本發(fā)明涉及計量變形，具體為基于北斗與機器視覺技術(shù)融合交叉的建筑變形監(jiān)測系統(tǒng)。

背景技術(shù)：

1、在土木工程與建筑安全領(lǐng)域，對建筑物和構(gòu)筑物的變形進行精確監(jiān)測至關(guān)重要，其核心在于運用測量技術(shù)，對結(jié)構(gòu)的線性尺寸、角度以及表面或輪廓的不規(guī)則性進行量化評估。這些測量結(jié)果是評估結(jié)構(gòu)健康狀態(tài)、預(yù)警潛在風(fēng)險及指導(dǎo)維護決策的基礎(chǔ)。

2、目前，傳統(tǒng)如使用全站儀和水準儀等方法，通過測量距離、角度和高差來確定特定點的位移和建筑物的傾斜，能夠提供高精度的點位線性尺寸測量結(jié)果。然而，這些方法通常需要人工現(xiàn)場作業(yè)，難以實現(xiàn)連續(xù)自動化監(jiān)測，且主要反映離散點的變形，對于測量結(jié)構(gòu)表面的連續(xù)變形或細微輪廓不規(guī)則性能力有限。

3、隨著技術(shù)發(fā)展，基于全球?qū)Ш叫l(wèi)星系統(tǒng)的技術(shù)被應(yīng)用于變形監(jiān)測，其原理在于通過接收衛(wèi)星信號精確測定監(jiān)測點的三維坐標，從而實現(xiàn)對絕對線性位移的長期自動化監(jiān)測。但該技術(shù)主要適用于關(guān)鍵點的線性尺寸測量，難以捕捉如裂縫擴展等細微線性尺寸或表面不規(guī)則性；同時，在城市高樓林立或有遮擋的環(huán)境下，衛(wèi)星信號質(zhì)量受影響，會降低其位置測量的精度和可靠性。

4、另一方面，基于機器視覺的技術(shù)，利用智能傳感器來進行非接觸式變形測量。這類技術(shù)能夠高分辨率地測量表面的相對線性位移、應(yīng)變場、裂縫寬度以及角度變化和表面輪廓。然而，其測量結(jié)果多為相對值或處于局部坐標系，難以直接獲得全局參考下的絕對線性尺寸，且智能傳感器測量精度易受光照變化、環(huán)境干擾等因素影響，長期監(jiān)測的基準穩(wěn)定性也是一個挑戰(zhàn)。

5、為此，提出基于北斗與機器視覺技術(shù)融合交叉的建筑變形監(jiān)測系統(tǒng)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供基于北斗與機器視覺技術(shù)融合交叉的建筑變形監(jiān)測系統(tǒng)，通過位姿解算模塊，通過布設(shè)錨固節(jié)點，利用實時獲取的錨固節(jié)點北斗三維坐標、傾角數(shù)據(jù)與其在視覺圖像中的二維像素坐標進行匹配，解算實時位姿，并轉(zhuǎn)換為變形測量結(jié)果；三維變形場生成模塊，采用圖計算模型處理該建筑結(jié)構(gòu)拓撲圖，通過聚合與更新節(jié)點特征來融合多源異構(gòu)信息，解碼生成建筑物整體的三維變形場；測量預(yù)警模塊，構(gòu)建正常行為基線模型預(yù)測正常變形狀態(tài)，通過對比變形偏離度，結(jié)合上下文分析與變形趨勢，進行變形狀態(tài)評估并生成變形預(yù)警信息，提高了建筑變形監(jiān)測的精度與全面性。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、基于北斗與機器視覺技術(shù)融合交叉的建筑變形監(jiān)測系統(tǒng)，包括：

4、位姿解算模塊，用于布設(shè)錨固節(jié)點，并在測量過程中同步獲取每個所述錨固節(jié)點的北斗三維坐標、傾角數(shù)據(jù)和編碼標識點的二維像素坐標，通過匹配計算確定相機位姿，生成視覺測量結(jié)果；

