CN109341903B - 一种基于计算机视觉中边缘识别的拉索索力测量方法 - Google Patents
一种基于计算机视觉中边缘识别的拉索索力测量方法 Download PDFInfo
- Publication number
- CN109341903B CN109341903B CN201811325595.2A CN201811325595A CN109341903B CN 109341903 B CN109341903 B CN 109341903B CN 201811325595 A CN201811325595 A CN 201811325595A CN 109341903 B CN109341903 B CN 109341903B
- Authority
- CN
- China
- Prior art keywords
- cable
- edge
- stay
- inhaul
- video
- 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
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/10—Measuring force or stress, in general by measuring variations of frequency of stressed vibrating elements, e.g. of stressed strings
- G01L1/103—Measuring force or stress, in general by measuring variations of frequency of stressed vibrating elements, e.g. of stressed strings optical excitation or measuring of vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
-
- 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
Abstract
本发明公开了一种基于计算机视觉中边缘识别的拉索索力测量方法,属于结构健康监测技术领域,无需到达结构以及在拉索上安装传感器,不会干扰结构正常运营,实现了非接触式多根拉索索力的同步测量,节约测试成本与时间;利用Sobel算子和Zernike矩相结合的边缘识别方法,可精确测量结构拉索的振动时程,可快速同步测量结构中多根拉索构件的振动特性和索力,此方法对环境条件如光照变化、拉索背景变化不敏感,可用于长期监测。
Description
技术领域
本发明涉及一种斜拉桥拉索振动特性和索力非接触式测量技术,属于结构健康监测技术领域。具体提供了一种基于计算机视觉中边缘识别的斜拉桥拉索振动特性和索力非接触式测量方法,可快速同步测量结构中多根拉索构件的振动特性和实时索力。
背景技术
拉索是斜拉桥结构中重要的结构构件。桥面板上的大部分自重和运行活载如车辆、人行荷载都通过拉索传递给塔柱,拉索索力直接影响控制整个桥面体系的内力分布。因此,拉索索力是评估此类结构整体安全状态的一个关键参数。
现在直接监测索力的方法,如使用液压千斤顶、荷重传感器,通常费用高,安装复杂。频率振动法是一种更常用的方法,基于弦振动理论中自振频率与索力之间的关系间接测量,相较于直接测试法具有简易快速经济的优点。通常将加速度传感器安装到拉索表面采集振动信号,继而识别出自振频率,但安装过程需接触结构本身,可能影响桥梁正常运营,且单个传感器只能同步测得单根拉索的索力。
基于计算机视觉的非接触式相机系统,提供了测量索振动特性和索拉力的新思路,具有安装快速、多索同步测量等优势。现有技术中,基于相关性的模板匹配法,需要选中视频图像中一矩形区域作为追踪目标,目标区域可能包含与索自身振动不一致的背景物如云、树枝,造成匹配失败或测量误差;基于梯度场的光流估计法,尽管已经在一些小跨、大跨桥梁应用中得到验证,但该方法对光照条件很敏感,无法实现长期稳定监测。因此,当前需要一种更有效更精确的基于计算机视觉的方法,监测拉索振动情况和索力。
发明内容
为解决上述问题,本发明公开了一种经济快速地测量斜拉桥结构中拉索构件振动特性和索力的方法,可快速同步测量结构中多根拉索构件的振动特性和索力,非接触式测量,测量数据精确,安全可靠,为结构安全状态评估提供理论依据。
为达到上述目的,本发明的技术方案如下:
一种基于计算机视觉中边缘识别的拉索索力测量方法,步骤如下:
S1:在合适的位置架设相机采集视频,确保结构中待测试的拉索构件均位于相机视野范围内;
S2:通过视频后处理分析提取出结构中拉索在视频图像中的运动时程;
S21:在视频初始帧中选定多个待追踪的拉索局部作为目标区域图像IROI;
针对每一帧图像中目标区域,利用边缘识别方法求出区域内拉索边缘点的位置和拉索的投影方向;
S22:利用Sobel算子初步确定可能的拉索边缘点,所得边缘点坐标精度为像素级别;具体实现方法是将横向、纵向模板和目标区域图像IROI分别做卷积,得到横向近似梯度以及纵向近似梯度继而求出梯度幅值矩阵根据一个给定阙值对梯度幅值矩阵G进行二值化处理,梯度幅值大于阈值的像素点为可能的边缘点
S23:利用Zernike矩修正拉索边缘点的坐标,所得精度为亚像素级别;具体实现方法是将目标区域图像IROI与三个Zernike矩模板Z00、Z11、Z20,尺寸为7×7,做卷积得到对应Zernike矩A00、A11、A20,求解出每个可能边缘点的边缘相关参数:边缘方向到模板中心的距离灰度差对边缘参数设置阙值,去除无效的像素点,对剩余的像素点做坐标优化其中xi r=xi 0+7/2×L×cosΦ,
S24:对优化后的边缘点集合做直线拟合,确定拉索在视频帧中的投影方向;
S25:给定拉索在视频帧中的运动方向,计算第k帧中拉索相对其在初始帧中的距离dk,继而得到拉索在视频图像中的运动时程{d1,d2,…,dn};
S3:识别拉索振动特性;利用Welch法计算出拉索运动时程信号的功率谱密度,再从功率谱密度曲线上提取峰值点位置作为拉索的自振频率;
本发明的有益效果是:
1、实现了非接触式测量,无需到达结构、在拉索上安装传感器,不会干扰结构正常运营,节约测试成本;
2、实现了多根拉索索力的同步测量,无需像传统传感器对拉索构件逐根测量,节省测试时间;
3、利用Sobel算子和Zernike矩相结合的边缘识别方法,可精确测量结构拉索的振动时程,使得本测试方法同时适用于人为激励和环境激励的情况;此方法对环境条件如光照变化、拉索背景变化不敏感,可用于长期监测。
附图说明
图1是本发明方法的流程图;
图2是在一人行斜拉桥采集的视频初始帧;
图3是人行桥上拉索C1在环境激励下振动时程;
图4是人行桥上拉索C1在环境激励下振动对应的功率谱密度。
具体实施方式
实施例:
以下结合技术方案,通过一个人行斜拉桥在环境激励下的案例来说明本发明的具体实施方式。
S1:在合适的位置架设相机采集视频,确保结构中待测试的拉索构件均位于相机视野范围内;使用的相机为GoPro Hero 4,截取的初始视频帧见图2;
S2:在视频初始帧中选定多个待追踪的拉索局部作为目标区域,如图2中桥一侧最长的两根拉索C1和C2;利用Sobel算子初步确定可能的拉索边缘点,所得边缘点坐标精度为像素级别;利用Zernike矩修正拉索边缘点的坐标,所得精度为亚像素级别;对优化后的边缘点集合做直线拟合,确定拉索在视频帧中的投影方向;假定拉索在视频帧中的运动方向为垂直于初始帧中拉索投影方向,得到拉索在视频图像中的振动时程,如图3所示;
S3:识别拉索振动特性,拉索C1在环境激励下的功率谱密度见图4,则一阶自振频率为1.67Hz;测得的拉索C2的一阶自振频率为2.14Hz;
S4:根据拉索索力和振动频率之间的关系,估算出拉索索力;已知拉索C1的长度l为66.701m,单位长度质量m为5.91kg/m,抗弯刚度EI为25.04kN·m2;拉索C2的长度l为55.328m,单位长度质量m为4.29kg/m,抗弯刚度EI为6.96kN·m2;估算出的拉索索力分别为293.3kN和240.5kN。
Claims (1)
1.一种基于计算机视觉中边缘识别的拉索索力测量方法,其特征在于:步骤如下:
S1:在合适的位置架设相机采集视频,确保结构中待测试的拉索构件均位于相机视野范围内;
S2:通过视频后处理分析提取出结构中拉索在视频图像中的运动时程;
S21:在视频初始帧中选定多个待追踪的拉索局部作为目标区域图像IROI;
针对每一帧图像中目标区域,利用边缘识别方法求出区域内拉索边缘点的位置和拉索的投影方向;
S22:利用Sobel算子初步确定可能的拉索边缘点,所得边缘点坐标精度为像素级别;具体实现方法是将横向、纵向模板和目标区域图像IROI分别做卷积,得到横向近似梯度以及纵向近似梯度继而求出梯度幅值矩阵根据一个给定阙值对梯度幅值矩阵G进行二值化处理,梯度幅值大于阈值的像素点为可能的边缘点
S23:利用Zernike矩修正拉索边缘点的坐标,所得精度为亚像素级别;具体实现方法是将目标区域图像IROI与三个尺寸为7×7的Zernike矩模板Z00、Z11、Z20,做卷积得到对应Zernike矩A00、A11、A20,求解出每个可能边缘点的边缘相关参数:边缘方向到模板中心的距离灰度差对边缘参数设置阙值,去除无效的像素点,对剩余的像素点做坐标优化其中
S24:对优化后的边缘点集合做直线拟合,确定拉索在视频帧中的投影方向;
S25:给定拉索在视频帧中的运动方向,计算第k帧中拉索相对其在初始帧中的距离dk,继而得到拉索在视频图像中的运动时程{d1,d2,…,dn};
S3:识别拉索振动特性;利用Welch法计算出拉索运动时程信号的功率谱密度,再从功率谱密度曲线上提取峰值点位置作为拉索的自振频率;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811325595.2A CN109341903B (zh) | 2018-11-08 | 2018-11-08 | 一种基于计算机视觉中边缘识别的拉索索力测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811325595.2A CN109341903B (zh) | 2018-11-08 | 2018-11-08 | 一种基于计算机视觉中边缘识别的拉索索力测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109341903A CN109341903A (zh) | 2019-02-15 |
CN109341903B true CN109341903B (zh) | 2020-10-02 |
Family
ID=65314070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811325595.2A Active CN109341903B (zh) | 2018-11-08 | 2018-11-08 | 一种基于计算机视觉中边缘识别的拉索索力测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109341903B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108106541A (zh) * | 2017-12-21 | 2018-06-01 | 浙江大学 | 一种基于视频图像识别的桥梁索力测量方法 |
CN110517266B (zh) * | 2019-04-26 | 2022-06-24 | 深圳市豪视智能科技有限公司 | 绳索振动检测方法及相关装置 |
CN110146276B (zh) * | 2019-06-19 | 2021-03-19 | 北京源清慧虹信息科技有限公司 | 一种基于无线传感器的索力与抗弯刚度监测方法及系统 |
CN110514340A (zh) * | 2019-07-17 | 2019-11-29 | 河海大学 | 一种基于数字图像技术中目标识别追踪的索力测量方法 |
CN111044197B (zh) * | 2019-10-25 | 2021-06-11 | 东南大学 | 一种基于无人机平台的非接触式索力测试系统 |
CN111259770B (zh) * | 2020-01-13 | 2023-11-14 | 东南大学 | 基于无人机平台和深度学习的复杂背景下索力快速测试方法 |
CN111174961B (zh) * | 2020-01-17 | 2022-06-28 | 东南大学 | 一种基于模态分析的索力光学测量方法及其测量系统 |
CN113280868B (zh) * | 2021-07-02 | 2022-02-15 | 昆明理工大学 | 一种轴向振动与转速的同步监测方法及系统 |
CN113607321B (zh) * | 2021-07-16 | 2023-10-20 | 重庆物康科技有限公司 | 索结构的索力测试方法、装置、计算机设备和存储介质 |
CN115144102B (zh) * | 2022-06-21 | 2024-01-30 | 东南大学 | 一种基于云台摄像机的桥梁索力自动巡航监测系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000221089A (ja) * | 1999-01-29 | 2000-08-11 | Sony Corp | 長尺体の張力分布測定装置、長尺体の張力制御装置、及び磁気記録媒体の製造装置 |
CN101169380B (zh) * | 2007-10-31 | 2010-09-15 | 重庆大学 | 桥梁拉索表面损伤智能化检测装置 |
CN105741278B (zh) * | 2016-01-26 | 2018-09-14 | 浙江大学 | 一种基于计算机视觉的拉索分布应力在线监测方法 |
CN108007627B (zh) * | 2017-12-20 | 2019-10-25 | 哈尔滨开博科技有限公司 | 一种利用正弦激振器和视频仪并引入振动位移的振动法拉索索力测量方法 |
CN108106541A (zh) * | 2017-12-21 | 2018-06-01 | 浙江大学 | 一种基于视频图像识别的桥梁索力测量方法 |
-
2018
- 2018-11-08 CN CN201811325595.2A patent/CN109341903B/zh active Active
Non-Patent Citations (1)
Title |
---|
A fast subpixel edge detection method using Sobel–Zernike moments operator;Q. Ying-Dong et al.;《Image and Vision Computing》;20051231;第23卷;11-17 * |
Also Published As
Publication number | Publication date |
---|---|
CN109341903A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109341903B (zh) | 一种基于计算机视觉中边缘识别的拉索索力测量方法 | |
Khuc et al. | Computer vision-based displacement and vibration monitoring without using physical target on structures | |
