CN117808324A - 一种无人机视觉协同的建筑进度评估方法 - Google Patents
一种无人机视觉协同的建筑进度评估方法 Download PDFInfo
- Publication number
- CN117808324A CN117808324A CN202410211004.8A CN202410211004A CN117808324A CN 117808324 A CN117808324 A CN 117808324A CN 202410211004 A CN202410211004 A CN 202410211004A CN 117808324 A CN117808324 A CN 117808324A
- Authority
- CN
- China
- Prior art keywords
- building
- construction
- inspection
- unmanned aerial
- aerial vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000010276 construction Methods 0.000 claims abstract description 225
- 238000007689 inspection Methods 0.000 claims abstract description 193
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000003993 interaction Effects 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims abstract description 7
- 230000000737 periodic effect Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 66
- 238000005034 decoration Methods 0.000 claims description 62
- 230000007547 defect Effects 0.000 claims description 42
- 238000009434 installation Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 21
- 238000000547 structure data Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000011900 installation process Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 10
- 238000000605 extraction Methods 0.000 description 6
- 238000000691 measurement method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009435 building construction Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000011449 brick Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种无人机视觉协同的建筑进度评估方法,该方法包括以下步骤:S1、获取施工建筑的项目设计方案及施工进程策划,生成目标建筑模型;S2、组建实时交互及机器视觉协同的协同无人机组,对所述施工建筑进行周期巡检;S3、识别标定所述施工建筑的施工阶段,并采集实时巡检图像生成建筑图像数据集;S4、对不同所述施工阶段对应的所述建筑图像数据集进行数据处理以及识别分析;S5、依据分析结果对所述施工建筑在不同所述施工阶段下的施工进度进行评估。本发明通过将施工建筑划分多个施工阶段,实现施工建筑施工阶段的智能识别,实现不同施工阶段下建筑进度的自动化评估,能够有效提高施工建筑的建设效率和质量。
Description
技术领域
本发明属于建筑进度评估技术领域,尤其是一种无人机视觉协同的建筑进度评估方法。
背景技术
建筑业是国民经济的支柱产业,在经济和社会发展中发挥着至关重要的作用。建筑业已经普遍认识到对建筑施工的有效监控是建筑项目成功的关键因素之一,而有效的监控的基础是对建筑施工进度进行准确的评估。建筑施工阶段是建筑项目生命周期的重要阶段,建筑项目的时间和成本的投入大部分在项目的施工阶段,施工阶段的进度评估和监控对项目目标至关重要。建筑施工是指将设计好的建筑图纸通过一系列施工工艺,将建筑物从地基、墙体、屋顶、设备等各个方面建造完成。在建筑施工过程中,建筑进度评估是一个重要的环节,用于评估施工进度、质量和成本,为建筑施工提供数据支持和决策依据。
建筑进度评估技术可以分为传统测量方法、非接触式测量方法及建筑模型方法。传统测量方法:使用测量仪器和工具进行手动测量,例如使用测量尺、测量仪器和激光测距仪等进行测量。非接触式测量技术:利用传感器、摄像机和激光测距仪等设备进行非接触式测量,包括激光扫描、结构光扫描等。然而,传统测量方法和非接触式测量技术需要耗费大量的时间和人力资源,而且容易出现测量误差,影响评估的准确性。并且,现有的技术都不能够提供实时的进度评估,这使得对施工进度的监控和管理比较困难。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
发明目的:提供一种无人机视觉协同的建筑进度评估方法,以克服现有相关技术所存在的上述技术问题。
技术方案:一种无人机视觉协同的建筑进度评估方法,该方法包括以下步骤:
S1、获取施工建筑的项目设计方案及施工进程策划,生成目标建筑模型;
S2、组建实时交互及机器视觉协同的协同无人机组,对施工建筑进行周期巡检;
S3、识别标定施工建筑的施工阶段,并采集实时巡检图像生成建筑图像数据集;
S4、对不同施工阶段对应的建筑图像数据集进行数据处理以及识别分析;
S5、依据分析结果对施工建筑在不同施工阶段下的施工进度进行评估。
