CN114202660A - 一种基于边云桥梁检测的远程分布式控制方法及系统 - Google Patents
一种基于边云桥梁检测的远程分布式控制方法及系统 Download PDFInfo
- Publication number
- CN114202660A CN114202660A CN202210156575.7A CN202210156575A CN114202660A CN 114202660 A CN114202660 A CN 114202660A CN 202210156575 A CN202210156575 A CN 202210156575A CN 114202660 A CN114202660 A CN 114202660A
- Authority
- CN
- China
- Prior art keywords
- disease
- bridge
- information
- obtaining
- image information
- 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.)
- Granted
Links
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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于边云桥梁检测的远程分布式控制方法及系统,其中,所述方法应用于一种基于边云桥梁检测的远程分布式控制系统,所述系统包括多个图像采集装置,所述方法包括:获得多个图像信息;将所述多个图像信息通过边云协同技术上传至云端;获得第一全景图像信息;识别获得第一病害区域;获得第一病害尺寸信息;构建病害评定模型;获得第一病害评定结果;对所述第一病害区域进行处理。解决了桥梁检测过程耗时长、落后且不智能的技术问题,基于图像采集装置,获取桥梁历史数据信息、病害尺寸信息、全景图像信息,进而对桥梁的病害评定结果智能判定的,达到了降低桥梁检测的耗时,提高了桥梁检测结果的可靠性的技术效果。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于边云桥梁检测的远程分布式控制方法及系统。
背景技术
近年来,交通运输部持续推动公路桥梁养护高质量发展,强化公路桥梁养护建设,确定危旧桥梁的相关数据,桥梁检测任务日益繁重。同时,桥梁相关部门及管养单位对桥梁检测要求越来越高,一方面,道路车流量过载,拥堵时有发生,过程中交通围蔽时间越短越好;另一方面,目前信息技术的发展已经涉及到各行各业,科学管养也是桥梁管理单位的必然要求,特别的,近年来桥检车倾斜、吊臂断裂造成严重安全事故时有发生,使得桥梁坍塌事故时有发生。因此,对检测数据的多样性与连续性重视度上升。目前常规检测方式有:大型桥检车搭载的机械臂将检测人员运送到桥梁底部,进行人工观测;在桥底或远端,采用望远设备检测,但是,这些方法不仅效率低,检测精度难以保证,还严重威胁检测人员的安全。
现有技术中存在桥梁检测过程耗时长、落后且不智能的技术问题。
发明内容
本申请通过提供了一种基于边云桥梁检测的远程分布式控制方法及系统,解决了桥梁检测过程耗时长、落后且不智能的技术问题,基于图像采集装置,获取桥梁历史数据信息、病害尺寸信息、全景图像信息,进而对桥梁的病害评定结果智能判定的,达到了降低桥梁检测的耗时,提高了桥梁检测结果的可靠性的技术效果。
鉴于上述问题,本申请提供了一种基于边云桥梁检测的远程分布式控制方法及系统。
第一方面,本申请提供了一种基于边云桥梁检测的远程分布式控制方法,其中,所述方法应用于一种基于边云桥梁检测的远程分布式控制系统,所述系统包括多个图像采集装置,所述方法包括:通过所述多个图像采集装置对第一桥梁进行横向排列图像采集,获得多个图像信息;将所述多个图像信息通过边云协同技术上传至云端;在所述云端对所述多个图像信息进行压缩、拼接,获得第一全景图像信息;根据所述第一全景图像信息,识别获得第一病害区域;根据所述第一病害区域,获得第一病害尺寸信息;基于桥梁历史数据信息,构建病害评定模型;将所述第一病害尺寸信息输入所述病害评定模型,获得第一病害评定结果;根据所述第一病害评定结果,对所述第一病害区域进行处理。
另一方面,本申请提供了一种基于边云桥梁检测的远程分布式控制系统,其中,所述系统包括多个图像采集装置,所述系统包括:第一获得单元,所述第一获得单元用于通过多个图像采集装置对第一桥梁进行横向排列图像采集,获得多个图像信息,第一传输单元,所述第一传输单元用于将所述多个图像信息通过边云协同技术上传至云端;第二获得单元,所述第二获得单元用于在所述云端对所述多个图像信息进行压缩、拼接,获得第一全景图像信息;第三获得单元,所述第三获得单元用于根据所述第一全景图像信息,识别获得第一病害区域;第四获得单元,所述第四获得单元用于根据所述第一病害区域,获得第一病害尺寸信息;第一构建单元,所述第一构建单元用于基于桥梁历史数据信息,构建病害评定模型;第五获得单元,所述第五获得单元用于将所述第一病害尺寸信息输入所述病害评定模型,获得第一病害评定结果;第一执行单元,所述第一执行单元用于根据所述第一病害评定结果,对所述第一病害区域进行处理。
第三方面,本申请提供了一种基于边云桥梁检测的远程分布式控制的系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过所述多个图像采集装置对第一桥梁进行横向排列图像采集,通过所述多个图像采集装置对桥梁进行横向排列图像采集,获得多个图像信息;将多个图像信息通过边云协同技术上传至云端;在云端对多个图像信息进行压缩、拼接,获得全景图像信息;根据全景图像信息,识别获得病害区域;根据病害区域,获得病害尺寸信息;基于桥梁历史数据信息,构建病害评定模型;将病害尺寸信息输入所述病害评定模型,获得病害评定结果;根据病害评定结果,对病害区域进行处理。解决了桥梁检测过程耗时长、落后且不智能的技术问题,基于图像采集装置,获取桥梁历史数据信息、病害尺寸信息、全景图像信息,进而对桥梁的病害评定结果智能判定的,达到了降低桥梁检测的耗时,提高了桥梁检测结果的可靠性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请一种基于边云桥梁检测的远程分布式控制方法的流程示意图;
