一种高层建筑变形测量方法

技术领域

本发明属于建筑工程领域，更具体的说是一种高层建筑变形测量方法。

背景技术

随着经济快速发展和城市化建设的加快，我国高层建筑数量也随之快速增加，根据最新建筑调研报告显示，中国拥有150米以上的高层建筑2581座，其中200米以上的有861座，300米以上的超高层建筑99座，三项指标均保持全球第一，中国已然成为世界高层建筑建设的领跑者。在现代化城市建设过程中，无论是住宅建筑还是办公建筑，高层建筑数量占比极大。然而，高层建筑物耗资多，占地面积大，服役时间长，对耐用性要求较高。随着高层建筑物的增高和荷载的增加，在地基基础和上部结构的共同作用下，建筑物更容易发生不均匀沉降，并出现楼体倾斜或裂缝等结构损伤。同时，高层建筑的拆除费用极其高昂，因此监则和诊断超高层结构的健康状况，对可能出现的结构损伤进行预测，提升高层建筑使用寿命具有非常重要的现实意义，高层建筑的智能化管养维护将会为节能减排做出重要贡献。

目前，针对建筑结构的监测系统仍然以传统的传感器设备为主，如应变计、加速度传感器、位移计、裂缝计等，采用接触式测量的方式，这对于处于运营状态下的高层建筑来说，需要大量的设备安装和线路铺设工作，施工难度较大，同时系统建设成本较高(传感器监测系统动辄几十万，复杂系统高达上百万)。同时，在复杂监测环境下，传感器设备一旦出现故障，后期管养维护也十分繁琐。因此，本申请提出了一种高层建筑变形测量方法，采用非接触式测量方法，可以实现建筑结构关键位置变形和损伤破坏识别，并且利用高清工业相机(3-5千元一台)进行数据采集、单个相机可以实现全场多点测量，在保证测量精度的同时，大大降低了系统建设成本。

发明内容

为解决上述技术问题，本发明提出了一种高层建筑变形测量方法，利用机器视觉视觉设备采集结构变形和损伤的数据，利用无线传输进行数据传输，避免了大量的线路铺设工作，大大降低了监测系统建设成本；利用数据融合方法基于结构变形数据与损伤分析结果建立量化评估指标，进一步建立高层建筑结构安全评估体系；设置建筑安全预警阈值，实现自动化预警与报警，为高层建筑管理维护的提供辅助决策，保障城市高层建筑运营安全，助力智慧城市建设与发展。

为实现上述目的，本发明采取的技术方案是：

一种高层建筑变形测量方法，其特征在于：包括如下步骤：

S01、根据建筑结构设计施工资料和现场实际情况确定建筑变形监测方案：

根据待监测建筑的结构设计和现场实际情况，选择重点监测的关键节点作为位移监测的测点，根据建筑整体外形特征选择建筑外立面边缘作为倾斜监测点，

建筑变形监测包括：建筑结构的变形监测和结构局部损伤破坏与结构整体性变形监测，根据测点和倾斜监测点的监测确定建筑变形监测方案，其中，建筑上已经出现破损的构件或区域作为优选测点和监测点；

S02、利用视觉设备获取采集建筑结构图像数据：

首先，根据已确定的监测方案设计布置视觉设备，覆盖待监测区域，并在关键节点位置粘贴或涂刷识别标记，或利用结构自有特征作为标记，采集建筑结构在运营状态下的视频；然后，利用无人机对建筑结构外立面图像进行全方位采集，利用机器学习方法自动化识别结构表面损伤，并建立建筑结构三维分析模型；

S03、利用多种机器视觉测量算法对关键节点位移、结构倾斜变形、局部破坏损伤和整体形态变化进行测量与识别:

首先，利用特征点识别方法对关键节点处的人工粘贴或涂刷的识别标记和建筑自有识别标记进行识别，通过坐标差值计算获取结构在该位置的位移；然后，利用边缘检测方法对建筑外轮廓线进行识别，基于霍夫直线检测方法提取边缘直线角度；其次，利用机器学习方法对采集的结构局部损伤图片进行学习，自动化识别判断损伤类型，并定量化分析损伤程度；最后，利用多角度的建筑图片建立建筑结构的三维点云模型，获取结构各个位置的三维空间坐标，通过定期拍摄获取结构在长期运营状态下的三维位移；

特征点识别方法包括如下步骤：

S031、进行感兴趣区域划分，即在整张图像中划分出需要监测的关键位置所在区域，通过不同区域划分可以实现多点同步测量，感兴趣区域尺寸大于标记尺寸，取标记尺寸的150％；

S032、在完成图像的感兴趣区域划分后，进一步提取出感兴趣区域内的局部特征，局部特征提取的方法采用了具有加速性能的AKAZE特征提取方法，首先基于非线性扩散滤波和快速显式扩散方法构建非线性尺度空间，非线性扩散滤波可以通过非线性偏微分方程来描述：

其中，c(x,y,t)为传导函数，L为图像亮度，t为不同尺度，

采用快速显示扩散方法逼近微分方程获得近似解，通过对n个显示扩散方程采用改变步长τ的方式进行循环进行求解，扩散方程可以描述为：

其中，τ表示时间步长，A(L

S033、在非线性尺度空间构建后，利用改进的局部差分二值(M-LDB)描述子对局部特征进行描述，首先把图像分为a×a个网格单元，计算每个网格单元的一阶梯度和灰度，获取网格单元内部如边缘大小和方向等信息；然后，把图像再划分为b×b个网格单元(b＝0.5a)，计算每个网格单元的一阶梯度和灰度，获取网格单元内部如边缘大小和方向等信息；最终，利用二值化处理构建出二值描述向量；

S034、在构造出代表图像特征的二值向量后，通过计算各个尺度下Hessian局部极大值点进行特征点的定位，最终生成特征描述子，为保证后续特征匹配及误匹配剔除方法应用时，特征点个数不少于7个，在计算出特征点后，对图像检测质量进行判断，当特征点数量小于7个时，图像判定为无效；

S035、在检测出图像的特征点后，利用FLANN算法库对产生变形图像前后对应位置的特征点进行匹配，进一步利用优先搜索k-means树算法对图像进行匹配，FLANN算法在使用时需要确定使用的方法和遍历次数，遍历次数根据感兴趣像素尺寸进行确定，图像尺寸越大，遍历次数相应减少，计算效率和计算精度描述为：

其中，h和k分别代表感兴趣区域的水平和垂直尺寸，Num为遍历次数，在图像特征检测过程中，感兴趣区域尺寸不小于20*20pixels；

S036、进一步利用MAGSAC算法对完成的匹配结果进行验证，在获得正确的匹配结果之后，进一步提取出匹配特征点的坐标信息，一是求解出不同特征点的变形位移，进一步建立感兴趣区域内的位移场，即显示区域内不同位置特征点的位移数据；二是通过求解所有特征点位移的平均值进而判断区域局部位移变化；

S037、对基于图像方法获取的位移数据进行频谱分析，获取结构在关键节点的振动频率值；

边缘检测方法包括如下步骤：

S0311、根据结构特点在建筑边界处选择边缘清晰的区域作为感兴趣区域(分析区域)；

S0312、采用边缘检测算法提取出建筑的边界特征；

S0313、利用直线拟合方法对边缘检测结果即二值图像进行拟合，获取边缘直线的表达形式如公式1所示；

S0314、根据直线表达形式获取直线斜率，通过斜率值求解倾斜角度θ：

y＝ax+b(4)

θ＝arctan(a)(5)；

S0314、利用深度学习方法将无人机采集的建筑结构局部损伤图像进行训练学习，对损伤的类型进行分类识别；

S0315、在结构表面病害实现自动识别分类后，利用二值化方法进一步提取出建筑表面损伤的轮廓，并根据像素点所占面积，即感兴趣区域内像素点数计算损伤实际面积；

S04、基于建筑变形测量数据建立建筑结构安全评估体系：

根据建筑结构设计资料获取结构允许变形值，基于监测数据设置结构变形及损伤评价指标，通过打分机制量化评价指标，结构的位移、频率和倾斜角度值以设计允许值为基础，超过允许值相应比例，则基于该指标的结构危险分数用100乘以对应比例值；频率与倾斜角度值以此类推，结构的位移为三维位移，即三个方向的位移，在分别计算三个方向的危险分数时，取三个方向的最大危险分数作为位移值的危险分数，而基于表面损伤的危险分数则按照损伤面积占建筑结构外立面墙体面积的比例进行计算，即用100乘以对应比例值；

根据各分项指标计算出的结构危险分数，基于各指标对应的权重系数计算结构的安全分数S，计算公式如下：

其中，w1为位移指标的权重系数，a1为基于位移指标的结构危险分数；w2为频率指标的权重系数，a2为基于频率指标的结构危险分数；w3为倾斜角度指标的权重系数，a3为基于倾斜角度指标的结构危险分数；w4为表面损伤指标的权重系数，a4为基于表面损伤指标的结构危险分数；w1,w2,w3,w4,权重系数之和为1；

S05、设置建筑变形及损伤预警阈值，对异常情况进行及时预警：

当结构的安全分数小于等于100大于90时，安全等级为一级，结构处于正常状态；结构的安全分数小于等于90大于80时，安全等级为二级，结构需加强监测；结构的安全分数小于等于80大于70时，安全等级为三级，结构在加强监测的同时，需人工进行鉴定；结构的安全分数小于等于70大于60时，安全等级为四级，结构在加强监测的同时，人工进行鉴定，并开展专项人工检测；结构的安全分数小于60时，安全等级为五级，立刻管理建筑结构，禁止运营，同时需要立刻开展专项人工检测，并进行维修加固，其中，当单个评价指标的危险分数大于等于100时，结构安全等级直接判定为五级，即位移、振动、倾斜角度的偏差值超过设计允许值的100％，表面损伤面积占外立面墙体面积的100％。

作为本发明的优选技术方案：在步骤S01中，建筑结构的变形监测包括关键节点的位移、振动和建筑整体倾斜监测，倾斜监测点选择建筑结构呈现线性的边缘位置。

作为本发明的优选技术方案：在步骤S01中，选择重点监测的关键节点作为位移监测的测点，优选承载力较大的横向和竖向构件。

作为本发明的优选技术方案：在步骤S02中,根据确定的测点位置及区域安装长期性监测的视觉设备，视觉设备为相机，相机布置位置及数量要求需使得相机的时域范围能够完全覆盖测量方案中确定的待监测位置及区域。

作为本发明的优选技术方案：在步骤S02中,在关键节点位置粘贴或涂刷识别标记时，优选位置纹理特征对比度高的地方作为关节点进行粘贴或涂刷识别标记。

作为本发明的优选技术方案：在步骤S02中,利用无人机对建筑结构外立面图像进行全方位采集时，采集建筑上的局部损伤的图片和建筑结构整体图片。

与现有技术相比，本发明的有益效果为：

1、本发明利用多种机器视觉方法获取建筑结构变形及损伤，相较于传统传感器方法，可以实现全场、多点测量，具有较高的测量效率；

2、本发明面向建筑变形监测的需求，提出了具有针对性的特征点检测方法，建立了AKAZE-FLANN-MAGSAC的特征点检测和匹配技术路线，能够实现高精度、高效率的特征点匹配识别，并对特征检测过程中的非线性滤波扩散的偏微分方程求解、特征点检测图像质量评价和算法遍历次数计算进一步优化和改进，为建筑结构位移测量提供针对性和确定性的解决思路；

3、本发明建立了结构变形及损伤评估的量化指标，如结构损伤面积的定义、结构位移偏差评定，并进一步建立了安全评估体系，可以实现异常情况的及时识别与预警，实现了智能化监测。

