TWI760813B

TWI760813B - 地震監測系統及地震監測方法

Info

Publication number: TWI760813B
Application number: TW109127130A
Authority: TW
Inventors: 許丁友; 郭相如
Original assignee: 國立臺灣科技大學
Priority date: 2020-08-10
Filing date: 2020-08-10
Publication date: 2022-04-11
Also published as: TW202206852A; US11625837B2; US20220044420A1

Abstract

一種地震監測系統包含第一監視器和電腦系統。第一監視器用以拍攝置於建築物的第一樓板上的至少一參考點，以產生第一初始影像以及第一影像串流。第一監視器設置於建築物之第二樓板。電腦系統用以處理該第一初始影像以及該第一影像串流，以得到第一樓板和第二樓板之間的第一層間相對位移向量，並依據該第一層間相對位移向量控制一警示系統輸出一警示訊息。

Description

地震監測系統及地震監測方法

本揭示內容是有關於一種地震監測系統，特別是有關於一種用監視器來量測建築物損壞程度的地震監測系統。

臺灣位於菲律賓海板塊和歐亞板塊交界處，而菲律賓海板塊每年朝西北碰撞歐亞板塊造成地震頻傳。地震常常為建築物帶來很多意外的損毀和對人們生命造成很大的威脅，像是集集大地震就造成很多建築物的倒塌變形還有很多人的喪命。

想要避免地震對人們、住所甚至其他的建築物造成任何的傷害，最好的方法莫過於對地震提高警覺，在有小型地震發生時先行疏散，或在地震過後檢查建築物損害的程度並加以修復，以防止建築物的安全性逐漸下降。

為了解決上述問題，本案的一態樣係提供一種地震監測系統，地震監測系統包含第一監視器和電腦系統。第一監視器用以拍攝置於建築物的第一樓板上的至少一參考點，以產生第一初始影像以及第一影像串流。第一監視器設置於建築物之第二樓板。電腦系統用以處理該第一初始影像以及該第一影像串流，以得到第一樓板和第二樓板之間的第一層間相對位移向量，並依據該第一層間相對位移向量控制一警示系統輸出一警示訊息。

本案的又一態樣係提供一種地震監測的方法，其包含：藉由第一監視器拍攝置於建築物的第一樓板上的至少一參考點，以產生第一初始影像以及第一影像串流；藉由一電腦系統對該第一初始影像以及該第一影像串流進行處理，以得到第一樓板和第二樓板之間的第一層間相對位移向量；以及依據該第一層間相對位移向量控制一警示系統輸出一警示訊息。

下文係舉實施例配合所附圖式作詳細說明，但所提供之實施例並非用以限制本發明所涵蓋的範圍，而結構運作之描述非用以限制其執行之順序，任何由元件重新組合之結構，所產生具有均等功效的裝置，皆為本發明所涵蓋的範圍。此外，圖式僅以說明為目的，並未依照原尺寸作圖。為使便於理解，下述說明中相同元件將以相同之符號標示來說明。

在全篇說明書與申請專利範圍所使用之用詞（terms），除有特別註明外，通常具有每個用詞使用在此領域中、在此揭露之內容中與特殊內容中的平常意義。某些用以描述本揭露之用詞將於下或在此說明書的別處討論，以提供本領域技術人員在有關本揭露之描述上額外的引導。

關於本文中所使用之『約』、『大約』或『大致』一般通常係指數值之誤差或範圍於百分之二十以內，較好地是於百分之十以內，而更佳地則是於百分之五以內。文中若無明確說明，其所提及的數值皆視作為近似值，例如可如『約』、『大約』或『大致』所表示的誤差或範圍，或其他近似值。

