CN117006947B - 一种低光照图像增强的高层建筑结构位移测量方法及系统 - Google Patents
一种低光照图像增强的高层建筑结构位移测量方法及系统 Download PDFInfo
- Publication number
- CN117006947B CN117006947B CN202310659436.0A CN202310659436A CN117006947B CN 117006947 B CN117006947 B CN 117006947B CN 202310659436 A CN202310659436 A CN 202310659436A CN 117006947 B CN117006947 B CN 117006947B
- Authority
- CN
- China
- Prior art keywords
- displacement
- building structure
- low
- image
- vibration
- 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
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 104
- 238000005286 illumination Methods 0.000 title claims abstract description 43
- 238000000691 measurement method Methods 0.000 title claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000013016 damping Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000002310 reflectometry Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000021615 conjugation Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000008859 change Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H13/00—Measuring resonant frequency
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种低光照图像增强的高层建筑结构位移测量方法及系统，包括如下步骤：低光照图像采集，采用高速摄像机远距离拍摄高层建筑结构在不同照明条件下的振动图像序列；基于深度学习的低光照图像增强，采用上下文敏感分解网络CSDNet将采集的低光照图像的每个像素灰度调整到理想值以增强图像；基于计算机视觉的特征匹配与振动位移提取算法以高鲁棒性获取建筑结构多点动态位移曲线；基于自动频域模态分解的建筑结构振动特性识别。发明方法具有远距离、高精度、非接触式监测高层建筑结构振动位移以及动力特征的优势，且适用于光照条件变化下结构智能监测，可用于大规模建筑结构的智能建造与运维。
Description
技术领域
本发明涉及土木工程结构健康监测技术领域，具体涉及一种低光照图像增强的高层建筑结构位移测量方法及系统。
背景技术
监测高层建筑结构的动力响应有助于进行动力性能研究和正常使用性评估。尽管在土木工程中对基于计算机视觉的非接触振动测量技术进行了广泛的研究，但其准确性受到光照变化和虚假特征匹配的影响。为了解决这个问题，提出了一种基于视觉的鲁棒方法，使用深度学习辅助图像增强和自适应特征匹配算法，从低光照图像中对最近建造的高层塔楼进行多点位移测量和动态识别。
发明内容
为解决现有技术中存在的问题，本发明提供了一种低光照图像增强的高层建筑结构位移测量方法及系统，方法具有远距离、高精度、非接触式监测高层建筑结构振动位移以及动力特征的优势，且适用于光照条件变化下结构智能监测，可用于大规模建筑结构的智能建造与运维，解决了上述背景技术中提到的问题。
为实现上述目的，本发明提供如下技术方案：一种低光照图像增强的高层建筑结构位移测量方法，包括如下步骤：
S1、低光照图像采集，采用高速摄像机远距离拍摄高层建筑结构在不同照明条件下的振动图像序列；
S2、基于深度学习的低光照图像增强，采用上下文敏感分解网络CSDNet将采集的低光照图像的每个像素灰度值调整到理想亮度(>50)以增强图像；
S3、基于计算机视觉的两阶段自适应特征匹配与振动位移提取算法以高精度提取结构多点动态位移曲线；
S4、利用自动频域分解算法对提取的位移数据进行处理，获取建筑结构固有频率、阻尼比关键动态振动特性参数。
优选的，在步骤S2中，以步骤S1采集的低光照图像作为输入来估计初始照明、照明引导和初始反射率，采用上下文敏感分解网络CSDNet进行高效的图像预处理，得到增强的高质量图像
所述的上下文敏感分解网络CSDNet以双流估计机制作为基本的网络架构，双流估计机制由照明子网络IENet和反射子网络RENet组成，并设计了上下文敏感的分解连接来连接这两个子网络。
优选的，所述的照明子网络IENet和反射子网络RENet，公式表达如下：
其中和/>代表IENet和RENet；Lg是输入的图像灰度值；L是输入图像；R和I分别表示估计的反射率和照度；
所述连接两个子网络的上下文敏感的分解连接公式表达如下：
其中：和/>分别是RENet和IENet的第i个连接层的特征图；/>是/>连接后更新的特征图，/>是分割元素；
然后，网络的最后一层是最终增强的高质量图像，表示为：
其中：是最终增强的高质量图像。
优选的，所述上下文敏感分解网络CSDNet的训练损失函数定义为：
其中：为定义的总损失函数，/>代表MSE损失值，/>和/>是感知损失和平滑损失，可以表示为：
其中：Wi,j和Hi,j是提取的特征图的尺寸，i＝5；j＝1；如果|u|≤1,/>
优选的，所述的两阶段自适应特征匹配算法包括两步，
所述的基于计算机视觉的特征匹配与振动位移提取算法包括两步，首先使用最大稳定极值区域(MSER)检测算法对增强图像进行处理，并将所有帧图像检测特征点与参考图像检测特征点比较，初步获得建筑结构多点振动位移；其次，采用两阶段自适应特征匹配算法对初步提取的振动位移进行处理，第一阶段利用特定特征点处的平均位移值作为阈值来识别最可能的异常数据，随后第二阶段采用定义的相关系数寻找所有异常位移数据，将异常数据剔除，对所有保留的位移数据取平均值便得到该区域的最终动态位移曲线。
优选的，所述定义的相关系数为：
其中：dni和dnj分别为特征点i、特征点j的动态位移在第n个时刻的值；和/>分别为特征点i、特征点j的动态位移均值；Rij为特征点i、特征点j动态位移的相关系数；N为特征点位移曲线的数据总数。
优选的，在步骤S4中，具体包括：基于提取的高层建筑结构稠密测点动态位移，采用自动频域分解算法识别建筑结构固有频率、阻尼比动力特性；
利用建筑结构不同测点位移得到两测点的功率谱密度矩阵为：
其中：φr代表模式形状矢量，γr振型参与系数；λr是系统极点，n代表振动模式的数量；上标H表示复共轭和转置；C表示当输入激励为白噪声时为常数矩阵；
通过对估计的功率谱密度矩阵Gyy(ω)进行奇异值分解得到结构的动态振动特性参数，具体为:
其中：Ui＝[ui1 ui2…uim]是包含奇异向量的统一矩阵，Si是奇异值矩阵，模态振型φr用第一个奇异向量ui1识别，动态振动特性参数包括固有频率和阻尼比。
另外，为实现上述目的，本发明还提供了如下技术方案：一种低光照图像增强的高层建筑结构位移测量系统，所述系统包括：
低光照图像采集模块：采用高速摄像机远距离拍摄高层建筑结构在不同照明条件下的振动图像序列；
低光照图像增强模块(120)：基于深度学习的低光照图像增强，采用上下文敏感分解网络CSDNet将采集的低光照图像的每个像素灰度值调整到理想亮度(>50)以增强图像；
建筑结构位移提取模块：基于计算机视觉的两阶段自适应特征匹配与振动位移提取算法以高精度提取结构多点动态位移曲线；
振动特征识别模块：利用自动频域分解算法对提取的位移数据进行处理，获取建筑结构固有频率、阻尼比关键动态振动特性参数。
本发明的有益效果是：本发明方法具有远距离、高精度、非接触式监测高层建筑结构振动位移以及动力特征的优势，能够消除光照条件对提取的动态位移和动态特性的影响，适用于光照条件变化下结构智能监测，可用于大规模建筑结构的智能建造与运维。
附图说明
图1为实施例1中测量方法的具体步骤流程示意图；
图2为实施例2中错误匹配示意图，图2(a)为水平方向，图2(b)为竖直方向；
图3为实施例2中特征点平均位移直方图和相关系数示意图，图3(a)为平均位移直方图，图3(b)为相关系数；
图4为实施例2中建筑结构多个测点的振动位移和相应的傅里叶频谱图，图4(a)为测点1计算结果，图4(b)为测点2计算结果，图4(c)为测点3计算结果；
图5为实施例2中与传统模型计算效率对比图，图5(a)为弱光照条件下的计算结果，图5(b)为暗光照条件下的计算结果；
图6为本发明测量系统模块示意图；
图中，110-低光照图像采集模块；120-低光照图像增强模块；130-建筑结构位移提取模块；140-振动特征识别模块。
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。
实施例1
一种基于深度学习低光照图像增强的高层建筑结构位移非接触测量方法，如图1所示，包括如下步骤：
S1、低光照图像采集，采用高速摄像机远距离拍摄高层建筑结构在不同照明条件下的振动图像序列。
利用工业相机和无人机载相机等视觉成像设备对结构在运营状态下的低光照振动图像数据进行采集。
S2、基于深度学习的低光照图像增强，采用上下文敏感分解网络CSDNet将采集的低光照图像的每个像素灰度值调整到理想亮度(>50)以增强图像；
提高所捕获的低光照图像的质量，为了实现这一点，必须使用低光照图像作为输入来估计初始照明、照明引导和初始反射率，本发明采用了上下文敏感分解网络(CSDNet)进行高效的图像预处理，开发了双流估计机制作为基本的网络架构，并设计了上下文敏感的分解连接来连接这两个子网络。双流估计机制由照明子网络IENet和反射子网络RENet组成，它们被公式化为：
其中和/>代表IENet和RENet；Lg是输入的图像灰度值；L是输入图像；R和I分别表示估计的反射率和照度。
为了连接上述两个子网络，上下文敏感的分解连接开发如下：
其中：和/>分别是RENet和IENet的第i个连接层的特征图；/>是/>连接后更新的特征图，/>是分割元素；
设计网络的最后一层是最终增强的高质量图像，表示为：
其中是最终增强的高质量图像。
所设计的网络架构的训练损失函数定义为：
其中：为定义的损失函数，/>代表MSE损失值，/>和/>是感知损失和平滑损失，可以表示为：
其中：Wi,j和Hi,j是提取的特征图的尺寸，i＝5；j＝1；如果|u|≤1,/>
S3、基于计算机视觉的特征匹配与振动位移提取算法以高精度获取建筑结构多点动态位移曲线；
先使用最大稳定极值区域(MSER)检测算法对增强图像进行处理，并将所有帧图像检测特征点与参考图像检测特征点比较，初步获得建筑结构多点振动位移；其次，采用两阶段自适应特征匹配算法对初步提取的振动位移进行处理，第一阶段利用特定特征点处的平均位移值作为阈值来识别最可能的异常数据，随后第二阶段采用定义的相关系数寻找所有异常位移数据，将异常数据剔除，对所有保留的位移数据取平均值便得到该区域的最终动态位移曲线。
定义的相关系数为：
其中：dni和dnj分别为特征点i、特征点j的动态位移在第n个时刻的值；和/>分别为特征点i、特征点j的动态位移均值；Rij为特征点i、特征点j动态位移的相关系数；N为特征点位移曲线的数据总数。
S4、利用自动频域分解算法对提取的位移数据进行处理，获取建筑结构固有频率、阻尼比关键动态振动特性参数。
具体步骤为：
提取高层建筑结构的多点动态位移后，采用自动频域分解算法识别结构动力特性，如固有频率、阻尼比。基本原理描述如下：
利用建筑结构不同测点位移可得到两测点的功率谱密度矩阵为：
其中φr代表模式形状矢量，γr振型参与系数；λr是系统极点，n代表振动模式的数量；上标H表示复共轭和转置；C表示当输入激励为白噪声时为常数矩阵。输出功率谱密度可以进一步降低到以下形式:
其中：是标量常数。
通过对估计的功率谱密度矩阵Gyy(ω)进行奇异值分解(SVD)，可以识别动态振动特性参数，即
其中Ui＝[ui1 ui2 … uim]是包含奇异向量的统一矩阵，Si是奇异值矩阵，模态振型φr可以用第一个奇异向量ui1识别，动态振动特性参数包括固有频率和阻尼比可以从奇异值识别。
一种低光照图像增强的高层建筑结构位移测量系统，如图6所示，系统包括：
低光照图像采集模块110：采用高速摄像机远距离拍摄高层建筑结构在不同照明条件下的振动图像序列；
低光照图像增强模块(120)：基于深度学习的低光照图像增强，采用上下文敏感分解网络CSDNet将采集的低光照图像的每个像素灰度值调整到理想亮度(>50)以增强图像；
建筑结构位移提取模块130：基于计算机视觉的两阶段自适应特征匹配与振动位移提取算法以高精度提取结构多点动态位移曲线；
振动特征识别模块140：利用自动频域分解算法对提取的位移数据进行处理，获取建筑结构固有频率、阻尼比关键动态振动特性参数。
实施例2
通过一座新建高层塔架的现场测试数据进行了验证，证明其能够消除光照条件对提取的动态位移和动态特性的影响。
本实施例将使用从高层塔架测量的现场测试数据来证明拟议方法的有效性。首先，将描述实验装置，然后分别用高质量图像和低光照图像详细介绍研究塔的多点位移和动态特性。
在现场实验中，图像是在不同类型的风、行人荷载和光照条件下拍摄的，在进行图像失真变换后，使用MSER特征检测算法来检测圆形目标周围的特征点。通过比较两幅连续图像中的特征点，可以计算出结构的振动位移。然而，复杂的现场测试环境，包括光照条件和行人运动的变化，在特征点匹配过程中会导致错误的匹配结果。图2显示了观景平台在测量点水平方向(图2(a))和竖向(图2(b))的典型错误匹配结果，从中看到由于行人的移动，直接利用特征点检测算法获取的建筑结构振动位移在两个方向上都出现了异常数据。因此，为了获得该观光塔的精确振动特征，必须应用所提出的自适应特征匹配准则来校正原始位移数据。
在这项研究中，共检测到11个特征，但发现在两个特征点出现了错误的特征匹配。图3中，图3(a)描绘了平均位移值的直方图，显示特征点1和特征点2的平均位移值超过了定义的2个像素的阈值。应该注意的是，该阈值是基于对该结构的多个位移数据的统计分析来选择的，这些数据可能根据不同的应用而变化。然后，计算异常位移与所有提取的原始位移数据的相关系数，如图3(b)所示，其中很明显，这两个特征点的相关系数也超过了定义的阈值。因此，使用这两个指标的组合来增强所开发的位移提取方法的鲁棒性。
在消除虚假特征匹配点之后，计算剩余特征点的平均位移值以进行进一步分析。所得到的观看平台的多点动态位移数据，相应的傅立叶频谱如图4所示。该图的右侧显示，结构的前两个振动频率分别为2.13Hz和2.52Hz。
将本发明方法的计算效率与传统的基于模型的方法进行了比较。图5中，图5(a)和(b)显示了两种方法在两种光照条件下的计算时间。结果表明，在弱光条件下，所提出的方法计算测量点P1、P2和P3处的位移比基于模型的方法快29.54％、41.82％和31.11％；在暗光条件下，所提出的方法计算测量点P1、P2和P3处的位移比基于模型的方法快28.76％、29.65％和29.47％。此外，所提出的方法的总体计算时间也低于基于模型的方法。这些发现突出了本发明方法的高效优势，可用于结构位移的实时监测。本发明方法具有远距离、高精度、非接触式监测高层建筑结构振动位移以及动力特征的优势，能够消除光照条件对提取的动态位移和动态特性的影响，适用于光照条件变化下结构智能监测，可用于大规模建筑结构的智能建造与运维。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种低光照图像增强的高层建筑结构位移测量方法，其特征在于，包括如下步骤：
S1、低光照图像采集，采用高速摄像机远距离拍摄高层建筑结构在不同照明条件下的振动图像序列；
S2、基于深度学习的低光照图像增强，采用上下文敏感分解网络CSDNet将采集的低光照图像的每个像素灰度值调整到理想亮度以增强图像；
S3、基于计算机视觉的特征匹配与振动位移提取算法以高精度获取建筑结构多点动态位移曲线；
S4、利用自动频域分解算法对提取的位移数据进行处理，获取建筑结构固有频率、阻尼比关键动态振动特性参数；
在步骤S2中，以步骤S1采集的低光照图像作为输入来估计初始照明、照明引导和初始反射率，采用上下文敏感分解网络CSDNet进行高效的图像预处理，得到增强的高质量图像
所述的上下文敏感分解网络CSDNet以双流估计机制作为基本的网络架构，双流估计机制由照明子网络IENet和反射子网络RENet组成，并设计了上下文敏感的分解连接来连接这两个子网络。
2.根据权利要求1所述的低光照图像增强的高层建筑结构位移测量方法，其特征在于：所述的照明子网络IENet和反射子网络RENet，公式表达如下：
其中：和/>代表IENet和RENet；Lg是输入的图像灰度值；L是输入图像；R和I分别表示估计的反射率和照度；
所述连接两个子网络的上下文敏感的分解连接公式表达如下：
其中：和/>分别是RENet和IENet的第i个连接层的特征图；/>是/>连接后更新的特征图，/>是分割元素；
然后，网络的最后一层是最终增强的高质量图像，表示为：
其中：是最终增强的高质量图像。
3.根据权利要求1所述的低光照图像增强的高层建筑结构位移测量方法，其特征在于：所述上下文敏感分解网络CSDNet的训练损失函数定义为：
其中：为定义的损失函数，/>代表MSE损失值，/>和/>是感知损失和平滑损失，表示为：
其中：Wi,j和Hi,j是提取的特征图的尺寸，i＝5；j＝1；如果
4.根据权利要求1所述的低光照图像增强的高层建筑结构位移测量方法，其特征在于：所述的基于计算机视觉的特征匹配与振动位移提取算法包括两步，首先使用最大稳定极值区域MSER检测算法对增强图像进行处理，并将所有帧图像检测特征点与参考图像检测特征点比较，初步获得建筑结构多点振动位移；其次，采用两阶段自适应特征匹配算法对初步提取的振动位移进行处理，第一阶段利用特定特征点处的平均位移值作为阈值来识别最可能的异常数据，随后第二阶段采用定义的相关系数寻找所有异常位移数据，将异常数据剔除，对所有保留的位移数据取平均值便得到该区域的最终动态位移曲线。
5.根据权利要求4所述的低光照图像增强的高层建筑结构位移测量方法，其特征在于：所述定义的相关系数为：
其中：dni和dnj分别为特征点i、特征点j的动态位移在第n个时刻的值；和/>分别为特征点i、特征点j的动态位移均值；Rij为特征点i、特征点j动态位移的相关系数；N为特征点位移曲线的数据总数。
6.根据权利要求1所述的低光照图像增强的高层建筑结构位移测量方法，其特征在于：在步骤S4中，具体包括：基于提取的高层建筑结构稠密测点动态位移，采用自动频域分解算法识别建筑结构固有频率、阻尼比动力特性；
利用建筑结构不同测点位移得到两测点的功率谱密度矩阵为：
其中：φr代表模式形状矢量，γr振型参与系数；λr是系统极点，n代表振动模式的数量；上标H表示复共轭和转置；C表示当输入激励为白噪声时为常数矩阵；
通过对估计的功率谱密度矩阵Gyy(ω)进行奇异值分解得到结构的动态振动特性参数，具体为：
其中：Ui＝[ui1 ui2 … uim]是包含奇异向量的统一矩阵，Si是奇异值矩阵，模态振型φr用第一个奇异向量ui1识别，动态振动特性参数包括固有频率和阻尼比。
7.一种低光照图像增强的高层建筑结构位移测量系统，其特征在于：所述系统包括：
低光照图像采集模块(110)：采用高速摄像机远距离拍摄高层建筑结构在不同照明条件下的振动图像序列；
低光照图像增强模块(120)：基于深度学习的低光照图像增强，采用上下文敏感分解网络CSDNet将采集的低光照图像的每个像素灰度值调整到理想亮度以增强图像；具体包括：以低光照图像采集模块采集的低光照图像作为输入来估计初始照明、照明引导和初始反射率，采用上下文敏感分解网络CSDNet进行高效的图像预处理，得到增强的高质量图像
所述的上下文敏感分解网络CSDNet以双流估计机制作为基本的网络架构，双流估计机制由照明子网络IENet和反射子网络RENet组成，并设计了上下文敏感的分解连接来连接这两个子网络；
建筑结构位移提取模块(130)：基于计算机视觉的两阶段自适应特征匹配与振动位移提取算法以高精度提取结构多点动态位移曲线；
振动特征识别模块(140)：利用自动频域分解算法对提取的位移数据进行处理，获取建筑结构固有频率、阻尼比关键动态振动特性参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310659436.0A CN117006947B (zh) | 2023-06-05 | 2023-06-05 | 一种低光照图像增强的高层建筑结构位移测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310659436.0A CN117006947B (zh) | 2023-06-05 | 2023-06-05 | 一种低光照图像增强的高层建筑结构位移测量方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117006947A CN117006947A (zh) | 2023-11-07 |
| CN117006947B true CN117006947B (zh) | 2024-03-29 |
Family
ID=88569892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310659436.0A Active CN117006947B (zh) | 2023-06-05 | 2023-06-05 | 一种低光照图像增强的高层建筑结构位移测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117006947B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796607A (zh) * | 2018-08-03 | 2020-02-14 | 北京大学 | 一种基于视网膜大脑皮层理论的深度学习低光照图像增强方法 |
| CN110823358A (zh) * | 2019-11-08 | 2020-02-21 | 重庆邮电大学 | 一种基于视觉处理的建筑振动位移测量方法 |
| WO2022000397A1 (zh) * | 2020-07-02 | 2022-01-06 | 潍坊学院 | 低照度图像增强方法、装置及计算机设备 |
| CN115170415A (zh) * | 2022-06-30 | 2022-10-11 | 广东工业大学 | 一种低光照图像增强方法、系统及可读存储介质 |
| CN115393322A (zh) * | 2022-08-26 | 2022-11-25 | 鹏城实验室 | 基于数字孪生的变化检测数据生成及评估的方法及设备 |
| CN115993096A (zh) * | 2023-02-08 | 2023-04-21 | 金陵科技学院 | 一种高层建筑变形测量方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9159121B2 (en) * | 2014-02-18 | 2015-10-13 | Signal Processing, Inc. | Method for image denoising |
-
2023
- 2023-06-05 CN CN202310659436.0A patent/CN117006947B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796607A (zh) * | 2018-08-03 | 2020-02-14 | 北京大学 | 一种基于视网膜大脑皮层理论的深度学习低光照图像增强方法 |
| CN110823358A (zh) * | 2019-11-08 | 2020-02-21 | 重庆邮电大学 | 一种基于视觉处理的建筑振动位移测量方法 |
| WO2022000397A1 (zh) * | 2020-07-02 | 2022-01-06 | 潍坊学院 | 低照度图像增强方法、装置及计算机设备 |
| CN115170415A (zh) * | 2022-06-30 | 2022-10-11 | 广东工业大学 | 一种低光照图像增强方法、系统及可读存储介质 |
| CN115393322A (zh) * | 2022-08-26 | 2022-11-25 | 鹏城实验室 | 基于数字孪生的变化检测数据生成及评估的方法及设备 |
| CN115993096A (zh) * | 2023-02-08 | 2023-04-21 | 金陵科技学院 | 一种高层建筑变形测量方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于图像处理的建筑物振动位移测量算法;陈昌川;李奎;乔飞;姜宏伟;赵曼淇;公茂盛;王海宁;张天骐;;电子与信息学报;20201015(第10期);第201-208页 * |
| 基于语义分割的增强现实图像配准技术;卞贤掌;费海平;李世强;;电子技术与软件工程;20181213(第23期);第94-97页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117006947A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021129569A1 (zh) | 一种人体动作识别方法 | |
| CN106023185B (zh) | 一种输电设备故障诊断方法 | |
| CN109800692B (zh) | 一种基于预训练卷积神经网络的视觉slam回环检测方法 | |
| CN112949493B (zh) | 一种结合语义分割和注意力机制的车道线检测方法及系统 | |
| CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
| CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
| US12131485B2 (en) | Object tracking device and object tracking method | |
| CN112395972B (zh) | 一种基于无人机图像处理的电力系统绝缘子串识别方法 | |
| CN116757988B (zh) | 基于语义丰富和分割任务的红外与可见光图像融合方法 | |
| CN108154490A (zh) | 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 | |
| US20130176300A1 (en) | Disparity maps in uniform areas | |
| CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
| CN117496319A (zh) | 基于未配准双模态图像融合的全天候目标检测系统及方法 | |
| CN111444929A (zh) | 一种基于模糊神经网络的显著图计算方法及系统 | |
| CN112991177B (zh) | 一种基于对抗神经网络的红外图像超分辨率方法 | |
| CN117006947B (zh) | 一种低光照图像增强的高层建筑结构位移测量方法及系统 | |
| CN113781375A (zh) | 一种基于多曝光融合的车载视觉增强方法 | |
| CN102592125A (zh) | 基于标准差特征的运动目标检测方法 | |
| CN114757856B (zh) | 一种基于无监督深度学习的自动白平衡算法及系统 | |
| CN108985307B (zh) | 一种基于遥感影像的水体提取方法及系统 | |
| CN110738699A (zh) | 一种无监督绝对尺度计算方法及系统 | |
| CN116543297A (zh) | 一种基于时期耦合的遥感变化检测方法 | |
| CN114005018B (zh) | 一种小算力驱动的水面无人艇多目标跟踪方法 | |
| CN115689939A (zh) | 用于输电线路可视化检测场景的视频稳像方法 | |
| CN111881922B (zh) | 一种基于显著性特征的绝缘子图像识别方法及系统 |
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 |