CN114627107A - 一种桥梁梁底病害全形貌检测方法及系统 - Google Patents
一种桥梁梁底病害全形貌检测方法及系统 Download PDFInfo
- Publication number
- CN114627107A CN114627107A CN202210374059.1A CN202210374059A CN114627107A CN 114627107 A CN114627107 A CN 114627107A CN 202210374059 A CN202210374059 A CN 202210374059A CN 114627107 A CN114627107 A CN 114627107A
- Authority
- CN
- China
- Prior art keywords
- bridge
- image
- full
- disease
- inspection vehicle
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 230000007547 defect Effects 0.000 title claims abstract description 44
- 201000010099 disease Diseases 0.000 claims abstract description 112
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 112
- 238000007689 inspection Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000009434 installation Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000012876 topography Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract description 2
- 238000013139 quantization Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000012800 visualization Methods 0.000 abstract 1
- 241000264877 Hippospongia communis Species 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000003763 carbonization Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T2207/30—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)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种桥梁梁底病害全形貌检测方法及系统，通过在桥检车机械臂上安装多个图像采集装置进行梁底病害全形貌检测，其视场能够覆盖梁底全部待检测区域；当桥检车沿桥梁纵向行驶时，图像采集装置快速采集桥梁梁底全形貌图像，将图像导入桥梁梁底病害识别系统，通过图像识别方法自动分类、识别、定位、测量梁底病害，同时可对桥梁梁底全形貌实景彩色图片进行展示；通过多次桥梁检测，对所检测得的每个病害进行长期追踪，得到桥梁全寿命周期内病害发展历程。本发明极大提高了桥梁检测效率和精度，解决了传统人工检测效率不高、量化困难，其他移动检测设备续航能力低、对不同桥型适应力弱的问题，创新了梁底全形貌可视化和长期监控的管理方法。
Description
技术领域
本发明涉及一种桥梁梁底病害全形貌检测方法及系统，属于桥梁检测技术领域。
背景技术
截止2018年末，我国公路总里程已达484.65万公里，公路桥梁已达85.15万座，长度5568.59万米，我国已成为世界桥梁大国之一。大量桥梁经过长时间服役，不可避免会产生病害，其性能受病害影响而下降，常见桥梁病害包括混凝土裂缝、蜂窝、麻面、剥落、掉角、空洞、孔洞、碳化、钢筋锈蚀等。
规范规定应当采用定期检测的方式对桥梁的使用功能进行全面检查。传统人工检测方式为：桥检车搭载工程师，对桥梁梁底进行肉眼观察，判断其是否存在病害及其病害尺寸，并对部分检测区域进行拍照。上述传统人工检测存在危险系数大、检测效率低、人员成本高、检测量化难等缺陷，而其他检测手段比如无人机同样有续航时间短、飞行死角多、环境影响大、仰视拍摄难等问题。
因此亟需创新一种桥梁梁底病害全形貌检测方法，采取半自动化和少人化的方法，定量地对桥梁梁底病害进行识别、定位和测量，适用于多种桥型，有效避免传统检测和无人机检测存在的多种问题。
发明内容
本发明提供一种桥梁梁底病害全形貌检测方法及系统，在保障检测精度的同时提高检测效率，对桥梁梁底全形貌进行可视化展示，并建立病害长期追踪机制。
本发明解决其技术问题所采用的技术方案是：
一种桥梁梁底病害全形貌检测方法，具体包括以下步骤：
步骤S1：依据待检测桥梁型号选择图像采集装置，同时在桥检车上确定安装位置；
步骤S2：将若干图像采集装置安装在桥检车确定后的不同位置，驾驶桥检车缓慢行驶通过待检测桥梁，启动位于桥检车上的图像采集装置，对待检测桥梁的梁底进行高速拍摄，图像采集装置拍摄获取的数据传输至位于桥检车上的控制系统部分进行保存；其中，对待检测桥梁的梁底分多部位进行多轮拍摄；
步骤S3：将图像采集装置拍摄得到的所有图像阵列导入病害识别测量系统，通过残差神经网络方法识别待检测桥梁梁底的病害，并进行测量；
步骤S4：将采集到的图像拼接，获取桥梁全跨梁底全形貌图像，并进行可视化展示；
步骤S5： 基于病害在所在图像的坐标、所在图像在桥梁全跨梁底全形貌图像中的坐标对病害进行定位；
步骤S6：多轮拍摄的图像在经过病害识别测量系统识别检测后，将位于相同位置处的病害设定为同一个病害，追踪其在多轮检测中发生的变化；
作为本发明的进一步优选，步骤S1中，图像采集装置包括全景采集装置以及高精度采集装置，
其中，高精度采集装置用于拍摄高清梁底病害图片，作为病害识别的原始数据；
全景采集装置用于拍摄大视场全景彩色图片，用于图像拼接后的病害定位以及桥梁全跨梁底全形貌图像的可视化展示；
作为本发明的进一步优选，在步骤S2中，图像采集装置安装在桥检车的机械臂上，当桥检车行驶至待检测桥梁的其中一个端部支座处时，桥检车机械臂旋转将图像采集装置伸入梁底，桥检车暂停，图像采集装置采集梁底图像，桥检车继续行驶，至另一个端部支座，桥检车停止行进，图像采集装置关闭，桥检车机械臂旋转移出梁底，桥检车进行下一跨检测；
作为本发明的进一步优选，对待检测桥梁的梁底分多部位进行多轮拍摄，其中多部位包括待检测桥梁的梁底、腹板、翼缘板以及横隔板；
对前述多部位进行三轮拍摄；
作为本发明的进一步优选，步骤S3中，识别待检测桥梁梁底病害的方法具体为：
步骤S31：根据获取的梁底病害图像，对图像上的病害进行标注，精确至像素级别，得到标注处理后的病害掩码图；
步骤S32：将病害掩码图数据集划分为训练集和验证集，分别将训练集和验证集内的图像切割为子图，删除无病害的子图；
步骤S33：构建粗分割模型，采用训练集对粗分割模型进行训练，保存验证集验证后召回率最高的粗分割模型参数；
步骤S34：将待识别的梁底图像切割为子图，输入步骤S33获取的粗分割模型内，得到整图病害粗分割结果图；
步骤S35：将待识别的梁底图像与得到的整图病害粗分割结果图进行插值，得到细分割结果图；
步骤S36：求取细分割结果图内的病害轮廓，对病害轮廓缩放直至原始尺寸，即为病害的最终轮廓，以像素为单位测量最终轮廓；
作为本发明的进一步优选，步骤S4中图像拼接的具体方法为：
步骤S41：图像采集装置平行于地面平移拍摄一组包含重叠区域的待检测桥梁梁底实景图片序列，将其分别做柱面空间投影；
步骤S42：采用SIFT特征算法提取图像序列特征点，运用基于特征点的图像配准算法对图像序列进行局部配准，计算具有匹配关系的图像之间的变换矩阵；
步骤S43：选取其中一幅图像作为基准面图像，采用全局配准方法优化步骤S42中获取的变换矩阵；
步骤S44：对图像序列进行坐标变换以及像素融合，得到桥梁全跨梁底全形貌图像；
作为本发明的进一步优选，步骤S5中对病害进行定位分成两部分，病害位于桥梁的排数、病害位于桥梁的部位可以通过当前轮次和识别该病害的图像采集装置的安装位置确定；
病害距桥梁端部纵向距离、病害距桥梁侧边横向距离和病害距梁底垂直距离定位的具体方法为：
步骤S51：对全景采集装置与高精度采集装置的安装位置进行标定，确定病害所在图像位于全景图像中的坐标；
步骤S52：对全景图像进行纵向拼接，得到沿着桥梁纵向方向拼接的桥梁全跨梁底全形貌图像；
步骤S53：获取包含病害图像的全景图像位于桥梁全跨梁底全形貌图像中坐标；
步骤S54：根据步骤S3的病害识别方法获取病害位于所在图像中的坐标；
步骤S55：将坐标转换，获取病害位于桥梁全跨梁底全形貌图像中坐标；
一种用于所述桥梁梁底病害全形貌检测方法的系统，包括桥检车和图像采集装置，图像采集装置包括高精度采集装置以及全景采集装置，在桥检车对称的两个机械臂栏杆上分别安装高精度采集装置、全景采集装置；
在桥检车上还安装控制系统，即为主机，图像采集装置通过传输线缆与主机连通；
一种用于所述桥梁梁底病害全形貌检测方法的系统，所述图像采集装置包括底板、相机安装座和光源支架，所述光源支架呈U型状，光源支架的其中一个横向部分固定在相机安装座的顶部，同时与相机安装座相连的横向部分上开设通孔，相机安装座的底部通过快装支座可拆卸安装在底板上，底板固定在横向分配梁或者旋转结构上；
所述相机机构包括工业相机以及光源，光源布设在光源支架的另一个横向部分的顶部，工业相机固定在相机安装座的侧壁，工业相机的镜头穿设光源支架横向部分的通孔与光源相对布设。
通过以上技术方案，相对于现有技术，本发明具有以下有益效果：
1、本发明提供的桥梁梁底病害全形貌检测方法检测对象包含了梁底常见的病害，如混凝土裂缝、蜂窝、麻面、剥落、掉角、空洞、孔洞、碳化、钢筋锈蚀等，检测范围涵盖了梁底、翼缘、腹板等难以检测的部位，实现了桥梁梁底病害全形貌自动化定量检测、测量和定位；
2、本发明提供的桥梁梁底病害全形貌检测方法充分利用现有检测装备，应用简便，能够适用于多种桥型，可随实际桥梁结构和检测需要做针对性调整，鲁棒性强；
3、本发明提供的桥梁梁底病害全形貌检测方法提供了桥梁全跨梁底全形貌可视化展示功能，提出了病害全生命周期追踪机制，创新了桥梁数字化管养模式。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明提供的桥梁梁底病害全形貌检测方法流程图；
图2a-图2b是本发明提供的优选实施例选用T型梁桥的截面图，其中图2a为跨中横断面，图2b为端部横断面；
图3是本发明提供的用于桥梁梁底病害全形貌检测方法的系统示意图；
图4是本发明提供的对T型梁桥进行第一轮检测图像采集装置安装位置剖视图；
图5是本发明提供的对T型梁桥进行第二轮检测图像采集装置安装位置剖视图；
图6是本发明提供的对T型梁桥进行第三轮检测图像采集装置安装位置剖视图；
图7是本发明提供的图像采集装置结构示意图；
图8是本发明提供的桥检车在进行图像采集时的流程图；
图9是本发明提供的识别待检测桥梁梁底病害的流程图；
图10是本发明提供的梁底全形貌全景图像拼接流程图；
图11是本发明提供的病害定位示意图。
图中：1为光源支架，2为光源，3为底板，4为快装支座，5为相机安装座，6为工业相机，7为镜头，8为旋钮柱塞。
具体实施方式
现在结合附图对本发明作进一步详细的说明。本申请的描述中，需要理解的是，术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，“第一”、“第二”等并不表示零部件的重要程度，因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案，并不限制本发明的保护范围。
如背景技术阐述的，传统的关于桥梁梁底病害全形貌检测方法是依靠人工检测，那么带来的问题不仅是检测效率以及检测精确度的问题，还涉及到人员操作安全，因此本申请提供了一种比较具有创新度的检测方法，采用半自动话以及少人化的方式定量的对桥梁梁底病害进行识别、定位以及测量。
具体的如图1所示，是整个检测方法的流程图，具体包括以下步骤：
步骤S1：依据待检测桥梁型号选择图像采集装置，同时在桥检车上确定安装位置；这里安装位置的确定只要满足全覆盖所检测桥梁即可，因此根据所检测桥梁桥型和尺寸针对性的设计图像采集装置的型号和安装位置；
步骤S2：将若干图像采集装置安装在桥检车确定后的不同位置，图3所示，驾驶桥检车缓慢行驶通过待检测桥梁，启动位于桥检车上的图像采集装置，对待检测桥梁的梁底进行高速拍摄，图像采集装置拍摄获取的数据传输至位于桥检车上的控制系统部分进行保存；其中，对待检测桥梁的梁底分多部位进行多轮拍摄；
步骤S3：将图像采集装置拍摄得到的所有图像阵列导入病害识别测量系统，通过残差神经网络方法识别待检测桥梁梁底的病害，并进行测量；
步骤S4：将采集到的图像拼接，获取桥梁全跨梁底全形貌图像，并进行可视化展示；
步骤S5： 基于病害在所在图像的坐标、所在图像在桥梁全跨梁底全形貌图像中的坐标对病害进行定位；
步骤S6：多轮拍摄的图像在经过病害识别测量系统识别检测后，将位于相同位置处的病害设定为同一个病害，追踪其在多轮检测中发生的变化。
上述提供的检测方法中基于的一个重要基础就是通过图像采集装置进行图像采集，那么为了实现检测流程中的各种数据获取，图像采集装置包括全景采集装置以及高精度采集装置两种采集模式，高精度采集装置由高分辨率黑白工业相机和长焦镜头组成，视场较小，安装数量较多，用于拍摄高清梁底病害图片，作为病害识别的原始数据；全景采集装置由高分辨率彩色工业相机和中焦镜头组成，视场较大，安装数量较少，拍摄大视场全景彩色图片，用于图像拼接后的病害定位以及桥梁全跨梁底全形貌图像的可视化展示。
为了将梁底的全部形貌均采集完毕，桥检车的行驶也遵循一定的规则（图8所示），本申请中是以桥跨为单位，图像采集装置安装在桥检车的机械臂上，当桥检车行驶至待检测桥梁的其中一个端部支座处时，桥检车机械臂旋转将图像采集装置伸入梁底，桥检车暂停，图像采集装置采集梁底图像，桥检车继续行驶，至另一个端部支座，桥检车停止行进，图像采集装置关闭，桥检车机械臂旋转移出梁底，桥检车进行下一跨检测。
在对梁底进行检测时，为了保证检测的全面性、精确性，需要对待检测桥梁梁底进行多部位多轮检测，本申请提出了一个优选实施例，以图2a-图2b所示的T型梁桥为示例，梁数为七排，为满足图像采集装置对梁底各表面的全覆盖要求，检测分为三轮进行，第一轮检测对象为全部翼缘板，第二轮检测对象为全部腹板右侧面与T型梁底，第三轮检测对象为全部腹板左侧面。各轮检测中高精度采集装置组和全景采集装置组的布置方式如图4-6所示，将桥梁梁底的正对方向、侧视方向全部覆盖。图像采集装置的帧率应当满足在一定的车辆行驶速度下，连续拍摄的图像能够全覆盖桥梁梁底纵向范围。当然，对于梁底表面复杂的桥型，需要增加检测的轮数，以满足对梁底的覆盖要求。
图9所示是本申请提供的识别待检测桥梁梁底病害的具体方法，步骤S31：根据获取的梁底病害图像，对图像上的病害进行标注，精确至像素级别，得到标注处理后的病害掩码图；
步骤S32：将病害掩码图数据集划分为训练集和验证集，分别将训练集和验证集内的图像切割为子图，删除无病害的子图；
步骤S33：构建粗分割模型，采用训练集对粗分割模型进行训练，保存验证集验证后召回率最高的粗分割模型参数；
步骤S34：将待识别的梁底图像切割为子图，输入步骤S33获取的粗分割模型内，得到整图病害粗分割结果图；
步骤S35：将待识别的梁底图像与得到的整图病害粗分割结果图进行插值，得到细分割结果图；
步骤S36：求取细分割结果图内的病害轮廓，对病害轮廓缩放直至原始尺寸，即为病害的最终轮廓，以像素为单位测量最终轮廓。
图10所示是本申请提供的图像拼接的流程，具体为：
步骤S41：图像采集装置平行于地面平移拍摄一组包含重叠区域的待检测桥梁梁底实景图片序列，将其分别做柱面空间投影；
步骤S42：采用SIFT特征算法提取图像序列特征点，运用基于特征点的图像配准算法对图像序列进行局部配准，计算具有匹配关系的图像之间的变换矩阵；
步骤S43：选取其中一幅图像作为基准面图像，采用全局配准方法优化步骤S42中获取的变换矩阵；
步骤S44：对图像序列进行坐标变换以及像素融合，得到桥梁全跨梁底全形貌图像。
在优选实施例中，关于病害的定位坐标通常分为五个部分，病害位于梁的排数、病害位于梁的部位、病害距梁端纵向距离、病害距梁边横向距离、病害距梁底垂直距离。针对性的，本申请提供的对病害进行定位的流程，分成两部分，病害位于桥梁的排数、病害位于桥梁的部位可以通过当前轮次和识别该病害的图像采集装置的安装位置确定；
图11所示，病害距桥梁端部纵向距离、病害距桥梁侧边横向距离和病害距梁底垂直距离定位的具体步骤为：
步骤S51：对全景采集装置与高精度采集装置的安装位置进行标定，确定病害所在图像位于全景图像中的坐标；
步骤S52：对全景图像进行纵向拼接，得到沿着桥梁纵向方向拼接的桥梁全跨梁底全形貌图像；
步骤S53：获取包含病害图像的全景图像位于桥梁全跨梁底全形貌图像中坐标；
步骤S54：根据步骤S3的病害识别方法获取病害位于所在图像中的坐标；
步骤S55：将坐标转换，获取病害位于桥梁全跨梁底全形貌图像中坐标。
在本申请中提供了一个用于此种检测方法的系统，包括桥检车和图像采集装置，在桥检车对称的两个机械臂栏杆上分别安装高精度采集装置、全景采集装置；至于图像采集装置的安装个数以及安装位置，应当根据桥梁的桥型与截面尺寸确定，对桥梁梁底完成全覆盖。前述有提到图像采集装置，其不同类别的区分其实主要是针对工业相机的选择，因此图像采集装置如图7所示包括底板、相机安装座和光源支架，所述光源支架呈U型状，光源支架的其中一个横向部分固定在相机安装座的顶部，同时与相机安装座相连的横向部分上开设通孔，相机安装座的底部通过快装支座可拆卸安装在底板上，底板固定在横向分配梁或者旋转结构上；所述相机机构包括工业相机以及光源，光源布设在光源支架的另一个横向部分的顶部，工业相机固定在相机安装座的侧壁，工业相机的镜头穿设光源支架横向部分的通孔与光源相对布设。
这里需要注明的是，工业相机的型号其实需要依据实际检测时确定，在本申请给出的优选实施例中，当图像采集装置作为高精度采集使用时，所述工业相机由高分辨率黑白工业相机和长焦镜头组成，其中，高分辨率黑白工业相机分辨率为5320*3032，感光元件尺寸为14.6*8.3mm，帧率为20fps，色度为黑白，数据传输方式为USB3.0；镜头焦距为75mm，芯片尺寸为1.1’’；
当图像采集装置作为全景采集装置使用时，所述工业相机由高分辨率彩色工业相机和中焦镜头组成，其中，高分辨率彩色工业相机分辨率为4504*4504，感光元件尺寸为12.3*12.3mm，帧率为5fps，色度为彩色，数据传输方式为USB3.0；镜头焦距为12mm，芯片尺寸为1.1’’。
在桥检车上还安装控制系统，即为主机，图像采集装置通过传输线缆与主机连通，主机包括主板、CPU、内存、图像采集卡、固态硬盘等。
基于上述阐述，本申请提供的桥梁梁底病害全形貌检测方法结合匹配的检测系统，对桥梁的病害进行长期追踪，在多次桥梁检测中，将所识别到的位置保持恒定或者有微小偏差的病害视为同一个病害，追踪不同次测量中该病害的演变情况，建立病害追踪机制，为桥梁保养提供了数据支撑。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (9)
1.一种桥梁梁底病害全形貌检测方法，其特征在于：具体包括以下步骤：
步骤S1：依据待检测桥梁型号选择图像采集装置，同时在桥检车上确定安装位置；
步骤S2：将若干图像采集装置安装在桥检车确定后的不同位置，驾驶桥检车缓慢行驶通过待检测桥梁，启动位于桥检车上的图像采集装置，对待检测桥梁的梁底进行高速拍摄，图像采集装置拍摄获取的数据传输至位于桥检车上的控制系统部分进行保存；其中，对待检测桥梁的梁底分多部位进行多轮拍摄；
步骤S3：将图像采集装置拍摄得到的所有图像阵列导入病害识别测量系统，通过残差神经网络方法识别待检测桥梁梁底的病害，并进行测量；
步骤S4：将采集到的图像拼接，获取桥梁全跨梁底全形貌图像，并进行可视化展示；
步骤S5： 基于病害在所在图像的坐标、所在图像在桥梁全跨梁底全形貌图像中的坐标对病害进行定位；
步骤S6：多轮拍摄的图像在经过病害识别测量系统识别检测后，将位于相同位置处的病害设定为同一个病害，追踪其在多轮检测中发生的变化。
2.根据权利要求1所述的桥梁梁底病害全形貌检测方法，其特征在于：步骤S1中，图像采集装置包括全景采集装置以及高精度采集装置，
其中，高精度采集装置用于拍摄高清梁底病害图片，作为病害识别的原始数据；
全景采集装置用于拍摄大视场全景彩色图片，用于图像拼接后的病害定位以及桥梁全跨梁底全形貌图像的可视化展示。
3.根据权利要求2所述的桥梁梁底病害全形貌检测方法，其特征在于：在步骤S2中，图像采集装置安装在桥检车的机械臂上，当桥检车行驶至待检测桥梁的其中一个端部支座处时，桥检车机械臂旋转将图像采集装置伸入梁底，桥检车暂停，图像采集装置采集梁底图像，桥检车继续行驶，至另一个端部支座，桥检车停止行进，图像采集装置关闭，桥检车机械臂旋转移出梁底，桥检车进行下一跨检测。
4.根据权利要求3所述的桥梁梁底病害全形貌检测方法，其特征在于：对待检测桥梁的梁底分多部位进行多轮拍摄，其中多部位包括待检测桥梁的梁底、腹板、翼缘板以及横隔板；
对前述多部位进行三轮拍摄。
5.根据权利要求2所述的桥梁梁底病害全形貌检测方法，其特征在于：步骤S3中，识别待检测桥梁梁底病害的方法具体为：
步骤S31：根据获取的梁底病害图像，对图像上的病害进行标注，精确至像素级别，得到标注处理后的病害掩码图；
步骤S32：将病害掩码图数据集划分为训练集和验证集，分别将训练集和验证集内的图像切割为子图，删除无病害的子图；
步骤S33：构建粗分割模型，采用训练集对粗分割模型进行训练，保存验证集验证后召回率最高的粗分割模型参数；
步骤S34：将待识别的梁底图像切割为子图，输入步骤S33获取的粗分割模型内，得到整图病害粗分割结果图；
步骤S35：将待识别的梁底图像与得到的整图病害粗分割结果图进行插值，得到细分割结果图；
步骤S36：求取细分割结果图内的病害轮廓，对病害轮廓缩放直至原始尺寸，即为病害的最终轮廓，以像素为单位测量最终轮廓。
6.根据权利要求5所述的桥梁梁底病害全形貌检测方法，其特征在于：步骤S4中图像拼接的具体方法为：
步骤S41：图像采集装置平行于地面平移拍摄一组包含重叠区域的待检测桥梁梁底实景图片序列，将其分别做柱面空间投影；
步骤S42：采用SIFT特征算法提取图像序列特征点，运用基于特征点的图像配准算法对图像序列进行局部配准，计算具有匹配关系的图像之间的变换矩阵；
步骤S43：选取其中一幅图像作为基准面图像，采用全局配准方法优化步骤S42中获取的变换矩阵；
步骤S44：对图像序列进行坐标变换以及像素融合，得到桥梁全跨梁底全形貌图像。
7.根据权利要求6所述的桥梁梁底病害全形貌检测方法，其特征在于：步骤S5中对病害进行定位分成两部分，病害位于桥梁的排数、病害位于桥梁的部位可以通过当前轮次和识别该病害的图像采集装置的安装位置确定；
病害距桥梁端部纵向距离、病害距桥梁侧边横向距离和病害距梁底垂直距离定位的具体方法为：
步骤S51：对全景采集装置与高精度采集装置的安装位置进行标定，确定病害所在图像位于全景图像中的坐标；
步骤S52：对全景图像进行纵向拼接，得到沿着桥梁纵向方向拼接的桥梁全跨梁底全形貌图像；
步骤S53：获取包含病害图像的全景图像位于桥梁全跨梁底全形貌图像中坐标；
步骤S54：根据步骤S3的病害识别方法获取病害位于所在图像中的坐标；
步骤S55：将坐标转换，获取病害位于桥梁全跨梁底全形貌图像中坐标。
8.一种用于权利要求7所述桥梁梁底病害全形貌检测方法的系统，其特征在于：包括桥检车和图像采集装置，图像采集装置包括高精度采集装置以及全景采集装置，在桥检车对称的两个机械臂栏杆上分别安装高精度采集装置、全景采集装置；
在桥检车上还安装控制系统，即为主机，图像采集装置通过传输线缆与主机连通。
9.根据权利要求8所述用于桥梁梁底病害全形貌检测方法的系统，其特征在于：所述图像采集装置包括底板（3）、相机安装座（5）和光源（2）支架（1），所述光源（2）支架（1）呈U型状，光源（2）支架（1）的其中一个横向部分固定在相机安装座（5）的顶部，同时与相机安装座（5）相连的横向部分上开设通孔，相机安装座（5）的底部通过快装支座（4）可拆卸安装在底板（3）上，底板（3）固定在横向分配梁或者旋转结构上；
所述相机机构包括工业相机（6）以及光源（2），光源（2）布设在光源（2）支架（1）的另一个横向部分的顶部，工业相机（6）固定在相机安装座（5）的侧壁，工业相机（6）的镜头（7）穿设光源（2）支架（1）横向部分的通孔与光源（2）相对布设。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210374059.1A CN114627107B (zh) | 2022-04-11 | 2022-04-11 | 一种桥梁梁底病害全形貌检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210374059.1A CN114627107B (zh) | 2022-04-11 | 2022-04-11 | 一种桥梁梁底病害全形貌检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114627107A true CN114627107A (zh) | 2022-06-14 |
| CN114627107B CN114627107B (zh) | 2024-07-19 |
Family
ID=81906343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210374059.1A Active CN114627107B (zh) | 2022-04-11 | 2022-04-11 | 一种桥梁梁底病害全形貌检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114627107B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109300126A (zh) * | 2018-09-21 | 2019-02-01 | 重庆建工集团股份有限公司 | 一种基于空间位置的桥梁病害高精度智能检测方法 |
| CN112669278A (zh) * | 2020-12-25 | 2021-04-16 | 中铁大桥局集团有限公司 | 一种基于无人机的梁底巡检及病害可视化方法及系统 |
| CN114202660A (zh) * | 2022-02-21 | 2022-03-18 | 广东建科交通工程质量检测中心有限公司 | 一种基于边云桥梁检测的远程分布式控制方法及系统 |
-
2022
- 2022-04-11 CN CN202210374059.1A patent/CN114627107B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109300126A (zh) * | 2018-09-21 | 2019-02-01 | 重庆建工集团股份有限公司 | 一种基于空间位置的桥梁病害高精度智能检测方法 |
| CN112669278A (zh) * | 2020-12-25 | 2021-04-16 | 中铁大桥局集团有限公司 | 一种基于无人机的梁底巡检及病害可视化方法及系统 |
| CN114202660A (zh) * | 2022-02-21 | 2022-03-18 | 广东建科交通工程质量检测中心有限公司 | 一种基于边云桥梁检测的远程分布式控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114627107B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110418957B (zh) | 对具有运行机构的设施进行状态监控的方法和装置 | |
| US20160292518A1 (en) | Method and apparatus for monitoring changes in road surface condition | |
| CN111931565A (zh) | 一种基于光伏电站uav的自主巡检与热斑识别方法及系统 | |
| CN108550143A (zh) | 一种基于rgb-d相机的车辆长宽高尺寸的测量方法 | |
| CN111260615B (zh) | 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 | |
| CN110910341B (zh) | 一种输电线路锈蚀区缺陷检测方法及装置 | |
| CN111076712B (zh) | 一种空间三维模型的自动建立方法、系统及装置 | |
| CN109297428A (zh) | 一种基于无人机的高精度变形巡测技术方法 | |
| CN110444043B (zh) | 一种基于定位技术的停车位巡检系统及其方法 | |
| CN209181784U (zh) | 一种应用于自动泊车系统的视频量测装置 | |
| CN112415010B (zh) | 一种成像检测方法及系统 | |
| CN113011283B (zh) | 一种基于视频的非接触式钢轨轨枕相对位移实时测量方法 | |
| CN110296689B (zh) | 一种航空成像相机中摆扫图像重叠率测试装置及方法 | |
| CN117169086B (zh) | 一种建筑物地下防水层施工质量检测方法、介质及系统 | |
| CN110334666A (zh) | 一种基于双摄像机的交叉口分车道详细交通参数采集方法 | |
| CN114972177A (zh) | 道路病害识别管理方法、装置及智能终端 | |
| CN109579798A (zh) | 一种应用于自动泊车系统的视频量测方法及量测装置 | |
| CN112461122A (zh) | 一种隧道表面特征检测装置及方法 | |
| CN114627107B (zh) | 一种桥梁梁底病害全形貌检测方法及系统 | |
| Liu et al. | Lightweight defect detection equipment for road tunnels | |
| CN116879313A (zh) | 一种基于雷视超融合的结构裂损实时测定方法 | |
| CN115937408A (zh) | 轨交隧道表观病害高精度识别与实景模型构建装置及方法 | |
| CN116256365A (zh) | 一种基于dic技术的无人机桥梁支座检测系统及方法 | |
| CN118347412B (zh) | 一种基于单目视觉的桥梁伸缩缝宽度参数监测方法和系统 | |
| KR102416275B1 (ko) | 강재 및 콘크리트 구조물 점검 드론용 촬영장치의 인공지능 기반 성능 검증 차트 및 이를 이용한 촬영성능 평가방법 |
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 |