CN117473286B - 振动时程信号识别方法、系统、装置、设备及存储介质 - Google Patents
振动时程信号识别方法、系统、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117473286B CN117473286B CN202311829760.9A CN202311829760A CN117473286B CN 117473286 B CN117473286 B CN 117473286B CN 202311829760 A CN202311829760 A CN 202311829760A CN 117473286 B CN117473286 B CN 117473286B
- Authority
- CN
- China
- Prior art keywords
- course
- vibration
- preset
- signal
- vibration time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 120
- 238000012545 processing Methods 0.000 claims abstract description 91
- 230000008030 elimination Effects 0.000 claims abstract description 53
- 238000003379 elimination reaction Methods 0.000 claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 51
- 238000006073 displacement reaction Methods 0.000 claims description 73
- 238000001228 spectrum Methods 0.000 claims description 26
- 230000001133 acceleration Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000003672 processing method Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 23
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 16
- 238000007405 data analysis Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种振动时程信号识别方法、系统、装置、设备及存储介质,属于测量技术领域。本申请通过读取被测结构监测点的预处理图像和振动时程信号;使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号;使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号,本申请使得基于影像数据分析得到的结构振动时程信号准确性高。
Description
技术领域
本申请涉及测量领域,尤其涉及振动时程信号识别方法、系统、装置、设备及存储介质。
背景技术
基于视觉的振动测量技术是测量领域的关键技术,基于视觉的振动测量技术利用摄像机或传感器捕捉物体表面在振动作用下的位移信息来实现振动测量,具有测量精度高、监测距离远、无需直接接触被测物体、监测成本低等优点,相比于传统的接触式测量方法,具有更为广阔的应用场景以及技术优势。
然而,基于视觉的振动测量技术在应用测量过程中,不可避免地会受到外界环境振动噪声的干扰,导致相机在采集影像数据的过程中出现相机扰动,进而导致基于影像数据分析得到的结构振动时程信号准确性不高。
上述内容仅用于辅助理解本申请的技术方案,并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种振动时程信号识别方法、系统、装置、设备及存储介质,旨在解决基于影像数据分析得到的结构振动时程信号准确性不高的技术问题。
为实现上述目的,本申请提供一种振动时程信号识别方法,所述振动时程信号识别方法包括以下步骤:
读取被测结构监测点的预处理图像和振动时程信号;
使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号;
使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号。
可选地,所述使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号的步骤,包括:
识别所述预处理图像中光斑的边缘像素,其中,所述光斑是相机拍摄预设的定位激光灯照射的灯光得到的;
使用预设的亚像素边缘点公式计算所述光斑边缘像素,得到满足预设条件的亚像素边缘点,并计算所述亚像素边缘点的坐标;
基于所述亚像素边缘点的坐标,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,分别计算每两个光斑相互间的位移差时程信号;
使用预设的峰度计算方法计算所述位移差时程信号的峰度,并分别计算位移差时程信号的峰度最小的一组两个光斑的方差;
使用振动时程信号减去方差较小的光斑对应的位移差时程信号,得到扰动消除后的结构监测点的初步处理信号。
可选地,所述识别所述预处理图像中光斑的边缘像素的步骤,包括:
框选出预处理图像中不同光斑的区域,并将所述区域编号;
计算所述区域中每个像素的梯度值,并将所述梯度值与预设的第一预设值和第二预设值对比,其中,所述第二预设值大于等于第一预设值;
若所述像素的梯度值大于第二预设值,则将对应的像素标记为强边缘;
若所述像素的梯度值小于第一预设值并且大于第二预设值,则将对应的像素标记为弱边缘;
将所有与强边缘相邻的弱边缘像素标记为光斑边缘像素。
