CN106441235B - 基于无人飞机机载成像的混凝土裂缝宽度识别方法 - Google Patents
基于无人飞机机载成像的混凝土裂缝宽度识别方法 Download PDFInfo
- Publication number
- CN106441235B CN106441235B CN201610845685.9A CN201610845685A CN106441235B CN 106441235 B CN106441235 B CN 106441235B CN 201610845685 A CN201610845685 A CN 201610845685A CN 106441235 B CN106441235 B CN 106441235B
- Authority
- CN
- China
- Prior art keywords
- crack
- imaging
- formula
- width
- recognition methods
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/36—Videogrammetry, i.e. electronic processing of video signals from a single source or from different sources to give parallax or range information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C3/00—Measuring distances in line of sight; Optical rangefinders
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于无人飞机机载成像的混凝土裂缝宽度识别方法,步骤如下:设置三个激光束之间的夹角;操作多旋翼无人飞行器接近被测物体,将视频信息传回地面接收装置;判断被测物体是否存在裂缝,若是,则进行下一步骤;同时启动相机和三点激光测距仪,得到裂缝相片和三个距离参数并传回地面接收装置;对采集到的裂缝图像进行处理,得到裂缝宽度像素数;根据得到的距离参数、三个激光束之间的夹角得到物距;采用测距法求得被测物体的实际物理尺寸,得到裂缝宽度。本识别方法操作方便、计算简单、精确度高,彻底解决了桥梁裂缝检测中的难题,提高了桥梁的安全性与可靠性。本发明还公开了一种基于无人飞机机载成像的混凝土裂缝宽度识别***。
Description
技术领域
本发明涉及一种混凝土构件表面裂缝宽度的识别方法,特别涉及一种基于无人飞机机载成像的混凝土裂缝宽度识别***及方法。
背景技术
至2014年底,我国公路总里程达446.39万公里,公路桥梁达75.71万座,比上年增加2.14万座(交通运输部2014年统计年鉴,不包括数万座铁路桥梁、市政桥梁、管线桥梁等),我国已建桥梁数量居世界前列。截至2015年2月,我国机动车保有量已有2.64亿辆,未来10年中我国机动车仍将持续、大幅增长,道路交通安全面临严峻的挑战。桥梁作为交通关键节点,将要承担与日俱增的交通流量压力,同时还要承受违法超载车辆带来的损害。我国相当一部分桥梁尚未达到设计使用年限就出现较多的病害,桥梁总体的技术状况不容乐观,危桥数量多年居高不下(3%以上)。特别近年来桥梁事故频发,桥梁技术状况已成为社会关心的热点。
桥梁技术状况直接关系交通和人身安全,交通运输部在2011年颁布了《公路桥梁技术状况评定标准》(JTGT/H21—2001),桥梁技术状况需定期进行测试评估,及时发现桥梁病害,评定桥梁安全等级。桥梁技术状况评定主要涉及外观检查、裂缝测试等。桥梁上部结构和下部结构的桥梁技术状况评定一般采用桥梁检测车或搭设支架作为人工操作工作平台完成相关参数的测试,由于搭设支架耗费时间长,采用桥梁检测车作为工作平台已成为目前唯一选择,但存在以下问题:
第一、严重影响交通安全。桥梁检测车安全操作需占用近两个车道,且移动速度缓慢,对于桥面宽度较小的桥梁需要封闭交通。桥梁检测车长时间占道必然造成交通堵塞并严重影响交通安全,对于交通繁忙的城市干道、干线如高速公路或国道线可能导致交通瘫痪(一般桥梁管理部门给予的工作时间为23点至4点,在晚间严重影响了对桥梁外观准确测试)。
第二、不适用于各类型桥梁。其一,桥梁检测车工作伸臂最大下桥深度有限,无法实现对大跨度变截面混凝土箱梁桥墩梁根部截面支座位置或者高墩(山区高速公路桥梁)的测试。其二,桥梁检测车最大横向臂展有限。目前各类型桥梁检测车水平伸臂长度基本在2.5m内,而我国有相当一部分城市桥梁因行人需要其人行道宽度超过3m,因此无法利用桥梁检测车作为现场测试工作平台。其三,在桥面两侧有主拱圈、吊杆和斜拉索等构件的桥梁,桥梁检测车伸臂作业空间受到限制,无法利用桥梁检测车作为工作平台进行测试。其四,超过一定高度的桥塔、斜拉索、拱圈受伸臂高度限制无法利用桥梁检测车进行测试。
