CN118243173B - 一种基于巡检机器人的公路桥梁桩基检测方法及系统 - Google Patents
一种基于巡检机器人的公路桥梁桩基检测方法及系统 Download PDFInfo
- Publication number
- CN118243173B CN118243173B CN202410683440.5A CN202410683440A CN118243173B CN 118243173 B CN118243173 B CN 118243173B CN 202410683440 A CN202410683440 A CN 202410683440A CN 118243173 B CN118243173 B CN 118243173B
- Authority
- CN
- China
- Prior art keywords
- crack
- pile foundation
- highway bridge
- bridge pile
- severity index
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 113
- 238000007689 inspection Methods 0.000 title claims abstract description 77
- 239000002689 soil Substances 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims description 15
- 239000012080 ambient air Substances 0.000 claims description 9
- 238000010191 image analysis Methods 0.000 claims description 9
- 239000003570 air Substances 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
- G01N27/223—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance for determining moisture content, e.g. humidity
Landscapes
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本申请实施例涉及检测技术领域，公开了一种基于巡检机器人的公路桥梁桩基检测方法及系统，本申请的公路桥梁桩基检测系统及方法，利用巡检机器人进行自动巡检、数据采集，首先采集公路桥梁桩基的裂缝图像数据，然后根据公路桥梁桩基的裂缝图像判断裂缝的严重程度，在判断得知公路桥梁桩基裂缝严重程度较大时，再自动检测公路桥梁桩基的环境土壤湿度，若公路桥梁桩基裂缝严重程度较大且公路桥梁桩基的环境土壤湿度也较大时，根据裂缝严重程度及环境土壤湿度生成多级预警信息，最后根据预警信息生成预警地图，从而为公路桥梁桩基维保提供高效、准确且可视化的数据支撑。
Description
技术领域
本发明涉及检测技术领域，具体涉及一种基于巡检机器人的公路桥梁桩基检测方法及系统。
背景技术
随着现代交通建设的快速发展，公路桥梁作为交通网络的重要组成部分，其安全性与稳定性受到了广泛关注。在公路桥梁的维保过程中，桩基作为支撑桥梁结构的基础，其质量直接关系到桥梁的整体性能和使用寿命。因此，对公路桥梁桩基的质量检测显得尤为重要。然而，当前公路桥梁桩基检测主要依赖于人工方式进行，人工检测效率低下，难以满足大规模、高效率的检测需求。
发明内容
本发明的主要目的是提供一种基于巡检机器人的公路桥梁桩基检测方法及系统，旨在解决现有技术中人工检测效率低下，难以满足大规模、高效率的检测需求的技术问题。
为实现上述目的，第一方面，本申请实施例中提供了一种基于巡检机器人的公路桥梁桩基检测方法，应用于巡检机器人，所述巡检机器人包括摄像装置，所述方法包括：
获取巡检拓扑地图，所述巡检拓扑地图包括巡检路线、在所述巡检路线上的第一目标检测点位以及第二目标检测点位，所述第一目标检测点位与公路桥梁桩基之间的距离大于所述第二目标检测点位与公路桥梁桩基之间的距离；
基于所述巡检拓扑地图进行自助巡检，并且在所述第一目标检测点位以预设拍摄距离获取公路桥梁桩基的裂缝边缘图像以及裂缝内部图像；
对所述裂缝边缘图像以及裂缝内部图像进行图像分析以得到公路桥梁桩基裂缝的严重指数；
在所述公路桥梁桩基裂缝的严重指数大于或等于严重指数阈值的情况下，在所述第二目标检测点位获取公路桥梁桩基土壤环境的湿度值；
根据所述公路桥梁桩基裂缝的严重指数以及公路桥梁桩基土壤环境的湿度值，生成对应公路桥梁桩基的预警信息；
根据对应公路桥梁桩基的预警信息生成公路桥梁桩基检测的预警地图。
在一种可能的实现方式中，所述第一目标检测点位包括对称设置的两个，所述在所述第一目标检测点位以预设拍摄距离获取公路桥梁桩基的裂缝边缘图像以及裂缝内部图像，包括：
在对称设置的两个第一目标检测点位分别获取公路桥梁桩基的裂缝边缘图像以及裂缝内部图像，其中，以第一预设拍摄距离获取公路桥梁桩基的裂缝边缘图像，以第二预设拍摄距离获取公路桥梁桩基的裂缝内部图像，第一预设拍摄距离大于第二预设拍摄距离。
