【技术实现步骤摘要】
本专利技术涉及桥梁位移检测领域，尤其是一种基于目标检测的无人机桥梁位移检测方法。
技术介绍
1、随着我国桥梁建设事业的迅猛发展，大型超级工程桥梁建设量与日俱增。在桥梁的全寿命周期中，养护期占桥梁寿命的90％，而桥梁的长期正常使用，不仅取决于建造质量，更依赖于后期的健康监测和养护水平。随着桥梁结构在交通运输建设中所占比重不断增加，桥梁的老化将导致桥梁结构不断被破坏，同时载荷能力也将减弱。为了保证桥梁的安全运行，避免灾难性垮塌，需要对桥梁进行健康安全监测。
2、传统利用接触测量系统获取结构的动态位移是桥梁损伤识别和桥梁安全评估的重要方法，但接触式传感器的安装过程比较繁琐，需要在现场埋设大量管线连接传感器，而且对监测结构体的正常运营有影响。
3、可见，传统方法在实际应用中的限制较大，且需要在监测目标上选择一个固定的参考点安装传感器，而在很多情况中如跨越江河、沟谷的桥梁和一些位于地形比较崎岖的建筑结构，要找到一个稳定的固定点安装测量传感器比较困难，很难满足对桥梁位移高效、便捷、低成本的测量。相比之下，无人机凭借其快速抵达桥梁各部位的能力，显著缩短了检测周期。不仅如此，无人机还具备在各种恶劣天气条件下作业的能力，如强风、雨雪天气，这些条件下接触式测量往往难以施展。此外，无人机不受复杂地形的限制，能在山区、高原等地理环境复杂的区域中获取更为精确的数据。因此为了让桥梁检测适应更多的环境，更加便捷高效，亟需专利技术一种通过使用无人机的桥梁位移检测方法。
技术实现思路
1、专
2、技术方案：本专利技术提供一种基于目标检测的无人机桥梁位移检测方法，模拟场地示意图如图1所示，具体包含以下步骤：
3、s1：设计出一种如图2所示的栅格样式。
4、s2：拍摄不同条件下的栅格照片，标注标记关键信息，得到标记数据集，并分为训练集和测试集。
5、s3：以yolov8目标检测网络模型为基础网络，用标记训练集训练yolov8目标检测模型。将训练后的模型在测试集上进行推理，识别目标得到标记的检测框信息，最后得到准确的检测结果。
6、s4：以检测框确定的中心点为范围，对图像进行颜色特征提取，提取红色区域，并求解区域质心。
7、s5：对图像进行梯度信息调整中心点位置，改善中心点位置达到亚像素级别精度。
8、s6：利用向量对准法初次校准无人机前后时刻的图像，以减弱无人机自身振动和气流的影响。
9、s7：对图像的栅格区域，利用灰度化和高斯模糊等图像预处理操作，提高图像质量并去除噪声干扰，然后使用采样摩尔纹法进一步补偿图像，实现精准的图像校正并精确对齐。
10、s8：根据坐标高精度计算桥梁位移。
11、所述s1中，如图2所示，采用的栅格样式形状，由五行五列矩形方块构成，其中心处为红色方块，其余的为黑色方块。标记材料由pvc塑料板制成。通过精密喷墨打印机将目标图案喷涂在塑料板表面，然后覆盖抗氧化透明保护层，以减缓目标的褪色。栅格标记由参考标记和测量标记构成：设置在桥梁的两端支座处的称为参考标记，设置在桥梁的待测部位的称为测量标记。
12、所述s2中，模拟场景示意图如图1所示。拍摄时考虑了不同外界复杂干扰环境的影响情况，从而增强了模型在各种条件下的应用范围和适用性。
13、所述s3中，使用yolov8是因为其在处理复杂场景时表现出卓越的能力。yolov8继承了yolo系列一贯的高效性，并通过单次检测的核心思想大大加快了目标检测的速度。yolov8通过一次网络前向传递即可完成目标的位置回归和类别预测，这种方法显著提高了检测速度，特别适用于实时性要求较高的应用场景。同时，yolov8采用了最新的卷积层、跨层连接和增强的特征提取模块，使用变形卷积技术优化传统卷积神经网络，能够更好地捕捉图像的细节特征。此外，yolov8增加了多尺度的特征融合，同时考虑细节和全局信息，进一步提升了检测的准确性。yolov8网络模型的训练方法为：将数据集划分为训练集和验证集，设置训练系数及每次训练输入的图片数量，训练结束后，保存训练好的权重。而后，根据检测框的中心确定初步定位中心坐标c0(x,y)。
14、所述s4中，颜色特征提取根据初步估计的中心点位置c0(x,y)为范围，从图像中提取红色区域。区域包括了目标物体的颜色特征。将提取的区域转换到hsv颜色空间。hsv空间由颜色的类型(hue)、纯度(saturation)和亮度(value)组成，hsv颜色空间对颜色的描述更符合人类感知，通过颜色阈值化标示出目标颜色的区域。对于每个区域轮廓，通过空间矩计算像素质心进一步定位栅格的中心点c1(x′,y′)：
15、mji＝∑x.y(array(x,y)·xj·yj)
16、其中i，j分别表示在x和y方向上的阶数，i,j∈n。i(x,y)为二值化图像在点(x,y)处的像素值。
17、由上式可得：
18、
19、所述s5中，为了改善中心点位置达到亚像素级别精度，进一步通过图像梯度信息调整中心点位置。梯度代表了图像灰度值在空间上的变化方向和速率，因此利用这些信息可以得到像素网格间的最佳位置。因此，基于sobel算子计算图像在横向、纵向梯度值，梯度信息可以提供图像中局部变化的方向和强度信息。其中sobel算子：
20、
