CN114724040A - 一种基于航拍拼接图像的混凝土裂缝识别方法及系统 - Google Patents
一种基于航拍拼接图像的混凝土裂缝识别方法及系统 Download PDFInfo
- Publication number
- CN114724040A CN114724040A CN202210484609.5A CN202210484609A CN114724040A CN 114724040 A CN114724040 A CN 114724040A CN 202210484609 A CN202210484609 A CN 202210484609A CN 114724040 A CN114724040 A CN 114724040A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- images
- building
- concrete
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013507 mapping Methods 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 27
- 230000005540 biological transmission Effects 0.000 claims description 26
- 230000000007 visual effect Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000002583 cell-derived microparticle Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于航拍拼接图像的混凝土裂缝识别方法及系统，涉及混凝土裂缝识别技术领域，具体为图像采集模块和训练模型模块，所述图像采集模块的输出端连接有数据传输模块，所述训练模型模块连接于处理模块的输出端，所述建筑外无人机、建筑内无人机的输出端与数据传输模块并联连接。该基于航拍拼接图像的混凝土裂缝识别方法及系统，训练模型模块经过学习训练后可以基于无人机所采集的混凝土建筑内外面的图像对有无裂缝的分类条件下进行图像分类，且有裂缝的图像会显示在三维模型上的对应位置处，而且三维模型与平面图像上均显示各类尺寸，以供人们观测了解，有利于使得人们快速详细的知晓裂缝尺寸信息及裂缝所处的具体位置。
Description
技术领域
本发明涉及混凝土裂缝识别技术领域，具体为一种基于航拍拼接图像的混凝土裂缝识别方法及系统。
背景技术
混凝土裂缝是由于混凝土结构由于内外因素的作用而产生的物理结构变化，土木建筑工程，以混凝土结构占主导地位，混凝土结构由于内外因素的作用不可避免地存在裂缝，而裂缝是混凝土结构物承载能力、耐久性及防水性降低的主要原因，在混凝土建筑中，混凝土裂缝是关乎建筑整体是否安全稳定的重要影响因素，目前关于混凝土裂缝的检测是以检测人员携带相关仪器进行检测为主。
现有的利用人工携带相关仪器来检测混凝土裂缝的方式过于费时费力，且容易发生遗漏，而且检测人员到达现场也容易出现安全隐患，针对上述情况，我们推出了一种基于航拍拼接图像的混凝土裂缝识别方法及系统。
发明内容
针对现有技术的不足，本发明提供了一种基于航拍拼接图像的混凝土裂缝识别方法及系统，解决了上述背景技术中提出现有的利用人工携带相关仪器来检测混凝土裂缝的方式过于费时费力，且容易发生遗漏，而且检测人员到达现场也容易出现安全隐患的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于航拍拼接图像的混凝土裂缝识别系统，包括图像采集模块和训练模型模块，所述图像采集模块的输出端连接有数据传输模块，且数据传输模块的输出端基于互联网连接有处理模块，所述训练模型模块连接于处理模块的输出端，且训练模型模块的另一输入端连接有训练图集模块，所述图像采集模块包括建筑外无人机和建筑内无人机，所述建筑外无人机、建筑内无人机的输出端与数据传输模块并联连接。
进一步的，所述建筑外无人机用于采集混凝土建筑的外体平面以及立面图像，所述建筑内无人机用于采集混凝土建筑内部平面及立面图像。
进一步的，所述处理模块用于对所述数据传输模块所传输的图像进行颜色改变处理，将图像颜色通过Photoshop软件灰度化。
进一步的，所述训练图集模块中包含2000张混凝土结构图像，其中1000张为没有裂缝的图像，另1000张图像中则具有各种尺寸和类型的裂缝。
进一步的，所述训练模型模块用于对所述训练图集模块中的张图像进行分类学习，将含有裂缝的图像分离出来。
进一步的，所述训练模型模块的输出端连接有输出模块，且输出模块用于将所述训练模型模块所分离出来具有裂缝的图像进行输出。
进一步的，所述输出模块的输出端连接有三维模型搭设模块，且三维模型搭设模块用于建立混凝土建筑的三维模型。
进一步的，所述三维模型搭设模块包括适配建模单元、对应单元和贴图单元，所述适配建模单元的输入端与数据传输模块相连接，所述适配建模单元的另一输入端连接有对应单元，且对应单元的输入端连接有贴图单元，所述贴图单元的输入端连接有输出模块，所述适配建模单元的输出端连接有三维显示模块，且适配建模单元的另一输出端连接有平面显示模块，所述三维显示模块、平面显示模块的输出端均连接有尺寸标注模块。
进一步的，所述适配建模单元用于根据采集的混凝土建筑内外图像进行三维建模，所述对应单元用于将有裂缝的图像与三维模型上的对应墙体进行联系，所述贴图单元用于将有裂缝的图像贴图至三维模型上对应的墙体上。
一种基于航拍拼接图像的混凝土裂缝识别系统的使用方法，所述使用方法包括下述操作步骤：
步骤一：利用训练图集模块中包含2000张混凝土结构图像输入至训练模型模块中进行分类学习，实现将有裂缝的图像单独分离的效果；
步骤二：训练模型模块训练学习完成后，由建筑外无人机采集混凝土建筑的外体平面以及立面图像，由此获得图像称之为图像A，而建筑内无人机采集混凝土建筑内部平面及立面图像，由此获得图像称之为图像B，且建筑外无人机、建筑内无人机均加载有视觉摄像头可以获取混凝土结构的尺寸；
步骤三：图像A、图像B通过数据传输模块传输至处理模块内，处理模块运用Photoshop软件将图像A、图像B颜色灰度化；
步骤四：灰度化的图像A、图像B进入训练模型模块进行分类，分类出的具有裂缝的图像为图像C，图像C通过输出模块传输至贴图单元；
步骤五：图像A、图像B还通过数据传输模块传输至适配建模单元中，适配建模单元基于图像内的墙体尺寸和混凝土建筑内外图像进行建模；
步骤六：对应单元将贴图单元的图像C与三维模型中的对应墙体相联系，再由贴图单元将图像C贴图至模型中的对应墙体上；
步骤七：图像C完成贴图后，三维模型通过三维显示模块显示三维模型图，三维模型还通过平面显示模块显示平面图，同时尺寸标注模块标注出三维模型图、平面图上的裂缝位置及裂缝尺寸。
本发明提供了一种基于航拍拼接图像的混凝土裂缝识别方法及系统，具备以下有益效果：
训练模型模块经过学习训练后可以基于无人机所采集的混凝土建筑内外面的图像对有无裂缝的分类条件下进行图像分类，且有裂缝的图像会显示在三维模型上的对应位置处，而且三维模型与平面图像上均显示各类尺寸，以供人们观测了解，有利于使得人们快速详细的知晓裂缝尺寸信息及裂缝所处的具体位置。
1.该基于航拍拼接图像的混凝土裂缝识别方法及系统，训练模型模块对所采集的混凝土建筑的内外面图像进行有无裂缝的分类，实现快速有效的识别出混凝土裂缝，从而无需检测人员到达现场进行检测，提高工作效率且不易发生遗漏，并且也避免了现场安全隐患的问题。
2.该基于航拍拼接图像的混凝土裂缝识别方法及系统，适配建模单元利用图像采集模块所采集的图像进行三维建模，且识别出有裂缝的图像则通过对应单元和贴图单元对应的将图像贴图至模型中对应的墙体上，并通过三维显示模块实现立体展示，同时配合平面显示模块对有裂缝图像的模型墙体进行放大且平面的展示，从而有利于方便人们进行观测，且明确知晓裂缝所在墙体在混凝土建筑中的所处位置。
3.该基于航拍拼接图像的混凝土裂缝识别方法及系统，三维显示模块、平面显示模块的输出端均连接有尺寸标注模块，通过尺寸标注模块可将模型上的裂缝、屏幕图像上的裂缝以及周边墙体或空间尺寸进行标注，有利于详细显示与裂缝相关的尺寸信息。
附图说明
图1为本发明一种基于航拍拼接图像的混凝土裂缝识别方法及系统的图像采集模块输出流程示意图；
