CN108122248B - 基于视频测量的大坝自振频率识别方法 - Google Patents
基于视频测量的大坝自振频率识别方法 Download PDFInfo
- Publication number
- CN108122248B CN108122248B CN201810037210.6A CN201810037210A CN108122248B CN 108122248 B CN108122248 B CN 108122248B CN 201810037210 A CN201810037210 A CN 201810037210A CN 108122248 B CN108122248 B CN 108122248B
- Authority
- CN
- China
- Prior art keywords
- dam
- vibration frequency
- video
- aerial vehicle
- unmanned aerial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于视频测量的大坝自振频率识别方法,省时省力,节约成本,并且可提供较高的空间分辨率,其特征在于,包括以下步骤:通过无人机上安装的无线加速度传感器获取无人机自身振动频率;操控无人机飞行至坝顶上空,用无人机上安装的摄像机对坝顶面进行拍摄,应拍摄到坝顶边缘部分,获得坝顶振动视频;从坝顶振动视频中提取出包含坝顶边缘影像的稳定视频;基于相位的运动估计算法对稳定视频进行处理,获取坝顶边缘运动信息;通过频域分解法对坝顶边缘运动信息进行处理并提取振动频率,并从提取出的振动频率中剔除无人机自身振动频率,得到大坝自振频率。
Description
技术领域
本发明涉及一种基于视频测量的大坝自振频率识别方法。
技术背景
作为一种挡水结构,大坝对于社会具有明显的政治经济效益。它在拦洪、航运、灌溉以及发电等方面发挥着重要作用。但是在大坝服役期间,可能会由于材料老化、地震、恐怖袭击、扩机工程反复爆破开挖振动扰动以及人为因素等造成不同程度的损伤,导致其不能完全发挥设计效益,更严重的是,它会严重威胁下游居民的人身安全。因此,大坝安全监测具有非常重要的现实意义。
大坝的动力特性(自振频率、振型及阻尼比)识别是进行安全监测的重要途径之一。传统的大坝动力特性识别方法有强迫振动测试和环境振动测试,通过获取坝体的运动加速度从而得到其动力特性。对于传统的振动测试,需要在大坝上安装大量的加速度传感器,这项工作耗时耗力。而且传统监测中加速度传感器通常安装在廊道和坝顶,其它部位很难安装。同时需要考虑数据传输及设备供电等问题。另外,由于传感器的布置相对于大坝而言是稀疏的,获取的数据空间分辨率较低。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于视频测量的大坝自振频率识别方法,省时省力,节约成本,并且可提供较高的空间分辨率。
本发明为了实现上述目的,采用了以下方案:
本发明提供一种基于视频测量的大坝自振频率识别方法,其特征在于,包括以下步骤:通过无人机上安装的无线加速度传感器获取无人机自身振动频率;操控无人机飞行至坝顶上空,用无人机上安装的摄像机对坝顶面进行拍摄,应拍摄到坝顶边缘部分,获得坝顶振动视频;从坝顶振动视频中提取出包含坝顶边缘影像的稳定视频;基于相位的运动估计算法对稳定视频进行处理,获取坝顶边缘运动信息;通过频域分解法对坝顶边缘运动信息进行处理并提取振动频率,并从提取出的振动频率中剔除无人机自身振动频率,得到大坝自振频率。
进一步,本发明提供的基于视频测量的大坝自振频率识别方法,还可以具有以下特征:摄像机的采样频率为50Hz~100Hz,从而保证后续处理可以提取出大坝前几阶重要频率。
进一步,本发明提供的基于视频测量的大坝自振频率识别方法,还可以具有以下特征:坝顶边缘部分为坝顶面的内侧或外侧边缘部分。
进一步,本发明提供的基于视频测量的大坝自振频率识别方法,还可以具有以下特征:稳定视频的时长为20s~200s。
进一步,本发明提供的基于视频测量的大坝自振频率识别方法,还可以具有以下特征:在对稳定视频进行处理时,应沿着坝顶边缘选取多个子区域,然后采用运动估计算法对各个子区域进行处理,进而获得每个子区域对应的相位信息。
进一步,本发明提供的基于视频测量的大坝自振频率识别方法,还可以具有以下特征:通过滤波器将稳定视频的每一帧图像I(x,y,t)映射到复域C,将复域C的图像进一步通过极坐标形式表示为局部幅值A与的乘积,式中为局部相位,包含着图像的局部位移信息;通过计算稳定视频中各帧与第一帧的相位差估算出各部位的相位信息。
进一步,本发明提供的基于视频测量的大坝自振频率识别方法,还可以具有以下特征:子区域应均匀选取十二个。
进一步,本发明提供的基于视频测量的大坝自振频率识别方法,还可以具有以下特征:大坝自振频率至少包含大坝的前五阶自振频率。
发明的作用与效果
1、本发明不需在坝体上安装其他加速度或速度传感器,仅通过获取的大坝运动视频即可提取各像素点的运动信息,进而计算出大坝的自振频率,该方法可节约大量人力物力财力。同时该方法可以解决大坝很多部位无法安装加速度传感器的问题。
2、本发明中对于运动信息的提取采用了基于相位的运动估计算法,该方法对于小位移较敏感,即使环境激励较小,坝顶运动不明显,仍然能够精确识别大坝自振频率。
3、本发明所获取视频中每一个坝顶边缘像素点均可视为一个虚拟传感器,因而可提供较高的空间分辨率,可以满足后续的模型更新、损伤识别等要求。
附图说明
图1为本发明实施例中无人机拍摄大坝振动过程示意图;
图2为本发明实施例中基于视频测量的大坝自振频率识别方法的流程图。
图中各部件标号如下:
1-重力坝,2-无人机,3-无线加速度传感器,4-无人机操控平台,5-摄像机;6-无人机拍摄区域,7-无人机飞行路线,8-环境荷载。
具体实施方式
以下结合附图对本发明涉及的基于视频测量的大坝自振频率识别方法的具体实施方案进行详细地说明。
<实施例>
如图1所示,某混凝土重力坝1坝高103m,坝顶宽度14.8m,上游蓄水位深93.0m,下游蓄水位深32.0m。为测量其自振频率,采用大疆M600PRO无人机2对大坝振动过程进行拍摄,如图2所示,本实施例中,基于视频测量的大坝自振频率识别方法的具体步骤如下:
步骤1:采集无人机无自振频率
首先将无线加速度传感器3固定于无人机2机身,采集无人机2自身振动。为减小无线加速度传感器3对于无人机2飞行的影响,本实施例中,无线加速度传感器3采用体积小、重量轻、低功耗、高灵敏度的微机电系统传感器。
步骤2:操控无人机
由技术人员通过无人机操控平台4对无人机2进行操控,将无人机2飞至重力坝1的坝顶上空位置。
步骤3:拍摄坝顶振动视频
将无人机2上预装的摄像机5角度调至竖直向下,对准于坝顶平面,调整无人机2高度及摄像机5的焦距,使尽可能多的坝顶区域进入相机视野,同时要保证拍摄清晰度。考虑到后续运动信息提取算法的要求,坝顶边缘部分(内外两侧边缘均可)需要拍摄清晰。本实施例中,采用的摄像机5为云台相机,将相机采样频率设定为50Hz即可开始拍摄,获得坝顶振动视频。
步骤4:处理振动视频
将拍摄到的坝顶振动视频进行剪切预处理,获取包含坝顶边缘振动情况的稳定视频,该段视频应尽量稳定,时长为40s即可,这样可以提高后续处理效率。
步骤5:获取坝顶边缘运动信息
通过Gabor滤波器将获取到的稳定视频中的每一帧图像I(x,y,t)都映射到复域C,复域C的图像可进一步通过极坐标形式表示为局部幅值A与的乘积,其中为局部相位,其包含着图像的局部位移信息。通过稳定视频各帧与第一帧的相位差,结合时间历程,即可得到局部相位的时程曲线,进而可以估计出大坝各部位的运动信息。由于该算法对于锐利的边缘部分比较敏感,需沿坝顶边缘平均选取十二个子区域,然后提取对应的运动信息(局部相位)。
步骤6:识别大坝自振频率
将提取的数个坝顶子区域的运动信息通过频域分解的方法进行处理,从而提取振动频率,考虑到无人机2的自身振动会反映到坝顶振动视频里,影响识别精度,需要对机身无线加速度传感器3数据进行处理,从提取出的振动频率中剔除无人机自身振动频率,最终得到大坝自振频率,这里大坝自振频率包含重力坝1的前五阶自振频率。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的基于视频测量的大坝自振频率识别方法并不仅仅限定于在以上实施例中所描述的内容,而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换,都在本发明的权利要求所要求保护的范围内。
Claims (5)
1.一种基于视频测量的大坝自振频率识别方法,其特征在于,包括以下步骤:
通过无人机上安装的无线加速度传感器获取无人机自身振动频率;
操控所述无人机飞行至坝顶上空,用所述无人机上安装的摄像机对坝顶面进行拍摄,应拍摄到坝顶边缘部分,获得坝顶振动视频;
从所述坝顶振动视频中提取出包含坝顶边缘影像的稳定视频;
基于相位的运动估计算法对所述稳定视频进行处理,获取坝顶边缘运动信息;
通过频域分解法对所述坝顶边缘运动信息进行处理并提取振动频率,并从提取出的振动频率中剔除所述无人机自身振动频率,得到大坝自振频率,
其中,在对所述稳定视频进行处理时,应沿着坝顶边缘选取多个子区域,然后采用运动估计算法对各个子区域进行处理,进而获得每个子区域对应的相位信息作为运动信息;子区域应均匀选取十二个;
2.根据权利要求1所述的基于视频测量的大坝自振频率识别方法,其特征在于:其中,所述摄像机的采样频率为50Hz~100Hz。
3.根据权利要求1所述的基于视频测量的大坝自振频率识别方法,其特征在于:其中,所述坝顶边缘部分为坝顶面的内侧或外侧边缘部分。
4.根据权利要求1所述的基于视频测量的大坝自振频率识别方法,其特征在于:其中,所述稳定视频的时长为20s~200s。
5.根据权利要求1所述的基于视频测量的大坝自振频率识别方法,其特征在于:其中,所述大坝自振频率至少包含大坝的前五阶自振频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810037210.6A CN108122248B (zh) | 2018-01-15 | 2018-01-15 | 基于视频测量的大坝自振频率识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810037210.6A CN108122248B (zh) | 2018-01-15 | 2018-01-15 | 基于视频测量的大坝自振频率识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108122248A CN108122248A (zh) | 2018-06-05 |
CN108122248B true CN108122248B (zh) | 2020-04-24 |
Family
ID=62233867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810037210.6A Active CN108122248B (zh) | 2018-01-15 | 2018-01-15 | 基于视频测量的大坝自振频率识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108122248B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706198B (zh) * | 2019-08-19 | 2023-04-28 | 同济大学 | 基于无人机对大型建筑机器人的振动检测系统 |
CN110598282B (zh) * | 2019-08-28 | 2023-05-23 | 广东工业大学 | 一种基于应变振型和深度学习的结构损伤识别方法 |
CN110806257A (zh) * | 2019-10-22 | 2020-02-18 | 同济大学 | 一种基于移动平台的结构振动测量设备 |
CN111986238B (zh) * | 2020-08-03 | 2022-08-19 | 长江勘测规划设计研究有限责任公司 | 一种基于无人机视频拍摄的混凝土拱坝模态振型识别方法 |
CN112781717B (zh) * | 2020-12-31 | 2023-06-23 | 长江勘测规划设计研究有限责任公司 | 一种复杂建筑结构自振特性测量方法 |
CN113343554B (zh) * | 2021-04-15 | 2023-04-25 | 长江勘测规划设计研究有限责任公司 | 一种拱坝水下毁伤识别方法、终端设备及存储介质 |
CN117702714A (zh) * | 2024-02-05 | 2024-03-15 | 中科信德建设有限公司 | 一种基于振冲碎石桩处理的水库坝体结构稳固性监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1991357A (zh) * | 2005-12-29 | 2007-07-04 | 中国葛洲坝水利水电工程集团有限公司 | 基于爆破源的大坝无损检测系统 |
CN102562163A (zh) * | 2011-12-22 | 2012-07-11 | 中国神华能源股份有限公司 | 一种防洪坝系的安全性检测方法 |
CN203479752U (zh) * | 2013-09-10 | 2014-03-12 | 河海大学 | 一种压电陶瓷机敏模块及水工混凝土结构健康监测试验平台 |
CN103946732A (zh) * | 2011-09-26 | 2014-07-23 | 微软公司 | 基于对透视、近眼显示器的传感器输入的视频显示修改 |
CN203960823U (zh) * | 2014-05-27 | 2014-11-26 | 青岛华辰工业科技有限公司 | 橡胶坝用扰流减振结构 |
CN205313975U (zh) * | 2015-12-29 | 2016-06-15 | 乔霈 | 一种基于四翼无人机的桥梁检测系统 |
CN205981115U (zh) * | 2016-08-01 | 2017-02-22 | 长安大学 | 一种光电式振弦传感器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9587535B2 (en) * | 2015-04-09 | 2017-03-07 | K&N Engineering, Inc. | Drone elimination muffler |
-
2018
- 2018-01-15 CN CN201810037210.6A patent/CN108122248B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1991357A (zh) * | 2005-12-29 | 2007-07-04 | 中国葛洲坝水利水电工程集团有限公司 | 基于爆破源的大坝无损检测系统 |
CN103946732A (zh) * | 2011-09-26 | 2014-07-23 | 微软公司 | 基于对透视、近眼显示器的传感器输入的视频显示修改 |
