CN113791140B - 基于局部振动响应的桥梁梁底内部无损检测方法和*** - Google Patents
基于局部振动响应的桥梁梁底内部无损检测方法和*** Download PDFInfo
- Publication number
- CN113791140B CN113791140B CN202111365587.2A CN202111365587A CN113791140B CN 113791140 B CN113791140 B CN 113791140B CN 202111365587 A CN202111365587 A CN 202111365587A CN 113791140 B CN113791140 B CN 113791140B
- Authority
- CN
- China
- Prior art keywords
- video
- bridge
- vibration
- target
- response
- 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
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/045—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/36—Detecting the response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于局部振动响应的桥梁梁底内部无损检测方法,利用无人机悬停于目标桥梁底部,并利用冲击锤敲击梁底子区域施加冲击力;利用车载摄像头,以撞击点作为视频捕捉中心,对梁底区域进行基于倾斜摄影的实时视频录制,录制时长2‑3S,得到振动反馈视频;对振动反馈视频进行运动放大处理;并对视频做相应的处理分析,获得对应的振动频率响应;重复得到整个桥梁底面被测区域的振动频率,判断振动频率是否发生超出设定范围的突变,若超出则做出展示或报警。本发明利用无人机配合视频拍摄并分析得到振动频率,检测过程更加简便,检测效率更高。本发明的基于局部振动响应的桥梁梁底内部无损检测***能够实现相同的技术效果。
Description
技术领域
本发明涉及桥梁检测领域,更进一步涉及一种基于局部振动响应的桥梁梁底内部无损检测方法和***。
背景技术
桥梁结构在运营过程中,受到长期恶劣环境影响和持续车辆荷载作用,会引起材料性能退化,从而导致桥梁结构的损伤,轻则影响结构安全使用,重则导致坍塌、人员伤亡。对桥梁结构进行定期检查,及时发现结构损伤,评估结构安全性能,可避免诸多潜在安全隐患,对于桥梁的运营以及养护具有指导性意义。
现阶段,桥梁梁底内部损伤检测方法主要为以下两种:第一种需要检测人员事先搭建固定轨道检修桁架,然后再利用冲击锤或其他设备(超声、红外、雷达等)进行内部损伤检测,此种方式需事先在梁底永久安全固定轨道以及专用桁架挂篮,成本高昂;挂篮运行速度缓慢,检测效率低下;检测人员需要将地面大型设备搬运至挂篮中,设备调运困难,操作复杂。
第二种方法则是通过桥梁检测车的吊篮或桁架装置将检测人员及设备送到桥梁下方进行观测,此种方式需要事先将封闭交通,影响车辆的正常通行;检测车成本高昂,机械臂灵活度差;受限于检测车辆自身重量大,不能对受损情况较为严重的桥梁进行检测;检测过程需要有专业人员进入下方桁架,难以保障检测人员的安全。
对于本领域的技术人员来说,如何快速便捷地实现桥梁梁底的检测,是目前需要解决的技术问题。
发明内容
本发明提供一种基于局部振动响应的桥梁梁底内部无损检测方法,利用无人机施加振动并拍摄分析,检测过程高效便捷,具体方案如下:
一种基于局部振动响应的桥梁梁底内部无损检测方法,包括:
无人机悬停于目标桥梁底部,无人机利用冲击锤敲击梁底子区域,对子区域施加预定的冲击力;
配备有车载摄像头的地面移动车辆停放于桥梁下方的地面,确保车载摄像头能够拍摄到受敲击位置处;利用车载摄像头,以撞击点作为视频捕捉中心,对梁底区域进行基于倾斜摄影的实时视频录制,录制时长2-3S,得到振动反馈视频;
对所述振动反馈视频进行运动放大处理;
以撞击点为基准点,基于深度学习目标跟踪算法与特征点匹配进行基准点跟踪,获取基准点在时域上的动力响应;用傅里叶变换获得对应的振动频率响应;
重复上述步骤,得到整个桥梁底面被测区域的振动频率,判断振动频率是否发生超出设定范围的突变,若超出则做出展示或报警。
可选地,无人机悬停于目标桥梁底部,开启机载云台摄像头对梁底子区域进行图像采集,对采集完毕的梁底图像进行图像拼接,并将拼接完成的梁底子区域图像划分为n×m个子区域,依次给每个区域进行数字编码,每次检测以子区域的中心为基准点。
可选地,所述倾斜摄影的过程如下:
利用车载摄像头,以不同角度、视场范围对梁底目标子区域进行倾斜摄影,结合定位定向***提供的多视影像外方位元素,并利用金字塔影像匹配策略,在每级影像上进行同名点自动匹配和联合平差,得到同名点匹配结果;
建立误差方程式,将连接点、控制点坐标、GPS/IMU辅助数据,与多视影像自检校区域网平差的误差方程,进行联合解算,从而获取视频信号。
可选地,所述对所述振动反馈视频进行运动放大处理,包括:
1) 空域分解:通过拉普拉斯金字塔将输入的视频进行多分辨率分解,得到各个不同空域分辨率的视频;
2) 时域处理:对空域分解后不同尺度的图像进行时域带通滤波处理,得到若干感兴趣的频带;
3) 运动放大处理:对得出的感兴趣频带信号用泰勒级数进行差分逼近,再线性放大逼近后的结果;
4) 视频重建:对运动放大处理后的视频进行金字塔重建,输出视频。
可选地,所述运动放大处理具体包括:
对输入视频依次处理得到灰度背景模型、Vibe前景模型、形态学处理、前景区域轮廓、前景区域最小外接矩形;
依次进行空域分解和时域分解;
分离目的区域、泰勒级数差分逼近、运动线性放大;
放大后的视频与背景层融合;
输出视频。
可选地,所述基于深度学习目标跟踪算法与特征点匹配进行基准点跟踪,获取基准点在时域上的动力响应,包括:
所述深度学习目标跟踪算法采用YoloX算法,目标预测部分采用基于卡尔曼滤波的预测方法,数据关联部分采用匈牙利算法,特征点检测算法采用SURF算法。
可选地,所述基于深度学习目标跟踪算法与特征点匹配进行基准点跟踪,获取基准点在时域上的动力响应,包括:
输入视频图像序列;
同时进行目标检测和卡尔曼滤波;
进行数据关联;
检测信息与预测信息关联,并跟踪结果;没有关联的检测信息创建与初始化卡尔曼滤波,并跟踪结果;没有关联的预测信息及上一帧跟踪信息进行关键点检测及匹配,若匹配则跟踪结果,若不匹配则删除对应的卡尔曼滤波器,重新进行卡尔曼滤波;
判断三者的跟踪结果是否一致,若是则结束;若否则重复上述步骤。
可选地,所述判断振动频率是否发生超出设定范围的突变,包括:
利用快速傅里叶变换获得目标梁底区域的振动频率云图,按数值由高到低对应颜色由浅变深的原则绘制目标梁底检测区域的振动频率云图。
本发明还提供一种基于局部振动响应的桥梁梁底内部无损检测***,包括配备冲击锤的无人机和配备有车载摄像头的地面移动车辆;应用于上述任一项所述的基于局部振动响应的桥梁梁底内部无损检测方法。
本发明提供一种基于局部振动响应的桥梁梁底内部无损检测方法,利用无人机悬停于目标桥梁底部,并利用冲击锤敲击梁底子区域施加冲击力;利用车载摄像头,以撞击点作为视频捕捉中心,对梁底区域进行基于倾斜摄影的实时视频录制,录制时长2-3S,得到振动反馈视频;对振动反馈视频进行运动放大处理;并对视频做相应的处理分析,获得对应的振动频率响应;重复得到整个桥梁底面被测区域的振动频率,判断振动频率是否发生超出设定范围的突变,若超出则做出展示或报警。本发明利用无人机配合视频拍摄并分析得到振动频率,检测过程更加简便,检测效率更高。本发明的基于局部振动响应的桥梁梁底内部无损检测***能够实现相同的技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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的附图。
图1为本发明提供的基于局部振动响应的桥梁梁底内部无损检测方法的流程图;
图2为本发明提供的基于局部振动响应的桥梁梁底内部无损检测方法的进一步补充的流程图;
图3为划分为m*n个子区域的示意图;
图4为运动放大处理的过程示意图;
图5为获取基准点在时域上的动力响应的流程图;
图6为生成的云图示意图;
图7为基于局部振动响应的桥梁梁底内部无损检测***的装置示意图。
具体实施方式
本发明的核心在于提供一种基于局部振动响应的桥梁梁底内部无损检测方法,利用无人机施加振动并拍摄分析,检测过程高效便捷。
为了使本领域的技术人员更好地理解本发明的技术方案,下面将结合附图及具体的实施方式,对本发明的基于局部振动响应的桥梁梁底内部无损检测方法和***进行详细的介绍说明。
图1为本发明提供的基于局部振动响应的桥梁梁底内部无损检测方法的流程图,具体包括以下步骤:
S1、无人机悬停于目标桥梁底部,无人机利用冲击锤敲击梁底子区域,对子区域施加预定的冲击力;无人机由操作人员控制,能够在空中悬停;无人机上配备冲击锤,可以以相同的力度重复施加冲击力。整个桥梁的底面预先划分为若干个不同的子区域,各区域的尺寸大体相等,对每个子区域施加相同的振动。
S2、配备有车载摄像头的地面移动车辆停放于桥梁下方的地面,确保车载摄像头能够拍摄到受敲击位置处;利用车载摄像头,以撞击点作为视频捕捉中心,对梁底区域进行基于倾斜摄影的实时视频录制,录制时长2-3S,得到振动反馈视频;此步骤利用地面移动车辆从下方拍摄视频,得到振动敲击处的视频录像。随着无人机敲击位置的不同,将车载摄像头调节到不同的角度,并可配合移动车辆,使敲击位置处于视频的正中心。
S3、对振动反馈视频进行运动放大处理;运动放大处理将视频中对应位置的运动进行放大,找到时间段内的运动矢量,进行放大,权值叠加回去。无人机的体积远小于桥梁的体积,对桥梁施加的冲击力使桥梁产生的振动不易被肉眼察觉,这些微变化只有通过运动放大,才能更好地做后续的视频视觉任务。
S4、以撞击点为基准点,基于深度学习目标跟踪算法与特征点匹配进行基准点跟踪,获取基准点在时域上的动力响应;用傅里叶变换获得对应的振动频率响应;对上述经放大处理后的视频信号做相应的处理分析,最终获得振动频率响应,即该视频所对应区域的振动频率响应。
S5、重复上述步骤,得到整个桥梁底面被测区域的振动频率,判断振动频率是否发生超出设定范围的突变,若超出则做出展示或报警;对划分的若干个子区域分别拍摄视频并做处理后,得到每个子区域对应的振动频率响应,比较各个相邻子区域的振动频率响应是否出现突变,发生突变即数值突变超出设定变化范围,代理该突变区域出现异常,需要做出展示或报警,以方便人员做出相应的处理。
相对于传统的测量方式,本发明无需利用工程车辆,仅利用无人机配合视频拍摄并分析得到振动频率,使得检测过程更加简便,检测效率更高,检测成本更低。
在上述方案的基础上,本发明在步骤S1中,如图2所示,为本发明提供的基于局部振动响应的桥梁梁底内部无损检测方法的进一步补充的流程图;无人机悬停于目标桥梁底部,开启机载云台摄像头对梁底子区域进行图像采集,对采集完毕的梁底图像进行图像拼接,并将拼接完成的梁底子区域图像划分为n×m个子区域,依次给每个区域进行数字编码,每次检测以子区域的中心为基准点。如图3所示,为划分为m*n个子区域的示意图;逐个对每个子区域进行检测,在上述步骤S5中,测量完成一个子区域后,需要判断各个子区域是否全部测量完成,若否则继续测量下一个区域,直到全部的子区域都被测量完成。
倾斜摄影***包括移动车辆平台和车载摄像头仪器,由操作人员控制,其中移动车辆平台为具有灵活机动性能的车辆;工作人员为地面操控人员;仪器包括传感器和姿态定位***。车载摄像头仪器为多头云台相机(用于多角度拍摄修正误差)和GPS定位装置(用于获取的三个线元素Xs,Ys,Zs),姿态定位***主要记录相机在曝光瞬间时的姿态(三个角元素φ、ω、κ)。
具体地,上述步骤S2中的倾斜摄影的过程如下:
利用车载摄像头,以不同角度、视场范围对梁底目标子区域进行倾斜摄影,结合定位定向***(POS,Positioning and Orientation System)提供的多视影像外方位元素,并利用金字塔影像匹配策略,在每级影像上进行同名点自动匹配和联合平差,得到同名点匹配结果;建立误差方程式,将连接点、控制点坐标、GPS/IMU辅助数据,与多视影像自检校区域网平差的误差方程,进行联合解算,从而获取高精度的视频信号。
对振动反馈视频进行运动放大处理,包括以下四个过程:
1) 空域分解:通过拉普拉斯金字塔将输入的视频进行多分辨率分解,得到各个不同空域分辨率的视频;
2) 时域处理:对空域分解后不同尺度的图像进行时域带通滤波处理,得到若干感兴趣的频带;
3) 运动放大处理:对得出的感兴趣频带信号用泰勒级数进行差分逼近,再线性放大逼近后的结果;
4) 视频重建:对运动放大处理后的视频进行金字塔重建,输出视频。
结合图4所示,为运动放大处理的过程示意图,具体包括:
对输入视频依次处理得到灰度背景模型、Vibe前景模型、形态学处理、前景区域轮廓、前景区域最小外接矩形;
依次进行空域分解和时域分解;
分离目的区域、泰勒级数差分逼近、运动线性放大;
放大后的视频与背景层融合;
输出视频。
更进一步,上述步骤S4中,基于深度学习目标跟踪算法与特征点匹配进行基准点跟踪,获取基准点在时域上的动力响应,包括:
深度学习目标跟踪算法采用YoloX算法,目标预测部分采用基于卡尔曼滤波的预测方法,数据关联部分采用匈牙利算法,特征点检测算法采用SURF算法。
结合图5所示,为获取基准点在时域上的动力响应的流程图;基于深度学习目标跟踪算法与特征点匹配进行基准点跟踪,获取基准点在时域上的动力响应,具体包括如下的步骤:
输入视频图像序列;
同时进行目标检测和卡尔曼滤波;
进行数据关联;
检测信息与预测信息关联,并跟踪结果;没有关联的检测信息创建与初始化卡尔曼滤波,并跟踪结果;没有关联的预测信息及上一帧跟踪信息进行关键点检测及匹配,若匹配则跟踪结果,若不匹配则删除对应的卡尔曼滤波器,重新进行卡尔曼滤波;
判断三者的跟踪结果是否一致,若是则结束;若否则重复上述步骤。
可采用激光技术辅助以获取更加精确的振动响应,激光多普勒测振将激光光束照射在粗糙的目标表面,通过检测回波光束与本振光束之间的相位差异来分析目标振动所产生的多普勒频率调制信息,从而获得目标振动的位移、速度等物理量。
采用激光技术辅助的原理简述如下:假设信号源S在给定可传播介质的实际波速为V,频率为f。若信号源以速度为v s ,沿着与观测点P视线方向的夹角角度为θ s 的方向运动,则在观测点P处所感知的表观观测频率为:
若v s /c <<1,用 Maclaurin展开,取一次项,那么表观观测频率的近似为:
反之,若信号源保持静止,而观测点P以速度为v p ,夹角方向为θ p 运动时,观测点P测得的表观观测频率为:
同理,若信号源与观察者都在运动时,观察者测得的表观观测频率为:
具体地,上述步骤S5中,判断振动频率是否发生超出设定范围的突变,包括:
利用快速傅里叶变换获得目标梁底区域的振动频率云图,按数值由高到低对应颜色由浅变深的原则绘制目标梁底检测区域的振动频率云图。图6为生成的云图示意图,若某个区域的颜色与其他区域差异较大,则表示该区域可能出现了损伤,需要进一步处理。
本发明还提供一种基于局部振动响应的桥梁梁底内部无损检测***,结合图7所示,为该***的装置示意图,其中包括配备冲击锤的无人机和配备有车载摄像头的地面移动车辆;应用于上述的基于局部振动响应的桥梁梁底内部无损检测方法,该***能够实现上述所达到的技术效果。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理,可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于局部振动响应的桥梁梁底内部无损检测方法,其特征在于,包括:
无人机悬停于目标桥梁底部,无人机利用冲击锤敲击梁底子区域,对子区域施加预定的冲击力;无人机悬停于目标桥梁底部,开启机载云台摄像头对梁底子区域进行图像采集,对采集完毕的梁底图像进行图像拼接,并将拼接完成的梁底子区域图像划分为n×m个子区域,依次给每个区域进行数字编码,每次检测以子区域的中心为基准点;
配备有车载摄像头的地面移动车辆停放于桥梁下方的地面,确保车载摄像头能够拍摄到受敲击位置处;利用车载摄像头,以撞击点作为视频捕捉中心,对梁底区域进行基于倾斜摄影的实时视频录制,录制时长2-3S,得到振动反馈视频;所述倾斜摄影的过程如下:利用车载摄像头,以不同角度、视场范围对梁底目标子区域进行倾斜摄影,结合定位定向***提供的多视影像外方位元素,并利用金字塔影像匹配策略,在每级影像上进行同名点自动匹配和联合平差,得到同名点匹配结果;建立误差方程式,将连接点、控制点坐标、GPS/IMU辅助数据,与多视影像自检校区域网平差的误差方程,进行联合解算,从而获取视频信号;
对所述振动反馈视频进行运动放大处理;
以撞击点为基准点,基于深度学习目标跟踪算法与特征点匹配进行基准点跟踪,获取基准点在时域上的动力响应;用傅里叶变换获得对应的振动频率响应;
重复上述步骤,得到整个桥梁底面被测区域的振动频率,判断振动频率是否发生超出设定范围的突变,若超出则做出展示或报警。
2.根据权利要求1所述的基于局部振动响应的桥梁梁底内部无损检测方法,其特征在于,所述对所述振动反馈视频进行运动放大处理,包括:
1) 空域分解:通过拉普拉斯金字塔将输入的视频进行多分辨率分解,得到各个不同空域分辨率的视频;
2) 时域处理:对空域分解后不同尺度的图像进行时域带通滤波处理,得到若干感兴趣的频带;
3) 运动放大处理:对得出的感兴趣频带信号用泰勒级数进行差分逼近,再线性放大逼近后的结果;
4) 视频重建:对运动放大处理后的视频进行金字塔重建,输出视频。
3.根据权利要求2所述的基于局部振动响应的桥梁梁底内部无损检测方法,其特征在于,所述运动放大处理具体包括:
对输入视频依次处理得到灰度背景模型、Vibe前景模型、形态学处理、前景区域轮廓、前景区域最小外接矩形;
依次进行空域分解和时域分解;
分离目的区域、泰勒级数差分逼近、运动线性放大;
放大后的视频与背景层融合;
输出视频。
4.根据权利要求3所述的基于局部振动响应的桥梁梁底内部无损检测方法,其特征在于,所述基于深度学习目标跟踪算法与特征点匹配进行基准点跟踪,获取基准点在时域上的动力响应,包括:
所述深度学习目标跟踪算法采用YoloX算法,目标预测部分采用基于卡尔曼滤波的预测方法,数据关联部分采用匈牙利算法,特征点检测算法采用SURF算法。
5.根据权利要求4所述的基于局部振动响应的桥梁梁底内部无损检测方法,其特征在于,所述基于深度学习目标跟踪算法与特征点匹配进行基准点跟踪,获取基准点在时域上的动力响应,包括:
输入视频图像序列;
同时进行目标检测和卡尔曼滤波;
进行数据关联;
检测信息与预测信息关联,并跟踪结果;没有关联的检测信息创建与初始化卡尔曼滤波,并跟踪结果;没有关联的预测信息及上一帧跟踪信息进行关键点检测及匹配,若匹配则跟踪结果,若不匹配则删除对应的卡尔曼滤波器,重新进行卡尔曼滤波;
判断三者的跟踪结果是否一致,若是则结束;若否则重复上述步骤。
6.根据权利要求5所述的基于局部振动响应的桥梁梁底内部无损检测方法,其特征在于,所述判断振动频率是否发生超出设定范围的突变,包括:
利用快速傅里叶变换获得目标梁底区域的振动频率云图,按数值由高到低对应颜色由浅变深的原则绘制目标梁底检测区域的振动频率云图。
7.一种基于局部振动响应的桥梁梁底内部无损检测***,其特征在于,包括配备冲击锤的无人机和配备有车载摄像头的地面移动车辆;应用于权利要求1至6任一项所述的基于局部振动响应的桥梁梁底内部无损检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111365587.2A CN113791140B (zh) | 2021-11-18 | 2021-11-18 | 基于局部振动响应的桥梁梁底内部无损检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111365587.2A CN113791140B (zh) | 2021-11-18 | 2021-11-18 | 基于局部振动响应的桥梁梁底内部无损检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113791140A CN113791140A (zh) | 2021-12-14 |
CN113791140B true CN113791140B (zh) | 2022-02-25 |
Family
ID=78877319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111365587.2A Active CN113791140B (zh) | 2021-11-18 | 2021-11-18 | 基于局部振动响应的桥梁梁底内部无损检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113791140B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445404A (zh) * | 2022-04-06 | 2022-05-06 | 湖南大学 | 基于亚像素边缘检测的结构振动响应自动识别方法及*** |
CN114528887A (zh) * | 2022-04-24 | 2022-05-24 | 湖南大学 | 基于微小振动放大技术的桥梁监测方法、***及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1804563A (zh) * | 2005-10-14 | 2006-07-19 | 北京交通大学 | 测量桥梁下部结构自振频率的冲击振动法 |
CN106657713A (zh) * | 2016-12-30 | 2017-05-10 | 华中科技大学 | 一种视频运动放大方法 |
CN109919981A (zh) * | 2019-03-11 | 2019-06-21 | 南京邮电大学 | 一种基于卡尔曼滤波辅助的多特征融合的多目标跟踪方法 |
CN110147781A (zh) * | 2019-05-29 | 2019-08-20 | 重庆交通大学 | 基于机器学习的桥梁振动模态可视化损伤识别方法 |
CN110631812A (zh) * | 2019-04-26 | 2019-12-31 | 深圳市豪视智能科技有限公司 | 轨道振动检测方法及装置、振动检测设备 |
CN112098326A (zh) * | 2020-08-20 | 2020-12-18 | 东南大学 | 针对桥梁病害的自动检测方法和*** |
CN113160274A (zh) * | 2021-04-19 | 2021-07-23 | 桂林电子科技大学 | 一种基于YOLOv4的改进DeepSort目标检测跟踪方法 |
CN113269098A (zh) * | 2021-05-27 | 2021-08-17 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于无人机的多目标跟踪定位与运动状态估计方法 |
-
2021
- 2021-11-18 CN CN202111365587.2A patent/CN113791140B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1804563A (zh) * | 2005-10-14 | 2006-07-19 | 北京交通大学 | 测量桥梁下部结构自振频率的冲击振动法 |
CN106657713A (zh) * | 2016-12-30 | 2017-05-10 | 华中科技大学 | 一种视频运动放大方法 |
CN109919981A (zh) * | 2019-03-11 | 2019-06-21 | 南京邮电大学 | 一种基于卡尔曼滤波辅助的多特征融合的多目标跟踪方法 |
CN110631812A (zh) * | 2019-04-26 | 2019-12-31 | 深圳市豪视智能科技有限公司 | 轨道振动检测方法及装置、振动检测设备 |
CN110147781A (zh) * | 2019-05-29 | 2019-08-20 | 重庆交通大学 | 基于机器学习的桥梁振动模态可视化损伤识别方法 |
CN112098326A (zh) * | 2020-08-20 | 2020-12-18 | 东南大学 | 针对桥梁病害的自动检测方法和*** |
CN113160274A (zh) * | 2021-04-19 | 2021-07-23 | 桂林电子科技大学 | 一种基于YOLOv4的改进DeepSort目标检测跟踪方法 |
CN113269098A (zh) * | 2021-05-27 | 2021-08-17 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于无人机的多目标跟踪定位与运动状态估计方法 |
Non-Patent Citations (3)
Title |
---|
一种基于YOLOv4的改进DeepSort目标跟踪算法;陈紫强 等;《桂林电子科技大学学报》;20210430;第140-145页 * |
基于深度学习的运动目标识别跟踪***设;秦阳;《万方学位论文》;20211013;第1页 * |
特定动态小目标快速识别与跟踪技术研究;陈斌;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20210115;第6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113791140A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Deep concrete inspection using unmanned aerial vehicle towards cssc database | |
Zhao et al. | Detection, tracking, and geolocation of moving vehicle from uav using monocular camera | |
Zhou et al. | Robust real-time UAV based power line detection and tracking | |
CN113791140B (zh) | 基于局部振动响应的桥梁梁底内部无损检测方法和*** | |
Piciarelli et al. | A vision-based system for internal pipeline inspection | |
Yu et al. | A UAV-based crack inspection system for concrete bridge monitoring | |
US20060244827A1 (en) | Methods for detecting and tagging scene changes | |
Dong et al. | A completely non-contact recognition system for bridge unit influence line using portable cameras and computer vision | |
US20200357141A1 (en) | Systems and methods for calibrating an optical system of a movable object | |
Perry et al. | A portable three-component displacement measurement technique using an unmanned aerial vehicle (UAV) and computer vision: A proof of concept | |
CN111738032B (zh) | 一种车辆行驶信息确定方法及装置、车载终端 | |
CN112923904A (zh) | 面向多无人机协同摄影测量的地质灾害隐患探测方法 | |
Yang et al. | A robotic system towards concrete structure spalling and crack database | |
KR102308456B1 (ko) | 라이다 및 카메라 수집정보 기반 수종탐지 시스템 및 이를 이용한 수종탐지방법, 수종탐지방법을 수행하는 프로그램이 수록된 기록매체 | |
KR20210081983A (ko) | 카메라 기반의 자동화된 정밀도로지도 생성 시스템 및 방법 | |
Yang et al. | Deep neural network based visual inspection with 3d metric measurement of concrete defects using wall-climbing robot | |
Zhang et al. | Deep learning based object distance measurement method for binocular stereo vision blind area | |
Wang et al. | Preliminary research on vehicle speed detection using traffic cameras | |
Ioli et al. | UAV photogrammetry for metric evaluation of concrete bridge cracks | |
CN115717867A (zh) | 一种基于机载双相机和目标追踪的桥梁变形测量方法 | |
Ribeiro et al. | Remote inspection and monitoring of civil engineering structures based on unmanned aerial vehicles | |
EP2731050A1 (en) | Cloud feature detection | |
Li et al. | Driver drowsiness behavior detection and analysis using vision-based multimodal features for driving safety | |
CN111489398B (zh) | 一种成像设备标定方法以及装置 | |
Hu et al. | Toward high-quality magnetic data survey using UAV: development of a magnetic-isolated vision-based positioning system |
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 |