【技術實現步驟摘要】
本專利技術涉及無損檢測領域，尤其涉及一種基于機器視覺的結構變形與偏差智能檢測方法及系統。
技術介紹
1、隨著建筑和基礎設施的快速發展，結構安全性和穩定性的要求日益提高，結構變形與偏差的檢測對于預防災難性事故、保障人民生命財產安全具有重要意義。同時，基于機器視覺的智能檢測方法隨著機器視覺和人工智能技術的快速發展也逐漸嶄露頭角，為結構變形與偏差的檢測提供了新的解決方案。
2、傳統的檢測方法大多依賴于人工接觸式測量和視覺檢查，存在大型建筑和高層建筑中應用難度大、測量耗時費力、人為因素影響大等問題，并且忽略了環境狀態因素對檢測結果的影響，導致檢測結果的準確性和可靠性受限。此外，現有的基于機器視覺的檢測方法大多僅停留在二維圖像處理的層面，難以準確反映結構的真實三維形態和變形情況。通過充分考慮傳輸影響、圖像轉換和環境狀態數據等因素，結合機器視覺技術、圖像識別技術、三維重建技術、bim技術和機器學習技術，設計一種精確、高效、快速的基于機器視覺的結構變形與偏差智能檢測方法與系統來克服現有結構變形與偏差檢測方法和系統的不足，實現高效、高精度的結構變形與偏差檢測，為橋梁、建筑、機械等領域的結構安全監測和評估提供有力的技術支持。
技術實現思路
1、本專利技術的目的是要提供基于機器視覺的結構變形與偏差智能檢測方法及系統。
2、為達到上述目的，本專利技術是按照以下技術方案實施的：
3、本專利技術包括以下步驟：
4、獲取檢測目標的工作數據和狀態數據，對所述工作數
5、對所述相機圖像進行畸變處理獲得矯正圖像，對所述矯正圖像進行圖像處理獲得點云數據，根據所述點云數據和所述矯正圖像獲得靶點坐標信息；
6、根據所述靶點坐標信息構建檢測目標三維模型，建立檢測目標bim模型，對比所述三維模型和所述bim模型獲得基本結構變形與偏差；
7、根據所述環境數據和所述基本結構變形與偏差確定第一結構變形與偏差，根據所述方位數據和所述基本結構變形與偏差確定第二結構變形與偏差；
8、根據所述結構變形與偏差和所述監測數據構建結構變形與偏差智能檢測模型，將待檢測目標的工作數據和狀態數據輸入所述結構變形與偏差智能檢測模型獲得結構變形與偏差檢測結果。
9、進一步的，對所述相機圖像進行畸變處理獲得矯正圖像的方法，包括：
10、采用相機畸變模型對相機圖像坐標進行矯正，表達式為：
11、xcorr＝x(1+k1r2+k2r4+k3r6)+2p1xy+p2(r2+2x2)+δ-μ/x
12、ycorr＝y(1+k1r2+k2r4+k3r6)+p1(r2+2x2)+2p2xy+δ-μ/y
13、其中(xcorr,ycorr)為矯正后的位置，(x,y)為矯正前的位置，k1、k2、k3為徑向畸變矯正參數，p1、p2為切向畸變矯正參數，δ為定向矯正均值，μ為邊緣畸變值；
14、基于opencv函數對相機參數進行標定，獲得相機內參數矩陣、切向畸變矯正參數和徑向畸變矯正參數；
15、采用棋盤格標定板進行標定：拍攝多位置及多角度標定板圖像、檢測角點獲得粗定位、進行亞像素處理獲得角點坐標、建立棋盤點與圖像點的關系獲得內參數標定結果和畸變矯正參數、對圖像進行矯正獲得矯正圖像。
16、進一步的，獲得所述靶點坐標信息的方法，包括：
17、加載矯正圖像的深度圖像，提取深度圖像像素值，根據深度相機-檢測目標距離、圖像像素值和相機內參數矩陣將深度圖像轉化為對應三維坐標的點云數據；
18、構建cnn機器學習模型，將矯正圖像和點云數據輸入cnn機器學習模型中，采用cnn機器學習模型對矯正圖像進行圖像識別和特征提取獲得目標靶點的圖像坐標，采用cnn機器學習模型對點云數據進行數據預處理和數據增強，基于cnn機器學習模型匹配點云數據和圖像坐標確定靶點的坐標信息。
19、進一步的，根據所述靶點坐標信息構建檢測目標三維模型的方法，包括：
20、合測量儀轉點測算算法和動態局部視窗算法，根據cnn機器學習模型輸出的單觀測點靶點的坐標信息確定附合導線上的靶點坐標；
21、構建各靶點附近點云數據的空間索引結構，包括：計算點云數據法向量、計算向量空間、通過梯度關系反解泊松等式、進行等值面提取并重構被測物點云模型，表達式為：
22、
23、u＝a1u2+a2uv+a3v2+a4u+a5v+a6
24、cg＝(4a1a3-a22)/(a42+a52+1)2
25、
