一种结构桥梁检修系统及方法

申请号 CN202311298967.8 申请日 2023-10-09 公开(公告)号 CN117344657A 公开(公告)日 2024-01-05
申请人 致邦控股(广东)有限公司; 致邦住宅工业集团有限公司; 发明人 徐代明; 熊伟; 徐双双; 朱奕智; 吴伟雯;
摘要 本 发明 公开一种 钢 结构 桥梁 检修系统及方法,涉及桥梁检修技术领域,其包括:检修无人机、数据存储模 块 和监测控 制模 块;检修无人机表面设有测距 传感器 ,检修无人机内设空腔,空腔内设有检修小车,检修无人机和检修小车均设有可调控的摄像头,摄像头设有过滤单元,过滤单元用于摄像头在收集数据的同时对数据信息进行分析,并合理分配信息处理的优先级,检修无人机和检修小车的身份识别采用RFID识别技术;监测 控制模块 内设有监控单元和控制单元,监控单元用于与检修无人机和检修小车上的摄像头通信连接,控制单元用于控制检修无人机和检修小车的轨迹移动。通过本发明可以解决系统采集数据时不够灵活和数据不够全面的问题。
权利要求

1.一种结构桥梁检修系统,其特征在于,包括:检修无人机、数据存储模和监测控制模块;
所述检修无人机的表面设有测距传感器,所述测距传感器与数据存储模块通信连接,所述检修无人机内设空腔,所述空腔内设有检修小车,所述检修无人机和检修小车均设有可调控的摄像头,所述摄像头设有过滤单元,所述过滤单元用于摄像头在收集数据的同时提取桥梁缺陷信息,并合理分配信息处理的优先级,所述优先级的判断标准基于缺陷类型对于桥梁的危害程度,所述检修无人机和检修小车的控制回路均设有滤波器,所述检修无人机和检修小车的身份识别采用RFID识别技术;
所述监测控制模块内设有监控单元和控制单元,所述监控单元用于与检修无人机和检修小车上的摄像头通信连接,所述控制单元用于控制检修无人机和检修小车的轨迹移动。
2.根据权利要求1所述的一种钢结构桥梁检修系统,其特征在于,所述过滤单元的工作步骤如下:
(1)针对摄像机所拍摄到的图片,按缺陷类型进行阈值分割,以提取出桥梁表面各点的关键图像;
(2)对所述关键帧图像进行预处理,以得到多个清晰的图像;
(3)将多个清晰的图像和桥梁表面缺陷各点的位置信息经过冗余计算后上传至服务器
3.根据权利要求1所述的一种钢结构桥梁检修系统,其特征在于,所述检修无人机和检修小车内还设有GPS定位装置、传感器、湿度传感器声波传感器,所述检修小车外设有机械手臂,所述机械手臂用于检修小车和桥梁的固定连接。
4.根据权利要求1所述的一种钢结构桥梁检修系统,其特征在于,所述检修系统还包括区域划分模块,所述区域划分模块用于根据预设的传感器与桥梁模型区域的对应关系,确定每一个传感器所对应的目标区域,其中,所述桥梁模型基于桥梁施工工程图建立。
5.根据权利要求2所述的一种钢结构桥梁检修系统,其特征在于,所述缺陷包括桥面沉降、桥面局部损害和桥梁裂纹。
6.一种钢结构桥梁检修方法,其特征在于,所述检修方法应用于权利要求1‑5任一项所述的检修系统,所述检修方法包括以下步骤:
S1:根据桥梁施工图建立桥梁三维模型,将检修的桥梁按三维坐标进行区域划分;
S2:检修无人机和检修小车按预设检修路线进行移动,并按测距传感器预设坐标值投下压力传感器,通过检修无人机和检修小车的红外线传感器、湿度传感器和超声波传感器对桥梁缺陷进行数据检测,并将所得数据上传至云端服务器;
S3:通过检修无人机和检修小车的可调摄像头对桥梁进行全方位拍照,并将图片数据上传至云端服务器;
S4:通过检修无人机和检修小车对缺陷位置分布的检测建立三维变量分布函数,并将数据上传至云端服务器;
S5:通过对云端服务器的数据进行边缘计算,根据所得到的桥梁数据与桥梁三维模型进行融合,得到准确的桥梁模型;
S6:通过对桥梁模型精准分析得到相应的整改措施。
7.根据权利要求6所述的一种钢结构桥梁检修方法,其特征在于,对步骤S4得到的三维变量分布函数可记为如下:
F(X,Y,Z)=P(X,Y,Z);
上式表达的是缺陷落在坐标区域的概率,其中X,Y,Z表示三维坐标值,其中X,Y,Z的取值范围应小于或等于桥梁对应的长、宽和高。
8.根据权利要求7所述的一种钢结构桥梁检修方法,其特征在于,对上述三维变量分布函数进行求导得出概率密度函数,通过对概率密度函数求极值,从桥梁局部缺陷密度分布推导出整个桥梁缺陷的数量。
9.根据权利要求6所述的一种钢结构桥梁检修方法,其特征在于,所述步骤S2中的检修路线基于桥梁模型的三维信息和待检修位置规划出的最佳巡检路线。
10.根据权利要求6所述的一种钢结构桥梁检修方法,其特征在于,在裂纹的检测基于OpenCV技术进行测量。

