CN113947569B - 一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法 - Google Patents
一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法 Download PDFInfo
- Publication number
- CN113947569B CN113947569B CN202111157914.5A CN202111157914A CN113947569B CN 113947569 B CN113947569 B CN 113947569B CN 202111157914 A CN202111157914 A CN 202111157914A CN 113947569 B CN113947569 B CN 113947569B
- Authority
- CN
- China
- Prior art keywords
- damage
- scale
- curvature
- vibration
- vibration mode
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000926 separation method Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000003287 optical effect Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
针对当前传感器空间分辨率低导致结构损伤定位不准确的问题,本发明公开一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法。采用计算机视觉方法对梁型结构的振动进行高空间分辨率测量,利用盲源分离算法获取结构的振型,然后计算振型曲率;根据信号多尺度分析理论,对结构损伤特征进行计算,得到了不同尺度下结构各位置的损伤概率分布;采用贝叶斯融合理论对不同尺度下的损伤概率分布进行融合,根据融合后的结果对结构的损伤位置进行定位。本发明所提方法可在强噪声干扰的环境下,对梁型结构的损伤位置进行准确定位,具有适用性强,易于操作的优点。
Description
技术领域
本发明属于结构健康检测技术领域,特别涉及一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法。
背景技术
结构在服役过程中,易产生损伤,影响结构的正常服役。以桥梁为例,由于桥梁结构长期服役于车辆冲击载荷,且受到风吹雨淋与暴晒,容易造成损伤,严重时,会造成人民的生命财产损失。因此,研究结构损伤识别方法,对于保障结构安全性、稳定性和耐用性具有重要意义。
近年来,针对结构的健康诊断技术已经成为工程界的研究热点,由于服役环境的复杂性,使得结构的损伤识别从理论到实际应用还存在诸多不足。根据目前公开资料显示,现有的结构损伤辨识方法没有对传感器测量分辨率、测量噪声、微弱损伤等问题进行考虑,使得现有方法很难对结构的损伤位置进行准确定位。
发明内容
针对当前传感器空间分辨率低导致损伤定位不精确的问题,本发明公开一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法。为了实现上述目的,本发明采用的技术方案是:
步骤1),利用高速相机对梁型结构的振动进行视频采集;
步骤2),采用光流算法获取结构的高空间分辨率振动信息,利用盲源分离算法获得结构的振型,然后计算振型曲率;
步骤3),对振型曲率进行多尺度空间表征,得到不同尺度空间下的振型曲率,通过Teager能量算子对不同尺度空间下的振型曲率的变化能进行计算,得到了不同尺度下结构各位置的损伤概率分布;
步骤4),采用贝叶斯融合理论对不同尺度下的损伤概率分布进行融合,得到融合后的结构各位置损伤概率分布结果,损伤概率大于阈值的位置即为结构的损伤位置。
进一步的,所述步骤2具体为,采用光流算法获取结构的高空间分辨率振动信息,利用盲源分离算法获得结构的振型,然后计算振型曲率。
根据短时亮度恒定理论,相邻两帧图像间的光流方程表示为:
Ixu+Iyv+It=0
式中:Ix和Iy分别表示图像像素灰度在x和y方向上的梯度,It表示图像像素灰度关于时间t的导数,u、v分别表示图像像素光流在x、y方向上的分量。根据像素邻域内运动相似假设,采用最小二乘法对上式求解,得到图像像素的光流。通过对得到的光流进行积分,获得结构的时域振动。
设各测点位置用x表征,基于结构振动响应和模态的依存关系,梁型结构的时域振动δ(x,t)可以表示为:
式中:Φ(x)为振型函数矩阵;q(t)为模态坐标系下的响应向量;表示第i阶振型函数;qi(t)表示第i阶模态坐标;n为模态阶数。
由于结构像素点较多,计算量大,为提高计算效率,本发明对运动矩阵δ进行奇异值分解:
式中:U=[u1,u2,...,un]、V=[v1,v2,...,vn]分别为左右奇异值矩阵,∑=[σ1,σ2,...,σn]为奇异值。
设前r阶奇异值大于0:
σ1≥σ2≥...≥σr>0
运动矩阵δ的主成分η为:
式中:Ur=[u1,…,ur]为矩阵U的前r列向量。
根据前文所述结构振动响应和模态的依存关系,运动主成分η可分解为:
结合前文公式,可得:
式中:为第i阶模态振型。
采用盲源分离算法,对主运动矩阵η进行解耦:
q(t)=W(x)η(x,t)
结合公式可得:
γ=W-1
根据第i阶模态振型可对结构的振型进行计算,进一步地,采用中心差分法计算振型曲率:
式中:为x处的第i阶的振型曲率,/>为x处的第i阶的振型,l为结构上被测相邻像素点的距离。
进一步的,所述步骤3具体为,对振型曲率进行多尺度空间表征,得到不同尺度空间下的振型曲率,通过Teager能量算子对不同尺度空间下的振型曲率的变化能进行计算,得到了不同尺度下结构各位置的损伤概率分布。
通过高斯基函数对振型曲率进行多尺度分解,即:
式中:L″i,σ(x)表示在尺度σ下x处的第i阶振型曲率,表示第x处的第i阶振型曲率,/>表示卷积运算,Gσ(x)为尺度为σ高斯基函数。
采用Teager能量算子对不同尺度上振型曲率各位置的变化能进行计算,即:
Ei,σ(x)=ψ[(L″i,σ)(x)]=(L″i,σ)2(x)-L″i,σ(x-l)L″i,σ(x+l)
式中:Ei,σ(x)表示尺度σ下x处的第i阶振型曲率变化能,ψ为Teager能量算子。
利用变化能计算不同尺度下结构各位置的损伤概率分布:
式中,Pσ(x)表示尺度σ下x处的损伤概率分布,N表示测点的数目。
进一步的,所述步骤4具体为,采用贝叶斯融合理论对不同尺度下的损伤概率分布进行融合,根据融合后的结果对结构的损伤位置进行定位。
设任意位置在两个尺度空间下的损伤概率分布和/>对其进行贝叶斯融合:
式中:P(xi),P(xj)(i,j=1,2,...,N)分别为位置xi,xj的先验概率。
由于尺度空间上各位置的损伤概率分布是相互独立的,可将上式推广到一般形式,对不同尺度空间上各位置的损伤概率进行融合,可表示为:
式中:为不同尺度空间上各位置的损伤概率,m=(1,2,...,M)为尺度个数。
得到各位置融合后的损伤概率,概率大于阈值的位置即为结构的损伤位置。
与现有技术相比,本发明的有益效果是:
1)测量精度高,本发明提出的基于计算机视觉的振动测量方法能够对结构的细节运动进行高精度捕捉,进而能对损伤位置进行精确定位。
2)测量效率高,本发明提出的方法在损伤识别过程中,无需基线数据、材料参数、边界条件等。
附图说明
图1为本发明所提方法的总体流程图框架。
图2为验证所提方法搭建的实验平台。
图3为采用的悬臂梁结构几何尺寸参数,左图真实结构,右图为几何参数
图4为采用光流算法对结构时域振动的计算结果。
图5为采用盲源分离算法计算的结构前三阶振型结果。
图6为振型曲率的多尺度空间表征结果。
图7为采用本发明所提方法得到的结构损伤辨识结果。
具体实施方式
如图1所示,为本发明所提方法的流程示意图,下面结合附图和实施例详细说明本发明的实施方式。
步骤1:利用相机对结构振动进行视频记录;
步骤2:本发明中,采用光流算法获取结构的高空间分辨率振动信息,利用盲源分离算法获得结构的振型,然后计算振型曲率。
根据短时亮度恒定理论,相邻两帧图像间的光流方程表示为:
Ixu+Iyv+It=0 (1)
式中:Ix和Iy分别表示图像像素灰度在x和y方向上的梯度,It表示图像像素灰度关于时间t的导数,u、v分别表示图像像素光流在x、y方向上的分量。根据像素邻域内运动相似假设,采用最小二乘法对上式求解,得到图像像素的光流。通过对得到的光流进行积分,获得结构的时域振动。
设各测点位置用x表征,基于结构振动响应和模态的依存关系,梁型结构的时域振动δ(x,t)可以表示为:
式中:Φ(x)为振型函数矩阵;q(t)为模态坐标系下的响应向量;表示第i阶振型函数;qi(t)表示第i阶模态坐标;n为模态阶数。
由于结构像素点较多,计算量大,为提高计算效率,本发明对运动矩阵δ进行奇异值分解:
式中:U=[u1,u2,...,un]、V=[v1,v2,...,vn]分别为左右奇异值矩阵,∑=[σ1,σ2,...,σn]为奇异值。
设前r阶奇异值大于0:
σ1≥σ2≥...≥σr>0 (4)
运动矩阵δ的主成分η为:
式中:Ur=[u1,…,ur]为矩阵U的前r列向量。
根据前文所述结构振动响应和模态的依存关系,运动主成分η可分解为:
结合前文公式,可得:
式中:为第i阶模态振型。
采用盲源分离算法,对主运动矩阵η进行解耦:
q(t)=W(x)η(x,t) (8)
结合公式可得:
γ=W-1 (9)
根据第i阶模态振型可对结构的振型进行计算,进一步地,采用中心差分法计算振型曲率:
式中:为x处的第i阶的振型曲率,/>为x处的第i阶的振型,l为结构上被测相邻像素点的距离。
步骤3:对振型曲率进行多尺度空间表征,得到不同尺度空间下的振型曲率,通过Teager能量算子对不同尺度空间下的振型曲率的变化能进行计算,得到了不同尺度下结构各位置的损伤概率分布。
通过高斯基函数对振型曲率进行多尺度分解,即:
式中:L″i,σ(x)表示在尺度σ下x处的第i阶振型曲率,表示第x处的第i阶振型曲率,/>表示卷积运算,Gσ(x)为尺度为σ高斯基函数。
采用Teager能量算子对不同尺度上振型曲率各位置的变化能进行计算,即:
Ei,σ(x)=ψ[(L″i,σ)(x)]=(L″i,σ)2(x)-L″i,σ(x-l)L″i,σ(x+l) (12)
式中:Ei,σ(x)表示尺度σ下x处的第i阶振型曲率变化能,ψ为Teager能量算子。
利用变化能计算不同尺度下结构各位置的损伤概率分布:
式中,Pσ(x)表示尺度σ下x处的损伤概率分布,N表示测点的数目。
步骤4:采用贝叶斯融合理论对不同尺度下的损伤概率分布进行融合,根据融合后的结果对结构的损伤位置进行定位。
设任意位置在两个尺度空间下的损伤概率分布和/>对其进行贝叶斯融合:
式中:P(xi),P(xj)(i,j=1,2,...,N)分别为位置xi,xj的先验概率。
由于尺度空间上各位置的损伤概率分布是相互独立的,可将上式推广到一般形式,对不同尺度空间上各位置的损伤概率进行融合,可表示为:
式中:为不同尺度空间上各位置的损伤概率,m=(1,2,...,M)为尺度个数。
得到各位置融合后的损伤概率,概率大于阈值的位置即为结构的损伤位置。
为验证本发明所提方法的有效性,对带有损伤的悬臂梁结构进行实验,实验平台如图2所示,悬臂梁几何尺寸和损伤位置如图3所示。图4为采用光流算法计算的悬臂梁结构的振动响应。图5为采用盲源分离方法所计算的结构振型,从图中可以看出,由于采用了计算机视觉方法,测量的结构振型平滑,空间分辨率高。图6不同尺度空间上的振型曲率,从图中可以看出,随着尺度的增加,结构的损伤也越来越明显。图7为采用贝叶斯融合方法对不同尺度下的振型曲率应变能融合后的损伤辨识结果。结果表明,本发明所提出方法能够对梁型结构损伤进行高精度辨识。
Claims (3)
1.一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法,其特征在于,包括以下步骤:
步骤1),利用高速相机对梁型结构的振动进行视频采集;
步骤2),采用光流算法获取梁型结构的高空间分辨率振动信息,利用盲源分离算法获得梁型结构的振型,然后计算振型曲率;
步骤3),对振型曲率进行多尺度空间表征,得到不同尺度空间下的振型曲率,通过Teager能量算子对不同尺度空间下的振型曲率的变化能进行计算,得到了不同尺度下结构各位置的损伤概率分布;
步骤4),采用贝叶斯融合理论对不同尺度下的损伤概率分布进行融合,得到融合后的结构各位置损伤概率分布结果,损伤概率大于阈值的位置即为结构的损伤位置;
其中,所述步骤2)中,根据短时亮度恒定理论,相邻两帧图像间的光流方程表示为:
Ixu+Iyv+It=0
式中:Ix和Iy分别表示图像像素灰度在x和y方向上的梯度,It表示图像像素灰度关于时间t的导数,u、v分别表示图像像素光流在水平和竖直方向上的分量,根据像素邻域内运动相似假设,采用最小二乘法对上式求解,得到图像像素的光流,通过对得到的光流进行积分,获得梁型结构的时域振动;
基于结构振动响应和模态的依存关系,梁型结构的时域振动即梁型结构运动矩阵δ(x,t)表示为:
式中:Φ(x)为振型函数矩阵;q(t)为模态坐标系下的响应向量;表示x位置处的第i阶振型;qi(t)表示第i阶模态坐标;n为模态阶数;
对δ(x,t)进行奇异值分解:
式中:U=[u1,u2,...,ui,...,un]、V=[v1,v2,...,vi,...,vn]分别为左右奇异值矩阵,∑=[σ1,σ2,...,σn]为奇异值;
设前r阶奇异值大于0:
σ1≥σ2≥...≥σr>0
运动矩阵δ的主成分η为:
式中:Ur=[u1,…,ur]为矩阵U的前r列向量;
根据结构振动响应和模态的依存关系,运动主成分η分解为:
得:
式中:为第i阶模态振型;
采用盲源分离算法,对主运动矩阵η进行解耦:
q(t)=W(x)η(x,t)
结合公式可得:
γ=W-1
根据第i阶模态振型可对结构的振型进行计算,采用中心差分法计算振型曲率如下:
式中:为x处的第i阶的振型曲率,/>为x处的第i阶的振型,l为结构上被测相邻像素点的距离。
2.根据权利要求1所述一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法,其特征在于,所述步骤3)中,通过高斯基函数对振型曲率进行多尺度分解,即:
式中:L″i,σ(x)表示在尺度σ下x处的第i阶振型曲率,表示x处的第i阶振型曲率,表示卷积运算,Gσ(x)为尺度为σ高斯基函数;
采用Teager能量算子对不同尺度上振型曲率各位置的变化能进行计算,即:
Ei,σ(x)=ψ[(L″i,σ)(x)]=(L″i,σ)2(x)-L″i,σ(x-l)L″i,σ(x+l)
式中:Ei,σ(x)表示尺度σ下x处的第i阶振型曲率变化能,ψ为Teager能量算子;
利用变化能计算不同尺度下结构各位置的损伤概率分布:
式中,Pσ(x)表示尺度σ下x处的损伤概率分布,N表示测点的数目。
3.根据权利要求1所述一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法,其特征在于,所述步骤4)中,设任意位置在两个尺度空间下的损伤概率分布和/>对其进行贝叶斯融合:
式中:P(xi),P(xj)(i,j=1,2,...,N)分别为位置xi,xj的先验概率;
对不同尺度空间上各位置的损伤概率进行融合,表示为:
式中:为不同尺度空间上各位置的损伤概率,m=(1,2,...,M)为尺度个数,M是尺度空间的数目。/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157914.5A CN113947569B (zh) | 2021-09-30 | 2021-09-30 | 一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157914.5A CN113947569B (zh) | 2021-09-30 | 2021-09-30 | 一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113947569A CN113947569A (zh) | 2022-01-18 |
CN113947569B true CN113947569B (zh) | 2023-10-27 |
Family
ID=79329089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111157914.5A Active CN113947569B (zh) | 2021-09-30 | 2021-09-30 | 一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947569B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115436488B (zh) * | 2022-08-31 | 2023-12-15 | 南京智慧基础设施技术研究院有限公司 | 一种基于视觉与声纹融合的自引导自调适移动检测系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103575807A (zh) * | 2013-10-24 | 2014-02-12 | 河海大学 | Teager能量算子-小波变换曲率模态的梁结构损伤检测方法 |
WO2016165064A1 (zh) * | 2015-04-14 | 2016-10-20 | 中国科学院自动化研究所 | 基于多视角学习的鲁棒性前景检测方法 |
CN108871290A (zh) * | 2018-06-07 | 2018-11-23 | 华南理工大学 | 一种基于光流法检测与贝叶斯预测的可见光动态定位方法 |
CN113155973A (zh) * | 2021-05-05 | 2021-07-23 | 温州大学 | 一种基于自适应奇异值分解的梁损伤识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10567655B2 (en) * | 2016-09-19 | 2020-02-18 | Triad National Security, Llc | System and method for automated extraction of high resolution structural dynamics from video |
-
2021
- 2021-09-30 CN CN202111157914.5A patent/CN113947569B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103575807A (zh) * | 2013-10-24 | 2014-02-12 | 河海大学 | Teager能量算子-小波变换曲率模态的梁结构损伤检测方法 |
WO2016165064A1 (zh) * | 2015-04-14 | 2016-10-20 | 中国科学院自动化研究所 | 基于多视角学习的鲁棒性前景检测方法 |
CN108871290A (zh) * | 2018-06-07 | 2018-11-23 | 华南理工大学 | 一种基于光流法检测与贝叶斯预测的可见光动态定位方法 |
CN113155973A (zh) * | 2021-05-05 | 2021-07-23 | 温州大学 | 一种基于自适应奇异值分解的梁损伤识别方法 |
Non-Patent Citations (2)
Title |
---|
杨硕 ; .基于机器视觉的振动筛运动特性快速诊断方法.选煤技术.2020,(第04期),全文. * |
缪炳荣 ; 杨树旺 ; 王名月 ; 蒋钏应 ; 彭齐明 ; 雒耀祥 ; .利用振动响应的多种结构损伤识别方法比较.振动工程学报.2020,(第04期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113947569A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113744270B (zh) | 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法 | |
CN108876744B (zh) | 一种基于区域分割的大尺度点云噪声去噪方法 | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN110930365B (zh) | 一种交通场景下的正交消失点检测方法 | |
CN111768417B (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
CN113947569B (zh) | 一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法 | |
Lee et al. | Diagnosis of crack damage on structures based on image processing techniques and R-CNN using unmanned aerial vehicle (UAV) | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN114997009B (zh) | 一种基于机器视觉和模型修正的桥梁承载力快速评估方法 | |
CN103745238A (zh) | 基于AdaBoost和主动形状模型的受电弓识别方法 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
JP4935769B2 (ja) | 平面領域推定装置及びプログラム | |
CN117315547A (zh) | 一种解决动态物体大占比的视觉slam方法 | |
CN112950562A (zh) | 一种基于线结构光的扣件检测算法 | |
CN112924037A (zh) | 基于图像配准的红外体温检测系统及检测方法 | |
CN117237597A (zh) | 一种基于北斗卫星数据与ai图形融合的数据处理终端 | |
CN116740657A (zh) | 一种基于相似三角形的目标检测以及测距方法 | |
CN115857040A (zh) | 一种机车车顶异物动态视觉检测装置及方法 | |
CN111539279B (zh) | 道路限高高度检测方法、装置、设备及存储介质 | |
CN107977957B (zh) | 基于静态单目相机的土体失稳综合信息测量方法 | |
Liu et al. | A coarse-to-fine detection method of pantograph-catenary contact points using DCNNs | |
CN115393387A (zh) | 一种建筑物位移监测方法和装置 | |
CN115330832A (zh) | 一种基于计算机视觉的输电铁塔全自由度位移监测系统和方法 | |
Kye et al. | Feasibility study for the fine crack width estimation of concrete structures based on fiducial markers | |
CN111640071A (zh) | 基于卷积神经网络修复帧差法获取全景前景目标的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |