CN115330832A - 一种基于计算机视觉的输电铁塔全自由度位移监测系统和方法 - Google Patents
一种基于计算机视觉的输电铁塔全自由度位移监测系统和方法 Download PDFInfo
- Publication number
- CN115330832A CN115330832A CN202110514051.6A CN202110514051A CN115330832A CN 115330832 A CN115330832 A CN 115330832A CN 202110514051 A CN202110514051 A CN 202110514051A CN 115330832 A CN115330832 A CN 115330832A
- Authority
- CN
- China
- Prior art keywords
- image
- displacement
- module
- monitoring system
- monitoring
- 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.)
- Pending
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 230000005540 biological transmission Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims description 43
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 37
- 229910052742 iron Inorganic materials 0.000 claims abstract description 28
- 238000012634 optical imaging Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 238000005259 measurement Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 13
- 239000003550 marker Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000003707 image sharpening Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000572 ellipsometry Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供一种基于计算机视觉的输电铁塔位移监测系统，包括：图像采集模块，图像识别模块和图像处理模块；所述图像采集模块布置在输电铁塔上；所述图像采集模块包括光学成像模块，所述光学成像模块的CMOS与输电铁塔的高度满足下列关系：1/M＝Re/H，其中，M为CMOS长边像元数量，和H为输电铁塔塔高，Re为单像素精度。本发明能够有效提高建筑物位移监测效率。
Description
技术领域
本发明属于输电设备领域，具体涉及一种基于计算机视觉的输电铁塔全自由度位移监测系统和方法。
背景技术
铁塔是电力和通信网络的重要基础设施，包括高压输电线铁塔，通信基站铁塔等。随着我国电力、通信、高速铁路的发展，铁塔数量大幅增加，铁塔在电力输电线路与通信网络的覆盖中起到了桥梁架接的作用，铁塔的安全运行对于保持铁路行车同样具有重要的意义。铁塔通常为大型钢结构塔，长期在室外风力，雨水等情况下使用，甚至会受到极端天气，自然灾害，工程施工和人为破坏，造成对铁塔的腐蚀和损害，从而导致铁塔的摇摆和倾斜。目前，各国铁塔倾斜事故时有发生，致使输电线路和通信网络中断，严重的会引发塔体倒塌事件，造成重大的人员伤亡和财产损失。因此，对结构使用期的性能进行监测和诊断、及时发现结构的损伤、对可能出现的灾害进行预警和评估结构的安全性等问题已经成为未来工程发展必然需要考虑的问题，也是结构位移监测发展的一个非常重要的领域。
对于大型建筑物，如何更加精准实时地进行动态观测是一个亟待解决的现实问题。例如，高层结构在风振和地震作用下位移，铁塔的水平横向震动和竖向震动位移，工程施工前和施工过程中的定位和监控，实验室和室外条件下的位移观测等。对于动态观测对象，它们的位移是随时间逐渐变化的，而且可能含有一定的规律，可以直接通过位移信息对待测物的安全性进行监测和评估。
