CN115452723A - 一种桥梁工程用的桥梁缺陷检测设备及缺陷识别方法 - Google Patents
一种桥梁工程用的桥梁缺陷检测设备及缺陷识别方法 Download PDFInfo
- Publication number
- CN115452723A CN115452723A CN202211232647.8A CN202211232647A CN115452723A CN 115452723 A CN115452723 A CN 115452723A CN 202211232647 A CN202211232647 A CN 202211232647A CN 115452723 A CN115452723 A CN 115452723A
- Authority
- CN
- China
- Prior art keywords
- bridge
- steering engine
- detection equipment
- crack
- supporting rod
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000007547 defect Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 24
- 240000007651 Rubus glaucus Species 0.000 claims description 13
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 13
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical group C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 2
- 238000000691 measurement method Methods 0.000 claims 1
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 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
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及桥梁检测技术领域，且公开了一种桥梁工程用的桥梁缺陷检测设备，包括二维云台、机械臂和车体，所述车体包括轮胎和底盘，所述底盘的下方共安装有四个所述轮胎，所述底盘的上方设有所述二维云台，所述二维云台包括舵机一号和步进电机，所述舵机一号固定于所述底盘的上表面中部，且所述舵机一号的上表面固定连接有所述步进电机，所述步进电机的一侧设有所述机械臂；采用OpenCV+CNN卷积神经网络作为视觉识别系统的算法对桥梁底部进行检测，实现桥梁底部图像的自动采集及表面裂缝形状、位置的动态检测，识别桥体危害特性特征，对目标进行筛选，排除干扰因素，提取有效数据，对桥梁底部的裂缝进行识别，增强识别准确率。
Description
技术领域
本发明涉及桥梁检测技术领域，具体为一种桥梁工程用的桥梁缺陷检测设备及缺陷识别方法。
背景技术
桥梁是跨越江河湖海、深沟峡谷等障碍的人工构筑物，是交通设施互联互通的关键节点和枢纽工程，是国民经济发展和社会生活安全的重要保障。一旦桥梁出现重大问题，将直接影响交通路网的畅通，防碍人民生活出行，并对我国国防战略产生重大安全隐患。
桥梁反复承受着车轮的磨损、冲击，遭受暴雨、洪水、风沙、冰雪、日晒、冻融等自然因素的侵蚀破坏，部分建筑材料的性质随着使用时间的增长会发生衰变，导致桥梁老龄化问题突出。早期建桥时期设计和施工达不到应有的要求，加上近几年我国交通和重型汽车数量的不断快速增长，导致服役条件恶化，桥梁安全事故呈日益增多趋势。
近现代一些企业、科研院所逐渐研发一些针对桥梁的智能检测技术，这些检测技术可以实现对桥梁表观病害的快速非接触式无损检测，但在实际应用中，仍有许多不足尚需进一步解决。调研目前市面上已研制出的检测系统，可以得出以下结论：
(1)、从系统的自动化程度上看，车辆和检测装置的运动全部由人工控制，操作难度大，作业速度缓慢，往往需要重复检测，效率低下；
