基于計算機視覺的建筑施工期臨時結構損傷識別方法

梁振宇，華嘉皓，陳浩龍，鄧逸川,2

基于計算機視覺的建筑施工期臨時結構損傷識別方法

梁振宇1，華嘉皓1，陳浩龍1，鄧逸川1,2

(1. 華南理工大學土木與交通學院，廣東 廣州 510640；2. 亞熱帶建筑科學國家重點實驗室，廣東 廣州 510640)

建筑施工臨時結構是施工現場的事故主要風險源。以往的基于振動的臨時結構監測方法依賴于在預先分析確定的監測關鍵部位放置的加速度傳感器。但由于臨時結構存在構件搭設不規范、施工現場不確定性等因素，通過有限元分析等手段得到的監測關鍵部位可能與實際情況相差較大，存在不確定性。為此提出一種基于歐拉運動放大算法的臨時結構損傷識別方法，充分利用計算機視覺技術的全域覆蓋及監測高效的優點。采用數碼攝像機采集臨時結構的數字圖像序列，經過基于相位的歐拉運動放大算法處理，獲取運動放大后的數字圖像序列；運用Canny邊緣識別算法獲取邊緣圖像序列并消除運動放大造成的噪聲，通過基于形心的運動跟蹤算法獲取臨時結構的位移時程數據，并利用快速傅里葉變換進行頻譜分析；與預先建立的損傷動力指紋庫進行對比判斷臨時結構的損傷狀態。以存在10種損傷狀態的門式腳手架為測試對象，證明該方法的可行性與適用性。與加速度傳感器測量進行對比，該方法平均誤差為0.95%，滿足臨時結構損傷狀態識別的精度要求。

歐拉運動放大；臨時結構；計算機視覺；結構損傷識別；損傷動力指紋

建筑施工臨時結構是建筑施工作業的重要組成部分，為施工任務提供圍護、支撐、物料堆放、人員通行等功能。然而，臨時結構的安全性是工程安全中一個突出的問題。根據住房和城鄉建設部辦公廳《關于2019年房屋市政工程生產安全事故情況的通報》，較大及以上事故的主要風險源為臨時結構工程，如基坑工程、腳手架工程、模板工程等，如圖1所示。可見，臨時結構的安全監測是保障施工安全、減少工程損失的重要舉措。

圖1 2019年全國房屋市政工程生產安全較大及以上事故類型情況

臨時結構的結構健康監測可分為基于幾何的監測[1-2]和基于振動的監測[3]。前者通過檢查臨時結構的構件布置、位移等是否符合規范要求，從而判斷結構的安全性；后者則是監測結構特定部位的振動響應，將振動信息與損傷指紋庫進行比對，從而判斷結構是否安全。根據調查，臨時結構的破壞，如腳手架，多數是由于連接扣件的破損、銹蝕、老化所導致。因此扣件的變化難以通過結構整體的幾何信息反映。而由于扣件變化導致腳手架桿件兩端的約束條件發生了變化，結構的振動響應受到影響。因此，基于振動的監測更加適合于臨時結構的監測。

基于振動的結構健康監測已在橋梁[4-5]等永久結構中有較多的應用。傳統的方法是將加速度傳感器放置若干個關鍵部位上，收集其振動信息。由于傳感器布設成本較高，通常應用有限元分析法得出需要進行監測的關鍵部位。永久結構在使用過程中通常不會發生較大結構變化，因此有限元分析得到的監測關鍵部位與實際情況相差不大。然而對于臨時結構，由于存在搭設不規范、施工現場不確定性等因素，有限元分析得到的監測關鍵部位可能與實際情況相差較大，若仍將加速度傳感器布置在有限元分析得到的關鍵部位有可能造成監測信息的缺失，影響結構健康監測的效果。臨時結構自身具有的不確定性使得監測關鍵部位可能會隨著時間發生改變，損傷和需要監測的部位可能出現在臨時結構的任意位置。由于加速度傳感器難以遍布整個臨時結構，因此人們提出了不依賴于物理傳感器的其他監測方法。

