一种大跨度桥梁健康状态监测装置的制作方法

本发明涉及建筑健康监测领域，具体涉及一种大跨度桥梁健康状态监测装置。

背景技术：

目前中、老龄桥梁在国内陆路交通网络中占相当的比重，随着桥龄的增长，由于环境、气候等自然因素的作用，还有日益增加的交通量及重车、超重车过桥数量的不断增加和人为事故等因素，不少桥梁已出现严重的功能退化，因此，必须对桥梁健康实施监测，进行必要的维修养护，以防止桥梁垮塌等灾害的发生。

相关技术中，桥梁监测方式包括人工监测方式，即人工对桥梁健康状况的各种数据进行测量、记录和处理，该种方式的缺陷在于：完成一次数据采集的耗时较长，难以保证各观测点数据工作状态的一致性，而且在数据测量、记录、处理的过程中难免引入人为误差，再者，由于桥梁分布的地域性，也造成了人工监测的难度较大。另外，在监测时，一般是采用现代光学、超声波、电磁等技术检测工具，对大型结构进行力学性能和工作性能检测的工作，其只能提供结构局部的检测和诊断信息，而不能提供整体和全面的全桥结构健康检测和评估。

技术实现要素：

为解决上述问题，本发明旨在提供一种大跨度桥梁健康状态监测装置。

本发明的目的采用以下技术方案来实现：

一种大跨度桥梁健康状态监测装置，包括：

(1)视频采集端，用于通过高速相机采集包含跟踪目标的视频，所述跟踪目标为桥梁各危险部位；

(2)服务器，用于接收视频采集端采集的视频，提取视频图像并将视频图像存储至数据库；

(3)客户端，用于对数据库中的视频图像进行处理、分析和显示，以实现客户端对各桥梁健康状况的远程实时监测和健康评估；所述视频采集端通过局域网络与所述服务器相连，所述服务器通过无线网络与所述客户端连接。

本发明的有益效果为：通过设置视频采集端、服务器、客户端，实现对桥梁的健康状况进行实时、客观的智能化评估，自动化程度高，且客户端通过因特网对服务器上的数据进行查看，客户端可灵活设置，从而解决了上述的技术问题。

附图说明

利用附图对本发明作进一步说明，但附图中的应用场景不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的结构示意图。

图2是本发明客户端的运作流程示意图。

附图标记：

视频采集端1、服务器2、数据库3、客户端4、预警设备5、控制服务器21、数据存储服务器22、数据预处理模块41、数据分析模块42、数据评估模块43、数据显示模块44

具体实施方式

结合以下应用场景对本发明作进一步描述。

应用场景1

参见图1、图2，本应用场景中的一个实施例的大跨度桥梁健康状态监测装置，包括：

(1)视频采集端1，用于通过高速相机采集包含跟踪目标的视频，所述跟踪目标为桥梁各危险部位；

(2)服务器2，用于接收视频采集端1采集的视频，提取视频图像并将视频图像存储至数据库3；

(3)客户端3，用于对数据库3中的视频图像进行处理、分析和显示，以实现客户端3对各桥梁健康状况的远程实时监测和健康评估；所述视频采集端1通过局域网络与所述服务器2相连，所述服务器2通过无线网络与所述客户端3连接。

本发明上述实施例通过设置视频采集端1、服务器2、客户端4和预警设备5，实现对桥梁的健康状况进行实时、客观的智能化评估，自动化程度高，且客户端4通过因特网对服务器2上的数据进行查看，客户端4可灵活设置，从而解决了上述的技术问题。

优选的，所述服务器2包括相连接的控制服务器21和数据存储服务器22，所述控制服务器21将视频采集端1采集的视频进行视频图像提取并将提取的视频图像存储至存储服务器22。

本优选实施例完成了对视频图像的安全存储。

优选的，所述大跨度桥梁健康状态监测装置还包括预警设备5，所述预警设备5与客户端4连接，用于在桥梁健康状况出现异常时，进行实时报警并显示异常位置。

本优选实施例增加了装置的智能化预警功能，提高了监测的安全性。

优选的，所述客户端4包括依次连接的数据预处理模块41、数据分析模块42、数据评估模块43和数据显示模块44，所述数据预处理模块41用于将采集到的视频图像转化到灰度空间，并使转换后的图像通过高斯滤波器进行滤波处理；所述数据分析模块42用于对预处理后的视频图像进行分析和处理，以得到跟踪目标的振动位移曲线；所述数据评估模块43用于对所述振动位移曲线进行健康分析并判断跟踪目标的振动位移是否处于健康状态，输出桥梁健康状态结果；所述数据显示模块44用于显示所述桥梁健康状态结果。

本优选实施例构建了客户端4对视频图像进行处理的模块架构。

优选的，所述数据分析模块42包括算法选择子模块、主算法子模块、副算法子模块、位移修正子模块和显示子模块，具体为：

(1)算法选择子模块：与主算法子模块、副算法子模块连接，用于对视频中各桢图像的位移提取算法进行选择，其遵循的选取原则为：当前帧图像与前一桢图像相比不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁的任一项条件时，选取主算法子模块进行追踪目标的运动位移的提取；当前帧图像与前一桢图像相比满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件时，选取副算法子模块进行追踪目标的运动位移的提取，T₁的取值范围为(0,1mm]；

(2)主算法子模块：用于通过图像配准的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧中的追踪目标图像作为模板图像P(σ)，后续帧图像为I_j(σ),j＝2,...n，多次扭曲所述后续帧图像I_j(σ)，使其与模板图像P(σ)对齐，每次扭曲后所述后续帧图像I_j(σ)与模板图像P(σ)之间的增量△δ_j为：

${\mathrm{\Δ\δ}}_j={\[\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\·\▿P\]}^{-1}\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\[I_j\left(\mathrm{\ψ}\right(\mathrm{\σ};{\mathrm{\δ}}_j\left)\right)-P\left(\mathrm{\σ}\right)\]$

其中，ψ(σ；δ_j)为模板图像P(σ)的像素坐标σ(x,y)映射到后续帧图像I_j(σ)的亚像素坐标，δ_j表示扭曲变换的参数向量，I_j(ψ(σ；δ_j))为从后续帧图像I_j(σ)中截取的扭曲部分，为扭曲部分在亚像素坐标ψ(σ；δ_j)处的梯度；

所述主算法子模块通过不断迭代计算增量△δ_j来更新δ_j，以逐渐实现图像配准，更新过程为：δ_j←δ_j+△δ_j，每次更新后对变换参数δ_j的小数点后一位进行四舍五入取整，停止更新的条件为||△δ_j||≤T₂，T₂为设定的阈值，T₂的取值范围为[0.4,0.5]，最后更新的变换参数δ_j即为后续帧图像I_j(σ)中要提取的追踪目标的复杂运动位移；

(3)副算法子模块：用于通过模板匹配的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧图像为匹配图像，后续帧的有效区域为模板图像P_i,i＝2,...n,各桢图像中追踪目标的简单运动位移(x_i,y_i)为：

$(x_i,y_i)=(x_0+\frac{2m_1{m}_5-m_2{m}_4}{{m_4}^2-4m_3{m}_5},y_0+\frac{2m_2{m}_3-m_1{m}_4}{{m_4}^2-4m_3{m}_5})$

其中，(x₀,y₀)为通过计算模板图像P_i与第一帧图像的NCC相关系数矩阵得到的最大位置点的坐标，m₁,m₂,m₃,m₄,m₅为(x₀,y₀)周围8个坐标点(x_k,y_k)的相关系数，k＝1,...,8，(x₀,y₀)与所述相关系数的关系为c(x_k,y_k)＝m₀+m₁x_k+m₂y_k+m₃x_k²+m₄x_ky_k+m₅y_k²；

(4)位移修正子模块,考虑到当地温度对桥梁位移的影响，引入温度修正系数L对上述提取的运动位移进行修正，经验值L的取值范围是[0.95，1.05]：

修正后的复杂运动位移：δ′_j＝δ_j×L

修正后的简单运动位移：(x_i,y_i)′＝(x_i,y_i)×L；

(5)显示子模块，与主算法子模块、副算法子模块连接，用于处理并显示与追踪目标相关的运动位移数据和跟踪目标的振动位移曲线。

本优选实施例设置副算法子模块，对满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件的相邻桢图像进行位移提取，只需选择模板图像进行计算，简单、直观，自动化能力强，且提出了简单运动位移(x_i,y_i)的计算公式，提高了计算的速度；通过设置主算法子模块，对不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁任一项条件的相邻桢图像进行位移提取，提取过程较为简单，可以快速被执行，可以实现高速摄像的实时位移提取；通过设置算法选择子模块，对视频中各桢图像的位移提取算法进行优化选择，减少了对图像处理的依赖，提高了位移提取的效率，算法对每桢图像的位移提取时间可以降低到0.1ms以下；通过设置位移修正子模块，消除了温度对位移的影响，计算结果更为准确。

优选的，所述数据评估模块43包括主评估子模块和副评估子模块：

a、主评估子模块：对显示子模块中的振动位移曲线进行评估，若振动位移曲线评估合格，则不再对运动位移数据进行评估；

b、副评估子模块：当振动位移曲线评估不合格时，对显示子模块中的运动位移数据进行评估，找出异常数据。

本优选实施例提高了评估的精度。

本应用场景中的上述实施例取T₁＝0.1，T₂＝0.5，对大跨度桥梁健康状况的分析速度相对提高了5％，分析精度相对提高了4.2％。

应用场景2

参见图1、图2，本应用场景中的一个实施例的大跨度桥梁健康状态监测装置，包括：

(1)视频采集端1，用于通过高速相机采集包含跟踪目标的视频，所述跟踪目标为桥梁各危险部位；

(2)服务器2，用于接收视频采集端1采集的视频，提取视频图像并将视频图像存储至数据库3；

(3)客户端3，用于对数据库3中的视频图像进行处理、分析和显示，以实现客户端3对各桥梁健康状况的远程实时监测和健康评估；所述视频采集端1通过局域网络与所述服务器2相连，所述服务器2通过无线网络与所述客户端3连接。

本发明上述实施例通过设置视频采集端1、服务器2、客户端4和预警设备5，实现对桥梁的健康状况进行实时、客观的智能化评估，自动化程度高，且客户端4通过因特网对服务器2上的数据进行查看，客户端4可灵活设置，从而解决了上述的技术问题。

优选的，所述服务器2包括相连接的控制服务器21和数据存储服务器22，所述控制服务器21将视频采集端1采集的视频进行视频图像提取并将提取的视频图像存储至存储服务器22。

本优选实施例完成了对视频图像的安全存储。

优选的，所述大跨度桥梁健康状态监测装置还包括预警设备5，所述预警设备5与客户端4连接，用于在桥梁健康状况出现异常时，进行实时报警并显示异常位置。

本优选实施例增加了装置的智能化预警功能，提高了监测的安全性。

优选的，所述客户端4包括依次连接的数据预处理模块41、数据分析模块42、数据评估模块43和数据显示模块44，所述数据预处理模块41用于将采集到的视频图像转化到灰度空间，并使转换后的图像通过高斯滤波器进行滤波处理；所述数据分析模块42用于对预处理后的视频图像进行分析和处理，以得到跟踪目标的振动位移曲线；所述数据评估模块43用于对所述振动位移曲线进行健康分析并判断跟踪目标的振动位移是否处于健康状态，输出桥梁健康状态结果；所述数据显示模块44用于显示所述桥梁健康状态结果。

本优选实施例构建了客户端4对视频图像进行处理的模块架构。

优选的，所述数据分析模块42包括算法选择子模块、主算法子模块、副算法子模块、位移修正子模块和显示子模块，具体为：

(1)算法选择子模块：与主算法子模块、副算法子模块连接，用于对视频中各桢图像的位移提取算法进行选择，其遵循的选取原则为：当前帧图像与前一桢图像相比不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁的任一项条件时，选取主算法子模块进行追踪目标的运动位移的提取；当前帧图像与前一桢图像相比满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件时，选取副算法子模块进行追踪目标的运动位移的提取，T₁的取值范围为(0,1mm]；

(2)主算法子模块：用于通过图像配准的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧中的追踪目标图像作为模板图像P(σ)，后续帧图像为I_j(σ),j＝2,...n，多次扭曲所述后续帧图像I_j(σ)，使其与模板图像P(σ)对齐，每次扭曲后所述后续帧图像I_j(σ)与模板图像P(σ)之间的增量△δ_j为：

${\mathrm{\Δ\δ}}_j={\[\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\·\▿P\]}^{-1}\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\[I_j\left(\mathrm{\ψ}\right(\mathrm{\σ};{\mathrm{\δ}}_j\left)\right)-P\left(\mathrm{\σ}\right)\]$

其中，ψ(σ；δ_j)为模板图像P(σ)的像素坐标σ(x,y)映射到后续帧图像I_j(σ)的亚像素坐标，δ_j表示扭曲变换的参数向量，I_j(ψ(σ；δ_j))为从后续帧图像I_j(σ)中截取的扭曲部分，为扭曲部分在亚像素坐标ψ(σ；δ_j)处的梯度；

所述主算法子模块通过不断迭代计算增量△δ_j来更新δ_j，以逐渐实现图像配准，更新过程为：δ_j←δ_j+△δ_j，每次更新后对变换参数δ_j的小数点后一位进行四舍五入取整，停止更新的条件为||△δ_j||≤T₂，T₂为设定的阈值，T₂的取值范围为[0.4,0.5]，最后更新的变换参数δ_j即为后续帧图像I_j(σ)中要提取的追踪目标的复杂运动位移；

(3)副算法子模块：用于通过模板匹配的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧图像为匹配图像，后续帧的有效区域为模板图像P_i,i＝2,...n,各桢图像中追踪目标的简单运动位移(x_i,y_i)为：

$(x_i,y_i)=(x_0+\frac{2m_1{m}_5-m_2{m}_4}{{m_4}^2-4m_3{m}_5},y_0+\frac{2m_2{m}_3-m_1{m}_4}{{m_4}^2-4m_3{m}_5})$

其中，(x₀,y₀)为通过计算模板图像P_i与第一帧图像的NCC相关系数矩阵得到的最大位置点的坐标，m₁,m₂,m₃,m₄,m₅为(x₀,y₀)周围8个坐标点(x_k,y_k)的相关系数，k＝1,...,8，(x₀,y₀)与所述相关系数的关系为c(x_k,y_k)＝m₀+m₁x_k+m₂y_k+m₃x_k²+m₄x_ky_k+m₅y_k²；

(4)位移修正子模块,考虑到当地温度对桥梁位移的影响，引入温度修正系数L对上述提取的运动位移进行修正，经验值L的取值范围是[0.95，1.05]：

修正后的复杂运动位移：δ′_j＝δ_j×L

修正后的简单运动位移：(x_i,y_i)′＝(x_i,y_i)×L；

(5)显示子模块，与主算法子模块、副算法子模块连接，用于处理并显示与追踪目标相关的运动位移数据和跟踪目标的振动位移曲线。

本优选实施例设置副算法子模块，对满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件的相邻桢图像进行位移提取，只需选择模板图像进行计算，简单、直观，自动化能力强，且提出了简单运动位移(x_i,y_i)的计算公式，提高了计算的速度；通过设置主算法子模块，对不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁任一项条件的相邻桢图像进行位移提取，提取过程较为简单，可以快速被执行，可以实现高速摄像的实时位移提取；通过设置算法选择子模块，对视频中各桢图像的位移提取算法进行优化选择，减少了对图像处理的依赖，提高了位移提取的效率，算法对每桢图像的位移提取时间可以降低到0.1ms以下；通过设置位移修正子模块，消除了温度对位移的影响，计算结果更为准确。

优选的，所述数据评估模块43包括主评估子模块和副评估子模块：

a、主评估子模块：对显示子模块中的振动位移曲线进行评估，若振动位移曲线评估合格，则不再对运动位移数据进行评估；

b、副评估子模块：当振动位移曲线评估不合格时，对显示子模块中的运动位移数据进行评估，找出异常数据。

本优选实施例提高了评估的精度。

本应用场景中的上述实施例取T₁＝0.09，T₂＝0.5时，对大跨度桥梁健康状况的分析速度相对提高了4.5％，分析精度相对提高了4.2％。

应用场景3

参见图1、图2，本应用场景中的一个实施例的大跨度桥梁健康状态监测装置，包括：

(1)视频采集端1，用于通过高速相机采集包含跟踪目标的视频，所述跟踪目标为桥梁各危险部位；

(2)服务器2，用于接收视频采集端1采集的视频，提取视频图像并将视频图像存储至数据库3；

(3)客户端3，用于对数据库3中的视频图像进行处理、分析和显示，以实现客户端3对各桥梁健康状况的远程实时监测和健康评估；所述视频采集端1通过局域网络与所述服务器2相连，所述服务器2通过无线网络与所述客户端3连接。

本发明上述实施例通过设置视频采集端1、服务器2、客户端4和预警设备5，实现对桥梁的健康状况进行实时、客观的智能化评估，自动化程度高，且客户端4通过因特网对服务器2上的数据进行查看，客户端4可灵活设置，从而解决了上述的技术问题。

优选的，所述服务器2包括相连接的控制服务器21和数据存储服务器22，所述控制服务器21将视频采集端1采集的视频进行视频图像提取并将提取的视频图像存储至存储服务器22。

本优选实施例完成了对视频图像的安全存储。

优选的，所述大跨度桥梁健康状态监测装置还包括预警设备5，所述预警设备5与客户端4连接，用于在桥梁健康状况出现异常时，进行实时报警并显示异常位置。

本优选实施例增加了装置的智能化预警功能，提高了监测的安全性。

优选的，所述客户端4包括依次连接的数据预处理模块41、数据分析模块42、数据评估模块43和数据显示模块44，所述数据预处理模块41用于将采集到的视频图像转化到灰度空间，并使转换后的图像通过高斯滤波器进行滤波处理；所述数据分析模块42用于对预处理后的视频图像进行分析和处理，以得到跟踪目标的振动位移曲线；所述数据评估模块43用于对所述振动位移曲线进行健康分析并判断跟踪目标的振动位移是否处于健康状态，输出桥梁健康状态结果；所述数据显示模块44用于显示所述桥梁健康状态结果。

本优选实施例构建了客户端4对视频图像进行处理的模块架构。

优选的，所述数据分析模块42包括算法选择子模块、主算法子模块、副算法子模块、位移修正子模块和显示子模块，具体为：

(1)算法选择子模块：与主算法子模块、副算法子模块连接，用于对视频中各桢图像的位移提取算法进行选择，其遵循的选取原则为：当前帧图像与前一桢图像相比不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁的任一项条件时，选取主算法子模块进行追踪目标的运动位移的提取；当前帧图像与前一桢图像相比满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件时，选取副算法子模块进行追踪目标的运动位移的提取，T₁的取值范围为(0,1mm]；

(2)主算法子模块：用于通过图像配准的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧中的追踪目标图像作为模板图像P(σ)，后续帧图像为I_j(σ),j＝2,...n，多次扭曲所述后续帧图像I_j(σ)，使其与模板图像P(σ)对齐，每次扭曲后所述后续帧图像I_j(σ)与模板图像P(σ)之间的增量△δ_j为：

${\mathrm{\Δ\δ}}_j={\[\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\·\▿P\]}^{-1}\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\[I_j\left(\mathrm{\ψ}\right(\mathrm{\σ};{\mathrm{\δ}}_j\left)\right)-P\left(\mathrm{\σ}\right)\]$

其中，ψ(σ；δ_j)为模板图像P(σ)的像素坐标σ(x,y)映射到后续帧图像I_j(σ)的亚像素坐标，δ_j表示扭曲变换的参数向量，I_j(ψ(σ；δ_j))为从后续帧图像I_j(σ)中截取的扭曲部分，为扭曲部分在亚像素坐标ψ(σ；δ_j)处的梯度；

所述主算法子模块通过不断迭代计算增量△δ_j来更新δ_j，以逐渐实现图像配准，更新过程为：δ_j←δ_j+△δ_j，每次更新后对变换参数δ_j的小数点后一位进行四舍五入取整，停止更新的条件为||△δ_j||≤T₂，T₂为设定的阈值，T₂的取值范围为[0.4,0.5]，最后更新的变换参数δ_j即为后续帧图像I_j(σ)中要提取的追踪目标的复杂运动位移；

(3)副算法子模块：用于通过模板匹配的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧图像为匹配图像，后续帧的有效区域为模板图像P_i,i＝2,...n,各桢图像中追踪目标的简单运动位移(x_i,y_i)为：

$(x_i,y_i)=(x_0+\frac{2m_1{m}_5-m_2{m}_4}{{m_4}^2-4m_3{m}_5},y_0+\frac{2m_2{m}_3-m_1{m}_4}{{m_4}^2-4m_3{m}_5})$

其中，(x₀,y₀)为通过计算模板图像P_i与第一帧图像的NCC相关系数矩阵得到的最大位置点的坐标，m₁,m₂,m₃,m₄,m₅为(x₀,y₀)周围8个坐标点(x_k,y_k)的相关系数，k＝1,...,8，(x₀,y₀)与所述相关系数的关系为c(x_k,y_k)＝m₀+m₁x_k+m₂y_k+m₃x_k²+m₄x_ky_k+m₅y_k²；

(4)位移修正子模块,考虑到当地温度对桥梁位移的影响，引入温度修正系数L对上述提取的运动位移进行修正，经验值L的取值范围是[0.95，1.05]：

修正后的复杂运动位移：δ′_j＝δ_j×L

修正后的简单运动位移：(x_i,y_i)′＝(x_i,y_i)×L；

(5)显示子模块，与主算法子模块、副算法子模块连接，用于处理并显示与追踪目标相关的运动位移数据和跟踪目标的振动位移曲线。

本优选实施例设置副算法子模块，对满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件的相邻桢图像进行位移提取，只需选择模板图像进行计算，简单、直观，自动化能力强，且提出了简单运动位移(x_i,y_i)的计算公式，提高了计算的速度；通过设置主算法子模块，对不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁任一项条件的相邻桢图像进行位移提取，提取过程较为简单，可以快速被执行，可以实现高速摄像的实时位移提取；通过设置算法选择子模块，对视频中各桢图像的位移提取算法进行优化选择，减少了对图像处理的依赖，提高了位移提取的效率，算法对每桢图像的位移提取时间可以降低到0.1ms以下；通过设置位移修正子模块，消除了温度对位移的影响，计算结果更为准确。

优选的，所述数据评估模块43包括主评估子模块和副评估子模块：

a、主评估子模块：对显示子模块中的振动位移曲线进行评估，若振动位移曲线评估合格，则不再对运动位移数据进行评估；

b、副评估子模块：当振动位移曲线评估不合格时，对显示子模块中的运动位移数据进行评估，找出异常数据。

本优选实施例提高了评估的精度。

本应用场景中的上述实施例取T₁＝0.06，T₂＝0.45时，对大跨度桥梁健康状况的分析速度相对提高了3.5％，分析精度相对提高了4％。

应用场景4

参见图1、图2，本应用场景中的一个实施例的大跨度桥梁健康状态监测装置，包括：

(1)视频采集端1，用于通过高速相机采集包含跟踪目标的视频，所述跟踪目标为桥梁各危险部位；

(2)服务器2，用于接收视频采集端1采集的视频，提取视频图像并将视频图像存储至数据库3；

(3)客户端3，用于对数据库3中的视频图像进行处理、分析和显示，以实现客户端3对各桥梁健康状况的远程实时监测和健康评估；所述视频采集端1通过局域网络与所述服务器2相连，所述服务器2通过无线网络与所述客户端3连接。

本发明上述实施例通过设置视频采集端1、服务器2、客户端4和预警设备5，实现对桥梁的健康状况进行实时、客观的智能化评估，自动化程度高，且客户端4通过因特网对服务器2上的数据进行查看，客户端4可灵活设置，从而解决了上述的技术问题。

优选的，所述服务器2包括相连接的控制服务器21和数据存储服务器22，所述控制服务器21将视频采集端1采集的视频进行视频图像提取并将提取的视频图像存储至存储服务器22。

本优选实施例完成了对视频图像的安全存储。

优选的，所述大跨度桥梁健康状态监测装置还包括预警设备5，所述预警设备5与客户端4连接，用于在桥梁健康状况出现异常时，进行实时报警并显示异常位置。

本优选实施例增加了装置的智能化预警功能，提高了监测的安全性。

优选的，所述客户端4包括依次连接的数据预处理模块41、数据分析模块42、数据评估模块43和数据显示模块44，所述数据预处理模块41用于将采集到的视频图像转化到灰度空间，并使转换后的图像通过高斯滤波器进行滤波处理；所述数据分析模块42用于对预处理后的视频图像进行分析和处理，以得到跟踪目标的振动位移曲线；所述数据评估模块43用于对所述振动位移曲线进行健康分析并判断跟踪目标的振动位移是否处于健康状态，输出桥梁健康状态结果；所述数据显示模块44用于显示所述桥梁健康状态结果。

本优选实施例构建了客户端4对视频图像进行处理的模块架构。

优选的，所述数据分析模块42包括算法选择子模块、主算法子模块、副算法子模块、位移修正子模块和显示子模块，具体为：

(1)算法选择子模块：与主算法子模块、副算法子模块连接，用于对视频中各桢图像的位移提取算法进行选择，其遵循的选取原则为：当前帧图像与前一桢图像相比不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁的任一项条件时，选取主算法子模块进行追踪目标的运动位移的提取；当前帧图像与前一桢图像相比满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件时，选取副算法子模块进行追踪目标的运动位移的提取，T₁的取值范围为(0,1mm]；

(2)主算法子模块：用于通过图像配准的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧中的追踪目标图像作为模板图像P(σ)，后续帧图像为I_j(σ),j＝2,...n，多次扭曲所述后续帧图像I_j(σ)，使其与模板图像P(σ)对齐，每次扭曲后所述后续帧图像I_j(σ)与模板图像P(σ)之间的增量△δ_j为：

${\mathrm{\Δ\δ}}_j={\[\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\·\▿P\]}^{-1}\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\[I_j\left(\mathrm{\ψ}\right(\mathrm{\σ};{\mathrm{\δ}}_j\left)\right)-P\left(\mathrm{\σ}\right)\]$

其中，ψ(σ；δ_j)为模板图像P(σ)的像素坐标σ(x,y)映射到后续帧图像I_j(σ)的亚像素坐标，δ_j表示扭曲变换的参数向量，I_j(ψ(σ；δ_j))为从后续帧图像I_j(σ)中截取的扭曲部分，为扭曲部分在亚像素坐标ψ(σ；δ_j)处的梯度；

所述主算法子模块通过不断迭代计算增量△δ_j来更新δ_j，以逐渐实现图像配准，更新过程为：δ_j←δ_j+△δ_j，每次更新后对变换参数δ_j的小数点后一位进行四舍五入取整，停止更新的条件为||△δ_j||≤T₂，T₂为设定的阈值，T₂的取值范围为[0.4,0.5]，最后更新的变换参数δ_j即为后续帧图像I_j(σ)中要提取的追踪目标的复杂运动位移；

(3)副算法子模块：用于通过模板匹配的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧图像为匹配图像，后续帧的有效区域为模板图像P_i,i＝2,...n,各桢图像中追踪目标的简单运动位移(x_i,y_i)为：

$(x_i,y_i)=(x_0+\frac{2m_1{m}_5-m_2{m}_4}{{m_4}^2-4m_3{m}_5},y_0+\frac{2m_2{m}_3-m_1{m}_4}{{m_4}^2-4m_3{m}_5})$

其中，(x₀,y₀)为通过计算模板图像P_i与第一帧图像的NCC相关系数矩阵得到的最大位置点的坐标，m₁,m₂,m₃,m₄,m₅为(x₀,y₀)周围8个坐标点(x_k,y_k)的相关系数，k＝1,...,8，(x₀,y₀)与所述相关系数的关系为c(x_k,y_k)＝m₀+m₁x_k+m₂y_k+m₃x_k²+m₄x_ky_k+m₅y_k²；

(4)位移修正子模块,考虑到当地温度对桥梁位移的影响，引入温度修正系数L对上述提取的运动位移进行修正，经验值L的取值范围是[0.95，1.05]：

修正后的复杂运动位移：δ′_j＝δ_j×L

修正后的简单运动位移：(x_i,y_i)′＝(x_i,y_i)×L；

(5)显示子模块，与主算法子模块、副算法子模块连接，用于处理并显示与追踪目标相关的运动位移数据和跟踪目标的振动位移曲线。

本优选实施例设置副算法子模块，对满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件的相邻桢图像进行位移提取，只需选择模板图像进行计算，简单、直观，自动化能力强，且提出了简单运动位移(x_i,y_i)的计算公式，提高了计算的速度；通过设置主算法子模块，对不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁任一项条件的相邻桢图像进行位移提取，提取过程较为简单，可以快速被执行，可以实现高速摄像的实时位移提取；通过设置算法选择子模块，对视频中各桢图像的位移提取算法进行优化选择，减少了对图像处理的依赖，提高了位移提取的效率，算法对每桢图像的位移提取时间可以降低到0.1ms以下；通过设置位移修正子模块，消除了温度对位移的影响，计算结果更为准确。

优选的，所述数据评估模块43包括主评估子模块和副评估子模块：

a、主评估子模块：对显示子模块中的振动位移曲线进行评估，若振动位移曲线评估合格，则不再对运动位移数据进行评估；

b、副评估子模块：当振动位移曲线评估不合格时，对显示子模块中的运动位移数据进行评估，找出异常数据。

本优选实施例提高了评估的精度。

本应用场景中的上述实施例取T₁＝0.06，T₂＝0.4时，对大跨度桥梁健康状况的分析速度相对提高了4％，分析精度相对提高了4.5％。

应用场景5

参见图1、图2，本应用场景中的一个实施例的大跨度桥梁健康状态监测装置，包括：

(1)视频采集端1，用于通过高速相机采集包含跟踪目标的视频，所述跟踪目标为桥梁各危险部位；

(2)服务器2，用于接收视频采集端1采集的视频，提取视频图像并将视频图像存储至数据库3；

(3)客户端3，用于对数据库3中的视频图像进行处理、分析和显示，以实现客户端3对各桥梁健康状况的远程实时监测和健康评估；所述视频采集端1通过局域网络与所述服务器2相连，所述服务器2通过无线网络与所述客户端3连接。

本发明上述实施例通过设置视频采集端1、服务器2、客户端4和预警设备5，实现对桥梁的健康状况进行实时、客观的智能化评估，自动化程度高，且客户端4通过因特网对服务器2上的数据进行查看，客户端4可灵活设置，从而解决了上述的技术问题。

优选的，所述服务器2包括相连接的控制服务器21和数据存储服务器22，所述控制服务器21将视频采集端1采集的视频进行视频图像提取并将提取的视频图像存储至存储服务器22。

本优选实施例完成了对视频图像的安全存储。

优选的，所述大跨度桥梁健康状态监测装置还包括预警设备5，所述预警设备5与客户端4连接，用于在桥梁健康状况出现异常时，进行实时报警并显示异常位置。

本优选实施例增加了装置的智能化预警功能，提高了监测的安全性。

优选的，所述客户端4包括依次连接的数据预处理模块41、数据分析模块42、数据评估模块43和数据显示模块44，所述数据预处理模块41用于将采集到的视频图像转化到灰度空间，并使转换后的图像通过高斯滤波器进行滤波处理；所述数据分析模块42用于对预处理后的视频图像进行分析和处理，以得到跟踪目标的振动位移曲线；所述数据评估模块43用于对所述振动位移曲线进行健康分析并判断跟踪目标的振动位移是否处于健康状态，输出桥梁健康状态结果；所述数据显示模块44用于显示所述桥梁健康状态结果。

本优选实施例构建了客户端4对视频图像进行处理的模块架构。

优选的，所述数据分析模块42包括算法选择子模块、主算法子模块、副算法子模块、位移修正子模块和显示子模块，具体为：

(1)算法选择子模块：与主算法子模块、副算法子模块连接，用于对视频中各桢图像的位移提取算法进行选择，其遵循的选取原则为：当前帧图像与前一桢图像相比不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁的任一项条件时，选取主算法子模块进行追踪目标的运动位移的提取；当前帧图像与前一桢图像相比满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件时，选取副算法子模块进行追踪目标的运动位移的提取，T₁的取值范围为(0,1mm]；

(2)主算法子模块：用于通过图像配准的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧中的追踪目标图像作为模板图像P(σ)，后续帧图像为I_j(σ),j＝2,...n，多次扭曲所述后续帧图像I_j(σ)，使其与模板图像P(σ)对齐，每次扭曲后所述后续帧图像I_j(σ)与模板图像P(σ)之间的增量△δ_j为：

${\mathrm{\Δ\δ}}_j={\[\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\·\▿P\]}^{-1}\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\[I_j\left(\mathrm{\ψ}\right(\mathrm{\σ};{\mathrm{\δ}}_j\left)\right)-P\left(\mathrm{\σ}\right)\]$

其中，ψ(σ；δ_j)为模板图像P(σ)的像素坐标σ(x,y)映射到后续帧图像I_j(σ)的亚像素坐标，δ_j表示扭曲变换的参数向量，I_j(ψ(σ；δ_j))为从后续帧图像I_j(σ)中截取的扭曲部分，为扭曲部分在亚像素坐标ψ(σ；δ_j)处的梯度；

所述主算法子模块通过不断迭代计算增量△δ_j来更新δ_j，以逐渐实现图像配准，更新过程为：δ_j←δ_j+△δ_j，每次更新后对变换参数δ_j的小数点后一位进行四舍五入取整，停止更新的条件为||△δ_j||≤T₂，T₂为设定的阈值，T₂的取值范围为[0.4,0.5]，最后更新的变换参数δ_j即为后续帧图像I_j(σ)中要提取的追踪目标的复杂运动位移；

(3)副算法子模块：用于通过模板匹配的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧图像为匹配图像，后续帧的有效区域为模板图像P_i,i＝2,...n,各桢图像中追踪目标的简单运动位移(x_i,y_i)为：

$(x_i,y_i)=(x_0+\frac{2m_1{m}_5-m_2{m}_4}{{m_4}^2-4m_3{m}_5},y_0+\frac{2m_2{m}_3-m_1{m}_4}{{m_4}^2-4m_3{m}_5})$

其中，(x₀,y₀)为通过计算模板图像P_i与第一帧图像的NCC相关系数矩阵得到的最大位置点的坐标，m₁,m₂,m₃,m₄,m₅为(x₀,y₀)周围8个坐标点(x_k,y_k)的相关系数，k＝1,...,8，(x₀,y₀)与所述相关系数的关系为c(x_k,y_k)＝m₀+m₁x_k+m₂y_k+m₃x_k²+m₄x_ky_k+m₅y_k²；

(4)位移修正子模块,考虑到当地温度对桥梁位移的影响，引入温度修正系数L对上述提取的运动位移进行修正，经验值L的取值范围是[0.95，1.05]：

修正后的复杂运动位移：δ′_j＝δ_j×L

修正后的简单运动位移：(x_i,y_i)′＝(x_i,y_i)×L；

(5)显示子模块，与主算法子模块、副算法子模块连接，用于处理并显示与追踪目标相关的运动位移数据和跟踪目标的振动位移曲线。

本优选实施例设置副算法子模块，对满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件的相邻桢图像进行位移提取，只需选择模板图像进行计算，简单、直观，自动化能力强，且提出了简单运动位移(x_i,y_i)的计算公式，提高了计算的速度；通过设置主算法子模块，对不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁任一项条件的相邻桢图像进行位移提取，提取过程较为简单，可以快速被执行，可以实现高速摄像的实时位移提取；通过设置算法选择子模块，对视频中各桢图像的位移提取算法进行优化选择，减少了对图像处理的依赖，提高了位移提取的效率，算法对每桢图像的位移提取时间可以降低到0.1ms以下；通过设置位移修正子模块，消除了温度对位移的影响，计算结果更为准确。

优选的，所述数据评估模块43包括主评估子模块和副评估子模块：

a、主评估子模块：对显示子模块中的振动位移曲线进行评估，若振动位移曲线评估合格，则不再对运动位移数据进行评估；

b、副评估子模块：当振动位移曲线评估不合格时，对显示子模块中的运动位移数据进行评估，找出异常数据。

本优选实施例提高了评估的精度。

本应用场景中的上述实施例取T₁＝0.03，T₂＝0.4时，对大跨度桥梁健康状况的分析速度相对提高了4.7％，分析精度相对提高了4.5％。

最后应当说明的是，以上应用场景仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳应用场景对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。