[发明专利]基于深度学习及图像处理的非接触振动频率测量方法

说明书

本发明涉及一种基于深度学习及图像处理的非接触振动频率测量方法，包括以下步骤：1）选取被测物的待测区域并提取其图像序列；2）将图像序列的第一帧输入深度卷积神经网络，将图像中的所有像素分为零值像素和非零像素；3）选择所有非零像素为有效像素，并将其坐标存储成列表，用于振动信号提取；4）对于图像序列中的每个图像，采用光流法先将其转为亮度信号，再提取每个有效像素的速度信号时程；5）对所有有效像素的速度信号时程进行平均及归一化处理；6）通过傅里叶变换进行功率谱密度估计，得到功率谱密度，并通过峰值拾取法获得频率组成，得到非接触振动频率测量结果。该方法有利于提高非接触振动频率测量的效率和精确度。

技术领域

本发明属于振动频率测量技术领域，具体涉及一种基于深度学习及图像处理的非接触振动频率测量方法。

背景技术

振动频率测量是许多工程实践的重要环节。振动频率测量广泛应用在机械工程及土木工程领域。有如，大型土木结构的健康监测系统，无损检测系统，机械设备运维监测等。如今振动测量方法多要将传感器附于被测量的目标物体上，接触式测量发展至今已有广泛的应用且有着较高的精度，如加速传感器，速度传感器，应变计等。但使用传统接触式器安装过程复杂，需要供电线、信号线的安装及部署，在一些不易接触到的被测物处将很难进行安装和测量。此外接触式传感器会对那些质量很小或很薄的被测物引入额外质量，引入测量误差甚至无法进行测量。因此非接触式的光流法自诞生起就受到了充分的关注，并且持续不断地有新的应用及改进的方法出现。该方法可以分析出图像序列中特定位置像素的亮度变化。该方法被广泛的应用在运动跟踪、运动预测、运动识别、图像压缩等场景。近年，光流法在视觉测量方面也有所应用，但就算使用了基于经典光流法改进后的更加先进光流法，有效像素的选择对测量结果仍旧有很大的影响，因此有效像素的选择对于基于光流法的视觉测量应用于实际生产起着十分关键的作用。

近年，随着图像处理单元及计算机技术的发展，深度学习方法使得在机器视觉领域的许多问题取得了革命性的进展。大量研究力量投入到深度学习领域并取得了很多成果来提升、完善深度学习方法的性能。如，自归一网络、线性整流单元、批量归一化等。深度学习方法已经在机器视觉的诸多任务中取得了显著的成果，如视觉识别、图像超分辨率、损伤检测等。

发明内容

本发明的目的在于提供一种基于深度学习及图像处理的非接触振动频率测量方法，该方法有利于提高非接触振动频率测量的效率和精确度。

为实现上述目的，本发明采用的技术方案是：一种基于深度学习及图像处理的非接触振动频率测量方法，包括以下步骤：

1)获取被测物的图像序列，在此基础上，选取被测物的待测区域，然后提取待测区域的图像序列；

2)将所述图像序列的第一帧图像输入训练好的深度卷积神经网络，将图像中的所有像素分为零值像素和非零像素；

3)选择所有非零像素对应的位置为有效像素，并将有效像素的坐标存储成列表，用于振动信号提取；

4)对于图像序列中的每个图像，采用光流法先将其转为亮度信号，再提取每个有效像素的速度信号时程，即每个有效像素的振动信号；

5)对所有有效像素的速度信号时程进行平均及归一化处理；

6)通过傅里叶变换对步骤5)处理后的信号进行功率谱密度估计，得到功率谱密度，并通过峰值拾取法获得频率组成，得到非接触振动频率测量结果。