Ye et al. | Vision-based structural displacement measurement: System performance evaluation and influence factor analysis | |
Luo et al. | Robust vision sensor for multi-point displacement monitoring of bridges in the field | |
Du et al. | Dynamic measurement of stay-cable force using digital image techniques | |
Bartilson et al. | Target-less computer vision for traffic signal structure vibration studies | |
Kim et al. | Unmanned aerial vehicle (UAV)-powered concrete crack detection based on digital image processing | |
CN111174961B (zh) | 一种基于模态分析的索力光学测量方法及其测量系统 | |
Kromanis et al. | Measuring structural deformations in the laboratory environment using smartphones | |
CN109580137B (zh) | 一种基于计算机视觉技术的桥梁结构位移影响线实测方法 | |
US20220138970A1 (en) | Structural vibration monitoring method based on computer vision and motion compensation | |
Tan et al. | Target-free vision-based approach for modal identification of a simply-supported bridge | |
Kromanis et al. | Low cost vision-based systems using smartphones for measuring deformation in structures for condition monitoring and asset management | |
US20220383478A1 (en) | Computer vision-based system and method for assessment of load distribution, load rating, and vibration serviceability of structures | |
Xu et al. | Vision-based systems for structural deformation measurement: Case studies | |
Brown et al. | Evaluation of a novel video-and laser-based displacement sensor prototype for civil infrastructure applications | |
CN109374171B (zh) | 用于检测在役斜拉索索力的方法 | |
Wang et al. | Target-free recognition of cable vibration in complex backgrounds based on computer vision | |
CN112637553B (zh) | 一种基于监控视频的桥梁结构模态分析方法 | |
CN110532725B (zh) | 基于数字图像的工程结构力学参数识别方法及系统 | |
CN115761487A (zh) | 一种基于机器视觉的中小跨径桥梁振动特性快速识别方法 | |
CN112906095B (zh) | 基于激光条纹中心追踪的桥梁模态识别方法及其系统 | |
Du et al. | A non-contact displacement measurement system based on a portable smartphone with digital image methods | |
Luo et al. | Micro displacement and strain detection for crack prediction on concrete surface using optical nondestructive evaluation methods | |
Alipour et al. | Digital image and video-based measurements |
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 |