摘要
拉索是斜拉桥的关键承载构件,其受力状态是评估桥梁安全状态的重要指标,准确测量拉索索力是保障桥梁结构安全的重要环节. 基于此,建立一套可实现远距离、无靶标、高精度的斜拉索索力识别系统. 该系统利用改进的直线检测(Line Segment Detector, LSD)算法对拉索进行追踪,从而识别拉索的振动信息;再通过模态分解(VMD)离散出斜拉索的有效振动信号,得到斜拉索的频率信息;最后利用振动频率法,从斜拉索的频率信息来估算出斜拉索的索力. 在实验室条件下对长细比较大、像素占比较少的钢尺模型以及在大跨度斜拉桥上对斜拉索索力进行识别对比,确定了改进的LSD算法以及该系统对索力识别的精确性及鲁棒性. 在钢尺模型试验中,改进的LSD算法识别到的钢尺振动信息与激光位移计对比误差仅为0.63%;在大跨度斜拉桥上的试验中,该系统识别到斜拉索的索力与接触式传感器对比误差小于3.0%. 以上两个试验结果表明,本文提出的系统能够在复杂的实际工程现场环境中对斜拉索索力进行高精度识别.
拉索是斜拉桥的重要传力构件,其受力状态是反映桥梁健康状态的重要标志之
目前,工程中主要采用的索力测量方法包括以下几
传统索力测量方法在一定条件下存在使用范围受限、设备昂贵、效率低等缺点,且随着计算机视觉技术的发展,国内外学者利用计算机视觉技术对斜拉桥索力测试开展了大量的研究. Chen
越来越多的学者们开始研究无标志物的索力识别. Xu
本文提出一种无标志物,可用于远距离检测斜拉索振动,并估算索力的系统. 该系统由改进的LSD算法,配合振动频率法,建立一种方便快捷的索力测量系统.
1 系统原理
本文研究的斜拉桥索力识别系统主要由两部分组成. 第一部分是利用计算机视觉获取拉索位移,采用基于Hough直线检测算

图1 系统原理流程图
Fig.1 System scheme flow chart
1.1 改进的LSD算法
为了在复杂的实际工程现场环境中成功对斜拉索进行高精度检测,本文对原有的Hough直线检测进行改进. 在使用该算法对拉索进行检测时,需要注意以下3个前提条件:
1)在所有图像中,假设拉索为直线;
2)在灰度图像中,拉索的图像强度大小基本相同,且与背景有足够的强度差;
3)拉索从左到右穿过整个图像.
1.1.1 简单线搜索
简单线搜索由垂直子集搜索和直线搜索两部分组成,原理流程图如
(1) |

图2 简单线搜索原理流程图
Fig.2 Flow chart of simple line search principle

图3 直线搜索
Fig.3 Straight line search
1.1.2 亚像素检测
在对拉索进行简单线搜索后,可以获得中心线的坐标(Pm,Pn′),但此时的精度只能达到像素级别,不能满足实际工程的需求. 因此,必须使用亚像素精度来识别拉索的运动. 为了在亚像素级别上检测到拉索,有两种算法可供选择:中心线检测算法和边缘检测算法. 尽管这两种方法具有类似的检测精度,但是中心线检测算法的计算量较小,更适合大规模数据项目. 因此在该算法中使用中心线检测技术用于亚像素检测. 采用双三次插值来确定亚像素强度值. 它的主要目标是通过使用插值来接近拉索的上下边界,从而确定目标区域的中心点. 基本计算过程如下:
1)寻找垂直搜索范围.搜索范围以端点为中心且应包含导线的上下边缘(

图4 中心线亚像素检测
Fig.4 Centerline subpixel detection
2)采用双三次插值法来获得单元格子集的强度值. 通过设置0.5像素的垂直步长和0.5像素的分辨率,进行垂直和左右搜索亚像素子集,来找到顶部和底部边缘. 与简单线搜索标准类似,当搜索到的最大强度值时,认为该子集完全被一条直线覆盖,并选择该子集的中心线端点作为候选点(
3)当选择了所有候选点后,将连续且相邻的候选点视为一个区域(
1.2 数据处理
对于本文提出的改进的LSD算法,在检测到斜拉索后,取线段的中点作为监测点,并通过计算获取图像的第1帧的坐标与第帧的坐标之间的差值来识别拉索的位移响应,如
(2) |
基于得到的拉索的数据,使用变分模态分解(VMD)来计算拉索的模态参数. 然后利用傅里叶变换来确定拉索的频率,根据拉索的物理特性计算索力. 在使用振动频率法估算拉索受力时,应考虑拉索刚度的影响. 索力的计算公式如
(3) |
式中:为拉索质量,为拉索长度,为拉索的阶频率,为拉索的刚度.
拉索会随时间的推移,因腐蚀和疲劳效应逐渐退化,导致其实际刚度与设计值产生偏差,因而难以直接获取其实际刚度. 为解决这个问题,使用拉索各阶频率来计算索力,从而避免计算索力时对拉索刚度的依赖. 因此,将
(4) |
如果使用拉索的二阶和三阶频率来计算索力,如
(5) |
为了减小误差,在获取拉索的自振频率后,应选择更低阶的频率来消除弯曲刚度,并计算索力.
2 试验研究
2.1 实验室条件下的验证
在对实桥测量之前,首先在实验室环境下使用接触式设备—激光位移计,对该算法的位移测量结果进行对比验证. 实验室环境下选取的试验模型是一根长40 cm的钢尺,为方便进行位移对比,选择将激光位移计对准钢尺20 cm刻度处. 对钢尺施加一个初始位移,使其做自由衰减的简谐振动,用相机和激光位移计进行同步采样(尽可能同步采集,若无法保证同步采集,则在数据处理时根据其波形及峰值点进行加工以保证同步). 实验室现场布置图如