關於本文中所使用之『第一』、『第二』、…等，並非特別指稱次序或順位的意思，亦非用以限定本發明，其僅僅是為了區別以相同技術用語描述的元件或操作而已。

其次，在本文中所使用的用詞『包含』、『包括』、『具有』、『含有』等等，均為開放性的用語，即意指包含但不限於。

另外，關於本文中所使用之『耦接』或『連接』，均可指二或多個元件相互直接作實體或電性接觸，或是相互間接作實體或電性接觸，亦可指二或多個元件相互操作或動作。

參照第1圖，第1圖為根據本案一些實施例所繪示之一種地震監測系統100的功能方塊示意圖。於一實施例中，地震監測系統100包含監視器120、路由器130、電腦系統140和警示系統150。監視器120用以擷取參考點之連續影像。路由器130和監視器120連接，且用以接收來自監視器120的訊息。電腦系統140連接至路由器130以及警示系統150，且用以接收來自路由器130的訊息。若電腦系統140判斷此訊息中之數值（例如為後述的損壞程度）高於臨界值，電腦系統140可控制警示系統150傳送警示訊息。警示系統150可將警示訊息傳送至相關人員。

於一些實施例中，監視器120設置於建築物之一樓。於一些實施例中，監視器120包含防盜監視器、一種可以記錄一連串影像之攝影機、控制大樓人數流量之攝影機或可以連續拍照之照相機。上述關於監視器120之實施方式僅為示例，並不限於此，任何可以擷取連續影像之裝置皆在本揭示內容所保護的範圍內。

於第1圖中，監視器120用以擷取一個初始影像和連續的影像串流，其中初始影像即在未發生地震之前監視器120所擷取到的影像，連續的影像串流即在地震期間內連續擷取的多張照片。接著，初始影像以及於每個時間點由監視器120所擷取的影像傳送至路由器130。路由器130更經由一網路線連接至電腦系統140，電腦系統140連接至警示系統150。於一實施例中，電腦系統140接收來自路由器130的資訊(即包含初始影像以及監視器120所擷取的影像等資訊)。電腦系統140根據上述資訊運算得出相鄰樓板水平向之相對位移比，再根據相鄰樓板水平向之相對位移比決定是否傳送警示訊息至警示系統150以通報相關人員。

於一些實施例中，電腦系統140包含顯示模組141、影像集錄器142、運算模組143、輸出模組144和供電模組145。顯示模組141用以顯示所接收到的影像和訊息。於一些實施例中，顯示模組141可以由螢幕或其他各種可以顯示影像畫面的電子裝置實現。影像集錄器142用以將所接收到的影像收錄供運算模組143使用。於一些實施例中，影像集錄器142可以由紀錄器或其他各種可以收集影像的電子裝置實現。

運算模組143用以根據所接收到來自路由器130的訊息計算出一個相鄰樓板水平向之相對位移比。接著，運算模組143根據相鄰樓板水平向之相對位移比判斷建築物損壞之程度。當損壞之程度超過一臨界值時，輸出模組144將一個警示訊息輸出至警示系統150。供電模組145用以提供電能供電腦系統140使用。

於一些實施例中，運算模組143可以由處理器或其他各種可以計算的電子裝置實現。於一些實施例中，輸出模組144可以由通用輸入輸出(GPIO)介面或其他各種可以用於將資料傳輸至外部系統的裝置或傳輸介面實現。於一些實施例中，供電模組145可以由電源轉換器或其他各種可以對電腦系統供電的電子裝置實現。

上述關於電腦系統140的實現方式僅為示例。各種可執行與電腦系統140相同操作的實現方式皆在本案所涵蓋的範圍。

於一實施例中，警示系統150包含一或多個警示單元（未繪示）和一個記憶體單元（未繪示）。於一些實施例中，記憶體單元儲存有預設的警示訊息(例如為警示響鈴聲)，且警示單元(例如擴音器)用以播放警示訊息。當電腦系統140之警示訊息傳送至警示系統150時，警示系統150透過一或多個擴音器將警示響鈴聲廣播至建築物內之各層各戶，以利快速通知所有人員進行疏散。於一實施例中，警示系統150包含一通訊系統（未繪示）。通訊系統用以在收到電腦系統140之警示訊息時，發送簡訊或傳送語音訊息以通知相關人員。相關人員可以是醫院、消防隊、保全和建築物安全評估人員。當建築物的損壞情形較嚴重時，醫院和消防隊之人員可透過上述簡訊或語音訊息得知建築物的損壞情形，並據以判斷需派出救護車或消防車之數量以及緊急程度，以增加協助救援的效率。當建築物的損壞情形相對輕微時，建築物安全評估人員可透過上述簡訊或語音訊息得知建築物的損壞情形，以在建築物沒有明顯毀損時先行評估建築物需要進行維修之急迫性或必須採取之相應措施。

參照第2A圖，第2A圖為根據本案一些實施例所繪示之一種第1圖中地震監測系統之監視器於正常狀況下的配置示意圖。在第2A圖中，示出一組監視器組210。雖然本實施例中僅具有一組監視器，但本揭示內容並不限於此，任何數量的監視器皆在本揭示內容所涵蓋的範圍內。

於一些實施例中，監視器組210設置於第二樓板上(例如一樓之天花板上)且彼此間隔一距離，而參考點230位於第一樓板上(例如一樓之地板上)。於一些實施例中，監視器組210之監視範圍足以涵蓋參考點230於地震期間可能偏移的位置。如第2A圖所示，參考點230標示之位置為地震未發生前之初始位置。在本案中，參考點230於一些實施例中亦可稱為特徵點。

於一些實施例中，監視器(例如監視器組210)設置在建築物一樓的天花板上方，其原因在於，現今建築物一樓通常已經具有用於監控大樓人員安全之監視器。因此，監視器組210可以直接由現有的監視器來實現，不需做額外的配置。此外，由於一樓是一般建築物最易受損的樓層，因此在地震發生時監視一樓所發生的現象最可以代表建築物整體因地震造成的最大損傷。簡單而言，藉由上述設置方式，可以減少地震監測系統100之成本，亦可以增加判斷損傷程度的準確性。然而，前述監視器及參考點的位置並不限於上述實施例，亦即於不同實施例中，參考點可設置在天花板，而監視器設置於地板上。

如第2A圖所示，由參考點230於監視影像內的大小可以推知監視器組210相對於參考點230之距離。於一些實施例中，參考點230可以採用原本固定在建築物一樓的物體，藉此省去設置參考點的額外費用。例如，參考點230可包含郵筒、消防栓或警衛室、牆角、柱角或其他類似的位置或目標，但不限於此，任何其他不會因為地震而產生和所在樓板相對位移的物體皆在本揭示內容所涵蓋的範圍內。

參照第2B圖，第2B圖為根據本案一些實施例所繪示之一種第1圖中地震監測系統之監視器在地震發生期間時間點t的配置示意圖。於此實施例中，監視器組210在時間點t時轉動了角度θ1，且參考點230所在的位置因地震產生相對於第二樓板向右的位移P。

在一些實施例中，除了上述參考點230之外，第一樓板和第二樓板之間（例如在牆壁上）也會設置至少二個參考點（未繪示），上述監視器組210的轉動角度θ1可根據樓板間的二個參考點來決定。例如監視器組210相對於樓板間的二個參考點所照攝到的影像，因監視器組210旋轉後而有所不同，故可根據不同影像內容來決定監視器組210的轉動角度θ1。在另一些實施例中，第一樓板和第二樓板之間（例如在牆壁上）設置的二個參考點（未繪示）亦可用於利用單純影像處理的方式來進行去除監視器組210的旋轉所造成之位移量測誤差，具體將於下列搭配第4圖所述實施例做詳細的描述。

參照第2C圖，第2C圖為根據本案一些實施例所繪示之一種第2B圖中監視器組210所擷取的影像示意圖。在第2C圖中，虛線的方形為參考點230的初始位置，影像I _t1為監視器組210在時間t時所擷取到的影像。影像I _t1中顯示之參考點230的偏移路徑之成因包含第一樓板和第二樓板之間之相對位移P及監視器組210因地震造成之旋轉。於一些實施例中，為推估相對位移P，可將偏移路徑的距離減去監視器組210因地震造成之旋轉量所對應之位移，以得到參考點230的相對位移P。任何可以得知相對位移的演算法皆在本揭示內容所保護的範圍內。

為方便及清楚說明起見，下述關於地震監測的方法係參考第1圖所示之地震監測系統100以及第2A-2C圖來做說明，但不以其為限。

首先，對攝影到的影像進行校正。於此步驟中，監視器組210將所擷取的照片傳回電腦系統140，而電腦系統140會對所得到的照片做校正。在一些實施例中，先由監視器組210拍設已知校正點，主要先將1塊9×9棋盤校正板放置於欲追蹤之區塊(包含參考點230之區域)，並進行訓練照片之拍攝，而後將訓練照片轉為灰階圖像，並選取含校正板的區塊，即可得3個感興趣區域（ROI）之範圍。其次，由電腦系統140對感興趣區域（ROI）使用特定卷積進行處理和對感興趣區域（ROI）內的灰階圖像進行點乘運算，然後依據臨界值選出最高的像素座標上的81個校正點，即為校正板上的81個點。接著，對感興趣區域（ROI）進行類神經網路訓練，建立單層9個節點之類神經網路架構，並輸出類神經網路訓練之矩陣參數（即像素座標與世界座標的關係），最後將矩陣參數輸入對應的影像處理軟體中完成影像校正之部份。

接著，找出監視器組210位置與參考點230之相對位移P。在一些實施例中，針對上述的即時運算，將感興趣區域（ROI）內設定6×6 cm的黑白相間特徵點，並使其自動運算白色區塊之中心點的座標，即可得到參考點230的位移歷時反應，進而得知監視器組210位置與參考點230之相對位移P。上述作法亦可參照如下列關於第4圖所述實施例具體的描述。

然後，將相對位移P透過座標轉換為相鄰樓板水平向之相對位移RD。此轉換方式為本領域具通常知識者所知悉，故在此不予詳述。

接著，比對追蹤的參考點，並且找出監視器組210位置與參考點230之相對位移向量。於此步驟中，電腦系統140量測上述處理後的照片中參考點230的位置和監視器組210所拍攝初始影像中參考點230的位置之相對位移向量P ₁_total。

然後，計算層間相對位移向量。於此實施例中，電腦系統140依據上述的相對位移向量進行計算，以取得層間相對位移向量。於一些實施例中，電腦系統140將相對位移向量P ₁_total與因監視器組210旋轉而產生之轉動位移向量P ₁_rotation相減，藉此計算取得層間相對位移向量P ₁_translation。上述計算過程可表達如下公式(A)：

P ₁_translation=P ₁_total−P ₁_rotation …(A)

之後，計算相鄰樓板水平向之相對位移比RDR，並據以判斷損傷程度。於此步驟中，電腦系統140將相鄰樓板水平向之相對位移RD除以樓高得到相鄰樓板水平向之相對位移比RDR。

接著，當損傷程度超過一給定臨界值，廣播通知相關人員。換言之，於一實施例中，可依據上述電腦系統140所計算而得的層間相對位移向量藉由電腦系統140控制警示系統150傳送警示訊息。於一實施例中，臨界值可用於代表於建築物產生倒塌或剝落時之損傷程度，但不限於此，任何其他可以用以判斷建築物之狀況之臨界值皆在本揭示內容所保護的範圍內。

就上述而言，在一些實施例中，監視器組210所擷取之畫面由1080個像素組成。如先前所述，初始影像在未有地震發生的時候被截取。在監視器後續期間所擷取的影像的內容和初始影像之內容不同時，判定地震發生。例如，在地震發生後時間點t，監視器組210擷取影像I _t1。藉由觀察影像I _t1和初始影像之內容，發現參考點位移了150個像素的距離。由於監視器組210在地震發生期間轉動角度可能不同，且監視器組210和參考點230的距離為已知。因此，經過計算便可得知層間相對位移向量。如此一來，便可找出監視器和參考點之相對位移P，再將相對位移P透過座標轉換為相鄰樓板水平向之相對位移RD。藉由上述資訊，若已知樓高的話，則可以依據樓高推算出相鄰樓板水平向之相對位移比RDR，並據以判斷損傷程度。

當地震發生時，在監視器固定在樓板或梁、柱、牆上的情形下，鏡頭可能因固定點或監視器機構而具有些微的旋轉角度，然而即使旋轉角度很小，在一定距離的條件下所進行的上述位移量測也可能有所誤差，故而無法忽視。因此，於一些實施例中，本案之監視器組210的機構可設置以剛體結構來實現，如此一來，鏡頭之旋轉量全由攝影機固定點之角變量（如對應於監視器的旋轉效應）來決定，而上述依據參考點230所進行的層間變位方式所量測而得的位移扣除旋轉效應所造成之位移量測誤差，即可得到去除旋轉效應後之層間變位結果，使得量測結果更加精確。

