CN115078382A - 基于视频图像的桥梁裂缝监测*** - Google Patents

基于视频图像的桥梁裂缝监测*** Download PDF

Info

Publication number
CN115078382A
CN115078382A CN202210674666.XA CN202210674666A CN115078382A CN 115078382 A CN115078382 A CN 115078382A CN 202210674666 A CN202210674666 A CN 202210674666A CN 115078382 A CN115078382 A CN 115078382A
Authority
CN
China
Prior art keywords
crack
image
end system
module
camera
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
CN202210674666.XA
Other languages
English (en)
Inventor
付一帆
徐一超
赵亮
承宇
郭俊
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.)
JSTI Group Co Ltd
Original Assignee
JSTI Group Co Ltd
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 JSTI Group Co Ltd filed Critical JSTI Group Co Ltd
Priority to CN202210674666.XA priority Critical patent/CN115078382A/zh
Publication of CN115078382A publication Critical patent/CN115078382A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/022—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by means of tv-camera scanning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了基于视频图像的桥梁裂缝监测***，包括前端***和后端***，所述前端***由：摄像机、微控制***、供电模块和无线传输模块组成，前端***集成安装在被测结构物表面，所述后端***由：数据存储模块和数据显示模块组成，所述后端***用于将前端***发送过来的裂缝信息进行存储和展示，数据存放在云服务器上，可以在PC端或者手机app上进行数据显示，所述前端***和后端***用于裂缝的精确计算，裂缝的精确计算由图像采集、图像预处理、图像分割、像素标定和宽度测量五个部分构成。本发明设备无线、低功耗，安装方便，不损坏结构物，内置裂缝边缘算法，能实现全自动高精度测量、自动休眠和唤醒功能和裂缝触发报警功能。

