CN107119657B - 一种基于视觉测量基坑监测方法 - Google Patents

Abstract

本发明公开了一种基于视觉测量基坑监测方法，包括以下步骤：S101布置检测点；S102确定监测精度、监测项目和监测频率；S103获取数字彩色图像后进行灰度转换，然后通过噪声去除、多靶点区域识别、靶点中心计算获取多个靶点中心的最优坐标；S104采用误差补偿减少相机标定误差，提高识别精度；S105建立面向建筑工程领域的层次构件库，然后基于三维相似性进行构件搜索，实现参数化的三维模型实时仿真；S106使用BP神经网络建立基坑变形预测模型,对基坑可能发生的结构变形进行估计和预警。本发明用靶点中心优化技术提高识别度，再运用误差补偿从减少相机标定误差的角度来提高识别精度。

Description

一种基于视觉测量基坑监测方法

技术领域

本发明涉及基坑监测领域，具体涉及一种基于视觉测量基坑监测方法。

背景技术

基坑监测是指在施工及使用期限内，对建筑基坑及周边环境实施的检查、监控工作。基坑安全是基坑施工的关键,基坑安全有各种关联因素，基坑的安全性不仅依赖于科学合理的基坑设计、详细周密的地质勘察、精心细致的施工作业,还与外界环境对基坑土体的影响紧密相关。在基坑开挖的施工过程中，基坑内外的土体由原来的静止土压力状态向主动力土压力状转变，应力状态的改变引起的变形，即使采取支护措施，一定数量的变形总是难以避免的。这些变形包括：深基坑坑内土体的隆起，基坑支护结构以及周围土体的沉降和侧向位移。无论那种位移的量超出了某种容许的范围，都将对基坑支护结构造成危害。因此，在基坑施工过程中，只有对基坑支护结构、基坑周围的土体进行综合、系统的监测，才能对工程情况有全面的了解，确保工程顺利进行。

由于地下土体性质、荷载条件、施工环境的复杂性，单单根据地质勘察资料和室内土工试验参数来确定设计和施工方案，往往含有许多不确定因素，对在施工过程中引发的土体性状、环境、邻近建筑物、地下设施变化的监测已成了工程建设必不可少的重要环节，同时也是指导正确施工的眼睛，是避免事故发生的必要措施，是一种信息技术。当前，基坑监测与工程的设计、施工同被列为深基坑工程质量保证的三大基本要素。

基坑监测受到很多因素的影响，现在的基坑监测工作主要还停留在人工阶段，即通过一定频率的对基坑工程现场采集数据，进行行业处理，然后提供纸质或者电子的数据报告。国内基坑监测技术应用较广泛，目前绝大多数深基坑工程都进行了施工期监测，通过设定监测项目的控制值，监测和保障基坑施工和周边环境的安全。相关的文献资料也较多，如利用近景摄影测量监测深基坑支护结构位移的新技术、基于人工神经网络的建筑物沉降预测、RBF神经网络在深基坑监测预测中的运用、非固定站二次基准差分法基坑监测技术、城市基坑工程施工控制及其环境监测和深基坑工程监测与控制等。但是，目前能够真正成功实施信息化施工的城市基坑项目并不多见。大多数的基坑监测工作只是起到了一些简单的反馈作用，并不能最终使监测成果的反馈达到更深的层次。目前多数监测单位重视仪器埋设、数据采集，轻视数据分析和反馈，仅仅满足于收集资料和提交数据、报表，进行简单分析，判断是否超过控制值以报警，不能结合施工和地质情况对监测成果进行充分、深入的理论分析，导致花费大量人力物进行的监测工作不能真正发挥优化设计和及时反馈指导施工的作用。

发明内容

本发明的目的在于克服现有技术存在的以上问题，提供一种基于视觉测量基坑监测方法，本发明在基于视觉测量的基础上对基坑进行监测，先用靶点中心优化技术从中心本身的优化来提高识别度，再运用误差补偿从减少相机标定误差的角度来提高识别精度。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于视觉测量基坑监测方法，包括以下步骤：

S101布置检测点:采用道钉或带有十字丝的钢筋作为检测点，检测点用混凝土加固；

S102确定监测精度、监测项目和监测频率；

S103优化中心定位：获取数字彩色图像后进行灰度转换，然后通过噪声去除、多靶点区域识别、靶点中心计算获取多个靶点中心的最优坐标；

S104采用误差补偿减少相机标定误差，提高识别精度；

S105建立面向建筑工程领域的层次构件库，然后基于三维相似性进行构件搜索，实现参数化的三维模型实时仿真；

S106使用BP神经网络建立基坑变形预测模型,对基坑可能发生的结构变形进行估计和预警。

优选地，S102中确定监测精度，首先在基坑开挖前进行基坑工程监测准备工作，在基坑开挖之前测初始值，至少连续三次测得数值一致后确定为初始值。

优选地，S103中采用粗糙K均值聚类算法，通过噪声去除、多靶点区域识别、靶点中心计算获取多个靶点中心的最优坐标。

优选地，粗糙K均值聚类算法RoughKmeans(U,n,K,e)，其中输入用U表示，n表示U中元素个数，K表示聚类数目，e表示用于设定边界区域的阈值；输出：聚类结果

优选地，粗糙K均值聚类算法包括：

1 M_j＝random(U),其中j＝1,2,…,k

2 for i＝1to n do

3 for j＝1to k do

4 d＝|X_i-M_j|

5 if d<d_min&&d<e then

6 V_j＝X_i U V_j

7 d_min＝d

8 endif

9 endfor

10 endfor

11 for j＝1to k do

12 r_j＝getRadius(V_j)

13 for i＝1to n do

14 f_i ^j＝getImpact(X_i,r_j)

15 updateCenter(f_i ^j,V_j)

16 endfor

17 endfor

18 t＝t+1

19 if t>T||isStable(V)then

20 end；

21 else

22 goto Line2

23 endif

其中，M为初始类中心集合，M含k个元素，|Xi-Mj|为Xi到类中心Mj的距离，d为当前元素到指定类中心的距离，dmin为当前最小距离，V1,2…K为K个集合的划分,t为迭代计数器，t初始化为0；

第1行中random()函数在数据集U中随机选取K个样本作为初始化类中心；

第2-10行根据初始化类中心，对U中的样本进行划分，对于任意Xi∈U，首先寻找与其距离最近的类心m，然后根据阈值e判定Xi属于第k类的下近似或边界区域；

第11-18行中用getRadius()函数计算各类的半径参数rj，然后根据当前的数据划分状态用getImpact()计算每一个样本Xi对应其各可能所属类的影响；

最后用重新计算隶属度，并依据式(1)用updateCenter()函数更新对应的类质心；

第19-23行若聚类趋于稳定或迭代次数超过阈值，则算法结束输出结果，否则转至Line2。

优选地，首先分析了影响相机标定误差的因素，采集了现场图像数据库，中现场图像数据库中提取颜色、局部Gabor特征、全局关联三类特征，三类特征共154项，建立支持向量机误差估计模型。

优选地，基于三维相似性进行构件搜索的算法包括：

首先通过遍历领域层次数据库H找出满足用户提交要求HK的构件层次子集L；然后在集合L中，结合用户提交的多属性AKs查询值，计算集合L中的每个构件元素的属性匹配程度，找出满足用户属性值要求的构件交集C；

Input:domain hiberarchy database H,submitted hiberarchy

key HK,submitted attribute keys set Aks

Output:sub-component set C；

1 Scan H to find sub-hiberarchy set L by HK；

2 C＝L；

3 for each item a in Aks{

4 //三维构件相似检索匹配扩展子算法

5 CTemp＝C；

6 for each item c in C{

7 if(NA(Ak,c)<Sim)

8 CTemp＝CTemp-c；

9 }

10 C＝CTemp；

11 }

12 return C。

优选地，S106中使用BP神经网络建立基坑变形预测模型包括：

S201样本数据的选择和处理；

S202网络结构的确定：包括输入层、隐含层节点数、输出层；

S203网络的建立和参数的选择：包括训练函数、输出函数、最大训练步数、训练目标误差、学习速率；

S204训练网络并评价网络的性能；

S205预测基坑结构变形。

本发明的有益效果是:

1.本发明基坑监测以视觉测量出发从软件算法角度实现亚像素级别的靶点中心定位，使用多目标化优化靶点中心的方法识别监测点中心，有效地提高了测量精度。

2.本发明运用了一种基于多维特征的相机标定误差补偿方法的介绍来探讨该方法在基坑变形监测试验中的应用，为基坑健康监测方案提供一个新思路。

3.本发明基于多维特征的误差补偿从减少相机标定误差，兼顾了局部特征与全局特征，并利用现场图像的关联特征，采用支持向量回归实时估计每幅采集图像的补偿量，补偿后的光靶中心更接近于理想光靶中心。

4.本发明根据上传的监测数据对监测点进行数据统计以及分析，自动生成各期位移量、位移速率和累计位移量。系统可以设定报警值，如果某项监测数据的分析结果超过预定的报警值，系统将会自动报警。

5.本发明引入基于多维特征摄像机的校准误差补偿方法，探讨基础上本项目变形监测试验的应用方法，为健康监测方案的基础提供了新的思路，也为规范安全管理提供了预防提供技术支持。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。

附图说明

为了更清楚地说明本发明实施例技术中的技术方案，下面将对实施例技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明基于模糊神经网络结构变形预测流程图；

图2 C2点水平位移折线图；

图3 C2点竖直位移折线图；

图4 C6点水平位移折线图；

图5 C6点竖直位移折线图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本实施例中公开了一种基于视觉测量基坑监测方法，包括以下步骤：

S101布置检测点:采用道钉或带有十字丝的钢筋作为检测点，检测点用混凝土加固；

S102确定监测精度、监测项目和监测频率；

S103优化中心定位：获取数字彩色图像后进行灰度转换，然后通过噪声去除、多靶点区域识别、靶点中心计算获取多个靶点中心的最优坐标；

S104采用误差补偿减少相机标定误差，提高识别精度；

S105建立面向建筑工程领域的层次构件库，然后基于三维相似性进行构件搜索，实现参数化的三维模型实时仿真；

S106使用BP神经网络建立基坑变形预测模型,对基坑可能发生的结构变形进行估计和预警。

实施例2

实施例2中的具体的监测方案以实施例1中公开的方法为基础，具体包括：

1、监测点布置

为了准确反映围护结构顶部水平、垂直位移情况，控制每个结构类型断面处变形情况，对围护结构顶部埋设监测点进行监测，采用道钉或长约10cm带有十字丝的钢筋标志做点，点位采用混凝土加固。

2、基坑监测与仿真模拟

2.1提高测量精度的方案

2.1.1多目标化优化靶点中心

为了提高测量精度，本实施例中首先使用多目标化优化靶点中心的方法识别监测点中心。

在本实施例中采用了一种基于粗糙K均值的多靶点中心优化技术，利用粗糙集模糊计算的能力，结合K均值算法寻找聚类中心的鲁棒性，来优化中心的定位。

采用粗糙K均值聚类算法，通过噪声去除、多靶点区域识别、靶点中心计算获取多个靶点中心的最优坐标。

其中粗糙K均值聚类算法如下：

算法第1行中random()函数在数据集U中随机选取K个样本作为初始化类中心；第2‐10行根据初始化类中心，对U中的样本进行划分，对于任意Xi∈U，首先寻找与其距离最近的类心m，然后根据阈值e判定Xi属于第k类的下近似或边界区域；第11‐18行中用getRadius()函数计算各类的半径参数rj，然后根据当前的数据划分状态用getImpact()计算每一个样本Xi对应其各可能所属类的影响；最后用重新计算隶属度，并依据式(1)用updateCenter()函数更新对应的类质心；第19‐23行若聚类趋于稳定或迭代次数超过阈值，则算法结束输出结果，否则转至Line2。

设对于有m×n个像素的图像来说，F(x,y)表示x,y处的灰度值，g(i,j)表示i,j时的高斯滤波系统，I(x,y)为经过高斯滤波后的图像数据，其中，x＝1,…,m,y＝1,…,n。

其中

2.2监测数据分析、仿真与预警融合技术

为了解决传统方案重测量、轻预警的问题，本项目从两个层次充分挖掘了监测大数据中的有用信息。首先，利用三维虚拟技术将监测数据融合到监测现场真实再现中；其次，本项目挖掘监测大数据中的关键规则，对可能的结构安全隐患进行预警。

(1)基于监测数据的参数适配三维仿真技术

现有的工程三维仿真方法存在复用率低、参数不可调的问题，这造成了仿真建模速度慢，而且无法实现实时模拟对象的结构变化。由此，在本项目中建立了面向建筑工程领域的层次构件库，基于三维相似性进行构件搜索，最终实现参数化的三维模型实时仿真。

鉴于构件的层次结构，本质上可以归为一类树形结构，所以，基于构件层次结构的枚举检索可以借鉴树形搜索算法来实现。有关树形搜索算法的研究现有的成果较多，相对比较成熟。

本系统采用一类基于深度优先的搜索策略，三维构件枚举检索的基本算法2所示：算法2首先通过遍历领域层次数据库H找出满足用户提交要求HK的构件层次子集L；然后在集合L中，结合用户提交的多属性AKs查询值，计算集合L中的每个构件元素的属性匹配程度，找出满足用户属性值要求的构件交集C。

