CN116844142B - 一种桥梁基础冲刷的识别和评估方法 - Google Patents
一种桥梁基础冲刷的识别和评估方法 Download PDFInfo
- Publication number
- CN116844142B CN116844142B CN202311087803.0A CN202311087803A CN116844142B CN 116844142 B CN116844142 B CN 116844142B CN 202311087803 A CN202311087803 A CN 202311087803A CN 116844142 B CN116844142 B CN 116844142B
- Authority
- CN
- China
- Prior art keywords
- dimensional image
- image
- preprocessed
- local features
- flushing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000009991 scouring Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000011010 flushing procedure Methods 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 9
- 238000007500 overflow downdraw method Methods 0.000 claims description 6
- 238000013450 outlier detection Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 230000009189 diving Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/443—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 by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种桥梁基础冲刷的识别和评估方法,包括以下步骤:采集多波束三维图像和地质雷达二维图像,对其进行预处理,得到预处理后的多波束三维图像和地质雷达二维图像;对预处理后的多波束三维图像和地质雷达二维图像进行局部特征提取,得到图像中的局部特征;对图像中的局部特征进行匹配,剔除匹配不佳以及异常值的特征,并完成几何验证,得到匹配后的局部特征;对匹配后的局部特征进行融合,得到融合后的新图像;对融合后的新图像进行分析和评估,确定桥梁基础是否存在冲刷现象,若存在冲刷现象则评估其冲刷程度,完成桥梁基础冲刷识别和评估,本方法解决了现有桥梁基础冲刷检测方法精度和准确性不高的问题。
Description
技术领域
本发明涉及桥梁安全监测技术领域,特别是涉及一种桥梁基础冲刷的识别和评估方法。
背景技术
桥梁基础冲刷是桥梁使用过程中常见的问题之一,如果不能及时发现和处理,将会给桥梁的使用带来极大的风险和危害。
常用的桥梁基础冲刷检测方法包括:1、探杆探测:测试较快,费用较低,但无法准确给出河床断面和河床下方岩层特性。2、潜水探测:测试较快,但需要潜水相关经验,安全要求高。3、声呐检测:能连续测量,但需要天线浸入水中,检测设备相对昂贵,检测数据可能被测试环境噪音所影响,而且不能测试河床下方岩层特性。4、地震波反射检测:能连续且准确记录河床断面,同时给出河床下方岩层特性,但需要天线浸入水中,检测设备相对昂贵,检测数据可能被环境噪音所影响。5、地质雷达检测:具有精度高、影像直观、速度快、野外工作灵活等优点,能连续且准确记录河床断面,同时给出河床下方岩层特性,但检测设备相对昂贵,检测数据可能被噪音所影响,而且不能使用于盐水中。因此,需要进一步研究和改进桥梁基础冲刷检测方法,以更准确、可靠、高效地评价桥梁基础冲刷。
发明内容
针对现有技术中的上述不足,本发明提供的一种桥梁基础冲刷的识别和评估方法解决了现有桥梁基础冲刷检测方法精度和准确性不高的问题。
为了达到上述发明目的,本发明采用的技术方案为:提供一种桥梁基础冲刷的识别和评估方法,包括以下步骤:
S1、采集多波束三维图像和地质雷达二维图像,对其分别进行预处理,得到预处理后的三维图像和二维图像;
S2、对预处理后的多波束三维图像和地质雷达二维图像分别进行局部特征提取,得到三维图像和二维图像中的局部特征;
S3、对三维图像和二维图像中的局部特征进行匹配,剔除匹配不佳以及异常值的特征,并完成几何验证,得到匹配后的局部特征;
S4、对匹配后的局部特征进行融合,得到融合后的新图像;
S5、对融合后的新图像进行分析和评估,当识别到融合后的新图像中的桥梁基础存在冲刷现象时,评估其冲刷程度,完成桥梁基础冲刷识别和评估。
进一步地:所述步骤S1包括以下分步骤:
S11、对多波束三维图像和地质雷达二维图像进行去噪,得到去噪后的三维图像和二维图像;
S12、采用中值滤波去除去噪后的三维图像和二维图像中的椒盐噪声,得到中值滤波后的三维图像和二维图像;
S13、对中值滤波后的三维图像和二维图像进行校正,得到校正后的三维图像和二维图像;
S14、对校正后的三维图像和二维图像进行配准,使其在空间上对齐,得到配准后的三维图像和二维图像;
S15、对配准后的三维图像和二维图像的质量进行检测,达到质量标准则得到预处理后的三维图像和二维图像。
进一步地:所述步骤S15中质量检测包括图像异常值检测和图像缺失数据检测。
进一步地:所述步骤S2包括以下分步骤:
S21、使用高斯差分算子和高斯模糊函数检测预处理后的三维图像和二维图像中的关键点,并计算每个关键点的局部特征描述符;
S22、采用距离测度来计算预处理后的三维图像和二维图像中的局部特征描述符的匹配度,得到三维图像和二维图像中的局部特征。
进一步地:所述步骤S3包括以下分步骤:
S31、采用欧氏距离作为匹配方法,对图像中的局部特征进行匹配,得到初步匹配的局部特征,其公式如下:
其中,为预处理后的三维图像中第i个关键点的局部特征描述符,/>为预处理后的二维图像中第j个关键点的局部特征描述符,m为特征描述符的维度,dist(.)为欧式距离函数,k为匹配的个数,/>和/>分别为三维图像中第i个关键点的局部特征描述符的第k个元素和二维图像中第j个关键点的局部特征描述符的第k个元素;
S32、采用RANSAC算法对初步匹配的局部特征进行离群值剔除,得到剔除离群值的局部特征;
S33、使用R-Hough变换对剔除离群值的局部特征进行几何验证,完成局部特征的匹配,得到匹配后的局部特征。
进一步地:所述步骤S4采用基于加权平均法的融合方法,根据匹配后的局部特征中不同特征的重要性或可信度,赋予不同特征不同的权值,获得融合后的新图像,基于加权平均法的融合方法的数学表达式为:
其中,为融合后的图像像素值,/>为第b幅图像在/>处的像素值,为第b幅图像在/>处的权值,b为计数标识,n为待融合的图像数。
进一步地:所述步骤S5通过比较融合后的新图像中的不同区域的像素值,确定是否存在冲刷现象;
若某个区域的像素值与周围区域的像素值的差值高于预设值,则该区域存在冲刷现象,并对评估该冲刷的程度;
若某个区域的像素值与周围区域的像素值的差值不高于预设值,则该区域不存在冲刷现象。
进一步地:评估桥梁冲刷程度的方法包括以下步骤:
S51、计算融合后的新图像中冲刷区域的像素平均值,与正常区域的像素平均值进行比较,评估冲刷的严重程度;
S52、采用阈值法对融合后的新图像进行二值化处理,将融合后的新图像中的冲刷区域分割出来,确定冲刷的范围;
S53、将冲刷的严重程度和冲刷的范围作为冲刷程度,完成对冲刷程度的评估。
本发明的有益效果为:
附图说明
图1为本发明所述的桥梁基础冲刷的识别和评估方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,在本发明的一个实施例中,提供一种桥梁基础冲刷的识别和评估方法,包括以下步骤:
S1、采集多波束三维图像和地质雷达二维图像,对其分别进行预处理,得到预处理后的三维图像和二维图像;
S2、对预处理后的多波束三维图像和地质雷达二维图像分别进行局部特征提取,得到三维图像和二维图像中的局部特征;
S3、对三维图像和二维图像中的局部特征进行匹配,剔除匹配不佳以及异常值的特征,并完成几何验证,得到匹配后的局部特征;
S4、对匹配后的局部特征进行融合,得到融合后的新图像;
S5、对融合后的新图像进行分析和评估,当识别到融合后的新图像中的桥梁基础存在冲刷现象时,评估其冲刷程度,完成桥梁基础冲刷识别和评估。
在本实施例中,所述步骤S1包括以下分步骤:
S11、对多波束三维图像和地质雷达二维图像进行去噪,得到去噪后的三维图像和二维图像;
去噪公式:
其中,表示去噪后的图像像素值,/>表示原始图像像素值,/>表示噪声;
S12、采用中值滤波去除去噪后的三维图像和二维图像中的椒盐噪声,得到中值滤波后的三维图像和二维图像;
中值滤波公式:
其中,表示中值滤波后的图像像素值,f(x-k:x+k,y-k:y+k)表示以(x,y)为中心的k×k的邻域像素值,median(.)表示对邻域像素值进行排序后取中间值;
S13、对中值滤波后的三维图像和二维图像进行校正,得到校正后的三维图像和二维图像;
校正公式:
其中,I_corrected表示校正后的图像像素值,dark和white分别表示黑色和白色参考标准,max和min分别表示校正后的像素值范围的最大值和最小值;
S14、对校正后的三维图像和二维图像进行配准,使其在空间上对齐,得到配准后的三维图像和二维图像;
配准公式:
其中,T(x,y)表示配准后的图像像素值,M表示旋转和缩放矩阵,T 0表示平移矩阵;
S15、对配准后的三维图像和二维图像的质量进行检测,达到质量标准则得到预处理后的三维图像和二维图像;
所述步骤S15中质量检测包括图像异常值检测和图像缺失数据检测,
对图像的异常值检测采用离群点检测算法,其公式如下:
Z-score=(g-μ)/σ
其中,g是像素的灰度值,μ和σ分别是图像中所有像素的平均值和标准差;如果像素的Z-score大于某个阈值,就认为它是异常值;
在地质雷达二维图像中,还可以采用类似的方法来检测异常值,例如,计算每个像素周围像素值的方差,如果某个像素周围像素值的方差很大,就认为它是异常值;
在多波束三维图像中,缺失数据通常是指水深值未被记录的区域。在本实施例中,采用插值方法来填补缺失数据,例如双线性插值、三次样条插值等;在插值之前,需要先检测缺失数据的位置,常用的方法包括查找像素值为0的像素、查找像素值为NaN的像素;
其中,NaN表示缺失数据,即不可用的值。
在地质雷达二维图像中,缺失数据通常是指信号强度过低或过高而无法获取有效数据的区域,可以采用类似的方法来检测缺失数据的位置,例如查找像素值为0或超出合理范围的像素。
在本实施例中,所述步骤S2包括以下分步骤:
S21、使用高斯差分算子和高斯模糊函数检测预处理后的三维图像和二维图像中的关键点,并计算每个关键点的局部特征描述符;
S22、采用距离测度来计算预处理后的三维图像和二维图像中的局部特征描述符的匹配度,得到三维图像和二维图像中的局部特征。
在本实施例中,所述步骤S3包括以下分步骤:
S31、采用欧氏距离作为匹配方法,对图像中的局部特征进行匹配,得到初步匹配的局部特征,其公式如下:
其中,为预处理后的三维图像中第i个关键点的局部特征描述符,/>为预处理后的二维图像中第j个关键点的局部特征描述符,m为特征描述符的维度,dist(.)为欧式距离函数,k为匹配的个数,/>和/>分别为三维图像中第i个关键点的局部特征描述符的第k个元素和二维图像中第j个关键点的局部特征描述符的第k个元素;
S32、采用RANSAC算法对初步匹配的局部特征进行离群值剔除,得到剔除离群值的局部特征;
具体RANSAC算法步骤如下:
S3201、随机选择一组样本点,用这些点来拟合模型;
S3202、对于剩下的所有点,计算其到模型的距离,将距离小于阈值的点称为内点;
S3203、如果内点的数量大于一定比例的总点数,说明当前模型比较可靠,可以用所有的内点重新拟合一个更好的模型;
重复执行步骤S3201-S3203,直到达到预设的迭代次数,并将所有的内点都用来拟合最终的模型;
S33、使用R-Hough变换对剔除离群值的局部特征进行几何验证,完成局部特征的匹配,得到匹配后的局部特征;
在匹配两幅图像中的关键点时,需要确定这些关键点之间是否符合一定的几何关系。为了实现几何验证,可以采用R-Hough变换,即利用累加器来记录两幅图像中的关键点之间的几何关系;具体来说,对于每个关键点,我们都可以计算出它与其他关键点之间的一些几何关系,例如距离、角度、旋转等。然后,我们可以将这些几何关系转化为累加器中的一个点,并在R-Hough变换中,每个直线在参数空间中对应一个点,因此我们可以将这些几何关系转化为在参数空间中的一个点。累加器就是一个记录这些点的数据结构,可以用来找到最常出现的直线参数值,即对应于最强的峰值的点。
具体的实现过程中,可以通过以下公式来将直线转化为在参数空间中的一个点:
其中,和/>分别为直线的距离和角度,x和y分别表示直线上的一个点的坐标,在本实施例中,我们设定一组离散的/>和/>值,将每个点转化为最近的参数空间中的离散点,然后在累加器中将对应点的计数值加一。
在本实施例中,所述步骤S4采用基于加权平均法的融合方法,根据匹配后的局部特征中不同特征的重要性或可信度,赋予不同特征不同的权值,获得融合后的新图像,基于加权平均法的融合方法的数学表达式为:
其中,为融合后的图像像素值,/>为第b幅图像在/>处的像素值,为第b幅图像在/>处的权值,b为计数标识,n为待融合的图像数。
在本实施例中,所述步骤S5通过比较融合后的新图像中的不同区域的像素值,确定是否存在冲刷现象;
若某个区域的像素值与周围区域的像素值的差值高于预设值,则该区域存在冲刷现象,并对评估该冲刷的程度;
若某个区域的像素值与周围区域的像素值的差值不高于预设值,则该区域不存在冲刷现象;
评估桥梁冲刷程度的方法包括以下步骤:
S51、计算融合后的新图像中冲刷区域的像素平均值,与正常区域的像素平均值进行比较,评估冲刷的严重程度;
S52、采用阈值法对融合后的新图像进行二值化处理,将融合后的新图像中的冲刷区域分割出来,确定冲刷的范围;
阈值法公式为:
其中,H为阈值,sigma为图像的标准差,d为图像的平均值,a为一个可调参数,根据实际情况进行调整。
S53、将冲刷的严重程度和冲刷的范围作为冲刷程度,完成对冲刷程度的评估。
计算冲刷区域的像素平均值m 1和周围正常区域的像素平均值m 2,根据两者的差值来评估冲刷程度的严重程度,差值越大表示冲刷程度越严重,
差值公式为:
其中,delta为冲刷区域的像素平均值与周围正常区域的像素平均值点差值,m 1为冲刷区域的像素平均值,m 2为周围正常区域的像素平均值。
在本发明的描述中,需要理解的是,术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此,限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。
Claims (6)
1.一种桥梁基础冲刷的识别和评估方法,其特征在于,包括以下步骤:
S1、采集多波束三维图像和地质雷达二维图像,对其分别进行预处理,得到预处理后的三维图像和二维图像;
S2、对预处理后的多波束三维图像和地质雷达二维图像分别进行局部特征提取,得到三维图像和二维图像中的局部特征;
S3、对三维图像和二维图像中的局部特征进行匹配,剔除匹配不佳以及异常值的特征,并完成几何验证,得到匹配后的局部特征;
S4、对匹配后的局部特征进行融合,得到融合后的新图像;
S5、对融合后的新图像进行分析和评估,当识别到融合后的新图像中的桥梁基础存在冲刷现象时,评估其冲刷程度,完成桥梁基础冲刷识别和评估;
所述步骤S5通过比较融合后的新图像中的不同区域的像素值,确定是否存在冲刷现象;
若某个区域的像素值与周围区域的像素值的差值高于预设值,则该区域存在冲刷现象,并对评估该冲刷的程度;
若某个区域的像素值与周围区域的像素值的差值不高于预设值,则该区域不存在冲刷现象;
评估桥梁冲刷程度的方法包括以下步骤:
S51、计算融合后的新图像中冲刷区域的像素平均值,与正常区域的像素平均值进行比较,评估冲刷的严重程度;
S52、采用阈值法对融合后的新图像进行二值化处理,将融合后的新图像中的冲刷区域分割出来,确定冲刷的范围;
S53、将冲刷的严重程度和冲刷的范围作为冲刷程度,完成对冲刷程度的评估。
2.根据权利要求1所述的桥梁基础冲刷的识别和评估方法,其特征在于,所述步骤S1包括以下分步骤:
S11、对多波束三维图像和地质雷达二维图像进行去噪,得到去噪后的三维图像和二维图像;
S12、采用中值滤波去除去噪后的三维图像和二维图像中的椒盐噪声,得到中值滤波后的三维图像和二维图像;
S13、对中值滤波后的三维图像和二维图像进行校正,得到校正后的三维图像和二维图像;
S14、对校正后的三维图像和二维图像进行配准,使其在空间上对齐,得到配准后的三维图像和二维图像;
S15、对配准后的三维图像和二维图像的质量进行检测,达到质量标准则得到预处理后的三维图像和二维图像。
3.根据权利要求2所述的桥梁基础冲刷的识别和评估方法,其特征在于,所述步骤S15中质量检测包括图像异常值检测和图像缺失数据检测。
4.根据权利要求1所述的桥梁基础冲刷的识别和评估方法,其特征在于,所述步骤S2包括以下分步骤:
S21、使用高斯差分算子和高斯模糊函数检测预处理后的三维图像和二维图像中的关键点,并计算每个关键点的局部特征描述符;
S22、采用距离测度来计算预处理后的三维图像和二维图像中的局部特征描述符的匹配度,得到三维图像和二维图像中的局部特征。
5.根据权利要求1所述的桥梁基础冲刷的识别和评估方法,其特征在于,所述步骤S3包括以下分步骤:
S31、采用欧氏距离作为匹配方法,对图像中的局部特征进行匹配,得到初步匹配的局部特征,其公式如下:
其中,为预处理后的三维图像中第i个关键点的局部特征描述符,/>为预处理后的二维图像中第j个关键点的局部特征描述符,m为特征描述符的维度,dist(.)为欧式距离函数,k为匹配的个数,/>和/>分别为三维图像中第i个关键点的局部特征描述符的第k个元素和二维图像中第j个关键点的局部特征描述符的第k个元素;
S32、采用RANSAC算法对初步匹配的局部特征进行离群值剔除,得到剔除离群值的局部特征;
S33、使用R-Hough变换对剔除离群值的局部特征进行几何验证,完成局部特征的匹配,得到匹配后的局部特征。
6.根据权利要求1所述的桥梁基础冲刷的识别和评估方法,其特征在于:所述步骤S4采用基于加权平均法的融合方法,根据匹配后的局部特征中不同特征的重要性或可信度,赋予不同特征不同的权值,获得融合后的新图像,基于加权平均法的融合方法的数学表达式为:
其中,为融合后的图像像素值,/>为第b幅图像在/>处的像素值,为第b幅图像在/>处的权值,b为计数标识,n为待融合的图像数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311087803.0A CN116844142B (zh) | 2023-08-28 | 2023-08-28 | 一种桥梁基础冲刷的识别和评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311087803.0A CN116844142B (zh) | 2023-08-28 | 2023-08-28 | 一种桥梁基础冲刷的识别和评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116844142A CN116844142A (zh) | 2023-10-03 |
CN116844142B true CN116844142B (zh) | 2023-11-21 |
Family
ID=88174575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311087803.0A Active CN116844142B (zh) | 2023-08-28 | 2023-08-28 | 一种桥梁基础冲刷的识别和评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116844142B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134188A (zh) * | 2014-07-29 | 2014-11-05 | 湖南大学 | 一种基于二维和三维摄像机融合的三维视觉信息获取方法 |
CN104268935A (zh) * | 2014-09-18 | 2015-01-07 | 华南理工大学 | 一种基于特征的机载激光点云与影像数据融合***及方法 |
CN104715254A (zh) * | 2015-03-17 | 2015-06-17 | 东南大学 | 一种基于2d和3d sift特征融合的一般物体识别方法 |
CN106052604A (zh) * | 2016-05-30 | 2016-10-26 | 北京交通大学 | 测量桥墩周围局部冲刷深度的装置 |
CN108009363A (zh) * | 2017-12-04 | 2018-05-08 | 中铁二院工程集团有限责任公司 | 一种泥石流冲刷桥墩的计算方法 |
CN108363062A (zh) * | 2018-05-15 | 2018-08-03 | 扬州大学 | 一种桥墩冲刷坑探测装置 |
CN110176020A (zh) * | 2019-04-09 | 2019-08-27 | 广东工业大学 | 一种融合2d和3d图像的燕窝杂质分拣方法 |
CN112150520A (zh) * | 2020-08-18 | 2020-12-29 | 徐州华讯科技有限公司 | 一种基于特征点的图像配准方法 |
CN114088063A (zh) * | 2021-10-19 | 2022-02-25 | 青海省交通工程技术服务中心 | 一种基于移动终端的桥墩局部冲刷地形测量方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113376639B (zh) * | 2021-07-19 | 2022-08-05 | 福州大学 | 基于扫描声呐成像的桥墩基础冲刷区地形三维重构方法 |
-
2023
- 2023-08-28 CN CN202311087803.0A patent/CN116844142B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134188A (zh) * | 2014-07-29 | 2014-11-05 | 湖南大学 | 一种基于二维和三维摄像机融合的三维视觉信息获取方法 |
CN104268935A (zh) * | 2014-09-18 | 2015-01-07 | 华南理工大学 | 一种基于特征的机载激光点云与影像数据融合***及方法 |
CN104715254A (zh) * | 2015-03-17 | 2015-06-17 | 东南大学 | 一种基于2d和3d sift特征融合的一般物体识别方法 |
CN106052604A (zh) * | 2016-05-30 | 2016-10-26 | 北京交通大学 | 测量桥墩周围局部冲刷深度的装置 |
CN108009363A (zh) * | 2017-12-04 | 2018-05-08 | 中铁二院工程集团有限责任公司 | 一种泥石流冲刷桥墩的计算方法 |
CN108363062A (zh) * | 2018-05-15 | 2018-08-03 | 扬州大学 | 一种桥墩冲刷坑探测装置 |
CN110176020A (zh) * | 2019-04-09 | 2019-08-27 | 广东工业大学 | 一种融合2d和3d图像的燕窝杂质分拣方法 |
CN112150520A (zh) * | 2020-08-18 | 2020-12-29 | 徐州华讯科技有限公司 | 一种基于特征点的图像配准方法 |
CN114088063A (zh) * | 2021-10-19 | 2022-02-25 | 青海省交通工程技术服务中心 | 一种基于移动终端的桥墩局部冲刷地形测量方法 |
Non-Patent Citations (6)
Title |
---|
Non-contact measurement method for reconstructing three-dimensional scour depth field based on binocular vision technology in laboratory;Sijia Zhu 等;《Measurement》;1-18 * |
唐堂 等.基于地质雷达对桥梁冲刷检测的应用研究.《铁路与公路》.2022,第42卷(第2期),132-134、138. * |
基于地质雷达和多波束声纳对 桥梁水下基础检测方法研究;唐堂 等;《中国公路学会养护与管理分会第十二届学术年会论文集》;161-166 * |
基于地质雷达对桥梁冲刷检测的应用研究;唐堂 等;《铁路与公路》;第42卷(第2期);132-134、138 * |
基于地质雷达的城市道路病害智能识别***分析与设计;彭伟 等;《四川地质学报》;第48卷(第1期);133-136 * |
多波束测试***在桥梁基础冲刷检测中的应用;王德辉 等;《交通世界》;178-180 * |
Also Published As
Publication number | Publication date |
---|---|
CN116844142A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN108759973B (zh) | 一种水位测量方法 | |
CN108872997B (zh) | 一种基于侧扫声呐数据融合与精密处理的海底线检测方法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN108846402B (zh) | 基于多源数据的梯田田坎自动化提取方法 | |
CN112017223A (zh) | 基于改进SIFT-Delaunay的异源图像配准方法 | |
WO2021000948A1 (zh) | 配重重量的检测方法与***、获取方法与***及起重机 | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
CN113030244B (zh) | 输电线塔架腐蚀缺陷漏磁检测信号反演成像方法及*** | |
CN117710399B (zh) | 一种基于视觉的地质调查中裂缝轮廓提取方法 | |
CN109685733B (zh) | 一种基于气泡运动稳定性分析的铅锌浮选泡沫图像时空联合去噪方法 | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN116152115A (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
CN117173590A (zh) | 一种基于多源时序遥感影像的水体异常监测方法 | |
CN109948629B (zh) | 一种基于sift特征的gis设备x射线图像故障检测方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN113408519B (zh) | 一种基于模板旋转匹配的指针仪表读数的方法及*** | |
CN107808165B (zh) | 一种基于susan角点检测的红外图像匹配方法 | |
Adu-Gyamfi et al. | Functional evaluation of pavement condition using a complete vision system | |
CN116452613B (zh) | 一种地质调查中裂缝轮廓提取方法 | |
CN116844142B (zh) | 一种桥梁基础冲刷的识别和评估方法 | |
CN114359149A (zh) | 基于实时图像边缘增强的坝岸险***检测方法及*** | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |