CN114511620B - 一种基于Mask R-CNN的结构位移监测方法 - Google Patents
一种基于Mask R-CNN的结构位移监测方法 Download PDFInfo
- Publication number
- CN114511620B CN114511620B CN202111625244.5A CN202111625244A CN114511620B CN 114511620 B CN114511620 B CN 114511620B CN 202111625244 A CN202111625244 A CN 202111625244A CN 114511620 B CN114511620 B CN 114511620B
- Authority
- CN
- China
- Prior art keywords
- detection
- cnn
- mask
- mark points
- actual
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 114
- 239000003550 marker Substances 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 22
- 239000000758 substrate Substances 0.000 claims description 13
- 230000001502 supplementing effect Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 238000000691 measurement method Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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]
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)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及结构位移测量技术领域，具体涉及一种基于MaskR‑CNN的结构位移监测方法，包括标志点选取，标志点预训练，目标检测，语义分割及坐标转换等五个步骤。本发明有效的解决了传统结构位移测量方法识别准确度较低、标志点普适性差、标志点配准自动化程度低等缺点，同时有效的提高了检测监控作业的自动化、智能化水平及检测作业效率，并降低了检测作业的施工难度、劳动强度及作业成本。
Description
技术领域
本发明涉及结构位移测量技术领域，具体涉及一种基于Mask R-CNN的结构位移监测方法。
背景技术
常用的自动化监测手段包括自动全站仪、三维激光扫描、摄影测量等方法。其中摄影测量法因具有远距离、非接触、高精度、省时省力、多点监测等的优势而受到科研和工程人员的关注。摄影测量法的应用常分为4个步骤，包括：(1)通过相机标定获得图像坐标和世界坐标的几何关系，即找出图像中每个像素在世界坐标中所代表的实际长度。(2)提取被测结构表面的图像特征，进行后续目标追踪。(3)根据提取的特征选择合适的追踪算法进行计算，得到被测结构上选定目标的位置信息。(4)对比追踪到的位置和初始位置，得到结构在图像中的位移，并运用相机标定信息将图像中的位移信息转换为世界坐标中的实际位移。
迄今为止，土木工程领域中基于计算机视觉的结构位移测量方法基本采用传统目标追踪方法，该方法存在识别准确度较低、标志点普适性差、标志点配准自动化程度低等缺点，因此，基于深度学习的目标追踪方法开始被土木工程结构位移监测领域尝试。
因此，针对这一现状，本申请提出了一种全新的位移监测方法，以克服当前实际工作中存在的不足，满足实际检测作业的需要。
发明内容
针对以上问题，本发明提供了一种基于Mask R-CNN的结构位移监测方法，以解决背景技术存在的问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于Mask R-CNN的结构位移监测方法，包括以下步骤：
S1、标志点选取，首先对待检测目标物上设置若干标定实际检测标志点，同时在检测计算机系统中对待检测目标物的图纸上设置与标定实际检测标志点对应的标定虚拟检测标志点，然后对标定实际检测标志点和标定虚拟检测标志点位置进行匹配验证，并在完成验证后即可完成标志点选取；
