CN114241215B - 一种桥梁表观裂缝非接触式检测方法及系统 - Google Patents
一种桥梁表观裂缝非接触式检测方法及系统 Download PDFInfo
- Publication number
- CN114241215B CN114241215B CN202210149563.1A CN202210149563A CN114241215B CN 114241215 B CN114241215 B CN 114241215B CN 202210149563 A CN202210149563 A CN 202210149563A CN 114241215 B CN114241215 B CN 114241215B
- Authority
- CN
- China
- Prior art keywords
- bridge
- crack
- information
- image
- image set
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000013145 classification model Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims description 56
- 238000009826 distribution Methods 0.000 claims description 26
- 238000012423 maintenance Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007789 sealing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 17
- 230000000694 effects Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000012916 structural analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000007847 structural defect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种桥梁表观裂缝非接触式检测方法及系统,获得第一桥梁的基础信息;根据所述基础信息选定第一检测区域,获得第一车流量影响系数;根据第一车流量影响系数和基础信息获得第一图像集合;根据所述基础信息生成第一桥梁的非桥面构件采集规则,基于非桥面构件采集规则,通过图像采集装置进行图像采集,获得第二图像集合;将第一图像集合、第二图像集合输入表观识别分类模型,获得第一识别标识结果;基于第一识别标识结果进行裂缝物象比计算,获得带有位置标识的桥梁裂缝尺寸信息。解决了现有技术在进行桥梁的表观裂缝检测的过程中,存在检测成本高、裂缝检测不够准确的技术问题。
Description
技术领域
本发明涉及电数字数据处理相关领域,尤其涉及一种桥梁表观裂缝非接触式检测方法及系统。
背景技术
桥梁在修建或者运营一段时间过后,因为地质、施工、环境变化(台风、地震)、承重、施工质量等多种原因,桥梁的安全系数会降低,造成财产损失或者人员伤亡,桥梁的表观裂缝可以反映出桥梁的实时状态,及时、准确的进行桥梁裂缝的定期检测,能够对桥梁的状态进行准确评估。桥梁裂缝的整体检测费时费力,成本高昂,如何进行准确、低成本桥梁裂缝检测是急需解决的问题。
但在实现本申请中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术在进行桥梁的表观裂缝检测的过程中,存在检测成本高、裂缝检测不够准确的技术问题。
发明内容
本申请通过提供一种桥梁表观裂缝非接触式检测方法及系统,解决了现有技术在进行桥梁的表观裂缝检测的过程中,存在检测成本高、裂缝检测不够准确的技术问题,达到降低桥梁的表观裂缝检测的成本、提高裂缝检测准确性的技术效果。
鉴于上述问题,提出了本申请提供一种桥梁表观裂缝非接触式检测方法及系统。
第一方面,本申请提供了一种桥梁表观裂缝非接触式检测方法,所述方法应用于桥梁智能检测系统,所述桥梁智能检测系统与图像采集装置通信连接,所述方法包括:获得第一桥梁的基础信息,其中,所述基础信息包括所述第一桥梁的结构信息和历史检测信息;根据所述基础信息选定第一检测区域,对所述第一检测区域进行车道车流密度检测,获得第一车流量影响系数;根据所述第一车流量影响系数和所述基础信息确定所述第一桥梁的桥面图像采集时间和采集路径,获得第一图像集合;根据所述基础信息生成所述第一桥梁的非桥面构件采集规则,基于所述非桥面构件采集规则,通过所述图像采集装置进行图像采集,获得第二图像集合;将所述第一图像集合、所述第二图像集合输入表观识别分类模型,获得第一识别标识结果;基于所述第一识别标识结果进行裂缝物象比计算,获得带有位置标识的桥梁裂缝尺寸信息。
另一方面,本申请还提供了一种桥梁表观裂缝非接触式检测系统,所述系统包括:第一获得单元,所述第一获得单元用于获得第一桥梁的基础信息,其中,所述基础信息包括所述第一桥梁的结构信息和历史检测信息;第一检测单元,所述第一检测单元用于根据所述基础信息选定第一检测区域,对所述第一检测区域进行车道车流密度检测,获得第一车流量影响系数;第二获得单元,所述第二获得单元用于根据所述第一车流量影响系数和所述基础信息确定所述第一桥梁的桥面图像采集时间和采集路径,获得第一图像集合;第三获得单元,所述第三获得单元用于根据所述基础信息生成所述第一桥梁的非桥面构件采集规则,基于所述非桥面构件采集规则,通过图像采集装置进行图像采集,获得第二图像集合;第四获得单元,所述第四获得单元用于将所述第一图像集合、所述第二图像集合输入表观识别分类模型,获得第一识别标识结果;第五获得单元,所述第五获得单元用于基于所述第一识别标识结果进行裂缝物象比计算,获得带有位置标识的桥梁裂缝尺寸信息。
