基于圖像識別的大型建筑鋼結構形變監測研究

陳宗玥

(浙江省工程物探勘察設計院有限公司，浙江杭州 310000)

1 引 言

近年來，隨著建筑業的不斷改革和發展，在保證建筑物實用性的同時也開始注重美觀[1]，例如鳥巢、國家會議中心、國家體育館等。但這些建筑大多為鋼結構建筑物，隨著時間的推移不可避免出現鋼結構形變等情況。因此，在建造過程中進行建筑結構形變監測是十分重要的步驟[2]。但鋼結構建筑體量巨大，拼接構件煩多[3]，如何安全且高效地監測其形變程度是目前亟待解決的問題。

朱茂[4]等人提出基于InSAR技術的建筑鋼結構形變監測方法。該方法通過PSP-InSAR技術分析建筑數據，結合建筑物自身屬性和建筑材料等信息，預測不同時間鋼結構形變變化趨勢，從中獲取建筑物不同位置PS點的差異形變和傾斜量，計算大致形變風險，通過與標準數據對比獲取InSAR形變結果，實現建筑鋼結構形變監測。然而，此方法在監測鋼結構形變前未對大型建筑鋼結構圖像進行預處理，導致干擾因素過多，無法有效監測形變位置，經常錯誤監測形變位置或監測不到實際形變位置，嚴重影響監測效果。

馬瑞[5]等人提出基于北斗偽衛星系統的建筑鋼結構形變監測方法。該方法首先構建北斗偽衛星系統，將接收機放置在建筑鋼結構監測點處，并實時打印監測結果，通過接收機定位結果的變化判斷監測點處是否發生變形，以此實現建筑鋼結構形變監測。但是，該方法沒有提前對圖像進行灰度化處理，在監測過程中只能以彩色圖片形式進行形變監測，導致顏色等無用信息對監測過程造成嚴重干擾，降低圖像監測形變結果，無法精確識別形變曲度，導致形變曲度誤差過大。

楊義輝[6]等人提出基于多頻多系統GNSS OEM板卡的建筑鋼結構形變監測方法。該方法利用數據解碼、基線處理、網平差和坐標轉換等手段獲取實時建筑鋼結構監測站點高精度空間坐標，通過串口通信獲取板卡多頻多系統觀測信息進行系統解算，得到鋼結構形變實時定位，實現建筑鋼結構形變監測。該方法在監測過程中未及時處理大型建筑鋼結構圖像，導致圖像像素較低，無法突出鋼結構形變區域，只能模糊識別形變位置。

為了解決上述方法中存在的不足，本研究提出基于圖像識別的大型建筑鋼結構形變監測方法。與傳統方法相比，該方法增強了建筑鋼結構圖像的處理，提升了建筑鋼結構形變監測的精度。

2 大型建筑鋼結構圖像預處理

目前，大型建筑鋼結構圖像均為彩色圖像，由于彩色圖像占用較大儲存空間，且對監測形變沒有任何意義，因此，在大型建筑鋼結構監測前需要將圖像進行灰度化處理。此外，為了更加準確地監測鋼結構形變，可對圖像進行增強處理。

2.1 大型建筑鋼結構彩色圖像灰度化

彩色圖像顏色分量會消耗大量資源，降低大型建筑鋼結構監測效率。因此，將彩色圖像灰度化，即將顏色分量R、G、B轉換為統一的特殊圖像，此時圖像只包含亮度信息，對監測鋼結構形變實時性更加有利。

已有的彩色圖像的灰度變換方法有最大值法、平均值法以及加權平均值法[7]，但前兩種方法獲取圖像中相同像素區域的亮度相同，導致灰度值大的區域過亮，不利于監測；加權平均值法是基于視覺模型選擇系數，可智能調節圖像區域亮度，最終獲取的灰度圖像更符合要求。

加權平均值法中將大型建筑鋼結構彩色圖像像素點R、G、B賦予一個特定加權系數，并將每個系數與自身系數乘積相加，獲取大型建筑鋼結構彩色圖像灰度化結果，計算公式如下：

I=0.587G+0.299R+0.114B

(1)

式中：I表示灰度圖像的灰度值。

2.2 大型建筑鋼結構同態濾波增強

彩色圖像灰度化處理后，為提升大型建筑鋼結構監測的效果，需要對其圖像做進一步的增強處理。

假設大型建筑鋼結構圖像為g(x,y)，且建筑物所處環境均受陽光照射，此時大型建筑鋼結構圖像可表示為：

g(x,y)=gr(x,y)×gi(x,y)

(2)

式中：gr(x,y)表示大型建筑不均勻光照反射分量，gi(x,y)表示大型建筑不均勻光照入射分量。入射分量是變化緩慢的低頻元素，包含不均勻光照；反射分量是高頻元素，包括建筑物細節等特性。利用對數獲取空間域內具有相加關系的圖像g(x,y)為：

ln[g(x,y)]=ln[gr(x,y)×gi(x,y)]= ln[gr(x,y)]+ln[gi(x,y)]

(3)

式中：gi(x,y)代表頻譜元素，gr(x,y)代表圖像特性。

基于圖像g(x,y)的相加關系，通過離散傅里葉變換處理后的頻域為：

Fln(u,v)=F[lngr(x,y)+lngi(x,y)]=Fr,ln(u,v)+Fi,ln(u,v)

(4)

式中：Fln(u,v)代表離散傅里葉變換，u、v分別代表圖像頻域內像素點。

若建筑物鋼結構的光照不均勻，灰度圖像會出現亮度不均的情況[8]，為保證圖像不受光照不均的影響，可減少頻譜元素。根據圖像特性，構建其專屬同態濾波器T(u,v)，降低低頻元素的同時加強高頻元素，進而彌補光照不均影響，實現增強圖像對比度，其頻域為：

Pln(u,v)=T(u,v)Fi,ln(u,v)+T(u,v)Fr,ln(u,v)

(5)

并利用離散傅里葉逆變換獲取相應空間域[9]，即：

F-1{Pln(u,v)}=F-1{Pr,ln(u,v)}+F-1{Pi,ln(u,v)}

(6)

式中：F-1{Pln(u,v)}代表離散傅里葉逆變換過程。

最后，利用指數計算即可獲得濾波后的增強圖像：

P(x,y)=exp{F-1[Pln(u,v)]}

(7)

式中：P(x,y)代表濾波后的增強圖像。

3 大型建筑鋼結構形變監測實現

基于上述大型建筑鋼結構圖像處理結果，實現監測鋼結構形變。本文將形變監測問題轉換為識別形變圖像問題，可減少監測工作量，提升監測精度。

3.1 大型建筑鋼結構形變標識邊界位置確定

在大型建筑鋼結構形變監測中，形變結構監測流程如圖1 所示。

圖1 大型建筑鋼結構形變監測流程圖Fig.1 Deformation monitoring flow chart of large building steel structure

利用灰度化處理和增強圖像進行標識[10]，記錄圖像中各行各列Value為1的像素個數，以此構建由Y={b1，b2，…，bn}以及X={a1，a2，…，an}組成的線性隊列空間，在此空間內將圖像邊界信息{x1,x2}和{y1,y2}作為圖像特征信息并加以保存。

若已知大型建筑鋼結構圖像中標識點的大小，比較形變目標x軸和y軸相應的邊界{x1,x2}和{y1,y2}，則兩個方向上的單像素的實際大小為：

(8)

式中：d表示形變，L表示目標的大小。

(9)

式中：dx和dy分別表示在平面坐標軸X和Y方向上的實際大小值。

3.2 標識邊界位置信息提取

將線性隊列X={a1,a2,…,an}和Y={b1,b2,…,bn}根據空間序列擴展，并求解序列中各點斜率f′(n)，在符合f′(Xn)<-High/2和f′(Yn)<-Width/2的所有點中提取最大點{x1,x2}和第二大點{y1,y2}，將這兩點當作邊緣位置信息，分別獲取鋼結構形變特征點D1、D2、D3、D4。

統計矩陣中x值和y值具有相同數量的點，將x值和y值中最大點分別記為maxX和maxY，則備用鋼結構形變的區域大小就是最大x值和最大y值的乘積，即maxX×maxY。

假設標識圖像點的中心坐標為(a,b)，令a=x1，b=y1，依次提取矩陣內成分，并判斷其長為maxX，寬為maxY區域中矩陣內是否有以(a,b)為中心的點，當中心點在此區域中時，需要重新計算中心點坐標。計算公式如下：

(10)

式中：n表示目前備用區域中所有點數量。

在遍歷矩陣后，保存目前的中心點坐標D1，并反復進行上述步驟，直到獲取D2、D3、D4后停止計算，即實現了圖像的二值化[11-12]。

根據dx、dy以及焦距f，即可求解拍照設備到形變目標標識的距離Lc，計算前后幀圖像內的特征點信息，即可得到空間中所有方向上鋼結構的位移信息。

為避免拍攝設備自身原因影響形變監測結果，需要對設備進行畸形矯正，可以利用二階插值法對其進行校正，校正后的鋼結構位移大小表達式為：

F(x)=8.947-0.673 2x+0.001 54x2

(11)

式中：x表示垂直光軸方向的位移大小。

通過上述分析，求解出鋼結構位移結果即可實現鋼結構形變監測研究。

4 試驗分析

4.1 試驗環境及參數

為了驗證本研究所提方法的整體有效性，進行了試驗研究。試驗中以某地一大型建筑鋼結構為研究對象，該結構高20 m，寬30 m，共有5層。該建筑建成已有5年時間，其間其結構存在一定改變，試驗環境如表1所示。

表1 試驗環境Tab.1 Experimentalenvironment試驗配置試驗參數CPU賽揚2.4GHz內存512M操作系統Matlab2007a

4.2 結果分析

為驗證所提方法的有效性，試驗對比所提方法、文獻[4]InSAR技術地鐵沿線建筑物形變監測方法以及文獻[5]基于北斗偽衛星系統的建筑形變監測方法，對樣本大型建筑鋼結構的形變進行監測，首先確定樣本圖像的變形點，再采用三種方法對其進行監測，得到的試驗結果如圖2 所示。

圖2 不同方法大型建筑鋼結構形變監測結果Fig.2 Deformation monitoring results of large building steel structure by different methods

從圖2可以看出，樣本圖像中存在4處形變，分別采用所提方法、文獻[4]方法以及文獻[5]方法對其進行監測，得到的監測結果存在一定差異。其中，文獻[4]方法只能準確監測出鋼結構較明顯的形變處，共計2處；文獻[5]方法共監測出3處形變；經核對此方法監測的形變中有2處錯誤形變。經比較后發現只有本研究所提的方法最適合形變監測，且監測精度保持在約95%以上。這是由于所提方法在監測鋼結構形變監測前將建筑圖像進行預處理，保證建筑圖像精度，提高了監測效果。

試驗分析了三種方法對樣本建筑形變曲度誤差的監測，得到的結果如圖3 所示。

圖3 不同方法形變曲度誤差Fig.3 Deformation curvature error by different methods

分析圖3 可以看出，利用三種方法監測樣本圖像中的形變區域，并對比三種方法監測出的曲度精度。其中，所提方法的最大誤差低于3 mm；但文獻[5]方法曲度誤差最低為4 mm以上，最高達到9.5 mm；文獻[4]方法曲度誤差最低為4.7 mm以上，最高達到6.8 mm。綜上對比，本研究所提方法的監測效果最好，這是由于所提方法將圖像提前進行灰度化處理，再進行形變監測，降低顏色等無用信息帶來的干擾，在保證監測速度的同時，提高了監測精度，降低了曲度誤差。

為進一步驗證所提方法的有效性，將樣本建筑鋼結構形變圖像分別橫截成5份、10份、15份、20份和25份，判斷監測的形變位置與實際形變位置的誤差位移大小，得到的結果如圖4 所示 。

由圖4可知，所提方法在X軸上的誤差不超過0.7 mm，在Y軸上的誤差不超過0.3 mm，而其他兩種方法在X軸和Y軸上的誤差均超過1.0 mm。由于所提方法根據在監測過程中對圖像進行增強處理，使得圖像更加清晰，突出鋼結構形變區域，可以精確識別形變位置，從而降低形變位移誤差。

圖4 三種方法建筑鋼結構不同方向形變量Fig.4 Shape variables in different directions of building steel structure by three methods

5 結束語

本研究提出基于圖像識別的大型建筑鋼結構形變監測方法，該方法首先對鋼結構圖像進行預處理，其次提取標識圖像坐標軸上的特征信息，計算出形變實際位移，從而實現大型建筑鋼結構形變監測。該方法解決了大型建筑鋼結構形變監測效果差等問題，對保證建筑穩定及社會財產安全具有一定理論參考意義。