<code id="gkkii"><object id="gkkii"></object></code>
<bdo id="gkkii"><noscript id="gkkii"></noscript></bdo>
  • <menu id="gkkii"><center id="gkkii"></center></menu>
  • 優勝從選擇開始,我們是您省心的選擇!—— 文閱期刊網
    幫助中心
    期刊發表
    您的位置: 主頁 > 論文中心 > 電子論文 > 正文

    基于計算機視覺的結構應變無靶標魯棒監測

    作者:文閱期刊網 來源:文閱編輯中心 日期:2022-07-14 09:02人氣:
    摘    要:基于視覺的傳統監測方法對結構的現場監測往往受控于人造靶標和光照條件等因素,基于此,本文結合基于相位的稠密光流算法和支持向量回歸(Support Vector Regression,SVR)算法實現對現場結構形變的無靶標魯棒監測。該方法利用二維Gabor濾波器對采集到的結構形變視頻圖像進行預處理,采用基于相位的稠密光流亞像素匹配算法實現結構感興趣區域內全場動位移時程的無靶標快速測量;利用SVR算法平滑得到的位移數據后,采用一種基于應變傳感器原理的應變轉換方法實現結構表面連續應變場的計算,并通過模擬試驗和現場試驗驗證本文方法的可行性。在模擬應變測試中,本文方法與傳統DIC匹配算法對比的應變誤差均小于0.20%,運算速度提升50%;現場應變測試中,與傳統測試方法對比的應變誤差可控制在2.0%以內。相較于傳統視覺監測方法,本文方法在保證精度要求的前提下提高了運算速度及魯棒性,且無需人造靶標,具有一定的工程應用價值。
     
    關鍵詞:工程結構;計算機視覺;光流;二維Gabor濾波器;支持向量回歸;
     
    Unmarked robust monitoring of structural strain based on computer vision
    ZHU Qiankun WANG Junying DU Yongfeng ZHANG Qiong
    Institute of Earthquake Protection and Disaster Mitigation, Lanzhou University of Technology
    Western Center of Disaster Mitigation in Civil Engineering of Ministry of Education, Lanzhou
    University of Technology
     
    Abstract:
    The traditional vision-based monitoring method for monitoring on-site structures is often controlled by factors such as artificial targets and lighting conditions. Based on this, this paper combines the phase-based dense optical flow algorithm and the Support Vector Regression (SVR) algorithm to realize the unmarked robust monitoring of on-site structural deformation. This method uses 2D Gabor filters to preprocess the acquired structural deformation video images and adopts the phase-based dense optical flow sub-pixel matching algorithm to achieve target-free fast measurement of the full-field dynamic displacement time history in the structural region of interest. After smoothing the displacement data by the SVR algorithm, a strain transformation method based on the principle of strain sensor is used to calculate the continuous strain field on the structural surface, and the feasibility of this method is verified by simulation experiments and field experiments. In the simulated strain test, the strain error of the method in this paper compared with the traditional DIC matching algorithm is less than 0.20%, and the operation speed is increased by 50%. In the field strain test, the strain error compared with the traditional test method can be controlled within 2.0%. It can be seen that compared with the traditional visual monitoring method, the method in this paper improves the operation speed and robustness under the premise of ensuring the accuracy requirements, and does not require artificial targets, which has certain engineering application value.
     
    Keyword:
    engineering structure; computer vision; optical flow; 2D Gabor filters; support vector regression;
     
    0 引言
    既有大型工程結構(如核電站、水壩等)因其重要性和對表面損傷的敏感性,如何對其進行精準高效的健康監測一直是人們關注的熱點。結構表面應變是此類結構現場檢測或長期監測的重要指標,也是疲勞性能評估的重要依據。其傳統的接觸式測量方法存在現場操作困難、可達性差、多點測量不便等問題。隨著計算機視覺技術的快速發展,基于圖像處理的非接觸測量方法進入人們的視野,并得到廣泛的關注,包括模板匹配[1]、光流法[2,3]、數字圖像相關(Digital Image Correlation,DIC)[4]等。
     
