CN115951704B - 一种基于bim模型的无人机地铁巡检方法及设备 - Google Patents
一种基于bim模型的无人机地铁巡检方法及设备 Download PDFInfo
- Publication number
- CN115951704B CN115951704B CN202211627171.8A CN202211627171A CN115951704B CN 115951704 B CN115951704 B CN 115951704B CN 202211627171 A CN202211627171 A CN 202211627171A CN 115951704 B CN115951704 B CN 115951704B
- Authority
- CN
- China
- Prior art keywords
- inspection
- subway
- information
- 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.)
- Active
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 489
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000004062 sedimentation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000000428 dust Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本申请涉及地铁巡检的技术领域，公开了一种基于BIM模型的无人机地铁巡检方法及设备，基于BIM模型的无人机地铁巡检方法包括：获取各地铁路段的绘测数据，基于各所述绘测数据生成地铁巡检BIM模型；获取巡检无人机的尺寸信息，基于所述尺寸信息和地铁巡检BIM模型，生成各地铁路段对应的巡检路径信息；获取各地铁路段的风险因素信息和发车计划信息，生成对应的巡检计划信息；将巡检计划信息发送至巡检无人机的巡检控制模块；本申请具有提高地铁设施安全性检查效率的效果。
Description
技术领域
本申请涉及地铁巡检的技术领域，尤其是涉及一种基于BIM模型的无人机地铁巡检方法及设备。
背景技术
随着地铁网络的快速扩张，且地铁存在通行效率高的优点，因而地铁成为了城市人口出行的优选方式之一；然而，地铁列车的高效通行极度依赖地铁隧道和轨道设施的完备性，且单趟列车承运的乘客众多，一旦地铁隧道或轨道设施存在故障，轻则影响列车通行效率，进而影响乘客的正常出行，重则造成重大人员伤亡事件，因此，对于地铁的日常巡检至关重要。
目前，针对地铁隧道和轨道设施安全性的检查主要采取在地铁停运期间人工巡检和在地铁线路上设置固定监测装置相结合的方式进行，然而，人工巡检容易出现因人员懈怠而漏检的问题，而设置大量固定监测装置的则存在设备成本和维护成本高的问题。
针对上述相关技术，发明人认为现有的地铁设施安全性检查方式存在效率较低的问题。
发明内容
为了提高地铁设施安全性检查的效率，本申请提供一种基于BIM模型的无人机地铁巡检方法及设备。
本申请的发明目的一采用如下技术方案实现：
一种基于BIM模型的无人机地铁巡检方法，包括：
获取各地铁路段的绘测数据，基于各所述绘测数据生成地铁巡检BIM模型；
获取巡检无人机的尺寸信息，基于所述尺寸信息和地铁巡检BIM模型，生成各地铁路段对应的巡检路径信息；
获取各地铁路段的风险因素信息和发车计划信息，生成对应的巡检计划信息；
将巡检计划信息发送至巡检无人机的巡检控制模块。
通过采用上述技术方案，获取各地铁路段的绘测数据，以便判断各地铁路段的隧道、轨道和其他装置的物理结构的尺寸和位置信息，获取巡检无人机的尺寸信息，以便获知巡检无人机的机体尺寸；基于各地铁路段的绘测数据生成地铁巡检BIM模型，并根据地铁巡检BIM模型和巡检无人机的尺寸信息生成各地铁路段对应的巡检路径信息，以降低巡检无人机与地铁线路上的物品碰撞导致损毁的可能性，同时便于根据巡检无人机获取到的巡检数据与地铁巡检BIM模型进行对比，判断隧道、轨道等是否存在变形沉降等现象；获取各地铁路段的风险因素信息和发车计划信息，以便根据风险因素信息确定可能对地铁隧道和轨道的安全产生影响因素的信息，并根据发车计划信息确定各地铁路段的列车运行密度，进而便于判断各地铁路段的巡检需求和可供巡检的时间，从而生成巡检计划信息，将巡检计划信息发送至巡检无人机的巡检控制模块，便于巡检无人机自动执行地铁路线的巡检任务，从而提高了地铁设施安全性检查的效率。
本申请在一较佳示例中：所述地铁隧道设置有若干监测点位，各监测点位均设置有监测棱镜；获取各地铁路段的绘测数据，基于各所述绘测数据生成地铁巡检BIM模型的步骤中，包括：
基于各地铁路段的设计图纸生成地铁初始BIM模型，基于地铁初始BIM模型确定各监测棱镜初始位置信息；
通过全站仪获取各监测棱镜的监测位置信息，基于地铁初始BIM模型和监测位置信息，生成地铁巡检BIM模型。
通过采用上述技术方案，地铁隧道设置有若干监测点位，且监测点位设置有监测棱镜，便于通过全站仪获取监测棱镜的位置，以判断地铁隧道的变形情况；基于各地铁路段的设计图纸，生成地铁初始BIM模型，以便用于与后续地铁巡检中获取的监测棱镜的监测位置信息进行对比，从而判断地铁隧道的变形情况；通过全站仪获取各监测棱镜的监测位置信息，通过各监测棱镜的监测位置信息对地铁初始BIM模型进行修正，从而生成地铁巡检BIM模型，以便提高地铁巡检BIM模型与地铁隧道实际结构的一致性。
本申请在一较佳示例中：获取各地铁路段的风险因素信息和发车计划信息，生成对应的巡检计划信息的步骤中，包括：
基于预设的地面巡检周期，向巡检无人机发送地面巡检指令；
接收巡检无人机发出的地面巡检图像信息，将地面巡检图像信息输入地面风险匹配模型中，生成地面影响信息；
接收各列车发出的行驶平稳性信息，基于地面影响信息和行驶平稳性信息，生成风险因素信息。
