CN113128474B - 一种基于计算机视觉及变分模态分解的结构模态识别方法 - Google Patents

一种基于计算机视觉及变分模态分解的结构模态识别方法 Download PDF

Info

Publication number
CN113128474B
CN113128474B CN202110535969.9A CN202110535969A CN113128474B CN 113128474 B CN113128474 B CN 113128474B CN 202110535969 A CN202110535969 A CN 202110535969A CN 113128474 B CN113128474 B CN 113128474B
Authority
CN
China
Prior art keywords
vibration
signal
displacement
point
acceleration signal
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
Application number
CN202110535969.9A
Other languages
English (en)
Other versions
CN113128474A (zh
Inventor
郭飞羽
何元钧
李雨桐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202110535969.9A priority Critical patent/CN113128474B/zh
Publication of CN113128474A publication Critical patent/CN113128474A/zh
Application granted granted Critical
Publication of CN113128474B publication Critical patent/CN113128474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本发明公开了一种基于计算机视觉及变分模态分解的结构模态识别方法，包括：采集结构物的振动视频，并选取振动视频中满足预设像素级的像素点，作为特征点；利用Farneback稠密光流算法计算所选取的各特征点的速度；利用尺度变换的方式计算各特征点在真实地面坐标系下的速度及加速度，得到非平稳序列的加速度信号；利用变分模态分解方法对加速度信号进行降噪处理；利用频域分解法识别降噪处理后的加速度信号，得到结构物在各阶模态下的振动特性。本发明采用非接触式方式利用改进的光流算法对结构物的振动视频进行计算和多模态提取，以实现结构动力特性的实时、高效、低成本检测。

Description

一种基于计算机视觉及变分模态分解的结构模态识别方法
技术领域
本发明涉及结构动力测试技术领域，更具体的说是涉及一种基于计算机视觉及变分模态分解的结构模态识别方法。
背景技术
目前国内外常用的结构动力检测方法有自由振动法、共振法和脉动法等。自由振动法是一种使结构受到冲击荷载而产生自由振动以测量动力特性的试验方法，为使结构产生自由振动，通常采用突加荷载和突卸荷载等方式。共振法则是采用专门的起振机对结构施加简谐动荷载，使结构产生恒定的强迫简谐振动，利用共振现象来对结构进行模态参数识别。自由振动法和共振法均需要人为给结构物输入振动信号，因此要求试验使用的激振设备性能优良，且测试会受到结构物大小和形式的限制。脉动法则是直接利用环境激励下结构物产生的随机振动信号进行动力特性分析。以上结构动力检测方法均需要相关传感器和数采设备，因此存在测点有限、检测不便的问题。
随着视觉传感器的快速发展，基于计算机视觉技术的结构动力检测展现出强大的潜力，使得运用非接触式传感器进行模态识别具有了可行性。目前模态参数识别有频域方法和时域方法，频域方法有峰值拾取法，频域分解法(FDD)，最大似然估计法等。时域方法有时间序列分析法，随机子空间算法、随机减量技术、自然激励技术及特征值算法等。在进行模态参数识别时，需采取适当方法对数据进行预处理以提高模态识别精度。目前常用的信号处理方法为经验模态分解法(EMD)，该方法基于瞬时频率和本征模态函数(IMF)的概念，能够将信号分解为若干个IMF分量，每个IMF表征信号的局部特征，该方法主要缺点之一是模态混叠的频繁出现。
因此，如何提供一种无需接触式传感器和专业数据采集设备，利用光流算法对结构物的振动视频进行计算和提取，以实现结构动力特性的实时、高效检测的基于计算机视觉及变分模态分解的结构模态识别方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于计算机视觉及变分模态分解的结构模态识别方法，无需接触式传感器和专业数据采集设备，利用改进的光流算法对结构物的振动视频进行计算和提取，以实现结构动力特性的实时、高效检测。
为了实现上述目的，本发明采用如下技术方案：
一种基于计算机视觉及变分模态分解的结构模态识别方法，包括以下步骤：
采集结构物的振动视频，并选取所述振动视频中满足预设像素级的像素点，作为特征点；
利用Farneback稠密光流算法计算所选取的各所述特征点的速度；
利用尺度变换的方式计算各所述特征点在真实地面坐标系下的速度及加速度，得到非平稳序列的加速度信号；
利用变分模态分解方法对所述加速度信号进行降噪处理；
利用频域分解法识别降噪处理后的加速度信号，得到结构物在各阶模态下的振动特性。
优选的，在上述一种基于计算机视觉及变分模态分解的结构模态识别方法中，所述利用Farneback稠密光流算法计算所选取的各所述特征点的速度，包括：
采用高斯金字塔对振动视频中的各视频帧图像进行多尺度描述，得到各特征点在高斯金字塔中不同尺度图像平面的位移量；
采用高斯金字塔对各特征点的位移量进行估计，得到各特征点在时间域上的振动位移量变化；
利用Farneback稠密光流算法，结合各特征点在时间域上的振动位移量变化，得到所选取的各所述特征点的速度。
优选的，在上述一种基于计算机视觉及变分模态分解的结构模态识别方法中，所述Farneback稠密光流算法基于梯度的假设如下：
Figure BDA0003069841170000031
其中，
Figure BDA0003069841170000032
表示像素点灰度值关于像素点位置和时间的全微分；H(I)表示像素点的灰度值沿像素点位置的变化率；d表示像素点在图像平面的速度；
Figure BDA0003069841170000034
表示像素点的灰度值沿时间的变化率。
优选的，在上述一种基于计算机视觉及变分模态分解的结构模态识别方法中，所述尺度变换的表达式为：
Figure BDA0003069841170000033
其中，SF表示图像平面展现的物体大小与实际平面中物体的大小之间的比例系数；dknown表示物体表面的已知物理长度，Iknown表示图像平面的像素长度。
优选的，在上述一种基于计算机视觉及变分模态分解的结构模态识别方法中，所述降噪处理包括：
将所述加速度信号分解成多个子信号；
计算每个子信号的熵；
将子信号的熵按照从大到小的顺序进行排列，保留前2～3个子信号，并将所述前2～3个子信号求和，作为降噪处理后的加速度信号。
优选的，在上述一种基于计算机视觉及变分模态分解的结构模态识别方法中，所述子信号的划分过程为：
利用样条拟合方法构造所述加速度信号的上下包络，并计算两个包络的平均值；
从原始信号中减去平均值，得到中间信号；
判断中间信号是否满足本征模态函数的两个条件，如果满足，则将该中间信号作为一个IMF分量；
从原始信号中减去IMF分量，并对剩余信号进行筛选得到另一IMF分量；
以此类推，将所述加速度信号分解成多个IMF分量，得到多个模态的所述子信号。
优选的，在上述一种基于计算机视觉及变分模态分解的结构模态识别方法中，所述利用频域分解法识别降噪处理后的加速度信号，得到结构物在各阶模态下的振动特性，包括：
采用傅里叶变换，将降噪处理后的加速度信号的时程曲线转换至频域，得到频域特征信号；
利用功率谱密度函数识别所述频域特征信号，得到结构物的振型系数；
根据振型系数得到结构物在各阶模态下的振动特性。
优选的，在上述一种基于计算机视觉及变分模态分解的结构模态识别方法中，所述振型系数的计算公式为：
φpi＝Spk(ωi)/Spp(ωi)；
其中，φpi表示测试点p处第i个振型的振型系数；Spp(ωi)表示测试点p处响应信号的自功率谱密度；Spk(ωi)表示测试点p和基准点k处响应信号的互功率谱密度。
优选的，在上述一种基于计算机视觉及变分模态分解的结构模态识别方法中，所述自功率谱密度的计算公式为：
Figure BDA0003069841170000051
所述互功率谱密度的计算公式为：
Figure BDA0003069841170000052
其中，Xpj(ωi)表示某一测试点随机振动加速度响应的第j个数据段的傅里叶变换；
Figure BDA0003069841170000053
是Xpj(ωi)的共轭复数；NFFT是傅里叶变换的数据长度；M表示加速度信号分解的段数。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于计算机视觉及变分模态分解的结构模态识别方法，首先，本发明无需采用接触式传感器和专业数据采集设备，运用录像设备记录结构物的振动视频，通过采用机器视觉角度从振动视频中提取振动数据，具有较高的精度，解决了目前测试中存在的测点有限、检测不便的问题，实现结构动力特性的实时、高效、简便、低成本检测。
其次，本发明基于高斯金字塔对光流算法进行改进，实现对结构物振动视频的信息提取，获得被选择点在图像尺度上的振动信息，提取过程中，使图像平面中振动位移量偏大的特征点，也能够满足光流假设，不仅提高了对特征点的提取速度，还能减小位移量偏大的特征点的速度偏差
再次，由于视频按一定比例缩小实际空间下结构物的大小，也等比例缩小了结构物的振动位移量。故在图像平面的振动位移量与实际平面的振动位移量相差一个比例系数，使经过光流法计算出的图像平面的速度信息相对于地面系也相差相同的比例。针对此，本发明通过尺度变换获得选择点相对于地面参考系的真实振动加速度，进一步确保模态识别的精度。
最后，本发明通过变分模态分解(VMD)对加速度信号进行降噪处理，可以获得振动加速度信号的有效分解分量，有效降低了由于多阶模态叠加引起的非平稳性问题。通过频域分解法分析识别VMD处理后的加速度信号，得到结构物的动力特性参数，实现对结构物的模态识别。最终通过识别结果可以对结构物的性能、安全性或者损伤程度进行判别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的基于计算机视觉及变分模态分解的结构模态识别方法流程图。
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做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。
如图1所示，本发明实施例公开了一种基于计算机视觉及变分模态分解的结构模态识别方法，包括以下步骤：
S1、采集结构物的振动视频，并选取振动视频中满足预设像素级的像素点，作为特征点。本步骤的目的在于选取振动明显的像素点作为特征点，为后续的模态识别提供基础。
S2、利用Farneback稠密光流算法计算所选取的各特征点的速度。
物体的运动投影在图像上反应的是像素的移动，这种像素的瞬时移动速度就是光流。光流法是利用图像序列中的像素在时间域上的变化、相邻帧之间的相关性来找到的上一帧跟当前帧间存在的对应关系，计算出相邻帧之间物体的运动信息的一种方法。
目前光流法的前提假设包括：相邻帧之间亮度恒定；相邻帧之间取时间连续或者运动变化微小；同一子图像中像素点具有相同的运动，即下式：
Figure BDA0003069841170000071
X表示像素点在二维图像平面的坐标；t表示时间；I(X,t)表示像素点的灰度值。可知，振动视频中像素点的灰度值在光流假设中与像素点的位置和时间有关。
本实施例采用基于梯度的Farneback稠密光流算法计算所选取特征点集的速度，其前提假设如下：
Farneback稠密光流算法基于梯度的假设如下：
Figure BDA0003069841170000072
其中，
Figure BDA0003069841170000073
表示像素点灰度值关于像素点位置和时间的全微分；H(I)表示像素点的灰度值沿像素点位置的变化率；d表示像素点在图像平面的速度；
Figure BDA0003069841170000074
表示像素点的灰度值沿时间的变化率。
采用Farneback稠密光流算法计算所选取的各特征点的速度时，用图像金字塔来压缩图片。图像金字塔的原理如下：Farneback稠密光流算法在每次计算光流的时候都会自动生成一个图像金字塔，首先将原图像作为最底层图像(高斯金字塔的第0层)。利用高斯核进行卷积(高斯平滑)，然后对卷积后的图像进行下采样(去除偶数行和列)得到上一层图像，将此图像作为输入，重复卷积和下采样操作得到更上一层图像，反复迭代多次，形成一个金字塔形的图像数据结构，即高斯金字塔。
在底层金字塔的原始图片中，已知特征点在图像平面的位移量为d。每往上一层图片的分辨率降低一半，特征点的振动位移量变为原来的
Figure BDA0003069841170000081
经过上采样后在第一层金字塔中特征点的估计位移量为
Figure BDA0003069841170000082
其真实位移量为
Figure BDA0003069841170000083
故向上采样n层时，第n层估计量为
Figure BDA0003069841170000084
真实位移量为
Figure BDA0003069841170000085
其误差为
Figure BDA0003069841170000086
从第n层金字塔特征点对应的振动位移量推断n-1层的位移量并与下一层真实振动位移量相对比，估计误差并进行修正。
S3、利用尺度变换的方式计算各特征点在真实地面坐标系下的速度及加速度，得到非平稳序列的加速度信号。
图像平面缩小了实际空间下物体的大小，同时也等比例缩小了物体振动时的振动位移。图像平面展现的物体大小与实际平面中物体的大小相差一个比例系数，在相机倾角很小的情况下，本实施例采用如下方程确定比例系数：
Figure BDA0003069841170000087
其中，SF表示图像平面展现的物体大小与实际平面中物体的大小之间的比例系数；dknown表示物体表面的已知物理长度，Iknown表示图像平面的像素长度。本发明实施例通过尺度变换的方式获得各特征点的真实速度和真实加速度。
S4、利用变分模态分解方法对加速度信号进行降噪处理。
本实施例采用VMD把光流算法计算出的加速度信号进行预处理。
具体为：将加速度信号分解成20个子信号；
计算每个子信号的熵(此处的熵定义为信号的平方和)，将子信号按照熵从大到小的次序进行排列，保留前2～3个子信号，并将其求和(叠加)作为预处理后信号。
信号通过VMD方法处理后，由于多阶模态叠加引起的非平稳性得以有效降低。本发明通过控制带宽来避免混叠现象，VMD起到相当于带通滤波器作用，可以很好地把振动信号每个模态频率的振动分量提取出来。与经验模态EMD原理不同，VMD分解方式是利用迭代搜索变分模型最优解来确定每个分解的分量中心频率及带宽，属于完全非递归模型，该模型寻找模态分量的集合及其各自的中心频率，而每个模态在解调成基带之后是平滑的对于采样和噪声方面，该方法更具有鲁棒性。
VMD是一种自适应的、完全非递归的信号处理方法。其对子信号进行划分的具体过程为：
1.通过样条拟合构造加速度信号的上下包络，并计算两个包络的平均值。
2.从原始信号中减去平均值，得到中间信号，该过程称为筛选过程。
通过重复筛选过程，直到产生的信号成为单一成分，即一个零的上交叉(或下交叉)等于峰值的数量。这样的单分量信号被称为本征模态函数(IMF)。
3.判断中间信号是否满足本征模态函数的两个条件，如果满足，则将该中间信号作为一个IMF分量；如果不满足，则以该中间信号为基础，重新执行1-2；
4.从原始信号中减去当前IMF，并对剩余信号进行重复筛选以获得另一IMF分量。通过这一过程可以实现IMF的有效分离和信号的频域划分，进而得到给定加速度信号的有效分解成分，即得到多个模态的子信号。
S5、利用频域分解法识别降噪处理后的加速度信号，得到结构物在各阶模态下的振动特性。
本实施例采用频域分解法来识别经过VMD处理后的数据。频域分解法采用快速傅里叶变换，将测得的加速度时程曲线转换到频域，通过功率谱密度函数来识别参数。功率谱是研究随机振动频率特性的重要统计参数，能够反映振动信号数据的统计平均特性。功率谱有自功率谱和互功率谱，在加速度信号是同步采集的情况下，自功率谱密度与互功率谱密度的比值可以确定结构的振型。振型可依据下式确定：
φpi＝Spk(ωi)/Spp(ωi)；
其中，φpi表示测试点p处第i个振型的振型系数；Spp(ωi)表示测试点p处响应信号的自功率谱密度；Spk(ωi)表示测试点p和基准点k处响应信号的互功率谱密度。
本实施例采用平均周期图法估计功率谱密度，该方法将加速度信号分解为若干段(即下式中的M段)，分别计算每段数据的功率谱，然后进行平均。自功率谱密度函数和互谱密度函数的计算如下所示：
Figure BDA0003069841170000101
Figure BDA0003069841170000102
其中，Xpj(ωi)表示某一测试点随机振动加速度响应的第j个数据段的傅里叶变换；
Figure BDA0003069841170000103
是Xpj(ωi)的共轭复数；NFFT是傅里叶变换的数据长度；M表示加速度信号分解的段数。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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 (4)

1.一种基于计算机视觉及变分模态分解的结构模态识别方法，其特征在于，包括以下步骤：
采集结构物的振动视频，并选取所述振动视频中满足预设像素级的像素点，作为特征点；
利用Farneback稠密光流算法计算所选取的各所述特征点的速度；包括：
采用高斯金字塔对振动视频中的各视频帧图像进行多尺度描述，得到各特征点在高斯金字塔中不同尺度图像平面的位移量；
采用高斯金字塔对各特征点的位移量进行估计，得到各特征点在时间域上的振动位移量变化；
利用Farneback稠密光流算法，结合各特征点在时间域上的振动位移量变化，得到所选取的各所述特征点的速度；
所述Farneback稠密光流算法基于梯度的假设如下：
Figure FDA0003593685200000011
其中，
Figure FDA0003593685200000012
表示像素点灰度值关于像素点位置和时间的全微分；H(I)表示像素点的灰度值沿像素点位置的变化率；d表示像素点在图像平面的速度；
Figure FDA0003593685200000013
表示像素点的灰度值沿时间的变化率；
在底层金字塔的原始图片中，已知特征点在图像平面的位移量为d，每往上一层图片的分辨率降低一半，特征点的振动位移量变为原来的
Figure FDA0003593685200000014
经过上采样后在第一层金字塔中特征点的估计位移量为
Figure FDA0003593685200000015
其真实位移量为
Figure FDA0003593685200000016
故向上采样n层时，第n层估计量为
Figure FDA0003593685200000017
真实位移量为
Figure FDA0003593685200000018
其误差为
Figure FDA0003593685200000019
从第n层金字塔特征点对应的振动位移量推断n-1层的位移量并与下一层真实振动位移量相对比，估计误差并进行修正；
利用尺度变换的方式计算各所述特征点在真实地面坐标系下的速度及加速度，得到非平稳序列的加速度信号；
利用变分模态分解方法对所述加速度信号进行降噪处理；
利用频域分解法识别降噪处理后的加速度信号，得到结构物在各阶模态下的振动特性；包括：
采用傅里叶变换，将降噪处理后的加速度信号的时程曲线转换至频域，得到频域特征信号；
利用功率谱密度函数识别所述频域特征信号，得到结构物的振型系数；所述振型系数的计算公式为：
φpi＝Spk(ωi)/Spp(ωi)；
其中，φpi表示测试点p处第i个振型的振型系数；Spp(ωi)表示测试点p处响应信号的自功率谱密度；Spk(ωi)表示测试点p和基准点k处响应信号的互功率谱密度；
所述自功率谱密度的计算公式为：
Figure FDA0003593685200000021
所述互功率谱密度的计算公式为：
Figure FDA0003593685200000022
其中，Xpj(ωi)表示某一测试点随机振动加速度响应的第j个数据段的傅里叶变换；
Figure FDA0003593685200000023
是Xpj(ωi)的共轭复数；NFFT是傅里叶变换的数据长度；M表示加速度信号分解的段数
根据振型系数得到结构物在各阶模态下的振动特性。
2.根据权利要求1所述的一种基于计算机视觉及变分模态分解的结构模态识别方法，其特征在于，所述尺度变换的表达式为：
Figure FDA0003593685200000024
其中，SF表示图像平面展现的物体大小与实际平面中物体的大小之间的比例系数；dknown表示物体表面的已知物理长度，Iknown表示图像平面的像素长度。
3.根据权利要求1所述的一种基于计算机视觉及变分模态分解的结构模态识别方法，其特征在于，所述降噪处理包括：
将所述加速度信号分解成多个子信号；
计算每个子信号的熵；
将子信号的熵按照从大到小的顺序进行排列，保留前2～3个子信号，并将所述前2～3个子信号求和，作为降噪处理后的加速度信号。
4.根据权利要求3所述的一种基于计算机视觉及变分模态分解的结构模态识别方法，其特征在于，所述子信号的划分过程为：
利用样条拟合方法构造所述加速度信号的上下包络，并计算两个包络的平均值；
从原始信号中减去平均值，得到中间信号；
判断中间信号是否满足本征模态函数的两个条件，如果满足，则将该中间信号作为一个IMF分量；
从原始信号中减去IMF分量，并对剩余信号进行筛选得到另一IMF分量；
以此类推，将所述加速度信号分解成多个IMF分量，得到多个模态的所述子信号。
CN202110535969.9A 2021-05-17 2021-05-17 一种基于计算机视觉及变分模态分解的结构模态识别方法 Active CN113128474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110535969.9A CN113128474B (zh) 2021-05-17 2021-05-17 一种基于计算机视觉及变分模态分解的结构模态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110535969.9A CN113128474B (zh) 2021-05-17 2021-05-17 一种基于计算机视觉及变分模态分解的结构模态识别方法

Publications (2)

Publication Number Publication Date
CN113128474A CN113128474A (zh) 2021-07-16
CN113128474B true CN113128474B (zh) 2022-06-03

Family

ID=76782093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110535969.9A Active CN113128474B (zh) 2021-05-17 2021-05-17 一种基于计算机视觉及变分模态分解的结构模态识别方法

Country Status (1)

Country Link
CN (1) CN113128474B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114486260B (zh) * 2022-01-07 2022-09-02 西南交通大学 基于自适应变分模态分解的轴承故障诊断方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105865735A (zh) * 2016-04-29 2016-08-17 浙江大学 一种基于视频监控的桥梁振动测试与动力特性识别方法
CN106932084A (zh) * 2017-04-27 2017-07-07 武汉大学 基于机器双目视觉系统的输电导线风致振动模态测量方法
CN109858156A (zh) * 2019-01-31 2019-06-07 东南大学 基于车桥耦合振动的车辆与结构信息同时识别方法
CN110994802A (zh) * 2019-12-20 2020-04-10 河南九域恩湃电力技术有限公司 一种输电导线运行状态监测方法和装置
CN111143927A (zh) * 2019-12-23 2020-05-12 大连理工大学 一种基于结构响应线性组合的约束模态分解与频率识别方法
CN111784647A (zh) * 2020-06-19 2020-10-16 西北工业大学 基于视频振动放大的高精度结构模态测试方法
CN112347828A (zh) * 2019-08-06 2021-02-09 北京大学 一种自适应微小动作凸显系统
CN112733759A (zh) * 2021-01-15 2021-04-30 中国电力科学研究院有限公司 基于视觉图像局部二值化处理的结构振动测量方法及系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8577628B2 (en) * 2009-04-10 2013-11-05 University Of South Carolina System and method for modal identification using smart mobile sensors
US10037609B2 (en) * 2016-02-01 2018-07-31 Massachusetts Institute Of Technology Video-based identification of operational mode shapes
US10567655B2 (en) * 2016-09-19 2020-02-18 Triad National Security, Llc System and method for automated extraction of high resolution structural dynamics from video
CN107515424A (zh) * 2017-07-26 2017-12-26 山东科技大学 一种基于vmd与小波包的微震信号降噪滤波方法
CN109726642A (zh) * 2018-12-13 2019-05-07 云南电网有限责任公司电力科学研究院 一种基于变分模态分解的分布式光纤振动信号的降噪方法
CN109948249A (zh) * 2019-03-19 2019-06-28 东南大学 基于变分模态分解的斜拉索时变索力识别方法
CN110602485B (zh) * 2019-04-26 2020-09-29 深圳市豪视智能科技有限公司 故障检测方法及相关产品
CN110642109B (zh) * 2019-04-26 2021-03-19 深圳市豪视智能科技有限公司 升降设备的振动检测方法、装置、服务器及存储介质
CN110595602B (zh) * 2019-04-26 2021-10-15 深圳市豪视智能科技有限公司 振动检测方法及相关产品
CN110191320B (zh) * 2019-05-29 2021-03-16 合肥学院 基于像素时序运动分析的视频抖动与冻结检测方法及装置
CN110866892B (zh) * 2019-09-30 2022-04-08 南京航空航天大学 一种基于视觉的离线振动测量分析方法及系统
CN111539378B (zh) * 2020-05-12 2023-05-09 重庆大学 基于变分模态分解和灰色关联分析的机械振动信号特征提取方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105865735A (zh) * 2016-04-29 2016-08-17 浙江大学 一种基于视频监控的桥梁振动测试与动力特性识别方法
CN106932084A (zh) * 2017-04-27 2017-07-07 武汉大学 基于机器双目视觉系统的输电导线风致振动模态测量方法
CN109858156A (zh) * 2019-01-31 2019-06-07 东南大学 基于车桥耦合振动的车辆与结构信息同时识别方法
CN112347828A (zh) * 2019-08-06 2021-02-09 北京大学 一种自适应微小动作凸显系统
CN110994802A (zh) * 2019-12-20 2020-04-10 河南九域恩湃电力技术有限公司 一种输电导线运行状态监测方法和装置
CN111143927A (zh) * 2019-12-23 2020-05-12 大连理工大学 一种基于结构响应线性组合的约束模态分解与频率识别方法
CN111784647A (zh) * 2020-06-19 2020-10-16 西北工业大学 基于视频振动放大的高精度结构模态测试方法
CN112733759A (zh) * 2021-01-15 2021-04-30 中国电力科学研究院有限公司 基于视觉图像局部二值化处理的结构振动测量方法及系统

Also Published As

Publication number Publication date
CN113128474A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN112507997B (zh) 一种基于多尺度卷积和感受野特征融合的人脸超分辨系统
Zheng et al. An advanced image fusion algorithm based on wavelet transform: incorporation with PCA and morphological processing
Aiazzi et al. Multiresolution local-statistics speckle filtering based on a ratio Laplacian pyramid
CN105046651B (zh) 一种图像的超分辨率重构方法和装置
Kobylin et al. Comparison of standard image edge detection techniques and of method based on wavelet transform
US9111359B2 (en) Method and system for detecting matrix-based motion including frequency transform and filtering
Gilboa Nonlinear eigenproblems in image processing and computer vision
Bourennane et al. Generalization of Canny–Deriche filter for detection of noisy exponential edge
CN113128474B (zh) 一种基于计算机视觉及变分模态分解的结构模态识别方法
Narváez et al. Point cloud denoising using robust principal component analysis
Guo et al. Box spline wavelet frames for image edge analysis
Cox Template matching and measures of match in image processing
CN112150474A (zh) 一种水下气泡图像特征分割提取方法
CN116167947A (zh) 一种基于噪声水平估计的图像降噪方法
CN110657807A (zh) 基于小波变换检测不连续性的室内定位位移测量方法
CN106709516B (zh) 一种基于朴素贝叶斯方法的模糊图像检测方法
US7319788B2 (en) Visualization of S transform data using principal-component analysis
Kakkar et al. Fingerprint image enhancement using Wavelet transform and Gabor filtering
Schug et al. Three-dimensional shearlet edge analysis
CN112927169A (zh) 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法
Karras et al. New PDE-based methods for image enhancement using SOM and Bayesian inference in various discretization schemes
Shen On multi-edge detection
Choudhary et al. A novel approach for edge detection for blurry images by using digital image processing
Shi et al. An approach to image segmentation using multiresolution analysis of wavelets
CN110674681A (zh) 基于注意力机制的身份验证方法和装置

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Guo Feiyu

Inventor after: He Yuanjun

Inventor after: Li Yutong

Inventor before: Dong Yinfeng

Inventor before: Guo Feiyu

Inventor before: He Yuanjun

Inventor before: Li Yutong

GR01 Patent grant
GR01 Patent grant