基于机器视觉的堤防堤坝沉降实时监测方法

廖 强

(江西省新干县河道圩堤维护服务中心，江西 吉安 331300)

根据市场不完全调研与相关统计数据，我国现阶段共有不同规模的河堤总长度约为2991万km，现有的主干堤坝长度约为657万km，相关建设成果不仅在历史上起到了重大作用，还在一定程度上助推了区域经济的发展。但在深入对现有堤防堤坝工程运营的研究中发现，大部分工程由于年久失修与后期管理工作不到位，产生了不同程度的沉降现象[1]。加之堤防堤坝工程所在地的地壳运动和地下水开采的加剧，导致堤防堤坝地表沉陷深度逐步增大，这一现象不仅对堤坝正常运营与长期发展造成了严重的负面影响，还造成了堤防堤坝出现了永久性结构裂缝等，从而导致堤防堤坝的防洪能力下降、经济效益损失。因此，有必要采取有效的措施，进行堤防堤坝在运营中沉降的监测，通过此种方式，及时了解堤防堤坝的变化，从而为水利部门采取相应的对策提供依据。为实现对其沉降的有效监测，有关单位提出了针对堤防堤坝沉降的专项监测方法，包括大地测量法、GPS定位法、摄影测量法等，尽管现有的技术可以用于重要河堤区域的沉降监测，但现行技术在使用中普遍存在经费高、监测耗时长等问题，很难在实际中得到广泛应用。近几年来，以计算机技术为代表的监测技术逐步成熟，为堤防堤坝沉降的监测奠定了基础。为此，本文将在现有工作的基础上，以新干县堤防堤坝为例，引进机器视觉技术，设计一种针对堤防堤坝工程沉降的实时监测方法，以期提高监测结果的可靠性与时效性。

1 堤防堤坝沉降图像采集与处理

为实现对堤防堤坝沉降的实时监测，使用彩色CCD工业相机，在堤防堤坝沉降现场拍摄多组、多颜色照片，输出的照片格式应包括BG/RG或RGB。在拍摄前，对相机进行校正，包括拍摄角度的调直、格式自动平衡处理等[2]。可在拍摄过程中，结合现场条件，增加补偿光源，通过此种方式，确保拍摄的图片满足2048×4096分辨率要求。

考虑到通过此种方式采集的堤防堤坝沉降现场图像可能携带噪声，无法直接用于沉降计算。因此，在完成图像的采集后，对其进行空间转换处理[3]。在此过程中，使用CCD工业相机，将监测对象反馈图像从立体空间向二维影像投射，可以根据相机的成像模式，将其划分为线性模式和非线性模式。为了便于计算机对其的加工，建立对应影像坐标系、相机坐标系及世界坐标系，对像素点进行坐标系进行转换[4]。此过程如公式(1)—(2)所示。

(1)

(2)

式中，x、y—拍摄图像坐标系的横向与纵向坐标点；dx、dy—像素图像在x、y方向上的物理测量尺寸；u、v—拍摄图像转换后的空间坐标点；u0、v0—以O为圆点的图像空间坐标点。按照上述方式，对采集的图像进行坐标格式转换，以此实现对堤防堤坝沉降图像的采集与处理。

2 基于机器视觉的堤防堤坝沉降点视觉测距

完成上述设计后，引进机器视觉技术，进行堤防堤坝沉降点的视觉测距[5]。此过程如图1所示。

图1 基于机器视觉的堤防堤坝沉降点视觉测距

设计上述图1中被测对象表示为A，圆点(中心点)表示为O。参照光的散射与折射原理，使用机器视觉中的小孔成像方法，进行空间内的视觉测距[6]。定义空间中被测对象A的坐标表示为(x，y，z)，则(x，y，z)在机器视觉下成像后，其空间点坐标可以表示为(x1，y1，z1)，则两者之间存在的视觉关系，可用公式(3)表示。

(x1，y1，z1)=R×(x，y，z)+T

(3)

式中，R—空间旋转矩阵(此次研究设定R的矩阵为三阶，表示为3×3)；T—坐标点在空间中的平移向量。通过机器视觉中的小孔成像模型，进行x1与y1到空间距离的计算[7]。计算公式如下。

(4)

(5)

