CN114812983A - 一种基于激光阵列的桥梁裂缝测量方法、装置及设备 - Google Patents

一种基于激光阵列的桥梁裂缝测量方法、装置及设备 Download PDF

Info

Publication number
CN114812983A
CN114812983A CN202210331307.4A CN202210331307A CN114812983A CN 114812983 A CN114812983 A CN 114812983A CN 202210331307 A CN202210331307 A CN 202210331307A CN 114812983 A CN114812983 A CN 114812983A
Authority
CN
China
Prior art keywords
bridge
crack
module
target
image
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
Application number
CN202210331307.4A
Other languages
English (en)
Inventor
吴德成
程隆奇
刘声
余猛
杨丽
李锐
李渝
苏因镭
王宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210331307.4A priority Critical patent/CN114812983A/zh
Publication of CN114812983A publication Critical patent/CN114812983A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
    • 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
    • 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
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供一种基于激光阵列的桥梁裂缝测量方法、装置及设备，通过采用搭载相机和激光发射器的无人机进行损伤拍摄，并通过激光阵列快速采集桥梁表面的损伤数据，建立激光投影点空间坐标，再结合微元法实现曲面与直面映射关系的换算获得初始图像，利用深度学习分割算法获得初始图像的目标二值图，最后使用裂缝像素与全部像素的比例计算和Z型步进骨架线法精确获得实际裂缝的面积、长度和宽度，该方法解决了倾角采集图像数据的情况下，曲面裂缝快速、精确测量的问题，可实现桥梁平面和曲面的裂缝测量，同时采用的是无人机非接触式测量，可广泛应用于其他领域的测量工程，且本发明仅采用搭载相机和激光传感器的无人机即可实现，整体成本较低。

Description

一种基于激光阵列的桥梁裂缝测量方法、装置及设备
技术领域
本发明涉及桥梁测量技术领域，具体涉及一种基于激光阵列的桥梁裂缝测量方法、装置及设备。
背景技术
传统的桥梁裂缝检测方法以人工检测为主，针对背景和裂缝的区别明显的环境下可实现有效检测。但当涉及到背景或缺乏检测条件时，检测裂缝的效率将会明显下降。并且在测量建筑物、桥梁或隧道等存在安全隐患的结构时，测量人员的安全也可能受到威胁。因此，采用人工检测具有很大的局限性，无法实时、精准、快速的检测出桥梁的表面裂缝，从而影响对各类桥梁设施的维护。为了提高检测效率，减少局限性，出现了半自动化方式的裂缝检测车，然而采用半自动化方式的裂缝检测车进行实地测量也只能针对路面或桥梁等简单环境进行测量，涉及到隧道壁面或者桥梁高墩等特殊环境时则无法实现检测，且裂缝检测车价格昂贵，检测成本过高。
因此，行业内出现了新的无人机进行桥梁裂缝测量的技术，解决了裂缝检测车高成本、单一检测环境的问题。但是采用无人机进行桥梁裂缝测量，其摄像头采集的损伤图像，从图像难以获知真实损伤尺寸大小，尤其是桥墩和桥拱的病害。由于桥墩桥拱主要物理模型为圆柱体，图像数据只能显示其平面投影状态，不能反应出其三维损伤性质。并且，损伤图像采集很难获取正向垂直拍摄角度，采集的图像多为倾斜角度病害图像，从图像上分析计算实际病害大小程度一般存在较大偏角误差，所造成数据的巨大误差问题将导致评估人员对桥梁病害发展动向的误判，将对交通安全和人民生命财产造成严重威胁。
综上所述，现有的桥梁裂缝测量技术中，存在着损伤尺寸大小难确定和拍摄角度导致误差的问题，从而导致检测结果精确度低的状况。
发明内容
针对现有技术存在的不足，本发明提出一种基于激光阵列的桥梁裂缝测量方法、装置及设备，以解决现有技术中损伤尺寸大小难确定和拍摄角度导致误差的技术问题。
一种基于激光阵列的桥梁裂缝测量方法，所述方法包括：S1设置搭载有相机的无人机进行近距离环绕桥梁飞行，所述无人机上设有五个激光传感器；S2采用所述相机对桥梁损伤处进行图像拍摄，同时五个所述激光传感器均从O点发射激光到所述桥梁损伤处形成五个的投影点，五个所述投影点构成N字型激光阵列；S3根据所述N字型激光阵列，以所述O点为原点，建立五个所述投影点的坐标；S4将所述坐标代入预设的曲线函数中，得到目标曲线函数；S5采用微元法对所述目标曲线函数进行坐标换算，得到像素点坐标，并对所述像素点坐标进行线性插值补充，得到初始图像；S6根据所述N字型激光阵列，计算所述初始图像的左右高度；S7采用基于深度学习的分割算法对所述初始图像进行处理，得到目标二值图；S8基于所述目标二值图，获取所述目标二值图中的桥梁裂缝像素集合和所述目标二值图的全部像素集合，并根据所述像素点坐标和所述左右高度计算桥梁裂缝的面积；S9根据Z型步进骨架线法计算所述桥梁裂缝的目标长度，并获取所述桥梁裂缝的目标宽度。
在其中一个实施例中，所述步骤S1中的所述无人机在飞行时，与所述桥梁保持至少0.3米的安全距离。
在其中一个实施例中，所述步骤S3具体为：根据所述N字型激光阵列，获取五个所述投影点与所述O点的距离数据，和五个所述激光传感器的角度数据；设置以所述O点为原点的空间坐标系，根据所述距离数据和所述角度数据建立五个所述投影点的坐标。
在其中一个实施例中，步骤S4中所述预设的曲线函数具体为：
x2+k1xy+k2y2+k3x+k4y+k5＝0
其中：k1、k2、k3、k4、k5为曲线方程系数。
在其中一个实施例中，步骤S5中的所述微元法采用的公式具体为：
Figure BDA0003575334990000031
其中，n为弧FM在x轴上投影的像素长度，Δxi为曲线函数在x轴上第i个单位像素差长度，Δyi为曲线函数在y轴上与Δxi对应的第i个单位的像素差长度，ln为弧FM的像素弧长，由像素弧长即得所求的像素点坐标。
在其中一个实施例中，所述步骤S9具体为：
S901确定所述桥梁裂缝的边缘，利用法向量估计将所述边缘分为Q边、P边，在Q边取一点
Figure BDA0003575334990000032
并在P边搜索离Q0最近一点
Figure BDA0003575334990000033
计算其欧式距离I(Q0,P0)，并获取其两点间中点坐标I0，计算公式如下：
Figure BDA0003575334990000034
Figure BDA0003575334990000035
S902设ΔI为步长，Q0通过搜索P边上距离等于步长的两个点
Figure BDA0003575334990000036
ΔI的计算公式为：
ΔIi＝δI(Qi-1,Pi-1)
其中，δ为步长因子；
S903在Q边搜索距离P1+、P1-最近的两个点
Figure BDA0003575334990000037
Figure BDA0003575334990000038
计算其欧式距离I(Q1±,P1±)，并获取其两点间中点坐标I1±，计算公式如下：
Figure BDA0003575334990000039
Figure BDA00035753349900000310
S904使用与步骤S902和步骤S903中同类公式，Q1+、Q1-通过搜索P边上距离等于步长的两个点
Figure BDA00035753349900000311
在Q边搜索距离P2+、P2-最近的两个点
Figure BDA00035753349900000312
计算其欧式距离I(Q2±,P2±)，并获取其两点间中点坐标I2±；
S905重复步骤S904，依次计算所有的I(Qi±,Pi±)、Ii±，并连接所有中点Ii±形成连接线I，所述连接线I即为所述桥梁裂缝的骨架线，所述骨架线的长度即为所述桥梁裂缝的目标长度；
S906计算所述桥梁裂缝的平均宽度
Figure BDA0003575334990000041
具体公式如下：
Figure BDA0003575334990000042
其中，I(Qi±,Pi±)为第i个P、Q的欧氏距离，所述平均宽度
Figure BDA0003575334990000043
即为所述桥梁裂缝的目标宽度。
在其中一个实施例中，所述步骤S9之后，还包括：定期对所述桥梁裂缝进行测量，绘制裂缝趋势图；根据所述裂缝趋势图，分析和预测桥梁裂缝的变化趋势。