(2)、从系统的检测精度来看，多数的检测系统精度并不能满足现实需求，不可能达到或接近现实需求的精度要求，作业速度、效率也远不及人工。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种桥梁工程用的桥梁缺陷检测设备及缺陷识别方法，解决了上述背景技术中提出的问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：一种桥梁工程用的桥梁缺陷检测设备，包括二维云台、机械臂和车体，所述车体包括轮胎和底盘，所述底盘的下方共安装有四个所述轮胎，所述底盘的上方设有所述二维云台，所述二维云台包括舵机一号和步进电机，所述舵机一号固定于所述底盘的上表面中部，且所述舵机一号的上表面固定连接有所述步进电机，所述步进电机的一侧设有所述机械臂，所述机械臂包括第一支撑杆、舵机二号、第二支撑杆、舵机三号和第三支撑杆，所述步进电机的输出轴通过联轴器固定连接有所述第一支撑杆，所述第一支撑杆的一侧安装有所述舵机二号，所述舵机二号的一侧安装有所述第二支撑杆，所述第二支撑杆的一侧安装有所述舵机三号，所述舵机三号的一侧安装有所述第三支撑杆，所述第三支撑杆的一端固定连接有摄像头，所述底盘的上表面安装有树莓派、GPS模块、上位机、主控芯片、ESP8266模块、STM32芯片、WiFi模块、12V电源供电模块和信息采集模块，桥梁检测设备由所述12V电源供电模块供电，将12V电压降压并稳压至5V和7.5V，其中5V电源供电给所述主控芯片和所述树莓派，7.5V电压供电给所述舵机一号、所述舵机二号和所述舵机三号，12V电压供电给四个直流减速电机组成的所述车体，所述信息采集模块引入基于卷积神经网络的图像处理算法对目标进行筛选有效数据，通过图像灰度化，增加对比度，Canny边缘检测，用形态学连接临近裂缝，找出所有连通域，删除非裂缝噪点区域，对每个连通域提取骨架，测量长度和宽度等手段建立完善的桥体危害监测系统，基于图像形态的裂纹病害提取与测量应用的主要步骤有三个：图像拼接，基于形态的裂缝提取和裂缝测量计算，所述GPS模块可以向上位机实时发送动态位置，所述STM32芯片控制所述车体和所述机械臂的运动，通过所述WiFi模块与所述上位机连接，实现远程控制桥梁检测设备的功能，所述树莓派连接所述摄像头，将采集到的图片数据进行图像处理并分析，最后将数据传送至所述上位机上。
优选的，所述车体整体大小在400*300mm。
优选的，所述机械臂采用逆解算算法优化路径，所述机械臂由所述二维云台控制旋转方向，所述舵机二号、所述舵机三号转动270°，所述舵机一号转动360°，所述第一支撑杆、所述第二支撑杆和所述第三支撑杆采用圆柱形碳纤维结构。
优选的，所述STM32芯片与所述ESP8266模块互联，使得远程操控桥梁检测设备得以实现，并且可以灵活控制机器人到达指定地点。
优选的，桥梁检测设备运用opencv图像处理技术识别桥体。
优选的，所述摄像头上一体成型有补光灯。
一种桥梁工程用的桥梁缺陷识别方法，包括以下步骤：
S1、STM32芯片控制桥梁检测设备的车体运动和机械臂运动，WiFi模块连接上位机，实现远程控制桥梁检测设备；
S2、二维云台控制所述机械臂的旋转，所述机械臂的臂身通过舵机二号、舵机三号控制，采用运动学逆解算算法，能够实现全范围全区域摄像头扫描；
S3、树莓派连接摄像头，将采集到的图片数据进行图像处理并分析，数据传输给所述上位机；
S3、运用opencv图像处理技术识别桥体，明显的裂痕，主体缺失等特征，收集到桥体表面数据，当检测到明显的桥体受损时系统报警，并上传图片，然后根据图片分析桥体受损程度等内容，排除其他干扰因素并筛选出有效的受损数据进行分析；
S4、图像分析中，引入基于卷积神经网络的图像处理算法对目标进行筛选有效数据，最后，通过图像灰度化，增加对比度，Canny边缘检测，用形态学连接临近裂缝，找出所有连通域，删除非裂缝噪点区域，对每个连通域提取骨架，测量长度和宽度等手段建立完善的桥体危害监测系统。基于图像形态的裂纹病害提取与测量应用的主要步骤有三个：图像拼接，基于形态的裂缝提取和裂缝测量计算；
S5、当发现有明显桥体受损表现后，机器自动报警并将数据传递给工程师进行判断，在工程师进行判断后，远程操控桥梁检测设备进行复检，再次采集数据，发出定位信息；
S6、桥梁检测设备利用桥梁裂缝视觉识别算法、高斯滤波、图片剪裁、图片处理算法。
优选的，所述图像拼接的方法包括以下步骤：
S1、准备一系列参考图片和被拼接的图片,它们有部分重叠信息；
S2、分离和计算它们的OBR特征和描述；
S3、用K-NearestNeighbor和Random Sample Consensus的过滤找到匹配点；
S4、用筛选过的匹配对计算单应性；
S5、用单应性把图片的投影拼接到参考图片上；
S6、用加权平均算法减弱重叠区域的强度。
优选的，所述基于形态的裂缝提取方法包括以下步骤：
S1、准备一系列已经拼接完成的图片，并且完成高斯处理；
S2、采用Sobel算子边缘检测，计算梯度变化；
S3、设定阈值，删除小于阈值的孤立梯度变化点；
S4、计算经步骤3处理后的边缘流场方向向量；
S5、以边缘起始搜索方向，计算向量集合和形态特征；
S6、提取符合形态的特征的裂缝结果，并输出数据集。
(三)有益效果
本发明提供了一种桥梁工程用的桥梁缺陷检测设备及缺陷识别方法，具备以下有益效果：
(1)、桥梁缺陷检测设备是由机器人车体和机械臂构成。小车结构采用与实际车辆更加接近的四轮式底盘，机械臂采用碳纤维材料减轻整体重量。机械臂采用逆解算算法优化路径，使机械臂可以更快速更简洁的到达指定检测位置。
(2)、采用OpenCV+CNN卷积神经网络作为视觉识别系统的算法对桥梁底部进行检测，实现桥梁底部图像的自动采集及表面裂缝形状、位置的动态检测，识别桥体危害特性特征，对目标进行筛选，排除干扰因素，提取有效数据，对桥梁底部的裂缝进行识别，增强识别准确率。
(3)、远程可控，通过远程通信系统对小车实现远程操控，控制机械臂的运动，进行实时图像传输，向上位机实时发送桥梁灾害动态位置，当系统发出有桥梁灾害警报时，工程师可远程控制桥梁缺陷检测设备对灾害部位进行复查确定。
附图说明
图1为本发明的结构示意图；
图2为本发明桥梁缺陷检测设备主体结构；
图3为本发明桥体数据筛选方法框架图；
图4为本发明远程信息交互系统框图；
图5为本发明视觉识别总体流程图；
图6为本发明裂纹病害提取流程图；
图7为本发明基于ORB特征的图像拼接流程。
图中：1、轮胎；2、树莓派；3、GPS模块；4、上位机；5、底盘；6、主控芯片；7、ESP8266模块；8、STM32芯片；9、WiFi模块；10、舵机一号；11、二维云台；12、步进电机；13、联轴器；14、第一支撑杆；15、舵机二号；16、第二支撑杆；17、舵机三号；18、第三支撑杆；19、摄像头；20、机械臂；21、12V电源供电模块；22、信息采集模块；23、车体。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
如图1-7所示，本发明提供一种技术方案：一种桥梁工程用的桥梁缺陷检测设备，包括二维云台11、机械臂20和车体23，车体23包括轮胎1和底盘5，底盘5的下方共安装有四个轮胎1，底盘5的上方设有二维云台11，二维云台11包括舵机一号10和步进电机12，舵机一号10固定于底盘5的上表面中部，且舵机一号10的上表面固定连接有步进电机12，步进电机12的一侧设有机械臂20，机械臂20包括第一支撑杆14、舵机二号15、第二支撑杆16、舵机三号17和第三支撑杆18，步进电机12的输出轴通过联轴器13固定连接有第一支撑杆14，第一支撑杆14的一侧安装有舵机二号15，舵机二号15的一侧安装有第二支撑杆16，第二支撑杆16的一侧安装有舵机三号17，舵机三号17的一侧安装有第三支撑杆18，第三支撑杆18的一端固定连接有摄像头19，底盘5的上表面安装有树莓派2、GPS模块3、上位机4、主控芯片6、ESP8266模块7、STM32芯片8、WiFi模块9、12V电源供电模块21和信息采集模块22，桥梁检测设备由12V电源供电模块21供电，将12V电压降压并稳压至5V和7.5V，其中5V电源供电给主控芯片6和树莓派2，7.5V电压供电给舵机一号10、舵机二号15和舵机三号17，12V电压供电给四个直流减速电机组成的车体23，信息采集模块22引入基于卷积神经网络的图像处理算法对目标进行筛选有效数据，通过图像灰度化，增加对比度，Canny边缘检测，用形态学连接临近裂缝，找出所有连通域，删除非裂缝噪点区域，对每个连通域提取骨架，测量长度和宽度等手段建立完善的桥体危害监测系统，基于图像形态的裂纹病害提取与测量应用的主要步骤有三个：图像拼接，基于形态的裂缝提取和裂缝测量计算，GPS模块3可以向上位机实时发送动态位置，STM32芯片8控制车体23和机械臂20的运动，通过WiFi模块9与上位机4连接，实现远程控制桥梁检测设备的功能，树莓派2连接摄像头19，将采集到的图片数据进行图像处理并分析，最后将数据传送至上位机4上。
进一步的，车体23整体大小在400*300mm，车体23采用四轮的整体结构增强车体行走的稳定性，对车体进行平衡优化，避免小车在行走时因重量不平衡导致的侧翻等情况。
进一步的，机械臂20采用逆解算算法优化路径，机械臂20由二维云台11控制旋转方向，舵机二号15、舵机三号17转动270°，舵机一号10转动360°，第一支撑杆14、第二支撑杆16和第三支撑杆18采用圆柱形碳纤维结构，圆柱形碳纤维结构其优点在于结构简单，成本低，制造工艺简单，具有较好的抗弯和抗扭能力。
进一步的，STM32芯片8与ESP8266模块7互联，使得远程操控桥梁检测设备得以实现，并且可以灵活控制机器人到达指定地点，利用无线网络的远程控制优势可以大量减少人工操作。
进一步的，桥梁检测设备运用opencv图像处理技术识别桥体。
进一步的，摄像头19上一体成型有补光灯。
一种桥梁工程用的桥梁缺陷识别方法，包括以下步骤：
S1、STM32芯片8控制桥梁检测设备的车体23运动和机械臂20运动，WiFi模块9连接上位机4，实现远程控制桥梁检测设备；
S2、二维云台11控制机械臂20的旋转，机械臂20的臂身通过舵机二号15、舵机三号17控制，采用运动学逆解算算法，能够实现全范围全区域摄像头19扫描；
S3、树莓派2连接摄像头19，将采集到的图片数据进行图像处理并分析，数据传输给上位机4；
S3、运用opencv图像处理技术识别桥体，明显的裂痕，主体缺失等特征，收集到桥体表面数据，当检测到明显的桥体受损时系统报警，并上传图片，然后根据图片分析桥体受损程度等内容，排除其他干扰因素并筛选出有效的受损数据进行分析；
S4、图像分析中，引入基于卷积神经网络的图像处理算法对目标进行筛选有效数据，最后，通过图像灰度化，增加对比度，Canny边缘检测，用形态学连接临近裂缝，找出所有连通域，删除非裂缝噪点区域，对每个连通域提取骨架，测量长度和宽度等手段建立完善的桥体危害监测系统。基于图像形态的裂纹病害提取与测量应用的主要步骤有三个：图像拼接，基于形态的裂缝提取和裂缝测量计算；
S5、当发现有明显桥体受损表现后，机器自动报警并将数据传递给工程师进行判断，在工程师进行判断后，远程操控桥梁检测设备进行复检，再次采集数据，发出定位信息；
S6、桥梁检测设备利用桥梁裂缝视觉识别算法、高斯滤波、图片剪裁、图片处理算法。
高斯滤波的具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
若使用3×3模板，则计算公式如下：
g(x,y)＝{f(x-1,y-1)+f(x-1,y+1)+f(x+1,y-1)+f(x+1,y+1)+[f(x-1,y)+f(x,y-1)+f(x+1,y)+f(x,y+1)]*2+f(x,y)*4}/16；
其中，f(x,y)为图像中(x,y)点的灰度值，g(x,y)为该点经过高斯滤波后的值。
以下是OpenCV2-Python的滤波实例：
import cv2
img＝cv2.imread('D:/programe/matlab/img/man.jpg')
gaussian
cv2.GaussianBlur(img,ksize＝(5,5),sigmaX＝0,sigmaY＝0)
cv2.imshow('img',img)
cv2.imshow('gaussian',gaussian)cv2.waitKey(0)
进一步的，图像拼接的方法包括以下步骤：
S1、准备一系列参考图片和被拼接的图片,它们有部分重叠信息；
S2、分离和计算它们的OBR特征和描述；
S3、用K-NearestNeighbor(KNN)和Random Sample Consensus(RANSAC)的过滤找到匹配点；
S4、用筛选过的匹配对计算单应性；
S5、用单应性把图片的投影拼接到参考图片上；
S6、用加权平均算法减弱重叠区域的强度。
进一步的，基于形态的裂缝提取方法包括以下步骤：
S1、准备一系列已经拼接完成的图片，并且完成高斯处理；
S2、采用Sobel算子边缘检测，计算梯度变化；
S3、设定阈值，删除小于阈值的孤立梯度变化点；
S4、计算经步骤3处理后的边缘流场方向向量切向量和法向量；
S5、以边缘起始搜索方向，计算向量集合和形态特征；