说明书全文

一种结构桥梁检修系统及方法

技术领域

[0001] 本发明涉及桥梁检修技术领域,尤指一种钢结构桥梁检修系统及方法。

背景技术

[0002] 桥梁是架设在河流、路干线、公路上的供行人或车辆通过的道路,现有的桥梁一般采用钢筋桥梁结构,运用范围最为广泛。但是钢筋桥梁桥梁的建造时间长、成本高,钢结构桥梁应运而生。钢结构桥梁工期极短,最短只需几天,且钢构桥自重轻,跨度大,刚度好、具有可焊性,安装十分方便,但钢结构因其耐腐蚀性差的特点需要经常检修。
[0003] 专利申请号为CN202011485927.0的专利文件公开了一种钢结构桥梁检修系统,通过板桥和检修车的互相配合实现桥梁的检修,但此技术受限于板桥上导轨的长度,在采集数据时仅依靠检修小车不够灵活,采集到的数据也不够全面。为此,我们提出一种钢结构桥梁检修系统及方法。

发明内容

[0004] 为解决上述问题,本发明提供一种钢结构桥梁检修系统及方法,来解决系统采集数据时不够灵活和数据不够全面的问题。
[0005] 为实现上述目的,本发明采用的技术方案是:一种钢结构桥梁检修系统,包括:检修无人机和、数据存储模和监测控制模块;
[0006] 所述检修无人机表面设有测距传感器,所述测距传感器与数据存储模块通信连接,所述检修无人机内设空腔,所述空腔内设有检修小车,所述检修无人机和检修小车均设有可调控的摄像头,所述摄像头设有过滤单元,所述过滤单元用于摄像头在收集数据的同时提取桥梁缺陷信息,并合理分配信息处理的优先级,所述优先级的判断标准基于缺陷类型对于桥梁的危害程度,所述检修无人机和检修小车的控制回路均设有滤波器,所述检修无人机和检修小车的身份识别采用RFID识别技术;
[0007] 所述监测控制模块内设有监控单元和控制单元,所述监控单元用于与检修无人机和检修小车上的摄像头通信连接,所述控制单元用于控制检修无人机和检修小车的轨迹移动。
[0008] 作为优选,所述过滤单元的工作步骤如下:
[0009] (1)针对摄像机所拍摄到的图片,按缺陷类型进行阈值分割,以提取出桥梁表面各点的关键图像;
[0010] (2)对所述关键帧图像进行预处理,以得到多个清晰的图像;
[0011] (3)将多个清晰的图像和桥梁表面缺陷各点的位置信息经过冗余计算后上传至服务器
[0012] 作为优选,所述检修无人机和检修小车内还设有GPS定位装置、传感器、湿度传感器声波传感器,所述检修小车外设有机械手臂,所述机械手臂用于检修小车和桥梁的固定连接。
[0013] 作为优选,所述检修系统还包括区域划分模块,所述区域划分模块用于根据预设的传感器与桥梁模型区域的对应关系,确定每一个传感器所对应的目标区域,其中,所述桥梁模型基于桥梁施工工程图建立。
[0014] 作为优选,所述缺陷包括桥面沉降、桥面局部损害和桥梁裂纹。
[0015] 一种钢结构桥梁检修方法,所述检修方法应用于上述的检修系统,所述检修方法包括以下步骤:
[0016] S1:根据桥梁施工图建立桥梁三维模型,将检修的桥梁按三维坐标进行区域划分;
[0017] S2:检修无人机和检修小车按预设检修路线进行移动,并按测距传感器预设坐标值投下压力传感器,通过检修无人机和检修小车的红外线传感器、湿度传感器和超声波传感器对桥梁缺陷进行数据检测,并将所得数据上传至云端服务器;
[0018] S3:通过检修无人机和检修小车的可调摄像头对桥梁进行全方位拍照,并将图片数据上传至云端服务器;
[0019] S4:通过检修无人机和检修小车对缺陷位置分布的检测建立三维变量分布函数,并将数据上传至云端服务器;
[0020] S5:通过对云端服务器的数据进行边缘计算,根据所得到的桥梁数据与桥梁三维模型进行融合,得到准确的桥梁模型;
[0021] S6:通过对桥梁模型精准分析得到相应的整改措施。
[0022] 作为优选,对步骤S4得到的三维变量分布函数可记为如下:
[0023] F(X,Y,Z)=P(X,Y,Z);
[0024] 上式表达的是缺陷落在坐标区域的概率,其中X,Y,Z表示三维坐标值,其中X,Y,Z的取值范围应小于或等于桥梁对应的长、宽和高。
[0025] 作为优选,对上述三维变量分布函数进行求导得出概率密度函数,通过对概率密度函数求极值,从桥梁局部缺陷密度分布推导出整个桥梁缺陷的数量。
[0026] 作为优选,所述S2中的检修路线基于桥梁模型的三维信息和待检修位置规划出的最佳巡检路线。
[0027] 作为优选,在裂纹的检测基于OpenCV技术进行测量。
[0028] 本发明的有益效果在于:
[0029] 1.本发明设有检修无人机,检修无人机内设空腔装有检修小车,通过检修无人机和检修小车的配合,可以让系统在采集数据时更为灵活,通过RFID标签识别设备可对物体自动识别记录到后台,从而提高信息采集率和信息传输速度,实现智能化管理。
[0030] 2.利用三维变量的分布函数描述在桥梁三维空间里,缺陷分布位置和落在该区域的概率,可以通过分布函数推算缺陷的数量,为桥梁模型提高了数据依据。附图说明
[0031] 图1为检修方法流程图
[0032] 图2为过滤单元工作流程图。

具体实施方式

[0033] 请参阅图1‑2所示,本发明关于一种钢结构桥梁检修系统及方法。
[0034] 实施例1
[0035] 一种钢结构桥梁检修系统,包括:检修无人机、数据存储模块和监测控制模块;
[0036] 所述检修无人机表面设有测距传感器,所述测距传感器与数据存储模块通信连接,所述检修无人机内设空腔,所述空腔内设有检修小车,所述检修无人机和检修小车均设有可调控的摄像头,所述摄像头设有过滤单元,所述过滤单元用于摄像头在收集数据的同时提取桥梁缺陷信息,并合理分配信息处理的优先级,所述优先级的判断标准基于缺陷类型对于桥梁的危害程度,所述检修无人机和检修小车的控制回路设有滤波器,所述检修无人机和检修小车的身份识别采用RFID识别技术;
[0037] 所述监测控制模块内设有监控单元和控制单元,所述监控单元用于与检修无人机和检修小车上的摄像头通信连接,所述控制单元用于控制检修无人机和检修小车的轨迹移动。
[0038] RFID识别技术也称被射频识别技术,它是一种通过无限电讯号识别特点目标并读写相关数据,而无需识别系统与特定目标之间建立机械或光学接触的通信技术,通过RFID识别技术,对检修无人机和检修小车设有独一无二的电子标签,便于管理检修无人机和检修小车。
[0039] 所有设施(检修小车、检修无人机、机械手、备件耗材)和桥梁构件均须贴RFID标签,使桥梁检修全过程利用RFID技术实现统一管理。RFID技术提供准确、实时的物流信息采集、信息处理,备件设施运转环节的自动化操作,实现管理和决策的自动化乃至智能化。通过检修无人机和检修小车的配合,可以让系统在采集数据时更为灵活,通过RFID标签识别设备可对物体自动识别记录到后台,从而提高信息采集率和信息传输速度,实现智能化管理。
[0040] 作为优选,所述过滤单元的工作步骤如下:
[0041] (1)针对摄像机所拍摄到的图片,对图片进行阈值分割,以提取出桥梁表面各点的关键帧图像;
[0042] (2)对所述关键帧图像进行预处理,以得到多个清晰的图像;
[0043] (3)将多个清晰的图像和桥梁表面缺陷各点的位置信息经过冗余计算后上传至云端服务器。
[0044] 检修无人机和检修小车内还设有GPS定位装置、压力传感器、湿度传感器和超声波传感器,所述检修小车外设有机械手臂,所述机械手臂用于检修小车和桥梁的固定连接。
[0045] 通过压力传感器检测添加在桥梁各个点上的应力近似值,超声波传感器主要通过超声波在材料内部的传播和反射情况来判断内部的缺陷情况,利用超声波传感器可以对裂痕内部实现全面和仔细的检测,利用超声波传感器还可以对裂痕内部的深度进行检测,通过湿度传感器对钢结构表面的湿度进行检测,钢结构不耐腐蚀,在这一项的检测上需要做到精准。
[0046] 检修系统还包括区域划分模块,所述区域划分模块用于根据预设的传感器与桥梁模型区域的对应关系,确定每一个传感器所对应的目标区域,其中,所述桥梁模型基于桥梁施工工程图建立。
[0047] 在桥梁模型的建立上采用BIM建模,BIM建模是以建筑工程的信息数据作为模型的基础,通过数字信息仿真模拟建筑物的真实状态,包括三维几何形状信息,如建筑构件的材料、性能、性格、重量、位置和进度等,使建筑过程在整个进程中显著提高效率、降低险,以支持项目全生命周期的建设和运营管理。
[0048] 在BIM模块基础上设有检修操作仿真学习模块,记录有各种检测维修操作的工作程序范例供机械手或工作人员进一步学习操作。
[0049] 采用BIM建模的优点有:1.成本和资源节省;2.更高的效率和更短的项目生命周期;3.改善沟通和协同;4.预制和模块化建造的更多机会;5.更高的质量结果。
[0050] 一种钢结构桥梁检修方法,所述检修方法应用于上述的检修系统,所述检修方法包括以下步骤:
[0051] S1:根据桥梁施工图建立桥梁三维模型,将检修的桥梁按三维坐标进行区域划分;
[0052] S2:检修无人机和检修小车按预设检修路线进行移动,并按测距传感器预设坐标值投下压力传感器,通过检修无人机和检修小车的红外线传感器、湿度传感器和超声波传感器对桥梁缺陷进行数据检测,并将所得数据上传至云端服务器;
[0053] S3:通过检修无人机和检修小车的可调摄像头对桥梁进行全方位拍照,并将图片数据上传至云端服务器;
[0054] S4:通过检修无人机和检修小车对缺陷位置分布的检测建立三维变量分布函数,并将数据上传至云端服务器;
[0055] S5:通过对云端服务器的数据进行边缘计算,根据所得到的桥梁数据与桥梁三维模型进行融合,得到准确的桥梁模型;
[0056] S6:通过对桥梁模型精准分析得到相应的整改措施。
[0057] 作为优选,对步骤S4得到的三维变量分布函数可记为如下:
[0058] F(X,Y,Z)=P(X,Y,Z);
[0059] 上式表达的是缺陷落在坐标区域的概率,其中X,Y,Z表示三维坐标值,其中X,Y,Z的取值范围应小于或等于桥梁对应的长、宽和高。
[0060] 对上述三维变量分布函数进行求导得出概率密度函数,所述概率密度函数可记为:f(x,y,z)
[0061] 可通过洛必达法则对概率密度函数求极值,从桥梁局部缺陷密度分布推导出整个桥梁缺陷的数量。
[0062] 所述S2中的检修路线基于桥梁模型的三维信息和待检修位置规划出的最佳巡检路线。
[0063] 所述裂纹的检测基于OpenCV算法进行测量,其处理流程如下:
[0064] 1.图像数字化;
[0065] 2.增加对比度
[0066] 3.Canny边缘检测
[0067] 4.用形态学连接临近裂缝;
[0068] 5.找出所有连通域,删除非裂缝噪点区域;
[0069] 6.对每个连通域提取骨架,测量长度和宽度。
[0070] 上述图像数字化的过程包括以下几个步骤:
[0071] (1)采集:采集图像需要使用一种数字化设备,例如数码相机扫描仪或摄像机。数字化设备将图像转换为数字信号,这些信号可以由计算机处理。
[0072] (2)采样:采样是将连续图像转换为离散像素的过程。数字化设备将图像分成网格,每个网格称为像素,采集每个像素的颜色亮度信息,例如:一幅640480分辨率的图像,表示这幅图像是由640480=307200个点组成的。
[0073] (3)量化:量化是将每个像素的颜色和亮度值转换为数字值的过程。在量化过程中,将连续信号转换为离散信号。量化级别决定了数字图像中可以显示的颜色和亮度的数量。例如:一幅8位的图像,表示每个采样点有$2^8$=256级,从最暗到最亮,可以分辨为256个级别。
[0074] (4)编码:编码是将数字化的像素值储存为数字格式的过程。编码格式通常包括JPEG、PNG、BMP等。对于一张彩色图片,这张图片的内容是由分辨率(示例:1920x1080)数量级的像素组成。类似于淘宝卖的钉子画,就是由1920乘以1080个钉子组成的画,其中每个钉子的颜色,是由三个通道(RGB)共同组成(三种分别叫RGB的钉子组成),这三个通道像是我们学彩绘画的中心三颜色(红黄蓝),通过这三种颜色可以调出不同的颜色也可以理解为,三种通道为三种图层,图层与图层之间组成的颜色。每一个通道下的每一个钉子的颜色,在计算机视下就表示为一个0~255的值。
[0075] 实施例2