一种基于激光阵列的桥梁裂缝测量装置，包括无人机搭建模块、桥梁拍摄模块、坐标建立模块、函数构建模块、图像构建模块、高度计算模块、图像处理模块、裂缝面积计算模块和裂缝长宽计算模块，其中：所述无人机搭建模块用于，设置搭载有相机的无人机进行近距离环绕桥梁飞行，所述无人机上设有五个激光传感器；所述桥梁拍摄模块用于，采用所述相机对桥梁损伤处进行图像拍摄，同时五个所述激光传感器均从O点发射激光到所述桥梁损伤处形成五个的投影点，五个所述投影点构成N字型激光阵列；所述坐标建立模块用于，根据所述N字型激光阵列，以所述O点为原点，建立五个所述投影点的坐标；所述函数构建模块用于，将所述坐标代入预设的曲线函数中，得到目标曲线函数；所述图像构建模块用于，采用微元法对所述目标曲线函数进行坐标换算，得到像素点坐标，并对所述像素点坐标进行线性插值补充，得到初始图像；所述高度计算模块用于，根据所述N字型激光阵列，计算所述初始图像的左右高度；所述图像处理模块用于，采用基于深度学习的分割算法对所述初始图像进行处理，得到目标二值图；所述裂缝面积计算模块用于，基于所述目标二值图，获取所述目标二值图中的桥梁裂缝像素集合和所述目标二值图的全部像素集合，并根据所述像素点坐标和所述左右高度计算桥梁裂缝的面积；所述裂缝长宽计算模块用于，根据Z型步进骨架线法计算所述桥梁裂缝的目标长度，并获取所述桥梁裂缝的目标宽度。
在其中一个实施例中，所述装置还包括裂缝分析模块，所述裂缝分析模块包括趋势绘制单元和趋势分析单元，其中：所述趋势绘制单元用于，定期对所述桥梁裂缝进行测量，绘制裂缝趋势图；所述趋势分析单元用于，根据所述裂缝趋势图，分析和预测桥梁裂缝的变化趋势。
一种设备，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，所述处理器执行所述程序时实现上述各个实施例中所述的一种基于激光阵列的桥梁裂缝测量方法的步骤。
由上述技术一种基于激光阵列的桥梁裂缝测量方法、装置及设备可知，本发明的有益技术效果如下：
本发明采用搭载相机和激光发射器的无人机进行损伤拍摄，并通过激光阵列快速采集桥梁表面的损伤数据，建立激光投影点空间坐标，并结合微元法实现曲面与直面映射关系的换算获得初始图像，利用深度学习分割算法获得初始图像的目标二值图，最后基于目标二值图，使用裂缝像素与全部像素的比例计算和Z型步进骨架线法精确获得实际裂缝的面积、长度和宽度，该方法解决了倾角采集图像数据的情况下，曲面裂缝快速、精确测量的问题，可实现桥梁平面和曲面的裂缝测量，同时采用的是无人机非接触式测量，可广泛应用于其他领域的测量工程，且本发明仅采用搭载相机和激光传感器的无人机即可实现，整体成本较低。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例提供的一种基于激光点阵的桥梁裂缝测量方法的流程图；
图2为本发明实施例提供的一种基于激光阵列的桥梁裂缝测量方法在桥墩上的工作示意图；
图3为本发明实施例提供的一种基于激光阵列的桥梁裂缝测量方法在桥拱上的工作示意图；
图4为本发明实施例提供的N字型激光阵列示意图；
图5为图2中裂缝测量部分的正视图；
图6为图2中裂缝测量部分的左视图；
图7为图2中裂缝测量部分的俯视图；
图8是本发明实施例提供的目标曲线函数进行坐标换算的原理图；
图9是本发明实施例提供的Z型步进骨架线法示意图；
图10本发明实施例提供的一种基于激光阵列的桥梁裂缝测量装置的结构框图；
图11是本发明实施例提供的设备的内部结构图。
附图标记：
1-无人机，2-桥墩，3-桥拱。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
在一个实施例中，如图1所示，提供了一种基于激光点阵的桥梁裂缝测量方法，包括以下步骤：
S1设置搭载有相机的无人机进行近距离环绕桥梁飞行，无人机上设有五个激光传感器；S2采用相机对桥梁损伤处进行图像拍摄，同时五个激光传感器均从O点发射激光到桥梁损伤处形成五个的投影点，五个投影点构成N字型激光阵列；S3根据N字型激光阵列，以O点为原点，建立五个投影点的坐标；S4将坐标代入预设的曲线函数中，得到目标曲线函数；S5采用微元法对目标曲线函数进行坐标换算，得到像素点坐标，并对像素点坐标进行线性插值补充，得到初始图像；S6根据N字型激光阵列，计算初始图像的左右高度；S7采用基于深度学习的分割算法对初始图像进行处理，得到目标二值图；S8基于目标二值图，获取目标二值图中的桥梁裂缝像素集合和目标二值图的全部像素集合，并根据像素点坐标和左右高度计算桥梁裂缝的面积；S9根据Z型步进骨架线法计算桥梁裂缝的目标长度，并获取桥梁裂缝的目标宽度。
具体地，无人机正前方设置有旋转平板，相机搭载在该旋转平台上，搭载相机为高清无畸变摄像头，搭载的相机用于拍摄桥梁表面损伤，同时在无人机的旋转平台上设置有5个激光传感器，5个激光传感器设置在高清无畸变摄像头的正上方，该激光传感器用于发射激光，使用相机对桥梁损伤处进行图像拍摄的同时，五个激光传感器均从O点发射激光，激光到达桥梁损伤处形成五个的投影点，五个投影点构成N字型激光阵列，然后根据N字型激光阵列，以O点为原点，建立五个投影点的坐标。
然而桥梁的裂缝会因为桥梁表面不同，分为桥墩和桥拱两种表面，针对桥墩和桥拱检测工作示意图如图2-图3所示，其中图2是桥墩裂缝检测工作示意图，其中无人机上设置有旋转平台，旋转平台上搭载高清无畸变摄像头(即相机)和五个激光传感器组成的阵列，五个激光传感器均从O点发出激光，激光到达桥梁表面，形成N字型分布的五个投影点A、B、C、D、E，摄像头拍摄的视野中存在五个投影点和裂缝损伤；设O点为原点建立空间直角坐标系，z轴沿铅垂线的反方向(竖直向上)，y轴在x-O-y平面中并沿摄像头视野中心线指向正前方，x轴与y-O-z平面垂直。而图3则是桥拱裂缝检测工作示意图，同样是设O点为原点建立空间直角坐标系，y轴沿铅垂线的反方向(竖直向上)，z轴在过O点的水平面中并沿摄像头视野中心线反方向，x轴与y-O-z平面垂直。
如图4所示，相机拍摄损伤图像的同时，激光阵列的五个激光传感器从O点发出激光到损伤处，形成N字型分布，采集五个激光传感器到损伤处的距离LOA、LOB、LOC、LOD、LOE，以图2中的检测为例，如图5-图7所示，图5是图2裂缝测量部分的正视图，其中存在过O点垂直于铅垂线的水平面，五个投影点A、B、C、D、E沿铅垂线的反方向(竖直向上)在此水平面的投影点为A′、B′、C′、D′、E′五个点。图6是图2裂缝测量部分的左视图，其中O点与投影点A连线构成线段OA，设定线段OA与铅垂线的夹角为αA；同理设，线段OB与铅垂线的夹角为αB，线段OC与铅垂线的夹角为αC，线段OD与铅垂线的夹角为αD，线段OE与铅垂线的夹角为αE；线段OA的长度为LOA、线段OB的长度为LOB、线段OC的长度为LOC、线段OD的长度为LOD、线段OE的长度为LOE。图7是裂缝测量部分的俯视图，其中O点与投影点A′连线构成线段OA′，设定线段OA′与y轴的夹角为θA；同理设，线段OB′与y轴的夹角为θB，线段OD′与y轴的夹角为θD，线段OE′与y轴的夹角为θE；线段OA′长度为LOAsinαA，线段OA′长度为LOBsinαB，线段OA′长度为LOCsinαC，线段OA′长度为LODsinαD，线段OE′长度为LOEsinαE。即可计算投影点矩阵，即计算五个投影点A′、B′、C′、D′、E′的坐标，并构建左边矩阵，具体公式如下：
Figure BDA0003575334990000081
因为现有桥墩桥拱的曲面曲线方程基本符合二次曲线的特性，故设具体的曲线方程如下：
x2+k1xy+k2y2+k3x+k4y+k5＝0
其中：k1、k2、k3、k4、k5为曲线方程系数，将5个投影点A′、B′、C′、D′、E′的x、y坐标代入曲线函数，就可以得到目标曲线函数。再通过微元法对目标曲线函数进行坐标换算，如图8所示，首先已知曲面半径，计算采集的图像实际的宽度W，采用微元法思想来解决曲线与直线映射关系的坐标换算，映射关系为曲线上弧FM在x轴上投影的像素长度与弧FM的像素弧长所对应的关系，具体公式如下：
Figure BDA0003575334990000091
其中，n为弧FM在x轴上投影的像素长度，Δxi为曲线函数在x轴上第i个单位像素差长度，Δyi为曲线函数在y轴上与Δxi对应的第i个单位的像素差长度，ln为弧FM的像素弧长，由像素弧长即得所求的像素点坐标。通过ln与曲线函数所有x坐标的换算关系，得到宽度W的图像，再通过线性插值将图像数据补充完整，得到换算后的图像，即为初始图像，初始图像的宽度依然为宽度W；
其次计算初始图像的左右高度，计算公式如下：
Figure BDA0003575334990000092
其中，HL、HR为图像左高度、右高度，其中左高度为A、B两个投影点的铅垂高度，右高度为D、E两个投影点的铅垂高度，计算两个高度数据，是为减小换算后图像左右不对称的误差，换算后的图像宽度不变，仍为宽度W。
利用已训练好的基于深度学习的分割算法对换算后的图像(即初始图像)进行处理，现有的基于深度学习的分割算法有Vision Transformer、FCN、SegNet、U-Net、DilatedConvolutions、DeepLab(v1&v2)、RefineNet、PSPNet、Large Kernel Matters、DeepLab v3等类型，这里采用的分割算法为这些分割算法中的一种。获取换算后的二值图像(即目标二值图)，目标二值图的宽度不变，仍为宽度W，利用目标二值图，通过像素和比例计算裂缝面积，具体公式如下：
Figure BDA0003575334990000101
其中，S为裂缝面积，
Figure BDA0003575334990000102
为换算过后的二值图像中裂缝像素集合，Φ为换算过后换算后的目标二值图像中全部像素集合，W为换算后图像的宽度。
根据上述公式计算得到桥梁裂缝的面积。基于上述目标二值图，如图9所示，通过寻找边缘获取裂缝边缘，再利用法向量估计将边缘分为Q边、P边，在Q边取一点
Figure BDA0003575334990000103
并在P边搜索离Q0最近一点
Figure BDA0003575334990000104
计算其欧式距离I(Q0,P0)，并获取其两点间中点坐标I0，计算公式如下：