    結構表面應變的測量包括局部位移場測量和應變測量兩部分,對于位移場的測量,主流的基于可靠度引導的數字圖像相關(Reliability Guided Digital Image Cor-relation ,RG-DIC )技術[5]整合了Lewis等[6]提出的快速互相關(Fast Normalized Cross-Correlation,FNCC)整像素模板匹配算法與Kai等[7]在Bruck等[8]提出的正向牛頓拉夫森(Forward Additive Newton-Arphson,FA-NR)算法的基礎上提出的反向組合高斯牛頓(Inverse Composi-tional Gauss-Newton,IC-GN)亞像素迭代優化算法,實現在可控環境下進行相關分析,得到相應的形變信息。晏班夫等[9]對該技術進行改進,將基于Fourier變換的互相關算法(Fourier Transform-based Cross-Correlation,FTCC)與亞像素匹配算法IC-GN引入DIC并行計算框架,實現無需人工靶標、近中距結構表面位移的短時測試。然而,DIC作為一種成熟的系統,操作相對繁瑣,為了得到更加便捷的操作系統,葉肖偉等[1]基于模板匹配算法,研發了一套遠距離實時位移測量系統,通過在青馬大橋跨中安裝LED目標點的方式實現了跨中的撓度監測,測量精度達到毫米級,但只應用于跨中單點的測量。以上研究其本質都是基于模板匹配算法的識別,而模板匹配作為一種原始的模式識別方法,具有自身的局限性。由于其基于圖像的像素強度進行匹配,對目標圖像的質量要求較高且受控于人工散斑。相關學者雖已對其進行大量改進研究,但運算速度問題仍未得到有效解決。為了提高識別效率,周穎等[2]提出一種無需安裝靶點的基于SIFT特征點匹配的特征光流技術,匹配精度達到了亞像素級別,在實驗室條件下對該方法進行了有效的驗證。迄今為止,基于特征點的匹配方法,缺少關于特征點數量的討論[10],未涉及到位移場的測量;谝陨涎芯,為實現結構表面位移的遠距離魯棒監測,本文引入基于相位[11]的稠密光流匹配算法,對感興趣區域內的像素點進行追蹤,實現無需人造靶標的快速位移場測量。利用可控性優于Fourier變換的二維 Gabor濾波器對圖像序列進行預處理,得到用于稠密光流匹配的像素鄰域信息,進而實現結構表面二維全場位移的無靶標亞像素監測。相較于傳統視覺方法,該方法在便捷性和魯棒性方面均得到提高。
     
    應變的測量則是根據位移場計算結果,采用逐點最小二乘法(Pointwise Least Square,PLS)[12,13]或有限元平滑[14]等算法得到應變場。Pan等[12]假定位移分布在小窗口內是雙線性的,然后采用逐點最小二乘法求解線性多項式的系數,計算窗口中心多項式的導數,將其作為窗口中心像素處的應變。但是,在裂縫形成的位置會對位移產生干擾,并不能總是假定位移分布在小窗內是雙線性的。晏班夫等[7]提出一種基于正則化的有限單元應變計算方法,基于有限元理論將位移場轉換為應變場,利用正則化方法對應變場進行最大程度的降噪,實現結構連續與非連續應變場的計算。然而,大部分研究都是基于數值微分的方法直接作用于表面位移以獲得應變。在這些研究中,應變的計算方式不同于標準應變定義,在某種程度上,這些應變轉換方法對工程師或研究人員來說不是直觀的。Luo等[15]基于應變傳感器的原理,提出一種直觀的應變轉換方法,將表面位移轉換為表面應變,并通過模擬實驗和四點彎曲實驗驗證了其準確性,但該方法依賴于位移場的平滑程度。為此,本文采用支持向量回歸(Support Vector Regression,SVR)算法[16,17] 對得到的位移場進行最大程度平滑后,直接采用類似于應變傳感器原理的應變轉換方法,基于有限元理論將位移場轉換為應變場。
     
    為了驗證本文方法的魯棒性和準確性,首先對模擬試驗數據進行處理,得到位移場和應變場的測試結果,并與傳統開源DIC方法[18]進行比較;之后對板材拉伸試驗和模型橋激振試驗中采集到的視頻數據進行處理,與傳統應變片測試結果進行精度對比。
     
    1 算法原理
    本文方法通過在感興趣區域內采用基于相位的稠密光流算法實現對位移的整像素匹配,光流法內嵌的高斯金字塔算法同時實現整像素到亞像素的迭代,最后得到感興趣區域內達到亞像素精度的位移場。通過機器學習算法中的SVR算法對得到的位移場進行最大程度平滑降噪后,采用應變傳感器原理的應變轉換方法,基于有限元的理論實現位移場到應變場的轉換,具體實現如圖1所示。
     
    1.1 整像素匹配算法
     
    0 引言
    既有大型工程結構(如核電站、水壩等)因其重要性和對表面損傷的敏感性,如何對其進行精準高效的健康監測一直是人們關注的熱點。結構表面應變是此類結構現場檢測或長期監測的重要指標,也是疲勞性能評估的重要依據。其傳統的接觸式測量方法存在現場操作困難、可達性差、多點測量不便等問題。隨著計算機視覺技術的快速發展,基于圖像處理的非接觸測量方法進入人們的視野,并得到廣泛的關注,包括模板匹配[1]、光流法[2,3]、數字圖像相關(Digital Image Correlation,DIC)[4]等。
     