21、于是，x方向的梯度为：
22、
23、y方向的梯度为：
24、
25、假设通过以上得到的点c1(x′,y′)附近在x方向的梯度图(考虑窗口大小为3×3)如下式所示：
26、
27、则梯度可表示为：
28、
29、对于中心点c1附近x方向的横向位移，可表示为：
30、
31、通过上式，便可计算出x方向上的调整量dx为:
32、
33、同理可计算出y方向上的调整量dy。至此，梯度优化后的标记中心坐标c2(x″,y″))如下式所示：
34、
35、通过以上调整使得新位置更好地符合梯度均衡的条件，即更接近实际的标记中心。
36、所述s6中，建立了基于向量对准法的无人机振动剔除的模型，由于无人机的运动，变形前后时刻捕捉到的图像在两个时刻之间会发生变化，可采用仿射变换矩阵进行图像校正。假设平面中有一点(x,y)，可通过仿射变换矩阵改变至(x’,y’)处：
37、
38、但矩阵中缩放因子s，旋转角度θ，以及平移量tx和ty未知。假设通过提取栅格中心方法得到的初始图像中参考点为c2a(xa,ya)，c2b(xb,yb)。同理，变形后图像中参考点为c2a′(xa’,ya本文档来自技高网...
【技术保护点】
1.一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，该方法通过基于深度学习的目标检测方法，提取栅格中心位置并进行无人机图像校正，高精度的计算桥梁位移。
3.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述S1中，采用的栅格样式形状，由五行五列矩形方块构成，其中心处为红色方块，其余的为黑色方块。
4.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述S2中，构建了标记数据集，考虑了不同外界复杂干扰环境的影响情况，以适应模型在各种条件下的应用范围。
5.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述S3中，YOLOv8网络模型的训练方法为：将数据集划分为训练集和验证集，设置训练系数及每次训练输入的图片数量，训练结束后，保存训练好的权重。
6.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述S4中，根据
7.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述S5中，对图像进行梯度信息处理，改善中心点位置达到亚像素级别精度，通过基于Sobel算子计算图像在横向、纵向梯度值，调整中心点位置。
8.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述S6中，建立了基于向量对准法的无人机振动剔除方法，求解仿射变换矩阵进行图像校正。
9.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述S7中，变形前后的图像在经向量对准法的校正后，对于参考栅格的图像区域，首先利用灰度化和高斯模糊等图像预处理操作，提高图像质量并去除噪声干扰，然后使用采样摩尔纹法进一步补偿图像，实现精确对齐。
10.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述S8中，根据补偿后的坐标和初始图像的坐标，得到目标的相对位移。然后将测点的相对位移减去参考系位移得到测点绝对位移，并通过比例换算得到实际的桥梁位移。
...【技术特征摘要】
1.一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，该方法通过基于深度学习的目标检测方法，提取栅格中心位置并进行无人机图像校正，高精度的计算桥梁位移。
3.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述s1中，采用的栅格样式形状，由五行五列矩形方块构成，其中心处为红色方块，其余的为黑色方块。
4.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述s2中，构建了标记数据集，考虑了不同外界复杂干扰环境的影响情况，以适应模型在各种条件下的应用范围。
5.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述s3中，yolov8网络模型的训练方法为：将数据集划分为训练集和验证集，设置训练系数及每次训练输入的图片数量，训练结束后，保存训练好的权重。
6.根据权利要求1所述的一种基于目标检测的无人机桥梁位移检测方法，其特征在于，所述s4中，根据初步估计的目标范围，通过目标物体的颜色特征从图像中提取红色区域。将提取的...
【专利技术属性】
技术研发人员：蔺鹏臻，梁涛，徐一帆，丁攀，马俊军，
申请(专利权)人：兰州交通大学，
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。