CN113884011A - 一种非接触式混凝土表观裂缝测量设备和方法 - Google Patents

Abstract

本发明公开一种非接触式混凝土表观裂缝测量设备和方法，其中连接支架的圆弧部分粘接到相机镜头上，两个激光测距仪粘接在耳板上；激光测距仪和相机的数据传入微型计算机中。测量时，使两个激光点连线覆盖待测裂缝全部或大部分，并在测距读数近似相等时进行拍摄；微型计算机对裂缝识别，得到预测的裂缝二值图像；将裂缝二值图像进行骨架化处理，得到垂直于骨架走向的裂缝最大像素宽度；结合两个激光测距仪的测量值、相机参数、激光测距仪基准点与镜头平面的固定偏距，得到图片尺寸相对于实际尺寸的缩放比例；根据缩放比例和最大像素宽度计算得到裂缝的最大实际宽度。本发明能有效实现对表观裂缝最大宽度的非接触式测量，能提高裂缝缺陷检测效率。

Description

一种非接触式混凝土表观裂缝测量设备和方法

技术领域

本发明涉及混凝土结构健康检测领域，具体涉及一种非接触式混凝土表观裂缝测量设备和方法。

背景技术

裂缝缺陷是建筑、桥梁、隧洞衬砌等混凝土结构的典型病害，裂缝的出现会在一定程度上影响结构的完整性和可靠性，任由其不断地扩展甚至会引发严重的安全事故。因此，需要定期对混凝土结构进行缺陷检查、评估和修复，以确保结构的长期安全稳定运营。

目前，传统的混凝土结构裂缝检测仍以人工检测为主。例如，隧洞衬砌混凝土裂缝检修过程中，需要有资质的检查人员进入隧洞内部通过肉眼来检查衬砌状况、使用裂缝测宽仪器、超声波检测仪等对裂缝进行测量，并记录缺陷的简要信息和大致位置。这种方法主要依赖技术人员的经验和判断力，不仅存在主观性强的缺陷，而且对于拱顶等不易触及到的部位，裂缝测量难度会增大，导致检测成本加大、检测效率相对较低。

目前在计算机视觉领域有许多传统的裂缝检测方法，例如FHT(Fast HaarTransform，快速哈尔变换)和FFT(Fast Fourier Transform，快速傅里叶变换)等边缘检测技术，然而这种传统的裂缝自动检测方法需要在建立模型时人工设计特征和参数，这导致前期的工作量很大，且设计参数时无法考虑到所有干扰因素，这导致传统裂缝检测方法难以处理复杂环境下的图像。

近些年来，卷积神经网络等深度学习技术的发展为混凝土结构裂缝缺陷的检测提供了新的解决方案，但这种用于混凝土结构裂缝缺陷的检测的卷积神经网络深度学习技术通常只是实现对图片中裂缝像素范围的识别，无法直接得到裂缝的实际最大宽度信息，从而无法用来评价裂缝的裂缝风险，因此混凝土结构裂缝缺陷检测效率依然较低。

综上，发明一种便携式的非接触式混凝土裂缝测量设备，并提出相应的混凝土表观裂缝实际宽度测量方法，以有效提高混凝土结构裂缝缺陷检测的效率，是目前相关工程领域亟待解决的技术问题。

发明内容

为了克服目前，本发明提供了一种非接触式混凝土表观裂缝测量设备和方法，其能够实现对混凝土结构表观裂缝的快速、非接触式的测量，因此能够有效提高裂缝测量的效率。

为了实现上述目的，本发明采用了以下技术方案：

本发明提供一种非接触式混凝土表观裂缝测量方法，其包括：

步骤S1，控制测量设备的两个激光测距仪进行动态测距；并在测距过程中使两个激光点连线覆盖待测裂缝全部或大部分；

步骤S2，调整测量设备的相机的空间位置及角度，使得相机镜头尽可能正对混凝土结构表面；

步骤S3，微型计算机判断两个激光测距仪的测量值是否近似相等，若两个激光测距仪的测量值的误差在设定范围内，则控制测量设备的相机进行拍摄，得到混凝土结构裂缝图像；

步骤S5，微型计算机通过数据线和转换器实时接收混凝土结构裂缝图像、两个激光测距仪测量值、相机参数；

步骤S6，微型计算机调用裂缝识别模块，基于之前得到的混凝土结构图像裂缝识别预训练模型，对图像中的裂缝进行识别，得到预测的混凝土结构的裂缝二值图像；

步骤S7，微型计算机调用最大裂缝宽度估计模块，使用骨架提取算法将预测的裂缝二值图像进行骨架化处理，得到单个像素宽的裂缝骨架脊线；并计算得到垂直于裂缝骨架脊线走向的裂缝最大像素宽度；

步骤S8，微型计算机调用实际裂缝宽度计算模块，结合两个激光测距仪的测量值、相机的参数、激光测距仪基准点与镜头平面的固定偏距，首先计算得到图片尺寸相对于实际尺寸的缩放比例；再通过缩放比例和最大像素宽度计算得到混凝土表观裂缝的最大实际宽度。

更优选的，所述步骤S8包括：

微型计算机调用实际裂缝宽度计算模块，利用如下计算公式计算混凝土结构表观裂缝最大实际宽度：

u＝(d₁+d₂-2s)/2 式(4)

W_Actual＝k·W_max 式(7)

其中，u为物体与相机镜头的距离(即物距)，d₁和d₂分别为两个激光测距仪的测量值，s为两个激光测距仪基准点A₁、B₁与镜头平面的固定偏距，k为图片尺寸相对于实际尺寸的缩放比例，f为镜头的焦距，d为传感器横向或纵向尺寸(单位：mm)，p为相机横向或纵向分辨率(单位：pixel)，v为像距(单位：mm)，W_max为混凝土表观裂缝的最大像素宽度，W_Actual为混凝土表观裂缝的最大实际宽度。

更优选的，所述的混凝土结构图像裂缝识别预训练模型通过如下方法得到：

收集混凝土表面裂缝图像；利用收集到的混凝土表面裂缝图像对全卷积神经网络进行训练和测试，得到混凝土结构裂缝图像识别预训练模型。

更优选的，所述的利用收集到的混凝土表面裂缝图像对全卷积神经网络进行训练和测试，得到混凝土结构裂缝图像识别预训练模型的过程，包括：

使用专业的图像标注工具对数据库的裂缝图像进行标注，并通过图像转换脚本处理得到二值标注裂缝图像；

将二值标注裂缝图像存入微型计算机，建立裂缝图像样本数据库，按照设定比例将二值标注裂缝图像样本划分训练集、验证集和测试集，并对全卷积神经网络进行训练和测试，得到混凝土结构裂缝图像识别预训练模型。

更优选的，所述的非接触式混凝土表观裂缝测量设备包括：

相机、激光测距仪、连接支架和微型计算机；

连接支架包括圆弧部分，以及在圆弧部分两侧的耳板；圆弧部分粘接到相机的镜头上，两个激光测距仪粘接在连接支架的耳板上；

激光测距仪为两个，二者的基准点连线与相机的镜头平面平行，且发射平行激光；

相机和激光测距仪与微型计算机相连接，在测量过程中，向微型计算机传输混凝土表观裂缝照片、相机参数和两个激光测距仪的测量值；

微型计算机根据接收到的裂缝照片、相机参数和激光测距仪的测量值对裂缝最大宽度进行分析计算。

本发明还提供一种非接触式混凝土表观裂缝测量设备，其包括：

相机、激光测距仪、连接支架和微型计算机；

连接支架包括圆弧部分，以及在圆弧部分两侧的耳板；圆弧部分粘接到相机的镜头上，两个激光测距仪粘接在连接支架的耳板上；

激光测距仪为两个，二者的基准点连线与相机的镜头平面平行，且发射平行激光；

相机和激光测距仪与微型计算机相连接，在测量过程中，向微型计算机传输混凝土表观裂缝照片、相机参数和两个激光测距仪的测量值；

微型计算机根据接收到的裂缝照片、相机参数和激光测距仪的测量值对裂缝最大宽度进行分析计算。

由上述发明的技术方案可以看出，本发明具有如下有益效果：

1、本发明通过相机、激光测距仪和微型计算机同时协作，能够实现对混凝土结构表观裂缝的快速、非接触式的测量，有效提高了裂缝测量的效率；

2、本发明基于收集的混凝土裂缝图像大数据库和标注后的得到二值标注裂缝图像，对改进的全卷积神经网络模型进行训练，并利用预训练模型实现对混凝土图像裂缝的语义分割，具有更高的准确率和鲁棒性，一定程度上避免了人工选择裂缝范围的主观性；

3、本发明的设备成本相对较低，且较为便携，能够有效地通过微型计算机计算并得到混凝土表观裂缝的最大宽度，对于混凝土结构的裂缝损伤检测及病害等级评估具有重要指导意义。

附图说明

图1为本发明的非接触式混凝土表观裂缝测量设备的结构示意图；

图2为本发明的连接支架的结构示意图；

图3为本发明的混凝土结构表观裂缝拍摄及测量示意图；

图4为本发明对应的非接触式混凝土表观裂缝测量的总体流程图；

图5为本发明的一种混凝土表观裂缝原图及标注处理后的图像；

图6为本发明的改进的全连接神经网络结构图；

图7为本发明的混凝土结构表观裂缝最大实际宽度计算原理示意图；

图8为本发明的一种混凝土图像裂缝的原图、语义分割结果和骨架化处理结果图；

图9为裂缝骨架脊线示意图；

图10为本发明的混凝土表观裂缝最大宽度测量值与真实值对比图。

附图中：

相机1、镜头11、激光测距仪2、连接支架3、数据线4、转换器5、微型计算机6、处理器61、存储器62、显示屏63、混凝土结构10、表观裂缝20、传感器平面30、裂缝骨架脊线40。

具体实施方式

为了使本发明的目的、技术方案及优点更加清晰，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限制本发明的范围。基于本申请中的实施例，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，都属于本申请保护的范围。

本发明提供了一种非接触式混凝土表观裂缝测量设备，

若想得到实际裂缝宽度，则要求相机尽可能正对裂缝拍摄，通过算法识别图片中裂缝像素范围和最大像素宽度，并结合相机参数、物距等计算出单位像素的实际尺寸。其结构如图1-图3所示，其包括：相机1、激光测距仪2、连接支架3、数据线4、转换器5和微型计算机6。

连接支架3的结构如图2所示，其包括位于中部的圆弧部分，以及在圆弧部分两侧的耳板。连接支架3的圆弧部分通过双面胶粘接到相机1的镜头11上，两个激光测距仪2通过双面胶粘接在连接支架3的耳板上；

激光测距仪2为两个，二者的基准点连线与相机1的镜头平面平行，且发射平行激光；两个激光测距仪2与相机1的镜头11的偏距固定且已知，记录为s；

相机1和激光测距仪2通过数据线4和转换器5与微型计算机6相连接，在测量过程中，可实时向微型计算机6传输混凝土表观裂缝照片、相机参数和两个激光测距仪2的读数等数据。转换器5和数据线4也可以用无线蓝牙技术替代进行数据传输。

微型计算机6由处理器61、存储器62和显示屏63组装而成，处理器内置三个模块：裂缝识别模块、最大像素宽度估计模块和实际裂缝宽度计算模块，根据接收到照片以及相机参数和激光测距仪2的读数(即测量值)进行分析计算。存储器62用于存储接收到的信息以及处理器61计算后得到的数据。显示屏63用于将接收到的信息以及计算得到的数据呈现给使用者。

上述相机1可以采用单反相机，也可以采用其他图像采集设备，可配备三脚架来保证图像拍摄时设备的稳定。

上述激光测距仪2可以采用动态激光测距仪。

上述转换器5可以为USB转换器，也可以是其它形式的转换器。

使用本发明的非接触式混凝土表观裂缝测量设备时，开启两个激光测距仪2进行动态测距，使待测裂缝的大致方向与两个激光点的连线近似处于同一直线上(如图3所示)，也就是说，使两个激光点的连线完全覆盖待测裂缝，或者使两个激光点的连线覆盖待测裂缝的大部分；调整相机1的空间位置及角度，使得相机的镜头11尽可能正对混凝土结构表面进行拍摄；当确认两个激光测距仪2的测量值近似相等时，进行混凝土裂缝拍摄；然后将拍摄的裂缝图片传输给微型计算机6，微型计算机6通过预训练的深度学习模型识别裂缝；根据两个激光测距仪2的测量值d₁和d₂、两个激光测距仪2基准点与相机1的镜头11的固定偏距s、相机参数等参数，计算拍摄的裂缝图片尺寸相对于裂缝实际尺寸的缩放比例；并确定最大像素宽度W_max；最后通过确定的最大像素宽度W_max和拍摄的裂缝图片尺寸相对于裂缝实际尺寸的缩放比例，计算得到裂缝的实际最大宽度。

