CN104637284A - 一种大型古建筑裂缝与倾斜变化定量监测系统及其预测方法 - Google Patents

Abstract

本申请公开了一种大型古建筑裂缝与倾斜变化定量监测系统及其预测方法，该监测系统由监测节点、网关节点、监测中心电子计算机组成，监测节点是带有摄像传感器的ZigBee无线传感网络节点，监测节点经网关节点通过GPRS网络与Internet网络将古建筑裂缝与倾斜的图像信息实时传输到监测中心电子计算机中。本发明采用摄像头传感器，对古建筑裂缝和倾斜进行监测，是一种无接触的，可以增加监测系统的可靠性，提高监测精度；特别适合大型古建筑的安全监测；无需在古建筑上敷设大量导线，节约成本，降低施工难度且节约大量人力资源；采用红外摄像传感器可不受天气影响实施24小时监测。

Description

一种大型古建筑裂缝与倾斜变化定量监测系统及其预测方法

技术领域

本发明属于大型古建筑(如故宫、长城)的安全监测领域，特别涉及一种大型古建筑裂缝与倾斜变化定量监测系统及其预测方法。

背景技术

对古建筑中的沉降、裂缝与倾斜应定期监测其现状和发展趋势，以便分析其变化的产生原因及其对古建筑安全的影响，并及时进行有效的治理，做到早预防、早发现、早消除。

发明内容

为了达到上述目的，本发明采用无线传感网络和图像处理技术，并辅以一定的预测方法，实现大型古建筑的裂缝与倾斜变化进行定量监测及其趋势预测。具体技术方案如下：

一种大型古建筑裂缝与倾斜变化定量监测系统，由监测节点、网关节点、监测中心电子计算机组成，其特征在于，监测节点分布设置在古建筑上或需要监测处的附件物体上，特别是古建筑的裂缝或/和倾斜处，监测节点包括带有摄像传感器的ZigBee无线传感网络节点，监测节点经网关节点通过GPRS网络与Internet网络连接监测中心电子计算机，将古建筑裂缝与倾斜的图像信息实时传输到监测中心电子计算机中，在计算机屏幕上自动显示所监测的各具体确实位置的古建筑裂缝与倾斜的变化值，变化值超出规定阈值，计算机自动预警，同时将预警发送至操作人员手机上，利用计算机预测古建筑裂缝与倾斜的发展趋势。

进一步的，监测节点由以下部件组成：摄像传感器、信号调理电路、基于ZigBee通信协议的射频发射模块，其中摄像传感器通过信号调理电路与基于ZigBee通信协议的射频发射模块连接，且均与光电源连接，光电源上连有电源管理芯片，统一控制供电；基于ZigBee通信协议的射频发射模块上连接有液晶显示器和USB接口。

优选的，摄像传感器为SAT系列红外探测器。

优选的，基于ZigBee通信协议的射频发射模块是CC2430芯片。

进一步的，网管节点由以下部件：基于ZigBee通信协议的射频接受模块、微处理器、SIM卡座、GPRS模块顺次连接而成，它们均由风光电源供电，并由电源管理芯片统一执行供电管理。

优选的，微处理器选用AT91RM9200芯片。

一种大型古建筑裂缝与倾斜变化定量监测系统的预测方法，运用灰色预测方法，拓灰色预测模型充分利用裂缝或倾斜的形状尺寸参数X₁、X₂、X₃把随时间变化的尺寸累加求和，生成新的序列，用一条曲线逼近，逼近曲线还原后即为拓灰色预测模型。

有益效果

本发明与现有技术相比具有以下积极效果：(1)采用摄像头传感器，对古建筑裂缝和倾斜进行监测，是一种无接触的，可以增加监测系统的可靠性，提高监测精度。(2)采用ZigBee网络协议，由于灵活的网络结构，超大的网络容量，特别适合大型古建筑的安全监测。(3)采用无线传感网络，无需在古建筑上敷设大量导线，节约成本，降低施工难度。(4)无需工作人员定期巡回检查监测系统，节约大量人力成本。(5)将ZigBee网络、GPRS网络和Internet网络结合起来，适合大型与超大型古建筑的安全监测。(6)采用红外摄像传感器可不受天气影响实施24小时监测。

附图说明

图1是本发明的一种大型古建筑裂缝与倾斜变化定量监测系统示意图；

图2是ZigBee网络监测节点原理图；

图3是ZigBee网络网关节点原理图。

其中，1.监测节点；2.网关节点；3.GPRS网络；4.Internet网络；5.监测中心计算机；6.摄像传感器；7.信号调理电路；8.基于ZigBee通信协议的射频发射(接收)模块；9液晶显示器；10.USB接口；11.光电源；12.电源管理芯片；13.微处理器；14.风光电源；15.SIM卡座；16.GPRS模块。

