CN115100126A - 一种桥梁结构平面位移场智能感知方法 - Google Patents

Abstract

本发明提出了一种桥梁结构平面位移场智能感知方法，属于监测领域，包括：在待测桥梁关键位置处设置靶标，利用固定在自动旋转云台上摄像机对桥梁进行扫描式成像，通过透视变换将扫描得到的图像投影至同一个平面并拼接，得到二维全景图像；对相机扰动进行消除，采用GrabCut算法提取待测桥梁结构部位的图像，进行网格离散化；利用靶标对相机进行标定以消除畸变，同时计算出像素‑位移转换系数，采用二次曲面拟合改进的模板匹配算法得出关键节点位移；采用三角形形函数和矩形形函数对关键节点位移信息进行传递，从而获取待测桥梁结构平面位移场。本方法实现了桥梁结构平面位移场的准确快速非接触获取。本发明具有便捷、准确的优点。

Description

一种桥梁结构平面位移场智能感知方法

技术领域

本发明属于桥梁工程检测与健康监测领域，具体涉及一种桥梁结构平面位移场智能感知方法。

背景技术

变形信息对于评估桥梁结构完整性和状态至关重要，它能反映结构出现的异常或缺陷。在结构检测或健康监测系统中，获取结构变形信息的主要途径是位移测量。因此，位移测量与模态识别、结构损伤识别和结构安全评估等密切相关，是不可或缺的一部分。基于计算机视觉的位移测量方法主要是利用摄像头追踪特征区域，分析其运动以实现结构位移测量。该方法可实现快速低成本的非接触式测量，近年来受到研究人员的广泛关注。

但这些当前最新的方法研究的重点在于结构单点或者多点的位移测量，对于大规模的桥梁结构来说，当前的方法只能获取该结构上的某一个点或者某几个点的位移信息，受限于摄像机的视野局限而无法同时对大规模的桥梁结构进行成像和分析。当前视觉测量方法无法对桥梁结构平面位移场进行测量。因此，亟需基于当前最新的计算机视觉技术发展一套基于视觉的桥梁结构平面位移场智能感知的方法。

发明内容

基于以上不足之处，本发明的目的是提供的一种桥梁结构平面位移场智能感知方法，能够更加直观地反映整个结构的状态，可以为后续的桥梁结构的病害识别和安全评估提供更加丰富的数据基础。

本发明所采用的技术方案如下：一种桥梁结构平面位移场智能感知方法，按以下步骤实现的：

步骤一：在待测桥梁结构关键位置处设置具备明显特征的靶标，关键位置的确定以保证后续扫描式成像得到的相邻两张图像至少包含一个靶标为准；

步骤二：利用固定在自动旋转云台上的可见光摄像机在一定距离内对待测桥梁结构进行平面扫描式成像；

步骤三：通过透视变换将扫描得到的图像投影至同一个平面并进行图像拼接，从而得到待测桥梁结构的二维全景图像；

步骤四：在图像中选取非桥梁部位的背景区域作为静止参考点，对相机的扰动进行消除，采用GrabCut算法提取待测桥梁结构部位的图像，并将其进行网格离散化；

步骤五：利用靶标对相机进行标定以消除畸变，同时计算出像素-位移转换系数，采用二次曲面拟合改进的模板匹配算法得出关键节点位移；

步骤六：采用三角形形函数和矩形形函数对关键节点位移信息进行传递，从而获取待测桥梁结构平面位移场。

进一步的，步骤二对桥梁结构平面扫描式成像过程包括：

固定在自动旋转云台上的可见光摄像机设置在待测桥梁结构的跨中位置，同待测桥梁结构平面的垂直距离根据摄像机的焦距和位移测量的精度要求共同确定；自动旋转云台的初始位置需保证可见光摄像机的镜头所在竖直面同待测桥梁结构平面平行；自动旋转云台的旋转角度需由图像拼接所需的相邻图像正向重叠率和旁向重叠率确定，旋转速度的确定不应产生运动模糊。

进一步的，步骤四对桥梁结构平面二维图像进行网格离散化的过程包括：

在经过相机扰动校正，重新裁剪之后，确定网格大小，在同尺寸全景图像上绘制网格的横线和竖线，此时的网格尚未舍弃背景部分，为全图尺寸的网格，是对全图进行规则的矩形网格离散化；对二维全景图像的待测桥梁结构部位提取图像进行二值化阈值处理，将背景置为0，桥梁结构部位置为1，形成二值化的图像，称为掩膜；将所述的掩膜的每个像素与全尺寸网格图的对应像素进行按位与运算，即1&1＝1，0&1＝0，从而保留桥梁结构部位范围内的网格；将桥梁结构部位范围内直线的端点首尾相连，将竖直与水平的网格线限定在其中，形成带有边界的网格，此时已经初步形成网格划分，不与边界接触的网格为规则的矩形网格；与边界接触的网格规则不一，需对其完成进一步的精细划分，边缘处的网格形状有梯形、五边形和三角形，为统一形状和精细化，将梯形和五边形分割成若干个三角形，至此完成整个位移场网格的离散划分。

进一步的，步骤六采用三角形和矩形形函数对关键节点位移信息进行传递的过程包括：

(1)已知矩形网格四个关键节点处的位移求得为p_i，则网格内所有非节点处的位移p(a,b)则为：

p(a,b)＝∑Y_ip_i (1)

其中a和b分别为矩形网格的正则化坐标，Y_i为节点i的形函数，其满足以下公式：

Y_i＝0.25v(a+m)(b+n) (2)

其中，v、m和n均为调整系数，当i为奇数时，v为1，否则为-1，当i为2或3时，m为1，否则为-1，当i大于2时，n为1，否则为-1；

(2)已知三角形网格三个关键节点处的位移求得为q_i，则网格内所有非节点处的位移q(x,y)则为：

q(x，y)＝∑X_iq_i (3)

其中x和y分别为三角形网格的坐标，Xi为节点i的形函数，其满足以下公式：

X_i(x，y)＝[(x₁y₂+x₂y₃+x₃y₁)-(x₂y₁+x₃y₂+x₁y₃)](h_i+j_ix+k_iy) (4)

其中：

h,j,k为调整系数，(x₁,y₁),(x₂,y₂),(x₃,y₃)分别为三角形网格第1,2,3个节点的坐标。

本发明的有益效果及优点为：本发明实现了基于计算机视觉技术的大规模桥梁结构平面位移场的智能感知；本发明便捷、准确，提升了桥梁结构位移测量的智能化水平。本发明还能满足桥梁结构施工监测。竣工验收等位移测量需求，提高了桥梁建造和管养的信息化和自动化水平。

附图说明

图1桥梁结构二维全景图像。

图2桥梁结构平面部位图像网格离散化结果。

图3桥梁结构平面位移场感知结果。

具体实施方式

本发明针对现有视觉位移测量方法只能针对单点或多点位移进行感知的局限，通过采用图像拼接的方法获取桥梁结构平面的大范围图像后，将结构部位图像分割后进行网格离散化，通过具备物理意义的形函数思想将关键节点位移信息传递到非节点处，从而实现了考虑物理限制的桥梁结构平面位移场的准确快速非接触获取。下面通过举例，通过设置在实验室的大型缩尺桥梁模型试验对本发明做进一步的说明，实验对象为三跨缩尺有机玻璃桥的悬臂跨

(2644mm)。

实施例1：

一种桥梁结构平面位移场智能感知，按照以下步骤实现的：

步骤一：在待测桥梁结构关键位置处设置具备明显特征的靶标，关键位置的确定以保证后续扫描式成像得到的相邻两张图像至少包含一个靶标为准；在表面散布着棋盘格状的靶标，并以桥梁的自由端为起点，每隔100mm进行标记；

步骤二：利用固定在自动旋转云台上的可见光摄像机在一定距离内对待测桥梁结构进行扫描式成像；在桥梁半跨的3.5m垂直距离处架设云台，为尽可能多地获取腹板细节，将相机焦距设置为最大值50mm。由于桥梁高度较小，设定云台的旋转角度幅度为2°，通过仅在桥梁跨度方向左右旋转云台的方式，即可实现对20张全桥局部图像的采集。本步骤针对当前视觉位移测量方法视野有限且多相机同时拍摄同步性差的问题，提出将自动旋转云台应用在视觉位移测量中结合后续的图像拼接技术以获取更大的视野；

步骤三：通过透视变换将扫描得到的图像投影至同一个平面并进行图像拼接，从而得到待测桥梁结构的二维全景图像；结合每张图像拍摄时的倾斜角度，通过透视变换，统一各局部图像的投影平面；最后再基于SIFT特征点实现桥梁全景拼接图；在拼接图中，散布着的棋盘格图案未发生变形，由此得到的转换系数为0.073734mm/pixel；27个100mm间距标记点的视觉测量距离的相对误差在1％以内；两处安装传感器的测点的视觉测量位移误差在2％以内，说明图像的拼接效果良好；

步骤四：在图像中选取非桥梁部位的背景区域作为静止参考点，对相机的扰动进行消除，采用GrabCut算法提取待测桥梁结构部位的图像，并将其进行网格离散化；本步骤针对当前视觉位移测量研究在结构平面位移场方面的技术空白，提出对待测结构平面进行二维全景成像后，使用网格离散化手段对位移场进行描述和求解，既加速了计算过程，又可以根据精度需求自主调节网格尺寸；

步骤五：利用靶标对相机进行标定以消除畸变，同时计算出像素-位移转换系数，采用二次曲面拟合改进的模板匹配算法得出关键节点位移；通过张氏标定法，得到相机内参，完成相机标定，标定误差仅为0.178像素，据此完成畸变校正；利用Harris角点检测法，根据角点的实际距离得到不同拍摄距离对应的转换系数；采用零均值归一化互相关系数，利用模板匹配得到整像素位移；再基于离散的相关系数矩阵，利用二次曲面拟合亚像素算法得到亚像素位移，测量误差在1个像素以内；

步骤六：采用三角形形函数和矩形形函数对关键节点位移信息进行传递，从而获取待测桥梁结构平面位移场；

(1)已知矩形网格四个关键节点处的位移求得为p_i，则网格内所有非节点处的位移p(a,b)则为：

p(a,b)＝∑Y_ip_i (1)

其中a和b分别为矩形网格的正则化坐标，Y_i为节点i的形函数，其满足以下公式：

Y_i＝0.25v(a+m)(b+n) (2)

其中，v、m和n均为调整系数，当i为奇数时，v为1，否则为-1，当i为2或3时，m为1，否则为-1，当i大于2时，n为1，否则为-1；

(2)已知三角形网格三个关键节点处的位移求得为q_i，则网格内所有非节点处的位移q(x，y)则为：

q(x，y)＝∑X_iq_i (3)

其中(x，y)分别为三角形网格的坐标，Xi为节点i的形函数，其满足以下公式：

X_i(x，y)＝[(x₁y₂+x₂y₃+x₃y₁)-(x₂y₁+x₃y₂+x₁y₃)](h_i+j_ix+k_iy) (4)

其中：

h，j，k为调整系数，(x₁，y₁)，(x₂，y₂)，(x₃，y₃)分别为三角形网格第1，2，3个节点的坐标；

本步骤针对桥梁结构平面全景图像离散化后通过上述过程只能求解节点处位移而非节点处位移无法快速求解的问题，创造性地借鉴了有限单元法中的形函数思想，将三角形形函数和矩形形函数对节点-非节点信息传递进行建模，从而实现非节点位移符合物理限制的快速求解。

实施例2

为验证本发明所提算法的准确性，利用Abaqus对实验所用的桥梁模型建立有限元模型，提取竖直方向位移场的数据，同本发明计算得到的位移场数据进行对比，使用归一化相关系数(公式6)对两个位移场的相似度进行描述。

最终求得归一化相关系数达到0.9995，验证了本发明所提算法的准确性。

Claims (4)

1.一种桥梁结构平面位移场智能感知方法，其特征在于，方法按以下步骤实现的：

步骤一：在待测桥梁结构关键位置处设置具备明显特征的靶标，关键位置的确定以保证后续扫描式成像得到的相邻两张图像至少包含一个靶标为准；

步骤二：利用固定在自动旋转云台上的可见光摄像机在一定距离内对待测桥梁结构进行平面扫描式成像；

步骤三：通过透视变换将扫描得到的图像投影至同一个平面并进行图像拼接，从而得到待测桥梁结构的二维全景图像；

步骤四：在图像中选取非桥梁部位的背景区域作为静止参考点，对相机的扰动进行消除，采用GrabCut算法提取待测桥梁结构部位的图像，并将其进行网格离散化；

步骤五：利用靶标对相机进行标定以消除畸变，同时计算出像素-位移转换系数，采用二次曲面拟合改进的模板匹配算法得出关键节点位移；

步骤六：采用三角形形函数和矩形形函数对关键节点位移信息进行传递，从而获取待测桥梁结构平面位移场。

2.根据权利要求1所述的一种桥梁结构平面位移场智能感知方法，其特征在于：步骤二对桥梁结构平面扫描式成像过程包括：

固定在自动旋转云台上的可见光摄像机设置在待测桥梁结构的跨中位置，同待测桥梁结构平面的垂直距离根据摄像机的焦距和位移测量的精度要求共同确定；

自动旋转云台的初始位置需保证可见光摄像机的镜头所在竖直面同待测桥梁结构平面平行；

自动旋转云台的旋转角度需由图像拼接所需的相邻图像正向重叠率和旁向重叠率确定，旋转速度的确定不应产生运动模糊。

3.根据权利要求2所述的一种桥梁结构平面位移场智能感知方法，其特征在于：步骤四对桥梁结构平面二维图像进行网格离散化的过程包括：

在经过相机扰动校正，重新裁剪之后，确定网格大小，在同尺寸全景图像上绘制网格的横线和竖线，此时的网格尚未舍弃背景部分，为全图尺寸的网格，是对全图进行规则的矩形网格离散化；对二维全景图像的待测桥梁结构部位提取图像进行二值化阈值处理，将背景置为0，桥梁结构部位置为1，形成二值化的图像，称为掩膜；将所述的掩膜的每个像素与全尺寸网格图的对应像素进行按位与运算，即1&1＝1，0&1＝0，从而保留桥梁结构部位范围内的网格；将桥梁结构部位范围内直线的端点首尾相连，将竖直与水平的网格线限定在其中，形成带有边界的网格，此时已经初步形成网格划分，不与边界接触的网格为规则的矩形网格；与边界接触的网格规则不一，需对其完成进一步的精细划分，边缘处的网格形状有梯形、五边形和三角形，为统一形状和精细化，将梯形和五边形分割成若干个三角形，至此完成整个位移场网格的离散划分。

4.根据权利要求3所述的一种桥梁结构平面位移场智能感知方法，其特征在于：步骤六采用三角形和矩形形函数对关键节点位移信息进行传递的过程包括：

(1)已知矩形网格四个关键节点处的位移求得为p_i，则网格内所有非节点处的位移p(a,b)则为：

p(a,b)＝∑Y_ip_i (1)

其中a和b分别为矩形网格的正则化坐标，Y_i为节点i的形函数，其满足以下公式：

Y_i＝0.25v(a+m)(b+n) (2)

其中，v、m和n均为调整系数，当i为奇数时，v为1，否则为-1，当i为2或3时，m为1，否则为-1，当i大于2时，n为1，否则为-1；

(2)已知三角形网格三个关键节点处的位移求得为q_i，则网格内所有非节点处的位移q(x,y)则为：

q(x，y)＝ΣX_iq_i (3)

其中(x，y)为三角形网格的坐标，X_i为节点i的形函数，其满足以下公式：

X_i(x，y)＝[(x₁y₂+x₂y₃+x₃y₁)-(x₂y₁+x₃y₂+x₁y₃)](h_i+j_ix+k_iy) (4)

其中：

h,j,k为调整系数，(x₁,y₁),(x₂,y₂),(x₃,y₃)分别为三角形网格第1,2,3个节点的坐标。

Images