在进一步的实施例中,组建实时交互及机器视觉协同的协同无人机组,对施工建筑进行周期巡检包括以下步骤:
S21、将目标建筑模型划分为N个巡检面,为每个巡检面配置一台巡检无人机,其中,每台巡检无人机均装配有相机模组,包括深度相机、单目相机及红外相机;
S22、配置一台地面主机,与N台巡检无人机构成实时交互的协同无人机组;
S23、依据施工进程策划分配并设定协同无人机组的巡检周期,并依据每个巡检面为对应的巡检无人机设定初始巡航路线;
S24 、按照巡检周期向施工建筑派遣协同无人机组进行周期性巡检。
在进一步的实施例中,识别标定施工建筑的施工阶段,并采集实时巡检图像生成建筑图像数据集包括以下步骤:
S31、派遣巡检无人机飞行至对应巡检面的起始点,预先设定测试时间,并按照初始巡航路线在测试时间内进行短途试巡航;
S32、巡检无人机在短途试巡航期间运行单目相机,获取建筑测试图像;
S33、对建筑测试图像进行处理,识别施工建筑当前的施工阶段并进行标定;
S34、根据标定结果选择对应的相机模组,采集实时巡检图像,实现巡检无人机的正式巡航,并与地面主机进行交互生成建筑图像数据集,并反馈调整巡航时间。
在进一步的实施例中,对建筑测试图像进行处理,识别施工建筑当前的施工阶段并进行标定包括以下步骤:
S331、利用单目相机在短途试巡航期间拍摄M张建筑测试图像,将协同无人机组拍摄的M*N张建筑测试图像合并为测试图像集,并返回至地面主机;
S332、对测试图像集中的建筑测试图像进行去噪增强,并调整图像亮度;
S333、对建筑测试图像进行图像分割,筛选出施工建筑的局部图像;
S334、利用目标建筑模型构建卷积神经网络模型并进行训练;
S335、利用卷积神经网络模型对建筑测试图像的颜色特征与纹理特征进行提取并进行识别匹配,若提取特征符合建筑装修特征,则标定该建筑测试图像处于装修过程,若提取特征符合建筑安装特征,则标定该建筑测试图像处于安装过程,若提取特征符合建筑土建特征,则标定该建筑测试图像处于土建过程;
S336、综合测试图像集中每个建筑测试图像的标定结果,若标定结果存在至少一个建筑测试图像处于装修过程,则标定施工建筑处于装修阶段,若标定结果不存在装修过程且至少存在一个建筑测试图像处于安装过程,则标定施工建筑处于安装阶段,若标定结果均处于土建阶段,则标定施工建筑处于土建阶段。
在进一步的实施例中,根据标定结果选择对应的相机模组,采集实时巡检图像,实现巡检无人机的正式巡航,并与地面主机进行交互生成建筑图像数据集,并反馈调整巡航时间包括以下步骤:
S341、当标定施工建筑处于装修阶段时,巡检无人机运行单目相机;
S342、当标定施工建筑处于安装阶段时,巡检无人机运行红外相机;
S343、当标定施工建筑处于土建阶段时,巡检无人机运行深度相机;
S344、巡检无人机返回至巡检面的起始点,按照初始巡航路线进行正式巡航,并利用相机模组对施工建筑进行图像捕捉,采集实时巡检图像;
S345、巡检无人机定期将实时巡检图像发送至地面主机,地面主机对实时巡检图像进行融合处理,生成施工建筑的建筑图像数据集;
S346、地面主机对实时巡检图像进行实时监控,当实时巡检图像中建筑面积占比小于预设阈值时,判定施工建筑处于未完工阶段,并标记巡检无人机此时的巡航位置与巡航时间,终止巡航。
在进一步的实施例中,巡检无人机定期将实时巡检图像发送至地面主机,地面主机对实时巡检图像进行融合处理,生成施工建筑的建筑图像数据集包括以下步骤:
S3451、设定巡检无人机的拍摄周期,在每个周期采集实时巡检图像时,对巡检无人机的位置坐标及实时巡检图像的中心点坐标进行记录;
S3452、巡检无人机将采集的实时巡检图像及记录结果发送至地面主机;
S3453、地面主机依据记录结果对每个巡检无人机进行追踪,直至协同无人机组实现施工建筑的完全采集,合并实时巡检图像作为建筑图像数据集。
在进一步的实施例中,对不同施工阶段对应的建筑图像数据集进行数据处理以及识别分析包括以下步骤:
S41、当施工建筑处于装修阶段时,将各个巡检面内由单目相机拍摄的实时巡检图像进行融合,生成各个巡检面的建筑平面图像;
S42、当施工建筑处于安装阶段时,将各个巡检面内由红外相机拍摄的实时巡检图像进行融合,生成各个巡检面对应的管线平面图像;
S43、当施工建筑处于土建阶段时,将各个巡检面内由深度相机拍摄的实时巡检图像进行融合,生成各个巡检面对应的建筑深度图像;
S44、分别对建筑平面图像、管线平面图像及建筑深度图像进行识别分析,得到施工建筑的装修进度参数、安装进度参数以及土建进度参数。
在进一步的实施例中,分别对建筑平面图像、管线平面图像及建筑深度图像进行识别分析,得到施工建筑的装修进度参数、安装进度参数以及土建进度参数包括以下步骤:
S441、对建筑平面图像进行增强预处理,利用目标检测算法对建筑平面图像中的建筑装修区域进行检测,并利用图像分割算法进行装修区域分割;
S442、计算每个巡检面内装修区域的面积,再进行累加得到施工建筑在当前装修阶段已完成的所有的装修面积,作为装修进度参数;
S443、对建筑平面图像进行增强与二值化处理,对建筑平面图像中管线进行定位与提取,并利用去除孤立噪声点,填补断裂的管线段;
S444、计算单个建筑平面图像中的管线长度并进行累加,得到巡检面内所有管线的长度,作为施工建筑的安装进度参数;
S445、提取建筑深度图像中三维点云数据并进行去噪预处理,利用三维点云数据构建施工建筑的施工建筑模型,并获取施工建筑当前的物理结构数据;
S446、利用深度学习算法对施工建筑模型进行缺陷识别检测,分析施工建筑在土建阶段存在的缺陷,并将识别检测结果作为施工建筑的土建缺陷数据;
S447、将施工建筑的物理结构数据与土建缺陷数据作为土建进度参数。
在进一步的实施例中,利用深度学习算法对施工建筑模型进行缺陷识别检测,分析施工建筑在土建阶段存在的缺陷,并将识别检测结果作为施工建筑的土建缺陷数据包括以下步骤:
S4461、按照建筑结构将施工建筑模型划分为多个子区域,利用深度学习算法对每个子区域的点云数据进行特征提取,得到子区域特征向量;
S4462、获取建筑在土建阶段存在的结构倾斜、表面不平整的特征,构建缺陷分类模型,并对子区域特征向量进行分类,识别出存在缺陷的建筑子区域;
S4463、对存在缺陷的建筑子区域进行二次识别,计算该子区域的特征向量与目标建筑模型中对应区域的特征向量之间的相似度,若相似度大于安全阈值,则判断该子区域为高级缺陷区域,并记录为土建缺陷数据。
在进一步的实施例中,依据分析结果对施工建筑在不同施工阶段下的施工进度进行评估包括以下步骤:
S51、将土建进度参数中的物理结构数据与目标建筑模型的结构数据进行比较,得到施工建筑的建筑土建进度;
S52、若存在土建缺陷数据,则获取解决缺陷的施工方式及其施工周期,并对建筑土建进度进行重新评估;
S53、将安装进度参数与施工建筑中每个巡检面的管线安装总长度进行比较,每个巡检面的装修进度,将装修进度求取平均值作为建筑安装进度;
S54、将装修进度参数与施工建筑的装修总面积进行比较,得到建筑装修进度。
有益效果
1、通过将施工建筑划分多个施工阶段,组建协同无人机组并利用视觉协同技术,实现施工建筑施工阶段的智能识别,并根据识别结果选择对应的巡检方式,实现不同施工阶段下建筑进度的自动化评估,能够有效提高施工建筑的建设效率和质量,减少建筑施工过程中的错误和缺陷,实现施工建筑在不同阶段的自动化评估,减少人工干预和主观判断,提高评估结果的客观性和准确性;而通过组建协同无人机组可实现巡检无人机的实时交互及协同配合,提高无人机的协同作战能力,增强其在复杂施工环境中的适应性和稳定性。
2、通过将施工建筑划分为多个巡检面,分别利用对应数量的巡检无人机进行巡检,并通过地面主机之间的实时交互,实现图像数据的高速传输与共享,能够有效提高巡检效率:多架无人机同时巡检,能够大幅提高巡检效率,缩短巡检时间;且每个巡检面都有对应数量的无人机负责巡检,能够覆盖更多细节,发现更多隐蔽的缺陷和问题;同时通过地面主机之间的实时交互,可以实现图像数据的高速传输和共享,使得巡检数据得以快速地处理和分析,提高了数据的利用效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中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是根据本发明实施例的原理流程图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
根据本发明的实施例,提供了一种无人机视觉协同的建筑进度评估方法。
如图1所示,根据本发明实施例的无人机视觉协同的建筑进度评估方法,该方法包括以下步骤:
S1、获取施工建筑的项目设计方案及施工进程策划,生成目标建筑模型。
施工建筑的目标建筑模型,需要先获得该建筑的项目设计方案和施工进程策划,然后根据这些信息进行建模。
收集项目设计方案和施工进程策划,包括建筑图纸、CAD文件、BIM模型等。这些文件包含了建筑的结构、尺寸、材料、构件、施工顺序等信息。
根据收集到的文件,进行数据处理和清洗,去除冗余信息并保留必要的数据。可以使用计算机辅助设计软件,如Revit、SketchUp、AutoCAD等工具,将设计方案转换为三维建筑模型。对每个施工阶段的模型进行优化和精细化处理。可以使用CAD或BIM工具,进行模型的调整、修正和优化,以便更好地反映实际建筑。整合各个施工阶段的模型,生成整个建筑的目标建筑模型。可以使用BIM软件中的协同模型集成工具,将不同阶段的模型进行整合,生成完整的建筑模型。
根据施工进程策划,将建筑模型分解成多个施工阶段的模型。可以使用BIM软件中的4D建模工具,根据施工进度计划对建筑模型进行拆分,并生成每个施工阶段的模型。
S2、组建实时交互及机器视觉协同的协同无人机组,对施工建筑进行周期巡检,包括以下步骤:
S21、将目标建筑模型划分为N个巡检面,为每个巡检面配置一台巡检无人机,其中,每台巡检无人机均装配有相机模组,包括深度相机、单目相机及红外相机。
S22、配置一台地面主机,与N台巡检无人机构成实时交互的协同无人机组。
S23、依据施工进程策划分配并设定协同无人机组的巡检周期,并依据每个巡检面为对应的巡检无人机设定初始巡航路线。
对于协同无人机组的巡检周期和初始巡航路线,可根据施工进程策划和巡检面分配进行设置。根据巡检周期,可以确定每个巡检面的巡检频率,以确保足够的巡检覆盖率。而对于每个巡检面,可采用路径规划算法确定对应的巡检无人机的初始巡航路线,以保证巡检效率和准确性。
S24 、按照巡检周期向施工建筑派遣协同无人机组进行周期性巡检。
S3、识别标定施工建筑的施工阶段,并采集实时巡检图像生成建筑图像数据集,包括以下步骤:
S31、派遣巡检无人机飞行至对应巡检面的起始点,预先设定测试时间,并按照初始巡航路线在测试时间内进行短途试巡航。
S32、巡检无人机在短途试巡航期间运行单目相机,获取建筑测试图像。
S33、对建筑测试图像进行处理,识别施工建筑当前的施工阶段并进行标定,包括以下步骤:
S331、利用单目相机在短途试巡航期间拍摄M张建筑测试图像,将协同无人机组拍摄的M*N张建筑测试图像合并为测试图像集,并返回至地面主机。
S332、对测试图像集中的建筑测试图像进行去噪增强,并调整图像亮度。
利用图像处理算法对测试图像集进行去噪和亮度调整,以保证图像的质量一致。其中,去噪可使用传统的图像滤波算法(如高斯滤波、中值滤波等),也可使用深度学习算法(如卷积神经网络、自编码器等)进行去噪处理。
亮度调整可以使用直方图均衡化等方法进行调整。
S333、对建筑测试图像进行图像分割,筛选出施工建筑的局部图像。
S334、利用目标建筑模型构建卷积神经网络模型并进行训练。
利用目标建筑模型构建卷积神经网络模型并进行训练的具体步骤如下:
1、根据施工建筑的目标建筑模型,选取一定数量的有代表性的建筑局部图像作为训练集。建议训练集中包含多种不同类型的缺陷,以提高模型的泛化能力。
2、根据选取的建筑局部图像,进行图像处理和增强,以提高模型的训练效果。常用的图像处理和增强方法包括:调整图像大小、归一化、对比度增强、直方图均衡化等。
3、构建卷积神经网络模型,根据需要可以选择不同的网络结构和参数设置。常用的卷积神经网络模型包括:AlexNet、VGGNet、ResNet等。
4、进行网络模型训练,采用常用的优化算法如Adam、SGD等。在训练过程中,可通过交叉验证等方法对模型进行优化,以提高模型的泛化能力。
5、如果模型准确率较低,可以采用调整模型参数、增加训练集数量等方法进行优化,直至满足需求为止。
S335、利用卷积神经网络模型对建筑测试图像的颜色特征与纹理特征进行提取并进行识别匹配,若提取特征符合建筑装修特征,则标定该建筑测试图像处于装修过程,若提取特征符合建筑安装特征,则标定该建筑测试图像处于安装过程,若提取特征符合建筑土建特征,则标定该建筑测试图像处于土建过程。
