CN116045833A - 一种基于大数据的桥梁施工变形监测*** - Google Patents
一种基于大数据的桥梁施工变形监测*** Download PDFInfo
- Publication number
- CN116045833A CN116045833A CN202310001520.3A CN202310001520A CN116045833A CN 116045833 A CN116045833 A CN 116045833A CN 202310001520 A CN202310001520 A CN 202310001520A CN 116045833 A CN116045833 A CN 116045833A
- Authority
- CN
- China
- Prior art keywords
- module
- information
- bridge
- scheduling module
- scheduling
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 12
- 238000006073 displacement reaction Methods 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 42
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000010365 information processing Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bridges Or Land Bridges (AREA)
Abstract
本发明公开了一种基于大数据的桥梁施工变形监测***,所述监测***包括传感器模块、第一调度模块、边缘计算模块以及分布式服务器模块,所述传感器模块通过所述第一调度模块与所述边缘计算模块通信连接,所述第一调度模块还通过公网与所述分布式服务器实现通信连接。本发明公开的基于大数据的桥梁施工变形监测***中,第一调度模块通过控制传感器模块、边缘计算模块以及分布式服务器模块执行对于桥梁施工变形监测的相关步骤,不仅实现了信息及时同步共享,还实现了计算资源的合理配置,有利于对桥梁施工过程中变形情况的高效监测。
Description
技术领域
本发明涉及建筑技术领域,尤其涉及一种基于大数据的桥梁施工变形监测***。
背景技术
专利CN112985287B公开了一种桥梁施工变形监测装置,选取多个基准面,通过激光对准方式检测出每个基准面所属的检测装置的变化,选出变化范围最小的基准面,将基准面分为多个区域,每个区域埋设一个液位控制机构,通过液体相通原理,使得多个区域变化时液位控制机构推动监测设备进行位置相应调整,使得监测设备保持一个变化最小的状态,监测设备通过重力矫直方式进行自动扶正和通过激光对准方式,使得多个设备间在安装时较为容易,避免误差过大。
专利CN111580098B公开了一种桥梁形变监测方法,所述桥梁形变监测方法包括:获取目标桥梁的雷达影像序列,根据所述雷达影像序列获取所述目标桥梁在预设时间段内的形变数据序列;确定所述目标桥梁对应的预设形变类别库,将所述形变数据序列与所述形变类别库中的样本形变数据序列进行匹配,获取所述形变数据序列对应的目标形变类别;根据所述目标形变类别确定是否发出形变警告。
然而,上述技术方案的监测装置无法将相关信息及时地、多方地同步,不利于桥梁施工过程中的各个部门之间的信息同步。
可见,如何设计一款有利于信息及时同步共享的桥梁施工变形监测***,是亟需解决的技术问题。
发明内容
本发明所要解决的技术问题在于,提供一种基于大数据的桥梁施工变形监测***,有利于信息及时同步共享的桥梁施工变形监测***。
为了解决上述技术问题,本发明公开了一种基于大数据的桥梁施工变形监测***,所述监测***包括传感器模块、第一调度模块、边缘计算模块以及分布式服务器模块,
所述传感器模块通过所述第一调度模块与所述边缘计算模块通信连接,所述第一调度模块还通过公网与所述分布式服务器实现通信连接,
其中,所述第一调度模块执行步骤包括:
所述第一调度模块将所述传感器模块检测到的目标桥梁的实时结构形变参量信息同步至所述边缘计算模块;
所述第一调度模块向所述边缘计算模块发送信息处理请求,使得所述边缘计算模块对所述实时结构形变参量信息执行信息校验操作;
所述第一调度模块获取所述边缘计算模块关于所述信息校验操作的反馈信息;
所述第一调度模块判定所述反馈信息是否包含警告信息,若是,则所述第一调度模块向所述分布式服务器模块发送关于所述警告信息的异常排查请求,使得所述分布式服务器模块对所述警告信息执行异常排查操作。
