朱前坤，陳建邦，張 瓊，杜永峰

(蘭州理工大學(xué)防震減災(zāi)研究所，蘭州730050)

人行橋因其輕質(zhì)高強(qiáng)及視覺效果優(yōu)美等特點，常被建造于城市交通網(wǎng)絡(luò)和各大景區(qū)，保持人行橋的安全運(yùn)行對避免人、車流相交沖突和維持正常交通具有重要意義。在日常使用和其他外部因素的影響下，橋梁結(jié)構(gòu)不斷發(fā)生變化、退化和損傷，損傷識別是結(jié)構(gòu)健康監(jiān)測的重要組成部分[1?2]及核心技術(shù)。

為了全面、充分地評價結(jié)構(gòu)性能，估計結(jié)構(gòu)損傷狀態(tài)、結(jié)構(gòu)安全性和預(yù)測結(jié)構(gòu)剩余使用壽命，需要對結(jié)構(gòu)的荷載輸入和響應(yīng)輸出進(jìn)行監(jiān)測?；谟绊懢€的損傷檢測方法一經(jīng)發(fā)明便迅速發(fā)展[3?6]。周建庭等[7]采用遞推迭代法實測橋梁影響線，通過多工況的靜載試驗，達(dá)到實際荷載檢測橋梁的目的。靜載試驗需要長時間中斷交通，測試成本高，且獲取的數(shù)據(jù)量有限，在實際應(yīng)用中具有局限性。徐文濤等[8]通過虛擬激勵法計算橋梁在行駛車輛和橋面不平度共同作用下的隨機(jī)響應(yīng)，獲得了橋梁跨中撓度的動態(tài)影響線值。通過結(jié)構(gòu)輸入輸出反算得到的影響線實質(zhì)上是單位荷載下的動力響應(yīng)，未充分體現(xiàn)影響線準(zhǔn)靜態(tài)特性，故需對計算影響線進(jìn)行處理[9]。Ieng[10]提出了影響線識別的最大似然估計方法。Sun 等[11]采用有限元模型修正實測橋梁影響線。Wang 等[12]采用分段多項式擬合實測橋梁影響線進(jìn)而得到具有準(zhǔn)靜態(tài)特性的影響線。上述研究使用傳統(tǒng)傳感器進(jìn)行結(jié)構(gòu)輸入輸出監(jiān)測，使用傳統(tǒng)傳感器的缺點是封閉交通、安裝時間長和布線工作需要大量勞動力。

集成多學(xué)科的優(yōu)勢，國內(nèi)外學(xué)者研究了各種先進(jìn)的傳感技術(shù)，如用于動態(tài)監(jiān)測的無線傳感器[13]和基于視覺識別技術(shù)的全橋梁監(jiān)測[14]等已被應(yīng)用于當(dāng)前的研究和實踐中。在這些技術(shù)中，基于視覺的方法越來越受到結(jié)構(gòu)健康監(jiān)測領(lǐng)域的關(guān)注。Tian 等[15]在實驗室對簡支梁進(jìn)行沖擊試驗，使用相機(jī)捕捉人體輸入得到人致沖擊力，使用加速度傳感器收集響應(yīng)輸出，以此識別橋梁更多模態(tài)參數(shù)，并對人行天橋進(jìn)行了沖擊試驗驗證，提取了頻率、振型和比例因子等模態(tài)參數(shù)。隨后Tian 等[16]通過移動單個相機(jī)測量結(jié)構(gòu)的多點位移直接獲得大型結(jié)構(gòu)的結(jié)構(gòu)屬性，提高橋梁結(jié)構(gòu)的測試效率，并從移動沖擊測試數(shù)據(jù)中識別出更多的結(jié)構(gòu)特性。上述文獻(xiàn)將研究重心集中在結(jié)構(gòu)輸入輸出數(shù)據(jù)和結(jié)構(gòu)動力特性上，通過相機(jī)和傳統(tǒng)傳感器相結(jié)合進(jìn)行。Zaurin 和Catbas[17―18]將視覺識別技術(shù)和傳統(tǒng)傳感器(如應(yīng)變計)結(jié)合起來，通過確定的額定荷載提取應(yīng)變單位影響線，并統(tǒng)計數(shù)據(jù)異常值檢測識別損傷。Khuc和Catbas[19]集成了計算機(jī)視覺和位移傳感器，以獲得位移單元影響面，并提出了一種檢測橋梁損傷的統(tǒng)計方法。上述研究提取了靜態(tài)結(jié)構(gòu)特性作為損傷特征，并使用視覺識別技術(shù)進(jìn)行結(jié)構(gòu)輸入估計，使用傳統(tǒng)傳感器進(jìn)行結(jié)構(gòu)輸出監(jiān)測，未能克服傳統(tǒng)傳感器的不足。