图2为本申请一种基于边云桥梁检测的远程分布式控制方法的获得第一全景图像信息的流程示意图;
图3为本申请一种基于边云桥梁检测的远程分布式控制方法的获得第二病害评定结果的流程示意图;
图4为本申请一种基于边云桥梁检测的远程分布式控制方法的获得第一病害评定模型的流程示意图;
图5为本申请一种基于边云桥梁检测的远程分布式控制的系统的结构示意图;
图6为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一传输单元12,第二获得单元13,第三获得单元14,第四获得单元15,第一构建单元16,第五获得单元17,第一执行单元18,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种基于边云桥梁检测的远程分布式控制方法及系统,解决了桥梁检测过程耗时长、落后且不智能的技术问题,基于图像采集装置,获取桥梁历史数据信息、病害尺寸信息、全景图像信息,进而对桥梁的病害评定结果智能判定的,达到了降低桥梁检测的耗时,提高了桥梁检测结果的可靠性的技术效果。
桥梁检测任务日益繁重且桥梁检测要求越来越高,人工观测或采用望远设备检测,不仅效率低,检测精度难以保证,严重威胁检测人员的安全。
现有技术中存在桥梁检测过程耗时长、落后且不智能的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种基于边云桥梁检测的远程分布式控制方法,其中,所述方法包括:通过所述多个图像采集装置对桥梁进行横向排列图像采集,获得多个图像信息;将多个图像信息通过边云协同技术上传至云端;在云端对多个图像信息进行压缩、拼接,获得全景图像信息;根据全景图像信息,识别获得病害区域;根据病害区域,获得病害尺寸信息;基于桥梁历史数据信息,构建病害评定模型;将病害尺寸信息输入所述病害评定模型,获得病害评定结果;根据病害评定结果,对病害区域进行处理。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请提供了一种基于边云桥梁检测的远程分布式控制方法,其中,所述方法应用于一种基于边云桥梁检测的远程分布式控制系统,所述系统包括多个图像采集装置,所述方法包括:
S100:通过所述多个图像采集装置对第一桥梁进行横向排列图像采集,获得多个图像信息;
具体而言,所述多个图像采集装置可以是摄像装置,如摄像头、扫描仪或其他实时图像获取装置,所述第一桥梁为一需要进行桥梁检测任意桥梁,不对桥梁的位置信息或结构方面进行细化限定,利用桥检车工作平台的结构形式,一般的,所述图像采集装置相对于桥身横向排列,具体结构形式不进一步赘述,所述多个图像采集装置相对于桥身横向“一”字排列,桥检车顺桥匀速行驶,桥检车应保证顺桥行驶,行驶过程没有阻碍导致桥检车长时间停止于某一桥身位置,所有图像采集装置同频对图像进行捕捉,通过所述多个图像采集装置对第一桥梁进行图像采集,由于所得图像信息的图像采集装置横向排列进行安装,即所述多个图像采集装置对第一桥梁进行横向排列图像采集,采集获取多个图像信息,当然的,所述多个图像信息为同一桥梁不同桥身位置的影像信息,特别的,桥检车的运行速度应结合所述图像采集装置扫描频率与影像的成像范围,实际情况与实际进行结合进一步限定,此处不对桥检车的运行速度进行细化限定,但对应的,保证桥梁检测过程中交通围蔽时间短,不造成严重的交通拥堵,桥检车单程运行采集,单程所获所有影像信息均为所述第一桥梁的单次影像信息,单程同一时刻不同图像采集装置采集所获的图像信息为距离桥身图像信息,所述距离桥身图像信息表示采集图像时刻图像采集装置采集的桥身图像与桥检车开始采集图像时刻图像采集装置采集的桥身图像两图像之间的实际距离,简单来说就是桥检车在所述第一桥梁上的行驶距离,说明只为进行方案具体实施进行解释说明,实际情况应结合实际进行进一步细化,此处不做赘述。
S200:将所述多个图像信息通过边云协同技术上传至云端;
具体而言,所述边云协同技术简单来说就是中心云计算与边缘计算进行协同,所述边云协同技术常用于边缘计算的多数部署与应用场景,将所述多个图像信息通过边云协同技术上传至云端,当然的需要保证信息的即时性,简单来说,所有图像采集装置同频对图像进行捕捉,同一时刻的多个图像信息需要在某一时间周期进行发送,下一个时间周期发送下一时刻的多个图像信息,保证图像信息的连续性,当然的,传输中要保证传输信息号的稳定性与可靠性,避免传输过程导致的信息缺失,传输过程不做细化分析,实际环境可能会面临的其他相关技术问题需要进行改进,此处不做一一赘述。
S300:在所述云端对所述多个图像信息进行压缩、拼接,获得第一全景图像信息;
具体而言,所述云端对所述多个图像信息包括所述第一桥梁的不同桥身位置的实际图像信息,所述第一全景图像信息为所述第一桥梁实际的图像信息进行拼接整理所获的实际的第一桥梁全景图像信息,所述第一全景图像信息不能直接单次扫描获取,单次直接获取会导致需要桥梁病害位置分辨率不够,无法进行下一步判定,压缩、拼接是为获取第一全景图像信息,所述多个图像信息存在重叠位置的桥梁图片信息,完全无重叠则需要进行进一步判定,判定是否存在扫描盲区,优化桥检车的行驶速度与行驶范围,重叠过多也需要优化桥检车的行驶速度与图像采集装置的图像捕捉频率,将所述多个图像信息进行压缩、拼接,压缩是为保证图像的信息的整体识别。
S400:根据所述第一全景图像信息,识别获得第一病害区域;
具体而言,所述第一病害区域为所述第一桥梁在第一全景图像信息显示,存在横向裂缝、纵向裂缝、修补、块状裂缝、坑槽、坑洞、松散或其他桥梁病害问题的区域,根据所述第一全景图像信息,识别获得第一病害区域,一般的,桥梁灾害问题一般大都发生于病害区域,正常区域一般会先发展为灾害区域,所以,优先细化研究桥梁的灾害区域,进行桥梁灾害风险判定,可以最大程度不影响桥梁使用的情况下,保证桥梁的使用的安全。
