基于计算机视觉的建筑施工期临时结构损伤识别方法

梁振宇，华嘉皓，陈浩龙，邓逸川,2

基于计算机视觉的建筑施工期临时结构损伤识别方法

梁振宇1，华嘉皓1，陈浩龙1，邓逸川1,2

(1. 华南理工大学土木与交通学院，广东 广州 510640；2. 亚热带建筑科学国家重点实验室，广东 广州 510640)

建筑施工临时结构是施工现场的事故主要风险源。以往的基于振动的临时结构监测方法依赖于在预先分析确定的监测关键部位放置的加速度传感器。但由于临时结构存在构件搭设不规范、施工现场不确定性等因素，通过有限元分析等手段得到的监测关键部位可能与实际情况相差较大，存在不确定性。为此提出一种基于欧拉运动放大算法的临时结构损伤识别方法，充分利用计算机视觉技术的全域覆盖及监测高效的优点。采用数码摄像机采集临时结构的数字图像序列，经过基于相位的欧拉运动放大算法处理，获取运动放大后的数字图像序列；运用Canny边缘识别算法获取边缘图像序列并消除运动放大造成的噪声，通过基于形心的运动跟踪算法获取临时结构的位移时程数据，并利用快速傅里叶变换进行频谱分析；与预先建立的损伤动力指纹库进行对比判断临时结构的损伤状态。以存在10种损伤状态的门式脚手架为测试对象，证明该方法的可行性与适用性。与加速度传感器测量进行对比，该方法平均误差为0.95%，满足临时结构损伤状态识别的精度要求。

欧拉运动放大；临时结构；计算机视觉；结构损伤识别；损伤动力指纹

建筑施工临时结构是建筑施工作业的重要组成部分，为施工任务提供围护、支撑、物料堆放、人员通行等功能。然而，临时结构的安全性是工程安全中一个突出的问题。根据住房和城乡建设部办公厅《关于2019年房屋市政工程生产安全事故情况的通报》，较大及以上事故的主要风险源为临时结构工程，如基坑工程、脚手架工程、模板工程等，如图1所示。可见，临时结构的安全监测是保障施工安全、减少工程损失的重要举措。

图1 2019年全国房屋市政工程生产安全较大及以上事故类型情况

临时结构的结构健康监测可分为基于几何的监测[1-2]和基于振动的监测[3]。前者通过检查临时结构的构件布置、位移等是否符合规范要求，从而判断结构的安全性；后者则是监测结构特定部位的振动响应，将振动信息与损伤指纹库进行比对，从而判断结构是否安全。根据调查，临时结构的破坏，如脚手架，多数是由于连接扣件的破损、锈蚀、老化所导致。因此扣件的变化难以通过结构整体的几何信息反映。而由于扣件变化导致脚手架杆件两端的约束条件发生了变化，结构的振动响应受到影响。因此，基于振动的监测更加适合于临时结构的监测。

基于振动的结构健康监测已在桥梁[4-5]等永久结构中有较多的应用。传统的方法是将加速度传感器放置若干个关键部位上，收集其振动信息。由于传感器布设成本较高，通常应用有限元分析法得出需要进行监测的关键部位。永久结构在使用过程中通常不会发生较大结构变化，因此有限元分析得到的监测关键部位与实际情况相差不大。然而对于临时结构，由于存在搭设不规范、施工现场不确定性等因素，有限元分析得到的监测关键部位可能与实际情况相差较大，若仍将加速度传感器布置在有限元分析得到的关键部位有可能造成监测信息的缺失，影响结构健康监测的效果。临时结构自身具有的不确定性使得监测关键部位可能会随着时间发生改变，损伤和需要监测的部位可能出现在临时结构的任意位置。由于加速度传感器难以遍布整个临时结构，因此人们提出了不依赖于物理传感器的其他监测方法。

基于计算机视觉技术的监测技术已引起国内外研究者们的重视[6-10]。摄像机中的每一个像素点均可认为是一个视觉传感器，可以高效地监测大面积区域。将计算机视觉技术使用在临时结构的结构健康检测中，可同时监测临时结构所有位置的结构响应，有效地解决了物理传感器所带来的布设问题。在众多计算机视觉技术中，近年来快速发展的运动放大算法可以有效获得结构的振动信息。2005年，LIU等[11]首先提出了拉格朗日运动放大算法，结合光流法进行特征点跟踪并将运动幅值放大，但存在计算量大、特征点易遮挡等问题。2012年，WU等[12]提出线性欧拉运动放大算法，将微小运动等价为数字图像数据中的亮度值的微小变化，其无需进行光流估计，只需放大数字图像数据像素点的亮度值变化，即可实现对微小运动的间接放大，因此提高了计算效率。2013年，WADHWA等[13-15]利用相位的欧拉运动放大算法，并通过放大图像相位信息实现微小运动放大，不会放大噪声而是平移噪声，进一步提升了运动放大的效果。在此基础上，运动放大算法被广泛地应用于非接触式获取结构的振动信息。CHEN等[16-18]运用相位的欧拉运动放大算法得到悬臂梁的共振频率和振型、捕捉建筑顶部天线塔的振动信号、获取桥梁结构的振动频率。SHANG和SHEN[19]开发了基于相位欧拉运动放大算法的多点振动测量方法并用于人行天桥监测，提高了结构健康监测的效率。LU等[20]运用线性欧拉运动放大算法观察塔式结构振动，从而判断是否发生疲劳破坏。雷林[21]改进了微小运动放大技术并将其应用于对实际的水电工程监测。张宇航等[22]利用相位的欧拉运动放大算法获取桥梁拉索的自振频率，进而得到桥梁的索力值。可见，运动放大算法已在获取结构振动信息方面得到了一定程度的应用。

将临时结构的振动信息与损伤指纹库进行比对从而进行判断，称为基于模式识别的损伤诊断方法[23]。该方法以结构损伤前后变化的振动信息作为损伤指纹，通过采集多种损伤工况的损伤动力特征建立损伤动力指纹库。将实际测量数据与损伤动力指纹库进行比对，进而以最接近的模式确定结构的损伤情况。利用损伤动力指纹库进行结构损伤识别已有一定程度的运用。张杨[24]通过分析简支梁、固接梁和弹性约束梁损伤前后自振频率的变化，建立了梁损伤定位通用频率指纹库。刘杰等[25]通过ANSYS仿真实验提取损伤动力指纹，包含前5阶频率和前5阶11个测点的归一化振型值，用于斜拉桥的损伤识别。

针对临时结构的振动监测关键部位存在不确定性的问题，本文提出一种基于欧拉运动放大算法的临时结构损伤识别方法，充分利用计算机视觉技术的全域覆盖及监测高效的优点。该方法首先运用基于相位的欧拉运动放大算法获取某一频率范围运动放大后的图像序列，然后通过Canny边缘识别算法[26-28]识别图像序列中的边缘，并消除运动放大所造成的噪声。通过边缘序列提取结构的位移时程数据，经过傅里叶变换可得临时结构的自振频率。以自振频率作为损伤动力指纹与预先收集的损伤动力指纹库进行对比，判断临时结构的损伤状态。

1 基于欧拉运动放大算法的临时结构损伤识别方法

基于欧拉运动放大算法的临时结构损伤识别流程如图2所示。

图2 基于欧拉运动放大算法的临时结构损伤识别流程图

1.1 图像预处理

通过摄像机获取临时结构的图像序列，为了提升运动放大效果，需对采集的图像序列进行一定的预处理操作，包括转换数字图像格式，压缩图像比例，以及去除图像序列中噪声较大的图像。

1.2 欧拉运动放大

采用基于相位的欧拉运动放大算法对临时结构的图像序列进行运动放大。首先运用复向可调金字塔将图像序列分解为不同位置、方向和尺度的局部空间振幅和相位。其中，高通残差和低通残差未通过时域带通滤波和被运动放大，仅用于重建运动放大视频。其次，利用傅里叶变换算法将局部空间相位信号分解为一系列正弦信号，对相位信号进行时域带通滤波，获得目标频率范围中的相位信息。该相位信息乘以放大系数并重建图像序列，便可得到在特定频率范围放大的图像序列。具体流程如图3所示。

