CN114782845A - 爆破后建筑物新生裂缝识别方法、装置、设备及介质 - Google Patents
爆破后建筑物新生裂缝识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114782845A CN114782845A CN202210694220.3A CN202210694220A CN114782845A CN 114782845 A CN114782845 A CN 114782845A CN 202210694220 A CN202210694220 A CN 202210694220A CN 114782845 A CN114782845 A CN 114782845A
- Authority
- CN
- China
- Prior art keywords
- building
- blasting
- image
- information
- crack
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Civil Engineering (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Architecture (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种爆破后建筑物新生裂缝识别方法、装置、设备及介质,涉及隧道爆破技术领域,包括获取第一信息,第一信息包括建筑物的第一图像信息和建筑参数信息;根据第一信息建立建筑物三维模型,并对建筑物三维模型进行爆破影响模拟得到建筑物的易损伤部位;获取第二信息,第二信息包括建筑物的第二图像信息,第二图像信息为在一次爆破后采集到的图像信息,第一图像信息和第二图像信息均由无人机拍摄;根据第一图像信息和第二图像信息对易损伤部位进行裂缝区域重建提取得到新生裂缝。在本申请中通过运用无人机贴近建筑物摄影测量、建筑物固有频率探索及模型参数调整准确预测出易损伤部位。并基于易损伤部位识别出新生裂缝。
Description
技术领域
本发明涉及隧道爆破技术领域,具体而言,涉及爆破后建筑物新生裂缝识别方法、装置、设备及介质。
背景技术
目前在我国城市地铁建设中,很多地铁工程中需要采用爆破法进行施工,其中爆破施工产生的冲击波或振动效应对周边建筑物造成的破坏,最常见的破坏形式是建筑物产生裂缝。但是现在对于裂缝识别主要为人工定位判断测量,但是目前尚未有一种高效的裂缝识别方法。
发明内容
本发明的目的在于提供一种爆破后建筑物新生裂缝识别方法、装置、设备及介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种爆破后建筑物新生裂缝识别方法,包括:获取第一信息,所述第一信息包括建筑物的第一图像信息和建筑参数信息;根据所述第一信息建立建筑物三维模型,并对所述建筑物三维模型进行爆破影响模拟得到所述建筑物的易损伤部位;获取第二信息,所述第二信息包括建筑物的第二图像信息,所述第二图像信息为在一次爆破后采集到的图像信息,所述第二图像信息和所述第一图像信息均由无人机搭载摄像头拍摄得到;根据所述第一图像信息和所述第二图像信息对所述易损伤部位进行裂缝区域重建提取得到新生裂缝。
第二方面,本申请还提供了一种爆破后建筑物新生裂缝识别装置,包括:第一获取单元,用于获取第一信息,所述第一信息包括建筑物的第一图像信息和建筑参数信息;模型建立单元,用于根据所述第一信息建立建筑物三维模型,并对所述建筑物三维模型进行爆破影响模拟得到所述建筑物的易损伤部位;第二获取单元,用于获取第二信息,所述第二信息包括建筑物的第二图像信息,所述第二图像信息为在一次爆破后采集到的图像信息,所述第二图像信息和所述第一图像信息均由无人机搭载摄像头拍摄得到;裂缝识别单元,用于根据所述第一图像信息和所述第二图像信息对所述易损伤部位进行裂缝区域重建提取得到新生裂缝。
第三方面,本申请还提供了一种爆破后建筑物新生裂缝识别设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述爆破后建筑物新生裂缝识别方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于爆破后建筑物新生裂缝识别方法的步骤。
本发明的有益效果为:
一、本发明通过运用无人机贴近建筑物摄影测量,并且通过在三维有限元软件中模拟生成建筑物三维模型,通过在建筑物三维模型中模拟可能出现裂缝的区域,降低了后期数据采集量,有效提升最后裂缝识别效率。
二、在本申请中在建筑物三维模型的构建过程中,通过在建筑物上布设水平速度传感器,进而得到建筑物本身对应的固有频率以及固有频率对应的阶次,最终通过建筑物本身对应的固有频率以及固有频率对应的阶次调整建筑物三维模型的参数,最终使得建筑物三维模型更加精细化,最终,可以在爆破影响模拟中快速并准确预测出在一次爆破后建筑物的易损伤部位。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的爆破后建筑物新生裂缝识别方法流程示意图;
图2为本发明实施例中所述的无人机拍摄过程示意图;
图3为本发明实施例中所述的无人机拍摄易损伤部位过程示意图;
图4为本发明实施例中所述的爆破后建筑物新生裂缝识别装置结构示意图;
图5为本发明实施例中所述的爆破后建筑物新生裂缝识别设备结构示意图。
