【技术实现步骤摘要】
本专利技术涉及桥梁结构健康监测领域，更具体的是涉及一种复杂边界条件下斜拉索视觉全域测试与索力精准识别方法。
技术介绍
1、拉索结构，主要承受轴向荷载。桥梁运营阶段，在车辆荷载和外界环境等多种因素影响下，拉索易因腐蚀和振动等原因而受到损害，进而影响桥梁结构安全，因此准确识别索力对桥梁结构的健康监测具有重要意义。索力测试方法主要包括油压表法、压力传感器法、磁通量法、应变法以及频率法等。根据索力测试原理的不同，各类方法的应用场景和测量效果存在一定差异。在对运营阶段桥梁进行索力测试时，振动频率法因测量精度高、操作简单、设备携带方便以及可重复性使用等优点被广泛应用。振动频率法是通过获取拉索在环境激励或人工激励下的振动信号，识别拉索自振频率，从而根据索力与频率之间的特定关系间接得到索力。
2、频率法的关键点在于，准确识别拉索自振频率和确定频率与索力之间的非线性关系。但是，由于拉索两端锚固在塔和主梁等弹性结构上，且可能存在减振器、辅助索等减振构件，导致拉索的边界条件非常复杂，影响拉索频率与索力之间的非线性关系，从而导致实用计算公式在使用上存在一定限制；同时，对于具有复杂边界条件的拉索，通过某一个测点位置处的频率很难准确识别索力，需要进行多点同步测量来提高索力识别精度，但传统索力测试方法很难实现多点同步测量。
3、为解决上述问题，本专利技术提出了一种复杂边界条件下斜拉索视觉全域测试与索力精准识别方法。首先采用基于相位的运动放大算法和亚像素边缘定位等机器视觉技术通过拉索振动视频提取振动位移时程并识别频率，其次利用有限差分法
技术实现思路
1、本专利技术的一个目的是提供一种复杂边界条件下斜拉索视觉全域测试与索力精准识别方法。
2、为实现上述目的，本专利技术采用如下技术方案：
3、复杂边界条件下斜拉索视觉全域测试与索力精准识别方法，具体步骤如下：
4、步骤1、获取待检测拉索振动过程的微小振动视频，并采用基于相位的运动放大算法获取放大后的目标视频图像；
5、步骤2、放大后的目标视频图像中选定多个待追踪位移的拉索局部图像作为感兴趣区域(region of interest,roi)，通过考虑局部面积效应的亚像素边缘定位算法获取roi中拉索边界的亚像素级位置；
6、步骤3、确定视频中拉索的运动方向，计算后续帧拉索边界相对于初始帧的距离，从而获取拉索的振动位移时程；对获取的位移时程进行快速傅里叶变换，峰值点位置即为此处拉索的自振频率；
7、步骤4、重复步骤3，识别各roi的拉索自振频率；
8、步骤5、获取拉索的参数信息，利用有限差分算法结合拉索参数信息，获取用于训练和测试神经网络模型的样本数据集：
9、步骤5.1、将拉索的参数信息划分为已知参数和未知参数，所述已知参数包括拉索长度l、线密度m，所述未知参数包括索力t、抗拉刚度ea、抗弯刚度ei、倾角以及转动约束刚度kr等；
10、步骤5.2、针对已知参数，取参数真实值；针对各未知参数，结合图纸等相关资料分别设置一个合适的取值范围，要求拉索的参数真实值在该取值范围之内，在该范围内，随机生成r个数，不同参数结合建立r组数据，具体形式为(l，m，t，ea，ei，，kr)；
11、步骤5.3、r组数据代表r根拉索，将各组数据代入如式(1)所示的拉索模态方程的有限差分形式，求解每组拉索的前k阶频率，形式为(f1,f2,f3,…,fk)；
12、kv-ω2mv＝0 式(1)
13、式中，刚度矩阵k＝k1+k2，k1是线性刚度矩阵，k2是非线性刚度矩阵；质量矩阵m＝diag{m1,m2,…,mn}；节点位移矩阵vt＝{v1,v2,…,vn}；是无阻尼固有圆频率；拉索的第k阶频率fk＝k/(2π)；
14、步骤6、以拉索已知参数和频率信息为输入参数，以索力为输出参数，利用麻雀搜索算法ssa优化广义回归神经网络grnn的光滑因子，构建ssa-grnn索力预测模型：
15、步骤6.1、样本数据集生成后，将(l,m,f1,f2,…,fk)作为神经网络grnn的输入，输出为预测索力tpred；根据交叉验证理论，按一定比例将样本数据划分为训练集和测试集；
16、步骤6.2、采用ssa寻找grnn最优光滑因子，其中适应度函数为目标索力与预测索力之间的均方误差(mean squared error，mse)，如式(4)所示，mse越小，表明预测数据和样本数据重合度越高；ssa算法迭代一定次数后，寻找到最佳适应度值，该值对应的麻雀位置，即为光滑因子；
17、
18、式中tpred,i为预测索力，通过grnn依据输入(l，m，f1，f2，…，fk)预测得到的；ttarg,i为目标索力，是样本数据的真实索力；
19、步骤6.3、将ssa找到的最优光滑因子输入到grnn中并进行索力预测模型训练；训练完成后，通过计算测试集的误差统计指标来分析该索力预测模型的效果，其中误差统计指标选择相关系数r和平均绝对百分误差(mean absolute percentage error，mape)，如式(5)(6)所示，
20、
21、
22、式中和分别为预测索力和目标索力的平均值；
23、最终建立一个训练完成、预测良好的ssa-grnn索力预测模型，即创建了输入和输出之间的非线性关系；
24、步骤7、将已知参数索长l、线密度m以及步骤4基于机器视觉识别的拉索频率信息输入到ssa-grnn索力预测模型中，完成索力识别。
25、所述步骤6.2中构建grnn的光滑因子，其值过小，会导致网络对于噪声更加敏感，容易出现过拟合现象；其值过大，会导致网络更加平滑，降低了网络对数据的敏感度，容易出现欠拟合问题。本方法通过ssa寻找最优值，解决了传统遍历法的复杂、容易陷入局部最优的问题。
26、在本专利技术的一实施方式中，所述步骤2在识别拉索边界过程中，有可能包含部分外界环境的干扰边界，因此，需进一步通过边缘连续性、方向以及边缘左右侧强度等条件筛选出拉索边界点。
27、在本专利技术的一实施方式中，所述步骤3中，获取视频各帧中拉索边界点的坐标，通过坐标信息可以进一步获取边界点位移，提取中间区域两组相邻上下边界点位移，取平均值作为该roi的拉索位移。
28、在本专利技术的一实施方式中，所述步骤5中，线性刚度矩阵k1，如式(2)所示，
29、
30、式中q＝αn2+2ξ2；u＝-4n2-ξ2；w＝n2；s＝6n2+2ξ2；
3本文档来自技高网...
【技术保护点】
1.复杂边界条件下斜拉索视觉全域测试与索力精准识别方法，其特征是，包括以下步骤：
2.根据权利要求1所述的复杂边界条件下斜拉索视觉全域测试与索力精准识别方法，其特征在于，所述步骤1中，预处理包括：
3.根据权利要求1所述的复杂边界条件下斜拉索视觉全域测试与索力精准识别方法，其特征在于，所述步骤2在识别拉索边界过程中，有可能包含部分外界环境的干扰边界，因此，需进一步通过边缘连续性、方向以及边缘左右侧强度等条件筛选出拉索边界点。
4.根据权利要求1所述的复杂边界条件下斜拉索视觉全域测试与索力精准识别方法，其特征在于，所述步骤3中，获取视频各帧中拉索边界点的坐标，通过坐标信息可以进一步获取边界点位移，提取中间区域两组相邻上下边界点位移，取平均值作为该ROI的拉索位移。
5.根据权利要求1所述的复杂边界条件下斜拉索视觉全域测试与索力精准识别方法，其特征在于，所述步骤5中，线性刚度矩阵K1，如式(2)所示，
6.一种基于计算机视觉的复杂边界条件下索力检测装置，其特征在于，包括：存储器和处理器，所述存储器用于存储所述处理器可执行的计
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现上述权利要求1-5任一项所述的复杂边界条件下斜拉索视觉全域测试与索力精准识别方法的步骤。
...【技术特征摘要】
1.复杂边界条件下斜拉索视觉全域测试与索力精准识别方法，其特征是，包括以下步骤：
2.根据权利要求1所述的复杂边界条件下斜拉索视觉全域测试与索力精准识别方法，其特征在于，所述步骤1中，预处理包括：
3.根据权利要求1所述的复杂边界条件下斜拉索视觉全域测试与索力精准识别方法，其特征在于，所述步骤2在识别拉索边界过程中，有可能包含部分外界环境的干扰边界，因此，需进一步通过边缘连续性、方向以及边缘左右侧强度等条件筛选出拉索边界点。
4.根据权利要求1所述的复杂边界条件下斜拉索视觉全域测试与索力精准识别方法，其特征在于，所述步骤3中，获取视频各帧中拉索边界点的坐标，通过坐标信息可以进一步获取边界点位移，提取中间区域两组相邻上下边界点位移，取...
【专利技术属性】
技术研发人员：王佐才，侯卫超，辛宇，石海健，段大猷，许晋嘉，刘宗族，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。