於另一些實施例中，上述監視器系統更可分別設置於多層樓的建築物的每一層中。參照第3圖，第3圖為根據本案一些實施例所繪示之一種多層樓建築地震監測系統300的配置圖。多層樓建築地震監測系統300包含監視器組210、參考點230、監視器組410、參考點430、監視器組510、參考點530、監視器組610和參考點630。監視器組210設置於第二樓板之下方。參考點230設置於第一樓板。監視器組410設置於第三樓板之下方。參考點430設置於第二樓板之上方。監視器組510設置於第四樓板之下方。參考點530設置於第三樓板之上方。監視器組610設置於第五樓板之下方。參考點630設置於第四樓板之上方。

上述多層樓建築地震監測系統300的監測方法類似上述關於第2A-2C圖搭配地震監測系統100的實施例，故於此不再贅述。藉由在各樓層間皆設置地震監視系統，地震之強度和建築物損壞之程度可以更準確被推估。例如，當一樓之參考點230因施工或其他人為因素而改變時，可以藉由其他樓層之監測結果判斷是否真的有地震發生。此外，雖然第一樓層通常為建築物損壞最嚴重之樓層，仍然存在有因為各樓層結構元件配置不同，或施工品質之不穩定而讓其他樓層出現更嚴重的損壞之可能性。因此，藉由設置多層樓建築地震監測系統300，可避免第一樓層之監測結果因不可預測之因素發生不準確的問題，以確保可以減少受傷人數以及節省救護人力之資源。

除了上述之外，在不同的實施例中，前述去除旋轉效應所造成之位移量測誤差的方式可以是利用單純影像處理的方式來進行，例如藉由對上述監視器組所擷取到的影像進行3個感興趣區域（region of interest，ROI）的處理方法（下述簡稱3ROI法）。在一些實施例中，上述的3ROI法包含依序進行的影像找點及校正、即時運算、融合法以及損傷評估，其具體細節如下所述。

首先，在一些實施例中，針對上述的影像找點及校正，主要先將3塊9×9棋盤校正板分別放置於欲追蹤之3個區塊，例如：地板一處（F）以及天花板兩處（A、B），並進行訓練照片之拍攝，而後將訓練照片轉為灰階圖像，並選取各別含校正板的區塊，即可得3個感興趣區域（ROI）之範圍。任一感興趣區域（ROI）內皆使用特定卷積和對感興趣區域（ROI）內的灰階圖像進行點乘運算，然後依據臨界值選出最高的像素座標上的81個校正點，即為校正板上的81個點。接著，分別對3個感興趣區域（ROI）各別進行類神經網路訓練，建立單層9個節點之類神經網路架構，並輸出類神經網路訓練之矩陣參數（即像素座標與世界座標的關係），最後將矩陣參數輸入對應的影像處理軟體中完成3ROI影像校正之部份。

其次，在一些實施例中，針對上述的即時運算，將3個感興趣區域（ROI）內分別設定6×6 cm的黑白相間特徵點，並使其自動運算白色區塊之中心點的座標，即可得到上述位於地板處的特徵點（F）以及天花板二處的特徵點（A、B）共三點的位移歷時反應，再運用天花板二處的特徵點（A、B）的位移歷時反應反推任意時刻的旋轉矩陣（R），即可計算出旋轉效應造成地板處的特徵點（F）的位移量測誤差，最後得到去除旋轉效應之地板處特徵點（F）的位移歷時反應，此即為層間相對位移歷時反應。前述技術細節具體將參照下述第4圖所示實施例進行描述。

然後，在一些實施例中，針對上述的損傷評估，將融合法所獲得的層間位移訊號除以樓層高度，如此可得到任一時刻的層間位移比，再將層間位移比的最大值與標準損傷門檻值（例如：地震模型技術手冊所訂定的損傷門檻值）進行比較，便可得結構物的損傷程度以供評估。

第4圖為根據本案不同實施例所繪示之一種第1圖中地震監測系統之監視器的配置示意圖。相較於第2A圖而言，在第4圖的實施例中，地震監測系統包含單一監視器組550以及特徵點F、A、B（或稱參考點），其中監視器組550設置於天花板，特徵點F、A、B與監視器組550對應配置。如第4圖所示，特徵點F設置於地板一處，而特徵點A、B設置於天花板兩處，以供進行前述ROI法的實現。在一些實施例中，上述特徵點F、A、B中每一者係以一塊9×9棋盤校正板的配置來實現。此外，上述監視器組550以及特徵點F、A、B的配置位置僅為例示而已，其他可用以實現本案技術的適合位置均在本案思及的範圍內。

在影像量測的過程中，藉由分析拍攝的結果來推導真實結構物之空間資訊的方式，攝影器材之校正為相對重要的環節。在第4圖的實施例中，即是採用單一監視器組550進行影像拍攝而進行二維平面上的影像處理。欲取得真實世界的座標，需經由拍攝器材與被拍攝物體之相對位置等訊息，推算位於真實世界中的物體位置、大小、形狀等空間資訊，這些相對位置的參數在一些實施例中稱為「外部參數」，在影像處理的過程中因外部參數而非鏡頭因素所導致的變形狀況可稱為「透視變形」。下述將具體說明如何透過對單一監視器組550所取得影像的處理來校正上述問題。

在本案之一些實施例中，主要是採用類神經網路校正訓練之方式來取得像素座標與真實座標之關係，相較於傳統透過座標轉換的二維投影法而言，類神經網路校正訓練之方式可以不需要量測物體與鏡頭距離、角度…等相對空間關係，故無量測誤差的問題。

在一些實施例中，上述類神經網路校正訓練之方式可藉由將前述之地震監測系統連接桌上型電腦、筆記型電腦、行動裝置、…等具有運算處理功能的裝置，並透過上述具有運算處理功能的裝置來進行類神經網路校正訓練之操作。

在一些實施例中，進行類神經網路校正訓練之操作包含至少兩個部分，其中第一部分為取得校正板在影像像素座標中之空間資訊，第二部分為建立類神經網路系統以輸出影像像素座標與真實世界座標之關係參數。上述兩部分的實現方式具體如下所述，且可例如利用第1圖所示之電腦系統140來進行。

在一些實施例中，關於前述第一部分，可例如藉由筆記型電腦控制監視器組550對特徵點F、A、B上的校正板各拍下一張照片。在一些實施例中，所拍下之照片中校正板之底邊與畫面底邊保持平行。

接著，對拍下之照片中的灰階(grayscale)圖像利用卷積和進行點乘運算（如在Yann LeCun, Koray Kavukcuoglu and Clement Farabet. “Convolutional Networks and Applications in Vision.” 2010 IEEE此一相關文獻中所述），並配合自動調整閾值的方式篩選出值最高的81個點，亦即對應黑白棋盤校正板上9×9個黑白校正點。在一些實施例中，若灰階圖像中相鄰的像素點灰階值差異甚小，則與卷積和點乘運算出的值會很小，反之則很大。

在一些實施例中，可進一步判斷上述校正點的數量是否正確。若是校正點的數量不正確的話，可回到前述步驟，再次對拍下之照片中的灰階圖像利用卷積核進行點乘運算，而後再次篩選出對應的校正點。

另一方面，若是校正點的數量正確的話，可進一步利用前述位在邊界的校正點之座標來決定適當之影像感興趣區域（ROI）。

在一些實施例中，可進一步檢查上述感興趣區域（ROI）範圍內的校正點的數量是否正確。類似地，若是校正點的數量不正確的話，可回到前述步驟，再次利用前述位在邊界的校正點之座標來決定適當之影像感興趣區域（ROI）。相反地，感興趣區域（ROI）範圍內的校正點的數量正確的話，可輸出影像中校正點之座標、關於感興趣區域（ROI）之參數、…等資訊。

在上述取得校正板在影像畫面中空間資訊的流程後，可接著進行前述第二部分，建立類神經網路系統以輸出影像像素座標與真實世界座標之關係參數。在一些實施例中，先讀取所拍下照片中黑白棋盤校正板上81個校正點之像素座標，並以座標(0,0)為中心，由座標(+4,+4)至座標(-4,-4)的9×9個單位校正點的真實世界座標網格作為類神經訓練之參考答案。在一些實施例中，每個單位之真實距離為所選之校正板上黑白棋盤上的真實間隔，舉例來說，所選用之校正間隔為1.85公分。

接著，建立類神經網路訓練架構。在一些實施例中，可在系統中建立單隱藏層9個節點之類神經架構，之後使用sigmoid function函數進行類神經網路訓練，輸出結果為81個像素座標上校正點所對應之真實世界座標。

然後，以所輸出的81個校正點的真實世界座標與其對應的參考答案 (亦即上述由(+4,+4)至(-4,-4)之9×9單位校正點)之距離的總和為誤差，進行類神經網路訓練（例如：近100萬次之訓練）。當誤差趨近於穩定時即停止訓練，同時萃取出像素座標與真實世界座標之轉換矩陣參數。

第5圖為根據本案一些實施例所繪示之在第4圖所示之地震監測系統中監視器組與參考點間之幾何關係的示意圖。為進一步說明關於第4圖所示實施例中所述之參考點位移，下列係搭配第5圖所示實施例來做描述。如第5圖所示，監視器組550對應第4圖之監視器組550，座標a₀對應第4圖之參考點A，座標b₀(未繪示)對應第4圖之參考點B，其中

首先，根據參考點A、B之初始位置向量，以下列公式(1)，計算一個虛擬的C點初始位置向量。

c ₀=a ₀×b ₀...(1)

接著，依據第5圖所示的幾何關係，在任意一個時間點i，以下列公式(2)、(3)求得參考點A的位置向量，

其中，

是根據參考點A於影像中之變化所計算而得在時間點i之位移。同理，參考點B的位置向量可以用上述類似方式計算而得，故於此不再贅述。

類似地，當參考點A與參考點B的位置向量求得之後，虛擬的C點於時間點i的位移向量亦可由c _i=a _i×b _i此一公式計算而得。

其次，當參考點A、B之初始位置向量以及參考點 A、B在時間點i之位置向量均已知時，便可利用下列公式(4)，求得於時間點i的旋轉矩陣R_i。

然後，當旋轉矩陣R_i已知時，則可進一步利用下列公式(5)，以參考點F的初始位置

，求得參考點F的於時間點i的位置

，其中

在一些實施例中，於時間點i因為監視器組550旋轉所造成的旋轉位移P1_rotation可以利用下列公式(6)、(7)來求得：

其中

即為參考點F於時間點i因旋轉效應所致的旋轉位移P1_rotation。一旦旋轉位移P1_rotation已知，則可利用上述公式(A)計算求得層間相對位移向量P1_translation。

由於本案主要是欲透過追蹤天花板兩處之位移反應來去除旋轉效應且同時追蹤地板某處之位移反應，所以一個畫面中總共需追蹤三個特徵點（如第4圖所示之特徵點F、A、B）（亦即前述去除旋轉效應造成位移量測誤差之計算），亦即總共需要3個感興趣區域（ROI），因此需於不同的3個感興趣區域（ROI）中分別執行上述說明的類神經網路訓練校正之第一部分和第二部分。待最後訓練完成後，可得到不同的三組感興趣區域（ROI）範圍(包含大小和位置)、不同的三組81點校正座標和不同的三組訓練矩陣參數。如此一來，便可利用一般監控攝影機進行影像量測，同時具備以上關鍵因素之層間位移量測技術，提升影像量測之精確度，應用於地震後結構安全的快速診斷。

經由上述方法，本案的技術可利用安裝於室內之監視器系統，量測上下樓層間相對位移比，判別建築物損傷程度，且可自動補償因為監視器轉動所造成量測相對位移比的誤差，以使建築物內的住戶在地震發生時能夠更快應變與撤離，並讓相關人員可以更有效率地前往需要協助之場所。此外，本揭示內容可以讓相關人員在遠端先得知建築物的損壞程度，以及判斷此建築物是否需要進行維修以加強建築物的耐震力。

雖然本案已以實施方式揭露如上，然其並非限定本案，任何熟習此技藝者，在不脫離本案之精神和範圍內，當可作各種之更動與潤飾，因此本案之保護範圍當視後附之申請專利範圍所界定者為準。

100:地震監測系統 120:監視器 130:路由器 140:電腦系統 141:顯示模組 142:影像集錄器 143:運算模組 144:輸出模組 145:供電模組 150:警示系統 210, 410, 510, 550, 610:監視器組 230, 430, 530, 630:參考點

第1圖為根據本案一些實施例所繪示之一種地震監測系統的功能方塊示意圖。第2A圖為根據本案一些實施例所繪示之一種第1圖中地震監測系統之監視器於正常狀況下的配置示意圖。第2B圖為根據本案一些實施例所繪示之一種第1圖中地震監測系統之監視器在地震發生期間時間點t的配置示意圖。第2C圖為根據本案一些實施例所繪示之一種第2B圖中監視器組所擷取的影像示意圖。第3圖為根據本案一些實施例所繪示之一種多層樓建築地震監測系統的配置圖。第4圖為根據本案不同實施例所繪示之一種第1圖中地震監測系統之監視器的配置示意圖。第5圖為根據本案一些實施例所繪示之在第4圖所示之地震監測系統中監視器組與參考點間之幾何關係的示意圖。

國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無

100:地震監測系統 120:監視器 130:路由器 140:電腦系統 141:顯示模組 142:影像集錄器 143:運算模組 144:輸出模組 145:供電模組 150:警示系統

Claims

一種地震監測系統，包含：一第一監視器，用以拍攝置於一建築物的一第一樓板上的至少一參考點，以產生一第一初始影像以及一第一影像串流，該第一監視器設置於該建築物之一第二樓板；以及一電腦系統，用以處理該第一初始影像以及該第一影像串流，以得到該第一樓板和該第二樓板之間的一第一層間相對位移向量，並依據該第一層間相對位移向量控制一警示系統輸出一警示訊息，其中該第一監視器係用以拍攝樓板間之一第一參考點以及一第二參考點以及位於一地板上的一第三參考點，以產生複數對應影像，該電腦系統係用以將該些對應影像轉換為對應的複數灰階圖像，並對該些灰階圖像所對應的複數感興趣區域分別進行卷積和點乘運算，以選出最高的像素座標上的複數個校正點，並對該些感興趣區域進行類神經網路訓練，以產生類神經網路訓練之矩陣參數，並依據所產生的矩陣參數對該些對應影像進行影像校正。
如請求項1所述之地震監測系統，其中該第一初始影像為該第一監視器未受地震影響時所拍攝的一第一基準影像，該第一影像串流為該第一監視器在一地震期間內連續擷取的複數張第一照片。
如請求項2所述之地震監測系統，其中該電腦系統用以比對該些第一照片之其中一者和該初始影像，以決定該參考點之位移，並用以基於該參考點之位移得出該第一層間相對位移向量。
如請求項1所述之地震監測系統，其中該電腦系統用以根據該第一層間相對位移向量計算出該第一監視器和該參考點之一相對位移。
一種地震監測方法，包含：藉由一第一監視器拍攝置於一建築物的一第一樓板上的至少一參考點，以產生一第一初始影像以及一第一影像串流；藉由一電腦系統對該第一初始影像以及該第一影像串流進行處理，以得到該第一樓板和一第二樓板之間的一第一層間相對位移向量；以及依據該第一層間相對位移向量控制一警示系統輸出一警示訊息，其中該地震監測方法更包含：藉由該第一監視器拍攝樓板間的一第一參考點以及一第二參考點以及位於一地板上的一第三參考點，以產生複數對應影像；以及藉由該電腦系統將該些對應影像轉換為對應的複數灰階圖像，並對該些灰階圖像所對應的複數感興趣區域分別進行卷積和點乘運算，以選出最高的像素座標上的複數個校正點，並對該些感興趣區域進行類神經網路訓練，以產生類神經網路訓練之矩陣參數，並依據所產生的矩陣參數對該些對應影像進行影像校正。
如請求項5所述之地震監測方法，其中對該第一初始影像進行處理的步驟包含：取得該第一初始影像中該至少一參考點之位置與經處理後之該第一初始影像中該至少一參考點之位置間的一相對位移向量；將該相對位移向量與該第一監視器旋轉而產生之一轉動位移向量相減，以取得該第一層間相對位移向量。
如請求項5所述之地震監測方法，更包含：根據該第一層間相對位移向量計算出該第一監視器與該參考點之一相對位移；以及根據該相對位移控制該警示系統輸出該警示訊息。