本文將便攜式相機(jī)與無線傳感器相結(jié)合，開發(fā)了一種完全非接觸式影響線識別系統(tǒng)，克服了使用傳統(tǒng)傳感器的不足。將便攜式相機(jī)獲得行人位置信息與無線傳感器測得的行人豎向加速度相結(jié)合作為結(jié)構(gòu)輸入。將便攜式相機(jī)與視覺識別技術(shù)得到的結(jié)構(gòu)位移響應(yīng)作為結(jié)構(gòu)輸出。根據(jù)結(jié)構(gòu)輸入輸出數(shù)據(jù)反算人行荷載作用下橋梁撓度影響線。然后利用多項式分段擬合初始實測人行橋撓度影響線，進(jìn)而得到具有準(zhǔn)靜態(tài)特性的撓度影響線，可為結(jié)構(gòu)工程師準(zhǔn)確高效地提供橋梁損傷檢測依據(jù)。

1 撓度影響線數(shù)學(xué)模型

橋梁在正常使用過程中受溫度、濕度及風(fēng)荷載等可變荷載引起的響應(yīng)不會發(fā)生突變，因此相較于人群荷載，可以忽略短時間內(nèi)溫度、濕度及風(fēng)速等變化對人行橋變形的影響。為了計算方便，將橋上人群荷載簡化為對應(yīng)人體質(zhì)心處的豎向力，則橋梁受人行荷載引起的位移響應(yīng)可視為一個豎向力引起的響應(yīng)。單個行人隨順橋向位置變化所引起測量位置的位移響應(yīng)可表示為[17]：

式中：d為包含由行人荷載在選定位置引起的響應(yīng)向量；w為包含與行人移動位移相關(guān)的荷載矩陣；u為撓度影響線向量。式(1)可以改寫為：

式中：n為行人沿橋移動步驟的離散系數(shù)數(shù)量；m為位移響應(yīng)的測量樣本數(shù)量；w(t)為不同時刻單個行人的豎向人行荷載，可用式(3)計算[20?22]：

即可通過已知的荷載輸入和響應(yīng)輸出求解影響線。從試驗出發(fā)，基于行人荷載位置和人行荷載數(shù)據(jù)結(jié)合結(jié)構(gòu)位移響應(yīng)數(shù)據(jù)進(jìn)行影響線識別。

2 撓度影響線視覺提取方法

本文通過對便攜式相機(jī)獲取的圖像進(jìn)行行人檢測跟蹤，并估計出行人的位置，結(jié)合無線傳感器確定人行荷載組成結(jié)構(gòu)輸入數(shù)據(jù)。將視覺測量的橋梁位移響應(yīng)視為結(jié)構(gòu)輸出數(shù)據(jù)，利用結(jié)構(gòu)輸入輸出數(shù)據(jù)反算撓度影響線，流程圖如圖1所示。下面分別介紹了基于視覺的行人位置估計方法和基于視覺的結(jié)構(gòu)位移測量方法。

圖1 計算撓度影響線流程圖Fig.1 Flow chart for calculating deflection influence line

2.1 基于計算機(jī)視覺的行人位置估計

2.1.1一般步驟

采用視覺方法估計行人位置可分為4個步驟，如圖2所示。首先，對相機(jī)進(jìn)行標(biāo)定，校正由魚眼鏡頭引起的徑向畸變。然后利用添加遮擋模型改進(jìn)的YOLOv3算法[24]檢測行人并確定行人數(shù)目，給出被檢測行人的識別結(jié)果，并將其作為跟蹤目標(biāo)。隨后通過視覺跟蹤算法來跟蹤檢測到的行人，將行人檢測框中心點視為行人位置，并估計視頻每一幀中的行人位置。最后，將圖像坐標(biāo)系中的行人位置轉(zhuǎn)換到真實坐標(biāo)系，實現(xiàn)對橋上行人位置的估計。

圖2 行人位置估計一般步驟Fig.2 General steps of pedestrian position estimation

2.1.2相機(jī)標(biāo)定

一個點從世界坐標(biāo)系轉(zhuǎn)換到像素坐標(biāo)系的過程可以用式(5)表示[25]：

2.1.3行人檢測

YOLOv3采用特征融合以及多尺度檢測的方法，使得目標(biāo)的檢測精度和速度得到有效提升[24]，其可分為4個步驟。首先通過訓(xùn)練好的模型將圖像劃分為若干個單元格，預(yù)測候選框及其相對位置、置信度以及所屬類別的后驗概率P。然后映射變換預(yù)測的相對位置以及置信度，得到檢測框。隨后通過設(shè)定閾值T，如果檢測框的置信度大于閾值T，則保留該檢測框。最后對每個類別分別進(jìn)行非極大值抑制處理，去除冗余窗口，輸出留下的檢測框的類別、位置、置信度。

在行人檢測中，行人與結(jié)構(gòu)、行人之間很容易出現(xiàn)遮擋情況，從而影響了行人檢測系統(tǒng)的精度。行人周邊相互遮擋的目標(biāo)會影響預(yù)測框的位置，從而導(dǎo)致最終的預(yù)測框偏離真實目標(biāo)，被環(huán)境部分遮擋的行人也很容易造成漏檢情況的發(fā)生，最終導(dǎo)致行人檢測系統(tǒng)性能的下降。為了能夠準(zhǔn)確預(yù)測在遮擋情況發(fā)生時預(yù)測框的位置，使用CityPersons訓(xùn)練集[27]中包含行人遮擋相互及被環(huán)境遮擋的2975張圖片作為整個試驗的訓(xùn)練集，按照7∶3的比例，使用自建的1275張圖片作為整個試驗的測試集。加入遮擋行人的數(shù)據(jù)集可以有效地提升存在遮擋情況的行人檢測能力。圖3為改進(jìn)的YOLO算法在復(fù)雜環(huán)境下的行人檢測結(jié)果。由圖3可知經(jīng)過改進(jìn)的模型能夠更容易檢測出相互遮擋和被環(huán)境遮擋的行人。

圖3 行人檢測結(jié)果Fig.3 Pedestrian detection results

2.1.4 視覺跟蹤

一旦在視頻或圖像序列的第一幀中檢測到或選擇了行人，就需要視覺跟蹤來跟蹤行人在連續(xù)圖像中的位置。由于相機(jī)角度，即使相機(jī)靜止，行人視圖比例從開始到結(jié)束一直在變化。此外，由于行人之間以及行人與環(huán)境之間存在遮擋。所以視覺跟蹤算法必須滿足尺度不變性和視圖魯棒性的要求，并能在遮擋發(fā)生時預(yù)測目標(biāo)位置。