    結構表面應變的測量包括局部位移場測量和應變測量兩部分,對于位移場的測量,主流的基于可靠度引導的數字圖像相關(Reliability Guided Digital Image Cor-relation ,RG-DIC )技術[5]整合了Lewis等[6]提出的快速互相關(Fast Normalized Cross-Correlation,FNCC)整像素模板匹配算法與Kai等[7]在Bruck等[8]提出的正向牛頓拉夫森(Forward Additive Newton-Arphson,FA-NR)算法的基礎上提出的反向組合高斯牛頓(Inverse Composi-tional Gauss-Newton,IC-GN)亞像素迭代優化算法,實現在可控環境下進行相關分析,得到相應的形變信息。晏班夫等[9]對該技術進行改進,將基于Fourier變換的互相關算法(Fourier Transform-based Cross-Correlation,FTCC)與亞像素匹配算法IC-GN引入DIC并行計算框架,實現無需人工靶標、近中距結構表面位移的短時測試。然而,DIC作為一種成熟的系統,操作相對繁瑣,為了得到更加便捷的操作系統,葉肖偉等[1]基于模板匹配算法,研發了一套遠距離實時位移測量系統,通過在青馬大橋跨中安裝LED目標點的方式實現了跨中的撓度監測,測量精度達到毫米級,但只應用于跨中單點的測量。以上研究其本質都是基于模板匹配算法的識別,而模板匹配作為一種原始的模式識別方法,具有自身的局限性。由于其基于圖像的像素強度進行匹配,對目標圖像的質量要求較高且受控于人工散斑。相關學者雖已對其進行大量改進研究,但運算速度問題仍未得到有效解決。為了提高識別效率,周穎等[2]提出一種無需安裝靶點的基于SIFT特征點匹配的特征光流技術,匹配精度達到了亞像素級別,在實驗室條件下對該方法進行了有效的驗證。迄今為止,基于特征點的匹配方法,缺少關于特征點數量的討論[10],未涉及到位移場的測量;谝陨涎芯,為實現結構表面位移的遠距離魯棒監測,本文引入基于相位[11]的稠密光流匹配算法,對感興趣區域內的像素點進行追蹤,實現無需人造靶標的快速位移場測量。利用可控性優于Fourier變換的二維 Gabor濾波器對圖像序列進行預處理,得到用于稠密光流匹配的像素鄰域信息,進而實現結構表面二維全場位移的無靶標亞像素監測。相較于傳統視覺方法,該方法在便捷性和魯棒性方面均得到提高。
     
    應變的測量則是根據位移場計算結果,采用逐點最小二乘法(Pointwise Least Square,PLS)[12,13]或有限元平滑[14]等算法得到應變場。Pan等[12]假定位移分布在小窗口內是雙線性的,然后采用逐點最小二乘法求解線性多項式的系數,計算窗口中心多項式的導數,將其作為窗口中心像素處的應變。但是,在裂縫形成的位置會對位移產生干擾,并不能總是假定位移分布在小窗內是雙線性的。晏班夫等[7]提出一種基于正則化的有限單元應變計算方法,基于有限元理論將位移場轉換為應變場,利用正則化方法對應變場進行最大程度的降噪,實現結構連續與非連續應變場的計算。然而,大部分研究都是基于數值微分的方法直接作用于表面位移以獲得應變。在這些研究中,應變的計算方式不同于標準應變定義,在某種程度上,這些應變轉換方法對工程師或研究人員來說不是直觀的。Luo等[15]基于應變傳感器的原理,提出一種直觀的應變轉換方法,將表面位移轉換為表面應變,并通過模擬實驗和四點彎曲實驗驗證了其準確性,但該方法依賴于位移場的平滑程度。為此,本文采用支持向量回歸(Support Vector Regression,SVR)算法[16,17] 對得到的位移場進行最大程度平滑后,直接采用類似于應變傳感器原理的應變轉換方法,基于有限元理論將位移場轉換為應變場。
     
    為了驗證本文方法的魯棒性和準確性,首先對模擬試驗數據進行處理,得到位移場和應變場的測試結果,并與傳統開源DIC方法[18]進行比較;之后對板材拉伸試驗和模型橋激振試驗中采集到的視頻數據進行處理,與傳統應變片測試結果進行精度對比。
     
    1 算法原理
    本文方法通過在感興趣區域內采用基于相位的稠密光流算法實現對位移的整像素匹配,光流法內嵌的高斯金字塔算法同時實現整像素到亞像素的迭代,最后得到感興趣區域內達到亞像素精度的位移場。通過機器學習算法中的SVR算法對得到的位移場進行最大程度平滑降噪后,采用應變傳感器原理的應變轉換方法,基于有限元的理論實現位移場到應變場的轉換,具體實現如圖1所示。
     
    1.1 整像素匹配算法
    1.1.1 基于相位的光流假設
    光流是空間運動物體在觀察成像平面上像素運動的瞬時速度,一般用于計算圖像中像素點或特征點在相鄰兩幀圖像間的位移。大多數光流是基于如下假設實現像素點或特征點的整像素匹配:時間連續或運動是“小運動”;亮度恒定不變。其中,亮度恒定不變即相鄰兩幀圖像的像素強度恒定不變,數學表達式為:
     
    Ixu+Iyv+It=0(1)
     