S2、标志点预训练，然后利用监控采样设备对待检测目标物上设置的标定实际检测标志点进行拍照，并将拍照后的图像数据发送至检测计算机系统中，将拍照得到的实际检测标志点与标定虚拟检测标志点位置进行对应验证，并由检测计算机系统利用Mask R-CNN形成对拍照得到的实际检测标志点与虚拟检测标志点位置进行对应验证识别逻辑，然后对验证识别逻辑在不同采样环境下进行迁徙训练学习，从而生成识别检测逻辑模型，即可完成监控采样设备标志点预训练，作业；
S3、目标检测，采用相机标定方式对待检测目标物进行定期检测作业，然后将检测结果带入到S2步骤生成的应验证识别逻辑中，按照应验证识别逻辑对当前检测的实际标志点进行分析识别；
S4、语义分割，S3步骤在对实际标志点进行分析中，首先利用MaskR-CNN算法将标志点在图像中的大致位置自动识别出来，进而通过利用MaskR-CNN语义分割将标志点像素分割出来备用，并对各标志点像素采用双线性内插法进行亚像素处理，即可得到各标志点像素值；
S5、坐标转换，完成S4步骤后，将S4步骤得到的各标志点像素值利用验证识别逻辑计算，得到各标志点在待检测目标物上的实际坐标值，然后将得到的实际坐标值与S1步骤中的标定实际检测标志点间通过验证识别逻辑进行比对计算，即可得到待检测目标物的位置量。
优选地，所述S2步骤中，监控采样设备对实际检测标志点进行拍照时，监控采样设备的采样相机标定针对中心透视及径向畸变两个问题进行相机标定。
优选地，所述S2和S3步骤中，监控采样设备的采样相机在进行标志点标定时采用单应性矩阵法、棋盘标定法中的任意一种或两种共用。
优选地，所述S1步骤中的检测计算机系统为基于大数据计算为基础的服务器平台，且所述检测计算机系统中另设BP神经网络系统及LSTM神经网络系统，且所述BP神经网络系统及LSTM神经网络系统并联并分别与MaskR-CNN系统建立数据连接。
优选地，所述S2步骤中，监控采样设备包括承载基体、检测头、激光测距雷达、激光光标灯、CCD摄像头、三维扫描仪、补光灯、亮度传感器、水平仪、三维陀螺仪及驱动电路；所述承载基体上外表面通过三维位移台与一个检测头连接，且一个检测头和一个三维位移台构成一个检测组，所述检测组至少一个，且检测组的检测轴线与水平面呈0°—90°夹角，所述检测头为轴向界面呈矩形的柱状腔体结构；所述激光测距雷达、激光光标灯、CCD摄像头、三维扫描仪均嵌于检测头侧表面，所述激光测距雷达、CCD摄像头及三维扫描仪环绕激光光标灯均布，且激光测距雷达、激光光标灯、CCD摄像头、三维扫描仪平行分布，并与检测头轴线垂直分布，所述补光灯为若干个，所述补光灯环绕检测头轴线均布在检测头外侧面，且若干个所述补光灯光轴均与检测头轴线垂直分布；
所述水平仪、三维陀螺仪均嵌于检测头内，所述三维陀螺仪位于检测头中心位置，所述亮度传感器嵌于检测头上端面并与检测头同轴分布，所述驱动电路嵌于承载基体内，所述驱动电路分别与激光测距雷达、激光光标灯、CCD摄像头、三维扫描仪、补光灯、亮度传感器、水平仪、三维陀螺仪及三维位移台电性连接。
优选地，所述承载基体为无人飞行器、无人车辆及无人船舶中的任意一种，且承载基体上均设导航及避障机构。
优选地，所述三维位移台上设有至少一个角度传感器，且所述角度传感器与驱动电路电性连接。
优选地，所述驱动电路为基于FPGA芯片、DSP芯片中任意一种为基础的电路系统，且所述驱动电路上设有串口通讯电路、无线数据通讯电路及GNSS卫星定位电路。
本发明所述的一种基于Mask R-CNN的结构位移监测方法，具有以下有益效果：
本发明有效的解决了传统结构位移测量方法识别准确度较低、标志点普适性差、标志点配准自动化程度低等缺点，同时有效的提高了检测监控作业的自动化、智能化水平及检测作业效率，并降低了检测作业的施工难度、劳动强度及作业成本。
附图说明
图1是本发明的方法流程示意图；
图2是本发明的数据处理流程结构示意图；
图3是本发明中监控采样设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案进行详细说明：
如图1-3所示，一种基于Mask R-CNN的结构位移监测方法，包括以下步骤：
