CN117523132B - 一种钢桁拱桥扣塔垂直度调节系统及方法 - Google Patents
一种钢桁拱桥扣塔垂直度调节系统及方法 Download PDFInfo
- Publication number
- CN117523132B CN117523132B CN202311045858.5A CN202311045858A CN117523132B CN 117523132 B CN117523132 B CN 117523132B CN 202311045858 A CN202311045858 A CN 202311045858A CN 117523132 B CN117523132 B CN 117523132B
- Authority
- CN
- China
- Prior art keywords
- buckling tower
- buckling
- model
- steel truss
- tower
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 70
- 239000010959 steel Substances 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005094 computer simulation Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000002310 reflectometry Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 9
- 238000012512 characterization method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01D—CONSTRUCTION OF BRIDGES, ELEVATED ROADWAYS OR VIADUCTS; ASSEMBLY OF BRIDGES
- E01D12/00—Bridges characterised by a combination of structures not covered as a whole by a single one of groups E01D2/00 - E01D11/00
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01D—CONSTRUCTION OF BRIDGES, ELEVATED ROADWAYS OR VIADUCTS; ASSEMBLY OF BRIDGES
- E01D19/00—Structural or constructional details of bridges
- E01D19/14—Towers; Anchors ; Connection of cables to bridge parts; Saddle supports
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01D—CONSTRUCTION OF BRIDGES, ELEVATED ROADWAYS OR VIADUCTS; ASSEMBLY OF BRIDGES
- E01D21/00—Methods or apparatus specially adapted for erecting or assembling bridges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01D—CONSTRUCTION OF BRIDGES, ELEVATED ROADWAYS OR VIADUCTS; ASSEMBLY OF BRIDGES
- E01D2101/00—Material constitution of bridges
- E01D2101/30—Metal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Structural Engineering (AREA)
