CN117036965B - 桥梁维修设备控制方法、电子设备和计算机可读介质 - Google Patents
桥梁维修设备控制方法、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117036965B CN117036965B CN202311288818.3A CN202311288818A CN117036965B CN 117036965 B CN117036965 B CN 117036965B CN 202311288818 A CN202311288818 A CN 202311288818A CN 117036965 B CN117036965 B CN 117036965B
- Authority
- CN
- China
- Prior art keywords
- bridge
- point cloud
- visual
- image
- feature map
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012423 maintenance Methods 0.000 title claims abstract description 36
- 230000000007 visual effect Effects 0.000 claims abstract description 339
- 230000007547 defect Effects 0.000 claims abstract description 137
- 238000012545 processing Methods 0.000 claims abstract description 82
- 230000009466 transformation Effects 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000002950 deficient Effects 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000003707 image sharpening Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000003706 image smoothing Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 22
- 230000008569 process Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 18
- 238000000605 extraction Methods 0.000 description 13
- 238000001914 filtration Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000002035 prolonged effect Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000013144 data compression Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本公开的实施例公开了桥梁维修设备控制方法、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取桥梁点云数据;对桥梁点云数据进行预处理,得到预处理后桥梁点云数据;对预处理后桥梁点云数据进行坐标变换处理,得到点云桥梁图像;根据点云桥梁图像,生成点云桥梁特征图;获取桥梁视觉图像;对桥梁视觉图像进行预处理,得到预处理后视觉桥梁图像;根据点云桥梁特征图和预处理后视觉桥梁图像,生成点云视觉特征图;根据点云视觉特征图和预先训练的桥梁缺陷识别模型,生成桥梁缺陷识别结果;响应于确定桥梁缺陷识别结果表征桥梁有缺陷,控制桥梁维修设备对桥梁视觉图像对应的桥梁执行维修操作。该实施方式可以减少桥梁资源的浪费。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及桥梁维修设备控制方法、电子设备和计算机可读介质。
背景技术
桥梁是一种用来跨越障碍的大型结构物。然而,由于桥梁长期受车辆动力荷载下会产生疲劳破坏,或由于超重荷载产生塑性破坏,影响桥梁结构耐久性。目前,在对桥梁进行维修操作时,通常采用的方式为:对桥梁进行图像拍摄,并将图像输入至通用桥梁缺陷识别模型(例如通过对卷积神经网络增加网络的深度提取图像特征),以确定桥梁是否有缺陷,以及人工对有缺陷的桥梁区域进行维修操作。
然而,发明人发现,当采用上述方式对桥梁进行维修操作时,经常会存在如下技术问题:
第一,仅通过拍摄的图像确定桥梁是否有缺陷,导致对隐藏区域(例如遮挡部分)的桥梁缺陷不能够有效识别,从而导致桥梁得到不到维修,缩短了桥梁的使用寿命,需对桥梁进行大修或再次修建桥梁,进而导致桥梁资源的浪费。
第二,在对桥梁图像进行桥梁缺陷识别的过程中,未考虑桥梁图像不同区域不同特征对桥梁缺陷识别的贡献程度,导致缺陷区域重要特征的权重占比较低,从而导致桥梁缺陷识别的准确率较低,即被识别出来的桥梁缺陷较少,桥梁得不到维修,进而缩短了桥梁的使用寿命,需对桥梁进行大修或再次修建桥梁,导致桥梁资源的浪费。
第三,在对桥梁图像进行桥梁缺陷识别的过程中,仅通过增加神经网络的深度(即通过提炼深层语义特征)来对桥梁缺陷进行缺陷识别,导致桥梁缺陷识别的准确率较低,即被识别出来的桥梁缺陷较少,桥梁得不到维修,进而缩短了桥梁的使用寿命,需对桥梁进行大修或再次修建桥梁,导致桥梁资源的浪费。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求保护的技术方案的范围。
本公开的一些实施例提出了桥梁维修设备控制方法、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种桥梁维修设备控制方法,该方法包括:获取桥梁点云数据;对上述桥梁点云数据进行预处理,得到预处理后桥梁点云数据;对上述预处理后桥梁点云数据进行坐标变换处理,得到点云桥梁图像;根据上述点云桥梁图像,生成点云桥梁特征图;获取桥梁视觉图像;对上述桥梁视觉图像进行预处理,得到预处理后视觉桥梁图像;根据上述点云桥梁特征图和上述预处理后视觉桥梁图像,生成点云视觉特征图;根据上述点云视觉特征图和预先训练的桥梁缺陷识别模型,生成桥梁缺陷识别结果;响应于确定上述桥梁缺陷识别结果表征桥梁有缺陷,控制相关联的桥梁维修设备对上述桥梁视觉图像对应的桥梁执行维修操作。
第二方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第三方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的桥梁维修设备控制方法,可以延长桥梁的使用寿命,减少桥梁资源的浪费。具体来说,导致对隐藏区域(例如遮挡部分)的桥梁缺陷不能够有效识别,从而导致桥梁得不到维修,缩短了桥梁的使用寿命,需对桥梁进行大修或再次修建桥梁,进而导致桥梁资源浪费的原因在于:仅通过拍摄的图像确定桥梁是否有缺陷,导致对隐藏区域(例如遮挡部分)的桥梁缺陷不能够有效识别,从而导致桥梁得不到维修,缩短了桥梁的使用寿命,需对桥梁进行大修或再次修建桥梁,进而导致桥梁资源的浪费。基于此,本公开的一些实施例的桥梁维修设备控制方法,首先,获取桥梁点云数据。由此,可以得到表征桥梁三维立体数据的桥梁点云数据。然后,对上述桥梁点云数据进行预处理,得到预处理后桥梁点云数据。由此,可以得到去噪后的预处理后桥梁点云数据。从而,可以用于提高识别的桥梁缺陷的准确性。之后,对上述预处理后桥梁点云数据进行坐标变换处理,得到点云桥梁图像。由此,可以得到进行二维平面坐标变换处理后的点云桥梁图像。从而可以用于跟相机传感器获取的桥梁图像进行融合。随后,根据上述点云桥梁图像,生成点云桥梁特征图。由此,可以得到表征三维点云桥梁特征的点云桥梁特征图。从而可以用于对桥梁缺陷进行缺陷识别。其次,获取桥梁视觉图像。由此,可以得到表征二维平面桥梁数据的桥梁视觉图像。然后,对上述桥梁视觉图像进行预处理,得到预处理后视觉桥梁图像。由此,可以得到去噪处理后的预处理后视觉桥梁图像。之后,根据上述点云桥梁特征图和上述预处理后视觉桥梁图像,生成点云视觉特征图。由此,可以得到表征二维平面桥梁数据和三维立体桥梁数据进行特征融合的点云视觉特征图。随后,根据上述点云视觉特征图和预先训练的桥梁缺陷识别模型,生成桥梁缺陷识别结果。由此,可以得到表征桥梁是否有缺陷的桥梁缺陷识别结果。最后,响应于确定上述桥梁缺陷识别结果表征桥梁有缺陷,控制相关联的桥梁维修设备对上述桥梁视觉图像对应的桥梁执行维修操作。由此,可以通过智能化维修设备对有缺陷的桥梁进行维修处理。也因为将表征三维立体桥梁数据的点云桥梁特征图与表征二维平面桥梁数据的预处理后视觉桥梁图像进行特征融合,可以增强对隐藏区域的桥梁缺陷的识别效果。同时也增强了桥梁缺陷的整体识别效果。从而可以对桥梁缺陷区域进行维修处理,延长桥梁的使用寿命,减少桥梁资源的浪费。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的桥梁维修设备控制方法的一些实施例的流程图;
图2是适于用来实现本公开的一些实施例的电子设备的结构示意图。
实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的桥梁维修设备控制方法的一些实施例的流程100。该桥梁维修设备控制方法,包括以下步骤:
步骤101,获取桥梁点云数据。
在一些实施例中,桥梁维修设备控制方法的执行主体(例如计算设备)可以通过有线连接方式或者无线连接方式从桥梁点云数据采集设备获取桥梁点云数据。其中,上述桥梁点云数据采集设备可以为能够对桥梁进行点云数据采集的设备。例如,上述桥梁点云数据采集设备可以为装载在无人机上的激光雷达。上述桥梁点云数据可以为通过上述桥梁点云数据采集设备采集的目标桥梁的点云数据。上述目标桥梁可以为任一桥梁。具体地,上述目标桥梁可以为新建的任一桥梁,也可以为现有的任一桥梁。对于上述目标桥梁,在此不做具体限定。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤102,对桥梁点云数据进行预处理,得到预处理后桥梁点云数据。
在一些实施例中,上述执行主体可以对上述桥梁点云数据进行预处理,得到预处理后桥梁点云数据。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤对上述桥梁点云数据进行预处理,得到预处理后桥梁点云数据:
第一步,对上述桥梁点云数据进行去噪处理,得到去噪处理后的桥梁点云数据作为去噪桥梁点云数据。其中,上述去噪处理可以理解为滤波处理。上述滤波处理可以包括但不限于:直通滤波处理、统计滤波处理和体素下采样处理。这里,上述去噪处理可以为直通滤波处理。实践中,上述执行主体可以对上述桥梁点云数据进行直通滤波处理,得到直通滤波处理后的桥梁点云数据作为去噪桥梁点云数据。由此,通过去噪处理,可以去除桥梁点云数据的干扰点和离群点。
第二步,对上述去噪桥梁点云数据进行数据压缩处理,得到数据压缩处理后的去噪桥梁点云数据作为预处理后桥梁点云数据。实践中,上述执行主体可以利用曲率采样法对上述去噪桥梁点云数据进行数据压缩处理,得到数据压缩处理后的去噪桥梁点云数据作为预处理后桥梁点云数据。由此,可以对散乱的点云进行精简压缩,有效保留物体的曲面特征数据,同时可以提高数据处理效率。
步骤103,对预处理后桥梁点云数据进行坐标变换处理,得到点云桥梁图像。
在一些实施例中,上述执行主体可以对上述预处理后桥梁点云数据进行坐标变换处理,得到点云桥梁图像。实践中,上述执行主体可以利用预设坐标变换函数对预处理后桥梁点云数据进行坐标变换处理,得到点云桥梁图像。其中,上述预设坐标变换函数可以为预先设定的可以对预处理后桥梁点云数据进行二维变换的函数。例如,上述预设坐标变换函数可以为Opencv中的projectpoints函数。
步骤104,根据点云桥梁图像,生成点云桥梁特征图。
在一些实施例中,根据上述点云桥梁图像,上述执行主体可以生成点云桥梁特征图。
在一些实施例的一些可选的实现方式中,根据上述点云桥梁图像,上述执行主体可以通过以下步骤生成点云桥梁特征图:
第一步,对上述点云桥梁图像进行全局平均池化处理,以生成全局平均点云桥梁特征图。
第二步,对上述点云桥梁图像进行全局最大池化处理,以生成全局最大点云桥梁特征图。
第三步,对上述全局平均点云桥梁特征图进行全连接处理,以生成平均全连接桥梁向量。
第四步,对上述全局最大点云桥梁特征图进行全连接处理,以生成最大全连接桥梁向量。
第五步,对上述平均全连接桥梁向量和上述最大全连接桥梁向量进行组合处理,以生成组合点云桥梁向量。这里,组合的方式可以为拼接。可以理解为上述平均全连接桥梁向量和上述最大全连接桥梁向量对应元素相加。
第六步,根据预设激活函数和上述组合点云桥梁向量,生成点云权重系数。其中,上述预设激活函数可以为预先设定的激活函数。这里,上述预设激活函数可以为Sigmoid激活函数。实践中,上述执行主体可以将上述组合点云桥梁向量输入至上述预设激活函数中,以生成点云权重系数。
第七步,根据上述点云权重系数和上述点云桥梁图像,生成权重点云桥梁特征图。实践中,上述执行主体可以将上述点云权重系数和上述点云桥梁图像的乘积确定为权重点云桥梁特征图。
第八步,将上述权重点云桥梁特征图确定为点云桥梁特征图。
步骤105,获取桥梁视觉图像。
在一些实施例中,上述执行主体可以获取桥梁视觉图像。实践中,上述执行主体可以通过有线连接方式或者无线连接方式从相关联的桥梁图像采集设备获取桥梁视觉图像。其中,上述相关联的桥梁图像采集设备可以为能够对上述目标桥梁进行图像采集的设备。例如,上述相关联的桥梁图像采集设备可以为装载在无人机上的工业相机。上述桥梁视觉图像可以为通过上述桥梁图像采集设备采集的桥梁图像。
步骤106,对桥梁视觉图像进行预处理,得到预处理后视觉桥梁图像。
在一些实施例中,上述执行主体可以对上述桥梁视觉图像进行预处理,得到预处理后视觉桥梁图像。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤对上述桥梁视觉图像进行预处理,得到预处理后视觉桥梁图像:
第一步,对上述桥梁视觉图像进行灰度化处理,得到灰度化处理后的桥梁视觉图像作为灰度化桥梁视觉图像。其中,上述灰度化处理的方式可以包括但不限于:分量法、最大值法和平均值法。这里,上述灰度化处理的方式可以为分量法。实践中,上述执行主体可以利用分量法对上述桥梁视觉图像进行灰度化处理,得到灰度化处理后的桥梁视觉图像作为灰度化桥梁视觉图像。
第二步,对上述灰度化桥梁视觉图像进行仿射变换处理,得到仿射变换处理后的灰度化桥梁视觉图像作为变换桥梁视觉图像。其中,上述仿射变换处理的方式可以包括但不限于:最近邻差值法和双线性插值法。这里,上述仿射变换处理的方式可以为双线性插值法。实践中,上述执行主体可以利用双线性插值法对上述灰度化桥梁视觉图像进行仿射变换处理,得到仿射变换处理后的灰度化桥梁视觉图像作为变换桥梁视觉图像。
第三步,对上述变换桥梁视觉图像进行图像增强处理,得到图像增强处理后的变换桥梁视觉图像作为预处理后视觉桥梁图像。其中,上述图像增强处理的方式可以包括但不限于:对数变换、密度分层和直方图均衡化。这里,上述图像增强处理的方式可以为直方图均衡化。实践中,上述执行主体可以对上述变换桥梁视觉图像进行直方图均衡化处理,得到直方图均衡化处理后的变换桥梁视觉图像作为预处理后视觉桥梁图像。由此,可以对图像中的信息有选择地进行加强和抑制,以改善图像的视觉效果,同时,便于特征信息的抽取和识别。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤对上述变换桥梁视觉图像进行图像增强处理,得到图像增强处理后的变换桥梁视觉图像作为预处理后视觉桥梁图像:
第一步,对上述变换桥梁视觉图像进行图像平滑处理,以生成图像平滑桥梁视觉图像。其中,上述平滑处理可以包括但不限于:均值滤波处理、中值滤波处理和高斯滤波处理。这里,上述平滑处理可以为均值滤波处理。实践中,上述执行主体可以对上述变换桥梁视觉图像进行图像均值滤波处理,得到图像均值滤波处理后的变换桥梁视觉图像作为图像平滑桥梁视觉图像。由此,通过图像平滑处理,可以减少图像噪声。
第二步,对上述图像平滑桥梁视觉图像进行图像锐化处理,以生成图像锐化桥梁视觉图像。其中,上述图像锐化处理可以包括但不限于:梯度法处理和算子法处理。这里,上述图像锐化处理可以为算子法处理。上述算子法可以包括但不限于:Sobel算子法和拉普拉斯算子法。这里,上述算子法可以为拉普拉斯算子法。实践中,上述执行主体可以利用拉普拉斯算子法对上述图像平滑桥梁视觉图像进行图像锐化处理,得到图像锐化处理后的图像平滑桥梁视觉图像作为图像锐化桥梁视觉图像。
第三步,将上述图像锐化桥梁视觉图像确定为预处理后视觉桥梁图像。
步骤107,根据点云桥梁特征图和预处理后视觉桥梁图像,生成点云视觉特征图。
在一些实施例中,根据上述点云桥梁特征图和上述预处理后视觉桥梁图像,上述执行主体可以生成点云视觉特征图。
在一些实施例的一些可选的实现方式中,根据上述点云桥梁特征图和上述预处理后视觉桥梁图像,上述执行主体可以通过以下步骤生成点云视觉特征图:
第一步,对上述预处理后视觉桥梁图像进行全局最大池化处理,得到全局最大视觉桥梁特征图。
第二步,对上述预处理后视觉桥梁图像进行全局平均池化处理,得到全局平均视觉桥梁特征图。
第三步,对上述全局最大视觉桥梁特征图进行卷积处理,以生成卷积全局最大视觉桥梁特征图。
第四步,对上述全局平均视觉桥梁特征图进行卷积处理,以生成卷积全局平均视觉桥梁特征图。
第五步,将上述卷积全局最大视觉桥梁特征图和上述卷积全局平均视觉桥梁特征图进行组合处理,以生成组合视觉桥梁特征图。这里,组合处理可以理解为对应元素相乘,以进行信息融合。
第六步,对上述组合视觉桥梁特征图进行卷积处理,以生成卷积组合视觉桥梁特征图。
第七步,将上述卷积组合视觉桥梁特征图和上述预处理后视觉桥梁图像的乘积确定为视觉权重特征图。这里,上述卷积组合视觉桥梁特征图和上述预处理后视觉桥梁图像的乘积可以理解为上述卷积组合视觉桥梁特征图与上述预处理后视觉桥梁图像的对应元素相乘。
第八步,将上述点云桥梁特征图和上述视觉权重特征图的乘积确定为点云视觉特征图。这里,上述点云桥梁特征图和上述视觉权重特征图的乘积可以理解为上述点云桥梁特征图和上述视觉权重特征图的对应元素相乘。
上述第一步至第八步及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“在对桥梁图像进行桥梁缺陷识别的过程中,未考虑桥梁图像不同区域不同特征对桥梁缺陷识别的贡献程度,导致缺陷区域重要特征的权重占比较低,从而导致桥梁缺陷识别的准确率较低,即被识别出来的桥梁缺陷较少,桥梁得不到维修,进而缩短了桥梁的使用寿命,需对桥梁进行大修或再次修建桥梁,导致桥梁资源的浪费。”。导致桥梁缺陷识别的准确率较低,即被识别出来的桥梁缺陷较少,桥梁得不到维修,进而缩短了桥梁的使用寿命,需对桥梁进行大修或再次修建桥梁,导致桥梁资源的浪费的因素往往如下:在对桥梁图像进行桥梁缺陷识别的过程中,未考虑桥梁图像不同区域不同特征对桥梁缺陷识别的贡献程度,导致缺陷区域重要特征的权重占比较低,从而导致桥梁缺陷识别的准确率较低,即被识别出来的桥梁缺陷较少,桥梁得不到维修,进而缩短了桥梁的使用寿命,需对桥梁进行大修或再次修建桥梁,导致桥梁资源的浪费。如果解决了上述因素,就能达到延长桥梁的使用寿命,减少桥梁资源浪费的效果。为了达到这一效果,首先,对上述预处理后视觉桥梁图像进行全局最大池化处理,得到全局最大视觉桥梁特征图。由此,可以得到全局最大视觉桥梁特征图,即,可以得到表征聚合区域最大特征映射的二维桥梁特征信息。然后,对上述预处理后视觉桥梁图像进行全局平均池化处理,得到全局平均视觉桥梁特征图。由此,可以得到表征聚合所有像素点特征映射的二维桥梁特征信息。之后,对上述全局最大视觉桥梁特征图进行卷积处理,以生成卷积全局最大视觉桥梁特征图。由此,可以得到卷积全局最大视觉桥梁特征图,从而可以进一步增强对全局最大视觉桥梁特征图的特征提取能力。随后,对上述全局平均视觉桥梁特征图进行卷积处理,以生成卷积全局平均视觉桥梁特征图。由此,可以得到卷积全局平均视觉桥梁特征图,从而可以进一步增强对全局平均视觉桥梁特征图的特征提取能力。其次,将上述卷积全局最大视觉桥梁特征图和上述卷积全局平均视觉桥梁特征图进行组合处理,以生成组合视觉桥梁特征图。由此,可以得到组合视觉桥梁特征图,从而可以用于聚合特征映射的桥梁平面数据信息。然后,对上述组合视觉桥梁特征图进行卷积处理,以生成卷积组合视觉桥梁特征图。由此,可以得到卷积组合视觉桥梁特征图,从而可以用于更进一步增强对桥梁平面数据的特征提取能力。之后,将上述卷积组合视觉桥梁特征图和上述预处理后视觉桥梁图像的乘积确定为视觉权重特征图。由此,可以得到表征平面桥梁图像不同区域不同特征权重贡献度的视觉权重特征图。最后,将上述点云桥梁特征图和上述视觉权重特征图的乘积确定为点云视觉特征图。由此,可以得到表征桥梁不同区域不同特征贡献度的点云视觉特征图。也因为通过确定视觉权重特征图,可以确定平面桥梁图像不同区域不同特征的权重贡献度。还因为将表征三维立体桥梁图像不同区域不同特征权重贡献度的点云桥梁特征图与视觉权重特征图进行融合,可以提高桥梁缺陷区域特征的权重占比,从而可以提高桥梁缺陷识别的准确率,可以对桥梁缺陷区域进行维修处理,延长桥梁的使用寿命,减少桥梁资源的浪费。
步骤108,根据点云视觉特征图和预先训练的桥梁缺陷识别模型,生成桥梁缺陷识别结果。
在一些实施例中,根据上述点云视觉特征图和预先训练的桥梁缺陷识别模型,上述执行主体可以生成桥梁缺陷识别结果。其中,上述桥梁缺陷识别结果可以包括:缺陷类别和缺陷位置。上述缺陷类别可以包括但不限于:桥梁裂缝、冻融剥蚀和风化剥蚀。上述缺陷位置可以为桥梁的缺陷类别对应的缺陷的位置信息。上述桥梁缺陷识别模型可以包括特征融合层和检测头层。上述桥梁缺陷识别模型可以为以点云视觉特征图为输入,以桥梁缺陷识别结果为输出的神经网络模型。上述特征融合层可以为将高层语义特征与底层定位特征进行特征融合的网络层。上述检测头层可以为对特征图进行位置检测和缺陷类别检测的网络层。
在一些实施例的一些可选的实现方式中,根据上述点云视觉特征图和预先训练的桥梁缺陷识别模型,上述执行主体可以通过以下步骤生成桥梁缺陷识别结果:
第一步,将上述点云视觉特征图输入至上述特征融合层,得到融合特征图集合。
第二步,将上述融合特征图集合输入至上述检测头层,得到桥梁缺陷识别结果。
在一些实施例的一些可选的实现方式中,上述桥梁缺陷识别模型是通过以下方式训练得到的:
第一步,获取样本集。其中,上述样本集中的样本包括样本点云视觉特征图,以及与样本点云视觉特征图对应的样本桥梁缺陷识别结果。其中,上述样本桥梁缺陷识别结果可以为与上述样本点云视觉特征图对应的样本标签。需要说明的是,训练上述桥梁缺陷识别模型的执行主体可以为上述执行主体,还可以是其他计算设备。
第二步,基于样本集执行以下训练步骤:
第一训练步骤,将样本集中的至少一个样本的样本点云视觉特征图分别输入至初始桥梁缺陷识别模型中,得到上述至少一个样本中的每个样本对应的桥梁缺陷识别结果。上述初始桥梁缺陷识别模型可以为能够根据点云视觉特征图得到桥梁缺陷识别结果的初始神经网络。上述初始神经网络可以为待训练的神经网络。上述初始神经网络可以为包括特征融合层和检测头层的神经网络。
第二训练步骤,将上述至少一个样本中的每个样本对应的桥梁缺陷识别结果与对应的样本桥梁缺陷识别结果进行比较。这里,比较可以为上述至少一个样本中的每个样本对应的桥梁缺陷识别结果与对应的样本桥梁缺陷识别结果是否相同。
第三训练步骤,根据比较结果确定初始桥梁缺陷识别模型是否达到预设的优化目标。其中,上述优化目标可以为初始桥梁缺陷识别模型预测的准确率大于等于预设准确率阈值。上述预设准确率阈值可以为预先设定的准确率阈值。这里,上述预设准确率阈值可以为0.95。
第四训练步骤,响应于确定初始桥梁缺陷识别模型达到上述优化目标,将初始桥梁缺陷识别模型确定为训练完成的桥梁缺陷识别模型。
可选地,训练得到上述桥梁缺陷识别模型的步骤还可以包括:
第五训练步骤,响应于确定初始桥梁缺陷识别模型未达到上述优化目标,调整初始桥梁缺陷识别模型的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始桥梁缺陷识别模型作为初始桥梁缺陷识别模型,再次执行上述训练步骤。作为示例,可以采用反向传播算法(Back Propagation Algorithm,BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始桥梁缺陷识别模型的网络参数进行调整。
在一些实施例的一些可选的实现方式中,上述执行主体可以将上述点云视觉特征图输入至上述特征融合层,得到融合特征图集合:
第一步,对上述点云视觉特征图进行下采样处理,以生成第一下采样点云视觉特征图。
第二步,对上述第一下采样点云视觉特征图进行下采样处理,以生成第二下采样点云视觉特征图。其中,上述第二下采样点云视觉特征图的数据维度小于上述第一下采样点云视觉特征图的数据维度。
第三步,将上述第二下采样点云视觉特征图确定为高层语义点云视觉特征图。
第四步,对上述高层语义点云视觉特征图进行上采样处理,以生成第一高层语义点云视觉特征图。
第五步,根据上述第一高层语义点云视觉特征图与上述第一下采样点云视觉特征图,生成第一组合高层语义点云视觉特征图。实践中,首先,对于上述第一高层语义点云视觉特征图中的每个第一高层语义点云视觉特征元素,上述执行主体可以将上述第一高层语义点云视觉特征元素与第一下采样点云视觉特征图中与上述第一高层语义点云视觉特征元素对应的第一下采样点云视觉特征元素的和确定为第一组合高层语义点云视觉特征元素。然后,将所确定的各个第一组合高层语义点云视觉特征元素所组成的特征图确定为第一组合高层语义点云视觉特征图。其中,上述第一高层语义点云视觉特征图与上述第一下采样点云视觉特征图的数据维度相同。
第六步,对上述第一组合高层语义点云视觉特征图进行上采样处理,以生成第二高层语义点云视觉特征图。其中,上述第二高层语义点云视觉特征图的数据维度大于上述第一高层语义点云视觉特征图的数据维度。
第七步,根据上述第二高层语义点云视觉特征图与上述点云视觉特征图,生成第二组合高层语义点云视觉特征图。实践中,首先,对于上述第二高层语义点云视觉特征图中的每个第二高层语义点云视觉特征元素,上述执行主体可以将上述第二高层语义点云视觉特征元素与上述点云视觉特征图中与上述第二高层语义点云视觉特征元素对应的点云视觉特征元素的和确定为第二组合高层语义点云视觉特征元素。然后,将所确定的各个第二组合高层语义点云视觉特征元素所组成的特征图确定为第二组合高层语义点云视觉特征图。其中,上述第二高层语义点云视觉特征图与上述点云视觉特征图的数据维度相同。
