CN117746341A - 一种基于人工智能的桥梁施工工地安全智能管理系统 - Google Patents
一种基于人工智能的桥梁施工工地安全智能管理系统 Download PDFInfo
- Publication number
- CN117746341A CN117746341A CN202410179072.0A CN202410179072A CN117746341A CN 117746341 A CN117746341 A CN 117746341A CN 202410179072 A CN202410179072 A CN 202410179072A CN 117746341 A CN117746341 A CN 117746341A
- Authority
- CN
- China
- Prior art keywords
- bridge
- target point
- pier
- point
- pixel
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims description 54
- 239000013598 vector Substances 0.000 claims description 43
- 230000007797 corrosion Effects 0.000 claims description 18
- 238000005260 corrosion Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 15
- 238000012545 processing Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Landscapes
- Bridges Or Land Bridges (AREA)
Abstract
本发明公开了一种基于人工智能的桥梁施工工地安全智能管理系统,属于图像处理技术领域,可实时的不断处理采集的桥梁图像,在采集桥梁图像后,剔除桥梁图像中背景区域,保留桥梁框架图像,从而提取出多个主梁目标点和多个墩柱目标点,根据多个主梁目标点和多个墩柱目标点的位置,对主梁的线性情况和墩柱的线性情况进行评估,用于评估主梁和墩柱的稳定性,根据主梁线性评估值和每个墩柱的线性评估值进行风险预警。在本发明中,提取了多个主梁目标点和多个墩柱目标点,保障对桥梁施工工地安全的高精度监测,实现同时具备高精度监测桥梁施工工地安全且能实时监测的特点。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于人工智能的桥梁施工工地安全智能管理系统。
背景技术
在桥梁施工过程中,需要对架设过程中和架设后的主梁和墩柱进行稳定性监测,保障施工过程中工地施工人员的生命安全。
现有的桥梁施工工地安全管理系统,主要通过两种方式来监测桥梁的稳定性,第一种:在桥梁上设置多个传感器来测量桥梁是否存在震动,从而判断出该桥梁是否稳定;第二种通过人工采用测绘仪器对桥梁的方位和角度等进行监测,从而判断出该桥梁结构是否稳定。在第一种方式中桥梁本身在施工过程就存在震动,因此,第一种方式用于监测桥梁施工工地安全并不准确,存在监测精度低的问题。在第二种方式中,测绘仪器是一种精度非常高的仪器,需要人工配合,无法做到实时监测。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于人工智能的桥梁施工工地安全智能管理系统解决了现有技术无法同时兼顾监测桥梁施工工地安全精度高且能实时监测的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于人工智能的桥梁施工工地安全智能管理系统,包括:拍摄设备、桥梁框架提取单元、目标点提取单元、主梁线性评估单元、墩柱线性评估单元和风险预警单元;
所述拍摄设备用于拍摄桥梁施工过程中的桥梁图像;
所述桥梁框架提取单元用于剔除桥梁图像中背景区域,提取桥梁图像中的桥梁框架图像;
所述目标点提取单元用于从桥梁框架图像中提取出多个主梁目标点和每个墩柱的多个墩柱目标点;
所述主梁线性评估单元用于根据多个主梁目标点,得到主梁线性评估值;
所述墩柱线性评估单元用于根据每个墩柱的多个墩柱目标点,得到每个墩柱的线性评估值;
所述风险预警单元用于根据主梁线性评估值和每个墩柱的线性评估值进行风险预警。
本发明的有益效果为:本发明采用图像处理技术,可实时的不断处理采集的桥梁图像,在采集桥梁图像后,剔除桥梁图像中背景区域,保留桥梁框架图像,从而提取出多个主梁目标点和多个墩柱目标点,根据多个主梁目标点和多个墩柱目标点的位置,对主梁的线性情况和墩柱的线性情况进行评估,用于评估主梁和墩柱的稳定性,在主梁线性评估值和每个墩柱的线性评估值超过阈值或者相比于历史的主梁线性评估值和墩柱线性评估值变化较大时,可以进行风险预警。在本发明中,提取了多个主梁目标点和多个墩柱目标点,保障对桥梁施工工地安全的高精度监测,实现同时具备高精度监测桥梁施工工地安全且能实时监测的特点。
进一步地,所述桥梁框架提取单元包括:桥梁像素点筛选子单元、二值化子单元、腐蚀子单元和桥梁框架像素点提取子单元;
所述桥梁像素点筛选子单元用于根据标准颜色向量与桥梁图像上像素点的颜色向量的匹配度,筛选出桥梁像素点;
所述二值化子单元用于对桥梁像素点的像素值赋值为1,对桥梁图像上的非桥梁像素点赋值为0,得到二值化图像;
所述腐蚀子单元用于对二值化图像进行腐蚀运算;
所述桥梁框架像素点提取子单元用于将腐蚀运算后的图像中像素值为0的像素点剔除,得到桥梁结构图像,对桥梁结构图像提取桥梁框架像素点,得到桥梁框架图像。
上述进一步地方案有益效果为:本发明中标准颜色向量为提前根据桥梁的成像颜色特征设置的向量,因此,计算当前的桥梁图像上像素点的颜色向量与标准颜色向量的匹配度,可以筛选出桥梁像素点,在进行二值化处理后,使得桥梁像素点和非桥梁像素点区分明显,并便于腐蚀运算,通过腐蚀运算去除图像的毛刺,使得腐蚀运算后的图像更能体现桥梁结构,再将像素值为0的像素点剔除,仅得到桥梁像素点构成的桥梁结构图像,再从桥梁结构图像提取桥梁框架像素点,丢弃内部像素点,仅保留能体现桥梁框架的像素点。
进一步地,所述桥梁像素点筛选子单元具体为:根据标准颜色向量和桥梁图像上像素点的颜色向量,计算匹配度,在匹配度大于匹配阈值时,桥梁图像上对应像素点为桥梁像素点;
所述计算匹配度的公式为:
,
其中,M为匹配度,S1={S1,i},i=1,2,3,S1为标准颜色向量,S1,i为S1中第i个元素,S2={S2,i},S2为桥梁图像上像素点的颜色向量,S2,i为S2中第i个元素,S1,σ为标准颜色向量S1的标准差,S2,σ为桥梁图像上像素点的颜色向量S2的标准差,i为1时,第1个元素代表R通道值,i为2时,第2个元素代表G通道值,i为3时,第3个元素代表B通道值。
上述进一步地方案有益效果为:本发明中标准颜色向量S1包含三种通道值,桥梁图像上每个像素点的颜色向量S2包含三种通道值,通过两种向量三个元素计算出匹配度,从而判断桥梁图像上这个像素点的颜色向量S2与标准颜色向量S1是否近似。
进一步地,所述对桥梁结构图像提取桥梁框架像素点,得到桥梁框架图像具体为:以桥梁结构图像中每个像素点为中心点,统计中心点的3×3邻域范围的像素值的和,在像素值的和等于8时,中心点为非桥梁框架像素点,在像素值的和不等于8时,中心点为桥梁框架像素点,所有桥梁框架像素点构成桥梁框架图像。
上述进一步地方案有益效果为:在中心点的3×3邻域范围的像素值的和等于8时,则说明中心点为内部的像素点,其无法体现桥梁的框架,本发明要找的是能体现桥梁的框架的像素点,从而表达桥梁的结构,排除干扰像素点。
进一步地,所述目标点提取单元包括:主梁区域提取子单元、墩柱区域提取子单元、主梁目标点提取子单元和墩柱目标点提取子单元;
所述主梁区域提取子单元用于从桥梁框架图像中提取出主梁区域;
所述墩柱区域提取子单元用于从桥梁框架图像中提取出多个墩柱区域;
所述主梁目标点提取子单元用于将主梁区域分割成多个主梁子区域,并从每个主梁子区域中提取出一个几何中心点作为主梁目标点;
所述墩柱目标点提取子单元用于将每个墩柱区域分割成多个墩柱子区域,并从每个墩柱子区域中提取一个几何中心点作为墩柱目标点。
上述进一步地方案有益效果为:在上述过程中,本发明提取出了桥梁框架图像,从桥梁框架图像划分出主梁区域和墩柱区域,每个区域可分割成多个子区域,分割的方式可采用从x方向进行分割,也可采用从y方向进行分割,例如,将主梁区域从x方向等距分割成3份,即采用垂直于x方向两条线将主梁区域等距分成3份,取每个子区域的几何中心点作为目标点,目标点由子区域中桥梁框架像素点的位置决定,因此,目标点的变化也代表了桥梁框架的变化。
进一步地,所述主梁区域提取子单元具体实现过程为:根据桥梁框架图像中像素点围成的闭合区域,面积最大的闭合区域为主梁区域;
所述墩柱区域提取子单元具体实现过程为:根据桥梁框架图像中像素点围成的闭合区域,统计除主梁区域外的闭合区域的面积,找到面积满足面积范围[edown,eup]的闭合区域作为墩柱区域,其中,edown为面积下限阈值,eup为面积上限阈值。
进一步地,所述主梁线性评估单元或墩柱线性评估单元包括:目标点位置波动因子计算子单元、目标点角度波动因子计算子单元和评估值计算子单元;
所述目标点位置波动因子计算子单元用于根据目标点的位置坐标,计算目标点位置波动因子;
所述目标点角度波动因子计算子单元用于根据目标点的位置坐标,计算目标点角度波动因子;
所述评估值计算子单元用于根据目标点位置波动因子和目标点角度波动因子,计算评估值,其中,目标点在主梁线性评估单元中指主梁目标点,目标点在墩柱线性评估单元中指墩柱目标点,评估值在主梁线性评估单元中指主梁线性评估值,评估值在墩柱线性评估单元中指每个墩柱的线性评估值。
进一步地,所述计算目标点位置波动因子的公式为:
,
其中,r为目标点位置波动因子,sigmoid为激活函数,xj为第j个目标点的横坐标,yj为第j个目标点的纵坐标,N为目标点的数量,j为目标点的编号。
进一步地,所述计算目标点角度波动因子的公式为:
,
其中,a为目标点角度波动因子,sigmoid为激活函数,xj为第j个目标点的横坐标,yj为第j个目标点的纵坐标,N为目标点的数量,j为目标点的编号,arctan为反正切函数。
进一步地,所述计算评估值的公式为:
,
其中,p为评估值,r为目标点位置波动因子,a为目标点角度波动因子,wr为目标点位置波动因子r的权重,wa为目标点角度波动因子a的权重。
上述进一步地方案有益效果为:本发明中主梁线性评估值和墩柱的线性评估值计算方法一致,均是根据各自目标点的位置坐标,计算出目标点位置波动因子和目标点角度波动因子,综合两种因子,得到评估值,提高评估精度。
附图说明
图1为一种基于人工智能的桥梁施工工地安全智能管理系统的系统框图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于人工智能的桥梁施工工地安全智能管理系统,包括:拍摄设备、桥梁框架提取单元、目标点提取单元、主梁线性评估单元、墩柱线性评估单元和风险预警单元;
所述拍摄设备用于拍摄桥梁施工过程中的桥梁图像;所述桥梁框架提取单元用于剔除桥梁图像中背景区域,提取桥梁图像中的桥梁框架图像;所述目标点提取单元用于从桥梁框架图像中提取出多个主梁目标点和每个墩柱的多个墩柱目标点;所述主梁线性评估单元用于根据多个主梁目标点,得到主梁线性评估值;所述墩柱线性评估单元用于根据每个墩柱的多个墩柱目标点,得到每个墩柱的线性评估值;所述风险预警单元用于根据主梁线性评估值和每个墩柱的线性评估值进行风险预警。
本发明采用图像处理技术,可实时的不断处理采集的桥梁图像,在采集桥梁图像后,剔除桥梁图像中背景区域,保留桥梁框架图像,从而提取出多个主梁目标点和多个墩柱目标点,根据多个主梁目标点和多个墩柱目标点的位置,对主梁的线性情况和墩柱的线性情况进行评估,用于评估主梁和墩柱的稳定性,在主梁线性评估值和每个墩柱的线性评估值超过阈值或者相比于历史的主梁线性评估值和墩柱线性评估值变化较大时,可以进行风险预警。在本发明中,提取了多个主梁目标点和多个墩柱目标点,保障对桥梁施工工地安全的高精度监测,实现同时具备高精度监测桥梁施工工地安全且能实时监测的特点。
所述桥梁框架提取单元包括:桥梁像素点筛选子单元、二值化子单元、腐蚀子单元和桥梁框架像素点提取子单元;
所述桥梁像素点筛选子单元用于根据标准颜色向量与桥梁图像上像素点的颜色向量的匹配度,筛选出桥梁像素点;
所述二值化子单元用于对桥梁像素点的像素值赋值为1,对桥梁图像上的非桥梁像素点赋值为0,得到二值化图像,非桥梁像素点即背景区域;
所述腐蚀子单元用于对二值化图像进行腐蚀运算;
所述桥梁框架像素点提取子单元用于将腐蚀运算后的图像中像素值为0的像素点剔除,得到桥梁结构图像,对桥梁结构图像提取桥梁框架像素点,得到桥梁框架图像。
本发明中标准颜色向量为提前根据桥梁的成像颜色特征设置的向量,因此,计算当前的桥梁图像上像素点的颜色向量与标准颜色向量的匹配度,可以筛选出桥梁像素点,在进行二值化处理后,使得桥梁像素点和非桥梁像素点区分明显,并便于腐蚀运算,通过腐蚀运算去除图像的毛刺,使得腐蚀运算后的图像更能体现桥梁结构,再将像素值为0的像素点剔除,仅得到桥梁像素点构成的桥梁结构图像,再从桥梁结构图像提取桥梁框架像素点,丢弃内部像素点,仅保留能体现桥梁框架的像素点。
所述桥梁像素点筛选子单元具体为:根据标准颜色向量和桥梁图像上像素点的颜色向量,计算匹配度,在匹配度大于匹配阈值时,桥梁图像上对应像素点为桥梁像素点;
在本实施例中,匹配度越逼近于1,两个向量越匹配,匹配阈值根据实验和经验进行设置。
所述计算匹配度的公式为:
,
其中,M为匹配度,S1={S1,i},i=1,2,3,S1为标准颜色向量,S1,i为S1中第i个元素,S2={S2,i},S2为桥梁图像上像素点的颜色向量,S2,i为S2中第i个元素,S1,σ为标准颜色向量S1的标准差,S2,σ为桥梁图像上像素点的颜色向量S2的标准差,i为1时,第1个元素代表R通道值,i为2时,第2个元素代表G通道值,i为3时,第3个元素代表B通道值。
本发明中标准颜色向量S1包含三种通道值,桥梁图像上每个像素点的颜色向量S2包含三种通道值,通过两种向量三个元素计算出匹配度,从而判断桥梁图像上这个像素点的颜色向量S2与标准颜色向量S1是否近似。
所述对桥梁结构图像提取桥梁框架像素点,得到桥梁框架图像具体为:以桥梁结构图像中每个像素点为中心点,统计中心点的3×3邻域范围的像素值的和,在像素值的和等于8时,中心点为非桥梁框架像素点,在像素值的和不等于8时,中心点为桥梁框架像素点,所有桥梁框架像素点构成桥梁框架图像。
在中心点的3×3邻域范围的像素值的和等于8时,则说明中心点为内部的像素点,其无法体现桥梁的框架,本发明要找的是能体现桥梁的框架的像素点,从而表达桥梁的结构,排除干扰像素点。
所述目标点提取单元包括:主梁区域提取子单元、墩柱区域提取子单元、主梁目标点提取子单元和墩柱目标点提取子单元;
所述主梁区域提取子单元用于从桥梁框架图像中提取出主梁区域;
所述墩柱区域提取子单元用于从桥梁框架图像中提取出多个墩柱区域;
所述主梁目标点提取子单元用于将主梁区域分割成多个主梁子区域,并从每个主梁子区域中提取出一个几何中心点作为主梁目标点;
所述墩柱目标点提取子单元用于将每个墩柱区域分割成多个墩柱子区域,并从每个墩柱子区域中提取一个几何中心点作为墩柱目标点。
在上述过程中,本发明提取出了桥梁框架图像,从桥梁框架图像划分出主梁区域和墩柱区域,每个区域可分割成多个子区域,分割的方式可采用从x方向进行分割,也可采用从y方向进行分割,例如,将主梁区域从x方向等距分割成3份,即采用垂直于x方向两条线将主梁区域等距分成3份,取每个子区域的几何中心点作为目标点,目标点由子区域中桥梁框架像素点的位置决定,因此,目标点的变化也代表了桥梁框架的变化。
在本实施例中,在对主梁区域和墩柱区域进行分割时,不限于本发明记载的方式,可以将主梁区域或墩柱区域分割M×M份,即横向划分M份,纵向划分M份,得到M2个子区域。
所述主梁区域提取子单元具体实现过程为:根据桥梁框架图像中像素点围成的闭合区域,面积最大的闭合区域为主梁区域;
所述墩柱区域提取子单元具体实现过程为:根据桥梁框架图像中像素点围成的闭合区域,统计除主梁区域外的闭合区域的面积,找到面积满足面积范围[edown,eup]的闭合区域作为墩柱区域,其中,edown为面积下限阈值,eup为面积上限阈值。
在本实施例中,拍摄的桥梁图像尽量覆盖全部主梁和墩柱,通过面积占比进行区分,精度更高。
在本实施例中,面积下限阈值和面积上限阈值根据经验和实验进行设置。
所述主梁线性评估单元或墩柱线性评估单元包括:目标点位置波动因子计算子单元、目标点角度波动因子计算子单元和评估值计算子单元;
所述目标点位置波动因子计算子单元用于根据目标点的位置坐标,计算目标点位置波动因子;
所述目标点角度波动因子计算子单元用于根据目标点的位置坐标,计算目标点角度波动因子;
所述评估值计算子单元用于根据目标点位置波动因子和目标点角度波动因子,计算评估值,其中,目标点在主梁线性评估单元中指主梁目标点,目标点在墩柱线性评估单元中指墩柱目标点,评估值在主梁线性评估单元中指主梁线性评估值,评估值在墩柱线性评估单元中指每个墩柱的线性评估值。
在计算每个墩柱的线性评估值时,采用的是每个墩柱的多个墩柱目标点。
所述计算目标点位置波动因子的公式为:
,
其中,r为目标点位置波动因子,sigmoid为激活函数,xj为第j个目标点的横坐标,yj为第j个目标点的纵坐标,N为目标点的数量,j为目标点的编号。
所述计算目标点角度波动因子的公式为:
,
其中,a为目标点角度波动因子,sigmoid为激活函数,xj为第j个目标点的横坐标,yj为第j个目标点的纵坐标,N为目标点的数量,j为目标点的编号,arctan为反正切函数。
所述计算评估值的公式为:
,
其中,p为评估值,r为目标点位置波动因子,a为目标点角度波动因子,wr为目标点位置波动因子r的权重,wa为目标点角度波动因子a的权重。
本发明中主梁线性评估值和墩柱的线性评估值计算方法一致,均是根据各自目标点的位置坐标,计算出目标点位置波动因子和目标点角度波动因子,综合两种因子,得到评估值,提高评估精度。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的桥梁施工工地安全智能管理系统,其特征在于,包括:拍摄设备、桥梁框架提取单元、目标点提取单元、主梁线性评估单元、墩柱线性评估单元和风险预警单元;
所述拍摄设备用于拍摄桥梁施工过程中的桥梁图像;
所述桥梁框架提取单元用于剔除桥梁图像中背景区域,提取桥梁图像中的桥梁框架图像;
所述目标点提取单元用于从桥梁框架图像中提取出多个主梁目标点和每个墩柱的多个墩柱目标点;
所述主梁线性评估单元用于根据多个主梁目标点,得到主梁线性评估值;
所述墩柱线性评估单元用于根据每个墩柱的多个墩柱目标点,得到每个墩柱的线性评估值;
所述风险预警单元用于根据主梁线性评估值和每个墩柱的线性评估值进行风险预警。
2.根据权利要求1所述的基于人工智能的桥梁施工工地安全智能管理系统,其特征在于,所述桥梁框架提取单元包括:桥梁像素点筛选子单元、二值化子单元、腐蚀子单元和桥梁框架像素点提取子单元;
所述桥梁像素点筛选子单元用于根据标准颜色向量与桥梁图像上像素点的颜色向量的匹配度,筛选出桥梁像素点;
所述二值化子单元用于对桥梁像素点的像素值赋值为1,对桥梁图像上的非桥梁像素点赋值为0,得到二值化图像;
所述腐蚀子单元用于对二值化图像进行腐蚀运算;
所述桥梁框架像素点提取子单元用于将腐蚀运算后的图像中像素值为0的像素点剔除,得到桥梁结构图像,对桥梁结构图像提取桥梁框架像素点,得到桥梁框架图像。
3.根据权利要求2所述的基于人工智能的桥梁施工工地安全智能管理系统,其特征在于,所述桥梁像素点筛选子单元具体为:根据标准颜色向量和桥梁图像上像素点的颜色向量,计算匹配度,在匹配度大于匹配阈值时,桥梁图像上对应像素点为桥梁像素点;
所述计算匹配度的公式为:
,
其中,M为匹配度,S1={S1,i},i=1,2,3,S1为标准颜色向量,S1,i为S1中第i个元素,S2={S2,i},S2为桥梁图像上像素点的颜色向量,S2,i为S2中第i个元素,S1,σ为标准颜色向量S1的标准差,S2,σ为桥梁图像上像素点的颜色向量S2的标准差,i为1时,第1个元素代表R通道值,i为2时,第2个元素代表G通道值,i为3时,第3个元素代表B通道值。
4.根据权利要求2所述的基于人工智能的桥梁施工工地安全智能管理系统,其特征在于,所述对桥梁结构图像提取桥梁框架像素点,得到桥梁框架图像具体为:以桥梁结构图像中每个像素点为中心点,统计中心点的3×3邻域范围的像素值的和,在像素值的和等于8时,中心点为非桥梁框架像素点,在像素值的和不等于8时,中心点为桥梁框架像素点,所有桥梁框架像素点构成桥梁框架图像。
5.根据权利要求1所述的基于人工智能的桥梁施工工地安全智能管理系统,其特征在于,所述目标点提取单元包括:主梁区域提取子单元、墩柱区域提取子单元、主梁目标点提取子单元和墩柱目标点提取子单元;
所述主梁区域提取子单元用于从桥梁框架图像中提取出主梁区域;
所述墩柱区域提取子单元用于从桥梁框架图像中提取出多个墩柱区域;
所述主梁目标点提取子单元用于将主梁区域分割成多个主梁子区域,并从每个主梁子区域中提取出一个几何中心点作为主梁目标点;
所述墩柱目标点提取子单元用于将每个墩柱区域分割成多个墩柱子区域,并从每个墩柱子区域中提取一个几何中心点作为墩柱目标点。
6.根据权利要求5所述的基于人工智能的桥梁施工工地安全智能管理系统,其特征在于,所述主梁区域提取子单元具体实现过程为:根据桥梁框架图像中像素点围成的闭合区域,面积最大的闭合区域为主梁区域;
所述墩柱区域提取子单元具体实现过程为:根据桥梁框架图像中像素点围成的闭合区域,统计除主梁区域外的闭合区域的面积,找到面积满足面积范围[edown,eup]的闭合区域作为墩柱区域,其中,edown为面积下限阈值,eup为面积上限阈值。
7.根据权利要求1所述的基于人工智能的桥梁施工工地安全智能管理系统,其特征在于,所述主梁线性评估单元或墩柱线性评估单元包括:目标点位置波动因子计算子单元、目标点角度波动因子计算子单元和评估值计算子单元;
所述目标点位置波动因子计算子单元用于根据目标点的位置坐标,计算目标点位置波动因子;
所述目标点角度波动因子计算子单元用于根据目标点的位置坐标,计算目标点角度波动因子;
所述评估值计算子单元用于根据目标点位置波动因子和目标点角度波动因子,计算评估值,其中,目标点在主梁线性评估单元中指主梁目标点,目标点在墩柱线性评估单元中指墩柱目标点,评估值在主梁线性评估单元中指主梁线性评估值,评估值在墩柱线性评估单元中指每个墩柱的线性评估值。
8.根据权利要求7所述的基于人工智能的桥梁施工工地安全智能管理系统,其特征在于,所述计算目标点位置波动因子的公式为:
,
其中,r为目标点位置波动因子,sigmoid为激活函数,xj为第j个目标点的横坐标,yj为第j个目标点的纵坐标,N为目标点的数量,j为目标点的编号。
9.根据权利要求7所述的基于人工智能的桥梁施工工地安全智能管理系统,其特征在于,所述计算目标点角度波动因子的公式为:
,
其中,a为目标点角度波动因子,sigmoid为激活函数,xj为第j个目标点的横坐标,yj为第j个目标点的纵坐标,N为目标点的数量,j为目标点的编号,arctan为反正切函数。
10.根据权利要求7所述的基于人工智能的桥梁施工工地安全智能管理系统,其特征在于,所述计算评估值的公式为:
,
其中,p为评估值,r为目标点位置波动因子,a为目标点角度波动因子,wr为目标点位置波动因子r的权重,wa为目标点角度波动因子a的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179072.0A CN117746341B (zh) | 2024-02-18 | 2024-02-18 | 一种基于人工智能的桥梁施工工地安全智能管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179072.0A CN117746341B (zh) | 2024-02-18 | 2024-02-18 | 一种基于人工智能的桥梁施工工地安全智能管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117746341A true CN117746341A (zh) | 2024-03-22 |
CN117746341B CN117746341B (zh) | 2024-04-30 |
Family
ID=90251129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410179072.0A Active CN117746341B (zh) | 2024-02-18 | 2024-02-18 | 一种基于人工智能的桥梁施工工地安全智能管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117746341B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118172940A (zh) * | 2024-05-14 | 2024-06-11 | 四川交通职业技术学院 | 基于智慧数据分析的交通安全监测系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090088916A1 (en) * | 2007-09-28 | 2009-04-02 | Honeywell International Inc. | Method and system for automatic path planning and obstacle/collision avoidance of autonomous vehicles |
CN106835957A (zh) * | 2017-04-06 | 2017-06-13 | 四川交通职业技术学院 | 高墩大跨窄桥高性能抗震连续刚构结构体系 |
CN111784785A (zh) * | 2020-05-28 | 2020-10-16 | 河海大学 | 一种桥梁动态位移识别方法 |
CN114005278A (zh) * | 2021-11-01 | 2022-02-01 | 河北省高速公路延崇管理中心 | 一种高速公路基础设施群智能监测与预警系统及方法 |
CN116127818A (zh) * | 2023-03-20 | 2023-05-16 | 安徽建筑大学 | 一种基于影响线修正模型的桥梁地震易损性评估方法 |
CN116678382A (zh) * | 2023-08-03 | 2023-09-01 | 四川交通职业技术学院 | 一种基于人工智能的桥梁安全检测装置 |
CN117093842A (zh) * | 2023-08-31 | 2023-11-21 | 四川省公路规划勘察设计研究院有限公司 | 一种地质变形体上病险桥梁监测需求评估方法及系统 |
-
2024
- 2024-02-18 CN CN202410179072.0A patent/CN117746341B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090088916A1 (en) * | 2007-09-28 | 2009-04-02 | Honeywell International Inc. | Method and system for automatic path planning and obstacle/collision avoidance of autonomous vehicles |
CN106835957A (zh) * | 2017-04-06 | 2017-06-13 | 四川交通职业技术学院 | 高墩大跨窄桥高性能抗震连续刚构结构体系 |
CN111784785A (zh) * | 2020-05-28 | 2020-10-16 | 河海大学 | 一种桥梁动态位移识别方法 |
CN114005278A (zh) * | 2021-11-01 | 2022-02-01 | 河北省高速公路延崇管理中心 | 一种高速公路基础设施群智能监测与预警系统及方法 |
CN116127818A (zh) * | 2023-03-20 | 2023-05-16 | 安徽建筑大学 | 一种基于影响线修正模型的桥梁地震易损性评估方法 |
CN116678382A (zh) * | 2023-08-03 | 2023-09-01 | 四川交通职业技术学院 | 一种基于人工智能的桥梁安全检测装置 |
CN117093842A (zh) * | 2023-08-31 | 2023-11-21 | 四川省公路规划勘察设计研究院有限公司 | 一种地质变形体上病险桥梁监测需求评估方法及系统 |
Non-Patent Citations (2)
Title |
---|
李宏男 等: "基于全寿命周期抗震性能的桥梁结构维修决策方法研究进展", 《中国公路学报》, vol. 33, no. 02, 15 February 2020 (2020-02-15), pages 1 - 14 * |
柴继昶 等: "公路桥梁施工安全风险评估体系增加墩柱高度指标探析", 《公路》, no. 06, 19 June 2018 (2018-06-19), pages 166 - 171 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118172940A (zh) * | 2024-05-14 | 2024-06-11 | 四川交通职业技术学院 | 基于智慧数据分析的交通安全监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117746341B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109738970B (zh) | 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质 | |
CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
CN112698303A (zh) | 基于无人机激光雷达点云杆塔倾斜参数测量方法及系统 | |
EP2297701A2 (de) | Verfahren zur videoanalyse | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN111141225B (zh) | 一种基于激光阵列的钢筋尺寸测量方法及系统 | |
CN107462204A (zh) | 一种三维路面标准轮廓提取方法及系统 | |
CN113240887A (zh) | 边坡落石崩塌监测方法、装置及设备 | |
CN102722894B (zh) | 一种基于摄像机自动标定的智能视频监控方法 | |
CN104954747A (zh) | 视频监视方法和装置 | |
CN106097380A (zh) | 一种基于图像的绝缘子芯棒缺陷在线检测的系统和方法 | |
CN114663672B (zh) | 一种输电线路塔钢构件腐蚀检测方法及系统 | |
CN115797864B (zh) | 一种应用于智慧社区的安全管理系统 | |
CN106844960A (zh) | 一种管状焊接钢结构网架的逆向建模的方法 | |
CN116343441A (zh) | 一种基于多维度实时监控的高速公路安全监控系统 | |
CN109685062A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN117746341B (zh) | 一种基于人工智能的桥梁施工工地安全智能管理系统 | |
CN111967323A (zh) | 一种基于深度学习算法的电力带电作业安全检测方法 | |
CN116866520A (zh) | 一种基于ai的单轨吊安全运行实时监控管理系统 | |
CN110940278B (zh) | 电力巡检数据处理方法、装置、计算机设备及存储介质 | |
CN113935096A (zh) | 一种基坑变形实时监测方法及系统 | |
CN112964192A (zh) | 一种基于图像视频的工程测量在线标定方法及系统 | |
CN111563888A (zh) | 一种定量裂缝生长监测方法 | |
CN112254701A (zh) | 车载式桥头跳车检测分析系统及其方法 | |
CN116823737B (zh) | 一种低纹理环境下隧道壁异常检测方法及系统 |
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 |