文摘

在传统结构健康监测(SHM),安装传感器和数据采集设备将在一定程度上影响结构的常规操作,也是昂贵的。为了克服这些缺点,基于计算机视觉——(CV)方法引入单孔位微吹气扰动,及其实际应用越来越多。摘要CV-based单孔位微吹气扰动方法,如模板匹配和脚腕圆变换。为了提高像素的定位精度,介绍了亚像素定位细化方法。铝合金悬臂梁的位移监测实验有三个目标是由使用两个同时CV-based SHM方法和激光位移传感器。CV-based方法的位移监测结果与测量的激光传感器系统在时域。之后,前两个模式识别悬臂的监测结果。此外,实验监测数据的模式识别和有限元模型的计算也是一致的。因此,开发了CV-based方法可以获得准确的位移结果在时间和频率域,可应用于复杂结构的监测目标。

1。介绍

随着人工智能(AI)的应用在各种行业,建筑工程和管理正在经历一个快速的数字变换(1),土木工程也受益匪浅基于ai不可避免的方法。计算机视觉是基于ai技术的一个重要分支,为单孔位微吹气扰动提供了新的思想和新的解决方案。近年来,计算机应用方法已经广泛应用于几个方面,从实验室测试实际的结构,主要包括裂缝检测、位移监测、系统识别、车辆载荷识别,等等2]。

为了评估的结构性能和安全条件,外部载荷和结构响应通常是测量获得的动态和静态特征结构。位移是至关重要的在所有的衡量指标,因为其他指标如承载力、挠度、载荷分布和模态参数可以间接从位移计算3]。在传统的单孔位微吹气扰动系统,麻烦安装昂贵的硬件通常是必需的,如不同类型的监测传感器和数据采集设备(4),和兆字节的数据需要预处理和分析,评估结构的实际状态(5]。

近年来,CV-based位移监测方法与快速发展的新兴计算机视觉和光学设备。与传统的技术相比,CV-based位移监测方法非接触实时检测等优点,长期稳定、远程监控功能,可控制的拍摄速度,和数据归档应用程序6]。然而,CV-based方法面临的挑战远程监控、监测精度是常常受到环境因素的影响,如风能、振动、温度、气流和雾。即便如此,CV-based位移监测方法不断改进,已经广泛应用于识别结构的模态参数(7- - - - - -11]。

关于CV-based位移监测系统,结构振动的视频摄像机,然后离散连续收集的第一帧。之后,每一帧的目标将被跟踪的目标跟踪算法计算图像中目标位移坐标系统。一旦将从世界坐标系统转换为图像投影坐标系,通过相机标定,确定目标的实际位移可以很容易地计算连续图像帧。CV-based监测方法主要包括以下四个方面:相机标定、特征提取、目标跟踪和位移计算。目标跟踪被视为关键在整个生产过程中,通常可以分为四种类型根据特征跟踪:模板匹配、特征点匹配光流估计和shape-based跟踪。相比之下,相机标定和位移计算在实际应用相对简单。

具体来说,模板匹配的目标跟踪已经应用于监测位移响应和识别的模态特征(7,8,12)的有效性也验证了实验结果。特征点匹配,引用(13,14)使用数字图像处理技术提取特征点位移和监控。在频域中,结构的固有频率和振型可以准确地确定。许多学者提出了光流估计的实际应用位移监测和系统识别。Khaloo和Lattanzi15]使用参数的组合视频稳定,3 d去噪,异常强劲的摄像机运动估计减少相机运动的影响和视频编码的工件和评估四个典型光流算法。Hoskere et al。16)提出了一种新方法来促进全面的提取的固有频率和振型民用基础设施从视频了一个无人机和直接解决困难与模态分析的全面基础设施使用CV-based方法。董et al。17)提出了一个新颖的结构位移测量方法使用深上优于细致的光流方法和调查收集的图片,跟踪,以及非均匀采样的实验数据,以获得更精确的位移测量。然而,上述研究的监测精度达到像素级和亚像素定位细化研究更少。关于shape-based跟踪战略目标跟踪位移监测、汉et al。18)使用数字图像处理技术提取环从背景和测量钢筋混凝土框架结构模型的位移与加密墙壁大型振动台试验。山等。19]利用Canny-Zernike组合算法来实现一个圆形的像素边缘的目标并进行了自由振动测试在实验室stayed-cable模型。陈et al。20.)开发了一种CV-based动态位移测试方法基于圆检测算法和应用大型振动台试验。此外,他们建议适用范围的霍夫变换圆检测算法和最优拟合圆检测方法。

尽管CV-based方法越来越多地应用于单孔位微吹气扰动,仍然缺乏一个全面的比较不同的目标跟踪策略在时间和频率域。为此,位移监测的准确性比较基于模板匹配的目标跟踪策略和脚腕圆变换进行。此外,介绍了二次曲面拟合方法达到亚像素级精度。激光传感器系统的位移监测结果被认为是真理,和监测位移随时间的变化的模态参数识别与计算的有限元分析(FEA)。本文的轮廓如下:部分2介绍了CV-based位移监测方法的一般程序和模板匹配的基本原理和脚腕圆变换;部分3介绍了基于二次曲面拟合的亚像素定位细化;部分4提出了悬臂板的位移监测的验证实验有三个人造目标和比较了位移随时间的变化曲线由CV-based监控方法和激光传感器,以及识别和计算模态参数;部分5总结了本文的工作,期待着未来的前景研究。

2。CV-Based位移监测的一般过程

CV-based位移监测的一般程序包括摄像机标定、选择感兴趣的区域(ROI),特征提取、目标跟踪和位移计算(21]。摄像机标定确定投影世界坐标和图像坐标之间的关系建模作为一个针孔摄像机。ROI选择修复包含独特的区域特性或结构在结构表面22]。特征提取提取roi的特定功能,如人工目标附着在结构或结构表面的纹理和图像特征。目标跟踪打算跟踪roi提取的特征,决定了在不同的坐标系中坐标的功能。最后,图像位移可以转化成实际的位移基于摄像机标定。

在上述步骤中,目标跟踪的关键是(23]。目标跟踪算法应该选择根据特征提取和测量的方便。摘要两种视觉跟踪策略,即模板匹配和脚腕圆变换,描述和选择CV-based位移监测。

2.1。摄像机标定

一般来说,相机前应该校准目标跟踪确定世界坐标和图像坐标之间的关系。的投影几何对象和其形象呈现在图1(21]。根据标定对象的维数,相机标定方法包括自检校(24),基于一维线校准(25),2 d plane-based校准(22),2.5 d编码靶向性校准26),和3 d引用对象建立校准(27]。在单孔位微吹气扰动的范围,简化方法通常被用来找到图像坐标与世界坐标之间的映射关系。本文使用比例因子(SF) [21)来计算实际的位移。


图1
确定比例因子。

在平面上由摄像头和ROI的方向运动,科幻小说可以估计方程(1)有一个角之间的光轴和ROI的正常方向运动(10]。的表达, 转角, 是相机的焦距, 对象和摄像机之间的距离, 和 点的图像坐标吗 和 。 和 ,在这 是像素大小 。

如果这个角 足够小 ,方程(1)可以进一步简化为以下:

2.2。特征提取和视觉跟踪

在CV-based SHM ROI通常用于特征提取和视觉跟踪28]。模板匹配,包括人工目标选择的模板映像提前被跟踪的功能。然而,脚腕圆变换检测圆形状ROI。对于视觉跟踪,模板匹配算法确定目标位置在连续帧,而踝关节圆变换检测圆的重心。图2显示了本文中使用的人造目标的示意图,用一个简单的纹理在目标表面。明显的区别目标纹理和模板匹配的红色背景是有利的,而圆大纲适用于踝关节圆变换。目标跟踪获得的图像位置的目标在不同的帧,和实际的位移可以计算目标图像位移乘以比例因子科幻。


图2
人造目标的示意图(mm)。
2.2.1。模板匹配

模板匹配算法的基本思想是滑动模板在连续的图像帧和找到最相似的子图象的位置,如图3。首先,子图象( 像素),包括目标是选为第一帧的模板映像。然后,模板图像之间的相似和重叠部分计算滑动的模板映像我th框架( 像素)。相似度的计算后, 相似矩阵。相似矩阵的极值代表了最佳匹配根据不同的相似性度量指标和目标图像的位置可以发现极值的索引映射到原始帧。


图3
模板匹配的基本原则。

相似性度量,通常使用以下五个指标(21]:(1)平方之和的区别: (2)规范化的平方之和的区别: (3)归一化互相关: (4)相关系数: (5)归一化相关系数: 模板的灰度值图像吗 像素; 连续图像的灰度值吗 像素。在方程(6)和(7), 和 可以分别表示如下:

在上面的指标, 和 获得最佳匹配至少,其余指标获得最大的最佳匹配(29日]。 计算之间的欧几里得距离模板图像的图像相似度度量方法及其重叠对应,这是最直观的指标,很容易计算。 归一化的版本吗 ,他们都获得最低的子图象连续帧最佳匹配模板。 计算归一化模板之间的相关性及其重叠连续帧的一部分,最大显示最佳匹配。 删除模板的平均强度和连续图像的重叠部分。 归一化的版本吗 。所有上面的模板匹配方法实现了在开放软件图书馆OpenCV。

2.2.2。脚腕圆变换

脚腕圆变换检测圆的轮廓人工目标ROI的每一帧由以下两个步骤:(1)发现圆中心和(2)确定半径(30.]。因为中心沿着边缘的梯度方向定位,目标ROI的边缘检测。然后,这些梯度方向的共同的交点确定了中心 一个圆,如图4。中心和边缘点之间的距离 可以计算,最常发生的距离为半径的圆方程 。如果检测到其他中心的形象,半径也可以以同样的方式计算。所有的圈视频帧之后可以跟踪他们的中心和半径的决心。


图4
脚腕圆变换的基本原则。

OpenCV,脚腕圆变换算法使用精明的方法来检测边缘(31日),和灰度梯度阈值必须设置由用户。共同的交点的梯度方向将被选择作为实际的中心如果不同的梯度方向相同的中心的数量超过预定的阈值。为了避免错误检测中心附近,中心之间的最小距离也提前确定。在半径计算的步骤,如果中心之间的距离和边缘点落在预定的时间间隔,最常发生的距离是半径。检测中心和半径计算的额外约束OpenCV让目标跟踪的脚腕圆变换做精。

3所示。亚像素定位细化

在模板图像中提取我th图像帧通过模板匹配算法不同的相似性度量指标,计算水平和垂直距离向对象在第一帧图像将积分一个像素的数量。然而,这种假设在实际情况并非总是如此,这不可避免地会带来测量误差。换句话说,转移对象模板和图像之间的距离可以被视为noninteger数量的一个像素。为了提高CV-based监控的准确性的方法,采用二次曲面拟合的亚像素定位细化:

考虑到拟合精度和计算的复杂性和数量,最大相似性和周围的点8分用于实现二次曲面拟合,即: 在哪里 相似矩阵和吗 最大值的坐标的相似性矩阵。

方程(11)可以改写为矩阵形式如下:

系数一个∼f可以通过一个伪逆估计计算,即:

极端点的二次曲面方程可以计算当衍生品与尊重x和y都是零:

最后,提炼极值的位置可以解决如下:

自相似矩阵的值的最大非常接近对方,应该执行规范化操作。为了验证亚像素定位细化图形,原来的最优像素点和邻近的8分图所示5(一个)的相似度指标 使用。计算二次表面呈现在图5 (b)。新的极端点(0.2798−0.4549)标有一个坚实的绿星可以被认为是一个更好的估计的最优位置,和上面的方法可以很容易地应用于模板匹配和边缘检测。

(一)
(一)
(b)
(b)
图5
二次曲面拟合优化的例子。(一)九归一化互相关值曲线拟合。(b)的拟合二次曲面。

4所示。实验设置和监测结果

4.1。实验装置

一个实验是为了验证CV-based位移监测方法,如图6。三条人工目标是固定的铝合金悬臂板的顶部。悬臂板的左端是固定的。悬臂板的长度 ,横截面的大小 ,的密度是 ,和弹性模量 。人造目标三个精神圆板的直径 ,如图2。目标是固定在悬臂和他们详细的位置如图7。智能手机是用来收集水平方向的运动视频,和相机的距离光束 。激光测量系统作为参考,包括三个激光位移传感器和数据采集设备。主要实验仪器的信息列在表中1。


图6
实验布局设置。

图7
目标的位置。
表1
主要实验设备。

悬臂板的自由振动是兴奋的初始位移,以确定相对高阶振动模式。释放后初始位移,相机收集视频和振动测量系统同时开始监控三个目标的位移。收集到的视频然后分析了模板匹配算法和脚腕圆变换算法,分别获得目标位移和识别模态参数。

4.2。Dismpalement监测结果

CV-based过程的位移监测方法,目标跟踪的精度将直接影响最终的监测结果。用来跟踪目标模板匹配时,不同的相似性度量指标可能获得不同的图像位置相同的目标框架。在这个实验中,方程表达的五个不同的指标(3)- (7)用于模板匹配。在这种背景下,不匹配的框架意味着匹配的图像范围不包含完整的目标。当模板匹配 正确应用,三个目标可以检测到所有的帧。的模板匹配 ,20时错误检测跟踪目标T0。关于标准化的模板匹配方法指标,他们所有匹配的目标,但花更多的时间。因此, 选择作为模板匹配的相似性度量指标。

脚腕圆变换而言,一些预定的参数会影响圆检测的结果。因此,应选择适当的参数保证所有帧可以统一处理。检查跟踪结果后,也有一些不匹配的框架,它又能被处理通过调整参数跟踪结果更精确。

因为目标的实际大小,像素大小(毫米/像素)后可以获得目标提取帧,然后在图像坐标位移(像素)可以被转换成世界坐标(毫米)通过比例因子表达的方程(2)。位移响应的三个目标是监测和绘制在图8。由于不同相机和激光传感器的采样频率,之间存在着轻微的时滞CV-based法和激光测量系统随着时间的增加。然而,这三个目标的位移振幅测量CV-based方法和激光传感器是一致的。

(一)
(一)
(b)
(b)
(c)
(c)
图8
位移监测结果的目标:(a)T 0,(b)T 1和(c)T 2。
4.3。系统识别

目标的位移随时间的变化 用 ,这将被用来识别的结构模式。基于快速傅里叶变换(FFT), 变成了傅里叶谱吗 在哪里 是频率(赫兹)。随着进一步的数学操作,振幅谱 和想象的光谱 可以获得。自认为是结构简单,自然可以获得的峰值频率选择方法和垂直坐标的山峰与对应的模态形状成比例。标准化的模式形状后可获得的模态位移除以T0。为 - - - - - -阶模态形状的模态位移 - - - - - -th计量点 根据虚部可以确定光谱:

图9显示了振幅谱监测结果的三个目标。在频域中,CV-based方法的结果与激光位移传感器获得的吻合较好。

(一)
(一)
(b)
(b)
(c)
(c)
图9
位移振幅谱的目标:(a)T 0,(b)T 1和(c)T 2。

此外,理论模态频率也计算的有限元方法(FEM)和与被测量结果相比,表中列出2。前两个模态形状识别和计算不同的方法绘制在图10。

表2
比较识别和固有频率计算。

图10
比较前两个模式识别并计算了不同的方法。

5。结论

在这项研究中,目标跟踪方法,如模板匹配和脚腕圆变换用于CV-based SHM介绍。基于二次曲面拟合的亚像素定位细化介绍提高准确性。实验室实验是进行调查的准确性和鲁棒性两个跟踪策略。FFT是用于识别结构模式通过峰值挑选方法,和识别实验模式与有限元计算的理论模式。目标跟踪的结果表明,相似度测量指标 模板匹配是健壮和节省时间的。虽然错误的检测可能发生在一个小的帧数,脚腕圆变换追踪圆形的仍然是一个不错的选择。通过比较激光测量系统的位移响应监控,模板匹配和脚腕圆变换能够满足位移测量。在系统辨识方面,计算出的振动模式识别和不同的方法是一致的。实验验证CV-based方法是健壮和可靠的在时间和频率域和可以应用位移监测和系统识别。

尽管该方法可以取得良好的效果在室内验证实验中稳定的发光的环境,高质量的相机和其他算法消除负面影响的环境需要监控目标的位移在实际项目。此外,图像帧的roi是由手动选择本文将复杂复杂的结构与大量的目标。未来的研究将集中在roi通过人工智能方法的自适应选择,以延长CV-based SHM方法的应用范围。

数据可用性

数据可按照客户要求定制相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本文得到了开放基金厦门工程技术中心的智能基础设施的维护(批准号TCIMI201808)。