CN103745477A - 基于机器视觉的建筑结构裂缝检测及修复方法 - Google Patents

Abstract

本发明实施例公开了一种基于机器视觉的建筑结构裂缝检测及修复方法，包括：（1）利用机器设备进行建筑结构的图像采集；（2）图像特征值提取；（3）被测建筑受力分析；（4）被监测建筑的智能修复。本发明将机器视觉引入到结构健康监测当中，建立一种实时、高效的智能检测和维修手段。可以弥补既有结构健康监测的一些不足之处，并促进结构健康监测及维修领域的智能化发展，用小波分析的方法进行裂缝特征值的提取。通过对提取出的宽度、分布范围等特征值进行有限元分析，找出裂缝与结构健康性之间的关系，并对裂缝进行量化分级，从而提高结构监测的智能化程度，对建筑物防灾减灾及土木工程智能化的发展具有深远的意义。

Description

基于机器视觉的建筑结构裂缝检测及修复方法

技术领域

本发明涉及土木工程自动化领域，尤其涉及一种建筑结构裂缝检测及修复方法及应用该方法的智能机器人。

背景技术

随着经济的发展，人们对建筑结构的安全要求越来越高，因此对结构的破坏情况尤为关注。在一个建筑结构系统里面，破坏可以看成一个影响结构工作的不利因素的参数。破坏是从材料的破坏开始的，随着结构的使用，破坏也将逐步积累，在此过程中突发状况会加剧这种变化，当增大到一定的地步时，就会造成结构的整体失效。建筑结构在投入使用后，正常使用状态下，会不断受环境侵蚀，在各种荷载作用下，其微小破坏都会逐步积累。如果没有适当的维护，结构设施的状态将逐渐趋于恶化而变得不可靠。由于缺乏维护,美国联邦公路管理局(FHWA)声称,到2003年为止,美国27.1%的桥梁有结构缺陷或功能退化,而对所有59万多座桥梁进行更新和适当修复,需要今后20年每年投资94亿美元。2007年6月15日我国广东省九江大桥和美国当地时间2007年8月1日明尼苏达州位于密西西比河上的高速公路135W桥的坍塌,造成了很大的生命财产损失,使人们对结构的安全状况更加关注。目前我国有一大批基础设施都是在五六十年代建的，经过这么多年，其健康状况到底如何，到底安不安全，这些都值得我们研究。建筑结构在突发状况（如地震、台风等）之后，需对其进行健康评估，以便救灾工作的展开，1994年l月17日,美国加州Northdd罗大地震时,一些建筑物在遭受主震后并未倒塌,但结构已经存在了损伤而未及时发现,在后来的一次较大的余震作用下倒塌了。1999年我国台湾省台中大地震也有类似情况发生。因此结构的健康评估工作显得尤为重要。

结构健康检测系统SHM（Structural Health Monitoring）是指对土木工程基础设施进行损伤识别，进而进行决策，以帮助我们获取结构的持久性和适用性的信息的一个系统。目前，结构健康监控系统已经取得很多成果，现在的监控主要依靠传感器和一些局部检测方法。现有的SHM（结构健康监测）系统仍然存在许多缺陷，系统的可靠度，数据的存储和传输，环境影响及噪音影响等等。这些缺陷都会影响结果的可靠性，并且处理收集的数据时，还会产生一些错误，因此现有的监控方法往往不能使人们得到更加直观的监控结果，而且要耗费大量的人力、物力，得到的也不是实时的信息。

发明内容

本发明鉴于既有的SHM系统的不足，提供一种高度智能化的系统，通过机器视觉的方法对建筑结构的健康进行监控，并通过对裂缝的分析，对结构的健康性进行评估，并根据分析评估结果，对结构病害进行实时智能修复的方法，包括：

（1）利用机器设备进行建筑结构的图像采集；

（2）图像特征值提取；

（3）被测建筑受力分析；

（4）被监测建筑的智能修复。

进一步地，采集建筑结构的图像后对图像通过直方图均衡化、图像分割、边缘检测和形态学方法，对收集到的图像进行处理，研究去除阴影等不利因素的方法，以得到理想图像。

进一步地，所述图像特征值提取采用小波变换分析方法提取。

传统的傅里叶分解的方法尽管也可以对数字图像进行处理，然而在处理有些问题的时候，傅里叶分解的方法就会有先天的不足。本发明提供了一种使用有线宽度基函数变换的方法，即小波变换的方法。

${\mathrm{\ψ}}^{a,b}=a^{\frac{1}{2}}\mathrm{\ψ}\left(\frac{t-b}{a}\right)$

小波基是一个单一的函数ψ经伸缩、平移而产生的一簇函数，其中a代表伸缩因子；b代表平移因子；ψ（t）为母小波。ψ（t）经过平移等变换后，得到即生成不同的频率成分。使用小波变换的分析方法对裂缝图像进行处理，可以得到比较好的结果。