CN102562163A (zh) * | 2011-12-22 | 2012-07-11 | 中国神华能源股份有限公司 | 一种防洪坝系的安全性检测方法 |
CN203479752U (zh) * | 2013-09-10 | 2014-03-12 | 河海大学 | 一种压电陶瓷机敏模块及水工混凝土结构健康监测试验平台 |
CN203960823U (zh) * | 2014-05-27 | 2014-11-26 | 青岛华辰工业科技有限公司 | 橡胶坝用扰流减振结构 |
CN205313975U (zh) * | 2015-12-29 | 2016-06-15 | 乔霈 | 一种基于四翼无人机的桥梁检测系统 |
CN205981115U (zh) * | 2016-08-01 | 2017-02-22 | 长安大学 | 一种光电式振弦传感器 |
Also Published As
Publication number | Publication date |
---|---|
CN108122248A (zh) | 2018-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108122248B (zh) | 基于视频测量的大坝自振频率识别方法 | |
CN104200236B (zh) | 基于dpm的快速目标检测方法 | |
Lee et al. | Laboratory measurements of velocity and turbulence field behind porous fences | |
CN112016414A (zh) | 一种检测高空抛物事件的方法、装置及楼面智能监控系统 | |
CN111986238B (zh) | 一种基于无人机视频拍摄的混凝土拱坝模态振型识别方法 | |
Zaurin et al. | Integration of computer imaging and sensor data for structural health monitoring of bridges | |
CN106275410B (zh) | 一种防风扰无人机 | |
KR101811378B1 (ko) | 케이블 장력 측정 장치 및 방법 | |
CN106949936A (zh) | 利用双目视觉位移监测系统分析输电塔结构模态的方法 | |
CN105488101B (zh) | 一种获取空间地理环境信息的系统 | |
CN104821056A (zh) | 基于雷达与视频融合的智能警戒方法 | |
CN102955940B (zh) | 一种输电线路物体检测系统及方法 | |
CN109145696B (zh) | 一种基于深度学习的老人跌倒检测方法及系统 | |
KR102485227B1 (ko) | 인공지능 기반 홍수 예측 시스템 및 이를 이용한 홍수 예측 방법 | |
Chen et al. | Wing/body kinematics measurement and force and moment analyses of the takeoff flight of fruitflies | |
CN115014617B (zh) | 一种基于地基雷达的斜拉桥拉索索力同步监测方法 | |
CN108799011A (zh) | 对风电机组的叶片进行监测的设备和方法 | |
CN103049748B (zh) | 行为监测方法及装置 | |
Wang et al. | The moving vibration source perception using bionic lateral line system and data-driven method | |
Zhang et al. | Investigation of image edge detection techniques based flood monitoring in real-time | |
CN112597903B (zh) | 基于步幅测量的电力人员安全状态智能识别方法及介质 | |
KR101640527B1 (ko) | 단일객체의 크기를 추정하는 영상 감시장치 및 방법 | |
Mkhoyan et al. | Adaptive state estimation and real-time tracking of aeroelastic wings with augmented kalman filter and kernelized correlation filter | |
CN103093481A (zh) | 一种基于分水岭分割的静态背景下运动目标检测方法 | |
Yang et al. | Image analyses for video-based remote structure vibration monitoring system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |