基于TLS技术的大型钢结构变形监测方法

本发明涉及钢结构变形监测。具体地说是基于tls技术的大型钢结构变形监测方法。

背景技术：

1、钢结构是一种性能优秀的建筑材料，具有强度高、自重轻、施工快、成本低、抗震性能好等优点，在大型厂房、高层建筑等领域得到了广泛应用。然而，由于自重、风力、温度、腐蚀等因素的影响，钢结构在长期使用过程中可能会出现变形，这会降低结构的稳定性和安全性，甚至造成严重的安全事故和巨大的经济损失。因此，对钢结构，尤其大型钢结构进行变形监测非常重要。

2、在实际变形监测任务中，需要综合考虑多种因素选取合适的一种或多种变形监测技术。当前变形监测技术主要包括全站仪测量(zhou et al.,2003)、传感器测量(zhu etal.,2022)、地面激光扫描(terrestrial laser scanning,tls)(dong et al.,2020)、摄影测量(hu et al.,2021)、干涉测量(qin et al.,2021)、gps测量(yi et al.,2013)等。工业上大型钢结构厂房空间结构复杂，为确保变形监测的全面性，监测范围较广，监测点位较多。在这种情况下，全站仪测量作业耗时，传感器所需数量较多且安装困难。一些不确定因素，如温度、振动等会对传感器测量产生干扰，并且传感器需要定期维护和校准，这会增加测量难度和成本。摄影测量需要大量的图像来覆盖整个结构，增加了数据处理的复杂性和时间成本，而且该技术受光照等因素的影响较大。监测对象性质、环境等因素会影响干涉测量信号的稳定性和可靠性，增加监测的难度。gps测量的精度易受天气条件、周围环境等不可控因素的影响(宁荣华et al.,2023)，且在室内空间无法使用(信号较差)。相比于上述测量技术而言，tls技术非常适合监测大型复杂钢结构的变形。

3、tls技术属于主动遥感技术，可以快速地产生被测物体表面非常密集的点云数据，具有非接触性、高精度、高效率、覆盖范围广、数据采集便捷等优点(shen et al.,2023)，在建筑物三维重建(ochmann et al.,2019)、文化遗产保护(yang et al.,2022)、灾害测量(vetrivel et al.,2018)等方面发挥着巨大作用。

4、大型复杂钢结构构件的几何形状包括但不限于平面状、球状、圆柱状等。从大型复杂钢结构点云中准确高效地提取和定位这些关键构件对于结构健康监测和建模具有重要意义。

技术实现思路

1、为此，本发明所要解决的技术问题在于提供一种高效、自动、精确的基于tls技术的大型钢结构变形监测方法。

2、为解决上述技术问题，本发明提供如下技术方案：

3、基于tls技术的大型钢结构变形监测方法，包括如下步骤：

4、(1)数据采集与预处理；

5、(2)采用多连杆节点提取算法提取节点点云；

6、(3)采用构建迭代收缩过滤和旋转投影过滤算法分离球节点点云；

7、(4)基于最小二乘的全局搜索拟合算法准确估计球心坐标；

8、(5)运用近邻相似理论，构建位移计算模型，实现大型钢结构的安全监测；

9、(6)进行精度评估。

10、上述基于tls技术的大型钢结构变形监测方法，在步骤(1)中，在大型刚结构现场布置测站点，采用地面激光扫描仪分期采集点云数据；

11、预处理的方法为：首先，使用地面激光扫描仪配套的软件riscan pro对不同测站之间的点云进行配准；然后，使用软件cloudcompare将大型结构点云中的网格点云和墙面点云分离出来，使用迭代最近点算法icp算法将第二期以后的墙面点云配准到第一期墙面点云的坐标系中，并记录变换矩阵；最后，使用该变换矩阵将第二期以后的网格点云配准到第一期网格点云的坐标系中。

12、上述基于tls技术的大型钢结构变形监测方法，在步骤(2)中，采用下采样方法提取点云，包括如下步骤:

13、(2-1)基于原始点云craw构建kd树，基于下采样后的点云csample构建kd树，并把pi∈csample,i＝1,2,…,n标记为false；其中，craw代表原始点云，csample代表下采样后的点云，n为csample中点的总数，pi为csample中第i个点；

14、(2-2)按顺序选取一个标记为false的点pi∈csample，以点pi为查询点，router为搜索半径，通过半径搜索得到近邻点集qnear，计算近邻点集qnear中所有点到点pi的欧式距离，将该欧式距离>rinner的点保存到新的点集qshell；router和rinner的计算公式如下：

15、

16、其中，dminn为空间网格结构中两节点间的最小欧式距离，router为外半径，rinner为内半径；

17、(2-3)对新的点集qshell进行欧式聚类，rcluster为聚类半径，ncluster为每类最少点数，clusters＝{clusteri|i＝1,2,…,m}为聚类结果；rcluster和ncluster的计算公式如下：

18、

19、其中，rminc为空间网格结构中圆柱构件半径的最小值；dmins为采样后的点云中两点间最小欧式距离；(使用cloudcompare软件内置的空间下采样方法对原始点云下采样，该方法需要一个参数，此参数表示采样后的点云中点与点的欧式距离最小为dmins；而dminn代表空间网格结构中节点间的最小欧式距离。)

20、(2-4)如果m≤2，就将近邻点集qnear中所有点标记为true，并回到步骤(2-2)；

21、(2-5)根据ls原理将每个点簇都拟合为圆柱，并计算对应的均方根差rmse；如果某个点簇的rmse≤0.03，则认为该点簇呈圆柱状，并将其中轴线l保存到中轴线集合cas＝{li|i＝1,2,…,k≤m}；

22、(2-6)采用异面直线虚拟交点的计算原理计算中轴线集合cas中夹角大于20°的两两中轴线的虚拟交点，并保存到虚拟交点集合(欧式聚类所得簇的数量为m，但形状近似圆柱(rmse≤0.03)的簇(下面简称圆柱簇)的数量k一定小于或等于m；从这k个圆柱簇中任选两个，共有种组合，但是符合两圆柱簇中轴线夹角大于20°的组合数量t一定小于或等于)

23、(2-7)如果虚拟交点集合vps为空则回到步骤(2-2)，计算虚拟交点集合vps的质心pcentroid；如果质心pcentroid与虚拟交点质心集合vpcs中其他质心的欧式距离≤router，则回到步骤(2-2)；

24、(2-8)保存质心pcentroid到虚拟交点质心集合vpcs，并将csample中距离该质心<0.9dminn的点标记为true；

25、(2-9)以pcentroid为查询点，按步骤(2-2)获取新的qshell，按步骤(2-3)获取新的clusters，根据ls原理将新的clusters中所有的点簇拟合为圆柱，确定圆柱最大半径，该半径将被作为迭代收缩过滤算法的输入参数

26、(2-10)以pcentroid为查询点，1.5rmaxs为搜索半径，rmaxs为球形构件半径的最大值，通过半径搜索得到近邻点集，该点集即为节点点云。

27、上述基于tls技术的大型钢结构变形监测方法，在步骤(3)中，步骤(2)获取的节点点云分为常规节点点云和球节点点云两种类型；需要从球节点点云中提取光滑的球面点云；

28、迭代收缩过滤算法为：输入参数为节点点云cnode，最大迭代次数nisf，圆柱体最大半径距离阈值dε；

29、算法过程：首先获得节点点云cnode的副本点云cisf，记录副本点云cisf的点数；然后利用ls算法拟合cisf为球，以(x,y,z)为球心坐标，以r为球半径，将cisf中距离球心≤r+dε的点重新保存到cisf，记录cisf的点数；一直迭代收缩，直到前后两次cisf点数不再变化或达到最大迭代次数为止；此时如果半径则该节点点云cnode被识别为球形节点点云，从而过滤掉大部分常规节点点云；输出最后一次迭代收缩的结果cisf，以cisf作为旋转投影过滤算法的输入数据。

30、上述基于tls技术的大型钢结构变形监测方法，旋转投影过滤算法：迭代收缩滤波算法isf过滤后的点云，首先复制一份输入点云cisf，并将副本质心化，然后把副本旋转后再投影到xoy平面上，使用ls把副本拟合为圆并计算rmse，直到副本旋转到指定角度为止，最后比较最小rmse与rmse阈值来判断输入点云对应的节点点云cnode的类型。

31、上述基于tls技术的大型钢结构变形监测方法，在步骤(4)中，基于最小二乘的全局搜索拟合算法：

32、输入参数为：点云cisf，最大迭代次数nmax，标准偏差变化的阈值δσε；

33、获得cisf的副本cgsf，将cgsf拟合为球，获得球心(x,y,z)和半径r并计算标准差σ；若标准差变化量大于δσε，清空cgsf并将cisf中到球面距离小于3倍标准差的点保存到cgsf；直到标准差变化量小于或等于δσε或达到最大迭代次数为止；cgsf为算法输出点云。

34、上述基于tls技术的大型钢结构变形监测方法，在步骤(5)中，位移计算模型，直接使用下式计算垂直位移和水平位移:

35、

36、其中，i and j代表不同期次的球节点中心，k为球节点中心编号，为垂直位移；为水平位移，为水平方向j期的球节点中心，为水平方向i期的球节点中心；为垂直方向j期的球节点中心；为垂直方向i期的球节点中心；

37、确定距离p最近的三个点(p1，p2，p3)，如果p的直接位移值大于另外三个点,则重新按下式计算p的位移值，而p的位移方向不变；

38、

39、其中d1，d2和d3分别为p1，p2和p3的位移值。

40、上述基于tls技术的大型钢结构变形监测方法，在步骤(6)中，采用节点提取率评价节点提取效果；

41、节点提取率ner的计算公式如下：

42、

43、其中，nnode为节点提取数量，nnode为空间网格结构中节点总数。

44、上述基于tls技术的大型钢结构变形监测方法，采用混淆矩阵评价节点分类效果；真正例tp被定义为将球形节点正确预测为球形节点的节点数量，假负例fn被定义为将球形节点错误预测为常规节点的节点数量，假正例fp被定义为将常规节点错误预测为球形节点的节点数量，真负例tn被定义为将常规节点正确预测为常规节点的节点数量；

45、生产者准确率producer’s accuracy，pa、用户准确率user’saccuracy，ua、总体准确率overall accuracy，po以及kappa系数kappa coefficient，k的计算公式如下：

46、

47、其中，

48、根据权利要求1所述的基于tls技术的大型钢结构变形监测方法，其特征在于，将均方根误差root mean square error，rmse作为定量指标来评价最小二乘的全局搜索拟合算法gsf的拟合精度；

49、

50、其中，di为点到拟合球心的距离，rfit为拟合球的半径。

51、本发明的技术方案取得了如下有益的技术效果：

52、(1)提出一种高效自动化节点点云提取方法。该方法结合最小二乘原理、欧式聚类以及异面直线有效估算节点位置及范围。

53、(2)提出一种节点点云自动快速准确的分类方法。该方法由迭代收缩过滤和旋转投影过滤组成。迭代收缩过滤可简化节点点云形状，使得不同类型的节点点云差异更加明显，同时保证球节点点云的完整性。旋转投影过滤弥补了迭代收缩过滤的不足，进一步精准分离出球节点点云。

54、(3)提出一种球形节点精准定位的方法。考虑到噪声的负影响和非噪声的正影响，本文提出一种基于最小二乘原理的全局搜索拟合算法用于准确估计球节点中心。

55、(4)建立一种位移计算模型并对某大型钢结构进行位移分析以评估其健康状况。球形节点中心仍然会存在微小误差，直接计算出的位移可靠性较低。所提模型顾及到了钢结构特点以及相邻节点位移值差异较小的合理假设。

56、本技术提出一种使用多期点云数据对大型钢结构进行变形监测的高效、自动、精确的方法。该方法将球节点中心作为虚拟监测点。所提方法的第一主要步骤是球节点的准确定位，第二个主要步骤是基于近邻相似性假设计算不同时期球节点的位移。三期网架点云数据被用于验证所提方法的有效性。监测到网架从2021年到2023年整体下沉了1.82cm，桁架单元稳定性良好。与传统方法相比，本文方法在效率上具有明显的优势，且足以满足精度要求，可实现快速准确监测钢结构形变。未来的工作应尝试实现所提方法的自适应参数，并检验所提方法在其他类似大型钢结构中的适用性。其中，所提的mnem也可应用于其他类似结构，例如，树干分叉点识别等。

技术特征：

1.基于tls技术的大型钢结构变形监测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于tls技术的大型钢结构变形监测方法，其特征在于，在步骤(1)中，在大型刚结构现场布置测站点，采用地面激光扫描仪分期采集点云数据；

3.根据权利要求1所述的基于tls技术的大型钢结构变形监测方法，其特征在于，在步骤(2)中，采用下采样方法提取点云，包括如下步骤:

4.根据权利要求3所述的基于tls技术的大型钢结构变形监测方法，其特征在于，在步骤(3)中，步骤(2)获取的节点点云分为常规节点点云和球节点点云两种类型；需要从球节点点云中提取光滑的球面点云；

5.根据权利要求4所述的基于tls技术的大型钢结构变形监测方法，其特征在于，旋转投影过滤算法：迭代收缩滤波算法isf过滤后的点云，首先复制一份输入点云cisf，并将副本质心化，然后把副本旋转后再投影到xoy平面上，使用ls把副本拟合为圆并计算rmse，直到副本旋转到指定角度为止，最后比较最小rmse与rmse阈值来判断输入点云对应的节点点云cnode的类型。

6.根据权利要求1所述的基于tls技术的大型钢结构变形监测方法，其特征在于，在步骤(4)中，基于最小二乘的全局搜索拟合算法：

7.根据权利要求1所述的基于tls技术的大型钢结构变形监测方法，其特征在于，在步骤(5)中，位移计算模型，直接使用下式计算垂直位移和水平位移:

8.根据权利要求1所述的基于tls技术的大型钢结构变形监测方法，其特征在于，在步骤(6)中，采用节点提取率评价节点提取效果；

9.根据权利要求1所述的基于tls技术的大型钢结构变形监测方法，其特征在于，采用混淆矩阵评价节点分类效果；真正例tp被定义为将球形节点正确预测为球形节点的节点数量，假负例fn被定义为将球形节点错误预测为常规节点的节点数量，假正例fp被定义为将常规节点错误预测为球形节点的节点数量，真负例tn被定义为将常规节点正确预测为常规节点的节点数量；

10.根据权利要求1所述的基于tls技术的大型钢结构变形监测方法，其特征在于，将均方根误差root mean square error，rmse作为定量指标来评价最小二乘的全局搜索拟合算法gsf的拟合精度；

技术总结
本发明公开基于TLS技术的大型钢结构变形监测方法，数据采集与预处理；采用多连杆节点提取算法提取节点点云；采用构建迭代收缩过滤和旋转投影过滤算法分离球节点点云；基于最小二乘的全局搜索拟合算法准确估计球心坐标；运用近邻相似理论，构建位移计算模型，实现大型钢结构的安全监测；进行精度评估。提出一种使用多期点云数据对大型钢结构进行变形监测的高效、自动、精确的方法。该方法将球节点中心作为虚拟监测点。所提方法对球节点的准确定位，基于近邻相似性假设计算不同时期球节点的位移。三期网架点云数据被用于验证所提方法的有效性。本文方法在效率上具有明显的优势，且足以满足精度要求，可实现快速准确监测钢结构形变。

技术研发人员：李永强,刘会云,魏银磊,石垚,袁雅琪,孙东云,郝道前
受保护的技术使用者：河南理工大学
技术研发日：
技术公布日：2024/12/5