可见,本发明公开的基于大数据的桥梁施工变形监测***中,第一调度模块通过控制传感器模块、边缘计算模块以及分布式服务器模块执行对于桥梁施工变形监测的相关步骤,不仅实现了信息及时同步共享,还实现了计算资源的合理配置,有利于对桥梁施工过程中变形情况的高效监测。
作为一种可选的实施方式,本发明中,所述边缘计算模块包括桥梁施工现场的数据传输单元和微型服务器,所述传感器模块包括激光传感器、风速变送器和红外测温仪,所述分布式服务模块包括大数据服务器集群和区块链服务器集群。
作为一种可选的实施方式,本发明中,在接收到所述传感器模块同步的实时结构形变参量信息后,所述边缘计算模块生成所述桥梁的结构形变参量时程曲线,
以及在接收到所述第一调度模块发送的信息处理请求后,所述边缘计算模块对所述实时结构形变参量信息执行信息校验操作,具体包括:
所述边缘计算模块基于训练后的卷积神经网络对所述结构形变参量时程曲线的目标图像进行特征提取的操作;
所述边缘计算模块根据提取到的目标图像特征判定所述目标图像是否为异常图像,
若是,则标注出所述目标图像中的结构形变参量时程曲线的异常区域,生成表示所述目标图像校验结果未通过的第一反馈信息,其中,所述第一反馈信息包括所述异常区域的属性信息,
若否,则生成表示所述目标图像校验结果通过的第二反馈信息。
作为一种可选的实施方式,本发明中,所述边缘计算模块根据提取到的目标图像特征判定所述目标图像是否为异常图像的过程中,所述目标图像特征作为输入,经过Softmax分类器作分类处理,输出表示所述目标图像为异常图像或者输出表示所述目标图像不为异常图像的结果。
作为一种可选的实施方式,本发明中,所述分布式服务器与移动终端基于公网实现通信连接,
以及,在所述第一调度模块将所述传感器模块检测到的目标桥梁的实时结构形变参量信息同步至所述边缘计算模块之前,所述第一调度模块执行步骤还包括:
所述第一调度模块从所述分布式服务器获取目标桥梁的施工规划以及所述目标桥梁的基础结构模型;
所述第一调度模块控制所述边缘计算模块根据所述施工规划生成与所述基础结构模型对应的结构形变点云数据集;
所述第一调度模块控制所述边缘计算模块根据所述结构形变点云数据集构建所述目标桥梁的关于所述施工规划的三维动态模型;
所述第一调度模块控制所述边缘计算模块标注出所述三维动态模型的位移参量;
所述第一调度模块控制所述边缘计算模块判定所述位移参量是否大于等于预先确定的位移参量阈值,若是,则所述第一调度模块向所述分布式服务器模块发送关于所述施工规划的异常信息,使得所述分布式服务器模块将所述异常信息转发至所述移动终端。
作为一种可选的实施方式,本发明中,在所述第一调度模块控制所述边缘计算模块标注出所述三维动态模型的位移参量的过程中,所述边缘计算模块执行步骤包括:
所述边缘计算模块在所述三维动态模型中选取若干个空间锚点;
所述边缘计算模块以所述空间锚点为中心,构建空间网格,使得所述三维动态模型以若干个空间网格划分;
所述边缘计算模块计算每一个空间网格在所述施工规划的全过程的空间网格位移参量;
所述边缘计算模块根据所述空间锚点的分布以及所述空间网格位移参量,确定所述三维动态模型的位移参量。
作为一种可选的实施方式,本发明中,所述结构形变点云数据集包括激光传感器的位置点集对应的检测数据和该激光传感器在目标桥梁的激光投射点的位置点集对应的检测数据,
在所述第一调度模块控制所述边缘计算模块判定所述位移参量是否大于等于预先确定的位移参量阈值时,所述边缘计算模块执行步骤包括:求取激光传感器的位置点集和激光传感器在目标桥梁的激光投射点的位置点集的坐标差如下:
qi=pi-p
qi ′=pi ′-p′
式中p为激光传感器的位置点集Pi的重心,p′为该激光传感器在目标桥梁的激光投射点的位置点集Qi的重心,qi为pi点与重心p的坐标差,
其中,激光传感器的位置点集为{Pi,i=1、2、3…M},激光传感器在目标桥梁的激光投射点的位置点集为{Qi,i=1、2、3…M},
p表示为:
p′表示为:
对于p(x,y,z),p′(x′,y′,z′),构建出相关矩阵A、B如下:
求取反映目标桥梁的结构形变的位移参量相关矩阵N如下:
式中,Ni=A*B;
所述边缘计算模块判定位移参量相关矩阵N的模是否大于等于预先确定的位移参量相关矩阵的模。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例的一种基于大数据的桥梁施工变形监测***的结构示意图;
图2是本发明实施例的第一调度模块执行的一部分控制步骤的流程示意图;
图3是本发明实施例的第一调度模块执行的另一部分控制步骤的流程示意图;