本发明还提供一种非接触式混凝土表观裂缝测量方法，实施本方法之前，首先做好如下两个工作：

其一：收集混凝土表面裂缝图像；利用收集到的混凝土表面的裂缝图像对全卷积神经网络进行训练和测试，得到混凝土结构裂缝图像识别预训练模型。

使用专业的图像标注工具LabelMe对数据库的裂缝图像进行标注，并通过图像转换脚本最终处理得到二值标注裂缝图像，如图5所示为混凝土表观裂缝图像的原图及标注处理后的裂缝图像，其中属于裂缝范围像素的灰度值为255(白色)，属于非裂缝范围像素的灰度值为0(黑色)；

将标注后得到的二值标注裂缝图像存入微型计算机6，建立裂缝图像样本数据库，按照6:1:1的比例将二值标注裂缝图像样本划分训练集、验证集和测试集，并对全卷积神经网络进行训练和测试，得到混凝土结构裂缝图像识别预训练模型；

当裂缝图像的像素分辨率过大时，可增加图像的裁剪操作，将图片调整至合适的分辨率，防止系统存储器溢出、提高模型的训练速度；例如，先将隧洞衬砌裂缝图像对应的原图尺寸为4288×2848像素分辨率的图像转换为1372×911像素分辨率图像，再将其统一裁剪为448×448像素分辨率图像，最后通过筛选，使得数据集中含有裂缝和不含裂缝的图像比例为1:1。

更进一步地，采用改进的全卷积神经网络模型CrackRecNet进行混凝土结构表观裂缝的语义分割，得到裂缝的二值图像(如图8所示的语义分割裂缝识别结果)，如图6所示，该全卷积神经网络模型总共包含22个卷积层(卷积核大小均为3×3)、5个2×2最大池化层、5个转置卷积层(卷积核大小均为4×4)和1个输出层，采用交叉熵损失函数loss来衡量全卷积神经网络模型的学习效果，其计算公式如下：

其中，n为图像的像素点数量，Y为图像中单个像素的真实值，Y′为图像中单个像素的预测值；

其二：将非接触式混凝土表观裂缝测量设备组装好，并调试正常。

按照图1所示，将相机和两个激光测距仪通过连接支架和双面胶连接起来，使得两个激光测距仪的基准点的连线和相机镜头平面平行且发射平行激光；并将上述连接好的设备通过数据线和转换器与预先组装好的微型计算机相连接；对设备进行调试，检验设备连接是否良好，并确定两个激光测距仪基准点A₁、B₁与镜头平面的固定偏距s，将固定偏距s输入到微型计算机的实际裂缝宽度计算模块，此时被拍摄物体到相机镜头的距离(即物距)则为激光测距仪的测量值减去固定偏距s。

调整好非接触式混凝土表观裂缝测量设备和得到混凝土结构裂缝图像识别预训练模型后，执行本发明的非接触式混凝土表观裂缝测量方法，其总体实施流程如图4所示，包括以下步骤：

步骤S1，控制测量设备的两个激光测距仪进行动态测距；并在测距过程中使待测裂缝的长度大致方向与两个激光点连线近似处于同一条直线上(也就是说，使两个激光点连线覆盖待测裂缝全部或大部分)；

如图3所示为本发明的混凝土结构表观裂缝拍摄及测量示意图，使待测裂缝的长度大致方向与两个激光点近似处于同一条直线上。

步骤S2，调整测量设备的相机的空间位置及角度，使得相机镜头尽可能正对混凝土结构裂缝表面。

步骤S3，微型计算机判断两个激光测距仪的测量值d₁和d₂是否近似相等，若两个激光测距仪的测量值的误差在设定范围(如1％)内，若是，则执行步骤S4，即控制测量设备的相机对着裂缝进行拍摄，得到混凝土结构裂缝图像；否则，继续返回步骤S2；

更优选的，可在微型计算机中设置物距计算模块，两个激光测距仪的动态测量值实时通过数据线和转换器传入微型计算机中；微型计算机通过物距计算模块计算测量误差(|d₁-d₂|)/d₁和(|d₁-d₂|)/d₂，并在触摸显示屏上进行实时显示；当测量误差(|d₁-d₂|)/d₁和(|d₁-d₂|)/d₂均小于1％时，则控制测量设备中的相机进行混凝土裂缝照片拍摄。

步骤S5，微型计算机通过数据线和转换器实时接收混凝土结构裂缝图像、两个激光测距仪测量值d₁和d₂、相机参数；

步骤S6，微型计算机调用裂缝识别模块，基于之前得到的混凝土结构裂缝图像识别预训练模型，对图像中的裂缝进行识别，得到预测的混凝土结构的裂缝二值图像；

步骤S7，微型计算机调用最大裂缝宽度估计模块，使用骨架提取算法将预测的裂缝二值图像进行骨架化处理，即将图像中的裂缝从多像素宽度转化为单像素宽度，得到单个像素宽的裂缝骨架脊线；并计算得到垂直于裂缝骨架脊线走向的裂缝最大像素宽度W_max。

如图8所示为本发明的混凝土图像裂缝的原图、语义分割结果和骨架化处理结果图；

首先根据计算分析模块中的深度学习模型识别图像中的裂缝，将裂缝和图像背景区分开；其次，通过骨架提取算法对裂缝进行细化，得到单个像素宽的裂缝骨架脊线40(如图9所示)。得到单像素宽的裂缝骨架脊线之后，在垂直于单像素宽的裂缝骨架脊线方向对裂缝像素进行求和，从而到每个骨架像素点所在位置的像素宽度，并从中得到裂缝的最大像素宽度，计算裂缝的最大像素宽度的公式如下：

W_max＝max(∑f(x,y)dl) 式(2)

其中，W_max为最大像素宽度(单位：pixel)，dl为垂直于骨架走向的裂缝像素宽度；以裂缝图片的左上角为坐标原点，x和y分别为像素点在裂缝图片中水平向和竖向的位置坐标；

步骤S8，微型计算机调用实际裂缝宽度计算模块，结合两个激光测距仪测量值d₁和d₂、相机的参数、激光测距仪基准点与镜头平面的固定偏距s，首先计算得到图片尺寸相对于实际尺寸的缩放比例k；再通过缩放比例k和最大像素宽度W_max计算得到混凝土表观裂缝的最大实际宽度W_Actual。

如图7所示为本发明的混凝土结构表观裂缝最大实际宽度计算原理示意图，该部分计算公式如下所示:

u＝(d₁+d₂-2s)/2 式(4)

W_Actual＝k·W_max 式(7)

其中，u为物体与相机镜头的距离(即物距)，d₁和d₂分别为两个激光测距仪的示数，s为两个激光测距仪基准点A₁、B₁与镜头平面的固定偏距，k为裂缝图片尺寸相对于裂缝实际尺寸的缩放比例，f为镜头的焦距，d为传感器横向或纵向尺寸(单位：mm)，p为相机横向或纵向分辨率(单位：pixel)，v为像距(单位：mm)，即相机镜头到传感器平面30的距离，W_max为混凝土表观裂缝的最大像素宽度、W_Actual为混凝土表观裂缝的最大实际宽度。

为验证本发明所提混凝土表观裂缝测量设备和方法的效果，在隧洞现场，通过本发明提供的测量设备和方法对隧洞衬砌混凝土表观裂缝进行测量，所测结果记为测量值；并通过裂缝测宽仪对相同的裂缝进行测量，记录为真实值；如图10为本发明的混凝土表观裂缝最大宽度测量值与真实值对比图，对于这15组现场数据，使用本申请提供的测量设备和方法所得的裂缝最大宽度的真实值与测量值吻合程度较高，平均误差为12.38％，最小误差仅有1.1％，对于本研究的对象细小裂缝而言，该误差范围比较小(例如实际宽度为2mm的裂缝，使用本文方法测宽得到的期望宽度在1.88-2.12mm之间，已经足够精确)，说明本文提出的混凝土表观裂缝测量设备和方法是可行的。

虽然上面结合本发明的实施例对本发明进行了详细的描述，本领域技术人员应该理解，上述实施例仅仅是对本发明的示意性实现方式的解释，并非对本发明包含范围的限定。凡在本发明的精神和原则之内，所作的简单修改、等同替换等显而易见的改变，均应包含在本发明的保护范围之内。

Claims (6)

1.一种非接触式混凝土表观裂缝测量方法，其特征在于，所述非接触式混凝土表观裂缝测量方法包括：

步骤S1，控制测量设备的两个激光测距仪进行动态测距；并在测距过程中使两个激光点连线覆盖待测裂缝全部或大部分；

步骤S2，调整测量设备的相机的空间位置及角度，使得相机镜头尽可能正对混凝土结构表面；

步骤S3，微型计算机判断两个激光测距仪的测量值的误差在设定范围内，若两个激光测距仪的测量值的误差在设定范围内，则控制测量设备的相机进行拍摄，得到混凝土结构裂缝图像；

