首页 > 论文范文 > 工程工业论文 > 重工业论文 > 机械工业论文 > 基于无人机三维重建的起重机主梁变形识别方法

基于无人机三维重建的起重机主梁变形识别方法

2023-09-19 59 上传者：管理员

摘要：针对起重机主梁变形测量过程繁琐、效率低下、安全风险难以控制等问题，文中提出了一种基于无人机三维重建的高效、高精度起重机主梁变形识别方法，就起重机主梁的形状特征提出了无人机飞行路径、飞行拍摄重叠度和拍摄距离的计算方法；通过对起重机模型进行点云距离的对比以验证模型的精度，计算模型标志点的均方根误差对标志点精度进行了评估；通过标志点在模型上的坐标数据变化计算出主梁的变形量，利用无人机进行起重机主梁变形识别试验以对所提出的方法进行了准确性验证。

关键词：
三维重建
主梁
变形识别方法
无人机
门式起重机
加入收藏

引言

起重机金属结构处于高温、高压、疲劳载荷等恶劣环境中，其主梁承受着较大载荷，易发生过载变形而引发灾难性安全事故。近年来，基于图像的三维重建技术得到了迅速的发展，并在桥梁古塔结构检测[1]、地形测绘[2]、土木结构建模[3]、电力巡检[4]等方面得到了广泛的应用。Massimo M等[5]提出用数字摄影测量结合逆向建模方法对比分析古船变形，然而起重机结构复杂不适合构建正向模型；王国利等[6]采用激光扫描技术和无人机三维重建技术获取古塔三维数据，通过融合三维模型对古塔病害分析，从不同角度反映出古塔的变形状况；刘宇飞等[7]提出采用逆向工程建模与特征提取识别杆件变形，而基于图像的三维重建技术在港口起重装备几乎无相关应用。传统的起重机变形检测方法需要人员爬上主梁操作，操作费时费力，存在测不准、高空多、效率低、安全风险难以控制等缺点，一方面检查精度和效率低下，另一方面仪器造价高、使用技术水平和使用环境受限，难以在起重机检测中推广使用。

为解决上述问题，本文结合图像三维重建以实现起重机缺陷检测的非接触式检测，并制定针对起重机主梁的无人机飞行路径以提高建模效率；采用M3C2算法对起重机主梁模型进行点云距离的对比以验证模型精度；采用均方根误差公式对模型上标志点的精度进行评估；最后，通过测量模型上的标志点坐标数据变化得出主梁的变形量。

1、本文所提方法框架

本文提出的方法包括图像数据采集、点云模型准确度验证、基于图像三维重建的起重机主梁变形实验等3部分（见图1）。图像数据采集是关于无人机拍摄起重机主梁的飞行路径和摄影策略，而点云模型准确度验证包括点云距离的对比和模型中单个标志点的精度评估。

图1本文所提方法框架示意图

2、飞行路径规划

门式起重机在港口运输中使用范围广、数量多，很具代表性，本文针对门式起重机进行无人机路径规划。一方面，由于无人机的续航能力有限，而路径规划能减少无人机的飞行距离，缩短无人机的续航时间，使无人机能快速返航，可为无人机提供安全保障。另一方面，飞行路径的制定能有效提高拍摄和建模效率，能缩短作业时间。

由于门式起重机主梁和支腿尺寸差异较大，且本文研究对象为起重机主梁，故只对起重机主梁部分进行无人机飞行路径的规划，如图2所示。由于测量主梁变形不需要考虑内壁，本文只研究针对外壁的飞行路径规划，将主梁截面简化为矩形和倒角矩形，长边与短边的长度比较大，且飞行时相机的工作距离变化太大，故传统的以目标为圆心的圆形飞行路径并不适用。相比之下，图3所示倒角矩形截面的飞行轨迹更合适。