第三、不适用于震后桥梁评估。我国是一个地震活动频繁的国家。一般地震灾害会给桥梁造成损伤,致使交通中断并危及交通安全。对遭受震灾损伤桥梁进行快速测试、评估及应急抢修和保通是抢险救灾工作的关键。如何快速测试、准确评估震后桥梁的技术状况是政府应急保通决策的关键之一。震后交通阻隔,其中有损伤的桥梁,无法保证桥梁检测车通行和安全。2008年5月12日发生的汶川地震和2010年4月14日发生的青海玉树地震使桥梁等基础设施损毁严重,导致震后救灾工作受阻,严重推迟了救援行动时间,同时也暴露了我国在震后桥梁快速测试评估及应急保通修复技术方面的技术储备不足。
第四、使用和维护费用高。目前国产桥梁检测车,每台单价超过80万元,需专人员操作并定期保养;进口桥梁检测车使用和维护成本更高。桥梁技术状况评定所需费用基本为各级政府财政资金支付。至2014年底我国现有75.71万座计算,平均每两年进行一次技术状况评估,每座桥完成桥梁技术状况评定参数测试按4个工作台班计算,桥梁检测车单个台班费用大多1.2万元左右(从车辆出库至入库时间),每年需180亿元的财政资金,这些费用还不包括使用桥梁检测车期间影响交通和维护交通所产生的附加费用。
发明内容
为了解决上述技术问题,本发明提供一种结构简单、制造成本低、实用方便的基于无人飞机机载成像的混凝土裂缝宽度识别***,并提供一种测量方便、精确度高、适用范围广的基于无人飞机机载成像的混凝土裂缝宽度识别方法。
本发明解决上述问题的技术方案是:一种基于无人飞机机载成像的混凝土裂缝宽度识别***,包括云台、相机、自动避障装置、三点激光测距仪和带图传***的多旋翼无人飞行器,所述多旋翼无人飞行器的飞机平台上设有云台,云台上设有相机和自动避障装置,所述相机上设有三点激光测距仪。
上述基于无人飞机机载成像的混凝土裂缝宽度识别***中,所述云台与多旋翼无人飞行器连接处设有减震装置。
一种基于无人飞机机载成像的混凝土裂缝宽度识别方法,包括以下步骤:
步骤一:预先设置三点激光测距仪发出的三个激光束之间的夹角;
步骤二:操作者操作多旋翼无人飞行器接近被测物体,图传***实时监测被测物体并将视频信息传回地面接收装置;
步骤三:判断视频信息中被测物体是否存在裂缝,若是,则进行步骤四,若不是,则返回步骤二;
步骤四:同时启动相机和三点激光测距仪,相机拍摄裂缝相片并传回地面接收装置,三点激光测距仪测量得到三个距离参数并传回地面接收装置;
步骤五:对采集到的裂缝图像进行处理,得到裂缝宽度像素数;
步骤六:根据得到的距离参数、三个激光束之间的夹角得到物距;
步骤七:采用测距法求得被测物体的实际物理尺寸,从而得到裂缝宽度。
上述基于无人飞机机载成像的混凝土裂缝宽度识别方法,所述步骤一中,记三点激光测距仪发出三个激光束的位置为A,三个激光束之间的夹角为∠a,∠b,∠c。
上述基于无人飞机机载成像的混凝土裂缝宽度识别方法,所述步骤四中,三点激光测距仪得到的三个距离参数为三点激光测距仪发出的三个激光束到裂缝的距离,记激光束到达裂缝的位置分别为B、C、D,则得到AB、AC、AD的长度,∠a,∠b,∠c分别为AB与AC、AC与AD、AB与AD的夹角,即∠a=∠BAC,∠b=∠CAD,∠c=∠BAD。
上述基于无人飞机机载成像的混凝土裂缝宽度识别方法,所述步骤五的具体步骤为,将采集到的裂缝图像经过MATLAB图像处理转换成灰度图像,在空域内对图像进行增强,滤波;然后对图像再进行阈值分割处理,提取出裂缝裂缝特征,再对裂缝特征采取形态学操作,得到裂缝宽度处的像素数A″。
上述基于无人飞机机载成像的混凝土裂缝宽度识别方法,所述步骤六具体过程如下,
6-1)连接B、C、D构成一个三角形,令AB、AC、AD分别为L1、L2、L3,根据余弦定理有:
6-2)记CD的中点为E,连接B、E,根据余弦定理有:
6-3)根据海伦公式得到三角形ABE的高h,h则为三点激光测距仪到裂缝的中心距离,即为物距L:
其中c为周长的一半
物距
上述基于无人飞机机载成像的混凝土裂缝宽度识别方法,所述步骤七具体过程如下,
已知透镜成像公式为:
其中:L'为像距;L为物距,即测距仪与被测目标之间的距离;f为镜头焦距;
放大倍数θ:
其中:A为目标实际尺寸,即裂缝实际物理宽度;A′为成像尺寸;
将(8)式代入(9)式,得:
由(10)式得出,在物距与镜头焦距已知的情况下,当测量出裂缝成像尺寸,即可计算出裂缝的实际物理宽度;
成像尺寸A′进一步转换为:
其中:A″为成像的像素数;d为图像传感器长边物理尺寸;D为图像传感器长边像素数;
将(10)式代入(11)式,可得:
式(12)即为实际物理尺寸与像素数的转换关系公式;
将图像传感器长边物理尺寸d、图像传感器长边像素数D,像素数A″,物距L代入式(12),求得被测裂缝的实际物理尺寸。
本发明的有益效果在于:
1、本发明的识别***利用无人飞行器即可完成对裂缝的检测,十分便捷,用小型车辆就能运送至目的地,携带更加方便,检测的成本更低。
2、本发明的识别***设有自动避障装置,能够在桥梁侧面,拱形构件中间部位等复杂条件下保障飞行器自身安全,同时也是桥梁检测精度和可靠性的重要保证。
3、本发明的识别***适用范围广,可适用于各类型桥梁,尤其是跨江河,跨山谷的大桥,对于系杆拱、斜拉桥等桥检车不能伸出的大型桥梁的常规评定具有重要意义,在人工裂缝检测困难且危险程度大的情况下优势更加明显。
4、本发明的识别方法中,采用三点激光测距仪测量得到物距,通过对相机采集的图像进行处理得到裂缝宽度出的像素数,结合像素数和物距即可计算得出裂缝的实际宽度,具有操作方便、计算简单、精确度高的优点,彻底解决了桥梁裂缝检测中的难题,对桥梁的日常维护以及维修加固提供了准确的数据,提高了桥梁的安全性与可靠性,经济效果和商业前景十分可观。
附图说明
图1为本发明识别***的结构示意图。
图2为本发明识别方法的流程图。
图3为本发明的识别方法中裂缝图像的处理流程图。
图4为本发明的识别方法中物距的计算原理图。
图5为相机成像原理图。
图中:1、多旋翼无人飞行器;2、减震装置;3、云台;4、相机;5、自动避障装置;6、三点激光测距仪;7、激光束;8、相机边缘光线;9、激光光点;10、被测物体;11、飞机平台;12、镜头;13、光圈;14、快门;15、像。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示,本发明包括带图传***的多旋翼无人飞行器1、减震装置2、云台3、相机4、自动避障装置5、三点激光测距仪6,所述多旋翼无人飞行器1的飞机平台11上设有云台3,云台3与多旋翼无人飞行器1连接处设有减震装置2,云台3上设有相机4和自动避障装置5,所述相机4上设有三点激光测距仪6。
一种基于无人飞机机载成像的混凝土裂缝宽度识别方法,如图2所示,包括以下步骤:
步骤一:预先设置三点激光测距仪6发出的三个激光束7之间的夹角;
记三点激光测距仪6发出三个激光束7的位置为A,三个激光束之间的夹角为∠a,∠b,∠c。
步骤二:操作者操作多旋翼无人飞行器1接近被测物体,图传***实时监测被测物体并将视频信息传回地面接收装置。
步骤三:判断视频信息中被测物体是否存在裂缝,若是,则进行步骤四,若不是,则返回步骤二。
步骤四:同时启动相机4的快门14和三点激光测距仪6,相机4拍摄裂缝相片并传回地面接收装置,三点激光测距仪6测量得到三个距离参数并传回地面接收装置;
三点激光测距仪6得到的三个距离参数为三点激光测距仪6发出的三个激光束的起点到裂缝的距离,如图4所示,记激光束到达裂缝的位置分别为B、C、D,则得到AB、AC、AD的长度,∠a,∠b,∠c分别为AB与AC、AC与AD、AB与AD的夹角,即∠a=∠BAC,∠b=∠CAD,∠c=∠BAD。
步骤五:对采集到的裂缝图像进行处理,得到裂缝宽度像素数;
如图3所示,将采集到的裂缝图像经过MATLAB图像处理转换成灰度图像,在空域内对图像进行增强,滤波;然后对图像再进行阈值分割处理,提取出裂缝裂缝特征,再对裂缝特征采取形态学操作,得到裂缝宽度处的像素数A″。
步骤六:根据得到的距离参数、三个激光束之间的夹角得到物距;
具体过程如下:
6-1)连接B、C、D构成一个三角形,令AB、AC、AD分别为L1、L2、L3,根据余弦定理有:
6-2)记CD的中点为E,连接B、E,根据余弦定理有:
6-3)根据海伦公式得到三角形ABE的高h,h则为三点激光测距仪6到裂缝的中心距离,即为物距L:
其中c为周长的一半
物距
步骤七:采用测距法求得被测物体的实际物理尺寸,从而得到裂缝宽度;
本识别方法采用一种像素数据与实际物理数值的转换方法,称为测距法,具体过程如下:
如图5所示,已知透镜成像公式为:
其中:L'为像距;L为物距,即测距仪与被测目标之间的距离;f为镜头焦距;
放大倍数θ:
其中:A为目标实际尺寸,即裂缝实际物理宽度;A′为成像尺寸;
将(8)式代入(9)式,得:
由(10)式得出,在物距与镜头焦距已知的情况下,当测量出裂缝成像尺寸,即可计算出裂缝的实际物理宽度;
成像尺寸A′进一步转换为:
其中:A″为成像的像素数;d为图像传感器CMOS长边物理尺寸;D为图像传感器CMOS长边像素数;在佳能5D MarkⅢ单反相机中,使用的是CMOS传感器,学名为互补金属氧化物半导体(Complementary Metal Oxide Semiconductor)。CMOS图像传感器的光电转换功能与CCD相似,但它用传统的芯片工艺方法将光敏元件,放大器、A/D转换器、存储器、数字信号处理器等都集成在一块硅片上,从而降低了功耗和成本;
将(10)式代入(11)式,可得:
式(12)即为实际物理尺寸与像素数的转换关系公式;令:
则有:
A=J·A″ (14)
由式(14),将图像传感器长边物理尺寸d、图像传感器长边像素数D,像素数A″,物距L代入式(12),求得被测裂缝的实际物理尺寸。
Claims (5)
1.一种基于无人飞机机载成像的混凝土裂缝宽度识别方法,是根据基于无人飞机机载成像的混凝土裂缝宽度识别***实现的,基于无人飞机机载成像的混凝土裂缝宽度识别***包括云台、相机、自动避障装置、三点激光测距仪和带图传***的多旋翼无人飞行器,所述多旋翼无人飞行器的飞机平台上设有云台,云台上设有相机和自动避障装置,所述相机上设有三点激光测距仪,识别方法包括以下步骤:
步骤一:预先设置三点激光测距仪发出的三个激光束之间的夹角;步骤一中,记三点激光测距仪发出三个激光束的位置为A,三个激光束之间的夹角为∠a,∠b,∠c;
步骤二:操作者操作多旋翼无人飞行器接近被测物体,图传***实时拍摄被测物体并将视频信息传回地面接收装置;
步骤三:判断视频信息中被测物体是否存在裂缝,若是,则进行步骤四,若不是,则返回步骤二;
步骤四:同时启动相机和三点激光测距仪,相机拍摄裂缝相片并传回地面接收装置,三点激光测距仪测量得到三个距离参数并传回地面接收装置;
步骤五:对采集到的裂缝图像进行处理,得到裂缝宽度像素数;
步骤六:根据得到的距离参数、三个激光束之间的夹角得到物距;
步骤七:采用测距法求得被测物体的实际物理尺寸,从而得到裂缝宽度。
2.根据权利要求1所述的基于无人飞机机载成像的混凝土裂缝宽度识别方法,其特征在于:所述步骤四中,三点激光测距仪得到的三个距离参数为三点激光测距仪发出的三个激光束到裂缝的距离,记激光束到达裂缝的位置分别为B、C、D,则得到AB、AC、AD的长度,∠a,∠b,∠c分别为AB与AC、AC与AD、AB与AD的夹角,即∠a=∠BAC,∠b=∠CAD,∠c=∠BAD。
3.根据权利要求2所述的基于无人飞机机载成像的混凝土裂缝宽度识别方法,其特征在于:所述步骤五的具体步骤为,将采集到的裂缝图像经过MATLAB图像处理转换成灰度图像,在空域内对图像进行增强,滤波;然后对图像再进行阈值分割处理,提取出裂缝特征,再对裂缝特征采取形态学操作,得到裂缝宽度处的像素数A”。
4.根据权利要求3所述的基于无人飞机机载成像的混凝土裂缝宽度识别方法,其特征在于:所述步骤六具体过程如下,
6-1)连接B、C、D构成一个三角形,令AB、AC、AD分别为L1、L2、L3,根据余弦定理有:
6-2)记CD的中点为E,连接B、E,根据余弦定理有:
6-3)根据海伦公式得到三角形ABE的高h,h则为三点激光测距仪到裂缝的中心距离,即为物距L:
其中c为周长的一半
物距
5.根据权利要求4所述的基于无人飞机机载成像的混凝土裂缝宽度识别方法,其特征在于:所述步骤七具体过程如下,
已知透镜成像公式为:
其中:L'为像距;L为物距,即测距仪与被测目标之间的距离;f为镜头焦距;
放大倍数θ:
其中:A为目标实际尺寸,即裂缝实际物理宽度;A′为成像尺寸;
将(8)式代入(9)式,得:
由(10)式得出,在物距与镜头焦距已知的情况下,当测量出裂缝成像尺寸,即可计算出裂缝的实际物理宽度;
成像尺寸A′进一步转换为:
其中:A”为成像的像素数;d为相机图像传感器长边物理尺寸;D为相机图像传感器长边像素数;
将(10)式代入(11)式,可得:
式(12)即为实际物理尺寸与像素数的转换关系公式;
将图像传感器长边物理尺寸d、图像传感器长边像素数D,像素数A”,物距L代入式(12),求得被测裂缝的实际物理尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610845685.9A CN106441235B (zh) | 2016-09-23 | 2016-09-23 | 基于无人飞机机载成像的混凝土裂缝宽度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610845685.9A CN106441235B (zh) | 2016-09-23 | 2016-09-23 | 基于无人飞机机载成像的混凝土裂缝宽度识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106441235A CN106441235A (zh) | 2017-02-22 |
CN106441235B true CN106441235B (zh) | 2019-02-19 |
Family
ID=58167110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610845685.9A Active CN106441235B (zh) | 2016-09-23 | 2016-09-23 | 基于无人飞机机载成像的混凝土裂缝宽度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106441235B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107504901B (zh) * | 2017-07-01 | 2023-08-01 | 浙江大学宁波理工学院 | 利用无人机监测混凝土结构表面裂缝宽度的方法 |
CN107886534A (zh) * | 2017-11-07 | 2018-04-06 | 北京市路兴公路新技术有限公司 | 一种识别目标图像尺寸的方法及装置 |
CN107894212A (zh) * | 2017-11-13 | 2018-04-10 | 北京市路兴公路新技术有限公司 | 一种摄像距离计算***、方法及装置 |
CN108287164B (zh) * | 2017-12-23 | 2021-03-23 | 深圳天眼激光科技有限公司 | 一种裂纹检测*** |
CN108680379B (zh) * | 2018-08-02 | 2021-09-14 | 杭州瀚陆海洋科技有限公司 | 一种深海全向移动电视抓斗 |
CN109470770A (zh) * | 2018-11-12 | 2019-03-15 | 南京工程学院 | 一种检测混凝土结构连续多条斜裂缝的方法 |
CN109682316A (zh) * | 2018-11-19 | 2019-04-26 | 湖北电鹰科技有限公司 | 基于无人机成像的混凝土裂缝识别方法及*** |
CN110044964A (zh) * | 2019-04-25 | 2019-07-23 | 湖南科技大学 | 基于无人飞机热成像视频的建筑饰面层脱粘缺陷识别方法 |
CN115131295B (zh) * | 2022-06-06 | 2023-08-29 | 清华大学 | 工程岩体裂隙网络构建方法、***与装置 |
CN117554186B (zh) * | 2024-01-12 | 2024-04-05 | 中铁四局集团有限公司 | 基于机器视觉的小型混凝土预制构件质量检测分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201673126U (zh) * | 2010-05-27 | 2010-12-15 | 长安大学 | 一种高楼墙面裂缝检测装置 |
CN104535649A (zh) * | 2014-12-25 | 2015-04-22 | 刘凯 | 裂缝无人智能检测机 |
CN204631626U (zh) * | 2015-06-02 | 2015-09-09 | 成都理工大学 | 一种用于无人机飞行的地形跟踪装置 |
CN105783859A (zh) * | 2016-03-31 | 2016-07-20 | 苏州触动电子科技有限公司 | 一种三轴运动平台的高精度控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201418662A (zh) * | 2012-11-15 | 2014-05-16 | Nat Applied Res Laboratories | 遠距離量測裂縫之方法及其裝置 |
-
2016
- 2016-09-23 CN CN201610845685.9A patent/CN106441235B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201673126U (zh) * | 2010-05-27 | 2010-12-15 | 长安大学 | 一种高楼墙面裂缝检测装置 |
CN104535649A (zh) * | 2014-12-25 | 2015-04-22 | 刘凯 | 裂缝无人智能检测机 |
CN204631626U (zh) * | 2015-06-02 | 2015-09-09 | 成都理工大学 | 一种用于无人机飞行的地形跟踪装置 |
CN105783859A (zh) * | 2016-03-31 | 2016-07-20 | 苏州触动电子科技有限公司 | 一种三轴运动平台的高精度控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106441235A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106441235B (zh) | 基于无人飞机机载成像的混凝土裂缝宽度识别方法 | |
US9036861B2 (en) | Method and system for remotely inspecting bridges and other structures | |
