CN116524382A - 一种桥梁转体合拢准确性检验方法系统、设备 - Google Patents
一种桥梁转体合拢准确性检验方法系统、设备 Download PDFInfo
- Publication number
- CN116524382A CN116524382A CN202310575729.0A CN202310575729A CN116524382A CN 116524382 A CN116524382 A CN 116524382A CN 202310575729 A CN202310575729 A CN 202310575729A CN 116524382 A CN116524382 A CN 116524382A
- Authority
- CN
- China
- Prior art keywords
- bridge
- point cloud
- swivel
- module
- accuracy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000007689 inspection Methods 0.000 title claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000036544 posture Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种桥梁转体合拢准确性检验方法系统、设备,属于智能建造工程领域。其包括以下步骤:步骤1:无人机采集桥梁的视频数据并制作图片数据集。步骤2:通过归一化进行特征提取;通过余弦相似度的判断准则和词汇树匹配算法进行特征匹配。步骤3:使用Multi‑ViewStereo,得到稠密的三维点云模型。步骤4:采用CloudCompare点云可视化软件,计算出桥梁转体部分两端的高度、水平度、位置和角度。步骤5:通过上述参数判断出桥梁转体是否能够合拢,如出现误差并给出修正建议。本发明在桥梁合拢之前可以判断出桥梁是否能够准确合拢,如果出现超出标准的误差能够及时修正,极大的提高桥梁合拢检测的效率。
Description
技术领域
本发明涉及一种桥梁转体合拢准确性检验方法系统、设备,属于智能建造工程领域。
背景技术
桥梁转体是一种重要的桥梁构造方法,它是将桥梁从一个基础移动到另一个基础的过程。桥梁转体涉及到将整个桥梁结构从原来的基础移动到新的基础,并在原地进行重新安装和调整。为了实现这一目标,需要使用专业的工程技术和设备,以确保桥梁转体过程的安全性和准确性。桥梁转体是一项复杂的工程,需要对工程技术、环境影响、道路交通和其他因素进行详细的评估和规划。然而,它也是一种高效的方法,可以最大限度地减少对道路和建筑物的影响。桥梁转体合拢的传统的方式是使用全站仪、GPS等,可以对桥梁进行精确定位,以确保其能够精确地对接。在桥梁合拢之前,需要进行多次检查和调整,以确保两端的高度、水平度、位置和角度满足要求。传统方法每检查一次需要大量的时间成本和人力成本,效率较低。
发明内容
本发明的目的在于克服现有技术的不足,提供一种能够快速、准确的桥梁转体合拢准确性检验方法。解决传统的桥梁转体合拢准确性检测效率低下和费用高昂等问题。
本发明的技术解决方案是:一种桥梁转体合拢准确性检验方法系统及其设备,包括以下步骤:
步骤1:无人机采集桥梁的视频数据并制作图片数据集。
步骤2:对步骤1中的图片数据集通过归一化进行特征提取,通过余弦相似度的判断准则和词汇树匹配算法进行特征匹配。
步骤3:在步骤2中的特征匹配结果基础上通过增量式运动恢复结构技术(StructureFromMotion)得到场景中的相机姿态和表示场景结构的稀疏点云。进行深度图估计,恢复参考影像的深度信息。在深度图估计之前要进行图像去畸变操作。使用多视图立体视觉技术(Multi-ViewStere)进行稠密重建,在相机位姿已知的前提下,逐像素的计算图像中每一个像素点对应的三维点,得到稠密的三维点云模型。
步骤4:将桥梁转体的三维点云模型放入CloudCompare点云可视化软件,利用点云的优势每个点都有精确的坐标值,计算出桥梁转体两端的相关参数。
步骤5:通过上述参数高度、水平度、位置和角度,判断出桥梁是否能够合拢,如果出现较大误差能够及时修正。
进一步的,步骤1中无人机采集桥梁的视频数据并制作图片数据集,要求将桥梁的全貌拍摄完整以便之后的三维点云建模。在python程序中利用OpenCV中的VideoCapture模块读取视频数据,将其中的每一帧图片保存至文件夹生成三维点云建模所需的图片数据集。
进一步的,步骤2中对步骤1中的图片数据集通过归一化进行特征提取,对图片数据集通过用DOG图像金字塔,再找极值的方式和确定主方向和128维的描述子,为了消除光照的影响使用归一化的方式进行特征提取。
进一步的,步骤3中通过增量式运动恢复结构技术(Structure FromMotion),得到场景中的相机姿态和表示场景结构的稀疏点云。通过增量式运动恢复结构技术(StructureFromMotion)选择无序影像进行特征匹配,并进行几何纠正、三角测量恢复稀疏点云结构,通过已有点云重新估计相对姿态,再进行局部和全局的光束法平差(BundleAdjustment)优化,光束法平差(BundleAdjustment)优化是指对多段相机的位姿和位姿下的路标点的空间坐标进行优化。逐步向已有的结构中增加视角或影像,进行三角测量和姿态估计,再进行光束法平差(BundleAdjustment)优化修正结构数据,最后输出全部的相机参数和稀疏三维点云。
