SFDM：基于计算机视觉增强型无目标监测系统的结构全场动态位移监测技术

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：SFDM: Structural full-field dynamic displacement monitoring utilizing computer vision-enhanced targetless monitoring system

　　•一种强大的数据预处理方法可通过剔除无效背景区域来实现无目标感兴趣区域提取。•一种稳定的线状特征跟踪方法可实现对全场亚像素位移的测量。•一种高精度位移模型可将亚像素位移转换为实际物理位移。通过在一座系杆拱桥上的实地测试，验证了SFDM的有效性与稳健性。

引言
在役桥梁容易受到各种动态作用的影响，包括周期性交通荷载和风荷载，这些因素可能导致结构随时间逐渐受损[1]、[2]、[3]。因此，结构健康监测在确保这类结构在整个使用周期内的安全与可靠性方面起着至关重要的作用[4]。在各类监测指标中，桥梁结构的全场位移响应是评估结构安全性的一个全面且直观的指标。传统的接触式位移传感器，如线性变差分变压器[5]和光纤布拉格光栅[6]设备，具有较高的监测精度，但它们的空间分辨率有限，且只能在离散的测量点上进行检测[7]，难以获取桥梁结构的连续全场位移分布。相比之下，得益于图像处理和计算机视觉技术的进步，非接触式的基于视觉的位移监测系统具有显著优势[8]、[9]、[10]。数字图像能够通过高密度的像素阵列捕捉物体的空间信息，从而实现高空间分辨率的监测。因此，基于视觉的全场位移监测方法为结构健康监测应用提供了比传统接触式方法更有前景的替代方案。

在基于视觉的位移监测系统中，对采集到的图像序列进行预处理至关重要，它直接影响测量的精度和现场性能[11]。为提升图像质量并便于目标提取，李等人[12]提出了一种基于无人机的全三维振动位移监测方法，即MVMC方法，该方法通过点跟踪和深度估计整合平面内和平面外的位移测量，从而实现全三维位移监测。吴等人[13]提出了一种结合中值滤波和灰度变换的方法，有效抑制噪声并增强目标与背景的对比度，以提高在复杂现场条件下的稳健性。林等人[14]开发了一种基于卷积神经网络的算法，该算法利用多尺度图像特征，使实地测试中的测量误差降至3.26%以下。为解决与物理目标相关的限制，阮等人[15]提出了一种混合型的基于视觉的位移测量方法，即ToMP-KLT方法，该方法在成像条件良好的情况下运用传统的KLT跟踪器进行特征提取，而在现场条件恶劣时则借助基于Transformer的预测模型来捕捉环境相关信息。阿齐姆贝克等人[16]开发了一种新的虚拟目标技术，用于解决低对比度问题，在涉及多自由度结构模型的测试中，其测量误差可控制在3.41%以下。同样，于等人[17]在质心检测中加入了面积一致性约束，有效减少了因照明变化导致的质心偏移。尽管在改善复杂光照条件下的目标可见度和识别稳健性方面已取得显著进展，但对于在无目标感兴趣区域提取过程中由无效背景区域造成的干扰问题，目前研究的重视程度还不够。这些问题不仅降低了基于视觉的位移监测系统的效率和可靠性，还限制了其在结构健康监测领域的更广泛应用。

除了图像预处理的重要性之外，基于视觉的全场位移监测系统的有效性还取决于线状特征跟踪算法的精度[18]。结构边缘的跟踪直接决定了系统的空间分辨率，进而影响结构健康监测的整体性能。然而，对于现有方法而言，同时实现高空间分辨率和高测量精度仍然是一项挑战。因此，人们付出了大量努力来开发改进的线状特征跟踪方法，以提升监测性能。谢等人[19]提出了一种适用于不同光照条件下电缆振动监测的改进型边缘检测算子，增强了所提取结构边缘的稳健性和连续性。该方法基于梯度型边缘检测技术，能够为电缆等细长结构提供可靠的检测性能。易等人[20]基于亚像素边缘检测和双匹配跟踪技术，开发了一种针对电缆的全场模态识别方法。通过进一步将视频运动放大功能融入该框架，所提出的方法能够无需目标即可提取振动响应，并有效识别出弱振动模式。类似地，段等人[21]提出了一种全场动态位移测量方法，该方法将基于相位的视频运动放大技术与亚像素边缘检测相结合，以便更好地检测微弱的结构振动。他们采用ConvLSTM网络优化频段选择，同时运用FIR滤波提高测量精度。孔等人[22]开发了一种基于视觉的全场模态形状识别方法，该方法利用亚像素边缘检测和跟踪技术，无需人工设置目标即可实现高分辨率的位移测量。通过将Canny边缘检测器与亚像素精细化处理相结合，所提出的方法能够实现精确的边缘定位和密集的位移重建。蒋等人[23]提出了一种基于单台全景相机和深度学习驱动的跟踪技术的全场变形测量方法，该方法通过在缩放后的体育场模型上进行的测试得到了验证。该方法结合了线段检测技术，用于提取几何特征并确定节点位置。尽管已有诸多进展，目前的基于视觉的位移测量方法仍存在一些局限性。基于边缘的方法高度依赖图像质量和背景条件，通常还需要额外的后处理步骤来分离结构轮廓，这增加了系统的复杂性。此外，大多数现有方法主要是在背景相对简单的细长结构上得到验证的，这限制了它们在更复杂的结构场景中的应用。因此，仍然需要一种既稳健又高效的方法，能够在复杂条件下直接提取连续的结构轮廓，同时保持较高的空间分辨率和测量精度。

位移转换对于将像素位移转换为结构的实际物理位移而言至关重要[24]。通常，作为位移计算中间变量的比例因子是根据针孔相机模型确定的。然而，在固定视场范围内，不同目标的比例因子并非恒定，且容易受相机姿态变化的影响[25]。因此，针对多目标位移测量 的位移转换方法研究日益增多。为解决这一问题，吴等人[26]采用了一种线性拟合方法，将比例因子与目标到中心参考点的距离联系起来。验证测试表明，该方法的归一化均方根误差为0.24%，绝对峰值误差为3.32%。类似地，田等人[27]提出了一种离轴数字图像相关方法，该方法利用空间直线拟合，根据至少三个参考距离的测量值来确定多个目标的比例因子。在田的研究基础上，于等人[28]提出了一种简化获取比例因子的方法，该方法仅需要从光学中心到物体的一个测量距离，就结合了曲线拟合技术。不过，这些方法主要依赖于基于等距目标有限数据的曲线拟合技术，没有进一步探究相机参数与位移转换之间的内在机制。这一局限性给直接计算物理位移带来了困难，也增加了测量不准确的风险，从而凸显出需要更为直接和稳健的位移转换方法的必要性。

随着基于视觉的监测研究不断增多，桥梁结构的全场位移监测前景愈发广阔。然而，目前该领域仍然缺乏能够准确提取无目标感兴趣区域并提升监测系统整体可靠性的有效数据预处理方法。此外，尽管现有的边缘检测技术在斜拉桥的电缆监测方面已取得显著进展，但至今仍未开发出一种能够准确、灵活地追踪桥梁梁底边缘的稳健算法。而且，先前的研究[26]、[27]、[28]、[29]表明，使用较少参数将全场亚像素位移准确自动转换为物理位移仍存在诸多难题。这些不足凸显出迫切需要开展针对性研究，弥合理论发展与实际应用之间的差距，从而提供有效且实用的解决方案。

本研究提出了一种用于桥梁结构的SFDM方法，该方法旨在克服传统离散点监测方法的局限性，通过提升空间分辨率并提高结构安全评估的精度来改进监测效果。研究采用了简支桥原型和系杆拱桥作为测试对象，以验证所提方法的性能。本文的其余部分结构如下：第2节详细介绍所提方法所涉及的核心技术；第3节在6米长的实验室规模桥原型上开展了三组消融实验，以评估各项方法的独立贡献；第4节通过室内试验验证所提方法的性能；第5节通过全面的实验来验证SFDM在实地应用中的精度与稳健性；最后，第6节总结主要研究成果，并指出未来研究的方向。

SFDM的策略
通过追踪密集的结构边缘，可以获取桥梁各位置的运动信息，从而便于实现全场位移监测[30]。然而，单目视觉驱动的全场动态位移监测系统的视场范围会受到桥梁跨度的影响。尤其是对于大跨度桥梁结构，为了能够全面覆盖主跨区域，就需要更宽的视场范围。这一要求对监测系统的精度和稳健性提出了严峻挑战。

桥梁原型
所提出的SFDM方法的有效性是通过中国重庆的山地桥梁与隧道工程国家重点实验室[50]所搭建的简支梁桥结构缩放模型进行评估的。桥梁原型的尺寸及缩放模型分别如图12(a)和图12(b)所示。桥面的纵向梁由两块I形铝型材构成，每块的长度为6000毫米，高度为120毫米，宽度为60毫米，壁厚为……

实验装置
为了模拟不同类型荷载以及良好照明条件下的不同车辆荷载情况，本研究使用了5千克和10千克两种重物，具体参数详见表3。所使用的基于视觉的监测系统以及参考测量装置与第3.2节中描述的相同。这样的实验设计提升了测试条件的代表性，使得实验环境更接近实际桥梁的工况。

桥梁结构配置
为进一步验证所提出的SFDM在实地条件下的性能，本研究在中国河北的苍黄高速跨线桥上进行了全面的实地测试，该桥的结构如图21(a)所示。如图21(b)所示，这是一座系杆拱桥，其主跨长度为50米，桥面宽度为10.7米。

实验装置
在本实验中，采用了分辨率为4096×2160像素、采样率为25帧/秒的FUJIFILM GFX100S相机，同时还使用了GF100 - 200mmF5.6 R LM OIS WR镜头。

结论
本研究提出了一种用于桥梁应用的结构全场位移监测系统，即SFDM系统。该系统整合了三个关键组成部分：i）一种强大的数据预处理方法RFIP；ii）一种高精度的线跟踪算法RAED；iii）一种位移转换模型MDTM。本研究的主要贡献如下：
1）开发了RFIP方法，用于消除无效背景区域带来的干扰，从而实现无目标感兴趣区域的提取。

RediT作者贡献声明
朱伟珠：撰写——初稿、软件、方法论、研究、概念构建。罗瑞：撰写——审阅与编辑、验证、研究。蒋腾蛟：撰写——初稿、可视化、监督。欧阳奇：软件、研究。华元生：监督、概念构建。朱家松：监督、资金获取、概念构建。Gunnstein Thomas Fr?seth：撰写——初稿、可视化、监督。

利益冲突声明
作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。

致谢
作者衷心感谢国家自然科学基金委员会青年科学基金（项目编号：42401402）、深圳市科技创新委员会（资助编号：20231120191328001）以及广东省区域联合基金青年科学基金（项目编号：2023A1515110722）、深圳市科技计划（项目编号：JCYJ20220531101010020）、衢州市科学技术局（项目编号：2024K164）所提供的支持。对此我们深表感激。任何意见，朱伟珠|罗瑞|蒋腾蛟|欧阳奇|华元生|朱家松|Gunnstein Thomas Fr?seth