基于无人机的坝面裂纹缺陷智能检测方法

针对当前坝面巡检主要依靠人工现场巡视或搭设脚手架观测等方式存在安全风险大、成本高、效率低且依靠人眼识别,存在误检、漏检、主观性强的问题,研发了系留式无人机并搭载高清相机完成坝面裂纹缺陷图像采集;通过卷积神经网络提取高维信息,提高坝面裂纹缺陷识别精度;采用ResNet-152为骨干网络搭建网络模型提取裂纹缺陷特征,并以此为基础设计新的解码网络层实现裂纹像素分割检测。试验结果表明：裂纹缺陷查准率P、召回率R、综合指标值F和平均交并比M分别达到74.61%、78.71%、74.99%和73.34%;提出的检测模型能有效识别坝面裂纹缺陷,可为坝面结构安全评估提供辅助数据支撑。     

基于力传感的系留无人机定位方法研究

在无GPS或弱GPS环境下,系留无人机通常采用激光雷达或视觉进行定位,由于受距离和光线的影响,无法实现精准定位。针对该问题,提出了一种基于力传感的系留无人机绳缆定位方法。系留无人机在室内飞行时,绳缆的状态可等效于悬链线,通过建立系留无人机悬链线模型,可有效估计无人机所处空间位置。使用基于力传感器的无人机、硅胶绳缆、绕线机搭建测试平台,绳缆定位数据与MarveImind的Indoor“GPS”标定无人机的位置做误差对比分析。实验结果表明:基于力传感的系留无人机定位方法,相较于Fotokite Pro无人机绳缆定位方法,定位精度提升了70.86%。该定位方法的提出,有利于系留无人机在无GPS环境下的稳定飞行。     

基于全卷积神经网络的坝面裂纹检测方法研究

针对常规裂纹检测方法难适用于坝面裂纹检测的问题,提出一种基于全卷积神经网络的裂纹检测方法,主要解决混凝土坝面裂纹的定量化检测问题。该检测方法引入图像预处理与形态学后处理相结合的方式,分别对原始数据和预测结果进行优化,提升检测精度;并根据坝面数据特点对传统FCN（Fully Convolutional Network）网络进行改进,得到针对性更强的裂纹检测网络C-FCN（Crack Fully Convolutional Network）,提升对裂纹检测的准确率;结合成像原理提取定量化信息,避免繁杂的相机标定工作,更加高效客观。利用该检测方法对实际工程进行实测,像素准确率、召回率和交并比分别达到75.13%、86.84%和60.15%,相比传统FCN网络,三项指标分别提升5.61%、16.56%、13.22%,同时定量化误差小于5%,裂纹平均宽度均不超过5 mm。该检测方法能够实现对坝面裂纹的精准识别和定量,为坝面后期风险评估和维护提供有力的数据支撑,具有显著的工程意义。     

空地协同机器人目标定位方法

针对空地协同机器人中无人机对地面无人车的实时精准定位问题,提出一种红色双圆型定位标记及标记识别与定位方法。引入颜色分割与轮廓提取相结合的方式,减少提取到的轮廓特征数量,排除背景信息干扰以减少误识别;提出一种圆形轮廓快速检测算法,快速识别目标轮廓并准确定位目标像素坐标和方向;基于针孔相机成像模型,根据目标像素坐标和方向,估计出目标在机体坐标系下三维坐标和偏航角。实验结果表明,无人机与地面无人车相对高度1.5 m时,该方法在[x]轴和[y]轴方向定位误差分别为3.9 mm和3.6 mm,每帧图像平均处理耗时为11.6 ms,优于基于核相关滤波的识别定位方法的13.3 mm、14.3 mm和56.3 ms。该方法与无人机控制相结合,可以实现无人机协同跟踪与自主降落功能,提升空地协同机器人作业效率,具有显著的工程意义。     

无人测量系统在消力池水下地形测量中的应用

GPS-RTK与测深仪的组合测量手段是现代水下地形测量的重要技术手段,本文采用该测量技术与无人船技术融合,构建了适用于消力池的水下地形测绘无人测量系统,并应用于亭子口水利工程的表孔消力池水下地形测量实践。文中系统地阐述了消力池水下地形无人测量系统的工作原理、标准化作业流程以及水下地形三维构建方法,结合测绘数据和三维模型,对消力池测区的溢流坝段、护坦、尾坎、防冲段、河道衔接段的高程变化趋势进行分析。结果表明：汛后亭子口表孔消力池结构完整,边界清晰,水质良好,从溢流坝段至尾坎处的护坦表面淤积程度均较小,池区尚未发现明显的堆积体或结构异常,受基岩和围堰卵砾石堆积体影响,防冲段与下游衔接段高程增加显著。无人测量技术的使用,提高了消力池水下地形与淤积分布的获取精度与时效性,具备显著的应用研究价值和推广意义。     

基于迁移学习的坝面表观缺陷智能检测方法研究

针对常规缺陷检测方法难适用于复杂环境下的坝面表观缺陷检测的问题,提出了一种基于迁移学习的坝面表观缺陷智能检测方法,主要解决坝面缺陷的识别与分类问题。该检测方法主要包括三个部分:首先采用图像预处理对多旋翼无人机采集到的原始图像数据进行数据扩充和特征突显;然后运用迁移学习方法将Inception-v3网络模型作为预训练模型,训练处理过后的缺陷数据,得到坝面缺陷检测模型;最后构建全连接分类网络并利用检测模型对测试集数据进行分类测试。试验结果显示:该检测方法仅耗时28 min就完成了对约33 000张缺陷数据的训练与测试,并对混凝土坝面存在的裂缝、漏筋、渗水和脱落四种缺陷的分类正确率达到了96%。结果表明,该检测方法能够实现对坝面缺陷精确且快速的识别和分类,能够为坝面后期的风险评估和维护提供有力的数据支撑,具有一定的工程意义。