- Medical Informatics (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种钢桁拱桥扣塔垂直度调节系统及方法,属于桥梁施工技术领域,包括以下步骤:通过三维激光扫描仪对钢桁拱桥扣塔进行扫描得到的数据,包括点云数据、扣塔颜色/纹理信息、强度值数据和快速反射率数据;通过对三维激光扫描仪扫描钢桁桥扣塔输出的点云数据建立计算机模型,对钢桁桥扣塔的形状和几何参数进行分析,从而评估其垂直度;对评估结果进行分析和可视化展示。本申请公开的特征提取方法,将每个视觉下的特征进行融合,从而将全局特征、局部特征和形状特征进行加权融合,从而增强扣塔模型的表征能力,提高扣塔模型的分类准确率。
Description
技术领域
本发明属于桥梁施工技术领域,具体地,涉及一种钢桁拱桥扣塔垂直度调节系统及方法。
背景技术
对于大跨度钢桁拱桥,扣塔施工是整个桥梁施工中难度最高、风险最大的关键性工序,必须对整个架设过程进行严格的计算分析及施工控制,才能保证钢桁拱桥的质量。
扣塔是大跨度钢桁拱桥斜拉扣挂体系施工中的支撑体系,而扣塔垂直度误差状况是评价桥梁结构内力状况和安全性的重要一句,扣塔垂直度的保证是拱圈线型保证的基础以及整个结构稳定性的必要条件,施工过程中如何控制扣塔垂直度至关重要,必须对整个架设过程进行严格的计算和分析。但近些年来,扣塔垂直度的调整问题一直得不到很好的解决,施工过程中的扣塔垂直度无法精确检测,严重影响了扣塔垂直度的调节,进而影响了大跨度钢桁拱桥工程的质量。
发明内容
为解决上述背景技术中存在的施工过程中的扣塔垂直度无法精确检测的技术问题,一方面,本发明提供一种钢桁拱桥扣塔垂直度调节方法,包括以下步骤:
通过三维激光扫描仪对钢桁拱桥扣塔进行扫描得到的数据,包括点云数据、扣塔颜色/纹理信息、强度值数据和快速反射率数据;
通过对三维激光扫描仪扫描钢桁桥扣塔输出的点云数据建立计算机模型,对钢桁桥扣塔的形状和几何参数进行分析,从而评估其垂直度,该步骤具体包括:
使用三维激光扫描仪及响应的控制软件,采集钢桁桥扣塔的点云数据,并将数据导出为标准格式;
对点云数据进行预处理,通过滤波、去噪手段去除异常点;
采用三角网络技术,对点云数据进行表面重建,生成三维计算机模型,具体的,将钢桁桥扣塔分成多个部分进行表面重建;
利用建立的计算机模型对扣塔垂直度进行评估,根据钢桁桥扣塔的设计图纸,对垂直结构进行特征提取和分析,包括计算间距和垂直度误差;
对评估结果进行分析和可视化展示。
进一步的,利用三角网络技术进行表面重建后,对得到的模型进行特征提取和分析,具体包括以下步骤:
选择扣塔上垂直的结构特征点,通过计算点之间的距离和高度差,以及和理论设计值进行比较,从而评估扣塔的垂直度。
进一步的,使用三维坐标计算和比较的方法,通过利用曲率计算方法对垂直结构进行热证提取和分析,具体包括以下步骤:
获得钢桁桥扣塔的计算机模型,即扣塔模型;
对扣塔模型进行离散化,即将连续的曲面网格分割为离散的点云数据;
在离散化的点云数据上进行曲率计算,根据计算得到的曲率数据,对扣塔模型进行局部曲率分析;
对扣塔模型进行局部曲率分析得到的结果进行可视化展示。
进一步的,对扣塔模型进行局部曲率分析,具体包括以下步骤:
从扣塔模型提取二维视图,将扣塔模型置于归一化的坐标系下,通过选取固定视角,并投影出一系列的视图;
提取扣塔模型的全部视图的轮廓,提取轮廓的D1特征、Hu矩特征、角点曲率特征组成一维形状特征向量;
构建扣塔测试模型,从扣塔模型中提取的视图、轮廓和形状特征向量构成训练数据,从扣塔测试模型中提取的视图、轮廓和形状特征向量构成测试数据;
设计由ConvNeXt网络、ECA-ResNet网络和一维卷积神经网络并行连接的多分支网络模型;
使用训练数据优化多分支网络,得到优化后的多分支网络模型,利用ConvNeXt分支从测试数据的视图中提取全局特征,使用ECA-ResNet分支从测试数据的轮廓中提取局部特征,使用一维卷积神经网络分支从测试数据的形状向量中提取形状特征,为全局特征、局部特征和形状特征分配不同权重,进行加权融合;
利用softmax函数计算融合特征的分类预测概率,利用三维模型所有视角的分类预测概率进行投票,得到模型的分类结果。
进一步的,通过Canny算法提取扣塔模型的全部视图的轮廓,具体包括以下步骤:
对视图进行灰度处理;
应用高斯滤波器平滑视图,将滤波器中对应的点横纵坐标索引代入高斯函数,去除视图噪声,具体的,高斯函数计算公式如下:
其中,(x,y)为点坐标,σ为标准差;
分别使用Soble算子计算水平方向的梯度值Gx和垂直方向的梯度值Gy,计算平滑后视图的梯度值G和梯度方向θ,计算公式如下:
进一步的,设计由ConvNeXt网络、ECA-ResNet网络和一维卷积神经网络并行连接的多分支网络模型具体包括以下步骤:
确定ConvNeXt网络深度,选择4个ConvNeXt Block块堆叠深度B=(3,3,9,3)的ConvNeXt-T;
再确定ResNet网络深度,选择深度34层的ResNet-34,使用ECA注意力机制改进ResNet,将ECA注意力模块嵌入到ResNet的basicblock中,对输入特征图进行通道特征加强;
再进一步构造一维卷积神经网络,网络由两层卷积核大小为3的卷积层,两层池化层和一层全连接层构成;
最后将ConvNeXt、ECA-ResNet和一维卷积神经网络并行连接成多分支网络。
进一步的,还通过使用测量水平位移的传感器或仪器检测扣塔在水平方向上的位移,判断其是否偏离垂直状态。
进一步的,还通过使用倾斜角传感器或测量设备监测扣塔的倾斜角度,当扣塔的倾斜角度超出一定范围时,判定其垂直度存在问题。
另一方面,本发明还提供一种钢桁拱桥扣塔垂直度调节系统,执行前述的一种钢桁拱桥扣塔垂直度调节方法,包括三维激光扫描仪、数据处理终端和自动控制设备,其中:
所述三维激光扫描仪系统对桁钢拱桥扣塔进行监测,同时通过WiFi网络将所得的数据信息发送给数据处理终端;
所述数据处理终端通过生成扣塔模型,对扣塔垂直度进行分析,同时按照分析结果制定相应的操作指令,并将操作指令通过Wi F i网络发送给所述自动控制设备;
所述自动控制设备控制千斤顶执行所述操作指令,所述千斤顶安装在扣索的张拉端。
进一步的,所述按照分析结果制定相应的操作指令,具体包括:如果监测到的垂直度数据信息与设计计算所得的信息的差值不在允许范围内,则由数据处理终端发出调控指令至自动控制设备。
本发明的有益效果:
1、本发明公开的一种钢桁拱桥扣塔垂直度调节系统及方法,利用三维激光扫描仪对扣塔建立计算机模型,根据钢桁桥扣塔的涉及图纸,对钢桁桥扣塔的相关结构进行特征提取和分析,包括计算间距和垂直度误差,也可以使用多个视角从不同角度观察计算机模型,从而结合实际情况进行评估,对评估结果进行分析以及采取相关的策略措施对垂直度偏差过大的结构进行修复或加强,从而保证钢桁桥扣塔的结构稳定;
2、本发明还公开了关于使用三维坐标计算和比较的方法来提取相关特征,具体的,通过对相关结构的曲率计算,并将计算结果进行可视化展示,方便工程人员更加直观地进行分析;
3、本申请公开的特征提取方法,将每个视觉下的特征进行融合,从而将全局特征、局部特征和形状特征进行加权融合,从而增强扣塔模型的表征能力,提高扣塔模型的分类准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中,一种钢桁拱桥扣塔垂直度调节方法的整体步骤流程图;
图2为本发明实施例中,步骤S2的进一步详细步骤流程图;
图3为本发明实施例中,一种钢桁拱桥扣塔垂直度调节系统的整体原理框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
为了反映钢桁拱桥扣塔的垂直度,可以使用水平位移数据(通过使用测量水平位移的传感器或仪器检测扣塔在水平方向上的位移,判断其是否偏离垂直状态);还可以使用倾斜角传感器或测量设备监测扣塔的倾斜角度,当扣塔的倾斜角度超出一定范围是,可以判定其垂直度存在问题;还可以通过测量相邻桥墩之间的高度差,了解扣塔是否处于垂直状态,如果桥墩之间的高度差较大,意味着扣塔存在倾斜或者不垂直的情况;此外,还可以利用三维激光扫描仪对扣塔进行扫描,从而获得大量的点云数据,在分析处理后可以获得桥墩的几何形状和位置信息,从而判断扣塔的垂直度是否符合要求;还可以通过监测桥面的位移情况,可以间接判断扣塔的垂直度是否发生变化,如桥面发生明显倾斜或变形,则说明扣塔垂直度存在问题。
具体的,如图1所示,步骤S1、通过三维激光扫描仪对钢桁拱桥扣塔进行扫描得到的数据,包括点云数据、扣塔颜色/纹理信息、强度值数据和快速反射率数据。点云数据指激光扫描仪通过反射激光束并接收反射回来的激光信号来获取目标物体上的各个点的坐标信息,从而形成点云数据。点云数据是由大量离散的点组成的三维空间坐标集合,可以准确地表示目标物体的形状、轮廓和表面细节。
步骤S2、通过对三维激光扫描仪扫描钢桁桥扣塔输出的点云数据建立计算机模型,对刚刚敲扣塔的形状和几何参数进行分析,从而评估其垂直度;
具体的,通过分析和处理三维激光扫描数据,可以生成精确的计算机模型、进行形变分析、检测缺陷、进行精确测量等多种应用,同时,三维激光扫描数据也可用于可视化、建模、仿真和虚拟现实等领域。
进一步的,在本申请实施例中,步骤S2中,通过对三维激光扫描仪扫描钢桁桥扣塔输出的点云数据建立计算机模型,对钢桁桥扣塔的形状和几何参数进行分析,从而评估其垂直度,如图2所示,具体包括以下步骤:
步骤S210、使用三维激光扫描仪及响应的控制软件,采集钢桁桥扣塔的点云数据,并将数据导出为标准格式;
步骤S220、对点云数据进行预处理,通过滤波、去噪手段去除异常点;
步骤S230、采用三角网络技术,对点云数据进行表面重建,生成三维计算机模型,具体的,将钢桁桥扣塔分成多个部分进行表面重建;
步骤S240、利用建立的计算机模型对扣塔垂直度进行评估,根据钢桁桥扣塔的设计图纸,对垂直结构进行特征提取和分析,如支撑立柱、桥塔、承台等,包括计算间距和垂直度误差,也可以使用多个视角从不同角度观察计算机模型,结合实际情况进行评估;
步骤S3中,对评估结果进行分析和可视化展示。如遇到垂直度偏差过大的结构进行修复或加强,从而保证钢桁桥扣塔的结构稳定。
通过利用三维激光扫描数据进行计算机模型分析,不仅可以准确评估钢桁桥扣塔的垂直度,还可以对其他结构参数进行评估和优化,为桥梁工程的维护提供有价值的数据支持。
具体的,步骤S230中,三角网络技术是一种对三维物体进行建模的基础技术之一,是一种以三角形为基本单元的离散化形式,以三角形作为基本单元,将钢桁桥扣塔的表面离散化,把钢桁桥扣塔的表面分成许多个小三角形,这些小三角形被用来定义钢桁桥扣塔表面的形状,三角形的共享边会形成边界的一部分,通过大量的三角网格条目,重建成钢桁桥扣塔的完整的三维形状。使用三角网络技术可以充分地捕获物体的表面结构和细节,使建模的模型更加真实和精确。
步骤S230中,在利用三角网络技术进行表面重建后,对得到的模型进行特征提取和分析,具体包括以下步骤:
在计算机模型中,选择扣塔上垂直的结构特征点(如桥塔和支撑立柱),通过计算点之间的距离和高度差,以及和理论设计值进行比较,从而评估扣塔的垂直度。具体的,使用三维坐标计算和比较的方法来提取上述特征:
第一种,利用曲率计算方法,对钢桁桥扣塔模型进行局部曲率分析。通过计算模型在不同区域的曲率值,比较不同区域的曲率大小,可以推测扣塔上存在可能的倾斜或垂直度偏差。这些曲率特征可以通过计算模型的法线方向和曲率曲线来提取;
第二种,将钢桁桥扣塔模型与实际测量数据进行对比分析,以评估模型的准确性和垂直度,可以将模型的高度与实测的高度进行对比,分析区域的高度差距,找出可能存在的垂直度偏差;
第三种,选择扣塔模型上的不同点进行高度差分析,例如在不同边缘点之间选择一条线段,通过计算线段两个端点的高度差来评估扣塔的垂直度,具体的,使用数学运算或图形处理软件来提取高度差分析的特征。
针对第一种曲率分析法,具体步骤如下:
步骤S23010、获得钢桁桥扣塔的计算机模型,即扣塔模型;
步骤S23020、对扣塔模型进行离散化,即将连续的曲面网格分割为离散的点云数据,具体的,采用点云采集设备(激光扫描仪)进行真实世界数据的采集;
步骤S23030、在离散化的点云数据上进行曲率计算,具体的,曲率是描述曲面弯曲程度的量。
步骤S23040、根据计算得到的曲率数据,对扣塔模型进行局部曲率分析,选择感兴趣的局部区域,比如曲线段、曲面上的点集等,计算并记录曲率数值。
对于曲率数值,根据具体的需要和评估要求,可以进行可视化展示,比如将曲率数值转换为颜色和高度信息,以便更直观地分析。在本申请实施例中,可以使用可视化软件或编程语言来实现。
具体的,步骤S230中,本申请实施例将提取到的每个视觉下的特征进行融合,从而将全局特征、局部特征和形状特征进行加权融合,从而增强扣塔模型的表征能力,提高扣塔模型的分类准确率,具体包括以下步骤:
步骤S23001、从扣塔模型提取二维视图,将扣塔模型置于归一化的坐标系下,通过选取固定视角,并投影出一系列的视图;
步骤S23002、提取扣塔模型的全部视图的轮廓,提取轮廓的D1特征、Hu矩特征、角点曲率特征组成一维形状特征向量;
通过Canny算法提取扣塔模型的全部视图的轮廓,具体包括以下步骤:
对视图进行灰度处理;
应用高斯滤波器平滑视图,将滤波器中对应的点横纵坐标索引代入高斯函数,去除视图噪声,具体的,高斯函数计算公式如下:
其中,(x,y)为点坐标,σ为标准差;
分别使用Soble算子计算水平方向的梯度值Gx和垂直方向的梯度值Gy,计算平滑后视图的梯度值G和梯度方向θ,计算公式如下:
步骤S23003、构建扣塔测试模型,从扣塔模型中提取的视图、轮廓和形状特征向量构成训练数据,从扣塔测试模型中提取的视图、轮廓和形状特征向量构成测试数据;
步骤S23004、设计由ConvNeXt网络、ECA-ResNet网络和一维卷积神经网络并行连接的多分支网络模型,具体的,先确定ConvNeXt网络深度,选择4个ConvNeXt Block块堆叠深度B=(3,3,9,3)的ConvNeXt-T、再确定ResNet网络深度,选择深度34层的ResNet-34,使用ECA注意力机制改进ResNet,将ECA注意力模块嵌入到ResNet的basicblock中,对输入特征图进行通道特征加强、再进一步构造一维卷积神经网络,网络由两层卷积核大小为3的卷积层,两层池化层和一层全连接层构成、最后将ConvNeXt、ECA-ResNet和一维卷积神经网络并行连接成多分支网络;
步骤S23005、使用训练数据优化多分支网络,得到优化后的多分支网络模型,利用ConvNeXt分支从测试数据的视图中提取全局特征,使用ECA-ResNet分支从测试数据的轮廓中提取局部特征,使用一维卷积神经网络分支从测试数据的形状向量中提取形状特征,为全局特征、局部特征和形状特征分配不同权重,进行加权融合;
步骤S23006、利用softmax函数计算融合特征的分类预测概率,利用三维模型所有视角的分类预测概率进行投票,得到模型的分类结果。
在本申请实施例中,还可以通过多维数据评估钢桁桥扣塔的垂直度,如桥梁振动数据、桥面高程数据、倾斜角和桥梁轴力等,具体的,当钢桁拱桥扣塔受风力等外部因素的影响时,会产生一定的桥梁振动,通过监测桥梁的振动频率和振幅,可以侧反映扣塔的垂直度情况;当钢桁拱桥扣塔的垂直度发生变化时,桥面的高程也会随之产生变化,通过监测桥面高程的变化,可以反应扣塔的垂直度问题;通过安装倾斜角传感器等设备监测桥梁的倾斜角度,可以反映扣塔的垂直度情况。当扣塔的垂直度发生变化时,倾斜角也会发生变化;钢桁拱桥的扣塔会受到扭转力和轴向力的影响,当扣塔的垂直度产生变化时,会引起桥梁的轴力发生变化。因此,通过监测桥梁轴力数据,也可以侧面反映扣塔的垂直度问题。
本申请实施例还公开一种钢桁拱桥扣塔垂直度调节系统,执行前述的一种钢桁拱桥扣塔垂直度调节方法,如图3所示,包括三维激光扫描仪、数据处理终端和自动控制设备,其中:
所述三维激光扫描仪系统对桁钢拱桥扣塔进行监测,同时通过WiFi网络将所得的数据信息发送给数据处理终端;
所述数据处理终端通过生成扣塔模型,对扣塔垂直度进行分析,同时按照分析结果制定相应的操作指令,并将操作指令通过WiFi网络发送给所述自动控制设备;
所述自动控制设备控制千斤顶执行所述操作指令,所述千斤顶安装在扣索的张拉端。
进一步的,在本申请的一种优选实施例中,所述按照分析结果制定相应的操作指令,具体包括:如果监测到的垂直度数据信息与设计计算所得的信息的差值不在允许范围内,则由数据处理终端发出调控指令至自动控制设备。
进一步的,在本申请实施例中,所述自动控制设备为扣塔调节装置。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明,所述本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (6)
1.一种钢桁拱桥扣塔垂直度调节方法,其特征在于,包括以下步骤:
步骤S1、通过三维激光扫描仪对钢桁拱桥扣塔进行扫描得到的数据,包括点云数据、扣塔颜色/纹理信息、强度值数据和快速反射率数据;
步骤S2、通过对三维激光扫描仪扫描钢桁桥扣塔输出的点云数据建立计算机模型,对钢桁桥扣塔的形状和几何参数进行分析,从而评估其垂直度;具体包括:
步骤S210、使用三维激光扫描仪及响应的控制软件,采集钢桁桥扣塔的点云数据,并将数据导出为标准格式;
步骤S220、对点云数据进行预处理,通过滤波、去噪手段去除异常点;
步骤S230、采用三角网络技术,对点云数据进行表面重建,生成三维计算机模型,具体的,将钢桁桥扣塔分成多个部分进行表面重建;
步骤S240、利用建立的计算机模型对扣塔垂直度进行评估,根据钢桁桥扣塔的设计图纸,对垂直结构进行特征提取和分析,包括计算间距和垂直度误差;
步骤S3、对评估结果进行分析和可视化展示;
其中,
使用三维坐标计算和比较的方法,通过利用曲率计算方法对垂直结构进行特证提取和分析,具体包括以下步骤:
获得钢桁桥扣塔的计算机模型,即扣塔模型;
对扣塔模型进行离散化,即将连续的曲面网格分割为离散的点云数据;
在离散化的点云数据上进行曲率计算,根据计算得到的曲率数据,对扣塔模型进行局部曲率分析;
对扣塔模型进行局部曲率分析得到的结果进行可视化展示;
对扣塔模型进行局部曲率分析,具体包括以下步骤:
从扣塔模型提取二维视图,将扣塔模型置于归一化的坐标系下,通过选取固定视角,并投影出一系列的视图;
提取扣塔模型的全部视图的轮廓,提取轮廓的D1特征、Hu矩特征、角点曲率特征组成一维形状特征向量;
构建扣塔测试模型,从扣塔模型中提取的视图、轮廓和形状特征向量构成训练数据,从扣塔测试模型中提取的视图、轮廓和形状特征向量构成测试数据;
设计由ConvNeXt网络、ECA-ResNet网络和一维卷积神经网络并行连接的多分支网络模型;
使用训练数据优化多分支网络,得到优化后的多分支网络模型,利用ConvNeXt分支从测试数据的视图中提取全局特征,使用ECA-ResNet分支从测试数据的轮廓中提取局部特征,使用一维卷积神经网络分支从测试数据的形状向量中提取形状特征,为全局特征、局部特征和形状特征分配不同权重,进行加权融合;
利用softmax函数计算融合特征的分类预测概率,利用三维模型所有视角的分类预测概率进行投票,得到模型的分类结果;
通过Canny算法提取扣塔模型的全部视图的轮廓,具体包括以下步骤:
对视图进行灰度处理;
应用高斯滤波器平滑视图,将滤波器中对应的点横纵坐标索引代入高斯函数,去除视图噪声,具体的,高斯函数计算公式如下:
其中,(x,y)为点坐标,σ为标准差;
分别使用Soble算子计算水平方向的梯度值Gx和垂直方向的梯度值Gy,计算平滑后视图的梯度值G和梯度方向θ,计算公式如下:
设计由ConvNeXt网络、ECA-ResNet网络和一维卷积神经网络并行连接的多分支网络模型具体包括以下步骤:
确定ConvNeXt网络深度,选择4个ConvNeXt Block块堆叠深度B=(3,3,9,3)的ConvNeXt-T;
再确定ResNet网络深度,选择深度34层的ResNet-34,使用ECA注意力机制改进ResNet,将ECA注意力模块嵌入到ResNet的basicblock中,对输入特征图进行通道特征加强;
再进一步构造一维卷积神经网络,网络由两层卷积核大小为3的卷积层,两层池化层和一层全连接层构成;
最后将ConvNeXt、ECA-ResNet和一维卷积神经网络并行连接成多分支网络。
2.根据权利要求1所述的一种钢桁拱桥扣塔垂直度调节方法,其特征在于,利用三角网络技术进行表面重建后,对得到的模型进行特征提取和分析,具体包括以下步骤:
选择扣塔上垂直的结构特征点,通过计算点之间的距离和高度差,以及和理论设计值进行比较,从而评估扣塔的垂直度。
3.根据权利要求1所述的一种钢桁拱桥扣塔垂直度调节方法,其特征在于,还通过使用测量水平位移的传感器或仪器检测扣塔在水平方向上的位移,判断其是否偏离垂直状态。
4.根据权利要求1所述的一种钢桁拱桥扣塔垂直度调节方法,其特征在于,还通过使用倾斜角传感器或测量设备监测扣塔的倾斜角度,当扣塔的倾斜角度超出一定范围时,判定其垂直度存在问题。
5.一种钢桁拱桥扣塔垂直度调节系统,其特征在于,执行权利要求1至4任一项所述的一种钢桁拱桥扣塔垂直度调节方法,包括三维激光扫描仪、数据处理终端和自动控制设备,其中:
三维激光扫描仪对桁钢拱桥扣塔进行监测,同时通过WiFi网络将所得的数据信息发送给数据处理终端;
数据处理终端通过生成扣塔模型,对扣塔垂直度进行分析,同时按照分析结果制定相应的操作指令,并将操作指令通过WiFi网络发送给所述自动控制设备;
自动控制设备控制千斤顶执行所述操作指令,所述千斤顶安装在扣索的张拉端。
6.根据权利要求5所述的一种钢桁拱桥扣塔垂直度调节系统,其特征在于,所述按照分析结果制定相应的操作指令,具体包括:如果监测到的垂直度数据信息与设计计算所得的信息的差值不在允许范围内,则由数据处理终端发出调控指令至自动控制设备。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2023109559462 | 2023-08-01 | ||
CN202310955946 | 2023-08-01 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117523132A CN117523132A (zh) | 2024-02-06 |
CN117523132B true CN117523132B (zh) | 2024-05-03 |
Family
ID=89748400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311045858.5A Active CN117523132B (zh) | 2023-08-01 | 2023-08-18 | 一种钢桁拱桥扣塔垂直度调节系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117523132B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045950A (zh) * | 2015-05-28 | 2015-11-11 | 张家港江苏科技大学产业技术研究院 | 一种基于三维激光扫描的桥梁安全评估系统 |
CN108986218A (zh) * | 2018-06-06 | 2018-12-11 | 东南大学 | 一种基于pmvs的建筑物密集点云快速重建方法 |
CN112033385A (zh) * | 2020-11-03 | 2020-12-04 | 湖南联智科技股份有限公司 | 一种基于海量点云数据的桥墩位姿测量方法 |
CN113029044A (zh) * | 2021-02-23 | 2021-06-25 | 中铁建大桥工程局集团南方工程有限公司 | 一种3d激光扫描的钢扣塔竖向垂直度智能化调节系统 |
CN114383589A (zh) * | 2022-01-20 | 2022-04-22 | 福州软图信息科技有限公司 | 一种基于大数据的桥梁施工用地基垂直度多点智能监测分析系统 |
CN115479594A (zh) * | 2022-10-13 | 2022-12-16 | 中交一公局第七工程有限公司 | 基于bim和三维扫描的桥墩垂直度检测方法、系统及应用 |
CN115824040A (zh) * | 2022-09-21 | 2023-03-21 | 安徽建筑大学 | 一种基于三维激光扫描的钢板组合梁桥检测方法 |
CN116428982A (zh) * | 2023-04-19 | 2023-07-14 | 北京航空航天大学 | 基于线结构光的光纤环骨架非接触测量系统及方法 |
-
2023
- 2023-08-18 CN CN202311045858.5A patent/CN117523132B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045950A (zh) * | 2015-05-28 | 2015-11-11 | 张家港江苏科技大学产业技术研究院 | 一种基于三维激光扫描的桥梁安全评估系统 |
CN108986218A (zh) * | 2018-06-06 | 2018-12-11 | 东南大学 | 一种基于pmvs的建筑物密集点云快速重建方法 |
CN112033385A (zh) * | 2020-11-03 | 2020-12-04 | 湖南联智科技股份有限公司 | 一种基于海量点云数据的桥墩位姿测量方法 |
CN113029044A (zh) * | 2021-02-23 | 2021-06-25 | 中铁建大桥工程局集团南方工程有限公司 | 一种3d激光扫描的钢扣塔竖向垂直度智能化调节系统 |
CN114383589A (zh) * | 2022-01-20 | 2022-04-22 | 福州软图信息科技有限公司 | 一种基于大数据的桥梁施工用地基垂直度多点智能监测分析系统 |
CN115824040A (zh) * | 2022-09-21 | 2023-03-21 | 安徽建筑大学 | 一种基于三维激光扫描的钢板组合梁桥检测方法 |
CN115479594A (zh) * | 2022-10-13 | 2022-12-16 | 中交一公局第七工程有限公司 | 基于bim和三维扫描的桥墩垂直度检测方法、系统及应用 |
CN116428982A (zh) * | 2023-04-19 | 2023-07-14 | 北京航空航天大学 | 基于线结构光的光纤环骨架非接触测量系统及方法 |
Non-Patent Citations (2)
Title |
---|
地面三维激光扫描仪在桥墩垂直度测量中的应用;金保平;;北京测绘;20200225(第02期);第1-4章 * |
非接触测量方法在柱状构筑物垂直度检测中的应用研究;欧斌;;城市勘测;20130831(第04期);第1-4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN117523132A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113744395B (zh) | 一种建筑地基沉降的监测预警方法及系统 | |
CN113409314B (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
Teza et al. | Contactless recognition of concrete surface damage from laser scanning and curvature computation | |
CN113252700B (zh) | 一种结构裂缝检测方法、设备及系统 | |
CN107462204B (zh) | 一种三维路面标准轮廓提取方法及系统 | |
Guldur et al. | Condition assessment of bridges using terrestrial laser scanners | |
CN114997009B (zh) | 一种基于机器视觉和模型修正的桥梁承载力快速评估方法 | |
Wu et al. | Concrete spalling detection for metro tunnel from point cloud based on roughness descriptor | |
CN115656182A (zh) | 基于张量投票主成分分析的板材点云缺陷检测方法 | |
Truong-Hong et al. | Laser scanning for bridge inspection | |
CN117523132B (zh) | 一种钢桁拱桥扣塔垂直度调节系统及方法 | |
CN114358091A (zh) | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 | |
CN114549751A (zh) | 箱梁生产的模板监控系统及方法 | |
CN117610375A (zh) | 基于机器视觉的桥梁悬浇施工数字孪生方法、装置和设备 | |
CN116403093B (zh) | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 | |
CN117150838A (zh) | 一种基于视觉信息与物理融合的裂纹损伤智能评估方法 | |
CN115329493B (zh) | 一种基于离心泵数字孪生模型的叶轮机械故障检测方法 | |
CN116030056A (zh) | 一种钢表面裂缝的检测方法及系统 | |
CN116127816A (zh) | 基于激光点云测绘技术的煤气柜实际服役状态评估方法 | |
Truong-Hong et al. | Measuring deformation of bridge structures using laser scanning data | |
JP7174601B2 (ja) | 天端面段差抽出システム、及び天端面段差抽出方法 | |
CN117392140B (zh) | 一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统 | |
CN117090141B (zh) | 基于三维激光扫描的三主桁钢梁高度差调节方法及系统 | |
CN117788409B (zh) | 一种基于数据增强与多尺度特征学习路面裂缝检测方法 | |
Liang et al. | An Automatic Measurement Method of Test Beam Response Based on Spliced Images |
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 |