CN102645173A - 一种基于多目视觉的桥梁三维变形监测方法 - Google Patents
一种基于多目视觉的桥梁三维变形监测方法 Download PDFInfo
- Publication number
- CN102645173A CN102645173A CN2011100387824A CN201110038782A CN102645173A CN 102645173 A CN102645173 A CN 102645173A CN 2011100387824 A CN2011100387824 A CN 2011100387824A CN 201110038782 A CN201110038782 A CN 201110038782A CN 102645173 A CN102645173 A CN 102645173A
- Authority
- CN
- China
- Prior art keywords
- bridge
- layer
- unique point
- deformation
- point
- 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.)
- Pending
Links
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种基于多目视觉的桥梁三维变形监测方法，包括步骤：（1）由多个摄像机分别获取标定板的图像并提取若干个标定板上的特征点；（2）建立基于BP神经网络的映射模型；（3）获取桥梁边缘特征点的各摄像机图像；（4）利用RANSAC进行错误点对的消除，得到正确的匹配点对；（5）提取桥梁边缘特征点各摄像机图像的二维坐标，通过基于BP神经网络的映射模型得到特征点的三维世界坐标，绘制桥梁表面的三维曲线；（6）根据桥梁不同时刻桥梁曲线，提取桥梁变形规律，判断桥梁变形趋势。本发明可对桥梁变形进行非接触三维测量，具有可连续测量、测量时间瞬时、同时测量多点、精度高、可重复性，成本低等优点。
Description
技术领域
本发明属于物体测量技术领域，特别涉及一种基于多目视觉的桥梁三维变形监测方法。
背景技术
随着社会经济和科学技术的快速发展，造桥技术不断进步，桥梁结构逐步向轻巧、纤细方面发展。与此同时桥梁的载重、跨径和桥面宽度不断增长，结构型式不断变化。传统的变形监测手段越来越不能满足变形监测要求，这就迫切需要性能更可靠的设备来监测桥梁的形变。
目前现有的桥梁变形监测技术，可分为接触式测量与非接触式测量两大类。总结归纳如下表1所示：
表1 各种测量技术
常规的大地测量方法是最主要的变形测量方法，是指利用空间几何原理，通过光学或电子仪器（经纬仪、全站仪、水准仪等）测量角度和距离等来获取三维坐标的方位。这种方法具有测量精度高、资料可靠等优点；但同时，使用大地测量方法也存在着一些缺点：首先，监测速度慢，无法在短时间完成多个变形点的观测；其次受现场条件的限制，在某些空间狭小，光线不足的情况下无法完成作业。
物理传感器方法主要是指在监测过程中广泛应用了测力计、应变计、加速度计、位移计、重量动态测量仪、锈蚀检测仪，以及震动、温度、风力、压力、湿度、雨量等传感器，这种方法的优点是能获得观测对象内部的一些信息及高精度局部的相对变形信息，并且能实现长期连续的自动化观测，但这种方法只能监测桥梁的局部形变状态和相对形变情况，对于桥梁的整体性形变监测则显得无能为力。
GPS测量方法近十年来兴起的一种新方法，它的应用给测量技术带来了一场深刻的革命。GPS变形监测有很多优点，诸如观测精度高，监测不受天气条件限制，可进行全天候监测，监测、记录、计算全自动完成，监测点之间不需通视，选点不受地形条件限制等。不足之处在于观测点数量有限，因每个观测点都需要布设接收机造成的测量成本较高，无法实现室内或地下作业等。
光学测量方法都是主动测量方法，依赖于专门的设备，而这些设备比较昂贵。
下面介绍几种常见桥梁变形监测技术及设备：
JZQN-W桥梁挠度检测仪采用传统的接触式测量，将其放在桥梁各检测点下方，并以支架支撑检测仪，当桥梁受力发生挠度变形时，检测仪上的位移传感器会将瞬时测量的数据结果传送至控制器进行储存，经软件处理后可显示桥梁的动静态挠度值及曲线。
基于GPS的实时动态(RTK)技术技术对桥梁进行实时形变监测。通常的RTK形变监测***由基准站、监测站和通信***等组成，基准站接收机将差分改正信息经过光纤实时传递到监测站，监测站接收机除接收卫星信号外，还根据基准站发来的差分改正数进行实时差分，然后将差分得到的三维空间坐标送到监控中心。
基于光电图像法是通过固定在被测目标上放置的光电靶标在感光器件上所成的图像来分析被测目标的微小形变。
综上所述，现有的变形测量技术一般存在着以下缺陷：（1）无法在瞬间精确记录下被摄物体的信息，得到瞬间的点位关系；（2）精密设备，价格不菲，成本高；（3）多数高精度测量***为接触式测量方式；（4）对操作人员的学习培训困难。（5）不规则的物体的测量显得困难。
