论文部分内容阅读
建(构)筑物变形监测是现阶段城市化发展安全监测中的重要内容,及时发现建(构)筑物的实时变形情况并做好安全维护是城市发展所要解决的重要问题。本文以CCD(Charge-coupled Device)传感器为基础,运用光学、图像处理以及计算机技术,设计了一种新的变形监测方法,并研究了图形质心提取算法,基于该方法搭建了变形监测系统,在变形监测系统中构建了建(构)筑物变形预测算法模型,并进行了实验测试。在此基础上实现建(构)筑物变形监测技术研究的应用价值。本论文的主要研究内容及结果如下:(1)设计出一种基于CCD成像的变形监测新方法。该方法以CCD相机、望远镜、图形靶面等为基础设备进行集成,能高精度的对建(构)筑物变形情况进行快速监测,基本满足了建(构)筑物变形监测的需求,为变形监测技术手段的研究提供了新思路。(2)在变形监测方法中研究了小波阈值去噪的质心算法模型。主要改进了小波阈值与阈值函数,再与带阈值的质心算法相结合,采用两次阈值函数分别对图像进行去噪和纠偏,求取图形质心点坐标,并与传统的质心算法进行比较。实验结果表明:小波阈值去噪的质心算法提取质心点坐标效果最优,与基础质心算法所提取的质心点坐标相比,坐标残差值由0.5像元提升到0.011像元,图形质心点坐标提取的准确率显著提升。(3)搭建了一套建(构)筑物变形监测实时化系统。该系统是基于CCD成像的变形监测新方法所设计的,主要完成了系统总体框架的搭建,硬件设计及集成,研究预测算法模型,解决仪器自检校问题,系统测试及精度分析等工作,以满足建(构)筑物变形的实时、自动、高精度监测,提高了变形监测的工作效率。(4)在变形监测系统中构建了建(构)筑物变形预测算法模型。选用自适应Kalman滤波算法、灰色模型(Grey Model,简称GM模型)和时间序列分析模型(Autoregressive model,简称AR模型),三者结合建立一种自适应Kalman滤波GM(1,1)-AR的新算法模型,并将该预测模型应用于工程实例中,与GM(1,1)预测模型、GM(1,1)-AR预测模型通过平均残差、残差的方差和后验差比值进行对比分析。实验结果表明:该模型后验差比值可达到0.0451,所得数据结果更加准确可靠,预测精度显著提高。