S6、提取符合形态的特征的裂缝结果，并输出数据集。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种桥梁工程用的桥梁缺陷检测设备，包括二维云台(11)、机械臂(20)和车体(23)，其特征在于：所述车体(23)包括轮胎(1)和底盘(5)，所述底盘(5)的下方共安装有四个所述轮胎(1)，所述底盘(5)的上方设有所述二维云台(11)，所述二维云台(11)包括舵机一号(10)和步进电机(12)，所述舵机一号(10)固定于所述底盘(5)的上表面中部，且所述舵机一号(10)的上表面固定连接有所述步进电机(12)，所述步进电机(12)的一侧设有所述机械臂(20)，所述机械臂(20)包括第一支撑杆(14)、舵机二号(15)、第二支撑杆(16)、舵机三号(17)和第三支撑杆(18)，所述步进电机(12)的输出轴通过联轴器(13)固定连接有所述第一支撑杆(14)，所述第一支撑杆(14)的一侧安装有所述舵机二号(15)，所述舵机二号(15)的一侧安装有所述第二支撑杆(16)，所述第二支撑杆(16)的一侧安装有所述舵机三号(17)，所述舵机三号(17)的一侧安装有所述第三支撑杆(18)，所述第三支撑杆(18)的一端固定连接有摄像头(19)，所述底盘(5)的上表面安装有树莓派(2)、GPS模块(3)、上位机(4)、主控芯片(6)、ESP8266模块(7)、STM32芯片(8)、WiFi模块(9)、12V电源供电模块(21)和信息采集模块(22)，桥梁检测设备由所述12V电源供电模块(21)供电，将12V电压降压并稳压至5V和7.5V，其中5V电源供电给所述主控芯片(6)和所述树莓派(2)，7.5V电压供电给所述舵机一号(10)、所述舵机二号(15)和所述舵机三号(17)，12V电压供电给四个直流减速电机组成的所述车体(23)，所述信息采集模块(22)引入基于卷积神经网络的图像处理算法对目标进行筛选有效数据，通过图像灰度化，增加对比度，Canny边缘检测，用形态学连接临近裂缝，找出所有连通域，删除非裂缝噪点区域，对每个连通域提取骨架，测量长度和宽度等手段建立完善的桥体危害监测系统，基于图像形态的裂纹病害提取与测量应用的主要步骤有三个：图像拼接，基于形态的裂缝提取和裂缝测量计算，所述GPS模块(3)可以向上位机实时发送动态位置，所述STM32芯片(8)控制所述车体(23)和所述机械臂(20)的运动，通过所述WiFi模块(9)与所述上位机(4)连接，实现远程控制桥梁检测设备的功能，所述树莓派(2)连接所述摄像头(19)，将采集到的图片数据进行图像处理并分析，最后将数据传送至所述上位机(4)上。
2.根据权利要求1所述的一种桥梁工程用的桥梁缺陷检测设备，其特征在于：所述车体(23)整体大小在400*300mm。
3.根据权利要求2所述的一种桥梁工程用的桥梁缺陷检测设备，其特征在于：所述机械臂(20)采用逆解算算法优化路径，所述机械臂(20)由所述二维云台(11)控制旋转方向，所述舵机二号(15)、所述舵机三号(17)转动270°，所述舵机一号(10)转动360°，所述第一支撑杆(14)、所述第二支撑杆(16)和所述第三支撑杆(18)采用圆柱形碳纤维结构。
4.根据权利要求3所述的一种桥梁工程用的桥梁缺陷检测设备，其特征在于：所述STM32芯片(8)与所述ESP8266模块(7)互联，使得远程操控桥梁检测设备得以实现，并且可以灵活控制机器人到达指定地点。
5.根据权利要求4所述的一种桥梁工程用的桥梁缺陷检测设备，其特征在于：桥梁检测设备运用opencv图像处理技术识别桥体。
6.根据权利要求5所述的一种桥梁工程用的桥梁缺陷检测设备，其特征在于：所述摄像头(19)上一体成型有补光灯。
7.根据权利要求6所述的一种桥梁工程用的桥梁缺陷识别方法，其特征在于：包括以下步骤：
S1、STM32芯片(8)控制桥梁检测设备的车体(23)运动和机械臂(20)运动，WiFi模块(9)连接上位机(4)，实现远程控制桥梁检测设备；
S2、二维云台(11)控制所述机械臂(20)的旋转，所述机械臂(20)的臂身通过舵机二号(15)、舵机三号(17)控制，采用运动学逆解算算法，能够实现全范围全区域摄像头(19)扫描；
S3、树莓派(2)连接摄像头(19)，将采集到的图片数据进行图像处理并分析，数据传输给所述上位机(4)；
S3、运用opencv图像处理技术识别桥体，明显的裂痕，主体缺失等特征，收集到桥体表面数据，当检测到明显的桥体受损时系统报警，并上传图片，然后根据图片分析桥体受损程度等内容，排除其他干扰因素并筛选出有效的受损数据进行分析；
S4、图像分析中，引入基于卷积神经网络的图像处理算法对目标进行筛选有效数据，最后，通过图像灰度化，增加对比度，Canny边缘检测，用形态学连接临近裂缝，找出所有连通域，删除非裂缝噪点区域，对每个连通域提取骨架，测量长度和宽度等手段建立完善的桥体危害监测系统。基于图像形态的裂纹病害提取与测量应用的主要步骤有三个：图像拼接，基于形态的裂缝提取和裂缝测量计算；
