CN111272366B - 一种基于多传感器数据融合的桥梁位移高精度测量方法 - Google Patents
一种基于多传感器数据融合的桥梁位移高精度测量方法 Download PDFInfo
- Publication number
- CN111272366B CN111272366B CN202010136143.0A CN202010136143A CN111272366B CN 111272366 B CN111272366 B CN 111272366B CN 202010136143 A CN202010136143 A CN 202010136143A CN 111272366 B CN111272366 B CN 111272366B
- Authority
- CN
- China
- Prior art keywords
- time
- point
- measured
- displacement
- gray
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0041—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining deflection or stress
- G01M5/005—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining deflection or stress by means of external apparatus, e.g. test benches or portable test systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0066—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by exciting or detecting vibration or acceleration
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于多传感器数据融合的桥梁位移高精度测量方法,包括如下步骤:在桥梁结构变形控制点处布设n个加速度传感器;架设摄像机并对准待测位移点进行监测视频拍摄;将经过图像处理后得到n个待测点静态位移时程曲线进行卡尔曼滤波后插值拟合,得到主梁静态挠曲线;通过加速度传感器获得待测点的加速度时程曲线,由加速度时程曲线两次时间积分、滤波后得到的n个待测点动态位移时程曲线进行卡尔曼滤波后插值拟合,得到主梁动态挠曲线;主梁静态挠曲线与动态挠曲线标量叠加,得到桥梁的主梁挠曲线。本发明可以满足桥梁全天候环境下的位移测量需求,能准确测得桥梁结构在施工或运营过程中的实时位移状态。
Description
技术领域
本发明涉及一种桥梁位移测量方法,尤其涉及一种基于多传感器数据融合的桥梁位移高精度测量方法。
背景技术
随着我国交通运输事业的发展,越来越多的公路、铁路桥梁架设于江河湖泊之上。在不断追求桥梁新颖结构形式和经济性的过程中,保障桥梁在设计使用年限内的安全性正在经受着较大的挑战。施工期和运营期内的结构健康监测系统的建立已经成为桥梁必备的安全手段之一。目前在结构健康监测中,桥梁结构受力形态是判断桥梁结构性能和安全重要评价指标,而主梁的挠曲线能够直观反映桥梁结构受力形态,因此对于桥梁主梁挠曲线的实时精准监测关系到能否及时准确地判断出结构变形异常和安全隐患。同时,桥梁主梁挠曲线的监测也是基于位移监测的基础上,通过科学的计算求解而得出的,故而对于目前位移监测方法的对比研究具有重要意义。
目前,用于结构位移测量的主要方法包括全站仪、GPS测量方法、激光干涉仪、位移传感器等,这些测量方法都在各自某些方法对于位移测量具有一定的优势,但也存在着一些缺点。全站仪一般需要人工读数,且自动全站仪虽然能追踪测量,但其测量结果易受到环境影响;GPS测量方法对于桥梁结构位移测量误差较小,但价格昂贵;激光干涉仪虽测量精度较高,但当桥梁振动较大时影响捕捉光点,同时无法做到长期不间断测量。位移传感器一般用于可接触点的位移测量,固定支架经常难以安装。因此,为了克服以上测量方法的缺点,可考虑采取摄影技术并对摄影视频进行图像识别处理,间接得到位移。
因此,亟需解决上述问题。
发明内容
发明目的:本发明的目的是提供一种基于多传感器数据融合的桥梁位移高精度测量方法,该测量方法可满足桥梁结构待测点全天候环境下的位移测量需求,能准确测得桥梁结构在施工或运营过程中的实时位移状态;同时测量位移无需安装固定支架,成本相对较低,精度相对较高,满足工程需求,适用于施工或运营阶段中各类桥梁位移或变形的实时监测。
技术方案:为实现以上目的,本发明公开了一种基于多传感器数据融合的桥梁位移高精度测量方法,包括如下步骤:
(1)、根据需要在桥梁结构变形控制点处,布设n个加速度传感器;在距离桥梁一定距离且固定不动的基准点处,架设摄像机并对准待测位移点进行监测视频拍摄,加速度传感器的监测数据及摄像机的监测视频通过无线传输实时传送至监控室的PC机;
(2)、将经过图像处理后得到n个待测点静态位移时程曲线进行卡尔曼滤波后插值拟合,得到主梁静态挠曲线;
(3)、通过加速度传感器获得待测点的加速度时程曲线,由加速度时程曲线两次时间积分、滤波后得到的n个待测点动态位移时程曲线进行卡尔曼滤波后插值拟合,得到主梁动态挠曲线;
(4)、主梁静态挠曲线与动态挠曲线标量叠加,得到桥梁的主梁挠曲线。
其中,所述步骤(2)中主梁静态挠曲线的生成方法为:
(2.1)、建立桥梁局部坐标系和相机坐标系,n个加速度传感器中心作为待测位移点,并恢复桥梁初始位置的坐标;
(2.2)、将摄像机拍摄的视频抽帧,并由RGB图像转化为灰度图像;
其中,RGB图像为真彩图像,R、G、B分别代表红、绿、蓝3种不同的基础颜色;
(2.3)、通过采用线性滤波器对灰度图像进行卷积计算,对灰度图像进行滤波去除环境噪声,环境噪声为温度、风、雨或雾;
(2.4)、在形成的灰度图像中,选定某一待测点,并以该待测点作为中心,取出m阶像素灰度矩阵;
其中,m取大于3的奇数,不超过图像两个方向像素点数量的较小值;
(2.5)、获取灰度矩阵在相机坐标系下的三维坐标,可知待测点为该灰度矩阵形成的局部图像的形心,并计算出待测点的形心坐标:
其中,xc、yc、zc分别为相机坐标系下待测点的x、y、z三个方向坐标值, 分别为(2.4)中相机坐标系下灰度矩阵中第i个像素点的x、y、z三个方向坐标值,k为m阶灰度矩阵的像素点总数,T为矩阵转置符号;
(2.6)、扫描下一帧图像,根据角点-余点搜索法,识别相同m阶像素灰度矩阵,并提取出该灰度矩阵在相机坐标系下的三维坐标,并计算出其形心坐标;
(2.7)、重复(2.3)~(2.6),处理每一帧图像,得到形心的坐标时程曲线;
(2.8)、根据摄像机成像原理,将形心的坐标时程曲线由相机坐标系转化为桥梁局部坐标系下的坐标时程曲线;
相机坐标系与桥梁局部坐标系转换公式:λPA,t=RBAPB,t+TBA,
其中,PA,t为桥梁局部坐标系下待测点随时间变化的坐标,PB,t为相机坐标系下待测点随时间变化的坐标,RBA为坐标系转换的旋转矩阵,TBA为坐标系转换的平移向量,λ为考虑镜头畸变的矫正矩阵;
(2.9)、将桥梁局部坐标系下坐标时程曲线通过低通滤波,获得待测点的静态位移时程曲线,将桥梁局部坐标系下坐标时程曲线通过高通滤波,获得待测点的动态位移时程曲线;
(2.10)、将n个待测点静态位移时程分别进行卡尔曼滤波后,得到n个待测点的静态位移,再对其进行插值拟合,得到主梁静态挠曲线。
优选的,所述步骤(2.2)中RGB图像转化为灰度图像的计算公式为:
Gray=R*0.299+G*0.587+B*0.114
其中,Gray为灰度值。
再者,所述步骤(2.6)中角点-余点搜索法的具体步骤为:
(2.6.1)、对于视频的首帧图像,以待测位移点的像素点为中心提取m阶像素灰度矩阵,此像素点命名为初始形心,并记下初始形心灰度值,m为奇数;
(2.6.2)、遍历搜索下一帧图像中所有与初始形心灰度值相同的像素点,记为待定形心;
(2.6.3)、依次搜索以待定形心为中心的3阶灰度矩阵,并储存于程序缓存中;
(2.6.4)、假设待定形心相对位置编号为(i,j),首先搜索第(i-1,j+1)像素点的灰度值,并与首帧像素灰度矩阵的对应位置像素点灰度值进行比较,若相等则保留此待定形心,若不等,则排除;
(2.6.5)、若3阶像素灰度矩阵的4个角点搜索对比完后,保留的待定形心数≥2,则在此3阶像素灰度矩阵基础上,扩大搜索范围至5阶像素灰度矩阵,以此类推,直至m阶像素灰度矩阵;
(2.6.6)、若m阶像素灰度矩阵的4个角点搜索对比完后,保留的待定形心数≥2,则以待定形心为中心,继续从3阶灰度矩阵开始搜索对比剩下的像素点灰度值,以此类推,直至m阶像素灰度矩阵;当保留的待定形心数=1,搜索停止,则以此待定形心为中心的像素灰度矩阵与首帧图像的像素灰度矩阵相同。
进一步,所述步骤(3)中动态位移时程曲线的生成方法为:
(3.1)、通过加速度传感器获得待测点的加速度时程曲线,进行高通滤波,采用梯形法数值积分方法对加速度进行时间的一次积分,得到速度时程曲线,计算公式为:
其中,V(t)为待测点速度随时间变化函数,a(τ)为待测点加速度随时间变化函数,V(0)为待测点速度初始值;
(3.2)、对速度时程曲线进行高通滤波,采用梯形法数值积分方法对速度进行时间的二次积分,得到位移时程曲线;
(3.3)、对位移时程曲线进行高通滤波后,将图像处理生成的动态位移时程曲线与积分生成的动态位移时程曲线进行时间同步,并比较动态位移的均方根值,若差值在20%以内,则认为积分生成的动态位移时程曲线正确,否则,返回到步骤(3.1)重新检查计算;
(3.4)、将n个待测点动态位移时程曲线分别进行卡尔曼滤波后,得到n个待测点的动态位移,再对其进行插值拟合,得到主梁动态挠曲线。
有益效果:与现有技术相比,本发明具有以下显著优点:首先本发明的测量方法使用了通过图片处理生成静态位移时程曲线的过程为非接触性测量手段,再者通过降维滤波等方法,能满足桥梁结构待测点全天候环境下的位移测量需求;其次本发明提供的一种基于多传感器数据融合的桥梁位移高精度测量方法,为静态位移时程曲线与动态位移时程曲线的同步时间标量叠加,精度较高且成本较低,能准确测得桥梁结构在施工或运营过程中的实时位移状态,作为桥梁运维人员监测桥梁状态和风险预警的重要参考依据。
附图说明
图1为本发明系统示意图;
图2为本发明的坐标系转换图;
图3为本发明中桥梁位移监测系统流程图;
图4为本发明中角点-余点搜索法流程图;
图5为本发明中静态位移形成流程图;
图6为本发明中动态位移形成流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,本发明提供一种基于多传感器数据融合的桥梁位移高精度测量方法,包括如下步骤:
(1)、根据需要在桥梁结构变形控制点处,布设n个加速度传感器;在距离桥梁一定距离且固定不动的基准点处,架设摄像机并对准待测位移点进行监测视频拍摄,加速度传感器的监测数据及摄像机的监测视频通过无线传输实时传送至监控室的PC机,由PC机实时对数据进行分析;
(2)、将经过图像处理后得到n个待测点静态位移时程曲线进行卡尔曼滤波后插值拟合,得到主梁静态挠曲线;
其中主梁静态挠曲线的生成方法为:
(2.1)、建立桥梁局部坐标系和相机坐标系,n个加速度传感器中心作为待测位移点,并恢复桥梁初始位置的坐标;
(2.2)、将摄像机拍摄的视频抽帧,并由RGB图像转化为灰度图像;
其中,RGB图像为真彩图像,R、G、B分别代表红、绿、蓝3种不同的基础颜色;
其中RGB图像转化为灰度图像的计算公式为:
Gray=R*0.299+G*0.587+B*0.114
其中,Gray为灰度值;或者采用整数算法。
(2.3)、通过采用线性滤波器对灰度图像进行卷积计算,对灰度图像进行滤波去除环境噪声,环境噪声为温度、风、雨或雾;
(2.4)、在形成的灰度图像中,选定某一待测点,并以该待测点作为中心,取出m阶像素灰度矩阵;
其中,m取大于3的奇数,不超过图像两个方向像素点数量的较小值;
(2.5)、获取灰度矩阵在相机坐标系下的三维坐标,可知待测点为该灰度矩阵形成的局部图像的形心,并计算出待测点的形心坐标:
其中,xc、yc、zc分别为相机坐标系下待测点的x、y、z三个方向坐标值, 分别为(2.4)中相机坐标系下灰度矩阵中第i个像素点的x、y、z三个方向坐标值,k为m阶灰度矩阵的像素点总数,T为矩阵转置符号;
(2.6)、扫描下一帧图像,根据角点-余点搜索法,识别相同m阶像素灰度矩阵,并提取出该灰度矩阵在相机坐标系下的三维坐标,并计算出其形心坐标;
其中角点-余点搜索法的具体步骤为:
(2.6.1)、对于视频的首帧图像,以待测位移点的像素点为中心提取m阶像素灰度矩阵,此像素点命名为初始形心,并记下初始形心灰度值,m为奇数;
(2.6.2)、遍历搜索下一帧图像中所有与初始形心灰度值相同的像素点,记为待定形心;
(2.6.3)、依次搜索以待定形心为中心的3阶灰度矩阵,并储存于程序缓存中;
(2.6.4)、假设待定形心相对位置编号为(i,j),首先搜索第(i-1,j+1)像素点的灰度值,并与首帧像素灰度矩阵的对应位置像素点灰度值进行比较,若相等则保留此待定形心,若不等,则排除;
(2.6.5)、若3阶像素灰度矩阵的4个角点搜索对比完后,保留的待定形心数≥2,则在此3阶像素灰度矩阵基础上,扩大搜索范围至5阶像素灰度矩阵,以此类推,直至m阶像素灰度矩阵;
(2.6.6)、若m阶像素灰度矩阵的4个角点搜索对比完后,保留的待定形心数≥2,则以待定形心为中心,继续从3阶灰度矩阵开始搜索对比剩下的像素点灰度值,以此类推,直至m阶像素灰度矩阵;当保留的待定形心数=1,搜索停止,则以此待定形心为中心的像素灰度矩阵与首帧图像的像素灰度矩阵相同;
(2.7)、重复(2.3)~(2.6),处理每一帧图像,得到形心的坐标时程曲线;
(2.8)、根据摄像机成像原理,将形心的坐标时程曲线由相机坐标系转化为桥梁局部坐标系下的坐标时程曲线;
相机坐标系与桥梁局部坐标系转换公式:λPA,t=RBAPB,t+TBA,
其中,PA,t为桥梁局部坐标系下待测点随时间变化的坐标,PB,t为相机坐标系下待测点随时间变化的坐标,RBA为坐标系转换的旋转矩阵,TBA为坐标系转换的平移向量,λ为考虑镜头畸变的矫正矩阵;
(2.9)、将桥梁局部坐标系下坐标时程曲线通过低通滤波,获得待测点的静态位移时程曲线,将桥梁局部坐标系下坐标时程曲线通过高通滤波,获得待测点的动态位移时程曲线;
(2.10)、将n个待测点静态位移时程分别进行卡尔曼滤波后,得到n个待测点的静态位移,再对其进行插值拟合,得到主梁静态挠曲线;
(3)、通过加速度传感器获得待测点的加速度时程曲线,由加速度时程曲线两次时间积分、滤波后得到的n个待测点动态位移时程曲线进行卡尔曼滤波后插值拟合,得到主梁动态挠曲线;
其中动态位移时程曲线的生成方法为:
(3.1)、通过加速度传感器获得待测点的加速度时程曲线,进行高通滤波,采用梯形法数值积分方法对加速度进行时间的一次积分,得到速度时程曲线,计算公式为:
其中,V(t)为待测点速度随时间变化函数,a(τ)为待测点加速度随时间变化函数,V(0)为待测点速度初始值;
(3.2)、对速度时程曲线进行高通滤波,采用梯形法数值积分方法对速度进行时间的二次积分,得到位移时程曲线;
(3.3)、对位移时程曲线进行高通滤波后,将图像处理生成的动态位移时程曲线与积分生成的动态位移时程曲线进行时间同步,并比较动态位移的均方根值(RMS),若差值在20%以内,则认为积分生成的动态位移时程曲线正确,否则,返回到步骤(3.1)重新检查计算;
(3.4)、将n个待测点动态位移时程曲线分别进行卡尔曼滤波后,得到n个待测点的动态位移,再对其进行插值拟合,得到主梁动态挠曲线;
(4)、主梁静态挠曲线与动态挠曲线标量叠加,得到桥梁的主梁挠曲线。
本发明公开的桥梁主梁挠曲线监测方法可以满足桥梁全天候环境下的位移测量需求,能准确测得桥梁结构在施工或运营过程中的实时位移状态。
实施例1
实施例1以某小跨悬索桁架桥主跨钢桁架梁的挠曲线监测为例,
该实施例提供一种基于多传感器数据融合的桥梁位移高精度测量方法,包括如下步骤:
(1)、在主跨钢桁架梁下弦杆下翼缘处布置n个加速度传感器,在距离大桥加速度传感器直线距离约200m的河堤外某监控室内架设摄像机,传感器数据及摄像机视频实时无线传输至监控室的PC机内,实时对数据及图像进行分析处理。
(2)、将经过图像处理后得到n个待测点静态位移时程曲线进行卡尔曼滤波后插值拟合,得到主梁静态挠曲线;
如图3和图5所示,其中主梁静态挠曲线的生成方法为:
(2.1)、建立悬索桁架桥局部坐标系,n个加速度传感器中心作为待测位移点,建立相机坐标系,并恢复桥梁初始位置的坐标;
(2.2)、PC机获得摄像机的监测视频,将摄像机拍摄的视频进行实时抽帧,并由RGB图像转化为灰度图像;
其中,RGB图像为真彩图像,R、G、B分别代表红、绿、蓝3种不同的基础颜色;
其中RGB图像转化为灰度图像的计算公式为:
Gray=R*0.299+G*0.587+B*0.114
其中,Gray为灰度值;
(2.3)、通过采用线性滤波器对灰度图像进行卷积计算,对灰度图像进行滤波去除环境噪声,环境噪声为温度、风、雨或雾;
(2.4)、假设相机图片由1920像素x1080像素构成,在形成的灰度图像中,选定某一待测点,并以该待测位移点作为中心,取出9阶像素灰度矩阵,作为每一帧图片识别待测位移点的唯一身份信息;
(2.5)、获取灰度矩阵在相机坐标系下的三维坐标,可知待测点为该灰度矩阵形成的局部图像的形心,并计算出待测点的形心坐标:
其中,xc、yc、zc分别为相机坐标系下待测点的x、y、z三个方向坐标值, 分别为(2.4)中相机坐标系下灰度矩阵中第i个像素点的x、y、z三个方向坐标值,k为m阶灰度矩阵的像素点总数,T为矩阵转置符号;
(2.6)、扫描下一帧图像,根据角点-余点搜索法,识别相同9阶像素灰度矩阵,并提取出该灰度矩阵在相机坐标系下的三维坐标,并计算出其形心坐标;
如图4所示,其中角点-余点搜索法的具体步骤为:
(2.6.1)、对于视频的首帧图像,以待测位移点的像素点为中心提取9阶像素灰度矩阵,此像素点命名为初始形心,并记下初始形心灰度值;
(2.6.2)、利用MATLAB软件遍历搜索下一帧图像中所有与初始形心灰度值相同的像素点,记为待定形心;
(2.6.3)、依次搜索以待定形心为中心的3阶灰度矩阵,并储存于程序缓存中;
(2.6.4)、假设待定形心相对位置编号为(i,j),首先搜索第(i-1,j+1)像素点的灰度值,并与首帧像素灰度矩阵的对应位置像素点灰度值进行比较,若相等则保留此待定形心,若不等,则排除;
(2.6.5)、若3阶像素灰度矩阵的4个角点搜索对比完后,保留的待定形心数≥2,则在此3阶像素灰度矩阵基础上,扩大搜索范围至5阶像素灰度矩阵,以此类推,直至9阶像素灰度矩阵;
(2.6.6)、若9阶像素灰度矩阵的4个角点搜索对比完后,保留的待定形心数≥2,则以待定形心为中心,继续从3阶灰度矩阵开始搜索对比剩下的像素点灰度值,以此类推,直至9阶像素灰度矩阵;当保留的待定形心数=1,搜索停止,则以此待定形心为中心的像素灰度矩阵与首帧图像的像素灰度矩阵相同;
(2.7)、重复(2.3)~(2.6),处理每一帧图像,得到形心的坐标时程曲线;
(2.8)、根据摄像机成像原理,将形心的坐标时程曲线由相机坐标系转化为桥梁局部坐标系下的坐标时程曲线;
如图2所示,相机坐标系与悬索桁架桥的局部坐标系转换公式:
λPA,t=RBAPB,t+TBA
其中,PA,t为桥梁局部坐标系下待测点随时间变化的坐标,PB,t为相机坐标系下待测点随时间变化的坐标,RBA为坐标系转换的旋转矩阵,TBA为坐标系转换的平移向量,λ为考虑镜头畸变的矫正矩阵;
(2.9)、将桥梁局部坐标系下坐标时程曲线通过低通滤波,获得待测点的静态位移时程曲线,将桥梁局部坐标系下坐标时程曲线通过高通滤波,获得待测点的动态位移时程曲线,作为动态位移对比之用;
(2.10)、将每个加速度传感器的中心作为1个位移待测点,将n个待测点静态位移时程分别进行卡尔曼滤波后,得到n个待测点的静态位移,再对其进行插值拟合,得到主梁静态挠曲线;
(3)、通过加速度传感器获得待测点的加速度时程曲线,由加速度时程曲线两次时间积分、滤波后得到的n个待测点动态位移时程曲线进行卡尔曼滤波后插值拟合,得到主梁动态挠曲线;
如图2和图6所示,其中动态位移时程曲线的生成方法为:
(3.1)、PC机获得加速度传感器传来待测点的加速度时程曲线,进行高通滤波,采用梯形法数值积分方法对加速度进行时间的一次积分,得到速度时程曲线,计算公式为:
其中,V(t)为待测点速度随时间变化函数,a(τ)为待测点加速度随时间变化函数,V(0)为待测点速度初始值;
(3.2)、对速度时程曲线进行高通滤波,将常数项略去,采用梯形法数值积分方法对速度进行时间的二次积分,得到位移时程曲线;
(3.3)、对位移时程曲线进行高通滤波后,将图像处理生成的动态位移时程曲线与积分生成的动态位移时程曲线进行时间同步,并比较动态位移的均方根值(RMS),若差值在20%以内,则认为积分生成的动态位移时程曲线正确,否则,返回到步骤(3.1)重新检查计算;
(3.4)、将n个待测点动态位移时程曲线分别进行卡尔曼滤波后,得到n个待测点的动态位移,再对其进行插值拟合,得到主梁动态挠曲线;
(4)、主梁静态挠曲线与动态挠曲线标量叠加,得到桥梁的主梁的挠曲线。
本发明在桥梁结构变形控制点处,布设n个加速度传感器;在距离桥梁一定距离且固定不动的基准点处,架设摄像机并对准待测位移点进行监测视频拍摄;因摄影技术为一种非接触性量测手段,可以对桥梁结构的位移进行精准的测量;同时考虑到图像处理后得到的位移中动态位移为信号高频部分,且易受干扰,因此经过低通滤波后留下桥梁静态位移时程曲线,将多个待测点静态位移时程曲线进行卡尔曼滤波后插值拟合,得到主梁静态挠曲线;与此同时,将加速度传感器测得的加速度时程曲线对时间进行二次积分,且每次积分前进行高通滤波处理,最终得到桥梁结构动态位移时程曲线,将多个待测点动态位移时程曲线进行卡尔曼滤波后插值拟合,得到主梁动态挠曲线;最后主梁静态挠曲线与动态挠曲线标量叠加,就形成了桥梁主梁的挠曲线。
Claims (2)
1.一种基于多传感器数据融合的桥梁位移高精度测量方法,其特征在于,包括如下步骤:
(1)、根据需要在桥梁结构变形控制点处,布设n个加速度传感器;在距离桥梁一定距离且固定不动的基准点处,架设摄像机并对准待测位移点进行监测视频拍摄,加速度传感器的监测数据及摄像机的监测视频通过无线传输实时传送至监控室的PC机;
(2)、将经过图像处理后得到n个待测点静态位移时程曲线进行卡尔曼滤波后插值拟合,得到主梁静态挠曲线;
其中主梁静态挠曲线的生成方法为:
(2.1)、建立桥梁局部坐标系和相机坐标系,n个加速度传感器中心作为待测位移点,并恢复桥梁初始位置的坐标;
(2.2)、将摄像机拍摄的视频抽帧,并由RGB图像转化为灰度图像;
其中,RGB图像为真彩图像,R、G、B分别代表红、绿、蓝3种不同的基础颜色;
(2.3)、通过采用线性滤波器对灰度图像进行卷积计算,对灰度图像进行滤波去除环境噪声,环境噪声为温度、风、雨或雾;
(2.4)、在形成的灰度图像中,选定某一待测点,并以该待测点作为中心,取出m阶像素灰度矩阵;
其中,m取大于3的奇数,不超过图像两个方向像素点数量的较小值;
(2.5)、获取灰度矩阵在相机坐标系下的三维坐标,可知待测点为该灰度矩阵形成的局部图像的形心,并计算出待测点的形心坐标:
其中,xc、yc、zc分别为相机坐标系下待测点的x、y、z三个方向坐标值, 分别为(2.4)中相机坐标系下灰度矩阵中第i个像素点的x、y、z三个方向坐标值,k为m阶灰度矩阵的像素点总数,T为矩阵转置符号;
(2.6)、扫描下一帧图像,根据角点-余点搜索法,识别相同m阶像素灰度矩阵,并提取出该灰度矩阵在相机坐标系下的三维坐标,并计算出其形心坐标;
其中角点-余点搜索法的具体步骤为:
(2.6.1)、对于视频的首帧图像,以待测位移点的像素点为中心提取m阶像素灰度矩阵,此像素点命名为初始形心,并记下初始形心灰度值,m为奇数;
(2.6.2)、遍历搜索下一帧图像中所有与初始形心灰度值相同的像素点,记为待定形心;
(2.6.3)、依次搜索以待定形心为中心的3阶灰度矩阵,并储存于程序缓存中;
(2.6.4)、假设待定形心相对位置编号为(i,j),首先搜索第(i-1,j+1)像素点的灰度值,并与首帧像素灰度矩阵的对应位置像素点灰度值进行比较,若相等则保留此待定形心,若不等,则排除;
(2.6.5)、若3阶像素灰度矩阵的4个角点搜索对比完后,保留的待定形心数≥2,则在此3阶像素灰度矩阵基础上,扩大搜索范围至5阶像素灰度矩阵,以此类推,直至m阶像素灰度矩阵;
(2.6.6)、若m阶像素灰度矩阵的4个角点搜索对比完后,保留的待定形心数≥2,则以待定形心为中心,继续从3阶灰度矩阵开始搜索对比剩下的像素点灰度值,以此类推,直至m阶像素灰度矩阵;当保留的待定形心数=1,搜索停止,则以此待定形心为中心的像素灰度矩阵与首帧图像的像素灰度矩阵相同;
(2.7)、重复(2.3)~(2.6),处理每一帧图像,得到形心的坐标时程曲线;
(2.8)、根据摄像机成像原理,将形心的坐标时程曲线由相机坐标系转化为桥梁局部坐标系下的坐标时程曲线;
相机坐标系与桥梁局部坐标系转换公式:λPA,t=RBAPB,t+TBA,
其中,PA,t为桥梁局部坐标系下待测点随时间变化的坐标,PB,t为相机坐标系下待测点随时间变化的坐标,RBA为坐标系转换的旋转矩阵,TBA为坐标系转换的平移向量,λ为考虑镜头畸变的矫正矩阵;
(2.9)、将桥梁局部坐标系下坐标时程曲线通过低通滤波,获得待测点的静态位移时程曲线,将桥梁局部坐标系下坐标时程曲线通过高通滤波,获得待测点的动态位移时程曲线;
(2.10)、将n个待测点静态位移时程分别进行卡尔曼滤波后,得到n个待测点的静态位移,再对其进行插值拟合,得到主梁静态挠曲线;
(3)、通过加速度传感器获得待测点的加速度时程曲线,由加速度时程曲线两次时间积分、滤波后得到的n个待测点动态位移时程曲线进行卡尔曼滤波后插值拟合,得到主梁动态挠曲线;其中动态位移时程曲线的生成方法为:
(3.1)、通过加速度传感器获得待测点的加速度时程曲线,进行高通滤波,采用梯形法数值积分方法对加速度进行时间的一次积分,得到速度时程曲线,计算公式为:
其中,V(t)为待测点速度随时间变化函数,a(τ)为待测点加速度随时间变化函数,V(0)为待测点速度初始值;
(3.2)、对速度时程曲线进行高通滤波,采用梯形法数值积分方法对速度进行时间的二次积分,得到位移时程曲线;
(3.3)、对位移时程曲线进行高通滤波后,将图像处理生成的动态位移时程曲线与积分生成的动态位移时程曲线进行时间同步,并比较动态位移的均方根值,若差值在20%以内,则认为积分生成的动态位移时程曲线正确,否则,返回到步骤(3.1)重新检查计算;
(3.4)、将n个待测点动态位移时程曲线分别进行卡尔曼滤波后,得到n个待测点的动态位移,再对其进行插值拟合,得到主梁动态挠曲线;
(4)、主梁静态挠曲线与动态挠曲线标量叠加,得到桥梁的主梁挠曲线。
2.根据权利要求1所述的一种基于多传感器数据融合的桥梁位移高精度测量方法,其特征在于:所述步骤(2.2)中RGB图像转化为灰度图像的计算公式为:
Gray=R*0.299+G*0.587+B*0.114
其中,Gray为灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010136143.0A CN111272366B (zh) | 2020-03-02 | 2020-03-02 | 一种基于多传感器数据融合的桥梁位移高精度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010136143.0A CN111272366B (zh) | 2020-03-02 | 2020-03-02 | 一种基于多传感器数据融合的桥梁位移高精度测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111272366A CN111272366A (zh) | 2020-06-12 |
CN111272366B true CN111272366B (zh) | 2021-12-07 |
Family
ID=71003708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010136143.0A Active CN111272366B (zh) | 2020-03-02 | 2020-03-02 | 一种基于多传感器数据融合的桥梁位移高精度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111272366B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI760813B (zh) * | 2020-08-10 | 2022-04-11 | 國立臺灣科技大學 | 地震監測系統及地震監測方法 |
CN112906095B (zh) * | 2020-12-20 | 2022-04-08 | 重庆交通大学 | 基于激光条纹中心追踪的桥梁模态识别方法及其系统 |
CN112762841A (zh) * | 2020-12-30 | 2021-05-07 | 天津大学 | 一种基于多分辨率深度特征的桥梁动位移监测系统及方法 |
CN112697373B (zh) * | 2021-01-22 | 2023-03-24 | 扬州大学 | 一种估计有损伤构件的铁路桥位移的方法 |
CN113340405B (zh) * | 2021-07-09 | 2023-03-17 | 中铁七局集团有限公司 | 桥梁振型的测量方法、装置及系统 |
CN114136562B (zh) * | 2021-10-14 | 2023-12-08 | 福建省特种设备检验研究院 | 一种基于双目视觉的主梁挠度的监测装置及其监测方法 |
CN115452282A (zh) * | 2022-09-02 | 2022-12-09 | 任鹏 | 一种基于数据融合的铁路桥梁结构健康监测方法 |
CN115424410B (zh) * | 2022-11-03 | 2023-12-19 | 国网浙江省电力有限公司金华供电公司 | 基于无线辐射感知与多模态数据的高压环境防护方法 |
CN115790401B (zh) * | 2023-02-09 | 2023-06-16 | 西北工业大学 | 一种基于视觉测量的位移测量方法及相关设备 |
CN116295188B (zh) * | 2023-05-15 | 2023-08-11 | 山东慧点智能技术有限公司 | 基于位移传感器的测量装置及测量方法 |
CN116626752B (zh) * | 2023-06-08 | 2023-10-24 | 大连理工大学 | 一种基于场地表面变形速率的地震动转动分量求解方法 |
CN116955948A (zh) * | 2023-07-07 | 2023-10-27 | 山东智路信息科技有限公司 | 一种桥梁结构健康预测方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2444787A1 (en) * | 2010-10-22 | 2012-04-25 | Vilnius Gediminas Technical University | Method and device for bridge state evaluation using dynamic method |
CN102998081A (zh) * | 2012-12-17 | 2013-03-27 | 黑龙江省博凯科技开发有限公司 | 运用多套捷联惯性系统进行桥梁监测的方法 |
CN105205815A (zh) * | 2015-09-15 | 2015-12-30 | 西安理工大学 | 基于云台可控制摄像机的实时视频跟踪系统及跟踪方法 |
CN108829998A (zh) * | 2018-06-25 | 2018-11-16 | 石家庄铁道大学 | 一种桥梁挠度的检测方法、检测装置及终端设备 |
CN109341549A (zh) * | 2018-11-29 | 2019-02-15 | 东南大学 | 一种基于数据融合的相机系统位移监测改进方法 |
CN109754429A (zh) * | 2018-12-14 | 2019-05-14 | 东南大学 | 一种基于图像的桥梁结构挠度测量方法 |
-
2020
- 2020-03-02 CN CN202010136143.0A patent/CN111272366B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2444787A1 (en) * | 2010-10-22 | 2012-04-25 | Vilnius Gediminas Technical University | Method and device for bridge state evaluation using dynamic method |
