[发明专利]一种基于计算机视觉及变分模态分解的结构模态识别方法

权利要求书

1.一种基于计算机视觉及变分模态分解的结构模态识别方法，其特征在于，包括以下步骤：

采集结构物的振动视频，并选取所述振动视频中满足预设像素级的像素点，作为特征点；

利用Farneback稠密光流算法计算所选取的各所述特征点的速度；包括：

采用高斯金字塔对振动视频中的各视频帧图像进行多尺度描述，得到各特征点在高斯金字塔中不同尺度图像平面的位移量；

采用高斯金字塔对各特征点的位移量进行估计，得到各特征点在时间域上的振动位移量变化；

利用Farneback稠密光流算法，结合各特征点在时间域上的振动位移量变化，得到所选取的各所述特征点的速度；

所述Farneback稠密光流算法基于梯度的假设如下：

其中，表示像素点灰度值关于像素点位置和时间的全微分；H(I)表示像素点的灰度值沿像素点位置的变化率；d表示像素点在图像平面的速度；表示像素点的灰度值沿时间的变化率；

在底层金字塔的原始图片中，已知特征点在图像平面的位移量为d，每往上一层图片的分辨率降低一半，特征点的振动位移量变为原来的经过上采样后在第一层金字塔中特征点的估计位移量为其真实位移量为故向上采样n层时，第n层估计量为真实位移量为其误差为

从第n层金字塔特征点对应的振动位移量推断n-1层的位移量并与下一层真实振动位移量相对比，估计误差并进行修正；

利用尺度变换的方式计算各所述特征点在真实地面坐标系下的速度及加速度，得到非平稳序列的加速度信号；

利用变分模态分解方法对所述加速度信号进行降噪处理；

利用频域分解法识别降噪处理后的加速度信号，得到结构物在各阶模态下的振动特性；包括：

采用傅里叶变换，将降噪处理后的加速度信号的时程曲线转换至频域，得到频域特征信号；

利用功率谱密度函数识别所述频域特征信号，得到结构物的振型系数；所述振型系数的计算公式为：

φ_pi＝S_pk(ω_i)/S_pp(ω_i)；

其中，φ_pi表示测试点p处第i个振型的振型系数；S_pp(ω_i)表示测试点p处响应信号的自功率谱密度；S_pk(ω_i)表示测试点p和基准点k处响应信号的互功率谱密度；

所述自功率谱密度的计算公式为：

所述互功率谱密度的计算公式为：

其中，X_pj(ω_i)表示某一测试点随机振动加速度响应的第j个数据段的傅里叶变换；是X_pj(ω_i)的共轭复数；N_FFT是傅里叶变换的数据长度；M表示加速度信号分解的段数

根据振型系数得到结构物在各阶模态下的振动特性。

2.根据权利要求1所述的一种基于计算机视觉及变分模态分解的结构模态识别方法，其特征在于，所述尺度变换的表达式为：

其中，SF表示图像平面展现的物体大小与实际平面中物体的大小之间的比例系数；d_known表示物体表面的已知物理长度，I_known表示图像平面的像素长度。

3.根据权利要求1所述的一种基于计算机视觉及变分模态分解的结构模态识别方法，其特征在于，所述降噪处理包括：

将所述加速度信号分解成多个子信号；

计算每个子信号的熵；

将子信号的熵按照从大到小的顺序进行排列，保留前2～3个子信号，并将所述前2～3个子信号求和，作为降噪处理后的加速度信号。

4.根据权利要求3所述的一种基于计算机视觉及变分模态分解的结构模态识别方法，其特征在于，所述子信号的划分过程为：

利用样条拟合方法构造所述加速度信号的上下包络，并计算两个包络的平均值；

从原始信号中减去平均值，得到中间信号；

判断中间信号是否满足本征模态函数的两个条件，如果满足，则将该中间信号作为一个IMF分量；

从原始信号中减去IMF分量，并对剩余信号进行筛选得到另一IMF分量；

以此类推，将所述加速度信号分解成多个IMF分量，得到多个模态的所述子信号。