    式中:I為圖像強度;Ix,Iy,It分別為圖像強度對x,y,t的偏導。
     
    從上式可以看出,為了得到魯棒性更好的光流,需要從圖像中獲得更加可靠的強度信息。研究表明,圖像的相位信息相較于圖像的灰度信息,具有更好的環境抗干擾能力。然而,通過Fourier變換得到的圖像相位信息缺乏時間和位置的局部信息,因此,Daugman等[19]提出了基于相位光流匹配的二維Gabor濾波,可以同時在空域、頻域和方向上獲得最佳的相位信息。具體實現如下:
     
    首先,需要用Gabor濾波器對圖像序列進行二維Gabor變換,得到需要的相位信息,公式如下:
     
    IGi(x,y,t)=I(x,y,t)∗Gi(x,y),i=1,2,...,N (2)
     
    式中:I(x,y,t)表示輸入圖像;IGi(x,y,t)為濾波輸出圖像;*表示卷積;N表示濾波器的數量,Gi(x,y)為二維Gabor濾波器,其函數表達式如下:
     
    G(x,y)=g(x,y)exp[2πj(Ux+Vy)](3)
     
    式中:(U,V)表示特定的空間頻率;g(x,y)為二維高斯函數。
     
    之后,對于Gabor濾波輸出的圖像,每個方向上都必須滿足光流的基本假設:式(1),整理后可得到下列表達式:
     
    A*U+B=0(4)
     
    式中:A=⎡⎣⎢⎢⎢⎢⎢Φx1Φx2⋮ΦxNΦy1Φy2⋮ΦyN⎤⎦⎥⎥⎥⎥⎥,U=[uv],B=⎡⎣⎢⎢⎢⎢⎢Φt1Φt2⋮ΦtN⎤⎦⎥⎥⎥⎥⎥,
     
    Φxi=∂IGi∂x,Φyi=∂IGi∂y,Φti=∂IGi∂t。
     
    光流法的核心就是求解上式,計算得到u,v值。但是,僅用一個光流約束方程(4)不能唯一地確定 u 和 v 兩個未知量,這就是所謂的光圈問題。所以必須增加新的約束條件。
     
    1.1.2 改進的Farneback稠密光流匹配算法
    Farneback稠密光流是通過前后兩幀圖像的像素灰度信息來計算感興趣區域內每個像素點的光流信息。為了提高光流匹配的魯棒性,本文在Farneback稠密光流的基礎上進行改進,通過前后兩幀圖像經Gabor濾波后得到的相位信息來計算感興趣區域內的光流信息,根據需要采用適當圖像增強技術增強原始圖像對比度,以提取到更加明顯的相位梯度信息,算法流程如圖2所示。同時Farneback稠密光流的核心思想為假設圖像梯度恒定且假設局部光流恒定,解決了上節提到的光流光圈問題。主要理論如下:
     
    將輸入的圖像視為二維函數,以感興趣的像素點為中心構建一個局部坐標系,對函數進行二項式展開,
     
    可近似為:
     
    f(V)=VTWV+aTV+b(5)
     
    式中:V為二維列向量,V=(x,y)T;W為2×2的對稱矩陣;a為2×1的矩陣;b為標量。
     
    利用Gabor濾波器提取圖像中某像素鄰域內各像素點的相位梯度信息(鄰域通常以該像素點為中心,大小為(2n+1)×(2n+1),濾波器的初始角度θ和數量i根據需要進行調整) ,使用加權最小二乘法擬合鄰域信息得到中心像素點的六維系數r,并對式(5)進行系數化:
     
    fθ(x,y)=r1+r2x+r3y+r4x2+r5y2+r6xy(6)
     
    可得式(5)中,b=r1;a=(r2r3);W=(r4r6/2r6/2r5)。
     
    如果W是一個非奇異矩陣,那么前后兩幀的位移d=(uv)即可表示為:
     
    d=−12W−1(a2−a1)(7)
     
    式中:a1,a2表示前后兩幀某一像素點的鄰域信息組成的2×1矩陣。
     
    但是稠密光流相較于稀疏光流,計算量略大,無法滿足實際需求,因此本文通過對圖像進行下采樣操作來減少計算量,同時達到亞像素的精度,將在下節給出。
     
    1.2 金字塔亞像素匹配算法
    整像素光流匹配并不能滿足于工程實踐的精度要求,因此,需要用到光流算法內嵌的高斯圖像金字塔迭代算法實現光流的亞像素匹配。當圖像序列中存在大位移運動時,依靠金字塔迭代還可將圖像的大運動分解成符合光流計算基本假設的小運動,保證運動估計結果的準確性。
     
    金字塔分層的主要思想是采用給定的下采樣比例因子η,一般取0.5,將原始圖像分為N層,經下采樣后的一系列圖像按分辨率由低到高向下排列組成金字塔結構,如圖3所示,具體實現流程如下:
     