Figure BDA0003575334990000105
Figure BDA0003575334990000106
设ΔI为步长，Q0通过搜索P边上距离等于步长的两个点
Figure BDA0003575334990000107
Figure BDA0003575334990000108
ΔI的计算公式为：
ΔIi＝δI(Qi-1,Pi-1)
其中，δ为步长因子；
然后在Q边搜索距离P1+、P1-最近的两个点
Figure BDA0003575334990000109
Figure BDA00035753349900001010
计算其欧式距离I(Q1±,P1±)，并获取其两点间中点坐标I1±，计算公式如下：
Figure BDA00035753349900001011
Figure BDA00035753349900001012
使用与上述步骤中同类公式，Q1+、Q1-通过搜索P边上距离等于步长的两个点
Figure BDA00035753349900001013
在Q边搜索距离P2+、P2-最近的两个点
Figure BDA00035753349900001014
计算其欧式距离I(Q2±,P2±)，并获取其两点间中点坐标I2±；
再根据上述计算方法，依次计算所有的I(Qi±,Pi±)、Ii±，并连接所有中点Ii±形成连接线I，连接线I即为桥梁裂缝的骨架线，骨架线的长度即为桥梁裂缝的目标长度；
进一步计算桥梁裂缝的平均宽度
Figure BDA0003575334990000111
具体公式如下：
Figure BDA0003575334990000112
其中，I(Qi±,Pi±)为第i个P、Q的欧氏距离，平均宽度
Figure BDA0003575334990000113
即为桥梁裂缝的目标宽度。
最终得到桥梁裂缝的面积、目标长度和目标宽度，实现对桥梁裂缝的测量。Z型步进骨架线法关键是设置了步长因子，调整步长因子，可改变裂缝长度的计算精度，通过设置合适的步长因子实现运算速度和精度的有效平衡。
上述实施例中，通过激光阵列快速采集桥梁表面的损伤数据，建立激光投影点空间坐标，并结合微元法实现曲面与直面映射关系的换算获得初始图像，利用深度学习分割算法获得初始图像的目标二值图，最后基于目标二值图，使用裂缝像素与全部像素的比例计算和Z型步进骨架线法精确获得实际裂缝的面积、长度和宽度，该方法解决了倾角采集图像数据的情况下，曲面裂缝快速、精确测量的问题，可实现桥梁平面和曲面的裂缝测量，同时采用的是无人机非接触式测量，可广泛应用于其他领域的测量工程，且本发明仅采用搭载相机和激光传感器的无人机即可实现，整体成本较低。
在一个实施例中，步骤S1中的无人机在飞行时，与桥梁保持至少0.3米的安全距离。具体地，无人机在围绕桥梁表面飞行的时候，需要保持至少0.3米的安全距离，从而可以避免无人机太过靠近桥梁表面而发生碰撞行为。
在一个实施例中，步骤S3具体为：根据N字型激光阵列，获取五个投影点与O点的距离数据，和五个激光传感器的角度数据；设置以O点为原点的空间坐标系，根据距离数据和角度数据建立五个投影点的坐标。具体地，这里的距离数据即为五个激光传感器到桥梁损伤处的距离LOA、LOB、LOC、LOD、LOE；而这里的角度数据即为各个传感器之间水平夹角度数θA、θB、θD、θE(如图7中所示)，和各个传感器与铅垂线之间夹角度数αA、αB、αC、αD、αE(如图6中所示)。根据距离数据和角度数据，就可以计算以O点为原点的投影点坐标，并进一步获取五个投影点的坐标矩阵，5个激光传感器在桥梁损伤曲面的投影点构成N字型均匀分布，减少计算误差，投影点的坐标矩阵采用角度数据和距离数据建立，解决了相机倾斜拍摄的数据转换问题，提高了桥梁裂缝测量的尺寸大小的准确性。
在一个实施例中，步骤S9之后，还包括：定期对桥梁裂缝进行测量，绘制裂缝趋势图；根据裂缝趋势图，分析和预测桥梁裂缝的变化趋势。具体地，定期对桥梁裂缝进行测量，按照时间顺序将数据进行编号，绘制裂缝损伤趋势图，图中应包括但不限于裂缝数量、长度、高度及面积的各时期数值和变化率等数据，并结合专业评估标准，分析和预测桥梁裂缝变化趋势，从而保证交通安全和人民生命财产安全。
在一个实施例中，如图10所示，提供了一种基于激光点阵的桥梁裂缝测量装置200，该装置包括无人机搭建模块210、桥梁拍摄模块220、坐标建立模块230、函数构建模块240、图像构建模块250、高度计算模块260、图像处理模块270、裂缝面积计算模块280和裂缝长宽计算模块290，其中：
无人机搭建模块210用于，设置搭载有相机的无人机进行近距离环绕桥梁飞行，无人机上设有五个激光传感器；
桥梁拍摄模块220用于，采用相机对桥梁损伤处进行图像拍摄，同时五个激光传感器均从O点发射激光到桥梁损伤处形成五个的投影点，五个投影点构成N字型激光阵列；
坐标建立模块230用于，根据N字型激光阵列，以O点为原点，建立五个投影点的坐标；
函数构建模块240用于，将坐标代入预设的曲线函数中，得到目标曲线函数；
图像构建模块250用于，采用微元法对目标曲线函数进行坐标换算，得到像素点坐标，并对像素点坐标进行线性插值补充，得到初始图像；
高度计算模块260用于，根据N字型激光阵列，计算初始图像的左右高度；
图像处理模块270用于，采用基于深度学习的分割算法对初始图像进行处理，得到目标二值图；
裂缝面积计算模块280用于，基于目标二值图，获取目标二值图中的桥梁裂缝像素集合和目标二值图的全部像素集合，并根据像素点坐标和左右高度计算桥梁裂缝的面积；
裂缝长宽计算模块290用于，根据Z型步进骨架线法计算桥梁裂缝的目标长度，并获取桥梁裂缝的目标宽度。
在一个实施例中，装置还包括裂缝分析模块，裂缝分析模块包括趋势绘制单元和趋势分析单元，其中：趋势绘制单元用于，定期对桥梁裂缝进行测量，绘制裂缝趋势图；趋势分析单元用于，根据裂缝趋势图，分析和预测桥梁裂缝的变化趋势。
在一个实施例中，提供了一种设备，该设备可以是服务器，其内部结构图可以如图11所示。该设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该设备的处理器用于提供计算和控制能力。该设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该设备的数据库用于存储配置模板，还可用于存储目标网页数据。该设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于激光点阵的桥梁裂缝测量方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种基于激光阵列的桥梁裂缝测量方法，其特征在于，包括：
S1设置搭载有相机的无人机进行近距离环绕桥梁飞行，所述无人机上设有五个激光传感器；
S2采用所述相机对桥梁损伤处进行图像拍摄，同时五个所述激光传感器均从O点发射激光到所述桥梁损伤处形成五个的投影点，五个所述投影点构成N字型激光阵列；
S3根据所述N字型激光阵列，以所述O点为原点，建立五个所述投影点的坐标；
S4将所述坐标代入预设的曲线函数中，得到目标曲线函数；
S5采用微元法对所述目标曲线函数进行坐标换算，得到像素点坐标，并对所述像素点坐标进行线性插值补充，得到初始图像；
S6根据所述N字型激光阵列，计算所述初始图像的左右高度；
S7采用基于深度学习的分割算法对所述初始图像进行处理，得到目标二值图；
S8基于所述目标二值图，获取所述目标二值图中的桥梁裂缝像素集合和所述目标二值图的全部像素集合，并根据所述像素点坐标和所述左右高度计算桥梁裂缝的面积；
S9根据Z型步进骨架线法计算所述桥梁裂缝的目标长度，并获取所述桥梁裂缝的目标宽度。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1中的所述无人机在飞行时，与所述桥梁保持至少0.3米的安全距离。
3.根据权利要求1所述的方法，其特征在于，所述步骤S3具体为：
根据所述N字型激光阵列，获取五个所述投影点与所述O点的距离数据，和五个所述激光传感器的角度数据；
设置以所述O点为原点的空间坐标系，根据所述距离数据和所述角度数据建立五个所述投影点的坐标。
4.根据权利要求1所述的方法，其特征在于，步骤S4中所述预设的曲线函数具体为：
x2+k1xy+k2y2+k3x+k4y+k5＝0
其中：k1、k2、k3、k4、k5为曲线方程系数。
5.根据权利要求1所述的方法，其特征在于，步骤S5中的所述微元法采用的公式具体为：
Figure FDA0003575334980000021
其中，n为弧FM在x轴上投影的像素长度，Δxi为曲线函数在x轴上第i个单位像素差长度，Δyi为曲线函数在y轴上与Δxi对应的第i个单位的像素差长度，ln为弧FM的像素弧长，由像素弧长即得所求的像素点坐标。
6.根据权利要求1所述的方法，其特征在于，所述步骤S9具体为：
S901确定所述桥梁裂缝的边缘，利用法向量估计将所述边缘分为Q边、P边，在Q边取一点
Figure FDA0003575334980000022
并在P边搜索离Q0最近一点
Figure FDA0003575334980000023
计算其欧式距离I(Q0,P0)，并获取其两点间中点坐标I0，计算公式如下：
Figure FDA0003575334980000024
Figure FDA0003575334980000025
S902设ΔI为步长，Q0通过搜索P边上距离等于步长的两个点
Figure FDA0003575334980000026
Figure FDA0003575334980000027
ΔI的计算公式为：
ΔIi＝δI(Qi-1,Pi-1)
其中，δ为步长因子；