S500:根据所述第一病害区域,获得第一病害尺寸信息;
具体而言,所述第一病害尺寸信息依据所述第一病害区域的灾害特征进行进一步细化,简单说明如坑洞类病害,需要确定包括但不限于坑洞的宽度、长度与坑洞处的深度,实际应结合坑动所处位置进行进一步细化分析,在重要的承重处或在病害较多的区域与在其他区域的评估处理存在不同,此处不做进一步细化分析,根据所述第一病害区域,获得第一病害尺寸信息,特别的,所述尺寸信息应保证同一数据精度,简单来说就是所述尺寸信息数据的单位与精确度应保证一致,以便于后续进行数据分析的统一性。
S600:基于桥梁历史数据信息,构建病害评定模型;
具体而言,所述病害评定模型一线性回归模型,所述桥梁历史数据信息是所述第一桥梁的历史数据信息,可以采用所述第一桥梁的实时数据采集装置的存储单元中进行获取,具体的获取方式此处不做限定,所述第一桥梁相同类型的桥梁的历史数据也可以参与运算完善所述模型,使用所述桥梁历史数据信息进行训练,直到所述线性回归模型达到收敛状态,即可得到所述病害评定模型,简单说明,所述第一桥梁相同类型的桥梁在建成时间、使用时间、桥梁所处位置或其他相关方面会与所述第一桥梁存在不同,所以可以保证所述桥梁历史数据的完整度,为所述病害评定模型的可靠性提供充分数据支持。
S700:将所述第一病害尺寸信息输入所述病害评定模型,获得第一病害评定结果;
具体而言,所述第一桥梁的第一病害评定结果可以依照等级进行划分,所述第一桥梁的第一病害评定结果的等级数越高,所述第一桥梁的病害程度越大,所述第一桥梁的分布密度高的低危位置也许要进行细化或优化病害评定结果,实际进行病害评定过程进行具体细化,此处不对病害评定进行进一步细化分析,特别的,拍摄距离与每个像素点的代表尺寸呈现线性正相关,拍摄距离越远,每个像素点的代表尺寸越大,所述第一病害尺寸信息为进行放大后所获的校准后实际尺寸,实际分析也应注意应对第一病害尺寸信息的数据进行修订优化,依照比例尺放大所述第一病害区域,校准所述第一病害尺寸信息,确定后再输入所述病害评定模型,进一步具体分析此处不做进一步细化,实际应结合实际数据进行进一步整合优化相关数据信息。
S800:根据所述第一病害评定结果,对所述第一病害区域进行处理。
具体而言,根据所述第一病害评定结果,所述第一病害评定结果的等级数高应及时进行处理,实际处理方式可以是使用沥青之类进行常规填补,不同的病害相对应不同的处理方式,实际应结合实际情况进行进一步的优化,此处不做进一步赘述,对所述第一病害区域进行处理,可以保证所述第一桥梁的正常使用,保障所述第一桥梁上行驶车辆内人的生命安全,另一方面,及时所述第一病害区域进行处理,也可以保证所述第一桥梁的使用年限。
进一步的,所述根据所述第一病害区域,获得第一病害尺寸信息,步骤S500还包括:
S510:获得所述第一病害区域的像素点的数量;
S520:根据所述像素点数量,获得像素点边长;
S530:根据所述像素点边长,计算获得所述第一病害尺寸信息。
具体而言,获得所述第一病害区域的像素点的数量,所述第一病害区域的像素点的数量依据所述第一病害区域图像的分辨率与所述第一病害区域的面积进行进一步细化判定,拍摄距离与每个像素点的代表尺寸呈现线性正相关,拍摄距离越远,每个像素点的代表尺寸越大,实际像素点的数量应结合图像采集过程进行进一步细化,简单来说,所述第一病害区域的像素点的数量与所述第一病害区域图像的分辨率为正相关函数,在分辨率一致情况下,所述第一病害区域的像素点的数量与所述第一病害区域的面积为正相关函数,当然的,在同一背景同一采集情况下,拍摄距离越近所述第一病害区域图像的分辨率越高;根据所述像素点数量,所述第一病害区域的面积,获得像素点边长,像素点边长表示某一像素点对应的实际的所述第一桥梁的相同位置的具体尺寸;根据所述像素点边长,所述像素点边长表示某一像素点对应的实际的所述第一桥梁的相同位置的具体尺寸结合所述第一病害区域的像素点数量,计算获得所述第一病害尺寸信息。
进一步的,所述计算获得所述第一病害尺寸信息的公式具体为:
S531:判断所述第一病害区域的类别信息;
S532:当所述第一病害区域为面积类病害时,所述获得所述第一病害尺寸信息的公式具体为:S=N×ax×bx;
S533:当所述第一病害区域为列分类病害时,所述获得所述第一病害尺寸信息的公式具体为:L/d=N×ax(bx);
S534:其中,S为当所述第一病害为面积类病害时,所述第一病害的面积;
S535:N为所述第一病害区域的像素点的数量;
S536:ax,bx为拍摄距离为X时,图像中像素点代表的景物长和宽;
S537:L/d为所述第一病害为裂缝时,所述裂缝的长宽比。
具体而言,判断所述第一病害区域的类别信息,具体的所述第一病害区域的类别信息可以是包括但不限于横向裂缝、纵向裂缝、修补、块状裂缝、坑槽、坑洞、松散或其他桥梁病害问题;对所述第一病害区域的类别信息进行分类,当所述第一病害区域为面积类病害时,所述获得所述第一病害尺寸信息的公式具体为:S=N×ax×bx;当所述第一病害区域为列分类病害时,所述获得所述第一病害尺寸信息的公式具体为:L/d=N×ax(bx);其中,S为当所述第一病害为面积类病害时,所述第一病害的面积;N为所述第一病害区域的像素点的数量;ax,bx为拍摄距离为X时,图像中像素点代表的景物长和宽;L/d为所述第一病害为裂缝时,所述裂缝的长宽比,当然的,图像尺寸数据应统一数据的长度单位,保证数据在进行处理过程的统一性,特别的,要注意面积类形状,较深的坑洞类应结合坑洞深度进行进一步分析,此处不做赘述。
进一步的,如图2所示,所述在所述云端对所述多个图像信息进行压缩、拼接,获得第一全景图像信息,步骤S300还包括:
S310:获得所述多个图像信息中的极值点;
S320:根据所述极值点,提取所述极值点的位置信息、尺度信息和旋转不变量;
