TWI742976B - 結構體診斷系統及結構體診斷方法 - Google Patents
結構體診斷系統及結構體診斷方法 Download PDFInfo
- Publication number
- TWI742976B TWI742976B TW109146631A TW109146631A TWI742976B TW I742976 B TWI742976 B TW I742976B TW 109146631 A TW109146631 A TW 109146631A TW 109146631 A TW109146631 A TW 109146631A TW I742976 B TWI742976 B TW I742976B
- Authority
- TW
- Taiwan
- Prior art keywords
- point cloud
- cloud data
- area
- abnormal area
- range
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 112
- 230000015556 catabolic process Effects 0.000 claims abstract description 34
- 238000006731 degradation reaction Methods 0.000 claims abstract description 34
- 230000008878 coupling Effects 0.000 claims abstract description 17
- 238000010168 coupling process Methods 0.000 claims abstract description 17
- 238000005859 coupling reaction Methods 0.000 claims abstract description 17
- 230000006866 deterioration Effects 0.000 claims description 51
- 230000007547 defect Effects 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 22
- 230000003287 optical effect Effects 0.000 claims description 18
- 230000007797 corrosion Effects 0.000 claims description 17
- 238000005260 corrosion Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000011248 coating agent Substances 0.000 claims description 9
- 238000000576 coating method Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 208000002693 Multiple Abnormalities Diseases 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000006378 damage Effects 0.000 description 12
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 9
- 229910000831 Steel Inorganic materials 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- 238000005259 measurement Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005187 foaming Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本揭露提出一種結構體診斷系統及結構體診斷方法。結構體診斷系統，包括：光學雷達掃描器，掃描結構體以產生點雲數據；輸入介面，接收該點雲數據；以及處理器，接收點雲數據並產生點雲數據集。處理器執行表面劣化及幾何異常耦合診斷模組以：根據點雲數據集的色彩空間值來標示表面劣化區域的第一點雲範圍；根據點雲數據集的座標值來標示幾何異常區域的第二點雲範圍；當異常區域包括至少部分重疊的第一點雲範圍及第二點雲範圍時，判斷異常區域發生表面劣化或幾合異常並以預定模式標示異常區域。