第三方面,本发明提供了一种电子设备,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:
由于采用了对第一桥梁进行区域划分,获得桥面区域和其他区域,对桥面区域进行检测区域选定,根据检测区域选定结果进行车流量影响系数评估,基于车流量影响系数评估结果选定桥面区域的采集时间和采集路径,进行图像采集,获得第一图像集合,通过桥梁的结构的历史检测信息生其他区域的区域分级,基于区域分级进行其他区域的分级侧重图像采集,获得第二图像集合,将所述第一图像集合和所述第二图像集合输入表观识别分类模型,基于表观识别分类模型进行裂缝识别,基于裂缝识别结果进行物象比还原计算,获得带有位置标识的桥梁裂缝尺寸信息,通过分区域进行桥梁分割,保证了车辆的通行流畅度,降低的图像采集的成本,对桥梁进行区域分级图像采集,提高了图像的采集的准确性,进而使得通过表观识别分类模型识别的裂缝识别结果更加准确,进而达到获得准确的裂缝尺寸和位置的技术效果。
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为本申请一种桥梁表观裂缝非接触式检测方法的流程示意图;
图2为本申请一种桥梁表观裂缝非接触式检测方法的获得第二图像集合的流程示意图;
图3为本申请一种桥梁表观裂缝非接触式检测方法的细化获得桥梁裂缝尺寸信息的流程示意图;
图4为本申请一种桥梁表观裂缝非接触式检测方法的获得所述第一图像集合的流程示意图;
图5为本申请一种桥梁表观裂缝非接触式检测系统的结构示意图;
图6为本申请一种电子设备的结构示意图。
附图标记说明:第一获得单元11,第一检测单元12,第二获得单元13,第三获得单元14,第四获得单元15,第五获得单元16,电子设备50,处理器51,存储器52,输入装置53,输出装置54。
具体实施方式
本申请通过提供一种桥梁表观裂缝非接触式检测方法及系统,解决了现有技术在进行桥梁的表观裂缝检测的过程中,存在检测成本高、裂缝检测不够准确的技术问题,达到降低桥梁的表观裂缝检测的成本、提高裂缝检测准确性的技术效果。下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
申请概述
桥梁一般为架设在江河湖海上,使车辆行人等能顺利通行的构筑物。因为环境因素、人为因素、桥梁的本身质量等因素的影响,桥梁在使用时,会出现安全系数下降的现象,此时需要准确、及时的进行桥梁的状态检测,以保证桥梁的安全稳定的运行。但现有技术在进行桥梁的表观裂缝检测的过程中,存在检测成本高、裂缝检测不够准确的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种桥梁表观裂缝非接触式检测方法,所述方法应用于桥梁智能检测系统,所述桥梁智能检测系统与图像采集装置通信连接,所述方法包括:获得第一桥梁的基础信息,其中,所述基础信息包括所述第一桥梁的结构信息和历史检测信息;根据所述基础信息选定第一检测区域,对所述第一检测区域进行车道车流密度检测,获得第一车流量影响系数;根据所述第一车流量影响系数和所述基础信息确定所述第一桥梁的桥面图像采集时间和采集路径,获得第一图像集合;根据所述基础信息生成所述第一桥梁的非桥面构件采集规则,基于所述非桥面构件采集规则,通过所述图像采集装置进行图像采集,获得第二图像集合;将所述第一图像集合、所述第二图像集合输入表观识别分类模型,获得第一识别标识结果;基于所述第一识别标识结果进行裂缝物象比计算,获得带有位置标识的桥梁裂缝尺寸信息。
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,本申请提供了一种桥梁表观裂缝非接触式检测方法,所述方法应用于桥梁智能检测系统,所述桥梁智能检测系统与图像采集装置通信连接,所述方法包括:
步骤S100:获得第一桥梁的基础信息,其中,所述基础信息包括所述第一桥梁的结构信息和历史检测信息;
具体而言,所述桥梁智能检测系统为进行桥梁的实时采集图像评估,根据评估结果实时控制进行图像采集的设备,所述图像采集装置为可进行图像捕捉的设备,且所述图像采集装置包括补光设备,所述图像采集装置至少包括安装在无人机和图像采集车两种形态。所述桥梁智能检测系统与所述图像采集装置通信连接,可进行实时的信息交互。所述第一桥梁为要进行目标检测的桥梁所述基础信息包括所述第一桥梁的结构信息、设计图信息、历史检测信息等。
进一步来说,所述基础信息包括所述第一桥梁的历史检测的裂缝分布信息、所述第一桥梁的历史CT信息,通过所述历史CT信息的获取,能够准确反应出所述第一桥梁的内在强度、空洞、不密实区等结构缺陷,进而为后续准确评估出桥梁的区域检测等级,为可实现准确的裂缝检测夯实了基础。
步骤S200:根据所述基础信息选定第一检测区域,对所述第一检测区域进行车道车流密度检测,获得第一车流量影响系数;
步骤S300:根据所述第一车流量影响系数和所述基础信息确定所述第一桥梁的桥面图像采集时间和采集路径,获得第一图像集合;
具体而言,所述第一桥梁至少在双向具有四条车道,且单向至少具有两条车道。将所述第一桥梁分为两部分进行图像采集,其中,第一部分为桥面部分,即进行桥面车道的图像采集,第二部分为除去桥面的部分,即其他部分。根据所述第一桥梁基础信息获得桥长信息和桥梁所处位置信息。基于桥长信息和桥梁的位置信息,进行所述第一检测区域的选定,其中,所述第一检测区域为进行通行所述第一桥梁的车流评估选定的区域,一般为桥长的10-20倍。根据确定的检测区域进行桥梁的车流评估,根据车流评估结果获得所述第一车流量影响系数。
进一步而言,根据所述第一车流影响系数,对所述第一桥梁关闭单向的一条车道进行影响评估,当影响评估小于预期值时,则此时进行单向的一条车道封闭,对封闭的车道,通过搭载在图像采集车上的图像采集装置进行图像采集,获得所述第一图像集合。通过进行车流的评估,确定桥面的图像采集时间,使得在进行桥面图像采集的过程中,尽可能的降低图像采集对车流通行的影响,进而实现降低图像采集的成本的技术效果。