S336、综合测试图像集中每个建筑测试图像的标定结果,若标定结果存在至少一个建筑测试图像处于装修过程,则标定施工建筑处于装修阶段,若标定结果不存在装修过程且至少存在一个建筑测试图像处于安装过程,则标定施工建筑处于安装阶段,若标定结果均处于土建阶段,则标定施工建筑处于土建阶段。
S34、根据标定结果选择对应的相机模组,采集实时巡检图像,实现巡检无人机的正式巡航,并与地面主机进行交互生成建筑图像数据集,并反馈调整巡航时间,包括以下步骤:
S341、当标定施工建筑处于装修阶段时,巡检无人机运行单目相机。
S342、当标定施工建筑处于安装阶段时,巡检无人机运行红外相机。
S343、当标定施工建筑处于土建阶段时,巡检无人机运行深度相机。
其中,装修阶段需要检测建筑外墙装修的质量,如墙面完成率、墙砖铺设程度等,单目相机能够提供较好的视觉信息;安装阶段需要检测管道和电缆等设施的安装质量,红外相机能够检测设施的温度变化,来判断内部管线的安装;土建阶段需要检测建筑结构的完整性和几何形状,深度相机可以提供更准确的深度信息,识别出结构倾斜、表面不平整等缺陷。通过根据不同阶段选择合适的载荷设备,可以提高巡检效率和准确度。
S344、巡检无人机返回至巡检面的起始点,按照初始巡航路线进行正式巡航,并利用相机模组对施工建筑进行图像捕捉,采集实时巡检图像。
S345、巡检无人机定期将实时巡检图像发送至地面主机,地面主机对实时巡检图像进行融合处理,生成施工建筑的建筑图像数据集,包括以下步骤:
S3451、设定巡检无人机的拍摄周期,在每个周期采集实时巡检图像时,对巡检无人机的位置坐标及实时巡检图像的中心点坐标进行记录。
S3452、巡检无人机将采集的实时巡检图像及记录结果发送至地面主机。
S3453、地面主机依据记录结果对每个巡检无人机进行追踪,直至协同无人机组实现施工建筑的完全采集,合并实时巡检图像作为建筑图像数据集。
S346、地面主机对实时巡检图像进行实时监控,当实时巡检图像中建筑面积占比小于预设阈值时,判定施工建筑处于未完工阶段,并标记巡检无人机此时的巡航位置与巡航时间,终止巡航。
S4、对不同施工阶段对应的建筑图像数据集进行数据处理以及识别分析,包括以下步骤:
S41、当施工建筑处于装修阶段时,将各个巡检面内由单目相机拍摄的实时巡检图像进行融合,生成各个巡检面的建筑平面图像。
在施工建筑处于装修阶段时,各个巡检面内的单目相机可以获取不同角度的实时巡检图像。为了生成巡检面的建筑平面图像,需要将各个角度的图像进行融合,这可以通过图像拼接技术来实现。
具体来说,可以先将各个巡检面内的实时巡检图像进行去畸变和去噪处理,然后利用图像拼接算法将这些图像拼接在一起。拼接算法通常包括特征提取、特征匹配和图像融合三个步骤。特征提取是指从图像中提取出能够描述图像特征的局部区域,例如SIFT、SURF等算法都可以用于特征提取。特征匹配则是将不同角度的图像中相同的特征进行匹配,例如利用FLANN等算法进行特征点匹配。最后,根据匹配的结果,可以将不同角度的图像进行融合,得到巡检面的建筑平面图像。
S42、当施工建筑处于安装阶段时,将各个巡检面内由红外相机拍摄的实时巡检图像进行融合,生成各个巡检面对应的管线平面图像。
红外相机用于检测管道和设备。对于多个巡检面内的实时巡检图像进行融合,采用图像拼接的技术,将多个巡检面的图像拼接成一个整体的管线平面图像。同时,需要注意对不同巡检面的图像进行校准和配准,以保证拼接后的图像精度和准确性。
S43、当施工建筑处于土建阶段时,将各个巡检面内由深度相机拍摄的实时巡检图像进行融合,生成各个巡检面对应的建筑深度图像。
对于施工建筑处于土建阶段的情况,利用各个巡检面内由深度相机拍摄的实时巡检图像进行融合,可以生成各个巡检面对应的建筑深度图像。
具体地,可以通过利用计算机视觉技术中的三维重建方法,将多个巡检面的实时图像进行三维重建并融合,得到完整的建筑三维模型。然后,可以通过从不同角度观察建筑三维模型,从而生成各个巡检面对应的建筑深度图像。生成建筑深度图像可以帮助识别建筑物体之间的深度信息,更加准确地确定施工建筑的状态和进度。
S44、分别对建筑平面图像、管线平面图像及建筑深度图像进行识别分析,得到施工建筑的装修进度参数、安装进度参数以及土建进度参数,包括以下步骤:
S441、对建筑平面图像进行增强预处理,利用目标检测算法对建筑平面图像中的建筑装修区域进行检测,并利用图像分割算法进行装修区域分割。
对建筑平面图像进行增强预处理可以提高后续目标检测算法的准确性和稳定性。常用的增强预处理方法包括图像去噪、图像增强、图像锐化等。
针对装修区域检测任务使用目标检测算法,如基于卷积神经网络的目标检测算法(如Faster R-CNN、YOLO、SSD等)进行实现。在使用目标检测算法时,需要训练一个分类器来判断图像中是否存在装修区域,并确定装修区域的位置和大小。在检测到装修区域后,利用图像分割算法对装修区域进行分割。图像分割算法包括基于阈值的分割、区域生长法、分水岭算法、基于边缘的分割等。通过图像分割可以将装修区域与其他区域分离,以便进行后续的处理和分析。
S442、计算每个巡检面内装修区域的面积,再进行累加得到施工建筑在当前装修阶段已完成的所有的装修面积,作为装修进度参数。
S443、对建筑平面图像进行增强与二值化处理,对建筑平面图像中管线进行定位与提取,并利用去除孤立噪声点,填补断裂的管线段。
对建筑平面图像进行增强和二值化处理,可增强图像对管线的检测效果。二值化处理则将图像中的灰度值分为黑白两类,以突出管线的轮廓。管线的定位和提取使用目标检测算法或者特征提取算法。在目标检测算法中,常用的算法包括基于深度学习的YOLO、Faster R-CNN等,这些算法可以自动地识别图像中的目标,并标注出其位置和类别。在特征提取算法中,常用的算法包括SIFT、SURF等,这些算法可以提取出图像中的关键点和特征,通过对这些特征进行匹配来定位管线。
在提取出管线后,为了去除孤立噪声点和填补断裂的管线段,使用形态学操作和连通区域分析等方法。形态学操作包括膨胀和腐蚀等,使得管线的轮廓更加清晰。连通区域分析可以将图像中的连通区域进行标记,识别出管线的起点和终点,从而填补断裂的管线段。
S444、计算单个建筑平面图像中的管线长度并进行累加,得到巡检面内所有管线的长度,作为施工建筑的安装进度参数。
S445、提取建筑深度图像中三维点云数据并进行去噪预处理,利用三维点云数据构建施工建筑的施工建筑模型,并获取施工建筑当前的物理结构数据。
提取建筑深度图像中的三维点云数据,通过利用深度图像的像素值计算其在相机坐标系下的三维坐标。获取三维点云数据后,进行去噪预处理。利用三维点云数据构建施工建筑的模型使用点云配准和三维重建技术,其中点云配准可以将多个点云数据配准到同一个坐标系下,三维重建则可以通过点云数据构建出建筑的三维模型。
获取施工建筑当前的物理结构数据可通过对目标建筑模型进行分析,包括体积、表面积、高度、尺寸和形状等物理结构参数。
S446、利用深度学习算法对施工建筑模型进行缺陷识别检测,分析施工建筑在土建阶段存在的缺陷,并将识别检测结果作为施工建筑的土建缺陷数据,包括以下步骤:
S4461、按照建筑结构将施工建筑模型划分为多个子区域,利用深度学习算法对每个子区域的点云数据进行特征提取,得到子区域特征向量。
S4462、获取建筑在土建阶段存在的结构倾斜、表面不平整的特征,构建缺陷分类模型,并对子区域特征向量进行分类,识别出存在缺陷的建筑子区域。
S4463、对存在缺陷的建筑子区域进行二次识别,计算该子区域的特征向量与目标建筑模型中对应区域的特征向量之间的相似度,若相似度大于安全阈值,则判断该子区域为高级缺陷区域,并记录为土建缺陷数据。
S447、将施工建筑的物理结构数据与土建缺陷数据作为土建进度参数。
S5、依据分析结果对施工建筑在不同施工阶段下的施工进度进行评估,包括以下步骤:
S51、将土建进度参数中的物理结构数据与目标建筑模型的结构数据进行比较,得到施工建筑的建筑土建进度。
S52、若存在土建缺陷数据,则获取解决缺陷的施工方式及其施工周期,并对建筑土建进度进行重新评估。
S53、将安装进度参数与施工建筑中每个巡检面的管线安装总长度进行比较,每个巡检面的装修进度,将装修进度求取平均值作为建筑安装进度。
S54、将装修进度参数与施工建筑的装修总面积进行比较,得到建筑装修进度。
综上所述,借助于本发明的上述技术方案,通过将施工建筑划分多个施工阶段,组建协同无人机组并利用视觉协同技术,实现施工建筑施工阶段的智能识别,并根据识别结果选择对应的巡检方式,实现不同施工阶段下建筑进度的自动化评估,能够有效提高施工建筑的建设效率和质量,减少建筑施工过程中的错误和缺陷,实现施工建筑在不同阶段的自动化评估,减少人工干预和主观判断,提高评估结果的客观性和准确性;而通过组建协同无人机组可实现巡检无人机的实时交互及协同配合,提高无人机的协同作战能力,增强其在复杂施工环境中的适应性和稳定性。通过将施工建筑划分为多个巡检面,分别利用对应数量的巡检无人机进行巡检,并通过地面主机之间的实时交互,实现图像数据的高速传输与共享,能够有效提高巡检效率:多架无人机同时巡检,能够大幅提高巡检效率,缩短巡检时间;且每个巡检面都有对应数量的无人机负责巡检,能够覆盖更多细节,发现更多隐蔽的缺陷和问题;同时通过地面主机之间的实时交互,可以实现图像数据的高速传输和共享,使得巡检数据得以快速地处理和分析,提高了数据的利用效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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)
1.一种无人机视觉协同的建筑进度评估方法,其特征在于,该方法包括以下步骤:
S1、获取施工建筑的项目设计方案及施工进程策划,生成目标建筑模型;
S2、组建实时交互及机器视觉协同的协同无人机组,对所述施工建筑进行周期巡检;
S3、识别标定所述施工建筑的施工阶段,并采集实时巡检图像生成建筑图像数据集;
S4、对不同所述施工阶段对应的所述建筑图像数据集进行数据处理以及识别分析;
S5、依据分析结果对所述施工建筑在不同所述施工阶段下的施工进度进行评估。
2.根据权利要求1所述的无人机视觉协同的建筑进度评估方法,其特征在于,所述组建实时交互及机器视觉协同的协同无人机组,对所述施工建筑进行周期巡检包括以下步骤:
S21、将所述目标建筑模型划分为N个巡检面,为每个所述巡检面配置一台巡检无人机,其中,每台所述巡检无人机均装配有相机模组,包括深度相机、单目相机及红外相机;
S22、配置一台地面主机,与N台所述巡检无人机构成实时交互的协同无人机组;
S23、依据所述施工进程策划分配并设定所述协同无人机组的巡检周期,并依据每个所述巡检面为对应的所述巡检无人机设定初始巡航路线;
S24 、按照所述巡检周期向所述施工建筑派遣所述协同无人机组进行周期性巡检。
3.根据权利要求2所述的无人机视觉协同的建筑进度评估方法,其特征在于,所述识别标定所述施工建筑的施工阶段,并采集实时巡检图像生成建筑图像数据集包括以下步骤:
S31、派遣所述巡检无人机飞行至对应所述巡检面的起始点,预先设定测试时间,并按照所述初始巡航路线在所述测试时间内进行短途试巡航;
S32、所述巡检无人机在所述短途试巡航期间运行所述单目相机,获取建筑测试图像;
S33、对所述建筑测试图像进行处理,识别所述施工建筑当前的施工阶段并进行标定;
S34、根据标定结果选择对应的所述相机模组,采集实时巡检图像,实现所述巡检无人机的正式巡航,并与所述地面主机进行交互生成建筑图像数据集,并反馈调整巡航时间。
4.根据权利要求3所述的无人机视觉协同的建筑进度评估方法,其特征在于,所述对所述建筑测试图像进行处理,识别所述施工建筑当前的施工阶段并进行标定包括以下步骤:
S331、利用所述单目相机在所述短途试巡航期间拍摄M张建筑测试图像,将所述协同无人机组拍摄的M*N张所述建筑测试图像合并为测试图像集,并返回至所述地面主机;
S332、对所述测试图像集中的所述建筑测试图像进行去噪增强,并调整图像亮度;
S333、对所述建筑测试图像进行图像分割,筛选出所述施工建筑的局部图像;
S334、利用所述目标建筑模型构建卷积神经网络模型并进行训练;
S335、利用所述卷积神经网络模型对所述建筑测试图像的颜色特征与纹理特征进行提取并进行识别匹配,若提取特征符合建筑装修特征,则标定该建筑测试图像处于装修过程,若提取特征符合建筑安装特征,则标定该建筑测试图像处于安装过程,若提取特征符合建筑土建特征,则标定该建筑测试图像处于土建过程;
S336、综合所述测试图像集中每个所述建筑测试图像的标定结果,若标定结果存在至少一个所述建筑测试图像处于装修过程,则标定所述施工建筑处于装修阶段,若标定结果不存在所述装修过程且至少存在一个所述建筑测试图像处于安装过程,则标定所述施工建筑处于安装阶段,若标定结果均处于土建阶段,则标定所述施工建筑处于土建阶段。
