一种高墩大跨径连续刚构桥桥墩沉降位移监测方法及系统技术方案

本发明专利技术属于桥梁智能建造技术领域，具体公开了一种高墩大跨径连续刚构桥桥墩沉降位移监测方法及系统，包括步骤：采集主梁施工工况下的桥墩主目标和参考点子目标处的图像序列；对图像进行处理，包括低照度图像增强和复杂背景下光学标志点高精度分割；基于自适应阈值梯度霍夫变换ATGHT识别主目标及子目标处光学标志点圆心坐标，提取桥墩主目标和参考点子目标处位移值，然后对相机自运动测量误差进行补偿，从而获得主梁在悬臂施工过程中的桥墩沉降值。本发明专利技术利用非接触式设备对主梁施工阶段的桥墩沉降位移进行监测，实现复杂背景下超高墩大跨径连续刚构桥桥墩沉降位移非接触式、多测点、高精度、高效监测，具有成本低、使用便捷和测点选取灵活的优点。测点选取灵活的优点。测点选取灵活的优点。

【技术实现步骤摘要】
一种高墩大跨径连续刚构桥桥墩沉降位移监测方法及系统


[0001]本专利技术涉及桥墩沉降监测
，具体涉及一种高墩大跨径连续刚构桥桥墩沉降位移监测方法及系统。

技术介绍

[0002]随着世界交通的快速发展，桥梁建设也逐渐朝着跨海、跨山区、跨国际的目标前进。大跨桥梁的桥墩特别是高墩是工程施工建设中的重要组成部分，关系到整个桥梁施工质量，评价桥墩施工质量和安全的关键指标之一是桥墩沉降。随着桥墩施工和后续上部结构施工的推进，桥墩会产生沉降变形，如果沉降值超过允许范围，则会严重影响结构线形和桥梁的安全性，因此在桥梁施工过程中需对桥墩沉降进行观测。
[0003]通过沉降监测，可以及时发现桥梁的异常变形，并采取相应措施，防止桥梁发生危害性损伤，确保桥梁的施工安全。现有的桥墩沉降监测技术可分为接触式监测和非接触监测。接触式监测技术是指在桥体上直接安装各类接触式传感器如：拉线式位移计、振弦式埋入应变计、压差传感器等，从而实现对桥墩沉降数据的长时间记录。但现有的接触式变形测量技术存在许多不足，硬件的高成本和对噪声的高敏感性限制了接触式传感器的实际应用；另外，如果桥墩所处位置高度难以接触或者桥墩位于水中时，则传感器的安装和数据的传输是困难且耗时的。为克服接触式监测面临的种种问题，国内外学者通过设置桥墩沉降观测点并采用水准仪、全站仪、GPS定位系统、微波雷达等非接触式设备监测沉降观测点位移来获得桥墩沉降值。近年来，随着光学相机以及无人机等技术的成熟，其在土木工程领域得到了快速发展；计算机视觉技术与远程摄像机采集相结合，为桥梁结构位移的监测与评估提供了前景良好的非接触式解决方案。但由于其测量受现场复杂环境的影响，使得基于计算机视觉技术的桥墩沉降测量精度较差，因此，本专利技术提出了具有较高鲁棒性的一种复杂环境下高墩大跨径连续刚构桥桥墩沉降非接触式监测方法及系统。

