CN117760332A - 一种用于监测隧道变形的方法、介质及设备 - Google Patents
一种用于监测隧道变形的方法、介质及设备 Download PDFInfo
- Publication number
- CN117760332A CN117760332A CN202410198984.2A CN202410198984A CN117760332A CN 117760332 A CN117760332 A CN 117760332A CN 202410198984 A CN202410198984 A CN 202410198984A CN 117760332 A CN117760332 A CN 117760332A
- Authority
- CN
- China
- Prior art keywords
- image
- deformation
- points
- light image
- matching
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 abstract description 19
- 239000013598 vector Substances 0.000 abstract description 14
- 238000006073 displacement reaction Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 8
- 230000006872 improvement Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 28
- 230000003287 optical effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000012937 correction Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005422 blasting Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 101100332287 Dictyostelium discoideum dst2 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007600 charging Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Classifications
-
- 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
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种用于监测隧道变形的方法、介质及设备,本发明通过图像采集系统采集隧道的初支区域和掌子面区域的结构光图像,对结构光图像进行特征匹配,计算结构光图像上的特征点的三维坐标信息,结合时间信息,结构光图像与基准图像做对比,得到三维变形向量,进而计算特征点的变形位移,形成隧道结构三维时空变形大数据,分析初支区域变形演变趋势及掌子面区域的稳定状态,预测初支区域和掌子面区域的稳定性,保证隧道建设期的安全防护,并指导以后的施工工艺的改进及预留变形量等提供数据支撑。
Description
技术领域
本申请涉及隧道施工监测领域,具体涉及一种用于监测隧道变形的方法、介质及设备。
背景技术
修建隧道的掘进方式以爆破法为主,爆破法的方式主要通过钻孔、装药、爆破等步骤,将岩石破碎,然后用机械设备将碎石清理出去。隧道爆破后形成的初支区域和掌子面区域变形速率较大,初支区域易发生沉降、收敛等灾害,而掌子面区域易失稳从而导致隧道塌陷。因此,时刻掌握隧道稳定性状态是保证隧道推进安全施工的关键性工作。
现有技术中,在隧道施工期间,隧道的变形情况主要通过人工配合监测仪进行监测,即通过专业技术人员到达掌子面区域正前方进行拍照,从而获取掌子面区域信息,而后将数据传送至云端进行分析。在初支区域安装全站仪,并通过施工人员在隧道顶部安装反光棱镜配合全站仪工作,获取初支区域结构变形情况,并将获取的数据与掌子面结构的数据传送到云端进行分析,评估隧道内部的稳定性。但是,人工测量的方法监测频率较低且会带来安全隐患,安装全站仪和反光棱镜也具有较高的危险性,操作非常不便。此外,全站仪监测频率较低(2-4小时每次)且监测点位稀疏,监测频率低无法对突然的变形情况及时预警,监测点位稀疏造成无法对隧道进行空间上的连续观测,只能定点监测,无法掌握隧道整体区域变形情况。
因此,如何采用非接触式的监测方式获取隧道内部的结构数据,并可实时、高频率、密集监测点位监测隧道内部的变形情况,是当前亟需解决的技术问题。
发明内容
本申请的目的在于解决现有技术中,无法实时、高频率监测隧道内部的变形情况的问题,为此,本申请提供一种用于监测隧道变形的方法、介质及设备。
为解决上述技术问题,本发明提供一种用于监测隧道变形的方法,方法包括以下步骤:
在监测区域架设图像采集系统,通过图像采集系统采集初支区域或者掌子面区域的结构光图像,对采集的结构光图像进行矫正,得到目标结构光图像,基于目标结构光图像进行深度信息计算,得到深度图;
