一种基于激光与计算机视觉的桥梁模态实时识别方法及系统技术方案

本发明专利技术涉及一种基于激光与计算机视觉的桥梁模态实时识别方法及系统，首先在桥梁结构任意多个位置固定激光接收装置，在桥梁结构以外任意位置或者桥梁支座处等相对稳定/振动小的位置固定激光发射装置并向激光接收装置的接收板平面投射激光光线，从而形成激光光斑，同时固定在接收板上的智能摄像机装置实时采集激光光斑振动视频，通过内置计算机视觉算法程序处理激光光斑视频，通过定位拟合光斑圆心坐标得到结构位移，并由无线传输模块传输至云平台模态识别系统，云平台模态识别系统根据不同点位的结构振动时程曲线自动识别桥梁结构模态参数。本发明专利技术具有安装操作难度低，节约人力成本和装置成本，模态识别精度高，适用场景丰富等显著优点。丰富等显著优点。丰富等显著优点。

【技术实现步骤摘要】
一种基于激光与计算机视觉的桥梁模态实时识别方法及系统


[0001]本专利技术涉及一种基于激光与计算机视觉的桥梁模态实时识别方法及系统，属于结构健康监测


技术介绍

[0002]桥梁是我国高速公路、铁路以及城市交通运输的关键节点，保证其安全运营对我国社会经济正常运行至关重要。随着桥梁数量和使用时间的增加，依托桥梁结构健康监测系统准确把握复杂环境下桥梁真实状态及其力学性能，成为桥梁结构健康监测和安全评估的重大需求之一。基于振动的结构健康监测方法因其在动力特性识别、损伤检测和模型更新方面的巨大潜力，在学术界和工程界得到了广泛的关注和应用。随着学科交叉的发展，各种先进的传感技术结合基于振动的结构健康监测理论已被应用于桥梁健康监测，如无线传感器网络、长量程光纤光栅和微波干涉雷达。其中，基于计算机视觉的结构位移/振动测量无疑是近年来最受欢迎的方法之一。
[0003]传统的桥梁模态分析，主要包括桥梁振动数据采集和频谱分析两个步骤，桥梁振动数据采集方法通常可以分为在桥上安装加速度传感器测量和在移动检测车上安装加速度传感器通过车辆振动间接获得两种方法。前者传感器设备昂贵，供电与安装难度高，后者定制检测车费用高，采集数据会影响桥梁交通。本专利技术结合激光优异的穿透能力和高精度的计算机视觉算法，以消费者级别摄像设备代替专业模态识别设备并采用近距离成像避免距离对测量精度的影响，无需在桥梁结构上安装复杂的传感器，属于非接触式检测手段，具有安装操作难度低，节约人力成本和装置成本，模态识别精度高，适用场景丰富等显著优点。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种基于激光与计算机视觉的桥梁模态实时识别方法及系统，适用场景丰富，模态识别精度高，显著节约人力成本和装置成本。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]第一方面，本专利技术提出一种基于激光与计算机视觉的桥梁模态实时识别系统，包括：
[0007]激光发射装置，安装在桥梁结构之外或支座处的稳定位置，包括多个激光发射器；
[0008]激光接收装置，设置于桥梁结构处各个测点，用于接收多个激光发射器发出的激光光斑；
[0009]智能摄像机装置，内置图像识别及位移计算程序模块，实时采集激光接收装置接收的各个测点激光光斑的振动视频，通过内置图像识别及位移计算程序模块自动提取激光光斑中心点坐标求解结构位移，并将结构位移数据传输至云平台模态识别系统；
[0010]云平台模态识别系统，用于接收各个测点的结构位移数据，采用数据驱动的随机子空间识别方法识别结构多阶模态参数，得到多阶桥梁结构模态。
[0011]另一方面，本专利技术还提出一种基于激光与计算机视觉的桥梁模态实时识别方法，包括以下步骤：
[0012]步骤S1、在桥梁上多个测点安装激光接收装置，在桥梁结构以外任意稳定位置或者桥梁支座处固定激光发射装置，并向激光接收装置的接收板平面投射激光光线，形成激光光斑。
[0013]步骤S2、智能摄像机装置实时采集激光接收板接收的各个测点激光光斑振动视频。
[0014]步骤S3、智能摄像机装置通过内置图像自动识别及结构位移计算程序，定位拟合激光光斑圆心坐标求解桥梁结构振动时程，并将结构位移数据传输至云平台模态识别系统；具体步骤如下：
[0015]步骤S301、在视频首帧中自动选择激光光斑区域作为感兴趣ROI模板；
[0016]步骤S302、在后续帧中通过模板匹配方法选取平方差作为衡量相似度的指标，相似度指标表达式为：
[0017]R(x,y)＝∑
x',y'
(T(x
′
,y
′
)
‑
I(x+x
′
,y+y
′
))2[0018]其中，T为模板，I为目标图像，相似度越高，计算结果越小，完全相似时，R＝0，对每帧图像进行初始ROI的匹配，选择结果最小的位置作为该目标的自适应ROI，即“粗定位”位置。
[0019]步骤S303、对具有明显灰度分布特征的激光光斑ROI进行自适应二值化分割，采用最大类间方差法进行自适应阈值选择，根据图像灰度特征将图像分为背景类C0和目标类C1，背景类与目标类灰度均值计算公式分别为：
[0020][0021][0022]图片整体灰度均值计算公式为：
[0023][0024]类间方差计算公式为：
[0025][0026]最终通过遍历法求得使类间方差最大的阈值t,
[0027]其中，M为图像中的最高灰度值，p
m
为灰度值为m的像素出现的概率，ω0和ω1分别为C0类和C1类出现的概率；
[0028]对二值化后的ROI图像进行开操作形态学运算，开操作运算公式如下：
[0029][0030]其中，为腐蚀；为膨胀，二者均为基本的图像形态学运算，
[0031]得到以分界线平滑的黑白两色呈现的ROI图像；
[0032]步骤S304、使用边界跟踪算法得到激光光斑的轮廓，设为二维点集，通过求解最小包络圆算法获得点集中的圆心坐标；
[0033]步骤S305、基于比例因子的物理位移提取方法建立像素坐标与物理坐标之间的关系，通过求得的每一帧圆心坐标位移(Δx
i
，Δy
i
)计算各帧桥梁结构物理位移D
i
：
[0034][0035]D
i
＝s
×
(
‑
Δx
i
，
‑
Δy
i
)
[0036]式中，f为镜头焦距，Z为相机到结构平面的距离，d
pixel
为像素尺寸，s为比例因子；
[0037]步骤S306、将每一帧计算得到的物理位移按照拍摄时间序列连接即得到桥梁结构的绝对动位移时程。
[0038]步骤S4：云平台模态识别系统基于得到的各测点桥梁结构位移时程，采用数据驱动的随机子空间识别方法进行模态参数识别。具体步骤如下：
[0039]步骤S401、将得到的结构响应定义分块Hankel矩阵如下：
[0040][0041]式中，2i和j分别表示Hankel矩阵的行数和列数，y
k
∈R
M
为k采样时刻各测点响应值组成的列向量,M为测点数量，Y
p
和Y
f
分别表示Hankel矩阵过去和未来iM行元素组成的矩阵；
[0042]步骤S402、利用QR分解计算投影矩阵P为：
[0043][0044]式中：表示矩阵的伪逆运算；
[0045]步骤S403、对投影矩阵P
i
进行奇异值分解，得到扩展观测矩阵O
i
和卡尔曼滤波状态空间序列
[0046][0047][0048][0049]式中：U和V均为正交矩阵，∑1为由奇异值组成的对角阵的非零子矩阵；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于激光与计算机视觉的桥梁模态实时识别系统，其特征在于，包括：激光发射装置，安装在桥梁结构之外或支座处的稳定位置，包括多个激光发射器；激光接收装置，设置于桥梁结构处各个测点，用于接收多个激光发射器发出的激光光斑；智能摄像机装置，内置图像识别及位移计算程序模块，实时采集激光接收装置接收的各个测点激光光斑的振动视频，通过内置图像识别及位移计算程序模块自动提取激光光斑中心点坐标求解结构位移，并将结构位移数据传输至云平台模态识别系统；云平台模态识别系统，用于接收各个测点的结构位移数据，采用数据驱动的随机子空间识别方法识别结构多阶模态参数，得到多阶桥梁结构模态。2.根据权利要求1所述的基于激光与计算机视觉的桥梁模态实时识别系统，其特征在于：所述激光发射器、激光接收装置及智能摄像机装置的数量，均与所需测量模态阶数保持一致。3.根据权利要求1所述的基于激光与计算机视觉的桥梁模态实时识别系统，其特征在于：所述激光接收装置固定在桥梁结构不影响激光光线接收的任意位置。4.根据权利要求1所述的基于激光与计算机视觉的桥梁模态实时识别系统，其特征在于：所述的激光接收装置由接收板和上下两块外伸板组成，智能摄像机装置通过上下外伸板与激光接收装置连接。5.根据权利要求1所述的基于激光与计算机视觉的桥梁模态实时识别系统，其特征在于：所述多个激光发射器固定在一个或多个移动支架上。6.一种基于激光与计算机视觉的桥梁模态实时识别方法，其特征在于：包括以下步骤：步骤S1、在桥梁上多个测点安装激光接收装置，在桥梁结构以外任意稳定位置或者桥梁支座处固定激光发射装置，并向激光接收装置的接收板平面投射激光光线，形成激光光斑；步骤S2、智能摄像机装置实时采集激光接收板接收的各个测点激光光斑振动视频；步骤S3、智能摄像机装置通过内置图像自动识别及结构位移计算程序，定位拟合激光光斑圆心坐标求解桥梁结构振动时程，并将结构位移数据传输至云平台模态识别系统；步骤S4：云平台模态识别系统基于得到的各测点桥梁结构位移时程，采用数据驱动的随机子空间识别方法进行模态参数识别。7.根据权利要求6所述的桥梁模态实时识别方法，其特征在于，步骤S3的具体步骤如下：步骤S301、在视频首帧中自动选择激光光斑区域作为感兴趣ROI模板；步骤S302、在后续帧中通过模板匹配方法选取平方差作为衡量相似度的指标，相似度指标表达式为：R(x，y)＝∑
x
’
，y
’
(T(x
’
，y
’
)
‑
I(x+x
’
，y+y
’
))2其中，T为模板，I为目标图像，相似度越高，计算结果越小，完全相似时，R＝0，对每帧图像进行初始ROI的匹配，选择结果最小的位置作为该目标的自适应ROI，即“粗定位”位置。步骤S303、对具有明显灰度分布特征的激光光斑ROI进行自适应二值化分割，采用最大类间方差法进行自适应阈值选择，根据图像灰度特征将图像分为背景类C0和目标类C1，背景类与目标类灰度均值计算公式分别为：
图片整体灰度均值计算公式为：类间方差计算公式为：最终通过遍历法求得使类间方差最大的阈值t,其中，M...

【专利技术属性】
技术研发人员：冯东明，樊志超，韩怡天，吴刚，
申请(专利权)人：东南大学，
类型：发明
国别省市：