图5 实验室现场布置
Fig.5 Laboratory layout
2.1.1 试验设备
本次实验采用的相机型号为佳能5D4,视频分辨率为1 080 p,帧率为50 帧/s. 为便于后期数据处理对比,将激光位移计的采样频率也设置为50 Hz,与相机同步采样. 实验室条件下所用到的设备具体型号及数量如
设备 | 型号 | 数量 |
---|---|---|
相机 | 佳能5D4 | 1 |
钢尺 | 40 cm | 1 |
激光位移计 | HG-C1100 | 1 |
16通道数据采集仪 | INV采集分析仪 | 1 |
2.1.2 数据分析
试验中的误差均以归一化均方根误差(Norma-lized Root Mean Square Error, NRMSE)进行量化,具体公式为:
(6) |
式中:为数据样本的数量,为第个样本的真实值,为第个样本的预测值,为数据的最大值,为数据的最小值.
在实验室条件下利用相机采集图像,利用改进的LSD算法和分段光流法分别处理采集到的图像得到位移数据,与激光位移计采集到的位移数据进行对比. 具体如

(a) 位移时程曲线

(b) 功率谱分析
图6 实验室数据的对比分析
Fig.6 Comparative analysis of laboratory data
分段光流法在时域内无法准确识别钢尺的位移,但在频域内仍能识别其动力响应.这是因为光流法对光照变化过于敏感,钢尺振动时产生的虚影影响了位移追踪. 此外,未改进的LSD算法对长细杆件的识别效果较差,尤其在识别长细比大、像素占比小的物体时,鲁棒性较差,因此未在文中展示相关结果. 基于此,提出了改进的LSD算法针对复杂环境的实际工程现场的大跨度斜拉桥斜拉索进行检测.
2.2 实桥测量
为了进一步验证该系统的可行性,利用采集设备对一座大型斜拉桥的拉索进行采集,并完成斜拉索的振动识别以及索力估算. 对兰州河口特大斜拉桥进行现场测量,如

(a) 斜拉桥示意图及拉索编号(单位:cm)

(b) 试验现场仪器布置
图7 特大斜拉桥试验现场布置
Fig.7 Test site layout of large cable-stayed bridge
2.2.1 试验安排
采用基于树莓派和IEPE传感
为了达到较好的试验效果,对试验仪器的选择及试验环境有如下要求:相机的选择与实验室条件下相同,因为距离较远,选用长焦镜头,以保证能采集到清晰可用的图像,本试验中采用型号为腾龙A022(150~600 mm)的变焦镜头. 对于试验环境,相机应架设在视野开阔、无遮挡物影响的地点方便数据采集. 同时,桥梁挠度仪的采样频率也设置为50 Hz,与相机进行同步采样(包括采集设备到拉索的距离及仰角尽量保持相同,以减少误差). 为降低光照及水汽对试验结果的影响,数据采集应尽量选择在多云天气,避免在逆光方向进行. 试验中所用设备具体型号如
设备 | 型号 | 参数 |
---|---|---|
相机 | 佳能5D4 | 分辨率1 080 p |
桥梁挠度仪 | BJQN-V | 精度:100 m±1 mm |
镜头 | 腾龙A022 | 焦距:150~600 mm |
激光测距仪 | XR850 | — |
树莓派传感器 | IEPE传感器 | CT1050LC型 |
光栅光缆传感器 | WU-FBG-JSD01 | — |
2.2.2 数据分析
在实际工程现场进行数据采集时,由于环境嘈杂和逆光效应,图像可能出现模糊或失真现象. 因此,在进行数据分析之前,需对图像进行前处理. 前处理的内容包括应用滤波降噪技术和图像增强技术,以提高数据分析的准确性和可靠性. 本文利用CLAHE(Contrast Limited Adaptive Histogram Equa- lization)算法对采集数据进行图像增强.
在使用改进的LSD算法对大跨度斜拉桥的索力进行估算时,面临的主要挑战是斜拉索作为长细杆件,远距离采集时其在图像中的像素占比较小,并且与背景的强度差异较小,导致斜拉索难以识别. 在前处理阶段,采用CLAHE算法对原始图像进行图像增强处理,旨在加大背景与拉索的强度差,使改进的LSD算法更易准确检测到拉索的振动. 图像增强前后对比如

(a) 原始图像
(b) 原始图像强度直方图

(c) 图像增强后效果图
(d) 增强后强度直方图
图8 图像增强前后对比
Fig.8 Contrast before and after image enhancement
在对采集到的图像序列进行图像增强后,需手动选择ROI(Region of Interest)区域,

(a) ROI选择

(b) 帧间效果图
图9 斜拉索识别
Fig.9 Stay cable identification
图像数据经过前处理后,利用改进的LSD算法得到位移,与桥梁挠度仪输出位移进行对比,结果如

图10 位移时程曲线
Fig.10 Time displacement curve
经过VMD以及FFT得到拉索的前两阶频率,与传感器采集到的加速度数据经过FFT得到的频率进行对比. 具体对比图如

图11 功率谱分析
Fig.11 Power spectrum analysis
限于篇幅,此处仅展示第4根斜拉索的位移和频率的对比图,分别如
索号 | 改进的LSD算法 | WU-FBG-JSD01 | ||
---|---|---|---|---|
一阶频率 | 二阶频率 | 一阶频率 | 二阶频率 | |
1 | 3.356 | 11.651 | 3.484 | 11.762 |
2 | 2.581 | 7.794 | 2.512 | 7.628 |
3 | 2.142 | 5.966 | 2.136 | 5.917 |
4 | 1.716 | 4.314 | 1.717 | 4.314 |
5 | 1.600 | 4.287 | 1.593 | 4.285 |
6 | 1.311 | 3.278 | 1.313 | 3.275 |
7 | 1.191 | 2.967 | 1.189 | 2.967 |
8 | 1.112 | 2.845 | 1.114 | 2.849 |
9 | 0.954 | 2.211 | 0.955 | 2.216 |
10 | 0.890 | 2.188 | 0.884 | 2.188 |
11 | 0.873 | 2.297 | 0.879 | 2.305 |
12 | 0.819 | 2.220 | 0.822 | 2.120 |
13 | 0.719 | 1.715 | 0.721 | 1.697 |
14 | 0.661 | 1.758 | 0.659 | 1.728 |
在得到斜拉索的频率后,利用
(7) |
各拉索的索力识别结果如

图12 索力识别
Fig.12 Cable force identification
3 结 语
本文建立了一种基于计算机视觉对斜拉桥拉索振动识别并估算索力的系统. 为验证该系统在实际工程环境中的适用性,分别在实验室环境下和大跨度斜拉桥上进行了测试,并得出以下结论:
1)该系统解决了以往算法在实际复杂工程现场中稳定性和适用性不足的问题. 改进的LSD算法克服了以往算法对构件本身纹理特性的依赖等问题,可以做到在远距离、非接触、无标志物的条件下对斜拉索进行追踪,并通过VMD分解得到各阶频率,使用振动频率法估算出斜拉索的索力.
2)在实验室环境下使用40 cm的钢尺模型对改进的LSD算法进行了验证.其测量结果与激光位移计测量结果对比最大误差仅为0.63%. 由此验证了该算法对像素占比较小的长细杆件进行高精度识别的可行性.
3)在大跨度的斜拉桥上对该系统进行了验证. 改进的LSD算法与BJQN-V得出的位移进行了对比,两者的变化趋势和形状基本一致;与接触式传感器得出的频率进行对比,最大误差不超过3%;对各个斜拉索的索力进行了估算,完全满足实际工程需求.
4)该系统实现了远距离高精度的识别,但存在计算速度较慢、无法准确分析斜拉索振型等问题. 在后续的工作中,可以引入深度学习对图像进行背景处理,减少运算量,提高运算速度和识别精度.
参考文献
王邵锐,王犇,程崇晟,等.基于线形识别的索力测量方法影响因素研究[J].中国公路学报,2023,36(2):154-165. [百度学术]
WANG S R,WANG B,CHENG C S,et al.Research on influencing factors of cable force measurement methods based on alignment recognition[J]. China Journal of Highway and Transport,2023,36(2):154-165.(in Chinese) [百度学术]
ZHANG L X,QIU G Y,CHEN Z S.Structural health monitoring methods of cables in cable-stayed bridge:a review[J].Measurement,2021,168:108343. [百度学术]
ZHAO X F,HAN R C,DING Y B,et al. Portable and convenient cable force measurement using smartphone[J]. Journal of Civil Structural Health Monitoring, 2015, 5(4): 481-491. [百度学术]
KUTUKCU B,AYRANCI I.Application of pressure gauge measurement method beyond its limits[J].Chemical Engineering Research and Design,2019,141:170-180. [百度学术]
LUYCKX G,VOET E,LAMMENS N,et al.Strain measurements of composite laminates with embedded fibre Bragg gratings:criticism and opportunities for research[J].Sensors (Basel,Switzerland),2011,11(1):384-408. [百度学术]
LOMOV S V,IVANOV D S,VERPOEST I,et al.Full-field strain measurements for validation of meso-FE analysis of textile composites[J]. Composites Part A:Applied Science and Manufacturing,2008,39(8):1218-1231. [百度学术]
FU Z Q,JI B H,WANG Q D,et al.Cable force calculation using vibration frequency methods based on cable geometric parameters[J].Journal of Performance of Constructed Facilities,2017,31(4):04017021. [百度学术]
吉伯海,程苗,傅中秋,等.基于振动频率法的斜拉桥索力测试影响因素[J].中南大学学报(自然科学版),2015,46(7):2620-2625. [百度学术]
JI B H,CHENG M,FU Z Q,et al.Influential factors in cable force measurement of cable-stayed bridges based on vibration frequency method[J]. Journal of Central South University (Science and Technology),2015,46(7):2620-2625.(in Chinese) [百度学术]
MAZAHERI-TEHRANI E,FAIZ J.Airgap and stray magnetic flux monitoring techniques for fault diagnosis of electrical machines:an overview[J]. IET Electric Power Applications,2022,16(3):277-299. [百度学术]
张卓杰,王荣辉,甄晓霞,等.平行钢绞线斜拉索索力测试方法评价[J].桥梁建设, 2016, 46(2): 42-47. [百度学术]
ZHANG Z J,WANG R H,ZHEN X X,et al.Evaluation of measurement methods for tension of parallel steel strand stay cables[J].Bridge Construction,2016,46(2): 42-47.(in Chinese) [百度学术]
SHI Y,ZHANG C,LI R,et al. Theory and application of magnetic flux leakage pipeline detection[J]. Sensors, 2015, 15(12):31036-31055. [百度学术]
CHEN C C,WU W H,TSENG H Z,et al.Application of digital photogrammetry techniques in identifying the mode shape ratios of stay cables with multiple camcorders[J]. Measurement,2015,75:134-146. [百度学术]
KIM B H,PARK T.Estimation of cable tension force using the frequency-based system identification method[J]. Journal of Sound and Vibration,2007,304(3/4/5):660-676. [百度学术]
晏班夫,陈泽楚,朱子纲.基于非接触摄影测量的拉索索力测试[J].湖南大学学报(自然科学版),2015,42(11):105-110. [百度学术]
YAN B F,CHEN Z C,ZHU Z G.Cable force identification based on non-contact photogrammetry system[J].Journal of Hunan University (Natural Sciences),2015,42(11):105-110.(in Chinese) [百度学术]
XU Y,BROWNJOHN J,KONG D L.A non-contact vision-based system for multipoint displacement monitoring in a cable-stayed footbridge[J].Structural Control and Health Monitoring,2018,25(5):e2155. [百度学术]
JIANG T J,FRØSETH G T,RØNNQUIST A,et al.A robust line-tracking photogrammetry method for uplift measurements of railway catenary systems in noisy backgrounds[J]. Mechanical Systems and Signal Processing,2020,144:106888. [百度学术]
朱前坤,崔德鹏,张琼,等.利用计算机视觉识别人行桥时变模态参数[J].振动工程学报,2023,36(1):52-61. [百度学术]
ZHU Q K,CUI D P,ZHANG Q,et al. Identification of time-varying modal parameters of pedestrian bridges using computer vision[J]. Journal of Vibration Engineering,2023,36(1):52-61.(in Chinese) [百度学术]
WANG W D,CUI D P,AI C B,et al.Target-free recognition of cable vibration in complex backgrounds based on computer vision[J].Mechanical Systems and Signal Processing,2023,197:110392. [百度学术]
KESIDIS A L,PAPAMARKOS N.On the inverse Hough transform[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1999,21(12):1329-1343. [百度学术]
朱前坤,陈建邦,张琼,等.基于计算机视觉人行桥挠度影响线非接触式识别[J].工程力学,2021,38(8):145-153. [百度学术]
ZHU Q K,CHEN J B,ZHANG Q,et al.A non-contact recognition for deflection influence line of footbridge based on computer vision[J].Engineering Mechanics,2021,38(8):145-153.(in Chinese) [百度学术]