具体实施方式

为使本发明的目的和技术方案更加清楚，以下结合附图对本申请的技术方案进行清楚、完整地描述。所描述的实施例是本申请的一部分实施例，而不是全部的实施例，基于所描述的本申请的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例1：一种大型古建筑裂缝与倾斜变化定量监测系统，由监测节点1、网关节点2、监测中心电子计算机5组成，监测节点1分布设置在古建筑上或需要监测处的附件物体上，特别是古建筑的裂缝或/和倾斜处，监测节点1包括带有摄像传感器6的ZigBee无线传感网络节点，监测节点1经网关节点2通过GPRS网络3与Internet网络4连接监测中心电子计算机5，将古建筑裂缝与倾斜的图像信息实时传输到监测中心电子计算机5中，在计算机屏幕上自动显示所监测的各具体确实位置的古建筑裂缝与倾斜的变化值，变化值超出规定阈值，计算机自动预警，同时将预警发送至操作人员手机上，利用计算机预测古建筑裂缝与倾斜的发展趋势。

(1)监测节点

如图2所示的监测节点1，红外摄像传感器6将对准所要监测古建筑中的裂缝和倾斜，将摄制的图像经信号调理电路7处理后，由基于ZigBee通信协议的射频模块8发射图像信息。监测节点1用光伏电源11。监测节点1的各个芯片型号可以作如下选择：CC2430是Chipcon公司生产的用来实现嵌入式ZigBee应用的芯片系统，它支持2.4GHz IEEE802.15.4/ZigBee协议。CC2430芯片以强大的集成开发环境作为支持，内部线路的交互式调试以遵从IDE的IAR工业标准为支持，得到嵌入式机构的高度认可，CC2430芯片系统模块集成了CC2420RF收发器，增强工业标准的8051MCU.32/64/128KB闪存，8KB SRAM等高性能模块，并内置ZigBee协议，加上超低能耗，使得它可以用很低的费用构成ZigBee节点。

红外摄像传感器6采用SAT系列红外摄像仪，其均采用非制冷焦作平面红外探测器，该红外探测器采用多晶硅材料制备的单片式电阻型微测辐射热计技术，探测器列陈规模320×240，像元中心距45μM，填充因子大于80％，噪声等效温差(NETD)达到100mk(典型值)。

为了适应古建筑安全监测的实际需要，节约能源，监测节点1应用光伏电源，选用的光伏电源型号为SAS2.5-WED。

(2)网关节点

由于ZigBee协议依据IEEE802.15.4标准，在数千个微小的监测节点1之间相互协调实现通信，这些监测节点1只需很少的能量，以接力的方式通过无线电波将数据从一个监测节点1传递到另一个监测节点1，它们通信效率非常高，但同时也说明了ZigBee技术的低数据速率和通信范围较小的特点。因此，在大型古建筑安全监测系统监测节点信息传递时，必须要设置网关节点2，方能使监测节点1信息顺利传输至监测中心的电子计算机5上，网关节点2的原理图如图3所示，其工作过程如下：通过基于ZigBee通信协议的射频接收模块8接收监测节点发来的图像信息，由微处理器13对图像文件进行去噪、压缩处理后，再由GPRS模块16发射，经GPRS网络3与Internet网络4耦合，在监测中心电子计算机5上可以接收到监测节点1摄制的图像。

微处理器13选用Atmel公司的一款内嵌32位ARM920T核的高速ARM处理器AT91RM9200作为中心处理器，具有高性能、低功耗、低成本特点，其指令处理速度可以达200MI/s(兆指令/秒)，能满足监测网关节点2的高速传输要求，同时它又是一款工业级微处理器，能够适合网关节点2工作环网境恶劣的要求，保证网关节点2工作的稳定性。同时AT91RM9200上可以移植标准的Linux操作系统，减少了网管节点2软件的开发难度，并增强了它的可移植性，有利于软件的二次开发。

无线发射装置包括SIM卡插座15、GPRS模块16和天线，SIM卡插座15的输入端连接微处理器13，输出端连接GPRS模块16。GPRS模块16选用Mc55模块，Mc55模块内置的TCP/IP协议由AT指令控制使用程序很容易接入网络。

风光电源14选用风光互补电源，型号为SDC-DMI150。

在微处理器13中实行对图像文件进行预处理与压缩传输。

图像去噪应用自适应中值滤波(AMF)，原理如下：设S_xy表示中心像素点(x，y)在滤波时对应的掩模窗口，令Z_min为S_xy中灰度级最小值，Z_max为S_xy中灰度级最大值，Z_med为S_xy中灰度级中值，Z_xy为在坐标(x，y)上的灰度级，S_max为S_xy允许的最大尺寸。自适应中值滤波算法工作在两个层次，定义为A层和B层，A层：A₁＝Z_med－Z_min，A₂＝Z_med－Z_max，如果A₁>0、A₂<0，转到B层，否则增大窗口尺寸，如果窗口尺寸≤S_max，重复A层，否则输出Z_xy；B层：B₁＝Z_xy－Z_min，B₂＝Z_xy－Z_max，如果B₁>0、B₂<0，输出Z_xy，否则输出Z_med。

图像压缩编码方法如下：图像熵表示图像灰度级集合的平均比特数，单位为比特/像素，描述了图像信息源的平均信息量。熵编码算法有多种，本发明的图像压缩应用哈夫曼编码，其原理如下：哈夫曼编码严格按照概率匹配方法决定码长，概率大的灰度值对应于短码，概率小的灰度值对应于长码。哈夫曼编码步骤如下：(1)统计出图像中每个灰度值出现的概率，并按照从大到小的顺序排列；(2)每一次选出概率最小的两个值，将它们相加，形成的新频率值和其他频率值形成一个新的频率集合；(3)重复第(2)步，直到最后得到频率和为1；(4)分配码字，对上述步骤反过来逐步向前进行编码，每一步有两个分支各赋予一个二进制码，对概率大的赋予码元0，对概率小的赋予码元1(或相反)。

(3)监测中心的电子计算机

经网关节点2压缩的监测图像文件经GPRS网络与Internet网络传到监测中心的电子计算机(5)中。首先进行图像解压，应用离散余弦逆变换快速算法(IDCT快速算法)，其基本思想可描述如下：以计算二维8×8IDCT为例：

$\left\{\begin{array}{c}F(u,v)=\frac{1}{4}c\left(u\right)c\left(v\right)\underset{m=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{n=0}{\overset{7}{\mathrm{\&Sigma;}}}[f(m,n)\&CenterDot;\cos \frac{(2m+1)\mathrm{\&pi;u}}{16}\&CenterDot;\cos \frac{(2n+1)\mathrm{\&pi;v}}{16}]\\ f(m,n)=\frac{1}{4}\underset{u=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{v=0}{\overset{7}{\mathrm{\&Sigma;}}}[c\left(u\right)\&CenterDot;c\left(v\right)\&CenterDot;F(u,v)\&CenterDot;\cos \frac{(2m+1)\mathrm{\&pi;u}}{16}\&CenterDot;\cos \frac{(2n+1)\mathrm{\&pi;v}}{16}]\end{array}\right.---\left(1\right)$

其中m，n，u，v＝0，1，…，7。

式(1)用矩阵表示： $\begin{array}{c}\left[F\right]=\left[G\right]\&CenterDot;\left[f\right]\&CenterDot;{\left[G\right]}^T\\ \left[f\right]={\left[G\right]}^T\&CenterDot;\left[F\right]\&CenterDot;\left[G\right]\end{array}$

$\left[F\right]=\left[\begin{array}{cccc}F\left(\mathrm{0,0}\right)& F\left(\mathrm{0,0}\right)& ...& F\left(\mathrm{0,0}\right)\\ F\left(\mathrm{1,0}\right)& F\left(\mathrm{1,1}\right)& ...& F\left(\mathrm{1,7}\right)\\ ...& & & \\ F\left(\mathrm{7,0}\right)& F\left(\mathrm{7,1}\right)& ...& F\left(\mathrm{7,7}\right)\end{array}\right]$

其中： $\left[f\right]=\left[\begin{array}{cccc}f\left(\mathrm{0,0}\right)& f\left(\mathrm{0,0}\right)& ...& f\left(\mathrm{0,0}\right)\\ f\left(\mathrm{1,0}\right)& f\left(\mathrm{1,1}\right)& ...& f\left(\mathrm{1,7}\right)\\ ...& & & \\ f\left(\mathrm{7,0}\right)& f\left(\mathrm{7,1}\right)& ...& f\left(\mathrm{7,7}\right)\end{array}\right]$

