CN111595859A - 桥涵损伤检测方法及损伤检测、管理*** - Google Patents
桥涵损伤检测方法及损伤检测、管理*** Download PDFInfo
- Publication number
- CN111595859A CN111595859A CN202010442135.9A CN202010442135A CN111595859A CN 111595859 A CN111595859 A CN 111595859A CN 202010442135 A CN202010442135 A CN 202010442135A CN 111595859 A CN111595859 A CN 111595859A
- Authority
- CN
- China
- Prior art keywords
- bridge
- culvert
- image
- defect
- diseases
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 230000007547 defect Effects 0.000 claims abstract description 72
- 201000010099 disease Diseases 0.000 claims abstract description 55
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 55
- 238000003384 imaging method Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000001931 thermography Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 5
- 230000018109 developmental process Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates of flaws
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了桥涵损伤检测方法,包括:利用检测机器人的检测装置获得桥涵的热影成像图;对桥涵的热影成像图进行预处理;利用第一神经网络模型对热影成像图中的桥涵缺陷部位进行识别和定位;确定桥涵缺陷部位的虚拟坐标;根据确定的桥涵缺陷部位的虚拟坐标控制检测机器人行走到桥涵缺陷部位处;利用检测机器人的高清相机采集缺陷部位的高清图像;将高清图像作为第二神经网络模型的输入,评估缺陷部位的损伤程度。本发明还公开了相应的损伤检测、管理***。本发明自动识别热影成像图中的桥涵病害并进行定位,进一步采集到桥涵病害的高清图像后,对桥涵病害进行分类分级,提高桥涵病害识别和分类分级的准确性、科学性,节省人工。
Description
技术领域
本发明属于桥梁监测领域,具体涉及桥涵损伤检测方法及损伤检测、管理***。
背景技术
公路建设中,免不了跨越沟渠和行人、车辆通道,为了不妨碍交通,修筑于路面下的跨线涵洞及小桥,用于跨越天然沟谷洼地***洪水,或横跨大小道路作为人、畜和车辆的立交通道。随着交通量的不断增加,大型、超载运输车辆的增多,桥涵避免不了受到自然灾害如地震、洪水、泥石流或外力撞击如车辆船只冲撞,其结构会受到破坏,按照《公路桥梁养护规范》(JTG H11-2004)的规定,小桥涵的检查与检测应包括经常性检查、定期检测,尤其是一些需要长期监测的特殊小桥和涵洞,桥涵主体结构一旦出现裂缝,露筋腐蚀渗水等病害,都会降低结构的耐久性,直接导致桥梁和涵洞的使用寿命降低。
在面对地形复杂的小桥涵,尤其是地质灾害频发的山区,桥涵架设的地方往往受到地势影响,巡检难度加大,检测人员很难深入到杂草丛生和障碍较多的桥体和涵洞内部。这种情况下,传统的检测方式难以应对,例如:1.人工巡检:复杂的地形环境不仅会影响到检测人员的生命安全,还容易使检测人员产生厌烦情绪,不利于工作的展开,特别在极端天气下,危险度和困难性大大提高,误检漏检等事件频繁发生,对于一些排水涵洞,低洼地带或地理环境危险的地区,检测人员更是无法进入;2.桥检车法:该方法利用桁架式桥检车法可以为检测人员提供一个可靠的作业平台,提升检测效率,但是桥检车整机结构过于庞大,无法进入到小桥和涵洞内部,适应性受到限制,检测人员容易发生高空坠落等危险;3.无人机法:近年来已广泛应用于桥梁的检测,检测人员通过操控无人机,对桥梁进行检测,但受到续航能力,信号干扰,操作难度大等问题,无法深入到空间窄小的小桥和涵洞内部。
发明内容
本发明的技术问题是现有的特别是地理环境差的桥梁或涵洞,人员难以进入桥梁底部或涵洞内部进行巡检,而现有的基于图像的桥涵损伤检测方法,通过在桥涵架设固定的摄像头或通过无人机采集桥涵的图像,架设固定摄像头的方式成本高及固定摄像头有拍摄范围的限制,无人机采集图像的方式难以针对性地采集桥涵缺陷部位的高清图像,桥涵病害的评估分级的准确性成问题。
本发明的目的是解决上述问题,提供一种桥涵损伤检测方法,利用检测机器人行走到桥梁底部或涵洞内部并对桥涵进行扫描,得到桥涵的热影成像图,根据热影成像图识别并定位桥涵缺陷部位,依据定位的桥涵缺陷的坐标控制检测机器人行走到桥涵缺陷部位采集高清图像,并依据高清图像利用神经网络模型对桥涵病害进行评估分类。
本发明的技术方案是桥涵损伤检测方法,包括以下步骤,
步骤1:利用检测机器人的检测装置对桥梁或涵洞进行扫描,获得桥涵的热影成像图;
步骤2:对桥涵的热影成像图进行预处理、图像增强;
步骤3:利用第一神经网络模型对热影成像图中的桥涵缺陷部位进行识别和定位;
步骤4:根据定位的桥涵缺陷部位的图像坐标确定桥涵缺陷部位的虚拟坐标;
步骤5:根据计算的桥涵缺陷部位的虚拟坐标控制检测机器人行走到桥涵缺陷部位处;
步骤6:利用检测机器人的高清相机采集缺陷部位的高清图像;
步骤7:将缺陷部位的高清图像作为第二神经网络模型的输入,评估缺陷部位的损伤程度。
桥涵损伤检测方法的检测机器人包括车体和分别设置在车体两侧的前履带行走机构、后行走机构和设置在车体内部的控制器以及与控制器连接的检测装置,还包括分别与控制器连接的无线通讯模块、设置在车体前方的摄像头和设置在车体顶部的缺陷标记部件,缺陷标记部件的标记喷头设置在伸缩杆的顶部,伸缩杆的基座与车体固定连接,标记喷头的控制端、伸缩杆的控制端分别与控制器连接。检测装置包括设置在车体顶部的与控制器连接的三维激光扫描仪以及设置在车顶的三轴稳定台上的高清CCD相机,高清CCD相机经数据总线与控制器连接。车体两侧的前履带行走机构分别由不同的电机驱动,控制器通过控制驱动电机的转速差,使得检测机器人改变行走方向。
进一步地,步骤7之后,还包括步骤8:将桥涵缺陷部位的图像与此缺陷的历史图像对比,根据评估的缺陷部位的损伤程度,判断桥涵病害的发展趋势。
进一步地,步骤8之后,还包括步骤9:生成桥涵缺陷的二维码,贴在桥涵缺陷部位,便于管理养护人员扫码得到此桥涵缺陷的数据。
优选地,步骤3中,所述第一神经网络模型为卷积神经网络模型。
优选地,所述第二神经网络模型包括输入层、隐藏层、输出层、等级评估层;所述隐藏层包含依次连接的卷积层、ReLU层、池化层、全连接层、Softmax分类器。
进一步地,所述对桥涵的热影成像图进行预处理、降噪,对热影成像图依次进行灰度调整、滤波。
进一步地,步骤7中,所述对高清图像进行图像分割和特征提取,采用边缘检测算法和阈值分割法,提取图像中的桥涵缺陷部位的几何特征。
采用上述损伤检测方法的损伤检测、管理***,包括病害识别单元、损伤程度评估单元、病害二维码单元以及用于存储桥涵检测数据的数据库;病害识别单元利用桥涵的热影成像图对桥涵缺陷部位进行识别和定位;损伤程度评估单元根据桥涵缺陷部位的高清图像,对桥涵缺陷进行分类、分级;病害二维码单元对桥涵病害生成二维码,打印输出病害二维码。
进一步地,所述的损伤检测、管理***与公路健康监测***连接,获取公路健康监测***的桥梁、涵洞数据,向公路健康监测***提供桥涵病害图像和分类分级数据,便于桥梁、涵洞全生命周期的信息化管理。
相比现有技术,本发明的有益效果:
1)本发明根据检测机器人采集的桥涵的热影成像图,自动识别图中的桥涵病害并进行定位,根据定位的桥涵病害的坐标进一步采集到桥涵病害的高清图像后,根据高清图像自动对桥涵病害进行分类分级,提高桥涵病害识别和分类分级的准确性、科学性,节省人工;
2)本发明的方法将桥涵病害的损伤程度与此病害的历史状态进行对比,实现了桥涵病害发展趋势的监测;
3)本发明的方法对热影成像图进行预处理、降噪后,再利用卷积神经网络模型对桥涵缺陷部位图像区域进行识别,提高了桥涵病害识别的效率;
4)本发明的方法控制检测机器人行走到桥涵缺陷部位采集桥涵病害的高清图像,根据高清图像利用神经网络模型对桥涵病害进行评估分级,增加了桥涵病害分类分级的精确性;
5)本发明的损伤检测、管理***,对桥涵病害进行自动识别、分类分级,生成桥涵病害的唯一二维码,实现了桥涵病害的信息化管理,便于管理人员查询、追溯桥涵病害的历史状态;
6)本发明的损伤检测、管理***与公路健康监测***连接,并共享数据,实现了桥梁、涵洞全生命周期的信息化管理。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明的桥涵损伤检测方法的流程图。
图2为实施例的检测机器人的示意图。
图3为实施例的第二神经网络模型的示意图。
图4为本发明的损伤检测、管理***的功能模块示意图。
具体实施方式
实施例的检测机器人如图2所示,包括车体1和分别设置在车体两侧的前履带行走机构2、后行走机构3和设置在车体内部的控制器4以及与控制器连接的检测装置5,还包括分别与控制器连接的无线通讯模块7、设置在车体前方的摄像头6和设置在车体顶部的缺陷标记部件8,缺陷标记部件的标记喷头801设置在伸缩杆802的顶部,伸缩杆802的基座与车体固定连接,标记喷头801的控制端、伸缩杆802的控制端分别与控制器4连接。检测装置5包括设置在车体顶部的与控制器连接的三维激光扫描仪501以及设置在车顶的三轴稳定台503上的高清CCD相机502,高清CCD相机502经数据总线与控制器连接。车体两侧的前履带行走机构2分别由不同的电机驱动,控制器4通过控制驱动电机的转速差,使得检测机器人改变行走方向。
如图1所示,利用上述的检测机器人的桥涵损伤检测方法,包括以下步骤,
步骤1:利用检测机器人的检测装置对桥梁或涵洞进行扫描,获得桥涵的热影成像图;
步骤1.1:检测装置的初始位置设为原点,构建该桥涵的基准坐标系,利用三维激光点云技术实现检测机器人同步定位;
步骤1.2:利用检测装置对桥梁或涵洞进行三维激光扫描,获得桥涵的热影成像图,将该图像经无线网络传输到桥涵监测管理中心的服务器,以便对热影成像图进行分析;
步骤2:对热影成像图进行图像分析处理,利用灰度调整法和巴特沃斯低通滤波,降低红外图像的噪声;
步骤3:利用训练好的卷积神经网络对降噪后的图像进行分割处理,识别和定位图像中的桥涵病害;
步骤4:根据识别和定位的桥涵病害,结合基准坐标系,确定桥涵缺陷部位的虚拟坐标;
步骤5:根据计算的桥涵缺陷部位的虚拟坐标,控制检测机器人行走到桥涵缺陷处
步骤6:检测机器人行走到病害位置后,经检测机器人的操作人员确认后,利用检测机器人的高清CCD相机采集缺陷部位的高清图像;
步骤7:将缺陷部位的高清图像作为第二神经网络模型的输入,***对采集依次进行灰度化、滤波后,采用边缘检测算法和阈值分割法,提取图像中缺陷几何特征,利用已经训练完成的神经网络对缺陷部位进行识别、分类,同时将输出缺陷部位的病害特征进一步判别打分,利用分值大小判断候选的桥涵缺陷部位的损伤程度评估;
步骤8:在对采集的缺陷图片进行损伤识别后,利用坐标点寻找对应的历史图像,并将该病害部位的图像与此缺陷的历史图像对比,根据评估的缺陷部位的损伤程度,判断桥涵病害的发展趋势,同时上传到桥涵检测数据库中;
步骤9:生成桥涵缺陷的二维码,贴在桥涵缺陷部位,便于管理养护人员扫码得到此桥涵缺陷的数据。
步骤2中,采用的灰度调整法和巴特沃斯低通滤波法参照《无损检测》2011年33卷刊登的刘涛的论文“红外热图的预处理设计”。卷积神经网络参照《计算机应用与软件》2018年第35卷刊登的闫河论文“改进的卷积神经网络图片分类识别方法”公开的卷积神经网络模型。
步骤4中,确定桥涵缺陷部位的虚拟坐标,参照电子科技大学硕士论文赵绍安的论文“基于三维激光点云的移动机器人同步定位与构图算法研究”。
步骤7中,采用的边缘检测算法和阈值分割法参照《仪器仪表学报》2017年38卷刊登的苑玮琦的论文“基于机器视觉的隧道衬砌裂缝检测算法综述”。
如图3所示,第二神经网络模型包括输入层、卷积层、ReLU层、池化层、全连接层、Softmax分类器、输出层、等级评估层。
采用上述损伤检测方法的损伤检测、管理***,包括病害识别单元、损伤程度评估单元、病害二维码单元以及用于存储桥涵检测数据的数据库,如图4所示;病害识别单元利用桥涵的热影成像图对桥涵缺陷部位进行识别和定位;损伤程度评估单元根据桥涵缺陷部位的高清图像,对桥涵缺陷进行评估分级;病害二维码单元对桥涵病害生成二维码,打印输出病害二维码。
损伤检测、管理***与公路健康监测***连接,获取公路健康监测***的桥梁、涵洞数据,向公路健康监测***提供桥涵病害图像和分类分级数据,便于桥梁、涵洞全生命周期的信息化管理。
Claims (9)
1.桥涵损伤检测方法,其特征在于,利用检测机器人采集的桥涵的热影成像图,识别图中的桥涵病害并进行定位,根据定位的桥涵病害的坐标控制检测机器人行走到桥涵缺陷部位,进一步采集到桥涵病害的高清图像后,根据高清图像自动对桥涵病害进行分类分级,所述桥涵损伤检测方法包括以下步骤,
步骤1:利用检测机器人的检测装置对桥梁或涵洞进行扫描,获得桥涵的热影成像图;
步骤2:对桥涵的热影成像图进行预处理、降噪;
步骤3:利用第一神经网络模型对热影成像图中的桥涵缺陷部位进行识别和定位;
步骤4:根据定位的桥涵缺陷部位的图像坐标确定桥涵缺陷部位的虚拟坐标;
步骤5:根据计算的桥涵缺陷部位的虚拟坐标控制检测机器人行走到桥涵缺陷部位处;
步骤6:利用检测机器人的高清相机采集缺陷部位的高清图像;
步骤7:对高清图像进行图像分割和特征提取后,利用第二神经网络模型对缺陷部位进行分类分级。
2.根据权利要求1所述的桥涵损伤检测方法,其特征在于,步骤7之后,还包括步骤8:将桥涵缺陷部位的图像与此缺陷的历史图像对比,根据评估的缺陷部位的损伤程度,判断桥涵病害的发展趋势。
3.根据权利要求2所述的桥涵损伤检测方法,其特征在于,步骤8之后,还包括步骤9:生成桥涵缺陷的二维码,贴在桥涵缺陷部位,便于管理养护人员扫码得到此桥涵缺陷的数据。
4.根据权利要求1所述的伤检测方法,其特征在于,步骤3中,所述第一神经网络模型为卷积神经网络模型。
5.根据权利要求1所述的桥涵损伤检测方法,其特征在于,所述第二神经网络模型包括输入层、隐藏层、输出层以及等级评估层,所述隐藏层包括依次连接的卷积层、ReLU层、池化层、全连接层、Softmax分类器。
6.根据权利要求1所述的桥涵损伤检测方法,其特征在于,所述对桥涵的热影成像图进行预处理、降噪,对热影成像图依次进行灰度调整、滤波。
7.根据权利要求1所述的桥涵损伤检测方法,其特征在于,步骤7中,所述对高清图像进行图像分割和特征提取,采用边缘检测算法和阈值分割法,提取图像中的桥涵缺陷部位的几何特征。
