基于強夯施工時序影像的夯次智能監測方法

劉全 張宏陽 金銀龍 王浩

摘要：夯擊次數是強夯法施工過程質量控制的關鍵指標，實現夯次自動計量對強夯施工具有重要意義。提出了一種基于強夯施工時序影像的夯次智能監測方法。首先，利用相機采集強夯施工過程中的夯錘運動時序影像并建立強夯施工過程中夯錘相對于相機測站點的運動時序模型;其次，基于采集到的影像序列提取夯錘運動速度特征，建立夯錘運動模式狀態序列;最后，將夯錘運動模式狀態序列與運動時序模型進行匹配，實現強夯夯次智能監測。實驗結果表明：該方法能夠準確計量正常工況下強夯夯擊次數，夯次計量準確率達到90.2%，具有速度快、工程適應性強等優勢。

關鍵詞：強夯法; 夯次計量; 機器視覺; 模式識別

中圖法分類號：TV523 文獻標志碼：A DOI：10.15974/j.cnki.slsdkb.2022.01.007

文章編號：1006 - 0081（2022）01 - 0037 - 07

0 引 言

強力夯實法（簡稱“強夯法”）通過起重機將重錘起吊至一定高度，然后使夯錘自由下落沖擊地面，利用其產生的巨大沖擊能壓實地基，提高地基承載力[1-2]。因強夯法地基加固具有效果好、適用范圍廣、施工便捷、成本低等優勢，廣泛應用于水利水電工程、機場、高速公路等大型建設項目的地基處理工程中。

良好的強夯施工質量控制可以減少地基不均勻沉降，提高建筑物的安全性[3]。根據相關規范和規程，強夯法施工多利用夯擊遍數、最佳單擊夯擊能、單點夯擊次數及最后兩擊夯沉量平均值、夯點位置等指標進行質量控制[4]。其中，單點夯擊次數由最佳單擊夯擊能和最后兩擊的夯沉量收斂情況決定，是基于現場試驗區夯實效果的綜合設計指標。相較其他控制參數，單點夯擊數是強夯施工過程中最容易控制和計量的指標，也是強夯施工質量控制最重要的控制指標。

目前，強夯施工夯次計量主要采用人工記錄方式，存在人力成本高、施工人員勞動保障水平低、施工記錄難以復核等問題。強夯施工質量的無人化監測已經成為智慧建造時代大趨勢。目前，已有一些學者提出夯次自動計量的方法。李子龍等[5]利用應力傳感器和GNSS傳感器等，監測夯錘位置進行夯次計量;趙民等[6]通過改造夯機鋼纜，通過監測鋼纜行程來計算夯次;陳小平等[7]利用雙目攝影測量，通過計算夯錘行程實現夯次計量。

人工夯次計量的原理是人腦對眼睛采集的影像數據進行夯錘目標識別和跟蹤，從而區分和計量夯次。近年來，隨著移動計算、物聯網技術和計算機視覺技術的不斷進步，目標實時檢測已經在安防、工業質檢等領域得到廣泛應用。因此，本文基于機器視覺與時序分析提出的夯次監測的仿生設想，給夯機加設一只“眼睛”，由相機測站采集夯錘影像，對影像時序數據進行分析，提取夯錘運動時序特征，建立夯錘運動時序模型，利用模式識別方法實現基于夯錘影像時序的強夯夯次智能監測。

考慮影像獲取的安全性、機動性、維護成本，選擇將工業相機布設在夯機駕駛室頂部，見圖1。在強夯施工過程中，相機視野與駕駛員類似，即使夯坑點位變換，夯錘相對于相機測站的運動規律具有一致性。

基于相機采集得到的強夯施工影像序列，本文融合目標檢測技術，提出基于夯錘時序運動特征的夯錘運動狀態智能感知算法，算法框架如圖2所示，進而實現強夯施工夯次智能計量，為強夯法地基加固的施工質量智能控制提供基礎條件。

1 基于夯錘時序運動特征的夯次計量算法

1.1 夯錘目標檢測

夯錘目標檢測是從背景復雜的強夯施工影像中檢索夯錘目標，并提取夯錘在施工影像中的位置信息，是實現夯錘運動狀態智能感知的基礎，對應人類視覺認東西的概念。

傳統的目標檢測方法多采用從圖像中選擇候選區域、提取候選區特征、訓練分類器3個階段實現目標檢測，存在算法復雜、檢測速度慢且精度低等問題[8-9]。近年來，隨著卷積神經網絡的快速發展，基于深度學習的目標檢測算法已實現準確高效的目標檢測，極大地降低了復雜目標實時監測的應用成本。目前，基于深度學習的目標檢測算法主要分為基于候選區域的兩階段算法和基于回歸分析的一階段算法。前者通過生成候選區域（Region Proposal），在候選區域的基礎上進行分類和回歸得到檢測結果，如R-CNN、SPP-Net、Fast R-CNN等算法;后者通過單一的CNN網絡，直接獲取檢測結果。相較前者，后者運算速度更快、更能滿足實時性的要求，如YOLO，SSD等算法[10-11]。

YOLO（You Only Look Once）算法將目標檢測視為回歸問題，把輸入圖像劃分為S×S的網格，將圖像輸入卷積神經網絡提取特征后，全連接層輸出目標分類和邊界框，模型檢測原理如圖3所示。近年來YOLO算法不斷改進，在較快檢測的基礎上不斷優化檢測精度。2020年的YOLOv4在運算效能和識別準確度方面均取得了新的突破，實現了性能和速度的新平衡，是目前機器視覺領域最優的目標檢測器之一[12]。因此，本文選擇YOLO模型識別夯錘。

1.2 強夯夯錘運動特征

強夯施工過程作業流程見圖4，根據夯機施工狀態可劃分為夯機移動狀態、夯機空轉狀態、夯機提錘狀態、夯機落錘狀態，其中夯機移動狀態發生在夯機在不同夯坑點位間轉移的工況，其余3種狀態發生在單個夯點位置的強夯作業施工工況。夯機處在不同作業狀態時，夯錘相較夯機呈現出不同的時序運動特征，主要分為以下4類情況：

（1） 夯錘移動。采用強夯法處理地基時，需根據建筑物結構、加固土層厚度及土質條件布置夯擊點。在強夯施工過程中，夯機需在夯點之間轉移。隨著夯機移動，夯錘在相機視場范圍中的位置發生水平方向的大幅移動。

（2） 夯錘靜止。夯機提錘前，夯錘相較夯機靜止，在相機視場范圍內的位置基本不變。

（3） 夯錘上升。夯機將夯錘提升至提錘高度時，夯錘相較夯機發生豎直向的向上移動。夯錘在相機視場范圍內豎直上升直至夯錘超出相機視場范圍。

（4） 夯錘下落。夯錘提升至提錘高度后，夯錘自由下落，完成夯擊。夯錘在相機視場范圍內豎直下落，由于夯錘下落速度較快，在監拍影像中很難捕捉到夯錘下落的過程，故可將多張無夯錘目標影像（夯錘超出相機視野范圍）后出現的第一張夯錘的照片視作夯錘下落。

強夯施工過程中一個完整的夯擊過程包括：夯錘靜止、夯錘上升、夯錘超出視野、夯錘下落。一個完整的狀態循環即是一次有效夯擊。

1.3 特征提取與時序模式建立

夯錘是剛性結構體，在施工中不會變化。本文選擇YOLO模型識別的夯錘目標驗證框中心的像素坐標Ct為夯錘位置特征，坐標為（xt， yt）。考慮到施工影像中可能無夯錘目標，設影像中無夯錘目標時，夯錘目標位置特征Ct的坐標值為（-100， -100），表示夯錘不在相機視場范圍。

通過對強夯施工影像序列進行夯錘目標檢測，建立夯錘目標位置序列，然后基于連續兩幀影像中夯錘位置變化結果進行夯錘運動初判，建立夯錘運動狀態初判序列H（t）。通過初判序列H（t）的變化情況確立夯錘運動狀態編碼序列S（t），與既定的夯錘運動時序模型進行匹配，即可實現強夯施工過程中夯次智能監測。特征提取流程圖如圖5所示。

基于連續兩幀影像的夯錘目標位置變化幅度，即夯錘移動速度計算公式如下：

[Lt=（xt-xt-1）2+（yt-yt-1）2ΔYt=yt-yt-1 ?， ?yt>0 且 yt-1>00 ， ? ? yt>0 或 yt-1>0ΔXt=xt-xt-1， ?xt>0 且xt-1>00 ， ? ? xt>0 或 xt-1>0] ?（1）

式中：L為連續兩幀影像中夯錘目標變化距離，pixel;ΔY為連續兩幀影像中夯錘目標豎直向變化情況，由像素坐標系特性可知，正值表示夯錘下落，負值表示夯錘上升，pixel;ΔX為連續兩幀影像中夯錘目標水平向變化幅度，pixel。