图4是本发明实施例的边缘计算模块的一部分控制步骤的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,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单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
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发明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。
本发明公开了一种基于大数据的桥梁施工变形监测***,监测***包括传感器模块、第一调度模块、边缘计算模块以及分布式服务器模块,传感器模块通过第一调度模块与边缘计算模块通信连接,第一调度模块还通过公网与分布式服务器实现通信连接。
大数据主要具有数据量庞大、数据类型多种多样、单位数据价值低以及要求数据处理效率高的特点,本发明基于大数据技术,构建的桥梁施工变形监测***,第一调度模块通过合理运用庞大的数据量(包括传感器模块的检测数据、分布式服务器共享的预存数据等),并且调配适用的计算资源(包括边缘计算模块所提供的计算资源以及分布式服务器所提供的计算资源),有利于提高监测的高效性。
其中,第一调度模块执行步骤包括:
S101、第一调度模块将传感器模块检测到的目标桥梁的实时结构形变参量信息同步至边缘计算模块。
S102、第一调度模块向边缘计算模块发送信息处理请求,使得边缘计算模块对实时结构形变参量信息执行信息校验操作。
S103、第一调度模块获取边缘计算模块关于信息校验操作的反馈信息。
S104、第一调度模块判定反馈信息是否包含警告信息,若是,则执行步骤S105。
S105、第一调度模块向分布式服务器模块发送关于警告信息的异常排查请求,使得分布式服务器模块对警告信息执行异常排查操作。
可见,本发明公开的基于大数据的桥梁施工变形监测***中,第一调度模块通过控制传感器模块、边缘计算模块以及分布式服务器模块执行对于桥梁施工变形监测的相关步骤,不仅实现了信息及时同步共享,还实现了计算资源的合理配置,有利于对桥梁施工过程中变形情况的高效监测。
在一些应用场景中,可选的,边缘计算模块包括桥梁施工现场的数据传输单元和微型服务器,传感器模块包括激光传感器、风速变送器和红外测温仪,分布式服务模块包括大数据服务器集群和区块链服务器集群。
进一步可选的,在接收到传感器模块同步的实时结构形变参量信息后,边缘计算模块生成桥梁的结构形变参量时程曲线。具体而言,该结构形变参量时程曲线可以是以时间为横坐标、传感器模块检测到的物理量(如,激光传感器检测到的位移量、风速变送器检测到的环境风速、红外温度以检测到的环境温度)为纵坐标的反映该物理量变化的曲线。
以及在接收到第一调度模块发送的信息处理请求后,边缘计算模块对实时结构形变参量信息执行信息校验操作,具体包括:
边缘计算模块基于训练后的卷积神经网络对结构形变参量时程曲线的目标图像进行特征提取的操作。又进一步可选的,该卷积神经网络可以参照Fast R-CNN的网络结构。
边缘计算模块根据提取到的目标图像特征判定目标图像是否为异常图像。又进一步可选的,可以选用Softmax分类器作分类处理,输出表示目标图像为异常图像或者输出表示目标图像不为异常图像的结果。Softmax分类器可以输出分类结果以及分类结果的可信度,对于可信度较低的结果可以尽快排除。
若是,则标注出目标图像中的结构形变参量时程曲线的异常区域,生成表示目标图像校验结果未通过的第一反馈信息。其中,第一反馈信息包括异常区域的属性信息。又进一步可选的,该异常区域的属性信息可以包括表示该结构形变参量时程曲线的异常区域的图像位置信息(如,对应的曲线段)。
若否,则生成表示目标图像校验结果通过的第二反馈信息。
可见,边缘计算模块对结构形变参量时程曲线的目标图像进行特征提取的操作,并根据提取提到的图像特征判断出是否为异常图像,并对于异常图像的异常区域进行标注,有利于及时排查桥梁施工过程中涉及到的桥梁结构形变隐患。
在另一些应用场景中,可选的,分布式服务器与移动终端基于公网实现通信连接。进一步的,在第一调度模块将传感器模块检测到的目标桥梁的实时结构形变参量信息同步至边缘计算模块之前,第一调度模块执行步骤还包括:
S1011、第一调度模块从分布式服务器获取目标桥梁的施工规划以及目标桥梁的基础结构模型。具体而言,该施工规划可以包括施工内容以及施工时间,该基础结构模型可以是该目标桥梁在进行施工之前所确定的施工图样。
S1012、第一调度模块控制边缘计算模块根据施工规划生成与基础结构模型对应的结构形变点云数据集。
S1013、第一调度模块控制边缘计算模块根据结构形变点云数据集构建目标桥梁的关于施工规划的三维动态模型。
S1014、第一调度模块控制边缘计算模块标注出三维动态模型的位移参量。
S1015、第一调度模块控制边缘计算模块判定位移参量是否大于等于预先确定的位移参量阈值,若是,则执行步骤S1016。
S1016、第一调度模块向分布式服务器模块发送关于施工规划的异常信息,使得分布式服务器模块将异常信息转发至移动终端。
在针对桥梁施工过程的实时结构形变监测之前,边缘计算模块根据施工规划生成与基础结构模型对应的结构形变点云数据集,并根据该点云数据集构建出关于施工规划的三维动态模型,以及根据三维动态模型的位移参量是否大于等于位移参量阈值,以确定该施工规划是否异常,这有利于在施工作业之前对施工规划的异常进行排查,有利于桥梁形变监测的严谨性。
进一步可选的,结构形变点云数据集包括激光传感器的位置点集对应的检测数据和该激光传感器在目标桥梁的激光投射点的位置点集对应的检测数据,
以及,位移参量为边缘计算模块根据结构形变点云数据集确定的位移参量相关矩阵的模,预先确定的位移参量阈值为预先确定的位移参量相关矩阵的模。
以下将结合具体的实施过程对上述应用场景中的情况进行陈述。
设激光传感器的位置点集为{Pi,i=1、2、3…M},设该激光传感器在目标桥梁的激光投射点的位置点集为{Qi,i=1、2、3…M},具体而言,该点云数据集可以包括上述激光传感器的位置点集对应的检测数据和该激光传感器在目标桥梁的激光投射点的位置点集对应的检测数据。
求取两个上述两个点集的坐标差如下:
qi=pi-p
qi ′=pi ′-p′
式中p为激光传感器的位置点集Pi的重心,p′为该激光传感器在目标桥梁的激光投射点的位置点集Qi的重心,qi为pi点与重心p的坐标差。
其中,p可以表示为:
p′可以表示为:
设p为(x,y,z),p′为(x′,y′,z′),可以构建出相关矩阵A、B如下:
求取反映目标桥梁的结构形变的位移参量相关矩阵N如下:
式中,Ni=A*B。
那么,边缘计算模块判定位移参量是否大于等于预先确定的位移参量阈值的步骤中,可以对于该位移参量相关矩阵N求模,通过比较该位移参量相关矩阵的模是否大于等于预先确定的位移参量相关矩阵的模。
进一步可选的,边缘计算模块可以先选定该三维动态模型的锚点,基于锚点确定位移参量,具体而言,在第一调度模块控制边缘计算模块标注出三维动态模型的位移参量的过程中,边缘计算模块执行步骤包括:
S10141、边缘计算模块在三维动态模型中选取若干个空间锚点。
S10142、边缘计算模块以空间锚点为中心,构建空间网格,使得三维动态模型以若干个空间网格划分。
S10143、边缘计算模块计算每一个空间网格在施工规划的全过程的空间网格位移参量。
S10144、边缘计算模块根据空间锚点的分布以及空间网格位移参量,确定三维动态模型的位移参量。
通过以空间锚点为中心,对三维动态模型以空间网格划分,根据空间网格位移参量以及空间锚点的分布,确定三维动态模型的位移参量,有利于降低计算量过大而造成的数据冗余和计算资源过度损耗的风险,以及有利于提高确定三维动态模型的位移参量的高效性。
进一步可选的,可以基于微积分的思想,以每一个空间网格作为微分单元,根据施工规划过程中的每一个空间网格的受力情况对其作力学分析,构建出对应的力学模型,根据三维动态模型的外廓尺寸作为边界条件,沿空间锚点的沿长线积分,最终得到三维动态模型的位移参量。
最后应说明的是:本发明实施例公开的一种基于大数据的桥梁施工变形监测***中,所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述的实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明的实施例技术方案的精神和范围。
Claims (7)
1.一种基于大数据的桥梁施工变形监测***,其特征在于,所述监测***包括传感器模块、第一调度模块、边缘计算模块以及分布式服务器模块,
所述传感器模块通过所述第一调度模块与所述边缘计算模块通信连接,所述第一调度模块还通过公网与所述分布式服务器实现通信连接,
其中,所述第一调度模块执行步骤包括:
所述第一调度模块将所述传感器模块检测到的目标桥梁的实时结构形变参量信息同步至所述边缘计算模块;
所述第一调度模块向所述边缘计算模块发送信息处理请求,使得所述边缘计算模块对所述实时结构形变参量信息执行信息校验操作;
所述第一调度模块获取所述边缘计算模块关于所述信息校验操作的反馈信息;
所述第一调度模块判定所述反馈信息是否包含警告信息,若是,则所述第一调度模块向所述分布式服务器模块发送关于所述警告信息的异常排查请求,使得所述分布式服务器模块对所述警告信息执行异常排查操作。
2.根据权利要求1所述的基于大数据的桥梁施工变形监测***,其特征在于,所述边缘计算模块包括桥梁施工现场的数据传输单元和微型服务器,所述传感器模块包括激光传感器、风速变送器和红外测温仪,所述分布式服务模块包括大数据服务器集群和区块链服务器集群。
3.根据权利要求2所述的基于大数据的桥梁施工变形监测***,其特征在于,在接收到所述传感器模块同步的实时结构形变参量信息后,所述边缘计算模块生成所述桥梁的结构形变参量时程曲线,
以及在接收到所述第一调度模块发送的信息处理请求后,所述边缘计算模块对所述实时结构形变参量信息执行信息校验操作,具体包括:
所述边缘计算模块基于训练后的卷积神经网络对所述结构形变参量时程曲线的目标图像进行特征提取的操作;
所述边缘计算模块根据提取到的目标图像特征判定所述目标图像是否为异常图像,
若是,则标注出所述目标图像中的结构形变参量时程曲线的异常区域,生成表示所述目标图像校验结果未通过的第一反馈信息,其中,所述第一反馈信息包括所述异常区域的属性信息,
若否,则生成表示所述目标图像校验结果通过的第二反馈信息。
4.根据权利要求3所述的基于大数据的桥梁施工变形监测***,其特征在于,所述边缘计算模块根据提取到的目标图像特征判定所述目标图像是否为异常图像的过程中,所述目标图像特征作为输入,经过Softmax分类器作分类处理,输出表示所述目标图像为异常图像或者输出表示所述目标图像不为异常图像的结果。
5.根据权利要求1所述的基于大数据的桥梁施工变形监测***,其特征在于,所述分布式服务器与移动终端基于公网实现通信连接,
以及,在所述第一调度模块将所述传感器模块检测到的目标桥梁的实时结构形变参量信息同步至所述边缘计算模块之前,所述第一调度模块执行步骤还包括:
所述第一调度模块从所述分布式服务器获取目标桥梁的施工规划以及所述目标桥梁的基础结构模型;
所述第一调度模块控制所述边缘计算模块根据所述施工规划生成与所述基础结构模型对应的结构形变点云数据集;
所述第一调度模块控制所述边缘计算模块根据所述结构形变点云数据集构建所述目标桥梁的关于所述施工规划的三维动态模型;
所述第一调度模块控制所述边缘计算模块标注出所述三维动态模型的位移参量;
所述第一调度模块控制所述边缘计算模块判定所述位移参量是否大于等于预先确定的位移参量阈值,若是,则所述第一调度模块向所述分布式服务器模块发送关于所述施工规划的异常信息,使得所述分布式服务器模块将所述异常信息转发至所述移动终端。
6.根据权利要求5所述的基于大数据的桥梁施工变形监测***,其特征在于,在所述第一调度模块控制所述边缘计算模块标注出所述三维动态模型的位移参量的过程中,所述边缘计算模块执行步骤包括:
所述边缘计算模块在所述三维动态模型中选取若干个空间锚点;
所述边缘计算模块以所述空间锚点为中心,构建空间网格,使得所述三维动态模型以若干个空间网格划分;
所述边缘计算模块计算每一个空间网格在所述施工规划的全过程的空间网格位移参量;
所述边缘计算模块根据所述空间锚点的分布以及所述空间网格位移参量,确定所述三维动态模型的位移参量。
7.根据权利要求5所述的基于大数据的桥梁施工变形监测***,其特征在于,所述结构形变点云数据集包括激光传感器的位置点集对应的检测数据和该激光传感器在目标桥梁的激光投射点的位置点集对应的检测数据,
在所述第一调度模块控制所述边缘计算模块判定所述位移参量是否大于等于预先确定的位移参量阈值时,所述边缘计算模块执行步骤包括:求取激光传感器的位置点集和激光传感器在目标桥梁的激光投射点的位置点集的坐标差如下:
qi=pi-p
qi ′=pi ′-p′
式中p为激光传感器的位置点集Pi的重心,p′为该激光传感器在目标桥梁的激光投射点的位置点集Qi的重心,qi为pi点与重心p的坐标差,
其中,激光传感器的位置点集为{Pi,i=1、2、3…M},激光传感器在目标桥梁的激光投射点的位置点集为{Qi,i=1、2、3…M},
p表示为:
p′表示为:
对于p(x,y,z),p′(x′,y′,z′),构建出相关矩阵A、B如下:
求取反映目标桥梁的结构形变的位移参量相关矩阵N如下:
式中,Ni=A*B;
所述边缘计算模块判定位移参量相关矩阵N的模是否大于等于预先确定的位移参量相关矩阵的模。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310001520.3A CN116045833B (zh) | 2023-01-03 | 2023-01-03 | 一种基于大数据的桥梁施工变形监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310001520.3A CN116045833B (zh) | 2023-01-03 | 2023-01-03 | 一种基于大数据的桥梁施工变形监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116045833A true CN116045833A (zh) | 2023-05-02 |
