基于机器视觉和随机森林的桥梁顶升位移监测预测方法与流程
本发明涉及桥梁工程,适用于桥梁顶升托换、加固改造、线路高程调整等施工场景中的桥墩位移实时监测与精准预测,具体地说涉及一种基于机器视觉和随机森林的桥梁顶升位移监测预测方法。
背景技术:
1、桥梁顶升托换是桥梁工程维护与改造中的核心技术,其施工过程中桥墩的位移形变直接关系到桥梁结构的整体稳定性,若位移控制不当,极易引发结构裂缝、应力集中甚至局部垮塌等工程事故,因此对桥墩位移进行高精度、实时化的监测与精准预测是顶升托换工程安全实施的关键前提。
2、目前,传统的桥墩位移监测方法主要有百分表监测、全站仪监测等,此类方法存在人工干预多、监测效率低、实时性差等缺陷,难以满足现代化桥梁工程对位移监测的动态化、高精度需求。另外,部分工程中采用的简易传感监测方法,也易受施工环境干扰,数据噪声大,并且缺乏有效的数据预处理手段,会降低监测数据的可靠性。
3、在位移预测方面,现有技术多采用单一机器学习模型对桥墩全测区位移数据进行统一处理,未考虑各测区位移形变的差异化特征,拟合效果差。另外,部分模型仅采用简单的线性拟合或单一特征变量,对工程现场非线性、含噪声的位移数据适配性低,预测精度难以达到桥梁顶升托换的毫米级工程要求。
技术实现思路
1、本发明提供的一种兼具高实时性、高精度的基于机器视觉和随机森林的桥梁顶升位移监测预测方法,可至少解决上述技术问题之一。
2、为了解决上述技术问题,本发明采用如下技术方案:
3、一种基于机器视觉和随机森林的桥梁顶升位移监测预测方法,包括以下步骤:
4、s1、搭建机器视觉位移监测系统:在待顶升桥墩上布设普通靶标、测点靶标、工业摄像机及补光设备,建立基于机器视觉的位移采集基准体系,用以固定时间间隔采集顶升过程中各普通靶标相对测点靶标的指定方向位移数据及对应的绝对采集时间;
5、s2、对采集所得原始位移数据进行预处理:将绝对采集时间转换为相对于顶升施工开始时刻的相对时间间隔,作为模型输入特征变量,采用邻域均值法识别并修正原始数据中的异常位移值,保证数据连续性,将处理后的各测区位移值作为模型预测目标变量;
6、s3、将预处理后的各测区数据按预设比例随机划分为训练集和测试集,设置固定随机种子保证数据集划分结果的可重复性;
7、s4、针对各测区分别构建随机森林位移预测模型,以相对时间间隔作为输入特征,以各测区处理后的位移值作为预测目标,配置模型核心参数并通过训练集完成模型训练;
8、s5、利用训练完成的随机森林位移预测模型分别对训练集和测试集进行位移预测,选取核心评估指标对模型性能进行量化评估;
9、s6、若测试集评估结果满足工程精度要求,则判定随机森林位移预测模型合格,并将实时采集的相对时间间隔输入合格模型,实现桥墩顶升位移的实时预测,若模型不合格,则调整模型参数并重复步骤s4~s5,直至满足工程精度要求。
10、进一步地,所述s1中,机器视觉位移监测系统的检测精度不低于0.01mm,固定采集时间间隔为1min,待顶升桥墩上布设8个普通靶标、2个测点靶标、2台工业摄像机及2盏补光灯,每台工业摄像机对应监测4个普通靶标及1个测点靶标,以1min为固定采集间隔,通过该机器视觉位移监测系统采集顶升施工过程中各普通靶标相对测点靶标的指定方向位移数据及对应的绝对采集时间,采集时间跨度覆盖整个顶升施工过程,所述指定方向为桥墩顶升的y轴方向,位移数据保留正负属性,正位移表示桥墩相对于测点靶标隆起,负位移表示桥墩相对于测点靶标沉降;
11、其中,普通靶标为位移数据核心采集载体,感知桥墩x轴、y轴方向的位移变化,测点靶标用于建立局部坐标系,作为位移计算的基准,工业摄像机实时采集视野内靶标图像信息,并通过图像识别算法将靶标位置变化转化为实际位移数据,补光灯为靶标提供均匀光照,消除环境光照变化对图像采集的影响。
12、进一步地,所述s2中,针对原始位移数据进行预处理过程中,识别原始数据中与相邻时刻位移值存在显著偏差的异常值,采用邻域均值法替换该异常值,保证数据的连续性与合理性,所述邻域均值法为选取异常值前后至少3个连续正常位移值的平均值替换该异常值。
