CN111751380B - 一种基于轻小型无人机的混凝土坝裂缝检查方法 - Google Patents
一种基于轻小型无人机的混凝土坝裂缝检查方法 Download PDFInfo
- Publication number
- CN111751380B CN111751380B CN202010651485.6A CN202010651485A CN111751380B CN 111751380 B CN111751380 B CN 111751380B CN 202010651485 A CN202010651485 A CN 202010651485A CN 111751380 B CN111751380 B CN 111751380B
- Authority
- CN
- China
- Prior art keywords
- dam
- aerial vehicle
- unmanned aerial
- crack
- light
- 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
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
- G01N21/8851—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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/06—Systems determining the position data of a target
- G01S15/08—Systems for measuring distance only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
-
- 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
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Automation & Control Theory (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于轻小型无人机的混凝土坝裂缝检查方法,利用便携式轻小型无人机快速检查混凝土坝体裂缝,以图像信息和其对应的定位信息、距离信息、无人机姿态信息为源数据,对裂缝识别机器学习模型进行训练,将训练好的裂缝识别机器学习模型用于识别裂缝,相比传统方式,显著提升了检查速度和精确度,可以为大坝安全检查提供一种新方法。
Description
技术领域
本发明涉及水工质检领域,具体涉及一种基于轻小型无人机的混凝土坝裂缝检查方法。
背景技术
轻小型旋翼无人机携带RTK和惯导定位***,并结合人工智能方法的优化改进,使得近些年的无人机飞行姿态控制和规划路径飞行的准确性有了大幅提升,同时倾斜摄影方式成本低,效率高,准确度也大幅提升,为小团队或者个人利用轻小型无人机进行摄影测量建模和分析提供了技术和设备的可能性。
针对混凝土材质的重力坝、面板坝和拱坝等水工建筑物,裂缝检查是其健康程度的重要衡量标准。而水工建筑物的坝体表面通常长度大、高度高、,面积大、裂缝小、特征不明显、随机性强,因而检查整个坝体的健康状况实施困难且精度有限,需要有新的技术和设备来改进这个工作流程,为水库大坝的安全检查提供科学、快速的方法。
传统上最常采用人工逐步排查方法进行裂缝检查,耗时耗力,需要辅助设备和人员多,成本高昂,难以实现短期多次检查的需求;后续有采用非接触望远镜辅助排查的方法,但是也同样面临工作量大,完成一次工作花费时间长,无法精确测量坝体裂缝长度和宽度等问题,与现在水利工程的自动化、科学监管和精细化管理的要求有差距,因而也很难得到大面积产业化推广。
目前亟需一种方便快捷、容易实施且有较高精度的混凝土坝体裂缝检查方法,为水库大坝的安全运行提供保障。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于轻小型无人机的混凝土坝裂缝检查方法解决了传统方法成本高昂,工作量大和精确度低的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于轻小型无人机的混凝土坝裂缝检查方法,包括以下步骤:
S1、对轻小型无人机的机身进行装配,采用装配后的轻小型无人机获取坝体表面区域的照片和每张照片对应的数据;
S2、根据每张照片对应的数据,对坝体表面区域的照片进行预处理,得到黑白增强照片集;
S3、将黑白增强照片集输入到裂缝识别机器学习模型中进行训练,得到训练完成的裂缝识别机器学习模型;
S4、采用训练完成的裂缝识别机器学习模型识别裂缝,并对裂缝进行测量和追踪,得到裂缝图像;
S5、利用Surf算法对裂缝图像进行快速拼接,匹配识别好的裂缝矢量线,生成坝体裂缝检查表。
进一步地,步骤S1包括以下步骤:
S11、对轻小型无人机的机身进行装配;
S12、将上下游两侧的坝体面区沿着垂直地面的方向将坝体面进行多次切割,得到N个独立的坝体表面区域,N为正整数;
S13、在每个独立的坝体表面区域设立标定位置;
S14、在所有标定位置,根据设定飞行参数,规划轻小型无人机的飞行航线;
S15、根据飞行航线,采用装配后的轻小型无人机获取N个独立的坝体表面区域的照片和每张照片对应的数据。
进一步地,所述步骤S11具体为:
在轻小型无人机的机身中装配相机、GPS定位***、惯性导航***、激光雷达和陀螺仪传感器,并在轻小型无人机的四个侧壁分别安装第一超声波测距仪、第二超声波测距仪、第三超声波测距仪和第四超声波测距仪。
进一步地,所述步骤S12中坝体面为:对于不同的坝体类型,坝体表面也各不相同,其中,对于双曲拱坝,其坝体面包括外部和内部;对于重力坝,其坝体面包括坝顶、内部和外部;对于面板坝,其坝体面为其混凝土面板。
进一步地,所述步骤S14中飞行参数包括:高度、速度、拍摄间隔、航向间距和旁向间距。
进一步地,所述步骤S14中航线规划方法为:根据每个独立的坝体表面区域的几何特征,航线与坝体表面的距离不低于10m,飞行路线按照平行地面方向往返迭代进行,从坝顶开始平行飞行,然后保证航向和旁向重叠率均在60%以上进行,每一个独立的坝体表面区域飞行完成,两个相邻区域之间保证重叠率不低于20%。
进一步地,所述步骤S15中每张照片对应的数据包括:通过GPS定位***获取的定位数据、通过第一超声波测距仪、第二超声波测距仪、第三超声波测距仪和第四超声波测距仪获取的轻小型无人机距坝体距离数据以及通过惯性导航***获取的惯导姿态POS参数。
进一步地,所述步骤S2包括以下步骤:
S21、根据每张照片对应的数据,对坝体表面区域的照片进行标准化处理,得到格式统一的照片集;
S22、标记格式统一的照片集中裂缝和其裂缝的长度,得到标注照片集;
S23、对标注照片集进行黑白增强处理,得到黑白增强照片集,其中,黑白增强的公式为:
其中,I为当前像素,Iorgion为标注照片的像素,Lavg为标注照片的像素平均值。
进一步地,步骤S3中裂缝识别机器学习模型为:第一卷积层、第一池化层、第二卷积层、第二池化层和第一全连接层;
所述第一卷积层、第一池化层、第二卷积层、第二池化层和第一全连接层顺次连接,所述第一卷积层的输入端作为裂缝识别机器学习模型的输入端;所述第一全连接层的输出端作为裂缝识别机器学习模型的输出端。
本发明的有益效果为:利用便携式轻小型无人机快速检查混凝土坝体裂缝,以图像信息和其对应的定位信息、距离信息、无人机姿态信息为源数据,对裂缝识别机器学习模型进行训练,将训练好的裂缝识别机器学习模型用于识别裂缝,相比传统方式,显著提升了检查速度和精确度,可以为大坝安全检查提供一种新方法。
附图说明
图1为一种基于轻小型无人机的混凝土坝裂缝检查方法流程示意图;
图2为坝体上下游表面的区域划分示意图;
图3为航线规划示意图;
图4为裂缝识别机器学习模型的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,在本发明的一个实施例中,一种基于轻小型无人机的混凝土坝裂缝检查方法,包括以下步骤:
S1、对轻小型无人机的机身进行装配,采用装配后的轻小型无人机获取坝体表面区域的照片和每张照片对应的数据;
步骤S1包括以下步骤:
S11、对轻小型无人机的机身进行装配;
所述步骤S11具体为:在轻小型无人机的机身中装配相机、GPS定位***、惯性导航***、激光雷达和陀螺仪传感器,并在轻小型无人机的四个侧壁分别安装第一超声波测距仪、第二超声波测距仪、第三超声波测距仪和第四超声波测距仪。
S12、将上下游两侧的坝体面区沿着垂直地面的方向将坝体面进行多次切割,得到N个独立的坝体表面区域,N为正整数,如图2所示;
所述步骤S12中坝体面为:对于不同的坝体类型,坝体表面也各不相同,其中,对于双曲拱坝,其坝体面包括外部和内部;对于重力坝,其坝体面包括坝顶、内部和外部;对于面板坝,其坝体面为其混凝土面板。
S13、在每个独立的坝体表面区域设立标定位置;
S14、在所有标定位置,根据设定飞行参数,规划轻小型无人机的飞行航线;
所述步骤S14中飞行参数包括:高度、速度、拍摄间隔、航向间距和旁向间距。
如图3所示,所述步骤S14中航线规划方法为:根据每个独立的坝体表面区域的几何特征,航线与坝体表面的距离不低于10m,飞行路线按照平行地面方向往返迭代进行,从坝顶开始平行飞行,然后保证航向和旁向重叠率均在60%以上进行,每一个独立的坝体表面区域飞行完成,两个相邻区域之间保证重叠率不低于20%。
S15、根据飞行航线,采用装配后的轻小型无人机获取N个独立的坝体表面区域的照片和每张照片对应的数据。
所述步骤S15中每张照片对应的数据包括:通过GPS定位***获取的定位数据、通过第一超声波测距仪、第二超声波测距仪、第三超声波测距仪和第四超声波测距仪获取的轻小型无人机距坝体距离数据以及通过惯性导航***获取的惯导姿态POS参数。
S2、根据每张照片对应的数据,对坝体表面区域的照片进行预处理,得到黑白增强照片集;
所述步骤S2包括以下步骤:
S21、根据每张照片对应的数据,对坝体表面区域的照片进行标准化处理,得到格式统一的照片集;
S22、标记格式统一的照片集中裂缝和其裂缝的长度,得到标注照片集;
S23、对标注照片集进行黑白增强处理,得到黑白增强照片集,其中,黑白增强的公式为:
其中,I为当前像素,Iorgion为标注照片的像素,Lavg为标注照片的像素平均值。
S3、将黑白增强照片集输入到裂缝识别机器学习模型中进行训练,得到训练完成的裂缝识别机器学习模型;
如图4所示,步骤S3中裂缝识别机器学习模型为:第一卷积层、第一池化层、第二卷积层、第二池化层和第一全连接层;
所述第一卷积层、第一池化层、第二卷积层、第二池化层和第一全连接层顺次连接,所述第一卷积层的输入端作为裂缝识别机器学习模型的输入端;所述第一全连接层的输出端作为裂缝识别机器学习模型的输出端。
S4、采用训练完成的裂缝识别机器学习模型识别裂缝,并对裂缝进行测量和追踪,得到裂缝图像;
S5、利用Surf算法对裂缝图像进行快速拼接,匹配识别好的裂缝矢量线,生成坝体裂缝检查表。
本发明的有益效果为:利用便携式轻小型无人机快速检查混凝土坝体裂缝,以图像信息和其对应的定位信息、距离信息、无人机姿态信息为源数据,对裂缝识别机器学习模型进行训练,将训练好的裂缝识别机器学习模型用于识别裂缝,相比传统方式,显著提升了检查速度和精确度,可以为大坝安全检查提供一种新方法。
Claims (5)
1.一种基于轻小型无人机的混凝土坝裂缝检查方法,其特征在于,包括以下步骤:
S1、对轻小型无人机的机身进行装配,采用装配后的轻小型无人机获取坝体表面区域的照片和每张照片对应的数据;
S2、根据每张照片对应的数据,对坝体表面区域的照片进行预处理,得到黑白增强照片集;
步骤S2包括以下步骤:
S21、根据每张照片对应的数据,对坝体表面区域的照片进行标准化处理,得到格式统一的照片集;
S22、标记格式统一的照片集中裂缝和其裂缝的长度,得到标注照片集;
S23、对标注照片集进行黑白增强处理,得到黑白增强照片集,其中,黑白增强的公式为:
其中,I为当前像素,Iorgion为标注照片的像素,Lavg为标注照片的像素平均值;
S3、将黑白增强照片集输入到裂缝识别机器学习模型中进行训练,得到训练完成的裂缝识别机器学习模型;
步骤S3中裂缝识别机器学习模型为:第一卷积层、第一池化层、第二卷积层、第二池化层和第一全连接层;
所述第一卷积层、第一池化层、第二卷积层、第二池化层和第一全连接层顺次连接,所述第一卷积层的输入端作为裂缝识别机器学习模型的输入端;所述第一全连接层的输出端作为裂缝识别机器学习模型的输出端;
S4、采用训练完成的裂缝识别机器学习模型识别裂缝,并对裂缝进行测量和追踪,得到裂缝图像;
S5、利用Surf算法对裂缝图像进行快速拼接,匹配识别好的裂缝矢量线,生成坝体裂缝检查表;
步骤S1包括以下步骤:
S11、对轻小型无人机的机身进行装配;
S12、将上下游两侧的坝体面区沿着垂直地面的方向将坝体面进行多次切割,得到N个独立的坝体表面区域,N为正整数;
S13、在每个独立的坝体表面区域设立标定位置;
S14、在所有标定位置,根据设定飞行参数,规划轻小型无人机的飞行航线;
步骤S14中航线规划方法为:根据每个独立的坝体表面区域的几何特征,航线与坝体表面的距离不低于10m,飞行路线按照平行地面方向往返迭代进行,从坝顶开始平行飞行,然后保证航向和旁向重叠率均在60%以上进行,每一个独立的坝体表面区域飞行完成,两个相邻区域之间保证重叠率不低于20%;
S15、根据飞行航线,采用装配后的轻小型无人机获取N个独立的坝体表面区域的照片和每张照片对应的数据。
2.根据权利要求1所述的基于轻小型无人机的混凝土坝裂缝检查方法,其特征在于,所述步骤S11具体为:
在轻小型无人机的机身中装配相机、GPS定位***、惯性导航***、激光雷达和陀螺仪传感器,并在轻小型无人机的四个侧壁分别安装第一超声波测距仪、第二超声波测距仪、第三超声波测距仪和第四超声波测距仪。
3.根据权利要求1所述的基于轻小型无人机的混凝土坝裂缝检查方法,其特征在于,所述步骤S12中坝体面为:对于不同的坝体类型,坝体表面也各不相同,其中,对于双曲拱坝,其坝体面包括外部和内部;对于重力坝,其坝体面包括坝顶、内部和外部;对于面板坝,其坝体面为其混凝土面板。
4.根据权利要求1所述的基于轻小型无人机的混凝土坝裂缝检查方法,其特征在于,所述步骤S14中飞行参数包括:高度、速度、拍摄间隔、航向间距和旁向间距。
5.根据权利要求1所述的基于轻小型无人机的混凝土坝裂缝检查方法,其特征在于,所述步骤S15中每张照片对应的数据包括:通过GPS定位***获取的定位数据、通过第一超声波测距仪、第二超声波测距仪、第三超声波测距仪和第四超声波测距仪获取的轻小型无人机距坝体距离数据以及通过惯性导航***获取的惯导姿态POS参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010651485.6A CN111751380B (zh) | 2020-07-08 | 2020-07-08 | 一种基于轻小型无人机的混凝土坝裂缝检查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010651485.6A CN111751380B (zh) | 2020-07-08 | 2020-07-08 | 一种基于轻小型无人机的混凝土坝裂缝检查方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111751380A CN111751380A (zh) | 2020-10-09 |
CN111751380B true CN111751380B (zh) | 2021-08-31 |
Family
ID=72709919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010651485.6A Active CN111751380B (zh) | 2020-07-08 | 2020-07-08 | 一种基于轻小型无人机的混凝土坝裂缝检查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111751380B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539568B (zh) * | 2020-04-22 | 2021-11-05 | 深圳市地质局 | 基于无人机和三维建模技术的安全监测***及方法 |
CN112748121B (zh) * | 2020-12-31 | 2022-10-25 | 天津大学 | 基于水工结构表面裂缝的无人机检测方法及装置 |
CN113848209B (zh) * | 2021-08-23 | 2023-12-15 | 浙江工业大学 | 一种基于无人机与激光测距的堤坝裂缝检测方法 |
CN114724040A (zh) * | 2022-05-06 | 2022-07-08 | 悉地(苏州)勘察设计顾问有限公司 | 一种基于航拍拼接图像的混凝土裂缝识别方法及*** |
CN115184372B (zh) * | 2022-07-13 | 2023-04-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 混凝土结构难达部位微裂纹荧光渗透智能探测装置与方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376548A (zh) * | 2014-11-07 | 2015-02-25 | 中国电子科技集团公司第二十八研究所 | 一种基于改进型surf算法的图像快速拼接方法 |
CN106127690A (zh) * | 2016-07-06 | 2016-11-16 | *** | 一种无人机遥感图像快速拼接方法 |
CN107103600A (zh) * | 2017-04-13 | 2017-08-29 | 北京海风智能科技有限责任公司 | 一种基于机器学习的绝缘子缺陷自动检测方法 |
CN109255317A (zh) * | 2018-08-31 | 2019-01-22 | 西北工业大学 | 一种基于双网络的航拍图像差异检测方法 |
CN109884067A (zh) * | 2019-01-26 | 2019-06-14 | 北京中水科海利工程技术有限公司 | 大坝面板缺陷精准定位及可视化的处理方法 |
CN110335255A (zh) * | 2019-06-14 | 2019-10-15 | 华南农业大学 | 一种基于深度学习的水坝斜坡裂缝检测方法及仿生壁虎爬行检测装置 |
CN110987936A (zh) * | 2019-11-20 | 2020-04-10 | 天津大学 | 一种面向无人机的大坝表面裂缝智能识别测量装置 |
-
2020
- 2020-07-08 CN CN202010651485.6A patent/CN111751380B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376548A (zh) * | 2014-11-07 | 2015-02-25 | 中国电子科技集团公司第二十八研究所 | 一种基于改进型surf算法的图像快速拼接方法 |
CN106127690A (zh) * | 2016-07-06 | 2016-11-16 | *** | 一种无人机遥感图像快速拼接方法 |
CN107103600A (zh) * | 2017-04-13 | 2017-08-29 | 北京海风智能科技有限责任公司 | 一种基于机器学习的绝缘子缺陷自动检测方法 |
CN109255317A (zh) * | 2018-08-31 | 2019-01-22 | 西北工业大学 | 一种基于双网络的航拍图像差异检测方法 |
CN109884067A (zh) * | 2019-01-26 | 2019-06-14 | 北京中水科海利工程技术有限公司 | 大坝面板缺陷精准定位及可视化的处理方法 |
CN110335255A (zh) * | 2019-06-14 | 2019-10-15 | 华南农业大学 | 一种基于深度学习的水坝斜坡裂缝检测方法及仿生壁虎爬行检测装置 |
CN110987936A (zh) * | 2019-11-20 | 2020-04-10 | 天津大学 | 一种面向无人机的大坝表面裂缝智能识别测量装置 |
Non-Patent Citations (3)
Title |
---|
Seismic cracking and instability of concrete dams: Smeared crack approach;M.A. Hariri-Ardebili and S.M. Seyed-Kolbadi;《Engineering Failure Analysis》;20150311;第52卷;第45-60页 * |
无人机视觉的桥梁底面裂缝检测方法;贺志勇、王鹏;《筑路机械与施工机械化》;20191231;第36卷;第132-137页"1 无人机在桥梁底面检测中的应用、2 图像预处理、3 基于BP神经网络的桥梁裂缝分类" * |
混凝土坝裂缝识别的数字图像处理算法研究;王丽;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200215(第02期);第7-61页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111751380A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111751380B (zh) | 一种基于轻小型无人机的混凝土坝裂缝检查方法 | |
CN109270534B (zh) | 一种智能车激光传感器与相机在线标定方法 | |
Morgenthal et al. | Framework for automated UAS-based structural condition assessment of bridges | |
CN106645205A (zh) | 一种无人机桥梁底面裂纹检测方法及*** | |
CN101598556B (zh) | 一种未知环境下无人机视觉/惯性组合导航方法 | |
CN110826549A (zh) | 基于计算机视觉的巡检机器人仪表图像识别方法及*** | |
CN111076880B (zh) | 一种考虑相机姿态变化的大跨桥梁多点挠度测量方法 | |
CN104457719B (zh) | 类矩形盾构施工的姿态测量装置及测量方法 | |
CN105302151A (zh) | 一种飞机入坞引导和机型识别的***及方法 | |
CN103438826B (zh) | 激光与视觉相结合的钢板的三维测量***及方法 | |
CN104835173A (zh) | 一种基于机器视觉的定位方法 | |
CN106979803B (zh) | 一种基于航拍无人机的测量河道流量的方法 | |
CN102589425B (zh) | 球面射电望远镜反射面单元面板测量方法 | |
CN105488808A (zh) | 基于三维空间拍摄定位技术的合拢管现场测量装置及方法 | |
CN115578315A (zh) | 一种基于无人机图像的桥梁应变近景摄影测量方法 | |
US20230105991A1 (en) | Method of imaging a wind turbine rotor blade | |
CN109472778B (zh) | 一种基于无人机的高耸结构外观检测方法 | |
EP4068210A1 (en) | System and method for automated estimation of 3d orientation of a physical asset | |
CN110186468A (zh) | 用于自动驾驶的高精度地图制作方法和制作装置 | |
CN115984766A (zh) | 一种煤矿井下快速单目视觉三维目标检测方法 | |
CN112700498A (zh) | 一种基于深度学习的风力发电机叶尖定位方法及*** | |
CN105157564A (zh) | 一种网架单元拼装精度快速自动化摄影测量方法 | |
CN116192044A (zh) | 一种故障光伏板编号定位方法、装置、电子设备及存储介质 | |
Lei et al. | Locating anchor drilling holes based on binocular vision in coal mine roadways | |
CN115854995A (zh) | 一种基于无人机测绘的基桩测量***及方法 |
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 | ||
GR01 | Patent grant |