S5、当发现有明显桥体受损表现后，机器自动报警并将数据传递给工程师进行判断，在工程师进行判断后，远程操控桥梁检测设备进行复检，再次采集数据，发出定位信息；
S6、桥梁检测设备利用桥梁裂缝视觉识别算法、高斯滤波、图片剪裁、图片处理算法。
8.根据权利要求7所述的一种桥梁工程用的桥梁缺陷识别方法，其特征在于：所述图像拼接的方法包括以下步骤：
S1、准备一系列参考图片和被拼接的图片,它们有部分重叠信息；
S2、分离和计算它们的OBR特征和描述；
S3、用K-NearestNeighbor和Random Sample Consensus的过滤找到匹配点；
S4、用筛选过的匹配对计算单应性；
S5、用单应性把图片的投影拼接到参考图片上；
S6、用加权平均算法减弱重叠区域的强度。
9.根据权利要求8所述的一种桥梁工程用的桥梁缺陷识别方法，其特征在于：所述基于形态的裂缝提取方法包括以下步骤：
S1、准备一系列已经拼接完成的图片，并且完成高斯处理；
S2、采用Sobel算子边缘检测，计算梯度变化；
S3、设定阈值，删除小于阈值的孤立梯度变化点；
S4、计算经步骤3处理后的边缘流场方向向量；
S5、以边缘起始搜索方向，计算向量集合和形态特征；
S6、提取符合形态的特征的裂缝结果，并输出数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211232647.8A CN115452723A (zh) | 2022-10-09 | 2022-10-09 | 一种桥梁工程用的桥梁缺陷检测设备及缺陷识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211232647.8A CN115452723A (zh) | 2022-10-09 | 2022-10-09 | 一种桥梁工程用的桥梁缺陷检测设备及缺陷识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115452723A true CN115452723A (zh) | 2022-12-09 |
Family
ID=84309346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211232647.8A Pending CN115452723A (zh) | 2022-10-09 | 2022-10-09 | 一种桥梁工程用的桥梁缺陷检测设备及缺陷识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115452723A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116147505A (zh) * | 2023-04-19 | 2023-05-23 | 交通运输部公路科学研究所 | 一种用于桥梁缺陷检测的智能检测终端 |
| CN116148269A (zh) * | 2023-04-24 | 2023-05-23 | 湖南工商大学 | 一种焊缝检测装置、控制系统及焊缝图像识别方法 |
| CN116402896A (zh) * | 2023-06-08 | 2023-07-07 | 上海韬润半导体有限公司 | 一种基于图形算法检查电源结构的方法和系统 |
| CN117388277A (zh) * | 2023-12-08 | 2024-01-12 | 江苏现代工程检测有限公司 | 一种桥梁裂缝检测装置 |
| CN117876359A (zh) * | 2024-03-04 | 2024-04-12 | 金品计算机科技(天津)有限公司 | 一种橡胶制品缺陷检测方法、装置、设备及介质 |
-
2022
- 2022-10-09 CN CN202211232647.8A patent/CN115452723A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116147505A (zh) * | 2023-04-19 | 2023-05-23 | 交通运输部公路科学研究所 | 一种用于桥梁缺陷检测的智能检测终端 |