技术实现思路

[0004]为解决现有技术中存在的问题，本专利技术提供了一种高墩大跨径连续刚构桥桥墩沉降位移监测方法及系统，包括图像采集、图像处理和误差补偿模块，能克服现有桥墩沉降测量技术的不足，使得基于计算机视觉技术的桥梁多测点变形测量具有较高的鲁棒性，解决了上述
技术介绍
中提到的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种高墩大跨径连续刚构桥桥墩沉降位移监测方法，包括如下步骤：
[0006]S1、采集主梁施工工况下的桥墩主目标和参考点子目标处的图像序列；
[0007]S2、对图像进行处理，包括低照度图像增强和复杂背景下光学标志点高精度分割；
[0008]S3、基于自适应阈值梯度霍夫变换ATGHT识别主目标及子目标处光学标志点圆心坐标，进一步提取桥墩主目标和参考点子目标处位移值，然后对相机自运动测量误差进行补偿，即桥墩沉降真实位移等于主相机记录的结构位移减去子相机记录的相机自运动，从
而获得主梁在悬臂施工过程中的桥墩沉降值。
[0009]优选的，在步骤S1中，具体包括：
[0010]S11、将双相机系统放置于同一个三脚架上，并连接于视觉控制器上，所述双相机系统包括主相机和子相机；
[0011]S12、在待测桥墩沉降处粘贴光学标志点，即主目标，利用双相机系统的主相机监测部署在桥墩上的主目标的运动；
[0012]S13、根据现场条件选择静止不动的参考点，在此处粘贴光学标志点，即子目标，并用双相机系统的子相机记录相机自运动；
[0013]S14、同时采集主梁在施工过程中主目标和子目标处的图像序列，包括基准图像和变形图像。
[0014]优选的，所述步骤S2中低照度图像增强具体是利用SCI光照自校准模型改善图像成像效果，得到清晰图像；所述SCI光照自校准模型中引入了权重共享的光照学习和自校准模块，具体包括如下：
[0015]设光照优化过程基本单元表示为：
[0016][0017]其中，u
t
和x
t
分别表示第t阶段的残差项与光照，t＝0,1,2
…
,T
‑
1，H
θ
与阶段数无关，采用权重共享的光照学习，在每一阶段光照估计网络均保持结构H与参数θ共享；然后引入自校准模块，使得训练过程中不同阶段的输出能收敛到相同的状态，自校准模块表示为：
[0018][0019]其中，v
t
为每个阶段的转换输入，为引入的具有学习参数的参数化算子，光照优化过程的基本单元被转化为：
[0020]优选的，所述步骤S2中复杂背景下光学标志点高精度分割具体是采用基于深度学习的训练网络模型U2‑
Net对图像复杂背景进行分割，去除图像中的无效背景仅保留感兴趣区域，最后由U2‑
net网络输出背景移除后的图像；所述U2‑
Net是一个两层嵌套的U型结构，由三部分构成：6级编码器、5级解码器、以及解码器和最后一级编码器相连的输出融合结构；
[0021]所述编码器和解码器结构中包括有5种残差网络结构，分别为RSU
‑
7，RSU
‑
6，RSU
‑
5，RSU
‑
4以及RSU
‑
4F，其中RSU
‑
4F利用膨胀卷积来代替其余结构中的上采样及下采样；所述输出融合结构将各层输出的显著图融合起来，形成最后的预测概率图。
[0022]优选的，所述训练网络模型U2‑
Net的损失函数Train loss为网络各层输出的显著图的损失加上最后融合输出预测概率图的损失，计算公式为：
[0023][0024]其中，是输出显著图的损失值，l
fuse
是最后输出的预测概率图的损失值，和ω
fuse
是每部分损失的权重系数，对于每一项损失值采用标准二进制交叉熵来计算，计算公式为：
[0025][0026]其中，(r,c)为像素坐标，(H,W)为图像大小，H表示高度，W表示宽度；P
G(r,c)
和P
S(r,c)
分别表示GroundTruth和预测概率图的像素值；
[0027]所述模型U2‑
Net的训练评价指标F
β
和MAE的计算公式分别为：
[0028][0029]其中，β为0
‑
1之间的数，训练代码β2设置为0.3，F
β
值越大表示训练效果越好；
[0030][0031]其中，P(r,c)为预测概率图，G(r,c)为对应的Ground Truth，MAE为0
‑
1之间的数，值越小表示训练效果越好。
[0032]优选的，在步骤S3中，具体包括：
[0033]首先，采用Canny边缘检测算法对U2‑
net网络输出的背景移除后的图像进行边缘检测，识别圆形边缘并输出二值图像；二值图像中边缘处像素灰度值为1，背景灰度值为0，统计二值图像中灰度值为1的像素个数N，计算基准图像和变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高墩大跨径连续刚构桥桥墩沉降位移监测方法，其特征在于，包括如下步骤：S1、采集主梁施工工况下的桥墩主目标和参考点子目标处的图像序列；S2、对图像进行处理，包括低照度图像增强和复杂背景下光学标志点高精度分割；S3、基于自适应阈值梯度霍夫变换ATGHT识别主目标及子目标处光学标志点圆心坐标，进一步提取桥墩主目标和参考点子目标处位移值，然后对相机自运动测量误差进行补偿，即桥墩沉降真实位移等于主相机记录的结构位移减去子相机记录的相机自运动，从而获得主梁在悬臂施工过程中的桥墩沉降值。2.根据权利要求1所述的高墩大跨径连续刚构桥桥墩沉降位移监测方法，其特征在于：在步骤S1中，具体包括：S11、将双相机系统放置于同一个三脚架上，并连接于视觉控制器上，所述双相机系统包括主相机和子相机；S12、在待测桥墩沉降处粘贴光学标志点，即主目标，利用双相机系统的主相机监测部署在桥墩上的主目标的运动；S13、根据现场条件选择静止不动的参考点，在此处粘贴光学标志点，即子目标，并用双相机系统的子相机记录相机自运动；S14、同时采集主梁在施工过程中主目标和子目标处的图像序列，包括基准图像和变形图像。3.根据权利要求1所述的高墩大跨径连续刚构桥桥墩沉降位移监测方法，其特征在于：所述步骤S2中低照度图像增强具体是利用SCI光照自校准模型改善图像成像效果，得到清晰图像；所述SCI光照自校准模型中引入了权重共享的光照学习和自校准模块，具体包括如下：设光照优化过程基本单元表示为：其中，u
t
和x
t
分别表示第t阶段的残差项与光照，t＝0,1,2
…
,T
‑
1，H
θ
与阶段数无关，采用权重共享的光照学习，在每一阶段光照估计网络均保持结构H与参数θ共享；然后引入自校准模块，使得训练过程中不同阶段的输出能收敛到相同的状态，自校准模块表示为：其中，v
t
为每个阶段的转换输入，为引入的具有学习参数的参数化算子，光照优化过程的基本单元被转化为：4.根据权利要求1所述的高墩大跨径连续刚构桥桥墩沉降位移监测方法，其特征在于：所述步骤S2中复杂背景下光学标志点高精度分割具体是采用基于深度学习的训练网络模型U2‑
Net对图像复杂背景进行分割，去除图像中的无效背景仅保留感兴趣区域，最后由U2‑
net网络输出背景移除后的图像；所述U2‑
Net是一个两层嵌套的U型结构，由三部分构成：6
级编码器、5级解码器、以及解码器和最后一级编码器相连的输出融合结构；所述编码器和解码器结构中包括有5种残差网络结构，分别为RSU
‑
7，RSU
‑
6，RSU
‑
5，RSU
‑
4以及RSU
‑
4F，其中RSU
‑
4F利用膨胀卷积来代替其余结构中的上采样及下采样；所述输出融合结构将各层输出的显著图融合起来，形成最后的预测概率图。5.根据权利要求4所述的高墩大...

【专利技术属性】
技术研发人员：田永丁，黄媛媛，占玉林，邵俊虎，安嘉伟，范梓浩，李冰慧，刘海波，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：