[0076] 上述实施例1所述的检修无人机和检修小车内还设有滤波器,通过设置滤波器,减少检修无人机和检修小车在传输数据时出现信号谐波干扰的问题,通过谐波器,还能保护用电设备,延长检修无人机和检修小车的使用寿命,提高检修系统的功率因素。
[0077] 检修小车还设有压平模块和挤料模块,所述压平模块和挤料模块用于对检测到的桥梁裂缝进行简易修补,所述压平模块能够进行升降,所述挤料模块能够调节角度,以将灌封胶准确喷涂在缺陷点,在检修小车内还设有干燥剂,干燥剂的成分为硫酸氯化钙,通过干燥剂可以减少缺陷的水分,减轻钢结构桥梁的腐蚀程度。
[0078] 在实施例1检测方法步骤S1划分区域后,可采用磁粉探伤方法对桥梁进行检修,所述磁粉探伤是利用工件缺陷处的漏磁场与磁粉互相作用,通过对钢制品进行磁化,在钢制品表面绕上绝缘导向,通入直流电,经过一段时间后便能磁化。
[0079] 利用了钢铁制品表面和近表面的缺陷(如裂纹,夹道和发纹等等)磁导率与钢导率的差异,磁化后这些材料不连续处的磁场发送畸变,形成部分磁通泄露处工件表面产生了漏磁场,从而吸引磁粉形成缺陷处的磁粉堆积‑‑磁痕,在适当的光照条件下,显现出缺陷位置和现状,对这些磁粉的堆积加以观察和解释,就实现了磁粉探伤。
[0080] 通过摄像机过滤单元后得到的图片上传至云端服务器,云端服务器中的图片还需要进一步处理。
[0081] 桥梁表面裂纹图像预处理是桥梁表面裂纹检测的必要步骤。该步骤的目的是对桥梁表面裂纹图像进行降噪、增强和边缘检测等处理,以提高后续图像分析的准确性和鲁棒性。
[0082] 一.桥梁表面裂纹图像预处理方法包括:
[0083] 1.去噪:桥梁表面裂纹图像存在噪声干扰,影响后续图像分析的准确性。常用的去噪方法包括中值滤波、高斯滤波等。
[0084] 2.增强:桥梁表面裂纹图像的对比度较低,需要进行增强处理。常用的增强方法包括直方图均衡化、对数变换等。
[0085] 3.边缘检测:桥梁表面裂纹图像的边缘信息是裂纹检测的重要依据。常用的边缘检测方法包括Canny算子Sobel算子等。
[0086] 二.桥梁裂纹图像特征提取
[0087] 桥梁表面裂纹图像特征提取是裂纹检测的核心步骤。该步骤的目的是提取桥面表面裂纹的形状、大小、方向等特征,以便后续进行分类和识别。桥梁表面裂纹图像特征提取方法包括:
[0088] 1形态学操作:形态学操作是一种基于形态学理论的图像处理方法,可以提取桥梁表面裂纹的形态信息,如裂纹的长度、宽度、分支情况等。
[0089] 2.纹理特征提取:桥梁表面裂纹具有一定的纹理特征,可以通过纹理特征提取方法,如灰度共生矩阵、小波变换等,来提取桥梁表面裂纹的纹理信息。
[0090] 3.傅里叶变换:傅里叶变换可以将桥梁表面裂纹图像转换到频域,进而提取桥梁表面裂纹的频率信息,具有一定的优势。
[0091] 三.桥梁表面裂纹识别与分类
[0092] 桥梁表面裂纹识别与分类是桥梁表面裂纹检测的最终目的。该步骤的目的是将桥梁表面裂纹划分为正常和病害两类,或者进一步细分为不同类型的病害,以便进行有效的维修和保养。桥梁表面裂纹识别与分类方法包括:
[0093] 1.人工神经网络:人工神经网络是一种基于模拟人类神经系统的计算模型,可以利用桥梁表面裂纹的特征信息进行识别和分类。
[0094] 2支持向量机:支持向量机是一种基于统计学习理论的分类模型,可以将桥梁表面裂纹划分为正常和病害两类。
[0095] 3.决策树:决策树是一种基于树形结构的分类模型,可以将桥梁表面裂纹划分为不同类型的病害。
[0096] 以上实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
QQ群二维码
意见反馈