因此，需要设计一种精度较高而成本相对较低的测量方法。
发明内容
本发明的目的在于克服上述现有技术的缺点与不足，提供一种精度较高而成本较低的基于多目视觉的桥梁三维变形监测方法。
为达上述目的，本发明采用如下的技术方案：一种基于多目视觉的桥梁三维变形监测方法，包括如下步骤：
（1）由多个摄像机分别获取物体的各摄像机图像，物体各点在各摄像机图像中对应有二维坐标；获取若干个标定板上的特征点；
（2）通过对每个特征点所对应的各摄像机图像坐标和三维世界坐标组成一个数据样本进行训练，建立基于BP神经网络的映射模型；
（3）根据所述步骤（1）获取的各摄像机图像，提取桥梁边缘特征点的各摄像机图像坐标；
（4）利用RANSAC算法对提取得到的特征点对进行错配消除，得到正确的特征点对；
（5）通过所述步骤（2）所得的BP神经网络映射模型对所述特征点进行三维计算，将各特征点的各摄像机图像坐标均映射到三维世界坐标，并将所有三维世界坐标拟合成三维世界坐标点集，建立桥梁变形函数；
（6）通过求取桥梁变形函数来获取桥梁的变形规律。
所述步骤（1）中，标定板特征点的获取步骤如下：标定板是由国际象棋棋盘格做成，提取棋盘格的黑白交错点作为标定板的特征点。
所述步骤（2）中，假定摄像机数量为n，BP神经网络映射模型包括三层前馈网络，分别为输入层、隐含层和输出层，所述输入层包括2n个神经元，分别对应各特征点图像的两个坐标值；所述隐含层包括4n个神经元；所述输出层包括三个神经元，分别对应特征点的世界坐标的三个坐标值；所述输入层的各神经元与隐含层的各神经元一一映射连接，所述隐含层的各神经元与输出层的各神经元一一映射连接。
所述步骤（2）中，建立BP神经网络模型包括如下步骤：
（2-1）选择训练样本，建立训练样本集；
（2-2）初始化：对各层权值向量赋初值，设定训练的最大迭代次数、期望输出信号；
（2-3）随机输入任一项训练样本，根据输入的训练样本依次计算各层神经元的输入信号和输出信号；
（2-4）根据所述步骤（2-3）中最终的输出信号和期望输出信号，计算误差信号，判断所述误差信号是否满足要求，若满足，则执行步骤（2-8），否则，执行步骤（2-5）；
（2-5）判断下一次的迭代次数是否大于最大迭代次数，若大于，则执行步骤（2-8），否则，对输入的训练样本反向计算每层神经元的局部梯度，所述局部梯度满足：
，其中n为迭代次数； 为所求的第i层第j个神经元的局部梯度；
为转移函数；
为第i层第j个神经元的输入信号线性组合后的输出；
为第i-1层第j个神经元的局部梯度；J为第i-1层的神经元总数；
为第i层第j个神经元与第i-1层各个神经元的连接权值；
（2-6）调整各层的连接权值，各层调整后的连接权值满足：
，其中
均为第i层第j个神经元第n次迭代时神经元的连接权值，
为第i层第j个神经元第n+1次迭代时的连接权值，n为迭代次数；为第n次调整迭代时的学习率；η为动量因子；为本次迭代时，第i层第j个神经元的局部梯度；
为上次迭代时，第i层第j个神经元的局部梯度；
（2-7）迭代次数加一，进入下一次迭代，执行步骤（2-3）；
（2-8）判断是否已学完所有的训练样本，若是，则结束训练，得到输出结果；否则，执行步骤（2-3）。
所述步骤（2-6）中，各层学习率的调整满足：当连续两次迭代的梯度方向相同时，则使学习率加倍；当连续两次迭代的梯度方向相反时，则使学习率减半。
所述训练样本为所述步骤（1）特征点的各摄像机图像坐标。
所述步骤（3）的具体步骤如下：
（3-1）通过图像分析，提取物体在所述步骤（1）形成的图像中对应的桥梁边缘特征点的各摄像机图像坐标；
（3-2）对所述步骤（3-1）桥梁边缘的各个特征点按照基数排序进行匹配；
（3-3）通过所述步骤（2）所得的BP神经网络模型对桥梁边缘特征点进行训练，将物体桥梁边缘的特征点的各摄像机图像坐标分别映射到三维世界坐标；
（3-4）将所述步骤（3-3）计算得到的各特征点的三维世界坐标拟合三维世界坐标点集，建立桥梁变形函数。
所述步骤（4）中对各个特征点按照基数排序进行匹配后需要对匹配的点对进行错配消除，利用RANSAC方法可以把匹配对中的错配消除，在特征点配对中，模型即为从一个平面上的特征点到另外一平面上的特征点的射影关系，反应为射影矩阵H。H是一个包含8个自由度的3×3矩阵， 它最少可以由两平面中的4对匹配点计算出，但同一平面上的3个点必须不共面，提取的桥梁边缘特征点数不少于3个，对得到的特征点对利用RANSAC进行错配消除后就得到正确的配对。
所述步骤（6）包括如下步骤：根据（3-4）得到不同时刻的桥梁变形函数，提取出桥梁的变形规律，从而可以预测桥梁在不同时刻发生变形的情况。
本发明是可在瞬间获取被测桥梁大量物理信息和几何信息的测量手段，并适用于测量点众多的桥梁，亦可在恶劣条件下进行桥梁变形监测。
本方法可用于各种桥梁变形监测，属于计算机应用技术、计算机视觉技术、非接触式测量领域。
与现有技术相比，本发明具有如下优点和有益效果：
1、本发明是可在瞬间获取被测桥梁大量物理信息和几何信息的测量手段，并适用于测量点众多的桥梁目标；
2、本发明是一种非接触性量测手段，不伤及测量目标，不干扰被测物自然状态，可对恶劣天气下的桥梁（如台风，火山喷发，暴雨），或者不易直接测量（如山腰间）的桥梁进行变形监测；
3、本发明采用对桥梁边缘特征点进行特定搜索方法，具有灵敏度高、实验环境适应性强等优点，能够有效地防止环境光的影响；
4、本发明采用BP神经网络模型训练，可将二维的图像坐标映射到三维世界坐标，相对于传统的摄像机标定与畸变校正，通过BP神经网络模型逼近三维坐标函数，可向下屏蔽标定参数的直接求解，向上提供了二维坐标到三维坐标的直接映射，解决了在不利环境和摄像机精度不高的情况下，能够稳定地提取特征点进行三维视觉测量的问题，测量结果达到一定的可控精度要求；
5、本发明的各个特征点按照基数排序进行匹配，并在匹配后进行错配消除，可有效简化BP神经网络模型训练速度，且能确保特征点的客观与真实性；
6、本发明是一种适合于动态物体外形和运动状态测定的手段；
7、本发明成本低、重构性好，能很好的满足应用需求的变化。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，本基于多目视觉的桥梁三维变形监测方法，包括如下步骤：
（1）由多个摄像机分别获取物体的各摄像机图像，物体各点在各摄像机图像中对应有各摄像机图像坐标，且均为二维坐标；获取若干个标定板上的特征点；
（2）通过对每个特征点所对应的各摄像机图像坐标和三维世界坐标组成一个数据样本进行训练，建立基于BP神经网络的映射模型；
（3）根据所述步骤（1）获取的各摄像机图像，提取桥梁边缘特征点的各摄像机图像坐标；
（4）利用RANSAC算法对提取得到的特征点对进行错配消除，得到正确的特征点对；
（5）通过所述步骤（2）所得的BP神经网络映射模型对所述特征点进行三维计算，将各特征点的各摄像机图像坐标均映射到三维世界坐标，并将所有三维世界坐标拟合成三维世界坐标点集，建立桥梁变形函数；
（6）通过求取桥梁变形函数来获取桥梁的变形规律。
所述步骤（1）中，标定板特征点的获取步骤如下：标定板是由国际象棋棋盘格做成，提取棋盘格的黑白交错点作为标定板的特征点。
所述步骤（2）中，假定摄像机数量为n，BP神经网络映射模型包括三层前馈网络，分别为输入层、隐含层和输出层，所述输入层包括2n个神经元，分别对应各特征点图像的两个坐标值；所述隐含层包括4n个神经元；所述输出层包括三个神经元，分别对应特征点的世界坐标的三个坐标值；所述输入层的各神经元与隐含层的各神经元一一映射连接，所述隐含层的各神经元与输出层的各神经元一一映射连接。
所述步骤（2）中，建立BP神经网络模型包括如下步骤：
（2-1）选择训练样本，建立训练样本集；
（2-2）初始化：对各层权值向量赋初值，设定训练的最大迭代次数、期望输出信号；
（2-3）随机输入任一项训练样本，根据输入的训练样本依次计算各层神经元的输入信号和输出信号；
（2-4）根据所述步骤（2-3）中最终的输出信号和期望输出信号，计算误差信号，判断所述误差信号是否满足要求，若满足，则执行步骤（2-8），否则，执行步骤（2-5）；
（2-5）判断下一次的迭代次数是否大于最大迭代次数，若大于，则执行步骤（2-8），否则，对输入的训练样本反向计算每层神经元的局部梯度，所述局部梯度满足：
，其中n为迭代次数； 
为所求的第i层第j个神经元的局部梯度；
为转移函数；
为第i层第j个神经元的输入信号线性组合后的输出；
为第i-1层第j个神经元的局部梯度；J为第i-1层的神经元总数；为第i层第j个神经元与第i-1层各个神经元的连接权值；
（2-6）调整各层的连接权值，各层调整后的连接权值满足：
，其中
均为第i层第j个神经元第n次迭代时神经元的连接权值，
为第i层第j个神经元第n+1次迭代时的连接权值，n为迭代次数；
为第n次调整迭代时的学习率；η为动量因子；为本次迭代时，第i层第j个神经元的局部梯度；为上次迭代时，第i层第j个神经元的局部梯度；
（2-7）迭代次数加一，进入下一次迭代，执行步骤（2-3）；
（2-8）判断是否已学完所有的训练样本，若是，则结束训练，得到输出结果；否则，执行步骤（2-3）。
所述步骤（2-6）中，各层学习率的调整满足：当连续两次迭代的梯度方向相同时，则使学习率加倍；当连续两次迭代的梯度方向相反时，则使学习率减半。
所述训练样本为所述步骤（1）特征点的各摄像机图像坐标。
所述步骤（3）的具体步骤如下：
（3-1）通过图像分析，提取物体在所述步骤（1）形成的图像中对应的桥梁边缘特征点的各摄像机图像坐标；
（3-2）对所述步骤（3-1）桥梁边缘的各个特征点按照基数排序进行匹配；
（3-3）通过所述步骤（2）所得的BP神经网络模型对桥梁边缘特征点进行训练，将物体桥梁边缘的特征点的各摄像机图像坐标分别映射到三维世界坐标；
（3-4）将所述步骤（3-3）计算得到的各特征点的三维世界坐标拟合三维世界坐标点集，建立桥梁变形函数。
所述步骤（4）中对各个特征点按照基数排序进行匹配后需要对匹配的点对进行错配消除，利用RANSAC方法可以把匹配对中的错配消除，在特征点配对中，模型即为从一个平面上的特征点到另外一平面上的特征点的射影关系，反应为射影矩阵H。H是一个包含8个自由度的3×3矩阵，它最少可以由两平面中的4对匹配点计算出，但同一平面上的3个点必须不共面，提取的桥梁边缘特征点数不少于3个，对得到的特征点对利用RANSAC进行错配消除后就得到正确的配对。
所述步骤（6）中根据（3-4）得到不同时刻的桥梁变形函数，提取出桥梁的变形规律，从而可以判断桥梁变形趋势。
本发明是可在瞬间获取被测桥梁大量物理信息和几何信息的测量手段，并适用于测量点众多的桥梁，亦可在恶劣条件下进行桥梁变形监测。本方法可用于各种大型的桥梁变形监测，属于计算机应用技术、计算机视觉技术、非接触式测量领域。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (9)
1.一种基于多目视觉的桥梁三维变形监测方法，其特征在于，包括如下步骤：
(1)由多个摄像机分别获取标定板的图像，标定板各点在各摄像机图像中有对应坐标，且均为二维坐标；获取若干个标定板上的特征点；
(2)通过对每个特征点所对应的各摄像机图像坐标和三维世界坐标组成一个数据样本进行训练，建立基于BP神经网络的映射模型；
(3)根据所述步骤(1)获取的各摄像机图像，提取桥梁边缘特征点的各摄像机图像坐标；
(4)利用RANSAC算法对提取得到的特征点对进行错配消除，得到正确的特征点对；
(5)通过所述步骤(2)所得的BP神经网络映射模型对所述特征点进行三维计算，将各特征点的各摄像机图像坐标均映射到三维世界坐标，并将所有三维世界坐标拟合成三维世界坐标点集，建立桥梁变形函数；
(6)通过不同时刻桥梁变形来获取桥梁的变形规律。
2.根据权利要求1所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤(1)中，标定板特征点的获取步骤如下：标定板是由国际象棋棋盘格做成，提取棋盘格的黑白交错点作为标定板的特征点。
3.根据权利要求1所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤(2)中，假定摄像机数量为n，BP神经网络映射模型包括三层前馈网络，分别为输入层、隐含层和输出层，所述输入层包括2n个神经元，分别对应各特征点图像的两个坐标值；所述隐含层包括4n个神经元；所述输出层包括三个神经元，分别对应特征点的世界坐标的三个坐标值；
所述输入层的各神经元与隐含层的各神经元一一映射连接，所述隐含层的各神经元与输出层的各神经元一一映射连接。
4.根据权利要求3所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤（2）中，建立BP神经网络映射模型包括如下步骤：
（2-1）选择训练样本，建立训练样本集；
（2-2）初始化：对各层权值向量赋初值，设定训练的最大迭代次数、期望输出信号；
（2-3）随机输入任一项训练样本，根据输入的训练样本依次计算各层神经元的输入信号和输出信号；
（2-4）根据所述步骤（2-3）中最终的输出信号和期望输出信号，计算误差信号，判断所述误差信号是否满足要求，若满足，则执行步骤（2-8），否则，执行步骤（2-5）；
（2-5）判断下一次的迭代次数是否大于最大迭代次数，若大于，则执行步骤（2-8），否则，对输入的训练样本反向计算每层神经元的局部梯度，所述局部梯度满足： 
，其中n为迭代次数；
为所求的第i层第j个神经元的局部梯度；
为转移函数；
为第i层第j个神经元的输入信号线性组合后的输出；
为第i-1层第j个神经元的局部梯度；J为第i-1层的神经元总数；
为第i层第j个神经元与第i-1层各个神经元的连接权值；
（2-6）调整各层的连接权值，各层调整后的连接权值满足：
，其中
均为第i层第j个神经元第n次迭代时神经元的连接权值，
为第i层第j个神经元第n+1次迭代时的连接权值，n为迭代次数；
为第n次调整迭代时的学习率；η为动量因子；
为本次迭代时，第i层第j个神经元的局部梯度；
为上次迭代时，第i层第j个神经元的局部梯度；
（2-7）迭代次数加一，进入下一次迭代，执行步骤（2-3）；
（2-8）判断是否已学完所有的训练样本，若是，则结束训练，得到输出结果；否则，执行步骤（2-3）。
5.根据权利要求4所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤(2-6)中，各层学习率的调整满足：当连续两次迭代的梯度方向相同时，则使学习率加倍；当连续两次迭代的梯度方向相反时，则使学习率减半。
6.根据权利要求4所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述训练样本为所述步骤(1)特征点的各摄像机图像坐标。
7.根据权利要求6所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤(4)中对各个特征点按照基数排序进行匹配后需要对匹配的点对进行错配消除，利用RANSAC方法可以把匹配对中的错配消除，在特征点配对中，模型即为从一个平面上的特征点到另外一平面上的特征点的射影关系，反应为射影矩阵H，H是一个包含8个自由度的3×3矩阵，它最少可以由两平面中的4对匹配点计算出，但同一平面上的3个点必须不共面，提取的桥梁边缘特征点数不少于3个，对得到的特征点对利用RANSAC进行错配消除后就得到正确的配对。
8.根据权利要求1所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤(5)的具体步骤如下：
(3-1)通过图像分析，提取物体在所述步骤(1)形成的图像中对应的桥梁边缘特征点的各摄像机图像坐标；
(3-2)对所述步骤(3-1)桥梁边缘的各个特征点按照基数排序进行匹配；
(3-3)通过所述步骤(2)所得的BP神经网络映射模型对桥梁边缘的特征点进行三维计算，将桥梁边缘特征点的各摄像机图像坐标分别映射到三维世界坐标；
(3-4)将所述步骤(3-3)计算得到的各特征点的三维世界坐标拟合三维世界坐标点集，建立桥梁变形函数。
9.根据权利要求1所述的基于多目视觉的桥梁三维变形监测方法，其特征在于，所述步骤(6)包括如下步骤：
根据(3-4)得到不同时刻的桥梁变形函数，提取出桥梁的变形规律，从而可以判断桥梁的变形趋势。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011100387824A CN102645173A (zh) | 2011-02-16 | 2011-02-16 | 一种基于多目视觉的桥梁三维变形监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011100387824A CN102645173A (zh) | 2011-02-16 | 2011-02-16 | 一种基于多目视觉的桥梁三维变形监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102645173A true CN102645173A (zh) | 2012-08-22 |
Family
ID=46658150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2011100387824A Pending CN102645173A (zh) | 2011-02-16 | 2011-02-16 | 一种基于多目视觉的桥梁三维变形监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102645173A (zh) |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102927917A (zh) * | 2012-10-26 | 2013-02-13 | 河北省电力公司电力科学研究院 | 多目铁塔视觉测量方法 |
| CN103292722A (zh) * | 2013-06-07 | 2013-09-11 | 温州大学 | 一种非接触式风电叶片全场三维变形测量方法 |
| CN103438823A (zh) * | 2012-12-27 | 2013-12-11 | 广州市地下铁道总公司 | 一种基于视觉测量的隧道断面轮廊测量方法及装置 |
| JP2015036620A (ja) * | 2013-08-12 | 2015-02-23 | 復建調査設計株式会社 | 橋梁における活荷重無載荷状態時の標高計測方法 |
| CN104482983A (zh) * | 2014-12-30 | 2015-04-01 | 中国科学院深圳先进技术研究院 | 一种测量三维料堆的方法 |
| CN105488807A (zh) * | 2015-12-25 | 2016-04-13 | 傅之成 | 一种远心镜头的标定和矫正方法 |
| CN105930774A (zh) * | 2016-04-14 | 2016-09-07 | 中铁大桥勘测设计院集团有限公司 | 一种基于神经网络的桥梁螺栓脱落自动识别方法 |
| CN106127789A (zh) * | 2016-07-04 | 2016-11-16 | 湖南科技大学 | 结合神经网络与虚拟靶标的立体视觉标定方法 |
| CN106643541A (zh) * | 2016-12-26 | 2017-05-10 | 深圳高速工程顾问有限公司 | 一种桥梁实时监测数据管理分析的方法及装置 |
| CN106895792A (zh) * | 2017-04-27 | 2017-06-27 | 武汉大学 | 基于双目视觉测量***的输电塔构件形变及内力监测方法 |
| CN107063110A (zh) * | 2017-04-27 | 2017-08-18 | 武汉大学 | 一种输电塔线体系全景多角度双目视觉测量*** |
| CN107085853A (zh) * | 2017-05-04 | 2017-08-22 | 中国矿业大学 | 导轨单目立体视觉矿区井架变形监测方法 |
| CN109186902A (zh) * | 2018-09-26 | 2019-01-11 | 中国计量大学 | 一种基于视觉传感的桥梁结构健康检测*** |
| CN109269399A (zh) * | 2018-10-25 | 2019-01-25 | 清华大学 | 一种在线误差参数辨识及自补偿***和方法 |
| CN109559348A (zh) * | 2018-11-30 | 2019-04-02 | 东南大学 | 一种基于特征点追踪的桥梁非接触式变形测量方法 |
| CN109754429A (zh) * | 2018-12-14 | 2019-05-14 | 东南大学 | 一种基于图像的桥梁结构挠度测量方法 |
| CN110057515A (zh) * | 2019-03-22 | 2019-07-26 | 天津大学 | 一种基于深度学习的桥梁缺陷检测***和方法 |
| CN110291358A (zh) * | 2017-02-20 | 2019-09-27 | 欧姆龙株式会社 | 形状估计装置 |
| CN110309544A (zh) * | 2019-06-04 | 2019-10-08 | 西安工程大学 | 一种基于神经网络的梁大变形的受力点预测方法 |
| CN110411686A (zh) * | 2019-03-13 | 2019-11-05 | 周劲宇 | 桥梁静动影像全息性态健康监测诊断方法及*** |
| CN110617775A (zh) * | 2019-09-26 | 2019-12-27 | 杭州鲁尔物联科技有限公司 | 一种基于视觉感知的桥梁挠度的监测方法、装置及*** |
| WO2020133080A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳市优必选科技有限公司 | 物体定位方法、装置、计算机设备及存储介质 |
| CN112179422A (zh) * | 2020-11-27 | 2021-01-05 | 湖南大学 | 一种利用桥梁挠度识别车轴和车速的方法和*** |
| CN112833808A (zh) * | 2021-01-05 | 2021-05-25 | 厦门银江智慧城市技术股份有限公司 | 基于卷积神经网络算法的设备形变检测方法和装置 |
| CN112964193A (zh) * | 2021-04-14 | 2021-06-15 | 广州大学 | 一种新型桥梁变形监测方法及*** |
| CN113744352A (zh) * | 2021-09-14 | 2021-12-03 | 北京观海科技发展有限责任公司 | 视觉空间标定方法、设备及存储介质 |
| CN117073565A (zh) * | 2023-08-22 | 2023-11-17 | 山东高速济南绕城西线公路有限公司 | 一种桥梁变形监测***及方法 |
| PL442963A1 (pl) * | 2022-11-28 | 2024-06-03 | Des Vision Spółka Z Ograniczoną Odpowiedzialnością | Układ kalibracyjny stosowany w systemie monitorowania przemieszczeń konstrukcji obiektów budowlanych oraz sposób jego wykorzystania |
-
2011
- 2011-02-16 CN CN2011100387824A patent/CN102645173A/zh active Pending
Cited By (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102927917A (zh) * | 2012-10-26 | 2013-02-13 | 河北省电力公司电力科学研究院 | 多目铁塔视觉测量方法 |
| CN102927917B (zh) * | 2012-10-26 | 2016-02-24 | 河北省电力公司电力科学研究院 | 多目铁塔视觉测量方法 |
| CN103438823A (zh) * | 2012-12-27 | 2013-12-11 | 广州市地下铁道总公司 | 一种基于视觉测量的隧道断面轮廊测量方法及装置 |
| CN103292722A (zh) * | 2013-06-07 | 2013-09-11 | 温州大学 | 一种非接触式风电叶片全场三维变形测量方法 |
| JP2015036620A (ja) * | 2013-08-12 | 2015-02-23 | 復建調査設計株式会社 | 橋梁における活荷重無載荷状態時の標高計測方法 |
| CN104482983A (zh) * | 2014-12-30 | 2015-04-01 | 中国科学院深圳先进技术研究院 | 一种测量三维料堆的方法 |
| CN105488807A (zh) * | 2015-12-25 | 2016-04-13 | 傅之成 | 一种远心镜头的标定和矫正方法 |
| CN105930774A (zh) * | 2016-04-14 | 2016-09-07 | 中铁大桥勘测设计院集团有限公司 | 一种基于神经网络的桥梁螺栓脱落自动识别方法 |
| CN106127789A (zh) * | 2016-07-04 | 2016-11-16 | 湖南科技大学 | 结合神经网络与虚拟靶标的立体视觉标定方法 |
| CN106643541A (zh) * | 2016-12-26 | 2017-05-10 | 深圳高速工程顾问有限公司 | 一种桥梁实时监测数据管理分析的方法及装置 |
| CN106643541B (zh) * | 2016-12-26 | 2019-09-06 | 深圳高速工程顾问有限公司 | 一种桥梁实时监测数据管理分析的方法及装置 |
| CN110291358B (zh) * | 2017-02-20 | 2022-04-05 | 欧姆龙株式会社 | 形状估计装置 |
| US11036965B2 (en) | 2017-02-20 | 2021-06-15 | Omron Corporation | Shape estimating apparatus |
| CN110291358A (zh) * | 2017-02-20 | 2019-09-27 | 欧姆龙株式会社 | 形状估计装置 |
| CN106895792A (zh) * | 2017-04-27 | 2017-06-27 | 武汉大学 | 基于双目视觉测量***的输电塔构件形变及内力监测方法 |
| CN107063110A (zh) * | 2017-04-27 | 2017-08-18 | 武汉大学 | 一种输电塔线体系全景多角度双目视觉测量*** |
| CN107085853B (zh) * | 2017-05-04 | 2019-08-27 | 中国矿业大学 | 导轨单目立体视觉矿区井架变形监测方法 |
| CN107085853A (zh) * | 2017-05-04 | 2017-08-22 | 中国矿业大学 | 导轨单目立体视觉矿区井架变形监测方法 |
| CN109186902A (zh) * | 2018-09-26 | 2019-01-11 | 中国计量大学 | 一种基于视觉传感的桥梁结构健康检测*** |
| CN109269399A (zh) * | 2018-10-25 | 2019-01-25 | 清华大学 | 一种在线误差参数辨识及自补偿***和方法 |
| CN109269399B (zh) * | 2018-10-25 | 2020-05-19 | 清华大学 | 一种在线误差参数辨识及自补偿***和方法 |
| CN109559348A (zh) * | 2018-11-30 | 2019-04-02 | 东南大学 | 一种基于特征点追踪的桥梁非接触式变形测量方法 |
| CN109559348B (zh) * | 2018-11-30 | 2021-09-28 | 东南大学 | 一种基于特征点追踪的桥梁非接触式变形测量方法 |
| CN109754429A (zh) * | 2018-12-14 | 2019-05-14 | 东南大学 | 一种基于图像的桥梁结构挠度测量方法 |
| WO2020133080A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳市优必选科技有限公司 | 物体定位方法、装置、计算机设备及存储介质 |
| CN110411686B (zh) * | 2019-03-13 | 2021-03-23 | 周劲宇 | 桥梁静动影像全息性态健康监测诊断方法及*** |
| CN110411686A (zh) * | 2019-03-13 | 2019-11-05 | 周劲宇 | 桥梁静动影像全息性态健康监测诊断方法及*** |
| CN110057515A (zh) * | 2019-03-22 | 2019-07-26 | 天津大学 | 一种基于深度学习的桥梁缺陷检测***和方法 |
| CN110309544B (zh) * | 2019-06-04 | 2023-04-07 | 西安工程大学 | 一种基于神经网络的梁大变形的受力点预测方法 |
| CN110309544A (zh) * | 2019-06-04 | 2019-10-08 | 西安工程大学 | 一种基于神经网络的梁大变形的受力点预测方法 |
| CN110617775A (zh) * | 2019-09-26 | 2019-12-27 | 杭州鲁尔物联科技有限公司 | 一种基于视觉感知的桥梁挠度的监测方法、装置及*** |
| CN112179422A (zh) * | 2020-11-27 | 2021-01-05 | 湖南大学 | 一种利用桥梁挠度识别车轴和车速的方法和*** |
| CN112833808A (zh) * | 2021-01-05 | 2021-05-25 | 厦门银江智慧城市技术股份有限公司 | 基于卷积神经网络算法的设备形变检测方法和装置 |
| CN112964193A (zh) * | 2021-04-14 | 2021-06-15 | 广州大学 | 一种新型桥梁变形监测方法及*** |
| CN113744352A (zh) * | 2021-09-14 | 2021-12-03 | 北京观海科技发展有限责任公司 | 视觉空间标定方法、设备及存储介质 |
| CN113744352B (zh) * | 2021-09-14 | 2022-07-29 | 北京观海科技发展有限责任公司 | 视觉空间标定方法、设备及存储介质 |
| PL442963A1 (pl) * | 2022-11-28 | 2024-06-03 | Des Vision Spółka Z Ograniczoną Odpowiedzialnością | Układ kalibracyjny stosowany w systemie monitorowania przemieszczeń konstrukcji obiektów budowlanych oraz sposób jego wykorzystania |
| CN117073565A (zh) * | 2023-08-22 | 2023-11-17 | 山东高速济南绕城西线公路有限公司 | 一种桥梁变形监测***及方法 |
| CN117073565B (zh) * | 2023-08-22 | 2024-03-12 | 山东高速济南绕城西线公路有限公司 | 一种桥梁变形监测***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102645173A (zh) | 一种基于多目视觉的桥梁三维变形监测方法 | |
| CN101907448B (zh) | 一种基于双目三维视觉的深度测量方法 | |
| CN103411553B (zh) | 多线结构光视觉传感器的快速标定方法 | |
| CN109489620B (zh) | 一种单目视觉测距方法 | |
| CN105547635B (zh) | 一种用于风洞试验的非接触式结构动力响应测量方法 | |
| CN109737883A (zh) | 一种基于图像识别的三维形变动态测量***及测量方法 | |
| CN102778207B (zh) | 一种结构件应力应变的测量方法、装置及*** | |
| CN102183214B (zh) | 一种大口径非球面镜结构光检测方法 | |
| CN103308028B (zh) | 三轴气浮台姿态角双目立体视觉测量装置及其测量方法 | |
| CN106657992B (zh) | 一种自适应检测和调整双摄光轴的装置及方法 | |
| CN102788572B (zh) | 一种工程机械吊钩姿态的测量方法、装置及*** | |
| CN103323855A (zh) | 一种基线动态测量***的精度获取方法 | |
| CN103017762A (zh) | 地基光电望远镜的空间目标快速捕获定位方法 | |
| CN105527656B (zh) | 塔架式机场跑道异物定位方法 | |
| CN104634248A (zh) | 一种双目视觉下的转轴标定方法 | |
| CN109029450A (zh) | 一种室内定位方法 | |
| CN105607760A (zh) | 一种基于微惯性传感器的轨迹还原方法及*** | |
| CN102636081A (zh) | 一种基于视觉运动建模的传递对准方法及装置 | |
| CN108398123A (zh) | 一种全站仪及其度盘标定方法 | |
| CN108088383A (zh) | 一种应用于起重机械的摄影测量算法 | |
| CN108154535B (zh) | 基于平行光管的摄像机标定方法 | |
| CN108362205A (zh) | 基于条纹投影的空间测距方法 | |
| Meng et al. | Defocused calibration for large field-of-view binocular cameras | |
| CN107389089A (zh) | 一种星载多探头高精度星敏感器测试方法 | |
| CN112683307B (zh) | 一种星敏感器星点质心位置精度测量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120822 |