关键词：
位移测量
Yolo v5
相位相关
图像质量评价
LSD
摘要：
在铁路桥梁结构设计中,伸缩缝不仅承载着桥梁的关键功能,而且像关节一样赋予桥梁灵活性和适应性。它的存在使得桥梁能够在温度波动、车辆荷载及自然环境变化的影响下,进行适度的伸缩,从而维持结构的稳定性和耐久性。伸缩缝的动位移变化直接影响着桥梁的使用寿命和服役性能。若伸缩缝动位移超过设计允许的范围,可能会导致桥梁结构出现损坏,进而引发安全事故,因此,对伸缩缝的动位移进行实时监测,可以及时发现伸缩缝的变形失效问题,避免由此引发的桥梁结构损坏,确保桥梁安全运营。目前,对于铁路桥梁伸缩缝动位移监测主要仍然采用接触式传感器的方式。然而,在铁路桥梁长期服役过程中,由于伸缩缝动位移频繁且幅度较大,传感器易受到机械损伤影响,导致监测结果不准确甚至监测系统失效。基于此,本文提出了一种基于单目视觉的铁路桥梁伸缩缝位移测量方法,主要研究如下:
(1)铁路桥梁伸缩缝动位移监测系统的搭建:针对铁路桥梁伸缩缝动位移的高效、非接触测量需求,通过分析相机成像原理与实际伸缩缝结构参数,设计了一套铁路桥梁伸缩缝动位移视觉监测系统,在硬件选型上,采用了高分辨率的相机和适应多种环境条件的镜头,以保证在不同光照和气候条件下都能获得清晰、稳定的图像。此外,考虑到现场环境的复杂性,设计了一种具有高对比度且稳定性强的人工标靶。该标靶不仅易于识别,还能够在各种环境干扰下保持其识别特性,可以提升图像处理的准确性和系统的监测稳定性。
(2)建立基于深度学习网络的标靶目标区域分割模型:由于伸缩缝动位移监测的现场环境通常包含多种复杂因素,标靶区域很难直接提取,提出采用Yolo v5定位网络来进行标靶的初步定位;在定位完成后,以标靶定位框为中心进行开窗操作,可以有效去除非目标区域的图像,降低了背景噪声对后续分割任务的干扰。在初步定位基础上,进一步提出运用U-net++网络对标靶图像目标进行分割,为了验证系统在不同条件下的性能,设计了一系列实验,包括变化光强、调整拍摄角度以及模拟污渍干扰等。这些实验的结果表明,在灰尘和污渍等不利因素的干扰下,分割过程会出现分割不完整的情况,但标靶的基本轮廓仍然能够被准确地提取出来。
(3)提出基于相位相关的标靶动位移计算方法:由于现场环境的复杂性,标靶提取过程中可能无法完全准确地提取到标靶目标区域,导致标靶分割不一致的情况出现。在这种情况下,简单地采用质心计算标靶位移不够准确,并不适用于现场环境复杂且系统鲁棒性要求高的情况。针对这个问题,在完成标靶的分割之后,选取初始帧经过人工标记的标靶作为参照模板,然后将待检测的标靶图像及模板图像转换至频域,通过计算两个频域图像之间的互功率谱,能够评估它们之间的相位相关性,利用相位相关计算标靶的动位移,实验结果表明,标靶受到部分遮挡或分割不完整的情况下,依然能够得到有效的匹配结果。该方法在处理复杂环境下的数据时表现出了较好的鲁棒性。
(4)设计位移视觉测量参数自动估计方法:在铁路桥梁伸缩缝的长期监测过程中,伸缩缝的持续运动可能导致目标检测物超出相机的景深范围,进而引起成像模糊,影响测量精度。为了解决这一问题,需要系统具备自动聚焦功能,以保证目标物体始终在清晰的焦点范围内。具体而言,通过建立图像清晰度评价模型完成自动聚焦过程,在采集图像清晰的基础上,提出基于LSD的标靶尺寸测量方法,通过标靶的已知尺寸信息来计算图像的尺度因子,实现对测量参数的自动估计。利用实验室搭建的试验系统进行测试,验证了上述方法的有效性。实验结果表明,结合自动聚焦技术和图像清晰度评价模型,能够有效地解决伸缩缝运动带来的标靶目标成像模糊问题,并通过基于LSD的标靶尺寸测量过程,实现了测量参数的精确估计。
欢迎来到三峡大学图书馆！
