CN115187565A - 一种水下桥墩病害识别定位方法、装置、电子设备及存储介质 - Google Patents
一种水下桥墩病害识别定位方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115187565A CN115187565A CN202210872321.5A CN202210872321A CN115187565A CN 115187565 A CN115187565 A CN 115187565A CN 202210872321 A CN202210872321 A CN 202210872321A CN 115187565 A CN115187565 A CN 115187565A
- Authority
- CN
- China
- Prior art keywords
- disease
- underwater
- image
- dimensional
- point cloud
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种水下桥墩病害识别定位方法、装置、电子设备及存储介质,所述方法包括:搭建视觉平台及测量系统;标定测量系统中相机参数,采集水下桥墩表面图像;构建病害图像数据集,通过图像处理模型对采集获得初始图像进行图像增强与复原处理;对处理后的图像进行三维重构,获得局部三维点云并校正水下折射导致的偏差;根据双目相机有效视场重叠区域统一双目相机所有测点处获得的三维点云数据,测量被测物表面全周三维形貌;对采集的局部图像进行病害识别,获得病害的像素位置和像素面积;结合采集的局部图像深度图,计算病害实际体积,获得病害在三维点云全局坐标系中的空间位置。本发明提高了水下光学测量方法在水下结构自动化监测场景中的测量效率和质量。
Description
技术领域
本发明属于桥梁水下墩柱病害检测领域,具体涉及一种水下桥墩病害识别定位方法。
背景技术
目前水下桥墩病害的识别定位方法主要采用基于光学的三维形貌测量方法包括三维数字图像相关法、栅线投影法、线结构光法等,应用三角测量原理进行三维形貌测量。由于光学测量方法具有非接触、测量精度高,速度快等优点而被广泛应用于科学与工程领域。
基于光学测量的桥梁水下墩柱病害检测技术面临的主要问题是:(1)浑水情况下成像质量差;(2)光线通过不同介质发生的折射对传统三维测量技术产生极大影响;(3)全局三维点云坐标系的统一方法精度和效率仍有待提高;(4)传统的图像处理技术面对实际环境的病害图像,尤其是水下病害图像,很难有效提取轮廓甚至类别信息;(5)针对桥梁水下墩柱病害识别、体积量测和病害定位方法的研究仍基本处于空白阶段。
发明内容
为了解决上述背景技术提到的技术问题,本发明提出了一种水下桥墩病害识别定位方法。
为了解决上述技术问题,本发明的技术方案为:
一种水下桥墩病害识别定位方法,包括以下步骤:
S1、搭建水下抱柱式立体视觉平台和安置在密封水箱内的双目视觉光学测量系统;
S2、标定步骤S1中双目视觉光学测量系统中双目相机的内外参数以及折射参数,根据桥墩尺寸设置测点,采集水下桥墩表面图像;
S3、构建水环境病害图像数据集,通过基于深度学习方法的水下图像处理模型对步骤S2中采集的水下桥墩表面图像进行图像增强与复原处理;
S4、对步骤S3中处理后的图像的被测表面采用三维数字图像相关方法进行三维点云重构,获得局部三维点云并通过水下成像折射修正原理校正光线折射导致的重构偏差;
S5、根据步骤S2中双目相机的有效视场重叠区域,统一双目相机所有测点处获得的三维点云数据,实现被测物表面全周三维形貌测量;
S6、建立水下病害纹理特征的深度学习模型算法,对步骤S3中增强与复原处理后的水下桥墩表面图像进行病害识别,获得病害在图像坐标系里面的像素位置和像素面积;
S7、通过计算步骤S2中双目相机采集水下桥墩表面图像的深度图并结合步骤S6中所计算的病害像素位置和像素面积,计算病害实际体积,根据步骤S4中重构的三维点云与对应的感兴趣区域图像像素,获得病害在全周三维点云形貌全局坐标系中的空间位置。
优选地,步骤S1中双目视觉光学测量系统采用的光学测量方法为基于双目视觉原理的三维形貌测量方法,包括线结构光法、三维数字散斑相关法和栅线投影法。
优选地,在步骤S3中构建水环境病害图像数据集,具体是模拟不同浑浊度水环境,分别在浑浊水环境和无水环境下,拍摄有水和无水环境一一对应的构件表面病害图像,以建立水下病害图像数据集。
优选地,步骤S4中,在进行被测物水下形貌测量前,双目相机放置于有透明平板观察窗的密封水箱中,光线经由水体、玻璃和空气三种介质成像,利用基于双目视觉原理的三维数字图像相关方法对被测物表面感兴趣区域进行三维重建获得局部初始三维点云,基于水下多折射成像原理,标定出折射平面相对于左相机的位置关系用于初始三维重建点云的修正。
