SCI论文（www.lunwensci.com）
摘 要：针对现在建筑沉降监测系统数据噪声大、实时性差以及智能化水平低的问题,本文提出一种基于边缘计算和图像 处理的建筑沉降监测系统。该系统把激光光斑图像、倾斜角度和 GPS 数据的处理任务放置在边缘节点处完成,通过 4G 网络将 处理完成的数据发送到服务器,减少了数据传输时间,提高了实时性。实验结果表明,整个系统可实时高效智能化地监测和预 警建筑沉降信息。
关键词：边缘计算,建筑沉降,图像处理
Image Processing and Edge Computing for Building Settlement Monitoring
LIU Zhiwei1. ZHANG Xueling2. LIANG Jianru1. YANG Minglai1.2
(1.School of Electronic and Electrical Engineering, Shanghai University of Engineering Science, Shanghai 201620;
2.School of Rail Transit, Shanghai University of Applied Sciences, Shanghai 201418)
【Abstract】： Aiming at the problems of large data noise, poor real-time performance and low intelligence level of building settlement monitoring system, this paper proposes a building settlement monitoring system based on edge computing and image processing. The system places the processing tasks of laser spot image, tilt angle and GPS data at the edge node to complete, and sends the processed data to the server through the 4G network. Reduced data transfer time and improved real-time performance. The experimental results show that the whole system can monitor and warn building settlement information in real time, efficiently and intelligently.
【Key words】： edge computing;building settlement;image processing
引言：随着城市的发展, 高层建筑随处可见。然而在其施 工期和使用阶段容易受到地质环境或施工材料等影响而 造成变形、沉降等危险。因此对建筑进行周期性的安全 监测具有非常重要的意义。
对于建筑沉降监测的方法可分为两种 ：一种是通过 各种传感器设备监测变形、沉降等数据 ;另一种是采用 计算机、图像处理和深度学习等多学科交叉技术对建 筑结构的形态监测。文献 [1] 采用静力水准仪进行建筑 远程监测,提高了监测结果可靠性,但监测系统操作 繁琐,外部条件变化会对监测结果产生一定影响。文 献 [2] 提出一种基于多传感器和 RBF 神经网络的建筑沉降监测方法,文献 [3] 基于改进 GM-BP 神经网络模型, 对高层建筑沉降进行预测。两者都提高了沉降监测的可 靠性和沉降预测的精度,但是数据采集和传输速度慢, 无法实现实时的数据显示。
基于上述存在的问题,针对数据量大、传输速度慢、 无法实时显示建筑沉降和倾斜的情况,本文运用边缘计 算以及图像处理知识,设计并开发基于边缘计算和图像 处理的建筑沉降监测系统。该系统减少数据传输量,提 高了传输速度,降低丢包率,实现智能化监测。
1 基于边缘计算的沉降监测架构
沉降监测系统架构如图 1 所示,分为云计算层、边 缘层、设备层三大块 [4]。云计算层包括两大任务,一个是进行数据库的存储与调取 ;另一个是进行远程的设备 操作,通过 4G 网络将任务指令发送到边缘节点。边缘 层是由众多的边缘节点组成,每个边缘节点负责本节点 位置信息,倾斜和俯仰角度以及靶标上光斑点移动距离 的计算。设备层包括 GPS 天线、激光器、USB 摄像头 和倾角传感器等各种设备,它既是系统中的信息采集部 分,也是执行部分。
2 基于边缘计算的建筑沉降监测数据处理
基于边缘计算的建筑沉降监测数据处理流程共分为 两部分 ：一部分是边缘层,主要工作是对采集到的数据 进行实时处理以及筛选和发送操作 ;另一部分是云端程 序,通过调取数据库中的数据进行地图管理、状态管理 和告警管理等。
本系统需要通过对摄像头实时拍摄的照片进行图像 处理后,分析其中心点偏移情况进而判断建筑物本体的 倾斜、沉降等信息。在进行图像处理过程中,涉及到了 图像灰度化、高斯滤波、Canny 边缘检测和光斑中心 点计算等步骤 [5]。
2.1 Canny 边缘检测
Canny 边缘检测是一种非常流行的边缘检测算法, Canny 算子主要是通过以下 5 个步骤实现对图像的边 缘检测 [6]。
步骤 1 ：先将图像灰度化,然后利用高斯滤波消除 噪声以及进行图像平滑处理。
步骤 2 ：计算每个像素点的梯度方向及幅值。具体 是对平滑后的图像使用 Sobel 算子计算水平方向和竖直 方向的一阶导数(图像梯度)(Gx (i,j) 和 Gy (i,j))。根据得 到的这两幅梯度图找到边界的梯度和方向。如式 (1)、式(2)所示 ：
G(i,j) 和 θ(i,j) 分别为平滑图像I(i,j) 的梯度幅值和 梯度方向。
步骤 3 ：在梯度计算完成之后,提取出来的图像边 缘仍较为模糊,应用非极大值抑制,消除边缘检测带来 的杂散点,定位精准的边缘同时可缩小边缘线宽。
步骤 4 ：在完成非极大值抑制工作之后,仍然会有 较多的噪声和虚假的边缘界限会被判定成真正的边界, 应用双阈值检测,判定真正和潜在的边缘。
步骤 5 ：抑制弱边缘,通过抑制弱边缘来完成边缘 检测。
对于摄像头拍摄到的靶面上激光点图像, Canny 边 缘检测效果如图 2 所示。
2.2 光斑中心点的计算
本系统中激光束打射在靶标面上形成光斑点,能量 分布均匀,故采用质心算法实现中心位置提取。
运用质心算法 [7] 提取光斑图像的质心,实际上就是 计算目标区域内所有像素位置的一阶矩,以每个像素的 灰度值为权重,对目标区域内的像素位置进行加权,得 到目标的质心位置。如果图像的像素分辨率为 m×n, 图像中 (xi,yi) 点像素的灰度值为f(xi,yi)。中心点位置计 算公式如式(3)所示 ：
激光光斑中心点位置图如图 3 所示。
3 建筑沉降量计算
采用双回路式的布设方案,每个监测点的两侧都装 有一个靶面,在靶面接收相邻侧面监测点发出的激光 束,从而形成一个正向回路和一个反向回路。
计算一个监测点的沉降量时,需通过其相邻两个监 测点的靶面上光斑点的变化信息分析得出。而相邻点的 沉降量又需要通过相邻点的相邻点计算出来,由此递 推,直到参照物结束。如图 4 所示。
具体的计算方式是分为左右两个回路,其中右回路的计算方法如式(4)所示 ：
左回路的计算方法和右回路的计算方法相同,最 后,将这个监测点的左侧和右侧的沉降量相加取平均即 为沉降量,如式(5)所示 ：
根据沉降量 Y、俯仰角 α 和侧倾角 β 的数值正负和 大小可以判断建筑具体的倾斜沉降方向。具体如表 1 所 示来进行判定。
4 测试实验与结果
4.1 实验测试现场布设
本次测试从 8 月 1 日开始,周期一个月,地址选择 杭州东站附近的一座建筑内部进行监测,此处建筑占地 面积 8000m2.总建筑面积为 90000m2.可同时验证地 下挖掘隧道和地质环境是否会对周围建筑造成沉降的风 险,监测点集成装置布设如图 5 所示。
4.2 实验测试及结果分析
监测周期结束后,将监测数据通过可视化界面展示。 其 中 1 号为基准点, 2 号、3 号、4 号为监测点。如 图 6 所示,通过分析图 6 得知 8 月开始,监测地区受到雨 水影响较大,地面发生了微量的沉降。最大沉降量达到 0.64mm。从图 6 中折线的走势来看,符合建筑沉降规 律。为了保证监测数据的准确性,通过全站仪观测,发 现与之差距在 1mm 之内,满足监测精度标准。
5 结语
本文研究了一种基于边缘计算和图像处理的建筑沉 降监测系统,通过设计与开发基于边缘计算的建筑沉降监测系统,能够在建筑建设中或者建设完成后采集沉 降、倾斜、变形等海量数据信息,通过云端对数据库中 的数据调取形成网页端可视化界面,实现对建筑的安全 状况监测。该系统具有延时性低、可靠性高的特点,能 够实现对建筑安全状态的实时性智能监测。
参考文献
[1] 周颖.建筑远程沉降监测系统的可靠性影响因素[J].建筑结 构,2021.51(S1):1748-1751.
[2] 雄亮,任艳,方月娥.基于多传感器和RBF神经网络的建筑沉 降监测[J].电子设计工程,2021.29(13):51-55.
[3] 邵珠山,徐腾,张宇鹏.改进GM-BP神经网络模型的高层建筑 沉降预测[J].建设科技,2021(16):84-88.
[4] 李林哲,周佩雷,程鹏,等.边缘计算的架构、挑战与应用[J]. 大数据,2019.5(2):3-16.
[5] 徐亚明,束进芳,安动动. 自适应阈值激光光斑中心定位方法 研究[J].城市勘测,2014(4):5-7.
[6] 李静,陈桂芬,丁小奇.基于改进Canny算法的图像边缘检测 方法研究[J].计算机仿真,2021.38(4):371-375.
[7] 房晓伟,邹吉炜,陈茂胜,等.基于FPGA的高可靠数字太阳敏 算法研究[J].测试技术学报,2021.35(1):62-67+78.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/63810.html
