CN117091525A - 基于机器视觉及结构光的隧道围岩结构变形测量方法 - Google Patents

基于机器视觉及结构光的隧道围岩结构变形测量方法 Download PDF

Info

Publication number
CN117091525A
CN117091525A CN202311078614.7A CN202311078614A CN117091525A CN 117091525 A CN117091525 A CN 117091525A CN 202311078614 A CN202311078614 A CN 202311078614A CN 117091525 A CN117091525 A CN 117091525A
Authority
CN
China
Prior art keywords
image
deformation
tunnel
surrounding rock
structured light
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
Application number
CN202311078614.7A
Other languages
English (en)
Inventor
连捷
吴国强
徐婧妍
王列伟
李沛遥
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.)
Nanjing Paiguang Intelligence Perception Information Technology Co ltd
Original Assignee
Nanjing Paiguang Intelligence Perception Information Technology Co ltd
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 Nanjing Paiguang Intelligence Perception Information Technology Co ltd filed Critical Nanjing Paiguang Intelligence Perception Information Technology Co ltd
Priority to CN202311078614.7A priority Critical patent/CN117091525A/zh
Publication of CN117091525A publication Critical patent/CN117091525A/zh
Pending legal-status Critical Current

Links

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
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G01B11/167—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge by projecting a pattern on the object
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Optics & Photonics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及建设期隧道监测技术领域，具体涉及基于机器视觉及结构光的隧道围岩结构变形测量方法：S10、在隧道内地压区域的侧壁上架设多个结构光光源，在侧壁安装观测终端，所述观测终端与多个所述结构光光源通信；S20、所述观测终端内设置有图像处理单元，所述图像处理单元根据待测区域内结构光位移变化，判断围岩结构是否发生变形；所述图像处理单元包括图像预处理模块和围岩结构变形判断模块；所述图像预处理模块，用于对所述待测区域的第一图像数据像素点进行检测，根据所述第一图像数据中的结构光线是否呈清晰状态进行判断处理，解决现有测量方法的测量设备安装和集成不便且测量成本过高的技术问题。

Description

基于机器视觉及结构光的隧道围岩结构变形测量方法
技术领域
本发明涉及建设期隧道监测技术领域，具体涉及基于机器视觉及结构光的隧道围岩结构变形测量方法。
背景技术
在隧道施工过程中，隧道结构和支护体系的稳定性和安全性是非常关键的。同样铁路隧道的质量和安全性与建设工期也密切相关，因此需要对隧道施工过程进行监控，确保施工质量和安全，避免意外情况的发生，并及时采取措施进行应对。
其中针对隧道变形监测方法或设备主要由全站仪测量法、激光扫描法、位移传感器法等。此外对于机器视觉结构光测量技术被广泛应用于轮廓检测、三维重建和变形分析。文献(“基于结构光点云的变形测量方法研究”，《西北工业大学学报》，肖维忠等，2023，41(01))中记载了进行待测物表面的三维重建，获得结构表面点云。文献(“基于机器视觉的外形状况及变形应变测量”，《南京航空航天大学》，陶雪娇，2017)中以车轮踏面和桨叶为测量对象,对其基于机器视觉的外形状况以及变形应变测量方法进行研究。结构光测量技术目前大多应用于实验室或工厂等光线比较稳定的环境中，但是在强光或者光线不足的环境下，或者当被测物体表面出现反射、透明或者光泽度较高的情况时，可能会影响测量的精度和准确性。
而在现有技术中常通过配置高分辨率相机满足测量要求，提高视觉测量图像分辨率来保证测量的精度，但是配置高分辨率相机将带来成像模组尺寸变大、功率增大、成本提高，不利于设备安装和集成的问题。
为了解决上述问题，本发明提供了一种基于机器视觉及结构光的隧道围岩结构变形测量方法。
发明内容
本发明要解决是：现有测量方法的测量设备安装和集成不便且测量成本过高的技术问题。
为解决所述技术问题，本发明采用的技术方案为：基于机器视觉及结构光的隧道围岩结构变形测量方法，包括如下步骤：
S10、在隧道内地压区域的侧壁上架设多个结构光光源，在侧壁安装观测终端，所述观测终端与多个所述结构光光源通信；
S20、所述观测终端内设置有图像处理单元，所述图像处理单元根据待测区域内结构光位移变化，判断围岩结构是否发生变形；所述图像处理单元包括图像预处理模块和围岩结构变形判断模块；
所述图像预处理模块，用于对所述待测区域的第一图像数据进行检测，根据所述第一图像数据中的结构光线是否呈清晰状态进行处理；
在所述结构光线呈不清晰情况下，图像预处理模块启动预警，使第一图像数据进入分割模块，其中所述分割模块用于对实时的第一图像数据进行重新分割图像，获得清晰的第二图像数据。
优选的，根据所述第一图像数据中的结构光线是否呈清晰状态进行处理包括：
在所述结构光线呈清晰情况下，将第一图像数据或第二图像数据传输至围岩结构变形判断模块，所述围岩结构变形判断模块，用于计算待测区域内分割后图像的变化数据，并基于初始围岩结构拱顶S和/或侧壁h位置实时判断是否发生变形移动量，实时了解隧道结构和支护体系的稳定性和安全性。
优选的，所述观测终端畸变矫正的方法包括如下步骤：
S11、获取标定后的观测终端内参数和畸变参数，并根据针孔原理获得空间3D参考点M的坐标和观测终端的像素坐标之间的关系式，获取像素坐标；
S12、将观测终端内参数中测量相机焦距fx/fy、光学中心坐标cx/cy代入像素坐标内计算，将像素坐标转变为观测终端坐标：
S13、将标定出的畸变参数中的径向畸变参数k1，k2和k3、切向畸变参数p1和p2对测量相机坐标位移进行畸变矫正，得到像素点对应的矫正后的观测终端坐标：
S14、最终将矫正后的观测终端坐标转换为图像像素坐标：
优选的，获得所述第二图像数据包括如下步骤：
S21、图像预处理模块接受矫正后观测终端实时录制的待测区域内第一图像数据；
S22、区域分割模块采用PSPNet图像分割网络提取结构光区域，并在PSPNet架构的最后一层增加一层卷积层，将第一图像下采样8倍成特征图，特征图输入到PPM模块，并与其输出相加，最后经过卷积和8倍双线性差值上采样得到结果，即获取超分辨后的分割图像；
S23、通过分割的图像采用Dice Loss分析得出真实分割图像的像素标签以及模型预测分割图像的像素类别；
根据获得的真实分割图像的像素标签以及模型预测分割图像的像素类别，计算预测结果和真实结果的重叠部分：得到清晰的第二图像数据；
S24、根据清晰的图像区域获取超分辨后的结构光图像像素坐标：
S25、将获取的结构光图像像素坐标传输至围岩结构变形判断模块，分析实时超分辨分割图像的隧道围岩结构区域内结构光图像的变化。
优选的，所述步骤S23还包括如下步骤：
S231、将超分辨后的结构光图像与隧道截面进行比对，获取与隧道截面之间存在的左右转动角度αc＝α1c+α2c、俯仰角度βc＝β1c+β2c；
S232、依据观测终端左右转动角度αc、俯仰角度βc的误差分别调整测量相机和主站的安装角度，获得角度校正后的结构光图像像素坐标：用于保证图像数据的精确性。
优选的，所述结构光线呈清晰情况下计算包括如下步骤：
S31、实时提取第一图像数据或第二图像数据中结构光线，并以结构光线中心线最高点作为拱顶点，拱顶点两侧划分多个侧壁收敛区域；
S32、将实时结构光线与所述围岩结构变形判断模块中存储的基准结构光线进行匹配，分析像素点拱顶和/或侧部的位置变形量；所述位置变形量为竖直和水平两个方向变量；
根据实时判断隧道围岩结构和支护体系是否处于稳定和安全状态，为隧道结构变形预测提供支持；
S33、通过分析得到的隧道围岩结构中拱顶高度和侧壁收敛点变形量与全站仪所测得的变形量进行对比，检测采用图像预处理模块的精确性。
优选的，所述观测终端的后面设有相对稳定的二衬区域，并且在二衬区域内的路面上架设参考结构光线，所述参考结构光线位置不变，用于对观测终端的位置进行实时监测；
将观测终端实时监测得到的位置变化量传输至围岩结构变形判断模块，弥补因观测终端自身变动造成图像中拱顶和侧壁变形量的误差，获得实际拱顶和侧壁的变形量。
本发明的有益效果如下：
1、本发明相较于现有技术基于机器视觉结构光的隧道结构变形测量方法，采用了PSPNet网络进行图像超分辨和前景背景的分割，提高了图像的分辨率的同时保证了测量精度需求，并根据分割出的结构光线区域进行实时隧道拱顶和侧壁变形的计算；避免了原有需更换配置高的分辨率相机，所带来成像模组尺寸变大、功率增大、成本提高，不利于设备安装和集成的问题。
2、本发明通过区域分割模块采用PSPNet图像分割网络提取结构光区域，并在PSPNet架构的最后一层增加一层卷积层，将第一图像下采样8倍成特征图，特征图输入到PPM模块，并与其输出相加，最后经过卷积和8倍双线性差值上采样得到结果，即获取超分辨后的分割图像，进而提高了图像数据与基准历史数据对比的精确性，满足测量精度的要求，同时对比后的结构变形测量值与现有技术中采用全站仪测量得出的值之间差异较小，从而验证了PSPNet网络进行图像超分辨和前景背景分割步骤的可行性，为隧道结构变形预测提供了支持。
3、本发明通过观测终端可进行实时测量，补全了全站仪两次测量间隔之间的数据，为隧道结构变形预测提供了丰富的数据，有效保证了隧道监测的连续性和及时性同时进行实时测量，有效保证了隧道监测的连续性和及时性。
4、本发明通过在测量相机后方的二衬处布设参考结构光线，避免测量相机在隧道长期的观测下，因隧道施工而导致测量相机受到振动或外力影响，进而导致测量相机可能会发生变动的情况；并根据在监测下获得的测量相机变动量而进行断面变形量的补偿，从而保证了图像数据的精确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单的介绍。
图1为本发明基于机器视觉及结构光的隧道围岩结构变形测量方法的流程示意图；
图2为本发明观测终端畸变矫正的流程示意图；
图3为本发明的基于PSPNet的深度分割-超分辨网络示意图；
图4为本发明的超分辨后的结构光图像像素坐标确定的流程示意图；
图5为本发明的测量相机与成像面角度示意图；
图6为本发明的角度校正后的像素坐标确定的流程示意图；
图7为本发明的隧道图像位移测量示意图；
图8为本发明的隧道变形量计算的流程示意图；
图9为本发明的实验结果中易贡隧道左洞DK0+440-TCMS与全站仪拱顶监测数据对比示意图；
图10为本发明的实验结果中华盛山隧道测量DK315+020-TCMS与全站仪监测数据对比示意图；
图11为本发明的实验结果中华盛山隧道测量DK315+025-TCMS与全站仪监测数据对比示意图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
如图1所示，本实施例一提出了基于机器视觉及结构光的隧道围岩结构变形测量方法，包括如下步骤：
S10、在隧道内地压区域的侧壁上架设多个结构光光源，在侧壁安装观测终端，所述观测终端与多个所述结构光光源通信；
S20、所述观测终端内设置有图像处理单元，所述图像处理单元根据待测区域内结构光位移变化，判断围岩结构是否发生变形；所述图像处理单元包括图像预处理模块和围岩结构变形判断模块；
所述图像预处理模块，用于对所述待测区域的第一图像数据进行检测，根据所述第一图像数据中的结构光线是否呈清晰状态进行处理；
在所述结构光线呈不清晰情况下，图像预处理模块启动预警，使第一图像数据进入分割模块，其中所述分割模块用于对实时的第一图像数据进行重新分割图像，获得清晰的第二图像数据；
在所述结构光线呈清晰情况下，将第一图像数据或第二图像数据传输至围岩结构变形判断模块，所述围岩结构变形判断模块，用于计算待测区域内分割后图像的变化数据，并基于初始围岩结构拱顶S和/或侧壁h位置实时判断是否发生变形移动量，实时了解隧道结构和支护体系的稳定性和安全性；
隧道的工作人员可以根据隧道偏压、滑坡及高地应力区等区域的侧壁上灵活变动结构光光源的位置，待结构光光源位置确定后，将结构光光源开启，并观察是否能够在隧道截面形成结构光线，待确定可以形成完整的结构光线后，在结构光设备的附近架设观测终端，并对观测终端进行校正，实时获取矫正后的结构光区域图像，然后通过图像预处理模块对所述待测区域的第一图像素点进行检测，判断图像中的结构光线是否呈清晰状态，若第一图像中结构光线未呈清晰状态，则图像分辨率不满足要求的第一图像数据将进入分割模块，获得高分辨率的第二图像，即第二图像中结构光线呈清晰状态，进而保证测量的精度，避免了原本来保证测量精度需通过更换配置高的分辨率相机，进而带来成像模组尺寸变大、功率增大、成本提高，不利于设备安装和集成等问题；
若第一图像中结构光线呈清晰状态，则第一图像分辨率满足要求，直接进入围岩结构变形判断模块中，根据结构光照射被测物表面的调制发生变形，用于实时反映被测物表面形貌信息的图像三维形貌数据，并将实时三维形貌数据传递至围岩结构变形判断模块中，通过围岩结构变形判断模块将实时分割出的结构光线区域的尺寸和形状与基准结构光线得出的尺寸和形状进行对比，得到实时精确的变化拱顶变形、侧壁收敛的变化测量结果，监测隧道围岩结构拱顶和侧壁变形移动量，实时了解隧道结构和支护体系的稳定性和安全性。
如图2所示，所述观测终端畸变矫正的方法包括如下步骤：
S11、获取标定后的观测终端内参数和畸变参数，并根据针孔原理获得空间3D参考点M的坐标和观测终端的像素坐标之间的关系式，获取像素坐标；
S12、将观测终端内参数中测量相机焦距fx/fy、光学中心坐标cx/cy代入像素坐标内计算，将像素坐标转变为观测终端坐标：
S13、将标定出的畸变参数中的径向畸变参数k1，k2和k3、切向畸变参数p1和p2对测量相机坐标位移进行畸变矫正，得到像素点对应的矫正后的观测终端坐标：
S14、最终将矫正后的观测终端坐标转换为图像像素坐标：
在观测终端位置设置完成后，首先需要对观测终端内的测量相机或摄像机进行标定，并获取测量相机或摄像机内参数(相机焦距fx/fy、光学中心坐标cx/cy)和畸变参数(径向畸变参数k1,k2和k3,切向畸变参数p1和p2)；根据相机针孔原理，空间3D参考点M的坐标和它的像素坐标之间的关系如下所示：
空间3D参考点M的坐标和它的像素坐标之间的关系式中表示像素坐标系下的坐标，/>表示世界坐标系下的坐标，s为尺度因子；世界坐标系(Z＝0)平面下的点M及其在像平面中的像坐标关系可以使用如下的单应性矩阵联系起来：
H＝A[r1,r2,t]
相机内参数矩阵A有5个参数，通用的张正友标定法需要拍摄多幅棋盘格标定板进行参数的求解；改变相机与测量面之间的相对位置来得到N个不同的图像，形成2N个等式，进行相机内参数、畸变参数和外参数的求解；使用相机内参数，先将像素坐标(u,v)转化为相机坐标：
使用标定出的畸变参数对相机坐标位移进行畸变矫正，得到像素点对应的矫正后的相机坐标为：
其中k1,k2和k3为镜像畸变参数，p1和p2为切向畸变参数；
然后再使用相机坐标中将矫正后的相机坐标转换到图像像素坐标：
进而完成测量相机根据标定的参数矫正图像。
如图3至图4所示，获得所述第二图像数据包括如下步骤：
S21、图像预处理模块接受矫正后观测终端实时录制的待测区域内第一图像数据；
S22、区域分割模块采用PSPNet图像分割网络提取结构光区域，并在PSPNet架构的最后一层增加一层卷积层，将第一图像下采样8倍成特征图，特征图输入到PPM模块，并与其输出相加，最后经过卷积和8倍双线性差值上采样得到结果，即获取超分辨后的分割图像；
S23、通过分割的图像采用Dice Loss分析得出真实分割图像的像素标签以及模型预测分割图像的像素类别；
根据获得的真实分割图像的像素标签以及模型预测分割图像的像素类别，计算预测结果和真实结果的重叠部分：得到清晰的第二图像数据；
S24、根据清晰的图像区域获取超分辨后的结构光图像像素坐标：
S25、将获取的结构光图像像素坐标传输至围岩结构变形判断模块，分析实时超分辨分割图像的隧道围岩结构区域内结构光图像的变化；
区域分割模块采用PSPNet图像分割网络提取结构光线区域，在PSPNet架构的最后一层增加一层卷积层，将第一图像下采样8倍成特征图，特征图输入到PPM模块，并与其输出相加，最后经过卷积和8倍双线性差值上采样得到结果，即获取超分辨后的分割图像，然后应用Dice Loss，计算预测结果和真实结果的重叠部分：
其中|X∩Y|是X和Y之间的交集，|X|和|Y|分别表示X和Y的元素的个数；
X表示真实分割图像的像素标签，Y表示模型预测分割图像的像素类别；Dice Loss可以缓解图像中前景背景(面积)不平衡带来的消极影响，前景背景不平衡也就是说图像中大部分区域是不包含目标的，只有一小部分区域包含目标；
将主站相机畸变矫正后获取的图像进行超分辨及分割，超分辨后的结构光图像像素坐标为：
其中δ为超分辨误差；
得到超分辨后的结构光图像像素坐标，进而保证了测量精度，通过该方式来替换现有技术中需要得到高分辨图像分辨率只能通过需要更换高分辨率相机的方式，进而解决了只有通过更换高分辨相机所带来的成像模组尺寸变大、功率增大以及成本提高等导致不利于设备安装和集成的问题，同时在建隧道的恶劣环境(隧道内存在大型车辆灯光影响、尘土、爆破等工况)，设计的基于深度图像分割及超分辨技术的结构光图像处理方法，可以对隧道结构变形进行稳定、可靠的测量。
如图5至图6所示，所述步骤S23还包括如下步骤：
S231、将超分辨后的结构光图像与隧道截面进行比对，获取与隧道截面之间存在的左右转动角度αc＝α1c+α2c、俯仰角度βc＝β1c+β2c；
S232、依据观测终端左右转动角度αc、俯仰角度βc的误差分别调整测量相机和主站的安装角度，获得角度校正后的结构光图像像素坐标：用于保证图像数据的精确性；
其中左右转动角度αc由主站相机内部安装角度和主站支架相对于隧道轴线的安装角度组成，内部安装左右转动角度α1c，主站相对于隧道轴线的左右转动角度α2c，则，
αc＝α1c+α2c
俯仰角βc由主站相机内部安装角度和主站支架相对于隧道轴线的安装角度组成，内部安装俯仰角β1c,主站相对于隧道轴线的俯仰角度为β2c,则，
βc＝β1c+β2c
将左右转动角度αc、俯仰角βc、超分辨后的结构光图像像素坐标为应用于公式：
得到角度校正后的像素坐标(u”，v”)；
根据得到的左右转动角度和俯仰角进行调整主站支架和主站相机的安装角度，获取角度校正后的像素坐标，用于保证第一或第二图像数据的精确性。
如图7至图8所示，所述结构光线呈清晰情况下计算包括如下步骤：
S31、实时提取第一图像数据或第二图像数据中结构光线，并以结构光线中心线最高点作为拱顶点，拱顶点两侧划分多个侧壁收敛区域；
S32、将实时结构光线与所述围岩结构变形判断模块中存储的基准结构光线进行匹配，分析像素点拱顶和/或侧部的位置变形量；所述位置变形量为竖直和水平两个方向变量；
根据实时判断隧道围岩结构和支护体系是否处于稳定和安全状态，为隧道结构变形预测提供支持；
S33、通过分析得到的隧道围岩结构中拱顶高度和侧壁收敛点变形量与全站仪所测得的变形量进行对比，检测采用图像预处理模块的精确性；
所述观测终端的后面设有相对稳定的二衬区域，并且在二衬区域内的路面上架设参考结构光线，所述参考结构光线位置不变，用于对观测终端的位置进行实时监测；
将观测终端实时监测得到的位置变化量传输至围岩结构变形判断模块，弥补因观测终端自身变动造成图像中拱顶和侧壁变形量的误差，获得实际拱顶和侧壁的变形量；
经过上述步骤得到的矫正后的测量相机坐标转换到图像像素坐标、确定超分辨后的结构光图像像素坐标以及主站内相机安装角度及主站安装角度误差，角度校正后的像素坐标，此时根据图像数据提取拱顶和侧壁特征要素，选择结构光曲线中心线最高点作为拱顶点，拱顶高度、S2点高度均已知，根据周边收敛测量点高度标准，可计算出周边收敛测量点，然后设定初始时刻的观测点坐标(u'1'，v'1')，利用测量相机进行录制测量某一时刻该观测点坐标为(u'2'，v'2')，则此时刻竖直和水平方向变形s、h为：
同时在主站相机后方的二衬处设置参考结构光线，且参考结构光线位置不变，对测量相机进行检测弥补因测量相机长期在隧道内观测而受到振动或外力影响下，而自身会发生的变动量，以观测到的参考终端断面变形量进行补偿，参考终端拱顶顶点竖直方向变形量为Sr,侧壁的水平方向变形量为hr，则补偿后的变形量s、h为：
Sr和hr为测量机构因振动而移动的变化量，其中，s、h根据不同时刻的变化而改变，改变的数值可通过变化后的观测点与初始观测点之间的差值得出，从而得到某一时刻实时的竖直和水平变形量，然后根据变形量求出窗口平滑后的坐标；
窗口平滑：
最后通过围岩结构变形判断模块实时对比分析得到的隧道围岩结构中拱顶高度和侧壁收敛点变形量，并将得到的变形量与全站仪所测得的变形量进行对比：
实验结果：通过研制样机，对基于机器视觉及结构光的隧道结构变形测量方法进行验证，在建隧道CZ铁路易贡隧道左洞进口、西渝铁路华蓥山隧道等项目施工中进行了使用测试，其中华蓥山隧道为瓦斯隧道，设备考虑了防爆设计及防爆组网等，并根据测试结果对设备进行了改进升级，取得了较好的应用效果。
易贡隧道左洞测量结果分析：
系统2023年3月1日开始部署于易贡道左洞进口监测,至2023年5月31共计监测断面44个，监测断面里程标范围DKO+130～DKO+590。选取DKO+440断面位置测量数据与全站仪测量数据进行对比。其中,2023年5月1日-5月31日DKO+440全站仪拱顶监测数据如表1所示。
表1:DK1097+440全站仪拱顶监测数据简表
将全站仪与本系统开始监测相近时间作为起点重新计算沉降值，DK0+440的本系统与全站仪拱顶监测数据对比情况如图9所示。
根据图9可知，测点里程DKO+440，本系统和全站仪监测重合时间为3天，在该期间内，本系统测量182次，全站仪测量3次，本方法测量次数约为全站仪测量次数的60倍。在相同的测量时间内，TCMS拱顶监测值与全站仪拱顶监测值测量数值最大差值为0.016mm。
华蓥山隧道测量结果分析：
2023年5月21日-5月27日的全站仪DK315+020、DK315+025拱顶监测数据如表2所示。
表2：全站仪DK315+020拱顶监测数据简表
1)将全站仪与本方法开始监测相近时间作为起点重新计算沉降值，断面DK315+020的本系统与全站仪数据对比情况如图10所示。
测点里程DK315+020，TCMS和全站仪监测重合时间为1天，在该期间内，TCMS测量9次,全站仪测量2次,TCMS测量次数为全站仪测量次数的4.5倍。在相同的测量时间内，TCMS拱顶监测值与全站仪拱顶监测值最大差值为0.236mm。
2)将全站仪与TCMS开始监测相近时间作为起点重新计算沉降值，DK315+025的TCMS与全站仪数据对比情况如图11所示。
测点里程DK315+025，TCMS和全站仪监测重合时间为1天，在该期间内，本方法测量14次，全站仪测量2次，TCMS测量次数为全站仪测量次数的7倍。在相同的测量时间内,本方法拱顶监测值与全站仪拱顶监测值最大差值为0.134mm。
综上所述，在建隧道的恶劣环境下，基于机器视觉线结构光的隧道结构变形测量方法，结合结构光成像特点，并通过基于深度图像分割及超分辨技术的结构光图像处理方法，可以对隧道结构变形进行实时稳定的测量；此外，通过与全站仪测量数据进行对比，本方法结构变形测量值与全站仪测量值之间的差异较小，为隧道结构变形预测提供了支持。另外，本系统可进行实时测量，补全了全站仪两次测量间隔之间的数据，为隧道结构变形预测提供了丰富的数据，有效保证了隧道监测的连续性和及时性。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.基于机器视觉及结构光的隧道围岩结构变形测量方法，其特征在于，包括如下步骤：
S10、在隧道内地压区域的侧壁上架设多个结构光光源，在侧壁安装观测终端，所述观测终端与多个所述结构光光源通信；
S20、所述观测终端内设置有图像处理单元，所述图像处理单元根据待测区域内结构光位移变化，判断围岩结构是否发生变形；所述图像处理单元包括图像预处理模块和围岩结构变形判断模块；
所述图像预处理模块，用于对所述待测区域的第一图像数据进行检测，根据所述第一图像数据中的结构光线是否呈清晰状态进行处理；
在所述结构光线呈不清晰情况下，图像预处理模块启动预警，使第一图像数据进入分割模块，其中所述分割模块用于对实时的第一图像数据进行重新分割图像，获得清晰的第二图像数据。
2.根据权利要求1所述的基于机器视觉及结构光的隧道围岩结构变形测量方法，其特征在于，根据所述第一图像数据中的结构光线是否呈清晰状态进行处理包括：
在所述结构光线呈清晰情况下，将第一图像数据或第二图像数据传输至围岩结构变形判断模块，所述围岩结构变形判断模块，用于计算待测区域内分割后图像的变化数据，并基于初始围岩结构拱顶S和/或侧壁h位置实时判断是否发生变形移动量，实时了解隧道结构和支护体系的稳定性和安全性。
3.根据权利要求1所述的基于机器视觉及结构光的隧道围岩结构变形测量方法，其特征在于，所述观测终端畸变矫正的方法包括如下步骤：
S11、获取标定后的观测终端内参数和畸变参数，并根据针孔原理获得空间3D参考点M的坐标和观测终端的像素坐标之间的关系式，获取像素坐标；
S12、将观测终端内参数中测量相机焦距fx/fy、光学中心坐标cx/cy代入像素坐标内计算，将像素坐标转变为观测终端坐标：
S13、将标定出的畸变参数中的径向畸变参数k1，k2和k3、切向畸变参数p1和p2对测量相机坐标位移进行畸变矫正，得到像素点对应的矫正后的观测终端坐标：
S14、最终将矫正后的观测终端坐标转换为图像像素坐标：
4.根据权利要求1所述的基于机器视觉及结构光的隧道围岩结构变形测量方法，其特征在于，获得所述第二图像数据包括如下步骤：
S21、图像预处理模块接受矫正后观测终端实时录制的待测区域内第一图像数据；
S22、区域分割模块采用PSPNet图像分割网络提取结构光区域，并在PSPNet架构的最后一层增加一层卷积层，将第一图像下采样8倍成特征图，特征图输入到PPM模块，并与其输出相加，最后经过卷积和8倍双线性差值上采样得到结果，即获取超分辨后的分割图像；
S23、通过分割的图像采用Dice Loss分析得出真实分割图像的像素标签以及模型预测分割图像的像素类别；
根据获得的真实分割图像的像素标签以及模型预测分割图像的像素类别，计算预测结果和真实结果的重叠部分：得到清晰的第二图像数据；
S24、根据清晰的图像区域获取超分辨后的结构光图像像素坐标：
S25、将获取的结构光图像像素坐标传输至围岩结构变形判断模块，分析实时超分辨分割图像的隧道围岩结构区域内结构光图像的变化。
5.根据权利要求4所述的基于机器视觉及结构光的隧道围岩结构变形测量方法，其特征在于，所述步骤S23还包括如下步骤：
S231、将超分辨后的结构光图像与隧道截面进行比对，获取与隧道截面之间存在的左右转动角度αc＝α1c+α2c、俯仰角度βc＝β1c+β2c；
S232、依据观测终端左右转动角度αc、俯仰角度βc的误差分别调整测量相机和主站的安装角度，获得角度校正后的结构光图像像素坐标：用于保证图像数据的精确性。
6.根据权利要求2所述的基于机器视觉及结构光的隧道围岩结构变形测量方法，其特征在于，所述结构光线呈清晰情况下计算包括如下步骤：
S31、实时提取第一图像数据或第二图像数据中结构光线，并以结构光线中心线最高点作为拱顶点，拱顶点两侧划分多个侧壁收敛区域；
S32、将实时结构光线与所述围岩结构变形判断模块中存储的基准结构光线进行匹配，分析像素点拱顶和/或侧部的位置变形量；所述位置变形量为竖直和水平两个方向变量；
根据实时判断隧道围岩结构和支护体系是否处于稳定和安全状态，为隧道结构变形预测提供支持；
S33、通过分析得到的隧道围岩结构中拱顶高度和侧壁收敛点变形量与全站仪所测得的变形量进行对比，检测采用图像预处理模块的精确性。
7.根据权利要求1所述的基于机器视觉及结构光的隧道围岩结构变形测量方法，其特征在于，所述观测终端的后面设有相对稳定的二衬区域，并且在二衬区域内的路面上架设参考结构光线，所述参考结构光线位置不变，用于对观测终端的位置进行实时监测；
将观测终端实时监测得到的位置变化量传输至围岩结构变形判断模块，弥补因观测终端自身变动造成图像中拱顶和侧壁变形量的误差，获得实际拱顶和侧壁的变形量。
CN202311078614.7A 2023-08-24 2023-08-24 基于机器视觉及结构光的隧道围岩结构变形测量方法 Pending CN117091525A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311078614.7A CN117091525A (zh) 2023-08-24 2023-08-24 基于机器视觉及结构光的隧道围岩结构变形测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311078614.7A CN117091525A (zh) 2023-08-24 2023-08-24 基于机器视觉及结构光的隧道围岩结构变形测量方法

Publications (1)

Publication Number Publication Date
CN117091525A true CN117091525A (zh) 2023-11-21

Family

ID=88773203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311078614.7A Pending CN117091525A (zh) 2023-08-24 2023-08-24 基于机器视觉及结构光的隧道围岩结构变形测量方法

Country Status (1)

Country Link
CN (1) CN117091525A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117760332A (zh) * 2024-02-22 2024-03-26 南京派光智慧感知信息技术有限公司 一种用于监测隧道变形的方法、介质及设备
CN118009915A (zh) * 2024-04-10 2024-05-10 南京派光智慧感知信息技术有限公司 一种用于隧道围岩变形测量设备的标定校验方法
CN118463912A (zh) * 2024-07-15 2024-08-09 北京建筑大学 一种钢结构变形智能监测方法、系统及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117760332A (zh) * 2024-02-22 2024-03-26 南京派光智慧感知信息技术有限公司 一种用于监测隧道变形的方法、介质及设备
CN117760332B (zh) * 2024-02-22 2024-05-07 南京派光智慧感知信息技术有限公司 一种用于监测隧道变形的方法、介质及设备
CN118009915A (zh) * 2024-04-10 2024-05-10 南京派光智慧感知信息技术有限公司 一种用于隧道围岩变形测量设备的标定校验方法
CN118009915B (zh) * 2024-04-10 2024-06-04 南京派光智慧感知信息技术有限公司 一种用于隧道围岩变形测量设备的标定校验方法
CN118463912A (zh) * 2024-07-15 2024-08-09 北京建筑大学 一种钢结构变形智能监测方法、系统及装置

Similar Documents

Publication Publication Date Title
CN117091525A (zh) 基于机器视觉及结构光的隧道围岩结构变形测量方法
US11761833B2 (en) Stress measurement device, stress measurement system, and stress measurement method
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
CN102003938B (zh) 大型高温锻件热态在位检测方法
CN102519710B (zh) 一种透光玻璃光学畸变数字化检测仪及检测方法
CN108106801A (zh) 桥隧病害非接触检测系统及检测方法
CN102749047B (zh) 一种轧辊轴承座尺寸测量方法
CN107356244B (zh) 一种路侧单元天线的标定方法及装置
CN107339935B (zh) 用于全视角扫描测量系统的靶标空间交会测量方法
CN102706288B (zh) 基于图像测量姿态补偿方法及其装置和隧道沉降变形监测系统
CN111608731B (zh) 一种盾构隧道安全状态监测预警装置及其监测预警方法
CN103186892A (zh) 利用航拍图像生成等比例实景现场图的方法及系统
CN110533649B (zh) 一种无人机通用结构裂缝识别检测装置及方法
CN110174059A (zh) 一种基于单目图像的受电弓导高及拉出值测量方法
Zhong et al. Stereo-rectification and homography-transform-based stereo matching methods for stereo digital image correlation
Huang et al. Measurement method and recent progress of vision-based deflection measurement of bridges: A technical review
CN118392084A (zh) 一种隧道平整度检测装置
Zhao et al. Intelligent segmentation method for blurred cracks and 3D mapping of width nephograms in concrete dams using UAV photogrammetry
CN115993094B (zh) 一种基于ccd相机的大型膜结构屋顶位移监测方法及系统
CN113870285B (zh) 一种集成北斗和视觉的基础设施结构形变测量方法及系统
CN116381726A (zh) 基于数据自身的无人机激光点云精度自评估方法
Rajaei et al. Vision-based large-field measurements of bridge deformations
CN113124821B (zh) 一种基于曲面镜和平面镜的结构测量方法
Zhao et al. Study on the Technologies of Close Range Photogrammetry and Applications in the Manufacture of Aviation
CN103940345A (zh) 一种远程位移测量系统及方法

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