基于数字孪生技术的城市桥梁道路诊断方法及其系统技术方案

一种基于数字孪生技术的城市桥梁道路诊断方法以及系统，其中所述方法包括如下步骤：S1提供服务器，获取城市地理坐标系，对道路区域划分；S2城市语义模型的坐标系以及道路标引库的建立；S3道路诊断传感器的设置，无人机现实增强（AR）装配；S4道路结构健康的时间动态模型建立；S5无人机飞抵感兴趣的道路所在区域进行现实场景的病害分布诊断。本发明专利技术提供的方法和系统使道路结构健康问题分布检测的从整体上呈现出强实时性、强可视性、动态性、精确性以及高效性。及高效性。及高效性。

【技术实现步骤摘要】
基于数字孪生技术的城市桥梁道路诊断方法及其系统


[0001]本专利技术属于建筑构建结构健康领域，涉及一种基于数字孪生技术的城市桥梁道路诊断方法及其系统，尤其涉及到一种基于数字孪生技术的城市桥梁道路的无人机现实增强诊断方法及其系统。

技术介绍

[0002]孪生城市智能化属于智慧城市建设的一种数字化手段，其关键在于将城市进行数字复制以及基于数字的智能化运用同时提供相应的专业技术服务。有国外学者将数字孪生化的智能城市发展程度分为六个等级，其中作为零级的视觉城市是基础，它提供了城市的物理位置以及视觉呈现，第一级属于数字阴影，主要提供在线验证模型，以模拟各类场景的问题，而第二级则是诊断，提供城市组成体的设计使用寿命，尤其涉及到城市桥梁道路的结构健康问题。
[0003]然而，如何将前三级的技术综合利用以实现智能化、可视化的诊断，是智慧城市发展的课题之一。CN109300126A将无人机用于可视化桥梁病害的识别，将三维模型与现实影像进行对应，并将检测到的病害在现实影像上标记。CN111311569A则通过无人机巡航将拍摄的图片输入训练好的模型中事先杆本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生技术的城市桥梁道路诊断方法，其特征在于，包括如下步骤：S1提供服务器，获取城市地理坐标系，对道路区域划分；S2 城市语义模型的坐标系，无人机坐标系以及道路标引库的建立；S3 道路诊断传感器的设置，无人机现实增强装配；S4 道路结构健康的时间动态模型建立；S5 无人机飞抵感兴趣的道路所在区域进行现实场景的病害分布诊断。2.根据权利要求1所述的方法，其特征在于，其中，S1具体包括：服务器获取城市地理坐标系，其中城市地理坐标系E具体是选择标准建筑基底靠南和靠西的边缘分别为X轴和Y轴，两者直角顶点为原点O作为基准点而建立；采用路网提取模型对城市道路进行道路区域划分。3.根据权利要求2所述的方法，其特征在于，所述路网提取模型包括：利用RNN循环神经网络算法，通过节点生成器生成道路连续节点，并在生成过程中连接生成前后的两个节点，将新的生成节点输入节点生成器不断产生新的节点，而继续连接产生的新节点，如此循环而连接成路网；其中，节点生成器包括编码器以及解码器。4.根据权利要求3所述的方法，其特征在于，所述路网提取过程包括：将城市网格化处理，针对每个格点g进行分路网d提取，将每个格点g的分路网d融合形成城市路网C；其中，节点生成的过程具体包括：S1
‑
1利用遥感影像图对城市进行网格化处理，对于每个格点g从格点几何中心c出发找到距离所述几何中心c最近、次近以及逐渐远的n个起始节点，n∈[1,10]；S1
‑
2定义步长l以及矢量方向r作为属性矢量V，将每个起始节点以及K条入射路经方向，的点作为输入点，将K+1个输入点以及属性矢量V输入编码器，由解码器生成新节点；对于每一个起始点的每一个方向的输入点，对应了在E下的坐标，属性矢量V对应于坐标增量，将该坐标和属性矢量V输入编码器，解码器将出射在E下生成的新节点(，)，其中，，所述步长l是指当前节点到下一个节点之间的直线距离l=1
‑
5m，t表示当前输入点的序号；S1
‑
3以所述新节点为起始点重复步骤S1
‑
1和S1
‑
2，直到格点g中所有道路提取完毕生成分路网d。5.根据权利要求4所述的方法，其特征在于，S2具体包括：S2
‑
1在城市语义模型找到对应的城市地理基准点O作为城市语义模型的坐标系I的原点o，建立城市语义模型的坐标系I，所述建立无人机坐标系F具体包括，选择AR装置上的一点作为坐标原点o
’
