CN115578315A - 一种基于无人机图像的桥梁应变近景摄影测量方法 - Google Patents
一种基于无人机图像的桥梁应变近景摄影测量方法 Download PDFInfo
- Publication number
- CN115578315A CN115578315A CN202211088998.6A CN202211088998A CN115578315A CN 115578315 A CN115578315 A CN 115578315A CN 202211088998 A CN202211088998 A CN 202211088998A CN 115578315 A CN115578315 A CN 115578315A
- Authority
- CN
- China
- Prior art keywords
- coding
- point
- image
- aerial vehicle
- unmanned aerial
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
Abstract
本发明公开了一种基于无人机图像的桥梁应变近景摄影测量方法,包括如下步骤:在桥梁待检测位置粘贴编码点;利用无人机在水平立面内多个位置从不同角度固定焦距分别拍摄待测区域变形前、后两组包含所有编码点的图像;对图像进行自动处理和识别定位;利用摄影测量算法进行三维空间点重构;利用MATLAB工具对重构完成的三维点坐标数据进行处理,从而计算桥梁待测区域内应变。本发明无须在结构上安装复杂的传感器,同时相较于传统非接触式检测手段,基于无人机图像的的测量方法具有安全系数高,操作难度低,采集效率高,对现场环境要求低等显著优点,可以快速实时获得桥梁局部应变数据,为建立一体化,实时化、轻便化的桥梁检测体系提供依据。
Description
技术领域
本发明涉及结构健康监测技术领域,具体涉及一种基于无人机图像的桥梁应变近景摄影测量方法。
背景技术
随着经济飞速发展以及科学技术稳步提升,桥梁健康监测领域也在不断发展,城市大型桥梁的大规模建造,传统的桥梁检监测手段需要人工测量记录,效率低、耗时长、成本高、受环境及人员技术影响大;接触式的检监测手段需要在现场布置大量的传感器,具有传感器安装难度大,检测设备机动性差,信息化程度低等缺点。因此,对桥梁应变进行现场非接触式检测具有十分重要的意义。然而,目前非接触式检测手段大多借助工业相机,或单反相机完成,存在操作不够灵活方便,对现场架设环境要求高,检测效率不足等缺点。综上,一种基于无人机图像的非接触式桥梁响应检测手段对将来实现一体化,实时化、轻便化的桥梁健康检测体系具有重大作用。
发明内容
本发明目的:在于提供一种基于无人机图像的桥梁应变近景摄影测量方法,以实现快速实时获得桥梁局部应变数据,为建立一体化,实时化、轻便化的桥梁检测体系提供依据。
为实现以上功能,本发明设计一种基于无人机图像的桥梁应变近景摄影测量方法,针对目标桥梁的待测区域,执行以下步骤S1-步骤S5,获得目标桥梁的待测区域内发生变形的应变:
步骤S1:在目标桥梁待测区域中的各待测位置粘贴编码点,根据预设编码规则,各编码点均具有与其一一对应的数字编码;
步骤S2:采用无人机在各预设拍摄位置、以各预设拍摄角度、以固定焦距分别拍摄一组待测区域变形前的图像组,以及一组待测区域变形后的图像组,其中各图像组包含至少十张图像,每张图像包含所有编码点;
步骤S3:分别针对步骤S2所获得的各图像,采用空间域图像增强方法中的高斯滤波去噪进行预处理,针对预处理后的图像,采用Canny边缘检测算法对编码点进行整像素边缘提取,获得编码点边缘的像素点构成的边缘点序列,针对边缘点序列采用递归算法进行边缘连接;
对所获得的图像中各编码点进行识别筛选,以及编码点解码,并针对各编码点,采用亚像素边缘点椭圆中心定位算法完成编码点中心定位;
步骤S4:基于无人机相机参数,以及步骤S3所获得的编码点信息,采用摄影测量算法,完成各编码点所对应的三维空间点重构;
步骤S5:基于步骤S4所获得的三维空间点,根据各三维空间点的坐标,基于MATLAB工具,计算待测区域变形前后各三维空间点之间的线应变,进一步获得目标桥梁的待测区域内的应变。
作为本发明的一种优选技术方案:所述各编码点为环状。
