基于圖像識別的基坑自動化監測異常數據篩選方法

阮國榮

上海建工集團工程研究總院 上海 201114

1 基坑監測現狀

基坑監測分為基坑本體以及周邊環境監測2個部分，主要監測內容包含了支護結構、周邊沉降、土體和建筑物水平位移等。

目前常用的全站儀、水準儀等自動化監測設備，可以自動采集數據，然后采用藍牙、GPRS等網絡通信方式，上傳至線上存儲單元。

工程數據監測，需要在國標及地方標準的基礎之上，結合工程所在地的地質條件、水文信息以及周邊環境，推算出適用的監測報警限值。而監測數據很容易受到外界因素的干擾，比如測量導管人為觸碰、監測區域附近大型施工車輛經過等，都會引起測值突變。這就使得目前的工地施工監測，依然需要大量技術人員進行人工分析，去除一些不會影響工程安全的超標數據。

要讓自動監測系統在基坑工程的日常安全管控中發揮更大的作用，讓自動預警的有效性得到專業人員的認可，必須尋找一種可靠的數據篩選辦法，降低外部因素對自動監測結果的影響。

2 數據篩選原理

本數據篩選方法的原理，是尋找數據突變與現場人為因素之間的關聯，當出現數據突變時，自動根據突變發生時間點前后的圖像變化，來判斷該突變是否由外部人為因素造成[1-2]。

考慮到施工現場的實際情況，根據工程安全的管理經驗，將需要篩選的數據對象限定為速率變化超過警戒限制的那部分圖片數據。針對這部分數據，根據數據監測時間的視頻圖像分析，判別是否有人員、車輛或其他施工設備進入監測設備的受干擾區域。如果判定結果監測數據突變與周邊環境變化有關，則將這部分數據自動篩選出來，作為后續人工判別或智能判別的基礎。其實現邏輯如下：

1）根據不同監測項目，設定監測值變化速率的警戒范圍，該報警值可能隨著施工推進發生變化。

2）當自動監測數據變化速率超出警戒范圍時，觸發圖像識別系統。

3）圖像識別系統根據監測數據報警的時間點，尋找該時間點附近的視頻圖像是否存在變化。

4）當圖像存在變化，將該數據標識為待篩選數據。

5）定時比對待篩選數據和最新數據，如果產生數值回落，則可將回落后的監測數據作為準確數值進行后續統計分析，把中間一段波峰數據視為外部人為影響造成的突變數據（圖1）。

圖1 受人為干擾后自動監測數據變化

3 圖像識別系統

眾所周知，視頻監控的搭建成本與分辨率、碼流成正比。目前市場上已經有了很多具備人像識別功能、車輛識別功能的視頻監控系統，但這種基于物理輪廓和行為跟蹤的智能檢測分析，需要前端具備高分辨率、碼流的視頻硬件和網絡帶寬支撐。這樣的系統，雖然可以達到快速判別人員、車輛是否進入監測設備的干擾區域的要求，但其使用成本決定了其在數量較大的監測點監視工作中，無法被大規模推廣應用。

圖像識別系統要做到與數據監測在實際工程中結合使用，有2個核心指標必須達成：低成本的視頻采集硬件和高效率的圖像識別軟件。我們針對此需求設計了專門的圖像識別系統，該系統具備以下特點：

1）持續運行的網絡攝像頭，由于采用灰度對比的方式來進行識別，因此攝像頭可選擇比較便宜的型號，對清晰度沒有要求，也不需要控制云臺等配件，光感度良好即可。

2）當數據突變發生時，本系統是針對突變時間點以前的一段7 s的視頻進行分析，該時間段為考慮到施工現場的人員和車輛的運行速度得出的經驗值。

3）一個視頻源可以同時對多個監測設備進行觀測，分析其干擾因素。

4）多個視頻源可以形成網絡重疊，用分布式計算的方式同時判別，相互校驗判別結果。

4 圖像識別算法

在圖像處理中，圖像的頻率代表了圖像中各個區域灰度變化的劇烈程度，是灰度在平面空間上的變化梯度。如果把圖片看成一個二維信號，一個維度是單元坐標，一個維度是單元灰度，可以發現灰度變化劇烈的區域，一般稱之為圖像的高頻成分，正是對象的邊緣區域，它描述的是對象的具體細節；而圖像的低頻區域則描述圖像的整體框架。顯然，灰度轉化是將高維圖像數據進行簡化的最有效方式之一。

首先，我們要把需要分析的視頻段落，進行畫面截取，按1幀/s，獲得8張圖片。

然后，把這些圖片通過縮小尺寸來去除高頻信息。因為最終分析結果取決于單位區域灰度變化的分析，因此圖像的尺寸、縱橫比并不影響分析的結果。我們將圖片壓縮至8×8像素或者12×12像素的標準尺寸（單個項目中，一旦選定壓縮比，就不再變化；壓縮比與攝像頭安裝位置、拍攝范圍有關），不保留縱橫比，摒棄圖片尺寸差異。

接著，將壓縮后的圖片轉換，獲得一組64像素或144像素的灰度圖像（圖2）。

圖2 8×8像素圖像布局

假設5-5為監測設備所在區域，5-5和與其相鄰的8個像素構成設備的受干擾區域，這個區域的4個對角元素3-3、3-7、7-3、7-7為參照系。

計算8張圖片中受干擾區域灰度變化率，灰度值變化率=[第（n＋1）秒灰度值－第n秒灰度值]/第n秒灰度值。

當干擾區域的灰度值變化率高于4個參照系中灰度值變化率最小的一個時，即判定干擾區域內存在干擾因素，并設定為條件A。

在施工現場，會選定不同的光照強度，對人員或設備進入干擾區域后，灰度值變化率進行預測，選擇3～10組數據進行分析，得出一個灰度值變化率的上下限區域，并將灰度值變化率處于該區段內設定為條件B。

當條件A、B同時成立，即判定為人員、車輛或其他設備進入干擾區域。

5 數據篩選算法

經過監測數據的自動預報警和圖像識別系統的判定，即可得到一個速率變化超標時間，并知道這個點是否受到人員和車輛等外部因素干擾。

假設監測數據的變化速率在后續的線性變化中，出現負值，則在下次速率歸0前必然會出現一個低于監測數據峰值的回落下探。線性分析時，系統可自動篩選掉這部分數據，把這部分數據視為外部因素造成的突變數據（圖3）。

從圖3可見，自動數據監測的數值判定算法是整個數據篩選算法的起始，當發生數值超標時，觸發分支算法——視頻圖像識別，這個分支根據圖像比對來判斷是否存在人為因素干擾，并將判定結果傳遞到主算法。當人為干擾判定成立時，記錄起始時間點，在后續測值速率出現負值時，自動捕捉測值波谷作為結束時間點，將該時間段與預設的閾值進行比對（一般設為5 min，可根據施工現場管理需要調整），如果時間段長度小于閾值設定，則判定該時間段內的全部數據為可篩選數據，并進行標記。

圖3 數據篩選整體邏輯

用戶在后續數據分析功能，例如報警短信提示、數據匯總、數據曲線繪制等功能中，根據需要自行決定是否屏蔽這部分監測數據。

6 結語

本文提出了一種基于圖像識別的基坑自動監測數據篩選方法。針對基坑自動監測數據容易受到外部人為因素影響的問題，給出了一個切實可行的解決方案。該篩選方法，充分考慮了施工現場的實際環境，在低成本實施的條件下，對突變超標數據進行了有效甄別。隨著系統的運行以及積累數據量的豐富，系統中一些預設閾值會愈發合理，輸出的數據篩選的結果也會更加的準確。將來還可以通過機器學習算法的引入，通過工程類型、施工方法、施工參數等元素，自動推算更佳的篩選條件。也可以根據篩選結果，用大數據手段反向指導現場文明施工，協助施工安全管理。