，平行于投放屏幕的左向为a轴，垂直于a轴向上为b轴，垂直于ao'b平面向后的为c轴，建立无人机坐标系F；S2
‑
2 在S1中的所述城市路网C中的每个节点在城市语义模型的俯视图中进行标记，形成模型路网M；将模型路网M中的每个节点在I下和E下的坐标（X,Y,H）和（x，y，H），以及城市路所在道路标引p作为标引数据建立道路标引库Q，其中道路标引p包括道路名称，以及道路
历史结构健康数据，其中，H为无人机飞抵感兴趣的区域时，其定位的预设高度H，H=0.3
‑
200m；S3中诊断传感器为诊断光声传感器。6.根据权利要求5所述的方法，其特征在于，S3具体包括：S3
‑
1以固定方式和/或可移动方式设置诊断光声探测器，并对诊断光声探测器进行定期校准；S3
‑
2将无人机分为模型训练用无人机和检测用无人机，所述模型训练用无人机搭载诊断光声探测器，所述检测用无人机上搭载相机和AR装置，所述AR装置的目视镜片位于相机镜头正前方；S3
‑
3服务器，诊断光声探测器以及无人机三者之间无线通讯，将标引库Q以及城市语义模型保存在服务器中，其中，S3
‑
1中所述固定方式包括在预设的间隔距离3
‑
100m区域内的道路两侧和/或道路中心固定诊断光声探测器，或在交通监控抓拍龙门架横梁中心固定诊断光声探测器；所述可移动方式包括在预设的间隔距离300
‑
500m区域内的道路两侧和/或中心各设置一个行走机器人，通过行走机器人搭载诊断光声探测器，行走机器人各自对所在区域的道路进行实时检测，和/或，使用搭载诊断光声探测器的无人机根据检测需要定时对道路各部位进行飞抵检测；两种方式设置的诊断光声探测器记录检测数据发送给服务器，积累历史数据，其中，对于高架路和桥梁这样的道路，所述的道路中心包括了在墩上的铺设的诊断光声探测器，所述定期校准具体包括，对于固定诊断光声探测器和行走机器人搭载诊断光声探测器开展的检测，将标准光声检测器搭载于车辆上，沿着城市路网C对设置的诊断光声探测器进行校准；对于搭载诊断光声探测器无人机开展的检测，则直接利用标准光声检测器进行校准；校准每隔1
‑
6个月进行一次，检测激光、声波波段扫描功能以及激光和声波标定参数，标定参数与标准参数做对比得到偏差，并以该偏差作为检测结果的校正参考值，当偏差超过预设偏差值时则对该光声探测器进行维修或更换。7.根据权利要求5或6所述的方法，其特征在于，S4具体包括：S4
‑
1对于每个格点g，在每隔预设时段T将步骤S3中的每一个诊断光声探测器发出激光照射至道路表面，服务器根据光声数据绘制激光照射下道路的声压伪彩分布图，对图像进行偏差校正处理，去噪；通过时间反演算法利用经偏差校正去噪处理的声压伪彩分布图重建道路的伪彩光声图像，并记录检测时间点t
m
，所述去噪包括对检测时车辆、行人以及其他物体引起的声压分布的去除，其中T=1
‑
15天；S4
‑
2服务器进一步将道路的伪彩光声图像网格化，利用模态分解法从所述伪彩光声图像的每个格点中提取非平稳随机初始光声信号，将所述非平稳随机初始光声信号增强处理，并重新融合到所在的道路的伪彩光声图像的相应格点位置中；对没有分布非平稳随机初始光声信号的网格点中的像素全部修改成预设的伪彩值，形成检测图像，将检测图像分为训练集以及验证集，训练集以及验证集比例为5:1
‑
1:1；S4
‑
3利用增强处理的非平稳随机初始光声信号和检测图像建立机器学习模型，以月和/或年为单位，将每月和/或每年建立的模型形成模型库A存入服务器中，其中检测时间点为0表示新建成的道路时的第一次测量时间点，所述机器学习模型包括深度神经网络模型
(DNN)，支持向量机（SVM），或生成对抗网络(GAN)；所述建立机器学习模型，以月和/或年为单位，将每月和/或每年建立的模型形成模型库A存入服务器中具体包括：以道路建成出第一次测量为起始点，每隔T时间段对道路进行检测，每次检测进行5
‑
10个重复试验；当完成当月和/或当年的所有检测时，将增强处理非平稳随机初始光声信号，检测图像为输入端不断训练得到每一个诊断光声探测器的模型，并通过验证集验证获得该探测器的当月和/或当年的模型A1，如此进行多月和/或多年模型建立获得格点g内每一个诊断光...

【专利技术属性】
技术研发人员：刘俊伟，
申请(专利权)人：泰瑞数创科技北京有限公司，
类型：发明
国别省市：