S330:通过尺度不变特征转换法,根据所述极值点的位置信息、尺度信息和旋转不变量,计算获得所述第一全景图像信息。
具体而言,获得所述多个图像信息中的极值点,所述极值点表示某一确定图像信息边缘像素点形成的集合,获取方式可以直接依据所述多个图像信息在所述第一全景图像信息的实际位置进行坐标建系,再对确定所述多个图像信息中的极值点,应注意所述多个图像信息组合可以形成实际的所述第一桥梁的实际图像信息,特别的桥检车的运行速度应结合所述图像采集装置扫描频率与影像的成像范围,对应的所述多个图像信息为同一桥梁不同桥身位置的影像信息,所述多个图像采集装置对第一桥梁进行横向排列图像采集,采集获取多个图像信息,实际情况与实际进行结合进一步限定;所述极值点可以限定极值点所对应的图像信息的平面位置,提取所述极值点的位置信息、尺度信息和旋转不变量,所述尺度信息应结合实际数据进行进一步细化,所述旋转不变量基于旋转不变性,具体数据分析过程此处不做进一步赘述;SIFT算法(尺度不变特征转换法),用来侦测与描述影像中的局部性特征,在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量,SIFT所查找到的关键点是一些十分突出,不会因光照、仿射变换或噪音等因素而变化的点,包括但不限于角点、边缘点、暗区的亮点及亮区的暗点,所述尺度不变特征转换法是一种电脑视觉的算法用来侦测与描述影像中的局部性特征,在空间尺度中寻找极值点,并提取出位置信息、尺度信息和旋转不变量,通过尺度不变特征转换法,根据所述极值点的位置信息、尺度信息和旋转不变量,计算获得所述第一全景图像信息。
进一步的,所述基于桥梁历史数据信息,构建病害评定模型,步骤S600还包括:
S610:通过大数据获得与所述第一桥梁相同类型的桥梁的历史数据集,所述历史数据集包括所述桥梁的病害参数集,所述病害参数集包括病害尺寸、病害类型;
S620:将所述病害参数集作为训练数据对线性回归模型进行训练,直到所述线性回归模型达到收敛状态,构建所述病害评定模型。
具体而言,通过大数据获得与所述第一桥梁相同类型的桥梁的历史数据集,与所述第一桥梁相同类型包括在建造过程建造结构与建造施工情况基本相同,与第一桥梁所处环境相似,所述历史数据集包括所述桥梁的病害参数集,当然的,与所述第一桥梁相同类型的桥梁应与所述第一桥梁有相同的额定限重,额定限重是指桥上可以承受的重量信息的额定值,一般应结合国家相关标准进行施工,最终进行判定,具体额定限重的判定过程此处不做赘述,所述病害参数集包括但不限于病害尺寸、病害类型,实际情况应结合实际进行进一步细化分析,所述病害参数集还可以有实际的车流情况、车辆重量信息或其他相关信息,此处不做赘述;将所述病害参数集作为训练数据对线性回归模型进行训练,直到所述线性回归模型达到收敛状态,构建所述病害评定模型,通过大数据获得与所述第一桥梁相同类型的桥梁的历史数据集,使用与所述第一桥梁相同类型的桥梁的历史数据集进行训练可以扩充数据集合提高所述病害评定模型准确性的同时,提高所述病害评定模型的全面性。
进一步的,如图3所示,所述基于桥梁历史数据信息,构建病害评定模型之后,本申请实施例还包括:
S630:获得所述第一桥梁的位置信息;
S640:根据所述位置信息,获得所述第一桥梁所处的地域特征信息;
S650:根据所述地域特征信息对所述病害评定模型进行优化,获得第一病害评定模型;
S660:将所述第一病害尺寸信息输入所述第一病害评定模型,获得第二病害评定结果。
具体而言,获得所述第一桥梁的位置信息,所述位置信息包括所述第一桥梁建造的环境位置,包括温度、湿度、降雨情况或其他相关环境位置;根据所述位置信息,获得所述第一桥梁所处的地域特征信息,简单来说就是所述第一桥梁在为一跨河、跨江、或山中用于连接两山隧道的桥梁,当然的,实际情况不限于上述范围;所述地域特征信息简单来说就是若所述第一桥梁在为一跨河、跨江大桥,降雨情况会对所述第一桥梁产生影响,所述影响会一定程度改变所述第一桥梁的病害评定,根据所述地域特征信息对所述病害评定模型进行优化,获得第一病害评定模型;将所述第一病害尺寸信息输入所述第一病害评定模型,获得第二病害评定结果,结合所述第一桥梁所处的实际情况,对病害评定结果进行进一步优化,可以保证所述病害评定结果的精确度,为所述病害评定结果的准确提供可靠的实际数据理论基础。
进一步的,如图4所示,所述根据所述地域特征信息对所述病害评定模型进行优化,获得第一病害评定模型,步骤S650还包括:
S651:根据所述病害评定模型,获得所述病害评定模型的模型参数;
S652:根据所述地域特征信息和所述模型参数,获得映射规则;
S653:按照所述映射规则和所述地域特征信息,优化所述模型参数,获得第一模型参数;
S654:根据所述第一模型参数,对所述病害评定模型进行优化,获得所述第一病害评定模型。
具体而言,根据所述病害评定模型,获得所述病害评定模型的模型参数,简单来说就是对所述病害评定模型的模型参数进行提取;根据所述地域特征信息和所述模型参数,获得映射规则,简单说明,使用所述地域特征信息对所述病害评定模型进行优化,进行具体来说就是使用所述地域特征信息与所述病害评定模型的模型参数,结合实际进行说明,所述地域特征信息可以是一跨河大桥,降雨情况会对所述第一桥梁产生影响,降雨情况结合所述模型参数进行计算获取雨水冲击对第一桥梁产生影响的函数关系,具体计算过程此处不追赘述,所述函数关系即为所述映射规则;按照所述映射规则和所述地域特征信息,优化所述模型参数,特别的,所述映射规则不唯一,不同实际地域特征信息对应不同映射规则,实际应结合所述第一桥梁的实际地域特征信息进行进一步细化分析,此处不做赘述,获得第一模型参数;根据所述第一模型参数,对所述病害评定模型进行优化,简单来说就是使用所述第一模型参数,所述病害评定模型的模型参数进行进一步修正,获得所述第一病害评定模型。
综上所述,本申请所提供的一种基于边云桥梁检测的远程分布式控制方法及系统具有如下技术效果:
1.由于采用了本申请通过提供了一种基于边云桥梁检测的远程分布式控制方法,其中,所述方法应用于一种基于边云桥梁检测的远程分布式控制系统,所述系统包括多个图像采集装置,所述方法包括:通过所述多个图像采集装置对桥梁进行横向排列图像采集,获得多个图像信息;将多个图像信息通过边云协同技术上传至云端;在云端对多个图像信息进行压缩、拼接,获得全景图像信息;根据全景图像信息,识别获得病害区域;根据病害区域,获得病害尺寸信息;基于桥梁历史数据信息,构建病害评定模型;将病害尺寸信息输入所述病害评定模型,获得病害评定结果;根据病害评定结果,对病害区域进行处理。解决了桥梁检测过程耗时长、落后且不智能的技术问题,基于图像采集装置,获取桥梁历史数据信息、病害尺寸信息、全景图像信息,进而对桥梁的病害评定结果智能判定的,达到了降低桥梁检测的耗时,提高了桥梁检测结果的可靠性的技术效果。
2.由于采用了通过大数据获得与所述第一桥梁相同类型的桥梁的历史数据集,所述历史数据集包括所述桥梁的病害参数集,所述病害参数集包括病害尺寸、病害类型;将所述病害参数集作为训练数据对线性回归模型进行训练,直到所述线性回归模型达到收敛状态,构建所述病害评定模型。通过大数据获得与所述第一桥梁相同类型的桥梁的历史数据集,使用与所述第一桥梁相同类型的桥梁的历史数据集进行训练可以扩充数据集合提高所述病害评定模型准确性的同时,提高所述病害评定模型的全面性。
实施例二
基于与前述实施例中一种基于边云桥梁检测的远程分布式控制方法相同的发明构思,如图5所示,本申请提供了一种基于边云桥梁检测的远程分布式控制的系统,其中,所述系统包括多个图像采集装置,所述系统包括:
第一获得单元11,所述第一获得单元11用于通过多个图像采集装置对第一桥梁进行横向排列图像采集,获得多个图像信息,
第一传输单元12,所述第一传输单元12用于将所述多个图像信息通过边云协同技术上传至云端;
第二获得单元13,所述第二获得单元13用于在所述云端对所述多个图像信息进行压缩、拼接,获得第一全景图像信息;
第三获得单元14,所述第三获得单元14用于根据所述第一全景图像信息,识别获得第一病害区域;
第四获得单元15,所述第四获得单元15用于根据所述第一病害区域,获得第一病害尺寸信息;
第一构建单元16,所述第一构建单元16用于基于桥梁历史数据信息,构建病害评定模型;
第五获得单元17,所述第五获得单元17用于将所述第一病害尺寸信息输入所述病害评定模型,获得第一病害评定结果;
第一执行单元18,所述第一执行单元18用于根据所述第一病害评定结果,对所述第一病害区域进行处理。
进一步的,所述系统包括:
第六获得单元,所述第六获得单元用于获得所述第一病害区域的像素点的数量;
第七获得单元,所述第七获得单元用于根据所述像素点数量,获得像素点边长;
第八获得单元,所述第八获得单元用于根据所述像素点边长,计算获得所述第一病害尺寸信息。
进一步的,所述系统包括:
第一判断单元,所述第一判断单元用于判断所述第一病害区域的类别信息;
第九获得单元,所述第九获得单元用于当所述第一病害区域为面积类病害时,所述获得所述第一病害尺寸信息的公式具体为:S=N×ax×bx;
第十获得单元,所述第十获得单元用于当所述第一病害区域为列分类病害时,所述获得所述第一病害尺寸信息的公式具体为:L/d=N×ax(bx);
第二判断单元,所述第二判断单元用于,S为当所述第一病害为面积类病害时,所述第一病害的面积;
第一代入单元,所述第一代入单元用于N为所述第一病害区域的像素点的数量;
第二代入单元,所述第二代入单元用于ax,bx为拍摄距离为X时,图像中像素点代表的景物长和宽;
第三代入单元,所述第三代入单元用于L/d为所述第一病害为裂缝时,所述裂缝的长宽比。
进一步的,所述系统包括:
第十一获得单元,所述第十一获得单元用于获得所述多个图像信息中的极值点;
第十二获得单元,所述第十二获得单元用于根据所述极值点,提取所述极值点的位置信息、尺度信息和旋转不变量;
第十三获得单元,所述第十三获得单元用于通过尺度不变特征转换法,根据所述极值点的位置信息、尺度信息和旋转不变量,计算获得所述第一全景图像信息。
进一步的,所述系统包括:
第十四获得单元,所述第十四获得单元用于通过大数据获得与所述第一桥梁相同类型的桥梁的历史数据集,所述历史数据集包括所述桥梁的病害参数集,所述病害参数集包括病害尺寸、病害类型;
第二构建单元,所述第二构建单元用于将所述病害参数集作为训练数据对线性回归模型进行训练,直到所述线性回归模型达到收敛状态,构建所述病害评定模型。
进一步的,所述系统包括:
第十五获得单元,所述第十五获得单元用于获得所述第一桥梁的位置信息;
第十六获得单元,所述第十六获得单元用于根据所述位置信息,获得所述第一桥梁所处的地域特征信息;
第十七获得单元,所述第十七获得单元用于根据所述地域特征信息对所述病害评定模型进行优化,获得第一病害评定模型;
第十八获得单元,所述第十八获得单元用于将所述第一病害尺寸信息输入所述第一病害评定模型,获得第二病害评定结果。
进一步的,所述系统包括:
第十九获得单元,所述第十九获得单元用于根据所述病害评定模型,获得所述病害评定模型的模型参数;
第二十获得单元,所述第二十获得单元用于根据所述地域特征信息和所述模型参数,获得映射规则;
第二十一获得单元,所述第二十一获得单元用于按照所述映射规则和所述地域特征信息,优化所述模型参数,获得第一模型参数;
第二十二获得单元,所述第二十二获得单元用于根据所述第一模型参数,对所述病害评定模型进行优化,获得所述第一病害评定模型。
示例性电子设备
下面参考图6来描述本申请的电子设备,
基于与前述实施例中一种基于边云桥梁检测的远程分布式控制方法相同的发明构思,本申请还提供了一种基于边云桥梁检测的远程分布式控制系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种基于边云桥梁检测的远程分布式控制方法。
可选的,本申请中的计算机执行指令也可以称之为应用程序代码,本申请对此不作具体限定。