图中标记:1、第一获取单元;2、模型建立单元;21、调用单元;22、模型绘制单元;23、模态优化单元;231、第三获取单元;232、数据分析单元;233、阶次调整单元;24、参数优化单元;241、测试单元;242、参数调整单元;25、模拟单元;26、第一提取单元;27、第三计算单元;28、第一逻辑单元;3、第二获取单元;31、外观绘制单元;32、数据导出单元;33、网格划分单元;34、第四计算单元;35、命令发送单元;4、裂缝识别单元;41、图像提取单元;42、预处理单元;43、图像重建单元;431、第一计算单元;432、像素分类单元;433、第二计算单元;434、图像转化单元;435、分割单元;44、图像校正单元;45、裂缝提取单元;5、承重构件;800、爆破后建筑物新生裂缝识别设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
受地质条件限制,很多地铁工程需要采用爆破法进行施工但是城市地铁工程大多位于人口众多或者地表建筑物密集的城市繁华地带,城区环境复杂。地铁工程爆破施工产生的冲击波或振动效应有可能会对周边建筑物造成的破坏,最常见的破坏形式是建筑物产生裂缝。裂缝的存在大大降低了建筑物的耐久性和安全性且裂缝的产生会给居住者造成在感官上的不良影响。
现有的裂缝检测技术是采用人工进行裂缝定位、新生裂缝判断、裂缝测量这三步相结合对裂缝进行检测。人工进行裂缝定位、新生裂缝判断就是专业人员通过肉眼和一些放大工具寻找建筑物的裂缝并且通过专业人员进行裂缝是否为爆破下的新生裂缝进行判定和标记;缝仪器测量是通过全站仪、三维激光扫描仪等仪器进行裂缝测量。该方法对隧道爆破下对建筑物损伤检测的传统裂缝检测技术存在裂缝定位效率低下的问题。
实施例1:
本实施例中提供了一种爆破后建筑物新生裂缝识别方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。
S100、获取第一信息,第一信息包括建筑物的第一图像信息和建筑参数信息。
需要说明的是,在本申请中所提阶段第一图像信息是由无人机搭载相机贴近建筑物拍照得到,可参见图2示意图,其中,采用无人机进行拍摄的方式,可以利用无人机拍摄灵活性高、相比于人工而言其拍摄的效率更高,能有效的降低成本。并且无人机拍摄的方式可以快速对建筑物进行全覆盖、多角度的贴近扫描摄影拍摄达到对建筑物数据信息的采集的目的。
同时,在本申请中所提及的第一图像信息中包含有两张以上的照片,具体而言,其中第一图像的照片数量是由建筑物本身的大小以及所决定,本申请中不对第一图像内的具有的照片数量做出具体的限制,同时,还需要说明的是,在本申请中所提及的建筑物参数信息包括结构类型、构成材料以及建筑物内部几何尺寸等。
S200、根据第一信息建立建筑物三维模型,并对建筑物三维模型进行爆破影响模拟得到建筑物的易损伤部位。
可以理解的是,在本申请中即为通过第一图像信息直接在无人机的配套软件中生成外观三维模型,其中外观三维模型中包含建筑物的外观信息和轮廓信息,进一步而言,外观信息中即包含了建筑物的门体、窗体以及外墙立面的装饰物的尺寸以及位置信息,轮廓信息即为包括建筑物的外部尺寸信息。其中无人机可以选用大疆无人机以及其配套软件即可实现上述功能。然后再导出外观三维模型中建筑物的外观信息和轮廓信息,根据建筑物的外观信息、建筑物的轮廓信息和建筑参数信息在有限元程序ANSYS14.0中建立建筑物三维模型。进一步地,本步骤中所提及的爆破影响模拟为通过在有限元程序中模拟爆破对建筑物造成的影响,进而推断出建筑物中可能造成易损伤部位。同时需要说明的是,在本申请中通过在有限元程序中模拟爆破对建筑物的影响的方式为:通过获取到即将实施的隧道爆破施工方案,进而推断到可能到达建筑物的振动速度的峰值等,然后在三维有限元软件中模拟得到应力分布等,再进一步通过应力分布分析得到易损伤部位。
由于三维有限元的具体的模拟过程不是本申请的重点,本申请中不再赘述详细模拟过程。
S300、获取第二信息,第二信息包括建筑物的第二图像信息,第二图像信息为在一次爆破后采集到的图像信息,第二图像信息和第一图像信息均由无人机搭载摄像头拍摄得到。
需要说明的,本步骤中对于第二图像信息采集过程也是和第一信息的采集过程相同,也是通过无人机拍摄的得到。还需要说明的是,在本步骤中提及第二图像信息为在一次爆破后采集图像信息,可以理解的是,为了准确得到一次爆破对建筑的影响,在本申请中第一信息和第二信息之间优先为只有一次隧道爆破。以达到对裂缝准确识别的目的。
同时,还需要说明的是在本步骤中所提及的第二图像信息中图像信息优选为易损伤部位的图像信息。
S400、根据第一图像信息和第二图像信息对易损伤部位进行裂缝区域重建提取得到新生裂缝。
在本申请中,通过运用无人机贴近建筑物摄影测量。通过在三维有限元软件中模拟生成建筑物三维模型,通过在建筑物三维模型中模拟可能出现裂缝的区域,降低了后期数据采集量,有效提升最后裂缝识别效率。并且在本身申请中通过算法对图像进行分割的方式,相比传统的测量方式也极大的提高了裂缝的检测精度。并且通过利用无人机摄影和机器视觉的爆破新生裂缝持续监测和精准快速识别方法,相较于人工检测,无人机确保了拍摄爆破前后图像位置的准确性,实现了裂缝的持续检查,减少了电脑运算的误差,并且利用无人机拍摄的方式可以实现对复杂环境下大区域和密集建筑物群的爆破裂缝快速识别,该发明可以提供爆破施工前后同一部位的裂缝信息,为隧道爆破施工方和建筑物业主因房屋裂缝损伤而产生的纠纷和官司提供了证据。
在本申请公开的实施例中,步骤S200中还包括步骤S210、步骤S220、步骤S230和步骤S240。
S210、调用预设的三维有限元软件。
需要说明的是,在本步骤中提及的三维有限元软件为ANSYS14.0。
S220、根据建筑参数信息在三维有限元软件中建立建筑物三维模型。
需要说明的是,在本步骤即根据建筑参数信息在三维有限元软件中建立建筑物三维模型。
S230、对建筑物三维模型进行模态优化,并更新建筑物三维模型为模态优化后的模型。
需要说明的是,为了提升在模拟过程中能准确判断出何处为易损伤部位,在本申请中,步骤S230中包括步骤S231、步骤S232和步骤S233。
S231、获取第三信息,第三信息包括至少两个水平速度传感器采集得到的加速度时程曲线,每个水平速度传感器均布设于建筑物上。
需要说明的是,在本步骤中至少采用两个水平速度传感器,但是其具体数量使用情况其余建筑物的实际大小相同,所以在本申请中不对水平速度传感器的数量做出的具体限制。同时,在申请中优选对建筑物的每个楼层,以及不同功能区均布置有水平速度传感器以达到准备分析出易损伤部分的目的。需要说明的是,在本申请中采用INV3060型智能数据采集处理分析仪实现数据采集。
还需要说明的是,在本步骤获取第三信息是隧道爆破产生的振动对建筑物激励而产生的。
在本申请中通过模拟高阶激励,进而获得建筑物在高阶激励影响后的第三信息。这样的第三信息更能反应出建筑物局部损伤的能力。再利用第三信息对建筑物三维模型修正,才能使得建筑物三维模型的固有频率更加准确。
S232、调用预设的分析软件处理第三信息得到建筑物的固有频率、阻尼和振型。
需要说明的是,在本步骤中所采用的分析软件为DASP分析软件(模态分析软件)。其中关于DASP分析软件的实际分析过程为现有技术,本申请中不再赘述。并且还需要说明的是,在本申请中DASP分析软件分析得出建筑物内每个部件的固有频率、阻尼以及振型;进一步地,根据建筑物内每个部件的固有频率、阻尼以及振型判断得到高阶模态响应构件集,其中高阶模态响应构件集中每个构件为在高阶激励下振动反馈与承重构件5振动反馈比值大于第一阈值的构件。其中第一阈值本实施例中优选为3。
S233、根据阻尼和振型调整建筑物三维模型。
在本步骤中通过分析得到阻尼和振型调整建筑物三维模型,使得其更加符合实际的规律。
并且为了进一步提升对易损伤部位模拟的准确性,在本申请中还包括步骤S240,其目的在于调整建筑物三维模型的固有频率贴近于实际情况,进而能准备通过模拟的结果能于实际相互对照。
S240、对建筑物三维模型进行参数优化,并更新建筑物三维模型为参数优化后的模型。
具体而言,在本步骤中还包括步骤S241和步骤S242。
S241、对建筑物三维模型中每个参数分别进行调整得到频率差集,参数包括物理参数或力学参数,频率差集包括建筑物三维模型在每次调整后对应的模拟固有频率差,模拟固有频率差为建筑物三维模型在参数改变前对应的模拟固有频率与建筑物三维模型在参数改变后对应的模拟固有频率之差,模拟固有频率为建筑物三维模型对应的固有频率。
需要说明的是,在本步骤即为对建筑物三维模型中的物理参数或力学参数逐一修改尝试。并且还需要说明的是,在本步骤中每次参数调整的过程中,其余参数均保持在步骤S230模态优化后的参数相同。
S242、调整建筑物三维模型中的敏感参数,直到建筑物三维模型对应的模拟固有频率与建筑物的固有频率之差最小,将调整敏感参数之后的建筑物三维模型作为优化后的建筑物三维模型,敏感参数为频率差集中最大值对应的参数,建筑物的固有频率由水平速度传感器采集的数据进行分析得到。
需要说明的是,在本步骤中对模拟固有频率调整过程中模拟固有频率势必会有一个最低值的出实现,本申请中即以当模拟固有频率对应最低值时,其敏感参数的数值为建筑物三维模型所使用的参数。在本申请中通过选择敏感参数的方式,以达到对建筑物三维模型的快速调整的目的。通过将建筑物三维模型对应的模拟固有频率调整到与实际接近,模拟与实际最接近的状态。
进一步地,在本申请公开的实施例中,步骤S200中还包括步骤S250、步骤S260、步骤S270和步骤S280。以实现对易损伤部位的判断。
S250、对建筑物三维模型进行隧道爆破下的建筑物应力模拟得到第二信息,第二信息包括建筑物三维模型在爆破影响下的应力分布。
需要说明的是,在本申请中所提及的应力模拟指的是主拉应力模拟,对应的第二信息包括为建筑物三维模型在爆破影响下的主拉应力分布,并且主拉应力由横向、竖向以及水平方向共计三个基准方向的主拉应力分力构成。
S260、根据预设的构件组在第二信息中提取到第三信息,第三信息包括预设的构件组中每个元素对应的应力,预设的构件组中包括构件子集和承重构件5,构件子集包括高阶模态响应构件集、应力集中构件集、刚度突变构件集。
需要说明的是,由于在实际中对于裂缝的识别主要集中在多层建组和两层建筑上,对于一层建筑其主要考虑承重构件5不是本申请中实施的对象,故不再叙述关于一层建筑的内容。对于二层建筑,承重构件5即纵墙;高阶模态响应构件集一般包括阳台、中隔墙和女儿墙,对于本领域技术而言,其高阶模态响应构件集具体包含构件由步骤S232确定;应力集中构件集包括窗角、门角和边墙角;刚度突变构件集包括楼板与砖墙接触处。对于多层建组,承重构件5即承重横墙;高阶模态响应构件集一般包括中隔墙,其中,对于本领域技术而言,其高阶模态响应构件集具体包含构件由步骤S232确定;应力集中构件集包括窗角、门角和右侧墙角面窗角;刚度突变构件集包括顶部楼板。
S270、根据第三信息计算得到构件子集内每个构件对应的警戒比值,警戒比值为第一构件对应的应力与承重构件对应的应力比值,其中,第一构件为构件子集内的一个构件。
需要说明的是,在本步骤中由于每个应力,即主拉应力由三个基准方向的主拉应力分力构成,所以在本步骤中每个构件对应的警戒比值实际上有三个基准方向上的主拉应力比值构成。
S280、根据构件子集内每个构件对应的警戒比值,判断得到构件子集内每个构件是否为易损伤部位。
需要说明的是,由于在申请中,每个构件对应的警戒比值实际上有三个基准方向上的主拉应力比值构成,所以只有一个基准方向的主拉应力比值超过阈值,则判断认为该构件为易损伤部位。同时,还需要说明的是,在本步骤中对于每个部件的判断基础可以是预设一个阈值数据库。该数据库对每个构件在每个基准方向的比值均由一个阈值作为判断的依据。
通过上述细化判断的基础上,本申请细化不同建筑物的受力区别,使得判断更加符合于实际,并且本申请中充分考虑到一个建筑物的承重构件5很难发生破坏,遂以承重构件5的主拉应力作为判断基础,进而判断出建筑物的非承重区域中一些特殊区域(高阶模态响应区域、应力集中区域、刚度突变区域)的主拉应力变化情况。进而准确判断出建筑物易损伤部位。