分别提取初支区域的基准图像的第一特征点和目标结构光图像的第二特征点,对第一特征点和第二特征点进行匹配计算,得到第一匹配特征点;基于深度图,计算第一匹配特征点的三维坐标,并根据第一匹配特征点的三维坐标构建初支区域三维模型;
获取掌子面区域的第二匹配特征点,基于深度图,计算第二匹配特征点的三维坐标;计算掌子面区域的多个结构面,并根据第二匹配特征点的三维坐标计算掌子面区域的三维变形坐标;基于掌子面区域的三维变形坐标计算掌子面区域的变形量,获取掌子面区域的变形趋势;其中,图像采集系统包括结构光源发射装置和图像采集装置。
在其他实施中,图像采集装置包括双目相机,对采集的结构光图像进行矫正的步骤包括:
使用双目相机拍摄棋盘格,采集多幅标定图;
在标定图上提取标志点;
根据标志点计算双目相机的相机内参;
基于相机内参对结构光图像进行矫正。
在其他实施中,基于目标结构光图像进行深度信息计算,得到深度图的步骤包括:
对目标结构光图像进行像素点匹配,确定每个像素的视差值,得到视差图;
基于视差图计算每个像素的深度值,得到目标结构光图像的深度图。
在其他实施中,基于视差图计算每个像素的深度值的步骤包括:
基于双目相机的焦距f、基线长度b与视差值s,可得每个像素的深度值:
;
其中,基线长度b为双目相机之间的距离。
在其他实施中,提取初支区域的基准图像的第一特征点和目标结构光图像的第二特征点的步骤包括:
选取基准图像中的网格交点作为第一初筛点,并滤除错误的第一初筛点后,形成第一特征点;
选取目标结构光图像中的网格交点作为第二初筛点,并滤除错误的第二初筛点,形成第二特征点。
在其他实施中,滤除错误的第二初筛点的步骤包括:
对目标结构光图像进行滤波,并对滤波后的图像进行下采样;
对下采样后的图像进行二值化处理,并进行上采样恢复至原尺寸;
对上采样后的图像进行边缘检测和轮廓检测。
在其他实施例中,获取掌子面区域的第二匹配特征点的步骤包括:
分别提取掌子面区域基准图像的第三特征点和掌子面区域的目标结构光图像的第四特征点;
对第三特征点和第四特征点进行匹配计算,得到第二匹配特征点。
在其他实施例中,计算掌子面区域的多个结构面的步骤包括:
对掌子面区域的目标结构光图像进行线段检测;
基于深度图计算线段的倾角;
基于倾角对掌子面结构面进行分组,得到掌子面的结构面。
本发明还提供一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现如前述的用于监测隧道变形的方法。
本发明还提供一种电子设备,电子设备包括:
至少一个处理器;以及,
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行如前述的用于监测隧道变形的方法。
有益效果:本发明公开了一种用于监测隧道变形的方法、介质及设备,本发明通过图像采集系统采集隧道的初支区域和掌子面区域的结构光图像,对结构光图像进行特征匹配,计算结构光图像上的特征点的三维坐标信息,结合时间信息,结构光图像与基准图像做对比,得到三维变形向量,进而计算特征点的变形位移,形成隧道结构三维时空变形大数据,分析初支区域变形演变趋势及掌子面区域的稳定状态,预测初支区域和掌子面区域的稳定性,保证隧道建设期的安全防护,并指导以后的施工工艺的改进及预留变形量等提供数据支撑。
附图说明
图1为本发明的用于监测隧道变形一实施例的流程示意图;
图2为本发明的双目相机标定一实施例的流程示意图;
图3为本发明的用于标定双目相机的棋盘格标定板;
图4为本发明的双目相机立体矫正一实施例的流程示意图;
图5为本发明的对视差图进行优化一实施例的流程示意图;
图6为本发明的双目相机立体图;
图7为本发明的掌子面区域和初支区域的结构光示意图;
图8为本发明的掌子面区域的分组结构面的示意图;
图9为本发明的掌子面区域结构面产状结构示意图;
图10为本发明的计算机设备一实施例的结构示意图。
具体实施方式
为更进一步阐述本申请为达成预定申请目的所采取的技术手段及功效,以下结合附图及较佳实施例,对本申请详细说明如下。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
术语解释
掌子面:掌子面又称礃子面,是坑道施工中的一个术语。即开挖坑道(采煤、采矿或隧道工程中)不断向前推进的工作面。
初支:在挖掘隧道等做的初期的支护。
双目相机测量:用两部相机来定位。对物体上一个特征点,用两部固定于不同位置的相机摄得物体的像,分别获得该点在两部相机像平面上的坐标。只要知道两部相机精确的相对位置,就可用几何的方法得到该特征点在固定一部相机的坐标系中的坐标,即确定了特征点的位置。
世界坐标系:以被测物体的点作为参考定义的绝对坐标系。
相机坐标系:以相机光心为坐标原点,主光轴物方交点方向为z轴,平行于(虚拟)成像平面的两条垂直边分别为x和y轴。
图像坐标系:以主光轴与(虚拟)成像平面的交点为坐标原点,平行于(虚拟)成像平面的两条垂直边分别为x和y轴。
像素坐标系:以(虚拟)成像平面左上角顶点为原点,u轴和v轴平行于图像系的x轴和y轴,以像素为单位。
棋盘格角点:在双目相机标定中使用的特征点,通常是检测标定图像中棋盘格纹理的交叉点或角点。
实施例一
本实施例提供一种用于监测隧道变形的方法,基于相机技术手段,可以实时、高频率、密集监测点位监测掌子面区域和初支区域的变形情况,在解算出掌子面区域的变形数据和初支区域的变形数据的基础上,绘制掌子面区域和初支区域的结构变形演变模型,及时了解隧道内部的施工情况,判断隧道内部的变形是否处于可控范围,避免施工安全事故。如图1所示,该方法包括以下步骤:
步骤S1:在监测区域架设图像采集系统,通过所述图像采集系统采集初支区域或者掌子面区域的结构光图像,对采集的所述结构光图像进行矫正,得到目标结构光图像,基于所述目标结构光图像进行深度信息计算,得到深度图。
该步骤主要是为了获取隧道内部的图像,通过图像求出隧道的初支区域或者掌子面区域的变形量,对隧道的变形情况做预测。首先,在隧道内需要监测的区域,架设图像采集系统,图像采集系统包括结构光源发射装置和图像采集装置,结构光源发射装置用于辅助图像采集装置拍摄隧道内部的图像,以使图像采集装置能清晰拍摄隧道内部的结构变化。结构光源发射装置的光源可以选择网格光或者平行光,在本实施例中,选择网格光作为发射光源,使拍摄的图片具有网格交点,利于后期的特征点提取,因此,结构光源发射装置也可称为网格结构光源。
图像采集装置包括双目相机,双目相机可以同时拍摄同一物体的不同角度。在采集照片之前,对双目相机进行标定,用于确定双目相机的相机内参和相机外参。根据双目相机的内部参数可以确定世界坐标系中物体点同它在图像上的像素坐标之间的对应关系。其中,相机内参是双目相机的内部参数,内部参数描述了双目相机的光学特性和成像几何,包括相机的焦距、主点坐标和畸变参数,主点即是相机的光心,畸变系数描述了双目相机镜头的畸变,通常包括径向畸变和切向畸变。
如图2所示,双目相机标定的步骤包括:
步骤S11:使用所述双目相机拍摄棋盘格,采集多幅标定图。
步骤S12:在所述标定图上提取标志点。
步骤S13:根据所述标志点计算所述双目相机的相机内参。
具体的,首先,准备一张已知大小的棋盘格标定板,棋盘格标定板如图3所示,使用双目相机对棋盘格标定板进行拍照,拍摄多张不同倾斜角度的棋盘格照片,形成标定图集。
然后,在标定图上选取标志点,即利用图像检测工具对标定图集的每一个棋盘格角点进行检测,使用相应的图像检测算法得到每一个角点的像素坐标(u,v)。将世界坐标系固定于棋盘格标定板上,由于棋盘格标定板的世界坐标系是人为事先定义好的,棋盘格标定板上每一个格子的大小是已知的,因此,可以计算得到每一个角点在世界坐标系下的物理坐标。
利用每一个角点的像素坐标、每一个角点在世界坐标系下的物理坐标,求解双目相机的内参矩阵和外参矩阵。内参矩阵为相机矩阵,包含了相机内参的信息,其中,相机内参包括相机的焦距、主点坐标和畸变系数,畸变系数描述了相机镜头的畸变,相机镜头的畸变会导致相机拍摄的图片发生失真。
根据计算得到的相机内参的信息,对双目相机进行立体矫正,以便后续进行立体匹配和深度估计。双目相机立体矫正是将左右两个相机的图像进行校正,使它们对齐、共面且平行,以便进行拍摄任务。
如图4所示,双目相机立体矫正的步骤包括:
步骤S14:确定双目相机的光心位置。
步骤S15:计算双目相机的旋转矩阵。
步骤S16:计算双目相机矫正后的内参矩阵。
步骤S17:确定变换矩阵。
具体的,双目相机包括左相机和右相机,通过以下公式确定两个相机的光心位置:
其中,C1为左相机的光心位置,C2为右相机的光心位置,光心位置包括主点坐标。K1为左相机的内参矩阵,R1为左相机的旋转矩阵,t1为左相机的平移向量,K2为右相机的内参矩阵,R2为右相机的旋转矩阵,t2为右相机的平移向量。
根据左相机的光心位置和右相机的光心位置,计算双目相机的旋转矩阵,旋转矩阵描述了双目相机的两个相机之间的旋转关系,即如何从左相机的坐标系旋转到右相机的坐标系,或者从右相机的坐标系旋转到左相机的坐标系,旋转矩阵公式如下:
其中,r1、r2、r3为描述左相机或右相机的x轴、y轴、z轴与世界坐标系对齐的分向量,Rn为旋转矩阵,T为变换矩阵。
根据左相机的内参矩阵和右相机的内参矩阵计算双目相机矫正后的内参矩阵:
其中,为矫正后双目相机的内参矩阵。
变换矩阵用于将一个相机的图像坐标系转换为另一个相机的图像坐标系,公式如下:
其中,T1为左相机的变换矩阵,T2为右相机的变换矩阵。
利用变换矩阵可以将左相机和右相机的图像坐标变换为同一坐标系下坐标,从而实现立体图像在特征匹配前的立体矫正。矫正后的点如下:
其中,x,y为原坐标,x’,y’为矫正后坐标,T为变换矩阵。
使用双目相机采集多张初支区域或者掌子面区域的结构光图像,双目相机拍摄的频率根据实际需求设定。双目相机拍摄隧道建设初期的结构光图像,形成初始结构图集,初始结构图集的图像作为基准图像。双目相机根据预设的拍摄周期拍摄隧道建设中的隧道内部图像,形成目标结构光图集。对初始结构图集和目标结构光图集中的图像进行预处理,对图像进行预处理的主要作用是提高图像质量,减少噪声和伪影,从而提高后续图像处理和特征提取的准确性。预处理方法包括以下几种:
1.去噪:对图像进行平滑处理,降低噪声水平,常用的方法有高斯滤波、中值滤波等。
2.缩放:将图像进行缩放处理,以便于后续特征提取和匹配。可以根据实际情况选择合适的缩放因子。
3.灰度化:将彩色图像转换为灰度图像,减少颜色信息对特征提取的干扰。
4.归一化:对图像进行归一化处理,使得不同图像之间的亮度、对比度等特征趋于一致,便于后续处理。
5.锐化:对图像进行锐化处理,增强边缘和细节信息,提高特征点的识别准确性。
6.对比度增强:通过调整图像的亮度和对比度,增强图像的边缘和细节信息,有利于特征提取和匹配。
7.去除多余信息:对于双目测量中的左右图像,可以根据视差原理去除多余的重复信息,提高图像处理效率。
对图像预处理后,根据双目相机的内部参数和畸变系数对图像进行矫正,去除图像因相机镜头引起的图像失真。
