[发明专利]一种基于机器视觉的静载荷堆载识别系统及其识别方法在审

专利信息
申请号: 202010729107.5 申请日: 2020-07-27
公开(公告)号: CN111898516A 公开(公告)日: 2020-11-06
发明(设计)人: 卢颖;程荣;张亦明;蒋发川;许王鹏;谢恩文 申请(专利权)人: 元准智能科技(苏州)有限公司;苏州市建筑科学研究院集团股份有限公司
主分类号: G06K9/00 分类号: G06K9/00;G06K9/32;G06K9/62;G06T7/62;G06N3/04;G06Q50/08
代理公司: 苏州市指南针专利代理事务所(特殊普通合伙) 32268 代理人: 金香云
地址: 215500 江苏省苏州市*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 机器 视觉 载荷 识别 系统 及其 方法
【说明书】:

发明涉及一种基于机器视觉的静载荷堆载识别系统,包括试验平台、后台服务端与移动端,移动端包括相互连接的采集图像模块、GPS定位模块、加速度计、罗盘与数据接收查看模块,利用机器视觉与深度学习技术,通过对多次采集图像的对比,实现静载荷堆载试验平台的一致性识别,判断试验平台是否被搬动改变或是否存在试验作弊的情况。本发明具有便于操作,提高识别效率,降低成本,提高智能化水平,多个移动终端与多个试验平台同步识别等优点。

技术领域

本发明涉及静载荷堆载识别技术领域,特别是一种基于机器视觉的静载荷堆载识别系统及其识别方法。

背景技术

在建设工程中,都必须对地基的承载能力进行实验分析,目前应用较为广泛的是静载荷堆载实验测量的方法。其中,静载荷堆载实验数据的可靠性是工程安全的重要保障。此时对于实验平台的实时监测是非常关键的环节,它保证了实验数据的可靠性。

目前存在堆载测试借用之前的测试,单独的人工作业,效率低下,只能一对一的测试,存在作弊的行为,跟不上智能时代的发展要求。

为此我们研发了一种基于机器视觉的静载荷堆载识别系统及其识别方法,用以解决以上问题。

发明内容

本发明目的是为了克服现有技术的不足而提供一种基于机器视觉的静载荷堆载识别系统及其识别方法,具有便于操作,提高识别效率,降低成本,提高智能化水平,多个移动终端与多个试验平台同步识别等优点。

为达到上述目的,本发明采用的技术方案是:一种基于机器视觉的静载荷堆载识别系统,包括试验平台、后台服务端与移动端,所述移动端包括相互连接的采集图像模块、GPS定位模块、加速度计、罗盘与数据接收查看模块,所述后台服务端包括相互连接的云计算服务模块与后台数据服务模块,所述试验平台的顶端处设有堆载,所述后台服务端与所述移动端通过Internet连接,所述采集图像模块将所述试验平台的四个侧面图像的方位信息采集,然后后台服务端进行数据分析比对,识别的结果发送至所述移动端。

优选的,一种基于机器视觉的静载荷堆载识别系统的识别方法,包括以下步骤:

2.1、含有所述堆载的所述试验平台搭建完成时,使用所述移动端对所述试验平台四个面的初始状态的图像信息进行采集;

2.2、根据所述移动端中的所述GPS定位模块、所述罗盘与所述加速度计,获取每次拍摄图像的方位信息,并将方位信息和图像信息绑定;

2.3、将所述试验平台的初始状态的图像信息上传至所述后台服务端并保存;

2.4、对所述试验平台的不同侧面进行识别时,再次拍摄所述试验平台的四个侧面图像信息,并上传至所述后台服务端并且进行分析;

2.5、根据设定的相似度阈值,判断前后两幅图像信息的一致性;

2.6、将识别结果在所述后台服务端中保存,同时发送至监管用户的所述移动端,所述移动端用于监管查看识别结果。

优选的,步骤2.4中,包括以下步骤:

2.4.1、分析运算中,根据方位信息筛选对应的侧面图像,基于机器视觉与深度学习进行图像的对比运算;

2.4.2、对比运算中,先对图像进行滤波模糊处理,滤除环境中的干扰信息;

2.4.3、将图像中所述堆载以及所述堆载的间隙颜色和形状特征放入深度学习框架中训练,对所述堆载及其间隙进行识别,分割提取出每个所述堆载及其间隙的具体区域;

2.4.4、利用形态学与灰度特征相结合的方法,对每个所述堆载的区域进行计算,获取每个所述堆载的轮廓位置与面积、所述堆载的数量、所述堆载之间的相对距离以及所述堆载之间的分隔线信息数据;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于元准智能科技(苏州)有限公司;苏州市建筑科学研究院集团股份有限公司,未经元准智能科技(苏州)有限公司;苏州市建筑科学研究院集团股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010729107.5/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code