CN112767322A - 一种机场水泥道面fod风险评估方法和装置 - Google Patents
一种机场水泥道面fod风险评估方法和装置 Download PDFInfo
- Publication number
- CN112767322A CN112767322A CN202110007571.8A CN202110007571A CN112767322A CN 112767322 A CN112767322 A CN 112767322A CN 202110007571 A CN202110007571 A CN 202110007571A CN 112767322 A CN112767322 A CN 112767322A
- Authority
- CN
- China
- Prior art keywords
- crack
- ground penetrating
- penetrating radar
- minimum distance
- image
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Road Repair (AREA)
Abstract
本发明公开了一种机场水泥道面FOD风险评估方法,包括:利用图像分割提取可见光图像中裂缝投影轮廓,获得裂缝投影区域S1;利用三维探地雷达的探地雷达图像中的水平、横向和纵向的三维视图提取裂缝与道面表面之间的深度h和裂缝沿水平方向的投影轮廓S2;根据三维探地雷达的探测位置和图像的位置,将裂缝沿水平方向的投影轮廓S2投影至裂缝投影区域S1所在的图像上;求得投影轮廓S2与裂缝投影区域S1的最小间距d;利用深度h与深度阈值h1、深度阈值h2的关系和最小间距d与轮廓最小距离阈值d1、轮廓最小距离阈值d2的关系进行机场水泥道面FOD风险判断。通过上述方案,本发明具有逻辑简单、估计可靠等优点。
Description
技术领域
本发明涉及机场道面技术领域,尤其是一种机场水泥道面FOD风险评估方法和装置。
背景技术
FOD(Foreign Object Debris)即可能损伤航空器的某种外来的物质、碎屑或物体(机场FOD的产生源头除了外来物,还包括道面自身剥落材料)。水泥混凝土道面受施工工艺水平、养护水平、地质条件等多重因素影响,当浅表层出现内部近水平裂隙时,容易在外力作用下导致裂隙上方材料剥落,从而形成FOD。特别对于裂缝、板块接缝处的内部近水平裂隙(与水平方向夹角小于5°),因道面结构不连续而传荷能力下降,FOD生成风险更大。目前,现有技术中尚无通过对道面内部损伤探测结果评估机场水泥道面FOD风险的方法和设备。目前,现有技术中的机场仅能通过雷达波、视觉、激光等方式检测已经生成的FOD,或通过对裂缝宽度或所在部位以人工经验的方式评估裂缝产生FOD的风险,很难保障飞机运行安全。目前,已经生成的FOD很容易被检测获知,在机场道面,产生未知的FOD部分是道面混凝土的裂缝承受飞机载荷后产生的。
如专利申请号为“201910358360.1”、名称为“基于卷积神经网络的FOD检测方法”的中国发明专利,其主要基于Faster R-CNN算法框架为输入图像生成目标候选区域同时采用DenseNet代替传统的VGG16-Net进行特征提取,可以大大减少网络参数和充分利用目标特征,有利于小尺寸FOD的检测。该技术还改进了RPN层中分类的损失函数,使用Focal Loss来优化正负样本的权重,使得训练结果聚焦在样本中难以分类的小尺寸FOD目标上。
再如专利申请号为“201711015466.9”、名称为“一种机场跑道FOD异物检测方法”的中国发明专利,其由图像质量评价、图像质量矫正增强、物体识别三个步骤组成;该技术方案引入了跑道图像质量评价及增强手段,通过对该跑道图像的特征进行分析,对图像的质量进行评价;针对不同质量的图片使用相应的图像增强技术进行增强,最终对图像进行物体识别分析,实现跑道FOD异物的检测。
由此可见,上述技术均检测已经生成的FOD,无法对未产生的物质、碎屑或物体进行预测,而裂缝剥落物料是水泥混凝土道面FOD的重要来源。可见光图像技术能有效识别道面裂缝、板块接缝,高频率三维探地雷达能对道面内部结构高清成像,可有效捕获道面浅表层内部裂隙形貌。因此,急需要提出一种逻辑简单、估计可靠的一种机场水泥道面FOD风险评估方法和装置。
发明内容
针对上述问题,本发明的目的在于提供一种机场水泥道面FOD风险评估方法,本发明采用的技术方案如下:
一种机场水泥道面FOD风险评估方法,采用垂直向下拍摄水泥道面裂缝的可见光图像的可见光相机;以及采用沿水平方向行进探测采集水泥道面的探地雷达图像的三维探地雷达;所述方法包括以下步骤:
利用图像分割提取可见光图像中裂缝投影轮廓,获得裂缝投影区域S1;
对探地雷达图像进行预处理,并利用三维探地雷达的探地雷达图像中的水平、横向和纵向的三维视图提取裂缝与道面表面之间的深度h和裂缝沿水平方向的投影轮廓S2;
根据三维探地雷达的探测位置和图像的位置,将裂缝沿水平方向的投影轮廓S2投影至裂缝投影区域S1所在的图像上;
求得投影轮廓S2与裂缝投影区域S1的最小间距d;
若深度h小于或等于预设的深度阈值h1,则该水泥道面裂缝所在的区域为高FOD风险;
若深度h大于预设的深度阈值h1、且小于预设的深度阈值h2时:
(1)若最小间距d小于预设的轮廓最小距离阈值d1,则水泥道面裂缝所在的区域为高FOD风险;
(2)若最小间距d大于或等于预设的轮廓最小距离阈值d1、且小于预设的轮廓最小距离阈值d2,则水泥道面裂缝所在的区域为中FOD风险;
(3)若最小间距d大于或等于预设的轮廓最小距离阈值d2,则水泥道面裂缝所在的区域为低FOD风险;
若深度h大于预设的深度阈值h2时,则水泥道面裂缝所在的区域为无FOD风险。
进一步地,对所述探地雷达图像进行预处理,包括零偏校正、零点去除和数字滤波。
优选地,所述深度阈值h1取值为1~1.5cm;所述深度阈值h2取值为3~4cm。
优选地,所述轮廓最小距离阈值d1取值为1~2cm;所述轮廓最小距离阈值d2取值为4~5cm。
一种采用机场水泥道面FOD风险评估方法的装置,包括采用垂直向下拍摄水泥道面裂缝的可见光图像的可见光相机,采用沿水平方向行进探测采集水泥道面的探地雷达图像的三维探地雷达,以及与可见光相机和三维探地雷达连接、用于获取可见光图像和探地雷达图像并进行机场水泥道面FOD风险评估的可读存储介质。
与现有技术相比,本发明具有以下有益效果:
(1)本发明巧妙地利用可见光相机采集可见光图像,其可以直接识别裂缝并区分投影视野下裂缝和水泥混凝土区域;另外,本发明采用三维探地雷达探测采集水泥道面的探地雷达图像,根据探地雷达数据可以获取内部损坏的形状、尺寸。当裂缝边缘的水泥混凝土内部存在破损时,裂缝存在剥落风险,因此,通过对水泥混凝土裂缝和内部破损的检测,可以有效评估裂缝边缘剥落产生FOD的风险。
(2)本发明利用探地雷达图像中的水平、横向和纵向的三维视图提取裂缝与道面表面之间的深度和裂缝沿水平方向的投影轮廓,其好处在于,提取内部破损的在空间尺度上的真实影响范围,用于与裂缝在空间上的融合关联评估。
(3)本发明利用利用深度h和投影轮廓S2与裂缝投影区域S1的最小间距d进行FOD的风险判断,其好处在于,充分利用两种数据的关联度,从道面结构损伤方面预判结构剥落的风险态势,避免依赖单一数据评价的片面性,提高FOD风险评估置信度。
综上所述,本发明具有逻辑简单、估计可靠等优点,在机场道面技术领域具有很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需使用的附图作简单介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对保护范围的限定,对于本领域技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的图像采集示意图。
图2为本发明的裂缝投影区域S1和内部破损区域S2的图像。
上述附图中,附图标记对应的部件名称如下:
1、可见光相机;2、三维探地雷达;3、道面;4、裂缝;5、内部损坏。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚,下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例
如图1至图2所示,本实施例提供了一种机场水泥道面FOD风险评估方法和装置,其包括采用垂直向下拍摄水泥道面裂缝的可见光图像的可见光相机,采用沿水平方向行进探测采集水泥道面的探地雷达图像的三维探地雷达,以及与可见光相机和三维探地雷达连接、用于获取可见光图像和探地雷达图像并进行机场水泥道面FOD风险评估的可读存储介质。
具体来说,本实施例的机场水泥道面FOD风险评估方法包括以下步骤:
第一步,利用图像分割提取可见光图像中裂缝投影轮廓,获得裂缝投影区域S1;
第二步,对探地雷达图像进行预处理(零偏校正、零点去除和数字滤波,常规技术),并利用三维探地雷达的探地雷达图像中的水平、横向和纵向的三维视图提取裂缝与道面表面之间的深度h和裂缝沿水平方向的投影轮廓S2(内部损坏的水平投影);
第三步,根据三维探地雷达的探测位置和图像的位置,将裂缝沿水平方向的投影轮廓S2投影至裂缝投影区域S1所在的图像上;
第四步,求得投影轮廓S2与裂缝投影区域S1的最小间距d;
(I)若深度h小于或等于预设的深度阈值1cm,则该水泥道面裂缝所在的区域为高FOD风险;
若深度h大于预设的深度阈值1cm、且小于预设的深度阈值3.5cm时:
(1)若最小间距d小于预设的轮廓最小距离阈值1.5cm,则水泥道面裂缝所在的区域为高FOD风险;
(2)若最小间距d大于或等于预设的轮廓最小距离阈值1.5cm、且小于预设的轮廓最小距离阈值4.5cm,则水泥道面裂缝所在的区域为中FOD风险;
(3)若最小间距d大于或等于预设的轮廓最小距离阈值4.5cm,则水泥道面裂缝所在的区域为低FOD风险;
若深度h大于预设的深度阈值3.5cm时,则水泥道面裂缝所在的区域为无FOD风险。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而作出的变化,均应属于本发明的保护范围之内。
Claims (5)
1.一种机场水泥道面FOD风险评估方法,其特征在于,采用垂直向下拍摄水泥道面裂缝的可见光图像的可见光相机;以及采用沿水平方向行进探测采集水泥道面的探地雷达图像的三维探地雷达;所述方法包括以下步骤:
利用图像分割提取可见光图像中裂缝投影轮廓,获得裂缝投影区域S1;
对探地雷达图像进行预处理,并利用三维探地雷达的探地雷达图像中的水平、横向和纵向的三维视图提取裂缝与道面表面之间的深度h和裂缝沿水平方向的投影轮廓S2;
根据三维探地雷达的探测位置和图像的位置,将裂缝沿水平方向的投影轮廓S2投影至裂缝投影区域S1所在的图像上;
求得投影轮廓S2与裂缝投影区域S1的最小间距d;
若深度h小于或等于预设的深度阈值h1,则该水泥道面裂缝所在的区域为高FOD风险;
若深度h大于预设的深度阈值h1、且小于预设的深度阈值h2时:
(1)若最小间距d小于预设的轮廓最小距离阈值d1,则水泥道面裂缝所在的区域为高FOD风险;
(2)若最小间距d大于或等于预设的轮廓最小距离阈值d1、且小于预设的轮廓最小距离阈值d2,则水泥道面裂缝所在的区域为中FOD风险;
(3)若最小间距d大于或等于预设的轮廓最小距离阈值d2,则水泥道面裂缝所在的区域为低FOD风险;
若深度h大于预设的深度阈值h2时,则水泥道面裂缝所在的区域为无FOD风险。
2.根据权利要求1所述的一种机场水泥道面FOD风险评估方法,其特征在于,对所述探地雷达图像进行预处理,包括零偏校正、零点去除和数字滤波。
3.根据权利要求1所述的一种机场水泥道面FOD风险评估方法,其特征在于,所述深度阈值h1取值为1~1.5cm;所述深度阈值h2取值为3~4cm。
4.根据权利要求1所述的一种机场水泥道面FOD风险评估方法,其特征在于,所述轮廓最小距离阈值d1取值为1~2cm;所述轮廓最小距离阈值d2取值为4~5cm。
5.一种采用权利要求1~4任一项所述的机场水泥道面FOD风险评估方法的装置,其特征在于,包括采用垂直向下拍摄水泥道面裂缝的可见光图像的可见光相机,采用沿水平方向行进探测采集水泥道面的探地雷达图像的三维探地雷达,以及与可见光相机和三维探地雷达连接、用于获取可见光图像和探地雷达图像并进行机场水泥道面FOD风险评估的可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110007571.8A CN112767322B (zh) | 2021-01-05 | 2021-01-05 | 一种机场水泥道面fod风险评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110007571.8A CN112767322B (zh) | 2021-01-05 | 2021-01-05 | 一种机场水泥道面fod风险评估方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767322A true CN112767322A (zh) | 2021-05-07 |
CN112767322B CN112767322B (zh) | 2023-06-13 |
Family
ID=75699263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110007571.8A Active CN112767322B (zh) | 2021-01-05 | 2021-01-05 | 一种机场水泥道面fod风险评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767322B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236658A (zh) * | 2022-07-13 | 2022-10-25 | 中交第二公路勘察设计研究院有限公司 | 基于主动式雷达遥感协同的路面裂缝三维形态监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080247635A1 (en) * | 2006-03-20 | 2008-10-09 | Siemens Power Generation, Inc. | Method of Coalescing Information About Inspected Objects |
CN107230202A (zh) * | 2017-05-16 | 2017-10-03 | 淮阴工学院 | 路面病害图像的自动识别方法和*** |
CN108416307A (zh) * | 2018-03-13 | 2018-08-17 | 北京理工大学 | 一种航拍图像路面裂缝检测方法、装置及设备 |
CN108956638A (zh) * | 2018-04-27 | 2018-12-07 | 湖南文理学院 | 一种用于土木工程结构表观缺陷的评定检测*** |
CN109298419A (zh) * | 2018-09-21 | 2019-02-01 | 江苏中路工程技术研究院有限公司 | 一种基于探地雷达和取芯的路面裂缝发育状态检测方法 |
US20190154442A1 (en) * | 2016-01-15 | 2019-05-23 | Fugro Roadware Inc. | High speed stereoscopic pavement surface scanning system and method |
CN109804232A (zh) * | 2016-12-30 | 2019-05-24 | 同济大学 | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
CN110132989A (zh) * | 2019-06-13 | 2019-08-16 | 天津路联智通交通科技有限公司 | 一种混凝土裂缝检测设备、方法以及终端*** |
-
2021
- 2021-01-05 CN CN202110007571.8A patent/CN112767322B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080247635A1 (en) * | 2006-03-20 | 2008-10-09 | Siemens Power Generation, Inc. | Method of Coalescing Information About Inspected Objects |
US20190154442A1 (en) * | 2016-01-15 | 2019-05-23 | Fugro Roadware Inc. | High speed stereoscopic pavement surface scanning system and method |
CN109804232A (zh) * | 2016-12-30 | 2019-05-24 | 同济大学 | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
CN107230202A (zh) * | 2017-05-16 | 2017-10-03 | 淮阴工学院 | 路面病害图像的自动识别方法和*** |
CN108416307A (zh) * | 2018-03-13 | 2018-08-17 | 北京理工大学 | 一种航拍图像路面裂缝检测方法、装置及设备 |
CN108956638A (zh) * | 2018-04-27 | 2018-12-07 | 湖南文理学院 | 一种用于土木工程结构表观缺陷的评定检测*** |
CN109298419A (zh) * | 2018-09-21 | 2019-02-01 | 江苏中路工程技术研究院有限公司 | 一种基于探地雷达和取芯的路面裂缝发育状态检测方法 |
CN110132989A (zh) * | 2019-06-13 | 2019-08-16 | 天津路联智通交通科技有限公司 | 一种混凝土裂缝检测设备、方法以及终端*** |
Non-Patent Citations (2)
Title |
---|
WEIXING WANG等: "Pavement crack image acquisition methods and crack extraction algorithms: A review", 《JOURNAL OF TRAFFIC AND TRANSPORTATION ENGINEERING (ENGLISH EDITION)》 * |
潘一凡等: "公路路面质量遥感监测研究进展", 《遥感学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236658A (zh) * | 2022-07-13 | 2022-10-25 | 中交第二公路勘察设计研究院有限公司 | 基于主动式雷达遥感协同的路面裂缝三维形态监测方法 |
CN115236658B (zh) * | 2022-07-13 | 2024-03-29 | 中交第二公路勘察设计研究院有限公司 | 基于主动式雷达遥感协同的路面裂缝三维形态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112767322B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110246130B (zh) | 基于红外和可见光图像数据融合的机场道面裂缝检测方法 | |
CN106548182B (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
CN107480611B (zh) | 一种基于深度学习卷积神经网络的裂缝识别方法 | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及*** | |
Jiao et al. | Identifying concrete structure defects in GPR image | |
CN110569730B (zh) | 一种基于U-net神经网络模型的路面裂缝自动识别方法 | |
CN109377485A (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
WO2018122589A1 (zh) | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 | |
CN110415241A (zh) | 一种基于计算机视觉的混凝土构件表面质量检测方法 | |
CN111798411B (zh) | 一种基于探地雷达和深度学习的混凝土内钢筋智能定位方法 | |
CN107292861A (zh) | 一种绝缘子破损检测方法 | |
CN112767322B (zh) | 一种机场水泥道面fod风险评估方法和装置 | |
CN111025285A (zh) | 一种基于图谱灰度自适应选取的沥青路面水损害检测方法 | |
CN109903306A (zh) | 一种基于探地雷达图像的层间脱空识别方法 | |
CN114359251A (zh) | 一种混凝土表面破损的自动识别方法 | |
CN110378866A (zh) | 一种基于无人机巡检的渠道衬砌破损图像识别方法 | |
Wang et al. | Study on edge extraction methods for image-based icing on-line monitoring on overhead transmission lines | |
CN112666167B (zh) | 一种评估水泥混凝土道面裂缝产生fod风险的方法和装置 | |
Xie et al. | Bridge defect detection technology based on machine vision and embedded | |
CN113076959A (zh) | 基于卷积神经网络的混凝土结构表面微裂纹特征提取方法 | |
CN110082354A (zh) | 一种隧道衬砌浅层潜在剥落剥离红外探测装置 | |
Paget et al. | Determining the floe-size distribution of East Antarctic sea ice from digital aerial photographs | |
Qiao et al. | Research on Concrete Beam Crack Recognition Algorithm Based on Block Threshold Value Image Processing | |
Zhu et al. | A robust self-driven surface crack detection algorithm using local features | |
KR20220075999A (ko) | 딥러닝 기반의 도로손상 탐지 장치 및 방법 |
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 |