;根据所述施工区域的中心像素坐标确定所述云台的多个旋转角度;根据所述云台的多个旋转角度旋转所述云台到指定位置,控制摄像机以所述第三相机焦距进行拍摄;截取所述摄像机的拍摄画面,得到所述第三图像。
在一种可能的实施方式中,装置还包括存储模块,用于在所述根据所述云台的多个旋转角度旋转所述云台到指定位置的步骤之后,获取当前激光测距仪的激光距离;得到所述多个第三图像之后,将所述第三图像、所述云台的旋转角度和所述激光距离进行存储。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动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。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (5)

1.一种施工节点的信息采集方法,其特征在于,包括:
根据第一相机焦距拍摄建筑施工平面,得到第一图像;
根据所述第一图像获得多个可见区域;
根据第二相机焦距拍摄所述多个可见区域,得到多个第二图像;所述第二相机焦距大于所述第一相机焦距;
获取每个所述第二图像中包含指定施工阶段的施工区域;
根据第三相机焦距拍摄所述施工区域,得到第三图像;所述第三相机焦距大于所述第二相机焦距;
所述根据所述第一图像获得多个可见区域的步骤,包括:
根据所述第一图像确定目标区域;
将所述目标区域划分为所述多个可见区域;
所述根据第二相机焦距拍摄所述多个可见区域,得到多个第二图像的步骤,包括:
获取所述目标区域的宽度和高度,以及所述可见区域的宽度和高度;
根据所述目标区域的宽度和高度、所述可见区域的宽度和高度确定每个所述可见区域的中心像素坐标;
根据所述可见区域的中心像素坐标确定云台的多个旋转角度;
根据所述云台的多个旋转角度旋转所述云台到指定位置,控制摄像机以所述第二相机焦距进行拍摄;
截取摄像机的拍摄画面,得到所述多个第二图像;
所述根据第三相机焦距拍摄所述施工区域,得到第三图像包括:
获取所述第三相机焦距的水平视场角和垂直视场角,以及所述包含指定施工阶段的施工区域的高度和宽度;
根据所述第三相机焦距的水平视场角和垂直视场角、所述包含指定施工阶段的施工区域的高度和宽度确定每个所述包含指定施工阶段的施工区域的中心像素坐标;
根据所述施工区域的中心像素坐标确定所述云台的多个旋转角度;
根据所述云台的多个旋转角度旋转所述云台到指定位置,控制摄像机以所述第三相机焦距进行拍摄;
截取所述摄像机的拍摄画面,得到多个所述第三图像;
获取当前激光测距仪的激光距离;
将所述第三图像、所述云台的旋转角度和所述激光距离进行存储。
2.根据权利要求1所述的施工节点的信息采集方法,其特征在于,所述根据所述第一图像确定目标区域的步骤,包括:
利用基于深度卷积神经网络的目标检测模型或基于深度卷积神经网络的实例分割模型中的一种,对所述第一图像进行处理,获得所述目标区域。
3.根据权利要求1所述的施工节点的信息采集方法,其特征在于,所述获取每个所述第二图像中包含指定施工阶段的施工区域的步骤,包括:
利用基于深度卷积神经网络的目标检测模型或基于深度卷积神经网络的实例分割模型中的一种,对所述第二图像进行处理,获得所述包含指定施工阶段的施工区域。
4.一种施工节点的信息采集装置,其特征在于,包括:
拍摄模块,用于根据第一相机焦距拍摄建筑施工平面,得到第一图像;
可见区域获取模块,根据所述第一图像获得多个可见区域;
所述拍摄模块还用于根据第二相机焦距拍摄所述多个可见区域,得到多个第二图像;所述第二相机焦距大于所述第一相机焦距;
施工区域获取模块,用于获取每个所述第二图像中包含指定施工阶段的施工区域;
所述拍摄模块还用于根据第三相机焦距拍摄所述施工区域,得到第三图像;所述第三相机焦距大于所述第二相机焦距;
所述可见区域获取模块还用于根据所述第一图像确定目标区域;将所述目标区域划分为多个可见区域;
拍摄模块还用于获取所述目标区域的宽度和高度,以及所述可见区域的宽度和高度;
根据所述目标区域的宽度和高度、所述可见区域的宽度和高度确定每个所述可见区域的中心像素坐标;
根据所述可见区域的中心像素坐标确定云台的多个旋转角度;
根据所述云台的多个旋转角度旋转所述云台到指定位置,控制摄像机以所述第二相机焦距进行拍摄;
截取摄像机的拍摄画面,得到所述多个第二图像;
施工区域获取模块还用于获取所述第三相机焦距的水平视场角和垂直视场角,以及所述包含指定施工阶段的施工区域的高度和宽度;
根据所述第三相机焦距的水平视场角和垂直视场角、所述包含指定施工阶段的施工区域的高度和宽度确定每个所述包含指定施工阶段的施工区域的中心像素坐标;根据所述施工区域的中心像素坐标确定所述云台的多个旋转角度;根据所述云台的多个旋转角度旋转所述云台到指定位置;
装置还包括存储模块,用于获取当前激光测距仪的激光距离;
施工区域获取模块还用于控制摄像机以所述第三相机焦距进行拍摄;截取所述摄像机的拍摄画面,得到所述第三图像;
存储模块,还用于将所述第三图像、所述云台的旋转角度和所述激光距离进行存储。
5.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的施工节点的信息采集方法。
CN202111059592.0A 2021-09-10 2021-09-10 一种施工节点的信息采集方法、装置及存储介质 Active CN113688824B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111059592.0A CN113688824B (zh) 2021-09-10 2021-09-10 一种施工节点的信息采集方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111059592.0A CN113688824B (zh) 2021-09-10 2021-09-10 一种施工节点的信息采集方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113688824A CN113688824A (zh) 2021-11-23
CN113688824B true CN113688824B (zh) 2024-02-27

Family

ID=78585921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111059592.0A Active CN113688824B (zh) 2021-09-10 2021-09-10 一种施工节点的信息采集方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113688824B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016184131A1 (zh) * 2015-10-21 2016-11-24 中兴通讯股份有限公司 基于双摄像头拍摄图像的方法、装置及计算机存储介质
CN110035218A (zh) * 2018-01-11 2019-07-19 华为技术有限公司 一种图像处理方法、图像处理装置及拍照设备
CN112514366A (zh) * 2020-02-28 2021-03-16 深圳市大疆创新科技有限公司 图像处理方法、图像处理装置和图像处理系统
CN112770041A (zh) * 2019-11-05 2021-05-07 杭州海康威视数字技术股份有限公司 一种多个变焦镜头切换的图像处理方法、以及摄像机
CN112840374A (zh) * 2020-06-30 2021-05-25 深圳市大疆创新科技有限公司 图像处理方法、图像获取装置、无人机、无人机系统和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016184131A1 (zh) * 2015-10-21 2016-11-24 中兴通讯股份有限公司 基于双摄像头拍摄图像的方法、装置及计算机存储介质
CN110035218A (zh) * 2018-01-11 2019-07-19 华为技术有限公司 一种图像处理方法、图像处理装置及拍照设备
CN112770041A (zh) * 2019-11-05 2021-05-07 杭州海康威视数字技术股份有限公司 一种多个变焦镜头切换的图像处理方法、以及摄像机
CN112514366A (zh) * 2020-02-28 2021-03-16 深圳市大疆创新科技有限公司 图像处理方法、图像处理装置和图像处理系统
CN112840374A (zh) * 2020-06-30 2021-05-25 深圳市大疆创新科技有限公司 图像处理方法、图像获取装置、无人机、无人机系统和存储介质

Also Published As

Publication number Publication date
CN113688824A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
US10122997B1 (en) Automated matrix photo framing using range camera input
EP2998778B1 (en) Multi-camera laser scanner
US8755632B2 (en) Methods and systems for creating an aligned bank of images with an iterative self-correction technique for coordinate acquisition and object detection
US9466119B2 (en) Method and apparatus for detecting posture of surveillance camera
CN112731343B (zh) 一种测量摄像机的目标测量方法及装置
JPWO2014010174A1 (ja) 画角変動検知装置、画角変動検知方法および画角変動検知プログラム
US9031355B2 (en) Method of system for image stabilization through image processing, and zoom camera including image stabilization function
CN104333694A (zh) 一种防止门店拜访拍照造假的方法
CN110602376B (zh) 抓拍方法及装置、摄像机
CN111310753A (zh) 一种表计对准方法及装置
CN110749311B (zh) 定位方法、装置以及存储介质
CN113658279B (zh) 相机内参和外参估算方法、装置、计算机设备及存储介质
CN113808200B (zh) 一种检测目标对象移动速度的方法、装置及电子设备
CN114882003A (zh) 一种检测相机的拍摄位姿变化的方法、介质及计算设备
CN113688824B (zh) 一种施工节点的信息采集方法、装置及存储介质
CN113301257A (zh) 一种基于全景图像的子图像采集方法及装置
CN107346536B (zh) 一种图像融合的方法与装置
CN117057996A (zh) 光伏板图像的处理方法、装置、设备及介质
KR101076487B1 (ko) Sift 알고리즘을 이용한 ptz 카메라의 자동영역확대 제어 장치 및 방법
CN113689458B (zh) 一种2d拍摄轨迹路径计算方法及装置
CN111917989B (zh) 一种视频拍摄方法及装置
CN113038120B (zh) 一种回程差确定方法及装置
JP2020135450A (ja) 橋梁などの構造物を効率的に検査するための画像処理システム、画像処理方法及びプログラム
CN115834983B (zh) 一种多源信息融合的数字化环境监控方法及系统
CN113781373B (zh) 图像融合方法、设备及计算机存储介质

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