CN116045833B CN116045833B (zh) | 2023-12-22 |
Family
ID=86125052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310001520.3A Active CN116045833B (zh) | 2023-01-03 | 2023-01-03 | 一种基于大数据的桥梁施工变形监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116045833B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057955A (zh) * | 2023-10-11 | 2023-11-14 | 江苏华汇工程科技有限公司 | 一种基于大数据的桥梁形变智能监测*** |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103940358A (zh) * | 2014-04-11 | 2014-07-23 | 郭敏 | 一种桥梁实时监测*** |
CN106091972A (zh) * | 2016-06-30 | 2016-11-09 | 河海大学 | 一种基于移动窗口投影点密度的建筑物变化检测方法 |
CN106705857A (zh) * | 2016-11-10 | 2017-05-24 | 中国人民解放军理工大学 | 一种激光表面位移自动监测*** |
CN107918717A (zh) * | 2017-12-27 | 2018-04-17 | 武汉光谷北斗控股集团有限公司 | 一种可视化桥梁变形监测*** |
CN108317953A (zh) * | 2018-01-19 | 2018-07-24 | 东北电力大学 | 一种基于无人机的双目视觉目标表面3d检测方法及*** |
CN109556897A (zh) * | 2018-11-16 | 2019-04-02 | 王玉波 | 一种桥梁工程领域的桥梁施工*** |
CN109974712A (zh) * | 2019-04-22 | 2019-07-05 | 广东亿嘉和科技有限公司 | 一种基于图优化的变电站巡检机器人建图方法 |
CN110969169A (zh) * | 2019-12-03 | 2020-04-07 | 南京林业大学 | 一种基于点云数据的面变形信息提取方法 |
CN111369606A (zh) * | 2020-03-27 | 2020-07-03 | 北京建筑大学 | 基于无控制扫描点云的文物对象高精度微变形监测方法 |
CN111428855A (zh) * | 2020-02-25 | 2020-07-17 | 北京理工大学 | 一种端到端的点云深度学习网络模型和训练方法 |
CN111738878A (zh) * | 2020-07-17 | 2020-10-02 | 杭州鲁尔物联科技有限公司 | 一种桥梁应力检测*** |
CN111932669A (zh) * | 2020-08-06 | 2020-11-13 | 中邮智建(武汉)数据技术有限公司 | 一种基于边坡岩体特征对象的变形监测方法 |
US20210096911A1 (en) * | 2020-08-17 | 2021-04-01 | Essence Information Technology Co., Ltd | Fine granularity real-time supervision system based on edge computing |
CN112720477A (zh) * | 2020-12-22 | 2021-04-30 | 泉州装备制造研究所 | 一种基于局部点云模型的物体最优抓取识别方法 |
CN113188464A (zh) * | 2021-05-28 | 2021-07-30 | 长安大学 | 一种边坡稳定性三维变形辅助监测装置及方法 |
CN113781582A (zh) * | 2021-09-18 | 2021-12-10 | 四川大学 | 基于激光雷达和惯导联合标定的同步定位与地图创建方法 |
US20220112806A1 (en) * | 2020-10-13 | 2022-04-14 | Institute Of Rock And Soil Mechanics, Chinese Academy Of Sciences | Safety early warning method and device for full-section tunneling of tunnel featuring dynamic water and weak surrounding rock |
CN115063458A (zh) * | 2022-07-27 | 2022-09-16 | 武汉工程大学 | 一种基于三维激光点云的料堆体积计算方法 |
CN115222894A (zh) * | 2022-08-12 | 2022-10-21 | 淮阴工学院 | 一种基于laplace优化的图像拓扑变形方法 |
-
2023
- 2023-01-03 CN CN202310001520.3A patent/CN116045833B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103940358A (zh) * | 2014-04-11 | 2014-07-23 | 郭敏 | 一种桥梁实时监测*** |
CN106091972A (zh) * | 2016-06-30 | 2016-11-09 | 河海大学 | 一种基于移动窗口投影点密度的建筑物变化检测方法 |
CN106705857A (zh) * | 2016-11-10 | 2017-05-24 | 中国人民解放军理工大学 | 一种激光表面位移自动监测*** |
CN107918717A (zh) * | 2017-12-27 | 2018-04-17 | 武汉光谷北斗控股集团有限公司 | 一种可视化桥梁变形监测*** |
CN108317953A (zh) * | 2018-01-19 | 2018-07-24 | 东北电力大学 | 一种基于无人机的双目视觉目标表面3d检测方法及*** |
CN109556897A (zh) * | 2018-11-16 | 2019-04-02 | 王玉波 | 一种桥梁工程领域的桥梁施工*** |
CN109974712A (zh) * | 2019-04-22 | 2019-07-05 | 广东亿嘉和科技有限公司 | 一种基于图优化的变电站巡检机器人建图方法 |
CN110969169A (zh) * | 2019-12-03 | 2020-04-07 | 南京林业大学 | 一种基于点云数据的面变形信息提取方法 |
CN111428855A (zh) * | 2020-02-25 | 2020-07-17 | 北京理工大学 | 一种端到端的点云深度学习网络模型和训练方法 |
CN111369606A (zh) * | 2020-03-27 | 2020-07-03 | 北京建筑大学 | 基于无控制扫描点云的文物对象高精度微变形监测方法 |
CN111738878A (zh) * | 2020-07-17 | 2020-10-02 | 杭州鲁尔物联科技有限公司 | 一种桥梁应力检测*** |
CN111932669A (zh) * | 2020-08-06 | 2020-11-13 | 中邮智建(武汉)数据技术有限公司 | 一种基于边坡岩体特征对象的变形监测方法 |
US20210096911A1 (en) * | 2020-08-17 | 2021-04-01 | Essence Information Technology Co., Ltd | Fine granularity real-time supervision system based on edge computing |
US20220112806A1 (en) * | 2020-10-13 | 2022-04-14 | Institute Of Rock And Soil Mechanics, Chinese Academy Of Sciences | Safety early warning method and device for full-section tunneling of tunnel featuring dynamic water and weak surrounding rock |
CN112720477A (zh) * | 2020-12-22 | 2021-04-30 | 泉州装备制造研究所 | 一种基于局部点云模型的物体最优抓取识别方法 |
CN113188464A (zh) * | 2021-05-28 | 2021-07-30 | 长安大学 | 一种边坡稳定性三维变形辅助监测装置及方法 |
CN113781582A (zh) * | 2021-09-18 | 2021-12-10 | 四川大学 | 基于激光雷达和惯导联合标定的同步定位与地图创建方法 |