在本申请公开的实施例中,步骤S300中还包括步骤S310、步骤S220、步骤S230和步骤S240。
S310、根据第一图像信息生成外观三维模型。
S320、根据外观三维模型导出至少四个建筑物核心轮廓点坐标,至少四个核心轮廓点坐标围合而成闭合空间包含建筑物整体;
S330、根据至少四个建筑物核心轮廓点坐标围合的闭合空间进行正方体网格划分,并获取每个正方体网格的中心点坐标;
S340、根据易损伤部位在所有正方体网格的中心点坐标,计算到易损伤部位为对应的正方体网格的中心点坐标;
S350、发送第一控制命令,第一控制命令包括控制无人机执行拍摄的命令,在无人机拍摄过程中,无人机与建筑物保持安全距离,无人机的摄像头与易损伤部位为对应的正方体网格的中心点之间的连线平行与地面。
需要说明说的,无人机的摄像头与易损伤部位为对应的正方体网格的中心点之间的连线平行与地面实现的方式即为通过正方体网格的中心点坐标作为定位基准实现。
举例说明,参见图3,图中示出了四个基准点A(Xa,Ya,Za)、B(Xb,Yb,Zb)、C(Xc,Yc,Zc)和D(Xd,Yd,Zd)构成的易损伤部位所在区域的示意图,并以A、B、C和D四个点构建一个立方体,并进行立方体状的网格划分,即将图3分为九个部分。记中心位置的立方体由H(Xh,Yh,Zh)、G(Xg,Yg,Zg)、F(Xf,Yf,Zf)和E(Xe,Ye,Ze)四个标志点构成,其中心位置的立方体的中心点坐标即为I(Xi,Yi,Zi)。在实际拍摄中,那么无人机的摄像机与I点位于同一直线上,并且该直线与地面平行。若是,I点所在的区域为易损伤部位,并且在I点所在的区域具有既有裂缝(图中深色线条),若是由于隧道的高频振动带来了新生裂缝(图中浅色线条),通过在同一采样点进行采样的方式,能有效降低图像畸变程度,并且能有效将前后两次拍摄的图像之间变形缩小,提升裂缝识别的准确率。
通过上述方式,可以使得后续其图像识别对比起来更简单,并且,为了更进一步提升裂缝识别精度,在本申请中还可以在获取第二图像之前,通过步骤S350的方式获取并更新第一图像信息,通过上述方式可以在后续中减小无人机拍摄畸变问题,提升最后图像识别精度。
在本申请公开的实施例中步骤S400中包括如下内容实现对裂缝的提取。需要说明的是,在实际使用中由于一个建筑物的易损伤部位一般不止一处,可能具有三处及其以上。具体的数量是由建筑物本身结构所决定的。同时为了便于理解,在本申请中步骤S400中包含的步骤S410-S450中数据处理的对象只是一个易损伤部分,对于本领域技术人员可以理解的是,对于多个易损伤部位可以通过多次处理即可完成整个建筑物上多处易损伤部位的新生裂缝识别。
S410、对易损伤部位在第一图像信息和第二图像信息中分别提取得到第四信息,第四信息包括易损伤部位对应爆破前图像和爆破后图像。
可以理解的是,在本步骤中即为通过步骤S300爆破影响模拟得的易损伤部位,在第一信息和第二信息中对应的提取对应图像信息,其中提取的方式为,直接截取易损伤部位的图像信息。
S420、对第四信息进行预处理得到预处理后的第四信息,第四信息包括爆破前灰度图和爆破后灰度图,预处理包括区域增强处理、亮度均匀性处理、灰度处理和高斯去噪处理。
需要说明的,在本步骤中所提及的预处理方式中:区域增强处理中是采用灰度的线性变换方法,通过上述方式可以使得图像中的裂隙区域与背景的差异性增加。同时,在本申请中亮度均匀性处理是通过低帽滤波变换以实现更加突出裂缝。
S430、对预处理后的第四信息进行双阈值重建图像分割方式,得到爆破前裂缝图像和爆破后裂缝图像。
具体而言,在本申请中步骤S430中包括步骤S431、步骤S432、步骤S433、步骤S434和步骤S435。
S431、根据爆破前灰度图中灰度极大值和灰度极小值计算得到递归阈值。
需要说明的是,爆破前灰度图中每个像素均对应一个灰度值,其中灰度极大值即为爆破前灰度图中灰度值最大的值,同理,灰度极小值即为爆破前灰度图中灰度值最小的值。
具体而言,在本步骤中关于递归阈值的计算公式如下:
T=(Fmax+Fmin)/2
其中,T为递归阈值;Fmax为灰度极大值,Fmin为灰度极小值。
S432、像素划分:根据递归阈值逐个将爆破前灰度图中每个像素点分为裂缝像素集内的一个元素或背景像素集内的一个元素。
需要说明的是,本步骤即根据递归阈值将一幅爆破前灰度图中的所有元素进行分类,共计两类一个为裂缝像素另一个是背景像素。同时在本申请中将灰度值等递归阈值的像素点也划为背景像素。
S433、根据所有的裂缝像素集和背景像素集,重新计算并更新递归阈值并重新开始像素划分,直到递归阈值不变。
需要说明的是,在本步骤中关于重新计算递归阈值的公式为:
T=(R1+ R2)/2
其中,T为递归阈值;R1为裂缝像素集内灰度平均值,R2为背景像素集内灰度平均值。
S434、根据递归阈值将爆破前灰度图转化为爆破前二值图像。
在通过上述步骤获得稳定不变的递归阈值之后,再将爆破灰度图转化为爆破前二值图像其更能在图像中凸显裂缝的存在。
S435、对爆破前二值图像进行图像分割得到爆破前裂缝图像。
需要说明的是,在本步骤中为利用bwareaopen图像处理函数,以达到完整提取裂缝图像的目的。
S440、根据爆破前裂缝图像对爆破后裂缝图像进行几何校正,并更新爆破后裂缝图像为几何校正后的图像。
S450、根据爆破前裂缝图像对爆破后裂缝图像提取得到新生裂缝。
在本申请中通过运用无人机贴近建筑物摄影测量。并且通过在三维有限元软件中模拟生成建筑物三维模型,通过在建筑物三维模型中模拟可能出现裂缝的区域,降低了后期数据采集量,有效提升最后裂缝识别效率。同时,在建筑物三维模型的构建过程中,通过在建筑物上布设水平速度传感器,进而得到建筑物本身对应的固有频率以及固有频率对应的阶次,最终通过建筑物本身对应的固有频率以及固有频率对应的阶次调整建筑物三维模型的参数,最终使得建筑物三维模型更加精细化。最终,可以在爆破影响模拟中快速并准确预测出在一次爆破后建筑物的易损伤部位。并且在得到易损伤部位,并对该部位进行爆破施工后进行不间断的拍摄检测,同时无人机贴近摄影技术也解决复杂建筑物和高层建筑物测量难度大的问题。同时,在本申请中也可以先得到易损伤部位,然后再对易损伤部位进行爆破施工前后进行不间断的拍摄检测。