根據下式（2）得到夯錘運動狀態初判結果：

[Ht=S ， ? L<TR ， ? L>T且ΔX<Tx且ΔY<0F ， ? L>T且ΔX<Tx且ΔY>0M ， ? L>T且ΔX>TxO ， ? xt<0且yt<0] （2）

式中：T為夯錘靜止狀態判斷閾值，pixel;Tx為夯錘平移狀態判斷閾值，pixel。基于式（2），運動狀態初判結果可分為夯錘靜止（S）、夯錘上升（R）、夯錘下降（F）、夯錘平移（M）和夯錘移出相機視野范圍（O）。

基于影像中夯錘目標特征信息及其一階差分結果，可得到夯錘運動狀態初判序列Ht，但夯錘上升（R）和夯錘平移（M）均可能導致夯錘超出相機視野范圍（O）。根據式（3）及式（4），將夯錘運動狀態進一步細化，得到夯錘運動狀態編碼序列St：

[ΔHt=0 ， ? ? ?Ht-1=Ht1 ， ? ? ?Ht-1≠Ht] （3）

當ΔHt=1時，當前幀中夯錘運動狀態發生變化，基于式（4）可對夯錘移出相機視野范圍（O）進行細分，分為由夯錘上升引起的超出相機視野范圍（RO）、由夯錘平移引起的超出相機視野范圍（MO）。RO觸發夯錘上升狀態下的有效夯次計量，MO觸發夯錘平移狀態下的夯次歸零。

[St=H1 ， ? ? t=1St-1 ， ?ΔHt=0MO ， ? ΔHt=1且St-1=M且Ht=ORO ， ? ?ΔHt=1且St-1=R且Ht=OHt ， ? ? ΔHt=1且Ht≠O] （4）

根據強夯夯錘運動特征，可建立不同狀態下的夯錘運動時序模式，主要包括：

（1） 夯錘靜止的時序模式。夯錘靜止時，夯錘目標位置特征基本不變，一般情況下，夯錘運動狀態序列H變化情況表現為[…，F，S，S，S，…]。

（2） 夯錘上升的時序模式。在連續的強夯施工影像序列中，夯錘目標位置特征呈現上升變化，主要為豎直方向上的變化，且水平方向上坐標變化幅度較小，直至夯錘運動出相機視野范圍之外且較長時間持續不在相機視野范圍內。一般情況下，夯錘上升時序模式下的夯錘運動狀態序列H變化情況為[…，R，R，RO，RO，RO，…]，其中，RO狀態的前置觸發條件為R或RO。

（3） 夯錘下落的時序模式。夯錘下落速度快、時間短，相機往往很難拍攝到夯錘下落的影像。故在連續強夯施工影像序列中，會在較長一段時間內無夯錘目標，之后突然檢測到帶有夯錘目標。夯錘下落時序模式下的夯錘運動狀態序列H變化情況為[…，RO，RO，RO，F，S，…]，其中因為夯錘下落速度很快，F狀態持續時間很短，甚至可能捕捉不到。

（4） 夯錘平移的時序模式。夯機轉場觸發夯錘平移運動狀態，夯錘在相機視野范圍內會發生較大的水平向位移，且可能頻繁超出視野。此時，夯錘平移時序模式下的夯錘運動狀態序列H變化情況為[…，M，M，MO，MO，M，…]，其中，MO狀態的前置觸發條件為M或MO。

2 模型訓練及應用實驗

2.1 夯錘識別模型訓練

本文中目標種類只有夯錘（Hammer）一類，實驗采用訓練數據集來源于現場施工采集的施工影像，選取1 000張施工影像，部分訓練集圖像見圖6。其中，850張圖片標記出850個正樣本，分為a，b，c類，150張圖片標記出150個負樣本，為d類。a類為不受遮擋的夯錘樣本，b類為受測量人員遮擋的夯錘樣本，c類為只有部分出現在影像中的夯錘樣本，d類為無夯錘的場景。利用訓練后的目標檢測模型檢索施工影像，夯錘識別效果如圖7所示。

2.2 應用實驗

為充分挖掘強夯施工過程中夯錘相對于夯機的運動時序規律，基于前文所述夯錘運動時序模型實現強夯施工夯次智能監測，以0.5 Hz的采樣頻率采集某工程強夯施工現場一臺強夯機1 d的強夯作業，包括44個夯點。

2.2.1 基于施工影像時序的模型閾值分析

由式（2）可知，基于連續兩幀影像中夯錘目標位置變化情況可實現當前幀影像中夯錘運動狀態初判，判斷結果主要受夯錘靜止狀態判斷閾值T和夯錘平移狀態判斷閾值Tx影響。兩個閾值的取值會直接影響夯錘運動狀態判別結果，進一步影響夯次智能監測的結果準確度。

選取現場施工過程中某一夯坑點位上強夯施工影像數據進行分析，分析每個夯擊過程中夯錘目標特征的位置信息及其變化情況，并根據統計分析結果確認閾值T和Tx?，F場實驗中，強夯施工影像分辨率均為3 360（pixel）×2 240（pixel），本文閾值設置均基于此分辨率。

根據式（2）計算某個夯坑點位上強夯施工過程中夯錘目標位置變化幅度，變化情況見圖8。圖8（a）為某個夯坑點位上連續兩幀影像中夯錘目標位置變化幅值L的變化情況，圖8（b）為某個夯坑點位上連續兩幀影像中夯錘目標位置變化幅值ΔX的變化情況，圖8（c）為某個夯坑點位上連續兩幀影像中夯錘目標位置變化幅值ΔY的變化情況。如圖8所示，強夯施工過程中夯錘運動有明顯規律，具體分析如下：① 夯擊施工過程和夯機轉移過程中的夯錘運動規律有明顯不同，與夯機施工過程相比，夯機轉移過程中夯錘移動速度較大，且水平向移動速度明顯，而夯擊施工過程夯錘水平向移動速度較小，主要在夯錘上升狀態下夯錘豎直向移動速度較大;② 一次有效夯擊過程主要包含夯錘靜止、上升至設計高度、下落后復歸靜止3個階段，其中夯錘靜止狀態下，相機隨夯機振動發生抖動，但抖動幅度很小，相應的L，ΔX，ΔY也較小，如圖8（a）所示，夯錘靜止狀態下的L波動較小且變化幅值基本小于100 pixel，令夯錘靜止狀態判斷閾值T=100 pixel，可對夯錘靜止狀態進行區分;③ 夯擊過程中，夯錘水平向移動速度較小，且連續兩幀影像中夯錘目標位置水平向變化值ΔX變化幅值基本在±200 pixel范圍內，而夯機移動過程中夯錘在水平向移動速度較大，移動幅度遠大于200 pixel，為提高閾值可靠度，令夯錘平移狀態判斷閾值Tx=300 pixel。

2.2.2 實驗與討論

由前文閾值參數，基于夯錘目標特征提取流程和式（1）～（4），可實現夯錘運動狀態的自動判斷。

根據相關規程規范，強夯施工過程中夯錘需提升至設計高度才能滿足地基加固夯實要求，方可記為一次有效夯擊。夯錘通常重達數噸乃至數十噸，為保證施工安全，夯機提錘速度小，夯錘上升至設計高度的歷時為30 s左右。在強夯施工過程中，一般只有在夯機將夯錘提升至設計高度的工況下，夯錘上升狀態持續時間才會超過10 s。故基于前文所述的夯錘運動狀態時序模型，本文有效夯次判斷準則為：夯錘運動狀態編碼序列滿足式（5）時，記為完成有效夯擊，當前夯點位置上夯次增加。同時，設定夯機在不同夯坑點位間轉移即St=M時，夯次置零。

[St-1=St-2=St-3=St-4=St-5=ROSt=F] （5）

基于本文提出的基于強夯施工時序影像的夯次智能監測方法對現場施工夯次指標進行監測。44個監測夯坑中，正常工況下夯坑數量為41個，特殊工況下夯坑點位數有3個。其中，特殊工況指因干擾因素單個夯坑位置上強夯施工不得不臨時中斷的施工狀態，特殊工況下的施工影像示例見圖9。

監測實驗結果見表1，應用實驗中夯次計量正確的點位數有37個，占實驗中夯坑點位總數（44個）的84.1%，正常工況下夯坑點位數（41個）的90.2%，計次異常的點位數有7個，其中特殊工況下點位3個。

本文將正常工況下的夯錘運動模式提取為[…，S，S，R，R，RO，RO，…，RO，F，S，S，…]，并以式（5）為有效夯次計量的模式節點。實驗結果表明，本方法針對正常工況下的強夯夯次智能監測可取得較為理想的結果，可適應正常施工環境和強夯作業流程，無需對夯機進行結構性改造，實時性強，準確度高，同時可保留強夯施工影像數據，為后期復核提供條件。