图2为本发明一种基于航拍拼接图像的混凝土裂缝识别方法及系统的图像采集模块内部流程示意图；
图3为本发明一种基于航拍拼接图像的混凝土裂缝识别方法及系统的输出模块输出流程示意图；
图4为本发明一种基于航拍拼接图像的混凝土裂缝识别方法及系统的三维模型搭设模块内部流程示意图；
图5为本发明一种基于航拍拼接图像的混凝土裂缝识别方法及系统的适配建模单元输出流程示意图；
图6为本发明一种基于航拍拼接图像的混凝土裂缝识别方法及系统的具有裂缝的图像识别流程示意图；
图7为本发明一种基于航拍拼接图像的混凝土裂缝识别方法及系统的具有裂缝的图像展示流程示意图。
图中：1、图像采集模块；101、建筑外无人机；102、建筑内无人机；2、数据传输模块；3、处理模块；4、训练模型模块；5、训练图集模块；6、输出模块；7、三维模型搭设模块；701、适配建模单元；702、对应单元；703、贴图单元；8、三维显示模块；9、平面显示模块；10、尺寸标注模块。
具体实施方式
请参阅图1至图2、图6，本发明提供一种技术方案：一种基于航拍拼接图像的混凝土裂缝识别方法及系统，包括图像采集模块1和训练模型模块4，图像采集模块1的输出端连接有数据传输模块2，且数据传输模块2的输出端基于互联网连接有处理模块3，训练模型模块4连接于处理模块3的输出端，且训练模型模块4的另一输入端连接有训练图集模块5，图像采集模块1包括建筑外无人机101和建筑内无人机102，建筑外无人机101、建筑内无人机102的输出端与数据传输模块2并联连接，建筑外无人机101用于采集混凝土建筑的外体平面以及立面图像，建筑内无人机102用于采集混凝土建筑内部平面及立面图像，处理模块3用于对数据传输模块2所传输的图像进行颜色改变处理，将图像颜色通过Photoshop软件灰度化，训练图集模块5中包含2000张混凝土结构图像，其中1000张为没有裂缝的图像，另1000张图像中则具有各种尺寸和类型的裂缝，训练模型模块4用于对训练图集模块5中的2000张图像进行分类学习，将含有裂缝的图像分离出来；
具体操作如下，首先训练图集模块5中包含2000张混凝土结构图像，其中1000张为没有裂缝的图像，另1000张图像中则具有各种尺寸和类型的裂缝，这1000张没有裂缝的图和另1000张含有裂缝的图像输入至训练模型模块4中以供其学习训练，而训练模型模块4用于对训练图集模块5中的2000张图像进行分类学习，将含有裂缝的图像分离出来，具体的训练模型模块4是通过建立一个机器学习模型，通过输入的2000张图像基于“损坏”和“未损害”两种先决条件对图像进行分类，最终结果是有裂缝的图像被突出显示；
在训练模型模块4训练完成后，建筑外无人机101用于采集混凝土建筑的外体平面以及立面图像，而建筑内无人机102用于采集混凝土建筑内部平面及立面图像，其中混凝土建筑内部包括顶面、墙体表面以及地面，同时所采集的所有图像均为平面图，即建筑外无人机101与建筑内无人机102在拍摄时摄像头与建筑表面相垂直，而且摄像头采用具有标注尺寸功能的视觉摄像头，然后所采集的图像则会通过数据传输模块2传输至处理模块3中，而处理模块3则利用Photoshop软件对图像颜色进行修改，使得图像颜色灰度化，灰度化后由无人机所采集的图像被输入至训练模型模块4中，训练模型模块4对灰度化图像进行分类并突出有裂缝的图像。
请参阅图3至图5、图7，训练模型模块4的输出端连接有输出模块6，且输出模块6用于将训练模型模块4所分离出来具有裂缝的图像进行输出，输出模块6的输出端连接有三维模型搭设模块7，且三维模型搭设模块7用于建立混凝土建筑的三维模型，三维模型搭设模块7包括适配建模单元701、对应单元702和贴图单元703，适配建模单元701的输入端与数据传输模块2相连接，适配建模单元701的另一输入端连接有对应单元702，且对应单元702的输入端连接有贴图单元703，贴图单元703的输入端连接有输出模块6，适配建模单元701的输出端连接有三维显示模块8，且适配建模单元701的另一输出端连接有平面显示模块9，三维显示模块8、平面显示模块9的输出端均连接有尺寸标注模块10，适配建模单元701用于根据采集的混凝土建筑内外图像进行三维建模，对应单元702用于将有裂缝的图像与三维模型上的对应墙体进行联系，贴图单元703用于将有裂缝的图像贴图至三维模型上对应的墙体上；
