杜鵬，邵帥，周志祥, 2，鄧國軍，簡傳熠

基于影像數(shù)據(jù)的橋梁全息動位移測量方法研究

杜鵬1，邵帥1，周志祥1, 2，鄧國軍1，簡傳熠1

(1. 重慶交通大學(xué) 土木工程學(xué)院，重慶 400074；2. 深圳大學(xué) 土木交通工程學(xué)院，廣東 深圳 518061)

為了克服傳統(tǒng)橋梁結(jié)構(gòu)檢測與監(jiān)測周期長、費用高、數(shù)據(jù)離散等問題，基于影像灰度值容差理論和分層優(yōu)化理論建立一套對目標對象由粗略到精細逐漸過渡的搜索機制，用以獲取橋梁結(jié)構(gòu)動態(tài)位移響應(yīng)，并以室內(nèi)超大跨自錨式懸索橋為研究對象，依次開展小車行駛激勵和主跨中部單點激勵2類試驗。試驗結(jié)果表明：分層優(yōu)化算法打破了一般算法只能逐像素匹配的局限性，在保證計算精度的前提下能顯著降低計算耗時，可為后續(xù)獲取結(jié)構(gòu)全息幾何變形和通過結(jié)構(gòu)全息影像序列數(shù)據(jù)進行智能化損傷識別奠定理論基礎(chǔ)。

橋梁工程；圖像匹配；分層優(yōu)化；動態(tài)位移響應(yīng)；結(jié)構(gòu)頻率

橋梁結(jié)構(gòu)是現(xiàn)代交通體系的重要組成部分，在其整個壽命期存在材料自身老化、混凝土收縮、徐變等內(nèi)部因素，還不可避免地遭受撞擊荷載、地震荷載、汽車荷載等外部因素，這些內(nèi)外因素都將對結(jié)構(gòu)造成不同程度的損傷，導(dǎo)致其安全性降低和使用壽命縮短[1?2]。因此，尋找一套高效的、可靠的、經(jīng)濟的方法實時監(jiān)測橋梁結(jié)構(gòu)健康狀態(tài)，保證結(jié)構(gòu)安全使用并延長其使用壽命顯得尤為重要。結(jié)構(gòu)幾何變形與結(jié)構(gòu)應(yīng)變有直接關(guān)系，且在特定的外部荷載作用下結(jié)構(gòu)的幾何變形也可以反映結(jié)構(gòu)的剛度變化。因此，結(jié)構(gòu)變形是評價橋梁結(jié)構(gòu)健康狀態(tài)的重要指標[3]。但常規(guī)的接觸式位移傳感器只能獲取結(jié)構(gòu)有限截面的位移信息，難以準確表征整個結(jié)構(gòu)的健康狀態(tài)，往往不能及時發(fā)現(xiàn)結(jié)構(gòu)存在的安全隱患，從而導(dǎo)致不可挽回的人員傷亡和經(jīng)濟損失[4?5]。由于現(xiàn)代高速攝像機和計算機處理技術(shù)的快速發(fā)展，已有許多研究者在非接觸測量領(lǐng)域做了相應(yīng)的研究：ZHAO等[6]研究了利用紅外線發(fā)射裝置和智能手機獲取結(jié)構(gòu)位移響應(yīng)的基本方法。LEI等[7?8]研究了利用高速攝像機提取結(jié)構(gòu)振動信息，包括目標追蹤、亞像素處理技術(shù)等。XU等[9]討論了目標追蹤、坐標系轉(zhuǎn)換、位移獲取方法等，并在一座人行斜拉橋做了相關(guān)試驗，驗證了通過高速攝像機獲取結(jié)構(gòu)位移響應(yīng)的可行性。邵帥等[10]研究了利用非接觸影像序列數(shù)據(jù)構(gòu)建結(jié)構(gòu)全息性態(tài)變形，用以橋梁結(jié)構(gòu)長期性健康檢測與監(jiān)測?；谝陨涎芯?，本文提出一種無須在結(jié)構(gòu)表面安裝物理靶點的影像灰度值容差算法(LGVT)獲取結(jié)構(gòu)位移時程響應(yīng)。首先對算法的理論可行性進行分析，并進一步提出利用結(jié)構(gòu)自身尺寸屬性的像素標定方法；提出基于自適應(yīng)匹配步長與匹配模板的分層優(yōu)化理論將算法進一步優(yōu)化，可顯著提高其計算效率，并討論了不同目標對象尺寸對匹配計算精度與效率的影響；最后以實驗室內(nèi)超大跨自錨式懸索橋[11]為對象，依次開展小車行駛激勵和跨中單點激勵兩類試驗，用以驗證其實際運用的可行性。本文算法能高效、便利、經(jīng)濟的獲取結(jié)構(gòu)變形特性、振動特性等，克服了常規(guī)橋梁檢測與監(jiān)測周期長、費用高、設(shè)備難以布置等問題。利用本文算法獲取橋梁結(jié)構(gòu)變形、振動等信息，是對現(xiàn)有測量方法的補充與提升，也為進一步利用全息影像序列數(shù)據(jù)進行結(jié)構(gòu)智能化損傷識別奠定了基礎(chǔ)。

1 結(jié)構(gòu)全息影像監(jiān)測系統(tǒng)

目前，對于大跨徑橋梁結(jié)構(gòu)的健康監(jiān)測與檢測一般僅在結(jié)構(gòu)關(guān)鍵截面或節(jié)點布置有限數(shù)量的傳統(tǒng)接觸式傳感器，僅能獲取有限且離散測點的監(jiān)測數(shù)據(jù)，且傳感器需定期標定。這種橋梁健康監(jiān)測與檢測方式效率低、費用高，而且只能獲取結(jié)構(gòu)局部的性能參數(shù)，難以對整個結(jié)構(gòu)健康狀態(tài)進行準確判斷?；诖?，本文提出利用橋梁結(jié)構(gòu)附近已有的攝像頭建立一套完整的、實時的橋梁健康監(jiān)測系統(tǒng)，用以獲取結(jié)構(gòu)全息性態(tài)變形特征。全息性態(tài)特征反應(yīng)了結(jié)構(gòu)在受載下真實的幾何變形，其包含了截面與截面、點與點之間的相關(guān)性，避免了關(guān)鍵數(shù)據(jù)丟失，保證了數(shù)據(jù)的連續(xù)性，能更真實、準確地表征結(jié)構(gòu)的健康狀態(tài)。

圖1 全息影像采集設(shè)備

結(jié)合課題研究的實際需求，將照相機、攝像機、自動巡航云臺進行自主組裝、改進、調(diào)試形成全息影像采集設(shè)備，最終實現(xiàn)對橋梁結(jié)構(gòu)全方位的影像采集，如圖1所示。影像采集主要使用具有較大光學(xué)變焦能力的索尼FDR-AX700民用攝像機，焦距范圍24～200 mm，幀速率為100 fps，圖像分辨率為1080P；佳能5DSR相機輔助采集關(guān)鍵時刻的影像數(shù)據(jù)，其配有佳能EF 24-70 mm f/4L IS USM鏡頭，支持全畫幅拍攝、自動對焦、IS防抖；亞安SD3051自動巡航云臺能以0.1～40 (°)/s的旋轉(zhuǎn)速度實現(xiàn)水平360°，豎直180°無死角旋轉(zhuǎn)，保證在同一點測點盡可能多地獲取結(jié)構(gòu)原始影像數(shù)據(jù)。自動巡航云臺具有預(yù)置位和自動守望功能，預(yù)先設(shè)置需采集的目標對象以及影像數(shù)據(jù)采集時間，云臺能自動旋轉(zhuǎn)到相應(yīng)位置進行影像數(shù)據(jù)采集。利用USB3.0接頭將數(shù)據(jù)導(dǎo)入Win10系統(tǒng)的聯(lián)想筆記本電腦，并在其安裝MATLAB R2016a程序作為影像分析處理平臺。本文工作環(huán)境及計算資源：Intel(R) Core(TM) i5-7300HQ CPU@2.5Hz處理器、8.00 GB運行內(nèi)存。

2 灰度值容差算法理論

2.1 全息目標對象追蹤

分析上式可知：在理想情況下，若當前匹配區(qū)域與目標對象區(qū)域重合，則歸一化灰度值矩陣為單位陣，則當前匹配系數(shù)為1，便可得到目標對象在整體區(qū)域的最佳匹配坐標。由于結(jié)構(gòu)所處的環(huán)境存在一定的連續(xù)性，從目標對象向外擴展區(qū)域的灰度值變化是一個逐漸的過程，據(jù)此可推斷：越靠近目標區(qū)域匹配系數(shù)越接近于1，越偏離目標區(qū)域匹配系數(shù)越接近于0。

為了驗證本文算法的可行性，選用Lena圖像(300×300 px)作為匹配模板，在整體像素坐標(140,140)處截取(50×50 px)區(qū)域作為目標對象，再分別采用LVGT算法和常規(guī)的SSD算法、NCC算法、SATD算法進行目標對象的定位計算，試驗匹配結(jié)果如圖2所示，匹配位置及耗時見表1所示。

(a) 源圖像；(b) 目標對象；(c) LVGT；(d) SSD；(e) NCC；(f) SATD

表1 不同算法的匹配結(jié)果

由表1可知，LVGT算法、SSD算法、NCC算法以及SATD算法都能準確獲取目標對象在整個視域內(nèi)的坐標位置，但本文LVGT算法計算耗時更短，效率更高。

2.2 像素標定

對當前視域下的像素進行標定，得到單個像素所代表的實際位移值(標定因子)，才能獲取結(jié)構(gòu)的真實位移響應(yīng)。在特定的拍攝設(shè)備、拍攝距離、拍攝角度和特定的區(qū)域下標定因子相同的。目前常用的像素標定主要是借助于各種型號的物理標定靶，物理標定靶的實際物理尺寸已知，只需獲取在當前視域下物理標定靶的像素尺寸，便可計算當前情況下的標定因子。但針對大型橋梁結(jié)構(gòu)，直接拍攝的影像信息不可避免的存在一定的畸變效應(yīng)[14]，若僅僅以單個物理標定靶的標定結(jié)果去推算各個特征點的位移響應(yīng)，會存在較大的測量誤差。

考慮到橋梁結(jié)構(gòu)本身具有物理尺寸屬性，本文以被測截面的豎向高度為標定基準，通過獲取被測截面在高度方向的像素尺寸計算當前位置的標定因子。利用結(jié)構(gòu)自身尺寸對像素標定主要有以下幾個優(yōu)點：1) 無須借助其他物理標定設(shè)備，能減少工作量，節(jié)約經(jīng)費支出；2) 無須在結(jié)構(gòu)外表面安裝物理標定靶，克服了在某些情況下安裝難的問題，使其能適應(yīng)各種測量場合，更能凸顯非接觸測量的實際意義；3) 利用各被測截面本身尺寸作為標定基準，更能真實地反映當前位置像素與實際位移之間的轉(zhuǎn)化關(guān)系，從而減小測量誤差。

3 分層優(yōu)化算法

針對橋梁等大尺度結(jié)構(gòu)，要使非接觸視覺測量具有較高的精度，必須提高影像采集設(shè)備的分辨率或進入亞像素分析，以降低單個像素所代表得實際位移值，但無論選擇何種方法都將造成圖像處理的計算量急劇增加。本文結(jié)合高分辨率圖像在最佳匹配點附近的匹配系數(shù)較大，遠離最佳匹配點的匹配系數(shù)較小，且相鄰位置的匹配系數(shù)差異不大，符合連續(xù)性變化規(guī)律，提出對單張影像進行多次不同匹配模板、不同匹配步長的分層計算，根據(jù)當前匹配模板大小自適應(yīng)選擇合適的匹配步長，打破了逐像素匹配的限制，最終減小了匹配計算量。

(a) 第1層計算；(b) 第2層計算；(c) 第1層計算；(d) 第4層計算

圖4 4層優(yōu)化算法流程圖

3.1 分層優(yōu)化算法的性能分析

為了驗證分層匹配算法的精度和效率，本文開展了2種不同分辨率圖像的匹配計算試驗：1) 以上文中Lena圖像(300×300 px)作為源圖像，在整體像素坐標(140,140)處截取(20×20 px)部分區(qū)域作為目標對象；2) 以試驗相機拍攝的橋梁結(jié)構(gòu)圖像(1 920×1 080 px)作為源圖像，在整體像素坐標(540,930)處截取(50×50 px)部分區(qū)域作為目標對象。分別進行1層，2層，3層和4層優(yōu)化計算，計算結(jié)果見表2所示。

由表2分析可知：采用分層優(yōu)化算法能精確定位目標對象的位置，且計算耗時隨著分層數(shù)量增多而縮短。2層優(yōu)化算法相對于原始算法計算耗時大量縮短，而3層、4層優(yōu)化算法能在2層優(yōu)化算法的基礎(chǔ)上進一步縮短計算耗時，但效果不是特別顯著。對比2組不同分辨率的圖像匹配試驗可知，圖像的分辨率越高，分層優(yōu)化算法降低計算耗時的效果越顯著。利用分層優(yōu)化的思想，可以顯著提高影像處理效率，推動了利用橋梁面相學(xué)理論進行結(jié)構(gòu)全息形態(tài)監(jiān)測的發(fā)展，是實現(xiàn)對遠距離、大尺度結(jié)構(gòu)進行實時健康監(jiān)測的重要理論基礎(chǔ)。

3.2 目標對象對匹配精度及效率的影響

為了研究目標對象尺寸對匹配精度和效率的影響，本文選用試驗相機拍攝的橋梁結(jié)構(gòu)圖像(1 920×1 080 px)作為源圖像，在整體像素坐標(500,900)處分別截取5個不同大小的目標對象進行4分層優(yōu)化LVGT匹配計算，計算時采用相同的匹配步長和輻射距離，計算結(jié)果見表3所示。

分析表3可知，選取的目標對象大小對匹配精度和計算耗時都有較大的影響，選取的目標對象越小計算耗時越短，但若選取的目標對象過小，可能會造成計算出錯，最終無法得到正確的匹配結(jié)果。因此，在實際運用時，需考慮選取的目標對象大小與計算耗時二者的平衡關(guān)系。

表2 分層匹配計算結(jié)果

表3 不同目標對象匹配結(jié)果

相對于常規(guī)目標對象匹配算法從橋梁結(jié)構(gòu)振動視頻中分析結(jié)構(gòu)位移信息而言，本文非接觸位移測量方法能極大地降低目標對象匹配過程中匹配系數(shù)的計算量。因此，本文方法對計算機性能要求低，對數(shù)據(jù)的處理效率更高，能更快地輸出位移測量結(jié)果，能使有關(guān)部門及時地掌握橋梁結(jié)構(gòu)的基本狀況，及時對橋梁結(jié)構(gòu)的健康狀態(tài)做出合理的判斷并采取相應(yīng)的處理措施，避免災(zāi)害事故的發(fā)生。

4 橋梁全息動位移測量試驗

為了驗證分層優(yōu)化算法的精度和工程實用性，在已有研究的基礎(chǔ)上[15?16]，文中以實驗室內(nèi)超大跨自錨式懸索橋為依托，依次開展了2類不同類型的試驗工況：1) 小車行駛激勵，用以模擬橋梁結(jié)構(gòu)在正常服役狀態(tài)下的位移響應(yīng)；2) 主跨中部單點激勵，用以模擬橋梁結(jié)構(gòu)在服役過程中受到撞擊、地震等偶然荷載作用下的位移響應(yīng)。試驗中除了采集結(jié)構(gòu)影像信息，還在橋梁主跨的/4, 3/8,/2,5/8和3/4處安裝有常規(guī)接觸式位移傳感器和振動傳感器，用于采集結(jié)構(gòu)的位移和振動信息。將影像分析處理結(jié)果與接觸式傳感器實際測量結(jié)果對比分析，以討論本文算法的精度、效率以及實用性。

本次試驗對象是某超大跨自錨式懸索橋按1:30的縮尺比例制作的試驗?zāi)Ｐ蜆?，試驗中使用的加載小車及其驅(qū)動裝置和行駛軌道、單點激勵作用位置、常規(guī)接觸式傳感器布置位置，如圖5和圖6 所示。