S903在Q边搜索距离P1+、P1-最近的两个点
Figure FDA0003575334980000028
Figure FDA0003575334980000029
计算其欧式距离I(Q1±,P1±)，并获取其两点间中点坐标I1±，计算公式如下：
Figure FDA00035753349800000210
Figure FDA0003575334980000031
S904使用与步骤S902和步骤S903中同类公式，Q1+、Q1-通过搜索P边上距离等于步长的两个点
Figure FDA0003575334980000032
在Q边搜索距离P2+、P2-最近的两个点
Figure FDA0003575334980000033
计算其欧式距离I(Q2±,P2±)，并获取其两点间中点坐标I2±；
S905重复步骤S904，依次计算所有的I(Qi±,Pi±)、Ii±，并连接所有中点Ii±形成连接线I，所述连接线I即为所述桥梁裂缝的骨架线，所述骨架线的长度即为所述桥梁裂缝的目标长度；
S906计算所述桥梁裂缝的平均宽度
Figure FDA0003575334980000034
具体公式如下：
Figure FDA0003575334980000035
其中，I(Qi±,Pi±)为第i个P、Q的欧氏距离，所述平均宽度
Figure FDA0003575334980000036
即为所述桥梁裂缝的目标宽度。
7.根据权利要求1所述的方法，其特征在于，所述步骤S9之后，还包括：
定期对所述桥梁裂缝进行测量，绘制裂缝趋势图；
根据所述裂缝趋势图，分析和预测桥梁裂缝的变化趋势。
8.一种基于激光阵列的桥梁裂缝测量装置，其特征在于，包括无人机搭建模块、桥梁拍摄模块、坐标建立模块、函数构建模块、图像构建模块、高度计算模块、图像处理模块、裂缝面积计算模块和裂缝长宽计算模块，其中：
所述无人机搭建模块用于，设置搭载有相机的无人机进行近距离环绕桥梁飞行，所述无人机上设有五个激光传感器；
所述桥梁拍摄模块用于，采用所述相机对桥梁损伤处进行图像拍摄，同时五个所述激光传感器均从O点发射激光到所述桥梁损伤处形成五个的投影点，五个所述投影点构成N字型激光阵列；
所述坐标建立模块用于，根据所述N字型激光阵列，以所述O点为原点，建立五个所述投影点的坐标；
所述函数构建模块用于，将所述坐标代入预设的曲线函数中，得到目标曲线函数；
所述图像构建模块用于，采用微元法对所述目标曲线函数进行坐标换算，得到像素点坐标，并对所述像素点坐标进行线性插值补充，得到初始图像；
所述高度计算模块用于，根据所述N字型激光阵列，计算所述初始图像的左右高度；
所述图像处理模块用于，采用基于深度学习的分割算法对所述初始图像进行处理，得到目标二值图；
所述裂缝面积计算模块用于，基于所述目标二值图，获取所述目标二值图中的桥梁裂缝像素集合和所述目标二值图的全部像素集合，并根据所述像素点坐标和所述左右高度计算桥梁裂缝的面积；
所述裂缝长宽计算模块用于，根据Z型步进骨架线法计算所述桥梁裂缝的目标长度，并获取所述桥梁裂缝的目标宽度。
9.根据权利要求8所述的装置，其特征在于，还包括裂缝分析模块，所述裂缝分析模块包括趋势绘制单元和趋势分析单元，其中：
所述趋势绘制单元用于，定期对所述桥梁裂缝进行测量，绘制裂缝趋势图；
所述趋势分析单元用于，根据所述裂缝趋势图，分析和预测桥梁裂缝的变化趋势。
10.一种设备，其特征在于，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，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
CN202210331307.4A 2022-03-31 2022-03-31 一种基于激光阵列的桥梁裂缝测量方法、装置及设备 Pending CN114812983A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210331307.4A CN114812983A (zh) 2022-03-31 2022-03-31 一种基于激光阵列的桥梁裂缝测量方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210331307.4A CN114812983A (zh) 2022-03-31 2022-03-31 一种基于激光阵列的桥梁裂缝测量方法、装置及设备

Publications (1)

Publication Number Publication Date
CN114812983A true CN114812983A (zh) 2022-07-29

Family