第八步,将上述第二组合高层语义点云视觉特征图确定为底层定位点云视觉特征图。
第九步,对上述底层定位点云视觉特征图进行下采样处理,以生成第一底层定位点云视觉特征图。
第十步,根据上述第一组合高层语义点云视觉特征图和上述第一底层定位点云视觉特征图,生成第一组合底层定位点云视觉特征图。实践中,首先,对于上述第一组合高层语义点云视觉特征图中的每个第一组合高层语义点云视觉特征元素,上述执行主体可以将上述第一组合高层语义点云视觉特征元素与第一底层定位点云视觉特征图中与上述第一组合高层语义点云视觉特征元素对应的第一底层定位点云视觉特征元素的和确定为第一组合底层定位点云视觉特征元素。然后,可以将所确定的各个第一组合底层定位点云视觉特征元素所组成的特征图确定为第一组合底层定位点云视觉特征图。其中,上述第一组合高层语义点云视觉特征图和上述第一底层定位点云视觉特征图的数据维度相同。
第十一步,对上述第一组合底层定位点云视觉特征图进行下采样处理,以生成第二底层定位点云视觉特征图。
第十二步,根据上述第二底层定位点云视觉特征图和上述高层语义点云视觉特征图,生成第二组合底层定位点云视觉特征图。其中,上述第二组合底层定位点云视觉特征图的数据维度小于上述第一组合底层定位点云视觉特征图的数据维度。实践中,首先,对于上述第二底层定位点云视觉特征图中的每个第二底层定位点云视觉特征元素,上述执行主体可以将上述第二底层定位点云视觉特征元素与高层语义点云视觉特征图中与上述第二底层定位点云视觉特征元素对应的高层语义点云视觉特征元素的和确定为第二组合底层定位点云视觉特征元素。然后,可以将所确定的各个第二组合底层定位点云视觉特征元素所组成的特征图确定为第二组合底层定位点云视觉特征图。其中,上述第二底层定位点云视觉特征图和上述高层语义点云视觉特征图的数据维度相同。
第十三步,将上述底层定位点云视觉特征图、上述第一组合底层定位点云视觉特征图和上述第二组合底层定位点云视觉特征图确定为融合特征图集合。
上述第一步至第十三步及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题三“在对桥梁图像进行桥梁缺陷识别的过程中,仅通过增加神经网络的深度(即通过提炼深层语义特征)来对桥梁缺陷进行缺陷识别,导致桥梁缺陷识别的准确率较低,即被识别出来的桥梁缺陷较少,桥梁得不到维修,进而缩短了桥梁的使用寿命,需对桥梁进行大修或再次修建桥梁,导致桥梁资源的浪费。”。进一步导致桥梁缺陷识别的准确率较低,即被识别出来的桥梁缺陷较少,桥梁得不到维修,进而缩短了桥梁的使用寿命,需对桥梁进行大修或再次修建桥梁,导致桥梁资源的浪费的因素往往如下:在对桥梁图像进行桥梁缺陷识别的过程中,仅通过增加神经网络的深度(即通过提炼深层语义特征)来对桥梁缺陷进行缺陷识别,导致桥梁缺陷识别的准确率较低,即被识别出来的桥梁缺陷较少,桥梁得不到维修,进而缩短了桥梁的使用寿命,需对桥梁进行大修或再次修建桥梁,导致桥梁资源的浪费。如果解决了上述因素,就能达到延长桥梁的使用寿命,减少桥梁资源浪费的效果。为了达到这一效果,首先,对上述点云视觉特征图进行下采样处理,以生成第一下采样点云视觉特征图。由此,可以得到第一下采样点云视觉特征图,从而可以用于对点云视觉特征图进行进一步特征提取。然后,对上述第一下采样点云视觉特征图进行下采样处理,以生成第二下采样点云视觉特征图。其中,上述第二下采样点云视觉特征图的数据维度小于上述第一下采样点云视觉特征图的数据维度。将上述第二下采样点云视觉特征图确定为高层语义点云视觉特征图。由此,可以得到对第一下采样点云视觉特征图进行更进一步特征提取,且表征高层语义的高层语义点云视觉特征图。之后,对上述高层语义点云视觉特征图进行上采样处理,以生成第一高层语义点云视觉特征图。根据上述第一高层语义点云视觉特征图与上述第一下采样点云视觉特征图,生成第一组合高层语义点云视觉特征图。由此,可以得到第一组合高层语义点云视觉特征图,从而可以将高层语义特征传递到低层。增强低层网络的语义特征提取能力。随后,对上述第一组合高层语义点云视觉特征图进行上采样处理,以生成第二高层语义点云视觉特征图。其中,上述第二高层语义点云视觉特征图的数据维度大于上述第一高层语义点云视觉特征图的数据维度。根据上述第二高层语义点云视觉特征图与上述点云视觉特征图,生成第二组合高层语义点云视觉特征图。由此,可以得到第二组合高层语义点云视觉特征图,从而可以将高层语义特征进一步传递到低层,进一步增强低层网络的语义特征提取能力。其次,将上述第二组合高层语义点云视觉特征图确定为底层定位点云视觉特征图。对上述底层定位点云视觉特征图进行下采样处理,以生成第一底层定位点云视觉特征图。根据上述第一组合高层语义点云视觉特征图和上述第一底层定位点云视觉特征图,生成第一组合底层定位点云视觉特征图。由此,可以得到第一组合底层定位点云视觉特征图,从而可以将低层的定位特征传递到高层,增强高层网络的定位特征提取能力。然后,对上述第一组合底层定位点云视觉特征图进行下采样处理,以生成第二底层定位点云视觉特征图。根据上述第二底层定位点云视觉特征图和上述高层语义点云视觉特征图,生成第二组合底层定位点云视觉特征图。其中,上述第二组合底层定位点云视觉特征图的数据维度小于上述第一组合底层定位点云视觉特征图的数据维度。由此,可以得到第二组合底层定位点云视觉特征图,从而可以将低层定位特征进一步传递到高层,进一步增强高层网络的定位特征提取能力。最后,将上述底层定位点云视觉特征图、上述第一组合底层定位点云视觉特征图和上述第二组合底层定位点云视觉特征图确定为融合特征图集合。由此,可以得到融合高层语音特征和低层定位特征的融合特征图集合。也因为将高层语音特征传递到低层网络,可以增强低层网络的语义特征提取能力。还因为将低层定位特征传递到高层网络,可以增强高层网络的定位特征提取能力。从而可以增强网络的整体特征提取能力。提高桥梁缺陷识别的准确率,对桥梁缺陷区域进行维修处理,延长桥梁的使用寿命,减少桥梁资源的浪费。
步骤109,响应于确定桥梁缺陷识别结果表征桥梁有缺陷,控制相关联的桥梁维修设备对桥梁视觉图像对应的桥梁执行维修操作。
在一些实施例中,响应于确定上述桥梁缺陷识别结果表征桥梁有缺陷,上述执行主体可以控制相关联的桥梁维修设备对上述桥梁视觉图像对应的桥梁执行维修操作。其中,上述相关联的桥梁维修设备可以为能够对桥梁缺陷进行维修的设备。例如,上述相关联的桥梁维修设备可以为智能维修机器人和智能机械手臂。