作为本发明的一种优选技术方案:步骤S2的具体步骤如下:
步骤S21:无人机飞行至其中一个预设拍摄位置,该预设拍摄位置与待测区域中心位于同一水平高度,且与待测区域中心相距预设距离;调整无人机的相机焦距,使得各编码中心点在所拍摄图像中大小为十像素;
步骤S22:关闭无人机相机的白平衡和自动调焦功能,使无人机在不同预设拍摄位置以固定焦距分别拍摄一组待测区域变形前的图像组,以及一组待测区域变形后的图像组,其中各图像组包含至少十张图像,每张图像包含所有编码点;其中各预设拍摄位置位于同一立面,且各预设拍摄位置与待测区域中心的连线与水平线夹角在15度以上,20度以下。
作为本发明的一种优选技术方案:步骤S3的具体步骤如下:
步骤S31:采用空间域图像增强方法中的高斯滤波去噪对图像进行预处理,其中高斯滤波采用二阶高斯函数,其表达式如下式:
式中,x,y分别为图像中像素点的横纵坐标,σ为标准差影响滤波的平滑程度,将σ=1的5*5高斯模板带入下式:
式中,ω(s,t)为高斯模板系数值,s、t分别为高斯模板的列数和行数,f(x,y)为原图像灰度值,高斯模板大小为a*b,g(x,y)为滤波后的图像灰度值;
步骤S32:采用差分模板对预处理后的图像中的边缘部分进行增强,采用Sobel算子模板对步骤S31所获得的图像进行卷积运算,以及灰度梯度值计算得到梯度方向;再进行梯度方向梯度幅值非极大值抑制,最后利用双阈值算法检测和递归算法连接边缘;
步骤S33:利用灰度亮度下限准则、圆度上限准则、面积上下限准则对编码点进行识别筛选,再根据编码点的编码规则对编码点所对应的数字编码进行解码;
其中,灰度亮度下限准则为设定一个灰度阈值,若像素点的灰度大于该灰度阈值,则判定该像素点为属于编码点的像素点,否则判定该像素点为属于背景的像素点;
圆度上限准则如下式:
式中,Ce为编码点圆度,户为目标周长,A为目标面积;
面积上下限准则为:根据编码点中心圆有效区域在图像上的面积,设定面积阈值上限、下限,在该面积阈值上限、下限以外的封闭区域,则判定为背景;
步骤S34:采用亚像素边缘点椭圆中心定位算法完成编码点中心定位。
作为本发明的一种优选技术方案:步骤S4的具体方法如下:
通过设定初始无人机相机参数,初始无人机相机参数包括焦距大小、传感器尺寸大小、基准尺信息,以及步骤S3所获得的编码点信息,通过无人机相机内外参数进行自标定的光束平差法迭代,完成各编码点所的三维空间点重构。
作为本发明的一种优选技术方案:步骤S5的具体步骤如下:
步骤S51:针对步骤S4所获得的三维空间点中的A0和B0,待测区域变形前三维空间点A0和B0坐标分别为A0(x1,y1),B0(x2,y2),待测区域变形后三维空间点A0和B0坐标分别为A′0(x1+Δx1,y1+Δy1),B′0(x2+Δx2,y2+Δy2);
步骤S52:基于MATLAB工具,计算待测区域变形前后三维空间点A0和B0之间的线应变如下式:
式中,εx、εy分别为三维空间点A0和B0之间X方向、Y方向的线应变,Lx为A0和B0之间在X方向上的距离,Ly为A0和B0之间在Y方向上的距离;
步骤S53:基于步骤S52所获得的三维空间点之间的线应变,利用绘图工具获得待测区域内的应变云图,完成目标桥梁的待测区域内的应变的测量。
有益效果:相对于现有技术,本发明的优点包括:
一、本发明不需要安装复杂传感器,具有操作便捷,测量范围广的优点。
二、图像多角度采集。基于无人机拍摄功能,在工程现场能完成支架相机或手持单反无法完成的拍摄角度任务,具有安全系数高,操作难度低,采集效率高,对现场环境要求低等优点。
三、数据保存便捷。采集的无人机照片便于保存,为建立桥梁检测数据库提供便利。
四、应变数据实时计算。通过无人机无线传输至电脑端进行计算,通过软件实时计算获得应变数据,获得的应变数据还可以进一步为计算桥梁应力提供依据,从而实现一体化,实时化,轻便化的桥梁检测。
附图说明
图1是根据本发明实施例提供的无人机采集编码点图像的示意图;
图2是根据本发明实施例提供的基于无人机图像的桥梁应变近景摄影测量方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
参照图1,本发明实施例提供的一种基于无人机图像的桥梁应变近景摄影测量方法,针对目标桥梁的待测区域,参照图2,执行以下步骤S1-步骤S5,获得目标桥梁的待测区域内发生变形的应变:
步骤S1:在目标桥梁待测区域中的各待测位置粘贴编码点,根据预设编码规则,各编码点均具有与其一一对应的数字编码;为了提高粘贴质量和检测精度,可以选择性地对目标桥梁待检测区域进行除锈或喷漆处理,用高黏性的纳米胶进行编码点和目标桥梁表面的粘结。
其中,所述各编码点为环状。
步骤S2:采用无人机在各预设拍摄位置、以各预设拍摄角度、以固定焦距分别拍摄一组待测区域变形前的图像组,以及一组待测区域变形后的图像组,其中各图像组包含至少十张图像,每张图像包含所有编码点;
步骤S2的具体步骤如下:
步骤S21:无人机飞行至其中一个预设拍摄位置,该预设拍摄位置与待测区域中心位于同一水平高度,且与待测区域中心相距预设距离;调整无人机的相机焦距,使得各编码中心点在所拍摄图像中大小为十像素;
步骤S22:关闭无人机相机的白平衡和自动调焦功能,使无人机在不同预设拍摄位置以固定焦距分别拍摄一组待测区域变形前的图像组,以及一组待测区域变形后的图像组,其中各图像组包含至少十张图像,每张图像包含所有编码点;其中各预设拍摄位置位于同一立面,且各预设拍摄位置与待测区域中心的连线与水平线夹角在15度以上,20度以下。
步骤S3:分别针对步骤S2所获得的各图像,采用空间域图像增强方法中的高斯滤波去噪进行预处理,针对预处理后的图像,采用Canny边缘检测算法对编码点进行整像素边缘提取,获得编码点边缘的像素点构成的边缘点序列,针对边缘点序列采用递归算法进行边缘连接;
对所获得的图像中各编码点进行识别筛选,以及编码点解码,并针对各编码点,采用亚像素边缘点椭圆中心定位算法完成编码点中心定位;
步骤S3的具体步骤如下:
步骤S31:采用空间域图像增强方法中的高斯滤波去噪对图像进行预处理,其中高斯滤波采用二阶高斯函数,其表达式如下式:
式中,x,y分别为图像中像素点的横纵坐标,σ为标准差影响滤波的平滑程度,将σ=1的5*5高斯模板带入下式:
式中,ω(s,t)为高斯模板系数值,s、t分别为高斯模板的列数和行数,f(x,y)为原图像灰度值,高斯模板大小为a*b,g(x,y)为滤波后的图像灰度值;
步骤S32:Canny边缘检测算法进行整像素边缘提取:采用差分模板对预处理后的图像中的边缘部分进行增强,采用Sobel算子模板对步骤S31所获得的图像进行卷积运算,以及灰度梯度值计算得到梯度方向;再进行梯度方向梯度幅值非极大值抑制,最后利用双阈值算法检测和递归算法连接边缘;
步骤S33:利用灰度亮度下限准则、圆度上限准则、面积上下限准则对编码点特征识别筛选,再根据编码点的编码规则对编码点所对应的数字编码进行解码;
其中,灰度亮度下限准则为设定一个灰度阈值,若像素点的灰度大于该灰度阈值,则判定该像素点为属于编码点的像素点,否则判定该像素点为属于背景的像素点;
圆度上限准则如下式:
式中,Ce为编码点圆度,P为目标周长,A为目标面积,其中目标面积A通过编码点的边缘点序列进行最小二乘法椭圆拟合求得椭圆面积;
面积上下限准则为:根据编码点中心圆有效区域在图像上的面积,设定面积阈值上限、下限,在该面积阈值上限、下限以外的封闭区域,则判定为背景;
步骤S34:采用亚像素边缘点椭圆中心定位算法完成编码点中心定位。
步骤S4:基于无人机相机参数,以及步骤S3所获得的编码点信息,采用摄影测量算法,完成各编码点所对应的三维空间点重构;
步骤S4的具体方法如下:
通过设定初始无人机相机参数,初始无人机相机参数包括焦距大小、传感器尺寸大小、基准尺信息,以及步骤S3所获得的编码点信息,通过无人机相机内外参数进行自标定的光束平差法迭代,完成各编码点所的三维空间点重构。
其中自标定的光束平差法迭代是以每个光束作为基本平差单元,以像素点坐标作为观测值,按照共线条件方程列出误差方程,在全区域内统一进行平差处理,以此对相机内参、外参以及空间点坐标进行优化求解。
步骤S5:基于步骤S4所获得的三维空间点,根据各三维空间点的坐标,基于MATLAB工具,计算待测区域变形前后各三维空间点之间的线应变,进一步获得目标桥梁的待测区域内的应变。
步骤S5的具体步骤如下:
步骤S51:针对步骤S4所获得的三维空间点中的A0和B0,待测区域变形前三维空间点A0和B0坐标分别为A0(x1,y1),B0(x2,y2),待测区域变形后三维空间点A0和B0坐标分别为A′0(x1+Δx1,y1+Δy1),B′0(x2+Δx2,y2+Δy2);
步骤S52:基于MATLAB工具,计算待测区域变形前后三维空间点A0和B0之间的线应变如下式:
式中,εx、εy分别为三维空间点A0和B0之间X方向、Y方向的线应变,Lx为A0和B0之间在X方向上的距离,Ly为A0和B0之间在Y方向上的距离;
步骤S53:基于步骤S52所获得的三维空间点之间的线应变,利用绘图工具获得待测区域内的应变云图,完成目标桥梁的待测区域内的应变的测量。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.一种基于无人机图像的桥梁应变近景摄影测量方法,其特征在于,针对目标桥梁的待测区域,执行以下步骤S1-步骤S5,获得目标桥梁的待测区域内发生变形的应变:
步骤S1:在目标桥梁待测区域中的各待测位置粘贴编码点,根据预设编码规则,各编码点均具有与其一一对应的数字编码;
步骤S2:采用无人机在各预设拍摄位置、以各预设拍摄角度、以固定焦距分别拍摄一组待测区域变形前的图像组,以及一组待测区域变形后的图像组,其中各图像组包含至少十张图像,每张图像包含所有编码点;
步骤S3:分别针对步骤S2所获得的各图像,采用空间域图像增强方法中的高斯滤波去噪进行预处理,针对预处理后的图像,采用Canny边缘检测算法对编码点进行整像素边缘提取,获得编码点边缘的像素点构成的边缘点序列,针对边缘点序列采用递归算法进行边缘连接;
对所获得的图像中各编码点进行识别筛选,以及编码点解码,并针对各编码点,采用亚像素边缘点椭圆中心定位算法完成编码点中心定位;
步骤S4:基于无人机相机参数,以及步骤S3所获得的编码点信息,采用摄影测量算法,完成各编码点所对应的三维空间点重构;
步骤S5:基于步骤S4所获得的三维空间点,根据各三维空间点的坐标,基于MATLAB工具,计算待测区域变形前后各三维空间点之间的线应变,进一步获得目标桥梁的待测区域内的应变。
2.根据权利要求1所述的一种基于无人机图像的桥梁应变近景摄影测量方法,其特征在于,所述各编码点为环状。
3.根据权利要求1或2所述的一种基于无人机图像的桥梁应变近景摄影测量方法,其特征在于,步骤S2的具体步骤如下:
步骤S21:无人机飞行至其中一个预设拍摄位置,该预设拍摄位置与待测区域中心位于同一水平高度,且与待测区域中心相距预设距离;调整无人机的相机焦距,使得各编码中心点在所拍摄图像中大小为十像素;
步骤S22:关闭无人机相机的白平衡和自动调焦功能,使无人机在不同预设拍摄位置以固定焦距分别拍摄一组待测区域变形前的图像组,以及一组待测区域变形后的图像组,其中各图像组包含至少十张图像,每张图像包含所有编码点;其中各预设拍摄位置位于同一立面,且各预设拍摄位置与待测区域中心的连线与水平线夹角在15度以上,20度以下。
4.根据权利要求2所述的一种基于无人机图像的桥梁应变近景摄影测量方法,其特征在于,步骤S3的具体步骤如下:
步骤S31:采用空间域图像增强方法中的高斯滤波去噪对图像进行预处理,其中高斯滤波采用二阶高斯函数,其表达式如下式:
式中,x,y分别为图像中像素点的横纵坐标,σ为标准差影响滤波的平滑程度,将σ=1的5*5高斯模板带入下式:
式中,ω(s,t)为高斯模板系数值,s、t分别为高斯模板的列数和行数,f(x,y)为原图像灰度值,高斯模板大小为a*b,g(x,y)为滤波后的图像灰度值;
步骤S32:采用差分模板对预处理后的图像中的边缘部分进行增强,采用Sobel算子模板对步骤S31所获得的图像进行卷积运算,以及灰度梯度值计算得到梯度方向;再进行梯度方向梯度幅值非极大值抑制,最后利用双阈值算法检测和递归算法连接边缘;
步骤S33:利用灰度亮度下限准则、圆度上限准则、面积上下限准则对编码点进行识别筛选,再根据编码点的编码规则对编码点所对应的数字编码进行解码;
其中,灰度亮度下限准则为设定一个灰度阈值,若像素点的灰度大于该灰度阈值,则判定该像素点为属于编码点的像素点,否则判定该像素点为属于背景的像素点;
圆度上限准则如下式:
式中,Ce为编码点圆度,P为目标周长,A为目标面积;
面积上下限准则为:根据编码点中心圆有效区域在图像上的面积,设定面积阈值上限、下限,在该面积阈值上限、下限以外的封闭区域,则判定为背景;
步骤S34:采用亚像素边缘点椭圆中心定位算法完成编码点中心定位。
5.根据权利要求4所述的一种基于无人机图像的桥梁应变近景摄影测量方法,其特征在于,步骤S4的具体方法如下:
通过设定初始无人机相机参数,初始无人机相机参数包括焦距大小、传感器尺寸大小、基准尺信息,以及步骤S3所获得的编码点信息,通过无人机相机内外参数进行自标定的光束平差法迭代,完成各编码点所的三维空间点重构。
6.根据权利要求5所述的一种基于无人机图像的桥梁应变近景摄影测量方法,其特征在于,步骤S5的具体步骤如下:
步骤S51:针对步骤S4所获得的三维空间点中的A0和B0,待测区域变形前三维空间点A0和B0坐标分别为A0(x1,y1),B0(x2,y2),待测区域变形后三维空间点A0和B0坐标分别为A′0(x1+Δx1,y1+Δy1),B′0(x2+Δx2,y2+Δy2);
步骤S52:基于MATLAB工具,计算待测区域变形前后三维空间点A0和B0之间的线应变如下式:
式中,εx、εy分别为三维空间点A0和B0之间X方向、Y方向的线应变,Lx为A0和B0之间在X方向上的距离,Ly为A0和B0之间在Y方向上的距离;
步骤S53:基于步骤S52所获得的三维空间点之间的线应变,利用绘图工具获得待测区域内的应变云图,完成目标桥梁的待测区域内的应变的测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211088998.6A CN115578315A (zh) | 2022-09-07 | 2022-09-07 | 一种基于无人机图像的桥梁应变近景摄影测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211088998.6A CN115578315A (zh) | 2022-09-07 | 2022-09-07 | 一种基于无人机图像的桥梁应变近景摄影测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115578315A true CN115578315A (zh) | 2023-01-06 |
Family
ID=84581529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211088998.6A Pending CN115578315A (zh) | 2022-09-07 | 2022-09-07 | 一种基于无人机图像的桥梁应变近景摄影测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578315A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116518868A (zh) * | 2023-07-05 | 2023-08-01 | 深圳市海塞姆科技有限公司 | 基于人工智能的变形测量方法、装置、设备及存储介质 |
CN116630321A (zh) * | 2023-07-24 | 2023-08-22 | 铁正检测科技有限公司 | 基于人工智能的桥梁健康智能监测系统 |
CN117649401A (zh) * | 2024-01-26 | 2024-03-05 | 河南省建筑质量监督检验中心有限公司 | 一种桥梁安全检测方法、系统、设备及介质 |
-
2022
- 2022-09-07 CN CN202211088998.6A patent/CN115578315A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116518868A (zh) * | 2023-07-05 | 2023-08-01 | 深圳市海塞姆科技有限公司 | 基于人工智能的变形测量方法、装置、设备及存储介质 |
CN116518868B (zh) * | 2023-07-05 | 2023-08-25 | 深圳市海塞姆科技有限公司 | 基于人工智能的变形测量方法、装置、设备及存储介质 |
CN116630321A (zh) * | 2023-07-24 | 2023-08-22 | 铁正检测科技有限公司 | 基于人工智能的桥梁健康智能监测系统 |
CN116630321B (zh) * | 2023-07-24 | 2023-10-03 | 铁正检测科技有限公司 | 基于人工智能的桥梁健康智能监测系统 |
CN117649401A (zh) * | 2024-01-26 | 2024-03-05 | 河南省建筑质量监督检验中心有限公司 | 一种桥梁安全检测方法、系统、设备及介质 |
CN117649401B (zh) * | 2024-01-26 | 2024-05-03 | 河南省建筑质量监督检验中心有限公司 | 一种桥梁安全检测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578315A (zh) | 一种基于无人机图像的桥梁应变近景摄影测量方法 | |
CN103512579B (zh) | 一种基于热红外摄像机和激光测距仪的地图构建方法 | |
CN109029299B (zh) | 舱段销孔对接转角的双相机测量装置及测量方法 | |
CN110008893B (zh) | 一种基于车载图像传感器的车辆行驶跑偏自动检测方法 | |
CN110956661B (zh) | 基于双向单应矩阵的可见光与红外相机动态位姿计算方法 | |
CN112254656B (zh) | 一种基于结构表面点特征的立体视觉三维位移测量方法 | |
CN108007388A (zh) | 一种基于机器视觉的转盘角度高精度在线测量方法 | |
CN102768762B (zh) | 一种针对盾构隧道病害数字照相检测的数码相机标定方法及其装置 | |
CN104700395A (zh) | 一种构造物外观裂缝检测方法及系统 | |
CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
CN113240747B (zh) | 一种基于计算机视觉的户外结构振动位移自动化监测方法 | |
CN113340277B (zh) | 一种基于无人机倾斜摄影的高精度定位方法 | |
CN110889829A (zh) | 一种基于鱼眼镜头的单目测距方法 | |
CN109472778B (zh) | 一种基于无人机的高耸结构外观检测方法 | |
CN117036300A (zh) | 基于点云-rgb异源图像多级配准映射的路面裂缝识别方法 | |
CN115717867A (zh) | 一种基于机载双相机和目标追踪的桥梁变形测量方法 | |
CN116625258A (zh) | 链条间距测量系统及链条间距测量方法 | |
CN109883400B (zh) | 基于yolo-sitcol的固定站自动目标检测与空间定位方法 | |
Knyaz et al. | Joint geometric calibration of color and thermal cameras for synchronized multimodal dataset creating | |
CN105157564A (zh) | 一种网架单元拼装精度快速自动化摄影测量方法 | |
Feng et al. | Crack assessment using multi-sensor fusion simultaneous localization and mapping (SLAM) and image super-resolution for bridge inspection | |
Motayyeb et al. | Fusion of UAV-based infrared and visible images for thermal leakage map generation of building facades | |
Wang et al. | Vision technique for deflection measurements based on laser positioning | |
CN117095315A (zh) | 一种高精度溢洪道底板混凝土结构表面裂缝特征检测方法 | |
Peppa et al. | Handcrafted and learning-based tie point features-comparison using the EuroSDR RPAS benchmark datasets |
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 |