进一步的,步骤4中计算出桥梁转体两端的相关参数。桥梁转体两端的相关参数包括高度、水平度、位置和角度。
进一步的,步骤5中判断出桥梁是否能够合拢,如果经两端的高度、水平度、位置和角度都在标准误差范围内即桥梁能够准确合拢,反之则不能准确合拢。
一种桥梁转体合拢准确性检验方法的系统,包括数据采集模块、数据处理模块、计算模块和判断模块;
数据采集模块用于获取桥梁转体前若干段桥梁的图片数据集;
数据处理模块用于基于桥梁的图片数据集依次进行特征匹配和特征提取,并进行点云的稀疏重建和稠密重建得到场景物体表面密集的三维点云模型。
计算模块用于在CloudCompare点云可视化软件中计算出桥梁两端的高度、水平度、位置和角度
判断模块用于通过计算模块得到的参数判断其是否能够安全的合拢;
一种桥梁转体合拢准确性检验设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现桥梁转体合拢准确性检验方法的步骤。
本发明公开了以下技术效果:
将无人机采集的桥梁转体视频数据输入该设备后,该设备能够将视频数据转化为图片数据集,对数据集进行特征匹配和特征匹配从而生成稠密的三位点云模型,并计算出桥梁转体部分两端的高度、水平度、位置和角度,通过以上参数判断出桥梁转体是否能够准确的合拢。
附图说明
图1为本发明实施例中所述的桥梁转体合拢准确性检验方法流程示意图;
图2为本发明实施例中所述的桥梁转体合拢准确性检验系统结构示意图;
图3为本发明实施例中所述的桥梁转体合拢准确性检验设备结构示意图。
图3中标记:800、桥梁转体合拢准确性检验设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
实施例1:
下面将结合实例,对本发明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。本发明中在包括下述说明在内的各部分中所提供的技术方案和技术特征,在不冲突的情况下,这些技术方案和技术特征可以相互组合。基于本发明中的实施例,本领域技术人员在没有付出创造性劳动的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所示,本发明提供一种技术方案:桥梁转体合拢准确性检验方法系统、设备包括以下步骤:
S101、利用无人机拍摄合拢前的两段桥梁的视频,要求将桥梁的全貌拍摄完整以便之后的三维点云建模。在python程序中利用OpenCV中的VideoCapture模块读取视频,将其中的每一帧图片保存至文件夹生成三维点云建模所需的图片数据集。
S102、通过使用DOG图像金字塔,再找极值的方式。确定主方向和128维的描述子,再归一化消除光照的影响。其中由于欧氏距离容易受较大值的影响,使用海林格距离更稳定。先对尺度不变特征变换(SIFT)的结果进行L1正则化,再对每一个元素求平方根,得到的结果便是L2正则化。通过余弦相似度的判断准则和词汇树匹配算法进行特征匹配。
S103、利用摄像机所拍摄到的图像来还原空间中的物体。需要对摄像机内参进行求解,确定数据集中每张图像的位姿进行稀疏重建。以增量式StructureFromMotion为主,目的是得到场景中的相机姿态和表示场景结构的稀疏点云。增量式StructureFromMotion选择无序影像进行特征匹配,并进行几何纠正、三角测量恢复稀疏点云结构,通过已有点云重新估计相对姿态,再进行局部和全局的BundleAdjustment优化,从视觉重建中提炼出最优的3D模型和相机参数(内参和外参)。之后逐步向已有的结构中增加视角或影像,进行三角测量和姿态估计,再进行BundleAdjustment优化修正结构数据,最后输出全部的相机参数和稀疏三维点云。进行深度图估计,目的是恢复参考影像的深度信息。在深度图估计之前要进行图像去畸变操作。使用多视图立体几何(Multi-ViewStereo)进行稠密重建,目的是在相机位姿已知的前提下,逐像素的计算图像中每一个像素点对应的三维点,得到场景物体表面密集的三维点云。
S104、将桥梁转体的两段三维点云模型放入CloudCompare点云可视化软件,利用点云的优势,每个点都有精确的坐标值,计算出桥梁转体两端的高度、水平度、位置和角度。
S105、通过上述参数高度、水平度、位置和角度判断出桥梁是否能够合拢,如果出现较大误差能够及时修正。以便在桥梁合拢之前能够准确的计算出是否能够精确的合拢,如果出现较大误差能够及时修正,提高施工的效率。
实施例2:
如图2所示一种桥梁转体合拢准确性检验方法的系统,其所示系统包括:
数据采集模块:用于获取桥梁转体前若干段桥梁的图片数据集;
数据处理模块:用于基于桥梁的图片数据集依次进行特征匹配和特征提取,并进行点云的稀疏重建和稠密重建得到场景物体表面密集的三维点云模型;
计算模块:用于在点云可视化软件中计算出桥梁两端的高度、水平度、位置和角度;
判断模块:用于通过计算模块得到的参数判断其是否能够安全的合拢;
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种桥梁转体合拢准确性检验的设备,下文描述的一种桥梁转体合拢准确性检验设备与上文描述的一种桥梁转体合拢准确性检验方法可相互对应参照。