可选地,所述基于所述亚像素边缘点的坐标,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,分别计算每两个光斑相互间的位移差时程信号的步骤,包括:
基于所述亚像素边缘点的坐标,计算各光斑中心的坐标;
计算每个光斑中心在所述预处理图像上的坐标,并将所述坐标按照所述图像的先后顺序排列为坐标数组;
基于所述坐标数组,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,计算各光斑相互之间的位移差时程信号。
可选地,所述使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号的步骤,包括:
获取结构加速度振动信号,其中,所述结构加速度振动信号是部署在被测结构监测点预设位置的加速度传感器采集得到的;
使用傅里叶变换处理所述结构加速度振动信号,得到参考频谱信号;
使用预设的处理方法将所述初步处理信号分解,得到多个模态信号;
使用傅里叶变换处理全部的模态信号,并将得到的模态频谱信号与所述参考频谱信号进行对比,将不一致的模态频谱信号视为扰动信号并删除所述扰动信号;
将剩余的模态频谱信号的数值相加,得到相机扰动精确消除后的振动时程信号。
可选地,所述读取被测结构监测点的预处理图像和振动时程信号的步骤之前,所述方法包括:
获取被测结构监测点的振动视频,其中,所述振动视频是相机拍摄得到的;
识别所述振动视频每一帧的图像,得到多个按先后顺序排列的原始图像;
使用预设的图像处理方法处理所述原始图像,得到预处理图像;
将第一个预处理图像作为追踪图像,分别归一化处理追踪图像和其余预处理图像;
逐个移动所述追踪图像,使得所述追踪图像的像素与其余预处理图像的像素最大限度地重合;
计算每次位置改变时所述追踪图像的像素和每个预处理图像的像素对应的映射值;
筛选每组图像的最大映射值对应的位置,得到振动时程信号。
此外,为实现上述目的,本申请还提供一种振动时程信号识别系统,所述振动时程信号识别系统包括加速度传感器和多个定位激光灯;所述加速度传感器部署于被测结构监测点位置;所述多个定位激光灯分别部署在可向被测结构监测点位置投射激光光斑的不同位置,其中,所述多个定位激光灯的数量至少为三个。
此外,为实现上述目的,本申请还提供一种振动时程信号识别装置,所述装置包括:
读取模块,用于读取被测结构监测点的预处理图像和振动时程信号;
第一处理模块,用于使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号;
第二处理模块,用于使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号。
此外,为实现上述目的,本申请还提供一种振动时程信号识别设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的振动时程信号识别程序,所述振动时程信号识别程序配置为实现如上所述的振动时程信号识别方法的步骤。
此外,为实现上述目的,本申请还提供一种存储介质,所述存储介质上存储有振动时程信号识别程序,所述振动时程信号识别程序被处理器执行时实现如上所述的振动时程信号识别方法的步骤。
本申请提供一种振动时程信号识别方法、系统、装置、设备及存储介质,与相关技术中基于视觉的振动测量技术在应用测量过程中,不可避免地会受到外界环境振动噪声的干扰,导致基于影像数据分析得到的结构振动时程信号准确性不高相比,本申请通过读取被测结构监测点的预处理图像和振动时程信号;使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号;使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号,可以理解,本申请使用预设的初步扰动消除方法和预设的精确扰动消除方法消除扰动,使得基于影像数据分析得到的结构振动时程信号准确性高,解决了基于影像数据分析得到的结构振动时程信号准确性不高的问题。
附图说明
图1是本申请实施例方案涉及的硬件运行环境的振动时程信号识别设备的结构示意图;
图2为本申请振动时程信号识别方法第一实施例的流程示意图;
图3为本申请振动时程信号识别方法中卷积处理的公式示意图;
图4为本申请振动时程信号识别方法中计算图像偏导数阵列的公式示意图;
图5为本申请振动时程信号识别方法中计算像素梯度值的公式示意图;
图6为本申请振动时程信号识别方法中计算Zernike正交矩的公式示意图;
图7为Zernike的n阶多项式的数学表达式;
图8为本申请振动时程信号识别方法中计算亚像素边缘参数的公式示意图;
图9为本申请振动时程信号识别方法中计算旋转后的Zernike矩的公式示意图;
图10为本申请振动时程信号识别方法中计算亚像素边缘点坐标的公式示意图;
图11为本申请振动时程信号识别方法中计算激光光斑的振动位移时程信号的公式示意图;
图12为本申请振动时程信号识别方法中计算位移差时程信号峰度的公式示意图;
图13为本申请振动时程信号识别方法中计算激光光斑中振动位移时程信号方差的公式示意图;
图14为本申请振动时程信号识别方法中的迭代优化准则的公式示意图;
图15为本申请振动时程信号识别方法中计算追踪图像中像素位置的公式示意图;
图16为本申请振动时程信号识别方法第二实施例的流程示意图;
图17为本申请振动时程信号识别方法中计算振动时程信号的公式示意图;
图18为本申请振动时程信号识别装置的结构框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,图1为本申请实施例方案涉及的硬件运行环境的振动时程信号识别设备结构示意图。
如图1所示,该振动时程信号识别设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对振动时程信号识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及振动时程信号识别程序。
在图1所示的振动时程信号识别设备中,网络接口1004主要用于与其他设备进行数据通信;用户接口1003主要用于与用户进行数据交互;本申请振动时程信号识别设备中的处理器1001、存储器1005可以设置在振动时程信号识别设备中,所述振动时程信号识别设备通过处理器1001调用存储器1005中存储的振动时程信号识别程序,并执行本申请实施例提供的振动时程信号识别方法。
本申请实施例提供了一种振动时程信号识别方法,参照图2,图2为本申请一种振动时程信号识别方法第一实施例的流程示意图。
需要说明的是,本实施例的方法执行主体为振动时程信号识别设备,所述振动时程信号识别设备可以是结构位移识别设备或终端等具有数据处理能力的设备,本申请不进行具体的限制。
应当理解的是,在现有技术中,基于视觉的振动测量技术是测量领域的关键技术,基于视觉的振动测量技术利用摄像机或传感器捕捉物体表面在振动作用下的位移信息来实现振动测量,具有测量精度高、监测距离远、无需直接接触被测物体、监测成本低等优点,相比于传统的接触式测量方法,具有更为广阔的应用场景以及技术优势,然而,基于视觉的振动测量技术在应用测量过程中,不可避免地会受到外界环境振动噪声的干扰,导致相机在采集影像数据的过程中出现相机扰动,进而导致基于影像数据分析得到的结构振动时程信号准确性不高。
为消除相机自身扰动对测量结果的干扰,国内外学者提出了各种运动补偿技术,例如,基于不动点的运动补偿方法:通过监测视频中的稳定不动点来消除相机的自身扰动,或基于变分模态分解的相机扰动消除方法:通过将监测得到的振动信息进行变分模态分解,并通过对比分解模态的频谱结果实现运动模态的剔除,然而,基于不动点的运动补偿方法适合消除低频的外部扰动,存在难以剔除高频的扰动变化、背景不动点难以寻找的问题,基于变分模态分解的相机扰动消除方法则难以剔除低频区段的扰动信息。
可以理解的是,为解决基于影像数据分析得到的结构振动时程信号准确性不高的问题,本申请提供一种振动时程信号识别方法、系统、装置、设备及存储介质,与相关技术中基于视觉的振动测量技术在应用测量过程中,不可避免地会受到外界环境振动噪声的干扰,导致基于影像数据分析得到的结构振动时程信号准确性不高的问题相比,本申请通过读取被测结构监测点的预处理图像和振动时程信号;使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号;使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号,可以理解,本申请使用预设的初步扰动消除方法和预设的精确扰动消除方法消除扰动,使得基于影像数据分析得到的结构振动时程信号准确性高,解决了基于影像数据分析得到的结构振动时程信号准确性不高的问题。
本实施例中,所述振动时程信号识别方法包括:
步骤S10:读取被测结构监测点的预处理图像和振动时程信号。
在具体实现中,振动时程信号识别设备读取被测结构监测点的预处理图像和振动时程信号。
步骤S20:使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号。
在具体实现中,振动时程信号识别设备使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号。
其中,所述使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号的步骤,具体包括:
步骤S21:识别所述预处理图像中光斑的边缘像素,其中,所述光斑是相机拍摄预设的定位激光灯照射的灯光得到的。
在具体实现中,振动时程信号识别设备识别所述预处理图像中光斑的边缘像素。
需要说明的是,所述振动时程信号识别设备首先对预处理图像进行处理,分别框选出不同激光光斑的振动区域,得到激光光斑振动视频Vi,其中i为所述激光光斑的编号。
其中,所述识别所述预处理图像中光斑的边缘像素的步骤,具体包括:
步骤S211:框选出预处理图像中不同光斑的区域,并将所述区域编号。
在具体实现中,振动时程信号识别设备框选出预处理图像中不同光斑的区域,并将所述区域编号。
需要说明的是,如图3所示,检测激光光斑边缘首先需要将图像与高斯平滑滤波器进行卷积处理,其中,σ为尺度因子,表示对图像的平滑程度,I(x, y)为原图像序列,S(x,y)为处理后的图像序列,然后,如图4所示,使用一阶有限差分计算图像偏导数阵列,其中,Dx为x方向的图像偏导数阵列,Dy为y方向的图像偏导数阵列。
步骤S212:计算所述区域中每个像素的梯度值,并将所述梯度值与预设的第一预设值和第二预设值对比,其中,所述第二预设值大于等于第一预设值。
在具体实现中,振动时程信号识别设备计算所述区域中每个像素的梯度值,然后进行图像非极值置零处理,并将所述梯度值与预设的第一预设值和第二预设值对比。
可以理解的是,如图5所示,使用预设的梯度值计算公式计算所述区域中每个像素的梯度值,再令N(x, y)=M(x, y),对于M中的每个点,在梯度和反梯度方向各找n个像素点,若M(x, y)不是这些点中的最大值点,则将N(x, y)置零,否则保持N(x, y)不变,其中,M代表梯度幅值的大小,θ代表所述梯度的方向。
步骤S213:若所述像素的梯度值大于第二预设值,则将对应的像素标记为强边缘。
在具体实现中,若所述像素的梯度值大于第二预设值,振动时程信号识别设备则将对应的像素标记为强边缘。
步骤S214:若所述像素的梯度值小于第一预设值并且大于第二预设值,则将对应的像素标记为弱边缘。
在具体实现中,若所述像素的梯度值小于第一预设值并且大于第二预设值,振动时程信号识别设备则将对应的像素标记为弱边缘。
例如,预设两个阈值A和B,且B大于等于A,对于N(x, y)中的每个像素的位置,若所述梯度值大于B,则将该像素所在的位置标记为强边缘,若所述梯度值小于B且大于A,则将该像素所在的位置标记为弱边缘,再从强边缘像素开始,跟踪与其相邻的弱边缘像素,直到没有新的边缘像素可以跟踪为止,并将强边缘以及所有与之相邻的弱边缘像素标记为边缘。