基于計算機視覺技術的監測技術已引起國內外研究者們的重視[6-10]。攝像機中的每一個像素點均可認為是一個視覺傳感器，可以高效地監測大面積區域。將計算機視覺技術使用在臨時結構的結構健康檢測中，可同時監測臨時結構所有位置的結構響應，有效地解決了物理傳感器所帶來的布設問題。在眾多計算機視覺技術中，近年來快速發展的運動放大算法可以有效獲得結構的振動信息。2005年，LIU等[11]首先提出了拉格朗日運動放大算法，結合光流法進行特征點跟蹤并將運動幅值放大，但存在計算量大、特征點易遮擋等問題。2012年，WU等[12]提出線性歐拉運動放大算法，將微小運動等價為數字圖像數據中的亮度值的微小變化，其無需進行光流估計，只需放大數字圖像數據像素點的亮度值變化，即可實現對微小運動的間接放大，因此提高了計算效率。2013年，WADHWA等[13-15]利用相位的歐拉運動放大算法，并通過放大圖像相位信息實現微小運動放大，不會放大噪聲而是平移噪聲，進一步提升了運動放大的效果。在此基礎上，運動放大算法被廣泛地應用于非接觸式獲取結構的振動信息。CHEN等[16-18]運用相位的歐拉運動放大算法得到懸臂梁的共振頻率和振型、捕捉建筑頂部天線塔的振動信號、獲取橋梁結構的振動頻率。SHANG和SHEN[19]開發了基于相位歐拉運動放大算法的多點振動測量方法并用于人行天橋監測，提高了結構健康監測的效率。LU等[20]運用線性歐拉運動放大算法觀察塔式結構振動，從而判斷是否發生疲勞破壞。雷林[21]改進了微小運動放大技術并將其應用于對實際的水電工程監測。張宇航等[22]利用相位的歐拉運動放大算法獲取橋梁拉索的自振頻率，進而得到橋梁的索力值。可見，運動放大算法已在獲取結構振動信息方面得到了一定程度的應用。

將臨時結構的振動信息與損傷指紋庫進行比對從而進行判斷，稱為基于模式識別的損傷診斷方法[23]。該方法以結構損傷前后變化的振動信息作為損傷指紋，通過采集多種損傷工況的損傷動力特征建立損傷動力指紋庫。將實際測量數據與損傷動力指紋庫進行比對，進而以最接近的模式確定結構的損傷情況。利用損傷動力指紋庫進行結構損傷識別已有一定程度的運用。張楊[24]通過分析簡支梁、固接梁和彈性約束梁損傷前后自振頻率的變化，建立了梁損傷定位通用頻率指紋庫。劉杰等[25]通過ANSYS仿真實驗提取損傷動力指紋，包含前5階頻率和前5階11個測點的歸一化振型值，用于斜拉橋的損傷識別。

針對臨時結構的振動監測關鍵部位存在不確定性的問題，本文提出一種基于歐拉運動放大算法的臨時結構損傷識別方法，充分利用計算機視覺技術的全域覆蓋及監測高效的優點。該方法首先運用基于相位的歐拉運動放大算法獲取某一頻率范圍運動放大后的圖像序列，然后通過Canny邊緣識別算法[26-28]識別圖像序列中的邊緣，并消除運動放大所造成的噪聲。通過邊緣序列提取結構的位移時程數據，經過傅里葉變換可得臨時結構的自振頻率。以自振頻率作為損傷動力指紋與預先收集的損傷動力指紋庫進行對比，判斷臨時結構的損傷狀態。

1 基于歐拉運動放大算法的臨時結構損傷識別方法

基于歐拉運動放大算法的臨時結構損傷識別流程如圖2所示。

圖2 基于歐拉運動放大算法的臨時結構損傷識別流程圖

1.1 圖像預處理

通過攝像機獲取臨時結構的圖像序列，為了提升運動放大效果，需對采集的圖像序列進行一定的預處理操作，包括轉換數字圖像格式，壓縮圖像比例，以及去除圖像序列中噪聲較大的圖像。

1.2 歐拉運動放大

采用基于相位的歐拉運動放大算法對臨時結構的圖像序列進行運動放大。首先運用復向可調金字塔將圖像序列分解為不同位置、方向和尺度的局部空間振幅和相位。其中，高通殘差和低通殘差未通過時域帶通濾波和被運動放大，僅用于重建運動放大視頻。其次，利用傅里葉變換算法將局部空間相位信號分解為一系列正弦信號，對相位信號進行時域帶通濾波，獲得目標頻率范圍中的相位信息。該相位信息乘以放大系數并重建圖像序列，便可得到在特定頻率范圍放大的圖像序列。具體流程如圖3所示。

圖3 歐拉運動放大流程圖

為了清晰地描述該算法，以一維平動運動為例進行說明[13]。假定(,)為處的圖像亮度值，經過時間，物體在圖像上平移()，則時刻圖像的亮度值為

通過傅里葉變換，分別將()和(+())轉換為指數形式的傅里葉級數，得

其中，為諧波振幅；為諧波頻率。

由式(2)和式(3)可知，對于某一諧波頻率，()和(+())的相位差為

由式(4)可見，相位差j()與位移()相關，且包含運動信息。因此將相位差放大倍，調整為aj()。調整后的諧波分量為e(x+(1+)(t))，且以此重構圖像亮度函數，可得

對比式(2)和式(5)，可以得到放大后的運動信號(1+)()。

1.3 邊緣識別

運用Canny算子提取放大后的圖像序列的邊緣。Canny算子具有如下的優點[23]：①較低的漏檢率和誤檢率，Canny算子能夠檢測較多的實際邊緣，且檢測錯誤較少；②良好的定位性，Canny算子檢測到的邊緣十分接近真實邊緣的位置；③檢測邊緣具備唯一性，Canny算子在檢測一條實際邊緣時，能夠抑制結果中的虛假邊緣，僅得到一條邊緣。Canny邊緣檢測算法流程如圖4所示。

圖4 Canny邊緣檢測算法流程圖

1.4 目標追蹤、頻譜分析

選擇臨時結構同一區域的部分邊緣，計算邊緣的形心。通過跟蹤形心的運動獲取臨時結構的振動位移時程數據。對位移時程數據進行快速傅里葉變換，得到臨時結構的自振頻率。

1.5 損傷識別

根據文獻[29-32]，目前的損傷動力指紋歸納為4類：直接模態參數類(如頻率、振型)、模態參數的函數類(如頻率平方、模態應變能等)、曲率類(如模態曲率、柔度曲率等)和振動信號非模態處理類(如傅里葉變換、盲源分離等)。因為結構的固有頻率容易通過測試得到而且精度較高，同時振型可以反映結構的局部信息，因此國內外以頻率和振型作為損傷動力指紋的研究較多。

損傷動力指紋庫可通過實驗或有限元仿真分析建立。當結構損傷工況種類較多時適用有限元仿真方法，而結構較為簡單時，可使用實驗方法得到精度較高的損傷動力指紋庫。

本文測試了通過實驗建立的損傷指紋庫，分析臨時結構的自振頻率與頻譜峰值個數，將其與損傷動力指紋庫進行比對，最接近的模式即可確定為臨時結構所處的損傷狀態。

2 測試實驗

2.1 損傷識別

以門式腳手架為實驗對象，通過對比基于歐拉運動放大算法和基于加速度傳感器的損傷識別方法，從而驗證基于歐拉運動放大算法的臨時結構損傷識別方法的可行性與適用性。該門式腳手架由四根柱子、四根斜桿和一個頂板組成，長度為1 800 mm，寬度為900 mm，高度為1 700 mm，如圖5所示。通過保留或拆卸斜桿，結合門式腳手架的對稱性，可以組成10種不同的損傷工況，見表1。

2.2 實驗設置

在柱1中部安裝加速度計，同時由加速度計和高速攝像機測量柱1的運動。采用東華DH5922D動態信號測試分析系統與DHDAS數據采集和數據分析軟件采集腳手架振動的加速度信號并進行頻譜分析。為了獲取具有足夠精度的加速度時程數據，將加速度傳感器的采樣頻率設置為100 Hz。采用SONY FDR-AX700數碼攝像機獲取腳手架振動的數字圖像數據，設置為超慢動作模式，將記錄的運動放慢20倍，輸出的視頻幀率為50 fps，則實際記錄的幀率為1 000 fps，且圖像分辨率為1920像素×1080像素。攝像機焦距設置為10 mm，攝像機與腳手架的距離為850 mm。攝像機拍攝范圍如圖6(a)所示。實驗在實驗室完成，日光燈的發光頻率會對運動放大造成干擾，因此采用2個255 W的LED補光燈對腳手架進行補光。制作了一個激勵裝置，保證每次實驗中鐵錘以相同的速度、高度撞擊腳手架中部，以保證控制變量，如圖6(b)所示。為了消除實驗中結構的不確定性，將所有的節點部位進行固接，采取焊接或螺栓擰緊，如圖7所示。同時，在腳手架后方布置3.0 m×1.5 m的黑色吸光布，減少運動放大的噪聲，提高邊緣識別的準確度。整體實驗布置如圖8所示。