图3是根据示例性实施例示出的一种桥梁转体合拢准确性检验设备800的框图。如图3所示,该桥梁转体合拢准确性检验设备800可以包括:处理器801,存储器802。该桥梁转体合拢准确性检验设备800还可以包括多媒体组件803,I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该桥梁转体合拢准确性检验设备800的整体操作,以完成上述的桥梁转体合拢准确性检验方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该桥梁转体合拢准确性检验设备800的操作,这些数据例如可以包括用于在该桥梁转体合拢准确性检验设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器,电可擦除可编程只读存储器,可擦除可编程只读存储器,可编程只读存储器,只读存储器,磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该桥梁转体合拢准确性检验设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(NearFieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。桥梁转体合拢准确性检验设备800可以被一个或多个应用专用集成电路、数字信号处理器、数字信号处理设备、可编程逻辑器件、现场可编程门阵列、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的桥梁转体合拢准确性检验方法。
Claims (8)
1.一种桥梁转体合拢准确性检验方法,其特征在于,包括以下步骤:
步骤1:无人机采集桥梁的视频数据并制作图片数据集;
步骤2:对步骤1中的图片数据集通过归一化进行特征提取,通过余弦相似度的判断准则和词汇树匹配算法进行特征匹配;
步骤3:在步骤2中的特征匹配结果基础上通过增量式运动恢复结构技术得到场景中的相机姿态和表示场景结构的稀疏点云,进行深度图估计恢复参考影像的深度信息,在深度图估计之前要进行图像去畸变操作,使用多视图立体视觉技术进行稠密重建,在相机位姿已知的前提下,逐像素的计算图像中每一个像素点对应的三维点,得到稠密的三维点云模型;
步骤4:将桥梁转体的三维点云模型放入CloudCompare点云可视化软件,利用点云的优势每个点都有精确的坐标值,计算出桥梁转体两端的相关参数;
步骤5:通过上述参数高度、水平度、位置和角度,判断出桥梁是否能够合拢,如果出现较大误差能够及时修正。
2.如权利要求1所述的一种桥梁转体合拢准确性检验方法,其特征在于,所述步骤1中无人机采集桥梁的视频数据并制作图片数据集,要求将桥梁的全貌拍摄完整以便之后的三维点云建模,在python程序中利用OpenCV中的VideoCapture模块读取视频数据,将视频中的每一帧图片保存至文件夹,生成三维点云建模所需的图片数据集。
3.如权利要求1所述的一种桥梁转体合拢准确性检验方法,其特征在于,所述步骤2中对步骤1中的图片数据集通过归一化进行特征提取,对图片数据集通过用DOG图像金字塔,再找极值的方式和确定主方向和128维的描述子,为了消除光照的影响使用归一化的方式进行特征提取。
4.如权利要求1所述的一种桥梁转体合拢准确性检验方法,其特征在于,所述步骤3中通过增量式运动恢复结构技术,得到场景中的相机姿态和表示场景结构的稀疏点云,通过增量式运动恢复结构技术选择无序影像进行特征匹配,并进行几何纠正、三角测量恢复稀疏点云结构,通过已有点云重新估计相对姿态,再进行局部和全局的光束法平差优化,光束法平差优化是指对多段相机的位姿和位姿下的路标点的空间坐标进行优化,逐步向已有的结构中增加视角或影像,进行三角测量和姿态估计,再进行光束法平差优化修正结构数据,最后输出全部的相机参数和稀疏三维点云。
5.如权利要求1所述的一种桥梁转体合拢准确性检验方法,其特征在于,所述步骤4中计算出桥梁转体两端的相关参数,桥梁转体两端的相关参数包括高度、水平度、位置和角度。
6.如权利要求1所述的一种桥梁转体合拢准确性检验方法,其特征在于,所述步骤5中判断出桥梁是否能够合拢,如果经两端的高度、水平度、位置和角度都在标准误差范围内即桥梁能够准确合拢,反之则不能准确合拢。
7.权利要求1~6任一项所述一种桥梁转体合拢准确性检验方法的系统其特征在于,包括数据采集模块、数据处理模块、计算模块和判断模块;
数据采集模块用于获取桥梁转体前若干段桥梁的图片数据集;
数据处理模块用于基于桥梁的图片数据集依次进行特征匹配和特征提取,并进行点云的稀疏重建和稠密重建得到场景物体表面密集的三维点云模型;
计算模块用于在CloudCompare点云可视化软件中计算出桥梁两端的高度、水平度、位置和角度;
判断模块用于通过计算模块得到的参数判断其是否能够安全的合拢。
8.一种桥梁转体合拢准确性检验的设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现桥梁转体合拢准确性检验方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310575729.0A CN116524382A (zh) | 2023-05-22 | 2023-05-22 | 一种桥梁转体合拢准确性检验方法系统、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310575729.0A CN116524382A (zh) | 2023-05-22 | 2023-05-22 | 一种桥梁转体合拢准确性检验方法系统、设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116524382A true CN116524382A (zh) | 2023-08-01 |