优选地,在步骤S5中,对双目相机有效视场的重叠区域进行特征识别,利用重叠区域的特征,计算所有连续测点折射修正后局部三维点云相对于第一个测点点云所在坐标系的空间转化矩阵R和T,利用每个测点的空间转换矩阵统一所有局部坐标系三维点云;根据测点(N-1)和测点N重叠区域计算出测点N坐标系转换到测点(N-1)坐标系的空间转换矩阵RN-(N-1)和TN-(N-1),公式表达如下:
其中,RN-(N-1)和TN-(N-1)表示测点N坐标系转换到测点(N-1)坐标系的空间转换矩阵,
对测点N中三维点云任一点(xN,yN,zN),通过空间转换矩阵变换转换为(xN-1,yN-1,zN-1),该点即为(xN,yN,zN)在测点(N-1)坐标系中对应坐标;公式表达如下:
完成所有测点与第一个测点点云所在坐标系所在坐标系转换后得到桥墩表面全周三维点云形貌。
优选地,步骤S6中,建立水下病害纹理特征的深度学习模型算法,具体为:采用深度特征提取骨架结构ResNet,提取病害纹理的高层次特征和多个低层次特征,并结合表征病害纹理特征的量化算子,对每个裂缝特征相对于平均裂缝特征的距离进行量化统计,构建纹理增强模块,将构建纹理增强模块扩展到一个可学习的图像来对每个量化级进行重建;
在编码器与解码器之间加入注意力机制模块,通过分层连续卷积操作提取更高层特征,并将各层的特征进行相加融合,构成注意力模块,通过注意力模块,加强裂缝区域的信息权值。
优选地,步骤S7中,通过结合双目相机采集的局部图像深度图以及步骤S6中获得的图像坐标系下的病害位置信息和尺寸信息(步骤S6中所计算的病害像素位置和像素面积),计算出病害实际体积大小,公式表达如下:
其中,V为病害实际体积,(xi,yi)为像素区域点,S为病害像素区域,Spn为测点n处像素面积,Di为每个像素的深度信息,s为单位像素对应实际面积大小;再根据步骤S5计算出局部坐标系与测点1所在全局坐标系的空间转换关系,获得病害在全周三维点云形貌全局坐标系下的空间位置。
一种应用于能源企业的集控层监控系统的自动化组态装置,其特征在于,包括:
双模视觉光学测量模块,其被配置用于采集水下桥墩表面图像;
图像处理模块,其被配置用于对采集的水下桥墩表面图像进行图像增强与复原处理;
重构模块,其被配置用于对处理后的图像的被测表面采用三维数字图像相关方法进行三维点云重构,获得局部三维点云并通过水下成像折射修正原理校正光线折射导致的重构偏差,实现被测物表面全周三维形貌测量;
识别模块,其被配置用于将增强与复原处理后的水下桥墩表面图像进行病害识别,获得病害在图像坐标系里面的像素位置和像素面积。
一种电子设备,其特征在于,包括:存储器和处理器,所述存储器存储由所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的水下桥墩病害识别定位方法。
一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被读取并执行时,实现上述任一项所述的水下桥墩病害识别定位方法。
本发明采用上述技术方案带来的技术效果如下:
本发明通过构建水环境下有水和无水环境一一对应的病害图像数据集,解决深度学习受训练数据集样本数量的问题,提高了水下图像增强和复原的图像质量。
通过水下成像多折射修正模型对获得的初始三维点云进行修正,克服了光线通过不同介质发生的折射对所重建三维点云的影响。
通过基于双目视觉系统有效视场重叠区域实现各局部坐标系坐标的统一,对重叠区域进行特征点提取和特征点描述,获得三维点云中对应特征点,利用特征点计算两组点云的空间转换矩阵,极大程度上提高了多测点局部三维点云的拼接效率。
在病害识别方面,通过研究基于编码器(encode)-解码器(decode)网络架构的深度学习模型,考虑病害纹理细节增强,采用深度特征提取骨架结构(如ResNet),提取病害纹理的高层次特征和多个低层次特征。
提出表征病害纹理特征的量化算子,对每个病害特征相对于平均病害特征的距离进行量化统计,构建纹理增强模块对统计纹理细节进行增强,设计金字塔纹理特征提取模块提取多尺度统计纹理信息,实现水下结构病害图像的纹理细节显著增强。
在解码器间加入空间注意力机制的模块,结合纹理细节增强区域,提高模型对病害纹理特征像素区域的敏感性,提高裂缝、露筋、缺陷等病害识别准确率。
在病害定位方法方面,在完成对被测桥墩表面三维点云形貌的测量及多测点三维点云拼接后,根据病害识别获得的病害图像像素坐标和像素面积,结合多测点三维点云拼接使用的空间转换矩阵,即可计算出病害在全局三维点云形貌中的空间位置;结合双目视觉系统获得的深度图像,即可计算出病害的实际尺寸。
本发明解决了水下光学测量图像成像质量差、水下光线折射影响、多测点局部三维点云拼接方法低效率、传统的图像处理技术进行病害识别有局限性以及病害尺寸量测及三维定位困难等问题,进一步提高了水下光学测量方法在水下结构自动化监测场景中的测量效率和质量。