    首先,建立N層的圖像金字塔,gk為第k層的初始光流預測值,dk為第k層的光流計算結果,遞推過程為:
     
    gk−1=2(gk+dk),k∈(0,N−1] (8)
     
    其中,設最頂層初始光流預測值gN−1=0,dk=[ukvk],uk和vk分別為被追蹤點局部坐標中x方向和y方向的光流矢量。
     
    由遞推公式(8),從金字塔頂層(N-1層)開始往下計算,一直計算到最底層原始圖像,所跟蹤點的光流值d:
     
    d=g0+d0=∑k=0N−12kdk(9)
     
    d即為跟蹤點在兩幀間的位移值。
     
    1.3 SVR非線性位移平滑
    裂縫的形成會對結構表面位移產生干擾,造成位移的非線性分布,本文引入的支持向量回歸 ( Support Vector Regression, SVR) 算法作為支持向量機用于解決回歸問題的推廣形式,通過樣本特征空間到高維特征空間的映射,可以將低維樣本空間的非線性問題轉化為高維空間的線性問題[16],解決裂縫形成位置處非線性位移的平滑問題,具體模型如圖4所示。在統計樣本量較少的情況下,該算法依然能獲得較好的學習效果。實現流程如下:
     
    以感興趣區域內每個像素點的位移為樣本x,設樣本集為T={(xi,yi)}ni=1∈Rm×R,n為樣本數量,m為樣本維度。選取合適的用于訓練的樣本數量n之后,利用高維特征空間線性方程yi=f(xi)=⟨w,φ(xi)⟩+b,i=1,2,…,n擬合樣本集T,故ε−SVR可描述為以下最優化問題[17]。
     
    ⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪minimize    12‖w‖2+C∑i=1n(ξi+ξ∗i)subject to  ⎧⎩⎨⎪⎪yi−⟨w,φ(xi)⟩−b≤ε+ξi⟨w,φ(xi)⟩+b−yi≤ε+ξ∗iξi,ξ∗i≥0(10)
     
    式中:⟨⋅,⋅⟩為兩個向量的內積,φ(⋅)為非線性映射,將樣本特征空間映射到高維特征空間;C>0為樣本懲罰因子,ε表示不敏感系數,ξ和ξ∗分別為偏離敏感區域的大小,即松弛變量;w和b是模型參數,非線性情況下w不再被明確地給出;通過構建Lagrange函數,可以確定w及非線性回歸模型:
     
    w=∑i=1n(αi−α∗i)  φ(xi) and f(x)=∑in(αi−α∗i)K(xi,x)+b (11)
     
    式中:αi,α∗i為Lagrange乘子,K(xi,x)=⟨φ(xi),φ(x)⟩為核函數[16]。
     
    1.4 基于應變傳感器原理的應變計算
    常規的應變計算方法是利用有限元位移-應變關系直接求解應變,其都是基于數值微分的方法,由于不同于標準的應變定義,在某種程度上,這些應變轉換方法對工程師或研究人員來說不是直觀的,不能更好地反映真實的應變分布情況。
     
    目前,應變片是應用最廣泛、最受認可的應變測量傳感器。因此,本文引入的表面應變轉換方法是基于應變片原理的[15]。應變片傳感器遵循類似于應變定義的函數,通過測量電阻變化來計算應變:
     
    Kε1=ΔRR(12)
     
    式中:K是應變系數,ε1是應變計測得的應變,ΔR和R分別是電阻的變化和原始電阻。
     
    本文使用的方法遵循類似于應變片傳感器的原理,按照應變定義計算每個像素的應變:
     
    ε=ΔℓL=(ΔℓA+ΔℓB)L(13)
     
    式中:伸長長度Δℓ和原始長度L根據表面位移方法直接計算得到,應變系數是不需要的。(ΔℓA+ΔℓB)的值是敏感窗口左右兩端擴展的總和,如圖5所示。應變計
     
    算窗口的大小通常設置為普通應變片傳感器的大小,后基于有限元滑窗理論實現感興趣區域內全場應變的計算,如圖6所示。
     
    為計算不同方向的應變,本文方法可利用位移匹配算法中的二維Gabor濾波器,根據需要調整濾波器的初始角度,提取圖像序列中相應方向的相位信息,計算得到對應方向的伸長量,進而求得相應任意方向的應變,提高算法魯棒性的同時更具針對性。
     
    由于該方法是計算圖像中每個像素點的應變,為了得到與應變片傳感器相同大小的應變值,還需要對同應變片相同大小感興趣區域內的多個像素點的應變值進行平均,產生一個單一的應變值。與傳統應變片傳感器相比,該方法在位置和尺寸上更具靈活性。
     
    2 模擬應變測試
    文中所涉及精度對比均以均方根誤差RMSE來衡量,具體公式如下:
     
    RMSE=∑i=1n(σci−σti)2n−−−−−−−−√(14)
     
    式中:σci為本文方法所得應變數據,σti為用于對比的方法所得到的應變數據,n為像素點的個數。
     
    2.1 線性位移場的應變測試
    如圖7(a)所示,為原始圖像,8位灰度圖,尺寸為256×256像素,通過光繪軟件[20]對原始圖像進行位移場的施加,得到模擬變形圖像,如圖7(b)所示,施加公式如下:
     
    U(x,y)=Asin(2πxW)(15)
     
    式中:U為該像素點處的理論位移,(x,y)為目標像素點的坐標,A為模擬位移場的最大理論位移值,W為沿x方向的圖片像素寬度。
     
    式(15)對x方向求偏導可得到沿x方向正弦變化的位移場對應的理論應變場分布:
     
    σx(x,y)=A2πWcos(2πxW)=σcos(2πxW) (16)
     
    式中:σ為模擬位移場對應的最大理論應變值,取σ為0.01,對應的最大理論位移值A即為0.4pixel。
     
    在原始圖像中選取220×220像素大小的感興趣區域進行分析,如圖7(a)中ROI所示區域。利用開源DIC程序[18]分析模擬變形圖像,得到其位移應變云圖如圖7(c)、(d)所示。通過本文方法對其進行計算,得到的位移應變云圖如圖7(e)、(f)所示?梢,本文方法與傳統DIC方法所得云圖趨勢基本吻合,在精度相當的情況下,運算速度提升50%,具體對比結果見表1。
     
    2.2 非線性位移場的應變測試
    本文基于SVR算法擬合位移場,能夠很好地解決裂縫形成位置處非線性位移的平滑問題,得到更加明顯的開裂趨勢。圖8中原始圖像取自國際試驗力學協會(Society for Experimental Mechanics,SEM)官網開源數據“sample13”中的第0、40、180、240幀,由于即將開裂,對應開裂區域會出現非線性的位移分布情況,筆者通過對600×600像素大小的感興趣區域進行分析計算,以驗證本文方法的可行性。
     
    用于訓練SVR模型的數據集大小影響著擬合效果、運算速度和精度,本次測試采用10×10個像素的數據集大小,以得到對應幀的Exx、Eyy云圖。
     
    所用開源數據是在理想環境條件下進行試驗得到的,對于傳統DIC方法的分析計算并沒有產生較大影響,因篇幅原因,這里僅展示了本文方法所得到的應變云圖效果如圖9所示?梢,本文方法能夠清晰地展示即將開裂區域的應變集中現象,兩種方法的運算速度及精度對比具體見表2。
     
    3 現場應變測試
     
    3.1 板材拉伸試驗
    3.1.1 試驗設計
    實驗室對Q235板材進行拉伸以驗證本文方法對于擬靜態應變測試的準確性。拉伸試樣尺寸:厚度2mm,中間寬度20mm,中間長度120mm,夾持端寬度35mm,總長270mm。采用工業相機以30FPS的幀率進行拍攝,圖像像素大小為1920×1080像素。采用應變片傳感器測量試樣預定位置處的應變時程,應變片的連接方式采用1/4橋接法,在板材的預定位置采用502膠和AB膠以應變花方式粘貼工作應變片,應變采集儀每個通道的應變采集頻率與工業相機同步。試驗所用到的設備型號及數量見表3。
     
    為了簡化計算,實驗室相機擺放位置與待測位置處于同一水平線,且用于分析的感興趣區域較小,無需對相機進行標定。應變花粘貼方式及整個試驗設備系統如圖10所示。
     
    為了驗證本文基于視覺的測量方法優于傳統應變片的測量方法,并考慮到試件屈服造成應變片脫落等不確定性因素,根據加載機制的不同,分成兩種工況對板材進行拉伸,具體試驗工況見表4。
     
    3.1.2 結果分析
    試驗中數據的處理均在AMD Ryzen7 4800H、CPU頻率為2.90 GHz的計算機上實現。由于應變片粘貼和測量范圍的局限性,鋼板在拉伸過程中發生較大變形時,應變片會發生脫落現象而失去工作能力,不能用于后期應變的持續測量。經反復試驗,當表面應變達到2%左右時,應變片便失去了工作能力,但是本文基于視覺的非接觸式測量方法可以進行持續測量,直到板材板被拉斷,筆者用工況1來說明此問題。圖11(a)為應變片還處于工作狀態時測得的沿縱向的應變時程與本文方法測得的應變時程對比圖,當應變片脫離工作狀態時本文方法仍可繼續進行測量,直到試件最終斷裂,得到其斷裂應變約為28%。
     
    當調整Gabor濾波器的初始角度為0°、45°、90°時,本文方法可分別計算得到沿水平向、45°傾向和豎直向的表面應變值,與應變花測得的對應方向的應變時程對比效果如圖11(b)所示,由于粘合劑的存在,加載初期應變片所測應變有所被抑制,且三個方向的應變片處于一個聯立狀態,導致擬合后的對比均方根誤差有所擴大,如表5所示,本文僅對比應變片還處于工作時所得到的應變數據。
     
    應變片傳感器的測量原理只能用于測量試件的工程應變,本文基于視覺的方法對試件在任何一個微小時間段內的瞬時伸長都能夠精準把控,可測量試件的真實應變,筆者采用工況2來說明此問題。由于試驗機輸出的負荷時程曲線僅對于縱向拉伸而言,筆者在這里只進行了縱向拉伸應變的對比。當試件即將發生屈服時,應變片失去工作能力,而本文方法精確捕捉到了試件屈服時真實應變的一個變化趨勢,且能進行持續測量,如圖12所示。試件屈服前,本文方法與應變片傳感器測得的應變時程趨勢吻合較好,擬合后的具體
     
    誤差為0.88%。而對于傳統DIC方法,由于現場光照條件和未繪制人工散斑,無論是對工況1還是工況2都不能進行精確地匹配計算,如表5所示。
     
    3.2 模型橋激振試驗
    為了驗證本文方法是否能夠應用于環境條件多變的現場和對于微小應變測試的準確性,特在室外進行了一次驗證試驗。試驗所用模型橋是一座單跨簡支人行玻璃橋,橋面長10m,寬1.6m[21]。采用工業相機以30FPS的幀率進行拍攝,應變片同樣采用1/4橋接法進行連接,應變采集儀每個通道的應變采集頻率與工業相機同步,所用到的設備以及型號和數量見表6。
     
    為了使測量位置處有較明顯的應變變化,通過激振器對模型橋施加以正弦波外部激勵,輸入的正弦波頻率為模型橋的共振頻率4.0Hz,振幅為8VPP。粘貼應變片位置與試驗平臺如圖13所示。
     
    由于篇幅原因,這里只展示了四分之一橋A點和跨中C點的應變時程曲線,如圖14所示,與傳統方法測得的應變時程曲線在形狀和趨勢上基本一致。經計算,本文方法所得到的應變計算結果與應變片傳感器所得到的應變測量結果對比的均方根誤差在四分之一橋A點為1.87%,跨中C點為1.50%。由于應變片的粘貼問題和結構內外表面的差異,以及現場環境的復雜使本文方法計算結果對比的誤差相較于實驗室結果對比的誤差,有了明顯的下滑,兩種方法所得曲線的峰值雖略有差異,但仍符合工程測量的精度要求。
     
    4 結論
    針對可達性差的大型工程結構表面現場應變的魯棒監測,本文提出一種基于相位的稠密光流匹配和支持向量回歸平滑的結構表面應變監測方法,具有非接觸、遠距離監測的特點。
     
    1)所采用的光流算法相較于傳統的模板匹配算法在運算速度方面有較大優勢,且通過二維Gabor濾波對原始圖像進行預處理,提取相應的相位信息用于Farneback稠密光流的匹配,提高了光流的魯棒性。
     
    2)引入支持向量回歸平滑技術,解決了即將開裂區域非線性位移場的平滑問題;位移場到應變場的計算,采用類似于應變傳感器原理的方法,為工程師和研究人員提供了更直觀的應變計算方法。
     
    3)通過模擬測試和現場測試驗證了本文方法的魯棒性和運算速度等優勢,均得到了較好的應變測試結果。模擬測試的應變誤差均小于0.20%,運算速度相較傳統DIC技術提升50%;板材拉伸試驗和模型橋激振試驗計算得到的應變對比誤差也都小于2.00%,可見,本文方法具有一定的工程應用價值。
     