$\left[G\right]=\left[\begin{array}{cccc}\frac{1}{2\sqrt{2}}& \frac{1}{2\sqrt{2}}& ...& \frac{1}{2\sqrt{2}}\\ \frac{1}{2}\cos \frac{\mathrm{\&pi;}}{16}& \frac{1}{2}\cos \frac{3\mathrm{\&pi;}}{16}& ...& \frac{1}{2}\cos \frac{15\mathrm{\&pi;}}{16}\\ ...& & & \\ \frac{1}{2}\cos \frac{7\mathrm{\&pi;}}{16}& \frac{1}{2}\cos \frac{21\mathrm{\&pi;}}{16}& ...& \frac{1}{2}\cos \frac{105\mathrm{\&pi;}}{16}\end{array}\right..=\left[\begin{array}{c}{G}_0\\ G_1\\ .\\ .\\ .\\ G_7\end{array}\right]$

记为矩阵[G]中第u行所组成的矢量，则

$\left[f\right]=\left[\begin{array}{cccc}{G}_0^T& G_1^T& ...& G_7^T\end{array}\right]\&CenterDot;\left[F\right]\&CenterDot;\left[\begin{array}{c}{G}_0\\ G_1\\ .\\ .\\ .\\ G_7\end{array}\right]$

把矩阵F写成下述求和形式：

$\left[F\right]=\left[\begin{array}{cccc}F\left(\mathrm{0,0}\right)& 0& ...& 0\\ 0& 0& ...& 0\\ ...& & & \\ 0& 0& ...& 0\end{array}\right]+\left[\begin{array}{cccccc}0& & F\left(\mathrm{0,1}\right)& 0& ...& 0\\ 0& & 0& 0& ...& 0\\ & ...& & & & \\ 0& & 0& 0& ...& 0\end{array}\right]+...$

则有 $\begin{array}{c}f=\underset{u=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{v=0}{\overset{7}{\mathrm{\&Sigma;}}}\left\{\right[F(u,v)]\&CenterDot;{\left[G_u\right]}^T\&CenterDot;[G_v]\\ =\underset{u=0}{\overset{7}{\mathrm{\&Sigma;}}}\underset{v=0}{\overset{7}{\mathrm{\&Sigma;}}}\left\{\right[F(u,v)]\&CenterDot;[T_{\mathrm{uv}}\left]\right\}\end{array}---\left(2\right)$

其中，[T_uv]＝[G_u]^T×[G_v](u,v＝0,1,…,7)被称为变换系数F(u,v)对应的基本图像。式(2)的物理意义是：在以变换域系数F(u,v)作为加权系数的情况下，通过所有基本图像的线性组合可得到原图像矩阵[f]。

在式(2)计算的[F(u,v)]系数都经量化处理，一般量化后8×8子块的DCT系数中，只有少数的低频系数为非零值，其余大多数较高频率的变换系数都为零值，且有相当一部分非零值系数的值为±1，同时IDCT中各基本图像矩阵中的元素之间有很大的对称性。充分利用上述特征可大大减少式(2)的计算量。

经过解压的图像，显示在计算机的屏幕上，对于发送在屏幕上的监测图像，计算机能自动识别图像所摄取的裂缝与倾斜的具体确定位置，具体算法如下：

在监测系统中嵌入式空间来描述节点的位置，从一个监测节点1到网关节点2测量估计值在线性系统中来定位它的坐标。假设存在M个网关节点2，监测节点1S_i在M维的嵌入式空间中的坐标用估计值矢量值来表示：[P_i]＝[P_i1,P_i2,P_i3,…,P_iM]^T，[P_ij]表示节点i到节点j的测量值，[P_ii]＝0。整个嵌入式空间可以用一个M×M的估计矩阵来表示为[P]＝[P₁,P₂,…,P_M]。

同理，地理距离矢量表示为[L_i]＝[L_i1,L_i2,…,L_iM]^T，[L_ij]表示节点i到节点j的地理距离。则地理距离矩阵表示为[L]＝[L₁,L₂,…,L_M]。本发明的定位算法主要思想是构建一个最优线性变换[T]，提供一个从估计矩阵[P]到距离矩阵[L]的映射关系。未知节点在获得了一个估计矢量后，就可以利用这种映射关系来计算它的矢量距离，从而计算节点的位置坐标。[T]是一个M×M的矩阵，[T]的每一行通过最小化方差来得到。

$e_i=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{(l_{\mathrm{ik}}-t_i{p}_k)}^2={\left|\right|l_i^T-t_{i}p\left|\right|}^2$

[L₁,L₂,…,L_M]＝[T][P₁,P₂,…,P_M]

通过最小方差得到行矢量t₁:[T]＝[L][P][T]{[P][P]^T}^-1。

对监测的古建筑上的裂缝与倾斜进行图像刻度尺寸标注，并在图像处理软件中，应用刻度尺测量裂缝与倾斜的最宽处的尺寸为X1、最窄处的尺寸为X2、裂缝的两个端点的距离为X3。将每张传输图像的(X1、X2、X3)，连续变化情况由计算机自动绘制曲线，如果X1、X2、X3的值超过规定阈值，由计算机自动显示预警信息，并将预警信息发送至工作人员的手机上。同时根据(X1、X2、X3)的数值应用拓灰色预测模型(EGM(1，1))对古建筑中的裂缝与倾斜发展趋势进行预测。

拓灰色预测模型(EGM(1，1))充分利用裂缝与倾斜的形状尺寸参数X₁，X₂，X₃把随时间变化的尺寸累加求和，生成新数列，用一条适当曲线逼近，逼近曲线还原后即为拓灰色预测模型。设有一组不等时距的离散数据：

X⁽⁰⁾＝x⁽⁰⁾(t₁),x⁽⁰⁾(t₂),...,x⁽⁰⁾(t_n)

式中t_i(i＝1,2,...,n)为离散数据对应的时间。

为解决数据列差与时间差的非线性性，在等时距的GM(1,1)模型基础上，要求预测值与原始值近似相等，提出如下方程组：

$\left\{\begin{array}{c}{x}^{\left(0\right)}\left(t_i\right)=c(1-e^a)e^{-{\mathrm{at}}_i}\\ x^{\left(0\right)}\left(t_j\right)=c(1-e^a)e^{-a{t}_j}\end{array}\right.,i=\mathrm{2,3},...,n-1;j=i+1,...,n$

解上式得：

$a_{\mathrm{ij}}=\frac{1}{t_i-t_j}\ln \frac{x^{\left(0\right)}\left(t_j\right)}{x^{\left(0\right)}\left(t_i\right)}$

得出的a_ij求和取均值： $\hat{a}=\frac{1}{{(n-1)}^2}\underset{i=2}{\overset{m-1}{\mathrm{\&Sigma;}}}\underset{j=i+1}{\overset{m}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}$

解得： $x^{\left(0\right)}\left(t_i\right)=c_i(1-e^{\hat{a}})e^{-\hat{a}{t}_i},i=\mathrm{1,2},...,n$

根据上式，求得c_i，累加求和取平均值：

$\hat{c}=\frac{1}{n-1}{c}_i$

最后解得拓灰色预测模型： ${\hat{x}}^{\left(0\right)}\left(t_i\right)={\hat{c}}_i(1-e^{\hat{a}})e^{-\hat{a}{t}_i}.$

Claims (4)

1.一种大型古建筑裂缝与倾斜变化定量监测系统，由监测节点(1)、网关节点(2)、监测中心电子计算机(5)组成，其特征在于，监测节点(1)分布设置在古建筑上或需要监测处的附件物体上，特别是古建筑的裂缝或/和倾斜处，监测节点(1)包括带有摄像传感器(6)的ZigBee无线传感网络节点，监测节点(1)经网关节点(2)通过GPRS网络(3)与Internet网络(4)连接监测中心电子计算机(5)，将古建筑裂缝与倾斜的图像信息实时传输到监测中心电子计算机(5)中，在计算机屏幕上自动显示所监测的各具体确实位置的古建筑裂缝与倾斜的变化值，变化值超出规定阈值，计算机自动预警，同时将预警发送至操作人员手机上，利用计算机预测古建筑裂缝与倾斜的发展趋势。

2.根据权利要求1所述一种大型古建筑裂缝与倾斜变化定量监测系统，其特征在于，监测节点(1)由以下部件组成：摄像传感器(6)、信号调理电路(7)、基于ZigBee通信协议的射频发射模块(8)，其中摄像传感器(6)通过信号调理电路(7)与基于ZigBee通信协议的射频发射模块(8)连接，且均与光电源(11)连接，光电源(11)上连有电源管理芯片(12)，统一控制供电。

3.根据权利要求1所述一种大型古建筑裂缝与倾斜变化定量监测系统，其特征在于，网管节点(2)由以下部件：基于ZigBee通信协议的射频接受模块(8)、微处理器(13)、SIM卡座(15)、GPRS模块(16)顺次连接而成，它们均由风光电源(14)供电，并由电源管理芯片(12)统一执行供电管理。

4.权利要求1、2或3所述一种大型古建筑裂缝与倾斜变化定量监测系统的预测方法，运用灰色预测方法，其特征在于，拓灰色预测模型充分利用裂缝与倾斜的形状尺寸参数X1、X2、X3把随时间变化的尺寸累加求和，生成新的序列，用一条曲线逼近，逼近曲线还原后即为拓灰色预测模型。