CN115797350B - 桥梁病害检测方法、装置、计算机设备和存储介质 - Google Patents
桥梁病害检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115797350B CN115797350B CN202310070370.1A CN202310070370A CN115797350B CN 115797350 B CN115797350 B CN 115797350B CN 202310070370 A CN202310070370 A CN 202310070370A CN 115797350 B CN115797350 B CN 115797350B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional point
- bridge
- target
- cloud data
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种桥梁病害检测方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括:获取三维点云模型与数字图像;根据第一深度学习模型,分离三维点云模型中目标桥梁所处环境的三维点云数据以及目标桥梁的三维点云,提取目标桥梁的三维点云数据;根据多视角三维重建方法,将目标桥梁的三维点云数据投影至数字图像,得到标记出目标桥梁的数字图像;将标记出目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,并根据第二深度学习模型识别目标图像中目标桥梁的病害信息。采用本方法能够提高目标桥梁中病害信息识别的准确率。
Description
技术领域
本申请涉及计算机视觉领域,特别是涉及一种桥梁病害检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着计算机视觉的发展,越来越多自动化设备代替人工。桥梁结构的检测和监测工作是桥梁安全施工和运营的重要保障,例如,监测桥梁结构中是否有混凝土剥落、孔洞和裂缝等外观病害。
传统的桥梁结构检测方法采用搭载相机的无人机沿预设的巡航路径飞行,在飞行过程中拍摄桥梁的图像,获取海量的桥梁图像的原始数据之后,进一步通过深度学习模型等识别桥梁图像中的病害信息。
然而,目前的基于深度学习模型检测桥梁病害信息,在真实工程场景中,拍摄的图像往往具有复杂的背景信息,利用具有复杂的背景信息的图像进行深度学习模型的学习和识别桥梁中的病害信息,导致深度学习模型识别病害信息的准确度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种桥梁病害检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种桥梁病害检测方法。所述方法包括:
获取三维点云模型与数字图像;所述三维点云模型包括目标桥梁以及所述目标桥梁所处环境的三维点云数据;所述数字图像包括所述目标桥梁的图像信息以及以所述目标桥梁所处环境为背景的背景图像信息;
根据第一深度学习模型,分离所述三维点云模型中所述目标桥梁所处环境的三维点云数据以及所述目标桥梁的三维点云,提取所述目标桥梁的三维点云数据;
根据多视角三维重建方法,将所述目标桥梁的三维点云数据投影至所述数字图像,得到标记出所述目标桥梁的数字图像;
将所述标记出所述目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,并根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息。
在其中一个实施例中,所述获取三维点云模型与数字图像,包括:
获取所述目标桥梁的各个角度的数字图像;
根据各个角度的所述数字图像以及所述多视角三维重建方法,建立三维点云模型。
在其中一个实施例中,所述将所述标记出所述目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,包括:
根据边缘提取方法得到所述目标桥梁的边界,在所述标记出所述目标桥梁的数字图像中将所述目标桥梁的边界以外的部分进行消除,得到所述目标图像。
在其中一个实施例中,所述根据第一深度学习模型,分离所述三维点云模型中所述目标桥梁所处环境的三维点云数据以及所述目标桥梁的三维点云,提取所述目标桥梁的三维点云数据之前,所述方法还包括:
获取样本三维点云数据集;所述样本三维点云数据集包括样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据;
将所述样本三维点云数据集输入至所述第一深度学习模型中,通过所述第一深度学习模型对所述样本三维点云数据集中的所述样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据进行处理,得到点云识别结果;
根据点云识别结果及第一预设结果计算第一损失值,当所述损失值满足第一预设损失条件时,确定第一深度学习模型训练完成。
在其中一个实施例中,所述根据多视角三维重建方法,将所述目标桥梁的三维点云数据投影至所述数字图像,得到标记出所述目标桥梁的数字图像,包括:
获取旋转矩阵和平移矩阵;
根据所述旋转矩阵和所述平移矩阵,确定所述目标桥梁的每一所述三维点云数据在相机坐标系下的第一坐标;
根据针孔相机模型原理,将各所述第一坐标进行投影至数字图像,得到所述三维点云数据在图像坐标系下的第二坐标;所述第二坐标为所述三维点云数据在所述数字图像的投影坐标;
根据所述第二坐标,得到标记出所述目标桥梁的数字图像。
在其中一个实施例中,所述根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息之前,所述方法还包括:
根据预设降噪方法,对所述目标图像中所述目标桥梁的表面进行滤波降噪,得到噪声消除后的所述目标图像。
在其中一个实施例中,所述根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息,包括:
将噪声消除后的所述目标图像输入至训练完成的所述第二深度学习模型中,对所述目标图像中的病害特征进行处理,得到所述目标图像包含的所述病害信息。
第二方面,本申请还提供了一种桥梁病害检测装置。所述装置包括:
获取模块,用于获取三维点云模型与数字图像;所述三维点云模型包括目标桥梁以及所述目标桥梁所处环境的三维点云数据;所述数字图像包括所述目标桥梁的图像信息以及以所述目标桥梁所处环境为背景的背景图像信息;
