CN112098326A - 针对桥梁病害的自动检测方法和*** - Google Patents

针对桥梁病害的自动检测方法和*** Download PDF

Info

Publication number
CN112098326A
CN112098326A CN202010842289.7A CN202010842289A CN112098326A CN 112098326 A CN112098326 A CN 112098326A CN 202010842289 A CN202010842289 A CN 202010842289A CN 112098326 A CN112098326 A CN 112098326A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
detection
bridge
disease
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.)
Granted
Application number
CN202010842289.7A
Other languages
English (en)
Other versions
CN112098326B (zh
Inventor
张建
蒋赏
林方舟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202010842289.7A priority Critical patent/CN112098326B/zh
Publication of CN112098326A publication Critical patent/CN112098326A/zh
Application granted granted Critical
Publication of CN112098326B publication Critical patent/CN112098326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • 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
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种针对桥梁病害的自动检测方法和***，将桥梁检测过程分为“整体‑构件‑局部”三个检测层次，通过一种具备空中飞行、吸附于桥底/桥塔隐蔽部位的多运动模式智能无人机***实施检测工作，采用一种基于信息反馈的自适应巡检路线动态规划算法自主控制无人机获取不同尺度下桥梁表面影像和声波反馈信息，进而通过与三层次检测尺度对应的多尺度深度学习网络自动挖掘分析桥梁病害信息，从测量最优和分析最优实现桥梁包含梁底等隐蔽部位的内部外部病害精准检测。本发明方法与传统人工检测相比在大幅降低成本的同时显著提升检测效率，多层次的检测方法可全面、细致地覆盖结构表面和内部信息，检测信息全面、完整，且有不影响交通的优势。

Description

针对桥梁病害的自动检测方法和***
技术领域
本发明涉及智能信号处理技术领域，尤其涉及一种针对桥梁病害的自动检测方法和***。
背景技术
我国桥梁总数已超过100万座，其安全服役关系国计民生。结构检测是保障桥梁安全的重要手段，《交通强国建设纲要》明确要求“加强基础设施运行监测检测，大力推动大数据、物联网、人工智能等新技术与交通行业深度融合”。
传统的桥梁底部病害检测方法依赖人工目视检测和大型桥梁检测设备，存在成本高、效率低、阻碍交通等问题。为了克服人工检测的问题，近年来计算机视觉和深度学***台的检测方法大多是检测表面病害，无法识别结构内部损伤。
另一方面，无人机***作为一种廉价、便捷的工作平台，也开始越来越多地被应用于结构检测上。然而，现有的无人机在应用到桥梁底部病害检测上尚存在很大的局限性。首先，传统的无人机均依靠GPS信息实现无人机定位，而在桥梁底部无人机由于受遮挡无法接收GPS信息，因此无法正常工作；此外，传统无人机在桥梁底部工作时需要时刻注意以免与桥梁底部、桥墩等发生碰撞，这对操作人员提出了严格的要求。由于传统无人机在检测裂缝时必须与结构保持一定的安全距离以防碰撞，因此难以获取结构表面细致的裂缝照片，还存在无人机拍摄时不能保证相机与被测面平行，造成获取的病害照片存在难以消除的倾斜变形等问题。以上问题大大限制了无人机平台和深度学习方法在结构病害检测中的实际工程应用。
发明内容
针对以上问题，本发明提出一种针对桥梁病害的自动检测方法和***。
为实现本发明的目的，提供一种针对桥梁病害的自动检测方法，该方法首先将桥梁检测划分为桥梁整体、分散构件和局部病害三个层次，以一种具备飞行和吸附爬行的多模式无人机为实施检测的平台，其中在每一层次的检测过程中以基于实时检测结果反馈的动态巡检路径自动规划方法指导无人机自动展开巡检，并在巡检结束后通过与三层次检测特征的尺度对应的多层次深度学习网络分析和挖掘所获取信息中的病害特征。
在一个实施例中，上述多层次深度学习网络的病害自动分析挖掘方法通过串并联将整个网络划分为独立的特征提取层(并联)和共享的特征预测层(串联)两部分；其中特征提取层根据桥梁整体尺度、构件尺度和局部病害尺度分别设计三个并行的特征提取子网络，单个子网络的结构与普通特征提取网络类似，由若干套卷积层、批量规范化层、激活层和残差层组成，对于大尺度输入，其残差层更多，网络越深，因而降采样倍率越大；对于特征预测层，采用类似单发多框检测器的思想，首先通过聚类分析得到一定数量的不同长宽比的候选框，然后均匀地在特征图的不同位置进行密集抽样，直接进行分类和回归。
在一个实施例中，上述基于信息反馈的自适应巡检动态路线规划方法按照检测层次分为整体-构件阶段规划、构件-局部阶段规划两部分，对于整体层次检测，其核心是根据桥梁几何形状抽象出桥梁构件的走向，利用分类神经网络判断无人机搭载相机拍摄视频以识别无人机在每一时刻相对于桥梁构件的指向方位和空间位置，进而指导无人机按构件走向自动巡检，同时识别桥梁各构件并记录空间位置，将其作为兴趣点；对于构件和局部层次检测，其核心是根据上一层次检测的兴趣点将无人机巡检最优路径的优化问题转化为数学上的TSP问题，即首先根据兴趣点的时间损耗和曼哈顿距离建立状态转移函数go(S,init)＝min{go(S-i,i)+dp[i][init]}，然后通过快速搜索随机树算法寻找一个权值最小的汉密尔顿回路，使得从第init点开始遍历所有兴趣点S的总距离go(S,init)最小，从而使得无人机巡检路线最短、效率最高。
在一个实施例中，所述智能无人机***包括飞行模块、吸附模块和检测模块；
所述飞行模块包括以550mm等轴距X型布局的升力***和基于多传感器融合的导航控制***组成，用于实现无人机的六自由度飞行；所述吸附模块包括横向吸附电机和特殊设计的前倾框架，用于使无人机能吸附在桥梁立面或底面移动，获取近距离细致病害信息；所述检测模块用于检测桥梁病害信息。
在一个实施例中，所述智能无人机***包括定位***；所述定位***包括GPS定位***和视觉导航***，在有GPS信号时由GPS定位***提供定位信息，无GPS信号时无人机自动由视觉导航***提供定位信息。
在一个实施例中，上述针对桥梁病害的自动检测方法，还包括：
在无人机吸附到病害位置处的结构表面时，无人机搭载的接触式扫描冲击回波***对病害位置进行连续敲击测试，得到裂缝深度、内部损伤和混凝土劣化。
具体地，内部损伤检测方法是一种基于变频脉冲激励和声波特征分离的检测方法，包括连续敲击结构表面的激振器和贴在结构表面滚动以采集冲击回波信号的接收器，无人机在吸附结构表面移动的过程中边移动边敲击，连续采集回波信号。
在一个实施例中，上述针对桥梁病害的自动检测方法包括如下步骤：
S10，整体层次粗检测，智能无人机***根据桥梁走向自动规划路线，通过连续拍摄大量多角度大视场的桥梁各部位图像，识别桥梁各部位构件，根据无人机的定位信息标记各构件的位置，以该位置作为第二层次路线规划的关键兴趣点；
S20，构件层次细检测，将前步检测的构件位置作为关键兴趣点，以最短路线为原则规划检测路线，无人机按检测路线飞行，每飞到一个检测路线时，通过搭载的相机采集构件表面的小视场的图像信息，并根据所采集的图像检测病害。当检测到病害时，通过无人机的定位信息记录所检测的病害位置；
S30，局部层次精检测，将前步检测的病害位置作为兴趣点规划第三层次的巡检路线，在第三层次细微病害检测时，无人机吸附到病害位置处的结构表面，采集病害图像和病害表面内部损伤信息，并通过循环神经网络分析直接得到病害的几何信息。
上述针对桥梁病害的自动检测方法和***，可以连续拍摄多角度的桥梁各部位图像，根据桥梁各部位图像识别桥梁各部位构件，根据无人机的定位信息标记各部位构件的位置，以各部位构件位置作为第二层次路线规划的关键兴趣点，根据关键兴趣点，以最短路线为原则规划检测路线，无人机按检测路线飞行，每飞到一个检测路线时，通过搭载的相机采集构件表面的大视场图像信息，并根据构件表面的图像信息检测病害，当检测到病害时，通过无人机的定位信息记录所检测的病害位置，将病害位置作为兴趣点规划第三层次的巡检路线，在第三层次细微病害检测时，无人机吸附到病害位置处的结构表面，采集病害图像和病害表面深度信息，并通过多尺度神经网络分析直接得到病害的几何信息，以实现桥梁病害的自动检测，其中不需依赖人工操控与人工分析，能够自主巡检，自主识别病害，由整体到构件到局部地分层次检测，最大化检测效率和检测完整性，与传统人工检测相比在大幅降低成本的同时大大提升检测效率，且具有不影响交通等优势。
附图说明
图1是一个实施例的针对桥梁病害的自动检测方法流程图；
图2是一个实施例的智能无人机***的结构示意图；
图3是一个实施例的智能无人机***的框架图；
图4是一个实施例的智能无人机***工作过程示意图；
图5为一个实施例的基于多尺度深度学习的三层次结构病害识别网络示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
参考图1所示，图1为一个实施例的针对桥梁病害的自动检测方法流程图，包括如下步骤：
S10，整体层次粗检测，智能无人机***根据桥梁走向自动规划路线，通过连续拍摄大量多角度大视场的桥梁各部位图像，识别桥梁各部位构件，根据无人机的定位信息标记各构件的位置，以该位置作为第二层次路线规划的关键兴趣点。
上述步骤首先展开桥梁整体层次的检测，无人机根据桥梁走向自动规划路线。通过连续拍摄大量多角度的桥梁各部位图像，识别桥梁各部位构件，根据无人机的定位信息标记各构件的位置，以该位置作为第二层次路线规划的关键兴趣点。
在一个实施例中，上述连续拍摄多角度的桥梁各部位图像，根据桥梁各部位图像识别桥梁各部位构件，根据无人机的定位信息标记各部位构件的位置，以各部位构件位置作为第二层次路线规划的关键兴趣点包括：
根据桥梁几何形状抽象出桥梁部位构件的走向，利用分类神经网络判断无人机搭载相机拍摄视频以识别无人机在每一时刻相对于部位构件的指向方位和空间位置，进而指导无人机按部位构件走向自动巡检，同时识别桥梁各部位构件并记录各部位构件的位置，将各部位构件的位置作为第二层次路线规划的关键兴趣点。
本实施例的核心是根据桥梁几何形状抽象出桥梁构件的走向，利用分类神经网络判断无人机搭载相机拍摄视频以识别无人机在每一时刻相对于桥梁构件的指向方位和空间位置，进而指导无人机按构件走向自动巡检，同时识别桥梁各构件并记录空间位置，将其作为兴趣点；对于构件和局部层次检测，其核心是根据上一层次检测的兴趣点将无人机巡检最优路径的优化问题转化为数学上的TSP问题，即首先根据兴趣点的时间损耗和曼哈顿距离建立状态转移函数go(S,init)＝min{go(S-i,i)+dp[i][init]}，然后通过快速搜索随机树算法寻找一个权值最小的汉密尔顿回路，使得从第init点开始遍历所有兴趣点S的总距离go(S,init)最小，从而使得无人机巡检路线最短、效率最高。
具体地，本实施例所设计的多尺度并行多分支深度学习网络是一种串并联结合的网络结构，通过串并联将整个网络划分为独立的特征提取层(并联)和共享的特征预测层(串联)两部分。对于特征提取层，由于输入的特征尺度相差很大，因此根据桥梁整体尺度、构件尺度和局部病害尺度分别设计三个并行的特征提取子网络。单个子网络的结构与普通特征提取网络类似，由若干套卷积层、批量规范化层、激活层和残差层组成。不同的是，对于大尺度输入，其残差层更多，网络越深，因而降采样倍率越大。通过设置合适数量的残差网络和上采样步数，可使从不同尺度的输入提取的最终特征图尺寸近似相同，因而可通过共享的特征预测层处理，即在输入三层次检测得到的多尺度特征图像后，输出尺度接近的特征图。对于特征预测层，采用类似单发多框检测器的思想，首先通过聚类分析得到一定数量的不同长宽比的候选框，然后均匀地在特征图的不同位置进行密集抽样，直接进行分类和回归。结合并联的多尺度特征提取层和串联的特征预测层，可解决不同尺度目标检测不一致的问题，实现结构“整体-构件-局部”多层次病害的精确检测。
进一步地，所设计的多尺度并行多分支深度学习网络是一种轻量化的网络，通过大量采用深度可分卷积和链式架构降低模型参数和复杂程度，使模型可以直接在无人机本身携带的机载计算机中实时运行，实时处理无人机相机拍摄到的结构表面影像，实现在线检测。
S20，构件层次细检测，将前步检测的构件位置作为关键兴趣点，以最短路线为原则规划检测路线，无人机按检测路线飞行，每飞到一个检测路线时，通过搭载的相机采集构件表面的小视场的图像信息，并根据所采集的图像检测病害。当检测到病害时，通过无人机的定位信息记录所检测的病害位置。
上述步骤可以根据关键兴趣点以最短路线为原则自动规划检测路线，使无人机按该路线自动飞行。无人机每飞到一个构件位置时，通过搭载的相机采集构件表面的图像和深度信息，并实时识别病害。当识别到病害时，通过无人机的定位信息记录病害位置。
S30，局部层次精检测，将前步检测的病害位置作为兴趣点规划第三层次的巡检路线，在第三层次细微病害检测时，无人机吸附到病害位置处的结构表面，采集病害图像和病害表面内部损伤信息，并通过循环神经网络分析直接得到病害的几何信息。
上述步骤针对上文定位的病害位置，将该病害位置作为兴趣点规划第三层次巡检的路线。在第三层次细微病害检测时，无人机吸附到结构表面，采集细致的病害图像和病害表面深度信息，并通过高维神经网络分析直接得到病害的几何信息。与此同时，无人机搭载的接触式扫描冲击回波***对病害位置进行连续敲击测试，得到裂缝深度、内部损伤和混凝土劣化等病害信息。
上述针对桥梁病害的自动检测方法，可以连续拍摄多角度的桥梁各部位图像，根据桥梁各部位图像识别桥梁各部位构件，根据无人机的定位信息标记各部位构件的位置，以各部位构件位置作为第二层次路线规划的关键兴趣点，根据关键兴趣点，以最短路线为原则规划检测路线，无人机按检测路线飞行，每飞到一个检测路线时，通过搭载的相机采集构件表面的图像和深度信息，并根据构件表面的图像和深度信息检测病害，当检测到病害时，通过无人机的定位信息记录所检测的病害位置，将病害位置作为兴趣点规划第三层次的巡检路线，在第三层次细微病害检测时，无人机吸附到病害位置处的结构表面，采集病害图像和病害表面深度信息，并通过高维神经网络分析直接得到病害的几何信息，以实现桥梁病害的自动检测，其中不需依赖人工操控与人工分析，能够自主巡检，自主识别病害，由整体到构件到局部地分层次检测，最大化检测效率和检测完整性，与传统人工检测相比在大幅降低成本的同时大大提升检测效率，且具有不影响交通等优势。
在一个实施例中，上述针对桥梁病害的自动检测方法，还包括：
在无人机吸附到病害位置处的结构表面时，无人机搭载的接触式扫描冲击回波***对病害位置进行连续敲击测试，得到裂缝深度、内部损伤和混凝土劣化。
具体地，内部损伤检测方法包括连续敲击结构表面的激振器和贴在结构表面滚动以采集冲击回波信号的接收器，无人机在吸附结构表面移动的过程中边移动边敲击，连续采集回波信号。
本实施例中，内部损伤检测方法是一种基于变频脉冲激励和声波特征分离的检测方法。由一个连续敲击结构表面的激振器和贴在结构表面滚动以采集冲击回波信号的接收器组成，无人机在吸附结构表面移动的过程中边移动边敲击，连续采集回波信号。对于混凝土裂缝、内部孔洞等损伤，当激振波到达损伤表面时产生反射波，反射波由接收器接收后，通过快速傅里叶变换转换到频域，确定回波的频率峰值。缺陷深度即可计算为D＝(β×Vp)/2f，其中β为形状系数，由构件类型决定Vp为声波在材料中的传播速度；f为计算的主频频率。
在实际应用中，上述针对桥梁病害的自动检测方法，可以兼顾检测的高效性和完整性，将整个桥梁结构检测过程由“整体-构件-局部”三个层次分阶段逐步展开。由于整体层次和构件层次检测范围广，检测速度快，检测相对较粗略，因此无人机以普通飞行状态进行扫描检测，并利用针对检测过程中对象尺度变化设计的多尺度特征融合深度学习网络进行病害的自动识别。对于局部层次检测，无人机则采取吸附爬行状态展开的内部损伤声波激励式检测。
相应的无人机包括三种飞行状态：普通飞行状态、立面吸附状态和顶部吸附状态。普通飞行状态时，吸附电机不工作，升力电机提供升力，无人机的飞行模式与普通四旋翼无人机相同；立面吸附状态时，通过使前部的水平吸附电机与柔性支撑轮的安装方向与竖直方向呈θ＝5°夹角，使无人机在接触到结构立面的瞬间机身呈略前倾状态，因而在无人机接触到结构表面的瞬间，竖向的升力电机可同时产生水平分力FVx＝FVsinθ，将无人机推紧并吸附于结构立面，避免吸附瞬间无人机平台失稳。此时无人机的上下移动依靠升力电机的竖向分力FVy＝FVcosθ控制，该分力大于重力G时无人机爬升，反之下降；顶部吸附状态时，升力电机提供升力和吸附力，由吸附电机提供同等大小或差量大小的推力推动无人机移动。
上述针对桥梁病害的自动检测方法相对于相关传统方案的优势包括：
(1)所提供的桥梁病害自动检测方法从测量最优和分析最优两个角度对结构关键病害的有效检测做到“有的放矢”，大幅提高检测效率。在测量方法方面，包括智能无人机平台与基于检测结果实时反馈的无人机巡检路线自适应动态规划方法，实现桥梁结构整体层次粗检测、构件层次细检测、局部层次精检测；在分析方法方面，通过一种与桥梁三层次检测对应的基于多尺度深度学习的三层次结构病害识别网络自动识别多层次病害，并在局部细致检测时通过基于循环神经网络的自动声波分析方法，结构内部损伤(如：内部空洞、钢筋锈蚀等)的准确自动识别。
(2)运行上述针对桥梁病害的自动检测方法的智能无人机***与现有无人机平台完全不同，其具备普通飞行和吸附式爬行两种工作状态，两种状态结合进行检测既使检测效率得到保证，又能在需要详细检测时提供高精度的检测平台，与传统无人机相比能获取更细致的表面病害图像。此外，接触式吸附检测为冲击回波检测提供了可行平台，使无人机既能检测表面病害，又能检测内部损伤。
(3)其中的吸附式无人机***的操控方式与现有无人机完全不同，其采用自适应、自主巡检的方式，完全无需人工干预，一方面由无人机***内的视觉导航***提供定位、多传感器信息融合提供避障。另一方面无人机的自动航线规划采取自适应自动规划的方法，巡检过程分为三个层次，从整体到构件到局部病害，每一层次检测的结果均为下一层次的检测提供关键兴趣点，以最短路径的原则串联这些兴趣点进行路线规划。这种操控方式无需人工干预，避免了传统无人机需要熟练的操控人员的限制，且自动巡检效率比人工操作效率更高。
(4)其中的吸附式无人机***针对桥梁底部等检测环境下无GPS信号，普通无人机无法正常工作，同时桥梁底部环境复杂，使得传统无人机操控困难、危险性高的问题，提出了一种基于视觉引导的无人机***，通过采用双目视觉/惯导融合算法实现桥梁底部等无GPS环境下的无人机定位，并与超声波测距等多种传感器信息融合实现无人机避障。
(5)所发明的病害检测方法针对从整体到局部三个层次检测过程中检测对象从大尺寸构件(>5m)变为大范围病害(1m～5m)再变为局部病害(1m)的尺度变化特征，通过设计一种相应的基于多尺度深度学习的三层次结构病害识别网络，实现不同尺度对象的特征同时提取与预测。
(6)其中的内部损伤检测***在无人机平台上实现了内部损伤检测，通过所发明的扫描式冲击回波装置可获得结构特定位置的病害分布图和病害深度等信息。一体式外部病害和内部损伤综合检测的思想能够得到对结构性能评估更全面更关键的参数，可以为结构整体的安全评估提供更有力的数据支撑
在一个实施例中，提供一种针对桥梁病害的自动检测***，包括具备飞行模式和吸附爬行模式两种检测模式的智能无人机***；所述智能无人机***执行上述任一实施例所述的针对桥梁病害的自动检测方法。
在一个实施例中，所述智能无人机***包括飞行模块、吸附模块和检测模块；
所述飞行模块包括四个竖向升力电机，四个竖向升力电机采用等轴距四旋翼布局，用于实现无人机的六自由度飞行，获取桥面表面远距离大视场影像；所述吸附模块包括两颗吸附电机和特殊设计的前倾框架，用于使无人机能吸附在桥梁立面或底面移动，获取近距离细致病害信息；所述检测模块用于检测桥梁病害信息。
本实施例提供的针对桥梁病害的自动检测***包括具备飞行模式和吸附爬行模式两种检测模式的智能无人机***、基于信息反馈的自适应巡检动态路线规划方法和基于多尺度深度学习网络的桥梁病害自动化挖掘处理方法；所述智能无人机***包括飞行模块、吸附模块和检测模块三部分，其中飞行模块具备四个竖向升力电机，采用等轴距四旋翼布局，可实现无人机的六自由度飞行，获取桥面表面远距离大视场影像。吸附模块包括两颗吸附电机和特殊设计的前倾框架，使无人机能吸附在桥梁立面或底面移动，获取近距离细致病害信息。相应基于信息反馈的自适应巡检动态路线规划方法，可实现桥梁结构整体粗检测、构件细检测、局部精检测，以及在桥梁底部等无GPS条件下定位导航。所述基于多尺度深度学习网络的桥梁病害自动化挖掘处理方法包括表面病害检测和内部损伤检测，表面病害检测的核心是利用一种具备尺度变化应对能力的串并联深度学习网络自动分析“整体-构件-局部”多尺度检测影像，内部损伤检测的核心是利用一种基于变频脉冲激励和声波特征分离的方法对可能损伤部位进行敲击检测。整套***能实现自主、自适应的桥梁表面病害和内部损伤检测，无需人工干预，检测效率高，具有广泛的工程应用前景。在一个示例中，上述智能无人机***的结构示意图可以参考图2所示。
具体地，上述针对桥梁病害的自动检测***在运行相应方法时包括三个层次的检测内容。对于桥梁整体层次的检测，无人机根据桥梁走向自动规划路线。通过连续拍摄大量多角度的桥梁各部位图像，识别桥梁各部位构件，根据无人机的定位信息标记各构件的位置，以该位置作为第二层次路线规划的关键兴趣点。对于构件层次检测，根据上一步检测的构件位置为兴趣点，以最短路线为原则自动规划检测路线，无人机按该路线自动飞行。每飞到一个构件位置时，通过搭载的相机采集构件表面的图像和深度信息，并实时识别病害。当识别到病害时，通过无人机的定位信息记录病害位置。对于局部层次检测，针对上一步定位的病害位置，将该位置作为兴趣点规划第三层次巡检的路线。在第三层次细微病害检测时，无人机吸附到结构表面，采集细致的病害图像和病害表面深度信息，并通过高维神经网络分析直接得到病害的几何信息。与此同时，无人机搭载的接触式扫描冲击回波***对病害位置进行连续敲击测试，得到裂缝深度、内部损伤和混凝土劣化等损伤信息。
在针对桥梁病害的自动检测***工作时，其中的无人机包括三种飞行状态：普通飞行状态、立面吸附状态和顶部吸附状态。普通飞行状态时，吸附电机不工作，升力电机提供升力，无人机的飞行模式与普通四旋翼无人机相同；立面吸附状态时，通过使前部的水平吸附电机与柔性支撑轮的安装方向与竖直方向呈θ＝5°夹角，使无人机在接触到结构立面的瞬间机身呈略前倾状态，因而在无人机接触到结构表面的瞬间，竖向的升力电机可同时产生水平分力FVx＝FVsinθ，将无人机推紧并吸附于结构立面，避免吸附瞬间无人机平台失稳。此时无人机的上下移动依靠升力电机的竖向分力FVy＝FVcosθ控制，该分力大于重力G时无人机爬升，反之下降；顶部吸附状态时，升力电机提供升力和吸附力，由吸附电机提供同等大小或差量大小的推力推动无人机移动。其可以兼顾检测的高效性和完整性，将整个桥梁结构检测过程由“整体-构件-局部”三个层次分阶段逐步展开。由于整体层次和构件层次检测范围广，检测速度快，检测相对较粗略，因此无人机以普通飞行状态进行扫描检测，并利用针对检测过程中对象尺度变化设计的多尺度特征融合深度学习网络进行病害的自动识别。对于局部层次检测，无人机则采取吸附爬行状态展开的内部损伤声波激励式检测。
具体地，针对桥梁病害的自动检测***可以基于信息反馈的自适应巡检动态路线规划方法首先分析结构的关键部位并规划初始巡检路线，然后把对初始巡检路径的优化问题转化为数学图论中的旅行商问题，将各层次实时检测结果作为关键目标函数实时反馈，结合快速扩展随机树算法动态地自适应修正无人机路线使各兴趣点以最短路径串联起来，实现基于检测结果实时反馈的无人机运动路线自适应动态规划，进一步实现桥梁结构病害的快速高效检测。
具体地，针对桥梁病害的自动检测***还可以基于多尺度深度学习网络的桥梁病害自动化挖掘处理方法，其关键结构特征是一种串并联结合式结构，即在特征提取上针对每一层次检测通过改变卷积核的步长分别设计大尺度、中等尺度和小尺度三个并联子网络，而在特征预测上则先通过维度聚类确定模板框的尺寸，利用线性回归调整各特征的目标性评分，进而实现不同尺度对象的特征同时提取与预测。
在一个实施例中，所述定位***包括GPS定位***和视觉导航***，在有GPS信号时由GPS定位***提供定位信息，无GPS信号时无人机自动由视觉导航***提供定位信息。
上述视觉导航***可以实现无GPS环境下的无人机导航，其中对双目相机与惯性测量单元的数据融合采用基于滤波的松耦合融合方法，首先分别采用视觉和惯导解算无人机的六自由度位姿信息，再将位姿信息利用扩展卡尔曼滤波进行融合，得到优化的六自由度位姿信息。
本实施例采用视觉导航***和GPS定位***协同提供定位信息，其中视觉导航***包括双目相机、惯性测量单元、光流传感器和超声波测距传感器。对于桥梁检测，无GPS的环境主要是桥梁底部。针对桥梁底部，双目相机与惯性测量单元进行数据融合提供定位信息，超声波传感器安装于无人机顶部测量无人机与桥梁底部的距离，用于无人机的顶部避障；光流传感器在起飞阶段起到辅助定位作用。
在一个示例中，智能无人机***的框架图可以参考图3所示。智能无人机***包括定位***采用的病害检测方法中的内部损伤检测方法硬件上包括一个连续敲击结构表面的激振器和贴在结构表面滚动以采集冲击回波信号的接收器，无人机在吸附结构表面移动的过程中边移动边敲击，连续采集回波信号。对于混凝土裂缝、内部孔洞等损伤，当激振波到达损伤表面时产生反射波，反射波由接收器接收后，通过快速傅里叶变换转换到频域，确定回波的频率峰值。缺陷深度即可计算为D＝(β×Vp)/2f，其中β为形状系数，由构件类型决定Vp为声波在材料中的传播速度；f为计算的主频频率。
上述针对桥梁病害的自动检测***是新型自动化无人机平台、人工智能技术、计算机视觉技术和无损探伤技术的深度创新与有机融合，可以切实有效地推动桥梁检测的自动化、智能化程度，其操作简便，检测快捷，检测结果精度高，尤其适用于大基数基础设施的全面快速检测。
在一个实施例中，智能无人机***的工作过程可以参考图4所示，具体包括：
首先进行整体层次检测，由于桥梁结构呈长线形，桥梁走向或为直线或为曲线，当无人机起飞后，从桥梁一端开始，通过无人机上搭载的相机分辨桥梁走向，引导无人机自动地从一端飞向另一端。飞行过程中无人机同时拍摄桥梁表面影像，当飞行到某个桥塔或某段梁体时，无人机自动分辨拍摄的对象类别，并同时记录此时的无人机位置。
其次进行构件层次检测，先对前一步检测得到的构件位置进行串联，采用快速探索随机树算法快速规划无人机路径。对于桥梁底部和梁体侧面，无人机在飞行中保持略低于桥梁梁体的高度拍摄视频检测；对于桥塔，无人机在桥塔测量从上到下巡回拍摄检测。检测过程中同时拍摄构件表面，通过获取的视频与轻量化深度学习网络实时识别是否存在病害。若存在病害，则记录此刻的无人机位置。
接着进行局部病害检测，对于前一步检测到病害的位置，再进行串联并快速规划最短检测路径。当到达某一病害位置时，无人机由正常飞行转换到吸附爬行状态，紧贴在结构表面检测。此外，检测时一方面通过相机采集图像信息，并通过多尺度深度学习网络进行分析；另一方面无人机上的激振器开始扫描式敲击病害位置，并采集冲击回波，通过分析回波信息可分别病害位置是否存在内部损伤，或计算裂缝深度等信息。
在一个示例中，利用一个典型桥梁检测实施例来说明上针对桥梁病害的自动检测***的具体实施步骤。
步骤1：***准备。首先挑选合适的检测起始位置，对于桥梁，一般选择桥下桥梁一端的位置，平整放置无人机，接通电源后等待***自检。通过与无人机进行无线通信的地面计算机开启无人机的检测终端、定位终端和路线规划终端。无人机自检完毕后，通过路线规划终端给与无人机起飞的指令，无人机即开始自动巡检。
步骤2：整体层次检测。检测过程中无人机在梁体下部约2m的高度自动巡回检测一次，整个检测过程无人机与桥梁保持一定距离，因此相机视场大，检测速度快，为粗检测，无人机的定位由GPS提供，整个过程完成较快，最后输出桥梁各构件的位置信息。
步骤3：构件层次检测。根据上一步骤的位置信息快速规划最短路线，无人机将根据该路线进行第二层次构件检测。对于具体构件检测，无人机的检测过程可分为三个状态：对于桥塔的检测，由于无人机的GPS不受桥梁遮挡，无人机的定位仍由GPS提供；对于桥梁梁体检测，无人机主要在桥梁底部工作，检测状态分为两种，一种是无人机刚由GPS定位转为视觉定位，因视觉定位需要短暂的初始化，因此此时无人机的定位由光流传感器提供；当无人机接近桥梁底部时，无人机的定位由双目视觉和惯导解算得到，同时无人机顶部的超声波传感器提供测距避障功能。第二层次无人机对病害的检测同样由相机的视频分析完成，分析的方法为由无人机的机载计算机上嵌入的轻量化深度学习模型实时识别得到。第二层次的检测结果为各病害的类别和病害的位置。
步骤4：局部病害检测。针对上一步骤得到的病害位置，再次进行快速路径规划，局部检测的目的是详细病害检测，当无人机每到达一个病害位置，无人机从普通飞行转换为吸附式爬行，无人机紧贴在桥梁底部或桥墩侧面进行检测。检测过程采用的高分辨率相机和所设计的扫描冲击回波***，高分辨率相机的数据用于表面病害检测，冲击回波数据用于内部损伤检测。
步骤5：表面病害与内部损伤分析。以上步骤2和步骤3得到桥梁表面完整的病害识别结果和病害位置信息，步骤4得到病害细致的图像、表面深度信息和冲击回波信息，因此接着对步骤4所采集的详细病害信息进行分析。采用多尺度深度学习网络分析采集的影像数据，直接得到分割病害长度、宽度、面积信息。将扫描冲击回波过程中的回波利用快速傅里叶变换转换到频域，确定回波的频率峰值，则内部缺陷的深度即可计算为D＝(β×Vp)/2f。
采用以上步骤对桥梁进行检测，所需时间远少于传统人工检测，与人工检测相比，所发明的方法的病害分类结果吻合度在90％以上，但所发明方法能快速得到病害的几何信息和内部损伤，比传统人工检测的定性结果更准确有效。综合评价，所发明方法具有很好的准确性、实用性和先进性，有广泛的工程结构病害自动化检测应用前景。
在一个示例中，图5为基于多尺度深度学习的三层次结构病害识别网络示意图。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种针对桥梁病害的自动检测方法，其特征在于，将桥梁检测划分为桥梁整体、分散构件和局部病害三个层次，以一种具备飞行和吸附爬行的多模式无人机为实施检测的平台，其中在每一层次的检测过程中以基于实时检测结果反馈的动态巡检路径自动规划方法指导无人机自动展开巡检，并在巡检结束后通过与三层次检测特征的尺度对应的多层次深度学习网络分析和挖掘所获取信息中的病害特征。
2.根据权利要求1所述的基于多尺度深度学习网络的病害自动分析挖掘方法，其特征在于所设计的多尺度并行多分支深度学习网络是一种串并联结合的网络结构，通过串并联将整个网络划分为独立的特征提取层和共享的特征预测层两部分；其中特征提取层根据桥梁整体尺度、构件尺度和局部病害尺度分别设计三个并行的特征提取子网络，单个子网络的结构与普通特征提取网络类似，由若干套卷积层、批量规范化层、激活层和残差层组成，对于大尺度输入，其残差层更多，网络越深，因而降采样倍率越大；对于特征预测层，采用类似单发多框检测器的思想，首先通过聚类分析得到一定数量的不同长宽比的候选框，然后均匀地在特征图的不同位置进行密集抽样，直接进行分类和回归。
3.根据权利要求1所述的基于多尺度深度学习网络的桥梁病害自动化挖掘处理方法，其特征在于所设计的多尺度并行多分支深度学习网络是一种轻量化的网络，通过采用深度可分卷积和链式架构降低模型参数和复杂程度，使模型可以直接在无人机本身携带的机载计算机中实时运行，实时处理无人机相机拍摄到的结构表面影像。
4.根据权利要求1所述的基于信息反馈的自适应巡检动态路线规划方法，其特征在于对于整体层次检测，其核心是根据桥梁几何形状抽象出桥梁构件的走向，利用分类神经网络判断无人机搭载相机拍摄视频以识别无人机在每一时刻相对于桥梁构件的指向方位和空间位置，进而指导无人机按构件走向自动巡检，同时识别桥梁各构件并记录空间位置，将其作为兴趣点；对于构件和局部层次检测，其核心是根据上一层次检测的兴趣点将无人机巡检最优路径的优化问题转化为数学上的TSP问题，即首先根据兴趣点的时间损耗和曼哈顿距离建立状态转移函数go(S，init)＝min{go(S-i，i)+dp[i][init]}，然后通过快速搜索随机树算法寻找一个权值最小的汉密尔顿回路，使得从第init点开始遍历所有兴趣点S的总距离go(S，init)最小，从而使得无人机巡检路线最短、效率最高。
5.一种针对桥梁病害的自动检测***，其特征在于，用于实施检测工作的无人机***具备飞行模式和吸附爬行模式两种检测模式，在整体和构件层次检测中以飞行模型展开检测，快速获取结构表面宏观病害区块；在局部层次检测中无人机直接吸附于结构表面，使所获取的影像信息具有近距离、小视场、高精度的特点，并对存在病害的位置实施敲击检测，通过获取的声波回波评判结构的裂缝深度、内部损伤和混凝土劣化。
6.根据权利要求5所述的针对桥梁病害的自动检测***，其特征在于，所述智能无人机***包括飞行模块、吸附模块和检测模块。
7.根据权利要求6所述的针对桥梁病害的自动检测***，其特征在于，所述飞行模块包括以550mm等轴距X型布局的升力***和基于多传感器融合的导航控制***组成，用于实现无人机的六自由度飞行。
8.根据权利要求7所述的针对桥梁病害的自动检测***，其特征在于，所述吸附模块包括横向吸附电机和特殊设计的前倾框架，当处于立面吸附状态时，通过使前部的水平吸附电机与柔性支撑轮的安装方向与竖直方向呈θ＝5°夹角，使无人机在接触到结构立面的瞬间机身呈略前倾状态，因而在无人机接触到结构表面的瞬间，竖向的升力电机可同时产生水平分力FVx＝FV sinθ，将无人机推紧并吸附于结构立面，避免吸附瞬间无人机平台失稳；无人机的上下移动依靠升力电机的竖向分力FVy＝FV cosθ控制，该分力大于重力G时无人机爬升，反之下降；顶部吸附状态时，升力电机提供升力和吸附力，由吸附电机提供同等大小或差量大小的推力推动无人机移动。
9.根据权利要求8所述的针对桥梁病害的自动检测***，其特征在于，所述基于多传感器融合的导航控制***包括GPS定位***和视觉-惯导定位***，在有GPS信号时由GPS定位***提供定位信息，无GPS信号时无人机自动由视觉导航***提供定位信息；其中视觉导航***中对双目相机与惯性测量单元的数据融合采用基于滤波的松耦合融合方法，首先分别采用视觉和惯导解算无人机的六自由度位姿信息，再将位姿信息利用扩展卡尔曼滤波进行融合，得到优化的六自由度位姿信息。
10.一种针对桥梁病害的自动检测方法，其特征在于，包括如下步骤：
S10，整体层次粗检测，智能无人机***根据桥梁走向自动规划路线，通过连续拍摄多角度的桥梁各部位图像，识别桥梁各部位构件，根据无人机的定位信息标记各构件的位置，以该位置作为第二层次路线规划的关键兴趣点；
S20，构件层次细检测，将前步检测的构件位置作为关键兴趣点，以最短路线为原则规划检测路线，无人机按检测路线飞行，每飞到一个检测路线时，通过搭载的相机采集构件表面的小视场的图像信息，并根据所采集的图像检测病害；当检测到病害时，通过无人机的定位信息记录所检测的病害位置；
S30，局部层次精检测，将前步检测的病害位置作为兴趣点规划第三层次的巡检路线，在第三层次细微病害检测时，无人机吸附到病害位置处的结构表面，采集病害图像和病害表面内部损伤信息，并通过循环神经网络分析直接得到病害的几何信息。
11.根据权利要求10所述的针对桥梁病害的自动检测方法，其特征在于，内部损伤检测方法是一种基于变频脉冲激励和声波特征分离的检测方法，无人机在吸附结构表面移动的过程中边移动边敲击，连续采集回波信号，对于混凝土内部损伤，当激振波到达损伤表面时产生反射波，反射波由接收器接收后，通过快速傅里叶变换转换到频域，确定回波的频率峰值，缺陷深度计算为D＝(β×Vp)/2f，其中β为形状系数，由构件类型决定Vp为声波在材料中的传播速度，f为计算的主频频率。
12.根据权利要求11所述的针对桥梁病害的自动检测方法，其特征在于，对于整体层次的检测，根据桥梁几何形状抽象出桥梁部位构件的走向，利用分类神经网络判断无人机搭载相机拍摄视频以识别无人机在每一时刻相对于部位构件的指向方位和空间位置，进而指导无人机按部位构件走向自动巡检，同时识别桥梁各部位构件并记录各部位构件的位置，将各部位构件的位置作为第二层次构件层次路线规划的关键兴趣点。
CN202010842289.7A 2020-08-20 2020-08-20 针对桥梁病害的自动检测方法和*** Active CN112098326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010842289.7A CN112098326B (zh) 2020-08-20 2020-08-20 针对桥梁病害的自动检测方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010842289.7A CN112098326B (zh) 2020-08-20 2020-08-20 针对桥梁病害的自动检测方法和***

Publications (2)

Publication Number Publication Date
CN112098326A true CN112098326A (zh) 2020-12-18
CN112098326B CN112098326B (zh) 2022-09-30

Family

ID=73753080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010842289.7A Active CN112098326B (zh) 2020-08-20 2020-08-20 针对桥梁病害的自动检测方法和***

Country Status (1)

Country Link
CN (1) CN112098326B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113267139A (zh) * 2021-07-19 2021-08-17 江苏中科云控智能工业装备有限公司 具有大数据分析的压铸件形变量检测***
CN113570915A (zh) * 2021-07-08 2021-10-29 云南国土资源职业学院 一种思政课堂教学用的移动讲解装置
CN113791140A (zh) * 2021-11-18 2021-12-14 湖南大学 基于局部振动响应的桥梁梁底内部无损检测方法和***
CN114494891A (zh) * 2022-04-15 2022-05-13 中国科学院微电子研究所 一种基于多尺度并行检测的危险品识别装置和方法
CN114612473A (zh) * 2022-05-11 2022-06-10 深圳联和智慧科技有限公司 一种基于无人机的桥梁巡检处理方法、***及云平台
CN114657874A (zh) * 2022-04-08 2022-06-24 哈尔滨工业大学 一种桥梁结构病害智能巡检机器人
CN115096268A (zh) * 2022-06-17 2022-09-23 西南交通大学 基于无人机航拍及超声波探测的桥梁损伤深度检测方法
CN115639209A (zh) * 2022-12-26 2023-01-24 兰州交通大学 一种钢箱梁疲劳裂纹智能检测***及方法
CN117032276A (zh) * 2023-07-04 2023-11-10 长沙理工大学 基于双目视觉和惯导融合无人机的桥梁检测方法及***
CN117067226A (zh) * 2023-08-17 2023-11-17 兰州交通大学 钢桥锈蚀检测机器人及锈蚀检测方法
CN117406781A (zh) * 2023-11-27 2024-01-16 温州信达交通工程试验检测有限公司 一种基于无人机的桥梁智能巡检***
CN117699085A (zh) * 2024-02-04 2024-03-15 安徽省交规院工程智慧养护科技有限公司 一种用于桥梁病害检测的检测设备及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106774384A (zh) * 2016-12-05 2017-05-31 王源浩 一种桥梁检测智能避障机器人
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
CN109282808A (zh) * 2018-11-23 2019-01-29 重庆交通大学 用于桥梁三维巡航检测的无人机与多传感器融合定位方法
CN109901624A (zh) * 2019-04-11 2019-06-18 株洲时代电子技术有限公司 一种桥梁巡检方法
CN110703802A (zh) * 2019-11-04 2020-01-17 中国科学院自动化研究所 基于多无人机协同作业的桥梁自动检测方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106774384A (zh) * 2016-12-05 2017-05-31 王源浩 一种桥梁检测智能避障机器人
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
CN109282808A (zh) * 2018-11-23 2019-01-29 重庆交通大学 用于桥梁三维巡航检测的无人机与多传感器融合定位方法
CN109901624A (zh) * 2019-04-11 2019-06-18 株洲时代电子技术有限公司 一种桥梁巡检方法
CN110703802A (zh) * 2019-11-04 2020-01-17 中国科学院自动化研究所 基于多无人机协同作业的桥梁自动检测方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈显龙等: "无人机在路桥病害检测中的设计与实现", 《测绘通报》 *
陶晓力等: "基于无人机视觉的桥梁裂缝检测", 《计算机技术与发展》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570915A (zh) * 2021-07-08 2021-10-29 云南国土资源职业学院 一种思政课堂教学用的移动讲解装置
CN113267139A (zh) * 2021-07-19 2021-08-17 江苏中科云控智能工业装备有限公司 具有大数据分析的压铸件形变量检测***
CN113791140A (zh) * 2021-11-18 2021-12-14 湖南大学 基于局部振动响应的桥梁梁底内部无损检测方法和***
CN113791140B (zh) * 2021-11-18 2022-02-25 湖南大学 基于局部振动响应的桥梁梁底内部无损检测方法和***
CN114657874A (zh) * 2022-04-08 2022-06-24 哈尔滨工业大学 一种桥梁结构病害智能巡检机器人
CN114494891A (zh) * 2022-04-15 2022-05-13 中国科学院微电子研究所 一种基于多尺度并行检测的危险品识别装置和方法
CN114612473A (zh) * 2022-05-11 2022-06-10 深圳联和智慧科技有限公司 一种基于无人机的桥梁巡检处理方法、***及云平台
CN115096268A (zh) * 2022-06-17 2022-09-23 西南交通大学 基于无人机航拍及超声波探测的桥梁损伤深度检测方法
CN115639209A (zh) * 2022-12-26 2023-01-24 兰州交通大学 一种钢箱梁疲劳裂纹智能检测***及方法
CN115639209B (zh) * 2022-12-26 2023-03-07 兰州交通大学 一种钢箱梁疲劳裂纹智能检测***及方法
CN117032276A (zh) * 2023-07-04 2023-11-10 长沙理工大学 基于双目视觉和惯导融合无人机的桥梁检测方法及***
CN117067226A (zh) * 2023-08-17 2023-11-17 兰州交通大学 钢桥锈蚀检测机器人及锈蚀检测方法
CN117406781A (zh) * 2023-11-27 2024-01-16 温州信达交通工程试验检测有限公司 一种基于无人机的桥梁智能巡检***
CN117699085A (zh) * 2024-02-04 2024-03-15 安徽省交规院工程智慧养护科技有限公司 一种用于桥梁病害检测的检测设备及方法
CN117699085B (zh) * 2024-02-04 2024-04-19 安徽省交规院工程智慧养护科技有限公司 一种用于桥梁病害检测的检测设备及方法

Also Published As

Publication number Publication date
CN112098326B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN112098326B (zh) 针对桥梁病害的自动检测方法和***
Li et al. Automatic bridge crack detection using Unmanned aerial vehicle and Faster R-CNN
CN106405040B (zh) 一种基于无人设备的水质巡检、污染物溯源方法
US11017228B2 (en) Method and arrangement for condition monitoring of an installation with operating means
CN113424055A (zh) 隧道结构病害多尺度检测与智能诊断***及方法
CN108593656B (zh) 一种结构检测方法、装置和用于结构检测的无人机***
CN111178148B (zh) 一种基于无人机视觉***的地面目标地理坐标定位方法
CN105404844A (zh) 一种基于多线激光雷达的道路边界检测方法
CN105184816A (zh) 基于usv的视觉检测和水面目标追踪***及其检测追踪方法
CN115127510A (zh) 一种水陆空三栖立体无人化多平台联动滑坡智能巡防***
EP3850456A1 (en) Control and navigation systems, pose optimisation, mapping, and localisation techniques
CN111638220A (zh) 一种基于5g的交互式智能无人机群的桥梁裂缝检测***
KR20210007767A (ko) 딥러닝-영상인식 기반 해상폐기물 제거용 자율운항 선박 시스템
CN109976339B (zh) 一种车载配网巡检数据采集方法与巡检***
CN112644646A (zh) 大水域鱼类资源调查的水下机器人智能***及工作方法
CN111257906B (zh) 一种激光雷达监测***、方法和装置
CN114997359A (zh) 一种基于仿生机器狗的堤防险情巡查成套技术装备
CN113721615A (zh) 一种基于机器视觉的海航路径规划方法及***
Liu et al. Framework for automated UAV-based inspection of external building façades
CN117067226B (zh) 钢桥锈蚀检测机器人及锈蚀检测方法
CN116188470B (zh) 一种基于无人机航拍识别的故障定位方法和***
KR102191109B1 (ko) 자율 무인항공 이동체 및 이의 제어 방법
Yao et al. Automatic concrete tunnel inspection robot system
CN114217641A (zh) 一种非结构环境下无人机送变电设备巡检方法及***
Messmer et al. Evaluating UAV Path Planning Algorithms for Realistic Maritime Search and Rescue Missions

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