本申请提供了一种基于边云桥梁检测的远程分布式控制方法,其中,所述方法应用于一种基于边云桥梁检测的远程分布式控制系统,所述系统包括多个图像采集装置,所述方法包括:通过所述多个图像采集装置对第一桥梁进行横向排列图像采集,获得多个图像信息;将所述多个图像信息通过边云协同技术上传至云端;在所述云端对所述多个图像信息进行压缩、拼接,获得第一全景图像信息;根据所述第一全景图像信息,识别获得第一病害区域;根据所述第一病害区域,获得第一病害尺寸信息;基于桥梁历史数据信息,构建病害评定模型;将所述第一病害尺寸信息输入所述病害评定模型,获得第一病害评定结果;根据所述第一病害评定结果,对所述第一病害区域进行处理。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘(SolidState Disk,SSD))等。
本申请中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
总之,以上所述仅为本申请技术方案的较佳实施例而已,并非用于限定本申请的保护范围。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。
Claims (10)
1.一种基于边云桥梁检测的远程分布式控制方法,其特征在于,所述方法应用于一种基于边云桥梁检测的远程分布式控制系统,所述系统包括多个图像采集装置,所述方法包括:
通过所述多个图像采集装置对第一桥梁进行横向排列图像采集,获得多个图像信息;
将所述多个图像信息通过边云协同技术上传至云端;
在所述云端对所述多个图像信息进行压缩、拼接,获得第一全景图像信息;
根据所述第一全景图像信息,识别获得第一病害区域;
根据所述第一病害区域,获得第一病害尺寸信息;
基于桥梁历史数据信息,构建病害评定模型;
将所述第一病害尺寸信息输入所述病害评定模型,获得第一病害评定结果;
根据所述第一病害评定结果,对所述第一病害区域进行处理。
2.如权利要求1所述的方法,其特征在于,所述根据所述第一病害区域,获得第一病害尺寸信息,包括:
获得所述第一病害区域的像素点的数量;
根据所述像素点数量,获得像素点边长;
根据所述像素点边长,计算获得所述第一病害尺寸信息。
3.如权利要求2所述的方法,其特征在于,所述计算获得所述第一病害尺寸信息的公式具体为:
判断所述第一病害区域的类别信息;
当所述第一病害区域为面积类病害时,所述获得所述第一病害尺寸信息的公式具体为:S=N×ax×bx;
当所述第一病害区域为列分类病害时,所述获得所述第一病害尺寸信息的公式具体为:L/d=N×ax(bx);
其中,S为当所述第一病害为面积类病害时,所述第一病害的面积;
N为所述第一病害区域的像素点的数量;
ax,bx为拍摄距离为X时,图像中像素点代表的景物长和宽;
L/d为所述第一病害为裂缝时,所述裂缝的长宽比。
4.如权利要求1所述的方法,其特征在于,所述在所述云端对所述多个图像信息进行压缩、拼接,获得第一全景图像信息,包括:
获得所述多个图像信息中的极值点;
根据所述极值点,提取所述极值点的位置信息、尺度信息和旋转不变量;
通过尺度不变特征转换法,根据所述极值点的位置信息、尺度信息和旋转不变量,计算获得所述第一全景图像信息。
5.如权利要求1所述的方法,其特征在于,所述基于桥梁历史数据信息,构建病害评定模型,包括:
通过大数据获得与所述第一桥梁相同类型的桥梁的历史数据集,所述历史数据集包括所述桥梁的病害参数集,所述病害参数集包括病害尺寸、病害类型;
将所述病害参数集作为训练数据对线性回归模型进行训练,直到所述线性回归模型达到收敛状态,构建所述病害评定模型。
6.如权利要求1所述的方法,其特征在于,所述基于桥梁历史数据信息,构建病害评定模型之后,还包括:
获得所述第一桥梁的位置信息;
根据所述位置信息,获得所述第一桥梁所处的地域特征信息;
根据所述地域特征信息对所述病害评定模型进行优化,获得第一病害评定模型;
将所述第一病害尺寸信息输入所述第一病害评定模型,获得第二病害评定结果。
7.如权利要求6所述的方法,其特征在于,所述根据所述地域特征信息对所述病害评定模型进行优化,获得第一病害评定模型,包括:
根据所述病害评定模型,获得所述病害评定模型的模型参数;
根据所述地域特征信息和所述模型参数,获得映射规则;
按照所述映射规则和所述地域特征信息,优化所述模型参数,获得第一模型参数;
根据所述第一模型参数,对所述病害评定模型进行优化,获得所述第一病害评定模型。
8.一种基于边云桥梁检测的远程分布式控制系统,其特征在于,所述系统包括多个图像采集装置,所述系统包括:
第一获得单元,所述第一获得单元用于通过多个图像采集装置对第一桥梁进行横向排列图像采集,获得多个图像信息;
第一传输单元,所述第一传输单元用于将所述多个图像信息通过边云协同技术上传至云端;
第二获得单元,所述第二获得单元用于在所述云端对所述多个图像信息进行压缩、拼接,获得第一全景图像信息;
第三获得单元,所述第三获得单元用于根据所述第一全景图像信息,识别获得第一病害区域;
第四获得单元,所述第四获得单元用于根据所述第一病害区域,获得第一病害尺寸信息;
第一构建单元,所述第一构建单元用于基于桥梁历史数据信息,构建病害评定模型;
第五获得单元,所述第五获得单元用于将所述第一病害尺寸信息输入所述病害评定模型,获得第一病害评定结果;
第一执行单元,所述第一执行单元用于根据所述第一病害评定结果,对所述第一病害区域进行处理。
9.一种基于边云桥梁检测的远程分布式控制系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机程序产品,包括计算机程序和/或指令,其特征在于,该计算机程序和/或指令被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210156575.7A CN114202660B (zh) | 2022-02-21 | 2022-02-21 | 一种基于边云桥梁检测的远程分布式控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210156575.7A CN114202660B (zh) | 2022-02-21 | 2022-02-21 | 一种基于边云桥梁检测的远程分布式控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114202660A true CN114202660A (zh) | 2022-03-18 |
CN114202660B CN114202660B (zh) | 2022-12-30 |
Family
ID=80645734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210156575.7A Active CN114202660B (zh) | 2022-02-21 | 2022-02-21 | 一种基于边云桥梁检测的远程分布式控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202660B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627107A (zh) * | 2022-04-11 | 2022-06-14 | 东南大学 | 一种桥梁梁底病害全形貌检测方法及系统 |
CN117011688A (zh) * | 2023-07-11 | 2023-11-07 | 广州大学 | 一种水下结构病害的识别方法、系统及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782969A (zh) * | 2010-02-26 | 2010-07-21 | 浙江大学 | 一种基于物理定位信息的图像特征可靠匹配的方法 |
CN107515025A (zh) * | 2017-07-17 | 2017-12-26 | 西安理工大学 | 古城墙病害等级评估方法 |
CN108495089A (zh) * | 2018-04-02 | 2018-09-04 | 北京京东尚科信息技术有限公司 | 车辆监控方法、装置、系统以及计算机可读存储介质 |
CN109978755A (zh) * | 2019-03-11 | 2019-07-05 | 广州杰赛科技股份有限公司 | 全景图像合成方法、装置、设备与存储介质 |
US20200098103A1 (en) * | 2018-09-21 | 2020-03-26 | Chongqing Construction Engineering Group Corporation Limited | High-precision Intelligent Detection Method For Bridge Diseases Based On Spatial Position |
CN111260615A (zh) * | 2020-01-13 | 2020-06-09 | 重庆交通大学 | 基于激光和机器视觉融合的无人机桥梁表观病害检测方法 |
CN111307823A (zh) * | 2020-04-13 | 2020-06-19 | 国家电网有限公司 | 基于边云协同的变电设备典型视觉缺陷检测系统及方法 |
CN112215485A (zh) * | 2020-10-09 | 2021-01-12 | 苏州巴涛信息科技有限公司 | 一种基于物联网的桥梁寿命监控预警系统及方法 |
CN112712518A (zh) * | 2021-01-13 | 2021-04-27 | 中国农业大学 | 鱼类计数方法、装置、电子设备及存储介质 |
CN113420621A (zh) * | 2021-06-08 | 2021-09-21 | 广东省大湾区集成电路与系统应用研究院 | 一种路面病害程度识别方法、装置、设备及存储介质 |
CN113450333A (zh) * | 2021-06-30 | 2021-09-28 | 哈尔滨工业大学 | 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 |
CN113591803A (zh) * | 2021-09-14 | 2021-11-02 | 广州健新科技有限责任公司 | 一种基于边云协同技术的配电房智能远程巡视方法及系统 |
-
2022
- 2022-02-21 CN CN202210156575.7A patent/CN114202660B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782969A (zh) * | 2010-02-26 | 2010-07-21 | 浙江大学 | 一种基于物理定位信息的图像特征可靠匹配的方法 |
CN107515025A (zh) * | 2017-07-17 | 2017-12-26 | 西安理工大学 | 古城墙病害等级评估方法 |
CN108495089A (zh) * | 2018-04-02 | 2018-09-04 | 北京京东尚科信息技术有限公司 | 车辆监控方法、装置、系统以及计算机可读存储介质 |
US20200098103A1 (en) * | 2018-09-21 | 2020-03-26 | Chongqing Construction Engineering Group Corporation Limited | High-precision Intelligent Detection Method For Bridge Diseases Based On Spatial Position |
CN109978755A (zh) * | 2019-03-11 | 2019-07-05 | 广州杰赛科技股份有限公司 | 全景图像合成方法、装置、设备与存储介质 |
CN111260615A (zh) * | 2020-01-13 | 2020-06-09 | 重庆交通大学 | 基于激光和机器视觉融合的无人机桥梁表观病害检测方法 |