图2门式起重机示意图

如图3所示，假设相邻图像的重叠率为50%，点S1与S2之间的蓝色线是相邻图片的重叠部分，d可由式（1）计算得出；u为无人机到结构表面的工作距离；α为相机水平视角，相机水平视角α可由式（2）计算得出；v为胶片宽；f为镜头焦距；重叠率ε可由式（3）计算得出；z为无人机每次拍摄得横向平移距离。若想保持50%的重叠率，可令无人机每次拍摄完的横向平移距离z与d相等；若要实现高于50%的重叠度，则可让无人机每次拍摄完的横向平移距离z比d更短。拐角处在图示拍摄点拍摄3张或设置更多拍摄点拍摄更多图片即可实现起重机主梁拐角区域的全覆盖，满足三维重建的要求，即

为了满足三维重建要求，无人机的飞行路径和拍摄策略应遵循3个原则：图像清晰、足够重叠度和足够分辨率，具体措施如下：

1）无人机应在同一拍摄位置拍摄多幅图像，以尽量减少拍摄图像的模糊。

2）需要在飞行路径上设置足够的拍摄点，以确保至少50%的重叠度。在图3中，相机视角的边缘与起重机表面下一幅图像的光轴正好相交，线P1S2是无人机从P1拍摄时相机视角的边缘，与从P2拍摄时的光轴2相交，相交点正好位于倒角矩形截面表面的点S2。每次拍摄时，无人机2个相邻位置的距离一般保持为d不变，若要实现高于50%的重叠度，可选择比d更小的距离。

3）给定相机和镜头参数，较短的工作距离会产生更高分辨率。若有给定要求的检测分辨率，可通过分辨率计算出无人机的工作距离，并获得飞行路径和摄影策略。

图3主梁倒角矩形截面和最小50%重叠的飞行轨迹

3、多视角三维重建技术

多视角三维重建法利用图像进行表面三维重建，其中，多视角表示图像获取的要求以及算法执行的假设（用于重建的图像必须在多个不同摄影视角与机位下拍摄），相邻图像要有重叠且重叠率不小于50%，环绕拍摄效果更佳[8]。基于图像的三维重建方法具有硬件设备要求低、成本低、现场操作简便等优点[9]，是传统三维建模方法（三维激光扫描）的替代方法。基于图像的三维重建的主要过程如图4所示。

图4多视角几何三维重建法步骤

3.1点云模型距离对比方法

不同点云模型的精度分析主要通过点云距离的比较而完成，本文采用M3C2算法比较无人机近景摄影测量技术建立的点云模型和参考点云模型，这种鲁棒算法能实现2点云之间距离的计算[10]。M3C2算法的过程描述如下：

1）给定点云计算平面S1，对于给定的核心点p，搜索该点半径为D/2范围内的领域点集合，通过最小二乘法对邻域点进行平面拟合；通过对邻域点拟合最佳平面来得到p点的法线，领域点中每一点到拟合平面距离的标准差作为衡量p点附近粗糙度σ1(D）的指标。

2）在p点的法线确定好后，定义一个半径为d/2的圆柱，圆柱的轴线经过点p，且方向沿p点的法线方向，圆柱将同时与2点云数据相交，得到数量分别为n1和n2的2个子集。将每一个子集投影到圆柱的轴上，得到2个距离分布，分布的均值将得到点云在法线方向的平均位置p1和p2，其标准偏差σ1(D）和σ2(D）将作为点云在法向方向粗糙度的局部估计，点p1和p2之间的距离将作为2点云之间距离的LM3C2。

通过M3C2算法将不同标志点或不同图像数量建立的点云模型与参考模型进行比较，计算水平方向和高度方向的3D距离，结果以颜色和数值对应的点云距离图显示，以指示趋势。在点云距离图中，由于不同颜色对应不同的数值大小、数值正负，故点云距离大小可以清晰地呈现出来。如距离为0对应的颜色为绿色，距离正值越大颜色逐渐偏向于蓝色，负值越大颜色逐渐偏向于红色。此外，点云距离主要表示坐标误差，而不是测量误差，即使相对位置可能发生变化，长度和面积仍保持准确。

3.2三维模型中单个标志点的精度评估方法研究

均方根误差（RMSE）表示预测值与观测值之间差异（即残差）的样本标准差。均方根误差是为了说明样本的离散程度。当做非线性拟合时，均方根误差越小效果越好。对于拟建起重机主梁模型中单个标志点的精度评估，使用均方根误差（RMSE）公式计算模型中标志点坐标与实际测量结果之间的差异。识别不同起重机主梁模型中的标志点，并记录3个方向的坐标。由于所有标志点坐标值均由测量仪器测量，而水平方向的坐标差表示为RMSEX、RMSEY和RMSEXY，高度方向为RMSEZ，故有

式中：XUAV、YUAV、ZUAV分别为基于无人机图像建立的三维模型中测量的2个水平坐标和高度坐标，Xr、Yr、Zr分别为测量仪器测量的2个水平坐标和1个高度坐标，N为标志点的数量。

4、起重机主梁变形分析

4.1基于三维重建的起重机主梁变形识别原理

图5所示为基于无人机图像三维重建的起重机主梁变形识别检测流程，该流程分8个步骤。

步骤1：搭建基于无人机图像三维重建的起重机主梁变形识别系统平台。

步骤2：如图6所示，在主梁的角以及下边缘均匀布设数个标志点。其中，红色标志点作为摄影测量模型定向的控制点，同时用以矫正三维模型坐标，利用模型中点和点之间的距离与实际距离比较而确定模型比例；将主梁下边缘的蓝色标志点作为检测点，检测点在用于对拟建主梁模型精度评估的同时，由于检测点会随主梁的变形而发生位置变化，故可利用其自身的坐标数据实现起重机主梁变形量的测量。

步骤3：利用全站仪获取主梁全部标志点坐标。

步骤4：通过操控无人机按照已制定的针对起重机主梁形状特征的飞行路径对主梁进行拍摄。

步骤5：通过无人机拍摄的图像对起重机主梁进行多视觉三维重建，实现二维图像到三维点云的转换。

步骤6：验证起重机主梁点云模型的准确度。

步骤7：获取检测点中心坐标值。

步骤8：通过检查点坐标值计算主梁变形值。

图5起重机主梁变形识别检测流程图

图6不同高度拍摄的主梁边缘图

在此，通过主梁模型上检测点的下边缘形态变化检测主梁上拱度、下挠度、旁弯等参数。若忽略起重机主梁铸造时的平面度误差，且不存在旁弯，则检测点的y坐标值将不会变化；当存在旁弯时，检测点的y坐标值将会变化。

4.2试验验证

本次试验对象为跨度25 m、高20 m的门式起重机。在试验准备阶段，由于主梁上边缘与下边缘的距离较大，很难将标志点贴在下边缘处，缺乏相关安全措施。鉴于此，考虑到试验的安全性，通过将标志点贴在自制板材上，并将其固定在主梁上以实现标志点的布设。另外，主梁的变形识别通过标志点的坐标值变化实现，故本试验将处于主梁中间位置的板材向下延伸以代替主梁中间位置的变形。为了方便试验进行，本试验只考虑对起重机主梁的正面进行视觉三维建模。

令无人机拍摄的相邻图像重叠度在70%以上，拍摄距离为主梁长度的1/5～1/3.75，并使控制点所围的面积尽可能大，模型的精度能达到较高水平。在无人机进行图像数据采集前对主梁布设标志点，分别在主梁上下边缘均匀布设5个标志点，共10个标志点，用徕卡TZ05全站仪对起重机主梁表面的标志点坐标值进行测量，对所有数据进行3次独立测量，并取平均值以保证测量的准确性。该全站仪最远有效测距为500 m，在无外界干扰情况下测距精度为±（2 mm+2×10-6D），充分满足测量中的工程要求。

本试验利用上述拍摄和建模方法对起重机主梁进行三维重建，图7为起重机主梁点云图，图8为起重机网络化模型图，分别以4个（1号、5号、6号、10号）、6个（1号、5号、6号、7号、9号、10号）、8个（1号、2号、4号、5号、6号、7号、9号、10号）标志点作为控制点建立起重机主梁空载状态的三维模型。