Description
本揭露是有關於一種結構體診斷系統及結構體診斷方法，且特別是有關於一種自動診斷結構體損傷的結構體診斷系統及結構體診斷方法。
全球工業設備及公共設施每年因力學損傷(或稱為幾何異常)及腐蝕損傷(或稱為表面劣化)所造成之損失超過千億美元。油槽洩漏、斷橋事件及太陽能板支撐架腐蝕等事件，皆造成嚴重損失及影響產業鏈供輸穩定。結構設施規模廣大且數量繁多且力學損傷及腐蝕損傷需仰賴不同診斷方法。由於專業人力不足，造成結構設施檢查效率低並難以滿足國內各領域設施的安全管理需求。
在力學損傷方面通常以人力局部安裝應變計進行幾何形狀變異量計算，但這難以察覺法規規定之缺陷大小。在腐蝕損傷方面通常以人力近距離目視進行表面色澤外觀檢查，並依照嚴重程度評級決定處理順序。上述方法都非常仰賴專業人員的現場判斷因此需要花費大量的時間與人力來進行。因此，如何能更有效率地診斷結構體損傷是本領域技術人員應致力的目標。
有鑑於此，本揭露提供一種結構體診斷系統及結構體診斷方法，能自動診斷結構體損傷。
本揭露提出一種結構體診斷系統，包括：光學雷達掃描器，掃描結構體以產生點雲數據；輸入介面，耦接到光學雷達掃描器並接收該點雲數據；以及處理器，耦接到輸入介面，處理器接收點雲數據並產生點雲數據集。處理器執行表面劣化及幾何異常耦合診斷模組用以：根據點雲數據集的色彩空間值來標示表面劣化區域的第一點雲範圍；根據點雲數據集的座標值來標示幾何異常區域的第二點雲範圍；當異常區域包括至少部分重疊的第一點雲範圍及第二點雲範圍時，判斷異常區域發生表面劣化或幾合異常並以預定模式標示異常區域。
本揭露提出一種結構體診斷方法，包括：掃描結構體以產生點雲數據；接收點雲數據並產生點雲數據集；根據點雲數據集的色彩空間值來標示表面劣化區域的第一點雲範圍；根據點雲數據集的座標值來標示幾何異常區域的第二點雲範圍；以及當異常區域包括至少部分重疊的第一點雲範圍及第二點雲範圍時，判斷異常區域發生表面劣化或幾合異常並以預定模式標示異常區域。
基於上述，本揭露的結構體診斷系統及結構體診斷方法會以光學雷達掃描器掃描結構體以產生點雲數據集，根據色彩空間值來標示表面劣化區域的第一點雲範圍並根據座標值來標示幾何異常區域的第二點雲範圍。當第一點雲範圍及第二點雲範圍至少部分重疊時，則可判斷此異常區域發生表面劣化或幾合異常並以預定模式標示異常區域。如此一來，結構體損傷機制的診斷可更有效率地進行。
圖1為根據本揭露一實施例的結構體診斷系統的方塊圖。
請參照圖1，本揭露一實施例的結構體診斷系統100包括光學雷達(Lidar)掃描器110、輸入介面120、處理器130、記憶裝置140及輸出介面150。光學雷達掃描器110例如是三維光學雷達掃描器並耦接到輸入介面120。輸入介面120耦接到處理器130。記憶裝置140耦接到處理器130。輸出介面150耦接到處理器130。輸入介面120例如是乙太網路介面或其他可傳輸光學雷達點雲數據的介面。處理器130例如是中央處理器(Central Processing Unit，CPU)或其他類似裝置。記憶裝置140例如是揮發性記憶體及/或非揮發性記憶體並用以儲存或暫存光學雷達點雲數據。輸出介面150例如是高畫質多媒體介面(High Definition Multimedia Interface，HDMI)、顯示埠(Display Port，DP)、或其他類似介面。
處理器130可執行資料前處理模組131、表面劣化及幾何異常耦合診斷模組132、異常區域追蹤預測模組133來處理光學雷達掃描器110掃描結構體(例如，管線、桶槽、風機塔架、橋梁、支撐架等)所產生的三維點雲數據以進行結構體異常區域的診斷及追蹤預測，並由輸出介面150輸出異常區域的診斷及追蹤預測結果。異常區域可包括表面劣化區域及幾何異常區域。表面劣化區域可包括塗層起泡、剝落及銹蝕的缺陷。幾何異常區域可包括變形、傾斜及真圓度變異的缺陷。舉例來說，輸出介面150輸出的診斷資訊可為座標群(5.17,-3.38,1.00)~(5.17,-3.38,-0.98)變形異常，變形量3.79 mm；座標群(4.89,-1.32,-3.97)~(4.92,-1.26,-3.93)腐蝕異常，面積12cm