對夯次計量異常結果進行分析，誤差產生的原因主要為：① 夯錘目標檢測結果異常：夯錘位置序列數據因為檢測結果異常，帶來較大的識別誤差，進而導致夯錘運動特征異常及夯次計量錯誤;② 因特殊工況導致的計量失誤：特殊工況下強夯施工模式次序被打斷，夯機中斷作業，此時夯錘運動模式與正常工況下的運動模式有顯著差異，識別模型無法處理，導致計量失誤。

目前，針對特殊工況施工條件和夯錘目標檢測誤差問題，本方法仍存在一定的優化空間，需進一步優化時序模型，提高夯錘目標檢測精度和強夯夯次監測的準確率。

3 結 語

智能技術的發展為強夯施工的夯次計量提供了視覺智能監測方法。通過采集強夯監測影像序列，偵測夯錘運動相對于夯機和測站的空間關系變化過程，將夯錘與測站的三維空間關系轉化到二維像素空間關系，并基于強夯施工過程中夯錘運動規律建立基于夯錘影像的運動時序模式識別模型，實現了基于夯錘運動時序特征的強夯夯次智能感知。現場實驗驗證表明，本方法在正常工況下夯次計量結果準確可靠。與人工監測方法相比，具有速度快、環境適應性好等優勢。為完善本監測方法，仍需提高夯錘目標檢測精度，針對特殊工況問題，補充實時定位技術實現夯坑位置和夯擊次數的協調監測，進一步增強夯次監測方法的準確性和工程適應性。

參考文獻：

[1] L M， Y B. Theoretical and practical aspect of dynamic consolidation[J]. ?Géotechnique， 1975（25）：3-18.

[2] 董俊. ?不同能級強夯處理軟弱地基效果分析[J].人民長江， 2016，47（18）： 56-60.

[3] 張永鈞，丁玉琴. ?強夯法信息化施工[J].施工技術， 1994（9）： 5-6.

[4] JGJ79-2012 建筑地基處理技術規范[S].

[5] 李子龍，劉磊，孫宜超， 等. ?強夯施工質量實時導航技術[J]. ?水運工程， 2018（9）： 161-167.

[6] 趙民，賀克強，陳小鈺，等. ?強夯法信息化施工裝置研制與應用[J]. ?施工技術， 2018，47（9）： 31-36.

[7] 陳小平，曹定國，劉財華，等.一種基于雙目測距原理的強夯工程自動監測方法： CN102032897A[P].2011-04-27.

[8] 肖雨晴， 楊慧敏. 目標檢測算法在交通場景中應用綜述[J].計算機工程與應用， 2021，57（6）： 30-41.

[9] ZHAO Z， ZHENG P， XU S， et al. Object detection with deep learning： a review[J]. ?IEEE Transactions On Neural Networks and Learning Systems，2019，30（11）： 3212-3232.

[10] 南曉虎， 丁雷.深度學習的典型目標檢測算法綜述[J].計算機應用研究， 2020，37（增2）： 15-21.

[11] WU X， SAHOO D， HOI S C H. Recent advances in deep learning for object detection[J].Neurocomputing， 2020，396： 39-64.

[12] BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： Optimal Speed and Accuracy of Object Detection[EB/OL].（2020-04-23）.https： // arxiv.org / abs / 2004. 10934.

（編輯：李 慧）

Intelligent monitoring method for tamping count based on

time series images of dynamic compaction construction

LIU Quan， ZHANG Hongyang， JIN Yinlong，WANG Hao

（State Key Laboratory of Water Resources and Hydropower Engineering Science， Wuhan University， Wuhan ?430072， China）

Abstract： The tamping count is a key indicator for dynamic compaction construction quality control， and the automatic measurement of tamping count is of great significance to intelligent construction of dynamic compaction. Therefore， this paper presents an intelligent monitoring method of tamping count based on dynamic compaction construction sequence image. Firstly， during the construction process of dynamic compaction， the camera is used to collect the rammer movement time series images and the rammer movement time series model relative to the camera station is established. Secondly， based on the collected image sequence， the characteristics of the rammer movement speed is extracted， and the result sequence of the rammer motion state is established. Finally， the result sequence is matched with the rammer movement time series model to realize the intelligent monitoring of tamping count during dynamic compaction construction process. The test results showed that under normal working conditions， this method can accurately measure the number of dynamic compaction， and the accuracy can reach 90.2 %， which has advantages of fast and well-adapt to engineering construction.

Key words： dynamic compaction; tamping counting; machine vision; pattern recognition