Family
ID=87399355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310575729.0A Pending CN116524382A (zh) | 2023-05-22 | 2023-05-22 | 一种桥梁转体合拢准确性检验方法系统、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116524382A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593717A (zh) * | 2024-01-18 | 2024-02-23 | 武汉大学 | 一种基于深度学习的车道追踪方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085644A (zh) * | 2017-04-24 | 2017-08-22 | 武汉理工大学 | 一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法 |
CN110765532A (zh) * | 2019-10-24 | 2020-02-07 | 中铁十五局集团第一工程有限公司 | 一种刚构桥施工全过程的结构监测分析管理系统及方法 |
CN111272135A (zh) * | 2020-02-13 | 2020-06-12 | 东南大学 | 一种连续梁桥预制拼装施工的线形自动测量及控制方法 |
CN113587835A (zh) * | 2021-07-22 | 2021-11-02 | 河北工业大学 | 一种利用三维激光扫描技术进行桥梁工程质量验收的方法 |
KR102330055B1 (ko) * | 2021-04-07 | 2021-11-23 | 주식회사 스마트인사이드에이아이 | 드론을 이용한 구조물의 변화 검출 방법 및 시스템 |
CN114923466A (zh) * | 2022-03-17 | 2022-08-19 | 北京建筑大学 | 一种大跨度桥梁中线偏距测量与引导方法和系统 |
CN115127476A (zh) * | 2022-06-27 | 2022-09-30 | 中铁二局第一工程有限公司 | 一种3d扫描的钢结构合龙检测及配切方法 |
CN115393745A (zh) * | 2022-08-24 | 2022-11-25 | 东南大学 | 一种基于无人机与深度学习的桥梁形象进度自动识别方法 |
US11600061B1 (en) * | 2021-10-18 | 2023-03-07 | Rainbowtech Co., Ltd. | Method and system for maintaining bridge using bridge image data |
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 |
CN115984486A (zh) * | 2023-03-03 | 2023-04-18 | 北京科技大学 | 一种融合激光雷达与深度相机的桥梁模型生成方法及装置 |
-
2023
- 2023-05-22 CN CN202310575729.0A patent/CN116524382A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085644A (zh) * | 2017-04-24 | 2017-08-22 | 武汉理工大学 | 一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法 |
CN110765532A (zh) * | 2019-10-24 | 2020-02-07 | 中铁十五局集团第一工程有限公司 | 一种刚构桥施工全过程的结构监测分析管理系统及方法 |
CN111272135A (zh) * | 2020-02-13 | 2020-06-12 | 东南大学 | 一种连续梁桥预制拼装施工的线形自动测量及控制方法 |
KR102330055B1 (ko) * | 2021-04-07 | 2021-11-23 | 주식회사 스마트인사이드에이아이 | 드론을 이용한 구조물의 변화 검출 방법 및 시스템 |
CN113587835A (zh) * | 2021-07-22 | 2021-11-02 | 河北工业大学 | 一种利用三维激光扫描技术进行桥梁工程质量验收的方法 |
US11600061B1 (en) * | 2021-10-18 | 2023-03-07 | Rainbowtech Co., Ltd. | Method and system for maintaining bridge using bridge image data |
CN114923466A (zh) * | 2022-03-17 | 2022-08-19 | 北京建筑大学 | 一种大跨度桥梁中线偏距测量与引导方法和系统 |
CN115127476A (zh) * | 2022-06-27 | 2022-09-30 | 中铁二局第一工程有限公司 | 一种3d扫描的钢结构合龙检测及配切方法 |