ID=82532037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210331307.4A Pending CN114812983A (zh) 2022-03-31 2022-03-31 一种基于激光阵列的桥梁裂缝测量方法、装置及设备

Country Status (1)

Country Link
CN (1) CN114812983A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115790400A (zh) * 2023-01-17 2023-03-14 中大智能科技股份有限公司 一种应用于桥隧结构安全的机器视觉标靶标定方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115790400A (zh) * 2023-01-17 2023-03-14 中大智能科技股份有限公司 一种应用于桥隧结构安全的机器视觉标靶标定方法

Similar Documents

Publication Publication Date Title
CN112654886B (zh) 外参标定方法、装置、设备及存储介质
US20140336928A1 (en) System and Method of Automated Civil Infrastructure Metrology for Inspection, Analysis, and Information Modeling
CN111241988B (zh) 一种结合定位信息的大场景内运动目标检测识别方法
CN103438826B (zh) 激光与视觉相结合的钢板的三维测量系统及方法
CN102788572B (zh) 一种工程机械吊钩姿态的测量方法、装置及系统
CN112825190B (zh) 一种精度评估方法、系统、电子设备和存储介质
WO2021212477A1 (zh) 校正点云数据的方法和相关装置
Yu et al. Displacement measurement of large structures using nonoverlapping field of view multi‐camera systems under six degrees of freedom ego‐motion
CN109887041A (zh) 一种机械臂控制数字相机摄影中心位置和姿态的方法
CN103954220A (zh) 撞桥试验中船体运动状态数字图像测量方法
CN114812983A (zh) 一种基于激光阵列的桥梁裂缝测量方法、装置及设备
Wang et al. An improved measurement model of binocular vision using geometrical approximation
CN114066985B (zh) 一种输电线隐患距离的计算方法及终端
An et al. The distance measurement based on corner detection for rebar spacing in engineering images
Su et al. Feature-constrained real-time simultaneous monitoring of monocular vision odometry for bridge bearing displacement and rotation
CN117152257B (zh) 一种用于地面监控摄像机多维角度计算的方法和装置
CN114049401A (zh) 双目相机标定方法、装置、设备及介质
Zhao et al. Intelligent segmentation method for blurred cracks and 3D mapping of width nephograms in concrete dams using UAV photogrammetry
Jiang et al. Bridge Deformation Measurement Using Unmanned Aerial Dual Camera and Learning‐Based Tracking Method
CN112163309A (zh) 单张平面圆图像的空间圆心快速提取方法
JPH06195472A (ja) 画像処理システム
CN113790711B (zh) 一种无人机低空飞行位姿无控多视测量方法及存储介质
CN115100126A (zh) 一种桥梁结构平面位移场智能感知方法
KR101919958B1 (ko) 건축 구조물의 변형률 분포 시각화 장치 및 방법
CN109035335B (zh) 一种基于单目视觉的海底隧道渗水水位识别方法

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