圖5 試驗設(shè)備布置

圖6 測點布置圖

4.1 小車行駛激勵試驗

設(shè)置小車行駛激勵試驗的主要目的是，驗證本文算法在實際運用中能否準確獲取橋梁結(jié)構(gòu)的幾何變形，并分析其在實際運用時的精度與效率。本次試驗使用的小車驅(qū)動系統(tǒng)，能使小車在負載 50 kg，100 kg時以0.5～1.5 m/s的速度行駛。

試驗開始前應(yīng)保證攝像機、位移傳感器等設(shè)備能正常工作，然后使橋梁結(jié)構(gòu)靜止5 min，以減小環(huán)境激勵引起的誤差。在試驗時，首先應(yīng)采集橋梁結(jié)構(gòu)當前的影像信息，將其作為后期分析的基準位置；然后打開小車驅(qū)動裝置，當小車行駛至主跨中部時，同時開始結(jié)構(gòu)影像采集和位移傳感器數(shù)據(jù)采集。利用優(yōu)化算法計算5個測點的位移值、位移傳感器實測值見表4所示。

由表4可知，本文分層優(yōu)化算法測量結(jié)果與常規(guī)接觸式傳感器測量結(jié)果誤差在5%以內(nèi)，本次試驗的最大誤差為50 kg工況下3/4位置處，其最大誤差為3.8%。結(jié)果表明，本文分層優(yōu)化算法能滿足工程實踐的一般要求，具有較好的普適性。相對于常規(guī)接觸式位移測量，本文非接觸視覺測量方法能更便利、經(jīng)濟、高效地獲取結(jié)構(gòu)的變形信息，解決了在某些情況下因常規(guī)接觸式傳感器無法安裝而不能測量結(jié)構(gòu)位移的難題。

表4 算法與位移傳感器測量結(jié)果

利用本文方法分析橋梁結(jié)構(gòu)的影像數(shù)據(jù)，能獲取該視域內(nèi)任意特征點的位移信息，獲取的信息更全面，且人工干預(yù)少。而傳統(tǒng)接觸式測量需要人為主觀選定有限被測截面的位置，人為主觀因素影響較大，選擇的被測截面可能未包含結(jié)構(gòu)已損傷區(qū)段，因而不能及地發(fā)現(xiàn)結(jié)構(gòu)已存在的損傷，不能及時采取應(yīng)有的維修加固措施，從而任由結(jié)構(gòu)損傷進一步發(fā)展。

4.2 單點激勵試驗

在小車行駛激勵試驗已驗證本文算法能準確獲取結(jié)構(gòu)位移信息的基礎(chǔ)上，為了進一步研究LVGT算法能否獲取結(jié)構(gòu)的頻率響應(yīng)等特性，本文在主跨中部開展了單點瞬時激勵試驗。

試驗開始前，應(yīng)保證所有設(shè)備能正常使用并采集結(jié)構(gòu)靜止后的單張影像；試驗開始后，同時開始攝像機和振動傳感器數(shù)據(jù)采集，大約5 s后對主跨中部位置進行單次瞬時錘擊加載，再觀察振動傳感器數(shù)據(jù)實時采集情況，直至振動衰減為0 s，10 s后同時停止2種數(shù)據(jù)采集。

在試驗開始前采集的影像中處截取(30×30 px)作為目標對象，再對視頻中每一幀圖像進行分層優(yōu)化匹配計算，得到目標對象在每一幀圖像的像素絕對坐標，將每一幀的像素絕對坐標相減，便可獲取目標對象在在和2個方向的位移值，文中只討論豎向的位移。通過上述計算可獲得單點激勵下截面的位移時程曲線，再對其頻譜分析，并繪制相應(yīng)的頻譜圖，如圖7所示。振動傳感器實測結(jié)果與本文算法計算結(jié)果，見表5所示。

由表5可知，本文算法獲取的橋梁1階頻率、2階頻率與振動傳感器實測值的誤差在5%以內(nèi)，滿足一般工程技術(shù)要求。試驗表明，本文分層優(yōu)化算法獲取的結(jié)構(gòu)位移時程響應(yīng)保留了結(jié)構(gòu)的頻率信息，但目前只能提取結(jié)構(gòu)的低階頻率，還有待進一步研究以獲取結(jié)構(gòu)的高階頻率，從而進一步判斷結(jié)構(gòu)是否存在損傷。

表5 算法與振動傳感器測量結(jié)果

(a) 第1次激勵位移信息；(b) 第1次激勵頻率信息；(c) 第2激勵次位移信息；(d) 第2次激勵頻率信息

5 結(jié)論

1) 影像灰度值容差算法結(jié)合自適應(yīng)匹配步長與匹配模板的分層優(yōu)化理論，能快速、準確地定位橋梁結(jié)構(gòu)任意特征點的位置，相對于目前常用的結(jié)構(gòu)幾何變形監(jiān)測方法其效率更高，能極大地縮短計算耗時，且圖像分辨率越大，本文分層優(yōu)化理論降低計算耗時的效果越顯著。

2) 利用橋梁結(jié)構(gòu)自身已知的物理尺寸屬性進行像素標定，計算任意特征點特有的標定因子，能減小測量誤差，真實地反應(yīng)當前特征點的幾何變形及振動情況。

3) 通過對室內(nèi)自錨式懸索橋的試驗研究，證明了本文方法能準確測量結(jié)構(gòu)上任意特征點的位移響應(yīng)，并能進一步分析獲得結(jié)構(gòu)的固有頻率，測量結(jié)果與接觸式傳感器實測結(jié)果誤差在5%以內(nèi)，精度滿足工程實踐要求。

[1] 《中國公路學(xué)報》編輯部. 中國橋梁工程學(xué)術(shù)研究綜述?2014[J]. 中國公路學(xué)報, 2014, 27(5): 1?96. Editorial Department of China Journal of Highway and Transport. Review on China’s bridge engineering research: 2014[J]. China Journal of Highway and Transport, 2014, 27(5): 1?96.

[2] 李惠, 鮑躍全, 李順龍, 等. 結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)科學(xué)與工程[J]. 工程力學(xué), 2015 32(8): 9?15. LI Hui, BAO Yuequan, LI Shunlong, et al. Date science engineering for structural health monitoring[J]. Engineering Mechanics, 2015(8): 9?15.

[3] Yoon H, Elanwar H, Choi H, et al. Target-free approach for vision-based structural system identification using consumer-grade cameras[J]. Structural Control and Health Monitoring, 2016, 23: 1405?1416.

[4] 賀拴海, 趙祥模, 馬建, 等. 公路橋梁檢測及評價技術(shù)綜述[J]. 中國公路學(xué)報, 2017, 30(11): 63?80. HE Suanhai, ZHAO Xiangmo, MA Jian, et al. Review of highway bridge inspection and condition assessment[J]. China Journal of Highway and Transport, 2017, 30(11): 63?80.

[5] 劉智, 張宿峰, 蔡曙日, 等. 大坡度高落差橋梁撓度監(jiān)測方案試驗研究[J]. 公路交通科技, 2015, 32(11): 88? 93. LIU Zhi, ZHANG Sufeng, CAI Shuri, et al. Experimental study on deflection monitoring scheme of steep gradient and high drop bridge[J]. Journal of Highway and Transportation Research and Development, 2015, 32(11): 88?93.

[6] ZHAO X, Asce A M, ZHAO Q, et al. Distributed displacement response investigation technique for bridge structures using smartphones[J]. Journal of Performance of Constructed Facilities, 2017, 31(24): 1-13.

[7] LEI X, JIN Y, GUO J, et al. Vibration extraction based on fast NCC algorithm and high-speed camera[J]. Applied Optics, 2015, 54(27): 81?98.

[8] GUO J, ZHU C. Dynamic displacement measurement of large-scale structures based on the Lucas–Kanade template tracking algorithm[J]. Mechanical Systems and Signal Processing, 2016, 66(67): 425?436.

[9] XU Y, Brownjohn J, Kong D. A non-contact vision-based system for multipoint displacement monitoring in a cable- stayed footbridge[J]. Structural Control and Health Monitoring, 2018, 25(5): 1-23.

[10] 邵帥, 周志祥, 鄧國軍, 等. 基于非接觸遠程智能感知的橋梁形態(tài)監(jiān)測試驗[J]. 中國公路學(xué)報, 2019, 32(11): 91?102. SHAO Shuai, ZHOU Zhixiang, DENG Guojun, et al. Experiment of structural morphology monitoring for bridges based on non-contact remote intelligent perception method[J]. China Journal of Highway and Transport, 2019, 32(11): 91?102.

[11] 王邵銳, 周志祥, 吳海軍. 超大跨自錨式懸索橋施工過程中力學(xué)性能的試驗研究[J]. 土木工程學(xué)報, 2014(6): 70?77. WANG Shaorui, ZHOU Zhixiang, WU Haijun. Experimental study on the mechanical performance of super long-span self-anchored suspension bridge in construction process[J]. China Civil Engineering Journal, 2014(6): 70?77.

[12] Z Dashan, G JIE, L Xiujun, et al. A high-speed vision- based sensor for dynamic vibration analysis using fast motion extraction algorithms[J]. Sensors, 2016, 16(4): 572?588.

[13] Lydon D, Lydon M, Taylor S, et al. Development and field testing of a vision-based displacement system using a low cost wireless action camera[J]. Mechanical Systems and Signal Processing, 2019(121): 343?358.

[14] 姜騰蛟, 楚璽, 唐見, 等. 基于變形輪廓線跟蹤的結(jié)構(gòu)整體變形監(jiān)測方法[J]. 公路交通科技, 2019(6): 48?57. JIANG Tengjiao, CHU Xi, TANG Jian, at el. An overall deformation monitoring method of structure based on tracking deformation contour[J]. Journal of Highway and Transportation Research and Development, 2019(6): 48?57.

[15] 楚璽, 向小菊, 周志祥, 等. 歐拉運動放大算法在橋梁振動分析中的試驗研究[J]. 公路交通科技, 2019, 36(6): 41?47. CHU Xi, XIANG Xiaojun, ZHOU Zhixiang, et al. Experimental study on Euler motion amplification algorithm in bridge vibration analysis[J]. Journal of Highway and Transportation Research and Development, 2019, 36(6): 41?47.

[16] 楚璽, 周志祥, 鄧國軍, 等. 模糊圖像的不連續(xù)邊緣智能檢測改進算法[J]. 吉林大學(xué)學(xué)報(理學(xué)版), 2019(4): 875?881. CHU Xi, ZHOU Zhixiang, DENG Guojun, at el. Improved algorithm for intelligent detection of discontinuous edges of blurred images[J]. Journal of Jilin University (Science Edition), 2019(4): 875?881.

Research on bridge holographic dynamic displacement measurement method based on image data

DU Peng1, SHAO Shuai1, ZHOU Zhixiang1, 2, DENG Guojun1, JIAN Chuanyi1

(1. College of Civil Engineering, Chongqing Jiaotong University, Chongqing 400074, China; 2. College of Civil and Transportation Engineering, Shenzhen University, Shenzhen 518061, China)

In order to overcome the problems of long cycle, high cost and discrete data of traditional bridge structure inspection and monitoring, based on the image gray value tolerance and hierarchical optimization theory, a set of search mechanisms for the target object from coarse to fine gradually transition was established to obtain the dynamic displacement response of the bridge structure, and taking the indoor super-long span self-anchored suspension bridge as the research object, two types of tests were carried out, namely, car driving incentive and single point excitation in the middle of the main span. The experimental results show that the hierarchical optimization algorithm breaks the limitation that the general algorithm can only match pixel by pixel, and can significantly reduce the calculation time while ensuring the accuracy of the calculation. This will lay the theoretical foundation for the subsequent acquisition of structural holographic geometric deformation and intelligent damage identification through structural holographic image sequence data.

bridge engineering; image matching; hierarchical optimization; dynamic displacement response; structural frequency

U446.2

A

1672 ? 7029(2020)10 ? 2450 ? 10

10.19713/j.cnki.43?1423/u.T20191154

2019?12?22

重慶市研究生科研創(chuàng)新項目(CYS20287)；國家自然科學(xué)基金資助項目(51778094)

周志祥(1958?)，男，四川遂寧人，教授，博士，從事橋梁健康監(jiān)測與檢測、數(shù)字圖像處理等；E?mail：zhixiangzhou@cqjtu.edu.cn

(編輯 陽麗霞)