通过采用上述技术方案，由于影响地铁隧道和轨道安全的因素主要包括地铁线路周边的施工、自然灾害等，而这些因素难以通过在地铁隧道内例行的巡检发现，因此需要结合地面巡检；基于预设的地面巡检周期，向巡检无人机发送地面巡检指令，以控制巡检无人机对地铁线路周边的地面情况进行巡检，并获取地面巡检图像信息；接收巡检无人机发出的地面巡检图像信息，将地面巡检图像信息输入至地面风险匹配模型中，分析地面巡检图像中对地铁隧道安全可能造成影响的因素，从而生成地面影响信息；接收各列车发出的行驶平稳性信息，以便获知各列车在日常运行过程中的行驶平稳性情况，判断地铁隧道当前的变形情况，以达到辅助地铁巡检工作的效果，基于地面影响信息和行驶平稳性信息生成风险因素信息，便于从地面安全影响因素和列车实际运行平稳性两个维度评估地铁隧道当前的安全性。
本申请在一较佳示例中：获取各地铁路段的风险因素信息和发车计划信息，生成对应的巡检计划信息的步骤中，还包括：
对风险因素信息中的各类项目设定量化分值，基于各地铁路段的风险因素信息计算对应的风险分值；
获取发车计划信息，基于发车计划信息计算各地铁路段的运载密度信息，根据运载密度信息确定对应的风险阈值等级；
将各地铁路段的风险分值与各等级的风险阈值进行对比，生成对应的巡检计划信息。
通过采用上述技术方案，对风险因素信息中的各类项目设定量化分值，便于后续对不同类型风险项目的危险程度进行量化和比较，基于各地铁路段的风险因素信息计算对应的风险分值；获取发车计划信息，以判断各地铁路段的各车次列车的车型和发车时间，从而计算各地铁路段的运载密度信息，由于地铁路段的运载密度越大，则发生安全事故时造成的损失越大，因此，根据不同地铁路段的运载密度信息确定对应的风险阈值等级，将各地铁路段的风险分值与不同等级的风险阈值进行对比，从而针对各地铁路段制定对应的巡检计划信息，以便根据各地铁路段不同的安全需求制定对应的巡检计划，从而提高了巡检计划制定的科学性。
本申请在一较佳示例中：将巡检计划信息发送至巡检无人机的巡检控制模块的步骤之后，还包括：
接收巡检无人机发出的地下巡检图像信息，将地下巡检图像信息输入至地下风险匹配模型，生成第一巡检信息；
接收巡检无人机发出的巡检位置信息，生成第二巡检信息，所述巡检位置信息是指巡检无人机监测到的各监测棱镜的实时位置信息；
基于第一巡检信息和第二巡检信息生成巡检回传报告，并发送至管理人员终端。
通过采用上述技术方案，巡检无人机开始在地铁隧道内自动执行地铁线路的巡检任务时，获取地下巡检图像信息，将地下巡检图像信息输入至地下风险匹配模型，以判断地下巡检图像中是否存在隧道墙体裂缝、滴水、落尘等风险现象，生成第一巡检信息；巡检无人机在自动执行地铁线路的巡检任务时，获取巡检位置信息，其中，巡检位置信息是指巡检无人机监测到的各监测棱镜的实时位置信息，基于巡检位置信息生成第二巡检信息，便于后续判断地铁隧道的变形情况；基于第一巡检信息和第二巡检信息，生成巡检回传报告，将巡检回传报告发送至管理人员终端，以便使管理人员及时获知针对地铁自动巡检的结果，便于管理人员及时判断地铁运行安全，以及记录待维修的项目。
本申请在一较佳示例中：所述地铁巡检BIM模型包括避让位置坐标信息；将巡检计划信息发送至巡检无人机的巡检控制模块的步骤之后，还包括：
获取各列车的实时位置信息，基于发车计划信息确定各列车对应的行驶速度数据；
基于巡检无人机的当前位置信息、飞行速度数据和各避让位置坐标信息，计算避让时间，基于避让时间和安全系数计算避让预警时间；
基于列车的实时位置信息、行驶速度数据，以及巡检无人机的当前位置信息，计算碰撞风险时间；
当避让预警时间小于碰撞风险时间时，生成避让执行指令并发送至巡检无人机的巡检控制模块。
通过采用上述技术方案，地铁巡检BIM模型包括避让位置信息，便于巡检无人机在需要对列车进行避让时导航到安全位置；获取各列车的实时位置信息，便于后续判断各列车与巡检无人机之间的距离，基于发车计划信息，以确定各列车的行驶速度，便于判断列车行驶至巡检无人机位置所需的时间为碰撞风险时间；基于巡检无人机的当前位置信息、飞行速度数据和最近避让位置坐标信息，计算避让时间，根据实际需求设置安全系数，基于避让时间和安全系数计算避让预警时间；其中，当避让预警时间小于碰撞风险时间时，则认为列车与巡检无人机的碰撞风险较大，生成避让执行指令并发送至巡检无人机的巡检控制模块，巡检无人机自动导航至避让位置对列车进行避让，便于降低巡检无人机与列车发生碰撞的可能性。
本申请的发明目的二采用如下技术方案实现：
一种基于BIM模型的无人机地铁巡检设备，包括巡检无人机和UWB定位组件，所述巡检无人机设置有自动全站仪和摄像机，所述UWB定位组件包括定位模块和若干探测模块，所述定位模块固定连接于巡检无人机，地铁隧道内壁以及地铁隧道沿线地表均设置有所述探测模块，所述巡检无人机设置有巡检控制模块。
通过采用上述技术方案，巡检无人机用于搭载摄像头、自动全站仪和定位模块，其中摄像头用于拍摄地面巡检图像信息和地下巡检图像信息，自动全站仪用于获取各监测棱镜的巡检位置信息；探测模块用于探测定位模块的位置信息，定位模块固定连接于巡检无人机，以达到获取巡检无人机位置信息的功能；巡检无人机设置有巡检控制模块，以达到控制巡检无人机自动执行地铁巡检任务的功能。
本申请在一较佳示例中：所述巡检控制模块内置有基于BIM模型的无人机地铁巡检系统，所述基于BIM模型的无人机地铁巡检系统包括：
地铁巡检模型生成模块，用于获取各地铁路段的绘测数据，基于各所述绘测数据生成地铁巡检BIM模型；
巡检路径生成模块，用于获取巡检无人机的尺寸信息，基于所述尺寸信息和地铁巡检BIM模型，生成各地铁路段对应的巡检路径信息；
巡检计划生成模块，用于获取各地铁路段的风险因素信息和发车计划信息，生成对应的巡检计划信息；
自动巡检执行模块，用于将巡检计划信息发送至巡检无人机的巡检控制模块。