可选地,上述执行主体还可以响应于确定上述桥梁缺陷识别结果表征上述桥梁无缺陷,控制相关联的声音播放设备播放桥梁无缺陷提示信息。其中,上述相关联的声音播放设备可以为能够播放声音的设备。例如,上述相关联的声音播放设备可以包括但不限于:音响和功放。上述桥梁无缺陷提示信息可以为提示桥梁暂无缺陷可以安全使用的信息。例如,上述桥梁无缺陷提示信息可以为“未检测到该桥梁有缺陷,请放心使用”。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的桥梁维修设备控制方法,可以延长桥梁的使用寿命,减少桥梁资源的浪费。具体来说,导致对隐藏区域(例如遮挡部分)的桥梁缺陷不能够有效识别,从而导致桥梁得不到维修,缩短了桥梁的使用寿命,需对桥梁进行大修或再次修建桥梁,进而导致桥梁资源浪费的原因在于:仅通过拍摄的图像确定桥梁是否有缺陷,导致对隐藏区域(例如遮挡部分)的桥梁缺陷不能够有效识别,从而导致桥梁得不到维修,缩短了桥梁的使用寿命,需对桥梁进行大修或再次修建桥梁,进而导致桥梁资源的浪费。基于此,本公开的一些实施例的桥梁维修设备控制方法,首先,获取桥梁点云数据。由此,可以得到表征桥梁三维立体数据的桥梁点云数据。然后,对上述桥梁点云数据进行预处理,得到预处理后桥梁点云数据。由此,可以得到去噪后的预处理后桥梁点云数据。从而,可以用于提高识别的桥梁缺陷的准确性。之后,对上述预处理后桥梁点云数据进行坐标变换处理,得到点云桥梁图像。由此,可以得到进行二维平面坐标变换处理后的点云桥梁图像。从而可以用于跟相机传感器获取的桥梁图像进行融合。随后,根据上述点云桥梁图像,生成点云桥梁特征图。由此,可以得到表征三维点云桥梁特征的点云桥梁特征图。从而可以用于对桥梁缺陷进行缺陷识别。其次,获取桥梁视觉图像。由此,可以得到表征二维平面桥梁数据的桥梁视觉图像。然后,对上述桥梁视觉图像进行预处理,得到预处理后视觉桥梁图像。由此,可以得到去噪处理后的预处理后视觉桥梁图像。之后,根据上述点云桥梁特征图和上述预处理后视觉桥梁图像,生成点云视觉特征图。由此,可以得到表征二维平面桥梁数据和三维立体桥梁数据进行特征融合的点云视觉特征图。随后,根据上述点云视觉特征图和预先训练的桥梁缺陷识别模型,生成桥梁缺陷识别结果。由此,可以得到表征桥梁是否有缺陷的桥梁缺陷识别结果。最后,响应于确定上述桥梁缺陷识别结果表征桥梁有缺陷,控制相关联的桥梁维修设备对上述桥梁视觉图像对应的桥梁执行维修操作。由此,可以通过智能化维修设备对有缺陷的桥梁进行维修处理。也因为将表征三维立体桥梁数据的点云桥梁特征图与表征二维平面桥梁数据的预处理后视觉桥梁图像进行特征融合,可以增强对隐藏区域的桥梁缺陷的识别效果。同时也增强了桥梁缺陷的整体识别效果。从而可以对桥梁缺陷区域进行维修处理,延长桥梁的使用寿命,减少桥梁资源的浪费。
下面参考图2,其示出了适于用来实现本公开的一些实施例的电子设备200(例如计算设备)的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图2所示,电子设备200可以包括处理装置201(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)202中的程序或者从存储装置208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中,还存储有电子设备200操作所需的各种程序和数据。处理装置201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
通常,以下装置可以连接至I/O接口205:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置206;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置207;包括例如磁带、硬盘等的存储装置208;以及通信装置209。通信装置209可以允许电子设备200与其他设备进行无线或有线通信以交换数据。虽然图2示出了具有各种装置的电子设备200,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图2中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置209从网络上被下载和安装,或者从存储装置208被安装,或者从ROM 202被安装。在该计算机程序被处理装置201执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取桥梁点云数据;对上述桥梁点云数据进行预处理,得到预处理后桥梁点云数据;对上述预处理后桥梁点云数据进行坐标变换处理,得到点云桥梁图像;根据上述点云桥梁图像,生成点云桥梁特征图;获取桥梁视觉图像;对上述桥梁视觉图像进行预处理,得到预处理后视觉桥梁图像;根据上述点云桥梁特征图和上述预处理后视觉桥梁图像,生成点云视觉特征图;根据上述点云视觉特征图和预先训练的桥梁缺陷识别模型,生成桥梁缺陷识别结果;响应于确定上述桥梁缺陷识别结果表征桥梁有缺陷,控制相关联的桥梁维修设备对上述桥梁视觉图像对应的桥梁执行维修操作。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、第一预处理单元、坐标变换单元、第一生成单元、第二获取单元、第二预处理单元、第二生成单元、第三生成单元和控制单元。其中,第一获取单元201被配置成获取桥梁点云数据其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取桥梁点云数据的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种桥梁维修设备控制方法,其特征在于,包括:
获取桥梁点云数据;
对所述桥梁点云数据进行预处理,得到预处理后桥梁点云数据;
对所述预处理后桥梁点云数据进行坐标变换处理,得到点云桥梁图像;
根据所述点云桥梁图像,生成点云桥梁特征图;
获取桥梁视觉图像;
对所述桥梁视觉图像进行预处理,得到预处理后视觉桥梁图像;
根据所述点云桥梁特征图和所述预处理后视觉桥梁图像,生成点云视觉特征图,其中,所述根据所述点云桥梁特征图和所述预处理后视觉桥梁图像,生成点云视觉特征图,包括:
对所述预处理后视觉桥梁图像进行全局最大池化处理,得到全局最大视觉桥梁特征图;
对所述预处理后视觉桥梁图像进行全局平均池化处理,得到全局平均视觉桥梁特征图;
对所述全局最大视觉桥梁特征图进行卷积处理,以生成卷积全局最大视觉桥梁特征图;
对所述全局平均视觉桥梁特征图进行卷积处理,以生成卷积全局平均视觉桥梁特征图;
将所述卷积全局最大视觉桥梁特征图和所述卷积全局平均视觉桥梁特征图进行组合处理,以生成组合视觉桥梁特征图;
对所述组合视觉桥梁特征图进行卷积处理,以生成卷积组合视觉桥梁特征图;
将所述卷积组合视觉桥梁特征图和所述预处理后视觉桥梁图像的乘积确定为视觉权重特征图;
将所述点云桥梁特征图和所述视觉权重特征图的乘积确定为点云视觉特征图;
根据所述点云视觉特征图和预先训练的桥梁缺陷识别模型,生成桥梁缺陷识别结果;
响应于确定所述桥梁缺陷识别结果表征桥梁有缺陷,控制相关联的桥梁维修设备对所述桥梁视觉图像对应的桥梁执行维修操作。