附图说明
图1为发明方法流程图;
图2为基于深度学习的病害识别模型图;
图3为基于重叠区域的局部点云拼接方法示意图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明,其中所用到的光学测量方法为基于双目视觉原理的三维数字图像相关方法,如图1所示,包括以下步骤:
(1)搭建适合1m直径的水下桥墩抱柱式立体视觉平台及安置在密封水箱内的双目视觉光学测量系统;
(2)标定(1)中双目视觉光学测量系统中相机内外参数以及折射参数,根据桥墩尺寸设置足够多的测点,完成水下桥墩一周表面图像的采集;
(3)构建水环境病害图像数据集,通过基于深度学习方法的水下图像处理模型对(1)中采集获得初始图像进行图像增强与复原处理;
(4)对处理后的图像中被测表面进行三维重构,获得局部三维点云数据并通过水下成像折射修正原理校正光线折射导致的重构偏差;
(5)根据步骤(1)中双目相机有效视场重叠区域,统一双目相机所有测点处获得的三维点云数据,如图2所示,以圆柱形被测桥墩为例,桥墩表面全周三维形貌测量过程主要分为环向拼接和纵向拼接,三维点云环向拼接主要利用左右相邻两个相机测点相机视场的重叠区域计算出两个测点间的空间转换矩阵实现拼接,三维点云纵向拼接主要利用上下相邻两个相机测点相机视场的重叠区域计算出两个测点间的实现拼接,先进行环向拼接,再进行纵向拼接,最终实现被测物表面全周三维形貌测量;
(6)考虑水下病害纹理特征的深度学习模型算法,整体网络结构图如图3所示,采用深度特征提取骨架结构,提取病害纹理的高层次特征和多个低层次特征,采用表征病害纹理特征的1维和2维量化算子,对每个病害特征相对于平均病害特征的距离进行量化统计,构建纹理增强模块对统计纹理细节进行增强,设计金字塔纹理特征提取模块提取多尺度统计纹理信息,实现水下结构病害图像的纹理细节显著增强,在解码器间加入空间注意力机制的模块,结合纹理细节增强区域,实现病害识别准确率的提高,接着对步骤(3)中采集的局部图像进行病害识别,获得病害在图像坐标系里面的像素位置和像素面积;
(7)结合所采集的局部图像深度图以及步骤(6)中所计算的病害像素位置和像素面积,计算病害实际体积,根据局部三维点云与全局坐标系之间的转换关系,可以获得病害在三维点云全局坐标系中的空间位置。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (10)
1.一种水下桥墩病害识别定位方法,其特征在于,包括以下步骤:
S1、搭建水下抱柱式立体视觉平台和安置在密封水箱内的双目视觉光学测量系统;
S2、标定步骤S1中双目视觉光学测量系统中双目相机的内外参数以及折射参数,根据桥墩尺寸设置测点,采集水下桥墩表面图像;
S3、构建水环境病害图像数据集,通过基于深度学习方法的水下图像处理模型对步骤S2中采集的水下桥墩表面图像进行图像增强与复原处理;
S4、对步骤S3中处理后的图像的被测表面采用三维数字图像相关方法进行三维点云重构,获得局部三维点云并通过水下成像折射修正原理校正光线折射导致的重构偏差;
S5、根据步骤S2中双目相机的有效视场重叠区域,统一双目相机所有测点处获得的三维点云数据,实现被测物表面全周三维形貌测量;
S6、建立水下病害纹理特征的深度学习模型算法,对步骤S3中增强与复原处理后的水下桥墩表面图像进行病害识别,获得病害在图像坐标系里面的像素位置和像素面积;
S7、通过计算步骤S2中双目相机采集水下桥墩表面图像的深度图并结合步骤S6中所计算的病害像素位置和像素面积,计算病害实际体积,根据步骤S4中重构的三维点云与对应的感兴趣区域图像像素,获得病害在全周三维点云形貌全局坐标系中的空间位置。
2.根据权利要求1所述一种水下桥墩病害识别定位方法,其特征在于,步骤S1中双目视觉光学测量系统采用的光学测量方法为基于双目视觉原理的三维形貌测量方法,包括线结构光法、三维数字散斑相关法和栅线投影法。
3.根据权利要求1所述一种水下桥墩病害识别定位方法,其特征在于,在步骤S3中构建水环境病害图像数据集,具体是模拟不同浑浊度水环境,分别在浑浊水环境和无水环境下,拍摄有水和无水环境一一对应的构件表面病害图像,以建立水下病害图像数据集。
4.根据权利要求1所述一种水下桥墩病害识别定位方法,其特征在于,步骤S4中,在进行被测物水下形貌测量前,双目相机放置于有透明平板观察窗的密封水箱中,光线经由水体、玻璃和空气三种介质成像,利用基于双目视觉原理的三维数字图像相关方法对被测物表面感兴趣区域进行三维重建获得局部初始三维点云,基于水下多折射成像原理,标定出折射平面相对于左相机的位置关系用于初始三维重建点云的修正。
