CN105741278B - 一种基于计算机视觉的拉索分布应力在线监测方法 - Google Patents
一种基于计算机视觉的拉索分布应力在线监测方法 Download PDFInfo
- Publication number
- CN105741278B CN105741278B CN201610054665.XA CN201610054665A CN105741278B CN 105741278 B CN105741278 B CN 105741278B CN 201610054665 A CN201610054665 A CN 201610054665A CN 105741278 B CN105741278 B CN 105741278B
- Authority
- CN
- China
- Prior art keywords
- line
- drag
- area
- stress
- dimensional
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 230000004438 eyesight Effects 0.000 title claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 15
- 229910000831 Steel Inorganic materials 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 239000013307 optical fiber Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000002277 temperature effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004382 visual function Effects 0.000 description 2
- 208000032365 Electromagnetic interference Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于计算机视觉的拉索分布应力在线监测方法,具体实施步骤如下:A.架设两个高速摄像头并进行摄像参数调试;B.测区三维构建、***标定及***初始化设定;C.三维目标特征点抽取和三维空间模型形变计算;D.拉索测区位置应力自动在线监测与实时存储。
Description
技术领域
本发明涉及到使用视觉传感器和数字图像处理方法对各种荷载作用下拉索的应力状态进行在线监测。
背景技术
钢拉索是大跨桥梁(如斜拉桥、悬索桥和拱桥等)结构的重要承力构件,其受力状态直接影响到整个桥梁结构的适用性和安全性。拉索结构在其张拉施工及桥梁运营过程中,由于材料性能、施工状况和环境条件因素等影响,会发生应力损失或应力过大,从而导致拉索预应力水平超出预设安全范围,整个桥梁结构的安全性受到威胁。由拉索应力状态异常导致的桥梁结构性损伤容易引发安全事故,这在桥梁施工和运营阶段是不允许的。对钢拉索的索力进行监测已经成为结构健康监测领域中的一项重要任务。但是,到目前为止钢拉索的索力精确监测还是一项极具挑战性的任务。
对于拉索的应力状态监测,传统的测量方法主要包括接触式应力测量方法和非接触式应力测量方法两种,以下针对其分类进行相关评述。
1、接触式拉索应力测量方法:
(1)基于应变式压力环的拉索索力监测方法·。应变式压力环是利用结构及材料力学相关原理将压力环产生的变形换生成其受到的压力进而评估拉索所受拉力的传感器。实际应用当中需要将压力环安装在拉索锚固端的锚具和锚垫板之间,拉索在受拉过程中会带动锚具,使得压力环被紧夹在锚具和锚垫板之间。由力的平衡与传递关系可以得出压力环所受的压力就是拉索在端部的受力状态。这种拉索应力监测方法只针对拉索端部的应力状态,而对于超长斜拉索来讲,由于在重力作用下拉索因为垂度效应其应力分布不均匀,所以这种方法不能对拉索的整体应力状态进行全面评估。由于压力环一般是通过电压信号的形式进行传输和存储,其传输距离受到限制。并且应变式传感器容易受到噪声干扰,导致索力监测产生较大误差。另外,由于拉索索力的不断变化会导致受压状态下的压力环容易发生破坏和失效,压力环本身的寿命会受到很大的影响,而对压力环进行更换又相当麻烦。
