机器视觉在索股高差测量中的应用

吕丹枫

中交第二航务工程局有限公司，湖北武汉 430000

摘 要：索股高差是影响悬索桥主缆线型的主要因素，传统方法以游标卡尺测得的待架设索股与基准索股的高差作为索股调整的依据。该方法受现场环境、测量人员影响大、量程小、精度低且功效低，难以满足实时测量、大直径高效安装测量的要求。本文在分析索股运动规律的基础上，采用自主研发的基于深度学习的机器视觉成套测量设备，应用于某大桥项目，测量待架设索股和基准索股动态高差，并得出高精度的稳定静态高差值，实现了索股高差的远程、高精度、快速测量。

关键词：桥梁工程；机器视觉；深度学习；图像处理

0 引言

机器视觉^[1]是运用光学设备和非接触式传感器自动接收、处理真实的物体图像，分析图像以获取所需信息的方法。相比于传统测量方法，利用机器视觉进行距离测量具有精度高、量程大、读取快速等优点。目前，机器视觉已广泛应用于电子及半导体^[3]、汽车制造^[4]、食品包装^[5]、制药^[6]等领域，但在工程领域的应用鲜有报道。事实上，机器视觉在工程领域的应用场景构造一直是工程师十分关注的问题。在悬索桥施工的索股架设工序中，需要对待架设的索股进行高差测量和调整。传统的施工方案是以第一根架设的标准索股作为基准索股，后续标准索股则利用与基准索股的相对高差实现定位。目前工程中广泛使用的测量工具是游标卡尺，考虑到日间的作业环境以及温度因素，索股高差的测量工作通常在晚间集中进行，该人工测量方法受测量人员的主体因素影响大，而且一旦遇到大风环境，标准索股的剧烈运动会导致测量工作无法进行，影响索股架设进度。

为克服恶劣的环境因素、人为因素对索股测量工作的影响，实现高效、精确地索股定位。我司自主研发了适用于悬索桥索股高差测量的成套机器视觉设备；通过对索股运动的观测和分析计算，评估了索股在各个方向上的运动幅度对于高差测量的影响，依此制定了静态高差的提取方案；此外，在实际测量中我们对由镜头畸变^[9]造成的测量误差进行了校准。

1 测量设备的构成和布置

我司自主研发的整套机器视觉设备包含集成摄像端、一对网桥、计算机（安装有图像分析软件）、标靶（LED光源），通过摄像端获取现场图片，内置陀螺仪记录相机拍摄时因为环境因素造成的角度变化，并将角度数据传输给处理器进行校正，处理器将图像数据进行压缩处理后，通过网桥传输至远端的计算机；在计算机上进行图像解压，内置的图像分析软件可以拟合标靶的圆心位置，对两个标靶的圆心进行像素差值计算，进而换算为实际空间距离。

2 机器视觉测量原理

机器视觉测量包含成像原理、目标检测、像素识别和计算三个部分；相机成像过程基于小孔成像原理，将三维空间中的物体映射成二维图像，二维图像为整个相机所摄平面的等比例缩放。目标检测则是采用了主流的基于卷积神经网络的Yolo3单阶段目标检测技术。

输入的图片经过由卷积神经网络主干网络（Backbone）后，输出整张图片的特征图（Feature map），通过颈部（Neck）连接层对不同尺度的特征图进行融合，以获得多尺度的特征。

该套设备笔记本终端的图像分析程序可以对收集到的图像进行像素换算，所采用的图像像素为 （长×高）为4096×3000，在固定的摄像机参数和角度下，监控区域范围 （长×高）为3.93554m×2.88248m，精度为：

即每个像素代表的距离为0.960825mm，通过目标检测对标靶的圆心进行拟合和跟踪，可以得到两个标靶的像素差值。

3 索股运动分析

通过对所测索股的运动进行观测和分析，假定该段索股在两端索鞍处为固接，可以将其运动拆分为以下两部分：

1. 摆动，受季风、阵风因素影响，索股在猫道垂面上会出现左右摆动，在最低点处可以看作是绕该跨两端索鞍处的空间中点的单摆运动，其高程受单摆幅度的影响；根据温州北口大桥环境条件和索股参数，计算得到在各级别风速下，索股的摆动幅度如下表所示：

摆动幅度对高差的影响如下表所示：

2. 振动，弹性索股受复杂环境因素的影响，在垂直方向上做上下振动，振动会直接改变高差，使测量结果呈现正弦波样式；

测量过程中，标靶之间的动态高差会实时显示在软件界面上，动态高差随着时间的变化而不断改变，当索股运动较为剧烈时，该动态数据将会出现大幅波动，需要对该系列数据进行快速提取和处理，以获取相对精确的索股静态高差值。

4 数据提取

将标靶的在水平向运动近似看作是单摆运动，在这种假设情况下，我们认为：当标靶水平距离超出理想静态数值一定范围时，其高差数据则会存在较大的误差，应将其剔除。在水平方向的数据采集基础上，对数据进行算术平均，可以消除垂直振动的影响。将水平方向差值在观测时间段内较为平稳状态下的均值 作为标准水平间距，观测时段设置为2min，产生180个数据样本，并设置阈值 。在观测时段内，标靶的水平间距为

、 、 ，对应的瞬时高差为 、 、 。

当 时，对应的 将会被记录为有效数据。依次记录为 、 、

当 时，对应的 将会被剔除。

取 ，即为测得的静态高差。

5 测量结果

在相同的测量环境下，采用设计长度为600mm时设定的测距55.70m，分别对待架设的索股进行高差测量，测量设备为自主研发的成套机器视觉测量设备，测量结果与游标卡尺测量结果做对比，根据工程上提供的数据：标尺索股外接圆半径为18.90mm，标准索股外接圆半径为35.52mm，使用专用软件对索股静态转角进行测量，对卡尺测量结果进行校正，机器视觉获取动态高差值后采用2.3所述的方法得到静态高差。测量结果如表3所示：

表 1 机器视觉测量结果

单位:mm

由表可见，使用该套设备所测得的高差误差在毫米级别，最大误差为3.14mm，根据现场的测量环境，分析认为产生该误差的主要原因是游标卡尺测量的不稳定性。上表的测量结果验证了该套设备的可靠性。

6 展望与总结

机器视觉成套设备和技术的成功应用，体现了机器视觉测量方法较传统测量方法的优越性，实现了索股高差无接触式、快速测量。动态高差的即时提取，可以用于更为复杂、恶劣的索股架设环境；此外，该成套机器视觉测距设备可以应用到诸多工程测量领域。

参考文献：

1. 朱云, 凌志刚, 张雨强. 机器视觉技术研究进展及展望[J]. 图学学报,2020,41(6): 871-890.

2. 朱铮涛. 基于计算机视觉图像精密测量的关键技术研究[D]. 华南理工大学,2004.

3. 田利, 韩震宇. 机器视觉在半导体器件塑封缺陷检测中的应用[J]. 电脑知识与技术,2012,8(28): 6775-6778.

4. 尹仕斌, 任永杰, 刘涛, 等. 机器视觉技术在现代汽车制造中的应用综述[J]. 光学学报,2018,38(8): 1-12.

5. 李萌, 孙铁波. 基于机器视觉的食品包装缺陷检测研究[J]. 食品研究与开发,2016,37(24): 125-127.