2，深度3mm；座標群(4.97,-1.15,-3.84)~(4.98,-1.15,-3.82)塗層起泡異常，面積50cm
2等資訊。上述座標群又可稱為三維座標群。輸出介面150還可輸出例如「yyyy/mm/dd診斷本結構體具有2處腐蝕、7處塗層起泡及8處變形異常點」的事件通知。此外，輸出介面150還可利用三維圖形顯示結構體及其腐蝕、塗層起泡及變形異常點。
在一實施例中，資料前處理模組131、表面劣化及幾何異常耦合診斷模組132、異常區域追蹤預測模組133以軟體或韌體實作並由處理器130來執行，但本揭露不限於此。在另一實施例中，資料前處理模組131、表面劣化及幾何異常耦合診斷模組132、異常區域追蹤預測模組133也可實作為處理器130中或耦接到處理器的硬體電路。下文中將對資料前處理模組131、表面劣化及幾何異常耦合診斷模組132、異常區域追蹤預測模組133進行詳細描述。
[資料前處理]
在一實施例中，光學雷達掃描器110(即，三維光學雷達掃描器)可發出雷射光並接收結構體所反射的雷射光來掃描結構體以產生點雲數據。輸入介面120可接收點雲數據並將點雲數據提供給處理器130。處理器130可執行資料前處理模組131以接收點雲數據並根據結構體尺寸縮減或不縮減點雲數據並進行結構體的幾何重建，對點雲數據進行拓墣整齊操作，並對不同時間點的拓墣整齊操作後的點雲數據進行座標配準操作以產生具有時間序的點雲數據集。拓墣整齊操作例如是根據點雲數據的拓墣資訊來達到正確描述結構體幾何特徵的效果。座標配準操作可將不同時間點的點雲數據依照辨識出來的特定特徵(例如，桶槽固定於地面的釘子)或預定的多個基準點座標來進行座標配準，如此可減少同一個位置的點雲數據在不同時間點有位置誤差的情況。值得注意的是，具有時間序的點雲數據集為同一掃描站點且不同時間點的點雲數據集。透過本揭露的資料前處理流程，可獲得更精準的結構體診斷及預測結果。
[結構體異常區域診斷]
在一實施例中，處理器130可執行表面劣化及幾何異常耦合診斷模組132以進行以下運算。處理器130可讀取點雲數據集的色彩空間值(R,G,B)並根據點雲數據集的色彩空間值來標示表面劣化區域的點雲範圍(或稱為第一點雲範圍)。具體來說，處理器130可利用神經網路分割點雲數據集的色彩空間值的表面劣化區域並計算表面劣化區域的面積及深度。舉例來說，從點雲數據集可得知座標群(4.89,-1.32,-3.97)~(4.92,-1.26,-3.93)發生腐蝕異常，因此處理器130可從座標群(4.89,-1.32,-3.97)~(4.92,-1.26,-3.93)數據計算出腐蝕異常的面積為12cm
2且深度為3mm。處理器130可利用異常區域點雲數量相對於結構體點雲數量的百分比來進行表面劣化區域面積的計算。神經網路例如是卷積神經網路(Convolutional Neural Network，CNN)、全卷積網路(Fully Convolutional Networks，FCN)、編碼解碼網路(Encoder-decoder)、循環神經網路(Recurrent Neural Network，RNN)、生成對抗網路(Generative Adversarial Network，GAN)等神經網路。
處理器130還可讀取點雲數據集的座標值(X,Y, Z)並根據點雲數據集的座標值來標示幾何異常區域的點雲範圍(或稱為第二點雲範圍)。具體來說，處理器130以沿結構體受力方向與垂直結構體受力方向)分割點雲數據集的座標值的幾何異常區域並計算幾何異常區域的位置及變形量。
當異常區域包括至少部分重疊的第一點雲範圍及第二點雲範圍時，處理器130判斷異常區域發生表面劣化或幾合異常並以預定模式標示異常區域。具體來說，當表面劣化區域的第一點雲範圍大於幾何異常區域的第二點雲範圍時，處理器130判斷異常區域發生表面劣化並以預定模式標示異常區域的第一點雲範圍。當表面劣化區域的第一點雲範圍小於幾何異常區域的第二點雲範圍時，處理器130判斷異常區域發生幾何異常並以預定模式標示異常區域的第二點雲範圍。舉例來說，以預定模式來標示異常區域、第一點雲範圍或第二點雲範圍可為使用預定顏色、箭頭標示、框選方式等模式來標示異常區域、第一點雲範圍或第二點雲範圍讓使用者明確識別。本揭露不限制預定模式的實作方式。
[結構體異常區域追蹤預測]