(2)基于振动频率的拉索索力监测方法。这种方法是目前桥梁拉索检测当中应用最为广泛的一种方法。通过在拉索上安装加速度传感器,对拉索在人工激励或环境激励下的振动状态进行测量,采用频谱分析方法可以得到拉索的振动频率。利用拉索索力与其振动频率的关系就可以对拉索的索力进行识别。但这个关系对于拉索的边界条件和其自身刚度非常敏感,对拉索边界条件和其自身刚度的简化不准确容易导致索力测量失准。另外,由于频谱分析需要取一段时间的加速度时程信号进行频域分析,所以不能对拉索索力进行实时在线监测。
(3)基于光纤光栅应变传感器的拉索索力监测方法。这种方法需要将光纤光栅传感器粘贴在拉索钢丝表面或者钢丝内部孔道当中。拉索受到拉力后会发生变形,由于光纤光栅与钢丝紧密接触,可以通过光纤光栅产生的应变对拉索的应变状态进行评估。通过材料力学中应力应变关系可以计算拉索的应力状态。这种拉索应力监测方法对于工艺水平要求较高,光纤需要进行特殊保护且光纤与钢丝之间需要紧密接触。光纤与钢丝之间的粘结紧密程度直接影响到拉索与光纤的之间的应变传递,从而影响拉索的应力监测。
2、非接触式拉索应力测量方法:
(1)基于磁通量传感器的拉索应力监测方法。这种方法是利用铁磁材料的逆磁致伸缩效应,通过监测拉索在受力作用下的磁场参数变化来反推拉索的应力状态。磁通量传感器在进行索力监测的过程中,传感器容易受到电磁环境的干扰,导致测量出现较大的噪声和误差。另外传感器易受温度变化影响,目前的温度补偿技术并没有很好的解决由于温度变化带来的误差。
(2)基于超声导波的拉索应力监测方法。这种方法是在拉索一端发射超声导波,另一端对导波进行收集,通过导波变化分析可以对拉索的应力进行识别。但是目前这种监测方法正处于研究阶段,其易受电磁干扰的特点以及导波与应力、材料几何形状等之间的复杂非线性问题直接影响了该方法的推广应用。
总结上述几种拉索应力监测方法,传统的拉索应力监测方法或者只能对锚固端索力情况进行监测而不能对拉索实现分布式测量(应变式压力环),或者受边界条件而不能实现在线监测(频率法),或者对加工工艺要求非常高(光纤光栅传感器),或者对温度效应非常敏感(磁通量传感器),或者因为物理量的非线性转换关系非常复杂(超声导波),或者因为大部分监测方法易受电磁干扰的影响,这些都会给测量带来很大的误差。另外传统监测方法需要上桥进行布线等工序,测量过程相对复杂,并且传感器不易更换。为了保证桥梁的适用性和安全性,同时考虑到拉索应力监测的快速便利性,寻找一种精确、可靠、方便的大跨度桥梁的拉索应力监测方法至关重要。
近年来,借助于计算机硬件技术、数字图像处理技术和信号处理技术的不断进步,计算机视觉技术取得了迅猛的发展。计算机视觉技术也因其先进性、精确性和方便性等逐渐受到了土木工程技术人员的青睐,不断被应用于桥梁、建筑结构的动态位移监测及外观检测当中。运用计算机视觉方法对拉索应力进行监测是一个很好的选择。
发明内容
本发明要克服传统拉索应力监测方法的不足,提出一种基于计算机视觉技术的非接触式拉索分布应力在线监测方法。本测量方法采用两个相机模拟人的双眼,对拉索表面图案进行三维感知,通过对比拉索在受力状态和初始无应力状态下的视觉图像变化,获得拉索的应力状态。测量装置包括高速摄像头和计算机。
本发明要解决以下几个方面的问题:
一是解决传统拉索应力监测方法因为上桥布线等测量工序繁琐问题以及由于线路传输带来的测量噪声和误差问题。这里将摄像装置布置在远离桥面的位置,通过调整镜头实现对拉索应力状态的远距离非接触式监测。
二是解决传统基于频率法的拉索应力监测中不能实现连续在线监测的问题。
三是解决传统拉索应力监测方法中测量易受电磁干扰、容易受温度效应影响以及测量过程中的复杂非线性问题导致的测量误差问题。
四是简化传感器加工及安装工艺,提高拉索应力监测方法的易用性,使索力传感器具有易更换性。
本发明所述的一种基于计算机视觉的拉索分布应力在线监测方法,具体实施步骤如下:
1.一种基于计算机视觉的拉索分布应力在线监测方法,具体实施步骤如下:
A.架设两个高速摄像头并进行摄像参数调试;
A1.将两个高速摄像头架设在远离拉索的桥下,镜头对准拉索上预先设置的图案测试区域;
A2.反复调整两个高速摄像头的空间交角,调节摄像头的镜头焦距、光圈大小和放大倍数等,使得拉索被测区域同时出现在两个摄像头的视野中;
A3.调整两个摄像头曝光时间和增益值,得到拉索被测区域的清晰图像并使得其位于图像的合适位置,最终得到拉索测区的最佳图像;
B.测区三维构建、***标定及***初始化设定;
B1.根据两个高速摄像头的空间朝向角度、空间距离以及拉索测区的空间位置,确定三者的空间几何关系;
B2.分别用两个高速摄像头拍摄被测结构的图像,对拉索测区进行三维构建,建立图像坐标与被测结构的空间坐标映射关系;
B3.对双目***进行标定,确定实际结构空间变位在两个图像上的像素变位,找出标定系数矩阵;
C.三维目标特征点抽取和三维空间模型形变计算;
C1.调取拉索测区的初始化图案三维图像模型和实际空间对应模型(无应力状态下的三维模型);
C2.抽取初始化图案三维图像模型中多个特征点,这几个特征点可以充分表征拉索测区的三维几何形态,并将这些特征点作为三维数字图像相关的基准;
C3.将基准模板在由两个高速摄像头拍摄到的图像构建的三维模型中进行数字图像相关匹配,搜索抽取的特征点在现在模型中的位置,并实现多特征点跟踪;
C4.对多特征点追踪过程进行机器学习和训练,优化追踪任务,并加入自适应算法降低光线等变化对追踪的干扰,直至特征点追踪满足要求;
C5.多特征点追踪完成,将三维图像模型转化到实际三维空间模型,将此时的实际三维空间模型与初始化三维空间模型进行对比,得到拉索测区实际三维形变;
D.拉索测区位置应力自动在线监测与实时存储;
D1.根据材料力学中应变与应力关系,利用C步骤中得到的拉索测区的三维实际形变关系,可以得到测区内的应力场,应力场可以作为拉索测区的应力分布,取应力场的均值作为测区拉索应力值;
D2.按照被测拉索的应力监测要求制定数据采样频率和存储策略;
D3.两个摄像头不断进行拍照,按照C步骤中描述对每一帧拍摄到的图像构建的模型进行多特征点追踪,追踪任务完成之后转换到实际三维模型并计算形变,进而得到拉索测区应力场及均值应力;
D4.检查D3是否完成D2提出的采集策略和采集存储任务,如果完成,拉索应力监测任务完成。
上述步骤中所提到的高速摄像头将采集到的图像利用千兆以太网进行传输,保存在计算机硬盘中并即时处理。
在进行图像三维构建当中需要用两个摄像头从不同的角度对拉索测区进行拍摄,将得到的两个图像进行三维模型构建,实现三维立体视觉功能。摄像头的空间交角及空间距离确定之后,其拍摄到的图像构建得到的三维模型与实际空间模型是一一对应的。可以通过实际空间当中已知几何尺寸的物体在三维模型的像素尺寸建立图像与实际空间的转换矩阵,并用作***标定。
在三维模型特征点追踪过程中需要对拍摄到的图像构建的三维模型进行追踪训练和学习,优化追踪过程。流程图中提到的拉索测区是指在拉索无应力状态下在测区位置预先制作一定纹理的图案作为测区,并用摄像装置对拉索测区进行扫描,建立拉索测区的初始化图案三维图像模型,而通过量测其实际空间几何尺寸将三维图像模型与实际空间模型建立联系,得到拉索无应力状态下的基准值。后续拉索在安装、张拉以及桥梁运营过程中,可以通过对比其当前空间模型相对于无应力状态空间模型(基准值)的形变进而得到当前拉索测区应力状态。本发明所举例的流程图中只举了一个拉索测区,实际上通过调整摄像头参数使得多根拉索的多个测区都包含在摄像头视野范围内,从而实现多根拉索的应力分布式测量。
本发明中除了前述提到的高速摄像头和计算机等,还提供了一套存储在计算机当中基于计算机视觉技术的非接触式拉索分布应力在线监测***软件平台。
本的优点是:
1、解决了传统拉索应力监测方法需要上桥、在拉索上安装传感器并进行布线等繁琐的工序,实现拉索应力的远距离非接触式测量;
2、解决了传统拉索应力监测方法中索力信号传输距离受限的问题,同时避免了由于长距离传输带来的信号噪声,提高测量精度;
3、本方法通过加入自适应算法,可以大大减轻由于环境因素(光线变化和雾气边缘遮挡)等导致的追踪失误;
4、高速摄像头具有较高的采样频率,实现了拉索应力状态的长期实时在线监测,并能够对拉索的动力变化做进一步分析,结合拉索的动应力变化信息可以实现拉索的实时在线预警功能和损伤状态自动监测与识别;
5、解决了传统拉索应力监测只能对拉索某个点进行应力监测的弊端,实现了全桥拉索分布式同步测量,而且可以得到拉索某个区域的应力场信息;
6、解决了传统拉索应力监测方法易受电磁干扰、对温度变化敏感的弱点,避免了测量过程中出现的非线性问题,保证了测量的稳定性和可靠性;
7、由于采用高速千兆以太网将摄像头采集到的图像信息传输到计算机,实时传输快,实现数据在线即时处理,可以将监控视频与拉索实时应力状态结合查看,可以实现事件全信息回放;
8、本发明支持更多摄像头的协同工作,通过在不同位置布置多个摄像头可以实现全桥范围内所有拉索的应力状态在线监测;
9、简化了传感器加工制作工艺,提高拉索应力监测方法的易用性,解决了传统拉索应力监测传感器不易更换的问题。
10、相较于其他测量方法,测量同样的测点精度高、成本低、操作简单、能够实现便携式拉索应力监测。
附图说明
图1本发明的装置示意图。
图2本发明的测量流程图。
图例说明:图1中的代号分别表示:
1——大跨度桥梁,
2——拉索,
3——拉索测区,
4——第一个高速摄像头,
5——第二个高速摄像头,
6——计算机,
7——第一个高速摄像头拍摄到的目标图像,
8——第二个高速摄像头拍摄到的目标图像,
备注:本发明中选取大跨度桥梁上某一根拉索上某段测区作为监测对象,第一个高速摄像头和第二个高速摄像头同时拍摄拉索测区得到两张图像,通过三维构建技术形成拍摄区域的三维图像模型,测区上的纹理作为识别和追踪的特征,本文为了高亮显示将拉索表面以带灰度标出。本文中只举了一个拉索测区为例,实际上可以通过调整摄像头参数将全桥多根拉索的多个测区全部包括在视野范围内,实现多索分布式监测。
具体实施方式
以下结合图1中所示的案例和图2中所示的工作流程进一步阐述本发明。
参见图1和图2,本发明中所举案例为利用一种基于计算机视觉技术的非接触式拉索分布应力在线监测***对一座大跨度桥梁(此处为拱桥)上的拉索进行应力状态监测,具体的实施步骤如下:
A.架设两个高速摄像头4、5并进行摄像参数调试;
A1.将两个高速摄像头4、5架设在远离拉索2的桥下,镜头对准拉索上预先设置的图案测试区域3;
A2.反复调整两个高速摄像头4、5的空间交角,调节摄像头的镜头焦距、光圈大小和放大倍数等,使得拉索被测区域3同时出现在两个摄像头的视野中;
A3.调整两个高速摄像头曝光时间和增益值,得到拉索被测区域3的清晰图像并使其位于图像的合适位置,最终得到拉索测区3的最佳图像;
B.测区三维构建、***标定及***初始化设定;
B1.根据两个高速摄像头4、5的空间朝向角度、空间距离以及拉索测区3的空间位置,确定三者的空间几何关系;
B2.分别用两个高速摄像头4、5拍摄被测结构的图像,对拉索测区3进行三维构建,建立图像坐标与被测结构的空间坐标映射关系;
B3.对双目***进行标定,确定实际结构空间变位在两个图像7、8上的像素变位,找出标定系数矩阵;
C.三维目标特征点抽取和三维空间模型形变计算;
C1.调取拉索测区的初始化图案三维图像模型和实际空间对应模型(无应力状态下的三维模型);
C2.抽取初始化图案三维图像模型中多个特征点,这几个特征点可以充分表征拉索测区的三维几何形态,并将这些特征点作为三维数字图像相关的基准;
C3.将基准模板在由两个高速摄像头拍摄到的图像构建的三维模型中进行数字图像相关匹配,搜索抽取的特征点在现在模型中的位置,并实现多特征点跟踪;
C4.对多特征点追踪过程进行机器学习和训练,优化追踪任务,并加入自适应算法降低光线等变化对追踪的干扰,直至特征点追踪满足要求;
C5.多特征点追踪完成,将三维图像模型转化到实际三维空间模型,将此时的实际三维空间模型与初始化三维空间模型进行对比,得到拉索测区实际三维形变;
D.拉索测区3位置应力自动在线监测与实时存储;
D1.根据材料力学中应变与应力关系,利用C步骤中得到的拉索测区3的三维实际形变关系,可以得到测区内的应力场,应力场可以作为拉索测区的应力分布,取应力场的均值作为测区拉索应力值;
D2.按照被测拉索的应力监测要求制定数据采样频率和存储策略;
D3.两个摄像头4、5不断进行拍照,按照C步骤中描述对每一帧拍摄到的图像构建的模型进行多特征点追踪,追踪任务完成之后转换到实际三维模型并计算形变,进而得到拉索测区3应力场及均值应力;
D4.检查D3是否完成D2提出的采集策略和采集存储任务,如果完成,拉索应力监测任务完成。
上述步骤中所提到的高速摄像头将采集到的图像利用千兆以太网进行传输,保存在计算机硬盘当中并即时处理。
在进行图像三维构建中需要用两个摄像头从不同的角度对拉索测区进行拍摄,将得到的两个图像进行三维模型构建,实现三维立体视觉功能。摄像头的空间交角及空间距离确定之后,其拍摄到的图像构建得到的三维模型与实际空间模型是一一对应的。可以通过实际空间当中已知几何尺寸的物体在三维模型的像素尺寸建立图像与实际空间的转换矩阵,并用作***标定。
在三维模型特征点追踪过程中需要对拍摄到的图像构建的三维模型进行追踪训练和学习,优化追踪过程。流程图中提到的拉索测区是指在拉索无应力状态下在测区位置预先制作一定纹理的图案作为测区,并用摄像装置对拉索测区进行扫描,建立拉索测区的初始化图案三维图像模型,而通过量测其实际空间几何尺寸将三维图像模型与实际空间模型建立联系,得到拉索无应力状态下的基准值。后续拉索在安装、张拉以及桥梁运营过程中,可以通过对比其当前空间模型相对于无应力状态空间模型(基准值)的形变进而得到当前拉索测区应力状态。本发明所举例的流程图中只举了一个拉索测区,实际上通过调整摄像头参数使得多根拉索的多个测区都包含在摄像头视野范围内,从而实现多根拉索的应力分布式测量。
本发明中除了前述提到的高速摄像头和计算机等,还提供了一套存储在计算机当中基于计算机视觉技术的非接触式拉索分布应力在线监测***软件平台。
本说明书实施案例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施案例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种基于计算机视觉的拉索分布应力在线监测方法,具体实施步骤如下:
A.架设两个高速摄像头并进行摄像参数调试;
A1.将两个高速摄像头架设在远离拉索的桥下,镜头对准拉索上预先设置的图案测区;
A2.反复调整两个高速摄像头的空间交角,调节摄像头的镜头焦距、光圈大小和放大倍数,使得拉索测区同时出现在两个摄像头的视野中;
A3.调整两个摄像头曝光时间和增益值,得到拉索测区的清晰图像并使得其位于图像的合适位置,最终得到拉索测区的最佳图像;
B.测区三维构建、***标定及***初始化设定;
B1.根据两个高速摄像头的空间朝向角度、空间距离以及拉索测区的空间位置,确定三者的空间几何关系;
B2.分别用两个高速摄像头拍摄测区的图像,对拉索测区进行三维构建,建立图像坐标与测区的空间坐标映射关系;
B3.对双目***进行标定,确定实际结构空间变位在两个图像上的像素变位,找出标定系数矩阵;
C.三维目标特征点抽取和三维空间模型形变计算;
C1.调取拉索测区的初始化图案三维图像模型和实际三维空间模型,其中拉索测区的初始化图案三维图像模型为无应力状态下的三维模型;
C2.抽取初始化图案三维图像模型中多个特征点,这几个特征点可以充分表征拉索测区的三维几何形态,并将这些特征点作为三维数字图像相关的基准;
C3.将基准模板在由两个高速摄像头拍摄到的图像构建的三维模型中进行数字图像相关匹配,搜索抽取的特征点在现在模型中的位置,并实现多特征点跟踪;
C4.对多特征点追踪过程进行机器学习和训练,优化追踪任务,并加入自适应算法降低光线变化对追踪的干扰,直至特征点追踪满足要求;
C5.多特征点追踪完成,将三维图像模型转化到实际三维空间模型,将此时的实际三维空间模型与初始化三维空间模型进行对比,得到拉索测区的实际三维形变;
D.拉索测区位置应力自动在线监测与实时存储;
D1.根据材料力学中应变与应力关系,利用C步骤中得到的拉索测区的实际三维形变,可以得到测区内的应力场,应力场可以作为拉索测区的应力分布,取应力场的均值作为测区拉索应力值;
D2.按照被测拉索的应力监测要求制定数据采样频率和存储策略;
D3.两个摄像头不断进行拍照,按照C步骤中描述对每一帧拍摄到的图像构建的模型进行多特征点追踪,追踪任务完成之后转换到实际三维空间模型并计算形变,进而得到拉索测区应力场及均值应力;
D4.检查D3是否完成D2提出的采集策略和采集存储任务,如果完成,拉索应力监测任务完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610054665.XA CN105741278B (zh) | 2016-01-26 | 2016-01-26 | 一种基于计算机视觉的拉索分布应力在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610054665.XA CN105741278B (zh) | 2016-01-26 | 2016-01-26 | 一种基于计算机视觉的拉索分布应力在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105741278A CN105741278A (zh) | 2016-07-06 |
CN105741278B true CN105741278B (zh) | 2018-09-14 |
Family
ID=56247751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610054665.XA Active CN105741278B (zh) | 2016-01-26 | 2016-01-26 | 一种基于计算机视觉的拉索分布应力在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105741278B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530837B (zh) * | 2016-11-14 | 2019-02-05 | 浙江大学 | 一种基于机器视觉的桥梁主动防船撞方法 |
CN107146223B (zh) * | 2017-04-27 | 2019-06-11 | 武汉大学 | 一种输电塔及输电线位移耦合的分析***及方法 |
CN109341903B (zh) * | 2018-11-08 | 2020-10-02 | 东南大学 | 一种基于计算机视觉中边缘识别的拉索索力测量方法 |
CN109871795B (zh) * | 2019-01-31 | 2022-02-22 | 湖北交投智能检测股份有限公司 | 一种自动化的高速公路技术状况评定方法、***及产品 |
CN110220909A (zh) * | 2019-04-28 | 2019-09-10 | 浙江大学 | 一种基于深度学习的地铁盾构隧道病害检测方法 |
CN111649857A (zh) * | 2020-04-23 | 2020-09-11 | 河海大学 | 一种目标匹配分析的拉索模态测量方法 |
CN111691679B (zh) * | 2020-06-24 | 2021-11-12 | 北京工业大学 | 基于数字孪生的预应力钢结构智能张拉方法 |
CN112378507B (zh) * | 2020-11-05 | 2021-10-01 | 浙江大学 | 一种基于运动补偿的计算机视觉结构振动监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001153740A (ja) * | 1999-11-26 | 2001-06-08 | Tokyo Seiko Co Ltd | ワイヤロープの張力測定方法 |
CN101055216A (zh) * | 2007-05-28 | 2007-10-17 | 重庆交通大学 | 斜拉桥拉索索力自动监测方法及装置 |
CN101762346A (zh) * | 2009-12-31 | 2010-06-30 | 北京市建筑工程研究院 | 一种用多频率法测量多跨钢拉索索力的方法 |
CN102542124A (zh) * | 2012-02-29 | 2012-07-04 | 深圳大学建筑设计研究院 | 一种建筑钢结构拉索预应力施加仿真分析方法 |
CN104111133A (zh) * | 2014-06-10 | 2014-10-22 | 浙江省建筑科学设计研究院有限公司 | 大跨度预应力拉索钢结构索力监测***及监测方法 |
-
2016
- 2016-01-26 CN CN201610054665.XA patent/CN105741278B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001153740A (ja) * | 1999-11-26 | 2001-06-08 | Tokyo Seiko Co Ltd | ワイヤロープの張力測定方法 |
CN101055216A (zh) * | 2007-05-28 | 2007-10-17 | 重庆交通大学 | 斜拉桥拉索索力自动监测方法及装置 |
CN101762346A (zh) * | 2009-12-31 | 2010-06-30 | 北京市建筑工程研究院 | 一种用多频率法测量多跨钢拉索索力的方法 |
CN102542124A (zh) * | 2012-02-29 | 2012-07-04 | 深圳大学建筑设计研究院 | 一种建筑钢结构拉索预应力施加仿真分析方法 |
CN104111133A (zh) * | 2014-06-10 | 2014-10-22 | 浙江省建筑科学设计研究院有限公司 | 大跨度预应力拉索钢结构索力监测***及监测方法 |
Non-Patent Citations (1)
Title |
---|
斜拉桥索塔拉索锚固区空间应力分析模型;严少波,裴丙志;《国外公路》;20000630;第20卷(第3期);第22-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105741278A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105741278B (zh) | 一种基于计算机视觉的拉索分布应力在线监测方法 | |
US10627219B2 (en) | Apparatus and methods for monitoring movement of physical structures by laser deflection | |
CN109341903B (zh) | 一种基于计算机视觉中边缘识别的拉索索力测量方法 | |
CN109506714A (zh) | 一种人工智能桥梁安全检测*** | |
CN111174961B (zh) | 一种基于模态分析的索力光学测量方法及其测量*** | |
JP4948660B2 (ja) | 構造物変位量測定方法 | |
Dias-da-Costa et al. | Laboratorial test monitoring applying photogrammetric post-processing procedures to surface displacements | |
KR20150074618A (ko) | 교량의 3차원 변위측정시스템 및 그 운용방법 | |
CN105403143A (zh) | 一种获取模拟地震振动台的位移变化的测量方法及其*** | |
CN106323748A (zh) | 一种用于碳纤维复丝应变测量和力学性能表征的非接触视频测量*** | |
CN103017672A (zh) | 用于桥梁结构的非接触无损检测方法 | |
Zarate Garnica et al. | Monitoring structural responses during load testing of reinforced concrete bridges: A review | |
CN102798456A (zh) | 一种工程机械臂架***工作幅度的测量方法、装置及*** | |
Al‐Salih et al. | Application of a digital image correlation bridge inspection methodology on geometrically complex bifurcated distortion‐induced fatigue cracking | |
CN109696209A (zh) | 地下管道的识别与监测***及使用方法 | |
CN109211137A (zh) | 一种快速识别隧道掌子面岩性的装置及方法 | |
Domaneschi et al. | Structural health monitoring of in-service tunnels | |
Brown et al. | Evaluation of a novel video-and laser-based displacement sensor prototype for civil infrastructure applications | |
JP2012233758A (ja) | 構造物の振動及び寸法の非接触計測による測定方法及びその測定装置 | |
CN109374171B (zh) | 用于检测在役斜拉索索力的方法 | |
Pan et al. | Enhancement of external wall decoration material for the building in safety inspection method | |
Desai | Small-strain measurement in bridge connections using the digital image correlation (DIC) technique | |
Kohut et al. | Application of vision based damage detection for real civil engineering structure | |
Helfrick | An investigation of 3D digital image correlation for structural health monitoring and vibration measurement | |
KR101239351B1 (ko) | 블록 세팅 모니터링 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |