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

技术领域

本发明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。

背景技术

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。

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。

为解决上述问题，本发明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生成样本数据集，通过麻雀搜索算法(sparrow search algorithm，SSA)实现广义回归神经网络(generalizedregression neural network，GRNN)光滑因子的寻优，构建SSA-GRNN索力预测模型，最后将获取的频率信息输入到模型中进行索力识别。

发明内容

本发明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。

为实现上述目的，本发明采用如下技术方案：

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：

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；

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；

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；

步骤4、重复步骤3，识别各ROI的拉索自振频率；

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：

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K

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，，K

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(f

Kv-ω

式中，刚度矩阵K＝K

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：

步骤6.1、样本数据集生成后，将(l,m,f

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；

式中T

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，

式中

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；

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。

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。

在本发明的一实施方式中，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。

在本发明的一实施方式中，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。

在本发明的一实施方式中，所述步骤5中，线性刚度矩阵K

式中Q＝αn

非线性刚度矩阵K

K

式中

本发明的第二个目的是提供一种基于计算机视觉的复杂边界条件下索力检测装置，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算机程序，所述处理器用于执行所述计算机程序时实现上述所述的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的步骤。

本发明的第三个目的是提供一种计算机可读存储介质，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。

与现有技术相比，本发明有益效果如下：

1、本发明方法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，其中对低阶频率的识别精度较高，对高阶频率的识别精度可以满足工程要求，同时消除了接触式传感器附加质量对拉索振动频率的影响。

2、在SSA-GRNN索力预测模型的训练过程中，采用有限差分法生成样本数据集，既保证了数据准确性，又提高了数据生成效率，同时可以根据实际参数情况调整数据范围，泛用性高。

3、相较于传统索力计算公式，通过SSA-GRNN建立频率与索力之间的非线性关系并进行索力识别的方法，无需精准测量个别参数，适用范围更广，简单便捷。

4、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，可以实现拉索多点同步测量，有利于提高对具有复杂边界条件的拉索索力的识别精度。此外，该方法也可以通过一个视频识别多根拉索索力，为传统索力测试方法提供了一个可替代方案。

附图说明

图1为本发明方法步骤流程图；

图2为拉索振动基于相位的运动放大效果；

图3为ROI示意图；

图4为拉索边界识别效果；

图5为ROI-1拉索振动位移时程图；

图6为ROI-1拉索位移频谱图；

图7为SSA迭代收敛曲线；

图8为GRNN回归拟合图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

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，主要分为两部分，第一部分是通过机器视觉识别拉索自振频率；第二部分是通过建立GRNN确定拉索频率和索力的对应关系；具体步骤如下：

第一部分：

步骤1、拍摄工作：在桥上某处布置摄像机，用以记录拉索振动过程。

步骤2、将视频中拉索的微小振动进行基于相位的运动放大。

步骤2.1、将视频灰度变换。将视频灰度变换有利于提高机器视觉技术处理图像的效率。

步骤2.2、选择合理的频率范围和放大系数，采用基于相位的运动放大算法放大视频中拉索的微小振动。为了针对拉索特定频率范围内的运动进行放大，需要选择低频和高频截止频率。合理的频率范围划分有利于在现场环境中去除噪声，从而更准确的识别频率。

步骤2.2中的放大因子，如果放大因子过小，则不能起到运动放大的作用；放大因子过大，易造成图像模糊，不利于后续拉索边界的亚像素定位。因此，为产生足够的放大倍数，同时最大限度减少图像模糊，需通过比较振动视频在不同放大系数下的运动放大效果，来设置放大因子的取值。

步骤3、为避免视频中其他物体边缘对拉索边缘识别造成影响，在放大后的视频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)。

步骤4、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。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。

步骤5、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。实际使用时，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。

步骤6、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。

步骤7、重复步骤4-6，识别各ROI的拉索自振频率。

第二部分：

步骤8、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：

步骤8.1、拉索参数包括长度l、线密度m、索力T、抗拉刚度EA、抗弯刚度EI、倾角以及转动约束刚度K

步骤8.2、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，要求待测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，，K

具体实施方式中，尽可能保证待测索力处于索力生成范围中心位置，有利于减少索力识别误差；需注意避免待测索力超出索力范围，因为一旦索力超限，SSA-GRNN索力预测模型将会失效。

步骤8.3、r组数据代表r根拉索，将各组数据代入拉索模态方程的有限差分形式，如式(1)所示，求解每组拉索的前k阶频率，形式为(f

Kv-ω

式中刚度矩阵K＝K

式中Q＝αn

K

式中

质量矩阵M＝diag{m

步骤9、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：

步骤9.1、样本数据集生成后，将(l,m,f

式中T

步骤9.2、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，

式中

创建了一个训练完成、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。

步骤10、将已知参数索长l、线密度m以及第一部分中基于机器视觉识别的拉索频率信息输入到第二部分获得的SSA-GRNN索力预测模型中，完成索力识别。

实施例1

选取某钢绞线作为试验拉索进行试验。拉索具体参数如下：长度为3m，线密度为0.123kg/m，直径为5mm，弹性模量为1860MPa。用弹簧夹约束拉索两端以模拟复杂边界，采用加载重物的方式提供索力，加载重物为60kg。作为对照验证，在拉索左端安装加速度计，以200kHz的采样频率采集加速度，其中，为了避免加速度计重量对拉索振动的影响，将加速度计安装在钢绞线的末端。通过手动随机锤击进行垂直激励，测量了索的平面内自由振动。

步骤1、拍摄工作：本次试验使用海康机器视觉相机MV-CA016-10UM记录拉索振动，视频采集格式为1440×1080像素分辨率，帧率为100fps。

步骤2、将视频中拉索的微小振动进行基于相位的运动放大。

步骤2.1、将视频灰度变换。

步骤2.2、选择10-40Hz频率范围进行运动放大。放大因子需根据实际放大效果进行，为产生足够的放大倍数，同时最大限度减少图像模糊，通过对比放大后的效果，如图2所示，最终将放大因子设置为10。

步骤3、为避免视频中其他物体边缘对拉索边缘识别造成影响，在放大后的视频中选定5个待追踪位移的拉索局部图像作为感兴趣区域(region of interest,ROI)，如图3所示。

步骤4、通过考虑局部面积效应的亚像素边缘定位算法获取ROI-1中拉索边界亚像素级位置，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，如图4所示。

步骤5、视频中拉索横向布置，为上下振动，计算后续帧拉索边界相对于初始帧的距离，从而获取ROI-1拉索的振动位移时程，如图5所示。

步骤6、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，如图6所示。

步骤7、重复步骤4-6，识别ROI-2～5的拉索自振频率，以及作为对照验证的加速度计识别的拉索自振频率，结果如表1所示。

表1拉索自振频率

步骤8、建立SSA-GRNN索力与测测模型。

步骤8.1、将拉索参数划分为已知参数和未知参数。该钢绞线长度l和线密度m设为已知参数，抗拉刚度EA、抗弯刚度EI、倾角以及转动约束刚度K

步骤8.2、针对各未知参数，分别设置一个合适的取值范围。在该过程中，尽量保证拉索真实参数在取值范围之内，各参数取值范围与表2所示。在该范围内，共建立2000组样本数据集，具体形式为(l，m，T，EA，EI，，K

表2拉索参数范围

步骤8.3、将生成的样本数据集代入式(1)中，求解2000组拉索的前三阶频率(f

在工程实际应用中，高阶频率的获取受到一定限制，如视频帧率，采集频率等，因此选择前三阶频率作为神经网络模型的输入。

步骤8.4、数据集生成后，将(l,m,f

步骤8.5、SSA找到最优光滑因子后，将其输入到GRNN中并进行索力预测模型训练，SSA-GRNN索力预测模型对预测集的预测，如图8所示。计算测试集的误差统计指标来分析该模型的预测效果，其中，相关系数R为0.99904，MAPE为0.0353％，表明该SSA-GRNN索力预测模型的预测效果良好，可以进一步应用于实际索力识别。

步骤9、将已知参数索长l、线密度m以及基于机器视觉识别的前三阶频率信息输入到SSA-GRNN索力预测模型中，即可完成索力识别，具结果如表3所示。

由表3可知，相较于机器视觉，加速度计识别的频率普遍较低，造成此现象的原因是加速度计的附加质量对拉索振动频率产生一定影响。

由图3可知，ROI-1的位置与加速度计相距较近，因此通过比较二者识别的频率，来验证基于机器视觉的频率识别方法的准确性。二者识别的一阶频率高度一致，二阶频率和三阶频率存在一定误差，最大误差为0.3％。结果表明，基于机器视觉的频率识别方法对低阶频率的识别精度较高，对高阶频率的识别精度可以满足工程要求。

加速度计法识别的索力误差为3.0％，而综合基于机器视觉获取的5个ROI频率信息来识别的索力，误差相对较低，仅为1.3％。结果表明，针对具有复杂边界条件的拉索，斜拉索视觉全域测试与索力精准识别方法实现了多点同步测量，可以同时识别拉索多个区域的频率，在此基础上识别的索力，误差低于传统接触式加速度计的单点测量方法，具有较高精度。

表3索力识别结果

以上显示和描述了本发明的基本原理和主要特征及优点，尽管本发明专利的实施方案已公开如上，但其并不仅仅局限于说明书和实施方式中所列的应用，它可适用于本发明专利所适用的多个领域，对于熟悉本领域的人员而言，可容易地实现另外的修改。因此，在不背离权利要求及等同范围所限定的一般概念下，本发明专利并不限于特定的细节和这里示出与描述的图例。