对矫正后的图像提取特征点,对提取的特征点进行深度信息计算,计算深度信息的步骤通常先计算出图像的特征点的视差值,基于视差值计算特征点的深度值。
常用的匹配特征主要有点状特征、线状特征和区域特征等,本实施例选取区域特征匹配特征点。Census变换法是一种广泛使用的局部图像描述符,它通过计算窗口内像素之间的相对位置关系来描述图像局部特征。在窗口图像匹配中,我们通常使用Census变换来计算窗口之间的相似度,从而找到最佳匹配。
结构光图像包括由左相机和右相机拍摄的图像组成,对左相机的结构光图像和右相机的结构光图像结合结构光网格进行立体匹配。立体匹配即是对选取的特征点进行计算,建立特征点之间的对应关系,将同一个物体点在不同图像中的像素点对应起来。立体匹配的步骤包括匹配代价计算、代价聚合、视差计算和视差优化。
通过匹配代价计算衡量待匹配像素与候选像素之间的相关性。两个像素无论是否为同名点,都可以通过匹配代价函数计算匹配代价,代价越小则说明相关性越大,是同名点的概率也越大。一般地,使用Census变换法计算窗口图像匹配代价的步骤如下:
计算窗口内像素的Census变换特征。对于每个窗口,我们首先计算其中每个像素与其相邻像素之间的相对位置关系,然后将这些关系组合成一个特征向量:
其中,窗口大小为d*d,d为奇数,窗口中心像素值为y,为窗口内第i行j列元素。
计算窗口之间的Census变换距离。对于每个可能的窗口对,我们计算它们之间的Census变换特征向量之间的汉明距离。这个距离反映了窗口之间的相似度,距离越小,相似度越高。在上一步骤中,对窗口内像素进行Census变化得到二进制串,将对比图像二进制串a[i]和参考图像二进制串b[i]进行汉明距离计算,汉明距离计算方法为:
根据汉明距离的值选择最佳匹配。我们找到具有最小Census变换距离的窗口对,即最佳匹配。
匹配代价计算后对代价差异进行代价聚合,代价聚合的根本目的是让代价值能够准确的反映像素之间的相关性。上一步匹配代价的计算往往只会考虑局部信息,通过两个像素邻域内一定大小的窗口内的像素信息来计算代价值,这很容易受到影像噪声的影响,而且当影像处于弱纹理或重复纹理区域,这个代价值极有可能无法准确的反映像素之间的相关性,直接表现就是真实同名点的代价值非最小。而代价聚合则是建立邻接像素之间的联系,以一定的准则,如相邻像素应该具有连续的视差值,来对代价矩阵进行优化,这种优化往往是全局的,每个像素在某个视差下的新代价值都会根据其相邻像素在同一视差值或者附近视差值下的代价值来重新计算,得到新矩阵S。
视差计算即通过代价聚合之后的新矩阵S来确定每个像素的最优视差值,即某个像素的所有视差下的代价值中,选择最小代价值所对应的视差作为最优视差。
视差优化的目的是对视差计算步骤得到的视差值进行进一步优化,改善视差图的质量,包括剔除错误视差值、适当平滑以及子像素精度优化等步骤,如图5所示,改善视差图的质量的步骤包括:
步骤a:对视差值为负值的视差值进行归0,剔除异常值。
步骤b:对视差图进行滤波操作以过滤噪点、保护结构光边缘信息。
步骤c:对视差图中未被填充的无效区域进行插值,给视差图的无效区域像素分配一个有效值。
其中,插值公式如下:
其中,f(Q)为待插入点旁的已知点,则f(Q11)为待插入点的左上方最近点,f(Q22)待插入点的右下方最近点。x1、y1为f(Q11)和f(Q12)的x、y轴坐标,x2、y2为f(Q21)和f(Q22)的x、y轴坐标。
双目相机经过立体矫正后,如图6所示,C1和C2分别为左相机和右相机的光心位置,C1和C2之间的距离为基线长度b,校正后的两个相机的焦距f相同,三维空间中的一点P(X,Y,Z),在左右成像平面的投影分别为P1(X1,Y)和P2(X2,Y),两对应点在X轴方向的视差为水平视差,在Y轴方向的视差为垂直视差,经过立体校正分析得到出,矫正后的图像对应点P坐标只在X轴方向上有水平视差,Y轴方向的垂直视差为0,所以平行双目模型中点P的视差就是s=X1-X2,表示空间点P在双目图像对中位置的差异,根据平行双目成像的几何关系,假设空间点P到直线C1C2的距离为Z,过空间点P成像平面做垂线,垂足为D,C1A1和C2A2分别垂直于左右成像平面,垂足为A1和A2,则根据相似三角形原理可得如下等式:
根据上述两个公式,可得空间点P的深度值:
;
当结构光源发射装置的网格光源照射到物体表面时,所反射的结构光会携带方位、距离等信息。若将结构光按照预定的轨迹进行扫描,便会边扫描边记录到反射的结构光点信息,由于扫描极为精细,则能够得到大量的结构光点,因而就可形成结构光点云。
深度图经过坐标转换可以计算为点云数据;有规则及必要信息的点云数据可以反算为深度图。两者在一定条件下是可以相互转化的。根据深度值计算点云的坐标:
其中,C1、C2表示光学中心,u、v为像素坐标。在计算得到初始结构光图集的深度信息后,将数据发送至云平台,恢复隧道初始时期的三维信息,根据三维信息进行建立隧道模型。
步骤S2:分别提取所述初支区域的基准图像的第一特征点和目标结构光图像的第二特征点,对所述第一特征点和第二特征点进行匹配计算,得到第一匹配特征点;基于所述深度图,计算所述第一匹配特征点的三维坐标,并根据所述第一匹配特征点的三维坐标构建初支区域三维模型。
参考图7,在该步骤中,通过利用网格结构光交点作为初支区域的特征点,并根据尺寸和光线倾角匹配光线上的其他点,根据不同时刻对应点的位移,计算隧道断面的变形,形成初支区域三维时空变形大数据,将初支区域的变形数据通过云平台进行分析,并根据历史和当前数据绘制初支结构时空变形趋势,形成初支区域整体及局部区域结构变形演变大数据。
使用双目相机,并辅助网格结构光源,采集隧道建设期的结构光图像,其中,隧道建设初期的结构光图像,形成初支区域的初始结构光图集。隧道建设中的结构光图像,形成初支区域的目标结构光图集。建设期间,双目相机根据预设的时间周期拍摄图像,这过程中拍摄的全部图像都经过步骤S1的图像矫正,提高图像的质量。将初支区域前后不同时刻的图像进行立体匹配,计算匹配特征点的变形量。
具体地,将前一时刻的图像设为基准图像,后一时刻的图像设为目标结构图像,对基准图像和目标结构光图像进行特征点提取,分别为第一特征点和第二特征点,第一特征点和第二特征点选择网格结构光交点。提取第一特征点和第二特征点前,对基准图像和目标结构光图像进行滤波,去掉噪声。对降噪后的图片进行下采样,即:
其中,为窗口内第i行j列元素,滑动窗口大小为n*n。
对下采样后对图像进行二值化处理,再进行上采样恢复至原尺寸。对上采样的图像进行边缘检测与轮廓检测,轮廓交点则为网格初筛交点,即初筛特征点。边缘检测是从图像中检测出边缘,这些边缘通常是图像中亮度变化剧烈的位置。边缘检测可以用于提取图像中的对象,例如识别图像中的物体。轮廓检测是指从图像中检测出物体的轮廓,这些轮廓通常是图像中具有一定宽度和深度的曲线。轮廓检测可以用于识别图像中的物体,例如识别图像中的突出点。
对上采样后的图像进行卷积,对图像进行平滑处理。利用卷积核在基准图像和目标结构光图像上滑动,将图像上的像素点依次对应到卷积核的中间像素处,每个像素点对齐后将图像上的像素灰度值与卷积核对应位置上的数值相乘,然后将相乘后的所有值相加,相加的结果作为当前像素的灰度值,并最终滑动完所有图像像素点。
判断网格交点的卷积核如下:
其中,卷积核的大小选用奇数,按照中间的像素点中心对称,一般为3*3、5*5、7*7等,本实施例使用5*5的卷积核。卷积核内各元素累加为1,且>/>>/>,以使原始图像的能量守恒。若为网格交点,则卷积结果为区域内极大值。
分别对基准图像和目标结构光图像提取第一特征点和第二特征点之后,对第一特征点和第二特征点进行特征描述,根据特征描述的相似程度判断是否为同一特征,为后续的特征点匹配做准备。
对第一特征点和第二特征点进行特征点匹配,对基准图像和目标结构光图像的特征描述子进行匹配。一般采用基于kmeans或kdtree的特征点匹配方法进行匹配。特征匹配后,过滤误匹配点,具体为通过匹配点的欧式距离以及匹配线的斜率进行过滤,若匹配点的欧式距离大于预设的阈值,或者两个匹配点连接形成的匹配线的斜率大于预设的斜率,认为为错误匹配,以排除错误匹配的特征,得到第一匹配特征点。结合深度图,得到第一匹配特征点的三维坐标信息。
通过不同时刻两帧结构光图像得到的三维点云计算初支区域的变形量,初支区域可以划分为拱顶、左侧壁区域、右侧壁区域,每一区域可根据测量需求进一步划分。使用结构光源发射装置和图像采集装置拍摄这些区域的目标结构光图像后,将基准图像和目标结构光图像的匹配点的三维坐标进行比对,得出三维变形向量,根据三维变形向量可计算匹配特征点的变形位移,变形位移计算公式为:
其中,dst1表示变形位移,表示三维变形向量,x、y、z分别表示该三维变形变形向量的坐标。
将计算结果传至数据平台,并根据历史和当前数据绘制初支结构时空变形趋势,形成初支整体及局部区域结构变形演变大数据。
步骤S3:获取所述掌子面区域的第二匹配特征点,基于所述深度图,计算所述第二匹配特征点的三维坐标;计算所述掌子面区域的多个结构面,并根据所述第二匹配特征点的三维坐标计算所述掌子面区域的三维变形坐标;基于所述掌子面区域的三维变形坐标计算所述掌子面区域的变形量,获取所述掌子面区域的变形趋势。
该步骤通过采集掌子面区域的结构光图像,并对结构光图像进行双目匹配分析,计算网格光点云及掌子面区域的三维点云,得到掌子面区域的结构面分组及掌子面产状等信息,并结合掌子面结构光变形分析掌子面区域是否发生鼓包、突泥等整体或局部变形,掌子面区域的结构面分组如图8所示。
首先,确定掌子面区域,在掌子面区域的目标结构光图集中提取掌子面区域,对掌子面区域的结构面进行识别。通过对掌子面区域的结构光图像进行线段检测,有助于对掌子面的结构面进行分组。线段检测后,通过深度图的三维信息计算出结构光线段的倾角。如图9所示,掌子面区域由多个结构面组成,图中示出某个方向的结构面,根据提取线段的倾角对结构面进行分组,分组的方式可以根据线段的走向与倾角进行分组,结构面平面可表示为:
其中,a、b、c与结构面和坐标轴平面夹角相关,d与结构面和坐标轴平面的截距相关,因此同分组的结构面a、b、c近似,d可能存在较大差异。根据结构面公式可以计算倾角,公式为:
对不同的结构面进行计算后,对掌子面的结构面进行分析,获取结构面的类型、分布、走向、倾角等基本信息。根据获取的数据,整理并计算掌子面区域结构面的产状。通常,结构面的产状包括走向、倾角等参数。走向表示结构面在空间中的方向,可以用角度或方位角表示;倾角表示结构面与水平面的夹角。
将掌子面区域不同时刻的结构光图像作为变形输入,计算掌子面区域的结构光网格上的三维坐标。具体的,对掌子面区域的基准图像和目标结构光图像提取特征点,分别为第三特征点和第四特征点,后进行特征匹配,得到第二匹配特征点,特征匹配的方法请参照步骤S2,在此不再赘述。特征匹配后得到最优的第二匹配特征点,结合深度图,得到掌子面区域的第二匹配特征点的三维坐标信息。将基准图像和对比图像的三维坐标集进行比对,得出三维变形向量,可知第二匹配特征点的变形位移,变形位移计算公式为:
其中,dst2表示变形位移,表示三维变形向量,x、y、z分别表示该三维变形向量的坐标。
将计算结果传输至云平台,可以通过三维数据进行三维模型构建,实时展示掌子面区域的变形三维模型,结合历史变形数据可以得到掌子面结构时空变形趋势。
本发明通过图像采集系统采集隧道的初支区域和掌子面区域的结构光图像,对结构光图像进行特征匹配,计算结构光图像上的特征点的三维坐标信息,结合时间信息,结构光图像与基准图像做对比,得到三维变形向量,进而计算特征点的变形位移,形成隧道结构三维时空变形大数据,分析初支区域变形演变趋势及掌子面区域的稳定状态,预测初支区域和掌子面区域的稳定性,保证隧道建设期的安全防护,并指导以后的施工工艺的改进及预留变形量等提供数据支撑。
实施例二
本发明还提供一种存储介质,存储前述的用于监测隧道变形的方法。
实施例三
本发明还提供一种计算机设备,包括用以执行如前述的用于监测隧道变形的方法的软件与软件配合的硬件。
请参阅图10,图10为本发明的计算机设备一实施例的结构示意图。
结合图1描述的根据本发明实施例提供的用于监测隧道变形的方法可以由设备来实现。图10是示出根据发明实施例的设备的硬件结构示意图。
该设备可以包括处理器1001以及存储有计算机程序指令的计算机存储介质1002。
具体地,上述处理器1001可以包括中央处理器(CentralProcessingUnit,CPU),或者特定集成电路(ApplicationSpecificIntegratedCircuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
计算机存储介质1002可以包括用于数据或指令的大容量计算机存储介质。举例来说而非限制,计算机存储介质1002可包括硬盘驱动器(HardDiskDrive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus,USB)驱动器或者两个或更多个以上这些的组合。在一个实例中,计算机存储介质1002可以包括可移除或不可移除(或固定)的介质,或者计算机存储介质1002是非易失性固态计算机存储介质。计算机存储介质1002可在综合网关容灾设备的内部或外部。
在一个实例中,计算机存储介质1002可以是只读计算机存储介质(ReadOnlyMemory,ROM)。在一个实例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器1001通过读取并执行计算机存储介质1002中存储的计算机程序指令,以实现图1所示实施例中的方法,并达到图1所示实例执行其方法/步骤达到的相应技术效果,为简洁描述在此不再赘述。
在一个示例中,设备还可包括输入/输出接口1003、通信接口1004和总线1005。其中,如图10所示,处理器1001、计算机存储介质1002、输入/输出接口1003和通信接口1004通过总线1005连接并完成相互间的通信。
输入/输出接口1003用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1004,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线1005包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AcceleratedGraphicsPort,AGP)或其他图形总线、增强工业标准架构(ExtendedIndustryStandardArchitecture,EISA)总线、前端总线(FrontSideBus,FSB)、超传输(HyperTransport,HT)互连、工业标准架构(IndustryStandardArchitecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、计算机存储介质总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线1005可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。通过具体实施方式的说明,当可对本申请为达成预定目的所采取的技术手段及效果得以更加深入且具体的了解,然而所附图式仅是提供参考与说明之用,并非用来对本申请加以限制。
Claims (10)
1.一种用于监测隧道变形的方法,其特征在于,所述方法包括以下步骤:
在监测区域架设图像采集系统,通过所述图像采集系统采集初支区域或者掌子面区域的结构光图像,对采集的所述结构光图像进行矫正,得到目标结构光图像,基于所述目标结构光图像进行深度信息计算,得到深度图;
分别提取所述初支区域的基准图像的第一特征点和目标结构光图像的第二特征点,对所述第一特征点和第二特征点进行匹配计算,得到第一匹配特征点;
基于所述深度图,计算所述第一匹配特征点的三维坐标,并根据所述第一匹配特征点的三维坐标构建初支区域三维模型;
获取所述掌子面区域的第二匹配特征点,基于所述深度图,计算所述第二匹配特征点的三维坐标;
计算所述掌子面区域的多个结构面,并根据所述第二匹配特征点的三维坐标计算所述掌子面区域的三维变形坐标;
基于所述掌子面区域的三维变形坐标计算所述掌子面区域的变形量,获取所述掌子面区域的变形趋势;
其中,所述图像采集系统包括结构光源发射装置和图像采集装置。
2.如权利要求1所述的用于监测隧道变形的方法,其特征在于,所述图像采集装置包括双目相机,所述对采集的所述结构光图像进行矫正的步骤包括:
使用所述双目相机拍摄棋盘格,采集多幅标定图;
在所述标定图上提取标志点;
根据所述标志点计算所述双目相机的相机内参;
基于所述相机内参对所述结构光图像进行矫正。
3.如权利要求2所述的用于监测隧道变形的方法,其特征在于,所述基于所述目标结构光图像进行深度信息计算,得到深度图的步骤包括:
对所述目标结构光图像进行像素点匹配,确定每个像素的视差值,得到视差图;
基于所述视差图计算每个像素的深度值,得到所述目标结构光图像的深度图。
4.如权利要求3所述的用于监测隧道变形的方法,其特征在于,所述基于所述视差图计算每个像素的深度值的步骤包括:
基于所述双目相机的焦距f、基线长度b与视差值s,可得每个像素的深度值:
;
其中,所述基线长度b为所述双目相机之间的距离。
5.如权利要求1所述的用于监测隧道变形的方法,其特征在于,所述提取所述初支区域的基准图像的第一特征点和目标结构光图像的第二特征点的步骤包括:
选取所述基准图像中的网格交点作为第一初筛点,并滤除错误的第一初筛点后,形成所述第一特征点;
选取所述目标结构光图像中的网格交点作为第二初筛点,并滤除错误的第二初筛点,形成所述第二特征点。
6.如权利要求5所述的用于监测隧道变形的方法,其特征在于,所述滤除错误的第二初筛点的步骤包括:
对所述目标结构光图像进行滤波,并对滤波后的图像进行下采样;
对下采样后的图像进行二值化处理,并进行上采样恢复至原尺寸;
对上采样后的图像进行边缘检测和轮廓检测。
7.如权利要求1所述的用于监测隧道变形的方法,其特征在于,所述获取所述掌子面区域的第二匹配特征点的步骤包括:
分别提取所述掌子面区域的基准图像的第三特征点和所述掌子面区域的目标结构光图像的第四特征点;
对所述第三特征点和第四特征点进行匹配计算,得到所述第二匹配特征点。
8.如权利要求1所述的用于监测隧道变形的方法,其特征在于,所述计算所述掌子面区域的多个结构面的步骤包括:
对所述掌子面区域的目标结构光图像进行线段检测;
基于所述深度图计算所述线段的倾角;
基于所述倾角对所述掌子面结构面进行分组,得到所述掌子面的结构面。
9.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的用于监测隧道变形的方法。
10.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至8中任意一项所述的用于监测隧道变形的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410198984.2A CN117760332B (zh) | 2024-02-22 | 2024-02-22 | 一种用于监测隧道变形的方法、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410198984.2A CN117760332B (zh) | 2024-02-22 | 2024-02-22 | 一种用于监测隧道变形的方法、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117760332A true CN117760332A (zh) | 2024-03-26 |
CN117760332B CN117760332B (zh) | 2024-05-07 |
Family
ID=90324057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410198984.2A Active CN117760332B (zh) | 2024-02-22 | 2024-02-22 | 一种用于监测隧道变形的方法、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117760332B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008012479A1 (fr) * | 2006-07-27 | 2008-01-31 | Axs Ingenierie | Procede d'imagerie informatise permettant une reconstruction tridimensionnelle a partir d'images radiographiques bidimensionnelles; dispositif de mise en oeuvre |
JP2019199708A (ja) * | 2018-05-15 | 2019-11-21 | 株式会社竹中土木 | トンネル切羽監視方法 |
CN117058222A (zh) * | 2023-07-25 | 2023-11-14 | 山东大学 | 一种tbm岩渣形态识别方法及系统 |
CN117091525A (zh) * | 2023-08-24 | 2023-11-21 | 南京派光智慧感知信息技术有限公司 | 基于机器视觉及结构光的隧道围岩结构变形测量方法 |
CN117365417A (zh) * | 2023-10-27 | 2024-01-09 | 河南理工大学 | 一种视觉协同激光的三维定向诱导钻孔周边致裂增透方法 |
-
2024
- 2024-02-22 CN CN202410198984.2A patent/CN117760332B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008012479A1 (fr) * | 2006-07-27 | 2008-01-31 | Axs Ingenierie | Procede d'imagerie informatise permettant une reconstruction tridimensionnelle a partir d'images radiographiques bidimensionnelles; dispositif de mise en oeuvre |
JP2019199708A (ja) * | 2018-05-15 | 2019-11-21 | 株式会社竹中土木 | トンネル切羽監視方法 |
CN117058222A (zh) * | 2023-07-25 | 2023-11-14 | 山东大学 | 一种tbm岩渣形态识别方法及系统 |
CN117091525A (zh) * | 2023-08-24 | 2023-11-21 | 南京派光智慧感知信息技术有限公司 | 基于机器视觉及结构光的隧道围岩结构变形测量方法 |
CN117365417A (zh) * | 2023-10-27 | 2024-01-09 | 河南理工大学 | 一种视觉协同激光的三维定向诱导钻孔周边致裂增透方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117760332B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8385630B2 (en) | System and method of processing stereo images | |
US8326025B2 (en) | Method for determining a depth map from images, device for determining a depth map | |
Ortin et al. | Indoor robot motion based on monocular images | |
Zhou et al. | Seamless fusion of LiDAR and aerial imagery for building extraction | |
JP3242529B2 (ja) | ステレオ画像対応付け方法およびステレオ画像視差計測方法 | |
CN111210477B (zh) | 一种运动目标的定位方法及系统 | |
CN107980138B (zh) | 一种虚警障碍物检测方法及装置 | |
JP5109294B2 (ja) | 3次元位置補正装置 | |
Rashidi et al. | Innovative stereo vision-based approach to generate dense depth map of transportation infrastructure | |
US7747106B2 (en) | Method and system for filtering, registering, and matching 2.5D normal maps | |
CN109255808B (zh) | 基于倾斜影像的建筑物纹理提取方法和装置 | |
CN109671109B (zh) | 密集点云生成方法及系统 | |
CN111127556B (zh) | 基于3d视觉的目标物体识别和位姿估算方法以及装置 | |
Kruger et al. | In-factory calibration of multiocular camera systems | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
CN111325828A (zh) | 一种基于三目相机的三维人脸采集方法及装置 | |
CN114612412A (zh) | 三维点云数据的处理方法及其用途、电子设备、存储介质 | |
CN117760332B (zh) | 一种用于监测隧道变形的方法、介质及设备 | |
CN110969650B (zh) | 一种基于中心投影的强度图像与纹理序列间的配准方法 | |
CN110487254B (zh) | 一种用于rov的水下目标尺寸快速测量方法 | |
Xu et al. | Monocular video frame optimization through feature-based parallax analysis for 3D pipe reconstruction | |
JP5887974B2 (ja) | 類似画像領域探索装置、類似画像領域探索方法、及び類似画像領域探索プログラム | |
Bauer et al. | MetropoGIS: A feature based city modeling system | |
JP2958462B1 (ja) | ステレオ画像の輝度修正方法及び装置 | |
CN117095119B (zh) | 一种地空一体测绘方法及系统 |
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 |