具体操作如下，训练模型模块4对灰度化图像进行分类并突出有裂缝的图像，而后通过输出模块6将有裂缝的图像传输至贴图单元703，此过程的前提需要对有裂缝的灰度化图像进行还原，即利用Photoshop软件将图像颜色还原，而且建筑外无人机101、建筑内无人机102所采集的图像还通过数据传输模块2输入至适配建模单元701中，适配建模单元701基于建筑内外面的图像与尺寸标注进行混凝土建筑的三维建模，再利用对应单元702将有裂缝的图像与模型上对应位置的墙体相联系，再由贴图单元703将该裂缝图像贴图至模型上对应位置的墙体表面，同时裂缝经由适配建模单元701突出化显示，使得裂缝显示的更为明显，而后三维显示模块8对三维图像进行显示，配合平面显示模块9对裂缝图像进行平面展示，通过三维显示模块8实现立体展示，同时配合平面显示模块9对有裂缝图像的模型墙体进行放大且平面的展示，从而有利于方便人们进行观测，且明确知晓裂缝所在墙体在混凝土建筑中的所处位置，而且三维显示模块8、平面显示模块9的输出端均连接有尺寸标注模块10，通过尺寸标注模块10可将模型上的裂缝、屏幕图像上的裂缝以及周边墙体或空间尺寸进行标注，有利于详细显示与裂缝相关的尺寸信息。
请参阅图1至图7，一种基于航拍拼接图像的混凝土裂缝识别系统的使用方法，使用方法包括下述操作步骤：
步骤一：利用训练图集模块5中包含2000张混凝土结构图像输入至训练模型模块4中进行分类学习，实现将有裂缝的图像单独分离的效果；
步骤二：训练模型模块4训练学习完成后，由建筑外无人机101采集混凝土建筑的外体平面以及立面图像，由此获得图像称之为图像A，而建筑内无人机102采集混凝土建筑内部平面及立面图像，由此获得图像称之为图像B，且建筑外无人机101、建筑内无人机102均加载有视觉摄像头可以获取混凝土结构的尺寸；
步骤三：图像A、图像B通过数据传输模块2传输至处理模块3内，处理模块3运用Photoshop软件将图像A、图像B颜色灰度化；
步骤四：灰度化的图像A、图像B进入训练模型模块4进行分类，分类出的具有裂缝的图像为图像C，图像C通过输出模块6传输至贴图单元703；
步骤五：图像A、图像B还通过数据传输模块2传输至适配建模单元701中，适配建模单元701基于图像内的墙体尺寸和混凝土建筑内外图像进行建模；
步骤六：对应单元702将贴图单元703的图像C与三维模型中的对应墙体相联系，再由贴图单元703将图像C贴图至模型中的对应墙体上；
步骤七：图像C完成贴图后，三维模型通过三维显示模块8显示三维模型图，三维模型还通过平面显示模块9显示平面图，同时尺寸标注模块10标注出三维模型图、平面图上的裂缝位置及裂缝尺寸。
综上，该基于航拍拼接图像的混凝土裂缝识别方法及系统，使用时，首先首先训练图集模块5中包含2000张混凝土结构图像，其中1000张为没有裂缝的图像，另1000张图像中则具有各种尺寸和类型的裂缝，这1000张没有裂缝的图和另1000张含有裂缝的图像输入至训练模型模块4中以供其学习训练，而训练模型模块4用于对训练图集模块5中的2000张图像进行分类学习，将含有裂缝的图像分离出来，具体的训练模型模块4是通过建立一个机器学习模型，通过输入的2000张图像基于“损坏”和“未损害”两种先决条件对图像进行分类，最终结果是有裂缝的图像被突出显示；
在训练模型模块4训练完成后，建筑外无人机101用于采集混凝土建筑的外体平面以及立面图像，而建筑内无人机102用于采集混凝土建筑内部平面及立面图像，其中混凝土建筑内部包括顶面、墙体表面以及地面，同时所采集的所有图像均为平面图，即建筑外无人机101与建筑内无人机102在拍摄时摄像头与建筑表面相垂直，而且摄像头采用具有标注尺寸功能的视觉摄像头，然后所采集的图像则会通过数据传输模块2传输至处理模块3中，而处理模块3则利用Photoshop软件对图像颜色进行修改，使得图像颜色灰度化，灰度化后由无人机所采集的图像被输入至训练模型模块4中，训练模型模块4对灰度化图像进行分类并突出有裂缝的图像；
之后训练模型模块4对灰度化图像进行分类并突出有裂缝的图像，而后通过输出模块6将有裂缝的图像传输至贴图单元703，传输至贴图单元703的前提需要对有裂缝的灰度化图像进行还原，即利用Photoshop软件将图像颜色还原，而且建筑外无人机101、建筑内无人机102所采集的图像还通过数据传输模块2输入至适配建模单元701中，适配建模单元701基于建筑内外面的图像与尺寸标注进行混凝土建筑的三维建模，再利用对应单元702将有裂缝的图像与模型上对应位置的墙体相联系，再由贴图单元703将该裂缝图像贴图至模型上对应位置的墙体表面，同时裂缝经由适配建模单元701突出化显示，使得裂缝显示的更为明显；
而后三维显示模块8对三维图像进行显示，配合平面显示模块9对裂缝图像进行平面展示，通过三维显示模块8实现立体展示，同时配合平面显示模块9对有裂缝图像的模型墙体进行放大且平面的展示，从而有利于方便人们进行观测，且明确知晓裂缝所在墙体在混凝土建筑中的所处位置；
最后三维显示模块8、平面显示模块9的输出端均连接有尺寸标注模块10，通过尺寸标注模块10可将模型上的裂缝、屏幕图像上的裂缝以及周边墙体或空间尺寸进行标注，有利于详细显示与裂缝相关的尺寸信息。
Claims (10)
1.一种基于航拍拼接图像的混凝土裂缝识别系统，包括图像采集模块(1)和训练模型模块(4)，其特征在于：所述图像采集模块(1)的输出端连接有数据传输模块(2)，且数据传输模块(2)的输出端基于互联网连接有处理模块(3)，所述训练模型模块(4)连接于处理模块(3)的输出端，且训练模型模块(4)的另一输入端连接有训练图集模块(5)，所述图像采集模块(1)包括建筑外无人机(101)和建筑内无人机(102)，所述建筑外无人机(101)、建筑内无人机(102)的输出端与数据传输模块(2)并联连接。
2.根据权利要求1所述的一种基于航拍拼接图像的混凝土裂缝识别方法及系统，其特征在于：所述建筑外无人机(101)用于采集混凝土建筑的外体平面以及立面图像，所述建筑内无人机(102)用于采集混凝土建筑内部平面及立面图像。
3.根据权利要求1所述的一种基于航拍拼接图像的混凝土裂缝识别方法及系统，其特征在于：所述处理模块(3)用于对所述数据传输模块(2)所传输的图像进行颜色改变处理，将图像颜色通过Photoshop软件灰度化。
4.根据权利要求1所述的一种基于航拍拼接图像的混凝土裂缝识别方法及系统，其特征在于：所述训练图集模块(5)中包含2000张混凝土结构图像，其中1000张为没有裂缝的图像，另1000张图像中则具有各种尺寸和类型的裂缝。
5.根据权利要求1所述的一种基于航拍拼接图像的混凝土裂缝识别方法及系统，其特征在于：所述训练模型模块(4)用于对所述训练图集模块(5)中的2000张图像进行分类学习，将含有裂缝的图像分离出来。
6.根据权利要求1所述的一种基于航拍拼接图像的混凝土裂缝识别方法及系统，其特征在于：所述训练模型模块(4)的输出端连接有输出模块(6)，且输出模块(6)用于将所述训练模型模块(4)所分离出来具有裂缝的图像进行输出。
7.根据权利要求6所述的一种基于航拍拼接图像的混凝土裂缝识别方法及系统，其特征在于：所述输出模块(6)的输出端连接有三维模型搭设模块(7)，且三维模型搭设模块(7)用于建立混凝土建筑的三维模型。
8.根据权利要求7所述的一种基于航拍拼接图像的混凝土裂缝识别方法及系统，其特征在于：所述三维模型搭设模块(7)包括适配建模单元(701)、对应单元(702)和贴图单元(703)，所述适配建模单元(701)的输入端与数据传输模块(2)相连接，所述适配建模单元(701)的另一输入端连接有对应单元(702)，且对应单元(702)的输入端连接有贴图单元(703)，所述贴图单元(703)的输入端连接有输出模块(6)，所述适配建模单元(701)的输出端连接有三维显示模块(8)，且适配建模单元(701)的另一输出端连接有平面显示模块(9)，所述三维显示模块(8)、平面显示模块(9)的输出端均连接有尺寸标注模块(10)。
9.根据权利要求8所述的一种基于航拍拼接图像的混凝土裂缝识别方法及系统，其特征在于：所述适配建模单元(701)用于根据采集的混凝土建筑内外图像进行三维建模，所述对应单元(702)用于将有裂缝的图像与三维模型上的对应墙体进行联系，所述贴图单元(703)用于将有裂缝的图像贴图至三维模型上对应的墙体上。
10.根据权利要求1-9任一项所述的一种基于航拍拼接图像的混凝土裂缝识别系统的使用方法，其特征在于：所述使用方法包括下述操作步骤：
步骤一：利用训练图集模块(5)中包含2000张混凝土结构图像输入至训练模型模块(4)中进行分类学习，实现将有裂缝的图像单独分离的效果；
步骤二：训练模型模块(4)训练学习完成后，由建筑外无人机(101)采集混凝土建筑的外体平面以及立面图像，由此获得图像称之为图像A，而建筑内无人机(102)采集混凝土建筑内部平面及立面图像，由此获得图像称之为图像B，且建筑外无人机(101)、建筑内无人机(102)均加载有视觉摄像头可以获取混凝土结构的尺寸；
步骤三：图像A、图像B通过数据传输模块(2)传输至处理模块(3)内，处理模块(3)运用Photoshop软件将图像A、图像B颜色灰度化；
步骤四：灰度化的图像A、图像B进入训练模型模块(4)进行分类，分类出的具有裂缝的图像为图像C，图像C通过输出模块(6)传输至贴图单元(703)；
步骤五：图像A、图像B还通过数据传输模块(2)传输至适配建模单元(701)中，适配建模单元(701)基于图像内的墙体尺寸和混凝土建筑内外图像进行建模；
步骤六：对应单元(702)将贴图单元(703)的图像C与三维模型中的对应墙体相联系，再由贴图单元(703)将图像C贴图至模型中的对应墙体上；
步骤七：图像C完成贴图后，三维模型通过三维显示模块(8)显示三维模型图，三维模型还通过平面显示模块(9)显示平面图，同时尺寸标注模块(10)标注出三维模型图、平面图上的裂缝位置及裂缝尺寸。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210484609.5A CN114724040A (zh) | 2022-05-06 | 2022-05-06 | 一种基于航拍拼接图像的混凝土裂缝识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210484609.5A CN114724040A (zh) | 2022-05-06 | 2022-05-06 | 一种基于航拍拼接图像的混凝土裂缝识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114724040A true CN114724040A (zh) | 2022-07-08 |
Family
ID=82230638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210484609.5A Pending CN114724040A (zh) | 2022-05-06 | 2022-05-06 | 一种基于航拍拼接图像的混凝土裂缝识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114724040A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| US20200312028A1 (en) * | 2019-03-27 | 2020-10-01 | Drone Technology LLC | System and method for structure inspection |
| CN111751380A (zh) * | 2020-07-08 | 2020-10-09 | 中国水利水电科学研究院 | 一种基于轻小型无人机的混凝土坝裂缝检查方法 |
| CN111896549A (zh) * | 2020-08-05 | 2020-11-06 | 深圳瑞莱保核能技术发展有限公司 | 一种基于机器学习的建筑物裂缝监测系统和方法 |
| CN114359542A (zh) * | 2021-11-26 | 2022-04-15 | 广州大学 | 基于计算机视觉与深度学习的混凝土结构裂缝识别方法 |
-
2022
- 2022-05-06 CN CN202210484609.5A patent/CN114724040A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20200312028A1 (en) * | 2019-03-27 | 2020-10-01 | Drone Technology LLC | System and method for structure inspection |
| 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 |
| CN111751380A (zh) * | 2020-07-08 | 2020-10-09 | 中国水利水电科学研究院 | 一种基于轻小型无人机的混凝土坝裂缝检查方法 |
| CN111896549A (zh) * | 2020-08-05 | 2020-11-06 | 深圳瑞莱保核能技术发展有限公司 | 一种基于机器学习的建筑物裂缝监测系统和方法 |
| CN114359542A (zh) * | 2021-11-26 | 2022-04-15 | 广州大学 | 基于计算机视觉与深度学习的混凝土结构裂缝识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴生宇: "基于无人机视觉的大型建筑物表面裂缝检测技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113379712B (zh) | 一种基于计算机视觉的钢桥螺栓病害检测方法及系统 | |
| CN110874861B (zh) | 一种三维数字化图像采集方法及设备 | |
| CN106296814A (zh) | 公路养护检测与可视化交互方法和系统 | |
| CN103076007B (zh) | 侧方位停车检测系统及其检测方法 | |
| CN105965519A (zh) | 一种视觉引导下的离合器下料定位方法 | |
| CN114812403B (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
| CN110046584B (zh) | 一种基于无人机巡检的道路裂纹检测装置及检测方法 | |
| WO2023070312A1 (zh) | 图像处理方法 | |
| CN103000067B (zh) | 直角转弯检测系统及其检测方法 | |
| CN113867385A (zh) | 一种bim关联vr及无人机的桥梁检查装置及应用方法 | |
| CN116087198B (zh) | 一种公路路面状况数据采集设备及其自动化快速检测系统 | |
| CN115578315A (zh) | 一种基于无人机图像的桥梁应变近景摄影测量方法 | |
| CN114964275A (zh) | 地空协同地图构建方法、装置、设备及存储介质 | |
| CN111209823A (zh) | 一种红外人脸对齐方法 | |
| CN113378754A (zh) | 一种工地裸土监测方法 | |
| CN115984766A (zh) | 一种煤矿井下快速单目视觉三维目标检测方法 | |
| CN116503391A (zh) | 一种隧道掌子面岩体节理裂隙识别方法及识别装置 | |
| CN114724040A (zh) | 一种基于航拍拼接图像的混凝土裂缝识别方法及系统 | |
| CN112284509A (zh) | 一种基于手机视频的桥梁结构振型测量方法 | |
| CN116245872A (zh) | 一种基于卷积神经网络的飞机结构裂纹检测方法 | |
| CN113506208B (zh) | 一种前视钻孔可视化观测仪的环状图像平面展开方法 | |
| US6894716B1 (en) | Method and apparatus for identifying a position of a predetermined object in free space using a video image | |
| CN115423777A (zh) | 巷道缺陷的定位方法、装置、可读存储介质及工程设备 | |
| CN111709991B (zh) | 一种铁路工机具的检测方法、系统、装置和存储介质 | |
| CN114120152A (zh) | 基于无人机航拍影像的城市绿地提取方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220708 |