选择最优的小波基可以对数字图像进行分解，可以对裂缝进行定性、定量的分析。

进一步地，对被测建筑受力分析的方法包括：

（31)用有限元方法建立简支梁受力模型，模拟简支梁破坏过程，对模拟过程中裂缝的分布、宽度等数据进行记录，并与实际实验结果对比分析，从而得出精确的模型；

（32）将提取出来的裂缝特征值在模型中定位，并对整个过程的变形与受力的情况进行进一步分析，研究裂缝与破坏之间的联系，进而建立起裂缝与简支梁健康性之间的关系；

（33）进行试验，对建立的裂缝与简支梁健康性的关系进行改进，以得到理想结果；

（34）将采集到的图像特征与简支梁受力模型进行对比，得出被测建筑受损状态。

在理论上，在破坏产生的每一阶段都应该有与其相对应的修补方案，因此，需建立一个以人工智能为基础的背景知识(Schema)工程规划系统。首先，将修复方案与每一阶段的图像相对应，建立数据库，其次，利用各式程序任务的基本行为和Schema-based的行为架构构建数据库。整个系统应包括自主工作计划(task planning)、事件处理(event disposal)、结合程序与主控制站合作等部份。任务规划时，利用软件平台，在图形界面中，以拉拽的方式，建立完整的程序流程。同时结合现有的智能型控制的概念，研究出一套智能修复的优化程序的行为控制模式和优化任务执行模型。

进一步地，被监测建筑的智能修复方法包括：

（41）根据建立的裂缝与简支梁健康性的关系，确定对应的修复方法；

（42）根据每个阶段的裂缝与简支梁健康性的关系及相应的修复方法，建立数据库；

（43）根据步骤（3）检测出的建筑受损状态匹配对应的修复方法。

本发明还公开了一种采用检测及修复方法的机器人，通过Matlab simulink模块将机器视觉部分特征值提取的算法、裂缝与简支梁的健康性关系、智能修复系统有机的组合在一起，得到实时、自动的监测、修补一体化的机器人。

机器人的嵌入式系统上必须装有关于“裂缝与结构健康性关系”和“裂缝智能修补方案”的数据库。与一般的数据库不同，“裂缝与结构健康性关系”数据库还需要储存一些包含一些裂缝特征的图像，这样机器人才能自主地比较CCD收集到的图像裂缝特征与储存在数据库里的裂缝的特征。在给嵌入式系统装上SD存储卡后，嵌入式数据库（或称移动数据库）就成了首选。可供选择的常用的嵌入式数据库有：Progress、SQLite、Empresse、XtremeDB、Firebird嵌入服务器版、mSQL和Berkeley DB。

本发明方案中的机器人主要使用CCD收集图像，并从图像中提取监测物体的特征值，然后利用所收集的信息对机器人进行控制，机器人将修补材料自动搬运定位至裂缝位置，然后对裂缝进行修复。

实施本发明，具有如下有益效果：

本发明将机器视觉引入到结构健康监测当中，建立一种实时、高效的智能检测和维修手段。可以弥补既有结构健康监测的一些不足之处，并促进结构健康监测及维修领域的智能化发展，用小波分析的方法进行裂缝特征值的提取。通过对提取出的宽度、分布范围等特征值进行有限元分析，找出裂缝与结构健康性之间的关系，并对裂缝进行量化分级，从而提高结构监测的智能化程度，对建筑物防灾减灾及土木工程智能化的发展具有深远的意义。

附图说明

图1是采用小波基对图像进行分解及定量分析过程的示意图；

图2是本发明建筑结构智能检测及修复机器人的结构框图；

图3是建筑物结构损坏程度分析模型；

图4是裂缝与建筑物结构损坏程度关系图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，（a）为建筑物裂缝的原始图像，（b）为利用Harr变换将原始图片分解后得到的结果，（c）是分解后的一幅图像，可以看到，利用小波变换的处理后，可以将原始图像中的电线去除，只剩下裂缝（图中竖线），（d）是分解后的图片从新叠加起来组合成的图像，（e）是利用小波变换去除噪声后得到的图像，（f）是去噪后的图像与原始图像的差，（g）是利用小波将原始图像进行压缩，（g）是对图像的定量分析。

由以上可知，使用小波变换技术，可以得到较精确的裂缝特征值信息。可以为后续的分析工作提供足够多的信息。

如图2所示为采用本发明方法的实时、自动的监测、修补一体化的机器人，：通过远程监控，人们可以指挥智能机器人对结构的健康状况进行实时监测和实时维修，然后再将监控和修补结果实时反馈。具体实施裂缝监测与智能修补机器人的功能模块框架包括:(1)嵌入式系统Zynq7000All Programmable SoC10功能模块作,(2)开源硬件Arduino开发板+32路舵机/传感器控制板,(3)CCD视频采集模块,(4)低价/高价传感器,(5)复合驱动模块,(6)“智能修补”机械手,(7)无线路由和无线网桥的无线通信模块,(8)GPRS的无线图像传输模块,(9)机器人本体人机交互界面,(10)远程人机交互界面等10个功能模块，

以机器视觉代替人工，获得结构表面的裂缝情况，进而根据裂缝情况，对结构的健康性进行评估，接着对监测到的裂缝进行智能修复，从而提高结构的安全性。在此阶段要解决的关键问题之一就是实现机器人对裂缝的精确定位。本项目将提出基于彩色图像的物体搜寻定位法。即利用模糊分类器与色彩信息相结合找出裂缝可能出现的位置，然后再结合物体形状的参数确定裂缝的准确位置。在找出裂缝可能出现的位置时，首先，对HS彩色空间作非均匀切割，利用颜色分布的直方图来记录物体的彩色信息，然后将模糊分类（fuzzy clustering）与支持向量机（SVM）结合建立一个新的模糊分类器，以加快其运行速度，且保留其高测试表现的能力。最后，利用此分类器与色彩信息相结合先找出裂缝的可能位置。当裂缝的可能位置确定后，就要从中确定裂缝的准确位置。我们将利用物体的轮廓信息表示其形状信息来判断裂缝的准确位置，首先，使用轮廓跟踪(contour following)的方法找出轮廓，并将每个轮廓点的坐标记录下来。然后，算出各个轮廓与中心点的距离，对得到的距离进行快速傅立叶(FFT)转换，以得到的转换系数作为物体形状的特征参数。最后，利用所提出的模糊分类器，配合CCD三度空间校正，作最后的物体定位。

实现机器人对裂缝的精确定位后，就需要将以上部分中得到的模型都有效地结合起来，组成一个实时的、智能的监测修复一体化的系统，对系统进行整体的优化调试，提高系统的运行速度、精度及其可靠性。

图3所示为建筑物的Ansys结构健康初步分析模型，可以实现对建筑物结构破坏过程进行模拟。

图4将裂缝与结构健康评估综合起来分析，，研究裂缝与破坏之间的联系，进而建立起裂缝与简支梁健康性之间的关系。混凝土表面裂缝可大致分为二类：影响结构承载力的裂缝和不影响结构承载力的裂缝。不影响承载力的裂缝由温度应力等原因造成，对于这类裂缝，只需要对其修补，防止破坏的扩大。对于影响结构承载力的裂缝，则要根据受力情况给出解决方案，以满足受力和使用要求。各阶段的修复方案都建立起来之后，就要实现基于数据库的智能修复。以数据属性为依据，通过事件来触发图像式导航流程，也就是以事件的发生，使系统作最佳决策及反应。将程序任务分为许多细部任务，并以Matlab的Schema来描述每个细部工作的行为，然后建立相应的数据库。最后结合现有的Multiobjective Optimization,Genetic Algorithm、Fuzzy Logic Theory等智能型控制的概念，优化行为控制与任务执行模式，开发一套智能修复的程序。在本项目中研究中数据属性为多个异质性数据库整合且为移动实时数据库，因此须使用嵌入式数据库。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (6)

1.一种基于机器视觉的建筑结构裂缝检测及修复方法，其特征在于，包括：

（1）利用机器设备进行建筑结构的图像采集；

（2）图像特征值提取；

（3）被测建筑受力分析；

（4）被监测建筑的智能修复。

2.根据权利要求1所述的方法，其特征在于，采集建筑结构的图像后对图像进行去除阴影处理。

3.根据权利要求1所述的方法，其特征在于，所述图像特征值提取采用小波变换分析方法提取。

4.根据权利要求1所述的方法，其特征在于，对被测建筑受力分析的方法包括：

（31)用有限元方法建立简支梁受力模型，模拟简支梁破坏过程，对模拟过程中裂缝的分布、宽度等数据进行记录，并与实际实验结果对比分析，从而得出精确的模型；

（32）将提取出来的裂缝特征值在模型中定位，并对整个过程的变形与受力的情况进行进一步分析，研究裂缝与破坏之间的联系，进而建立起裂缝与简支梁健康性之间的关系；

（33）进行试验，对建立的裂缝与简支梁健康性的关系进行改进，以得到理想结果；

（34）将采集到的图像特征与简支梁受力模型进行对比，得出被测建筑受损状态。

5.根据权利要求1所述的方法，其特征在于，被监测建筑的智能修复方法包括：

（41）根据建立的裂缝与简支梁健康性的关系，确定对应的修复方法；

（42）根据每个阶段的裂缝与简支梁健康性的关系及相应的修复方法，建立数据库；

（43）根据步骤（3）检测出的建筑受损状态匹配对应的修复方法。

6.一种采用权利要求1所述检测及修复方法的智能机器人，其特征在于，通过Matlab simulink模块将机器视觉部分特征值提取的算法、裂缝与简支梁的健康性关系、智能修复系统有机的组合在一起，得到实时、自动的监测、修补一体化的机器人。

Images