    參考文獻
    [1] 葉肖偉, 張小明, 倪一清,等. 基于機器視覺技術的橋梁撓度測試方法[J].浙江大學學報(工學版),201448(5):813-819. (YE Xiaowei, ZHANG Xiaoming, NI Yiqing, et al. Bridge deflection measuremet method based on machine vision technology[J].Journal of Zhejiang University (Engineering Science),2014,48(5): 813-819. (in Chinese)),
    [2] 周穎, 張立迅, 劉彤,等. 基于計算機視覺的結構系統識別[J].土木工程學報,2018,51(11):17-23. (ZHOU Ying, ZHANG Lixun, LIU Tong, et al Structural system identification based on computer vsion [J]. China Civ-il Engineering Journal, 2018,51(11):1723. (in Chinese))
    [3] 朱前坤, 陳建邦, 張瓊,等. 基于計算機視覺人行橋撓度影響線非接觸式識別[J].工程力學,2021,38(8) : 145-153. (ZHU Qiankun, CHEN Jianbang, ZHANG Qiong, et al. A non-contact recognition for deflection influence line of footbridge based on computer vision[J]. Engineering Mechanics, 2021,38(8):145-153. (in Chin-ese))
    [4] SUN G, LI W, LUO Q, et al. Modal identification of vibrating structures using singular value decomposition and nonlinear iteration based on high-speed digital image correlation[J]. Thin-Walled Structures,2021, 163:107377.
    [5] PAN B, DAFANG W, YONG X. Incremental calculation for large deformation measurement using reliability-guided digital image correlation[J]. Optics and Lasers in Engineering, 2012,50(4):586-592.
    [6] LEWIS J P. Fast Normalized Cross-Correlation[J]. Circuits Systems &amp; Signal Processing, 1995,82(2):144-156.
    [7] KAI L, TONG W, PAN B. Fast, Robust and Accurate Digital Image Correlation Calculation Without Redund-ant Computations[J]. Experimental Mechanics, 2013,53(7):1277-1289.
    [8] BRUCK H A, MCNEILL S R, SUTTON M A, et al. Digital image correlation using Newton-Raphson method of partial differential correction[J]. Experime-ntal Mechanics, 1989, 29(3):261-267.
    [9] 晏班夫, 李得睿, 徐觀亞,等. 基于快速DIC與正則化平滑技術的結構形變測試[J]. 中國公路學報,2020,33 (9):193-205. (YAN Banfu, LI Derui, XU Guanya, et al. Structural Deformation Test Based on Fast Digital Image Correlation and Regularized Smoothing Techniques China Journal of Highway and Transport. 2020,33(9):193-205. (in Chinese))
    [10] 葉肖偉,董傳智. 基于計算機視覺的結構位移監測綜述[J].中國公路學報,2019,32(11):21-39. (YE Xiaowei, DONG Chuanzhi. Review of Computer Vision-based Structural Displacement Monitoring J China Journal of Highway and Transport. 201932(11):21-39. (in Chinese))
    [11] GAUTAMA T, VAN HULLE M A. A phase-based approach to the estimation of the optical flow field using spatial filtering[J]. IEEE Transactions on Neural Networks, 2002, 13(5):1127-36.
    [12] PAN B, ASUNDI A, XIE H, et al. Digital image correlation using iterative least squares and pointwise least squares for displacement field and strain field measurements[J]. Optics and Lasers in Engineering, 2009,47(7-8):865-874.
    [13] XIN L, FANG G, ZHAO J, et al. Random Error in Strain Calculation using Regularized Polynomial Smoothing (RPS) and Point-wise Least Squares (PLS) in Digital Image Correlation[J]. Optics and Lasers in Engineering, 2021,142:106590.
    [14] ZHAO J, SONG Y, WU X. Fast Hermite element method for smoothing and differentiating noisy displacement field in digital image correlation[J]. Optics and Lasers in Engineering, 2015, 68(may):25-34.
    [15] LUO L, FENG M Q, WU J, et al. A vision‐based surface displacement/strain measurement technique based on robust edge‐enhanced transform and algorithms for high spatial resolution[J]. Structural Control &amp; Health Moni-toring, 2021,28(9).
    [16] AJ Smola†, BS Lkopf‡. A tutorial on support vect-or regression[J].Statistics and Computing,2004,14(3):199-222.
    [17] 賴少發,劉華軍. 機動目標跟蹤支持向量回歸學習新方法[J].南京理工大學學報,2017,41(2):264-268. (LAI Shaofa, LIU Huajun. Novel approach in maneuver-ing target tracking based on support vector regression [J].Journal of Nanjing University of Science and Tec-hnology, 2017, 41(2):264-268. (in Chinese))
    [18] BLABER J, ADAIR B, ANTONIOU A. Ncorr: Open-Source 2D Digital Image Correlation Matlab Software[J]. Experimental Mechanics, 2015, 55(6):1105-1122.
    [19] DAUGMAN J G. Uncertainty relation for resolution in space, spatial frequency, and orientation optimized by two-dimensional visual cortical filters[J]. Journal of the Optical Society of America A Optics &amp; Image Science, 1985, 2(7):1160-9.
    [20] 蘇勇, 高越, 郜澤仁,等. 光繪:自由開源的數字散斑圖像生成和評價軟件[J].實驗力學,2021,36(1):17-28.(SU Yong, GAO Yue, GAO Zeren, et al. Glare: a free and open source software for generation and assesssment of digital speckle pattern. (in Chinese))
    [21]朱前坤,馬法榮,張瓊,等.行人結構豎向動力耦合效應試驗研究[J] .建筑結構學報, 2020,41(11):125-133. (ZHU Qiankun, MA Farong. ZHANG Qiong, et al. Experimental study on vertical dynamiccoupling effect of pedestrian-structure [J] . Journal of Building Struc-tures, 2020. 41(11): 125-133. (in Chinese))
     
    上一篇:試驗用監控系統數據采集方法的探討
    下一篇:沒有了

    在線客服:

    文閱期刊網 版權所有   

    【免責聲明】:所提供的信息資源如有侵權、違規,請及時告知。

    專業發表機構
    辽宁熟妇高潮45分钟,午夜乱码在线观看不卡,欧美成人午夜福利小视频
    <code id="gkkii"><object id="gkkii"></object></code>
    <bdo id="gkkii"><noscript id="gkkii"></noscript></bdo>
  • <menu id="gkkii"><center id="gkkii"></center></menu>