CN115063458A (zh) * | 2022-07-27 | 2022-09-16 | 武汉工程大学 | 一种基于三维激光点云的料堆体积计算方法 |
CN115222894A (zh) * | 2022-08-12 | 2022-10-21 | 淮阴工学院 | 一种基于laplace优化的图像拓扑变形方法 |
Non-Patent Citations (1)
Title |
---|
陈微: "基于点云场景特征配准的构筑物形变监测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057955A (zh) * | 2023-10-11 | 2023-11-14 | 江苏华汇工程科技有限公司 | 一种基于大数据的桥梁形变智能监测*** |
CN117057955B (zh) * | 2023-10-11 | 2023-12-19 | 江苏华汇工程科技有限公司 | 一种基于大数据的桥梁形变智能监测*** |
Also Published As
Publication number | Publication date |
---|---|
CN116045833B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112328730B (zh) | 一种地图数据更新的方法、相关装置、设备及存储介质 | |
CN110852347A (zh) | 采用改进YOLO v3的火灾检测方法 | |
CN116045833B (zh) | 一种基于大数据的桥梁施工变形监测*** | |
CN109992900A (zh) | 一种大体积混凝土多场实时在线协同智能仿真方法和*** | |
CN112183643B (zh) | 基于声发射的硬岩拉剪破裂识别方法及装置 | |
CN107944118A (zh) | 一种有效的建筑安全监测方法 | |
CN114450646B (zh) | 用于使用深度学习来检测风力涡***作异常的***和方法 | |
US20230340940A1 (en) | Wake monitoring, wake management and sensory arrangements to such | |
CN112232133A (zh) | 基于深度卷积神经网络的输电线路图像识别方法及装置 | |
CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
CN115045714A (zh) | 矿物开采预警方法、设备及计算机可读存储介质 | |
CN116412091A (zh) | 基于机器学习的风力发电机组叶片实时除冰方法及*** | |
CN107687994A (zh) | 空气检测***及方法 | |
CN112183638B (zh) | 基于声纹深度特征的硬岩拉剪破裂识别方法及装置 | |
KR20240030494A (ko) | 건축물 냉난방 에너지 성능 평가를 위한 gis 건물 폴리곤 정보 기반 건물 외피 도달 일사량 계산 시스템 및 방법 | |
CN113449689A (zh) | 一种基于物联网平台的通信铁塔远程监控方法 | |
CN114445320A (zh) | 图像分割质量的评测方法、装置、电子设备和存储介质 | |
CN117892092B (zh) | 基于大数据实现矿山数据的智能采集方法及*** | |
KR102437297B1 (ko) | 건물 운영 정보 예측 및 관리를 위한 하이브리드 모델 제공 장치 및 방법 | |
CN117575423B (zh) | 基于联邦学习***的工业产品质量检测方法及相关设备 | |
CN117556521B (zh) | 基于数字孪生的高海拔隧道衬砌开裂风险监测方法及*** | |
US20240053287A1 (en) | Probability of detection of lifecycle phases of corrosion under insulation using artificial intelligence and temporal thermography | |
JP2024024557A (ja) | 流動挙動予測システム、流動挙動予測方法及びプログラム | |
CN107143469A (zh) | 基于gps定位的风机移动监测方法、装置及*** | |
CN116317106A (zh) | 一种gis动态结合三维建模的监控*** |
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 |