CN115393745A (zh) * | 2022-08-24 | 2022-11-25 | 东南大学 | 一种基于无人机与深度学习的桥梁形象进度自动识别方法 |
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 |
CN115984486A (zh) * | 2023-03-03 | 2023-04-18 | 北京科技大学 | 一种融合激光雷达与深度相机的桥梁模型生成方法及装置 |
Non-Patent Citations (4)
Title |
---|
JOHANNES L. ETAL.: "Structure-From-Motion Revisited", 《CVPR 2016》, pages 4104 - 4113 * |
人工智睿: "Colmap学习二:前段部分(特征点提取、匹配与剔除)", pages 1 - 6, Retrieved from the Internet <URL:https://blog.csdn.net/weixin_44671418/article/details/124837271> * |
平原君2088: "使用COLMAP进行三维重构", pages 1 - 6, Retrieved from the Internet <URL:https://blog.csdn.net/jiankangyq/article/details/121808174> * |
我想静静,: "colmap", pages 1 - 3, Retrieved from the Internet <URL:https://blog.csdn.net/weixin_42764932/article/details/118675554> * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593717A (zh) * | 2024-01-18 | 2024-02-23 | 武汉大学 | 一种基于深度学习的车道追踪方法及系统 |
CN117593717B (zh) * | 2024-01-18 | 2024-04-05 | 武汉大学 | 一种基于深度学习的车道追踪方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021233029A1 (en) | Simultaneous localization and mapping method, device, system and storage medium | |
CN111209915B (zh) | 一种基于深度学习的三维图像同步识别和分割方法 | |
CN110176032B (zh) | 一种三维重建方法及装置 | |
CN112444242B (zh) | 一种位姿优化方法及装置 | |
CN112767391A (zh) | 融合三维点云和二维图像的电网线路部件缺陷定位方法 | |
CN103854283A (zh) | 一种基于在线学习的移动增强现实跟踪注册方法 | |
CN111830953A (zh) | 车辆自定位方法、装置及系统 | |
CN111710040B (zh) | 一种高精度地图的构建方法、系统、终端和存储介质 | |
CN111986214B (zh) | 一种地图中人行横道的构建方法和电子设备 | |
CN111899345B (zh) | 一种基于2d视觉图像的三维重建方法 | |
CN116524382A (zh) | 一种桥梁转体合拢准确性检验方法系统、设备 | |
WO2023284358A1 (zh) | 相机标定方法、装置、电子设备及存储介质 | |
CN111179309A (zh) | 一种跟踪方法及设备 | |
CN113673288B (zh) | 空闲车位检测方法、装置、计算机设备及存储介质 | |
CN111612829B (zh) | 一种高精度地图的构建方法、系统、终端和存储介质 | |
CN116912195A (zh) | 旋转目标检测方法、系统、电子设备及存储介质 | |
CN111862146A (zh) | 一种目标对象的定位方法及装置 | |
CN110148205A (zh) | 一种基于众包影像的三维重建的方法和装置 | |
CN109919998B (zh) | 卫星姿态确定方法、装置和终端设备 | |
Shi et al. | Pose Measurement of Excavator Based on Convolutional Neural Network | |
Zhang et al. | A Vision-Centric Approach for Static Map Element Annotation | |
CN112270357A (zh) | Vio视觉系统及方法 | |
Wang et al. | Stream Query Denoising for Vectorized HD Map Construction | |
CN113963335B (zh) | 基于图像和点云数据的路面障碍物检测方法 | |
CN113256736B (zh) | 一种基于可观测性优化的多相机视觉slam方法 |
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 |