基于WSN及无人机的地空协同全域建筑健康监测方法专利检索-帧间位移误差视听技术与设备专利检索查询-专利查询网

基于WSN及无人机的地空协同全域建筑健康监测方法

阅读：492发布：2020-05-14

专利汇可以提供基于WSN及无人机的地空协同全域建筑健康监测方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于WSN及无人机的地空协同全域建筑健康监测方法，确定待监测区域，估算无人机和待监测区域的距离，无人机上搭载摄像头，飞行时对待检测区域拍照，将无人机获得的图像中的待检测区域分离出来，获取待检测区域所占的像素点数量，计算像素点的实际尺寸，筛选出待检测区域具有足够的像素点的图像作为待处理视频；使WSN网络和无人机摄像头同步开启待处理数据；用WSN数据校正图像数据的位移信息，融合获得高精度的密集测量数据；解决了WSN(无线传感网络)监测的高成本并且简化数据处理，同时提高了强噪条件下视觉测量结果的精度。，下面是基于WSN及无人机的地空协同全域建筑健康监测方法专利的具体信息内容。

权利要求

1.基于WSN及无人机的地空协同全域建筑健康监测方法，该方法执行以下操作,确定待监测区域，估算无人机和待监测区域的距离，无人机上搭载摄像头，无人机飞行时对待检测区域拍照，将无人机获得的图像中的待检测区域分离出来，获取待检测区域所占的像素点数量，计算像素点的实际尺寸，像素点的实际尺寸＝待检测区域的实际尺寸/物体图上所占的像素点数量，筛选出待检测区域具有足够的像素点的图像作为待处理视频；使WSN网络和无人机摄像头同步开启待处理数据；对待处理视频的每个测量区域以第一帧为基准、利用滤波后的相位谱图获得从第二帧开始的每帧图像与第一帧的相位差，该相位差表征振动位移；
用WSN数据校正图像数据的位移信息，融合获得高精度的密集测量数据。
2.如权利要求1所述的基于WSN及无人机的地空协同全域建筑健康监测方法，其特征在于：筛选待处理视频时，将像素点的实际尺寸和待检测区域期待位移精度相差在3个数量级之内的图像作为待处理视频的图像。
3.如权利要求1所述的基于WSN及无人机的地空协同全域建筑健康监测方法，其特征在于：在记录WSN数据之后，对WSN数据噪声处理：对原始WSN数据进行变换，得到大小不同的小波系数，先通过阈值剔除噪声系数，然后通过小波变换对保留的小波系数进行信号重构，得到降噪WSN数据。
其中，ψm,n(t)为小波级数，s(t)为原始信号。
监测网络存在距离较近的节点，此时不同节点监测到同一个目标状态数据的概率较高，需要对数据去冗余。
4.如权利要求1所述的基于WSN及无人机的地空协同全域建筑健康监测方法，其特征在于：采用K-MEANS 算法，以最小化平方误差和作为目标对WSN簇内数据进行簇内数据去冗余：
去冗余处理；其中，平方误差和定义为：
其中，x为样本数据中的第i个数据，ui为x的均值向量，ci为第i种数据类型。
5.如权利要求1所述的基于WSN及无人机的地空协同全域建筑健康监测方法，其特征在于：相位差表征振动位移是基于相位的视频振动位移检测：在无人机远程控制端选择测量区域，对每个测量区域以第一帧为基准、利用滤波后的相位谱图获得从第二帧开始的每帧图像与第一帧的相位差，该相位差表征振动位移；对每帧图像中有靶点的地方分割出来形成感兴趣区域，靶点预设于待检测区域内，相位差的提取公式表示为：
其中，dθ(t0)是θ角度上t0时刻的位移，φθ
(x,y,t0)是θ角度上t0时刻的相位。
6.如权利要求1所述的基于WSN及无人机的地空协同全域建筑健康监测方法，其特征在于：滤波采用Steerable filter做复数线性滤波，可以对任意方向做滤波操作，即可以测量θ
任意方向的位移信号，Steerable filter滤波器卷积核f 表示为：
其中M为阶数,gj(r,φ)可以是任意滤波器组的离散表示。
7.如权利要求1所述的基于WSN及无人机的地空协同全域建筑健康监测方法，其特征在于：基于高斯模型的多精度数据融合：WSN数据作为高精度稀疏数据，无人机拍照获得的每张图像中像素点的振动位移作为低精度密集数据，构建多精度无校正网格，对每帧图像中每个像素点的位移信息使用距离相关的高斯多精度融合方法用WSN数据进行校正融合，高斯多精度融合方法的关系式为：
其中，为融合后数据，Li为对每帧图像中某个像素点的位移信息，Hi为WSN网络中的某个监测点获得的数据，d是图像中高精度和低精度点之间以像素为单位的距离dmax为Hi点权重有效距离的最大值，σ为高精度数据的标准差。

说明书全文

基于WSN及无人机的地空协同全域建筑健康监测方法

技术领域

[0001] 本发明涉及智能建造技术领域，特别是一种监测建筑物健康状况的方法。

背景技术

[0002] 基础设施的安全使用和安全事故的预防对于保障设施正常运转和提高人民群众的安全感，规避经济损失有重大意义。

[0003] 结构健康监测指的是针对工程结构的损伤识别及其特征化的策略和过程，可以尽早的发现故障有利于结构的维护与维修，以避免进一步损坏，保障设施的安全。

[0004] 采用加速度传感器等实现接触式测量是一种常用的监测结构状态随时间变化的方法，费用低廉而且易于使用，然而对于大型结构会因为线缆过长而导致信号噪声过大。基于WSN的监测网络可以有效避免这类问题，但是随着结构设施的复杂化以及监测算法趋于数据驱动，密集的监测点往往导致过高成本和数据处理的复杂化，对于精密结构还会有质量效应，影响测量精度。

[0005] 基于视觉的非接触式结构健康监测是一种新兴的非接触式结构测量方法。摄像机通过图像的采集和分析可完成视觉的各种测量，视觉测量方法具有测量范围宽，测点密集，无负载效应等许多优点。受限于摄像头的分辨率和帧率等相机参数以及自然环境的多样性引入的噪声，难以达到采用接触式传感器的WSN方法监测的精度。

发明内容

[0006] 为了克服上述缺陷，本发明提供一种基于WSN(无线传感网络)及无人机平台的地空协同全域高精度建筑健康监测方法，基于WSN及视觉测量两种检测方法的特点，研究及设计了一种能够融合WSN高精度稀疏监测数据与视觉低精度密集测量数据得到较高精度的密集测量结果，解决了WSN(无线传感网络)监测的高成本并且简化数据处理，同时提高了强噪条件下视觉测量结果的精度。

[0007] 基于WSN及无人机的地空协同全域高精度建筑健康监测方法，该方法执行以下操作，确定待监测区域，估算无人机和待监测区域的距离，无人机上搭载摄像头，无人机飞行时对待检测区域拍照，将无人机获得的图像中的待检测区域分离出来，获取待检测区域所占的像素点数量，计算像素点的实际尺寸，像素点的实际尺寸＝待检测区域的实际尺寸/物体图上所占的像素点数量，筛选出待检测区域具有足够的像素点的图像作为待处理视频；使WSN网络和无人机摄像头同步开启待处理数据；对待处理视频的每个测量区域以第一帧为基准、利用滤波后的相位谱图获得从第二帧开始的每帧图像与第一帧的相位差，该相位差表征振动位移；用WSN 数据校正图像数据的位移信息，融合获得高精度的密集测量数据。

[0008] 优选的，筛选待处理视频时，将像素点的实际尺寸和待检测区域期待位移精度相差在3个数量级之内的图像作为待处理视频的图像。

[0009] 优选的，在记录WSN数据之后，对WSN数据噪声处理：对原始WSN数据进行变换，得到大小不同的小波系数，先通过阈值剔除噪声系数，然后通过小波变换对保留的小波系数进行信号重构，得到降噪WSN数据。

[0010]

[0011] 其中，ψm，n(t)为小波级数，s(t)为原始信号。

[0012] 监测网络存在距离较近的节点，此时不同节点监测到同一个目标状态数据的概率较高，需要对数据去冗余。

[0013] 优选的，采用K-MEANS算法，以最小化平方误差和作为目标对WSN簇内数据进行簇内数据去冗余：去冗余处理；其中，平方误差和定义为：

[0014]

[0015] 其中，x为样本数据中的第i个数据，ui为x的均值向量，ci为第i种数据类型。

[0016] 优选的，相位差表征振动位移是基于相位的视频振动位移检测：在无人机远程控制端选择测量区域，对每个测量区域以第一帧为基准、利用滤波后的相位谱图获得从第二帧开始的每帧图像与第一帧的相位差，该相位差表征振动位移；对每帧图像中有靶点的地方分割出来形成感兴趣区域，靶点预设于待检测区域内，相位差的提取公式表示为：

[0017] 其中，dθ(t0)是θ角度上t0时刻的位移，φθ(x，y，t0)是θ角度上t0时刻的相位。

[0018] 优选的，滤波采用Steerable filter(可控复数线性滤波器)做复数线性滤波，可以对任意方向做滤波操作，即可以测量任意方向的位移信号，Steerable filter 滤波器卷积核fθ表示为：

[0019] 其中M为阶数，gj(r，φ)可以是任意滤波器组的离散表示，

[0020] 优选的，基于高斯模型的多精度数据融合：WSN数据作为高精度稀疏数据，无人机拍照获得的每张图像中像素点的振动位移作为低精度密集数据，构建多精度无校正网格，对每帧图像中每个像素点的位移信息使用距离相关的高斯多精度融合方法用WSN数据进行校正融合，高斯多精度融合方法的关系式为：

[0021]

[0022] 其中，为融合后数据，Li为对每帧图像中某个像素点的位移信息，Hi为WSN网络中的某个监测点获得的数据，d是图像中高精度和低精度点之间以像素为单位的距离[0023] dmax为Hi点权重有效距离的最大值，σ为高精度数据的标准差。

[0024] WSN网络获得的是高精度稀疏监测数据，是一种传统的接触式无线传感网络，出于成本和简化数据处理的考虑，一般都是间隔较大的布置节点，节点之间通过无线通信。通过无人机拍照获得的图像数据，从图像数据中提取出的位移信息是视觉低精度密集测量，检测图像上所有点的位移。将两种数据融合，用接触式的WSN监测网络的高精度稀疏测量数据校正低精度的视觉密集测量数据，得到较高精度的密集测量数据。

[0025] 本发明的优点在于：利用无人机的灵活性实现对建筑结构的全域的非接触式振动位移测量，并采用基于欧式距离的高斯权重融合方法，用接触式的WSN 监测网络的高精度稀疏测量数据校正了较低精度的视觉密集测量数据，构建理论多精度测量网格，实现了全域地空协同高精度测量。附图说明

[0026] 图1为本发明方法的工作流程图。

[0027] 图2为本发明方法的数据融合流程图。

[0028] 图3为本发明方法高低精度数据网格示意图。

具体实施方式

[0029] 结合附图，详细说明本发明。

[0030] 如图1所示，基于WSN及无人机的地空协同全域高精度建筑健康监测方法，该方法执行以下操作，确定待监测区域，估算无人机和待监测区域的距离。距离估算可以利用无人机和待检测区域在GPS或北斗定位系统中位置进行估算。

[0031] 无人机上搭载摄像头，无人机飞行时对待检测区域拍照，将无人机获得的图像中的待检测区域分离出来，获取待检测区域所占的像素点数量，计算像素点的实际尺寸，像素点的实际尺寸＝待检测区域的实际尺寸/物体图上所占的像素点数量，当像素点的实际尺寸和待检测区域位移精度相差在3个数量级之内(目的在于为了保证待处理图像中有足够多的像素点)、采集待检测区域的图像作为待处理视频；使WSN网络同步开启记录WSN数据；对待处理视频的每个测量区域以第一帧为基准、利用滤波后的相位谱图获得从第二帧开始的每帧图像与第一帧的相位差，该相位差表征振动位移；基于高斯模型的多精度数据融合将WSN数据和图像数据的位移信息融合在一起。

[0032] 用相位差表征像素的振动位移，可以提高在无人机飞行时自身抖动的强噪条件下，对待检测区域或待检测目标的视觉测量精度。

[0033] 优选的，在记录WSN数据之后，对WSN数据噪声处理，如图2所示：对原始WSN 数据进行变换，得到大小不同的小波系数，先通过阈值剔除噪声系数，然后通过小波变换对保留的小波系数进行信号重构，得到降噪WSN数据。

[0034]

[0035] 其中，ψm，n(t)为小波级数，s(t)为原始信号。

[0036] 监测网络存在距离较近的节点，此时不同节点监测到同一个目标状态数据的概率较高，需要对数据去冗余。

[0037] 优选的，采用K-MEANS算法，以最小化平方误差和为目标对簇内数据进行进行簇内数据去冗余：去冗余处理；其中，平方误差和定义为：

[0038]

[0039] 其中，x为样本数据中的第i个数据，ui为x的均值向量，ci为第i种数据类型。

[0040] 优选的，相位差表征振动位移是基于相位的视频振动位移检测：在无人机远程控制端选择测量区域，对每个测量区域以第一帧为基准、利用滤波后的相位谱图获得从第二帧开始的每帧图像与第一帧的相位差，该相位差表征振动位移；对每帧图像中有靶点的地方分割出来形成感兴趣区域，靶点预设于待检测区域内，相位差的提取公式表示为：

[0041] 其中，dθ(t0)是θ角度上t0时刻的位移，φθ(x，y，t0)是θ角度上t0时刻的相位。

[0042] 优选的，滤波采用Steerable filter(可控复数线性滤波器)做复数线性滤波，可以对任意方向做滤波操作，即可以测量任意方向的位移信号，Steerable filter 滤波器卷积核fθ表示为：

[0043] 其中M为阶数，gj(r，φ)可以是任意滤波器组的离散表示，kj(θ)为[0044] 角度系数。阶数M根据实际情况选取，一般选2阶。

[0045] 优选的，基于高斯模型的多精度数据融合：对于WSN高精度稀疏监测数据与视觉低精度密集测量数据可以构建如图3的多精度无校正网格，对于图中的每个视觉测量的低精度点，使用距离相关的高斯多精度融合方法，

[0046]

[0047] 其中，为融合后数据，Li为低精度数据，Hi为高精度数据，d是图像中高精度和低精度点之间以像素为单位的距离 dmax为Hi点权重有效距离的最大值，σ为高精度数据的标准差。

[0048] WSN网络获得的是高精度稀疏监测数据，是一种传统的接触式无线传感网络，出于成本和简化数据处理的考虑，一般都是间隔较大的布置节点，节点之间通过无线通信。通过无人机拍照获得的图像数据，从图像数据中提取出的位移信息是视觉低精度密集测量，检测图像上所有点的位移。将两种数据融合，用接触式的 WSN监测网络的高精度稀疏测量数据校正低精度的视觉密集测量数据，得到较高精度的密集测量数据。

标题	发布/更新时间	阅读量
一种行人导航定位中的自适应零速修正方法	2020-05-08	121
一种测量位置的方法及装置	2020-05-12	290
一种激光熔覆离焦量在线监测与负反馈状态识别方法	2020-05-16	474
一种三驱动机械臂的视觉跟随系统	2020-05-11	540
一种基于姿态的考试作弊检测方法	2020-05-14	717
MRI中的运动的实时监测和预测	2020-05-15	666
一种基于深度神经网络的运动预测方法和智能终端	2020-05-08	1012
一种基于双流卷积神经网络和SVM的抽烟动作识别方法	2020-05-12	767
基于计算机视觉的电梯轿厢内异常行为的检测方法	2020-05-15	503
基于视觉SLAM和网络地图结合的机器人城市导航系统	2020-05-16	226

基于WSN及无人机的地空协同全域建筑健康监测方法

基于WSN及无人机的地空协同全域建筑健康监测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：