通过采用上述技术方案，获取各地铁路段的绘测数据，以便判断各地铁路段的隧道、轨道和其他装置的物理结构的尺寸和位置信息，获取巡检无人机的尺寸信息，以便获知巡检无人机的机体尺寸；基于各地铁路段的绘测数据生成地铁巡检BIM模型，并根据地铁巡检BIM模型和巡检无人机的尺寸信息生成各地铁路段对应的巡检路径信息，以降低巡检无人机与地铁线路上的物品碰撞导致损毁的可能性，同时便于根据巡检无人机获取到的巡检数据与地铁巡检BIM模型进行对比，判断隧道、轨道等是否存在变形沉降等现象；获取各地铁路段的风险因素信息和发车计划信息，以便根据风险因素信息确定可能对地铁隧道和轨道的安全产生影响因素的信息，并根据发车计划信息确定各地铁路段的列车运行密度，进而便于判断各地铁路段的巡检需求和可供巡检的时间，从而生成巡检计划信息，将巡检计划信息发送至巡检无人机的巡检控制模块，便于巡检无人机自动执行地铁路线的巡检任务，从而提高了地铁设施安全性检查的效率。
本申请的发明目的三采用如下技术方案实现：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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上述基于BIM模型的无人机地铁巡检方法的步骤。
本申请的发明目的四采用如下技术方案实现：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于BIM模型的无人机地铁巡检的方法的步骤。
综上所述，本申请包括以下至少一种有益技术效果：
1. 获取各地铁路段的绘测数据，以便判断各地铁路段的隧道、轨道和其他装置的物理结构的尺寸和位置信息，获取巡检无人机的尺寸信息，以便获知巡检无人机的机体尺寸；基于各地铁路段的绘测数据生成地铁巡检BIM模型，并根据地铁巡检BIM模型和巡检无人机的尺寸信息生成各地铁路段对应的巡检路径信息，以降低巡检无人机与地铁线路上的物品碰撞导致损毁的可能性，同时便于根据巡检无人机获取到的巡检数据与地铁巡检BIM模型进行对比，判断隧道、轨道等是否存在变形沉降等现象；获取各地铁路段的风险因素信息和发车计划信息，以便根据风险因素信息确定可能对地铁隧道和轨道的安全产生影响因素的信息，并根据发车计划信息确定各地铁路段的列车运行密度，进而便于判断各地铁路段的巡检需求和可供巡检的时间，从而生成巡检计划信息，将巡检计划信息发送至巡检无人机的巡检控制模块，便于巡检无人机自动执行地铁路线的巡检任务，从而提高了地铁设施安全性检查的效率。
2. 由于影响地铁隧道和轨道安全的因素主要包括地铁线路周边的施工、自然灾害等，而这些因素难以通过在地铁隧道内例行的巡检发现，因此需要结合地面巡检；基于预设的地面巡检周期，向巡检无人机发送地面巡检指令，以控制巡检无人机对地铁线路周边的地面情况进行巡检，并获取地面巡检图像信息；接收巡检无人机发出的地面巡检图像信息，将地面巡检图像信息输入至地面风险匹配模型中，分析地面巡检图像中对地铁隧道安全可能造成影响的因素，从而生成地面影响信息；接收各列车发出的行驶平稳性信息，以便获知各列车在日常运行过程中的行驶平稳性情况，判断地铁隧道当前的变形情况，以达到辅助地铁巡检工作的效果，基于地面影响信息和行驶平稳性信息生成风险因素信息，便于从地面安全影响因素和列车实际运行平稳性两个维度评估地铁隧道当前的安全性。
3. 对风险因素信息中的各类项目设定量化分值，便于后续对不同类型风险项目的危险程度进行量化和比较，基于各地铁路段的风险因素信息计算对应的风险分值；获取发车计划信息，以判断各地铁路段的各车次列车的车型和发车时间，从而计算各地铁路段的运载密度信息，由于地铁路段的运载密度越大，则发生安全事故时造成的损失越大，因此，根据不同地铁路段的运载密度信息确定对应的风险阈值等级，将各地铁路段的风险分值与不同等级的风险阈值进行对比，从而针对各地铁路段制定对应的巡检计划信息，以便根据各地铁路段不同的安全需求制定对应的巡检计划，从而提高了巡检计划制定的科学性。
附图说明
图1是本申请实施例一中基于BIM模型的无人机地铁巡检方法的流程图。
图2是本申请基于BIM模型的无人机地铁巡检方法中步骤S10的流程图。
图3是本申请基于BIM模型的无人机地铁巡检方法中步骤S30的流程图。
图4是本申请基于BIM模型的无人机地铁巡检方法中步骤S30的另一流程图。
图5是本申请基于BIM模型的无人机地铁巡检方法的另一流程图。
图6是本申请基于BIM模型的无人机地铁巡检方法的另一流程图。
图7是本申请实施例二中基于BIM模型的无人机地铁巡检系统的一原理框图。
图8是本申请实施例三中的设备示意图。
具体实施方式
以下结合附图1至8对本申请作进一步详细说明。
实施例一
本申请公开了一种基于BIM模型的无人机地铁巡检方法，可用于对地铁隧道内部以及地铁线路沿线的地表执行自动巡检工作；如图1所示，具体包括如下步骤：
S10：获取各地铁路段的绘测数据，基于各所述绘测数据生成地铁巡检BIM模型。
在本实施例中，绘测数据是指针对各地铁路段的隧道、轨道设施进行绘测后得到的数据；地铁巡检BIM模型是指基于地铁交通网而建立的建筑信息模型。
具体地，获取地铁交通网中各地铁路段的绘测数据，基于各地铁路段绘测数据进行汇总，从而建立地铁巡检BIM模型，便于后续根据地铁巡检BIM模型规划巡检无人机自动执行地铁巡检工作时的路径；同时便于根据巡检过程中获取的数据判断地铁隧道或地铁轨道的变形情况。
其中，参照图2，在步骤S10中，包括：
S11：基于各地铁路段的设计图纸生成地铁初始BIM模型，基于地铁初始BIM模型确定各监测棱镜初始位置信息。
在本实施例中，地铁隧道内设置有若干监测点位，各监测点位均设置有监测棱镜，便于后续用于监测地铁隧道是否发生形变。
具体地，基于各地铁路段的设计图纸生成地铁初始BIM模型，以便将地铁初始BIM模型作为后续对地铁隧道变形监测的基准；同时基于地铁初始BIM模型获取各监测棱镜的初始位置信息。
S12：通过全站仪获取各监测棱镜的监测位置信息，基于地铁初始BIM模型和监测位置信息，生成地铁巡检BIM模型。
具体地，定期通过全站仪获取各监测棱镜的监测位置信息，以便得到各监测棱镜当前的实际位置，以便对地铁初始BIM模型进行调整，生成新的地铁巡检BIM模型，以便提高地铁巡检BIM模型与地铁隧道的实际情况的一致性。
S20：获取巡检无人机的尺寸信息，基于所述尺寸信息和地铁巡检BIM模型，生成各地铁路段对应的巡检路径信息。
具体地，获取巡检无人机的尺寸信息，并结合巡检无人机的尺寸信息和地铁巡检BIM模型，为巡检无人机设定在各地铁路段执行巡检工作时的路径，以降低巡检无人机在地铁隧道中与物体发生碰撞的可能性。
进一步地，巡检无人机还可以安装避障组件，以便进一步降低巡检无人机因碰撞而损毁的可能性。
S30：获取各地铁路段的风险因素信息和发车计划信息，生成对应的巡检计划信息。
在本实施例中，风险因素是指可能对地铁隧道和轨道设施安全造成影响的因素；发车计划信息是指地铁交通网中各列车的车次信息，包括车型、发车时间等；巡检计划信息是指针对地铁交通网中各地铁线路的巡检工作所指定的计划。
具体地，获取各地铁路段的风险因素信息和发车计划信息，以便根据风险因素信息确定可能对地铁隧道和轨道的安全产生影响因素的信息，并根据发车计划信息确定各地铁路段的列车运行密度，进而便于判断各地铁路段的巡检需求和可供巡检的时间，从而生成巡检计划信息，
其中，参照图3，在步骤S30中，包括：
S31：基于预设的地面巡检周期，向巡检无人机发送地面巡检指令。
在本实施例中，由于影响地铁隧道和轨道安全的因素主要包括地铁线路周边的施工、自然灾害等，而这些因素难以通过在地铁隧道内例行的巡检发现，因此需要结合地面巡检，地面巡检周期是指执行地面巡检工作的周期，具体时间可以根据实际需求进行调整。
具体地，基于预设的地面巡检周期向巡检无人机发送地面巡检指令，以便控制巡检无人机对地铁线路周边的地面情况进行巡检，并在巡检过程中拍摄地面巡检图像信息；地面巡检图像信息是指巡检无人机在地表上空巡检时，拍摄的地表图像，用于判断地铁线路附近是否存在动土施工、降雨、地质灾害等情况。
S32：接收巡检无人机发出的地面巡检图像信息，将地面巡检图像信息输入地面风险匹配模型中，生成地面影响信息。
在本实施例中，地面风险匹配模型是指用于识别地面巡检图像信息中是否存在风险因素的模型。
具体地，接收巡检无人机发出的地面巡检图像信息，将地面巡检图像信息输入地面风险匹配模型，以识别地面巡检图像中是否存在风险因素，例如动土施工、降雨、地质灾害等；基于识别到的风险因素生成地面影响信息。
S33：接收各列车发出的行驶平稳性信息，基于地面影响信息和行驶平稳性信息，生成风险因素信息。
在本实施例中，行驶平稳性信息是指用于评估列车行驶工程中的平稳性的信息。
具体地，通过各列车上安装的陀螺仪检测列车行驶工程中在各方向上的颠簸，从而评估列车行驶时的平稳性，便于判断当前列车轨道变形对列车行驶所造成的不利影响；以达到辅助地铁巡检工作的效果，基于地面影响信息和行驶平稳性信息生成风险因素信息，便于从地面安全影响因素和列车实际运行平稳性两个维度评估地铁隧道当前的安全性。
其中，参照图4，在步骤S30中，还包括：
S34：对风险因素信息中的各类项目设定量化分值，基于各地铁路段的风险因素信息计算对应的风险分值。
具体地，针对风险因素信息中的各类项目设定量化分值，便于后续对不同类型风险项目的危险程度进行量化和比较，基于各地铁路段的风险因素信息计算对应的风险分值。
S35：获取发车计划信息，基于发车计划信息计算各地铁路段的运载密度信息，根据运载密度信息确定对应的风险阈值等级。
具体地，获取发车计划信息，基于发车计划信息中各车次的发车时间，计算各地铁路段在单位时间内通行列车的数量作为运载密度信息；由于地铁路段的运载密度越大，则发生安全事故时造成的损失越大，因此，根据不同地铁路段的运载密度信息确定对应的风险阈值等级，便于提高风险阈值制定的科学性。
进一步地，运载密度信息还可以是根据单位时间内通行列车上乘客的数量进行计算。
S36：将各地铁路段的风险分值与各等级的风险阈值进行对比，生成对应的巡检计划信息。
具体地，将各地铁路段的风险分值与各等级的风险阈值进行匹配，从而确定各地铁路段的风险阈值等级，根据风险阈值等级设置对应的巡检频率，进而制定对应的巡检计划信息，以便根据各地铁路段不同的安全需求制定对应的巡检计划，从而提高了巡检计划制定的科学性。
S40：将巡检计划信息发送至巡检无人机的巡检控制模块。
具体地，巡检计划信息制定完成后，将巡检计划信息发送至巡检无人机的巡检控制模块，使巡检无人机根据巡检计划信息执行自动巡检工作，降低了人员的劳动强度。
参照图5，在步骤S40之后，基于BIM模型的无人机地铁巡检方法还包括：
S51：接收巡检无人机发出的地下巡检图像信息，将地下巡检图像信息输入至地下风险匹配模型，生成第一巡检信息。
在本实施例中，地下巡检图像信息是指巡检无人机在地铁轨道内执行自动巡检工作时拍摄的图像信息；地下风险匹配模型是指用于识别地下巡检图像信息中是否存在风险因素的模型。
具体地，巡检无人机出发开始执行自动巡检工作时，通过摄像机自动获取隧道内的图像信息，即地下巡检图像信息，将地下巡检图像信息输入至地下风险匹配模型，以识别地下巡检图像中是否存在风险因素，例如裂缝、漏水、落尘等；基于识别到的风险因素生成第一巡检信息。
具体地，地下风险匹配模型内置有训练图像库，训练图像库中存储有大量裂缝、漏水等侧壁缺陷的图片，通过训练图像库中存储的图像对地下风险匹配模型的算法进行训练，便于提高地下风险匹配模型对风险因素的识别成功率。
S52：接收巡检无人机发出的巡检位置信息，生成第二巡检信息，所述巡检位置信息是指巡检无人机监测到的各监测棱镜的实时位置信息。
在本实施例中，巡检无人机设置有自动全站仪，且地铁巡检BIM模型中设置有监测位置的坐标信息。
具体地，巡检无人机在地铁隧道中执行自动巡检任务的方式包括图像巡检和位置监测巡检，其中，执行位置监测巡检时，基于地铁巡检BIM模型中设置的监测位置坐标信息，巡检无人机自动飞行至监测位置，启动自动全站仪对视场内的监测棱镜进行检测，得到巡检位置信息；基于巡检位置信息生成第二巡检信息，便于后续根据第二巡检信息判断地铁隧道的变形情况。
S53：基于第一巡检信息和第二巡检信息生成巡检回传报告，并发送至管理人员终端。
具体地，基于第一巡检信息和第二巡检信息，生成巡检回传报告，将巡检回传报告发送至管理人员终端，以便使管理人员及时获知针对地铁自动巡检的结果，便于管理人员及时判断地铁运行安全，以及记录待维修的项目。
参照图6，在步骤S40之后，基于BIM模型的无人机地铁巡检方法还包括：
S61：获取各列车的实时位置信息，基于发车计划信息确定各列车对应的行驶速度数据。
具体地，获取各列车当前的实时位置信息，列车的实时位置信息是通过列车上安装的定位设备获取的，具体为UWB定位设备，具有较高的精度；从地铁发车计划信息中获取各车次列车正常运行时的行驶速度，便于后续根据列车的实时位置信息、列车运行方向和列车行驶速度数据，预估列车后续的运动发展规律。
S62：基于巡检无人机的当前位置信息、飞行速度数据和各避让位置坐标信息，计算避让时间，基于避让时间和安全系数计算避让预警时间。
在本实施例中，避让位置坐标信息是指地铁隧道中可供巡检无人机停驻，且不会影响列车正常通行的位置的坐标信息。
具体地，基于巡检无人机的当前位置信息、飞行速度数据和地铁交通网中的各避让位置坐标信息，计算巡检无人机飞行至最近一个避让位置所需的时间为避让时间；根据实际需求设定安全系数，计算避让时间和安全系数的乘积为避让预警时间，便于后续判断为避让列车正常通行所需提前准备的时间。
S63：基于列车的实时位置信息、行驶速度数据，以及巡检无人机的当前位置信息，计算碰撞风险时间。
具体地，基于列车的实时位置信息、行驶速度数据，以及巡检无人机的当前位置信息，计算列车行驶至巡检无人机所在位置所需花费的时间作为碰撞风险时间。
S64：当避让预警时间小于碰撞风险时间时，生成避让执行指令并发送至巡检无人机的巡检控制模块。
具体地，当避让预警时间小于碰撞风险时间时，则认为巡检无人机需要尽快对列车的正常运行进行避让，生成避让执行指令并发送至巡检无人机的巡检控制模块，使巡检无人机自动飞行至避让位置，以降低巡检无人机执行自动巡检工作时对列车正常通行的干扰。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例二
本申请公开了一种基于BIM模型的无人机地铁巡检设备，包括巡检无人机和UWB定位组件，巡检无人机设置有自动全站仪和摄像机，UWB定位组件包括定位模块和若干探测模块，巡检无人机用于搭载摄像头、自动全站仪和定位模块，其中摄像头用于拍摄地面巡检图像信息和地下巡检图像信息，自动全站仪用于获取各监测棱镜的巡检位置信息；定位模块固定连接于巡检无人机，地铁隧道内壁以及地铁隧道沿线地表均设置有所述探测模块，巡检无人机设置有巡检控制模块；探测模块用于探测定位模块的位置信息，定位模块固定连接于巡检无人机，以达到获取巡检无人机位置信息的功能；巡检无人机设置有巡检控制模块，以达到控制巡检无人机自动执行地铁巡检任务的功能。
如图7所示，本申请公开了一种基于BIM模型的无人机地铁巡检系统，用于执行上述基于BIM模型的无人机地铁巡检方法的步骤，该基于BIM模型的无人机地铁巡检系统与上述实施例中基于BIM模型的无人机地铁巡检方法相对应。
基于BIM模型的无人机地铁巡检系统包括地铁巡检模型生成模块、巡检路径生成模块、巡检计划生成模块和自动巡检执行模块。各功能模块的详细说明如下：
地铁巡检模型生成模块，用于获取各地铁路段的绘测数据，基于各所述绘测数据生成地铁巡检BIM模型；
巡检路径生成模块，用于获取巡检无人机的尺寸信息，基于所述尺寸信息和地铁巡检BIM模型，生成各地铁路段对应的巡检路径信息；
巡检计划生成模块，用于获取各地铁路段的风险因素信息和发车计划信息，生成对应的巡检计划信息；
自动巡检执行模块，用于将巡检计划信息发送至巡检无人机的巡检控制模块。
其中，地铁巡检模型生成模块包括：
地铁初始模型确定子模块，用于基于各地铁路段的设计图纸生成地铁初始BIM模型，基于地铁初始BIM模型确定各监测棱镜初始位置信息；
地铁巡检模型修正子模块，用于通过全站仪获取各监测棱镜的监测位置信息，基于地铁初始BIM模型和监测位置信息，生成地铁巡检BIM模型。
其中，巡检计划生成模块包括：
地面巡检指令发送子模块，用于基于预设的地面巡检周期，向巡检无人机发送地面巡检指令；
地面影响评估子模块，用于接收巡检无人机发出的地面巡检图像信息，将地面巡检图像信息输入地面风险匹配模型中，生成地面影响信息；
风险因素信息生成子模块，用于接收各列车发出的行驶平稳性信息，基于地面影响信息和行驶平稳性信息，生成风险因素信息；
风险分值计算子模块，用于对风险因素信息中的各类项目设定量化分值，基于各地铁路段的风险因素信息计算对应的风险分值；
风险阈值等级确定子模块，用于获取发车计划信息，基于发车计划信息计算各地铁路段的运载密度信息，根据运载密度信息确定对应的风险阈值等级；
巡检计划信息生成子模块，用于将各地铁路段的风险分值与各等级的风险阈值进行对比，生成对应的巡检计划信息。
其中，基于BIM模型的无人机地铁巡检系统还包括：
第一巡检信息生成模块，用于接收巡检无人机发出的地下巡检图像信息，将地下巡检图像信息输入至地下风险匹配模型，生成第一巡检信息；
第二巡检信息生成模块，用于接收巡检无人机发出的巡检位置信息，生成第二巡检信息，所述巡检位置信息是指巡检无人机监测到的各监测棱镜的实时位置信息；
巡检回传报告生成模块，用于基于第一巡检信息和第二巡检信息生成巡检回传报告，并发送至管理人员终端。
其中，基于BIM模型的无人机地铁巡检系统还包括：
行驶速度数据获取模块，用于获取各列车的实时位置信息，基于发车计划信息确定各列车对应的行驶速度数据；
避让预警时间计算模块，用于基于巡检无人机的当前位置信息、飞行速度数据和各避让位置坐标信息，计算避让时间，基于避让时间和安全系数计算避让预警时间；
碰撞风险时间计算模块，用于基于列车的实时位置信息、行驶速度数据，以及巡检无人机的当前位置信息，计算碰撞风险时间；
避让执行指令发送模块，用于当避让预警时间小于碰撞风险时间时，生成避让执行指令并发送至巡检无人机的巡检控制模块。
关于基于BIM模型的无人机地铁巡检系统的具体限定可以参见上文中对于基于BIM模型的无人机地铁巡检方法的限定，在此不再赘述；上述基于BIM模型的无人机地铁巡检系统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，也可以是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。
实施例三
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8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、网络接口和数据库。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、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绘测数据、地铁巡检BIM模型、尺寸信息、巡检路径信息、风险因素信息、发车计划信息、巡检计划信息等数据。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基于BIM模型的无人机地铁巡检方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
S10：获取各地铁路段的绘测数据，基于各所述绘测数据生成地铁巡检BIM模型；
S20：获取巡检无人机的尺寸信息，基于所述尺寸信息和地铁巡检BIM模型，生成各地铁路段对应的巡检路径信息；
S30：获取各地铁路段的风险因素信息和发车计划信息，生成对应的巡检计划信息；
S40：将巡检计划信息发送至巡检无人机的巡检控制模块。
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以下步骤：
S10：获取各地铁路段的绘测数据，基于各所述绘测数据生成地铁巡检BIM模型；
S20：获取巡检无人机的尺寸信息，基于所述尺寸信息和地铁巡检BIM模型，生成各地铁路段对应的巡检路径信息；
S30：获取各地铁路段的风险因素信息和发车计划信息，生成对应的巡检计划信息；
S40：将巡检计划信息发送至巡检无人机的巡检控制模块。
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、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）、DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于BIM模型的无人机地铁巡检方法，其特征在于，包括：
获取各地铁路段的绘测数据，基于各所述绘测数据生成地铁巡检BIM模型；
获取巡检无人机的尺寸信息，基于所述尺寸信息和地铁巡检BIM模型，生成各地铁路段对应的巡检路径信息；
获取各地铁路段的风险因素信息和发车计划信息，生成对应的巡检计划信息；
将巡检计划信息发送至巡检无人机的巡检控制模块；
其中，获取各地铁路段的风险因素信息和发车计划信息，生成对应的巡检计划信息的步骤中，还包括：
对风险因素信息中的各类项目设定量化分值，基于各地铁路段的风险因素信息计算对应的风险分值；
获取发车计划信息，基于发车计划信息计算各地铁路段的运载密度信息，根据运载密度信息确定对应的风险阈值等级；
将各地铁路段的风险分值与各等级的风险阈值进行对比，生成对应的巡检计划信息。
2.根据权利要求1所述的一种基于BIM模型的无人机地铁巡检方法，其特征在于：所述地铁隧道设置有若干监测点位，各监测点位均设置有监测棱镜；获取各地铁路段的绘测数据，基于各所述绘测数据生成地铁巡检BIM模型的步骤中，包括：
基于各地铁路段的设计图纸生成地铁初始BIM模型，基于地铁初始BIM模型确定各监测棱镜初始位置信息；
通过全站仪获取各监测棱镜的监测位置信息，基于地铁初始BIM模型和监测位置信息，生成地铁巡检BIM模型。
3.根据权利要求1所述的一种基于BIM模型的无人机地铁巡检方法，其特征在于：获取各地铁路段的风险因素信息和发车计划信息，生成对应的巡检计划信息的步骤中，包括：
基于预设的地面巡检周期，向巡检无人机发送地面巡检指令；
接收巡检无人机发出的地面巡检图像信息，将地面巡检图像信息输入地面风险匹配模型中，生成地面影响信息；
接收各列车发出的行驶平稳性信息，基于地面影响信息和行驶平稳性信息，生成风险因素信息。
4.根据权利要求2所述的一种基于BIM模型的无人机地铁巡检方法，其特征在于：将巡检计划信息发送至巡检无人机的巡检控制模块的步骤之后，还包括：
接收巡检无人机发出的地下巡检图像信息，将地下巡检图像信息输入至地下风险匹配模型，生成第一巡检信息；
接收巡检无人机发出的巡检位置信息，生成第二巡检信息，所述巡检位置信息是指巡检无人机监测到的各监测棱镜的实时位置信息；
基于第一巡检信息和第二巡检信息生成巡检回传报告，并发送至管理人员终端。
5.根据权利要求1所述的一种基于BIM模型的无人机地铁巡检方法，其特征在于：所述地铁巡检BIM模型包括避让位置坐标信息；将巡检计划信息发送至巡检无人机的巡检控制模块的步骤之后，还包括：
获取各列车的实时位置信息，基于发车计划信息确定各列车对应的行驶速度数据；
基于巡检无人机的当前位置信息、飞行速度数据和各避让位置坐标信息，计算避让时间，基于避让时间和安全系数计算避让预警时间；
基于列车的实时位置信息、行驶速度数据，以及巡检无人机的当前位置信息，计算碰撞风险时间；
当避让预警时间小于碰撞风险时间时，生成避让执行指令并发送至巡检无人机的巡检控制模块。
6.一种基于BIM模型的无人机地铁巡检设备，其特征在于，包括巡检无人机和UWB定位组件，所述巡检无人机设置有自动全站仪和摄像机，所述UWB定位组件包括定位模块和若干探测模块，所述定位模块固定连接于巡检无人机，地铁隧道内壁以及地铁隧道沿线地表均设置有所述探测模块，所述巡检无人机设置有巡检控制模块；
其中，所述巡检控制模块内置有基于BIM模型的无人机地铁巡检系统，所述基于BIM模型的无人机地铁巡检系统包括：
地铁巡检模型生成模块，用于获取各地铁路段的绘测数据，基于各所述绘测数据生成地铁巡检BIM模型；
巡检路径生成模块，用于获取巡检无人机的尺寸信息，基于所述尺寸信息和地铁巡检BIM模型，生成各地铁路段对应的巡检路径信息；
巡检计划生成模块，用于获取各地铁路段的风险因素信息和发车计划信息，生成对应的巡检计划信息；
自动巡检执行模块，用于将巡检计划信息发送至巡检无人机的巡检控制模块；
其中，巡检计划生成模块包括：
风险分值计算子模块，用于对风险因素信息中的各类项目设定量化分值，基于各地铁路段的风险因素信息计算对应的风险分值；
风险阈值等级确定子模块，用于获取发车计划信息，基于发车计划信息计算各地铁路段的运载密度信息，根据运载密度信息确定对应的风险阈值等级；
巡检计划信息生成子模块，用于将各地铁路段的风险分值与各等级的风险阈值进行对比，生成对应的巡检计划信息。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述基于BIM模型的无人机地铁巡检方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于BIM模型的无人机地铁巡检方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211627171.8A CN115951704B (zh) | 2022-12-17 | 2022-12-17 | 一种基于bim模型的无人机地铁巡检方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211627171.8A CN115951704B (zh) | 2022-12-17 | 2022-12-17 | 一种基于bim模型的无人机地铁巡检方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115951704A CN115951704A (zh) | 2023-04-11 |
| CN115951704B true CN115951704B (zh) | 2023-08-15 |
Family
ID=87281883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211627171.8A Active CN115951704B (zh) | 2022-12-17 | 2022-12-17 | 一种基于bim模型的无人机地铁巡检方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115951704B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117073570B (zh) * | 2023-10-12 | 2023-12-19 | 四川高速公路建设开发集团有限公司 | 一种基于无人机的隧道变形程度检测系统及方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
| CN110398982A (zh) * | 2019-06-21 | 2019-11-01 | 万翼科技有限公司 | 一种无人机的巡检方法及系统 |
| CN111598734A (zh) * | 2020-05-25 | 2020-08-28 | 中建三局第二建设工程有限责任公司 | 一种bim和物联网的智慧工地综合管理系统 |
| CN113051465A (zh) * | 2019-12-27 | 2021-06-29 | Oppo广东移动通信有限公司 | 优化策略的推送方法、装置、服务器及存储介质 |
| CN113294009A (zh) * | 2021-05-30 | 2021-08-24 | 周文波 | 一种基于云计算与bim模型的建筑风险评估预警系统 |
| CN113611082A (zh) * | 2021-07-12 | 2021-11-05 | 北京铁科特种工程技术有限公司 | 一种无人机铁路边坡监控与预警系统及方法 |
| CN113723626A (zh) * | 2021-07-23 | 2021-11-30 | 广州轨道交通建设监理有限公司 | 地铁线路保护巡检方法、装置、计算机设备和存储介质 |
| CN114283761A (zh) * | 2021-12-23 | 2022-04-05 | 展讯通信(天津)有限公司 | 屏幕亮度调节方法和装置 |
| CN114559445A (zh) * | 2022-03-16 | 2022-05-31 | 湖南文理学院 | 一种轨道交通巡检机器人平台 |
| CN115048702A (zh) * | 2022-06-24 | 2022-09-13 | 珠海市交通勘察设计院有限公司 | 基于5g网络的道路勘察设计方法、装置、设备及存储介质 |
| CN115359643A (zh) * | 2022-08-10 | 2022-11-18 | 北京思维实创科技有限公司 | 一种智控终端控制系统 |
-
2022
- 2022-12-17 CN CN202211627171.8A patent/CN115951704B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
| CN110398982A (zh) * | 2019-06-21 | 2019-11-01 | 万翼科技有限公司 | 一种无人机的巡检方法及系统 |
| CN113051465A (zh) * | 2019-12-27 | 2021-06-29 | Oppo广东移动通信有限公司 | 优化策略的推送方法、装置、服务器及存储介质 |
| CN111598734A (zh) * | 2020-05-25 | 2020-08-28 | 中建三局第二建设工程有限责任公司 | 一种bim和物联网的智慧工地综合管理系统 |
| CN113294009A (zh) * | 2021-05-30 | 2021-08-24 | 周文波 | 一种基于云计算与bim模型的建筑风险评估预警系统 |
| CN113611082A (zh) * | 2021-07-12 | 2021-11-05 | 北京铁科特种工程技术有限公司 | 一种无人机铁路边坡监控与预警系统及方法 |
| CN113723626A (zh) * | 2021-07-23 | 2021-11-30 | 广州轨道交通建设监理有限公司 | 地铁线路保护巡检方法、装置、计算机设备和存储介质 |
| CN114283761A (zh) * | 2021-12-23 | 2022-04-05 | 展讯通信(天津)有限公司 | 屏幕亮度调节方法和装置 |
| CN114559445A (zh) * | 2022-03-16 | 2022-05-31 | 湖南文理学院 | 一种轨道交通巡检机器人平台 |
| CN115048702A (zh) * | 2022-06-24 | 2022-09-13 | 珠海市交通勘察设计院有限公司 | 基于5g网络的道路勘察设计方法、装置、设备及存储介质 |
| CN115359643A (zh) * | 2022-08-10 | 2022-11-18 | 北京思维实创科技有限公司 | 一种智控终端控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115951704A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11098455B2 (en) | Systems and methods for data acquisition and asset inspection in presence of magnetic interference | |
| US10641898B1 (en) | Structural displacement measurement using unmanned aerial vehicles equipped with lasers | |
| CN105574683A (zh) | 一种全方位变电站巡检系统及方法 | |
| CN115951704B (zh) | 一种基于bim模型的无人机地铁巡检方法及设备 | |
| KR102539835B1 (ko) | 3d 카메라를 이용한 디지털 트윈 생성 및 손상 분석 시스템 | |
| CN114814877B (zh) | 一种基于巡检机器人的隧道数据采集方法、设备及介质 | |
| CN113726606A (zh) | 异常检测方法及装置、电子设备、存储介质 | |
| CN116048124B (zh) | 无人机地铁隧道巡检方法、装置、计算机设备及存储介质 | |
| CN115373403B (zh) | 一种建筑机械设备巡检服务系统 | |
| CN116740833A (zh) | 基于无人机的线路巡线打卡方法 | |
| Liu et al. | An approach for auto bridge inspection based on climbing robot | |
| CN117589177B (zh) | 基于工业大模型自主导航方法 | |
| CN116754022B (zh) | 电缆隧道的在线检测应急预警方法及系统 | |
| CN114937040B (zh) | 轨道交通车辆段的列车巡检方法、装置、系统及存储介质 | |
| CN117010673A (zh) | 一种木结构历史建筑结构构件表征损伤的鉴定方法及系统 | |
| NL2030333B1 (en) | Lidar-based unmanned aerial vehicle bridge bottom detection system | |
| CN116052075A (zh) | 一种基于计算机视觉的吊装作业行为检测评价方法和设备 | |
| Leonidas et al. | The development of an automatic inspection system used for the maintenance of rail tunnels | |
| CN115237131A (zh) | 一种巡检机器人的巡检控制方法、装置及存储介质 | |
| CN111780761A (zh) | 一种巡检机器人自主导航方法 | |
| CN111775150A (zh) | 一种巡检机器人路线矫正方法 | |
| CN117054444B (zh) | 一种用于管线探测的方法及系统 | |
| CN117496445B (zh) | 一种建筑施工设备故障预测方法、设备及介质 | |
| CN114280163A (zh) | 一种高空拼装式钢结构可视化监理验收方法及设备 | |
| CN117452970B (zh) | 基于人工智能的无人机巡检控制方法、装置、设备及介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240109 Address after: Room 1227-1, 12th floor, Haitai building, No. 229, Middle North Fourth Ring Road, Haidian District, Beijing 100089 Patentee after: Beijing maglev Co.,Ltd. Address before: Room 408, 1-14, 4 / F, Hengxiang building, No.15 Tuanjie hunanli, Chaoyang District, Beijing 100020 Patentee before: Beijing thinking Shichuang Technology Co.,Ltd. |