分离模块,用于根据第一深度学习模型,分离所述三维点云模型中所述目标桥梁所处环境的三维点云数据以及所述目标桥梁的三维点云,提取所述目标桥梁的三维点云数据;
投影模块,用于根据多视角三维重建方法,将所述目标桥梁的三维点云数据投影至所述数字图像,得到标记出所述目标桥梁的数字图像;
识别模块,用于将所述标记出所述目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,并根据第二深度学习模型 识别所述目标图像中所述目标桥梁的病害信息。
在其中一个实施例中,所述获取模块具体用于:
获取所述目标桥梁的各个角度的数字图像;
根据各个角度的所述数字图像以及所述多视角三维重建方法,建立三维点云模型。
在其中一个实施例中,所述识别模块具体用于:
根据边缘提取方法得到所述目标桥梁的边界,在所述标记出所述目标桥梁的数字图像中将所述目标桥梁的边界以外的部分进行消除,得到所述目标图像,得到所述目标图像。
在其中一个实施例中,所述分离模块还包括:
获取样本三维点云数据集;所述样本三维点云数据集包括样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据;
将所述样本三维点云数据集输入至所述第一深度学习模型中,通过所述第一深度学习模型对所述样本三维点云数据集中的所述样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据进行处理,得到点云识别结果;
根据点云识别结果及第一预设结果计算第一损失值,当所述损失值满足第一预设损失条件时,确定第一深度学习模型训练完成。
在其中一个实施例中,所述投影模块具体用于:
获取旋转矩阵和平移矩阵;
根据所述旋转矩阵和所述平移矩阵,确定所述目标桥梁的每一所述三维点云数据在相机坐标系下的第一坐标;
根据针孔相机模型原理,将各所述第一坐标进行投影至数字图像,得到所述三维点云数据在图像坐标系下的第二坐标;所述第二坐标为所述三维点云数据在所述数字图像的投影坐标;
根据所述第二坐标,得到标记出所述目标桥梁的数字图像。
在其中一个实施例中,所述识别模块还包括:
根据预设降噪方法,对所述目标图像中所述目标桥梁的表面进行滤波降噪,得到噪声消除后的所述目标图像。
在其中一个实施例中,所述识别模块具体用于:
将噪声消除后的所述目标图像输入至训练完成的所述第二深度学习模型中,对所述目标图像中的病害特征进行处理,得到所述目标图像包含的所述病害信息。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取三维点云模型与数字图像;所述三维点云模型包括目标桥梁以及所述目标桥梁所处环境的三维点云数据;所述数字图像包括所述目标桥梁的图像信息以及以所述目标桥梁所处环境为背景的背景图像信息;
根据第一深度学习模型,分离所述三维点云模型中所述目标桥梁所处环境的三维点云数据以及所述目标桥梁的三维点云,提取所述目标桥梁的三维点云数据;
根据多视角三维重建方法,将所述目标桥梁的三维点云数据投影至所述数字图像,得到标记出所述目标桥梁的数字图像;
将所述标记出所述目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,并根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息。
在其中一个实施例中,所述获取三维点云模型与数字图像,包括:
获取所述目标桥梁的各个角度的数字图像;
根据各个角度的所述数字图像以及所述多视角三维重建方法,建立三维点云模型。
在其中一个实施例中,所述将所述标记出所述目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,包括:
根据边缘提取方法得到所述目标桥梁的边界,在所述标记出所述目标桥梁的数字图像中将所述目标桥梁的边界以外的部分进行消除,得到所述目标图像。
在其中一个实施例中,所述根据第一深度学习模型,分离所述三维点云模型中所述目标桥梁所处环境的三维点云数据以及所述目标桥梁的三维点云,提取所述目标桥梁的三维点云数据之前,所述方法还包括:
获取样本三维点云数据集;所述样本三维点云数据集包括样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据;
将所述样本三维点云数据集输入至所述第一深度学习模型中,通过所述第一深度学习模型对所述样本三维点云数据集中的所述样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据进行处理,得到点云识别结果;
根据点云识别结果及第一预设结果计算第一损失值,当所述损失值满足第一预设损失条件时,确定第一深度学习模型训练完成。
在其中一个实施例中,所述根据多视角三维重建方法,将所述目标桥梁的三维点云数据投影至所述数字图像,得到标记出所述目标桥梁的数字图像,包括:
获取旋转矩阵和平移矩阵;
根据所述旋转矩阵和所述平移矩阵,确定所述目标桥梁的每一所述三维点云数据在相机坐标系下的第一坐标;
根据针孔相机模型原理,将各所述第一坐标进行投影至数字图像,得到所述三维点云数据在图像坐标系下的第二坐标;所述第二坐标为所述三维点云数据在所述数字图像的投影坐标;
根据所述第二坐标,得到标记出所述目标桥梁的数字图像。
在其中一个实施例中,所述根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息之前,所述方法还包括:
根据预设降噪方法,对所述目标图像中所述目标桥梁的表面进行滤波降噪,得到噪声消除后的所述目标图像。
在其中一个实施例中,所述根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息,包括:
将噪声消除后的所述目标图像输入至训练完成的所述第二深度学习模型中,对所述目标图像中的病害特征进行处理,得到所述目标图像包含的所述病害信息。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其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以下步骤:获取三维点云模型与数字图像;所述三维点云模型包括目标桥梁以及所述目标桥梁所处环境的三维点云数据;所述数字图像包括所述目标桥梁的图像信息以及以所述目标桥梁所处环境为背景的背景图像信息;
根据第一深度学习模型,分离所述三维点云模型中所述目标桥梁所处环境的三维点云数据以及所述目标桥梁的三维点云,提取所述目标桥梁的三维点云数据;
根据多视角三维重建方法,将所述目标桥梁的三维点云数据投影至所述数字图像,得到标记出所述目标桥梁的数字图像;
将所述标记出所述目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,并根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息。
在其中一个实施例中,所述获取三维点云模型与数字图像,包括:
获取所述目标桥梁的各个角度的数字图像;
根据各个角度的所述数字图像以及所述多视角三维重建方法,建立三维点云模型。
在其中一个实施例中,所述将所述标记出所述目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,包括:
根据边缘提取方法得到所述目标桥梁的边界,在所述标记出所述目标桥梁的数字图像中将所述目标桥梁的边界以外的部分进行消除,得到所述目标图像。
在其中一个实施例中,所述根据第一深度学习模型,分离所述三维点云模型中所述目标桥梁所处环境的三维点云数据以及所述目标桥梁的三维点云,提取所述目标桥梁的三维点云数据之前,所述方法还包括:
获取样本三维点云数据集;所述样本三维点云数据集包括样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据;
将所述样本三维点云数据集输入至所述第一深度学习模型中,通过所述第一深度学习模型对所述样本三维点云数据集中的所述样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据进行处理,得到点云识别结果;
根据点云识别结果及第一预设结果计算第一损失值,当所述损失值满足第一预设损失条件时,确定第一深度学习模型训练完成。
在其中一个实施例中,所述根据多视角三维重建方法,将所述目标桥梁的三维点云数据投影至所述数字图像,得到标记出所述目标桥梁的数字图像,包括:
获取旋转矩阵和平移矩阵;
根据所述旋转矩阵和所述平移矩阵,确定所述目标桥梁的每一所述三维点云数据在相机坐标系下的第一坐标;
根据针孔相机模型原理,将各所述第一坐标进行投影至数字图像,得到所述三维点云数据在图像坐标系下的第二坐标;所述第二坐标为所述三维点云数据在所述数字图像的投影坐标;
根据所述第二坐标,得到标记出所述目标桥梁的数字图像。
在其中一个实施例中,所述根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息之前,所述方法还包括:
根据预设降噪方法,对所述目标图像中所述目标桥梁的表面进行滤波降噪,得到噪声消除后的所述目标图像。
在其中一个实施例中,所述根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息,包括:
将噪声消除后的所述目标图像输入至训练完成的所述第二深度学习模型中,对所述目标图像中的病害特征进行处理,得到所述目标图像包含的所述病害信息。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取三维点云模型与数字图像;所述三维点云模型包括目标桥梁以及所述目标桥梁所处环境的三维点云数据;所述数字图像包括所述目标桥梁的图像信息以及以所述目标桥梁所处环境为背景的背景图像信息;
根据第一深度学习模型,分离所述三维点云模型中所述目标桥梁所处环境的三维点云数据以及所述目标桥梁的三维点云,提取所述目标桥梁的三维点云数据;
根据多视角三维重建方法,将所述目标桥梁的三维点云数据投影至所述数字图像,得到标记出所述目标桥梁的数字图像;
将所述标记出所述目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,并根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息。
在其中一个实施例中,所述获取三维点云模型与数字图像,包括:
获取所述目标桥梁的各个角度的数字图像;
根据各个角度的所述数字图像以及所述多视角三维重建方法,建立三维点云模型。
在其中一个实施例中,所述将所述标记出所述目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,包括:
根据边缘提取方法得到所述目标桥梁的边界,在所述标记出所述目标桥梁的数字图像中将所述目标桥梁的边界以外的部分进行消除,得到所述目标图像。
在其中一个实施例中,所述根据第一深度学习模型,分离所述三维点云模型中所述目标桥梁所处环境的三维点云数据以及所述目标桥梁的三维点云,提取所述目标桥梁的三维点云数据之前,所述方法还包括:
获取样本三维点云数据集;所述样本三维点云数据集包括样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据;
将所述样本三维点云数据集输入至所述第一深度学习模型中,通过所述第一深度学习模型对所述样本三维点云数据集中的所述样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据进行处理,得到点云识别结果;
根据点云识别结果及第一预设结果计算第一损失值,当所述损失值满足第一预设损失条件时,确定第一深度学习模型训练完成。
在其中一个实施例中,所述根据多视角三维重建方法,将所述目标桥梁的三维点云数据投影至所述数字图像,得到标记出所述目标桥梁的数字图像,包括:
获取旋转矩阵和平移矩阵;
根据所述旋转矩阵和所述平移矩阵,确定所述目标桥梁的每一所述三维点云数据在相机坐标系下的第一坐标;
根据针孔相机模型原理,将各所述第一坐标进行投影至数字图像,得到所述三维点云数据在图像坐标系下的第二坐标;所述第二坐标为所述三维点云数据在所述数字图像的投影坐标;
根据所述第二坐标,得到标记出所述目标桥梁的数字图像。
在其中一个实施例中,所述根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息之前,所述方法还包括:
根据预设降噪方法,对所述目标图像中所述目标桥梁的表面进行滤波降噪,得到噪声消除后的所述目标图像。
在其中一个实施例中,所述根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息,包括:
将噪声消除后的所述目标图像输入至训练完成的所述第二深度学习模型中,对所述目标图像中的病害特征进行处理,得到所述目标图像包含的所述病害信息。
上述桥梁病害检测方法、装置、计算机设备、存储介质和计算机程序产品,通过对三维点云模型中目标桥梁的三维点云数据进行分离和提取,得到目标桥梁的三维点云数据,通过目标桥梁的三维点云数据实现将目标桥梁的三维点云数据投影至数字图像,然后,通过边缘提取算法得到数字图像中目标桥梁的边界;根据数字图像中目标桥梁的边界可以对数字图像中目标桥梁的背景进行消除,可以提高目标桥梁中病害信息识别的准确率。
附图说明
图1为一个实施例中桥梁病害检测方法的应用环境图;
图2为一个实施例中桥梁病害检测方法的流程示意图;
图3为一个实施例中获取数字图像及建立三维点云模型的流程示意图;
图4为一个实施例中建立三维点云模型方法示例的流程示意图;
图5为一个实施例中建立三维点云模型方法示例的流程示意图;
图6为一个实施例中第一深度学习模型训练的流程示意图;
图7为一个实施例中三维点云模型投影至数字图像的流程示意图;
图8为一个实施例中第二深度学习模型训练的流程示意图;
图9为一个实施例中桥梁病害检测方法示例的流程示意图;
图10为一个实施例中桥梁病害检测装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的桥梁病害检测方法,可以应用于如图1所示的应用环境中。其中,无人机设备102通过网络与终端104进行通信。数据存储系统可以存储终端104需要处理的数据。数据存储系统可以集成在终端104上,也可以放在云上或其他网络服务器上。终端通过拍摄设备获取数字图像,通过数字图像建立三维点云模型;终端根据第一深度学习模型,分离三维点云模型中目标桥梁所处环境的三维点云数据以及目标桥梁的三维点云,提取目标桥梁的三维点云数据,然后根据多视角三维重建方法,将目标桥梁的三维点云数据投影至数字图像,得到标记出目标桥梁的数字图像,最后将标记出目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,并根据第二深度学习模型识别目标图像中目标桥梁的病害信息。
其中,拍摄设备可以是高清照相机,也可以是的搭载高清照相机的无人机设备102。然后,终端104对数字图像进行处理。其中,终端104可以但不限于是各种个人计算机、笔记本电脑、平板电脑和物联网设备。
在一个实施例中,如图2所示,提供了一种桥梁病害检测方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,获取三维点云模型与数字图像。
其中,三维点云模型包括目标桥梁以及目标桥梁所处环境的三维点云数据。
其中,数字图像包括数字图像包括目标桥梁的图像信息以及以目标桥梁所处环境为背景的背景图像信息。
在本实施例中,数字图像可以由搭载相机的无人机,按照预设的路线对目标桥梁各个角度进行拍照获得,目标桥梁拍摄位置包括桥梁的高墩、高塔和桥底等位置。终端获取此数字图像,然后通过三维重建方法建立该目标桥梁的三维点云模型。
步骤204,根据第一深度学习模型,分离三维点云模型中目标桥梁所处环境的三维点云数据以及目标桥梁的三维点云,提取目标桥梁的三维点云数据。
其中,三维点云模型包括目标桥梁以及目标桥梁所处环境的三维点云数据。
在本实施例中,第一深度学习模型可以是桥梁点云的自动化语义分割算法,此自动化语义分割算法基于深度学习框架RandLA-Net(Efficient Semantic Segmentation ofLarge-Scale Point Clouds 大规模点云的高效语义分割算法)构建;终端根据此自动化语义分割算法,将目标桥梁的三维点云数据进行识别,分离并提取目标桥梁的三维点云数据。可选的,任意能够实现点云分割的算法均可应用于本申请实施例中,本申请实施例不做限定。
步骤206,根据多视角三维重建方法,将目标桥梁的三维点云数据投影至数字图像,得到标记出目标桥梁的数字图像。
在本实施例中,终端根据多视角三维重建方法,对三维点云数据中的每一个点云数据,进行投影操作,将目标桥梁的三维点云数据投影至对应的数字图像,得到标记出目标桥梁的数字图像。
步骤208,将标记出目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,并根据第二深度学习模型识别目标图像中目标桥梁的病害信息。
其中,目标图像包含消除背景后的目标桥梁的数字图像。
在本实施例中,终端将数字图像中标记出的目标桥梁之外的所有像素删除,得到目标图像。目标图像中目标桥梁的背景呈现纯黑色或纯白色,此步骤可以由用户手动实现,也可以通过自动化算法及脚本实现,本申请对此不作限定。
终端通过第二深度学习模型对目标图像中的桥梁病害信息进行识别,例如桥梁表面裂缝、桥梁表面的渗水情况等。第二深度学习模型可以是YOLO算法等目标识别神经网络算法,本申请对此目标识别算法不作限定。
另外,本实施例还可以包含桥梁表面裂缝识别的内容,利用裂缝识别模型对数字图像进行识别,得到裂缝轮廓信息图。具体地,在得到目标桥梁的病害信息之后,终端将裂缝轮廓信息图进行特征提取,得到裂缝宽度特征点,并根据裂缝图像中的裂缝宽度特征点,将裂缝轮廓信息图投影至建筑对应的三维点云模型中,得到包含裂缝投影的三维点云模型,对裂缝轮廓信息进行定位和展示。
上述桥梁病害检测方法中,通过对三维点云模型中目标桥梁的三维点云数据进行分离和提取,得到目标桥梁的三维点云数据,通过目标桥梁的三维点云数据实现将目标桥梁的三维点云数据投影至数字图像,然后,通过边缘提取算法得到数字图像中目标桥梁的边界;根据数字图像中目标桥梁的边界可以对数字图像中目标桥梁的背景进行消除,可以提高目标桥梁中病害信息识别的准确率。
在一个实施例中,如图3所示,步骤202中获取三维点云模型与数字图像,该方法包括:
步骤302,获取目标桥梁的各个角度的数字图像。
在本实施例中,终端通过搭载相机的无人机,对目标桥梁的各个角度进行拍摄,得到多个包含目标桥梁多角度的数字图像。
步骤304,根据各个角度的数字图像以及多视角三维重建方法,建立三维点云模型。
在本实施例中,终端根据多视角几何原理对此数字图像进行三维重建(运动恢复结构,Structure from Motion),得到目标桥梁和数字图像中目标桥梁的背景的三维点云模型。可选的,三维重建方法还可以包括r3live算法,可选的,任意能够实现三维重建的重建算法均可应用于本申请实施例中,本申请实施例不做限定。
如图4所示,终端根据无人机拍摄并获得场景的数字图像,根据数字图像建立三维点云模型,然后根据三维点云分割算法逆向投影,对数字图像中目标桥梁的背景进行消除,并根据深度学习模型对目标桥梁进行病害信息识别。
可选的,目标桥梁的三维点云重建还可以由激光雷达扫描与数字图像共同构建,终端可以通过SLAM(Simultaneous Localization and Mapping,即时定位与地图构建)设备获取目标桥梁的三维点云数据,SLAM设备包括激光雷达、惯性导航和高分辨率相机。
如图5所示,终端根据无人机拍摄并获得场景的数字图像和三维点云模型,然后根据三维点云分割算法逆向投影,对数字图像中目标桥梁的背景进行消除,并根据深度学习模型对目标桥梁进行病害信息识别。
本实施例中,通过获取包含目标桥梁多角度的数字图像,可以得到包含目标桥梁和目标桥梁所处环境信息的三维点云模型。
在一个实施例中,步骤208中将标记出目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,包括:
根据边缘提取方法得到所述目标桥梁的边界,在所述标记出所述目标桥梁的数字图像中将所述目标桥梁的边界以外的部分进行消除,得到所述目标图像。
在本实施例中,终端根据边缘提取算法得到目标桥梁的边界,边缘提取算法可以是alphaShape算法(一种提取边界点的算法)等边缘提取算法。以alphaShape算法为例,终端通过alphaShape算法将第二坐标的最外层投影点相连,得到标记出目标桥梁边界的数字图像,然后终端将此边界以外的像素进行删除,得到目标图像,对于任意可以实现边缘提取的算法均可应用到本申请,本申请对此边缘提取算法不作限定。
在一个实施例中,如图6所示,步骤204中根据第一深度学习模型,分离三维点云模型中目标桥梁所处环境的三维点云数据以及目标桥梁的三维点云,提取目标桥梁的三维点云数据之前,该方法还包括:
步骤602,获取样本三维点云数据集。
其中,样本三维点云数据集包括样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据。
在本实施例中,样本三维点云数据集可以是桥梁的真实点云数据,也可以是由三维建模软件模拟建立的桥梁三维点云数据,例如,用户通过AutoCAD(一种绘图工具软件)或Solidworks(一种绘图工具软件)建立桥梁场景的三维点云模型并转换格式,生成虚拟的桥梁点云,作为训练数据,然后,对所有点云数据进行分类,并赋予语义标签。终端获取预设数量级的样本三维点云数据集。
步骤604,将样本三维点云数据集输入至第一深度学习模型中,通过第一深度学习模型对样本三维点云数据集中的样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据进行处理,得到点云识别结果。
在本实施例中,终端将样本三维点云数据集输入至第一深度学习模型中,以深度学习框架RandLA-Net为例,终端将输入点云逐步降采样后,供一个共享的多层感知器提取每个点的特征。然后,采用四个编码层和解码层来学习点的特征。最后,采用三个全连接层和一个Dropout层(进阶层)来预测每个点的语义标签,即点云识别结果。
步骤606,根据点云识别结果及第一预设结果计算第一损失值,当损失值满足第一预设损失条件时,确定第一深度学习模型训练完成。
在本实施例中,终端将点云识别结果与预设第一损失值进行对比,当本轮点云识别结果满足预设的准确率或第一深度学习模型进行迭代训练到达预设次数时,将第一深度学习模型确定为训练完成的第一深度学习模型。
本实施例中,通过对第一深度学习模型进行训练,可以得到用于点云分割的第一深度学习模型。
在一个实施例中,如图7所示,步骤206中根据多视角三维重建方法,将目标桥梁的三维点云数据投影至数字图像,得到标记出目标桥梁的数字图像,该方法包括:
步骤702,获取旋转矩阵和平移矩阵。
在本实施例中,相机外参包括旋转矩阵和平移矩阵,终端获取此旋转矩阵和平移矩阵。
步骤704,根据旋转矩阵和平移矩阵,确定目标桥梁的每一三维点云数据在相机坐标系下的第一坐标。
在本实施例中,对于三维点云数据中目标桥梁的任意一个三维点云数据,终端可以根据公式(1-1)及此三维点云数据的世界坐标系,计算得到此三维点云数据在相机坐标系下的第一坐标。其中R为旋转矩阵,T为平移矩阵,为该点云数据在相机坐标系下的坐标,/>为该点云数据在世界坐标系下的第一坐标。/>
步骤706,根据针孔相机模型原理,将各第一坐标进行投影至数字图像,得到三维点云数据在图像坐标系下的第二坐标;第二坐标为三维点云数据在数字图像的投影坐标。
式中,K为相机的内参矩阵(3×3),如下式所示:
其中,w和h分别为图像的宽度和高度。
步骤708,根据第二坐标,得到标记出目标桥梁的数字图像。
在本实施例中,终端根据目标桥梁投影在数字图像的第二坐标,得到标记出目标桥梁的数字图像。
本实施例中,通过将目标桥梁的三维点云模型投影至数字图像中,可以得到用于消除背景的标记出目标桥梁的数字图像。
在一个实施例中,步骤210中根据第二深度学习模型识别目标图像中目标桥梁的病害信息之前,该方法还包括:
根据预设降噪方法,对目标图像中目标桥梁的表面进行滤波降噪,得到噪声消除后的目标图像。
在本实施例中,预设降噪方法可以为形态学操作、多尺度连续小波变换、灰度值渗透方法等,也可以为降噪方法中的一种或其中几种的组合,本申请对此将噪方法不作限定。终端根据预设降噪方法对目标图像进行滤波降噪,得到噪声消除后的目标图像。
本实施例中,通过对目标图像进行滤波降噪处理,可以消除目标图像中目标桥梁表面的强噪声,使处理后的图像可用于基于深度学习算法的病害信息识别。
在一个实施例中,步骤210中根据第二深度学习模型识别目标图像中目标桥梁的病害信息,包括:
将噪声消除后的目标图像输入至训练完成的第二深度学习模型中,对目标图像中的病害特征进行处理,得到目标图像包含的病害信息。
在本实施例中,终端将噪声消除后的目标图像输入至训练完成的第二深度学习模型中,通过第二深度学习模型对目标图像中的病害信息进行识别,并对病害部位进行标定,得到目标图像。
本实施例中,通过对目标图像中的病害信息进行识别,可以得到标定病害部位的目标图像。
在一个实施例中,如图8所示,步骤210中根据第二深度学习模型识别目标图像中目标桥梁的病害信息之前,该方法还包括:
步骤802,获取训练样本集。
其中,训练样本集包括无背景信息的包含病害的桥梁数字图像。
在本实施例中,终端获取多个无背景信息的带有病害桥梁的数字图像,此数字图像作为训练样本集。
步骤804,将训练样本集输入至第二深度学习模型中,通过第二深度学习模型对训练样本集中的无背景信息的桥梁数字图像进行处理识别,得到样本识别结果。
在本实施例中,终端将训练样本集输入至第二深度学习模型中,对样本集中桥梁的数字图像进行病害信息的识别,得到样本识别结果。
步骤806,根据样本识别结果及第二预设结果计算第二损失值,当第二损失值满足第二预设条件时,将第二深度学习模型确定为训练完成的第二深度学习模型。
在本实施例中,终端将样本识别结果与预设第二损失值进行对比,当本轮点样本别结果满足预设的准确率或第二深度学习模型进行迭代训练到达预设次数时,将第二深度学习模型确定为训练完成的第二深度学习模型。
本实施例中,通过对第二深度学习模型进行训练,可以实现对目标图像进行病害信息的识别。
本申请实施例还提供了一种桥梁病害检测方法的示例,如图9所示,具体包括以下步骤:
步骤901,获取目标桥梁的各个角度的数字图像。
步骤902,根据各个角度的数字图像以及多视角三维重建方法,建立三维点云模型。
步骤903,获取样本三维点云数据集。
步骤904,将样本三维点云数据集输入至第一深度学习模型中,通过第一深度学习模型对样本三维点云数据集中的样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据进行处理,得到点云识别结果。
步骤905,根据点云识别结果及第一预设结果计算第一损失值,当损失值满足第一预设损失条件时,确定第一深度学习模型训练完成。
步骤906,根据第一深度学习模型,分离三维点云模型中目标桥梁所处环境的三维点云数据以及目标桥梁的三维点云,提取目标桥梁的三维点云数据。
步骤907,获取旋转矩阵和平移矩阵。
步骤908,根据旋转矩阵和平移矩阵,确定目标桥梁的每一三维点云数据在相机坐标系下的第一坐标。
步骤909,根据针孔相机模型原理,将各第一坐标进行投影至数字图像,得到三维点云数据在图像坐标系下的第二坐标。
步骤910,根据第二坐标,得到标记出目标桥梁的数字图像。
步骤911,根据边缘提取方法得到目标桥梁的边界,在标记出目标桥梁的数字图像中将目标桥梁的边界以外的部分进行消除,得到目标图像。
步骤912,根据预设降噪方法,对目标图像中目标桥梁的表面进行滤波降噪,得到噪声消除后的数字图像。
步骤913,获取训练样本集。
步骤914,将训练样本集输入至第二深度学习模型中,通过第二深度学习模型对训练样本集中的无背景信息的桥梁数字图像进行处理识别,得到样本识别结果。
步骤915,根据样本识别结果及第二预设结果计算第二损失值,当第二损失值满足第二预设条件时,将第二深度学习模型确定为训练完成的第二深度学习模型。
步骤916,根据第二深度学习模型识别目标图像中目标桥梁的病害信息。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的桥梁病害检测方法的桥梁病害检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个桥梁病害检测装置实施例中的具体限定可以参见上文中对于桥梁病害检测方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种桥梁病害检测装置,包括:获取模块1001、分离模块1002、投影模块1003和识别模块1004,其中:
获取模块1001,用于获取三维点云模型与数字图像;所述三维点云模型包括目标桥梁以及所述目标桥梁所处环境的三维点云数据;所述数字图像包括所述目标桥梁的图像信息以及以所述目标桥梁所处环境为背景的背景图像信息;
分离模块1002,用于根据第一深度学习模型,分离所述三维点云模型中所述目标桥梁所处环境的三维点云数据以及所述目标桥梁的三维点云,提取所述目标桥梁的三维点云数据;
投影模块1003,用于根据多视角三维重建方法,将所述目标桥梁的三维点云数据投影至所述数字图像,得到标记出所述目标桥梁的数字图像;
识别模块1004,用于将所述标记出所述目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,并根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息。
在其中一个实施例中,获取模块1001具体用于:
获取所述目标桥梁的各个角度的数字图像;
根据各个角度的所述数字图像以及所述多视角三维重建方法,建立三维点云模型。
在其中一个实施例中,识别模块1004具体用于:
根据边缘提取方法得到所述目标桥梁的边界,在所述标记出所述目标桥梁的数字图像中将所述目标桥梁的边界以外的部分进行消除,得到所述目标图像。
在其中一个实施例中,分离模块1002还包括:
获取样本三维点云数据集;所述样本三维点云数据集包括样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据;
将所述样本三维点云数据集输入至所述第一深度学习模型中,通过所述第一深度学习模型对所述样本三维点云数据集中的所述样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据进行处理,得到点云识别结果;
根据点云识别结果及第一预设结果计算第一损失值,当所述损失值满足第一预设损失条件时,确定第一深度学习模型训练完成。
在其中一个实施例中,投影模块1003具体用于:
获取旋转矩阵和平移矩阵;
根据所述旋转矩阵和所述平移矩阵,确定所述目标桥梁的每一所述三维点云数据在相机坐标系下的第一坐标;
根据针孔相机模型原理,将各所述第一坐标进行投影至数字图像,得到所述三维点云数据在图像坐标系下的第二坐标;所述第二坐标为所述三维点云数据在所述数字图像的投影坐标;
根据所述第二坐标,得到标记出所述目标桥梁的数字图像。
在其中一个实施例中,识别模块1004还包括:
根据预设降噪方法,对所述目标图像中所述目标桥梁的表面进行滤波降噪,得到噪声消除后的所述目标图像。
在其中一个实施例中,识别模块具体用于:
将噪声消除后的所述目标图像输入至训练完成的所述第二深度学习模型中,对所述目标图像中的病害特征进行处理,得到所述目标图像包含的所述病害信息。
上述桥梁病害检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。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。该计算机设备的数据库用于存储三维点云数据。该计算机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桥梁病害检测方法。
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计算机设备的限定,具体的计算机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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其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各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(MagnetoresistiveRandom Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种桥梁病害检测方法,其特征在于,所述方法包括:
获取三维点云模型与数字图像;所述三维点云模型包括目标桥梁以及所述目标桥梁所处环境的三维点云数据;所述数字图像包括所述目标桥梁的图像信息以及以所述目标桥梁所处环境为背景的背景图像信息;
根据第一深度学习模型,分离所述三维点云模型中所述目标桥梁所处环境的三维点云数据以及所述目标桥梁的三维点云,提取所述目标桥梁的三维点云数据;
根据多视角三维重建方法,将所述目标桥梁的三维点云数据投影至所述数字图像,得到标记出所述目标桥梁的数字图像;
将所述标记出所述目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,并根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息;
所述根据多视角三维重建方法,将所述目标桥梁的三维点云数据投影至所述数字图像,得到标记出所述目标桥梁的数字图像,包括:
获取旋转矩阵和平移矩阵;
根据所述旋转矩阵和所述平移矩阵,确定所述目标桥梁的每一所述三维点云数据在相机坐标系下的第一坐标;
根据针孔相机模型原理,将各所述第一坐标进行投影至数字图像,得到所述三维点云数据在图像坐标系下的第二坐标;所述第二坐标为所述三维点云数据在所述数字图像的投影坐标;
根据所述第二坐标,得到标记出所述目标桥梁的数字图像。
2.根据权利要求1所述的方法,其特征在于,所述获取三维点云模型与数字图像,包括:
获取所述目标桥梁的各个角度的数字图像;
根据各个角度的所述数字图像以及所述多视角三维重建方法,建立三维点云模型。
3.根据权利要求1所述的方法,其特征在于,所述将所述标记出所述目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,包括:
根据边缘提取方法得到所述目标桥梁的边界,在所述标记出所述目标桥梁的数字图像中将所述目标桥梁的边界以外的部分进行消除,得到所述目标图像。
4.根据权利要求1所述的方法,其特征在于,所述根据第一深度学习模型,分离所述三维点云模型中所述目标桥梁所处环境的三维点云数据以及所述目标桥梁的三维点云,提取所述目标桥梁的三维点云数据之前,所述方法还包括:
获取样本三维点云数据集;所述样本三维点云数据集包括样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据;
将所述样本三维点云数据集输入至所述第一深度学习模型中,通过所述第一深度学习模型对所述样本三维点云数据集中的所述样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据进行处理,得到点云识别结果;
根据点云识别结果及第一预设结果计算第一损失值,当所述损失值满足第一预设损失条件时,确定第一深度学习模型训练完成。
5.根据权利要求1所述的方法,其特征在于,所述根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息之前,所述方法还包括:
根据预设降噪方法,对所述目标图像中所述目标桥梁的表面进行滤波降噪,得到噪声消除后的所述目标图像。
6.根据权利要求5所述的方法,其特征在于,所述根据第二深度学习模型识别所述目标图像中所述目标桥梁的病害信息,包括:
将噪声消除后的所述目标图像输入至训练完成的所述第二深度学习模型中,对所述目标图像中的病害特征进行处理,得到所述目标图像包含的所述病害信息。
7.一种桥梁病害检测装置,其特征在于,所述装置包括:
获取模块,用于获取三维点云模型与数字图像;所述三维点云模型包括目标桥梁以及所述目标桥梁所处环境的三维点云数据;所述数字图像包括所述目标桥梁的图像信息以及以所述目标桥梁所处环境为背景的背景图像信息;
分离模块,用于根据第一深度学习模型,分离所述三维点云模型中所述目标桥梁所处环境的三维点云数据以及所述目标桥梁的三维点云,提取所述目标桥梁的三维点云数据;
投影模块,用于根据多视角三维重建方法,将所述目标桥梁的三维点云数据投影至所述数字图像,得到标记出所述目标桥梁的数字图像;
识别模块,用于将所述标记出所述目标桥梁的数字图像中未被标记的部分进行消除,得到目标图像,并根据第二深度学习模型 识别所述目标图像中所述目标桥梁的病害信息;
所述投影模块具体用于:
获取旋转矩阵和平移矩阵;
根据所述旋转矩阵和所述平移矩阵,确定所述目标桥梁的每一所述三维点云数据在相机坐标系下的第一坐标;根据针孔相机模型原理,将各所述第一坐标进行投影至数字图像,得到所述三维点云数据在图像坐标系下的第二坐标;
所述第二坐标为所述三维点云数据在所述数字图像的投影坐标;
根据所述第二坐标,得到标记出所述目标桥梁的数字图像。
8.根据权利要求7所述的装置,其特征在于,所述分离模块具体用于:
获取样本三维点云数据集;所述样本三维点云数据集包括样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据;
将所述样本三维点云数据集输入至所述第一深度学习模型中,通过所述第一深度学习模型对所述样本三维点云数据集中的所述样本桥梁的三维点云数据和样本桥梁所处环境的三维点云数据进行处理,得到点云识别结果;
根据点云识别结果及第一预设结果计算第一损失值,当所述损失值满足第一预设损失条件时,确定第一深度学习模型训练完成。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310070370.1A CN115797350B (zh) | 2023-02-07 | 2023-02-07 | 桥梁病害检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310070370.1A CN115797350B (zh) | 2023-02-07 | 2023-02-07 | 桥梁病害检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797350A CN115797350A (zh) | 2023-03-14 |
CN115797350B true CN115797350B (zh) | 2023-06-02 |
Family
ID=85430197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310070370.1A Active CN115797350B (zh) | 2023-02-07 | 2023-02-07 | 桥梁病害检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797350B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524382A (zh) * | 2023-05-22 | 2023-08-01 | 西南交通大学 | 一种桥梁转体合拢准确性检验方法系统、设备 |
CN117152492B (zh) * | 2023-08-08 | 2024-04-19 | 广东省公路建设有限公司湾区特大桥养护技术中心 | 钢箱梁内疲劳裂纹的识别方法、系统、计算机设备及介质 |
CN117036965B (zh) * | 2023-10-08 | 2024-01-05 | 四川正路建设工程检测咨询有限公司 | 桥梁维修设备控制方法、电子设备和计算机可读介质 |
CN117876397B (zh) * | 2024-01-12 | 2024-06-18 | 浙江大学 | 一种基于多视角数据融合的桥梁构件三维点云分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300126B (zh) * | 2018-09-21 | 2022-01-07 | 重庆建工集团股份有限公司 | 一种基于空间位置的桥梁病害高精度智能检测方法 |
CN109901625B (zh) * | 2019-04-11 | 2022-10-25 | 株洲时代电子技术有限公司 | 一种桥梁巡检系统 |
CN113125444A (zh) * | 2021-04-20 | 2021-07-16 | 上海应用技术大学 | 一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法 |
CN115187565A (zh) * | 2022-07-20 | 2022-10-14 | 东南大学 | 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 |
-
2023
- 2023-02-07 CN CN202310070370.1A patent/CN115797350B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115797350A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115797350B (zh) | 桥梁病害检测方法、装置、计算机设备和存储介质 | |
CN110135455B (zh) | 影像匹配方法、装置及计算机可读存储介质 | |
CN109753885B (zh) | 一种目标检测方法、装置以及行人检测方法、系统 | |
WO2021017261A1 (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN108734210B (zh) | 一种基于跨模态多尺度特征融合的对象检测方法 | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
CN111328396A (zh) | 用于图像中的对象的姿态估计和模型检索 | |
US11810326B2 (en) | Determining camera parameters from a single digital image | |
CN114332415B (zh) | 基于多视角技术的输电线路廊道的三维重建方法及装置 | |
CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
Pathak et al. | An object detection approach for detecting damages in heritage sites using 3-D point clouds and 2-D visual data | |
CN113537180B (zh) | 树障的识别方法、装置、计算机设备和存储介质 | |
CN112037142B (zh) | 一种图像去噪方法、装置、计算机及可读存储介质 | |
WO2019127102A1 (zh) | 信息处理方法、装置、云处理设备以及计算机程序产品 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114565675A (zh) | 一种在视觉slam前端去除动态特征点的方法 | |
CN113673400A (zh) | 基于深度学习的实景三维语义重建方法、装置及存储介质 | |
CN114519819B (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
CN115018999A (zh) | 一种多机器人协作的稠密点云地图构建方法及装置 | |
Cheng et al. | C 2-YOLO: Rotating Object Detection Network for Remote Sensing Images with Complex Backgrounds | |
JP2022090633A (ja) | 高解像度画像内の物体検出を改善するための方法、コンピュータ・プログラム製品、およびコンピュータ・システム | |
CN115937451B (zh) | 基于视觉slam的动态场景多语义地图构建方法及设备 | |
CN117011658A (zh) | 图像处理方法、装置、设备、存储介质和计算机程序产品 | |
CN115630660B (zh) | 基于卷积神经网络的条码定位方法和装置 |
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 |