| CN116148269A (zh) * | 2023-04-24 | 2023-05-23 | 湖南工商大学 | 一种焊缝检测装置、控制系统及焊缝图像识别方法 |
| CN116402896A (zh) * | 2023-06-08 | 2023-07-07 | 上海韬润半导体有限公司 | 一种基于图形算法检查电源结构的方法和系统 |
| CN116402896B (zh) * | 2023-06-08 | 2023-08-04 | 上海韬润半导体有限公司 | 一种基于图形算法检查电源结构的方法和系统 |
| CN117388277A (zh) * | 2023-12-08 | 2024-01-12 | 江苏现代工程检测有限公司 | 一种桥梁裂缝检测装置 |
| CN117388277B (zh) * | 2023-12-08 | 2024-02-06 | 江苏现代工程检测有限公司 | 一种桥梁裂缝检测装置 |
| CN117876359A (zh) * | 2024-03-04 | 2024-04-12 | 金品计算机科技(天津)有限公司 | 一种橡胶制品缺陷检测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115452723A (zh) | 一种桥梁工程用的桥梁缺陷检测设备及缺陷识别方法 | |
| CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
| CN105654461B (zh) | 一种多分裂导线间隔棒断裂的机器视觉检测方法 | |
| CN110991466A (zh) | 一种基于新型视觉传感设备的高速公路路面状况检测系统 | |
| CN113537016B (zh) | 一种道路巡查中道路损伤自动检测预警的方法 | |
| CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
| CN103196372B (zh) | 一种电气化铁路接触网支持装置的光学成像检测方法 | |
| CN109754368A (zh) | 一种桥梁质量检测中的裂缝拼接方法 | |
| CN103837087B (zh) | 基于主动形状模型的受电弓自动检测方法 | |
| CN109993742B (zh) | 基于对角导数算子的桥梁裂缝快速识别方法 | |
| CN112819766A (zh) | 一种桥梁缺陷检修方法、设备、系统及存储介质 | |
| CN114689600A (zh) | 一种桥梁混凝土结构表面裂缝检测方法及系统 | |
| CN112308826A (zh) | 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 | |
| CN110658209A (zh) | 一种随车道路缺陷智能快速检测方法 | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
| 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 | |
| CN115616000A (zh) | 一种泄洪隧洞自动巡检和蚀损缺陷智能检测方法及设备 | |
| Shao et al. | PTZ camera-based image processing for automatic crack size measurement in expressways | |
| Wang et al. | Automated shape-based pavement crack detection approach | |
| CN112627023A (zh) | 一种智能桥梁检测方法、系统及智能桥梁检测机器人 | |
| CN113092502A (zh) | 一种无人机路面破损检测方法与系统 | |
| CN115078393B (zh) | 基于计算机视觉的简支空心板桥铰接缝损伤检测方法 | |
| CN111595859A (zh) | 桥涵损伤检测方法及损伤检测、管理系统 | |
| CN105780631A (zh) | 一种手推式水泥混凝土路面接缝损坏检测装置 | |
| CN211577010U (zh) | 建构筑物病害巡检装置及系统 |
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 |