在本申请中通过利用无人机摄影和精准快速识别方法,相较于人工检测,无人机确保了拍摄爆破前后图像位置的准确性,实现了裂缝的持续检查,减少了电脑运算的误差;本算法提取并识别一张爆破新生裂缝图仅需2.330384秒,大大缩减了处理时间,达到精准快速识别的目的,且本发明实现了复杂环境下大区域和密集建筑物群的爆破裂缝快速识别,该发明可以提供爆破施工前后同一部位的裂缝信息,为隧道爆破施工方和建筑物业主因房屋裂缝损伤而产生的纠纷和官司提供了依据,且可以对周边建筑物群的爆破安全做出评价。
实施例2:
如图4所示,本实施例中提供了一种爆破后建筑物新生裂缝识别装置,装置包括:
第一获取单元1,用于获取第一信息,第一信息包括建筑物的第一图像信息和建筑参数信息。
模型建立单元2,用于根据第一信息建立建筑物三维模型,并对建筑物三维模型进行爆破影响模拟得到建筑物的易损伤部位。
第二获取单元3,用于获取第二信息,第二信息包括建筑物的第二图像信息,第二图像信息为在一次爆破后采集到的图像信息,第二图像信息和第一图像信息均由无人机搭载摄像头拍摄得到。
裂缝识别单元4,用于根据第一图像信息和第二图像信息对易损伤部位进行裂缝区域重建提取得到新生裂缝。
在本申请公开的实施例中,模型建立单元2包括:
调用单元21,用于调用预设的三维有限元软件。
模型绘制单元22,用于根据建筑参数信息在三维有限元软件中建立建筑物三维模型。
模态优化单元23,用于对建筑物三维模型进行模态优化,并更新建筑物三维模型为模态优化后的模型。
参数优化单元24,用于对建筑物三维模型进行参数优化,并更新建筑物三维模型为参数优化后的模型。
在本申请公开的实施例中,模态优化单元23包括:
第三获取单元231,用于获取第三信息,第三信息包括至少两个水平速度传感器采集得到的加速度时程曲线,每个水平速度传感器均布设于建筑物上。
数据分析单元232,用于调用预设的分析软件处理第三信息得到建筑物的固有频率、阻尼和振型。
阶次调整单元233,用于根据阻尼和振型调整建筑物三维模型。
在本申请公开的实施例中,参数优化单元24包括:
测试单元241,用于对建筑物三维模型中每个参数分别进行调整得到频率差集,参数包括物理参数或力学参数,频率差集包括建筑物三维模型在每次调整后对应的模拟固有频率差,模拟固有频率差为建筑物三维模型在参数改变前对应的模拟固有频率与建筑物三维模型在参数改变后对应的模拟固有频率之差,模拟固有频率为建筑物三维模型对应的固有频率。
参数调整单元242,用于调整建筑物三维模型中的敏感参数,直到建筑物三维模型对应的模拟固有频率与建筑物的固有频率之差最小,将调整敏感参数之后的建筑物三维模型作为优化后的建筑物三维模型,敏感参数为频率差集中最大值对应的参数,建筑物的固有频率由水平速度传感器采集的数据进行分析得到。
在本申请公开的实施例中,模型建立单元2还包括:
模拟单元25,用于对建筑物三维模型进行隧道爆破下的建筑物应力模拟得到第二信息,第二信息包括建筑物三维模型在爆破影响下的应力分布。
第一提取单元26,用于根据预设的构件组在第二信息中提取到第三信息,第三信息包括预设的构件组中每个元素对应的应力,预设的构件组中包括构件子集和承重构件5,构件子集包括高阶模态响应构件集、应力集中构件集、刚度突变构件集。
第三计算单元27,用于根据第三信息计算得到构件子集内每个构件对应的警戒比值,警戒比值为第一构件对应的应力与承重 构件对应的应力比值,其中,第一构件为构件子集内的一个构件。
第一逻辑单元28,用于根据构件子集内每个构件对应的警戒比值,判断得到构件子集内每个构件是否为易损伤部位。
在本申请公开的实施例中,第二获取单元3包括:
外观绘制单元31,用于根据第一图像信息生成外观三维模型。
数据导出单元32,用于根据外观三维模型导出至少四个建筑物核心轮廓点坐标,至少四个核心轮廓点坐标围合而成闭合空间包含建筑物整体;
网格划分单元33,用于根据至少四个建筑物核心轮廓点坐标围合的闭合空间进行正方体网格划分,并获取每个正方体网格的中心点坐标;
第四计算单元34,用于根据易损伤部位在所有正方体网格的中心点坐标,计算到易损伤部位为对应的正方体网格的中心点坐标;
命令发送单元35,用于发送第一控制命令,第一控制命令包括控制无人机执行拍摄的命令,在无人机拍摄过程中,无人机与建筑物保持安全距离,无人机的摄像头与易损伤部位为对应的正方体网格的中心点之间的连线平行与地面。
在本申请公开的实施例中,裂缝识别单元4包括:
图像提取单元41,用于对易损伤部位在第一图像信息和第二图像信息中分别提取得到第四信息,第四信息包括易损伤部位对应爆破前图像和爆破后图像。
预处理单元42,用于对第四信息进行预处理得到预处理后的第四信息,第四信息包括爆破前灰度图和爆破后灰度图,预处理包括区域增强处理、亮度均匀性处理、灰度处理和高斯去噪处理。
图像重建单元43,用于对预处理后的第四信息进行双阈值重建图像分割方式,得到爆破前裂缝图像和爆破后裂缝图像。
图像校正单元44,用于根据爆破前裂缝图像对爆破后裂缝图像进行几何校正,并更新爆破后裂缝图像为几何校正后的图像。
裂缝提取单元45,用于根据爆破前裂缝图像对爆破后裂缝图像提取得到新生裂缝。
在本申请公开的实施例中,图像重建单元43包括:
第一计算单元431,用于根据爆破前灰度图中灰度极大值和灰度极小值计算得到递归阈值。
像素分类单元432,用于像素划分:根据递归阈值逐个将爆破前灰度图中每个像素点分为裂缝像素或背景像素。
第二计算单元433,用于根据所有的裂缝像素和背景像素,重新计算更新递归阈值并重新开始像素划分,直到递归阈值不变。
图像转化单元434,用于根据递归阈值将爆破前灰度图转化为爆破前二值图像。
分割单元435,用于对爆破前二值图像进行图像分割得到爆破前裂缝图像。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种爆破后建筑物新生裂缝识别设备,下文描述的一种爆破后建筑物新生裂缝识别设备与上文描述的一种爆破后建筑物新生裂缝识别方法可相互对应参照。
图5是根据示例性实施例示出的一种爆破后建筑物新生裂缝识别设备800的框图。如图5所示,该爆破后建筑物新生裂缝识别设备800可以包括:处理器801,存储器802。该爆破后建筑物新生裂缝识别设备800还可以包括多媒体组件803, I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该爆破后建筑物新生裂缝识别设备800的整体操作,以完成上述的爆破后建筑物新生裂缝识别方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该爆破后建筑物新生裂缝识别设备800的操作,这些数据例如可以包括用于在该爆破后建筑物新生裂缝识别设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该爆破后建筑物新生裂缝识别设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,爆破后建筑物新生裂缝识别设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital SignalProcessing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的爆破后建筑物新生裂缝识别方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的爆破后建筑物新生裂缝识别方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由爆破后建筑物新生裂缝识别设备800的处理器801执行以完成上述的爆破后建筑物新生裂缝识别方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种爆破后建筑物新生裂缝识别方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的爆破后建筑物新生裂缝识别方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种爆破后建筑物新生裂缝识别方法,其特征在于,包括:
获取第一信息,所述第一信息包括建筑物的第一图像信息和建筑参数信息;
根据所述第一信息建立建筑物三维模型,并对所述建筑物三维模型进行爆破影响模拟得到所述建筑物的易损伤部位;
获取第二信息,所述第二信息包括建筑物的第二图像信息,所述第二图像信息为在一次爆破后采集到的图像信息,所述第二图像信息和所述第一图像信息均由无人机搭载摄像头拍摄得到;
根据所述第一图像信息和所述第二图像信息对所述易损伤部位进行裂缝区域重建提取得到新生裂缝。
2.根据权利要求1所述的爆破后建筑物新生裂缝识别方法,其特征在于,根据所述第一信息建立建筑物三维模型,包括:
调用预设的三维有限元软件;
根据建筑参数信息在所述三维有限元软件中建立所述建筑物三维模型;
对所述建筑物三维模型进行模态优化,并更新所述建筑物三维模型为模态优化后的模型;
对所述建筑物三维模型进行参数优化,并更新所述建筑物三维模型为参数优化后的模型。
3.根据权利要求1所述的爆破后建筑物新生裂缝识别方法,其特征在于,根据所述第一图像信息和所述第二图像信息对所述易损伤部位进行裂缝区域重建提取得到新生裂缝,包括:
对所述易损伤部位在所述第一图像信息和所述第二图像信息中分别提取得到第四信息,所述第四信息包括所述易损伤部位对应爆破前图像和爆破后图像;
对所述第四信息进行预处理得到预处理后的所述第四信息,所述第四信息包括爆破前灰度图和爆破后灰度图,所述预处理包括区域增强处理、亮度均匀性处理、灰度处理和高斯去噪处理;
对预处理后的所述第四信息进行双阈值重建图像分割方式,得到爆破前裂缝图像和爆破后裂缝图像;
根据所述爆破前裂缝图像对所述爆破后裂缝图像进行几何校正,并更新所述爆破后裂缝图像为几何校正后的图像;
根据所述爆破前裂缝图像对所述爆破后裂缝图像提取得到新生裂缝。
4.根据权利要求3所述的爆破后建筑物新生裂缝识别方法,其特征在于,对预处理后的所述第四信息进行双阈值重建图像分割方式,得到爆破前裂缝图像和爆破后裂缝图像,包括:
根据所述爆破前灰度图中灰度极大值和灰度极小值计算得到递归阈值;
像素划分:根据所述递归阈值逐个将所述爆破前灰度图中每个像素点分为裂缝像素集内的一个元素或背景像素集内的一个元素;
根据所有的所述裂缝像素和所述背景像素,重新计算更新所述递归阈值并重新开始像素划分,直到所述递归阈值不变;
根据所述递归阈值将所述爆破前灰度图转化为所述爆破前二值图像;
对所述爆破前二值图像进行图像分割得到所述爆破前裂缝图像。
5.一种爆破后建筑物新生裂缝识别装置,其特征在于,包括:
第一获取单元,用于获取第一信息,所述第一信息包括建筑物的第一图像信息和建筑参数信息;
模型建立单元,用于根据所述第一信息建立建筑物三维模型,并对所述建筑物三维模型进行爆破影响模拟得到所述建筑物的易损伤部位;
第二获取单元,用于获取第二信息,所述第二信息包括建筑物的第二图像信息,所述第二图像信息为在一次爆破后采集到的图像信息,所述第二图像信息和所述第一图像信息均由无人机搭载摄像头拍摄得到;
裂缝识别单元,用于根据所述第一图像信息和所述第二图像信息对所述易损伤部位进行裂缝区域重建提取得到新生裂缝。
6.根据权利要求5所述的爆破后建筑物新生裂缝识别装置,其特征在于,所述模型建立单元包括:
调用单元,用于调用预设的三维有限元软件;
模型绘制单元,用于根据建筑参数信息在所述三维有限元软件中建立所述建筑物三维模型;
模态优化单元,用于对所述建筑物三维模型进行模态优化,并更新所述建筑物三维模型为模态优化后的模型;
参数优化单元,用于对所述建筑物三维模型进行参数优化,并更新所述建筑物三维模型为参数优化后的模型。
7.根据权利要求5所述的爆破后建筑物新生裂缝识别装置,其特征在于,所述裂缝识别单元包括:
图像提取单元,用于对所述易损伤部位在所述第一图像信息和所述第二图像信息中分别提取得到第四信息,所述第四信息包括所述易损伤部位对应爆破前图像和爆破后图像;
预处理单元,用于对所述第四信息进行预处理得到预处理后的所述第四信息,所述第四信息包括爆破前灰度图和爆破后灰度图,所述预处理包括区域增强处理、亮度均匀性处理、灰度处理和高斯去噪处理;
图像重建单元,用于对预处理后的所述第四信息进行双阈值重建图像分割方式,得到爆破前裂缝图像和爆破后裂缝图像;
图像校正单元,用于根据所述爆破前裂缝图像对所述爆破后裂缝图像进行几何校正,并更新所述爆破后裂缝图像为几何校正后的图像;
裂缝提取单元,用于根据所述爆破前裂缝图像对所述爆破后裂缝图像提取得到新生裂缝。
8.根据权利要求7所述的爆破后建筑物新生裂缝识别装置,其特征在于,所述图像重建单元包括:
第一计算单元,用于根据所述爆破前灰度图中灰度极大值和灰度极小值计算得到递归阈值;
像素分类单元,用于像素划分:根据所述递归阈值逐个将所述爆破前灰度图中每个像素点分为裂缝像素或背景像素;
第二计算单元,用于根据所有的所述裂缝像素和所述背景像素,重新计算更新所述递归阈值并重新开始像素划分,直到所述递归阈值不变;
图像转化单元,用于根据所述递归阈值将所述爆破前灰度图转化为所述爆破前二值图像;
分割单元,用于对所述爆破前二值图像进行图像分割得到所述爆破前裂缝图像。
9.一种爆破后建筑物新生裂缝识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述爆破后建筑物新生裂缝识别方法的步骤。
10.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述爆破后建筑物新生裂缝识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694220.3A CN114782845B (zh) | 2022-06-20 | 2022-06-20 | 爆破后建筑物新生裂缝识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694220.3A CN114782845B (zh) | 2022-06-20 | 2022-06-20 | 爆破后建筑物新生裂缝识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114782845A true CN114782845A (zh) | 2022-07-22 |
CN114782845B CN114782845B (zh) | 2022-09-02 |
Family
ID=82420542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210694220.3A Active CN114782845B (zh) | 2022-06-20 | 2022-06-20 | 爆破后建筑物新生裂缝识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782845B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796453A (zh) * | 2023-04-18 | 2023-09-22 | 江汉大学 | 一种减振孔设计方法、装置、设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110077918A1 (en) * | 2009-09-25 | 2011-03-31 | Ovunc Mutlu | Method of Predicting Natural Fractures And Damage In A Subsurface Region |
CN110163842A (zh) * | 2019-04-15 | 2019-08-23 | 深圳高速工程检测有限公司 | 建筑裂缝检测方法、装置、计算机设备和存储介质 |
CN110207592A (zh) * | 2019-04-15 | 2019-09-06 | 深圳高速工程检测有限公司 | 建筑裂缝测量方法、装置、计算机设备和存储介质 |
CN110533649A (zh) * | 2019-08-28 | 2019-12-03 | 上海市建筑科学研究院 | 一种无人机通用结构裂缝识别检测装置及方法 |
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN113160211A (zh) * | 2021-05-11 | 2021-07-23 | 国投工程检验检测有限公司 | 基于无人机平台的建筑物损伤判读系统 |
CN113252700A (zh) * | 2021-07-01 | 2021-08-13 | 湖南大学 | 一种结构裂缝检测方法、设备及系统 |
-
2022
- 2022-06-20 CN CN202210694220.3A patent/CN114782845B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110077918A1 (en) * | 2009-09-25 | 2011-03-31 | Ovunc Mutlu | Method of Predicting Natural Fractures And Damage In A Subsurface Region |
CN110163842A (zh) * | 2019-04-15 | 2019-08-23 | 深圳高速工程检测有限公司 | 建筑裂缝检测方法、装置、计算机设备和存储介质 |
CN110207592A (zh) * | 2019-04-15 | 2019-09-06 | 深圳高速工程检测有限公司 | 建筑裂缝测量方法、装置、计算机设备和存储介质 |
CN110533649A (zh) * | 2019-08-28 | 2019-12-03 | 上海市建筑科学研究院 | 一种无人机通用结构裂缝识别检测装置及方法 |
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN113160211A (zh) * | 2021-05-11 | 2021-07-23 | 国投工程检验检测有限公司 | 基于无人机平台的建筑物损伤判读系统 |
CN113252700A (zh) * | 2021-07-01 | 2021-08-13 | 湖南大学 | 一种结构裂缝检测方法、设备及系统 |
Non-Patent Citations (3)
Title |
---|
张昊龙: "移动机器人图像处理关键技术研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
杨建强: "基于无人机影像的建筑三维模型重建方法研究", 《城市道桥与防洪》 * |
管晓明: "隧道爆破作用下砌体结构动力反应及控制研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796453A (zh) * | 2023-04-18 | 2023-09-22 | 江汉大学 | 一种减振孔设计方法、装置、设备及可读存储介质 |
CN116796453B (zh) * | 2023-04-18 | 2024-03-08 | 江汉大学 | 一种减振孔设计方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114782845B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102166458B1 (ko) | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 | |
CN110659582A (zh) | 图像转换模型训练方法、异质人脸识别方法、装置及设备 | |
US20080195330A1 (en) | Concrete Structure Crack Inspection Device and Crack Inspection Method | |
CN115631418B (zh) | 图像处理方法及装置、神经辐射场的训练方法 | |
KR102346676B1 (ko) | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 | |
CN113066086A (zh) | 道路病害检测方法及装置、电子设备和存储介质 | |
CN114782845B (zh) | 爆破后建筑物新生裂缝识别方法、装置、设备及介质 | |
CN111986250A (zh) | 物体体积测量方法、装置、测量设备及存储介质 | |
CN115546502A (zh) | 一种基于YOLOv4多尺度特征融合的红外小目标检测方法 | |
CN113516113A (zh) | 一种图像内容识别方法、装置、设备及存储介质 | |
CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
CN113420109B (zh) | 一种街道界面渗透率的测量方法、计算机及存储介质 | |
CN114565722A (zh) | 一种三维模型单体化实现方法 | |
CN111583417B (zh) | 一种图像语义和场景几何联合约束的室内vr场景构建的方法、装置、电子设备和介质 | |
CN115861816B (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
CN117078878A (zh) | 一种三维隧道岩体结构精细模型建立方法及系统 | |
JP2021183774A (ja) | 切羽評価システム、切羽評価学習システム、切羽評価方法、切羽評価学習方法、コンピュータプログラム | |
JP2019046416A (ja) | 家屋異動推定装置、家屋異動学習装置、家屋異動推定方法、識別器のパラメータ生成方法及びプログラム | |
CN114371504A (zh) | 一种地震震中位置确定方法、装置、设备及可读存储介质 | |
CN115908163B (zh) | 空洞修复方法、装置和存储介质 | |
Kottke et al. | Terrestrial laser scanning: imaging, quantifying, and monitoring microscale surface deterioration of stone at heritage sites | |
KR100917755B1 (ko) | 가상 객체의 물리적 특성 변경 장치 및 방법 | |
TWI766376B (zh) | 鋼筋框架自動查驗系統、電腦可讀取儲存裝置及其運作方法 | |
CN114419080B (zh) | 一种幕墙巡检系统和方法 | |
CN116759009B (zh) | 通过机器学习匹配天气型的臭氧预报方法、系统、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 |