[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116309418B - 桥梁悬臂施工主梁变形的智能监测方法及装置 - Google Patents

桥梁悬臂施工主梁变形的智能监测方法及装置 Download PDF

Info

Publication number
CN116309418B
CN116309418B CN202310226476.6A CN202310226476A CN116309418B CN 116309418 B CN116309418 B CN 116309418B CN 202310226476 A CN202310226476 A CN 202310226476A CN 116309418 B CN116309418 B CN 116309418B
Authority
CN
China
Prior art keywords
image
detected
segmented
relative position
circular
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
Application number
CN202310226476.6A
Other languages
English (en)
Other versions
CN116309418A (zh
Inventor
向晖
占玉林
戴岭
黄媛媛
董晨阳
田永丁
王生
邵俊虎
周成龙
崔成男
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.)
Southwest Jiaotong University
China State Railway Investment Construction Group Co Ltd
Original Assignee
Southwest Jiaotong University
China State Railway Investment Construction 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 Southwest Jiaotong University, China State Railway Investment Construction Group Co Ltd filed Critical Southwest Jiaotong University
Priority to CN202310226476.6A priority Critical patent/CN116309418B/zh
Publication of CN116309418A publication Critical patent/CN116309418A/zh
Application granted granted Critical
Publication of CN116309418B publication Critical patent/CN116309418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01D—CONSTRUCTION OF BRIDGES, ELEVATED ROADWAYS OR VIADUCTS; ASSEMBLY OF BRIDGES
    • E01D21/00—Methods or apparatus specially adapted for erecting or assembling bridges
    • E01D21/10—Cantilevered erection
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • 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
    • G06V2201/06—Recognition of objects for industrial automation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请提供一种桥梁悬臂施工主梁变形的智能监测方法及装置：获取带有特定标记的桥梁悬臂施工主梁在基准状态下的基准图像、以及在待检测状态下的待检测图像；基准图像和待检测图像在近似的图像采集条件下所采集；对基准图像和待检测图像进行图像分割，以分别获得分割后基准图像和分割后待检测图像；获取分割后基准图像中基准特定标记图像在分割后基准图像中的基准相对位置，以及分割后待检测图像中待检测特定标记图像在分割后待检测图像中的待检测相对位置；根据基准相对位置和待检测相对位置，确定桥梁悬臂施工主梁的形变。该方法通过对桥梁悬臂施工主梁在不同状态下的图像进行分析以确定其发生的形变，提高了检测精确度，简化了实施时所需设备。

Description

桥梁悬臂施工主梁变形的智能监测方法及装置
技术领域
本申请涉及桥梁工程中智能建造施工监测技术领域，具体地说，涉及一种桥梁悬臂施工主梁变形的智能监测方法及装置桥梁悬臂施工主梁变形的智能监测方法。
背景技术
形变检测可以分为接触式形变检测和非接触式形变检测。接触式形变检测主要通过千分表、拉线式位移计、振弦式位移计等对桥梁悬臂施工主梁进行测量，根据测量结果确定桥梁悬臂施工主梁所发生的形变；非接触式形变检测主要通过非接触式监测设备等实现对桥梁悬臂施工主梁进行检测。
然而，关于接触式形变检测，由于其采用测量工具进行机械式测量的方式以及需要借助各类埋入式传感器，导致其检测的精度并不高、监测效率低下。而非接触式检测通过利用传感系统检测桥梁悬臂施工主梁的形变，相较于接触式形变检测而言，虽然提高了测量效率，但是其测量精度仍然需要进一步的提高。
尤其是在采用挂篮对撑悬臂施工方式建造预应力刚构桥的过程中，这种施工方法会使结构的受力和线形变得复杂，无法与预期设计值保持一致，进而威胁桥梁的长期运营安全，甚至导致主梁产生较大挠度和混凝土开裂等问题，为保证桥梁在施工期间的安全，在施工期间和结构长期运营期间达到设计预期的结构内力和线形，因此需要通过对桥梁形变的实施检测，实现对桥梁进行科学合理的施工监测。
而现有技术中对桥梁形变进行检测时多采用传统的非接触式形变检测，例如，经纬仪、全站仪、光学垂准仪、激光仪、GPS定位系统等，但是采用这类传感系统对桥梁的形变进行检测的精度仍然需要进一步地提高。
发明内容
本申请实施例的目的在于一种桥梁悬臂施工主梁变形的智能监测方法及装置，通过获取带有特定标记的桥梁悬臂施工主梁在不同状态下的图像，并通过对该图像进行处理分析确定出桥梁悬臂施工主梁的所发生的形变，以解决现有技术中对形变检测精度仍不够高的问题。
第一方面，本申请实施例提供了桥梁悬臂施工主梁变形的智能监测方法，包括：获取带有特定标记的桥梁悬臂施工主梁在基准状态下的基准图像、以及在待检测状态下的待检测图像；其中，所述基准图像和待检测图像在近似的图像采集条件下所采集；对所述基准图像和待检测图像进行图像分割，以分别获得分割后基准图像和分割后待检测图像；获取所述分割后基准图像中基准特定标记图像在所述分割后基准图像中的基准相对位置，以及所述分割后待检测图像中待检测特定标记图像在所述分割后待检测图像中的待检测相对位置；以及根据所述基准相对位置和待检测相对位置，确定所述桥梁悬臂施工主梁的形变。
上述桥梁悬臂施工主梁变形的智能监测方法，通过在近似条件下获取带有特定标记的桥梁悬臂施工主梁在不同状态下的图像，并通过对该图像进行处理，获知该图像中特定标记图像的位置变化情况，根据该位置变化情况确定桥梁悬臂施工主梁所发生的具体形变，相较于现有技术，提高了检测的精确度。此外，采用上述实施例中的方法对桥梁悬臂施工主梁进行形变检测，相较于采用经纬仪、全站仪、光学垂准仪、激光仪、GPS定位系统等方式，实施起来更为简单，所需设备也更为简单。并且，通过对挂篮对撑悬臂施工方式建造预应力刚构桥的过程进行科学合理地监控，使得施工人员能够全面地、精确地掌握施工过程中桥梁的线形以及所受到的结构内力，最终确保了桥梁的施工质量以及施工人员的安全。
结合第一方面，可选地，其中，所述对所述基准图像和待检测图像进行图像分割，以分别获得分割后基准图像和分割后待检测图像，包括：利用神经网络分别对所述基准图像和待检测图像进行语义分割，以分别获得所述分割后基准图像和分割后待检测图像；其中，所述神经网络包括SegNet全卷积神经网络。
上述桥梁悬臂施工主梁变形的智能监测方法，通过采用神经网络对所采集的图像进行语义分割，以实现将图像中特定标记的图像与其背景图像的区分，刚好满足了上述实施例中对图像进行处理的需求，相较于其他的全景分割和实例分割等对图像中像素所做出的更细致的分类，语义分割的算法相对简单，进而使得在执行该方法步骤时的效率也就相对较高。此外，上述实施例所采用的SegNet全卷积神经网络，相较于U-Net、DenseNetsE-Net和Link-Net等其他的神经网络，SegNet全卷积神经网络实现了良好的分割性能时所涉及的内存与精度之间的平衡，并能够在分割中保持高频细节的完整性。
结合第一方面，可选地，其中，所述获取所述分割后基准图像中基准定标记图像在所述分割后待检测图像中的基准相对位置，以及所述分割后待检测图像中待检测特定标记图像在所述分割后待检测图像中的待检测相对位置，包括：提取所述分割后基准图像中基准特定标记图像的基准特征点集，以及所述分割后待检测图像中待检测特定标记图像的待检测特征点集；通过相似度比较建立所述基准特征点集和待检测特征点集之间的映射关系；选取所述基准特征点集中的基准特征点以及待检测特征点中与所述基准特征点具有所述映射关系的待检测特征点；以及获取所述基准特征点和待检测特征点的坐标参数，并将其分别作为所述基准相对位置和待检测相对位置。
上述桥梁悬臂施工主梁变形的智能监测方法，通过分别获取分割后基准图像中基准特定标记图像的基准特征点集和分割后待检测图像中待检测特定标记图像的待检测特征点集，并在建立基准特征点集和待检测特征点集之间的映射关系之后，选取至少一组具有映射关系的基准特征点与待检测特征点，以该基准特征点与待检测特征点之间相对位置的变化，确定桥梁悬臂施工主梁所发生的形变的方式，使得该方法能够适用于任何形状的标记图像，扩大了使用范围。
结合第一方面，可选地，其中，所述特定标记包括圆形光学标记；所述获取所述分割后基准图像中基准特定标记图像在所述分割后基准图像中的基准相对位置，以及所述分割后待检测图像中待检测特定标记图像在所述分割后待检测图像中的待检测相对位置，包括：利用基于梯度的霍夫变换识别所述分割后基准图像中基准圆形图像的基准圆心坐标，以及所述分割后待检测图像中待检测圆形图像的待检测圆心坐标；以及以所述基准圆心坐标和待检测圆心坐标分别作为所述基准相对位置和待检测相对位置。
上述桥梁悬臂施工主梁变形的智能监测方法，通过采用圆形光学标记作为特定标记，并结合基于梯度的霍夫变换识别其圆心坐标，能够更加高效地确定待检测图像和基准图像的位置变化，以确定桥梁悬臂施工主梁所发生的形变，提高了形变检测的效率。此外，光学标记图像使得工业相机等图像采集模块采集到的图像中特定标记图像更为明显，减小了后续对图像进行处理分析压力，进而进一步地提高了形变检测的效率。
结合第一方面，可选地，其中，所述利用基于梯度的霍夫变换识别所述分割后基准图像中圆形图像的基准圆心坐标，以及所述分割后待检测图像中圆形图像的待检测圆心坐标之前，所述方法还包括：对所述分割后基准图像和分割后待检测图像分别进行边界识别，以获得所述分割后基准图像的基准边界点和所述分割后待检测图像的待检测边界点；对所述基准边界点和待检测边界点分别进行拟合，以获得分割后基准图像的基准拟合椭圆和分割后待检测图像的待检测拟合椭圆；以及对所述基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正，以获得所述分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像。
上述桥梁悬臂施工主梁变形的智能监测方法，通过当图像采集的过程中，由于各种因素导致会导致该圆形光学标记在采集到的基准图像以及待检测图像中呈椭圆形状时，通过椭圆拟合分别将基准边界点和待检测边界点分别拟合成基准拟合椭圆和待检测拟合椭圆，并进一步根据椭圆矫正算法分别将基准拟合椭圆和待检测拟合椭圆矫正成基准圆形图像和待检测圆形图像，以便于后续确定出基准圆心坐标以及待检测圆心坐标，并最终根据基准圆心坐标和待检测圆心坐标确定出桥梁悬臂施工主梁的形变，避免了在图像采集过程中需要严苛的采集条件以使圆形光学标记在采集的到的图像中呈圆形，才能通过圆形识别算法确定出桥梁悬臂施工主梁的形变。也即是，扩大了本申请实施例提供的桥梁悬臂施工主梁变形的智能监测方法的使用范围，提高了方法实施的便利性。
结合第一方面，可选地，其中，所述对所述基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正，以获得所述分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像，包括：对所述基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正以获得所述分割后基准图像的基准矫正圆和所述待检测拟合椭圆的待检测矫正圆；以及对所述基准矫正圆和待检测矫正圆分别进行圆形归一化，以获得所述分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像。
上述桥梁悬臂施工主梁变形的智能监测方法，通过圆形归一化分别得到的圆形图像和待检测圆形图像，简化了后续对基准圆心坐标和待检测圆心坐标进行确定的计算过程，进而提高了形变检测的效率。
结合第一方面，可选地，其中，所述圆形光学标记包括第一圆形光学标记和第二圆形光学标记；所述基准圆心坐标包括第一圆形光学标记所对应的第一基准坐标，以及所述第二圆形光学标记所对应的第二基准坐标；所述待检测圆心坐标包括第一圆形光学标记所对应的第一待检测坐标，以及所述第二圆形光学标记所对应的第二待检测坐标；所述根据所述基准相对位置和待检测相对位置，确定所述桥梁悬臂施工主梁的形变，包括：根据所述第一基准坐标和第一待检测坐标确定所述桥梁悬臂施工主梁的第一形变信息，以及根据所述第二基准坐标和第二待检测坐标确定所述桥梁悬臂施工主梁的第二形变信息；根据所述第一形变信息与第二形变信息确定所述桥梁悬臂施工主梁的形变。
上述桥梁悬臂施工主梁变形的智能监测方法，通过基于至少一个圆形光学标记综合确定出桥梁悬臂施工主梁所发生的形变，提高了最终所确定的结果的精确度。
第二方面，本申请实施例还提供了桥梁悬臂施工主梁变形的智能监测装置，包括：获取模块、图像分割模块以及确定模块；其中，所述获取模块用于获取带有特定标记的桥梁悬臂施工主梁在基准状态下的基准图像、以及在待检测状态下的待检测图像；其中，所述基准图像和待检测图像在近似的图像采集条件下所采集；所述图像分割模块用于对所述基准图像和待检测图像进行图像分割，以分别获得分割后基准图像和分割后待检测图像；所述获取模块还用于获取所述分割后基准图像中基准特定标记图像在所述分割后基准图像中的基准相对位置，以及所述分割后待检测图像中待检测特定标记图像在所述分割后待检测图像中的待检测相对位置；所述确定模块用于根据所述基准相对位置和待检测相对位置，确定所述桥梁悬臂施工主梁的形变。
上述实施例，提供的桥梁悬臂施工主梁变形的智能监测装置具有与上述第一方面，或第一方面的任意一种可选地实施方式所提供的桥梁悬臂施工主梁变形的智能监测方法近似的有益效果，此处不作赘述。
综上所述，本申请提供的桥梁悬臂施工主梁变形的智能监测方法及装置，通过获取带有特定标记的桥梁悬臂施工主梁在不同状态下的图像，并通过对该图像进行处理分析，获知特定标记相较于图像背景所发生的位置变化，根据该位置变化，确定出桥梁悬臂施工主梁的所发生的形变，相较于现有技术，提高了检测的精确度，实施起来更为简单，所需设备也更为简单。并使得施工人员能够全面地、精确地掌握施工过程中桥梁的线形以及所受到的结构内力，进而确保了桥梁的施工质量以及施工人员的安全再有，采用神经网络对所采集的图像进行语义分割，以实现将图像中特定标记的图像与其背景图像的区分，刚好满足了上述实施例中对图像进行处理的需求，使得在执行该方法步骤时的效率也就相对较高。并且，通过获取采集图像中特定标记的特征点，基于该特征确定特定标记在图像背景中所发生的相对位移，使得该方法能够适用于任何形状的标记图像，扩大了使用范围。此外，通过拟合、椭圆矫正以及圆形归一化算法配合基于梯度的霍夫变化，识别圆形光学标记对应于采集到的图像中的圆心，根据圆心的位置确定桥梁悬臂施工主梁发生的形变，均起到了提高了形变检测效率的作用。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的桥梁悬臂施工主梁变形的智能监测方法的流程图；
图2为本申请实施例提供的桥梁悬臂主梁形变监测的应用示意图；
图3为本申请实施例提供的经处理后图像所对应具体形变示例图；
图4为本申请实施例提供的桥梁悬臂施工主梁变形的智能监测方法中步骤S160的第一种详细流程图；
图5为本申请实施例提供的桥梁悬臂施工主梁变形的智能监测方法中步骤S160的第二种详细流程图；
图6为本申请实施例提供的桥梁悬臂施工主梁变形的智能监测方法中步骤S167的详细流程图；
图7为本申请实施例提供的桥梁悬臂施工主梁变形的智能监测装置的功能模块图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
在本申请实施例的描述中，技术术语“第一”、“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
申请人在研究发现，若将机器视觉技术应用于形变的检测，相较于上述背景技术中所提到诸如：采用经纬仪、全站仪、光学垂准仪、激光仪、GPS定位系统等方式进行形变检测，能够进一步地提高形变检测的精度。因此，本申请提供一种桥梁悬臂施工主梁变形的智能监测方法及装置，以实现进一步提高形变检测的精确度。具体地，请参阅本申请提供的实施例及附图。
请参照图1，图1是本申请实施例提供的桥梁悬臂施工主梁变形的智能监测方法的流程图。本申请实施例提供的桥梁悬臂施工主梁变形的智能监测方法包括：
步骤S120：获取带有特定标记的桥梁悬臂施工主梁在基准状态下的基准图像、以及在待检测状态下的待检测图像。其中，基准图像和待检测图像在近似的图像采集条件下所采集。
上述步骤S120中，请结合参照图2和图3，图2是本申请实施例提供的桥梁悬臂主梁形变监测的应用示意图；图3是本申请实施例提供的经处理后图像所对应具体形变示例图。上述实施例具体可实施为，首先，将两台工业相机分别连接于两个三脚架和两台电脑上，并分别放置于主梁悬臂端对应位置处的岸边的开阔明亮处。接着，将圆形光学标记分别粘贴在待测主梁悬臂的两个端部，以完成视觉成像系统的搭建。
为了实现对桥梁施工过程中的全程监控，可由工业相机持续采集该主梁悬臂带有圆特定标记的两个端部。
特定标记可以是桥梁悬臂施工主梁上自带的，也可是在为了对桥梁悬臂施工主梁进行检测而认为添加于桥梁悬臂施工主梁上的。而特定标记可以是三角形图形、正方形图形以及圆形图形等。基准状态则是用以作为参照，根据待检测状态下桥梁悬臂施工主梁的相对于该基准状态下桥梁悬臂施工主梁所发生的变化，便可确定其所发生的具体形变。基准图像与待检测图像可以是通过图像采集模块所获得，例如：工业相机等。为了后续结果的准确性，需要在近似的图像采集条件下采集基准图像与待检测图像。近似的图像采集条件可以是，采集该图像时，工业相机等图像采集模块采集图像的距离、角度相同，或者说图像采集模块在同一位置、同一姿态下采集基准图像与待检测图像，进而保证采集到桥梁悬臂施工主梁的整体或部分在基准图像与待检测图像中，其姿态与大小相同，而图像采集时的温度、天气以及时间等则可以不必相同。