步骤S215:将所有与强边缘相邻的弱边缘像素标记为光斑边缘像素。
在具体实现中,振动时程信号识别设备将所有与强边缘相邻的弱边缘像素标记为光斑边缘像素。
步骤S22:使用预设的亚像素边缘点公式计算所述光斑边缘像素,得到满足预设条件的亚像素边缘点,并计算所述亚像素边缘点的坐标。
在具体实现中,振动时程信号识别设备使用预设的亚像素边缘点公式计算所述光斑边缘像素,得到满足预设条件的亚像素边缘点,并计算所述亚像素边缘点的坐标。
需要说明的是,如图6所示,计算所述亚像素边缘点的坐标,首先需要对所有标记为边缘的像素点计算其Zernike正交矩,直至四阶矩,其中,n,m属于整数并满足以下条件:n大于等于0,n-|m|为偶数且|m|小于等于n,i为虚数单位,*表示复共轭,Vnm为Zernike的n阶多项式,数学表达式如图7所示,再计算得到该像素点的不同阶次的Zernike矩:Z00,Re[Z11],Im[Z11],Z20,Re[Z31]实数,Im[Z31],Z40;其中Re表示矩的实部,Im表示矩的虚部,然后使用预设的公式计算亚像素边缘参数,如图8所示,其中,l为像素点距离边缘的距离,Ø为边缘法线的角度,Z'为旋转后的Zernike矩,计算公式如图9所示,最后预设阈值参数,进行亚像素边缘点检测,预设判断阈值kt和lt,如果像素点参数满足k≥kt∩|l2-l1|≤lt,则判断该像素点为边缘点,并使用图10所示的公式计算所述亚像素边缘点的坐标,其中,xs为该边缘像素点的亚像素边缘x坐标,ys为该边缘像素点的亚像素边缘y坐标,若不满足条件,则跳过该像素点,取下一像素点重复上述计算。
应当说明的是,振动时程信号识别设备基于检测得到的光斑亚像素边缘点,拟合光斑中心的亚像素坐标,然后对所有激光光斑振动视频Vi的时序图像重复上述运算,计算得到所有激光光斑的中心坐标数组。
步骤S23:基于所述亚像素边缘点的坐标,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,分别计算每两个光斑相互间的位移差时程信号。
在具体实现中,振动时程信号识别设备基于所述亚像素边缘点的坐标,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,分别计算每两个光斑相互间的位移差时程信号。
可以说明的是,如图11所示,所述振动时程信号识别设备基于所述亚像素边缘点的坐标,计算各个激光光斑的振动位移时程信号,其中,xi(t)表示第i个激光光斑在第t时刻的振动位移信号,再根据所述各个激光光斑的振动位移时程信号,分别计算得到两个光斑相互间的位移差时程信号。
其中,所述基于所述亚像素边缘点的坐标,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,分别计算每两个光斑相互间的位移差时程信号的步骤,具体包括:
步骤S231:基于所述亚像素边缘点的坐标,计算各光斑中心的坐标。
在具体实现中,振动时程信号识别设备基于所述亚像素边缘点的坐标,计算各光斑中心的坐标。
步骤S232:计算每个光斑中心在所述预处理图像上的坐标,并将所述坐标按照所述图像的先后顺序排列为坐标数组。
在具体实现中,振动时程信号识别设备计算每个光斑中心在所述预处理图像上的坐标,并将所述坐标按照所述图像的先后顺序排列为坐标数组。
步骤S233:基于所述坐标数组,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,计算各光斑相互之间的位移差时程信号。
在具体实现中,振动时程信号识别设备基于所述坐标数组,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,计算各光斑相互之间的位移差时程信号。
步骤S24:使用预设的峰度计算方法计算所述位移差时程信号的峰度,并分别计算位移差时程信号的峰度最小的一组两个光斑的方差。
在具体实现中,振动时程信号识别设备使用预设的峰度计算方法计算所述位移差时程信号的峰度,并分别计算位移差时程信号的峰度最小的一组两个光斑的方差。
需要说明的是,首先使用如图12所示的公式计算位移差时程信号的峰度,其中,E表示数学期望,u为xi(t)的平均值,然后再所有激光光斑中,选取振动信号最小的一组激光光斑,使用如图13所示的公式分别计算该组两个激光光斑中振动位移时程信号的方差,其中,si 2为第i个激光光斑的振动位移时程信号的方差。
步骤S25:使用振动时程信号减去方差较小的光斑对应的位移差时程信号,得到扰动消除后的结构监测点的初步处理信号。
在具体实现中,振动时程信号识别设备使用振动时程信号减去方差较小的光斑对应的位移差时程信号,得到扰动消除后的结构监测点的初步处理信号。
步骤S30:使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号。
在具体实现中,振动时程信号识别设备使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号。
其中,所述使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号的步骤,具体包括:
步骤S31:获取结构加速度振动信号,其中,所述结构加速度振动信号是部署在被测结构监测点预设位置的加速度传感器采集得到的。
在具体实现中,振动时程信号识别设备获取结构加速度振动信号。
步骤S32:使用傅里叶变换处理所述结构加速度振动信号,得到参考频谱信号。
在具体实现中,振动时程信号识别设备使用傅里叶变换处理所述结构加速度振动信号,得到参考频谱信号。
步骤S33:使用预设的处理方法将所述初步处理信号分解,得到多个模态信号。
在具体实现中,振动时程信号识别设备使用预设的处理方法将所述初步处理信号分解,得到多个模态信号。
需要说明的是,如图14所示,基于最小二乘法,迭代优化计算出所有本征模态函数,其中,K为模态数量,ck为第k个本征模态函数的投影系数,IMFk为第k个本征模态函数,λ为拉格朗日乘子参数,c为投影系数组。
应当理解的是,所述最小二乘法是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理等诸多学科领域得到广泛应用的数学工具。
步骤S34:使用傅里叶变换处理全部的模态信号,并将得到的模态频谱信号与所述参考频谱信号进行对比,将不一致的模态频谱信号视为扰动信号并删除所述扰动信号。
在具体实现中,振动时程信号识别设备使用傅里叶变换处理全部的模态信号,并将得到的模态频谱信号与所述参考频谱信号进行对比,将不一致的模态频谱信号视为扰动信号并删除所述扰动信号。
需要说明的是,所述傅里叶变换表示能将满足一定条件的某个函数表示成三角函数(正弦或余弦函数)或者它们的积分的线性组合。
步骤S35:将剩余的模态频谱信号的数值相加,得到相机扰动精确消除后的振动时程信号。
在具体实现中,振动时程信号识别设备将剩余的模态频谱信号的数值相加,得到相机扰动精确消除后的振动时程信号。
本申请提供一种振动时程信号识别方法、系统、装置、设备及存储介质,与相关技术中基于视觉的振动测量技术在应用测量过程中,不可避免地会受到外界环境振动噪声的干扰,导致基于影像数据分析得到的结构振动时程信号准确性不高相比,在本实施例中,本申请通过读取被测结构监测点的预处理图像和振动时程信号;使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号;使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号,可以理解,本申请使用预设的初步扰动消除方法和预设的精确扰动消除方法消除扰动,使得基于影像数据分析得到的结构振动时程信号准确性高,解决了基于影像数据分析得到的结构振动时程信号准确性不高的问题。
本申请第二实施例提供了一种振动时程信号识别方法,参照图16,所述步骤S10之前,所述振动时程信号识别方法具体包括步骤A10-A70:
步骤A10:获取被测结构监测点的振动视频,其中,所述振动视频是相机拍摄得到的。
在具体实现中,振动时程信号识别设备获取被测结构监测点的振动视频。
步骤A20:识别所述振动视频每一帧的图像,得到多个按先后顺序排列的原始图像。
在具体实现中,振动时程信号识别设备识别所述振动视频每一帧的图像,得到多个按先后顺序排列的原始图像。
步骤A30:使用预设的图像处理方法处理所述原始图像,得到预处理图像。
在具体实现中,振动时程信号识别设备使用预设的图像处理方法处理所述原始图像,得到预处理图像。
例如,假设输入图像中的位置是(x', y'),计算输出高分辨率图像位置是(x, y),其中,x'和y'分别是x和y的倍数。
再根据x'和y'的整数部分xi和yi,以及小数部分dx = x'- xi和dy = y'- yi,计算周围16个像素的权重,然后,如图15所示,再基于权重对输入图像的相应区域进行加权平均,得到输出图像中像素(x, y)的值,其中,O(x, y)为输出高分辨率图像的像素值;I (x',y')为输入低分辨率图像在位置(x', y')处的像素值;w(i, j)为像素(xi+i, yj+j)对输出像素(x, y)的权重。
步骤A40:将第一个预处理图像作为追踪图像,分别归一化处理追踪图像和其余预处理图像。
需要说明的是,所述归一化是一种简化计算的方式,即将有纲量的表达式,进过变换,转化为无纲量的表达式,成为标量。
在具体实现中,振动时程信号识别设备将第一个预处理图像作为追踪图像,分别归一化处理追踪图像和其余预处理图像。
步骤A50:逐个移动所述追踪图像,使得所述追踪图像的像素与其余预处理图像的像素最大限度地重合。
在具体实现中,振动时程信号识别设备逐个移动所述追踪图像,使得所述追踪图像的像素与其余预处理图像的像素最大限度地重合。
步骤A60:计算每次位置改变时所述追踪图像的像素和每个预处理图像的像素对应的映射值。
在具体实现中,振动时程信号识别设备计算每次位置改变时所述追踪图像的像素和每个预处理图像的像素对应的映射值。
步骤A70:筛选每组图像的最大映射值对应的位置,得到振动时程信号。
在具体实现中,振动时程信号识别设备筛选每组图像的最大映射值对应的位置,得到振动时程信号。
例如,如图17所示,以第一帧的图片作为追踪图像T,对T以及其余预处理图像I,分别进行归一化处理,得到T'以及I',再计算映射关系矩阵R,追踪图像T'在其余追踪图像I'上,从左到右,从上向下进行滑动,每次移动一个像素位置并计算该位置的映射值,最终计算映射矩阵R,其中,(x,y)为振动图像上某一点坐标;(x',y')为追踪图像的坐标;T(x,y)为追踪图像,映射矩阵R(x, y)上一点(x, y)代表了预处理图像I'中以(x, y)为左上角点,大小与追踪图像T(x, y)相同的图像子块与T(x, y)的相关度,最后选取映射矩阵最大值的位置作为匹配结果,并对视频中的所有帧,重复上述匹配流程。最终得到振动时程信号。
在本实施例中,本申请通过获取被测结构监测点的振动视频,其中,所述振动视频是相机拍摄得到的;识别所述振动视频每一帧的图像,得到多个按先后顺序排列的原始图像;使用预设的图像处理方法处理所述原始图像,得到预处理图像;将第一个预处理图像作为追踪图像,分别归一化处理追踪图像和其余预处理图像;逐个移动所述追踪图像,使得所述追踪图像的像素与其余预处理图像的像素最大限度地重合;计算每次位置改变时所述追踪图像的像素和每个预处理图像的像素对应的映射值;筛选每组图像的最大映射值对应的位置,得到振动时程信号,本申请使得预设的扰动消除方法可以消除相机扰动。
此外,本申请实施例还提出一种振动时程信号识别装置,参照图18,所述振动时程信号识别装置包括:
读取模块10,用于读取被测结构监测点的预处理图像和振动时程信号;
第一处理模块20,用于使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号;
第二处理模块30,用于使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号。
可选地,所述第一处理模块20包括:
识别单元,用于识别所述预处理图像中光斑的边缘像素,其中,所述光斑是相机拍摄预设的定位激光灯照射的灯光得到的;
第一计算单元,用于使用预设的亚像素边缘点公式计算所述光斑边缘像素,得到满足预设条件的亚像素边缘点,并计算所述亚像素边缘点的坐标;
第二计算单元,用于基于所述亚像素边缘点的坐标,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,分别计算每两个光斑相互间的位移差时程信号;
第三计算单元,用于使用预设的峰度计算方法计算所述位移差时程信号的峰度,并分别计算位移差时程信号的峰度最小的一组两个光斑的方差;
增减单元,用于使用振动时程信号减去方差较小的光斑对应的位移差时程信号,得到扰动消除后的结构监测点的初步处理信号。
可选地,所述识别单元包括:
框选子单元,用于框选出预处理图像中不同光斑的区域,并将所述区域编号;
对比子单元,用于计算所述区域中每个像素的梯度值,并将所述梯度值与预设的第一预设值和第二预设值对比,其中,所述第二预设值大于等于第一预设值;
第一标记子单元,用于若所述像素的梯度值大于第二预设值,则将对应的像素标记为强边缘;
第二标记子单元,用于若所述像素的梯度值小于第一预设值并且大于第二预设值,则将对应的像素标记为弱边缘;
第三标记子单元,用于将所有与强边缘相邻的弱边缘像素标记为光斑边缘像素。
可选地,所述第二计算单元包括:
第一计算子单元,用于基于所述亚像素边缘点的坐标,计算各光斑中心的坐标;
排列子单元,用于计算每个光斑中心在所述预处理图像上的坐标,并将所述坐标按照所述图像的先后顺序排列为坐标数组;
第二计算子单元,用于基于所述坐标数组,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,计算各光斑相互之间的位移差时程信号。
可选地,所述第二处理模块30包括:
获取单元,用于获取结构加速度振动信号,其中,所述结构加速度振动信号是部署在被测结构监测点预设位置的加速度传感器采集得到的;
处理单元,用于使用傅里叶变换处理所述结构加速度振动信号,得到参考频谱信号;
分解单元,用于使用预设的处理方法将所述初步处理信号分解,得到多个模态信号;
删除单元,用于使用傅里叶变换处理全部的模态信号,并将得到的模态频谱信号与所述参考频谱信号进行对比,将不一致的模态频谱信号视为扰动信号并删除所述扰动信号;
相加单元,用于将剩余的模态频谱信号的数值相加,得到相机扰动精确消除后的振动时程信号。
可选地,所述振动时程信号识别装置还包括:
获取模块,用于获取被测结构监测点的振动视频,其中,所述振动视频是相机拍摄得到的;
排列模块,用于识别所述振动视频每一帧的图像,得到多个按先后顺序排列的原始图像;
第三处理模块,用于使用预设的图像处理方法处理所述原始图像,得到预处理图像;
第四处理模块,用于将第一个预处理图像作为追踪图像,分别归一化处理追踪图像和其余预处理图像;
移动模块,用于逐个移动所述追踪图像,使得所述追踪图像的像素与其余预处理图像的像素最大限度地重合;
计算模块,用于计算每次位置改变时所述追踪图像的像素和每个预处理图像的像素对应的映射值;
筛选模块,用于筛选每组图像的最大映射值对应的位置,得到振动时程信号。
本申请振动时程信号识别装置的具体实施方式与上述振动时程信号识别方法各实施例基本相同,在此不再赘述。
本申请实施例提供了一种存储介质,且所述存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的振动时程信号识别方法的步骤。
本申请存储介质具体实施方式与上述振动时程信号识别方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还 包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、 方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光 盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种振动时程信号识别方法,其特征在于,所述振动时程信号识别方法包括以下步骤:
读取被测结构监测点的预处理图像和振动时程信号;
使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号;
使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号;
所述使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号的步骤,包括:
识别所述预处理图像中光斑的边缘像素,其中,所述光斑是相机拍摄预设的定位激光灯照射的灯光得到的;
使用预设的亚像素边缘点公式计算所述光斑边缘像素,得到满足预设条件的亚像素边缘点,并计算所述亚像素边缘点的坐标;
基于所述亚像素边缘点的坐标,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,分别计算每两个光斑相互间的位移差时程信号;
使用预设的峰度计算方法计算所述位移差时程信号的峰度,并分别计算位移差时程信号的峰度最小的一组两个光斑的方差;
使用振动时程信号减去两组中方差较小的光斑对应的位移差时程信号,得到扰动消除后的结构监测点的初步处理信号。
2.如权利要求1所述的振动时程信号识别方法,其特征在于,所述识别所述预处理图像中光斑的边缘像素的步骤,包括:
框选出预处理图像中不同光斑的区域,并将所述区域编号;
计算所述区域中每个像素的梯度值,并将所述梯度值与预设的第一预设值和第二预设值对比,其中,所述第二预设值大于等于第一预设值;
若所述像素的梯度值大于第二预设值,则将对应的像素标记为强边缘;
若所述像素的梯度值小于第一预设值并且大于第二预设值,则将对应的像素标记为弱边缘;
将所有与强边缘相邻的弱边缘像素标记为光斑边缘像素。
3.如权利要求1所述的振动时程信号识别方法,其特征在于,所述基于所述亚像素边缘点的坐标,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,分别计算每两个光斑相互间的位移差时程信号的步骤,包括:
基于所述亚像素边缘点的坐标,计算各光斑中心的坐标;
计算每个光斑中心在所述预处理图像上的坐标,并将所述坐标按照所述图像的先后顺序排列为坐标数组;
基于所述坐标数组,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,计算各光斑相互之间的位移差时程信号。
4.如权利要求1所述的振动时程信号识别方法,其特征在于,所述使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号的步骤,包括:
获取结构加速度振动信号,其中,所述结构加速度振动信号是部署在被测结构监测点预设位置的加速度传感器采集得到的;
使用傅里叶变换处理所述结构加速度振动信号,得到参考频谱信号;
使用预设的处理方法将所述初步处理信号分解,得到多个模态信号;
使用傅里叶变换处理全部的模态信号,并将得到的模态频谱信号与所述参考频谱信号进行对比,将不一致的模态频谱信号视为扰动信号并删除所述扰动信号;
将剩余的模态频谱信号的数值相加,得到相机扰动精确消除后的振动时程信号。
5.如权利要求1所述的振动时程信号识别方法,其特征在于,所述读取被测结构监测点的预处理图像和振动时程信号的步骤之前,所述方法包括:
获取被测结构监测点的振动视频,其中,所述振动视频是相机拍摄得到的;
识别所述振动视频每一帧的图像,得到多个按先后顺序排列的原始图像;
使用预设的图像处理方法处理所述原始图像,得到预处理图像;
将第一个预处理图像作为追踪图像,分别归一化处理追踪图像和其余预处理图像;
逐个移动所述追踪图像,使得所述追踪图像的像素与其余预处理图像的像素最大限度地重合;
计算每次位置改变时所述追踪图像的像素和每个预处理图像的像素对应的映射值;
筛选每组图像的最大映射值对应的位置,得到振动时程信号,其中,每组图像包括所述追踪图像和其余预处理图像。
6.一种振动时程信号识别系统,其特征在于,所述振动时程信号识别系统包括加速度传感器和多个定位激光灯;所述加速度传感器部署于被测结构监测点位置;所述多个定位激光灯分别部署在可向被测结构监测点位置投射激光光斑的不同位置,其中,所述多个定位激光灯的数量至少为三个,所述振动时程信号识别系统用于实现如权利要求1-5任一项所述振动时程信号识别方法。
7.一种振动时程信号识别装置,其特征在于,所述装置包括:
读取模块,用于读取被测结构监测点的预处理图像和振动时程信号;
第一处理模块,用于使用预设的初步扰动消除方法处理所述预处理图像和振动时程信号,得到扰动消除后的结构监测点的初步处理信号;
第二处理模块,用于使用预设的精确扰动消除方法处理所述初步处理信号,得到相机扰动精确消除后的振动时程信号;
所述振动时程信号识别装置用于实现:
识别所述预处理图像中光斑的边缘像素,其中,所述光斑是相机拍摄预设的定位激光灯照射的灯光得到的;
使用预设的亚像素边缘点公式计算所述光斑边缘像素,得到满足预设条件的亚像素边缘点,并计算所述亚像素边缘点的坐标;
基于所述亚像素边缘点的坐标,计算各光斑的位移时程信号,并基于各光斑的位移时程信号,分别计算每两个光斑相互间的位移差时程信号;
使用预设的峰度计算方法计算所述位移差时程信号的峰度,并分别计算位移差时程信号的峰度最小的一组两个光斑的方差;
使用振动时程信号减去方差较小的光斑对应的位移差时程信号,得到扰动消除后的结构监测点的初步处理信号。
8.一种振动时程信号识别设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的振动时程信号识别程序,所述振动时程信号识别程序配置为实现如权利要求1至5中任一项所述的振动时程信号识别方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有振动时程信号识别程序,所述振动时程信号识别程序被处理器执行时实现如权利要求1至5中任一项所述的振动时程信号识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311829760.9A CN117473286B (zh) | 2023-12-28 | 2023-12-28 | 振动时程信号识别方法、系统、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311829760.9A CN117473286B (zh) | 2023-12-28 | 2023-12-28 | 振动时程信号识别方法、系统、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117473286A CN117473286A (zh) | 2024-01-30 |
CN117473286B true CN117473286B (zh) | 2024-04-19 |
Family
ID=89640151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311829760.9A Active CN117473286B (zh) | 2023-12-28 | 2023-12-28 | 振动时程信号识别方法、系统、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473286B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109341549A (zh) * | 2018-11-29 | 2019-02-15 | 东南大学 | 一种基于数据融合的相机系统位移监测改进方法 |
CN113532293A (zh) * | 2021-06-23 | 2021-10-22 | 东南大学 | 一种基于无人机的结构动位移测量方法及系统 |
WO2021238058A1 (zh) * | 2020-05-28 | 2021-12-02 | 长安大学 | 一种基于数字图像识别的结构振型测试系统及方法 |
CN114445404A (zh) * | 2022-04-06 | 2022-05-06 | 湖南大学 | 基于亚像素边缘检测的结构振动响应自动识别方法及系统 |
CN114926418A (zh) * | 2022-05-09 | 2022-08-19 | 三峡大学 | 一种特高压输电线路拉线塔拉线张力非接触测量方法 |
-
2023
- 2023-12-28 CN CN202311829760.9A patent/CN117473286B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109341549A (zh) * | 2018-11-29 | 2019-02-15 | 东南大学 | 一种基于数据融合的相机系统位移监测改进方法 |
WO2021238058A1 (zh) * | 2020-05-28 | 2021-12-02 | 长安大学 | 一种基于数字图像识别的结构振型测试系统及方法 |
CN113532293A (zh) * | 2021-06-23 | 2021-10-22 | 东南大学 | 一种基于无人机的结构动位移测量方法及系统 |
CN114445404A (zh) * | 2022-04-06 | 2022-05-06 | 湖南大学 | 基于亚像素边缘检测的结构振动响应自动识别方法及系统 |
CN114926418A (zh) * | 2022-05-09 | 2022-08-19 | 三峡大学 | 一种特高压输电线路拉线塔拉线张力非接触测量方法 |
Non-Patent Citations (1)
Title |
---|
抗相机运动干扰的欧拉视频振动检测;辛宜曈 等;计算机工程与应用;20221231;第277-284页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117473286A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102175491B1 (ko) | 상관 필터 기반 객체 추적 방법 | |
KR20150027291A (ko) | 광류 추적 방법 및 장치 | |
WO2008009656A1 (en) | Image processing for change detection | |
CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
CN116958145B (zh) | 图像处理方法、装置、视觉检测系统及电子设备 | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN113838139B (zh) | 图像传感器的参数检测方法、装置、电子设备及存储介质 | |
CN107689039B (zh) | 估计图像模糊度的方法和装置 | |
CN107992791A (zh) | 目标跟踪失效重检方法及装置、存储介质、电子设备 | |
CN114993452A (zh) | 基于宽带相位运动放大的结构微小振动测量方法与系统 | |
CN114782451A (zh) | 工件缺陷检测方法、装置、电子设备及可读存储介质 | |
CN111462246A (zh) | 一种结构光测量系统的设备标定方法 | |
CN117473286B (zh) | 振动时程信号识别方法、系统、装置、设备及存储介质 | |
Hadar et al. | Image motion restoration from a sequence of images | |
CN111222544B (zh) | 一种卫星颤振对相机成像影响的地面模拟测试系统 | |
Hu et al. | A new method and implementation of blind restoration algorithm for moving fuzzy license plate image based on frequency-domain characteristics | |
CN115265806A (zh) | 红外热成像测温补偿方法、装置及设备 | |
CN114897797A (zh) | 印刷电路板的缺陷检测方法、装置、设备及存储介质 | |
CN114170109A (zh) | 基于mems的条纹结构光的图像降噪方法和装置 | |
Hadar et al. | Restoration of images degraded by extreme mechanical vibrations | |
CN112229500B (zh) | 结构振动位移监测方法及终端设备 | |
Yang et al. | New image filtering technique combining a wavelet transform with a linear neural network: application to face recognition | |
Wigan | Image-processing techniques applied to road problems | |
US12033315B1 (en) | Machine vision-based techniques for non-contact structural health monitoring | |
Li et al. | Rfid dynamic performance measurement system embedded in multiscale deep learning |
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 |