附图说明

图1为本发明的整体流程图；

图2为本发明中建筑变形及损伤测量方案示意图；

图3为本发明中变形及损伤数据采集过程示意图；

图4为本发明中建筑结构变形及损伤分析过程示意图；

图5为本发明中感兴趣区域划分示意图；

图6为本发明中基于深度学习的表面损伤识别分析流程图；

图7为本发明中表面损伤定量化分析示意图；

图8为本发明中结构安全评估及预警过程图；

图9为本发明中不同结构评价指标权重系数表格图；

图10为本发明中建筑结构安全评价体系表格图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

如图1-10所示：本发明提出了一种高层建筑变形测量方法，包括如下步骤：

S01、根据建筑结构设计施工资料和现场实际情况确定建筑变形监测方案：

根据待监测建筑的结构设计和现场实际情况，选择重点监测的关键节点作为位移监测的测点，根据建筑整体外形特征选择建筑外立面边缘作为倾斜监测点，

如图2所示，建筑变形监测包括：建筑结构的变形监测和结构局部损伤破坏与结构整体性变形监测，根据测点和倾斜监测点的监测确定建筑变形监测方案，其中，建筑上已经出现破损的构件或区域作为优选测点和监测点；

S02、利用视觉设备获取采集建筑结构图像数据：

首先，根据已确定的监测方案设计布置视觉设备，覆盖待监测区域，并在关键节点位置粘贴或涂刷识别标记，或利用结构自有特征作为标记，采集建筑结构在运营状态下的视频；然后，利用无人机对建筑结构外立面图像进行全方位采集，采集建筑上的局部损伤的图片和建筑结构整体图片，如图3所示，利用机器学习方法自动化识别结构表面损伤，并建立建筑结构三维分析模型；

S03、利用多种机器视觉测量算法对关键节点位移、结构倾斜变形、局部破坏损伤和整体形态变化进行测量与识别:

首先，利用特征点识别方法对关键节点处的人工粘贴或涂刷的识别标记和建筑自有识别标记进行识别，通过坐标差值计算获取结构在该位置的位移，如图4所示；然后，利用边缘检测方法对建筑外轮廓线进行识别，基于霍夫直线检测方法提取边缘直线角度；其次，利用机器学习方法对采集的结构局部损伤图片进行学习，自动化识别判断损伤类型，并定量化分析损伤程度；最后，利用多角度的建筑图片建立建筑结构的三维点云模型，获取结构各个位置的三维空间坐标，通过定期拍摄获取结构在长期运营状态下的三维位移；

特征点识别方法包括如下步骤：

S031、进行感兴趣区域划分，即在整张图像中划分出需要监测的关键位置所在区域，通过不同区域划分可以实现多点同步测量，为了保证局部特征的准确识别，感兴趣区域尺寸大于标记尺寸，取标记尺寸的150％，如图5所示；

S032、在完成图像的感兴趣区域划分后，需要进一步提取出感兴趣区域内的局部特征，由于建筑结构的位移测量需要同步考虑保证测量的及时性和准确性，因此需要保证算法的计算速度和稳定性，为了达到这一效果。局部特征提取的方法采用了具有加速性能的AKAZE特征提取方法，首先基于非线性扩散滤波和快速显式扩散方法构建非线性尺度空间，非线性扩散滤波可以通过非线性偏微分方程来描述：

其中，c(x,y,t)为传导函数，L为图像亮度，t为不同尺度，

由于非线性扩散滤波中的偏微分方程没有解析解，因此采用快速显示扩散方法逼近微分方程获得近似解，通过对n个显示扩散方程采用改变步长τ的方式进行循环进行求解，扩散方程可以描述为：

其中，τ表示时间步长，A(L

S033、在非线性尺度空间构建后，利用改进的局部差分二值(M-LDB)描述子对局部特征进行描述，为了进一步提升算法的精度，首先把图像分为a×a个网格单元，计算每个网格单元的一阶梯度和灰度，获取网格单元内部如边缘大小和方向等信息；然后，为了进一步提升方法准确性，把图像再划分为b×b个网格单元(b＝0.5a)，计算每个网格单元的一阶梯度和灰度，获取网格单元内部如边缘大小和方向等信息；最终，利用二值化处理构建出二值描述向量；

S034、在构造出代表图像特征的二值向量后，通过计算各个尺度下Hessian局部极大值点进行特征点的定位，最终生成特征描述子，特征点检测结果如图4所示，为保证后续特征匹配及误匹配剔除方法应用时，特征点个数不少于7个(需要构建非线性匹配)，因此，计算出特征点后，应当对图像检测质量进行判断，在计算出特征点后，对图像检测质量进行判断，当特征点数量小于7个时，图像判定为无效；

S035、在检测出图像的特征点后，利用FLANN算法库对产生变形图像前后对应位置的特征点进行匹配，FLANN算法在使用时需要确定使用的方法和遍历次数，这会进一步影响结果的准确性和计算效率，由于建筑结构的位移较小，对算法精度要求较高，因此，进一步利用优先搜索k-means树算法对图像进行匹配，FLANN算法在使用时需要确定使用的方法和遍历次数，遍历次数根据感兴趣像素尺寸进行确定，图像尺寸越大，遍历次数相应减少，计算效率和计算精度描述为：

其中，h和k分别代表感兴趣区域的水平和垂直尺寸，Num为遍历次数，在图像特征检测过程中，感兴趣区域尺寸不小于20*20pixels；

S036、进一步利用MAGSAC算法对完成的匹配结果进行验证，MAGSAC算法具有自适应、无需设置阈值的显著优势，能够对倾斜匹配、一对多等误匹配进行滤除，最终保留正确的特征点匹配结果，在获得正确的匹配结果之后，进一步提取出匹配特征点的坐标信息，一是求解出不同特征点的变形位移，进一步建立感兴趣区域内的位移场，即显示区域内不同位置特征点的位移数据；二是通过求解所有特征点位移的平均值进而判断区域局部位移变化(当结构局部发生了刚体位移，如结构整体倾斜、局部移动等)；

S037、对基于图像方法获取的位移数据进行频谱分析，获取结构在关键节点的振动频率值；

基于长期监测设备拍摄的图像或视频数据，利用边缘检测方法对结构倾斜角度进行测量，如图3所示，

边缘检测方法包括如下步骤：

S0311、根据结构特点在建筑边界处选择边缘清晰的区域作为感兴趣区域(分析区域)；

S0312、采用边缘检测算法提取出建筑的边界特征；

S0313、利用直线拟合方法对边缘检测结果即二值图像进行拟合，获取边缘直线的表达形式如公式1所示；

S0314、根据直线表达形式获取直线斜率，通过斜率值求解倾斜角度θ：

y＝ax+b(4)

θ＝arctan(a)(5)；

S0314、利用深度学习方法将无人机采集的建筑结构局部损伤图像进行训练学习，对损伤的类型进行分类识别，如裂缝、剥落、水渍、蜂窝麻面等。由于建筑结构表面的损伤具有相似性，通过大量的检测数据学习，基于迁移学习方法，增强网络的适应性，可以进一步应用于不同建筑结构的局部损伤检测，如图6所示；

S0315、在结构表面病害实现自动识别分类后，利用二值化方法进一步提取出建筑表面损伤的轮廓，并根据像素点所占面积，即感兴趣区域内像素点数计算损伤实际面积，如图8所示。需要注意的是，无人机在进行拍摄前需要进行准确的标定，以保证损伤面积计算的准确性；

S04、基于建筑变形测量数据建立建筑结构安全评估体系：

根据建筑结构设计资料获取结构允许变形值，基于监测数据设置结构变形及损伤评价指标，如图7所示，通过打分机制量化评价指标，结构的位移、频率和倾斜角度值以设计允许值为基础，超过允许值相应比例，则基于该指标的结构危险分数用100乘以对应比例值；频率与倾斜角度值以此类推，结构的位移为三维位移，即三个方向的位移，在分别计算三个方向的危险分数时，取三个方向的最大危险分数作为位移值的危险分数，而基于表面损伤的危险分数则按照损伤面积占建筑结构外立面墙体面积的比例进行计算，即用100乘以对应比例值，如统计出的各类型病害面积占墙体面积的比例为30％，那基于表面损伤的结构危险分数为30分；

根据各分项指标计算出的结构危险分数，基于各指标对应的权重系数计算结构的安全分数S，计算公式如下：

其中，w1为位移指标的权重系数，a1为基于位移指标的结构危险分数；w2为频率指标的权重系数，a2为基于频率指标的结构危险分数；w3为倾斜角度指标的权重系数，a3为基于倾斜角度指标的结构危险分数；w4为表面损伤指标的权重系数，a4为基于表面损伤指标的结构危险分数；w1,w2,w3,w4,权重系数之和为1，根据前期实验和评估结果，各指标权重系数如图9所示，面向不同建筑结构，需要考虑其设计资料，对权重系数进一步进行调整；

S05、设置建筑变形及损伤预警阈值，对异常情况进行及时预警，如图10所示：

当结构的安全分数小于等于100大于90时，安全等级为一级，结构处于正常状态；结构的安全分数小于等于90大于80时，安全等级为二级，结构需加强监测；结构的安全分数小于等于80大于70时，安全等级为三级，结构在加强监测的同时，需人工进行鉴定；结构的安全分数小于等于70大于60时，安全等级为四级，结构在加强监测的同时，人工进行鉴定，并开展专项人工检测；结构的安全分数小于60时，安全等级为五级，立刻管理建筑结构，禁止运营，同时需要立刻开展专项人工检测，并进行维修加固，其中，当单个评价指标的危险分数大于等于100时，结构安全等级直接判定为五级，即位移、振动、倾斜角度的偏差值超过设计允许值的100％，表面损伤面积占外立面墙体面积的100％。

在本实施例中：在步骤S01中，建筑结构的变形监测包括关键节点的位移、振动和建筑整体倾斜监测，倾斜监测点选择建筑结构呈现线性的边缘位置。

在本实施例中：在步骤S01中，选择重点监测的关键节点作为位移监测的测点，优选承载力较大的横向和竖向构件。

在本实施例中：在步骤S02中,根据确定的测点位置及区域安装长期性监测的视觉设备，视觉设备为相机，相机布置位置及数量要求需使得相机的时域范围能够完全覆盖测量方案中确定的待监测位置及区域。

在本实施例中：在步骤S02中,在关键节点位置粘贴或涂刷识别标记时，优选位置纹理特征对比度高的地方作为关节点进行粘贴或涂刷识别标记。

在本实施例中：在步骤S02中,利用无人机对建筑结构外立面图像进行全方位采集时，采集建筑上的局部损伤的图片和建筑结构整体图片，利用无人机对建筑全场进行多角度拍摄，建立建筑结构的三维点云模型，获取建筑结构全场的三维空间坐标。通过定期检测的获取建筑结构在运营状态下的三维位移变化。

1、本发明利用多种机器视觉方法获取建筑结构变形及损伤，相较于传统传感器方法，可以实现全场、多点测量，具有较高的测量效率；

2、本发明面向建筑变形监测的需求，提出了具有针对性的特征点检测方法，建立了AKAZE-FLANN-MAGSAC的特征点检测和匹配技术路线，能够实现高精度、高效率的特征点匹配识别，并对特征检测过程中的非线性滤波扩散的偏微分方程求解、特征点检测图像质量评价和算法遍历次数计算进一步优化和改进，为建筑结构位移测量提供针对性和确定性的解决思路；

3、本发明建立了结构变形及损伤评估的量化指标，如结构损伤面积的定义、结构位移偏差评定，并进一步建立了安全评估体系，可以实现异常情况的及时识别与预警，实现了智能化监测。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。