13、进一步地,所述s2在针对原始位移数据预处理操作完毕后,对各测区位移数据进行可视化处理,以相对时间间隔为横轴,以位移值为纵轴,绘制各测区的位移-时间变化曲线,直观呈现各测区位移形变规律。
14、进一步地,所述s3中,预设比例随机划分训练集和测试集占比分别为70%和30%,设置随机种子random_state=42,保证每次分割的数据都是一致的。
15、进一步地,所述s4中,针对各测区分别构建独立的随机森林位移预测模型,贴合不同测区的位移形变差异化特征,模型构建与训练的要求为:
16、特征与目标变量:以预处理后的相对时间间隔为输入特征x,以各测区处理后的y轴位移值为预测目标y;
17、核心参数配置:决策树数量n_estimators=100,最大深度max_depth=10,最小分裂样本数min_samples_split=5,最小叶节点样本数min_samples_leaf=2;
18、训练优化:采用n_jobs=-1实现并行计算,提升模型训练效率,将训练集数据输入模型完成参数训练,得到各测区的随机森林预测模型。
19、进一步地,所述s5中,选取决定系数r2、均方根误差rmse以及平均绝对误差mae为核心评估指标,各评估指标的工程精度判定标准为:
20、决定系数r2:数值越接近1则表示模型拟合效果越好,r2≥0.8表示拟合效果可接受,r2≥0.9表示拟合效果优秀;
21、均方根误差rmse:数值越小则表示预测精度越高,rmse<0.02mm表示预测精度满足桥梁顶升托换毫米级监测要求;
22、平均绝对误差mae:弥补rmse对极端误差的放大效应,直观反映预测值与真实值的平均绝对偏差。
23、进一步地,所述s4在核心指标评估完成后,对各测区的随机森林位移预测模型的性能进行可视化对比,分别绘制r2、rmse以及mae对比图谱,直观呈现各测区的模型的表现特征。
24、进一步地,所述s6中,所述工程精度要求为:所有测区测试集的rmse均满足<0.02mm,所有测区测试集的r2的平均值≥0.96;
25、对于模型参数的调整为:改变决策树数量n_estimators、最大深度max_depth以及最小分裂样本数min_samples_split中的一种或多种。
26、本发明相比现有技术,有益效果在于:
27、1、监测精度高、实时性强:搭建的机器视觉位移监测系统检测精度达0.01mm,以1min为间隔实现无接触式位移数据采集,无人工干预,有效解决了传统监测方法效率低、实时性差、易受人为因素干扰的问题,为模型训练提供高质量、高可靠性的样本数据。
28、2、预测精度达毫米级,适配工程需求:针对各测区构建独立的随机森林位移预测模型,贴合不同测区的位移形变差异化特征,相比单一模型全测区统一处理的方式,拟合效果与预测精度大幅提升,模型测试集平均r2达0.9604,所有测区rmse<0.02mm,满足桥梁顶升托换的毫米级高精度预测要求。
29、3、数据处理科学,抗干扰能力强:通过时间特征转换、邻域均值法异常值修正等预处理手段,有效降低了施工环境噪声对数据的影响,模型参数经工程验证优化,且采用并行计算提升训练效率,能有效处理工程现场的非线性、含噪声位移数据。
30、4、模型评估全面,工程适用性强:选取r2、rmse、mae多指标对模型进行量化评估,同时结合可视化对比,从拟合优度、误差量化两个维度全面验证模型性能,模型支持参数调整与重新训练,可适配不同工况、不同类型桥梁的顶升托换施工。
31、5、为工程安全管控提供量化依据:本发明实现了桥墩顶升位移从实时监测到精准预测的全流程技术支撑,能有效学习位移随时间的变化规律,为工程现场的位移趋势预判、实时安全决策、重点测区管控提供量化依据,大幅提升桥梁顶升托换工程的施工安全性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com