2.根据权利要求1所述的方法,其特征在于,所述根据所述点云桥梁图像,生成点云桥梁特征图,包括:
对所述点云桥梁图像进行全局平均池化处理,以生成全局平均点云桥梁特征图;
对所述点云桥梁图像进行全局最大池化处理,以生成全局最大点云桥梁特征图;
对所述全局平均点云桥梁特征图进行全连接处理,以生成平均全连接桥梁向量;
对所述全局最大点云桥梁特征图进行全连接处理,以生成最大全连接桥梁向量;
对所述平均全连接桥梁向量和所述最大全连接桥梁向量进行组合处理,以生成组合点云桥梁向量;
根据预设激活函数和所述组合点云桥梁向量,生成点云权重系数;
根据所述点云权重系数和所述点云桥梁图像,生成权重点云桥梁特征图;
将所述权重点云桥梁特征图确定为点云桥梁特征图。
3.根据权利要求1所述的方法,其特征在于,所述对所述桥梁视觉图像进行预处理,得到预处理后视觉桥梁图像,包括:
对所述桥梁视觉图像进行灰度化处理,得到灰度化处理后的桥梁视觉图像作为灰度化桥梁视觉图像;
对所述灰度化桥梁视觉图像进行仿射变换处理,得到仿射变换处理后的灰度化桥梁视觉图像作为变换桥梁视觉图像;
对所述变换桥梁视觉图像进行图像增强处理,得到图像增强处理后的变换桥梁视觉图像作为预处理后视觉桥梁图像。
4.根据权利要求3所述的方法,其特征在于,所述对所述变换桥梁视觉图像进行图像增强处理,得到图像增强处理后的变换桥梁视觉图像作为预处理后视觉桥梁图像,包括:
对所述变换桥梁视觉图像进行图像平滑处理,以生成图像平滑桥梁视觉图像;
对所述图像平滑桥梁视觉图像进行图像锐化处理,以生成图像锐化桥梁视觉图像;
将所述图像锐化桥梁视觉图像确定为预处理后视觉桥梁图像。
5.根据权利要求1所述的方法,其特征在于,所述桥梁缺陷识别模型包括特征融合层和检测头层;以及所述根据所述点云视觉特征图和预先训练的桥梁缺陷识别模型,生成桥梁缺陷识别结果,
包括:将所述点云视觉特征图输入至所述特征融合层,得到融合特征图集合;
将所述融合特征图集合输入至所述检测头层,得到桥梁缺陷识别结果。
6.根据权利要求5所述的方法,其特征在于,所述桥梁缺陷识别模型是通过以下方式训练得到的:
获取样本集,其中,所述样本集中的样本包括样本点云视觉特征图,以及与样本点云视觉特征图对应的样本桥梁缺陷识别结果;
基于样本集执行以下训练步骤:
将样本集中的至少一个样本的样本点云视觉特征图分别输入至初始桥梁缺陷识别模型中,得到所述至少一个样本中的每个样本对应的桥梁缺陷识别结果;
将所述至少一个样本中的每个样本对应的桥梁缺陷识别结果与对应的样本桥梁缺陷识别结果进行比较;
根据比较结果确定初始桥梁缺陷识别模型是否达到预设的优化目标;
响应于确定初始桥梁缺陷识别模型达到所述优化目标,将初始桥梁缺陷识别模型确定为训练完成的桥梁缺陷识别模型。
7.根据权利要求6所述的方法,其特征在于,训练得到所述桥梁缺陷识别模型的步骤还包括:
响应于确定初始桥梁缺陷识别模型未达到所述优化目标,调整初始桥梁缺陷识别模型的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始桥梁缺陷识别模型作为初始桥梁缺陷识别模型,再次执行所述训练步骤。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
9.一种计算机可读介质,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如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311288818.3A CN117036965B (zh) | 2023-10-08 | 2023-10-08 | 桥梁维修设备控制方法、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311288818.3A CN117036965B (zh) | 2023-10-08 | 2023-10-08 | 桥梁维修设备控制方法、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036965A CN117036965A (zh) | 2023-11-10 |
CN117036965B true CN117036965B (zh) | 2024-01-05 |
Family
ID=88641505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311288818.3A Active CN117036965B (zh) | 2023-10-08 | 2023-10-08 | 桥梁维修设备控制方法、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036965B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326846A (zh) * | 2021-04-15 | 2021-08-31 | 湖南桥康智能科技有限公司 | 一种基于机器视觉的桥梁表观病害快速检测方法 |
CN113791074A (zh) * | 2021-08-12 | 2021-12-14 | 中国建筑股份有限公司 | 一种基于多传感器融合的无人机桥梁裂缝巡检系统及方法 |
CN113971660A (zh) * | 2021-09-30 | 2022-01-25 | 哈尔滨工业大学 | 桥梁健康诊断的计算机视觉方法和智能摄像系统 |
CN114359130A (zh) * | 2021-11-09 | 2022-04-15 | 上海海洋大学 | 一种基于无人机影像的道路裂缝检测方法 |
CN114359486A (zh) * | 2022-01-11 | 2022-04-15 | 北京夸克创智科技有限公司 | 基于计算机视觉的桥梁健康云监测系统 |
WO2022134842A1 (zh) * | 2020-12-24 | 2022-06-30 | 广东博智林机器人有限公司 | 一种建筑特征的识别方法及装置 |
CN115078377A (zh) * | 2022-05-23 | 2022-09-20 | 广州大学 | 一种基于点云拟合的桥梁损伤自动评估系统及方法 |
WO2022214114A2 (zh) * | 2021-08-10 | 2022-10-13 | 中咨数据有限公司 | 融合GNSS数据与InSAR技术的桥梁变形监测方法 |
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 |
CN116183626A (zh) * | 2023-02-15 | 2023-05-30 | 武汉理工大学 | 一种基于3d可视化的桥墩病害检测装置及方法 |
CN116562590A (zh) * | 2023-05-31 | 2023-08-08 | 西南交通大学 | 一种桥梁施工及运营维护方法、系统、设备及介质 |
Family Cites Families (1)
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 |
-
2023
- 2023-10-08 CN CN202311288818.3A patent/CN117036965B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022134842A1 (zh) * | 2020-12-24 | 2022-06-30 | 广东博智林机器人有限公司 | 一种建筑特征的识别方法及装置 |
CN113326846A (zh) * | 2021-04-15 | 2021-08-31 | 湖南桥康智能科技有限公司 | 一种基于机器视觉的桥梁表观病害快速检测方法 |
WO2022214114A2 (zh) * | 2021-08-10 | 2022-10-13 | 中咨数据有限公司 | 融合GNSS数据与InSAR技术的桥梁变形监测方法 |
CN113791074A (zh) * | 2021-08-12 | 2021-12-14 | 中国建筑股份有限公司 | 一种基于多传感器融合的无人机桥梁裂缝巡检系统及方法 |
CN113971660A (zh) * | 2021-09-30 | 2022-01-25 | 哈尔滨工业大学 | 桥梁健康诊断的计算机视觉方法和智能摄像系统 |
CN114359130A (zh) * | 2021-11-09 | 2022-04-15 | 上海海洋大学 | 一种基于无人机影像的道路裂缝检测方法 |
CN114359486A (zh) * | 2022-01-11 | 2022-04-15 | 北京夸克创智科技有限公司 | 基于计算机视觉的桥梁健康云监测系统 |
CN115078377A (zh) * | 2022-05-23 | 2022-09-20 | 广州大学 | 一种基于点云拟合的桥梁损伤自动评估系统及方法 |
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 |
CN116183626A (zh) * | 2023-02-15 | 2023-05-30 | 武汉理工大学 | 一种基于3d可视化的桥墩病害检测装置及方法 |
CN116562590A (zh) * | 2023-05-31 | 2023-08-08 | 西南交通大学 | 一种桥梁施工及运营维护方法、系统、设备及介质 |
Non-Patent Citations (4)
Title |
---|
Causes Analysis of Bridge Disease Based on Machine Learning Method;Xu, Q.等;《2022 World Automation Congress(WAC)》;185-190 * |
基于激光检测的老旧桥梁破损程度评估;徐健;周志祥;;《激光杂志》(第05期);54-57 * |
桥梁病害自动检测研究综述;赵荣欣 等;《施工技术(中英文)》;第52卷(第09期);1-6 * |
桥梁结构点云的自动化处理与应用研究;秦国成;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;C034-473 * |
Also Published As
Publication number | Publication date |
---|---|
CN117036965A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410218B (zh) | 用于生成车辆损伤信息的方法和装置 | |
CN108710885B (zh) | 目标对象的检测方法和装置 | |
CN108520220B (zh) | 模型生成方法和装置 | |
US20190156144A1 (en) | Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device | |
CN112699991A (zh) | 用于加速神经网络训练的信息处理的方法、电子设备和计算机可读介质 | |
CN112258512B (zh) | 点云分割方法、装置、设备和存储介质 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN108389172B (zh) | 用于生成信息的方法和装置 | |
CN109118456B (zh) | 图像处理方法和装置 | |
CN111310770A (zh) | 目标检测方法和装置 | |
CN114898177B (zh) | 缺陷图像生成方法、模型训练方法、设备、介质及产品 | |
CN114282581A (zh) | 基于数据增强的训练样本获取方法、装置和电子设备 | |
CN111209856B (zh) | 发票信息的识别方法、装置、电子设备及存储介质 | |
CN110827341A (zh) | 一种图片深度估计方法、装置和存储介质 | |
CN111967332B (zh) | 用于自动驾驶的能见度信息生成方法和装置 | |
CN116164770B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
CN117036965B (zh) | 桥梁维修设备控制方法、电子设备和计算机可读介质 | |
CN115761702B (zh) | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 | |
CN110119721B (zh) | 用于处理信息的方法和装置 | |
CN112528970A (zh) | 路牌检测方法、装置、设备和计算机可读介质 | |
CN111340813B (zh) | 图像实例分割方法、装置、电子设备及存储介质 | |
CN111383337B (zh) | 用于识别对象的方法和装置 | |
CN114399696A (zh) | 一种目标检测方法、装置、存储介质及电子设备 | |
CN111797931A (zh) | 图像处理方法、图像处理网络训练方法、装置、设备 | |
CN116704473B (zh) | 障碍物信息检测方法、装置、电子设备和计算机可读介质 |
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 |