步骤S400:根据所述基础信息生成所述第一桥梁的非桥面构件采集规则,基于所述非桥面构件采集规则,通过所述图像采集装置进行图像采集,获得第二图像集合;
步骤S500:将所述第一图像集合、所述第二图像集合输入表观识别分类模型,获得第一识别标识结果;
具体而言,所述图像采集装置为安装在无人机上的、可进行图像采集的设备,所述非桥面构件区域包括桥梁的除去桥面的区域,如桥墩、承台、系杆、拱肋、盖梁等。所述非桥面构件采集规则包括根据不同桥梁位置、桥梁的CT图像等信息进行桥梁的区域分级后,根据分级不同采用的不同的采集速度、采集的频次(采集关注度)规则。根据所述非桥面构件的采集规则进行所述第一桥梁的非桥面构件的部分的图像采集,获得第二图像集合。
进一步来说,所述表观识别分类模型为卷积神经网络模型,所述表观识别分类模型为通过大数据获得的桥梁图片数据,进行人工标识是否存在裂缝后,进行训练获得的,当所述表观识别分类模型对于桥梁裂缝的识别结果满足预期的准确率后,完成所述表观识别分类模型的训练,将所述第一图像集合、所述第二图像集合输入所述表观识别分类模型,基于所述表观识别分类模型进行所述第一图像集合、所述第二图像集合中的桥梁裂缝识别,获得第一识别标识结果。
步骤S600:基于所述第一识别标识结果进行裂缝物象比计算,获得带有位置标识的桥梁裂缝尺寸信息。
具体而言,根据所述第一识别标识结果进行所述第一桥梁的裂缝识别信息进行整合,根据整合结果获得对应的图像的采集位置信息和采集参数信息,采集参数信息包括物镜距离、焦距、图像中裂缝的尺寸,根据图像的采集参数信息进行物象比还原,根据物象比的还原结果获得带有位置标识的所述第一桥梁的裂缝的分布位置和分布尺寸信息。通过分区域进行桥梁分割,保证了车辆的通行流畅度,降低的图像采集的成本,对桥梁进行区域分级图像采集,提高了图像的采集的准确性,进而使得通过表观识别分类模型识别的裂缝识别结果更加准确,进而达到获得准确的裂缝尺寸和位置的技术效果。
进一步而言,如图2所示,本申请步骤S400还包括:
步骤S410:根据所述基础信息获得所述第一桥梁的桥梁历史CT信息;
步骤S420:根据所述基础信息获得所述第一桥梁的桥梁历史裂缝检测分布信息;
步骤S430:获得所述第一桥梁的历史维护记录;
步骤S440:基于所述桥梁历史CT信息、所述桥梁历史裂缝检测分布信息和所述历史维护记录进行区域分级标定,获得第一区域分级标定结果;
步骤S450:基于所述第一区域分级标定结果进行所述第一桥梁的区域采集。
具体而言,桥梁CT是指通过声波穿透混凝土桥体,通过对声波走时和波动能量变化的观测,经过计算机处理反演,重现混凝土桥梁内部的结构图像的过程,通过桥梁CT,可以反映出桥梁的内在强度、空洞、不密实区等结构缺陷。根据所述第一桥梁的基础信息,对所述第一桥梁的历史CT信息进行提取,获得所述桥梁历史CT信息,所述第一桥梁的历史维修记录包括桥梁的结构加固、裂缝修补等,通过获取所述历史维修记录,能结合历史CT信息进行桥梁的强度、空洞区域进行更加准确的评估,为后续进行准确的区域分级提供了数据支持。
进一步来说,根据所述基础信息获得所述第一桥梁的桥梁历史裂缝检测分布信息,根据历史检测的裂缝的分布位置、裂缝大小、裂缝的分布密度进行区域等级评估,获得裂缝评估参数,基于所述裂缝分布参数、所述桥梁历史CT信息和所述历史维修记录,使得对桥梁的区域分级的分级评估更加的准确,进而根据不同的区域分级,进行图像采集的密度、时间、频率的参数调整,进而达到表观裂缝的检测结果更加准确的技术效果。
进一步而言,如图3所示,本申请步骤S600还包括:
步骤S610:将所述第二图像集合输入所述表观识别分类模型,获得第一异常标定结果;
步骤S620:基于所述第一异常标定结果的图像位置信息,通过所述图像采集装置进行图像采集,获得第三图像集合,其中,所述第三图像集合中与所述第二图像集合同位置的图像采集角度不同;
步骤S630:通过所述第一异常标定结果和所述第三图像集合进行裂缝物象比计算,获得带有位置标识的桥梁裂缝尺寸信息。
具体而言,为了保证裂缝检测后对裂缝的尺寸识别更加的准确,在通过区域分级图像采集控制后,将区域分级图像采集控制获得的所述第二图像集合输入所述表观识别分类模型,根据所述表观识别分类模型进行裂缝的初步识别,将可疑位置均进行标识,获得所述第一异常标定结果,根据所述第一异常标定结果的图像对应的位置坐标,基于搭载在无人机上的所述图像采集装置进行相同位置坐标的再次图像采集,且第二次图像采集的采集角度与同位置第一次图像采集的采集角度不同,根据所述第二次图像采集结果获得所述第三图像集合,其中,所述第三图像集合中的每个图像均带有位置标识和采集次数标识。
根据所述第三图像集合与所述第一异常标定结果进行异常位置是否为表观裂缝的再次判断。当判断结果仍为表观裂缝时,则根据异常标定结果的标定位置在所述第二图像集合对应的图像和第三图像集合对应的图像,进行裂缝的实际尺寸的计算。所述尺寸计算的过程包括首先对图像进行畸形矫正,然后获得图像采集装置的采集的内外参数,包括焦距、物镜距离、图像中裂缝的尺寸等,根据所述内外参数进行裂缝的尺寸计算。通过对异常位置的二次图像采集,使得桥梁的表观裂缝的判断更加的准确,进而根据两次采集的图像,对裂缝的实际尺寸的计算提供了更多的参考数据,进而使得尺寸计算结果更加的准确。
进一步的,如图4所示,本申请步骤S300还包括:
步骤S310:根据车道车流密度检测结果获得第一车流密度信息;
步骤S320:根据所述第一车流密度信息和所述第一桥梁的车道分布进行区域车道的封闭车流影响评估,获得所述第一车流量影响系数;
步骤S330:当所述第一车流量影响系数满足第一预定阈值时,对所述第一桥梁的桥面车道进行分区域封闭;
步骤S340:根据桥面车道的分区域封闭结果进行图像采集,获得所述第一图像集合。