CN102998081A (zh) * | 2012-12-17 | 2013-03-27 | 黑龙江省博凯科技开发有限公司 | 运用多套捷联惯性系统进行桥梁监测的方法 |
CN105205815A (zh) * | 2015-09-15 | 2015-12-30 | 西安理工大学 | 基于云台可控制摄像机的实时视频跟踪系统及跟踪方法 |
CN108829998A (zh) * | 2018-06-25 | 2018-11-16 | 石家庄铁道大学 | 一种桥梁挠度的检测方法、检测装置及终端设备 |
CN109341549A (zh) * | 2018-11-29 | 2019-02-15 | 东南大学 | 一种基于数据融合的相机系统位移监测改进方法 |
CN109754429A (zh) * | 2018-12-14 | 2019-05-14 | 东南大学 | 一种基于图像的桥梁结构挠度测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111272366A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111272366B (zh) | 一种基于多传感器数据融合的桥梁位移高精度测量方法 | |
CN110108348B (zh) | 基于运动放大光流跟踪的薄壁件微幅振动测量方法及系统 | |
CN111076880B (zh) | 一种考虑相机姿态变化的大跨桥梁多点挠度测量方法 | |
CN109186902A (zh) | 一种基于视觉传感的桥梁结构健康检测系统 | |
CN106226157B (zh) | 混凝土构件裂缝自动检测装置及方法 | |
CN102788572B (zh) | 一种工程机械吊钩姿态的测量方法、装置及系统 | |
CN108106801A (zh) | 桥隧病害非接触检测系统及检测方法 | |
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 | |
CN104541124B (zh) | 利用激光测定的支撑物探测装置 | |
Lu et al. | Vision-based structural displacement measurement under ambient-light changes via deep learning and digital image processing | |
CN113793367B (zh) | 一种工程结构转角位移视觉测量及动力识别系统及方法 | |
CN112419287B (zh) | 一种建筑挠度确定方法、装置及电子设备 | |
Su et al. | Feature-constrained real-time simultaneous monitoring of monocular vision odometry for bridge bearing displacement and rotation | |
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 | |
CN114812403B (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
CN110244717B (zh) | 基于既有三维模型的港口起重机攀爬机器人自动寻路方法 | |
CN110532725B (zh) | 基于数字图像的工程结构力学参数识别方法及系统 | |
Wang et al. | Vision technique for deflection measurements based on laser positioning | |
WO2020145004A1 (ja) | 撮影ガイド装置 | |
CN104006804A (zh) | 基于观测基准失稳补偿的接触网偏移量检测方法 | |
JP6873869B2 (ja) | 鉄道設備モニタリング装置及び鉄道設備モニタリングシステム | |
CN114119355B (zh) | 一种盾构隧道掉块风险预警方法与系统 | |
CN111102959A (zh) | 一种基于直线检测的铁轨沉降在线监测装置和方法 | |
Liu et al. | Computer Vision-Based Structural Displacement Monitoring and Modal Identification with Subpixel Localization Refinement | |
CN211943334U (zh) | 铁轨爬行观测装置 |
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 |