式中，f—拍摄照片在计算机成像时的焦距。按照上述方式，对被测对象所在的空间的点位进行测距，初步掌握沉降点所在的空间位置。

3 实时监测结果校正处理

完成上述设计后，在终端计算机设计监测数据的反馈频率，通过对反馈数据的实时测距，掌握堤防堤坝的实时沉降数据。为避免监测结果与真实结果存在偏差，应对实时监测结果进行校正处理[8]。在此过程中，使用标定算法，对图像进行网格划分，按照标准将一个矩形图像，划分成由若干个网格构成的图像，调整三维微偏移平台的微调旋钮，使光点中心处于靶心的起始位置。同时调节目标，使其能够均匀地填满整个图像，这样可以使焦点在整个图像中均匀地分布[9]。此外，被测目标不能离开相机太远，如果目标太远，会导致影像上的角度发生很大的变化，像素点成像位置过近，从而影响到校准效果。堤防堤坝发生沉降后，光点中心位置发生变化。在嵌入式计算机视觉程序中，通过下述公式进行监测结果的校正处理。

(6)

式中，Δ—监测结果的校正处理；F—图像灰度；m—图像矩阵中的横向参数；n—图像矩阵中的竖向参数。将完成标定处理的数据与视觉测距结果进行适配，通过对监测数据的补偿，保证沉降监测结果具有较高的精度[10]。以此实现对实时监测结果的校正处理，从而完成基于机器视觉的堤防堤坝沉降实时监测方法设计。

4 对比实验

上文通过3个方面，完成了基于机器视觉的堤防堤坝沉降实时监测方法设计，但相关方法的研究仍局限在理论阶段，要实现对此方法在水利工程等相关领域内的推广使用，还应在完成上述设计后，对实际应用效果进行检验。

以新干县堤防堤坝为例，根据技术人员的现场勘察，此堤防堤坝工程中的堤身结构整体采用黏性土，按照分层施工的方式进行设计。通过测量，分层结构的厚度在20～40cm之间，堤防堤坝外部平台使用淤泥质土进行填筑，堤防堤坝结构断面形式如图2所示。

图2 新干县堤防堤坝结构断面形式

图2中：(1)表示坝身结构填土层；(2)表示淤泥粉质填土层；(3)表示砂层；(4)表示黏土层；(5)表示淤泥支护层。各个土层物理参数见表1。

表1 堤防堤坝土层物理参数

从上述表1所示的数据可以看出，堤防堤坝土层属于淤泥质地，加之此工程项目在建成后，后续没有采取有效的措施进行维护与管理，导致工程部分区域已经出现了沉降。在与运营管理方综合商议后，决定使用本文设计的方法，进行堤防堤坝沉降实时监测。监测过程中，先引进机器视觉算法，进行堤防堤坝沉降图像采集与处理，在此基础上，进行堤防堤坝沉降点的视觉测距，通过对实时监测结果的标定处理，完成监测工作。

为确保实验结果具有一定的可比性，引进基于SBAS-InSAR技术的监测方法，与基于ARIMA-NAR技术的监测方法，将引进的2种方法作为传统方法1与传统方法2，使用2种传统方法与本文方法，进行堤防堤坝沉降的实时监测。在监测过程中，安排技术人员在监测过程中，对沉降值进行人工监测。将3种方法监测结果的相对误差作为评价结果可靠性的关键指标。对相对误差进行计算，计算公式如下。

(7)

式中，Q—堤防堤坝沉降实时监测结果相对误差；L—人工在现场对堤防堤坝沉降的监测结果；L′—设计方法在现场对堤防堤坝沉降的监测结果。设计监测天数为10d，对不同方法监测结果的相对误差进行统计，其结果见表2。

根据上述表2所示的实验结果可以看出，本文方法监测结果相对误差，小于传统方法1和传统方法2的监测结果相对误差，说明在相同的条件下，本文方法监测结果的精度更高。综合上述实验，得到以下结论：本文此次研究设计的基于机器视觉的堤防堤坝沉降实时监测方法，在实际应用中，监测结果精准度较高，可以实现将监测结果的相对误差控制在1.0%以内，即可将本文设计的方法作为决策依据，进行水利工程中地方堤坝的沉降维修处理。

表2 堤防堤坝沉降实时监测结果相对误差统计 单位：%

5 结语

堤防堤坝是水利工程在建设过程中最早提出的一项用于防洪工程的重要工程项目，建设此项工程不仅是地区经济发展中的防洪、减灾的重要手段，也是我国防御洪涝灾害的基础性工程。为降低由于堤坝沉降造成的水利工程安全隐患，本文通过堤防堤坝沉降图像采集与处理、堤防堤坝沉降点视觉测距、实时监测结果标定处理，完成了基于机器视觉的堤防堤坝沉降实时监测方法设计，该方法在完成设计后，经过对比测试证实，可以在应用中，将监测结果的相对误差控制在1.0%范围内。因此，可在后续的水利工程管理中，将本文方法作为参照，进行堤坝沉降的实时监测，以此种方式，为水利项目的规范化运营与稳定收益给予全面的帮助与支持。