(2)深度挖掘测量大数据中有用信息，准确预警了基坑结构形变的安全隐患。

基坑结构变形监测是一种事后行为，当监测到变形时，基坑结构的变形已经发生。工程安全除了需要及时的发现结构变形外，更有利的情况是能对可能发生的结构变形进行估计和预警，以实现在变形之前能采取措施，防止结构变形的发生。工程中较常用的方法是根据施工动态的监测数据对沉降值进行推算，以期提高预测的精度。常用的推算方法如指数曲线法、双曲线预测、灰色理论等。然而，许多观测实例表明，指数曲线法预测的结果往往偏小，而双曲线预测的结果又往往偏大。另外，灰色理论也受限于非等时距，以及观测值累加生成时常不具有指数规律等情况。目前，随着机器学习、人工智能的普遍应用，结合计算机软件研究结构变形规律已成为趋势，其将大大提升研究效率，有效提高预测精度。

本实施例中采用一种基于模糊神经网络的结构变形预测技术，主要流程如图1所示。

使用BP神经网络建立基坑变形预测模型过程为：S 201样本数据的选择和处理；

S202网络结构的确定：包括输入层、隐含层节点数、输出层；

S203网络的建立和参数的选择：包括训练函数、输出函数、最大训练步数、训练目标误差、学习速率；

S204训练网络并评价网络的性能；

S205预测基坑结构变形。

实施例3

实施例针对某大型深基坑支护工程的设计及施工，应用该系统完成了前期的三维设计仿真、施工过程实时模拟仿真等工作，取得了较好的空间表现效果。

用本方法模拟得到的基坑支护结构变形数据和实际采集的数据的比较结果见表一。数据误差较小，充分表明仿真结果数据与实际数据具有高度的一致性，客队基坑支护工程的隐患起到预警作用。

表2：不同时间点的基坑测量结果

为了更加直观地看出监测点的水平位移和竖直位移变化误差，选取其中两个监测点作折线图，并且C2点与C6点相距较远，如图2-5所示。

本实施例基坑监测以视觉测量出发从软件算法角度实现亚像素级别的靶点中心定位，使用多目标化优化靶点中心的方法识别监测点中心，有效地提高了测量精度。

本实施例运用了一种基于多维特征的相机标定误差补偿方法的介绍来探讨该方法在基坑变形监测试验中的应用，为基坑健康监测方案提供一个新思路。

本实施例基于多维特征的误差补偿从减少相机标定误差，兼顾了局部特征与全局特征，并利用现场图像的关联特征，采用支持向量回归实时估计每幅采集图像的补偿量，补偿后的光靶中心更接近于理想光靶中心。

本实施例根据上传的监测数据对监测点进行数据统计以及分析，自动生成各期位移量、位移速率和累计位移量。系统可以设定报警值，如果某项监测数据的分析结果超过预定的报警值，系统将会自动报警。

本实施例引入基于多维特征摄像机的校准误差补偿方法，探讨基础上本项目变形监测试验的应用方法，为健康监测方案的基础提供了新的思路，也为规范安全管理提供了预防提供技术支持。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (1)

1.一种基于视觉测量基坑监测，其特征在于，包括以下步骤：

S101布置检测点:采用道钉或带有十字丝的钢筋作为检测点，检测点用混凝土加固；

S102确定监测精度、监测项目和监测频率；

S103优化中心定位：获取数字彩色图像后进行灰度转换，然后通过噪声去除、多靶点区域识别、靶点中心计算获取多个靶点中心的最优坐标；S103中采用粗糙K均值聚类算法，通过噪声去除、多靶点区域识别、靶点中心计算获取多个靶点中心的最优坐标；

S104采用误差补偿减少相机标定误差，提高识别精度；S104中，首先分析了影响相机标定误差的因素，采集了现场图像数据库，中现场图像数据库中提取颜色、局部Gabor特征、全局关联三类特征，三类特征共154项，建立支持向量机误差估计模型；

S105建立面向建筑工程领域的层次构件库，然后基于三维相似性进行构件搜索，实现参数化的三维模型实时仿真；其中，基于三维相似性进行构件搜索的算法包括：

首先通过遍历领域层次数据库H找出满足用户提交要求HK的构件层次子集L；然后在集合L中，结合用户提交的多属性AKs查询值，计算集合L中的每个构件元素的属性匹配程度，找出满足用户属性值要求的构件交集C；

S106使用BP神经网络建立基坑变形预测模型,对基坑可能发生的结构变形进行估计和预警；

S102中确定监测精度，首先在基坑开挖前进行基坑工程监测准备工作，在基坑开挖之前测初始值，至少连续三次测得数值一致后确定为初始值；

S106中使用BP神经网络建立基坑变形预测模型包括：

S 201样本数据的选择和处理；

S202网络结构的确定：包括输入层、隐含层节点数、输出层；

S203网络的建立和参数的选择：包括训练函数、输出函数、最大训练步数、训练目标误差、学习速率；

S204训练网络并评价网络的性能；

S205预测基坑结构变形。