具体而言,所述车道车流密度检测为进行单向车道车流密度的评估的过程,举例而言,当所述第一桥梁为南北双向通行桥梁,且南向/北向分别具有两条车道,即慢车道和快车道。所述车道车流密度包括对南向车道的车流密度检测/北向车道的车流密度,根据采集的预定时间节点内所述第一区域内的单向车道的车辆数量,获得所述第一车流密度信息。对所述第一车流密度信息进行单向车道关闭慢车道/快车道的车流影响评估,根据评估结果获得所述第一车流量影响系数,预先设定一预期内的车流量影响值,即第一预定阈值,当所述第一车流量影响系数满足所述第一预定阈值时,则表明此时进行部分车道封闭,进行桥梁表面的图像采集对车流的影响在预期接收的范围内,此时进行满足所述第一预定阈值的车道的部分封闭,进行图像采集,并实时进行车流密度检测,当车流密度增长超过第二预定阈值时,则结束车道封闭,保障道路的流畅通行。通过进行车流的监控,设定桥面车道的封闭开放时间进行图像采集,在进行桥梁的图像采集作业的同时,保障了车流的通行效率,达到尽可能的降低图像采集对车流通行的影响,进而实现降低图像采集的成本的技术效果。
进一步的,本申请步骤S440还包括:
步骤S441:根据所述结构信息获得所述第一桥梁的第一位置影响系数;
步骤S442:根据所述桥梁历史CT信息进行所述第一位置影响系数修正,获得第一修正影响系数;
步骤S443:根据所述历史维护记录进行维护关联区域评估,获得第一区域评估结果;
步骤S444:根据所述第一修正影响系数、所述第一区域评估结果、所述桥梁历史裂缝检测分布信息进行所述第一桥梁的区域分级标定,获得所述第一区域分级标定结果。
具体而言,根据所述基础信息中的所述第一桥梁的结构信息进行结构解析,根据结构解析结果进行所述第一桥梁的各个位置的受力/强度的匹配度进行评估,根据评估结果获得所述第一桥梁的各个位置的位置影响系数,即所述第一位置影响系数,其中,所述第一位置影响系数反映了理论上所述第一桥梁的异常位置的分布,根据所述桥梁历史CT信息进行所述结构解析结果的位置匹配度进行修正,根据实际检测的桥梁的历史CT信息中观测的桥梁的薄弱点、空洞点、内在强度缺陷等进行所述第一位置影响系数的修正,根据修正结果获得所述第一修正影响系数。
进一步的,根据所述历史维护记录进行维护位置的维护情况进行维护的区域影响评估,举例而言,当所述维护位置的维护手段为加固维护,则目标维护位置的强度有一定的提高,但加固接触点区域的强度会存在一定程度的影响,根据影响结果获得所述第一区域评估结果。根据所述第一修正影响系数、所述第一区域评估结果、所述桥梁历史裂缝检测分布信息进行所述第一桥梁的区域分级标定,获得所述第一区域分级标定结果。通过对于分级评估的过程的细化,使得对桥梁的区域分级的分级评估更加的准确,进而根据不同的区域分级,进行图像采集的密度、时间、频率的参数调整,进而达到表观裂缝的检测结果更加准确的技术效果。
进一步的,本申请步骤S440还包括:
步骤S445:根据所述带有位置标识的桥梁裂缝尺寸信息进行所述第一桥梁的裂缝密度评估,获得第一裂缝密度评估结果;
步骤S446:根据所述桥梁裂缝尺寸信息进行裂缝尺寸的影响系数评估,获得第一裂缝尺寸影响评估结果;
步骤S447:根据所述第一裂缝密度评估结果、所述第一裂缝尺寸影响评估结果和所述第一区域分级标定结果获得区域标定值;
步骤S448:当所述区域标定值满足第一预设标定阈值时,则对所述区域标定值对应的区域进行预警。
具体而言,根据最终获得的裂缝的信息进行信息整合,获得各个裂缝分布的位置坐标信息,根据位坐标信息进行单位面积的裂缝分布的数量评估,根据单位面积下的裂缝数量获得所述第一裂缝密度评估结果;根据采集的裂缝的尺寸规格进行裂缝面积计算,根据裂缝面积计算结果,进行裂缝本身的尺寸影响值的评估,根据所述第一裂缝密度评估结果、所述第一裂缝尺寸影响评估结果和所述第一区域分级标定结果进行区域标定值计算,获得区域标定值计算结果。
进一步来说,区域标定值等于第一裂缝密度评估结果乘k+第一裂缝尺寸影响评估结果乘p+第一区域分级标定结果,其中,K为密度影响系数,P为尺寸影响系数。设定一预警区域标定值,即所述第一预设标定阈值,当任一区域的区域标定值满足第一预设标定阈值时,则对所述区域标定值对应的区域进行框选标定后预警。通过进行表观裂缝的检测预警,可以引起相关工作人员对预警区域的重视,进而对裂缝进行深度排查,保障桥梁的安全、稳定的使用。
进一步的,本申请步骤S500还包括:
步骤S510:通过大数据进行桥梁图像采集,获得第一训练图像集合,其中,所述第一训练图像集合中的每个图像均带有标识是否为裂缝的标识信息;
步骤S520:对所述第一训练图像集合进行图像的预处理,获得第一处理图像集合;
步骤S530:将所述第一处理图像集合输入卷积神经网络,当所述卷积神经网络的输出信息与标识是否为裂缝的标识信息一致时,则完成模型的构建,获得所述表观识别分类模型。
具体而言,所述表观识别分类模型为卷积神经网络模型,它包括卷积计算且具有深度结构的前馈神经网络,通过监督训练训练获得,所述监督训练的训练数据为所述第一训练图像集合,所述第一训练图像集合为包括基础图像和标识图像是否为裂缝的标识信息两部分构成。将所述第一训练图像集合中的图像数据进行预处理,所述预处理包括图像分割、特征抽取、图像的对比度、明亮度调节等。将所述第一训练图像集合中的进行预处理后的图像数据作为输入数据,将所述标识图像是否为裂缝的标识信息作为监督数据,进行所述表观识别分类模型的构建,当所述表观识别分类模型的输出结果与所述标识图像是否为裂缝的标识信息的一致性满足预定要求时,则认为所述表观识别分类模型训练完成,此时通过构建完成的所述表观识别分类模型进行后续的桥梁裂缝的识别,使得桥梁裂缝的识别更加的准确。
综上所述,本申请所提供的一种桥梁表观裂缝非接触式检测方法及系统具有如下技术效果:
1、由于采用了对第一桥梁进行区域划分,获得桥面区域和其他区域,对桥面区域进行检测区域选定,根据检测区域选定结果进行车流量影响系数评估,基于车流量影响系数评估结果选定桥面区域的采集时间和采集路径,进行图像采集,获得第一图像集合,通过桥梁的结构的历史检测信息生其他区域的区域分级,基于区域分级进行其他区域的分级侧重图像采集,获得第二图像集合,将所述第一图像集合和所述第二图像集合输入表观识别分类模型,基于表观识别分类模型进行裂缝识别,基于裂缝识别结果进行物象比还原计算,获得带有位置标识的桥梁裂缝尺寸信息,通过分区域进行桥梁分割,保证了车辆的通行流畅度,降低的图像采集的成本,对桥梁进行区域分级图像采集,提高了图像的采集的准确性,进而使得通过表观识别分类模型识别的裂缝识别结果更加准确,进而达到获得准确的裂缝尺寸和位置的技术效果。
2、由于采用了根据历史检测的裂缝的分布位置、裂缝大小、裂缝的分布密度进行区域等级评估的方式,获得裂缝评估参数,基于所述裂缝分布参数、所述桥梁历史CT信息和所述历史维修记录,使得对桥梁的区域分级的分级评估更加的准确,进而根据不同的区域分级,进行图像采集的密度、时间、频率的参数调整,进而达到表观裂缝的检测结果更加准确的技术效果。
3、由于采用了通过对异常位置的二次图像采集的方式,使得桥梁的表观裂缝的判断更加的准确,进而根据两次采集的图像,对裂缝的实际尺寸的计算提供了更多的参考数据,进而使得尺寸计算结果更加的准确。
4、由于采用了通过进行车流的监控,设定桥面车道的封闭开放时间进行图像采集的方式,在进行桥梁的图像采集作业的同时,保障了车流的通行效率,达到尽可能的降低图像采集对车流通行的影响,进而实现降低图像采集的成本的技术效果。
5、由于采用了通过对于分级评估的过程的细化的方式,使得对桥梁的区域分级的分级评估更加的准确,进而根据不同的区域分级,进行图像采集的密度、时间、频率的参数调整,进而达到表观裂缝的检测结果更加准确的技术效果。
实施例二
基于与前述实施例中一种桥梁表观裂缝非接触式检测方法同样发明构思,本发明还提供了一种桥梁表观裂缝非接触式检测系统,如图5所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一桥梁的基础信息,其中,所述基础信息包括所述第一桥梁的结构信息和历史检测信息;
第一检测单元12,所述第一检测单元12用于根据所述基础信息选定第一检测区域,对所述第一检测区域进行车道车流密度检测,获得第一车流量影响系数;
第二获得单元13,所述第二获得单元13用于根据所述第一车流量影响系数和所述基础信息确定所述第一桥梁的桥面图像采集时间和采集路径,获得第一图像集合;
第三获得单元14,所述第三获得单元14用于根据所述基础信息生成所述第一桥梁的非桥面构件采集规则,基于所述非桥面构件采集规则,通过图像采集装置进行图像采集,获得第二图像集合;
第四获得单元15,所述第四获得单元15用于将所述第一图像集合、所述第二图像集合输入表观识别分类模型,获得第一识别标识结果;
第五获得单元16,所述第五获得单元16用于基于所述第一识别标识结果进行裂缝物象比计算,获得带有位置标识的桥梁裂缝尺寸信息。
进一步的,所述系统还包括:
第六获得单元,所述第六获得单元用于根据所述基础信息获得所述第一桥梁的桥梁历史CT信息;
第七获得单元,所述第七获得单元用于根据所述基础信息获得所述第一桥梁的桥梁历史裂缝检测分布信息;
第八获得单元,所述第八获得单元用于获得所述第一桥梁的历史维护记录;
第一标定单元,所述第一标定单元用于基于所述桥梁历史CT信息、所述桥梁历史裂缝检测分布信息和所述历史维护记录进行区域分级标定,获得第一区域分级标定结果;
第一采集单元,所述第一采集单元用于基于所述第一区域分级标定结果进行所述第一桥梁的区域采集。
进一步的,所述系统还包括:
第九获得单元,所述第九获得单元用于将所述第二图像集合输入所述表观识别分类模型,获得第一异常标定结果;
第十获得单元,所述第十获得单元用于基于所述第一异常标定结果的图像位置信息,通过所述图像采集装置进行图像采集,获得第三图像集合,其中,所述第三图像集合中与所述第二图像集合同位置的图像采集角度不同;
第十一获得单元,所述第十一获得单元用于通过所述第一异常标定结果和所述第三图像集合进行裂缝物象比计算,获得带有位置标识的桥梁裂缝尺寸信息。
进一步的,所述系统还包括:
第十二获得单元,所述第十二获得单元用于根据车道车流密度检测结果获得第一车流密度信息;
第十三获得单元,所述第十三获得单元用于根据所述第一车流密度信息和所述第一桥梁的车道分布进行区域车道的封闭车流影响评估,获得所述第一车流量影响系数;
第一封闭单元,所述第一封闭单元用于当所述第一车流量影响系数满足第一预定阈值时,对所述第一桥梁的桥面车道进行分区域封闭;
第十四获得单元,所述第十四获得单元用于根据桥面车道的分区域封闭结果进行图像采集,获得所述第一图像集合。
进一步的,所述系统还包括:
第十五获得单元,所述第十五获得单元用于根据所述结构信息获得所述第一桥梁的第一位置影响系数;
第十六获得单元,所述第十六获得单元用于根据所述桥梁历史CT信息进行所述第一位置影响系数修正,获得第一修正影响系数;
第十七获得单元,所述第十七获得单元用于根据所述历史维护记录进行维护关联区域评估,获得第一区域评估结果;
第十八获得单元,所述第十八获得单元用于根据所述第一修正影响系数、所述第一区域评估结果、所述桥梁历史裂缝检测分布信息进行所述第一桥梁的区域分级标定,获得所述第一区域分级标定结果。
进一步的,所述系统还包括:
第十九获得单元,所述第十九获得单元用于根据所述带有位置标识的桥梁裂缝尺寸信息进行所述第一桥梁的裂缝密度评估,获得第一裂缝密度评估结果;
第二十获得单元,所述第二十获得单元用于根据所述桥梁裂缝尺寸信息进行裂缝尺寸的影响系数评估,获得第一裂缝尺寸影响评估结果;
第二十一获得单元,所述第二十一获得单元用于根据所述第一裂缝密度评估结果、所述第一裂缝尺寸影响评估结果和所述第一区域分级标定结果获得区域标定值;
第一预警单元,所述第一预警单元用于当所述区域标定值满足第一预设标定阈值时,则对所述区域标定值对应的区域进行预警。
进一步的,所述系统还包括:
第二十二获得单元,所述第二十二获得单元用于通过大数据进行桥梁图像采集,获得第一训练图像集合,其中,所述第一训练图像集合中的每个图像均带有标识是否为裂缝的标识信息;
第二十三获得单元,所述第二十三获得单元用于对所述第一训练图像集合进行图像的预处理,获得第一处理图像集合;
第一构建单元,所述第一构建单元用于将所述第一处理图像集合输入卷积神经网络,当所述卷积神经网络的输出信息与标识是否为裂缝的标识信息一致时,则完成模型的构建,获得所述表观识别分类模型。
前述图1实施例一中的一种桥梁表观裂缝非接触式检测方法的各种变化方式和具体实例同样适用于本实施例的一种桥梁表观裂缝非接触式检测系统,通过前述对一种桥梁表观裂缝非接触式检测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种桥梁表观裂缝非接触式检测系统的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图6来描述本申请的电子设备。
图6图示了根据本申请的电子设备的结构示意图。
基于与前述实施例中一种桥梁表观裂缝非接触式检测方法的发明构思,本发明还提供一种电子设备,下面,参考图6来描述根据本申请的电子设备。该电子设备可以是可移动设备本身,或与其独立的单机设备,其上存储有计算机程序,该程序被处理器执行时实现前文所述方法的任一方法的步骤。
如图6所示,电子设备50包括一个或多个处理器51和存储器52。
处理器51可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备50中的其他组件以执行期望的功能。
存储器52可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器51可以运行所述程序指令,以实现上文所述的本申请的各个实施例的方法以及/或者其他期望的功能。
在一个示例中,电子设备50还可以包括:输入装置53和输出装置54,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
本发明实施例提供的一种桥梁表观裂缝非接触式检测方法,所述方法应用于桥梁智能检测系统,所述桥梁智能检测系统与图像采集装置通信连接,所述方法包括:获得第一桥梁的基础信息,其中,所述基础信息包括所述第一桥梁的结构信息和历史检测信息;根据所述基础信息选定第一检测区域,对所述第一检测区域进行车道车流密度检测,获得第一车流量影响系数;根据所述第一车流量影响系数和所述基础信息确定所述第一桥梁的桥面图像采集时间和采集路径,获得第一图像集合;根据所述基础信息生成所述第一桥梁的非桥面构件采集规则,基于所述非桥面构件采集规则,通过所述图像采集装置进行图像采集,获得第二图像集合;将所述第一图像集合、所述第二图像集合输入表观识别分类模型,获得第一识别标识结果;基于所述第一识别标识结果进行裂缝物象比计算,获得带有位置标识的桥梁裂缝尺寸信息。解决了现有技术在进行桥梁的表观裂缝检测的过程中,存在检测成本高、裂缝检测不够准确的技术问题,达到降低桥梁的表观裂缝检测的成本、提高裂缝检测准确性的技术效果。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。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可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备执行本申请各个实施例所述的方法。
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,或者从计算机可读存储介质向另计算机可读存储介质传输,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(Solid State Disk,SSD))等。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请的实施过程构成任何限定。
另外,本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种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。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应理解,在本申请中,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
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 (8)
1.一种桥梁表观裂缝非接触式检测方法,其特征在于,所述方法应用于桥梁智能检测系统,所述桥梁智能检测系统与图像采集装置通信连接,所述方法包括:
获得第一桥梁的基础信息,其中,所述基础信息包括所述第一桥梁的结构信息和历史检测信息;
根据所述基础信息选定第一检测区域,对所述第一检测区域进行车道车流密度检测,获得第一车流量影响系数;
根据所述第一车流量影响系数和所述基础信息确定所述第一桥梁的桥面图像采集时间和采集路径,获得第一图像集合;
根据所述基础信息生成所述第一桥梁的非桥面构件采集规则,基于所述非桥面构件采集规则,通过所述图像采集装置进行图像采集,获得第二图像集合;
将所述第一图像集合、所述第二图像集合输入表观识别分类模型,获得第一识别标识结果;
基于所述第一识别标识结果进行裂缝物象比计算,获得带有位置标识的桥梁裂缝尺寸信息;
所述方法还包括:
通过大数据进行桥梁图像采集,获得第一训练图像集合,其中,所述第一训练图像集合中的每个图像均带有标识是否为裂缝的标识信息;
对所述第一训练图像集合进行图像的预处理,获得第一处理图像集合;
将所述第一处理图像集合输入卷积神经网络,当所述卷积神经网络的输出信息与标识是否为裂缝的标识信息一致时,则完成模型的构建,获得所述表观识别分类模型。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述基础信息获得所述第一桥梁的桥梁历史CT信息;
根据所述基础信息获得所述第一桥梁的桥梁历史裂缝检测分布信息;
获得所述第一桥梁的历史维护记录;
基于所述桥梁历史CT信息、所述桥梁历史裂缝检测分布信息和所述历史维护记录进行区域分级标定,获得第一区域分级标定结果;
基于所述第一区域分级标定结果进行所述第一桥梁的区域采集。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
将所述第二图像集合输入所述表观识别分类模型,获得第一异常标定结果;
基于所述第一异常标定结果的图像位置信息,通过所述图像采集装置进行图像采集,获得第三图像集合,其中,所述第三图像集合中与所述第二图像集合同位置的图像采集角度不同;
通过所述第一异常标定结果和所述第三图像集合进行裂缝物象比计算,获得带有位置标识的桥梁裂缝尺寸信息。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据车道车流密度检测结果获得第一车流密度信息;
根据所述第一车流密度信息和所述第一桥梁的车道分布进行区域车道的封闭车流影响评估,获得所述第一车流量影响系数;
当所述第一车流量影响系数满足第一预定阈值时,对所述第一桥梁的桥面车道进行分区域封闭;
根据桥面车道的分区域封闭结果进行图像采集,获得所述第一图像集合。
5.如权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述结构信息获得所述第一桥梁的第一位置影响系数;
根据所述桥梁历史CT信息进行所述第一位置影响系数修正,获得第一修正影响系数;
根据所述历史维护记录进行维护关联区域评估,获得第一区域评估结果;
根据所述第一修正影响系数、所述第一区域评估结果、所述桥梁历史裂缝检测分布信息进行所述第一桥梁的区域分级标定,获得所述第一区域分级标定结果。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
根据所述带有位置标识的桥梁裂缝尺寸信息进行所述第一桥梁的裂缝密度评估,获得第一裂缝密度评估结果;
根据所述桥梁裂缝尺寸信息进行裂缝尺寸的影响系数评估,获得第一裂缝尺寸影响评估结果;
根据所述第一裂缝密度评估结果、所述第一裂缝尺寸影响评估结果和所述第一区域分级标定结果获得区域标定值;
当所述区域标定值满足第一预设标定阈值时,则对所述区域标定值对应的区域进行预警。
7.一种桥梁表观裂缝非接触式检测系统,其特征在于,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一桥梁的基础信息,其中,所述基础信息包括所述第一桥梁的结构信息和历史检测信息;
第一检测单元,所述第一检测单元用于根据所述基础信息选定第一检测区域,对所述第一检测区域进行车道车流密度检测,获得第一车流量影响系数;
第二获得单元,所述第二获得单元用于根据所述第一车流量影响系数和所述基础信息确定所述第一桥梁的桥面图像采集时间和采集路径,获得第一图像集合;
第三获得单元,所述第三获得单元用于根据所述基础信息生成所述第一桥梁的非桥面构件采集规则,基于所述非桥面构件采集规则,通过图像采集装置进行图像采集,获得第二图像集合;
第四获得单元,所述第四获得单元用于将所述第一图像集合、所述第二图像集合输入表观识别分类模型,获得第一识别标识结果;
第五获得单元,所述第五获得单元用于基于所述第一识别标识结果进行裂缝物象比计算,获得带有位置标识的桥梁裂缝尺寸信息;
第二十二获得单元,所述第二十二获得单元用于通过大数据进行桥梁图像采集,获得第一训练图像集合,其中,所述第一训练图像集合中的每个图像均带有标识是否为裂缝的标识信息;
第二十三获得单元,所述第二十三获得单元用于对所述第一训练图像集合进行图像的预处理,获得第一处理图像集合;
第一构建单元,所述第一构建单元用于将所述第一处理图像集合输入卷积神经网络,当所述卷积神经网络的输出信息与标识是否为裂缝的标识信息一致时,则完成模型的构建,获得所述表观识别分类模型。
8.一种电子设备,其特征在于,包括处理器和存储器;所述存储器,用于存储;所述处理器,用于通过调用,执行权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210149563.1A CN114241215B (zh) | 2022-02-18 | 2022-02-18 | 一种桥梁表观裂缝非接触式检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210149563.1A CN114241215B (zh) | 2022-02-18 | 2022-02-18 | 一种桥梁表观裂缝非接触式检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114241215A CN114241215A (zh) | 2022-03-25 |
CN114241215B true CN114241215B (zh) | 2022-05-17 |
Family
ID=80747579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210149563.1A Active CN114241215B (zh) | 2022-02-18 | 2022-02-18 | 一种桥梁表观裂缝非接触式检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241215B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114754824B (zh) * | 2022-06-16 | 2022-11-08 | 江苏邦润智能科技有限公司 | 一种拉丝机的监测预警方法及系统 |
CN114842364A (zh) * | 2022-07-04 | 2022-08-02 | 北京科技大学 | 一种露天矿山边坡图像裂隙参数提取方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784710A (zh) * | 2014-12-23 | 2016-07-20 | 桂林电子科技大学 | 一种基于数字图像处理的混凝土桥梁裂缝检测装置 |
CN111402227A (zh) * | 2020-03-13 | 2020-07-10 | 河海大学常州校区 | 一种桥梁裂缝检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934795B (zh) * | 2017-01-23 | 2018-11-02 | 陕西师范大学 | 一种混凝土桥梁裂缝的自动检测方法和预测方法 |
US11022561B2 (en) * | 2018-10-08 | 2021-06-01 | University Of South Carolina | Integrated and automated video/structural health monitoring system |
CN109612427A (zh) * | 2019-01-16 | 2019-04-12 | 兰州交通大学 | 一种多传感器协同的无人机公路桥梁形变检测方法及系统 |
CN109671083A (zh) * | 2019-01-17 | 2019-04-23 | 重庆交通大学 | 一种基于图像采集的桥梁检测方法及其装置 |
CN112818454B (zh) * | 2021-02-22 | 2022-12-13 | 深圳市市政设计研究院有限公司 | 一种吊杆拱桥桥面系裂缝宽度计算方法及系统 |
-
2022
- 2022-02-18 CN CN202210149563.1A patent/CN114241215B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784710A (zh) * | 2014-12-23 | 2016-07-20 | 桂林电子科技大学 | 一种基于数字图像处理的混凝土桥梁裂缝检测装置 |
CN111402227A (zh) * | 2020-03-13 | 2020-07-10 | 河海大学常州校区 | 一种桥梁裂缝检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114241215A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114241215B (zh) | 一种桥梁表观裂缝非接触式检测方法及系统 | |
US20210302157A1 (en) | Method, device and system for analyzing tunnel clearance based on laser point cloud | |
CN113252700B (zh) | 一种结构裂缝检测方法、设备及系统 | |
CN111199647B (zh) | 一种道路车辆连续变道和违规掉头的监控视频检测方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
JP2023139099A (ja) | 学習用データ収集装置、学習用データ収集方法、及びプログラム | |
CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN111126802A (zh) | 基于人工智能的高速公路检查评价方法及系统 | |
CN114022765B (zh) | 一种采用图像识别滑坡崩塌落石智能监测预警方法及系统 | |
CN115077489B (zh) | 一种无人机倾斜摄影土方量计算的方法 | |
CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
CN114549751A (zh) | 箱梁生产的模板监控系统及方法 | |
US20230314169A1 (en) | Method and apparatus for generating map data, and non-transitory computer-readable storage medium | |
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 | |
CN114332369B (zh) | 楼体图像处理方法、装置、设备和存储介质 | |
CN113255820B (zh) | 落石检测模型训练方法、落石检测方法及相关装置 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
CN116242774A (zh) | 适用于农村公路的轻量化三维检测方法及装置 | |
CN112183463B (zh) | 基于雷达图像的船只识别模型的验证方法及装置 | |
CN114282298A (zh) | 一种道路技术状况处理方法 | |
US10578430B2 (en) | Evaluation method of road surface property, and evaluation device of road surface property | |
Chavan et al. | An Overview of Machine Learning Techniques for Evaluation of Pavement Condition | |
Li et al. | Pavement pothole detection based on 3d laser point cloud | |
CN117268424B (zh) | 一种多传感器融合的自动驾驶寻线方法及装置 | |
CN117077451B (zh) | 一种道路内部使用寿命评估方法、电子设备及存储介质 |
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 |