5、三維變形場生成模塊，包括：圖構(gòu)建單元，用于基于所述視覺測量結(jié)果，按照建筑的結(jié)構(gòu)和空間關(guān)系構(gòu)建建筑結(jié)構(gòu)拓撲圖；圖特征融合處理單元，用于使用圖計算模型對所述建筑結(jié)構(gòu)拓撲圖的節(jié)點特征信息進行聚合與更新，解碼生成三維變形場；

6、測量預(yù)警模塊，基于歷史正常三維變形場和環(huán)境數(shù)據(jù)，構(gòu)建正常行為基線模型預(yù)測正常變形狀態(tài)；比較所述三維變形場與所述正常變形狀態(tài)，計算形變偏離度，并結(jié)合上下文關(guān)聯(lián)分析確定形變等級；利用時間序列預(yù)測模型預(yù)測未來變形趨勢；綜合所述形變偏離度、所述形變等級、所述三維變形場和所述未來變形趨勢，生成變形預(yù)警。

7、進一步地，確定所述相機位姿的過程包括：

8、利用北斗接收機獲取所述錨固節(jié)點上預(yù)定參考點的三維世界坐標；利用傾角傳感器測量所述錨固節(jié)點的所述傾角數(shù)據(jù)；利用視覺傳感器采集所述錨固節(jié)點的視覺圖像，檢測所述視覺圖像的所述編碼標識點，并提取所述二維像素坐標；

9、結(jié)合從所述預(yù)定參考點到所述編碼標識點的偏移向量，以及所述傾角數(shù)據(jù)，構(gòu)建局部坐標系到世界坐標系的旋轉(zhuǎn)矩陣，得到世界坐標系下的偏移向量；將所述偏移向量加至所述北斗三維坐標，得到修正三維坐標；將所述修正三維坐標與所述二維像素坐標構(gòu)成二維-三維匹配對；采用epnp算法結(jié)合ransac框架，處理所述二維-三維匹配對以及所述視覺傳感器的內(nèi)部參數(shù)，計算得到所述相機位姿。

10、進一步地，構(gòu)建所述建筑結(jié)構(gòu)拓撲圖具體包括：

11、確定節(jié)點集合，包括對應(yīng)所述錨固節(jié)點的第一類節(jié)點，以及對應(yīng)結(jié)構(gòu)關(guān)鍵點的第二類節(jié)點；

12、計算所有節(jié)點對之間的空間距離，將所述空間距離預(yù)設(shè)空間閾值的節(jié)點對通過邊連接，構(gòu)成邊集合；

13、將與每個節(jié)點關(guān)聯(lián)的所述視覺測量結(jié)果、所述北斗三維坐標和所述傾角數(shù)據(jù)，編碼并賦給對應(yīng)節(jié)點作為特征向量；若所述節(jié)點無所述特征向量，則根據(jù)鄰接節(jié)點的所述特征向量進行插值計算，確定所述特征向量；生成所述建筑結(jié)構(gòu)拓撲圖。

14、進一步地，所述圖計算模型為圖注意力網(wǎng)絡(luò)模型，具體結(jié)構(gòu)包括：

15、輸入特征處理層，用于接收當(dāng)前時刻與參考時刻的所述建筑結(jié)構(gòu)拓撲圖的所述節(jié)點特征信息，計算代表兩個時刻間變化的差值特征向量，并映射到預(yù)定的隱藏特征空間，得到初始的節(jié)點變化特征表示；多層圖注意力聚合層，包括：注意力系數(shù)計算單元，用于對每個節(jié)點，計算出所述節(jié)點相對于每個鄰居節(jié)點的注意力系數(shù)；鄰居特征加權(quán)聚合單元，用于根據(jù)預(yù)設(shè)的物理約束和不確定性信息調(diào)整所述注意力系數(shù)，對所有鄰居節(jié)點的特征表示進行加權(quán)求和，得到聚合后的鄰居變化特征表示；節(jié)點特征更新單元，用于將所述鄰居變化特征表示與所述節(jié)點變化特征表示進行拼接，并通過非線性激活函數(shù)處理，生成更新后的所述節(jié)點變化特征表示；輸出解碼單元，用于接收更新后的所述節(jié)點變化特征表示，并通過變換層映射為所述三維變形場。

16、進一步地，所述形變偏離度的計算過程包括：

17、將歷史正常三維變形場和環(huán)境數(shù)據(jù)輸入物理信息神經(jīng)網(wǎng)絡(luò)，輸出正常變形狀態(tài)；所述環(huán)境數(shù)據(jù)包括溫度和風(fēng)速；

18、計算當(dāng)前的所述三維變形場與所述正常變形狀態(tài)的馬氏距離，生成每個節(jié)點的所述形變偏離度；聚合所述形變偏離度，基于結(jié)構(gòu)關(guān)鍵點的加權(quán)平均計算全局的所述形變偏離度。

19、進一步地，確定形變等級的過程包括：

20、獲取所述視覺測量結(jié)果、所述形變偏離度和外部事件記錄，構(gòu)建特征向量；所述特征向量包括最大裂縫擴展速率、最大裂縫寬度、最大節(jié)點形變偏離度和最強外部事件強度；

21、使用xgboost分類器對所述特征向量進行分類，預(yù)測所述形變等級，所述形變等級包括正常、低風(fēng)險、中風(fēng)險和高風(fēng)險；并使用規(guī)則增強分類結(jié)果，更新所述形變等級。

22、進一步地，所述變形預(yù)警生成包括：

23、將歷史三維變形場和環(huán)境數(shù)據(jù)序列輸入transformer模型，預(yù)測未來變形趨勢，所述transformer模型的損失函數(shù)包括數(shù)據(jù)擬合項和位移平滑性正則項；

24、通過蒙特卡洛dropout方法生成n次預(yù)測，估計所述未來變形趨勢的置信區(qū)間；

25、基于所述置信區(qū)間，綜合所述形變偏離度、所述形變等級、所述三維變形場和所述未來變形趨勢，生成變形預(yù)警。

26、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

27、1、本發(fā)明構(gòu)建并維護了建筑結(jié)構(gòu)拓撲圖。首先，設(shè)計了融合北斗高精度定位與傾角姿態(tài)修正技術(shù)的錨固節(jié)點，將其精準確立為可靠的空間基準。隨后，借助基于該基準的動態(tài)自標定機器視覺測量技術(shù)，精準地獲取了結(jié)構(gòu)表面的變形信息。將這些來源多樣、結(jié)構(gòu)各異的數(shù)據(jù)與建筑結(jié)構(gòu)的先驗信息有機融合，構(gòu)建并實時更新屬性圖模型，從而為后續(xù)開展的狀態(tài)融合與深入的變形分析，提供了堅實的數(shù)據(jù)支撐。

28、2、本發(fā)明利用圖注意力網(wǎng)絡(luò)架構(gòu)生成了三維變形場。采用基于圖注意力網(wǎng)絡(luò)架構(gòu)的計算模型通過動態(tài)學(xué)習(xí)屬性圖中多模態(tài)節(jié)點特征的復(fù)雜空間關(guān)系，該模型在特征聚合階段深度融入了不確定性加權(quán)機制及力學(xué)物理約束，從而高效生成了高精度與物理一致性的結(jié)構(gòu)變形表示，最終解碼出的三維變形場不僅能夠精準捕捉結(jié)構(gòu)的細微動態(tài)變形，而且通過內(nèi)在的物理約束確保了結(jié)果的魯棒性與可信度，提升了建筑變形狀態(tài)估計的精度與可靠性。

29、3、本發(fā)明構(gòu)建了前瞻性預(yù)測的多級預(yù)警體系。通過運用物理信息神經(jīng)網(wǎng)絡(luò)精準構(gòu)建符合結(jié)構(gòu)行為特性的正常狀態(tài)基線，并借助馬氏距離等魯棒性度量方法精確計算變形偏離度。在此基礎(chǔ)上，引入裂縫、外部事件等關(guān)鍵上下文信息，利用xgboost開展多因素風(fēng)險等級評估，對未來變形趨勢進行精準預(yù)測，并采用蒙特卡洛dropout技術(shù)預(yù)測不確定性。最終，生成精確且分級的變形預(yù)警，提升了預(yù)警的及時性、準確性和前瞻性。