5.根据权利要求4所述的无人机视觉协同的建筑进度评估方法,其特征在于,所述根据标定结果选择对应的所述相机模组,采集实时巡检图像,实现所述巡检无人机的正式巡航,并与所述地面主机进行交互生成建筑图像数据集,并反馈调整巡航时间包括以下步骤:
S341、当标定所述施工建筑处于装修阶段时,所述巡检无人机运行所述单目相机;
S342、当标定所述施工建筑处于安装阶段时,所述巡检无人机运行所述红外相机;
S343、当标定所述施工建筑处于土建阶段时,所述巡检无人机运行所述深度相机;
S344、所述巡检无人机返回至所述巡检面的起始点,按照所述初始巡航路线进行正式巡航,并利用所述相机模组对所述施工建筑进行图像捕捉,采集实时巡检图像;
S345、所述巡检无人机定期将所述实时巡检图像发送至所述地面主机,所述地面主机对所述实时巡检图像进行融合处理,生成所述施工建筑的建筑图像数据集;
S346、所述地面主机对所述实时巡检图像进行实时监控,当所述实时巡检图像中建筑面积占比小于预设阈值时,判定所述施工建筑处于未完工阶段,并标记所述巡检无人机此时的巡航位置与巡航时间,终止巡航。
6.根据权利要求5所述的无人机视觉协同的建筑进度评估方法,其特征在于,所述巡检无人机定期将所述实时巡检图像发送至所述地面主机,所述地面主机对所述实时巡检图像进行融合处理,生成所述施工建筑的建筑图像数据集包括以下步骤:
S3451、设定所述巡检无人机的拍摄周期,在每个周期采集所述实时巡检图像时,对所述巡检无人机的位置坐标及所述实时巡检图像的中心点坐标进行记录;
S3452、所述巡检无人机将采集的所述实时巡检图像及记录结果发送至所述地面主机;
S3453、所述地面主机依据记录结果对每个所述巡检无人机进行追踪,直至所述协同无人机组实现所述施工建筑的完全采集,合并所述实时巡检图像作为建筑图像数据集。
7.根据权利要求6所述的无人机视觉协同的建筑进度评估方法,其特征在于,所述对不同所述施工阶段对应的所述建筑图像数据集进行数据处理以及识别分析包括以下步骤:
S41、当所述施工建筑处于所述装修阶段时,将各个所述巡检面内由所述单目相机拍摄的所述实时巡检图像进行融合,生成各个所述巡检面的建筑平面图像;
S42、当所述施工建筑处于所述安装阶段时,将各个所述巡检面内由所述红外相机拍摄的所述实时巡检图像进行融合,生成各个所述巡检面对应的管线平面图像;
S43、当所述施工建筑处于所述土建阶段时,将各个所述巡检面内由所述深度相机拍摄的所述实时巡检图像进行融合,生成各个所述巡检面对应的建筑深度图像;
S44、分别对所述建筑平面图像、所述管线平面图像及所述建筑深度图像进行识别分析,得到所述施工建筑的装修进度参数、安装进度参数以及土建进度参数。
8.根据权利要求7所述的无人机视觉协同的建筑进度评估方法,其特征在于,所述分别对所述建筑平面图像、所述管线平面图像及所述建筑深度图像进行识别分析,得到所述施工建筑的装修进度参数、安装进度参数以及土建进度参数包括以下步骤:
S441、对所述建筑平面图像进行增强预处理,利用目标检测算法对所述建筑平面图像中的建筑装修区域进行检测,并利用图像分割算法进行装修区域分割;
S442、计算每个所述巡检面内所述装修区域的面积,再进行累加得到所述施工建筑在当前所述装修阶段已完成的所有的装修面积,作为装修进度参数;
S443、对所述建筑平面图像进行增强与二值化处理,对所述建筑平面图像中管线进行定位与提取,并利用去除孤立噪声点,填补断裂的管线段;
S444、计算单个所述建筑平面图像中的管线长度并进行累加,得到所述巡检面内所有管线的长度,作为所述施工建筑的安装进度参数;
S445、提取所述建筑深度图像中三维点云数据并进行去噪预处理,利用所述三维点云数据构建所述施工建筑的施工建筑模型,并获取所述施工建筑当前的物理结构数据;
S446、利用深度学习算法对所述施工建筑模型进行缺陷识别检测,分析所述施工建筑在所述土建阶段存在的缺陷,并将识别检测结果作为所述施工建筑的土建缺陷数据;
S447、将所述施工建筑的所述物理结构数据与所述土建缺陷数据作为土建进度参数。
9.根据权利要求8所述的无人机视觉协同的建筑进度评估方法,其特征在于,所述利用深度学习算法对所述施工建筑模型进行缺陷识别检测,分析所述施工建筑在所述土建阶段存在的缺陷,并将识别检测结果作为所述施工建筑的土建缺陷数据包括以下步骤:
S4461、按照建筑结构将所述施工建筑模型划分为多个子区域,利用深度学习算法对每个子区域的点云数据进行特征提取,得到子区域特征向量;
S4462、获取建筑在所述土建阶段存在的结构倾斜、表面不平整的特征,构建缺陷分类模型,并对所述子区域特征向量进行分类,识别出存在缺陷的建筑子区域;
S4463、对存在缺陷的建筑子区域进行二次识别,计算该子区域的特征向量与所述目标建筑模型中对应区域的特征向量之间的相似度,若相似度大于安全阈值,则判断该子区域为高级缺陷区域,并记录为土建缺陷数据。
10.根据权利要求9所述的无人机视觉协同的建筑进度评估方法,其特征在于,所述依据分析结果对所述施工建筑在不同所述施工阶段下的施工进度进行评估包括以下步骤:
S51、将所述土建进度参数中的物理结构数据与所述目标建筑模型的结构数据进行比较,得到所述施工建筑的建筑土建进度;
S52、若存在所述土建缺陷数据,则获取解决缺陷的施工方式及其施工周期,并对所述建筑土建进度进行重新评估;
S53、将所述安装进度参数与所述施工建筑中每个所述巡检面的管线安装总长度进行比较,每个所述巡检面的装修进度,将所述装修进度求取平均值作为建筑安装进度;
S54、将所述装修进度参数与所述施工建筑的装修总面积进行比较,得到建筑装修进度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410211004.8A CN117808324B (zh) | 2024-02-27 | 一种无人机视觉协同的建筑进度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410211004.8A CN117808324B (zh) | 2024-02-27 | 一种无人机视觉协同的建筑进度评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117808324A true CN117808324A (zh) | 2024-04-02 |
CN117808324B CN117808324B (zh) | 2024-06-04 |
Family
ID=
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117531A (zh) * | 2018-07-27 | 2019-01-01 | 武汉虹信技术服务有限责任公司 | 一种基于bim模型的建筑设备运维巡检方法和系统 |
CN110490415A (zh) * | 2019-07-15 | 2019-11-22 | 同济大学 | 一种多无人机视觉协同的建筑进度评估方法 |
CN110544293A (zh) * | 2019-07-15 | 2019-12-06 | 同济大学 | 一种多无人机视觉协同的建筑场景识别方法 |
CN111160838A (zh) * | 2018-11-07 | 2020-05-15 | 苏州微缔软件股份有限公司 | 一种基于bim技术的3d可视化建筑项目管理系统及方法 |
US20200386882A1 (en) * | 2019-06-10 | 2020-12-10 | International Business Machines Corporation | Remote tracking of progress at construction sites |
CN113056904A (zh) * | 2020-05-28 | 2021-06-29 | 深圳市大疆创新科技有限公司 | 图像传输方法、可移动平台及计算机可读存储介质 |
CN113433971A (zh) * | 2021-07-09 | 2021-09-24 | 深圳大学 | 一种高层建筑外墙数据采集方法、装置、设备及存储介质 |
CN114511301A (zh) * | 2022-02-28 | 2022-05-17 | 华侨大学 | 一种工地台风预警期安全隐患快速识别方法及系统 |
CN114509065A (zh) * | 2022-02-16 | 2022-05-17 | 北京易航远智科技有限公司 | 地图构建方法、系统、车辆终端、服务器端及存储介质 |
CN116109207A (zh) * | 2023-04-07 | 2023-05-12 | 武汉鲸禾科技有限公司 | 一种工程质量管理方法及系统 |
CN116301055A (zh) * | 2023-04-25 | 2023-06-23 | 西安玖安科技有限公司 | 一种基于建筑施工的无人机巡检方法及系统 |
CN116300963A (zh) * | 2023-04-12 | 2023-06-23 | 上海工程技术大学 | 人机协作地板铺贴机器人的运动控制与检测方法及机器人 |
CN116612091A (zh) * | 2023-05-24 | 2023-08-18 | 西安电子科技大学 | 一种基于多视角视图匹配的施工进度自动估计的方法 |
CN116777395A (zh) * | 2023-07-10 | 2023-09-19 | 南宁城之界建筑工程有限公司 | 一种建筑工程用智能建筑监理验收系统 |
CN117094058A (zh) * | 2023-08-24 | 2023-11-21 | 中国核工业二四建设有限公司 | 基于bim与uav的施工现场安全管理方法及系统 |
US20240029352A1 (en) * | 2022-07-25 | 2024-01-25 | MFTB Holdco, Inc. | Automated Tools For Incremental Generation Of Building Mapping Information |
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117531A (zh) * | 2018-07-27 | 2019-01-01 | 武汉虹信技术服务有限责任公司 | 一种基于bim模型的建筑设备运维巡检方法和系统 |
CN111160838A (zh) * | 2018-11-07 | 2020-05-15 | 苏州微缔软件股份有限公司 | 一种基于bim技术的3d可视化建筑项目管理系统及方法 |
US20200386882A1 (en) * | 2019-06-10 | 2020-12-10 | International Business Machines Corporation | Remote tracking of progress at construction sites |
CN110490415A (zh) * | 2019-07-15 | 2019-11-22 | 同济大学 | 一种多无人机视觉协同的建筑进度评估方法 |
CN110544293A (zh) * | 2019-07-15 | 2019-12-06 | 同济大学 | 一种多无人机视觉协同的建筑场景识别方法 |
CN113056904A (zh) * | 2020-05-28 | 2021-06-29 | 深圳市大疆创新科技有限公司 | 图像传输方法、可移动平台及计算机可读存储介质 |
CN113433971A (zh) * | 2021-07-09 | 2021-09-24 | 深圳大学 | 一种高层建筑外墙数据采集方法、装置、设备及存储介质 |
CN114509065A (zh) * | 2022-02-16 | 2022-05-17 | 北京易航远智科技有限公司 | 地图构建方法、系统、车辆终端、服务器端及存储介质 |
CN114511301A (zh) * | 2022-02-28 | 2022-05-17 | 华侨大学 | 一种工地台风预警期安全隐患快速识别方法及系统 |
US20240029352A1 (en) * | 2022-07-25 | 2024-01-25 | MFTB Holdco, Inc. | Automated Tools For Incremental Generation Of Building Mapping Information |
CN116109207A (zh) * | 2023-04-07 | 2023-05-12 | 武汉鲸禾科技有限公司 | 一种工程质量管理方法及系统 |
CN116300963A (zh) * | 2023-04-12 | 2023-06-23 | 上海工程技术大学 | 人机协作地板铺贴机器人的运动控制与检测方法及机器人 |
CN116301055A (zh) * | 2023-04-25 | 2023-06-23 | 西安玖安科技有限公司 | 一种基于建筑施工的无人机巡检方法及系统 |
CN116612091A (zh) * | 2023-05-24 | 2023-08-18 | 西安电子科技大学 | 一种基于多视角视图匹配的施工进度自动估计的方法 |
CN116777395A (zh) * | 2023-07-10 | 2023-09-19 | 南宁城之界建筑工程有限公司 | 一种建筑工程用智能建筑监理验收系统 |
CN117094058A (zh) * | 2023-08-24 | 2023-11-21 | 中国核工业二四建设有限公司 | 基于bim与uav的施工现场安全管理方法及系统 |
Non-Patent Citations (4)
Title |
---|
ELKHAPERY, B.; SMALL, E.P.: "Exploratory Research towards Automated Masonry Construction using UAVs", MATERIALS SCIENCE AND ENGINEERING, vol. 1218, 31 December 2022 (2022-12-31), pages 012005 * |
付强;张树禹;王久斌;冯富森;: "基于外部单目视觉的仿生扑翼飞行器室内定高控制", 工程科学学报, no. 02, 15 February 2020 (2020-02-15), pages 249 - 256 * |
吴熠文;余加勇;陈仁朋;晏班夫;: "无人机倾斜摄影测量技术及其工程应用研究进展", 湖南大学学报(自然科学版), no. 1, 25 July 2018 (2018-07-25), pages 167 - 172 * |
黄飞;朱紫汉;汪小东;谭鑫成;龚林红;: "信息化技术在应急传染病医院建造中的应用", 施工技术, no. 12, 25 June 2020 (2020-06-25), pages 67 - 68 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zakeri et al. | Image based techniques for crack detection, classification and quantification in asphalt pavement: a review | |
Akagic et al. | Pavement crack detection using Otsu thresholding for image segmentation | |
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN105761271A (zh) | 核安全壳表面缺陷自动检测方法及系统 | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN112923904B (zh) | 面向多无人机协同摄影测量的地质灾害隐患探测方法 | |
Mathavan et al. | Use of a self-organizing map for crack detection in highly textured pavement images | |
WO2023045299A1 (zh) | 基于三维轮廓的路面技术状况检测方法及设备 | |
CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
Gui et al. | Automated defect detection and visualization for the robotic airport runway inspection | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN110047036B (zh) | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 | |
Chen et al. | Automated bridge deck evaluation through UAV derived point cloud | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
Yuan et al. | Automatic evaluation of rebar spacing using LiDAR data | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
CN116305436A (zh) | 一种基于三维激光扫描结合bim的既有桥梁监测方法 | |
Du et al. | Dynamic pavement distress image stitching based on fine-grained feature matching | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
Pan et al. | One-stage 3D profile-based pavement crack detection and quantification | |
Motayyeb et al. | Fusion of UAV-based infrared and visible images for thermal leakage map generation of building facades | |
CN112561989B (zh) | 一种建造场景下吊装对象的识别方法 | |
CN112200777B (zh) | 快速判别航空发动机核心零部件装置拆装顺序的方法 |
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 | ||
GR01 | Patent grant |