应当理解，为了实现对桥梁悬臂施工主梁的持续检测，可以采集桥梁悬臂施工主梁在某一时间段内视频图像，并从该视频图像的若干帧图像中确定出基准图像以及至少两个待检测图像。通过后续对基准图像与待检测图像处理与分析便可得出桥梁悬臂施工主梁在该时间段内发生形变的具体过程。
步骤S140：对基准图像和待检测图像进行图像分割，以分别获得分割后基准图像和分割后待检测图像。
上述步骤S140中，对基准图像和待检测图像进行图形分割是为了将图像中特定标记图像从背景图像中分离开来，以便于后续进行对基准图像和待检测图像中的特定标记进行处理分析。图像分割的方式可以是语义分割、示例分割以及全景分割等。
步骤S160：获取分割后基准图像中基准特定标记图像在分割后基准图像中的基准相对位置，以及分割后待检测图像中待检测特定标记图像在分割后待检测图像中的待检测相对位置。
上述步骤S160中，分割后基准图像中的基准特定标记图像在该分割后基准图像中的基准相对位置可以是，在该分割后基准图像中建立坐标系中，该基准特定标记图像的指定点或者中心、重心等的坐标位置。同理，待检测相对位置可以是，在分割后待检测图像中建立的同样的坐标系中，待检测特定标记图像与基准图像特定标记中对应点(指定点或者中心、重心等)的坐标位置。
步骤S180：根据基准相对位置和待检测相对位置，确定桥梁悬臂施工主梁的形变。
上述步骤S180中，以水平放置的横杆为例，当待检测相对位置的坐标位于基准相对位置坐标的正上方或斜上方时，则说明横杆发生了向上的弯曲；当待检测相对位置的坐标位于基准相对位置坐标的正下方或斜下方时，则说明横杆发生了向下的弯曲；当待检测相对位置的坐标与基准相对位置坐标的纵坐标相同，且检测相对位置的坐标位于基准相对位置坐标靠近中心的一侧时，则说明横杆发生了收缩，反之则说明发生了拉伸。当待检测相对位置的坐标相较于基准相对位置坐标未发送任何变化时，则说明横杆在该时间段内未发生任何形变。
此外，关于发生拉伸和收缩，根据待检测相对位置的坐标与基准相对位置坐标的横坐标参数之差，可确定其发生拉伸或收缩的具体长度。同理，发生弯曲的具体弧度、曲率等也可以根据待检测相对位置的坐标与基准相对位置坐标之间的关系确定。
上述实现过程中，通过在近似条件下获取带有特定标记的桥梁悬臂施工主梁在不同状态下的图像，并通过对该图像进行处理，获知该图像中特定标记图像的位置变化情况，根据该位置变化情况确定桥梁悬臂施工主梁所发生的具体形变，相较于现有技术，提高了检测的精确度。此外，采用上述实施例中的方法对桥梁悬臂施工主梁进行形变检测，相较于采用经纬仪、全站仪、光学垂准仪、激光仪、GPS定位系统等方式，实施起来更为简单，所需设备也更为简单。并且，通过对挂篮对撑悬臂施工方式建造预应力刚构桥的过程进行科学合理地监控，使得施工人员能够全面地、精确地掌握施工过程中桥梁的线形以及所受到的结构内力，最终确保了桥梁的施工质量以及施工人员的安全。
在一种可选的实施方式中，上述步骤S140包括：
步骤S141：利用神经网络分别对基准图像和待检测图像进行语义分割，以分别获得分割后基准图像和分割后待检测图像。其中，神经网络包括SegNet全卷积神经网络。
上述步骤S141中，所采用的神经网络可以是已经训练完成的神经网络，例如：SegNet全卷积神经网络。以该SegNet全卷积神经网络为例，所进行的语义分割可具体实施为，首先，使用VGG16的前13层卷积结构，每个卷积层包含卷积、批归一化以及ReLU非线性激活函数操作，可以将图像数据进行编制，获取图像特征。接着，再使用编码网络中最大池化的索引进行上采样，再对其执行卷积操作，可以将低分辨率特征图映射到和原图像尺寸一样，最后将其送入softmax分类器，做逐像素的分类，以实现基准图像中基准特定标记图像与其背景图像的区分、以及待检测图像中待检测特定标记图像与其背景图像的区分。
上述实现过程中，采用神经网络对所采集的图像进行语义分割，以实现将图像中特定标记的图像与其背景图像的区分，刚好满足了上述实施例中对图像进行处理的需求，相较于其他的全景分割和实例分割等对图像中像素所做出的更细致的分类，语义分割的算法相对简单，进而使得在执行该方法步骤时的效率也就相对较高。此外，上述实施例所采用的SegNet全卷积神经网络，相较于U-Net、DenseNetsE-Net和Link-Net等其他的神经网络，SegNet全卷积神经网络实现了良好的分割性能时所涉及的内存与精度之间的平衡，并能够在分割中保持高频细节的完整性。
请参照图4，图4是本申请实施例提供的桥梁悬臂施工主梁变形的智能监测方法中步骤S160的第一种详细流程图。上述步骤S160包括：
步骤S161：提取分割后基准图像中基准特定标记图像的基准特征点集，以及分割后待检测图像中待检测特定标记图像的待检测特征点集。
上述步骤S161中，基准特征点集包括基准特定标记图像中的角点、边缘点以及交点等；同理，待检测特征点集包括待检测特定标记图像中的角点、边缘点以及交点等。
步骤S162：通过相似度比较建立基准特征点集和待检测特征点集之间的映射关系。
上述步骤S162中，所建立的映射关系可以是，具有映射关系的一组基准特征点和待检测特征点，其与周围特征点之间的关系、各自分别所在基准特定标记图像和待检测特定标记图像中的位置关系、不变矩以及角度等特征参数相同。以等腰三角形为例，基准特定标记图像中等腰三角形的顶角点对应于待检测特定标记图像中的顶角点，基准特定标记图像中等腰三角形的第一底角点对应于待检测特定标记图像中的第一底角点，基准特定标记图像中等腰三角形的第二底角点对应于待检测特定标记图像中的第二底角点。
步骤S163：选取基准特征点集中的基准特征点以及待检测特征点中与基准特征点具有映射关系的待检测特征点。
上述步骤S163中，所选取的具有映射关系的基准特征点与待检测特征点可以是一组，也可是两组、三组……。继续以上述等腰三角形为例，所选取的具有映射关系的基准特征点与待检测特征点包括：基准特定标记图像中等腰三角形的顶角点与待检测特定标记图像中的顶角点、基准特定标记图像中等腰三角形的第一底角点与待检测特定标记图像中的第一底角点、基准特定标记图像中等腰三角形的第二底角点与待检测特定标记图像中的第二底角点中的至少一者。
步骤S164：获取基准特征点和待检测特征点的坐标参数，并将其分别作为基准相对位置和待检测相对位置。
上述步骤S164中，通过获取具有映射关系的基准特征点和待检测特征点坐标参数，以获取到整个待检测特定标记图像在分割后待检测图像中的相对位置，相较于基准特定标记图像在分割后基准图像中相对位置的变化，进而得出桥梁悬臂施工主梁所发生的形变。
上述实现过程中，通过分别获取分割后基准图像中基准特定标记图像的基准特征点集和分割后待检测图像中待检测特定标记图像的待检测特征点集，并在建立基准特征点集和待检测特征点集之间的映射关系之后，选取至少一组具有映射关系的基准特征点与待检测特征点，以该基准特征点与待检测特征点之间相对位置的变化，确定待见侧目标所发生的形变的方式，使得该方法能够适用于任何形状的标记图像，扩大了使用范围。
请参照图5，图5是本申请实施例提供的桥梁悬臂施工主梁变形的智能监测方法中步骤S160的第二种详细流程图。在一种可选的实施方式中，上述特定标记包括圆形光学标记。
相应地，上述步骤S160包括：
步骤S168：利用基于梯度的霍夫变换识别所述分割后基准图像中基准圆形图像的基准圆心坐标，以及分割后待检测图像中待检测圆形图像的待检测圆心坐标。
步骤S169：以基准圆心坐标和待检测圆心坐标分别作为基准相对位置和待检测相对位置。
上述步骤中，当特定标记为圆形光学标记的时，通过工业相机等图像采集模块采集，获得带有基准圆形图像的分割后基准图像、以及带有待检测圆形图像的分割后待检测图像。利用基于梯度的霍夫变换分别识别出各自所对应的基准圆心坐标和待检测圆心坐标。相当于前述实施例中具有映射关系的基准圆心坐标和待检测圆心坐标。并基于基准圆心坐标和待检测圆心坐标之间的差别确定桥梁悬臂施工主梁所发生的形变。
上述实现过程中，采用圆形光学标记作为特定标记，并结合基于梯度的霍夫变换识别其圆心坐标，能够更加高效地确定待检测图像和基准图像的位置变化，以确定桥梁悬臂施工主梁所发生的形变，提高了形变检测的效率。此外，光学标记图像使得工业相机等图像采集模块采集到的图像中特定标记图像更为明显，减小了后续对图像进行处理分析压力，进而进一步地提高了形变检测的效率。
请参照图6，图6是本申请实施例提供的桥梁悬臂施工主梁变形的智能监测方法中步骤S167的详细流程图。在一种可选的实施方式中，上述步骤S168之前，本申请实施例提供的桥梁悬臂施工主梁变形的智能监测方法还包括：
步骤S165：对分割后基准图像和分割后待检测图像分别进行边界识别，以获得分割后基准图像的基准边界点和分割后待检测图像的待检测边界点。
上述步骤S165中，在经过图像分割算法之后，分割后基准图像中的基准定标记图像已经被明显区分开来，分割后待检测图像中待检测特定标记待检测特定标记图像也被明显分割开来。因此，图像交界处的像素点便分别为基准边界点和待检测边界点。
步骤S166：对基准边界点和待检测边界点分别进行拟合，以获得分割后基准图像的基准拟合椭圆和分割后待检测图像的待检测拟合椭圆。
上述步骤S166中，当特定标记为圆形光学标记，而图像采集模块并未正对桥梁悬臂施工主梁进行图像采集时，会导致该圆形光学标记在采集到的基准图像以及待检测图像中呈椭圆形状，进而分割后基准图像中的基准特定标记图像与分割后待检测图像中待检测特定标记图像也呈椭圆。当然，导致圆形光学标记在采集到的基准图像以及待检测图像中呈椭圆形状因素不仅限于图像采集模块未正对桥梁悬臂施工主梁进行图像采集。
然而，虽然经过图像分割后通过边界识别后，能够提取到分割后基准图像的基准边界点和分割后待检测图像的待检测边界点，但是由于所有基准边界点所构成的图形并完美的平滑曲线所构成的椭圆，所有待检测边界点所构成的图形也并非严格意义上的椭圆。因此，需要分别对基准边界点和待检测边界点进行拟合。具体可采用椭圆拟合法将基准边界点和待检测边界点分别拟合成基准拟合椭圆和待检测拟合椭圆。
步骤S167：对基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正，以获得分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像。
上述步骤S167中，通过椭圆矫正算法分别将基准拟合椭圆和待检测拟合椭圆矫正成基准圆形图像和待检测圆形图像，以便获得具有对应关系的基准圆心坐标和待检测圆心坐标。
上述实现过程中，当图像采集的过程中，由于各种因素导致会导致该圆形光学标记在采集到的基准图像以及待检测图像中呈椭圆形状时，通过椭圆拟合分别将基准边界点和待检测边界点分别拟合成基准拟合椭圆和待检测拟合椭圆，并进一步根据椭圆矫正算法分别将基准拟合椭圆和待检测拟合椭圆矫正成基准圆形图像和待检测圆形图像，以便于后续确定出基准圆心坐标以及待检测圆心坐标，并最终根据基准圆心坐标和待检测圆心坐标确定出桥梁悬臂施工主梁的形变，避免了在图像采集过程中需要严苛的采集条件以使圆形光学标记在采集的到的图像中呈圆形，才能通过圆形识别算法确定出桥梁悬臂施工主梁的形变。也即是，扩大了本申请实施例提供的桥梁悬臂施工主梁变形的智能监测方法的使用范围，提高了方法实施的便利性。
请参照图4，图4是，上述步骤S167包括：
步骤S1671：对基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正以获得分割后基准图像的基准矫正圆和待检测拟合椭圆的待检测矫正圆。
步骤S1672：对基准矫正圆和待检测矫正圆分别进行圆形归一化，以获得分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像。
上述步骤S1672中，对通过椭圆矫正后所分别获得的基准矫正圆和待检测矫正圆进行归一化，以分别简化后续通过利用基于梯度的霍夫变换识别准圆形图像基准圆心坐标和待检测圆形图像的待检测圆心坐标计算过程。
上述实现过程中，通过圆形归一化分别得到的圆形图像和待检测圆形图像，简化了后续对基准圆心坐标和待检测圆心坐标进行确定的计算过程，进而提高了形变检测的效率。
在一种可选的实施方式中，上述圆形光学标记包括第一圆形光学标记和第二圆形光学标记。
基准圆心坐标包括第一圆形光学标记所对应的第一基准坐标，以及第二圆形光学标记所对应的第二基准坐标；待检测圆心坐标包括第一圆形光学标记所对应的第一待检测坐标，以及第二圆形光学标记所对应的第二待检测坐标。
优选的，第一圆形光学标记贴近第二圆形光学标记，以便于图像采集时，同时采集到第一圆形光学标记和第二圆形光学标记。
应当理解，本领域技术人员根据实际需求，上述圆形光学标记还可以包括第三圆形光学标记、第四圆形光学标记以及第五圆形光学标记等。
上述步骤S180包括：
步骤S181：根据第一基准坐标和第一待检测坐标确定桥梁悬臂施工主梁的第一形变信息，以及根据第二基准坐标和第二待检测坐标确定桥梁悬臂施工主梁的第二形变信息。
步骤S182：根据第一形变信息与第二形变信息确定桥梁悬臂施工主梁的形变。
上述步骤中，也即是根据第一圆形光学标记所确定的第一形变信息与根据第二圆形光学标记所确定的第二形变信息，综合性判定桥梁悬臂施工主梁所发生的形变。示例性地，根据第一圆形光学标记确定出桥梁悬臂施工主梁发生了5cm的下挠，根据第二圆形光学标记确定出了桥梁悬臂施工主梁发生了3cm的下挠，求取二者的平局值为4cm的下挠，那么可确定桥梁悬臂施工主梁发生了4cm的下挠。
当然，当圆形光学标记还可以包括第三圆形光学标记、第四圆形光学标记、第五圆形光学标记甚至更多，可根据多个圆形光学标记结合《误差理论》进行计算，以得出更为精确的判定结果。
上述实现过程中，通过基于至少一个圆形光学标记综合确定出桥梁悬臂施工主梁所发生的形变，提高了最终所确定的结果的精确度。
在一种可选的实施方式中，本申请提供的桥梁悬臂施工主梁变形的智能监测方法应用于施工中的桥梁悬臂主梁形变监测。其中，特定标记位于施工中的桥梁悬臂主梁的端部。
请参照图5和图6，图5是本申请实施例提供的桥梁悬臂主梁形变监测的应用示意图；图6是本申请实施例提供的经处理后图像所对应具体形变示例图。上述实施例具体可实施为，首先，将两台工业相机分别连接于两个三脚架和两台电脑上，并分别放置于主梁悬臂端对应位置处的岸边的开阔明亮处。接着，将圆形光学标记分别粘贴在待测主梁悬臂的两个端部，以完成视觉成像系统的搭建。
其中，圆形光学标记还可以包括第一圆形光学标记、第二圆形光学标记、第三圆形光学标记以及第四圆形光学标记。根据如图6所示，圆形光学标记相较于图像背景所发生的位置变化，可确定桥梁悬臂主梁所发生的相应的形变，进而得出桥梁在施工过程中的线形以及所受到的结构内力，以确保桥梁的施工质量和施工人员的安全。
上述实现过程中，通过采用本申请所提供的桥梁悬臂施工主梁变形的智能监测方法对挂篮对撑悬臂施工方式建造预应力刚构桥的过程进行科学合理地监控，使得施工人员能够全面地、精确地掌握施工过程中桥梁的线形以及所受到的结构内力，最终确保了桥梁的施工质量以及施工人员的安全。
基于同样的发明构思，请参照图7，图7是本申请实施例提供的桥梁悬臂施工主梁变形的智能监测装置700的功能模块图。本申请实施例提供桥梁悬臂施工主梁变形的智能监测装置700包括：包括：获取模块710、图像分割模块720以及确定模块730。
其中，获取模块710用于获取带有特定标记的桥梁悬臂施工主梁在基准状态下的基准图像、以及在待检测状态下的待检测图像；其中，基准图像和待检测图像在近似的图像采集条件下所采集；图像分割模块720用于对基准图像和待检测图像进行图像分割，以分别获得分割后基准图像和分割后待检测图像；获取模块710还用于获取分割后基准图像中基准特定标记图像在分割后基准图像中的基准相对位置，以及分割后待检测图像中待检测特定标记图像在分割后待检测图像中的待检测相对位置；确定模块730用于根据基准相对位置和待检测相对位置，确定桥梁悬臂施工主梁的形变。
请继续参照图7，在一种可选的实施方式中，对基准图像和待检测图像进行图像分割，以分别获得分割后基准图像和分割后待检测图像的过程中，上述图像分割模块720具体用于：利用神经网络分别对基准图像和待检测图像进行语义分割，以分别获得分割后基准图像和分割后待检测图像。其中，神经网络包括SegNet全卷积神经网络。
请继续参照图7，在一种可选的实施方式中，获取分割后基准图像中基准定标记图像在分割后待检测图像中的基准相对位置，以及分割后待检测图像中待检测特定标记图像在分割后待检测图像中的待检测相对位置的过程中，上述获取模块710具体用于：提取分割后基准图像中基准特定标记图像的基准特征点集，以及分割后待检测图像中待检测特定标记图像的待检测特征点集；通过相似度比较建立基准特征点集和待检测特征点集之间的映射关系；选取基准特征点集中的基准特征点以及待检测特征点中与基准特征点具有映射关系的待检测特征点；以及获取基准特征点和待检测特征点的坐标参数，并将其分别作为基准相对位置和待检测相对位置。
请继续参照图7，在一种可选的实施方式中，上述特定标记包括圆形光学标记。
相应地，获取分割后基准图像中基准特定标记图像在分割后基准图像中的基准相对位置，以及分割后待检测图像中待检测特定标记图像在分割后待检测图像中的待检测相对位置的过程中，上述获取模块710具体用于：利用基于梯度的霍夫变换识别分割后基准图像中基准圆形图像的基准圆心坐标，以及分割后待检测图像中待检测圆形图像的待检测圆心坐标；以及以基准圆心坐标和待检测圆心坐标分别作为基准相对位置和待检测相对位置。
请继续参照图7，在一种可选的实施方式中，在利用基于梯度的霍夫变换识别分割后基准图像中圆形图像的基准圆心坐标，以及分割后待检测图像中圆形图像的待检测圆心坐标之前，上述获取模块710具体还用于：对分割后基准图像和分割后待检测图像分别进行边界识别，以获得分割后基准图像的基准边界点和分割后待检测图像的待检测边界点；对基准边界点和待检测边界点分别进行拟合，以获得分割后基准图像的基准拟合椭圆和分割后待检测图像的待检测拟合椭圆；以及对基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正，以获得分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像。
请继续参照图7，在一种可选的实施方式中，对基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正，以获得分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像的过程中，上述获取模块710具体用于：对基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正以获得分割后基准图像的基准矫正圆和待检测拟合椭圆的待检测矫正圆；以及对基准矫正圆和待检测矫正圆分别进行圆形归一化，以获得分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像。
请继续参照图7，在一种可选的实施方式中，上述圆形光学标记包括第一圆形光学标记和第二圆形光学标记。
上述基准圆心坐标包括第一圆形光学标记所对应的第一基准坐标，以及第二圆形光学标记所对应的第二基准坐标；待检测圆心坐标包括第一圆形光学标记所对应的第一待检测坐标，以及第二圆形光学标记所对应的第二待检测坐标。
根据基准相对位置和待检测相对位置，确定桥梁悬臂施工主梁的形变的过程中，上述确定模块730具体用于：根据第一基准坐标和第一待检测坐标确定桥梁悬臂施工主梁的第一形变信息，以及根据第二基准坐标和第二待检测坐标确定桥梁悬臂施工主梁的第二形变信息；根据第一形变信息与第二形变信息确定桥梁悬臂施工主梁的形变。
应理解的是，该装置与上述的桥梁悬臂施工主梁变形的智能监测方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参照上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，OS)中的软件功能模块。
综上所述，本申请实施例提供的桥梁悬臂施工主梁变形的智能监测方法及装置，通过获取带有特定标记的桥梁悬臂施工主梁在不同状态下的图像，并通过对该图像进行处理分析，获知特定标记相较于图像背景所发生的位置变化，根据该位置变化，确定出桥梁悬臂施工主梁的所发生的形变，相较于现有技术，提高了检测的精确度，实施起来更为简单，所需设备也更为简单，使得施工人员能够全面地、精确地掌握施工过程中桥梁的线形以及所受到的结构内力，进而确保了桥梁的施工质量以及施工人员的安全。再有，采用神经网络对所采集的图像进行语义分割，以实现将图像中特定标记的图像与其背景图像的区分，刚好满足了上述实施例中对图像进行处理的需求，使得在执行该方法步骤时的效率也就相对较高。并且，通过获取采集图像中特定标记的特征点，基于该特征确定特定标记在图像背景中所发生的相对位移，使得该方法能够适用于任何形状的标记图像，扩大了使用范围。此外，通过拟合、椭圆矫正以及圆形归一化算法配合基于梯度的霍夫变化，识别圆形光学标记对应于采集到的图像中的圆心，根据圆心的位置确定桥梁悬臂施工主梁发生的形变，均起到了提高了形变检测效率的作用。
本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请实施例各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上的描述，仅为本申请实施例的可选实施方式，但本申请实施例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申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。

Claims (4)

1.一种桥梁悬臂施工主梁变形的智能监测方法，其特征在于，包括：
获取带有特定标记的桥梁悬臂施工主梁在基准状态下的基准图像、以及在待检测状态下的待检测图像；其中，所述基准图像和待检测图像在近似的图像采集条件下所采集；
对所述基准图像和待检测图像进行图像分割，以分别获得分割后基准图像和分割后待检测图像；
获取所述分割后基准图像中基准特定标记图像在所述分割后基准图像中的基准相对位置，以及所述分割后待检测图像中待检测特定标记图像在所述分割后待检测图像中的待检测相对位置；以及
根据所述基准相对位置和待检测相对位置，确定所述桥梁悬臂施工主梁的形变；
所述获取所述分割后基准图像中基准特定标记图像在所述分割后待检测图像中的基准相对位置，以及所述分割后待检测图像中待检测特定标记图像在所述分割后待检测图像中的待检测相对位置，包括：
提取所述分割后基准图像中基准特定标记图像的基准特征点集，以及所述分割后待检测图像中待检测特定标记图像的待检测特征点集；
通过相似度比较建立所述基准特征点集和待检测特征点集之间的映射关系；
选取所述基准特征点集中的基准特征点以及待检测特征点中与所述基准特征点具有所述映射关系的待检测特征点；以及
获取所述基准特征点和待检测特征点的坐标参数，并将其分别作为所述基准相对位置和待检测相对位置；
其中，所述特定标记包括圆形光学标记；所述获取所述分割后基准图像中基准特定标记图像在所述分割后基准图像中的基准相对位置，以及所述分割后待检测图像中待检测特定标记图像在所述分割后待检测图像中的待检测相对位置，包括：
利用基于梯度的霍夫变换识别所述分割后基准图像中基准圆形图像的基准圆心坐标，以及所述分割后待检测图像中待检测圆形图像的待检测圆心坐标；以及
以所述基准圆心坐标和待检测圆心坐标分别作为所述基准相对位置和待检测相对位置；
所述利用基于梯度的霍夫变换识别所述分割后基准图像中圆形图像的基准圆心坐标，以及所述分割后待检测图像中圆形图像的待检测圆心坐标之前，所述方法还包括：
对所述分割后基准图像和分割后待检测图像分别进行边界识别，以获得所述分割后基准图像的基准边界点和所述分割后待检测图像的待检测边界点；
对所述基准边界点和待检测边界点分别进行拟合，以获得分割后基准图像的基准拟合椭圆和分割后待检测图像的待检测拟合椭圆；以及
对所述基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正，以获得所述分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像；
所述对所述基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正，以获得所述分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像，包括：
对所述基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正以获得所述分割后基准图像的基准矫正圆和所述待检测拟合椭圆的待检测矫正圆；以及
对所述基准矫正圆和待检测矫正圆分别进行圆形归一化，以获得所述分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像。
2.根据权利要求1所述的桥梁悬臂施工主梁变形的智能监测方法，其特征在于，所述对所述基准图像和待检测图像进行图像分割，以分别获得分割后基准图像和分割后待检测图像，包括：
利用神经网络分别对所述基准图像和待检测图像进行语义分割，以分别获得所述分割后基准图像和分割后待检测图像；其中，所述神经网络包括SegNet全卷积神经网络。
3.根据权利要求1所述的桥梁悬臂施工主梁变形的智能监测方法，其特征在于，其中，所述圆形光学标记包括第一圆形光学标记和第二圆形光学标记；
所述基准圆心坐标包括第一圆形光学标记所对应的第一基准坐标，以及所述第二圆形光学标记所对应的第二基准坐标；所述待检测圆心坐标包括第一圆形光学标记所对应的第一待检测坐标，以及所述第二圆形光学标记所对应的第二待检测坐标；
所述根据所述基准相对位置和待检测相对位置，确定所述桥梁悬臂施工主梁的形变，包括：
根据所述第一基准坐标和第一待检测坐标确定所述桥梁悬臂施工主梁的第一形变信息，以及根据所述第二基准坐标和第二待检测坐标确定所述桥梁悬臂施工主梁的第二形变信息；
根据所述第一形变信息与第二形变信息确定所述桥梁悬臂施工主梁的形变。
4.一种桥梁悬臂施工主梁变形的智能监测装置，其特征在于，包括：获取模块、图像分割模块以及确定模块；
其中，所述获取模块用于获取带有特定标记的桥梁悬臂施工主梁在基准状态下的基准图像、以及在待检测状态下的待检测图像；其中，所述基准图像和待检测图像在近似的图像采集条件下所采集；
所述图像分割模块用于对所述基准图像和待检测图像进行图像分割，以分别获得分割后基准图像和分割后待检测图像；
所述获取模块还用于获取所述分割后基准图像中基准特定标记图像在所述分割后基准图像中的基准相对位置，以及所述分割后待检测图像中待检测特定标记图像在所述分割后待检测图像中的待检测相对位置；
所述确定模块用于根据所述基准相对位置和待检测相对位置，确定所述桥梁悬臂施工主梁的形变；
在获取所述分割后基准图像中基准特定标记图像在所述分割后待检测图像中的基准相对位置，以及所述分割后待检测图像中待检测特定标记图像在所述分割后待检测图像中的待检测相对位置的过程中，所述获取模块具体用于：提取所述分割后基准图像中基准特定标记图像的基准特征点集，以及所述分割后待检测图像中待检测特定标记图像的待检测特征点集；通过相似度比较建立所述基准特征点集和待检测特征点集之间的映射关系；选取所述基准特征点集中的基准特征点以及待检测特征点中与所述基准特征点具有所述映射关系的待检测特征点；以及获取所述基准特征点和待检测特征点的坐标参数，并将其分别作为所述基准相对位置和待检测相对位置；
其中，所述特定标记包括圆形光学标记；在获取所述分割后基准图像中基准特定标记图像在所述分割后基准图像中的基准相对位置，以及所述分割后待检测图像中待检测特定标记图像在所述分割后待检测图像中的待检测相对位置的过程中，所述获取模块具体用于：利用基于梯度的霍夫变换识别所述分割后基准图像中基准圆形图像的基准圆心坐标，以及所述分割后待检测图像中待检测圆形图像的待检测圆心坐标；以所述基准圆心坐标和待检测圆心坐标分别作为所述基准相对位置和待检测相对位置；
在利用基于梯度的霍夫变换识别所述分割后基准图像中圆形图像的基准圆心坐标，以及所述分割后待检测图像中圆形图像的待检测圆心坐标之前，所述获取模块具体还用于：对所述分割后基准图像和分割后待检测图像分别进行边界识别，以获得所述分割后基准图像的基准边界点和所述分割后待检测图像的待检测边界点；对所述基准边界点和待检测边界点分别进行拟合，以获得分割后基准图像的基准拟合椭圆和分割后待检测图像的待检测拟合椭圆；以及对所述基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正，以获得所述分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像；
在对所述基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正，以获得所述分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像的过程中，所述获取模块具体用于：对所述基准拟合椭圆和待检测拟合椭圆分别进行椭圆矫正以获得所述分割后基准图像的基准矫正圆和所述待检测拟合椭圆的待检测矫正圆；以及对所述基准矫正圆和待检测矫正圆分别进行圆形归一化，以获得所述分割后基准图像中的基准圆形图像和分割后待检测图像中的待检测圆形图像。
CN202310226476.6A 2023-03-09 2023-03-09 桥梁悬臂施工主梁变形的智能监测方法及装置 Active CN116309418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310226476.6A CN116309418B (zh) 2023-03-09 2023-03-09 桥梁悬臂施工主梁变形的智能监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310226476.6A CN116309418B (zh) 2023-03-09 2023-03-09 桥梁悬臂施工主梁变形的智能监测方法及装置

Publications (2)

Publication Number Publication Date
CN116309418A CN116309418A (zh) 2023-06-23
CN116309418B true CN116309418B (zh) 2024-05-07

Family

ID=86793662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310226476.6A Active CN116309418B (zh) 2023-03-09 2023-03-09 桥梁悬臂施工主梁变形的智能监测方法及装置

Country Status (1)

Country Link
CN (1) CN116309418B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118224993B (zh) * 2024-05-24 2024-07-30 杭州鲁尔物联科技有限公司 一种建筑结构形变监测方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110160460A (zh) * 2019-06-13 2019-08-23 广东省特种设备检测研究院东莞检测院 一种基于数字摄影的金属结构变形测量装置及方法
CN110207605A (zh) * 2019-06-13 2019-09-06 广东省特种设备检测研究院东莞检测院 一种基于机器视觉的金属结构变形的测量装置及方法
CN111062233A (zh) * 2018-10-17 2020-04-24 北京地平线机器人技术研发有限公司 标识物表示的获取方法、标识物表示的获取装置和电子设备
CN113034485A (zh) * 2021-04-09 2021-06-25 浙江欧视电科技有限公司 融合Hough变换和卡尺聚类的圆检测方法
CN115131413A (zh) * 2022-05-23 2022-09-30 西安电子科技大学 基于多尺度三维频域卷积特征的多模遥感图像配准方法
CN115265366A (zh) * 2022-07-29 2022-11-01 华能澜沧江水电股份有限公司 物体的变形检测方法、装置、终端设备和存储介质
CN115406371A (zh) * 2022-09-01 2022-11-29 安徽大学 一种基于dic的柔性指尖形变测量方法
CN115717867A (zh) * 2022-11-03 2023-02-28 东南大学 一种基于机载双相机和目标追踪的桥梁变形测量方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062233A (zh) * 2018-10-17 2020-04-24 北京地平线机器人技术研发有限公司 标识物表示的获取方法、标识物表示的获取装置和电子设备
CN110160460A (zh) * 2019-06-13 2019-08-23 广东省特种设备检测研究院东莞检测院 一种基于数字摄影的金属结构变形测量装置及方法
CN110207605A (zh) * 2019-06-13 2019-09-06 广东省特种设备检测研究院东莞检测院 一种基于机器视觉的金属结构变形的测量装置及方法
CN113034485A (zh) * 2021-04-09 2021-06-25 浙江欧视电科技有限公司 融合Hough变换和卡尺聚类的圆检测方法
CN115131413A (zh) * 2022-05-23 2022-09-30 西安电子科技大学 基于多尺度三维频域卷积特征的多模遥感图像配准方法
CN115265366A (zh) * 2022-07-29 2022-11-01 华能澜沧江水电股份有限公司 物体的变形检测方法、装置、终端设备和存储介质
CN115406371A (zh) * 2022-09-01 2022-11-29 安徽大学 一种基于dic的柔性指尖形变测量方法
CN115717867A (zh) * 2022-11-03 2023-02-28 东南大学 一种基于机载双相机和目标追踪的桥梁变形测量方法

Also Published As

Publication number Publication date
CN116309418A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
US11551341B2 (en) Method and device for automatically drawing structural cracks and precisely measuring widths thereof
US10931871B2 (en) Pipeline detection method and apparatus, and storage medium
CN111260615B (zh) 基于激光和机器视觉融合的无人机桥梁表观病害检测方法
CN105654507B (zh) 一种基于图像动态特征跟踪的车辆外廓尺寸测量方法
CN108154498A (zh) 一种裂缝缺陷检测系统及其实现方法
CN113379712B (zh) 一种基于计算机视觉的钢桥螺栓病害检测方法及系统
CN107798293A (zh) 一种道路裂缝检测装置
CN111008956B (zh) 基于图像处理的梁底裂纹检测方法、系统、装置及介质
CN116309418B (zh) 桥梁悬臂施工主梁变形的智能监测方法及装置
CN113688817A (zh) 一种自动巡检的仪表识别方法及识别系统
CN113970560A (zh) 一种基于多传感融合的缺陷三维检测方法
CN114283126B (zh) 一种输电线路监控设备偏移检测方法
CN112816120B (zh) 一种索力测量方法
KR102586815B1 (ko) 구조물 균열 측정 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
CN118552513A (zh) 一种基于改进YOLOv8神经网络的桥梁锈蚀检测方法、电子设备及服务器
CN113705564A (zh) 一种指针式仪表识别读数方法
CN117877011A (zh) 一种基于神经网络的仪表动态追踪与识别方法和系统
CN116342693A (zh) 一种基于点云和卷积神经网络的桥梁缆索表面损伤快速定位方法
Frangione et al. Multi-step approach for automated scaling of photogrammetric micro-measurements
CN111473944B (zh) 观测流场中存在复杂壁面的piv数据修正方法、装置
CN118097436B (zh) 一种建筑体表面缺陷检测系统及检测方法
CN118037724B (zh) 一种基于图像处理的多孔陶瓷表面粗糙度检测方法及系统
CN117892590B (zh) 一种基于裂缝智能识别和有限元反演的混凝土大坝损伤识别及安全评估方法
CN118379282B (zh) 一种基于图像处理的钛板抛光面光滑度检测方法
CN113554018B (zh) 一种基于机器视觉的表计自动建模方法

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