在一實施例中，處理器130可執行異常區域追蹤預測模組133以透過機器學習演算法根據連續時間點的發生幾何異常的異常區域的點雲來預測異常區域在下一時間點的變異狀態。機器學習演算法例如是線性回歸(linear regression)、支持矢量回歸(Support Vector Regression，SVR)、集成學習(ensemble learning)等機器學習演算法。也就是說，處理器130可追蹤同一異常區域是否持續存在或有擴大的趨勢，並利用具有不同時間標記的連續點雲透過機器學習演算法來學習變異趨勢以預測下一時間點的變異狀態。舉例來說，不同結構體在多個時間點的大量變異趨勢數據可被輸入機器學習演算法來進行訓練。以凹陷深度為簡單範例，當異常區域在T0時間點的凹陷深度為1mm且在T1時間點的凹陷深度為2mm，則機器學習演算法的依照訓練結果判斷T2時間點的凹陷深度為3mm，其中T0時間點到T1時間點的時間間隔可相同或不同於T1時間點到T2時間點的時間間隔。值得注意的是，機器學習演算法可通過大量數據(例如，多組隨著時間變化的凹陷深度資訊)的訓練，從而對T2時間點的凹陷深度作出更精確的預測。
圖2為根據本揭露一實施例的表面劣化及幾何異常耦合診斷的範例。
請參照圖2，本範例取得大小10x15cm 的PU塗裝鋼板，以電化學放電法及鹽霧試驗製作表面劣化缺陷(即，塗裝起泡及銹蝕)並以外力撞擊鋼版製作局部變形區域。接著，以光學雷達距離鋼版5公尺掃描鋼板以取得點雲數據，並以表面劣化及幾何異常耦合診斷模組132進行鋼板損傷診斷。
[T0時間點]
鋼板有六個起泡缺陷210，並由表面劣化及幾何異常耦合診斷模組132診斷出表面劣化集合220及幾何異常集合230。表面劣化集合220包括六個表面劣化點雲範圍(即，第一點雲範圍)，且幾何異常集合230包括兩個幾何異常點雲範圍(即，第二點雲範圍)。表面劣化集合220可根據點雲數據集的色彩空間值(R,G,B)來標示且幾何異常集合230可根據點雲數據集的座標值(X,Y,Z)來標示。經過表面劣化集合220及幾何異常集合230的座標耦合之後可產生表面劣化集合220及幾何異常集合230座標至少部分重疊的異常區域241及異常區域242。也就是說，表面劣化集合220及幾何異常集合230的座標耦合是用於辨識表面劣化集合220的三維座標群及幾何異常集合230的三維座標群的至少部分重疊的區域。座標耦合不同於本揭露在資料前處理過程中對點雲數據進行的座標配準操作。異常區域241中表面劣化點雲範圍大於幾何異常點雲範圍因此被識別為表面劣化起泡。異常區域242中表面劣化點雲範圍大於幾何異常點雲範圍因此被識別為表面劣化起泡。
[T1時間點]
鋼板有四個起泡缺陷250、兩個由起泡缺陷變成的銹蝕251及一個新產生的變形252，並由表面劣化及幾何異常耦合診斷模組132診斷出表面劣化集合260及幾何異常集合270。表面劣化集合260包括七個表面劣化點雲範圍(即，第一點雲範圍)，且幾何異常集合270包括兩個幾何異常點雲範圍(即，第二點雲範圍)。表面劣化集合260可根據點雲數據集的色彩空間值(R,G,B)來標示且幾何異常集合270可根據點雲數據集的座標值(X,Y,Z)來標示。經過表面劣化集合260及幾何異常集合270的座標耦合之後可產生表面劣化集合260及幾何異常集合270座標至少部分重疊的異常區域281及異常區域282。異常區域281中表面劣化點雲範圍大於幾何異常點雲範圍因此被識別為表面劣化起泡。異常區域282中表面劣化點雲範圍小於幾何異常點雲範圍因此被識別為幾何變形。
圖3為根據本揭露一實施例的神經網路分割表面劣化區域及面積深度估算的範例。
請參照圖3，本範例在170片鋼板樣本上製作700顆尺寸分別為5mm/10mm/20mm的銹蝕及起泡缺陷，以光學雷達距離樣本5m進行三維點雲影像掃描並以神經網路進行訓練。舉例來說，三維點雲數據可被輸入卷積神經網路交錯排列的卷積層及池化層以進行特徵擷取並經過全連接層以輸出特徵分類結果。卷積層可採用整流線性單位(Rectified Linear Unit，ReLU)函數或其他函數作為激勵函數。最後，對97個銹蝕及起泡缺陷影像進行辨識率的測試。在20mm起泡樣本310及10mm銹蝕樣本320中，可見命中(hit)區域341、未命中(miss)區域342及錯誤警告(false alarm)區域343。最後，表面劣化面積深度估算圖330會被產生。深度估算圖330的三軸例如是X軸、Y軸及Z軸且單位為mm。
表一為本範例缺陷辨識率的比較表。
表一
| 掃描距離5m | 辨識率測試 | ||
| 缺陷類型 | 尺寸 | 召回率(Recall) | 總召回率 |
| 塗層起泡 | 5mm | 79% | 78% |
| 10mm | 73% | ||
| 20mm | 80% | ||
| 銹蝕 | 5mm | 82% | 85% |
| 10mm | 88% | ||
| 20mm | 85% |
從表一可得知，在本揭露的實驗中對於塗層起泡缺陷類型5mm、10mm及20mm的總召回率為78%，且對於銹蝕缺陷類型5mm、10mm及20mm的總召回率為85%。
表二為本範例量測結果與真實結果的比較表。
表二
| 量測結果 | 真實結果 | |
| 銹蝕面積 | 249mm 2 | 237mm 2 |
| 銹蝕深度 | 4.41mm | 4.76mm |
從表二可得知，在本揭露實驗中銹蝕面積的量測結果與真實結果相差了12mm
2，且銹蝕深度的量測結果與真實結果相差了0.35mm。
圖4為根據本揭露一實施例的結構體幾何變形量估算的範例。
請參照圖4，以一桶槽結構體進行實驗，掃描所得的點雲數據集400經處理後可用於桶槽現況缺陷識別，且不同時間點的點雲數據集400可用於桶槽缺陷趨勢預測。舉例來說，桶槽缺陷識別可包括垂向變形範圍識別、壁鈑徑向變形識別及壁鈑真圓度識別。垂向變形範圍識別及壁鈑徑向變形識別的趨勢預測目標可為每8英吋內竟像變形量與所占範圍是否超過法規限制(例如，3.6英吋)。壁鈑真圓度識別的趨勢預測目標可由各角度垂向變形組合後進行計算。本揭露的結構體幾何變形量估算可涵蓋0~29.8%的變形範圍。
圖5為根據本揭露一實施例的結構體變形趨勢預測的範例。
請參照圖5，無外撐受力的桶槽510經由光學雷達掃描與資料前處理模組131的運算可獲得桶槽的點雲數據集520。異常區域追蹤預測模組可根據點雲數據集520預測出施加3mm外撐後的桶槽壁板點雲座標530。舉例來說，桶槽540的側面可進行圓柱展開成長方型550並每30度擷取點雲(即，以沿桶槽510受力方向與垂直桶槽510受力方向分割點雲數據集520)檢視以產生桶槽壁的多個點雲子集560。點雲570為實測無外撐點雲。點雲580為實測外撐後點雲。點雲590為預測外撐後點雲。本範例實測外撐後點雲與預測外撐後點雲的均方誤差(MSE)為1.13%，且平均絕對誤差(MAE)為1.66mm。
圖6為根據本揭露一實施例的結構體診斷方法的流程圖。
請參照圖6，在步驟S601中，掃描結構體以產生點雲數據。
在步驟S602中，接收點雲數據並產生點雲數據集。
在步驟S603中，根據點雲數據集的色彩空間值來標示表面劣化區域的第一點雲範圍。
在步驟S604中，根據點雲數據集的座標值來標示幾何異常區域的第二點雲範圍。
在步驟S605中，當異常區域包括至少部分重疊的第一點雲範圍及第二點雲範圍時，判斷異常區域發生表面劣化或幾合異常並以預定模式標示異常區域。當表面劣化區域的第一點雲範圍大於幾何異常區域的第二點雲範圍時，處理器判斷異常區域發生表面劣化並以預定模式標示異常區域的第一點雲範圍。當表面劣化區域的第一點雲範圍小於幾何異常區域的第二點雲範圍時，處理器判斷異常區域發生幾何異常並以預定模式標示異常區域的第二點雲範圍。
綜上所述，本揭露的結構體診斷系統及結構體診斷方法會以光學雷達掃描器掃描結構體以產生點雲數據集，根據色彩空間值來標示表面劣化區域的第一點雲範圍並根據座標值來標示幾何異常區域的第二點雲範圍。當第一點雲範圍及第二點雲範圍至少部分重疊時，則可判斷此異常區域發生表面劣化或幾合異常並以預定模式標示異常區域。如此一來，結構體損傷機制的診斷可更有效率地進行。
雖然本揭露已以實施例揭露如上，然其並非用以限定本揭露，任何所屬技術領域中具有通常知識者，在不脫離本揭露的精神和範圍內，當可作些許的更動與潤飾，故本揭露的保護範圍當視後附的申請專利範圍所界定者為準。
100:結構體診斷系統
110:光學雷達掃描器
120:輸入介面
130:處理器
140:記憶裝置
150:輸出介面
210:起泡缺陷
220:表面劣化集合
230:幾何異常集合
241、242:異常區域
250:起泡缺陷
251:銹蝕
252:變形
260:表面劣化集合
270:幾何異常集合
281、282:異常區域
310:起泡樣本
320:銹蝕樣本
330:表面劣化面積深度估算圖
341:命中區域
342:未命中區域
343:錯誤警告區域
400:點雲數據集
510:桶槽
520:點雲數據集
530:桶槽壁板點雲座標
540:桶槽
550:長方型
560:點雲子集
570、580、590:點雲
S601~S605:步驟
圖1為根據本揭露一實施例的結構體診斷系統的方塊圖。
圖2為根據本揭露一實施例的表面劣化及幾何異常耦合診斷的範例。
圖3為根據本揭露一實施例的神經網路分割表面劣化區域及面積深度估算的範例。
圖4為根據本揭露一實施例的結構體幾何變形量估算的範例。
圖5為根據本揭露一實施例的結構體變形趨勢預測的範例。
圖6為根據本揭露一實施例的結構體診斷方法的流程圖。
210:起泡缺陷
220:表面劣化集合
230:幾何異常集合
241、242:異常區域
250:起泡缺陷
251:銹蝕
252:變形
260:表面劣化集合
270:幾何異常集合
281、282:異常區域
Claims (20)
- 一種結構體診斷系統，包括： 一光學雷達掃描器，掃描一結構體以產生一點雲數據； 一輸入介面，耦接到該光學雷達掃描器並接收該點雲數據；以及 一處理器，耦接到該輸入介面，該處理器接收該點雲數據並產生一點雲數據集，其中該處理器執行一表面劣化及幾何異常耦合診斷模組用以： 根據該點雲數據集的色彩空間值來標示一表面劣化區域的一第一點雲範圍； 根據該點雲數據集的座標值來標示一幾何異常區域的一第二點雲範圍； 當一異常區域包括至少部分重疊的該第一點雲範圍及該第二點雲範圍時，判斷該異常區域發生表面劣化或幾合異常並以一預定模式標示該異常區域。
- 如請求項1所述的結構體診斷系統，其中該點雲數據為一三維點雲數據。
- 如請求項1所述的結構體診斷系統，其中當該表面劣化區域的該第一點雲範圍大於該幾何異常區域的該第二點雲範圍時，該處理器判斷該異常區域發生表面劣化並以該預定模式標示該異常區域的第一點雲範圍。
- 如請求項1所述的結構體診斷系統，其中當該表面劣化區域的該第一點雲範圍小於該幾何異常區域的該第二點雲範圍時，該處理器判斷該異常區域發生幾何異常並以該預定模式標示該異常區域的第二點雲範圍。
- 如請求項1所述的結構體診斷系統，其中該處理器更執行一異常區域追蹤預測模組以透過一機器學習演算法根據連續時間點的發生幾何異常的該異常區域的點雲來預測該異常區域在下一時間點的一變異狀態。
- 如請求項1所述的結構體診斷系統，其中該處理器更執行一資料前處理模組以：接收該點雲數據並根據該結構體尺寸縮減或不縮減該點雲數據後，對該點雲數據進行一拓墣整齊操作，並對不同時間點的該拓墣整齊操作後的該點雲數據進行一座標配準操作以產生具有時間序的該點雲數據集。
- 如請求項1所述的結構體診斷系統，其中該處理器以一神經網路分割該點雲數據集的色彩空間值的該表面劣化區域並計算該表面劣化區域的面積及深度。
- 如請求項1所述的結構體診斷系統，其中該處理器沿著受力方向與垂直受力方向分割該點雲數據集的座標值的該幾何異常區域並計算該幾何異常區域的物理量。
- 如請求項1所述的結構體診斷系統，其中該表面劣化區域包括塗層起泡、剝落及銹蝕的缺陷。
- 如請求項1所述的結構體診斷系統，其中該幾何異常區域包括變形、傾斜及真圓度變異的缺陷。
- 一種結構體診斷方法，包括： 掃描一結構體以產生一點雲數據； 接收該點雲數據並產生一點雲數據集； 根據該點雲數據集的色彩空間值來標示一表面劣化區域的一第一點雲範圍； 根據該點雲數據集的座標值來標示一幾何異常區域的一第二點雲範圍；以及 當一異常區域包括至少部分重疊的該第一點雲範圍及該第二點雲範圍時，判斷該異常區域發生表面劣化或幾合異常並以一預定模式標示該異常區域。
- 如請求項11所述的結構體診斷方法，其中該點雲數據為一三維點雲數據。
- 如請求項11所述的結構體診斷方法，更包括：當該表面劣化區域的該第一點雲範圍大於該幾何異常區域的該第二點雲範圍時，判斷該異常區域發生表面劣化並以該預定模式該異常區域的第一點雲範圍。
- 如請求項11所述的結構體診斷方法，更包括：當該表面劣化區域的該第一點雲範圍小於該幾何異常區域的該第二點雲範圍時，判斷該異常區域發生幾何異常並以該預定模式該異常區域的第二點雲範圍。
- 如請求項11所述的結構體診斷方法，更包括：透過一機器學習演算法根據連續時間點的發生幾何異常的該異常區域的點雲來預測該異常區域在下一時間點的一變異狀態。
- 如請求項11所述的結構體診斷方法，更包括：接收該點雲數據並根據該結構體尺寸縮減或不縮減該點雲數據，對該點雲數據進行一拓墣整齊操作，並對不同時間點的該拓墣整齊操作後的該點雲數據進行一座標配準操作以產生具有時間序的該點雲數據集。
- 如請求項11所述的結構體診斷方法，更包括：以一神經網路分割該點雲數據集的色彩空間值的該表面劣化區域並計算該表面劣化區域的面積及深度。
- 如請求項11所述的結構體診斷方法，更包括：沿著受力方向與垂直受力方向分割該點雲數據集的座標值的該幾何異常區域並計算該幾何異常區域的變形量。
- 如請求項11所述的結構體診斷方法，其中該表面劣化區域包括塗層起泡、剝落及銹蝕的缺陷。
- 如請求項11所述的結構體診斷方法，其中該幾何異常區域包括變形、傾斜及真圓度變異的缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109146631A TWI742976B (zh) | 2020-12-29 | 2020-12-29 | 結構體診斷系統及結構體診斷方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109146631A TWI742976B (zh) | 2020-12-29 | 2020-12-29 | 結構體診斷系統及結構體診斷方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI742976B true TWI742976B (zh) | 2021-10-11 |
| TW202225729A TW202225729A (zh) | 2022-07-01 |
Family
ID=80782614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW109146631A TWI742976B (zh) | 2020-12-29 | 2020-12-29 | 結構體診斷系統及結構體診斷方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI742976B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201024664A (en) * | 2008-12-24 | 2010-07-01 | Tele Atlas Bv | Method of generating a geodetic reference database product |
| CN108957477A (zh) * | 2018-06-28 | 2018-12-07 | 中国地震局地震预测研究所 | 建筑物破坏状态检测方法 |
| US20190197340A1 (en) * | 2016-01-15 | 2019-06-27 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | Object surface deformation feature extraction method based on line scanning three-dimensional point cloud |
| TW202028778A (zh) * | 2018-11-30 | 2020-08-01 | 美商高通公司 | 雷達深度學習 |
| CN111694012A (zh) * | 2020-05-29 | 2020-09-22 | 北京航空航天大学合肥创新研究院 | 一种基于机载激光雷达的三维地形在线生成方法及系统 |
| CN111898474A (zh) * | 2020-07-10 | 2020-11-06 | 杭州石峦科技有限公司 | 基于光学传感感知的目标表面特征变化识别系统与方法 |
-
2020
- 2020-12-29 TW TW109146631A patent/TWI742976B/zh active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201024664A (en) * | 2008-12-24 | 2010-07-01 | Tele Atlas Bv | Method of generating a geodetic reference database product |
| US20190197340A1 (en) * | 2016-01-15 | 2019-06-27 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | Object surface deformation feature extraction method based on line scanning three-dimensional point cloud |
| CN108957477A (zh) * | 2018-06-28 | 2018-12-07 | 中国地震局地震预测研究所 | 建筑物破坏状态检测方法 |
| TW202028778A (zh) * | 2018-11-30 | 2020-08-01 | 美商高通公司 | 雷達深度學習 |
| CN111694012A (zh) * | 2020-05-29 | 2020-09-22 | 北京航空航天大学合肥创新研究院 | 一种基于机载激光雷达的三维地形在线生成方法及系统 |
| CN111898474A (zh) * | 2020-07-10 | 2020-11-06 | 杭州石峦科技有限公司 | 基于光学传感感知的目标表面特征变化识别系统与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202225729A (zh) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11703457B2 (en) | Structure diagnosis system and structure diagnosis method | |
| CN102565072B (zh) | 拉伸铝合金板表面裂纹立体视觉在线检测方法 | |
| CN111929307B (zh) | 既有钢结构构件锈蚀程度现场无损检测评估方法 | |
| CN119444664B (zh) | 一种焊接质量视觉检测方法 | |
| CN115423815B (zh) | 一种基于移动激光扫描的隧道检测系统及方法 | |
| CN113884011A (zh) | 一种非接触式混凝土表观裂缝测量设备和方法 | |
| CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
| CN120253873B (zh) | 基于无人水下机器人的桥墩水下结构巡检系统 | |
| CN119714134B (zh) | 一种墙面装修检测方法及系统 | |
| Liu et al. | Neighborhood shortest distance method for concrete crack width detection in images | |
| TWI742976B (zh) | 結構體診斷系統及結構體診斷方法 | |
| CN112381792A (zh) | 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法 | |
| CN121053426A (zh) | 物资智能验收方法及终端设备 | |
| CN114022435A (zh) | 基于机器视觉的管路泄漏识别系统建立方法 | |
| JP5451716B2 (ja) | 構造物の赤外線調査方法及び赤外線調査用演算装置 | |
| CN113610786A (zh) | 一种基于视觉测量的轨道变形监测方法 | |
| CN109377482A (zh) | 一种基于点云数据的轮胎胎角性质检测方法 | |
| CN117690846B (zh) | 太阳能硅片视觉检测方法、装置、设备及存储介质 | |
| CN116008970B (zh) | 基于视频图像验证雷达净空值反演精度的方法 | |
| CN113074651B (zh) | 单路激光测距隧道变形监测系统及方法 | |
| CN119539782A (zh) | 分布式光伏电站运维方法及设备 | |
| CN119086608A (zh) | 一种基于数据分析的模具无损检测方法及系统 | |
| CN115272331B (zh) | 基于图像处理的瓦楞纸质量检测方法 | |
| CN115294373A (zh) | 一种设备参数信息更新方法和更新系统 | |
| Li et al. | Automated spalling characterization with a parallel laser line-camera and U-Net++ with Kolmogorov-Arnold networks (UPPKAN) |