在一种可能的实现方式中，所述对所述裂缝边缘图像以及裂缝内部图像进行图像分析以得到公路桥梁桩基裂缝的严重指数，包括：
对所述裂缝边缘图像进行边缘特征提取以得到裂缝边缘特征参数；
对所述裂缝内部图像进行内部特征提取以得到裂缝内部特征参数；
将所述裂缝边缘特征参数及裂缝内部特征参数输入严重指数预估模型得到公路桥梁桩基裂缝的严重指数。
在一种可能的实现方式中，所述裂缝边缘特征参数包括裂缝宽度以及裂缝长度，所述裂缝内部特征参数包括裂缝内部流痕长度比例以及裂缝内部深度，所述将所述裂缝边缘特征参数及裂缝内部特征参数输入严重指数预估模型得到公路桥梁桩基裂缝的严重指数，包括：
将所述裂缝宽度、裂缝长度、裂缝内部流痕长度比例以及裂缝内部深度输入严重指数预估模型得到公路桥梁桩基裂缝的严重指数，其中，所述严重指数预估模型满足如下表达式：
；
式中，Z为公路桥梁桩基裂缝的严重指数，W为当前裂缝宽度，W0为基准裂缝宽度，Z1为基准裂缝宽度下的严重指数，L为当前裂缝长度，L0为基准裂缝长度，Z2为基准裂缝长度下的严重指数，为当前裂缝内部流痕长度比例，为基准裂缝内部流痕长度比例，Z3为基准裂缝内部流痕长度比例下的严重指数，S为当前裂缝内部深度，S0为基准裂缝内部深度，Z4为基准裂缝内部深度下的严重指数，A1、A2、A3、A4为对应的权重。
在一种可能的实现方式中，所述巡检机器人还包括升降式电容检测传感器，所述在所述第二目标检测点位获取公路桥梁桩基土壤环境的湿度值，包括：
在所述第二目标检测点位控制所述升降式电容检测传感器插入土壤以进行电容感测得到感测电容值；
对所述感测电容值进行环境校正得到目标电容值；
根据所述目标电容值得到公路桥梁桩基土壤环境的湿度值。
在一种可能的实现方式中，所述对所述感测电容值进行环境校正得到目标电容值，包括：
根据环境空气湿度值对所述感测电容值进行环境校正得到目标电容值，其中，当环境空气湿度值大于空气湿度阈值时，对感测电容值进行反向校正得到目标电容值；当环境空气湿度值小于或等于空气湿度阈值时，对感测电容值进行正向校正得到目标电容值。
在一种可能的实现方式中，所述根据所述目标电容值得到公路桥梁桩基土壤环境的湿度值，包括：
将所述目标电容值输入预先训练的土壤环境湿度预估模型得到公路桥梁桩基土壤环境的湿度值，其中，所述土壤环境湿度预估模型满足如下表达式：
；
式中，C为当前目标电容值，Y为土壤环境湿度预估值（单位为%）。
在一种可能的实现方式中，所述根据所述公路桥梁桩基裂缝的严重指数以及公路桥梁桩基土壤环境的湿度值，生成对应公路桥梁桩基的预警信息，包括：
在严重指数大于或等于第二严重指数阈值，或者，严重指数大于或等于第一严重指数阈值且小于第二严重指数阈值，且所述公路桥梁桩基土壤环境的湿度值大于或等于预设湿度值时，生成对应公路桥梁桩基的一级预警信息；
在严重指数大于或等于第一严重指数阈值且小于第二严重指数阈值，且所述公路桥梁桩基土壤环境的湿度值小于预设湿度值时，生成对应公路桥梁桩基的二级预警信息。
在一种可能的实现方式中，所述根据对应公路桥梁桩基的预警信息生成公路桥梁桩基检测的预警地图，包括：
根据所述对应公路桥梁桩基的预警信息确定拓扑节点，其中，在所述一级预警信息对应的公路桥梁桩基位置生成第一拓扑节点，在所述二级预警信息对应的公路桥梁桩基位置生成第二拓扑节点；
在所述巡检拓扑地图上添加所述第一拓扑节点及第二拓扑节点以形成公路桥梁桩基检测的预警地图。
第二方面，本申请实施例中还提供了一种公路桥梁桩基检测系统，包括：
存储器，所述存储器用于存储程序代码；以及，
处理器，所述处理器用于调用所述程序代码，以执行如第一方面所述的方法。
区别于现有技术，本申请实施例提供的基于巡检机器人的公路桥梁桩基检测方法，首先获取巡检拓扑地图，然后基于所述巡检拓扑地图进行自助巡检，并且在所述第一目标检测点位以预设拍摄距离获取公路桥梁桩基的裂缝边缘图像以及裂缝内部图像；再对所述裂缝边缘图像以及裂缝内部图像进行图像分析以得到公路桥梁桩基裂缝的严重指数；在所述公路桥梁桩基裂缝的严重指数大于或等于严重指数阈值的情况下，在所述第二目标检测点位获取公路桥梁桩基土壤环境的湿度值；然后再根据所述公路桥梁桩基裂缝的严重指数以及公路桥梁桩基土壤环境的湿度值，生成对应公路桥梁桩基的预警信息；最后再根据对应公路桥梁桩基的预警信息生成公路桥梁桩基检测的预警地图。也即，利用巡检机器人进行自动巡检、数据采集，首先采集公路桥梁桩基的裂缝图像数据，然后根据公路桥梁桩基的裂缝图像判断裂缝的严重程度，在判断得知公路桥梁桩基裂缝严重程度较大时，再自动检测公路桥梁桩基的环境土壤湿度，若公路桥梁桩基裂缝严重程度较大且公路桥梁桩基的环境土壤湿度也较大时，根据裂缝严重程度及环境土壤湿度生成多级预警信息，最后根据预警信息生成预警地图，从而为公路桥梁桩基维保提供高效、准确且可视化的数据支撑。
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，下面将对实施例或现有技术描述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示出的结构获得其他的附图。
图1为本申请一些实施例中基于巡检机器人的公路桥梁桩基检测方法的流程示意图；
图2为本申请另一些实施例中基于巡检机器人的公路桥梁桩基检测方法的流程示意图；
图3为本申请另一些实施例中预警地图生成状态示意图；
图4为本申请一些实施例中公路桥梁桩基检测系统的硬件结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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的一部分实施例，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他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，全文中的“和/或”包括三个方案，以A和/或B为例，包括A技术方案、B技术方案，以及A和B同时满足的技术方案；另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
随着现代交通建设的快速发展，公路桥梁作为交通网络的重要组成部分，其安全性与稳定性受到了广泛关注。在公路桥梁的维保过程中，桩基作为支撑桥梁结构的基础，其质量直接关系到桥梁的整体性能和使用寿命。因此，对公路桥梁桩基的质量检测显得尤为重要。然而，当前公路桥梁桩基检测主要依赖于人工方式进行，人工检测效率低下，难以满足大规模、高效率的检测需求。
针对上述问题，本申请提出了一种基于巡检机器人的公路桥梁桩基检测方法，应用于巡检机器人，所述巡检机器人包括摄像装置以及湿度传感器，该湿度传感器为电容式湿度传感器，且具有收缩介入功能，即能够介入土壤中进行土壤的湿度检测。本申请实施例的公路桥梁桩基可以为钢结构桩基，也可以为混泥土桩基，以下以混泥土桩基为例进行说明。
如图1-3所示，以下将主要描述基于巡检机器人的公路桥梁桩基检测方法的具体步骤，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。请参阅附图1，该方法包括如下步骤：
S100、获取巡检拓扑地图，所述巡检拓扑地图包括巡检路线、在所述巡检路线上的第一目标检测点位以及第二目标检测点位，所述第一目标检测点位与公路桥梁桩基之间的距离大于所述第二目标检测点位与公路桥梁桩基之间的距离；
巡检拓扑地图为预先存储在存储器内的巡检拓扑地图，巡检拓扑地图包括根据公路桥梁桩基排布状态预先规划好的巡检路径（路线），以及在所述巡检路线上的第一目标检测点位以及第二目标检测点位，其中，第一目标检测点位为巡检机器人拍摄点位，第二目标检测点位巡检机器人湿度检测点位。
示例性的，如图3所示，点位A、B（第一目标检测点位）为巡检机器人拍摄点位，点位C（第二目标检测点位）为巡检机器人湿度检测点位。
为确保拍摄清晰以及获取到更多的桩基裂缝图像信息，第一目标检测点位应该距离公路桥梁桩基较大的距离，例如1米以上的距离；而为确保检测的土壤湿度为对桥梁桩基起支撑作用的土壤的土壤湿度，第二目标检测点位应该距离公路桥梁桩基较小的距离，例如20cm以内的距离。
S200、基于所述巡检拓扑地图进行自助巡检，并且在所述第一目标检测点位以预设拍摄距离获取公路桥梁桩基的裂缝边缘图像以及裂缝内部图像；
如图3所示，在获取到巡检拓扑地图之后，巡检机器人按照巡检拓扑地图进行自助巡检，在第一目标检测点位（点位A1、B1位置，点位A2、B2位置，点位A3、B3位置）以预设拍摄距离获取公路桥梁桩基的裂缝边缘图像以及裂缝内部图像。
由于公路桥梁桩基轮廓尺寸较大，在一个点位进行拍摄时，可能存在拍摄死角，为确保公路桥梁桩基的所有裂缝均能够被拍摄得到，在一实施例中，第一目标检测点位包括对称设置的两个，因此，巡检机器人可以在上述两个第一目标检测点位进行图像拍摄（如A、B点位），从而全面获取公路桥梁桩基的所有裂缝信息。
因此，所述步骤S200：在所述第一目标检测点位以预设拍摄距离获取公路桥梁桩基的裂缝边缘图像以及裂缝内部图像，包括：
在对称设置的两个第一目标检测点位分别获取公路桥梁桩基的裂缝边缘图像以及裂缝内部图像，其中，以第一预设拍摄距离获取公路桥梁桩基的裂缝边缘图像，以第二预设拍摄距离获取公路桥梁桩基的裂缝内部图像，第一预设拍摄距离大于第二预设拍摄距离。
具体地，由于裂缝边缘图像主要涉及一些裂缝外形尺寸，如裂缝长度、宽度等尺寸信息，因此，在获取公路桥梁桩基的裂缝边缘图像时，可以以第一预设拍摄距离（例如2米左右的距离）进行拍摄获取，而裂缝内部图像主要涉及一些裂缝深度以及裂缝清洁度（用于表征裂缝产生时长）等一些信息，因此，为确保能够清晰拍摄到裂缝内部的情况，可以以第二预设拍摄距离（例如1米左右的距离）进行拍摄获取。如此，可以提高相关信息获取的准确性。
S300、对所述裂缝边缘图像以及裂缝内部图像进行图像分析以得到公路桥梁桩基裂缝的严重指数；
由于裂缝边缘图像以及裂缝内部图像均能够反馈一些裂缝相关的信息，例如裂缝边缘图像能够反馈裂缝长度、宽度等信息，裂缝内部图像可以反馈裂缝深度以及裂缝产生时长等信息，而公路桥梁桩基裂缝的严重程度与裂缝长度、宽度、裂缝深度以及裂缝产生时长等信息相关。例如，在一定范围内，裂缝长度越长，裂缝的严重程度越大，裂缝宽度越大，裂缝的严重程度也越大，裂缝深度越大，裂缝的严重程度也越大，裂缝产生时长越长，裂缝的严重程度也越大，裂缝的严重程度是指对公路桥梁桩基产生影响的严重程度。
在一实施例中，所述步骤S300：对所述裂缝边缘图像以及裂缝内部图像进行图像分析以得到公路桥梁桩基裂缝的严重指数，包括：
S310、对所述裂缝边缘图像进行边缘特征提取以得到裂缝边缘特征参数；
S320、对所述裂缝内部图像进行内部特征提取以得到裂缝内部特征参数；
S330、将所述裂缝边缘特征参数及裂缝内部特征参数输入严重指数预估模型得到公路桥梁桩基裂缝的严重指数。
具体地，裂缝边缘特征参数包括裂缝宽度以及裂缝长度，裂缝内部特征参数包括裂缝内部流痕长度比例以及裂缝内部深度，在提取得到裂缝宽度以、裂缝长度、裂缝内部流痕长度比例以及裂缝内部深度之后，将所有参数输入严重指数预估模型得到公路桥梁桩基裂缝的严重指数。
需要说明的是，可以采用深度学习模型（例如卷积神经网络）、正交骨架线法或者点云分析等技术来进行裂缝边缘特征参数及裂缝内部特征参数的识别提取，在此不作详细介绍。
在一实施例中，可以将上述提取得到的裂缝宽度、裂缝长度、裂缝内部流痕长度比例以及裂缝内部深度输入严重指数预估模型得到公路桥梁桩基裂缝的严重指数，其中，所述严重指数预估模型满足如下表达式：
；
式中，Z为公路桥梁桩基裂缝的严重指数，W为当前裂缝宽度，W0为基准裂缝宽度，Z1为基准裂缝宽度下的严重指数，L为当前裂缝长度，L0为基准裂缝长度，Z2为基准裂缝长度下的严重指数，为当前裂缝内部流痕长度比例，为基准裂缝内部流痕长度比例，Z3为基准裂缝内部流痕长度比例下的严重指数，S为当前裂缝内部深度，S0为基准裂缝内部深度，Z4为基准裂缝内部深度下的严重指数，A1、A2、A3、A4为对应的权重。
需要说明的是，发明人在进行大量实验之后，得知裂缝长度在0-2m范围内，裂缝宽度在0-5cm范围内，裂缝深度在0-2cm，裂缝内部流痕长度比例在0-80%范围内时，公路桥梁桩基裂缝的严重指数与裂缝长度、裂缝宽度、裂缝深度及裂缝内部流痕长度比例均大致呈线性关系。裂缝内部流痕长度是指裂缝内部存在液体污染的长度与总长度的比例，该比例值越大时，表明裂缝产生的时间越长，该比例值越小时，表明裂缝产生的时间越短。
发明人在对桥梁建模并进行大量承重测试时发现，当基准裂缝宽度定为1cm，此时承重测试得到桥梁塌陷的概率为50%，因此，将此时的严重指数确定为0.5；当基准裂缝长度为1m时，此时承重测试得到桥梁塌陷的概率为30%，因此，将此时的严重指数确定为0.3；当基准裂缝深度为1cm时，此时承重测试得到桥梁塌陷的概率为60%，因此，将此时的严重指数确定为0.6；当基准裂缝内部流痕长度比例为40%时，此时承重测试得到桥梁塌陷的概率为40%，因此，将此时的严重指数确定为0.4。并且，发明人在控制变量的基础上进行大量承重测试时发现裂缝深度对裂缝严重指数影响较大，裂缝长度、裂缝宽度、裂缝内部流痕长度比例对裂缝严重指数影响相对较小，并确定影响权重A1、A2、A3、A4分别为0.2、0.2、0.2、0.4。
示例性的，当公路桥梁桩基裂缝的当前裂缝长度为1.2m,当前裂缝宽度为1.1cm，裂缝深度为1.1cm，裂缝内部流痕长度比例为50%时，通过上述公式计算得到的公路桥梁桩基裂缝的严重指数为0.11+0.072+0.264+0.1=0.546。
S400、在所述公路桥梁桩基裂缝的严重指数大于或等于严重指数阈值的情况下，在所述第二目标检测点位获取公路桥梁桩基土壤环境的湿度值；
发明人根据桥梁设计的承重余量及历史行车数据进行综合考虑得到每个公路桥梁桩基裂缝的严重指数阈值为0.6，也就是说，当公路桥梁桩基裂缝的严重指数大于或等于严重指数阈值0.6时，桥梁在实际承重超过设计余量的情况下，发生塌陷的概率较大；而发生塌陷的概率还与对公路桥梁桩基起支撑作用的土壤松紧性能相关，而土壤松紧性能相关与土壤湿度相关。
因此，可以理解，在公路桥梁桩基裂缝的严重指数较大时，当公路桥梁桩基周围的土壤湿度较小时，桥梁产生塌陷的风险也较小，当公路桥梁桩基周围的土壤湿度较大时，桥梁产生塌陷的风险也较大。
在一实施例中，所述步骤S400：在所述第二目标检测点位获取公路桥梁桩基土壤环境的湿度值，包括：
S410、在所述第二目标检测点位控制所述升降式电容检测传感器插入土壤以进行电容感测得到感测电容值；
S420、对所述感测电容值进行环境校正得到目标电容值；
S430、根据所述目标电容值得到公路桥梁桩基土壤环境的湿度值。
具体地，在第二目标检测点位控制升降式电容检测传感器插入土壤以进行电容感测得到感测电容值，由于土壤湿度受环境空气湿度影响，因此，在得到感测电容值之后需要对感测电容值进行环境校正得到目标电容值，在校正之前可以预先确定一个绝对校正量（如50PF），当环境空气湿度值大于空气湿度阈值时，说明土壤湿度感测值可能受空气湿度影响而偏大，此时对感测电容值进行反向校正得到目标电容值（即减去绝对校正量）；当环境空气湿度值小于或等于空气湿度阈值时，说明土壤湿度感测值可能受空气湿度影响而偏小，此时对感测电容值进行正向校正得到目标电容值（即加上绝对校正量）；在目标电容值之后，可以根据土壤环境湿度预估模型或者关系映射表确定土壤湿度值。
在一实施例中，所述步骤S430：根据所述目标电容值得到公路桥梁桩基土壤环境的湿度值，包括：
将所述目标电容值输入预先训练的土壤环境湿度预估模型得到公路桥梁桩基土壤环境的湿度值，其中，所述土壤环境湿度预估模型满足如下表达式：
；
式中，C为当前目标电容值，Y为土壤环境湿度预估值（单位为%）。
发明人在预先进行数据训练，进行大量土壤湿度检测时发现，目标电容值大致在200-500PF之间，并且通过湿度计及电容传感器进行多组数据测量，发现电容值与土壤湿度值呈正相关关系，进行数据拟合后，得到上述表达式。
示例性的，当前电容传感器进行电容感测、校正后得到目标电容值为350PF时，通过上述公式计算得到土壤环境湿度预估值为0.46。
S500、根据所述公路桥梁桩基裂缝的严重指数以及公路桥梁桩基土壤环境的湿度值，生成对应公路桥梁桩基的预警信息；
可以理解，当公路桥梁桩基裂缝的严重指数较大且公路桥梁桩基土壤环境的湿度值也较大时，发生风险的概率也较大；而当公路桥梁桩基裂缝的严重指数较大且公路桥梁桩基土壤环境的湿度值较小时，发生风险的概率相对较小。
因此，可以根据公路桥梁桩基裂缝的严重指数以及公路桥梁桩基土壤环境的湿度值进行多级（分级）预警，以提醒管理员全面了解公路桥梁桩基的状况。
在一实施例中，所述步骤S500：根据所述公路桥梁桩基裂缝的严重指数以及公路桥梁桩基土壤环境的湿度值，生成对应公路桥梁桩基的预警信息。
S510、在严重指数大于或等于第二严重指数阈值，或者，严重指数大于或等于第一严重指数阈值且小于第二严重指数阈值，且所述公路桥梁桩基土壤环境的湿度值大于或等于预设湿度值时，生成对应公路桥梁桩基的一级预警信息；
S520、在严重指数大于或等于第一严重指数阈值且小于第二严重指数阈值，且所述公路桥梁桩基土壤环境的湿度值小于预设湿度值时，生成对应公路桥梁桩基的二级预警信息。
具体地，在桩基裂缝严重指数很大时，例如大于或等于第二严重指数阈值时，无论土壤湿度情况如何，此情况下的桥梁风险性均较大，可以对检测的公路桥梁桩基触发一级预警；当桩基裂缝严重指数相对较大时，例如大于或等于第一严重指数阈值但小于第二严重指数阈值，但是公路桥梁桩基土壤环境的湿度值较大，大于或等于预设湿度值，此情况下，由于土壤无法对桥梁桩基进行持久且有效的支撑，此时桥梁风险性也较大，可以对检测的公路桥梁桩基触发一级预警；而当桩基裂缝严重指数相对较大时，例如大于或等于第一严重指数阈值但小于第二严重指数阈值，但是公路桥梁桩基土壤环境的湿度值较小，小于预设湿度值，此情况下土壤可对桥梁桩基进行持久且有效的支撑，此时桥梁风险性相对较小，可以对检测的公路桥梁桩基触发二级预警；而当桩基裂缝严重指数较小时，则不需要触发预警。
需要说明的是，公路桥梁桩基裂缝的严重指数阈值以及土壤湿度阈值可以根据环境的实际状态进行设置调整。
S600、根据对应公路桥梁桩基的预警信息生成公路桥梁桩基检测的预警地图。
巡检机器人在完成所有桥梁桩基巡检检测并得到相关的预警信息之后，可以根据对应公路桥梁桩基的预警信息生成公路桥梁桩基检测的预警地图，以方便下次针对性巡检（优化巡检拓扑图，方便下次针对性巡检）及为管理者提供可视化且全面的检测数据。
在一实施例中，所述步骤S600：根据对应公路桥梁桩基的预警信息生成公路桥梁桩基检测的预警地图，包括：
S610、根据所述对应公路桥梁桩基的预警信息确定拓扑节点，其中，在所述一级预警信息对应的公路桥梁桩基位置生成第一拓扑节点，在所述二级预警信息对应的公路桥梁桩基位置生成第二拓扑节点；
S620、在所述巡检拓扑地图上添加所述第一拓扑节点及第二拓扑节点以形成公路桥梁桩基检测的预警地图。
具体地，如图3所示，在得到对应公路桥梁桩基的预警信息后可以在巡检拓扑地图上添加第一拓扑节点及第二拓扑节点，例如，桩基1的预警信息为一级预警，桩基2的预警信息为二级预警，桩基3的预警信息为一级预警，在巡检拓扑地图对应位置上添加相应的拓扑节点标识，例如，一级预警生成第一拓扑节点，第一拓扑节点标识为Y1，二级预警生成第二拓扑节点，第二拓扑节点标识为Y2，从而得到可视化的预警地图。
基于此，本申请的公路桥梁桩基检测系统及方法，利用巡检机器人进行自动巡检、数据采集，首先采集公路桥梁桩基的裂缝图像数据，然后根据公路桥梁桩基的裂缝图像判断裂缝的严重程度，在判断得知公路桥梁桩基裂缝严重程度较大时，再自动检测公路桥梁桩基的环境土壤湿度，若公路桥梁桩基裂缝严重程度较大且公路桥梁桩基的环境土壤湿度也较大时，根据裂缝严重程度及环境土壤湿度生成多级预警信息，最后根据预警信息生成预警地图，从而为公路桥梁桩基维保提供高效、准确且可视化的数据支撑。
本申请实施例还提供了一种公路桥梁桩基检测系统，请参阅附图4，图4为本申请一些实施例提供的公路桥梁桩基检测系统的硬件结构示意图，该公路桥梁桩基检测系统包括存储器110、处理器120，其中，所述存储器110用于存储程序代码，所述处理器120用于调用所述程序代码，以执行如上述所述的方法。
其中，处理器120用于提供计算和控制能力，以控制公路桥梁桩基检测系统执行相应任务，例如，控制公路桥梁桩基检测系统执行上述任一方法实施例中的基于巡检机器人的公路桥梁桩基检测方法，所述方法包括：获取巡检拓扑地图，所述巡检拓扑地图包括巡检路线、在所述巡检路线上的第一目标检测点位以及第二目标检测点位，所述第一目标检测点位与公路桥梁桩基之间的距离大于所述第二目标检测点位与公路桥梁桩基之间的距离；基于所述巡检拓扑地图进行自助巡检，并且在所述第一目标检测点位以预设拍摄距离获取公路桥梁桩基的裂缝边缘图像以及裂缝内部图像；对所述裂缝边缘图像以及裂缝内部图像进行图像分析以得到公路桥梁桩基裂缝的严重指数；在所述公路桥梁桩基裂缝的严重指数大于或等于严重指数阈值的情况下，在所述第二目标检测点位获取公路桥梁桩基土壤环境的湿度值；根据所述公路桥梁桩基裂缝的严重指数以及公路桥梁桩基土壤环境的湿度值，生成对应公路桥梁桩基的预警信息；根据对应公路桥梁桩基的预警信息生成公路桥梁桩基检测的预警地图。
处理器120可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、硬件芯片或者其任意组合；还可以是数字信号处理器（Digital Signal Processing，DSP）、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、可编程逻辑器件（programmable logic device，PLD）或其组合。上述PLD可以是复杂可编程逻辑器件（complex programmable logic device，CPLD），现场可编程逻辑门阵列（field-programmable gate array，FPGA），通用阵列逻辑（genericarray logic，GAL）或其任意组合。
存储器110作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本申请实施例中的基于巡检机器人的公路桥梁桩基检测方法对应的程序指令/模块。处理器120通过运行存储在存储器110中的非暂态软件程序、指令以及模块，可以实现上述任一方法实施例中的基于巡检机器人的公路桥梁桩基检测方法。
具体地，存储器110可以包括易失性存储器（volatile memory，VM），例如随机存取存储器（random access memory， RAM）；存储器110也可以包括非易失性存储器（non-volatile memory，NVM），例如只读存储器（read-only memory， ROM），快闪存储器（flashmemory），硬盘（hard disk drive， HDD）或固态硬盘（solid-state drive， SSD）或其他非暂态固态存储器件；存储器110还可以包括上述种类的存储器的组合。
综上所述，本申请公路桥梁桩基检测系统采用了上述任意一个基于巡检机器人的公路桥梁桩基检测方法实施例的技术方案，因此，至少具有上述实施例的技术方案所带来的有益效果，在此不再一一赘述。
本申请实施例还提供了一种计算机可读存储介质，例如包括程序代码的存储器，上述程序代码可由处理器执行以完成上述实施例中基于巡检机器人的公路桥梁桩基检测方法。例如，该计算机可读存储介质可以是只读存储器（Read-Only Memory ,ROM）、随机存取存储器（Random Access Memory，RAM）、只读光盘（Compact Disc Read-Only Memory，CDROM）、磁带、软盘和光数据存储设备等。
本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括一条或多条程序代码，该程序代码存储在计算机可读存储介质中。公路桥梁桩基检测系统的处理器从计算机可读存储介质读取该程序代码，处理器执行该程序代码，以完成上述实施例中提供的基于巡检机器人的公路桥梁桩基检测方法步骤。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来程序代码相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
需要说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(Random Access Memory, RAM)等。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (5)
1.一种基于巡检机器人的公路桥梁桩基检测方法，应用于巡检机器人，所述巡检机器人包括摄像装置，其特征在于，所述方法包括：
获取巡检拓扑地图，所述巡检拓扑地图包括巡检路线、在所述巡检路线上的第一目标检测点位以及第二目标检测点位，所述第一目标检测点位与公路桥梁桩基之间的距离大于所述第二目标检测点位与公路桥梁桩基之间的距离；
基于所述巡检拓扑地图进行自助巡检，并且在所述第一目标检测点位以预设拍摄距离获取公路桥梁桩基的裂缝边缘图像以及裂缝内部图像；
对所述裂缝边缘图像以及裂缝内部图像进行图像分析以得到公路桥梁桩基裂缝的严重指数；
在所述公路桥梁桩基裂缝的严重指数大于或等于严重指数阈值的情况下，在所述第二目标检测点位获取公路桥梁桩基土壤环境的湿度值；
根据所述公路桥梁桩基裂缝的严重指数以及公路桥梁桩基土壤环境的湿度值，生成对应公路桥梁桩基的预警信息；
根据对应公路桥梁桩基的预警信息生成公路桥梁桩基检测的预警地图；
所述对所述裂缝边缘图像以及裂缝内部图像进行图像分析以得到公路桥梁桩基裂缝的严重指数，包括：
对所述裂缝边缘图像进行边缘特征提取以得到裂缝边缘特征参数；
对所述裂缝内部图像进行内部特征提取以得到裂缝内部特征参数；
将所述裂缝边缘特征参数及裂缝内部特征参数输入严重指数预估模型得到公路桥梁桩基裂缝的严重指数；
所述裂缝边缘特征参数包括裂缝宽度以及裂缝长度，所述裂缝内部特征参数包括裂缝内部流痕长度比例以及裂缝内部深度，所述将所述裂缝边缘特征参数及裂缝内部特征参数输入严重指数预估模型得到公路桥梁桩基裂缝的严重指数，包括：
将所述裂缝宽度、裂缝长度、裂缝内部流痕长度比例以及裂缝内部深度输入严重指数预估模型得到公路桥梁桩基裂缝的严重指数，其中，所述严重指数预估模型满足如下表达式：
；
式中，Z为公路桥梁桩基裂缝的严重指数，W为当前裂缝宽度，W0为基准裂缝宽度，Z1为基准裂缝宽度下的严重指数，L为当前裂缝长度，L0为基准裂缝长度，Z2为基准裂缝长度下的严重指数，Φ为当前裂缝内部流痕长度比例，Φ0为基准裂缝内部流痕长度比例，Z3为基准裂缝内部流痕长度比例下的严重指数，S为当前裂缝内部深度，S0为基准裂缝内部深度，Z4为基准裂缝内部深度下的严重指数，A1、A2、A3、A4为对应的权重；
所述巡检机器人还包括升降式电容检测传感器，所述在所述第二目标检测点位获取公路桥梁桩基土壤环境的湿度值，包括：
在所述第二目标检测点位控制所述升降式电容检测传感器插入土壤以进行电容感测得到感测电容值；
对所述感测电容值进行环境校正得到目标电容值；
根据所述目标电容值得到公路桥梁桩基土壤环境的湿度值；
所述根据所述目标电容值得到公路桥梁桩基土壤环境的湿度值，包括：
将所述目标电容值输入预先训练的土壤环境湿度预估模型得到公路桥梁桩基土壤环境的湿度值，其中，所述土壤环境湿度预估模型满足如下表达式：
；
式中，C为当前目标电容值，Y为土壤环境湿度预估值（单位为%）；
所述根据所述公路桥梁桩基裂缝的严重指数以及公路桥梁桩基土壤环境的湿度值，生成对应公路桥梁桩基的预警信息，包括：
在严重指数大于或等于第二严重指数阈值，或者，严重指数大于或等于第一严重指数阈值且小于第二严重指数阈值，且所述公路桥梁桩基土壤环境的湿度值大于或等于预设湿度值时，生成对应公路桥梁桩基的一级预警信息；
在严重指数大于或等于第一严重指数阈值且小于第二严重指数阈值，且所述公路桥梁桩基土壤环境的湿度值小于预设湿度值时，生成对应公路桥梁桩基的二级预警信息。
2.如权利要求1所述的基于巡检机器人的公路桥梁桩基检测方法，其特征在于，所述第一目标检测点位包括对称设置的两个，所述在所述第一目标检测点位以预设拍摄距离获取公路桥梁桩基的裂缝边缘图像以及裂缝内部图像，包括：
在对称设置的两个第一目标检测点位分别获取公路桥梁桩基的裂缝边缘图像以及裂缝内部图像，其中，以第一预设拍摄距离获取公路桥梁桩基的裂缝边缘图像，以第二预设拍摄距离获取公路桥梁桩基的裂缝内部图像，第一预设拍摄距离大于第二预设拍摄距离。
3.如权利要求1所述的基于巡检机器人的公路桥梁桩基检测方法，其特征在于，所述对所述感测电容值进行环境校正得到目标电容值，包括：
根据环境空气湿度值对所述感测电容值进行环境校正得到目标电容值，其中，当环境空气湿度值大于空气湿度阈值时，对感测电容值进行反向校正得到目标电容值；当环境空气湿度值小于或等于空气湿度阈值时，对感测电容值进行正向校正得到目标电容值。
4.如权利要求1所述的基于巡检机器人的公路桥梁桩基检测方法，其特征在于，所述根据对应公路桥梁桩基的预警信息生成公路桥梁桩基检测的预警地图，包括：
根据所述对应公路桥梁桩基的预警信息确定拓扑节点，其中，在所述一级预警信息对应的公路桥梁桩基位置生成第一拓扑节点，在所述二级预警信息对应的公路桥梁桩基位置生成第二拓扑节点；
在所述巡检拓扑地图上添加所述第一拓扑节点及第二拓扑节点以形成公路桥梁桩基检测的预警地图。
5.一种公路桥梁桩基检测系统，其特征在于，包括：
存储器，所述存储器用于存储程序代码；以及，
处理器，所述处理器用于调用所述程序代码，以执行如权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410683440.5A CN118243173B (zh) | 2024-05-30 | 2024-05-30 | 一种基于巡检机器人的公路桥梁桩基检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410683440.5A CN118243173B (zh) | 2024-05-30 | 2024-05-30 | 一种基于巡检机器人的公路桥梁桩基检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118243173A CN118243173A (zh) | 2024-06-25 |
| CN118243173B true CN118243173B (zh) | 2024-09-24 |
Family
ID=91557048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410683440.5A Active CN118243173B (zh) | 2024-05-30 | 2024-05-30 | 一种基于巡检机器人的公路桥梁桩基检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118243173B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182402A (zh) * | 2017-12-27 | 2018-06-19 | 同济大学 | 一种采用采集机器人和深度学习算法的钢箱梁巡检方法 |
| CN111143932A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种桥梁健康状态的评估方法、装置、系统和设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110068366A (zh) * | 2019-05-22 | 2019-07-30 | 江苏东交工程检测股份有限公司 | 用于监测路面桥梁隧道内部运动状态的装置和方法 |
| 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 |
| KR102413637B1 (ko) * | 2021-10-18 | 2022-06-28 | (주)레인보우테크 | 교량 영상 데이터를 이용하여 교량을 유지 보수하는 방법 및 시스템 |
| CN116597329A (zh) * | 2023-05-19 | 2023-08-15 | 北京工业大学 | 一种基于机器视觉的桥梁裂缝检测系统及方法 |
| CN117330498A (zh) * | 2023-09-27 | 2024-01-02 | 广西交科集团有限公司 | 一种基于数字图像处理的混凝土桥梁裂缝检测系统 |
-
2024
- 2024-05-30 CN CN202410683440.5A patent/CN118243173B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182402A (zh) * | 2017-12-27 | 2018-06-19 | 同济大学 | 一种采用采集机器人和深度学习算法的钢箱梁巡检方法 |
| CN111143932A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种桥梁健康状态的评估方法、装置、系统和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118243173A (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113252700B (zh) | 一种结构裂缝检测方法、设备及系统 | |
| KR20200091331A (ko) | 다중 카메라 혹은 서라운드 뷰 모니터링에 이용되기 위해, 타겟 객체 통합 네트워크 및 타겟 영역 예측 네트워크를 이용하여 핵심성과지표와 같은 사용자 요구 사항에 적응 가능한 cnn 기반 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치 | |
| CN114241215B (zh) | 一种桥梁表观裂缝非接触式检测方法及系统 | |
| CN111709322A (zh) | 一种计算车道线置信度的方法及装置 | |
| CN113970734B (zh) | 路侧多线激光雷达降雪噪点去除方法、装置及设备 | |
| CN111038476B (zh) | 车辆行驶的控制方法、装置和自动驾驶设备 | |
| CN113295176A (zh) | 地图更新方法、地图更新装置及计算机可读存储介质 | |
| CN118243173B (zh) | 一种基于巡检机器人的公路桥梁桩基检测方法及系统 | |
| CN110455476A (zh) | 一种基于mcd异常点检验算法的多维动力指纹损伤识别方法 | |
| CN112330675B (zh) | 基于AOD-Net的交通道路图像大气能见度检测方法 | |
| CN105095649B (zh) | 建筑物倾斜角度的数据分析方法和系统 | |
| CN109753982B (zh) | 障碍点检测方法、装置和计算机可读存储介质 | |
| CN116989842A (zh) | 一种基于大数据的设备故障诊断方法、装置及存储介质 | |
| CN116299543A (zh) | 边坡形变监测方法、装置、飞行设备及存储介质 | |
| CN110231152B (zh) | 基于无人机的井架检测方法及设备 | |
| KR20230032628A (ko) | 센서정보 처리 방법 및 장치와 이 방법을 실행하기 위한 프로그램을 기록한 기록 매체 | |
| CN117074869B (zh) | 一种配电线故障定位方法及系统 | |
| Xia et al. | A Photogrammetric Computer Vision Approach for 3D Reconstruction and Volume-Change Measurement of Unsaturated Soils | |
| CN117593746B (zh) | 基于目标检测的细胞分裂均衡度评估系统及装置 | |
| CN117807853B (zh) | 一种钢拱桥吊杆非接触式损坏预测方法及相关产品 | |
| CN117392571B (zh) | 一种基于无人机图像的架空输配电线路验收方法及系统 | |
| CN116805034A (zh) | 一种水电站自监督式风险检测方法及系统 | |
| CN112815979B (zh) | 一种传感器的标定方法及装置 | |
| CN117314204B (zh) | 一种地热高温异常区域预测方法 | |
| CN117421965B (zh) | 基于无人机技术的震后桥梁检测方法及系统 |
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 |