传统的接触式测量位移具有成本高，精度低，测量难度大等局限性。随着图像识别技术的高速发展，采用光学模块采集图像信息并通过计算机进行图像处理成为测量位移更为有效的方式。运用此种非接触方式克服了手工测量的不足，同时具有较好的实时性，在铁塔的位移监测上具有更好的应用前景，更有可能成为未来诸如铁塔等大型建筑物位移监测的主流趋势。
非接触式测量包括用电容传感器和单片机组成的位移测量系统，光学仪器测量法。前者采用螺旋测微器作为位移激励源，经传感器感应出电容的变化量，再经调理电路转化为可测的电压信号。然后利用A/D转换器实现信号的采集，由单片机进行信号的处理和传输。最终在上位机实时显示，并进行线性拟合给出相关数据。优点是功率小，阻抗高，动态特性好，精度较高。但是由于采用了电容传感器，对测量环境的温湿度有较高要求，适用条件受限。后者包括全站仪法，激光干涉仪法。基本思路是在待测点固定反光镜，通过精密的光学仪器自动测量位置数据及动态位移信息。采用全站仪监测时需要耗时进行人工瞄准，响应速度不能满足结构振动观测，不适用于动态观测。而激光干涉仪虽然有着1微米或更高的分辨率，以及2000Hz及以上的采样速率，但是对于大型建筑如铁塔的监测，若晃动幅度大则难以捕捉到光点，且设备造价高昂，经济可行性低，不能满足一般的工程需要。
发明内容
因此，为了克服上述现有技术的缺点，本发明提供一种基于计算机视觉的输电铁塔全自由度位移监测系统和方法，包括：
图像采集模块，图像识别模块和图像处理模块；
所述图像采集模块布置在输电铁塔上；
所述图像采集模块包括光学成像模块，所述光学成像模块的CMOS与输电铁塔的高度满足下列关系：
1/M＝Re/H
其中，M为CMOS长边像元数量，和H为输电铁塔塔高，Re为单像素精度。
进一步地，所述光学成像模块包括分辨率为3072×2048像素的6m相机。
进一步地，所述相机的靶面大小为1/1.8″，其3072像素的长度为7.2mm，2048像素的宽度为5.3mm。
进一步地，所述监测系统的测量距离u、输电铁塔视场大小H、相机的镜头焦距f和靶面高度h之间满足下面的关系：
h/H＝f/u。
进一步地，图像像素精度Re，测量距离u，相机的镜头焦距f之间满足下面的关系：Re＝2.34375u/f。
本发明还提供一种利用上述的监测系统进行输电铁塔位移的监测方法，包括：
利用图像采集模块的光学成像模块采集到清晰的图像；
对采集到的图像进行编码并传送至图像处理模块；
利用图像处理模块对图像进行处理；
通过图像识别模块，将图像处理得到的图像进行特征提取和分类；
定位图像中的识别标志物，通过识别标志物位移计算输电铁塔的结构位移。
进一步地，利用图像处理模块对图像进行处理包括：图像增强、图像锐化，以及特殊场合处理。
进一步地，所述特殊场合处理包括：
对于模糊天气情况，采取暗通道先验算法对图像进行去雾；对于暗光天气情况，采取Retinex算法对图像进行处理。
进一步地，对于识别标志物位移的时域信号进行滤波处理。
进一步地，通过时域平均或多采样点空间域平均，去除监测数据的噪声波动，以提高对偶然误差干扰的鲁棒性。
本发明有益效果如下：
采用非接触式测量方式，运用光学系统(CCD摄像头+红外模块)+计算机进行图像采集及识别，精度高，操作方便，速度快，动态范围大，信息量大。选用的CCD摄像头分辨率为800W，能够自动调焦，支持TCP/IP协议，快门速度可调节且范围较广，能够根据光强自动切换模式，在光强较弱时切换为红外模式，同时目标物上的待测点安装的红外模块检测到光强较低，控制红外发射器发射红外线，提高夜间，雾天或暗光情况下图像的清晰度。
在图像识别过程中，该平台能够根据外界条件变化自动选取合适的图像识别方案，分别运用轮廓检测+矩心算法与特征点算法来进行图像识别，同时在图像特征提取时缩短搜索时间，具有更高的效率。
经过测试，所开发的位移监测系统像素分辨率在单个像素之内，达到了2cm，满足实时精确监测的要求。
附图说明
图1为本发明一个实施例中的位移监测系统相机成像光路示意图；
图2为本发明一个实施例中通过Canny边缘检测算法进行像素点梯度方向分割的示意图；
图3为本发明一个实施例中计算位移的位移视差法示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
目前对铁塔的位移监测分为接触式测量和非接触式测量。近年来，非接触式测量由于精度高、操作简便、实时性强得到广泛应用。本文选用光学系统+计算机非接触式测量方式。目前，非接触式测量可通过细分定位方法(基于灰度、基于边缘)，位移视差法，质心比对法等来对位移进行测算。为了提高不同天气情况下的适应性，本文根据光强大小分两种方案：质心法和视差法分别计算位移。
铁塔的位移分为两种情况，正常摇摆(包括相对静止状态)和倾斜。
针对服役过程而言，由于对塔上布置测量设备没有限制，因此把相机布置在塔上，这样相机通过测量视场内两自由度的全场位移，按照最小而成拟合的方法，理论上是可以求解相机所在点全自由度位移的。基于此，设计了一种将相机固支在塔上的测量系统，其测量光路如图1所示。
相机和镜头参数是上述测量系统最主要的参数，参数设计时，由于对拍摄速度要求较低，所以选取了更廉价的CMOS相机，根据成像光路计算，按照单像素精度设计，当要求精度为Re＝2cm时，CMOS长边像元数量M和塔高H需要满足：1/M＝Re/H。
其中，M为CMOS长边像元数量，和H为输电铁塔塔高，Re为单像素精度。从而确定M≥2500。出于成本考虑，最终选取了分辨率为3072×2048的6M分辨率相机。镜头和靶面尺寸是配合量，因为镜头焦距决定了成像尺寸，首先确定了靶面大小为常用的1/1.8″。
进而结合图1分析，测量距离u、视场大小H、镜头焦距f和CMOS的靶面尺寸h满足比例关系式h/H＝f/u。从而确定了当测量距离为120m时，相机焦距f＝16mm，我们最终选择了更易买到的25mm镜头用于远距离测量。在一个实施例中，采用更长焦距f＝100mm的镜头缩小视场，取u＝40m，该系统的测量像素精度可以达到Re2＝0.9375mm。
在一个实施例中，所述相机的靶面大小为1/1.8″，其3072像素的长度为7.2mm，2048像素的宽度为5.3mm。
本发明还提供一种利用上述的监测系统进行输电铁塔位移的监测方法，包括：
利用图像采集模块的光学成像模块采集到清晰的图像；
对采集到的图像进行编码并传送至图像处理模块；
利用图像处理模块对图像进行处理；
通过图像识别模块，将图像处理得到的图像进行特征提取和分类；
定位图像中的识别标志物，通过识别标志物位移计算输电铁塔的结构位移。
在一个实施例中，利用图像处理模块对图像进行处理包括：图像增强、图像锐化，以及特殊场合处理。
在一个实施例中，所述特殊场合处理包括：
对于模糊天气情况，采取暗通道先验算法对图像进行去雾；对于暗光天气情况，采取Retinex算法对图像进行处理。
在一个实施例中，对于识别标志物位移的时域信号进行滤波处理。
在一个实施例中，通过时域平均或多采样点空间域平均，去除监测数据的噪声波动，以提高对偶然误差干扰的鲁棒性。多匹配择优然后进行多点计算取中位数的方式已被证明可以有效地减少选到差匹配质量的概率。但由于图像的偶然性误差导致变形后用于跟踪的图像出现特征向量的变动，或由于已经锁定的特征向量和区域内其他特征向量接近从而在位移跟踪时和其他点进行误匹配，导致的偶然跳动误差的出现，因此引入了对于位移结果的滤波处理。
在一个实施例中，可以通过手动选取关心位置(Region of Interest，ROI)，然后在附近搜索足够数量的关键点用于位移计算的方式，一种更智能的方式是通过图像分块的方式让算法在开始一段监控期之前均匀的自行检测和选取关键点，通过这种方式一方面可以有效地减少对人工的依赖，另一方面，还可以使得所选关键点分布更加均匀，改方法的思想是先对图象区域进行分割，然后在每一个子区域内的中心位置自动进行“选点”，然后以该点为中心搜索可计算域。
图像采集包括光学成像模块和网络传输模块。光学成像模块包括固定在目标物正侧方的CCD摄像头以及固定在待测铁塔上的红外模块。首先通过CCD摄像头每隔0.04s拍摄一张照片。在拍摄过程中，摄像头不断检测光强，并根据光强大小在正常模式和红外模式间自动切换。
同时待测铁塔特征点上安装的红外模块也实时检测光强。
在一个实施例中，铁塔特征点上安装的红外模块包括红外发射器和光敏传感器。当光敏传感器监测光强小于0.02Lux时，控制红外发射器发射红外线，传递给摄像头成像，使得在不同光强下，均可采集到较为清晰的图像。采集到的图像信息经过编码，以TCP/IP协议在网络中进行传输，经A/D转换变为数字信号通过USB2.0接口传输给计算机进行图像处理。
图像处理主要是对采集到的图像进行灰度化，并且以高斯滤波方法进行平坦化，突出图像重点特征，以便于图像特征提取。高斯滤波是一种线性滤波，属于图像处理中的图像平滑操作。能够有效的抑制高斯噪声和其他噪声，在更多的保留图像的总体灰度分布特征的同时平滑图像。高斯滤波作用原理与均值滤波类似，即输出滤波器窗口内的像素均值。其较均值滤波对图像的模糊程度较小，精确度高。高斯滤波算法借助高斯滤波函数，其中包含高斯分布和高斯核两个概念。高斯分布分为一维和二维高斯分布，其中二维高斯分布多用于图像处理，且便于优化，实用性强。
图像预处理结束后，根据采集到的图像类型：正常模式及红外模式，分两种方案进行图像识别。若是正常模式下采集的图像，直接进行图像特征提取，即运用Canny算法进行边缘检测，再提取外轮廓，通过质心算法得到目标的质心坐标信息。
Canny边缘检测算法可以分为以下5个步骤：
1.使用高斯滤波算法对图像进行平坦化并滤除噪声。
2.用一阶偏导的有限差分来计算图像各个像素点的方向和梯度强度。
3.对梯度幅值非极大值抑制以消除边缘检测带来的杂散响应，图2表示了其中梯度方向分割的过程：
梯度方向及p1和p2的梯度线性插值为：
tan(θ)＝Gy/Gx
Gp1＝(1-tan(θ))×E+tan(θ)×NE
Gp2＝(1-tan(θ))×W+tan(θ)×SW
非极大值抑制的伪代码如下：
4.双阈值检测来确定边缘，包括真实和潜在边缘，其伪代码描述如下：
5.通过抑制孤立的弱边缘最终完成边缘检测，其伪代码描述如下：
若是红外模式下采集的图像，要继续进行特殊天气下的预处理。对于雾天情况，采取暗通道先验算法对图像进行去雾，而若是夜晚等暗光情况，则采取Retinex算法进行处理。对处理后的图像进行运用AKAZE算法进行特征点检测并结合ORB算法进行特征点描述，提取出图像特征的信息。
AKAZE算法在特征检测中的步骤如下：
(1)利用非线性扩散滤波方法以及快速显式扩散(FED)求解隐性差分方程的原理来构建非线性尺度空间。
(2)特征点检测，构造非线性尺度空间后，在局部内利用归一化的Hessian矩阵行列式值寻找极大值。
ORB算法是一种快速特征点提取和描述的算法。ORB算法由特征点提取和特征点描述两部分构成。特征提取是由FAST算法发展来的，特征点描述是根据BRIEF特征描述算法改进的。ORB特征结合了FAST的特征点检测方法与BRIEF特征描述子，且在各自的原基础进行了优化。ORB算法的最显著优点是在检测和描述中的高速和实时性：为AKAZE算法的10-15倍，SURF算法的15-20倍，SIFT算法的30-40倍。
本项目方案利用ORB算法进行特征描述，该算法采用BRIEF作为特征描述子，其特有的2进制串的表现形式节约了存储空间，大大缩短了匹配时间。ORB算法对传统的BRIEF进行了两点改进：
1.采用9*9的邻域，以积分图像解决BRIEF算法的噪声敏感性。
2对BRIEF生成的描述子进行旋转，判别并进行二进制编码，使得描述子具有旋转不变性。
过程如下：
1.选取n对特征值，得到一个2*N矩阵
2.通过亮度质心与图像矩为每个特征点确定了主方向。
亮度质心：
C＝(Cx，Cy)其中
图像矩：
得到的特征方向为：
3.利用得到的主方向确定的仿射变换矩阵R对S进行旋转，求出新的描述矩阵：
gn(p，θ)＝fn(p)|(xi，yi)∈Sθ
4.新的描述子为：
最后对于两种方案，分别采取矩心算法和视差法进行位移检测和计算，判断位移值是否超过阈值，若超过即为倾斜，否则为正常摇摆情况，实时显示监测结果。
质心算法
在图像识别中，关于质心，首先引入图像矩的概念。图像矩是标量，类似于统计方法。矩非常适合描述具有多边形形状的特征和一般的特征度量信息，比如梯度分布。矩可以描述成一个函数在基空间的投影。在形状描述的上下文中，一维矩和二维矩在概念上有联系。一维均质对应于二维的质心，一维的极小和极大值对应于二维的长轴和短轴。一维的极小和极大值也对应于二维多边形形状的边界框。
已知图像，矩的常见属性有以下几点：
1. 0阶矩表示一维均值或二维质心
2.中心矩描述均值或二维质心周围的变化
3.一阶中心矩包含二维面积、质心和大小等相关信息
4.二阶中心矩与方差和2D椭圆测量有关
5.三阶中心矩提供了二维形状或偏移的对称信息
矩可以用来创建特征描述子，这些描述子具有鲁棒性：尺度不变性、旋转不变性、仿射不变性。
位移视差法是一种用于测量物体二维位移的摄影测量方法。位移是位移视差法引起视差的原因，位移视差又称为时间基线视差法。
位移视差法通过摄影测量的方法测量在垂直或水平方向上的位移量。它是在内、外方位元素不变的情况下，使像平面与被摄物平面保持相互平行，在一定的时间间隔拍摄的两张图像。获取的两幅图像构成一个像对，以第一张像片作为标准片，也称为零像片。相隔一段时间后拍摄的像片与零像片组成像对，当物点发生变形位移时，在相片上会产生上、下或左、右视差，或者同时存在。通过对像对中特征点的视差进行量测，再结合摄影比例尺就可以求出物点的实际空间的位移量。其本质还是通过相机的针孔成像模型可以很容易得到的物平面与像平面上物体大小的相似线性关系。[5]
位移视差法的原理，如图3所示：
图3中若A1点移动至A2，其水平位移和垂直位移应为：
上式中f为图像的主距，Z为O(摄影中心)到平面E的距离。ΔPx为左右视差，ΔPy为上下视差，它们的计算方法为：
其中，p0，p1分别为数字图像中物点变形前后行像素的坐标。而q0、q1分别为相应的列像素的坐标。
对于铁塔系统的设计，该流程相应地选取合适的检测方案和科学的顺序，加快运行速度以确保实时性；硬件及软件分层较为细致从而提高了精确性；根据实际情况划分分支扩展了系统的适用范围。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于计算机视觉的输电铁塔全自由度位移监测系统，其特征在于，包括：
图像采集模块，图像识别模块和图像处理模块；
所述图像采集模块布置在输电铁塔上；
所述图像采集模块包括光学成像模块，所述光学成像模块的CMOS与输电铁塔的高度满足下列关系：
1/M＝Re/H
其中，M为CMOS长边像元数量，和H为输电铁塔塔高，Re为单像素精度。
2.如权利要求1所述的监测系统，其特征在于，所述光学成像模块包括分辨率为3072×2048像素的6m相机。
3.如权利要求2所述的监测系统，其特征在于，所述相机的靶面大小为1/1.8″，其3072像素的长度为7.2mm，2048像素的宽度为5.3mm。
4.如权利要求2所述的监测系统，其特征在于，所述监测系统的测量距离u、输电铁塔视场大小H、相机的镜头焦距f和靶面高度h之间满足下面的关系：
h/H＝f/u。
5.如权利要求4所述的监测系统，其特征在于，图像像素精度Re，测量距离u，相机的镜头焦距f之间满足下面的关系：Re＝2.34375u/f。
6.一种利用如权利要求1-5任一的监测系统进行输电铁塔位移的监测方法，其特征在于，包括：
利用图像采集模块的光学成像模块采集到清晰的图像；
对采集到的图像进行编码并传送至图像处理模块；
利用图像处理模块对图像进行处理；
通过图像识别模块，将图像处理得到的图像进行特征提取和分类；
定位图像中的识别标志物，通过识别标志物位移计算输电铁塔的结构位移。
7.如权利要求6所述的方法，其特征在于，
利用图像处理模块对图像进行处理包括：图像增强、图像锐化，以及特殊场合处理。
8.如权利要求7所述的监测方法，其特征在于，
所述特殊场合处理包括：
对于模糊天气情况，采取暗通道先验算法对图像进行去雾；对于暗光天气情况，采取Retinex算法对图像进行处理。
9.如权利要求6所述的监测方法，其特征在于，还包括：
对于识别标志物位移的时域信号进行滤波处理。
10.如权利要求9所述的监测方法，其特征在于，
通过时域平均或多采样点空间域平均，去除监测数据的噪声波动，以提高对偶然误差干扰的鲁棒性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110514051.6A CN115330832A (zh) | 2021-05-09 | 2021-05-09 | 一种基于计算机视觉的输电铁塔全自由度位移监测系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110514051.6A CN115330832A (zh) | 2021-05-09 | 2021-05-09 | 一种基于计算机视觉的输电铁塔全自由度位移监测系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115330832A true CN115330832A (zh) | 2022-11-11 |
Family
ID=83912558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110514051.6A Pending CN115330832A (zh) | 2021-05-09 | 2021-05-09 | 一种基于计算机视觉的输电铁塔全自由度位移监测系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115330832A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115797995A (zh) * | 2022-11-18 | 2023-03-14 | 北京的卢铭视科技有限公司 | 人脸活体检测方法、电子设备及存储介质 |
-
2021
- 2021-05-09 CN CN202110514051.6A patent/CN115330832A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115797995A (zh) * | 2022-11-18 | 2023-03-14 | 北京的卢铭视科技有限公司 | 人脸活体检测方法、电子设备及存储介质 |
| CN115797995B (zh) * | 2022-11-18 | 2023-09-01 | 北京的卢铭视科技有限公司 | 人脸活体检测方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A detection and recognition system of pointer meters in substations based on computer vision | |
| US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
| Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
| CN109341668B (zh) | 基于折射投影模型和光束追踪法的多相机测量方法 | |
| CN113324478A (zh) | 一种线结构光的中心提取方法及锻件三维测量方法 | |
| CN112254656B (zh) | 一种基于结构表面点特征的立体视觉三维位移测量方法 | |
| CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
| CN108537170A (zh) | 一种电力设备固件无人机巡检销钉缺失检测方法 | |
| CN114005108A (zh) | 一种基于坐标变换的指针式仪表度数识别方法 | |
| CN113049184A (zh) | 一种质心测量方法、设备及存储介质 | |
| CN112595236A (zh) | 一种水下激光三维扫描和实时测距的测量装置 | |
| CN112325809A (zh) | 一种法兰的平面度检测方法 | |
| CN110851978B (zh) | 一种基于可见性的摄像机位置优化方法 | |
| CN115578315A (zh) | 一种基于无人机图像的桥梁应变近景摄影测量方法 | |
| CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
| CN115330832A (zh) | 一种基于计算机视觉的输电铁塔全自由度位移监测系统和方法 | |
| Xu et al. | Adaptable center detection of a laser line with a normalization approach using Hessian-matrix eigenvalues | |
| CN114485433A (zh) | 基于伪随机散斑的三维测量系统、方法及装置 | |
| CN113610041A (zh) | 一种用于指针式仪表的读数识别方法及设备 | |
| CN115393387A (zh) | 一种建筑物位移监测方法和装置 | |
| CN111415378B (zh) | 用于汽车玻璃检测的图像配准方法及汽车玻璃检测方法 | |
| Jiang et al. | Full-field deformation measurement of structural nodes based on panoramic camera and deep learning-based tracking method | |
| CN112767459A (zh) | 基于2d-3d转换的无人机激光点云与序列影像配准方法 | |
| JP2010009236A (ja) | 平面領域推定装置及びプログラム | |
| CN115393415A (zh) | 一种基于计算机视觉的输电铁塔位移监测系统和方法 |
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: Liu Qiang Inventor after: Teng Song Inventor after: Shao Tengfei Inventor after: Shu Bangjing Inventor after: Zheng Fawei Inventor after: Ma Chao Inventor after: Zhou Dayan Inventor after: Cui Yang Inventor after: Ma Xing Inventor after: Hu Xin Inventor before: Shao Tengfei Inventor before: Teng Song Inventor before: Shu Bangjing Inventor before: Liu Qiang Inventor before: Zheng Fawei Inventor before: Ma Chao Inventor before: Zhou Dayan Inventor before: Cui Yang Inventor before: Ma Xing Inventor before: Hu Xin |