Real-Time Vision-Based Deformation Measurement of Long-Span Bridge with Inertial Sensors
-
摘要:
大跨度桥梁线形形变测量对桥梁结构健康安全监测与评估具有重要意义。水准测量、连通管等形变测量方法测量频率低、成本高，单相机形变测量方法测量距离越远测量精度越差，难以满足大跨度桥梁线形形变高精度测量需求。提出了一种集成惯性传感器和视觉测量的大跨度桥梁线形形变实时测量方法，使用相机高频拍摄桥梁测量靶标图像，同时利用惯性传感器纠正因相机振动带来的测量误差，通过多惯性相机串联延伸视觉测量的范围，采用联合解算获取大跨度桥梁线形形变，并研制了相应的测量设备，应用于某特大桥健康监测系统中。实验结果表明，所提方法的均方根误差为0.38 mm。在桥梁实验验证中，惯性相机测量大跨度桥梁线形形变与静力水准测量结果高度一致，相关系数均优于99.90%，相互较差为4.94 mm。所提方法能高精度实时测量大跨度桥梁线形形变，具有良好的工程价值。
Abstract:ObjectivesThe deformation measurement of long-span bridge alignment is of great significance to the assessment of bridge health and safety. The traditional deformation measurement methods of long-span bridge alignment, such as sensor and close range vision measurement, have shortcomings such as high measurement cost and limited measurement frequency, which are difficult to meet the requirements of high-precision measurement of deformation of long-span bridge alignment.
MethodsCombined with dynamic precision engineering measurement and machine vision technology, this paper proposes a method for measuring the deformation of long-span bridge alignment based on inertial cameras. The camera is used to take high-frequency images of bridge measurement targets. At the same time, the inertial sensors are used to correct the measurement errors caused by camera movement. The deformation of long-span bridge alignment is calculated through inertial cameras in series mode, and the corresponding measuring equipment is developed and applied to the health monitoring system of a super large bridge.
ResultsThe precision experiment results show that root mean square error of the proposed method is 0.38 mm. In engineering applications, the deformation of bridge alignment trend measured by the inertial camera is highly consistent with the static leveling results. The correlation coefficient is better than 99.90%, and the mutual difference is 4.94 mm.
ConclusionsThe proposed method can measure the linear deformation of large span bridges with high accuracy and real-time, and has good engineering value.
-
聚类是数据挖掘的基础技术，有广泛的应用前景[1-2]。聚类算法主要分为层次聚类法、网格聚类法、分割聚类法和密度聚类法[3]。其中，分割聚类法简单、快速，广泛应用于各个领域，典型的分割聚类法是K-means算法和K-medoids算法。在实际应用中，这两种算法由于需要用户输入聚类个数，聚类结果与初始点选择有关等缺点，不能很好地满足用户的需要[4]。《Science》中提出的峰值密度聚类算法虽然解决了上述问题，但存在阈值需要人为输入的问题[5]。
本文根据数据场，提出了数据质量聚类中心的概念。数据场将物质粒子间的相互作用及场描述方法引入到抽象的数域空间，实现数据对象或者样本点间相互作用的形式化描述[6]和计算。数据场将数据所具有的固有属性定义为数据的质量，并根据实际挖掘视角的不同，表示数据不同的属性。本文中，数据质量将代表数据的密集程度，并以此确定聚类中心，该方法无需用户输入聚类个数，也无需选择初始点，更无需人为设定阈值。
1 数据质量聚类
在物理场中，物体的质量是不能改变的，是物体固有的属性。同理，在数据场中，数据的质量也代表了每个数据自身的固有属性。所不同的是，在数据场中，数据并不是实际存在的物体，可以这样认为，n维数据集构成了一个n维的数据空间，数据集中每一个数据就是存在于这个n维空间中的“物体”，其各种属性都遵从于这个n维空间自身的特点。
定义：设数据集α含有N个数据点，α ={x1, x2…xn}，其中xi={xi1, xi2…xip}，组成一个P维空间Ω，在空间Ω中的数据点xi所固有的属性τ，称之为点xi在数据集α中的数据质量。
需要注意的是，定义中数据质量代表的是数据在数据集中的固有属性，这个固有属性会随着数据挖掘视角的不同而改变。一个数据点在数据集中可能会具有多种不同的固有属性，应当根据当前的挖掘任务赋予数据相应的属性。因此，数据场中数据质量具有集群性，即只在数据集中具有质量；空间唯一性，即相关的属性只在对应的数据集中存在；可变性，即根据需求不同代表的数据属性也不同。
聚类算法的目的是让类内相似度最高，类间相似度最低。反映在数据集的空间分布上，就是相似度高的数据分布在同一个类簇中，不同的类簇代表了不同的类别。因此，在聚类分析中，一般取数据密集程度这一属性作为数据的质量。此时，数据场中的数据质量本质上是反映数据集中数据的密集程度，处于密集区域的数据具有较大的数据质量，处于稀疏区域的数据具有较小的数据质量。
图 1所示的红色点标出的是数据集中质量较大的点，与所描述的数据质量概念一致，这些点都处于数据集中的密集区域。在聚类分析中，处于密集区域的点都有可能成为聚类中心。图 1中所示的数据集含有5 000个点，而质量较大的点约有1 000个，显然，只根据数据的质量不能确定数据集的聚类中心。
类比于物理场中的引力，聚类中心应当具有较大的质量，能够吸引其他质量较小的点在其周围形成一个类簇。同时，各个聚类中心应当相距较远，从而使聚类中心之间的作用力很小，直至可以忽略，这样，类簇与类簇间的相互关系就很弱，而类簇内的相互关系就很强，满足了最基本的聚类思想。
因此，数据质量聚类算法使用数据质量和数据之间的距离两个属性共同确定一个聚类中心。其中，数据之间的距离属性定义为：在数据集{x1, x2…xn}中，所有比xi质量大的点到xi距离的最小值；如果点xi是数据集中质量最大的点，那么其距离属性就为数据集中其他点xj(j≠i)到xi距离的最大值。
数据距离属性的计算式为：
$$ {{\delta }_{i}}=\left\{ \begin{align} &\underset{j:{{m}_{j}}>{{m}_{i}}}{\mathop{\min }}\, ({{d}_{ij}}), \ \ \exists \ {{m}_{i}}<{{m}_{j}} \\ &\underset{j=1, 2, \cdots , n}{\mathop{\max }}\, ({{d}_{ij}}), \ \ \nexists \ {{m}_{i}}<{{m}_{j}} \\ \end{align} \right. $$ (1) 式中，m表示数据的质量，dij表示两点间的距离。当数据集x1, x2…xn中存在比xi数据质量大的点xj，即mi＜mj时，数据之间的距离为所有比xi质量大的点到xi距离的最小值；如果不存在比xi数据质量大的点xj，即xi是数据集中质量最大的点，那么其距离属性就为数据集中其他点xj(j≠i)到xi距离的最大值。所以点xi的mi和δi都较大时，可以确定是聚类中心。在实际操作中，为了便于准确找到数据集中同时具有较大数据质量和较大距离属性的点，用数据集中每个数据点的质量属性作为横坐标、距离属性作为纵坐标绘制的决策图来确定聚类中心。在决策图中，同时具有较大横坐标和纵坐标数值的点会脱离其他只具有1个较大属性的点或者不具有较大属性的点，从而可以将这些脱离出来的点作为聚类中心。
图 2所示为数据集的决策图，可以发现，只有少数几个点的两个属性都较大，这些点用红色标出，作为备选聚类中心。
2 数据质量聚类算法实验验证
2.1 实验数据
数据质量聚类算法的核心是确定聚类中心，涉及数据的质量和距离两个属性。其中，距离属性计算使用欧氏距离，质量的计算采用参考文献[7]中的方法。在确定聚类中心后，先进行数据类别的划分，即将剩余点划入与其最近的聚类中心，形成一个个类簇，然后根据用户需要输出聚类结果。算法流程如图 3所示。
通过一系列的对比实验验证数据质量聚类算法的聚类效果，并与传统的K-means算法、K-medoids算法和文献[1]中的峰值密度聚类算法进行了对比。
在对比实验中，采用7个数据集进行实验。数据集A1、A2、A3分别含有3 000个点和20个类簇、5 250个点和35个类簇、7 500个点和50个类簇，并且3个数据集中类簇内点的个数均为150个。数据集S1、S2、S3、S4都含有5 000个点和15个类簇，但是每个数据集中类簇的扩展程度不一样，而且4个数据集中每个类簇的中心是已知的[8]。这7个数据集的二维可视图如图 4和图 5所示，图 4和图 5中的横、纵坐标分别为数据集二维可视图的X轴和Y轴。
2.2 对比实验
首先对数据集A1, A2, A3分别使用数据质量聚类算法和K-means算法、K-medoids算法和峰值密度聚类算法进行聚类。将得到的聚类结果进行二维可视化展示，同时，对每个数据集中聚类结果进行统计，记录每种算法在每个类簇中聚集的点个数，与数据集实际每个类簇中应有点的个数进行对比，计算出准确率。
因K-means算法和K-medoids算法需要输入聚类个数，故按照数据集实际情况输入。数据质量聚类算法使用决策图确定聚类中心，如图 6所示为数据集A1、A2和A3通过决策图选出的聚类中心。图 6中彩色点为聚类中心，即横坐标和纵坐标都较大的点。所选出的聚类中心个数在数据集A1中为20，在A2中为35，在A3中为50，这与数据集原有的类簇个数相同。
图 7是4种聚类算法的结果图，从图 7中可以发现，数据质量聚类算法和峰值密度聚类算法都有较好的聚类效果。对于聚类算法的准确率统计每一个数据集中4种算法对每一个类簇聚类的准确率，即类簇内点的个数和实际每个类内点的个数比值。统计结果如表 1所示。
![]()
图 7 数据集A1、A2、A3聚类结果比较Figure 7. Comparison of Clustering Results on Datasets A1, A2, A3表 1 数据集A1、A2、A3实验平均准确率统计表/%Table 1. Clustering Accuracies of Datasets A1, A2, A3/%数据集 K-means
算法K-medoids
算法峰值密度
聚类数据质量
聚类A1 86.87 70.33 95.33 96.00 A2 76.84 79.73 96.65 96.91 A3 79.81 61.17 96.17 97.49 从表 1的统计结果中可以发现，数据质量的聚类算法具有最高的平均准确率，相比于传统的K-mean算法和K-medoids算法分割聚类算法，在准确率上提高了很多，同时，与最新的峰值密度聚类算法相比，准确率也有所提高。
在数据集S1、S2、S3、S4中，每个类簇的中心是已知的，通过比较4种算法得到的聚类中心与实际中心的偏差量，对比每种算法确定聚类中心的效果。使用决策图确定数据质量聚类算法的聚类中心。K-means算法与K-medoids算法依然输入真实的类簇个数，4种算法聚类结果二维可视图如图 8所示。
![]()
图 8 数据集S1、S2、S3、S4聚类结果比较Figure 8. Comparison of Clustering Results on Datasets S1, S2, S3, S4在图 8中，数据质量聚类算法和峰值密度聚类算法的聚类效果直观上要优于K-means算法和K-medoids算法。在对比聚类效果后，统计4种聚类算法所确定的聚类中心与实际中心位置的误差率。具体计算式为：
$$ {{\gamma }_{i}}=\frac{1}{2}(\frac{{{x}_{i}}-{{a}_{i}}}{{{a}_{i}}}+\frac{{{y}_{i}}-{{b}_{i}}}{{{b}_{i}}}) $$ (2) 式中，xi和yi为实验中得到的聚类中心的坐标；ai和bi为数据集类簇实际的坐标。γi值越小，说明越接近实际的类簇中心。每个数据集中的平均误差率统计结果如表 2所示。
表 2 数据集S1、S2、S3、S4聚类中心平均误差率统计/%Table 2. Error Rate of Clustering Centers for Datasets S1, S2, S3, S4/%数据集 K-means
算法K-medoids
算法峰值密度
聚类数据质量
聚类S1 0.37 0.49 2.81 0.14 S2 0.53 0.74 0.31 0.11 S3 0.98 1.55 0.66 0.15 S4 1.39 1.71 0.46 0.14 从表 2中可以看出，数据质量聚类算法所确定的聚类中心与实际聚类中心的误差率最小，几乎与实际中心重合，明显优于K-means算法、K-medoids算法和峰值密度聚类算法。
综合数据集A1、A2、A3和数据集S1、S2、S3、S4的实验结果，可以认为数据质量聚类算法比传统的分割聚类算法和峰值密度聚类算法有更好的聚类效果。
2.3 实验结果分析
上述实验结果说明，数据质量聚类算法不仅可以准确提取出聚类中心的个数，而且在剩余点的划分上也有很高的准确率，对于数据集A1、A2、A3平均准确率分别达到了96.00%、96.91%和97.49%。在确定聚类中心上，本文方法也有很高的准确率，对于数据集S1、S2、S3、S4，聚类中心的平均误差率分别为0.14%、0.11%、0.15%和0.14%。数据质量聚类算法不仅在各项指标上明显优于传统的K-means算法和K-medoids算法，而且优于峰值密度聚类算法。
对于数据集A1、A2、A3，数据质量聚类算法比峰值密度聚类算法在平均准确率上分别提高了0.67、0.26和1.32个百分点，而对于数据集S1、S2、S3、S4，聚类中心的平均误差率分别降低了20.07、2.82、4.40和3.29倍。综合以上实验结果，可以证明数据质量聚类算法能够准确确定聚类中心，并能够得到准确的聚类结果。
3 结语
传统的中心聚类算法虽然简单快速，但是需要用户输入较多参数，并且具有球形偏差，在实际应用中有较多限制。本文提出了数据质量的概念，即代表了数据场中数据的固有属性，并且根据挖掘视角的不同，数据质量所代表的属性也不同。在本文中，赋予数据质量数据密集程度的属性，结合物理场中引力的概念，提出一种确定聚类中心的新方法，即具有较大质量和较大距离属性的点可以视为聚类中心。本文方法解决了需要用户输入参数、聚类结果受初始点影响等问题，减少了中心聚类算法在实际应用中的限制。实验结果证明，数据质量聚类算法能够准确找到数据集的聚类中心，并具有较为准确的聚类结果。
数据质量聚类算法虽然较为准确，但在实际应用中需要提高算法的效率，可以采取分布式计算的方式，这将是下一步研究的方向。
-
![]()
图 1 基于惯性相机的大跨度桥梁线形形变实时测量原理图
Figure 1. Schematic of Real-Time Vision-Based Deformation Measurement of Long-Span Bridge with Inertial Sensors
![]()
图 8 惯性相机和单相机视觉测量结果
Figure 8. Results of Inertial Camera and Traditional Visual Measurement
![]()
图 11 惯性相机和静力水准局部比较结果图
Figure 11. Local Comparison Results of Inertial Camera and Static Leveling
![]()
图 12 惯性相机和静力水准整体比较结果
Figure 12. Overall Comparison Results of Inertial Camera and Static Leveling
表 1 模拟实验统计信息
Table 1 Simulation Experiment Statistical Information
实验环境 测量靶标 相关系数/% RMSE/mm 惯性相机测量 单相机视觉测量 惯性相机测量 单相机视觉测量 稳定时段 4 99.65 99.80 0.38 0.42 7 99.44 98.96 0.38 0.61 8 99.65 99.58 0.25 0.59 振动时段 4 74.52 48.17 0.37 0.62 7 83.31 55.22 0.38 2.34 8 76.32 43.74 0.40 3.58 
下载: 导出CSV
表 2 惯性相机和静力水准局部比较统计信息
Table 2 Local Comparative Statistical Information Between Inertial Camera and Static Leveling
测点 相关系数/% 相互较差/mm 5号 99.99 4.16 8号 99.99 3.67
下载: 导出CSV
表 3 惯性相机和静力水准整体比较统计信息
Table 3 Overall Comparative Statistical Information Between Inertial Camera and Static Leveling
时刻 相关系数/% 相互较差/mm 火车行驶至桥跨1/4处 99.99 1.33 火车行驶至桥跨1/2处 99.91 9.46 火车尾行驶至桥梁3/4处 99.98 4.03
下载: 导出CSV
-
[1] 曾德礼. 大跨度桥梁承载能力鉴定研究[J]. 桥梁建设, 2018, 48(5): 43-47. https://www.cnki.com.cn/Article/CJFDTOTAL-QLJS201805009.htm Zeng Deli. Study on Identification of Load Bearing Capacity of Long Span Bridge[J]. Bridge Construction, 2018, 48(5): 43-47. https://www.cnki.com.cn/Article/CJFDTOTAL-QLJS201805009.htm
[2] 李锦华, 张焕涛, 陈水生, 等. 基于移动荷载傅里叶谱的桥梁共振频域分析[J]. 铁道学报, 2022, 44(7): 163-170. https://www.cnki.com.cn/Article/CJFDTOTAL-TDXB202207019.htm Li Jinhua, Zhang Huantao, Chen Shuisheng, et al. Frequency-domain Analysis of Bridge Resonance Based on Moving Load Fourier Spectrum[J]. Journal of the China Railway Society, 2022, 44(7): 163-170. https://www.cnki.com.cn/Article/CJFDTOTAL-TDXB202207019.htm
[3] Zhou Y, Xia Y, Fu Y. Analytical Formulas of Beam Deflection Due to Vertical Temperature Difference[J]. Engineering Structures, 2021, 240: 112366. doi: 10.1016/j.engstruct.2021.112366
[4] 施洲, 蒲黔辉, 岳青. 基于健康监测的高铁大型桥梁运营性能评定[J]. 铁道工程学报, 2017, 34(1): 67-74. doi: 10.3969/j.issn.1006-2106.2017.01.013 Shi Zhou, Pu Qianhui, Yue Qing. Service Performance Evaluation of High Speed Railway Long Span Bridge Based on Healthy Monitoring[J]. Journal of Railway Engineering Society, 2017, 34(1): 67-74. doi: 10.3969/j.issn.1006-2106.2017.01.013
[5] 魏周春. 高速铁路大跨度桥梁变形对线路平顺度的影响分析[J]. 铁道建筑, 2022, 62(7): 81-85. https://www.cnki.com.cn/Article/CJFDTOTAL-TDJZ202207019.htm Wei Zhouchun. Analysis on Influence of Long-span High Speed Railway Bridge Deformation on Line Smoothness[J]. Railway Engineering, 2022, 62(7): 81-85. https://www.cnki.com.cn/Article/CJFDTOTAL-TDJZ202207019.htm
[6] 陈克坚, 杨国静, 胡玉珠. 铁路大跨度混凝土拱桥徐变变形控制因素研究[J]. 铁道工程学报, 2019, 36(4): 48-53. https://www.cnki.com.cn/Article/CJFDTOTAL-TDGC201904010.htm Chen Kejian, Yang Guojing, Hu Yuzhu. Research on the Creep Control Factors of Railway Long-span Concrete Arch Bridge[J]. Journal of Railway Engineering Society, 2019, 36(4): 48-53. https://www.cnki.com.cn/Article/CJFDTOTAL-TDGC201904010.htm
[7] 王应良, 陈星宇, 杨国静. 基于运营纵坡控制的大跨铁路和公铁合建桥竖向刚度设计方法[J]. 桥梁建设, 2021, 51(4): 25-30. https://www.cnki.com.cn/Article/CJFDTOTAL-QLJS202104004.htm Wang Yingliang, Chen Xingyu, Yang Guojing. Vertical Stiffness Design Method Based on Longitudinal Gradient Control in Service Period for Long-Span Rail-cum-Road Bridge[J]. Bridge Construction, 2021, 51(4): 25-30. https://www.cnki.com.cn/Article/CJFDTOTAL-QLJS202104004.htm
[8] Ni F T, Zhang J, Noori M N. Deep Learning for Data Anomaly Detection and Data Compression of a Long-Span Suspension Bridge[J]. Computer-Aided Civil and Infrastructure Engineering, 2020, 35(7): 685-700. doi: 10.1111/mice.12528
[9] 陈睿哲, 涂伟, 李清泉, 等. 融合多源测量数据的桥梁挠度异常探测方法[J]. 测绘通报, 2022(9): 105-110. https://www.cnki.com.cn/Article/CJFDTOTAL-CHTB202209019.htm Chen Ruizhe, Tu Wei, Li Qingquan, et al. The Method of Bridge Deflection Outlier Detection by Fusing Multi-sourced Surveying Data[J]. Bulletin of Surveying and Mapping, 2022(9): 105-110. https://www.cnki.com.cn/Article/CJFDTOTAL-CHTB202209019.htm
[10] Abu Dabous S, Feroz S. Condition Monitoring of Bridges with Non-contact Testing Technologies[J]. Automation in Construction, 2020, 116: 103224. doi: 10.1016/j.autcon.2020.103224
[11] Kim M K, Wang Q, Li H. Non-contact Sensing Based Geometric Quality Assessment of Buildings and Civil Structures: A Review[J]. Automation in Construction, 2019, 100: 163-179. doi: 10.1016/j.autcon.2019.01.002
[12] Rashidi M, Mohammadi M, Kivi S S, et al. A Decade of Modern Bridge Monitoring Using Terrestrial Laser Scanning: Review and Future Directions[J]. Remote Sensing, 2020, 12(22): 3796. doi: 10.3390/rs12223796
[13] Kim D, Kwak Y, Sohn H. Accelerated Cable-stayed Bridge Construction Using Terrestrial Laser Scanning[J]. Automation in Construction, 2020, 117: 103269. doi: 10.1016/j.autcon.2020.103269
[14] Qin X, Ding X, Liao M, et al. A Bridge-Tailored Multi-temporal DInSAR Approach for Remote Exploration of Deformation Characteristics and Mechanisms of Complexly Structured Bridges[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 156: 27-50. doi: 10.1016/j.isprsjprs.2019.08.003
[15] Xiong S T, Wang C S, Qin X Q, et al. Time-series Analysis on Persistent Scatter-Interferometric Synthetic Aperture Radar (PS-InSAR) Derived Displacements of the Hong Kong-Zhuhai-Macao Bridge (HZMB) from Sentinel-1A Observations [J]. Remote Sensing, 2021, 13(4): 546. doi: 10.3390/rs13040546
[16] Xu S Y, Wang J, Shou W C, et al. Computer Vision Techniques in Construction: A Critical Review[J]. Archives of Computational Methods in Engineering, 2021, 28(5): 3383-3397. doi: 10.1007/s11831-020-09504-3
[17] 龚健雅. 人工智能时代测绘遥感技术的发展机遇与挑战[J]. 武汉大学学报(信息科学版), 2018, 43(12): 1788-1796. doi: 10.13203/j.whugis20180082 Gong Jianya. Chances and Challenges for Development of Surveying and Remote Sensing in the Age of Artificial Intelligence[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1788-1796. doi: 10.13203/j.whugis20180082
[18] Spencer B F, Hoskere V, Narazaki Y. Advances in Computer Vision-based Civil Infrastructure Inspection and Monitoring[J]. Engineering, 2019, 5(2): 199-222.
[19] 李清泉, 朱家松, 李虹, 等. 基于漂流式胶囊机器人的管道快速检测系统[J]. 中国给水排水, 2021, 37(10): 126-132. https://www.cnki.com.cn/Article/CJFDTOTAL-GSPS202110026.htm Li Qingquan, Zhu Jiasong, Li Hong, et al. Rapid Detection System of Pipeline Based on Floating Capsule Robot[J]. China Water & Wastewater, 2021, 37(10): 126-132. https://www.cnki.com.cn/Article/CJFDTOTAL-GSPS202110026.htm
[20] 李清泉, 谷宇, 涂伟, 等. 利用管道胶囊进行排水管网协同检测的新方法[J]. 武汉大学学报(信息科学版), 2021, 46(8): 1123-1130. doi: 10.13203/j.whugis20200509 Li Qingquan, Gu Yu, Tu Wei, et al. Collaborative Inspection for the Sewer Pipe Network Using Pipe Capsules[J]. Geomatics and Information Science of Wuhan University, 2021, 46(8): 1123-1130. doi: 10.13203/j.whugis20200509
[21] Peng X, Zhong X G, Zhao C, et al. A UAV-based Machine Vision Method for Bridge Crack Recognition and Width Quantification Through Hybrid Feature Learning[J]. Construction and Building Materials, 2021, 299: 123896.
[22] Yu Z W, Shen Y G, Shen C K. A Real-time Detection Approach for Bridge Cracks Based on Yolov4-FPM[J]. Automation in Construction, 2021, 122: 103514.
[23] 邵帅, 周志祥, 邓国军, 等. 基于非接触远程智能感知的桥梁形态监测试验[J]. 中国公路学报, 2019, 32(11): 91-102. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL201911009.htm 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. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL201911009.htm
[24] Shajihan S A V, Hoang T, Mechitov K, et al. Wireless Smart Vision System for Synchronized Displacement Monitoring of Railroad Bridges[J]. Computer-Aided Civil and Infrastructure Engineering, 2022, 37(9): 1070-1088.
[25] Pan P, Xing C, Bai J. et al. A Remote Deflection Detection Method for Long-Span Bridges Using Adaptive Mask and High-Resolution Camera[J]. Measurement, 2022, 201: 111774.
[26] Luo L X, Feng M Q, Wu Z Y. Robust Vision Sensor for Multi-point Displacement Monitoring of Bridges in the Field[J]. Engineering Structures, 2018, 163: 255-266.
[27] Zhuge S, Xu X P, Zhong L J, et al. Noncontact Deflection Measurement for Bridge Through a Multi-UAVs System[J]. Computer-Aided Civil and Infrastructure Engineering, 2022, 37(6): 746-761.
[28] Han Y T, Wu G, Feng D M. Vision-based Displacement Measurement Using an Unmanned Aerial Vehicle[J]. Structural Control and Health Monitoring, 2022, 29(10): e3025.
[29] 涂伟, 李清泉, 高文武, 等. 基于机器视觉的桥梁挠度实时精密测量方法[J]. 测绘地理信息, 2020, 45(6): 80-87. https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG202006018.htm Tu Wei, Li Qingquan, Gao Wenwu, et al. Monitoring the Dynamic Deflection of Bridges Using Computer Vision[J]. Journal of Geomatics, 2020, 45(6): 80-87. https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG202006018.htm
[30] 朱前坤, 崔德鹏, 杜永峰. 基于网络摄像机的桥梁挠度非接触识别[J]. 工程力学, 2022, 39(6): 146-155. https://www.cnki.com.cn/Article/CJFDTOTAL-GCLX202206013.htm Zhu Qiankun, Cui Depeng, Du Yongfeng. Non-contact Identification of Bridge Deflection Based on Network Camera[J]. Engineering Mechanics, 2022, 39(6): 146-155. https://www.cnki.com.cn/Article/CJFDTOTAL-GCLX202206013.htm
[31] 李清泉, 张德津, 汪驰升, 等. 动态精密工程测量技术及应用[J]. 测绘学报, 2021, 50(9): 1147-1158. https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB202109003.htm Li Qingquan, Zhang Dejin, Wang Chisheng, et al. Technology and Applications of Dynamic and Precise Engineering Surveying[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(9): 1147-1158. https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB202109003.htm
[32] 李清泉, 毛庆洲. 道路/轨道动态精密测量进展[J]. 测绘学报, 2017, 46(10): 1734-1741. https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201710055.htm Li Qingquan, Mao Qingzhou. Progress on Dynamic and Precise Engineering Surveying for Pavement and Track[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1734-1741. https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201710055.htm
[33] 李清泉, 汪驰升, 熊思婷, 等. 从几何计算到特征提取的广义测量数据处理[J]. 武汉大学学报(信息科学版), 2022, 47(11): 1805-1814. doi: 10.13203/j.whugis20220606 Li Qingquan, Wang Chisheng, Xiong Siting, et al. Generalized Surveying Data Processing: From Geometric Parameters Calculation to Feature Information Extraction[J]. Geomatics and Information Science of Wuhan University, 2022, 47(11): 1805-1814. doi: 10.13203/j.whugis20220606
[34] 李清泉. 动态精密工程测量[M]. 北京: 科学出版社, 2021. Li Qingquan. Dynamic Precision Engineering Survey[M]. Beijing: Science Press, 2021.
[35] Shah A W, Bangash J I, Khan A W, et al. Comparative Analysis of Median Filter and Its Variants for Removal of Impulse Noise from Gray Scale Images[J]. Journal of King Saud University - Computer and Information Sciences, 2022, 34(3): 505-519.
计量
- 文章访问数: 637
- HTML全文浏览量: 88
- PDF下载量: 135