Description

基于视频图像的桥梁裂缝监测***
技术领域
本发明涉及桥梁健康监测技术领域，尤其涉及基于视频图像的桥梁裂缝监测***。
背景技术
近年来，我国交通事业迅猛发展，全国各地兴建了许许多多的桥梁，然而在桥梁修建和使用过程中，由于混凝土结构的裂缝问题导致桥梁出现安全隐患甚至垮塌的事故频频发生，裂缝是混凝土结构中最常见的一种病害，裂缝的出现不仅有损桥梁美观，减小截面的受力面积，同时还会影响结构的抗渗透性能，导致水分及有害物质渗入，诱发钢筋锈蚀或加速混凝土的自然老化，从而损害桥梁结构的承载能力，对桥梁安全性能产生不利影响。因此对桥梁裂缝有必要进行重点检测和跟踪监测。
传统的混凝土裂缝检测方法是人工检测，其主要是指检测人员直接用肉眼观测或者借助望远镜、桥检车、登高车等辅助设备来观测结构物表面裂缝，尽管人工检测方法操作方便灵活，但这种方法也存在高空构件检测难度大、检测人员易疲劳、主观性大及漏检与误检现象严重等问题，传统的混凝土裂缝监测技术主要依托振弦裂缝计或光纤光栅裂缝计，其通过在混凝土结构表面安装传感器，当结构物发生变形时，通过捕获传感器输出信号来测量裂缝变化情况，其中，振弦裂缝计测量裂缝的缺点在于传感器感知范围有限，只有10～20cm，因此，一般安装在已知裂缝位置，并不能感知新裂缝出现的时间与位置；裂缝计受到钢丝与光纤断裂应变的影响，量程有限，一般测量范围为6000微应变以内，在裂缝超过0.2
mm后就会发生断裂，难以跟踪裂缝发展的全过程，光纤光栅裂缝计测量裂缝的缺点在于其灵敏度较低，难以在温度变化剧烈及振动频繁等复杂环境下进行裂缝信息的有效分离与提取，导致其在实际工程中的应用越来越少。
此外，随着科学技术的进步，也诞生了一些新型的桥梁裂缝监测技术，如导电涂料裂缝监测，其通过在结构物表面涂刷柔性导电涂料来形成导电膜，当导电膜受到拉伸后，导电颗粒间接触面减小，电阻也随之发生变化，然后通过测量电阻变化情况来实现对结构裂缝的监测；机敏网裂缝监测，其使用漆包铜线作为传感和通信材料，在结构物表面形成网格坐标，当结构上出现裂缝，通过监测区域内的漆包线的断裂来捕捉裂缝的发展情况；这两种方法的缺点在于会造成结构物破坏、前期投入成本较高，施工难度较大，而且投入的前端传感器不能重复利用，基于机器视觉的桥梁裂缝监测方法近年来成为研究热点，其通过捕获被测物图像，由计算机来识别裂缝长度及宽度，该方法具有安装方便、不破坏结构物、设备可重复利用等特点，然而目前基于视频图像监测裂缝的方法还属于半自动测量，需要人工辅助测量，不能实现全自动化监测，而且图像识别裂缝的精度不高，需要大量的算法，影响测量效率。
因此，针对结构表征病害中的裂缝实时可视化监测技术难题，本项目拟开发一类结构裂缝可视化监测***，利用光学成像***和光电传感***将裂缝最宽位置图像定时记录下来，然后利用专用的软件对数字化的图像进行处理，从而可以得到裂缝数字化图像的有用信息，并且利用算法可以计算出所测裂缝的宽度。
发明内容
基于背景技术存在的技术问题，本发明提出了基于视频图像的桥梁裂缝监测***。
本发明提出的基于视频图像的桥梁裂缝监测***，包括前端***和后端***，所述前端***由：摄像机、微控制***、供电模块和无线传输模块组成，前端***集成安装在被测结构物表面，所述后端***由：数据存储模块和数据显示模块组成，所述后端***用于将前端***发送过来的裂缝信息进行存储和展示，数据存放在云服务器上，可以在PC端或者手机app上进行数据显示，所述前端***和后端***用于裂缝的精确计算，裂缝的精确计算由图像采集、图像预处理、图像分割、像素标定和宽度测量五个部分构成。
优选的，所述摄像机为低功耗相机模组，且摄像机上辅助有拍照保护罩及补光灯。
优选的，所述微控制***用于定时发出拍照指令，对获取的图像进行处理和分析，并把处理后得到的裂缝信息发送出去。
优选的，所述供电模块采用锂电池供电。
优选的，所述无线传输模块采用NB-IoT通信模块。
优选的，所述图像采集：由照明设备补光，高清摄像镜头模组直接拍摄行成数字图像；
图像预处理：处理最低层次上的图像，处理的图像为高亮度图像，预处理的内容主要包括图像的灰度化、图像的增强、中值滤波和图像二值化等流程，预处理能够减少原始图像的信息含量，因为一般图像都有多余的信息，预处理还能通过抑制图像的突发变形或者增强一些结构特征等，从而可以达到改善图像质量的目的；
裂缝边缘提取：采用LoG算法来提取箱梁内裂纹和隧道结构内部横截面处裂缝的边缘，算法可以使提取的裂缝边缘更加的精确，其中，LoG算法是由Marr和Hildreth共同提出的，它是通过将高斯滤波和拉普拉斯边缘检测结合在一起而形成的算法，故称之为拉普拉斯高斯算法，LoG算法的基本原理为：首先在一定范围内用高斯形二维低通滤波器对图像做平滑滤波处理，然后利用拉普拉斯差分算子来检测图像的边缘；
像素标定：将数字图像处理技术应用于裂缝宽度的测量，须对相机的像素进行标定，即标定出图像中的每个像素所代表的实际宽度，标定指标的单位为mm/pix，在众多像素标定的方法中，考虑***的测量精度与测量效率的要求，采用定微距方法实现像素标定，通过微距仪防护装置固定了摄像镜头与裂缝结构表面的距离，通过读取镜头模组的焦距参数，进而计算出图像单个像素点所能代表的尺寸标度；
裂缝宽度的计算：基于裂缝边界识别结果区***缝的上、下边缘，分别选中上边缘的各个点，采用“最小距离法”来计算目标裂缝的宽度。
优选的，所述前端***和后端***工作的流程如下：
S1将传感器固定在被测结构物上方，并将摄像机对准目标裂缝；
S2定时由前端微控制***发出拍照指令，摄像机对结构物进行连续拍摄；
S3再由微控制***进行图像处理，识别裂缝宽度，并将裂缝宽度、裂缝图片通过无线传输模块发送至远程服务器中；
S4完成抓拍裂缝图像并传输后，***自动进入休眠状态，待下一次设定的拍照时间到来时自动唤醒进行重复工作；
S5最后在PC端或手机app上进行数据显示。
本发明中，所述基于视频图像的桥梁裂缝监测***的有益效果如下：
1.传统的混凝土裂缝监测技术无法同时兼顾裂缝监测精度和测量范围，本发明利用Sobel算法去影、轮廓提取，自适应动态滤波抑制噪声，ROI选取锁定裂缝区域，Yolo网络快速识别裂缝以及帧差监控裂缝变化等前沿算法加持，能够支持超过30裂缝同时识别，并且测量精度可达0.02mm，大大增加了裂缝的监测效率。
2.以往的图像识别裂缝装置需要将裂缝图片传输到后端，然后再由图像处理服务器进行运算识别。本发明通过边缘端部署的算法检测是否异常，可以在终端监控裂缝状况，只有在出现异常情况时向服务器上报情况与图片，由云端的强大算力或人工进行细节诊断，既省去了图片传输的巨大流量，也减少了图像处理服务器的需求。
3.按照每天拍摄两次图片，每次机器运行1分钟计算，平均电流在200uA左右，使用大容量电池(20000mAH)时可以提供10年的使用时长，且便于更换，满足了桥梁健康监测的长期裂缝观测要求。
4、通过增加供电模块和无线传输模块，实现了长期在线监测的功能；同时，通过前端微控制***的开发，可以将基于裂缝图像识别的相关算法集成到***中，借助边缘计算，将裂缝宽度等结果数据直接回传至后端，实现裂缝变化趋势的实时观测及异常报警。
本发明通过在结构物表面安装辅助支架，将***头固定在支架上，由MCU(微处理单元)定时发出拍摄指令，对目标裂缝进行拍摄，然后经过预处理算法分析得出裂缝宽度，并将裂缝宽度和照片发送至云平台，此裂缝监测方法可以实现：设备无线、低功耗，安装方便，不损坏结构物，内置裂缝边缘算法，能实现全自动高精度测量、自动休眠和唤醒功能和裂缝触发报警功能。
附图说明
图1为本发明提出的基于视频图像的桥梁裂缝监测***组成图；
图2为本发明提出的基于视频图像的桥梁裂缝监测***的裂缝的精确计算示意图；
图3为本发明提出的基于视频图像的桥梁裂缝监测***的最小距离法裂缝宽度计算示意图；
图4为本发明提出的基于视频图像的桥梁裂缝监测***的后端***软件图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1-4，基于视频图像的桥梁裂缝监测***，包括前端***和后端***，所述前端***由：摄像机、微控制***、供电模块和无线传输模块组成，前端***集成安装在被测结构物表面，所述后端***由：数据存储模块和数据显示模块组成，所述后端***用于将前端***发送过来的裂缝信息进行存储和展示，数据存放在云服务器上，可以在PC端或者手机app上进行数据显示，所述前端***和后端***用于裂缝的精确计算，裂缝的精确计算由图像采集、图像预处理、图像分割、像素标定和宽度测量五个部分构成。
本发明中，所述摄像机为低功耗相机模组，且摄像机上辅助有拍照保护罩及补光灯。
本发明中，所述微控制***用于定时发出拍照指令，对获取的图像进行处理和分析，并把处理后得到的裂缝信息发送出去。
本发明中，所述供电模块采用锂电池供电。
本发明中，所述无线传输模块采用NB-IoT通信模块。
本发明中，所述图像采集：由照明设备补光，高清摄像镜头模组直接拍摄行成数字图像；
图像预处理：处理最低层次上的图像，处理的图像为高亮度图像，预处理的内容主要包括图像的灰度化、图像的增强、中值滤波和图像二值化等流程，预处理能够减少原始图像的信息含量，因为一般图像都有多余的信息，预处理还能通过抑制图像的突发变形或者增强一些结构特征等，从而可以达到改善图像质量的目的；
裂缝边缘提取：采用LoG算法来提取箱梁内裂纹和隧道结构内部横截面处裂缝的边缘，算法可以使提取的裂缝边缘更加的精确，其中，LoG算法是由Marr和Hildreth共同提出的，它是通过将高斯滤波和拉普拉斯边缘检测结合在一起而形成的算法，故称之为拉普拉斯高斯算法，LoG算法的基本原理为：首先在一定范围内用高斯形二维低通滤波器对图像做平滑滤波处理，然后利用拉普拉斯差分算子来检测图像的边缘；
像素标定：将数字图像处理技术应用于裂缝宽度的测量，须对相机的像素进行标定，即标定出图像中的每个像素所代表的实际宽度，标定指标的单位为mm/pix，在众多像素标定的方法中，考虑***的测量精度与测量效率的要求，采用定微距方法实现像素标定，通过微距仪防护装置固定了摄像镜头与裂缝结构表面的距离，通过读取镜头模组的焦距参数，进而计算出图像单个像素点所能代表的尺寸标度；
裂缝宽度的计算：基于裂缝边界识别结果区***缝的上、下边缘，分别选中上边缘的各个点，采用“最小距离法”来计算目标裂缝的宽度。
本发明中，所述前端***和后端***工作的流程如下：
S1将传感器固定在被测结构物上方，并将摄像机对准目标裂缝；
S2定时由前端微控制***发出拍照指令，摄像机对结构物进行连续拍摄；
S3再由微控制***进行图像处理，识别裂缝宽度，并将裂缝宽度、裂缝图片通过无线传输模块发送至远程服务器中；
S4完成抓拍裂缝图像并传输后，***自动进入休眠状态，待下一次设定的拍照时间到来时自动唤醒进行重复工作；
S5最后在PC端或手机app上进行数据显示。
本发明：将传感器固定在被测结构物上方，并将摄像机对准目标裂缝；定时由前端微控制***发出拍照指令，摄像机对结构物进行连续拍摄；再由微控制***进行图像处理，识别裂缝宽度，并将裂缝宽度、裂缝图片通过无线传输模块发送至远程服务器中；完成抓拍裂缝图像并传输后，***自动进入休眠状态，待下一次设定的拍照时间到来时自动唤醒进行重复工作；最后在PC端或手机app上进行数据显示。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.基于视频图像的桥梁裂缝监测***，其特征在于，包括前端***和后端***，所述前端***由：摄像机、微控制***、供电模块和无线传输模块组成，前端***集成安装在被测结构物表面，所述后端***由：数据存储模块和数据显示模块组成，所述后端***用于将前端***发送过来的裂缝信息进行存储和展示，数据存放在云服务器上，可以在PC端或者手机app上进行数据显示，所述前端***和后端***用于裂缝的精确计算，裂缝的精确计算由图像采集、图像预处理、图像分割、像素标定和宽度测量五个部分构成。
2.根据权利要求1所述的基于视频图像的桥梁裂缝监测***，其特征在于，所述摄像机为低功耗相机模组，且摄像机上辅助有拍照保护罩及补光灯。
3.根据权利要求1所述的基于视频图像的桥梁裂缝监测***，其特征在于，所述微控制***用于定时发出拍照指令，对获取的图像进行处理和分析，并把处理后得到的裂缝信息发送出去。
4.根据权利要求1所述的基于视频图像的桥梁裂缝监测***，其特征在于，所述供电模块采用锂电池供电。
5.根据权利要求1所述的基于视频图像的桥梁裂缝监测***，其特征在于，所述无线传输模块采用NB-IoT通信模块。
6.根据权利要求1所述的基于视频图像的桥梁裂缝监测***，其特征在于，所述图像采集：由照明设备补光，高清摄像镜头模组直接拍摄行成数字图像；
图像预处理：处理最低层次上的图像，处理的图像为高亮度图像，预处理的内容主要包括图像的灰度化、图像的增强、中值滤波和图像二值化等流程，预处理能够减少原始图像的信息含量，因为一般图像都有多余的信息，预处理还能通过抑制图像的突发变形或者增强一些结构特征等，从而可以达到改善图像质量的目的；
裂缝边缘提取：采用LoG算法来提取箱梁内裂纹和隧道结构内部横截面处裂缝的边缘，算法可以使提取的裂缝边缘更加的精确，其中，LoG算法是由Marr和Hildreth共同提出的，它是通过将高斯滤波和拉普拉斯边缘检测结合在一起而形成的算法，故称之为拉普拉斯高斯算法，LoG算法的基本原理为：首先在一定范围内用高斯形二维低通滤波器对图像做平滑滤波处理，然后利用拉普拉斯差分算子来检测图像的边缘；
像素标定：将数字图像处理技术应用于裂缝宽度的测量，须对相机的像素进行标定，即标定出图像中的每个像素所代表的实际宽度，标定指标的单位为mm/pix，在众多像素标定的方法中，考虑***的测量精度与测量效率的要求，采用定微距方法实现像素标定，通过微距仪防护装置固定了摄像镜头与裂缝结构表面的距离，通过读取镜头模组的焦距参数，进而计算出图像单个像素点所能代表的尺寸标度；
裂缝宽度的计算：基于裂缝边界识别结果区***缝的上、下边缘，分别选中上边缘的各个点，采用“最小距离法”来计算目标裂缝的宽度。
7.根据权利要求1所述的基于视频图像的桥梁裂缝监测***，其特征在于，所述前端***和后端***工作的流程如下：
S1将传感器固定在被测结构物上方，并将摄像机对准目标裂缝；
S2定时由前端微控制***发出拍照指令，摄像机对结构物进行连续拍摄；
S3再由微控制***进行图像处理，识别裂缝宽度，并将裂缝宽度、裂缝图片通过无线传输模块发送至远程服务器中；
S4完成抓拍裂缝图像并传输后，***自动进入休眠状态，待下一次设定的拍照时间到来时自动唤醒进行重复工作；
S5最后在PC端或手机app上进行数据显示。
CN202210674666.XA 2022-06-14 2022-06-14 基于视频图像的桥梁裂缝监测*** Pending CN115078382A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210674666.XA CN115078382A (zh) 2022-06-14 2022-06-14 基于视频图像的桥梁裂缝监测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210674666.XA CN115078382A (zh) 2022-06-14 2022-06-14 基于视频图像的桥梁裂缝监测***

Publications (1)

Publication Number Publication Date
CN115078382A true CN115078382A (zh) 2022-09-20

Family

ID=83250848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210674666.XA Pending CN115078382A (zh) 2022-06-14 2022-06-14 基于视频图像的桥梁裂缝监测***

Country Status (1)

Country Link
CN (1) CN115078382A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523833A (zh) * 2023-03-17 2023-08-01 苏交科集团股份有限公司 基于图像识别技术的裂缝监测设备及包括该设备的安全监测应用平台
CN116856895A (zh) * 2023-07-06 2023-10-10 安徽井上天华科技有限公司 一种基于高频压力裂缝监测边缘计算数据处理方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523833A (zh) * 2023-03-17 2023-08-01 苏交科集团股份有限公司 基于图像识别技术的裂缝监测设备及包括该设备的安全监测应用平台
CN116523833B (zh) * 2023-03-17 2024-05-24 苏交科集团股份有限公司 基于图像识别技术的裂缝监测设备及包括该设备的安全监测应用平台
CN116856895A (zh) * 2023-07-06 2023-10-10 安徽井上天华科技有限公司 一种基于高频压力裂缝监测边缘计算数据处理方法

Similar Documents

Publication Publication Date Title
CN115078382A (zh) 基于视频图像的桥梁裂缝监测***
CN105784710B (zh) 一种基于数字图像处理的混凝土桥梁裂缝检测装置
JP4675949B2 (ja) 映像処理技法を利用した構造物及び製品のクラック幅測定方法および装置
CN110853018B (zh) 一种基于计算机视觉的振动台疲劳裂纹在线检测***及检测方法
CN107631782B (zh) 一种基于Harris角点检测的水位检测方法
CN110174404B (zh) 一种药粒在线缺陷检测装置及***
CN104700395A (zh) 一种构造物外观裂缝检测方法及***
CN110472722A (zh) 基于机器视觉技术的钢坯计数装置和方法
CN107798293A (zh) 一种道路裂缝检测装置
CN111126183A (zh) 一种基于近地面影像数据的震后建筑物损毁检测方法
CN113554667B (zh) 一种基于图像识别的三维位移检测方法及装置
CN204405556U (zh) 一种基于数字图像处理的混凝土桥梁裂缝检测装置
CN113188633A (zh) 一种基于机器视觉的液面检测和测量方法
CN112529880A (zh) 一种基于双目视觉的大坝图像裂纹检测装置及方法
CN113688817A (zh) 一种自动巡检的仪表识别方法及识别***
CN114972177A (zh) 道路病害识别管理方法、装置及智能终端
CN113884011A (zh) 一种非接触式混凝土表观裂缝测量设备和方法
CN116797977A (zh) 巡检机器人动态目标识别与测温方法、装置和存储介质
Tayo et al. Portable crack width calculation of concrete road pavement using machine vision
CN107977531A (zh) 一种基于图像处理和领域数学模型进行接地电阻软测量的方法
CN116912805B (zh) 一种基于无人清扫车的井盖异常智能检测识别方法及***
CN113469974A (zh) 球团链篦机蓖板状态监测方法及其监测***
CN115661728B (zh) 基于图像识别的病毒采样到位判断方法及病毒采样***
CN111709905A (zh) 一种基于图像检测裂缝的分析方法
CN111626104A (zh) 一种基于无人机红外热像的电缆隐患点检测方法和装置

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