论文部分内容阅读
基于计算机视觉的结构振动位移测量技术在土木结构工程领域具有广泛应用前景。然而,现有的基于计算机视觉的位移测量方法大多需要人工目标进行目标匹配或跟踪;此外,数字图像相关方法（Digital Image Correlation,DIC）作为该技术领域中的典型方法,其测量精度通常对环境光照变化及位移突变较为敏感。因此,开展改进的DIC方法及其在结构振动位移测量的应用研究具有重要的理论与现实意义。本文提出了一种光照鲁棒的结构振动位移计算机视觉测量方法。该方法本质上是一种改进的DIC方法,由两部分组成:一是测量目标语义分割,由基于全卷积神经网络（Fully Convolutional Networks,FCN）和条件随机场（Conditional Random Fields,CRF）构建的图像语义分割模型将待测结构从背景中分割出来;二是基于DIC的结构振动位移测量。最后实验验证了本文所提方法的有效性。主要工作如下:1.开展了基于计算机视觉的结构振动位移测量方法调查研究,设计并实现了基于SURF（Speeded-Up Robust Feature）特征点匹配的方法和基于深度学习光流方法的结构振动位移测量方法。2.提出了一种改进的DIC方法,将深度表征学习和条件随机场引入DIC方法中的模板定义和ROI（Region of Interest）配置两个环节,实现对待测结构的精准定位,显著改善了DIC方法对光照干扰的鲁棒性,并且放宽了帧间小位移这一约束,从而克服了常规DIC方法易产生粗大测量值的缺陷。3.系统地开展了实验室简支梁实测实验,包括理想光照条件下的典型方法比对实验、光照分布不均匀条件下所提方法性能验证实验以及光照变化条件下的方法比对实验等,结果验证所提方法的准确性和光照鲁棒性。