S1、标志点选取，首先对待检测目标物上设置若干标定实际检测标志点，同时在检测计算机系统中对待检测目标物的图纸上设置与标定实际检测标志点对应的标定虚拟检测标志点，然后对标定实际检测标志点和标定虚拟检测标志点位置进行匹配验证，并在完成验证后即可完成标志点选取；
S2、标志点预训练，然后利用监控采样设备对待检测目标物上设置的标定实际检测标志点进行拍照，并将拍照后的图像数据发送至检测计算机系统中，将拍照得到的实际检测标志点与标定虚拟检测标志点位置进行对应验证，并由检测计算机系统利用Mask R-CNN形成对拍照得到的实际检测标志点与虚拟检测标志点位置进行对应验证识别逻辑，然后对验证识别逻辑在不同采样环境下进行迁徙训练学习，从而生成识别检测逻辑模型，即可完成监控采样设备标志点预训练，作业；
S3、目标检测，采用相机标定方式对待检测目标物进行定期检测作业，然后将检测结果带入到S2步骤生成的应验证识别逻辑中，按照应验证识别逻辑对当前检测的实际标志点进行分析识别；
S4、语义分割，S3步骤在对实际标志点进行分析中，首先利用MaskR-CNN算法将标志点在图像中的大致位置自动识别出来，进而通过利用MaskR-CNN语义分割将标志点像素分割出来备用，并对各标志点像素采用双线性内插法进行亚像素处理，即可得到各标志点像素值；
S5、坐标转换，完成S4步骤后，将S4步骤得到的各标志点像素值利用验证识别逻辑计算，得到各标志点在待检测目标物上的实际坐标值，然后将得到的实际坐标值与S1步骤中的标定实际检测标志点间通过验证识别逻辑进行比对计算，即可得到待检测目标物的位置量。
具体的，所述S2步骤中，监控采样设备对实际检测标志点进行拍照时，监控采样设备的采样相机标定针对中心透视及径向畸变两个问题进行相机标定。
同时，所述S2和S3步骤中，监控采样设备的采样相机在进行标志点标定时采用单应性矩阵法、棋盘标定法中的任意一种或两种共用。
本实施例中，所述S1步骤中的检测计算机系统为基于大数据计算为基础的服务器平台，且所述检测计算机系统中另设BP神经网络系统及LSTM神经网络系统，且所述BP神经网络系统及LSTM神经网络系统并联并分别与Mask R-CNN系统建立数据连接。
如图3所示，所述S2步骤中，监控采样设备包括承载基体1、检测头2、激光测距雷达3、激光光标灯4、CCD摄像头5、三维扫描仪6、补光灯7、亮度传感器8、水平仪9、三维陀螺仪10及驱动电路11，所述承载基体1上外表面通过三维位移台12与一个检测头2连接，且一个检测头2和一个三维位移台12构成一个检测组，所述检测组至少一个，且检测组的检测轴线与水平面呈0°—90°夹角。
本实施例中，所述检测头2为轴向界面呈矩形的柱状腔体结构，所述激光测距雷达3、激光光标灯4、CCD摄像头5、三维扫描仪6均嵌于检测头2侧表面，所述激光测距雷达3、CCD摄像头5及三维扫描仪6环绕激光光标灯4均布，且激光测距雷达3、激光光标灯4、CCD摄像头5、三维扫描仪6光轴平行分布，并与检测头2轴线垂直分布，所述补光灯7若干，环绕检测头2轴线均布在检测头2外侧面，且各补光灯7光轴均与检测头2轴线垂直分布，所述水平仪9、三维陀螺仪10均嵌于检测头2内，其中所述三维陀螺仪10位于检测头2中心位置，所述亮度传感器8嵌于检测头2上端面并与检测头2同轴分布，所述驱动电路11嵌于承载基体1内，并分别与激光测距雷达3、激光光标灯4、CCD摄像头5、三维扫描仪6、补光灯7、亮度传感器8、水平仪9、三维陀螺仪10及三维位移台12电性连接。
具体的，所述承载基体1为无人飞行器、无人车辆及无人船舶中的任意一种，且承载基体上设有导航及避障机构。
具体的，所述三维位移台10上设有至少一个角度传感器13，且所述角度传感器13与驱动电路11电性连接。
本实施例中，所述驱动电路11为基于FPGA芯片、DSP芯片中任意一种为基础的电路系统，且所述驱动电路上设有串口通讯电路、无线数据通讯电路及GNSS卫星定位电路。
本实施例中，所述补光灯为LED灯珠、灯带中的任意一种。
本实施例中，在进行标志点拍照采集时，首先通过承载基体按照监控路基依次运行通过各待检测的标志点，并在到达标志点时由三维位移台调整检测头位置，使检测头上的激光光标灯光斑落在待检测标志点上并与标志点同轴分布，然后一方面通过CCD摄像头进行拍照采集作业，另一方面通过三维扫描仪对当前标志点及其周边结构信息进行采集，同时通过激光测距雷达对检测头与当前标志点间间距进行检测定位，从而达到精确全面的标志点信息，最后将标志点信息反馈至应验证识别逻辑中进行分析识别即可。
综上所述，本发明有效的解决了传统结构位移测量方法识别准确度较低、标志点普适性差、标志点配准自动化程度低等缺点，同时有效的提高了检测监控作业的自动化、智能化水平及检测作业效率，并降低了检测作业的施工难度、劳动强度及作业成本。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (8)
1.一种基于Mask R-CNN的结构位移监测方法，其特征在于，包括以下步骤：
S1、标志点选取，首先对待检测目标物上设置若干标定实际检测标志点，同时在检测计算机系统中对待检测目标物的图纸上设置与标定实际检测标志点对应的标定虚拟检测标志点，然后对标定实际检测标志点和标定虚拟检测标志点位置进行匹配验证，并在完成验证后即可完成标志点选取；
S2、标志点预训练，然后利用监控采样设备对待检测目标物上设置的标定实际检测标志点进行拍照，并将拍照后的图像数据发送至检测计算机系统中，将拍照得到的实际检测标志点与标定虚拟检测标志点位置进行对应验证，并由检测计算机系统利用Mask R-CNN形成对拍照得到的实际检测标志点与虚拟检测标志点位置进行对应验证识别逻辑，然后对验证识别逻辑在不同采样环境下进行迁徙训练学习，从而生成识别检测逻辑模型，即可完成监控采样设备标志点预训练，作业；
S3、目标检测，采用相机标定方式对待检测目标物进行定期检测作业，然后将检测结果带入到S2步骤生成的应验证识别逻辑中，按照应验证识别逻辑对当前检测的实际标志点进行分析识别；
S4、语义分割，S3步骤在对实际标志点进行分析中，首先利用Mask R-CNN算法将标志点在图像中的大致位置自动识别出来，进而通过利用Mask R-CNN语义分割将标志点像素分割出来备用，并对各标志点像素采用双线性内插法进行亚像素处理，即可得到各标志点像素值；
S5、坐标转换，完成S4步骤后，将S4步骤得到的各标志点像素值利用验证识别逻辑计算，得到各标志点在待检测目标物上的实际坐标值，然后将得到的实际坐标值与S1步骤中的标定实际检测标志点间通过验证识别逻辑进行比对计算，即可得到待检测目标物的位置量。
2.根据权利要求1所述的一种基于Mask R-CNN的结构位移监测方法，其特征在于：所述S2步骤中，监控采样设备对实际检测标志点进行拍照时，监控采样设备的采样相机标定针对中心透视及径向畸变两个问题进行相机标定。
3.根据权利要求1所述的一种基于Mask R-CNN的结构位移监测方法，其特征在于：所述S2和S3步骤中，监控采样设备的采样相机在进行标志点标定时采用单应性矩阵法、棋盘标定法中的任意一种或两种共用。
4.根据权利要求1所述的一种基于Mask R-CNN的结构位移监测方法，其特征在于：所述S1步骤中的检测计算机系统为基于大数据计算为基础的服务器平台，且所述检测计算机系统中另设BP神经网络系统及LSTM神经网络系统，且所述BP神经网络系统及LSTM神经网络系统并联并分别与Mask R-CNN系统建立数据连接。
5.根据权利要求1所述的一种基于Mask R-CNN的结构位移监测方法，其特征在于：所述S2步骤中，监控采样设备包括承载基体、检测头、激光测距雷达、激光光标灯、CCD摄像头、三维扫描仪、补光灯、亮度传感器、水平仪、三维陀螺仪及驱动电路；所述承载基体上外表面通过三维位移台与一个检测头连接，且一个检测头和一个三维位移台构成一个检测组，所述检测组至少一个，且检测组的检测轴线与水平面呈0°—90°夹角，所述检测头为轴向界面呈矩形的柱状腔体结构；所述激光测距雷达、激光光标灯、CCD摄像头、三维扫描仪均嵌于检测头侧表面，所述激光测距雷达、CCD摄像头及三维扫描仪环绕激光光标灯均布，且激光测距雷达、激光光标灯、CCD摄像头、三维扫描仪平行分布，并与检测头轴线垂直分布，所述补光灯为若干个，所述补光灯环绕检测头轴线均布在检测头外侧面，且若干个所述补光灯光轴均与检测头轴线垂直分布；
所述水平仪、三维陀螺仪均嵌于检测头内，所述三维陀螺仪位于检测头中心位置，所述亮度传感器嵌于检测头上端面并与检测头同轴分布，所述驱动电路嵌于承载基体内，所述驱动电路分别与激光测距雷达、激光光标灯、CCD摄像头、三维扫描仪、补光灯、亮度传感器、水平仪、三维陀螺仪及三维位移台电性连接。
6.根据权利要求5所述的一种基于Mask R-CNN的结构位移监测方法，其特征在于：所述承载基体为无人飞行器、无人车辆及无人船舶中的任意一种，且承载基体上均设导航及避障机构。
7.根据权利要求5所述的一种基于Mask R-CNN的结构位移监测方法，其特征在于：所述三维位移台上设有至少一个角度传感器，且所述角度传感器与驱动电路电性连接。
8.根据权利要求5所述的一种基于Mask R-CNN的结构位移监测方法，其特征在于：所述驱动电路为基于FPGA芯片、DSP芯片中任意一种为基础的电路系统，且所述驱动电路上设有串口通讯电路、无线数据通讯电路及GNSS卫星定位电路。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111625244.5A CN114511620B (zh) | 2021-12-28 | 2021-12-28 | 一种基于Mask R-CNN的结构位移监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111625244.5A CN114511620B (zh) | 2021-12-28 | 2021-12-28 | 一种基于Mask R-CNN的结构位移监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114511620A CN114511620A (zh) | 2022-05-17 |
| CN114511620B true CN114511620B (zh) | 2024-06-04 |
Family
ID=81547615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111625244.5A Active CN114511620B (zh) | 2021-12-28 | 2021-12-28 | 一种基于Mask R-CNN的结构位移监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114511620B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115047008B (zh) * | 2022-07-19 | 2024-04-30 | 苏州大学 | 基于Faster R-CNN的道路裂纹检测系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005338107A (ja) * | 2005-08-29 | 2005-12-08 | Yuzo Onishi | 変位計測方法及び変位計測装置 |
| CN101382418A (zh) * | 2008-10-16 | 2009-03-11 | 西安工业大学 | 基于数字图像的绝对位移测量装置及方法 |
| JP2015197344A (ja) * | 2014-03-31 | 2015-11-09 | 国土交通省国土技術政策総合研究所長 | 構造物変位の常時監視方法及びその装置 |
| KR20190051253A (ko) * | 2017-11-06 | 2019-05-15 | 한국철도기술연구원 | 듀얼 카메라를 이용하여 카메라의 3차원 위치 오차 보정이 가능한 영상 변위 계측 방법 |
| CN113240747A (zh) * | 2021-04-21 | 2021-08-10 | 浙江大学 | 一种基于计算机视觉的户外结构振动位移自动化监测方法 |
| WO2021185220A1 (zh) * | 2020-03-16 | 2021-09-23 | 左忠斌 | 一种基于坐标测量的三维模型构建及测量方法 |
-
2021
- 2021-12-28 CN CN202111625244.5A patent/CN114511620B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005338107A (ja) * | 2005-08-29 | 2005-12-08 | Yuzo Onishi | 変位計測方法及び変位計測装置 |
| CN101382418A (zh) * | 2008-10-16 | 2009-03-11 | 西安工业大学 | 基于数字图像的绝对位移测量装置及方法 |
| JP2015197344A (ja) * | 2014-03-31 | 2015-11-09 | 国土交通省国土技術政策総合研究所長 | 構造物変位の常時監視方法及びその装置 |
| KR20190051253A (ko) * | 2017-11-06 | 2019-05-15 | 한국철도기술연구원 | 듀얼 카메라를 이용하여 카메라의 3차원 위치 오차 보정이 가능한 영상 변위 계측 방법 |
| WO2021185220A1 (zh) * | 2020-03-16 | 2021-09-23 | 左忠斌 | 一种基于坐标测量的三维模型构建及测量方法 |
| CN113240747A (zh) * | 2021-04-21 | 2021-08-10 | 浙江大学 | 一种基于计算机视觉的户外结构振动位移自动化监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于CNN的尾矿区水平位移监测数据分析;谢文珠等;《北京测绘》;20210630;第35卷(第06期);全文 * |
| 基于单视影像的相似材料模型位移监测研究;段志鑫;吴侃;白志辉;李亮;周大伟;王瑞;;煤矿开采;20180615(03);全文 * |
| 基于机器视觉技术的振动台试验变形位移测量方法研究;陈若珠;赵珊;;计算机测量与控制;20160625(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114511620A (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108571971B (zh) | 一种agv视觉定位系统及方法 | |
| CN109029257B (zh) | 基于立体视觉和结构光视觉的大型工件位姿测量系统、方法 | |
| CN111473739B (zh) | 一种基于视频监控的隧道塌方区围岩变形实时监测方法 | |
| CN111754583B (zh) | 一种车载三维激光雷达和相机外参联合标定的自动化方法 | |
| CN109612390B (zh) | 基于机器视觉的大尺寸工件自动测量系统 | |
| CN106584451B (zh) | 一种基于视觉导航的变电站自动构图机器人及方法 | |
| CN109931939A (zh) | 车辆的定位方法、装置、设备及计算机可读存储介质 | |
| CN110246175A (zh) | 全景相机与云台相机结合的变电站巡检机器人图像检测系统及方法 | |
| CN106990776B (zh) | 机器人归航定位方法与系统 | |
| CN110595476A (zh) | 一种基于gps和图像视觉融合的无人机降落导航方法及装置 | |
| CN104197899A (zh) | 移动机器人定位方法及系统 | |
| CN104835173A (zh) | 一种基于机器视觉的定位方法 | |
| CN111426302B (zh) | 一种无人机高精度倾斜摄影测量系统 | |
| CN110766170B (zh) | 基于图像处理的多传感器融合和人员定位的方法 | |
| CN110017852B (zh) | 一种导航定位误差测量方法 | |
| CN109920009B (zh) | 基于二维码标识的控制点检测与管理方法及装置 | |
| CN104376328B (zh) | 基于坐标的分布型编码标志识别方法及系统 | |
| CN106370160A (zh) | 一种机器人室内定位系统和方法 | |
| CN102589424A (zh) | 发动机缸体结合面孔组在线检测视觉定位方法 | |
| CN114511620B (zh) | 一种基于Mask R-CNN的结构位移监测方法 | |
| CN111780715A (zh) | 一种视觉测距方法 | |
| CN114434036B (zh) | 用于大型船舶结构件龙门式机器人焊接的三维视觉系统及运行方法 | |
| CN111508020B (zh) | 融合图像与激光雷达的电缆三维位置计算方法、装置 | |
| CN114413958A (zh) | 无人物流车的单目视觉测距测速方法 | |
| CN109815966A (zh) | 一种基于改进sift算法的移动机器人视觉里程计实现方法 |
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 |