【技术实现步骤摘要】
本专利技术涉及一种基于机器视觉的多无人机建筑结构模态识别方法，属于建筑结构工程领域。
技术介绍
1、随着现代基础设施的不断完善，桥梁、大坝、高速公路和高层建筑的数量越来越多，木工程结构在外荷载(如风荷载、交通荷载和地震荷载等)作用下容易产生振动，使结构局部构件产生疲劳和开裂破坏。为保证建筑结构在其服役期间满足使用性、耐久性及安全性的要求，要对服役中的各种建筑结构进行健康监测。模态参数是建筑结构动力特性的重要指标，模态参数的准确识别为建筑结构损伤识别、设计优化和建筑结构特性分析提供依据，可应用于评价建筑结构动力特性，有限元模型修正，结构损伤诊断，抑制结构噪声，识别系统荷载等。模态参数动力特性识别是建筑结构健康监测的重要内容，旨在通过监测建筑结构的振动响应数据，判断结构的健康状况、寿命和损伤程度。
2、传统的结构模态识别采用接触式测量方法需要现场布置传感器，存在操作繁杂、测量点单一、产生附加荷载、高耸结构安装困难等缺点。尽管传统的结构模态识别方法能够非常有效地采集数据，但接触式传感器安装成本高且难以维护，此外，大多数现有结构都难以内置传感器网络，因此进行分析需要安装特别的传感器，这是一项繁琐而昂贵的任务。近年来基于视频图像的结构振动监测方法已成为结构健康监测研究的一个热点，其相对于传统的传感器测量方法具有非接触、无损、操作简便、可实现远距离大范围多点监测等优点，但普遍需要在结构上设置标靶、不属于真正的“非接触测量”，此外该类方法还存在设备要求高、易受环境背景和光线影响等缺陷，限制了其在实际工程中的推广使用。随着市场上低成
技术实现思路
1、为了克服传统的结构模态识别方法存在的上述缺陷，本专利技术提出一种基于机器视觉的多无人机建筑结构模态识别方法，具体利用多无人机搭载高性能相机进行拍摄和视频运动放大技术对建筑结构模态进行识别的方法。本专利技术采用多台商用无人机，如大疆mavic，它们都配备了一个稳定的相机万向节，无人机上相机采用12mp摄像头，将多组携带高清摄像头的无人机飞至待测结构上方进行悬停，并对待测区域的图像数据进行捕捉。运用运动放大技术和机器视觉技术从捕捉到的视频中读取结构的位移时程曲线，之后将时域数据进行经验模态、变分模态、随机子空间以及快速傅里叶变换(fft)等模态识别方法得到测量目标的固有频率和振型，对建筑结构模态进行识别。
2、本专利技术采用的技术方案是：
3、基于机器视觉的多无人机建筑结构模态识别方法，主要包括以下步骤：
4、(1)、确定镜头分辨率、视频录制帧率(如1920×1080@60fps)以及镜头距目标表面的距离，随机选取采集图像中两个特征像素区域，并用两个特征像素区域之间的已知物理距离来建立以像素为单位的长度和以毫米为单位的长度之间的关系。
5、(2)、根据待测建筑结构尺寸以及实际测量需求，确定无人机数量以及无人机进行视频采集时的悬停位置。如可采用沿长度方向每3米一架无人机的方案进行悬停，距离目标表面2.5米的地方悬停准备采集结构振动信号。
6、(3)、将多组无人机悬停至指定位置对待测建筑结构的图像信息进行采集，采集时长为10分钟，记录下待测建筑结构上各个测量点的动态衰减时程。当结构衰减完成之后即可得到各个测量点的自由振动位移时程曲线。待采集结束后收回无人机并进行下一步的图像处理和模态分析。
7、无人机搭载摄像头进行结构振动信号采集过程时，需要考虑无人机的运动和周边环境产生的噪音对模态识别的影响。摄像头安装在主动框架上，能够补偿其中一些干扰。无人机相对于地面的运动呈现出低于结构自然频率的频率分量，可以应用滤波器将结构的固有频率从摄像机运动引入的频率分量中分离出来，如高通滤波器等。
8、(4)、根据采集的待测建筑结构的图像信息，对关键特征进行运动跟踪，确定所选关键特征在视频帧中移动；使用多尺度图像分解技术，即通过高斯或者拉普拉斯金字塔对输入的原始视频数据进行多层级分解，从原始视频数据的视频帧序列中逐帧提取结构振动响应的像素相位信息，对多层金字塔分解后不同尺度下的图像数据进行带通滤波，得到感兴趣特征，通过感兴趣特征来构成一个完整的时空运动矩阵。
9、所述的关键特征是指预先标记的特征，包括结构上手工添加的标记物或以结构表面标记的不同纹理；
10、(5)、对得到的时空运动矩阵进行原始时空域的重建操作，设定具体的放大倍率对感兴趣特征沿着运动轨迹施加放大位移，得到感兴趣特征的位移时程信号，并叠加回原始信号最后合成运动放大视频。
11、所述运动放大过程采用欧拉线性视频放大法。
12、(6)、对位移时程信号进行加窗处理，采用快速傅里叶变换等模态识别方法得到傅里叶复数序列、幅值谱，并从傅里叶变换之后的复数序列提取虚部序列并作为虚部谱。通过拾取某一个测量点的位移时程信号fft之后的幅值谱上的峰值点，就能够确定待测建筑结构的各个模态信息，包括频率和振型等。其中幅值谱上峰值从左到右的序号代表着相应的模态阶次，峰值的横坐标代表这一阶模态的模态频率，纵坐标代表这个测量点在这阶模态的振型图上的幅值大小。
13、(7)、为了获得模态振型，需要知道特征之间在结构长度上的成对相位延迟，因此一次取两个位移时程信号，并估计两个位移时程信号之间的传递函数。
14、δφi,a-b＝arg(ga-b(jωi))
15、其中j为虚单位，在点jωi上进行评估，ga-b(jωi)为描述特征a和特征b的位移信号之间的连续时间传递函数值，δφi,a-b为相位。
16、在固有频率处评估这种传递函数的相位从而得到每个特征对之间的相位延迟，为了计算在不同视频源中出现的特征对之间的相位延迟，通过在重叠区域中出现在两个视频中的特征互相关来同步它们。
17、所述的不同视频源是指不同无人机同时间段拍摄的视频；所述重叠区域是指不同无人机拍摄的同一结构得到视频。
18、上述七个步骤就是基于机器视觉的多无人机建筑结构模态识别的主要步骤。为使多组无人机采集的数据不失一般性，应通过以下具体方法补充其时间延迟和相位延迟。
19、具体如下：
20、1、在一般情况下，多组无人机记录的初始时间瞬间可能不同，它们的帧速率也可能不同，而且多组无人机悬停坐标不一定能与实际划定坐标相统一，这种情况下就要考虑无人机采集数据之间的时间延迟和相位延迟。
21、2、如果多个摄本文档来自技高网...
【技术保护点】
1.基于机器视觉的多无人机建筑结构模态识别方法，具体是利用多无人机搭载高性能相机进行拍摄和视频运动放大技术对建筑结构模态进行识别的方法，其特征在于采用多台携带高清摄像头的无人机飞至待测结构上方进行悬停，并对待测区域的图像数据进行捕捉，运用运动放大技术和机器视觉技术从捕捉到的视频中读取结构的位移时程曲线，之后将时域数据进行经验模态、变分模态、随机子空间或快速傅里叶变换的模态识别，得到测量目标的固有频率和振型，对建筑结构模态进行识别。
2.根据权利要求1所述的基于机器视觉的多无人机建筑结构模态识别方法，其特征在于包括以下步骤：
3.根据权利要求2所述的基于机器视觉的多无人机建筑结构模态识别方法，其特征在于，在固有频率处评估传递函数的相位，从而得到每个特征对之间的相位延迟，为了计算在不同视频源中出现的特征对之间的相位延迟，通过在重叠区域中出现在两个视频中的特征互相关来同步它们。
4.根据权利要求2所述的基于机器视觉的多无人机建筑结构模态识别方法，其特征在于，无人机搭载摄像头进行结构振动信号采集时，需要考虑无人机的运动和周边环境产生的噪音对模态识别的影
5.根据权利要求2所述的基于机器视觉的多无人机建筑结构模态识别方法，其特征在于，所述的关键特征是指预先标记的特征，包括结构上手工添加的标记物或以结构表面标记的不同纹理。
6.根据权利要求1或2所述的基于机器视觉的多无人机建筑结构模态识别方法，其特征在于，所述运动放大过程采用欧拉线性视频放大法。
...【技术特征摘要】
1.基于机器视觉的多无人机建筑结构模态识别方法，具体是利用多无人机搭载高性能相机进行拍摄和视频运动放大技术对建筑结构模态进行识别的方法，其特征在于采用多台携带高清摄像头的无人机飞至待测结构上方进行悬停，并对待测区域的图像数据进行捕捉，运用运动放大技术和机器视觉技术从捕捉到的视频中读取结构的位移时程曲线，之后将时域数据进行经验模态、变分模态、随机子空间或快速傅里叶变换的模态识别，得到测量目标的固有频率和振型，对建筑结构模态进行识别。
2.根据权利要求1所述的基于机器视觉的多无人机建筑结构模态识别方法，其特征在于包括以下步骤：
3.根据权利要求2所述的基于机器视觉的多无人机建筑结构模态识别方法，其特征在于，在固有频率处评估传递函数的相位，从而得到每个特征对之间的相位延迟，为了计算在不同视频源中出现的特征对之间的相...
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。