26、其中為靶點q的向量空間，t為靶點附近區域的點，p為任意點，為不同的表面區域，為平滑函數，為向內的表面法向量，u(u,v)為二次曲面方程，a1、a2、a3、a4、a5、a6為二次曲面方程系數，cg為高斯曲率，為平均曲率；
27、對被測物點云模型進行網格化處理，包括：構建種子三角形并提取邊界邊、按照平均距離密度確定自適應鄰域點、計算投影坐標、根據投影坐標確定最優擴展點，表達式為：
28、z：nx(x-px)+ny(y-py)+nz(z-pz)＝0
29、qt3＝[cosθ·i+(1-cosθ)kkt+sinθ·rok]·qt2
30、其中z為鄰域qt1內邊界邊中點的點云坐標p(px,py,pz)和對應法向量np(nx,ny,nz)的切平面方程，qt2(x,y,z)為切平面投影坐標，qt3為投影坐標經旋轉后的旋轉坐標，i為3維單位矩陣，θ為法向量np與xoy平面法向量夾角，k為旋轉軸，是法向量np與xoy平面法向量叉積；
31、對被測物點云模型進行孔洞修復獲得檢測目標三維模型，包括：孔洞邊界識別、判定孔洞邊界方向、新增頂點、根據法向量矢量和曲率新增頂點、新增頂點檢驗和網格光順處理，表達式為：
32、
33、1/σ+1/ξ＝ρ,σ>0,ξ<-ξ
34、其中nn為新增網格頂點的法向量，nl為新增網格頂點鄰接三角形法向量，g為頂點一環鄰接三角形個數，λ為形狀因子，b為質心距，pn為新增網格頂點，pn″為網格光順后的新增網格頂點，σ為收縮過程的正影響因子，ξ為拉伸過程的負影響因子，pu、pv為一環鄰域，pu′、pv′為新增網格頂點pn收縮后的一環鄰域，h為一環鄰域數量。
35、進一步的，獲得所述基本結構變形與偏差的方法，包括：
36、建立檢測目標bim模型，對比所述三維模型和所述bim模型獲得基本變形與偏差
37、將檢測目標的建筑信息導入revit軟件構建檢測目標bim模型；
38、將檢測目標的三維模型和bim模型通過網格節點進行配準，通過對比各靶點的網格尺寸和模型重構精度、確定偏差模態數量關系，表達式為：
39、f(m,n,o本文檔來自技高網...
【技術保護點】
1.基于機器視覺的結構變形與偏差智能檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述基于機器視覺的結構變形與偏差智能檢測方法，其特征在于，對所述相機圖像進行畸變處理獲得矯正圖像的方法，包括：
3.根據權利要求1所述基于機器視覺的結構變形與偏差智能檢測方法，其特征在于，獲得所述靶點坐標信息的方法，包括：
4.根據權利要求1所述基于機器視覺的結構變形與偏差智能檢測方法，其特征在于，根據所述靶點坐標信息構建檢測目標三維模型的方法，包括：
5.根據權利要求1所述基于機器視覺的結構變形與偏差智能檢測方法，其特征在于，獲得所述基本結構變形與偏差的方法，包括：
6.根據權利要求1所述基于機器視覺的結構變形與偏差智能檢測方法，其特征在于，確定所述第一結構變形與偏差的方法，包括：
7.根據權利要求1所述基于機器視覺的結構變形與偏差智能檢測方法，其特征在于，確定所述第二結構變形與偏差的方法，包括：
8.根據權利要求1所述基于機器視覺的結構變形與偏差智能檢測方法，其特征在于，獲得所述結構變形與偏差檢測結果的
9.基于機器視覺的結構變形與偏差智能檢測系統，用以執行權利要求1-8任一項所述的方法，其特征在于，包括：
...【技術特征摘要】
1.基于機器視覺的結構變形與偏差智能檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述基于機器視覺的結構變形與偏差智能檢測方法，其特征在于，對所述相機圖像進行畸變處理獲得矯正圖像的方法，包括：
3.根據權利要求1所述基于機器視覺的結構變形與偏差智能檢測方法，其特征在于，獲得所述靶點坐標信息的方法，包括：
4.根據權利要求1所述基于機器視覺的結構變形與偏差智能檢測方法，其特征在于，根據所述靶點坐標信息構建檢測目標三維模型的方法，包括：
5.根據權利要求1所述基于機器視覺的結構變形與偏差智能檢測方法，其...
【專利技術屬性】
技術研發人員：刁碩，沈孛，宋波，劉立渠，李健，張浩天，
申請(專利權)人：中國建筑科學研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。