本文使用卡爾曼濾波算法[28]實現(xiàn)行人目標(biāo)跟蹤，可以分為6個步驟，首先在YOLOv3檢測到行人目標(biāo)后，檢查第一幀，獲取矩形框的中心位置等信息。然后定義狀態(tài)向量，根據(jù)前一幀的目標(biāo)跟蹤結(jié)果，利用卡爾曼濾波算法預(yù)測目標(biāo)在當(dāng)前幀的位置，將檢測結(jié)果與預(yù)測結(jié)果進(jìn)行最優(yōu)相似度匹配。對于匹配成功的檢測目標(biāo)，用當(dāng)前幀的預(yù)測及檢測結(jié)果得到目標(biāo)位置的最優(yōu)估計值。最后顯示跟蹤結(jié)果并進(jìn)行下一幀的預(yù)測。

2.1.5坐標(biāo)變換

對圖像中的行人位置(像素坐標(biāo))進(jìn)行估計后，需要將其轉(zhuǎn)換為真實世界坐標(biāo)。在本研究中，假設(shè)橋面是一個平面，因此問題是將行人從圖像平面轉(zhuǎn)換為橋面平面。如圖4所示，橋側(cè)相機(jī)圖像用于投影行人縱橋向位置，橋端相機(jī)圖像用于投影行人橫橋向位置。結(jié)合兩臺相機(jī)投影結(jié)果，真實世界對象(橋梁和行人)被投影到圖像平面。最后，將行人的位置從圖像坐標(biāo)轉(zhuǎn)換為現(xiàn)實世界的坐標(biāo)，即橋面位置。在本文中，由于規(guī)定試驗者以直線通過橋梁，則不需考慮橫橋向位移，僅需一臺相機(jī)即可確定人行所在橋面位置。

2.2 基于計算機(jī)視覺的結(jié)構(gòu)位移測量

2.2.1一般步驟

基于視覺的方法從結(jié)構(gòu)振動視頻中測量位移一般分為4個步驟，如圖5所示。首先對相機(jī)進(jìn)行標(biāo)定，計算出圖像坐標(biāo)系與真實坐標(biāo)系間的幾何轉(zhuǎn)換關(guān)系。其次，從圖像中選取測量目標(biāo)作為圖像子區(qū)域，提取子區(qū)域特征。第三，采用視覺跟蹤算法結(jié)合選定的圖像特征進(jìn)行目標(biāo)跟蹤，并在視頻每幀圖像中更新目標(biāo)區(qū)域的位置。最后，通過比較每幀圖像中測量目標(biāo)的位置變化，計算出圖像坐標(biāo)系中的位移，并結(jié)合相機(jī)標(biāo)定結(jié)果和圖像坐標(biāo)系中的位移，得到實際坐標(biāo)系中的最終位移。

圖5 視覺測量一般步驟Fig.5 General steps of visual measurement

2.2.2 視覺測量的相機(jī)標(biāo)定實用方法

對于基于視覺的位移測量，相機(jī)標(biāo)定與第2.1.2節(jié)中介紹的標(biāo)定方法相同。但如果測量對象是無平面內(nèi)運(yùn)動或平面內(nèi)運(yùn)動可忽略的結(jié)構(gòu)，即主要位移方向是為豎向，且使用的鏡頭是無畸變鏡頭時，可以采用一種更實用和簡化的標(biāo)度比法。當(dāng)光軸垂直于位移方向時，比例因子s表示為式(7)[29]：

式中：D為選定對象的實際物理尺寸，單位為mm；d為該對象在圖像中的像素尺寸，單位為像素。當(dāng)目標(biāo)運(yùn)動平面與光軸之間存在角度時，比例因子必須通過以下來修正：

利用尺度比，可以很容易地將像素位移轉(zhuǎn)換為真實位移。

2.2.3 LK 光流法目標(biāo)跟蹤

與行人跟蹤不同，基于視覺的位移測量的跟蹤目標(biāo)更為簡單，且視圖比例變化不大。雖然位移測量目標(biāo)的跟蹤比行人跟蹤要容易得多，但它需要更高的精度。一般來說，跟蹤結(jié)果應(yīng)該是亞像素級的。LK 光流法[30]運(yùn)動目標(biāo)跟蹤的步驟為：首先在圖像序列中利用Shi-Tomasi角點算法來檢測當(dāng)前幀的所有角點，然后利用這些角點作為特征點，計算當(dāng)前幀的光流。通過對前一步驟算出的光流矢量進(jìn)行閾值化處理，選擇合理的閾值，除去超過閾值范圍的所有光流矢量。最后生成各角點運(yùn)動軌跡，并記錄相應(yīng)的位置坐標(biāo)。圖6為LK 光流法目標(biāo)跟蹤結(jié)果，圓點為檢測到的角點位置，線條描述角點運(yùn)動軌跡。

圖6 LK 光流法目標(biāo)跟蹤結(jié)果Fig.6 Target tracking results of LK optical flow method

2.2.4位移計算與轉(zhuǎn)換

檢測當(dāng)前幀中的特征點，將目標(biāo)特征點作為跟蹤點，其在圖像中的像素坐標(biāo)為(x1,y1)。通過灰度對比當(dāng)前幀和下一幀，估計目標(biāo)特征點在下一幀中的位置(x2,y2)，比例因子為s，則所選目標(biāo)在豎直方向上的位移為s·(y2?y1)。

3 基于多項式分段擬合實測撓度影響線

影響線是結(jié)構(gòu)在不同位置處受靜態(tài)荷載作用引起的響應(yīng)。然而在實際工程中，結(jié)構(gòu)健康監(jiān)測系統(tǒng)采集到的影響線是由橋上移動荷載引起的結(jié)構(gòu)響應(yīng)，不能忽略橋梁振動信息及其受行人動載效應(yīng)的影響。且與靜態(tài)荷載不同的是，行人本身是一個具有自適應(yīng)能力的動力系統(tǒng)，結(jié)構(gòu)發(fā)生振動或遇到障礙物時，行人會根據(jù)結(jié)構(gòu)振動幅度大小以及障礙物形狀及位置調(diào)節(jié)自身的步頻、步長等來保持身體平衡，行人的本能調(diào)節(jié)過程會影響人行荷載的大小，進(jìn)而影響結(jié)構(gòu)響應(yīng)。因此結(jié)合結(jié)構(gòu)動力響應(yīng)和行人參數(shù)的反演計算初始撓度影響線，對初始結(jié)果進(jìn)行了多項式分段擬合，提取了具有準(zhǔn)靜態(tài)特性的橋梁位移變影響線，消除了橋梁振動干擾，提高影響線測試精度。從數(shù)值分析和現(xiàn)場試驗的角度，驗證了本文多項式分段擬合方法的準(zhǔn)確度。對于簡支梁，無損傷狀態(tài)下橋梁跨中截面測點撓度影響線表達(dá)式為[31]：

式中：EI為橋梁抗彎剛度；Fp為單位荷載；x為荷載作用位置；L為橋梁計算跨度?？梢钥闯觯瑢τ诶硐牒喼Я?，撓度影響線由三次曲線分段函數(shù)表示。據(jù)此對實測試撓度影響線采用三次多項式進(jìn)行擬合可得到更加準(zhǔn)確的準(zhǔn)靜態(tài)影響線。

4 試驗驗證

4.1 試驗步驟

試驗在單跨簡支人行橋模型上得到了驗證。該橋是中型實際結(jié)構(gòu)的縮小模型，橋面總質(zhì)量1580 kg，橋面長10 m、寬1.6 m，計算跨度為9.8 m。

為避免測試者因不規(guī)范行走姿勢造成的不可靠數(shù)據(jù)，本試驗將兩個維特智能BWT61CL 無線傳感器分別固定在每個測試者質(zhì)心位置前后，取兩無線傳感器獲得的連續(xù)荷載時程平均值作為一次試驗數(shù)據(jù)。每位測試者被要求穿著硬質(zhì)鞋底的運(yùn)動鞋，在人行橋上以慢速1.05 Hz、中速1.6 Hz、快速2.1 Hz 的固定步頻行走完成3次步行試驗。

為了跟蹤行人通過橋面的整個過程，在距橋跨中4 m 處的三腳架上安裝了一臺帶有魚眼廣角鏡頭的大疆靈眸Action 運(yùn)動相機(jī)。相機(jī)可與智能手機(jī)連接，進(jìn)行遠(yuǎn)程非接觸控制，避免了由于接觸操控使得相機(jī)抖動而造成的誤差。設(shè)置視頻分辨率為4K(3840像素×2160像素)，幀數(shù)為50 fps。使用魚眼廣角鏡頭可為相機(jī)提供了一個大角度，以確保整個橋梁在相機(jī)拍攝視野中。如圖7所示，魚眼鏡頭拍攝的圖像存在嚴(yán)重的徑向畸變，且圖像中的直線橋變?yōu)榍€橋，故必須對相機(jī)進(jìn)行校正。校正后圖像如圖8所示。

圖7 帶畸變圖像Fig.7 Image with distortion

圖8 畸變校準(zhǔn)后圖像Fig.8 Distortion correction image

將一臺佳能5D4相機(jī)安裝在橋梁跨中1.5 m 處的三腳架上，用于測量橋梁位移。選用加裝24 mm～105 mm 變焦鏡頭的佳能相機(jī)，相機(jī)可通過佳能官方應(yīng)用程序與智能手機(jī)連接，設(shè)置視頻分辨率為1080P(1920像素×1080像素)，幀數(shù)為50 fps。同時在橋下安裝一個激光位移計，以驗證視覺測量的準(zhǔn)確性，激光位移計型號為Banner 250U，采樣頻率為200 Hz。試驗過程中，行人從橋的一側(cè)移動到另一側(cè)，相機(jī)和激光位移計同步記錄橋梁跨中位移。

現(xiàn)場試驗情況如圖9所示。在試驗開始時測試者發(fā)出“開始”的指令隨即開始行走并通過橋梁，在結(jié)束時發(fā)出“停止”指令隨即停止行走。在此過程中，兩臺相機(jī)在分別從始至終記錄行人、結(jié)構(gòu)行為的同時記錄外界音頻信號。通過對比兩臺相機(jī)記錄的音頻信號中起止指令所在時刻截取視頻片斷并同步相機(jī)。

圖9 現(xiàn)場試驗情況Fig.9 Test scenario

4.2 視覺測量精度檢驗

圖10為行人步頻為2.15 Hz 時橋梁跨中處位移對比，其中實線、虛線分別為視覺測量法與激光位移計測得的橋梁跨中處位移。圖10表明兩種方法獲得的位移結(jié)果非常一致。其歸一化互相關(guān)(NCC)為99.95%。圖11為行人步頻為2.15 Hz 時橋梁跨中處位移傅里葉幅值對比，其中視覺測量法前兩階DLF相較于激光位移計的誤差分別為3.2%、3.3%。結(jié)合圖10和圖11可知，本文使用的視覺測量方法可準(zhǔn)確測量橋梁位移。

圖10 步頻2.15 Hz 時的位移對比Fig.10 Displacement comparison of 2.15 Hz step frequency

圖11 步頻2.15 Hz 時的傅里葉幅值對比Fig.11 Fourier amplitudecomparison of 2.15 Hz step frequency

4.3 試驗分析與結(jié)果

由于篇幅限制，取體重為636 N的測試者以1.6 Hz 步頻通過人行橋的工況分析，通過無線傳感器測得行人豎向加速度時程，經(jīng)傅里葉變換后通過式(3)計算人行荷載(取前4階DLF及相位角)。圖12為重量為636 N 的測試者在步頻為1.6 Hz時的豎向加速度時程曲線(消除重力加速度g)。圖13為對應(yīng)的人行荷載時程曲線。圖14為通過目標(biāo)跟蹤估計得到的行人位置信息，其中實線為初始行人位置，虛線為擬合后的行人位置。由圖14可知，初始行人位置存在明顯的倒退行走，顯然這與實際情況不符，行人是勻速通過橋梁的，故需對初始行人位置進(jìn)行線性擬合，a表示時間，b表示行人位置。通過視覺測量得到的結(jié)構(gòu)位移響應(yīng)，如圖15所示。

圖12 步頻1.6 Hz 時的豎向加速度時程Fig.12 Vertical acceleration timehistory of 1.6 Hz step frequency

圖13 步頻1.6 Hz 時的人行荷載時程Fig.13 Pedestrian load time history of 1.6 Hz step frequency

圖14 步頻1.6 Hz 時的行人位置Fig.14 Pedestrian position of 1.6 Hz step frequency

圖15 步頻1.6 Hz 時的結(jié)構(gòu)位移Fig.15 Structural displacement of 1.6 Hz step frequency

通過無線傳感器得到的人行荷載時程，結(jié)合視覺測量方法得到的位移響應(yīng)和跟蹤估計的行人位置信息，建立了實測撓度影響線，如圖16所示，實線表示實測撓度影響線，劃線表示采用多項式分段擬合得到的撓度影響線。由圖16可知，反算得到的實測撓度影響線包含橋梁振動信息，且隨著行人步頻變快越顯著；對實測影響線進(jìn)行分段擬合后，擬合值與理論值接近，能較好地消除橋梁振動以及人行動載效應(yīng)的影響，適用于行人步頻快、橋面平順性差的工況。圖17為橋梁撓度影響線擬合值與理論值對比。由圖17可知，兩影響線基本吻合，峰值位置存在誤差，這是由于計算人行荷載時假定步行過程是周期性的，而實際行人的步行過程接近于一個窄帶的隨機(jī)過程[32]，很難保證完美的周期性。并且計算撓度影響線理論值時假定橋梁兩端是簡支的，而實際橋梁并不完全簡支。撓度影響線理論值的峰值出現(xiàn)在橋梁計算跨度跨中4.9 m 位置處，峰值為4.137。撓度影響線擬合值的峰值出現(xiàn)在4.48 m 位置處，較理論值誤差為8.57%，峰值為4.131，較理論值誤差為0.15%。

圖16 撓度影響線擬合Fig.16 Fitting of deflection influence lines

圖17 撓度影響線對比Fig.17 Comparison of deflection influence lines

5 結(jié)論

為了克服傳統(tǒng)的結(jié)構(gòu)健康監(jiān)測方法成本高、安裝時間過長、需要大量勞動力從事電纜布線工作等不便和缺點，建立了一個完全非接觸式影響線識別系統(tǒng)中。橋梁撓度影響線通過便攜式相機(jī)、計算機(jī)視覺和無線傳感器識別。通過一系列室內(nèi)試驗對比研究，驗證了該方法的可行性。主要的研究方法、發(fā)現(xiàn)和結(jié)論如下：

(1)提出了一種基于視覺的結(jié)構(gòu)輸入(行人位置)估計方法。通過添加遮擋模型改進(jìn)YOLOv3算法，在行人檢測過程中，即使在發(fā)生遮擋的情況下，也能成功地檢測跟蹤到行人。

(2)為了擴(kuò)大攝像機(jī)的視野，并在整個過程中跟蹤行人，采用廣角魚眼相機(jī)，對相機(jī)標(biāo)定，校準(zhǔn)徑向畸變，實現(xiàn)精確的行人位置估計。

(3)利用LK 光流法進(jìn)行目標(biāo)跟蹤測量位移測量，得到的位移響應(yīng)與激光位移計的結(jié)果具有很高的一致性，NCC 系數(shù)為99.95%。

(4)將視覺跟蹤估計行人位置、視覺測量得到的位移響應(yīng)相結(jié)合與無線傳感器得到的行人加速度時程相結(jié)合，成功地識別出了實測撓度影響線，并通過多項式分段擬合得到與理論值接近的擬合撓度影響線，影響線峰值誤差為0.15%，峰值位置誤差為8.57%。