Serna et al. | Paris-rue-Madame database: A 3D mobile laser scanner dataset for benchmarking urban detection, segmentation and classification methods | |
Chen et al. | Small-format aerial photography for highway-bridge monitoring | |
US20120033851A1 (en) | Spatially integrated aerial photography for bridge, structure, and environmental monitoring | |
CN102136194A (zh) | 基于全景计算机视觉的道路交通状态检测装置 | |
JP7065477B2 (ja) | 災害状況判定システムおよび災害判定飛行システム | |
JP6669830B2 (ja) | 点検計画立案支援システム、方法およびプログラム | |
Sarmadi et al. | Review on smartphone sensing technology for structural health monitoring | |
Gong et al. | Use of mobile lidar data to assess hurricane damage and visualize community vulnerability | |
KR20230100001A (ko) | 도로의 정비보수를 위한 도로 통합관리 시스템 | |
Irizarry et al. | Potential unmanned aircraft systems based operations within a Department of Transportation: Findings from a focus group study | |
Lee et al. | A study on the UAV image-based efficiency improvement of bridge maintenance and inspection | |
Gonzalez-Jorge et al. | Evaluation of road signs using radiometric and geometric data from terrestrial LiDAR | |
CN106325132A (zh) | 一种道路积水监控*** | |
Hallermann et al. | From aerial photography to 3-dimensional inspection of bridges | |
Gong | Mobile lidar data collection and analysis for post-sandy disaster recovery | |
Loli et al. | UAV-enabled flood damage assessment and recovery monitoring of bridges following Medicane Ianos | |
Tsai et al. | Using mobile disaster response system in bridge management | |
Kaamin et al. | Unmanned Aerial Vehicle Technology Use in Visual Road Inspection at Ft005, Johor Bahru-Melaka. | |
JP2012003726A (ja) | 現場点検支援システム | |
TWI387940B (zh) | Traffic information analysis system and method using geographic information module and aerial map | |
Hofmann et al. | Quality assessment of automatically generated feature maps for future driver assistance systems | |
Bridge | Use of small unmanned aerial vehicles (sUAV) for structural inspection | |
KR20230100787A (ko) | 도로의 정비보수를 위한 인공지능을 활용한 능동 도로 통합관리 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |