CN114596525A - 一种基于计算机视觉的动态桥梁形态识别方法 - Google Patents

一种基于计算机视觉的动态桥梁形态识别方法 Download PDF

Info

Publication number
CN114596525A
CN114596525A CN202210201036.0A CN202210201036A CN114596525A CN 114596525 A CN114596525 A CN 114596525A CN 202210201036 A CN202210201036 A CN 202210201036A CN 114596525 A CN114596525 A CN 114596525A
Authority
CN
China
Prior art keywords
video
amplification
edge
frame
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.)
Pending
Application number
CN202210201036.0A
Other languages
English (en)
Inventor
王佐才
张飞
段大猷
辛宇
马乐乐
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210201036.0A priority Critical patent/CN114596525A/zh
Publication of CN114596525A publication Critical patent/CN114596525A/zh
Priority to GB2215178.1A priority patent/GB2616322B/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明适用于视觉测量技术领域，提供了一种基于计算机视觉的动态桥梁形态识别方法，包括：选取合适采样频率以及分辨率的传感器进行视频采集；对采集的视频进行裁切；使用欧拉视频放大算法对视频的结构形变进行放大；针对运动放大后每一帧图像中目标结构，利用Prewitt算子初步确定可能的结构边缘像素点，再使用空间矩亚像素边缘检测算法求出区域内结构边缘点的位置；根据每一帧的边缘识别点云结果获得结构的动态形态识别结果；使用画面中已知的物体表面两像素点间的距离以及视频运动放大系数，对该方法识别的结构变形进行标定，获得准确动态形态变化。本发明实现了视觉非接触式测量，无需在结构上安装传感器，不会干扰结构正常运营，节约测试成本。

Description

一种基于计算机视觉的动态桥梁形态识别方法
技术领域
本发明属于视觉测量技术领域，尤其涉及一种基于计算机视觉的动态桥梁形态识别方法。
背景技术
桥梁在运营阶段，主梁、桥塔和拉索等构件的变形直接反应桥梁的结构构建刚度，因而桥梁的形态变化是评价桥梁受力性能的重要指标。基于数字图像技术的桥梁形态测量方法近年有了一定的发展，与现有的接触式位移计、激光位移计、光电位移计等变形检测方法相比，基于计算机视觉技术通过比较不同时间的结构数字图像来获得结构的变位信息，无需安装传感器即可远距非接触式测量，具有快捷易用、精度高、限制小、不影响结构正常运营等优点。
然而，目前用视觉传感器对桥梁结构动态形态识别还存在着当传感器像素不足时对微小变形识别的困难。当目标结构较大时，若想摄录结构整体以进行形态识别时，若不增加传感器分辨率则没有足够多的像素捕捉结构的微小变形，而增大传感器分辨率会极大地提高传感器成本以及计算机处理的时间。因此，亟需一种更加精确有效的动态桥梁形态识别方法。
发明内容
本发明实施例的目的在于提供一种基于计算机视觉的动态桥梁形态识别方法，旨在解决上述背景技术中存在的问题。
本发明实施例是这样实现的，一种基于计算机视觉的动态桥梁形态识别方法，包括以下步骤：
S1、选取合适采样频率以及分辨率的传感器对目标结构进行视频采集；
S2、对采集的视频进行裁切，获得目标区域的视频；
S3、使用基于亮度变化的欧拉视频放大算法对视频中的结构形变进行放大；
S4、针对运动放大后每一帧图像中目标结构，利用Prewitt算子初步确定可能的结构边缘像素点，再使用空间矩亚像素边缘检测算法求出区域内结构边缘点的位置；
S5、根据每一帧的边缘识别点云结果即可获得结构的动态形态识别结果；
S6、使用画面中已知的物体表面两像素点间的距离以及视频运动放大系数，即可对该方法识别的结构变形进行标定，获得结构的准确动态形态变化。
优选地，所述传感器为彩色视觉传感器时，将视频转换为灰度色彩模式。
优选地，所述S3是将视频中微小的运动等价为微小的亮度变化，直接处理视频图像的像素灰度大小。
优选地，所述S3具体包括以下步骤：
S31、假设视频图像任意位置x处的像素在t时刻的一维信号强度表示为I(x，t)，δ(t)为微小位移，δk(t)表示变化信号，δ(t)在t时刻的第k个频率分量，γk表示t时刻第k个变化信号的衰减倍数，其中0＜γk＜1，线性放大环境下不同频率的放大倍数变为γkα，此时放大结果表示为：
Figure BDA0003529224010000021
S32、根据香农采样定律将视频中有效采样频率以内的频带范围进行带通滤波，当视频的采样帧率为60fps，选取0-30Hz以内的运动进行放大。
优选地，所述S32中运动放大过程包括以下步骤：
将视频逐帧进行拉普拉斯金字塔多层分解，得到不同分辨率下的图像子带，针对不同的分辨率采用不同放大倍数，在最高分辨率尺度下信噪比最低，可以选择最小的放大倍数，在最低分辨率尺度下选择最大放大倍数；
对图像多尺度金字塔分解后得到的子带进行带通滤波得到目标频带内的变化信号用于后续处理，振动放大采用宽通带滤波器，人工设置放大的频带范围，直接在时域进行处理；
对滤波得到的感兴趣信号进行泰勒级数差分逼近，乘以设置的放大倍数，得到微小变化线性放大的图像序列；
对放大后的图像序列使用金字塔重建，与输入序列叠加，输出放大后的视频。
优选地，所述S4具体包括以下步骤：
S41、通过Prewitt算子初步确定像素级别的结构边缘点：
使用横向和纵向模板对每一帧图像I进行卷积，获得横向和纵向的近似梯度
Figure BDA0003529224010000031
和
Figure BDA0003529224010000032
从而获得梯度幅值矩阵
Figure BDA0003529224010000033
在设定的阈值后梯度幅值大于阈值的像素点即为可能的边缘点
Figure BDA0003529224010000034
S42、利用空间矩获得结构的亚像素级边缘：
将图像I与四个尺寸为5×5的空间矩模板m00、m01、m10、m20做卷积得到对应的矩A00、A01、A10、A20；
对S41中的
Figure BDA0003529224010000035
的进行计算即可获得边缘方向
Figure BDA0003529224010000036
到模板中心的距离
Figure BDA0003529224010000037
灰度差
Figure BDA0003529224010000038
通过设置阈值优化最终的边缘位置坐标
Figure BDA0003529224010000039
其中
Figure BDA00035292240100000310
优选地，所述S5中以第一帧结构形态点云作为参考，与其他帧的点云进行对比选取点云中的不动点进行配准，即可获得结构整体形态变化。
本发明实施例提供的一种基于计算机视觉的动态桥梁形态识别方法，实现了视觉非接触式测量，无需在结构上安装传感器，不会干扰结构正常运营，节约测试成本；
实现了对目标结构整体形态测量，而不是像传统传感器对结构构件上的一点进行测量，可以更加方便的获得结构的整体的形态变化；
利用欧拉视角视频放大算法和子像素边缘识别方法，可精确测量结构的整体微小形态变化，并且同时适用于人为激励和环境激励的情况，经济高效，对测量仪器参数要求低，可用于结构健康监测。
附图说明
图1为本发明实施例提供的一种基于计算机视觉的动态桥梁形态识别方法的流程图；
图2为本发明实施例提供的一种基于计算机视觉的动态桥梁形态识别方法中采集的测试梁形态变化视频初始帧；
图3为本发明实施例提供的一种基于计算机视觉的动态桥梁形态识别方法中采集的视频经过欧拉视角视频放大算法放大运动的流程图；
图4为本发明实施例提供的一种基于计算机视觉的动态桥梁形态识别方法中基于计算机视觉获得的测试梁的边缘识别结果图；
图5为本发明实施例提供的一种基于计算机视觉的动态桥梁形态识别方法中重构的振动时程与测试梁跨中点通过电涡流位移传感器测得的比较图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
实施例1
如图1所示，为本发明的一个实施例提供的一种基于计算机视觉的动态桥梁形态识别方法的流程图，包括以下步骤：
S1、选取合适采样频率以及分辨率的传感器对目标结构进行视频采集；
S2、对采集的视频进行裁切获得目标区域的视频；当使用彩色视觉传感器可以将视频转换为灰度色彩模式以减少后续计算机处理的计算量；
S3、使用基于亮度变化的欧拉视频放大算法对视频中的结构形变进行放大；其基本原理主要是建立在传统的视频运动处理中的光流法基础上，利用光流的空间一致与亮度恒定假设，将视频中微小的运动等价为微小的亮度变化，通过直接处理视频图像的像素亮度(灰度)大小，实现对视频中的微小运动的间接处理，具体包括以下步骤：
S31、假设视频图像任意位置x处的像素在t时刻的一维信号强度表示为I(x，t)，δ(t)为微小位移，δk(t)表示变化信号δ(t)在t时刻的第k个频率分量，γk表示t时刻第k个变化信号的衰减倍数(0＜γk＜1)，线性放大环境下不同频率的放大倍数变为γkα，此时放大结果表示为：
Figure BDA0003529224010000051
S32、根据香农采样定律将视频中有效采样频率以内的频带范围进行带通滤波，例如若视频的采样帧率为60fps，则选取0-30Hz以内的运动进行放大以防产生放大失真；
其中，具体视频运动放大过程为：首先，将视频逐帧进行拉普拉斯金字塔多层分解，得到不同分辨率(空间尺度)下的图像子带，针对不同的分辨率采用不同放大倍数，在最高分辨率尺度下信噪比最低，可以选择最小的放大倍数，在最低分辨率尺度下选择最大放大倍数；其次，对图像多尺度金字塔分解后得到的子带进行带通滤波得到目标频带内的变化信号用于后续处理，振动放大一般采用宽通带滤波器如巴特沃斯滤波器，人工设置放大的频带范围，直接在时域进行处理；然后，对滤波得到的感兴趣信号进行泰勒级数差分逼近，乘以设置的放大倍数，得到微小变化线性放大的图像序列；最后，对放大后的图像序列使用金字塔重建，与输入序列叠加，输出放大后的视频；
S4、针对运动放大后每一帧图像中目标结构，利用Prewitt算子初步确定可能的结构边缘像素点，再使用空间矩亚像素边缘检测算法求出区域内结构边缘点的位置，具体包括以下步骤：
S41、通过Prewitt算子初步确定像素级别的结构边缘点：使用横向和纵向模板对每一帧图像I进行卷积，获得横向和纵向的近似梯度
Figure BDA0003529224010000061
和
Figure BDA0003529224010000062
从而获得梯度幅值矩阵
Figure BDA0003529224010000063
在设定的阈值后梯度幅值大于阈值的像素点即为可能的边缘点
Figure BDA0003529224010000064
S42、利用空间矩获得结构的亚像素级边缘；将图像I与四个尺寸为5×5的空间矩模板m00、m01、m10、m20做卷积得到对应的矩A00、A01、A10、A20；对S41中的
Figure BDA0003529224010000065
的进行计算即可获得：边缘方向
Figure BDA0003529224010000066
到模板中心的距离
Figure BDA0003529224010000067
灰度差
Figure BDA0003529224010000068
通过设置阈值优化最终的边缘位置坐标
Figure BDA0003529224010000069
其中
Figure BDA00035292240100000610
S5、根据每一帧的边缘识别点云结果即可获得结构的动态形态识别结果，以第一帧结构形态点云作为参考，与其他帧的点云进行对比选取点云中的不动点进行配准，即可获得以整体监测来获取结构整体的表面变形；
S6、使用画面中已知的物体表面两像素点间的距离以及视频运动放大系数，即可对该方法识别的结构变形进行标定，获得结构的准确动态形态变化。
实施例2
提供了一种具体的基于计算机视觉的动态桥梁形态识别方法：
S1、对一根简支边界条件的梁结构进行测试，测试梁为长2.8m的铝梁，宽度为100mm，厚度为20mm，杨氏模量为70GPa，泊松比为0.33，梁的密度为2700kg/m3，并布置了电涡流位移传感器对跨中等位置的动态位移测量，在合适的位置采集视频，确保测试结构整体均位于视频采集视野内；使用手机Redmi K20的索尼IMX586 CMOS摄像头进行视频采集，视频采集参数为1080p@60fps，截取的视频初始帧如图2所示，使用随机锤击激励使试验梁振动；
S2、裁剪视频至所需尺寸并转化为灰度色彩；
S3、将视频使用欧拉视角视频放大算法进行运动放大，放大频带为0-30Hz，放大倍数为10倍，放大效果如图3所示；
S4、结合Prewitt算子和空间矩进行亚像素边缘检测，获得目标结构的精确形态边缘，其中一帧的结果如图4所示；
S5、以第一帧结构形态点云作为参考，与其他帧的点云进行对比选取点云中的不动点进行配准，即可获得以整体监测来获取结构整体的表面变形；
S6、通过梁厚度20mm在视频中的像素距离以及欧拉视角视频放大算法的放大倍数，对测试梁形态变化进行标定，获得测试梁的准确形变，选取跨中点的振动时程，与现场布置的位移传感器测得的振动进行对比，结果如图5所示，可以看出，该方法的识别精度较高。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于计算机视觉的动态桥梁形态识别方法，其特征在于，包括以下步骤：
S1、选取合适采样频率以及分辨率的传感器对目标结构进行视频采集；
S2、对采集的视频进行裁切，获得目标区域的视频；
S3、使用基于亮度变化的欧拉视频放大算法对视频中的结构形变进行放大；
S4、针对运动放大后每一帧图像中目标结构，利用Prewitt算子初步确定可能的结构边缘像素点，再使用空间矩亚像素边缘检测算法求出区域内结构边缘点的位置；
S5、根据每一帧的边缘识别点云结果即可获得结构的动态形态识别结果；
S6、使用画面中已知的物体表面两像素点间的距离以及视频运动放大系数，即可对该方法识别的结构变形进行标定，获得结构的准确动态形态变化。
2.根据权利要求1所述的基于计算机视觉的动态桥梁形态识别方法，其特征在于，所述传感器为彩色视觉传感器时，将视频转换为灰度色彩模式。
3.根据权利要求1所述的基于计算机视觉的动态桥梁形态识别方法，其特征在于，所述S3是将视频中微小的运动等价为微小的亮度变化，直接处理视频图像的像素灰度大小。
4.根据权利要求3所述的基于计算机视觉的动态桥梁形态识别方法，其特征在于，所述S3具体包括以下步骤：
S31、假设视频图像任意位置x处的像素在t时刻的一维信号强度表示为I(x，t)，δ(t)为微小位移，δk(t)表示变化信号，δ(t)在t时刻的第k个频率分量，γk表示t时刻第k个变化信号的衰减倍数，其中0＜γk＜1，线性放大环境下不同频率的放大倍数变为γkα，此时放大结果表示为：
Figure FDA0003529222000000011
S32、根据香农采样定律将视频中有效采样频率以内的频带范围进行带通滤波，当视频的采样帧率为60fps，选取0-30Hz以内的运动进行放大。
5.根据权利要求4所述的基于计算机视觉的动态桥梁形态识别方法，其特征在于，所述S32中运动放大过程包括以下步骤：
将视频逐帧进行拉普拉斯金字塔多层分解，得到不同分辨率下的图像子带，针对不同的分辨率采用不同放大倍数，在最高分辨率尺度下信噪比最低，可以选择最小的放大倍数，在最低分辨率尺度下选择最大放大倍数；
对图像多尺度金字塔分解后得到的子带进行带通滤波得到目标频带内的变化信号用于后续处理，振动放大采用宽通带滤波器，人工设置放大的频带范围，直接在时域进行处理；
对滤波得到的感兴趣信号进行泰勒级数差分逼近，乘以设置的放大倍数，得到微小变化线性放大的图像序列；
对放大后的图像序列使用金字塔重建，与输入序列叠加，输出放大后的视频。
6.根据权利要求1所述的基于计算机视觉的动态桥梁形态识别方法，其特征在于，所述S4具体包括以下步骤:
S41、通过Prewitt算子初步确定像素级别的结构边缘点：
使用横向和纵向模板对每一帧图像I进行卷积，获得横向和纵向的近似梯度
Figure FDA0003529222000000021
和
Figure FDA0003529222000000022
从而获得梯度幅值矩阵
Figure FDA0003529222000000023
在设定的阈值后梯度幅值大于阈值的像素点即为可能的边缘点
Figure FDA0003529222000000024
S42、利用空间矩获得结构的亚像素级边缘：
将图像I与四个尺寸为5×5的空间矩模板m00、m01、m10、m20做卷积得到对应的矩A00、A01、A10、A20；
对S41中的
Figure FDA0003529222000000031
的进行计算即可获得边缘方向
Figure FDA0003529222000000032
到模板中心的距离
Figure FDA0003529222000000033
灰度差
Figure FDA0003529222000000034
通过设置阈值优化最终的边缘位置坐标
Figure FDA0003529222000000035
其中
Figure FDA0003529222000000036
7.根据权利要求1所述的基于计算机视觉的动态桥梁形态识别方法，其特征在于，所述S5中以第一帧结构形态点云作为参考，与其他帧的点云进行对比选取点云中的不动点进行配准，即可获得结构整体形态变化。
CN202210201036.0A 2022-03-03 2022-03-03 一种基于计算机视觉的动态桥梁形态识别方法 Pending CN114596525A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210201036.0A CN114596525A (zh) 2022-03-03 2022-03-03 一种基于计算机视觉的动态桥梁形态识别方法
GB2215178.1A GB2616322B (en) 2022-03-03 2022-10-14 Computer vision-based dynamic bridge shape recognition method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210201036.0A CN114596525A (zh) 2022-03-03 2022-03-03 一种基于计算机视觉的动态桥梁形态识别方法

Publications (1)

Publication Number Publication Date
CN114596525A true CN114596525A (zh) 2022-06-07

Family

ID=81815156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210201036.0A Pending CN114596525A (zh) 2022-03-03 2022-03-03 一种基于计算机视觉的动态桥梁形态识别方法

Country Status (2)

Country Link
CN (1) CN114596525A (zh)
GB (1) GB2616322B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116147484B (zh) * 2023-02-27 2024-04-30 东南大学 一种基于多点云融合的桥梁服役线形识别方法
CN116678337A (zh) * 2023-06-08 2023-09-01 交通运输部公路科学研究所 基于图像识别的架桥机主梁前后支点处高差和主梁变形监测预警***及方法
CN117392515B (zh) * 2023-09-15 2024-04-30 中亿丰(苏州)城市建设发展股份有限公司 一种基于视觉传感的桥梁结构计量检测***
CN117490823B (zh) * 2023-11-02 2024-07-05 安徽农业大学 一种基于视觉测量的振动提取与振型观测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5070401A (en) * 1990-04-09 1991-12-03 Welch Allyn, Inc. Video measurement system with automatic calibration and distortion correction
CA3058857C (en) * 2014-04-30 2021-05-04 Halliburton Energy Services, Inc. Subterranean monitoring using enhanced video
CN106530285B (zh) * 2016-10-21 2019-04-09 国网山东省电力公司电力科学研究院 一种基于gpu与cpu混合数据处理的输电线路部件识别方法
CN109559323A (zh) * 2018-11-16 2019-04-02 重庆邮电大学 一种基于改进后的prewitt算子增强图像边缘特征的方法
CN109580137B (zh) * 2018-11-29 2020-08-11 东南大学 一种基于计算机视觉技术的桥梁结构位移影响线实测方法
CN110595601B (zh) * 2019-04-26 2021-10-15 深圳市豪视智能科技有限公司 桥梁振动检测方法及相关装置
CN110599510A (zh) * 2019-08-02 2019-12-20 中山市奥珀金属制品有限公司 一种图片特征提取方法
CN114841965B (zh) * 2022-04-30 2023-08-01 中建三局第一建设工程有限责任公司 钢结构形变检测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
GB2616322B (en) 2024-02-21
GB202215178D0 (en) 2022-11-30
GB2616322A (en) 2023-09-06

Similar Documents

Publication Publication Date Title
CN114596525A (zh) 一种基于计算机视觉的动态桥梁形态识别方法
NL2024715B1 (en) Method and system for measuring micro-amplitude vibration of thin-walled part based on motion amplification and optical flow tracking
CN103994724B (zh) 基于数字图像处理技术的结构二维位移及应变监测方法
CN112308832B (zh) 一种基于机器视觉的轴承质量检测方法
CN108106541A (zh) 一种基于视频图像识别的桥梁索力测量方法
CN111083365B (zh) 一种最佳焦平面位置快速检测方法及装置
CN111277833A (zh) 一种基于多通带滤波器的多目标微小振动视频放大方法
CN111174961A (zh) 一种基于模态分析的索力光学测量方法及其测量***
CN104200457A (zh) 基于广角摄像的离散型冠层叶面积指数检测***和方法
CN116363121A (zh) 一种基于计算机视觉的拉索索力检测方法、***及装置
Lee et al. A new image-quality evaluating and enhancing methodology for bridge inspection using an unmanned aerial vehicle
CN113850868B (zh) 一种波浪爬高图像识别方法
CN115683431A (zh) 基于直线跟踪算法的拉索索力确定方法、装置及设备
CN106022354B (zh) 基于svm的图像mtf测量方法
CN115638731B (zh) 一种基于超分辨率的振动台试验计算机视觉位移测量方法
CN108364274B (zh) 微纳米尺度下光学图像的无损清晰重构方法
CN201277864Y (zh) 内方位元素及畸变测试仪
CN116597016A (zh) 一种光纤内窥镜图像标定方法
CN111445435A (zh) 一种基于多区块小波变换的无参考图像质量评价方法
CN116579959A (zh) 用于高光谱图像的融合成像方法及装置
CN113870150B (zh) 基于连续多张遥感图像反演航天器低频振动参数的方法
Chen et al. Modal frequency identification of stay cables with ambient vibration measurements based on nontarget image processing techniques
CN112816120B (zh) 一种索力测量方法
CN102095496B (zh) 一种测量动态照度分布的方法
CN108174196A (zh) 基于距离加权的成像***调制传递函数测量方法

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