8.采用权利要求3-7任意一项所述的损伤检测方法的损伤检测、管理***,包括病害识别单元、损伤程度评估单元、病害二维码单元以及用于存储桥涵检测数据的数据库;
病害识别单元利用桥涵的热影成像图对桥涵缺陷部位进行识别、分类和定位;
损伤程度评估单元根据桥涵缺陷部位的高清图像,对桥涵缺陷进行评估分级;
病害二维码单元对桥涵病害生成二维码,打印输出病害二维码。
9.根据权利要求8所述的损伤检测、管理***,其特征在于,与公路健康监测***连接,获取公路健康监测***的桥梁、涵洞数据,向公路健康监测***提供桥涵病害图像和分类分级数据,便于桥梁、涵洞全生命周期的信息化管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010442135.9A CN111595859A (zh) | 2020-05-22 | 2020-05-22 | 桥涵损伤检测方法及损伤检测、管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010442135.9A CN111595859A (zh) | 2020-05-22 | 2020-05-22 | 桥涵损伤检测方法及损伤检测、管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111595859A true CN111595859A (zh) | 2020-08-28 |
Family
ID=72189164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010442135.9A Pending CN111595859A (zh) | 2020-05-22 | 2020-05-22 | 桥涵损伤检测方法及损伤检测、管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111595859A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112627023A (zh) * | 2020-11-23 | 2021-04-09 | 山东奥邦交通设施工程有限公司 | 一种智能桥梁检测方法、***及智能桥梁检测机器人 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120218411A1 (en) * | 2011-02-25 | 2012-08-30 | Guangzhou Sat Infrared Technology Co. Ltd | System and method for road surface defects detection |
CN104949986A (zh) * | 2015-05-11 | 2015-09-30 | 湖南桥康智能科技有限公司 | 视觉智能采集*** |
CN105651780A (zh) * | 2015-12-28 | 2016-06-08 | 新疆金风科技股份有限公司 | 通过无人机检测风机叶片状态的方法、装置及*** |
CN106018417A (zh) * | 2016-06-27 | 2016-10-12 | 深圳大学 | 一种外墙缺陷的检测方法及检测*** |
CN205898700U (zh) * | 2016-06-27 | 2017-01-18 | 深圳大学 | 一种外墙缺陷的检测*** |
US20200098103A1 (en) * | 2018-09-21 | 2020-03-26 | Chongqing Construction Engineering Group Corporation Limited | High-precision Intelligent Detection Method For Bridge Diseases Based On Spatial Position |
-
2020
- 2020-05-22 CN CN202010442135.9A patent/CN111595859A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120218411A1 (en) * | 2011-02-25 | 2012-08-30 | Guangzhou Sat Infrared Technology Co. Ltd | System and method for road surface defects detection |
CN104949986A (zh) * | 2015-05-11 | 2015-09-30 | 湖南桥康智能科技有限公司 | 视觉智能采集*** |
CN105651780A (zh) * | 2015-12-28 | 2016-06-08 | 新疆金风科技股份有限公司 | 通过无人机检测风机叶片状态的方法、装置及*** |
CN106018417A (zh) * | 2016-06-27 | 2016-10-12 | 深圳大学 | 一种外墙缺陷的检测方法及检测*** |
CN205898700U (zh) * | 2016-06-27 | 2017-01-18 | 深圳大学 | 一种外墙缺陷的检测*** |
US20200098103A1 (en) * | 2018-09-21 | 2020-03-26 | Chongqing Construction Engineering Group Corporation Limited | High-precision Intelligent Detection Method For Bridge Diseases Based On Spatial Position |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112627023A (zh) * | 2020-11-23 | 2021-04-09 | 山东奥邦交通设施工程有限公司 | 一种智能桥梁检测方法、***及智能桥梁检测机器人 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lekshmipathy et al. | Vibration vs. vision: Best approach for automated pavement distress detection | |
CN103500338B (zh) | 基于车载激光扫描点云的道路斑马线自动提取方法 | |
Garilli et al. | Automatic detection of stone pavement's pattern based on UAV photogrammetry | |
CN110991466A (zh) | 一种基于新型视觉传感设备的高速公路路面状况检测*** | |
CN112308913B (zh) | 一种基于视觉的车辆定位方法、装置及车载终端 | |
CN115452723A (zh) | 一种桥梁工程用的桥梁缺陷检测设备及缺陷识别方法 | |
Zhang et al. | Robust lidar localization for autonomous driving in rain | |
CN112633722A (zh) | 车载道路安全风险评估***及方法 | |
CN112070756A (zh) | 一种基于无人机倾斜摄影的路面立体病害测量方法 | |
Wei et al. | Damage inspection for road markings based on images with hierarchical semantic segmentation strategy and dynamic homography estimation | |
Guerrieri et al. | Flexible and stone pavements distress detection and measurement by deep learning and low-cost detection devices | |
Che et al. | Efficient segment-based ground filtering and adaptive road detection from mobile light detection and ranging (LiDAR) data | |
CN114971166A (zh) | 一种轻量化道路路面服务质量巡检*** | |
CN111595859A (zh) | 桥涵损伤检测方法及损伤检测、管理*** | |
CN116222579B (zh) | 一种基于建筑施工的无人机巡察方法及*** | |
CN116631187B (zh) | 一种案件现场勘查信息智能采集分析*** | |
CN113762247A (zh) | 一种基于显著实例分割算法的道路裂缝自动检测方法 | |
CN117152617A (zh) | 一种城市洪涝识别方法及*** | |
CN204491372U (zh) | 一种手推式水泥混凝土路面接缝损坏检测装置 | |
CN113009910A (zh) | 一种人行道检测机器人***及人行道检测方法 | |
CN112254701B (zh) | 车载式桥头跳车检测分析***及其方法 | |
CN115575400A (zh) | 一种天地一体化公路检测***及方法 | |
Hossain et al. | Pothole detection and estimation of repair cost in Bangladeshi street: ai-based multiple case analysis | |
CN114659513A (zh) | 一种面向非结构化道路的点云地图构建与维护方法 | |
CN115409691A (zh) | 融合激光测距和监控图像的双模态学习边坡风险检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200828 |
|
RJ01 | Rejection of invention patent application after publication |