图3 欧拉运动放大流程图

为了清晰地描述该算法，以一维平动运动为例进行说明[13]。假定(,)为处的图像亮度值，经过时间，物体在图像上平移()，则时刻图像的亮度值为

通过傅里叶变换，分别将()和(+())转换为指数形式的傅里叶级数，得

其中，为谐波振幅；为谐波频率。

由式(2)和式(3)可知，对于某一谐波频率，()和(+())的相位差为

由式(4)可见，相位差j()与位移()相关，且包含运动信息。因此将相位差放大倍，调整为aj()。调整后的谐波分量为e(x+(1+)(t))，且以此重构图像亮度函数，可得

对比式(2)和式(5)，可以得到放大后的运动信号(1+)()。

1.3 边缘识别

运用Canny算子提取放大后的图像序列的边缘。Canny算子具有如下的优点[23]：①较低的漏检率和误检率，Canny算子能够检测较多的实际边缘，且检测错误较少；②良好的定位性，Canny算子检测到的边缘十分接近真实边缘的位置；③检测边缘具备唯一性，Canny算子在检测一条实际边缘时，能够抑制结果中的虚假边缘，仅得到一条边缘。Canny边缘检测算法流程如图4所示。

图4 Canny边缘检测算法流程图

1.4 目标追踪、频谱分析

选择临时结构同一区域的部分边缘，计算边缘的形心。通过跟踪形心的运动获取临时结构的振动位移时程数据。对位移时程数据进行快速傅里叶变换，得到临时结构的自振频率。

1.5 损伤识别

根据文献[29-32]，目前的损伤动力指纹归纳为4类：直接模态参数类(如频率、振型)、模态参数的函数类(如频率平方、模态应变能等)、曲率类(如模态曲率、柔度曲率等)和振动信号非模态处理类(如傅里叶变换、盲源分离等)。因为结构的固有频率容易通过测试得到而且精度较高，同时振型可以反映结构的局部信息，因此国内外以频率和振型作为损伤动力指纹的研究较多。

损伤动力指纹库可通过实验或有限元仿真分析建立。当结构损伤工况种类较多时适用有限元仿真方法，而结构较为简单时，可使用实验方法得到精度较高的损伤动力指纹库。

本文测试了通过实验建立的损伤指纹库，分析临时结构的自振频率与频谱峰值个数，将其与损伤动力指纹库进行比对，最接近的模式即可确定为临时结构所处的损伤状态。

2 测试实验

2.1 损伤识别

以门式脚手架为实验对象，通过对比基于欧拉运动放大算法和基于加速度传感器的损伤识别方法，从而验证基于欧拉运动放大算法的临时结构损伤识别方法的可行性与适用性。该门式脚手架由四根柱子、四根斜杆和一个顶板组成，长度为1 800 mm，宽度为900 mm，高度为1 700 mm，如图5所示。通过保留或拆卸斜杆，结合门式脚手架的对称性，可以组成10种不同的损伤工况，见表1。

2.2 实验设置

在柱1中部安装加速度计，同时由加速度计和高速摄像机测量柱1的运动。采用东华DH5922D动态信号测试分析系统与DHDAS数据采集和数据分析软件采集脚手架振动的加速度信号并进行频谱分析。为了获取具有足够精度的加速度时程数据，将加速度传感器的采样频率设置为100 Hz。采用SONY FDR-AX700数码摄像机获取脚手架振动的数字图像数据，设置为超慢动作模式，将记录的运动放慢20倍，输出的视频帧率为50 fps，则实际记录的帧率为1 000 fps，且图像分辨率为1920像素×1080像素。摄像机焦距设置为10 mm，摄像机与脚手架的距离为850 mm。摄像机拍摄范围如图6(a)所示。实验在实验室完成，日光灯的发光频率会对运动放大造成干扰，因此采用2个255 W的LED补光灯对脚手架进行补光。制作了一个激励装置，保证每次实验中铁锤以相同的速度、高度撞击脚手架中部，以保证控制变量，如图6(b)所示。为了消除实验中结构的不确定性，将所有的节点部位进行固接，采取焊接或螺栓拧紧，如图7所示。同时，在脚手架后方布置3.0 m×1.5 m的黑色吸光布，减少运动放大的噪声，提高边缘识别的准确度。整体实验布置如图8所示。

图5 门式脚手架示意图

表1 门式脚手架损伤状态总结

2.3 实验数据分析

(1) 欧拉运动放大。为了提升图像序列运动放大的效果，需要对采集的视频进行格式转换，由.mp4格式转换为.avi格式。为了提高运算效率，将视频压缩在30 M以下。同时去除图像序列中噪声较大的图像。

图6 相机拍摄范围与激励装置示意图((a)摄像机拍摄范围示意图；(b)激励装置示意图)

图7 节点连接示意图((a)柱子与底板焊接，底板通过螺栓拧紧在实验平台上；(b)斜杆通过2个螺母拧紧在螺丝上；(c)顶板焊接在门架上)

图8 实验布置示意图

采用基于相位的欧拉运动放大算法对预处理后的图像序列进行空间域分解、时域滤波、运动放大和重构处理。针对合理的频率范围内的运动进行放大，可以减少放大后的光影噪声且更加准确地获得自振频率，需要设定低频和高频截止频率。根据脚手架的动力特征，选择28～90 Hz频率范围内的运动进行放大。由于相机设置为超慢动作模式，记录的运动放慢20倍，因此图像序列运动放大的低频和高频截止频率分别为1.4 Hz和4.5 Hz。选择倍频程带宽复向可调金字塔进行空间域分解，FIR滤波器进行时域带通滤波，放大系数设置为25，对图像序列进行运动放大。

(2) 图像序列边缘识别。边缘识别技术利用图像中物体边缘像素亮度梯度值较大和边缘连续性的特点，获取图像中的物体边缘信息。本实验运用Canny算子进行脚手架的边缘提取。为了方便提取脚手架的位移时程数据和提高运算效率，对于运动放大后的图像序列，截取同一区域的图像，如图9所示。由于背景为黑色吸光布，排除了环境中其他物体的边缘干扰。对于截取的图像区域，调整Canny边缘识别算法的参数，识别强边缘并忽略弱边缘，防止将算法造成的光影噪声和柱子表面光线差异识别为错误边缘，保证识别边缘的唯一性。边缘识别结果如图10所示。

图9 截取图像序列的同一区域

图10 边缘识别结果示意图

(3) 提取脚手架位移时程数据。由于截取的是同一区域的原始图像序列的每张图像，因此边缘的运动即可反映脚手架的运动。利用已识别得到的边缘序列，对于边缘图像的亮度值取算术平均，即可计算出边缘的形心从而跟踪脚手架的运动。这一运动追踪方法无需人工标记点，节省了使用成本。以损伤工况1为例进行说明，其位移时程数据如图11所示，同时采集的加速度计数据如图12所示。通过对比可知，经运动放大后的位移并不是真实的位移，而是特定频率范围内的位移。

图11 运动放大后的位移时程

图12 脚手架的加速度计数据

(4) 损伤识别。分别对摄像机获取的位移时程数据和加速度计获取的加速度数据进行快速傅里叶变换，得到频谱图像，分别如图13和图14所示。将加速度计采集的数据视为建立损伤动力指纹库，通过对比分析自振频率和频谱峰值数量，即可判断脚手架所处的损伤工况。将图13的横坐标放大20倍，统一频率坐标系统，频谱分析对比如图15所示，可见摄像机得到的自振频率与加速度计获得的自振频率几乎一致。10种损伤工况的频谱分析对比见表2，各损伤工况的最大误差为1.96%，平均误差为0.95%。表明本文方法可实现加速度传感器的自振频率测量精度，可以满足临时结构的损伤状态识别的精度要求。

图13 位移时程数据的频谱分析

图14 加速度数据的频谱分析

图15 摄像机与加速度计分析结果对比

表2 脚手架损伤识别测试结果对比

3 结束语

本文开展了基于欧拉运动放大算法的临时结构损伤识别方法的相关研究，充分利用计算机视觉技术的全域覆盖及监测高效的优点，综合运用基于相位的欧拉运动放大算法、Canny边缘识别算法、傅里叶变换、损伤动力指纹库等图学技术，从结构的振动信息入手对临时结构进行健康监测。相比于以往基于几何信息的临时结构非接触式结构健康监测，本文方法从损伤导致结构体系改变的角度入手，能够解决临时结构的健康监测中的监测位置难以确定的问题，拓展了计算机视觉技术在临时结构的健康监测中的运用。脚手架的实验表明，与加速度传感器结果相比，各损伤工况的最大误差为1.96%，平均误差为0.95%。本文方法可实现加速度传感器的自振频率测量精度，满足临时结构的损伤状态识别的精度要求。

本文方法在以下方面还有待改进：

(1) 随着频率范围的增加和放大倍数的增大，光影和噪声会越明显。因此通过该方法识别到的自振频率和频率峰值个数有限。

(2) 计算效率较低，视频需要进行压缩到较小的尺寸才能进行运动放大，否则会造成计算时间过长。这会导致细节信息的缺失，以及难以进行实时监测。

综上，基于欧拉运动放大算法的临时结构损伤识别方法还有较大地提升空间，还需在优化空间域分解的金字塔、提升计算效率、减少算法导致的光影和噪声等方面进行研究。

[1] 马国鑫, 韩豫, 孙佳宁, 等. 基于无人机的外脚手架安全性自动检查系统设计与实现[J]. 土木工程与管理学报, 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, 赵健康, 夏轩, 等. 基于双目立体视觉技术的桥梁裂缝测量系统[J]. 计算机应用, 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] 张小伟, 包腾飞, 高兴和. 基于计算机视觉的混凝土坝裂缝检测方法[J]. 水利水电科技进展, 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, 张汉成, 李西芝, 等. 基于机器视觉的路面裂缝病害多目标识别研究[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] 肖和华, 金鼎沸. 基于机器视觉的路基沉降监测方法研究[J]. 铁道科学与工程学报, 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. 微小运动放大及其在水电工程监测中的应用[D]. 宜昌: 三峡大学, 2016.

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

[22] 张宇航, 苏成, 邓逸川. 基于欧拉运动放大算法的桥梁索力测试方法研究[J]. 图学学报, 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] 吴向男, 徐岳, 梁鹏, 等. 桥梁结构损伤识别研究现状与展望[J]. 长安大学学报: 自然科学版, 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] 张杨. 基于自振频率的梁损伤定位动力检测理论与试验研究[D]. 上海: 同济大学, 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] 刘杰, 王海龙, 张志国, 等. 模式识别的斜拉桥损伤诊断动力指纹与识别算法[J]. 土木建筑与环境工程, 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] 许宏科, 秦严严, 陈会茹. 一种基于改进Canny的边缘检测算法[J]. 红外技术, 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, 贺赛先. 一种基于Canny理论的自适应边缘检测方法[J]. 中国图象图形学报, 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] 高维成, 刘伟, 邹经湘. 基于结构振动参数变化的损伤探测方法综述[J]. 振动与冲击, 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] 黄方林, 王学敏, 陈政清, 等. 大型桥梁健康监测研究进展[J]. 中国铁道科学, 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] 王志坚, 韩西, 钟厉, 等. 基于结构动力参数的土木工程结构损伤识别方法[J]. 重庆建筑大学学报, 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] 杨秋伟. 基于振动的结构损伤识别方法研究进展[J]. 振动与冲击, 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

广东省自然科学基金项目(2022A1515010174)；广州市科技计划项目基础与应用基础研究项目(202201010338)

梁振宇(2000-)，男，本科生。主要研究方向为建筑信息模型、计算机视觉。E-mail：eric.z.y.leung@gmail.com

邓逸川(1989-)，男，副研究员，博士。主要研究方向为建筑信息模型、计算机视觉。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