步骤S5，微型计算机实时接收混凝土结构裂缝图像、两个激光测距仪测量值、相机参数；

步骤S6，微型计算机调用裂缝识别模块，基于之前得到的混凝土结构图像裂缝识别预训练模型，对混凝土结构裂缝图像进行识别，得到预测的混凝土结构的裂缝二值图像；

步骤S7，微型计算机调用最大裂缝宽度估计模块，使用骨架提取算法将预测的裂缝二值图像进行骨架化处理，得到单个像素宽的裂缝骨架脊线；并计算得到垂直于裂缝骨架脊线走向的裂缝最大像素宽度；

步骤S8，微型计算机调用实际裂缝宽度计算模块，结合两个激光测距仪的测量值、相机的参数、激光测距仪基准点与镜头平面的固定偏距，首先计算得到图片尺寸相对于实际尺寸的缩放比例；再通过缩放比例和裂缝最大像素宽度计算得到混凝土表观裂缝的最大实际宽度。

2.根据权利要求1所述的非接触式混凝土表观裂缝测量方法，其特征在于，所述步骤S8包括：

微型计算机调用实际裂缝宽度计算模块，利用如下计算公式计算混凝土结构表观裂缝最大实际宽度：

u＝(d₁+d₂-2s)/2 式(4)

W_Actual＝k·W_max 式(7)

其中，u为物体与相机镜头的距离(即物距)，d₁和d₂分别为两个激光测距仪的测量值，s为两个激光测距仪基准点A₁、B₁与镜头平面的固定偏距，k为图片尺寸相对于实际尺寸的缩放比例，f为镜头的焦距，d为传感器横向或纵向尺寸(单位：mm)，p为相机横向或纵向分辨率(单位：pixel)，v为像距(单位：mm)，W_max为混凝土表观裂缝的最大像素宽度，W_Actual为混凝土表观裂缝的最大实际宽度。

3.根据权利要求1所述的非接触式混凝土表观裂缝测量方法，其特征在于，所述的混凝土结构图像裂缝识别预训练模型通过如下方法得到：

收集混凝土表面裂缝图像；利用收集到的混凝土表面裂缝图像对全卷积神经网络进行训练和测试，得到混凝土结构裂缝图像识别预训练模型。

4.根据权利要求3所述的非接触式混凝土表观裂缝测量方法，其特征在于，所述的利用收集到的混凝土表面裂缝图像对全卷积神经网络进行训练和测试，得到混凝土结构裂缝图像识别预训练模型的过程，包括：

使用专业的图像标注工具对数据库的裂缝图像进行标注，并通过图像转换脚本处理得到二值标注裂缝图像；

将二值标注裂缝图像存入微型计算机，建立裂缝图像样本数据库，按照设定比例将二值标注裂缝图像样本划分训练集、验证集和测试集，并对全卷积神经网络进行训练和测试，得到混凝土结构裂缝图像识别预训练模型。

5.根据权利要求1所述的非接触式混凝土表观裂缝测量方法，其特征在于，所述的非接触式混凝土表观裂缝测量设备包括：

相机(1)、激光测距仪(2)、连接支架(3)和微型计算机(6)；

连接支架(3)包括圆弧部分，以及在圆弧部分两侧的耳板；圆弧部分粘接到相机(1)的镜头上，两个激光测距仪(2)粘接在连接支架(3)的耳板上；

激光测距仪(2)为两个，二者的基准点连线与相机(1)的镜头平面平行，且发射平行激光；

相机(1)和激光测距仪(2)与微型计算机(6)相连接，在测量过程中，向微型计算机(6)传输混凝土表观裂缝照片、相机参数和两个激光测距仪(2)的测量值；

微型计算机(6)根据接收到的裂缝照片、相机参数和激光测距仪(2)的测量值进行分析计算。

6.一种非接触式混凝土表观裂缝测量设备，其特征在于，所述非接触式混凝土表观裂缝测量设备包括：

相机(1)、激光测距仪(2)、连接支架(3)和微型计算机(6)；

连接支架(3)包括圆弧部分，以及在圆弧部分两侧的耳板；圆弧部分粘接到相机(1)的镜头上，两个激光测距仪(2)粘接在连接支架(3)的耳板上；

激光测距仪(2)为两个，二者的基准点连线与相机(1)的镜头平面平行，且发射平行激光；

相机(1)和激光测距仪(2)与微型计算机(6)相连接，在测量过程中，向微型计算机(6)传输混凝土表观裂缝照片、相机参数和两个激光测距仪(2)的测量值；

微型计算机(6)根据接收到的裂缝照片、相机参数和激光测距仪(2)的测量值进行分析计算。

Images