5.根据权利要求1所述一种水下桥墩病害识别定位方法,其特征在于,在步骤S5中,对双目相机有效视场的重叠区域进行特征识别,利用重叠区域的特征,计算所有连续测点折射修正后局部三维点云相对于第一个测点点云所在坐标系的空间转化矩阵R和T,利用每个测点的空间转换矩阵统一所有局部坐标系三维点云;根据测点(N-1)和测点N重叠区域计算出测点N坐标系转换到测点(N-1)坐标系的空间转换矩阵RN-(N-1)和TN-(N-1),公式表达如下:
其中,RN-(N-1)和TN-(N-1)表示测点N坐标系转换到测点(N-1)坐标系的空间转换矩阵,
对测点N中三维点云任一点(xN,yN,zN),通过空间转换矩阵变换转换为(xN-1,yN-1,zN-1),该点即为(xN,yN,zN)在测点(N-1)坐标系中对应坐标;公式表达如下:
完成所有测点与第一个测点点云所在坐标系所在坐标系转换后得到桥墩表面全周三维点云形貌。
6.根据权利要求1所述一种水下桥墩病害识别定位方法,其特征在于,步骤S6中,建立水下病害纹理特征的深度学习模型算法,具体为:
采用深度特征提取骨架结构ResNet,提取病害纹理的高层次特征和多个低层次特征,并结合表征病害纹理特征的量化算子,对每个裂缝特征相对于平均裂缝特征的距离进行量化统计,构建纹理增强模块,将构建纹理增强模块扩展到一个可学习的图像来对每个量化级进行重建;
在编码器与解码器之间加入注意力机制模块,通过分层连续卷积操作提取更高层特征,并将各层的特征进行相加融合,构成注意力模块,通过注意力模块,加强裂缝区域的信息权值。
8.一种应用于水下桥墩病害识别定位的自动化组态装置,其特征在于,包括:
双模视觉光学测量模块,其被配置用于采集水下桥墩表面图像;
图像处理模块,其被配置用于对采集的水下桥墩表面图像进行图像增强与复原处理;
重构模块,其被配置用于对处理后的图像的被测表面采用三维数字图像相关方法进行三维点云重构,获得局部三维点云并通过水下成像折射修正原理校正光线折射导致的重构偏差,实现被测物表面全周三维形貌测量;
识别模块,其被配置用于将增强与复原处理后的水下桥墩表面图像进行病害识别,获得病害在图像坐标系里面的像素位置和像素面积。
9.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器存储由所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的水下桥墩病害识别定位方法。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被读取并执行时,实现上述权利要求1-6任一项所述的水下桥墩病害识别定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210872321.5A CN115187565A (zh) | 2022-07-20 | 2022-07-20 | 一种水下桥墩病害识别定位方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210872321.5A CN115187565A (zh) | 2022-07-20 | 2022-07-20 | 一种水下桥墩病害识别定位方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115187565A true CN115187565A (zh) | 2022-10-14 |
Family
ID=83520776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210872321.5A Pending CN115187565A (zh) | 2022-07-20 | 2022-07-20 | 一种水下桥墩病害识别定位方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187565A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797350A (zh) * | 2023-02-07 | 2023-03-14 | 清华大学 | 桥梁病害检测方法、装置、计算机设备和存储介质 |
CN115901621A (zh) * | 2022-10-26 | 2023-04-04 | 中铁二十局集团第六工程有限公司 | 一种高层建筑外表面混凝土病害数字化识别方法及系统 |
CN116206070A (zh) * | 2023-05-05 | 2023-06-02 | 中国海洋大学 | 一种基于机器双目视觉的船体水下成像方法及水下机器人 |
CN116934833A (zh) * | 2023-07-18 | 2023-10-24 | 广州大学 | 基于双目视觉水下结构病害检测方法、设备及介质 |
-
2022
- 2022-07-20 CN CN202210872321.5A patent/CN115187565A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115901621A (zh) * | 2022-10-26 | 2023-04-04 | 中铁二十局集团第六工程有限公司 | 一种高层建筑外表面混凝土病害数字化识别方法及系统 |
CN115797350A (zh) * | 2023-02-07 | 2023-03-14 | 清华大学 | 桥梁病害检测方法、装置、计算机设备和存储介质 |
CN116206070A (zh) * | 2023-05-05 | 2023-06-02 | 中国海洋大学 | 一种基于机器双目视觉的船体水下成像方法及水下机器人 |
CN116934833A (zh) * | 2023-07-18 | 2023-10-24 | 广州大学 | 基于双目视觉水下结构病害检测方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115187565A (zh) | 一种水下桥墩病害识别定位方法、装置、电子设备及存储介质 | |
CN112288875B (zh) | 一种面向无人机矿山巡检场景的快速三维重建方法 | |
CN104156536B (zh) | 一种盾构机刀具磨损的可视化定量标定及分析方法 | |
CN109580649B (zh) | 一种工程结构表面裂缝识别与投影修正方法及系统 | |
CN110031829B (zh) | 一种基于单目视觉的目标精准测距方法 | |
CN105931234A (zh) | 一种地面三维激光扫描点云与影像融合及配准的方法 | |
CN107358632B (zh) | 应用于水下双目立体视觉的水下摄像机标定方法 | |
CN111709985B (zh) | 一种基于双目视觉的水下目标测距方法 | |
CN110782498B (zh) | 一种视觉传感网络的快速通用标定方法 | |
CN112419512B (zh) | 一种基于语义信息的空中三维模型修复系统及方法 | |
CN116504032B (zh) | 一种基于实景三维的滑坡危险性监测预警方法及系统 | |
CN110443881B (zh) | 桥面形态变化识别桥梁结构损伤的cnn-grnn方法 | |
CN110837839B (zh) | 一种高精度无人机正射影像制作及数据采集方法 | |
CN105115560A (zh) | 一种船舱舱容的非接触测量方法 | |
CN106500625A (zh) | 一种远心立体视觉测量装置及其应用于物体三维形貌微米级精度测量的方法 | |
Dong et al. | Asphalt pavement macrotexture reconstruction from monocular image based on deep convolutional neural network | |
CN116518864A (zh) | 一种基于三维点云对比分析的工程结构全场变形检测方法 | |
CN115578315A (zh) | 一种基于无人机图像的桥梁应变近景摄影测量方法 | |
CN114494366A (zh) | 一种影像与点云配准的道路坑槽提取方法 | |
Meng et al. | Defocused calibration for large field-of-view binocular cameras | |
CN117451000B (zh) | 一种智轨列车道路路基沉降机器视觉检测方法及系统 | |
CN116840258A (zh) | 基于多功能水下机器人和立体视觉的桥墩病害检测方法 | |
CN116363302B (zh) | 一种基于多视角几何的管道三维重建和坑洞量化方法 | |
Jiang et al. | Full-field deformation measurement of structural nodes based on panoramic camera and deep learning-based tracking method | |
Ma et al. | A low-cost 3D reconstruction and measurement system based on structure-from-motion (SFM) and multi-view stereo (MVS) for sewer pipelines |
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 |