圖5 門式腳手架示意圖

表1 門式腳手架損傷狀態總結

2.3 實驗數據分析

(1) 歐拉運動放大。為了提升圖像序列運動放大的效果，需要對采集的視頻進行格式轉換，由.mp4格式轉換為.avi格式。為了提高運算效率，將視頻壓縮在30 M以下。同時去除圖像序列中噪聲較大的圖像。

圖6 相機拍攝范圍與激勵裝置示意圖((a)攝像機拍攝范圍示意圖；(b)激勵裝置示意圖)

圖7 節點連接示意圖((a)柱子與底板焊接，底板通過螺栓擰緊在實驗平臺上；(b)斜桿通過2個螺母擰緊在螺絲上；(c)頂板焊接在門架上)

圖8 實驗布置示意圖

采用基于相位的歐拉運動放大算法對預處理后的圖像序列進行空間域分解、時域濾波、運動放大和重構處理。針對合理的頻率范圍內的運動進行放大，可以減少放大后的光影噪聲且更加準確地獲得自振頻率，需要設定低頻和高頻截止頻率。根據腳手架的動力特征，選擇28～90 Hz頻率范圍內的運動進行放大。由于相機設置為超慢動作模式，記錄的運動放慢20倍，因此圖像序列運動放大的低頻和高頻截止頻率分別為1.4 Hz和4.5 Hz。選擇倍頻程帶寬復向可調金字塔進行空間域分解，FIR濾波器進行時域帶通濾波，放大系數設置為25，對圖像序列進行運動放大。

(2) 圖像序列邊緣識別。邊緣識別技術利用圖像中物體邊緣像素亮度梯度值較大和邊緣連續性的特點，獲取圖像中的物體邊緣信息。本實驗運用Canny算子進行腳手架的邊緣提取。為了方便提取腳手架的位移時程數據和提高運算效率，對于運動放大后的圖像序列，截取同一區域的圖像，如圖9所示。由于背景為黑色吸光布，排除了環境中其他物體的邊緣干擾。對于截取的圖像區域，調整Canny邊緣識別算法的參數，識別強邊緣并忽略弱邊緣，防止將算法造成的光影噪聲和柱子表面光線差異識別為錯誤邊緣，保證識別邊緣的唯一性。邊緣識別結果如圖10所示。

圖9 截取圖像序列的同一區域

圖10 邊緣識別結果示意圖

(3) 提取腳手架位移時程數據。由于截取的是同一區域的原始圖像序列的每張圖像，因此邊緣的運動即可反映腳手架的運動。利用已識別得到的邊緣序列，對于邊緣圖像的亮度值取算術平均，即可計算出邊緣的形心從而跟蹤腳手架的運動。這一運動追蹤方法無需人工標記點，節省了使用成本。以損傷工況1為例進行說明，其位移時程數據如圖11所示，同時采集的加速度計數據如圖12所示。通過對比可知，經運動放大后的位移并不是真實的位移，而是特定頻率范圍內的位移。

圖11 運動放大后的位移時程

圖12 腳手架的加速度計數據

(4) 損傷識別。分別對攝像機獲取的位移時程數據和加速度計獲取的加速度數據進行快速傅里葉變換，得到頻譜圖像，分別如圖13和圖14所示。將加速度計采集的數據視為建立損傷動力指紋庫，通過對比分析自振頻率和頻譜峰值數量，即可判斷腳手架所處的損傷工況。將圖13的橫坐標放大20倍，統一頻率坐標系統，頻譜分析對比如圖15所示，可見攝像機得到的自振頻率與加速度計獲得的自振頻率幾乎一致。10種損傷工況的頻譜分析對比見表2，各損傷工況的最大誤差為1.96%，平均誤差為0.95%。表明本文方法可實現加速度傳感器的自振頻率測量精度，可以滿足臨時結構的損傷狀態識別的精度要求。

圖13 位移時程數據的頻譜分析

圖14 加速度數據的頻譜分析

圖15 攝像機與加速度計分析結果對比

表2 腳手架損傷識別測試結果對比

3 結束語

本文開展了基于歐拉運動放大算法的臨時結構損傷識別方法的相關研究，充分利用計算機視覺技術的全域覆蓋及監測高效的優點，綜合運用基于相位的歐拉運動放大算法、Canny邊緣識別算法、傅里葉變換、損傷動力指紋庫等圖學技術，從結構的振動信息入手對臨時結構進行健康監測。相比于以往基于幾何信息的臨時結構非接觸式結構健康監測，本文方法從損傷導致結構體系改變的角度入手，能夠解決臨時結構的健康監測中的監測位置難以確定的問題，拓展了計算機視覺技術在臨時結構的健康監測中的運用。腳手架的實驗表明，與加速度傳感器結果相比，各損傷工況的最大誤差為1.96%，平均誤差為0.95%。本文方法可實現加速度傳感器的自振頻率測量精度，滿足臨時結構的損傷狀態識別的精度要求。

本文方法在以下方面還有待改進：

(1) 隨著頻率范圍的增加和放大倍數的增大，光影和噪聲會越明顯。因此通過該方法識別到的自振頻率和頻率峰值個數有限。

(2) 計算效率較低，視頻需要進行壓縮到較小的尺寸才能進行運動放大，否則會造成計算時間過長。這會導致細節信息的缺失，以及難以進行實時監測。

綜上，基于歐拉運動放大算法的臨時結構損傷識別方法還有較大地提升空間，還需在優化空間域分解的金字塔、提升計算效率、減少算法導致的光影和噪聲等方面進行研究。

[1] 馬國鑫, 韓豫, 孫佳寧, 等. 基于無人機的外腳手架安全性自動檢查系統設計與實現[J]. 土木工程與管理學報, 2018, 35(4): 169-174.

MA G X, HAN Y, SUN J N, et al. Design and implementation of automatic safety inspection system for external scaffold based on UAV[J]. Journal of Civil Engineering and Management, 2018, 35(4): 169-174 (in Chinese).

[2] XU Y S, TUTTAS S, HOEGNER L, et al. Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor[J]. Automation in Construction, 2018, 85: 76-95.

[3] WANG F R, SONG G B. Looseness detection in cup-lock scaffolds using percussion-based method[J]. Automation in Construction, 2020, 118: 103266.

[4] KHAN S M, ATAMTURKTUR S, CHOWDHURY M, et al. Integration of structural health monitoring and intelligent transportation systems for bridge condition assessment: current status and future direction[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(8): 2107-2122.

[5] DONG C Z, CATBAS F N. A review of computer vision–based structural health monitoring at local and global levels[J]. Structural Health Monitoring, 2021, 20(2): 692-743.

[6] SPENCER B F Jr, HOSKERE V, NARAZAKI Y. Advances in computer vision-based civil infrastructure inspection and monitoring[J]. Engineering, 2019, 5(2): 199-222.

[7] 王琳, 趙健康, 夏軒, 等. 基于雙目立體視覺技術的橋梁裂縫測量系統[J]. 計算機應用, 2015, 35(3): 901-904.

WANG L, ZHAO J K, XIA X, et al. Bridge crack measurement system based on binocular stereo vision technology[J]. Journal of Computer Applications, 2015, 35(3): 901-904 (in Chinese).

[8] 張小偉, 包騰飛, 高興和. 基于計算機視覺的混凝土壩裂縫檢測方法[J]. 水利水電科技進展, 2021, 41(5): 83-88.

ZHANG X W, BAO T F, GAO X H. Crack detection method of concrete dams based on computer vision[J]. Advances in Science and Technology of Water Resources, 2021, 41(5): 83-88 (in Chinese).

[9] 章世祥, 張漢成, 李西芝, 等. 基于機器視覺的路面裂縫病害多目標識別研究[J]. 公路交通科技, 2021, 38(3): 30-39.

ZHANG S X, ZHANG H C, LI X Z, et al. Study on multi-objective identification of pavement cracks based on machine vision[J]. Journal of Highway and Transportation Research and Development, 2021, 38(3): 30-39 (in Chinese).

[10] 肖和華, 金鼎沸. 基于機器視覺的路基沉降監測方法研究[J]. 鐵道科學與工程學報, 2015, 12(6): 1365-1368.

XIAO H H, JIN D F. A subgrade settlement monitoring method based on machine vision[J]. Journal of Railway Science and Engineering, 2015, 12(6): 1365-1368 (in Chinese).

[11] LIU C, TORRALBA A, FREEMAN W T, et al. Motion magnification[J]. ACM Transactions on Graphics, 2005, 24(3): 519-526.

[12] WU H Y, RUBINSTEIN M, SHIH E, et al. Eulerian video magnification for revealing subtle changes in the world[J]. ACM Transactions on Graphics, 2012, 31(4): 1-8.

[13] WADHWA N, RUBINSTEIN M, DURAND F, et al. Phase-based video motion processing[J]. ACM Transactions on Graphics, 2013, 32(4): 1-10.

[14] WADHWA N, CHEN J G, SELLON J B, et al. Motion microscopy for visualizing and quantifying small motions[J]. Proceedings of the National Academy of Sciences of the United States of America, 2017, 114(44): 11639-11644.

[15] WADHWA N, WU H Y, DAVIS A, et al. Eulerian video magnification and analysis[J]. Communications of the ACM, 2016, 60(1): 87-95.

[16] CHEN J G, WADHWA N, CHA Y J, et al. Modal identification of simple structures with high-speed video using motion magnification[J]. Journal of Sound and Vibration, 2015, 345: 58-71.

[17] CHEN J G, DAVIS A, WADHWA N, et al. Video camera–based vibration measurement for civil infrastructure applications[J]. Journal of Infrastructure Systems, 2017, 23(3): B4016013.

[18] CHEN J G, ADAMS T M, SUN H, et al. Camera-based vibration measurement of the world war I memorial bridge in Portsmouth, new Hampshire[J]. Journal of Structural Engineering, 2018, 144(11): 04018207: 1-04018207: 19.

[19] SHANG Z X, SHEN Z G. Multi-point vibration measurement and mode magnification of civil structures using video-based motion processing[J]. Automation in Construction, 2018, 93: 231-240.

[20] LU M C, CHAI Y, LIU Q. Observation of tower vibration based on subtle motion magnification[J]. IFAC-PapersOnLine, 2019, 52(24): 346-350.

[21] 雷林. 微小運動放大及其在水電工程監測中的應用[D]. 宜昌: 三峽大學, 2016.

LEI L. Subtle motion magnification and its application in monitoring of hydropower engineering[D]. Yichang: China Three Gorges University, 2016 (in Chinese).

[22] 張宇航, 蘇成, 鄧逸川. 基于歐拉運動放大算法的橋梁索力測試方法研究[J]. 圖學學報, 2021, 42(6): 941-947.

ZHANG Y H, SU C, DENG Y C. A eulerian video magnification based cable tension identification method for bridge structures[J]. Journal of Graphics, 2021, 42(6): 941-947 (in Chinese).

[23] 吳向男, 徐岳, 梁鵬, 等. 橋梁結構損傷識別研究現狀與展望[J]. 長安大學學報: 自然科學版, 2013, 33(6): 49-58.

WU X N, XU Y, LIANG P, et al. Research status and prospect of bridge structure damage identification[J]. Journal of Chang'an University: Natural Science Edition, 2013, 33(6): 49-58 (in Chinese).

[24] 張楊. 基于自振頻率的梁損傷定位動力檢測理論與試驗研究[D]. 上海: 同濟大學, 2006.

ZHANG Y. Theoretical and experimental study on the damage localization of beams based on natural frequencies[D]. Shanghai: Tongji University, 2006 (in Chinese).

[25] 劉杰, 王海龍, 張志國, 等. 模式識別的斜拉橋損傷診斷動力指紋與識別算法[J]. 土木建筑與環境工程, 2016, 38(4): 115-123.

LIU J, WANG H L, ZHANG Z G, et al. Dynamic fingerprint and identification algorithm for damage diagnosis of cable stayed bridge based on pattern recognition[J]. Journal of Civil, Architectural & Environmental Engineering, 2016, 38(4): 115-123 (in Chinese).

[26] CANNY J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(6): 679-698.

[27] 許宏科, 秦嚴嚴, 陳會茹. 一種基于改進Canny的邊緣檢測算法[J]. 紅外技術, 2014, 36(3): 210-214.

XU H K, QIN Y Y, CHEN H R. An improved algorithm for edge detection based on canny[J]. Infrared Technology, 2014, 36(3): 210-214 (in Chinese).

[28] 王植, 賀賽先. 一種基于Canny理論的自適應邊緣檢測方法[J]. 中國圖象圖形學報, 2004, 9(8): 957-962.

WANG Z, HE S X. An adaptive edge-detection method based on canny algorithm[J]. Journal of Image and Graphics, 2004, 9(8): 957-962 (in Chinese).

[29] 高維成, 劉偉, 鄒經湘. 基于結構振動參數變化的損傷探測方法綜述[J]. 振動與沖擊, 2004, 23(4): 1-7, 17.

GAO W C, LIU W, ZOU J X. Damage detection methods based on changes of vibration parameters: a summary review[J]. Journal of Vibration and Shock, 2004, 23(4): 1-7, 17 (in Chinese).

[30] 黃方林, 王學敏, 陳政清, 等. 大型橋梁健康監測研究進展[J]. 中國鐵道科學, 2005, 26(2): 1-7.

HUANG F L, WANG X M, CHEN Z Q, et al. Research progress made on the health monitoring for large-type bridges[J]. China Railway Science, 2005, 26(2): 1-7 (in Chinese).

[31] 王志堅, 韓西, 鐘厲, 等. 基于結構動力參數的土木工程結構損傷識別方法[J]. 重慶建筑大學學報, 2003, 25(4): 128-132.

WANG Z J, HAN X, ZHONG L, et al. Review of damage identification of civil engineering structures based on dynamic parameters[J]. Journal of Chongqing Architecture University, 2003, 25(4): 128-132 (in Chinese).

[32] 楊秋偉. 基于振動的結構損傷識別方法研究進展[J]. 振動與沖擊, 2007, 26(10): 86-91, 100, 190.

YANG Q W. A review of vibration-based structural damage identification methods[J]. Journal of Vibration and Shock, 2007, 26(10): 86-91, 100, 190 (in Chinese).

A computer vision based structural damage identification method for temporary structure during construction

LIANG Zhen-yu1, HUA Jia-hao1, CHEN Hao-long1, DENG Yi-chuan1,2

(1. School of Civil Engineering and Transportation, South China University of Technology, Guangzhou Guangdong 510640, China; 2. State Key Laboratory of Subtropical Building Science, Guangzhou Guangdong 510640, China)

Temporary structure is the main risk source of construction site accidents. Previous vibration-based detection methods mainly focus on setting accelerometers on some pre-defined critical areas. However, due to the factors such as nonstandard component erection and uncertainty of the construction site for the temporary structure, the critical areas of the monitoring obtained from the analysis may vary dramatically from the reality. Therefore, this paper proposed a structural damage identification method for temporary structure based on phased-based Eulerian video magnification algorithm, making full use of the advantages of global coverage and efficient monitoring of computer vision technology. The digital image of temporary structure vibration collected by digital camera was firstly processed by phased-based Eulerian video magnification to acquire motion-magnified image sequence in the particular frequency bands. Then, the canny edge detector was employed to identify the edges in the image sequence and eliminate the noise resulting from the magnification. The edges in the image sequence were utilized to acquire time-history data of temporary structure displacement based on the geometry centroid, from which resonant frequencies could be obtained after Fourier transformation, and finally the damage states were identified based on the pre-established damage dynamic fingerprint database. The applicability of the proposed method was discussed in the context of the frame scaffold experiments with 10 kinds of damage states. By comparing the results between camera measurement and accelerometer measurement, the proposed method can yield satisfactory performance with an average error of 0.95%, fulfilling the accuracy requirements of damage identification.

Eulerian video magnification; temporary structure; computer vision; structural damage identification; damage dynamic fingerprint

22 October，2021；

Natural Science Foundation of Guangdong Province (2022A1515010174); Guangzhou Science and Technology Program (202201010338)

LIANG Zhen-yu (2000-), undergraduate student. His main research interests cover BIM, CV. E-mail：eric.z.y.leung@gmail.com

TP 391

10.11996/JG.j.2095-302X.2022040608

A

2095-302X(2022)04-0608-08

2021-10-22；

2022-01-21

21 January，2022

廣東省自然科學基金項目(2022A1515010174)；廣州市科技計劃項目基礎與應用基礎研究項目(202201010338)

梁振宇(2000-)，男，本科生。主要研究方向為建筑信息模型、計算機視覺。E-mail：eric.z.y.leung@gmail.com

鄧逸川(1989-)，男，副研究員，博士。主要研究方向為建筑信息模型、計算機視覺。E-mail：ctycdeng@scut.edu.cn

DENG Yi-chuan (1989-), associate researcher, Ph.D. His main research interests cover BIM, CV. E-mail：ctycdeng@scut.edu.cn