CN111307823A (zh) * | 2020-04-13 | 2020-06-19 | 国家电网有限公司 | 基于边云协同的变电设备典型视觉缺陷检测系统及方法 |
CN112215485A (zh) * | 2020-10-09 | 2021-01-12 | 苏州巴涛信息科技有限公司 | 一种基于物联网的桥梁寿命监控预警系统及方法 |
CN112712518A (zh) * | 2021-01-13 | 2021-04-27 | 中国农业大学 | 鱼类计数方法、装置、电子设备及存储介质 |
CN113420621A (zh) * | 2021-06-08 | 2021-09-21 | 广东省大湾区集成电路与系统应用研究院 | 一种路面病害程度识别方法、装置、设备及存储介质 |
CN113450333A (zh) * | 2021-06-30 | 2021-09-28 | 哈尔滨工业大学 | 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 |
CN113591803A (zh) * | 2021-09-14 | 2021-11-02 | 广州健新科技有限责任公司 | 一种基于边云协同技术的配电房智能远程巡视方法及系统 |
Non-Patent Citations (2)
Title |
---|
马卫建等: "基于图像识别技术的桥梁病害检测技术研究", 《黑龙江交通科技》 * |
马卫建等: "基于图像识别技术的桥梁病害检测技术研究", 《黑龙江交通科技》, no. 11, 15 November 2015 (2015-11-15), pages 145 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627107A (zh) * | 2022-04-11 | 2022-06-14 | 东南大学 | 一种桥梁梁底病害全形貌检测方法及系统 |
CN114627107B (zh) * | 2022-04-11 | 2024-07-19 | 东南大学 | 一种桥梁梁底病害全形貌检测方法及系统 |
CN117011688A (zh) * | 2023-07-11 | 2023-11-07 | 广州大学 | 一种水下结构病害的识别方法、系统及存储介质 |
CN117011688B (zh) * | 2023-07-11 | 2024-03-08 | 广州大学 | 一种水下结构病害的识别方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114202660B (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114202660B (zh) | 一种基于边云桥梁检测的远程分布式控制方法及系统 | |
Akagic et al. | Pothole detection: An efficient vision based method using rgb color space image segmentation | |
US9846823B2 (en) | Traffic lane boundary line extraction apparatus and method of extracting traffic lane boundary line | |
JP6646527B2 (ja) | 物体検知評価システム及び物体検知評価方法 | |
JP2017053819A (ja) | コンクリートのひび割れ検出方法及び検出プログラム | |
CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
CN108898101B (zh) | 基于素描图和先验约束的高分辨sar图像路网检测方法 | |
CN114387268A (zh) | 一种螺栓松动检测方法及装置 | |
CN112966665A (zh) | 路面病害检测模型训练方法、装置和计算机设备 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
CN115880296A (zh) | 基于机器视觉的预制构件质量检测方法及装置 | |
JP6894361B2 (ja) | コンクリート表面上のひび割れ方向特定方法、ひび割れ方向特定装置、ひび割れ方向特定システム及びプログラム | |
JP2020126359A (ja) | 情報処理装置、サーバ、及び交通管理システム | |
CN117610375A (zh) | 基于机器视觉的桥梁悬浇施工数字孪生方法、装置和设备 | |
CN117169121A (zh) | 一种基于云边端架构的交通道路病害检测系统及方法 | |
CN112785548A (zh) | 一种基于车载激光点云的路面裂缝检测方法 | |
CN116152219A (zh) | 混凝土构件损伤检测与评估方法及其系统 | |
CN115409839A (zh) | 基于像素分析模型的道路声屏障隐患识别方法及装置 | |
CN115512098A (zh) | 一种桥梁电子化巡检系统及巡检方法 | |
WO2022056575A1 (en) | A method for analysing laser measurement data | |
CN108871226B (zh) | 一种积雪深度的测量方法、装置及系统 | |
CN110969103A (zh) | 一种基于ptz相机的高速公路路面病害长度测量方法 | |
JP7499210B2 (ja) | ひび割れ検出方法とひび割れ検出装置、及びプログラム | |
CN115239682B (zh) | 一种电缆线路防外破监测告警方法与系统 |
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 |