图7门式起重机点云模型及局部放大示意图

图8门式起重机三维模型及标志点示意图

由于主梁上方的栏杆部分结构较复杂且与主梁变形检测无关，故去掉模型上的栏杆部分。在此，分别将4个和6个控制点的模型与8个控制点的参考模型进行点云距离的对比，以验证模型的准确性，对比结果如图9所示。图中左侧色带代表不同颜色对应不同的点云距离，在正方向上的点云距离越大越靠近蓝色，负方向的点云距离越大越靠近红色。图9a、图9b分别是控制点数量为4个和6个的点云模型与控制点数量为8个的参考点云的对比图，图9c、图9d是对应的点云距离分布直方图。由图9c、图9d可知，前者的点云距离集中分布在-0.04～0.04 m，而后者主要集中分布在-0.03～0.03m，说明6个控制点的模型比4个控制点的模型精度更高。由此可得出结论，控制点越多模型精度越高。

模型中标志点的精度评估以模型中未使用的标志点设置为检查点，得到3组模型各方向的均方根误差如表1所示。各模型的RMSE分别为2.787 cm、1.661 cm和1.022 cm，具有4个控制点的模型在X、Y、Z方向的RMSE分别为1.41 cm、2.167 cm和1.121 cm；与其余模型相比，检查点的误差最大。具有8个控制点的点云模型在X、Y、Z方向的RMSE分别为0.822 cm、0.503 cm和0.342 cm，总体误差最小，远小于达到变形所允许的最大值。再次验证了标志点数量越多点云模型的精度越高的结论。由此可得选择控制点数量为8的模型精度最高，符合变形识别的基本要求。

图9不同数量控制点的模型点云距离分布图及直方图

表1检查点各个方向的均方根误差

为了验证起重机主梁模型的测量精度，以全站仪监测得到的坐标数据作为参照，对主梁三维模型中获取的检测点坐标数据进行误差分析。如图10所示，在主梁模型中测量已知点之间的距离，在模型上总共标记了13条线。用全站仪测量的实际长度与在模型上直接测量长度的对比如表2所示。

图1 0模型上所设置线的示意图

根据测量结果，总体测量误差在8 mm以内，实测结果表明，该起重机主梁模型适用于金属结构变形缺陷检测。

表2主梁实际长度与模型测量长度的比较

起重机主梁下挠度或跨中的变形是指在额定载荷下主梁跨中部位较空载时位置向下位移的距离，由于试验的可行性及方便性，本试验只移动处于主梁中间位置的标志点，将处于主梁中间位置的板材向下延伸2 cm以模拟主梁的跨中变形。用同样的拍摄和建模方法对加载状态的起重机主梁进行建模（见图11），由空载和加载状态建立的模型得到的3号标志点的Z坐标分别为17.315 m和17.303 m，则跨中变形为0.012 m，相比于板子2 cm的移动误差达到8 mm，精度得到提高。

图1 1跨中变形后的主梁模型

5、结论

1）提出基于M3C2算法对点云模型和参考模型进行点云距离的对比以验证模型精度，通过均方根误差公式对三维模型中单个标志点的精度进行了评估，结果表明精度在毫米级范围内，验证了此方法的有效性。

2）基于无人机三维重建的变形识别方法在门式起重机主梁上进行了验证，得到了跨中变形为0.012 m，误差为8 mm，精度达到了毫米级。

参考文献:

[1]林祥国,张继贤.架空输电线路机载激光雷达点云电力线三维重建[J].测绘学报,2016,45(3):347-353.

[2]王国利,吴桂凯,王晏民,等.多源数据古塔变形监测研究[J.地球信息科学学报,2018,20(4):496-504.

[3]刘宇飞,樊健生,孔思宇,等.多视角几何三维重建法识别工程结构缺损与变形[J].工程力学,2020,37(9):103-111.

文章来源:梁焯辉,于燕南,侯文晟等.基于无人机三维重建的起重机主梁变形识别方法[J].起重运输机械,2023(17):25-30.