劉全 張宏陽(yáng) 金銀龍 王浩

摘要：夯擊次數(shù)是強(qiáng)夯法施工過(guò)程質(zhì)量控制的關(guān)鍵指標(biāo)，實(shí)現(xiàn)夯次自動(dòng)計(jì)量對(duì)強(qiáng)夯施工具有重要意義。提出了一種基于強(qiáng)夯施工時(shí)序影像的夯次智能監(jiān)測(cè)方法。首先，利用相機(jī)采集強(qiáng)夯施工過(guò)程中的夯錘運(yùn)動(dòng)時(shí)序影像并建立強(qiáng)夯施工過(guò)程中夯錘相對(duì)于相機(jī)測(cè)站點(diǎn)的運(yùn)動(dòng)時(shí)序模型;其次，基于采集到的影像序列提取夯錘運(yùn)動(dòng)速度特征，建立夯錘運(yùn)動(dòng)模式狀態(tài)序列;最后，將夯錘運(yùn)動(dòng)模式狀態(tài)序列與運(yùn)動(dòng)時(shí)序模型進(jìn)行匹配，實(shí)現(xiàn)強(qiáng)夯夯次智能監(jiān)測(cè)。實(shí)驗(yàn)結(jié)果表明：該方法能夠準(zhǔn)確計(jì)量正常工況下強(qiáng)夯夯擊次數(shù)，夯次計(jì)量準(zhǔn)確率達(dá)到90.2%，具有速度快、工程適應(yīng)性強(qiáng)等優(yōu)勢(shì)。

關(guān)鍵詞：強(qiáng)夯法; 夯次計(jì)量; 機(jī)器視覺(jué); 模式識(shí)別

中圖法分類號(hào)：TV523 文獻(xiàn)標(biāo)志碼：A DOI：10.15974/j.cnki.slsdkb.2022.01.007

文章編號(hào)：1006 - 0081（2022）01 - 0037 - 07

0 引 言

強(qiáng)力夯實(shí)法（簡(jiǎn)稱“強(qiáng)夯法”）通過(guò)起重機(jī)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(chǎn)生的巨大沖擊能壓實(shí)地基，提高地基承載力[1-2]。因強(qiáng)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(yōu)勢(shì)，廣泛應(yīng)用于水利水電工程、機(jī)場(chǎng)、高速公路等大型建設(shè)項(xiàng)目的地基處理工程中。

良好的強(qiáng)夯施工質(zhì)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(jù)相關(guān)規(guī)范和規(guī)程，強(qiáng)夯法施工多利用夯擊遍數(shù)、最佳單擊夯擊能、單點(diǎn)夯擊次數(shù)及最后兩擊夯沉量平均值、夯點(diǎn)位置等指標(biāo)進(jìn)行質(zhì)量控制[4]。其中，單點(diǎn)夯擊次數(shù)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(xiàn)場(chǎng)試驗(yàn)區(qū)夯實(shí)效果的綜合設(shè)計(jì)指標(biāo)。相較其他控制參數(shù)，單點(diǎn)夯擊數(shù)是強(qiáng)夯施工過(guò)程中最容易控制和計(jì)量的指標(biāo)，也是強(qiáng)夯施工質(zhì)量控制最重要的控制指標(biāo)。

目前，強(qiáng)夯施工夯次計(jì)量主要采用人工記錄方式，存在人力成本高、施工人員勞動(dòng)保障水平低、施工記錄難以復(fù)核等問(wèn)題。強(qiáng)夯施工質(zhì)量的無(wú)人化監(jiān)測(cè)已經(jīng)成為智慧建造時(shí)代大趨勢(shì)。目前，已有一些學(xué)者提出夯次自動(dòng)計(jì)量的方法。李子龍等[5]利用應(yīng)力傳感器和GNSS傳感器等，監(jiān)測(cè)夯錘位置進(jìn)行夯次計(jì)量;趙民等[6]通過(guò)改造夯機(jī)鋼纜，通過(guò)監(jiān)測(cè)鋼纜行程來(lái)計(jì)算夯次;陳小平等[7]利用雙目攝影測(cè)量，通過(guò)計(jì)算夯錘行程實(shí)現(xiàn)夯次計(jì)量。

人工夯次計(jì)量的原理是人腦對(duì)眼睛采集的影像數(shù)據(jù)進(jìn)行夯錘目標(biāo)識(shí)別和跟蹤，從而區(qū)分和計(jì)量夯次。近年來(lái)，隨著移動(dòng)計(jì)算、物聯(lián)網(wǎng)技術(shù)和計(jì)算機(jī)視覺(jué)技術(shù)的不斷進(jìn)步，目標(biāo)實(shí)時(shí)檢測(cè)已經(jīng)在安防、工業(yè)質(zhì)檢等領(lǐng)域得到廣泛應(yīng)用。因此，本文基于機(jī)器視覺(jué)與時(shí)序分析提出的夯次監(jiān)測(cè)的仿生設(shè)想，給夯機(jī)加設(shè)一只“眼睛”，由相機(jī)測(cè)站采集夯錘影像，對(duì)影像時(shí)序數(shù)據(jù)進(jìn)行分析，提取夯錘運(yùn)動(dòng)時(shí)序特征，建立夯錘運(yùn)動(dòng)時(shí)序模型，利用模式識(shí)別方法實(shí)現(xiàn)基于夯錘影像時(shí)序的強(qiáng)夯夯次智能監(jiān)測(cè)。

考慮影像獲取的安全性、機(jī)動(dòng)性、維護(hù)成本，選擇將工業(yè)相機(jī)布設(shè)在夯機(jī)駕駛室頂部，見(jiàn)圖1。在強(qiáng)夯施工過(guò)程中，相機(jī)視野與駕駛員類似，即使夯坑點(diǎn)位變換，夯錘相對(duì)于相機(jī)測(cè)站的運(yùn)動(dòng)規(guī)律具有一致性。

基于相機(jī)采集得到的強(qiáng)夯施工影像序列，本文融合目標(biāo)檢測(cè)技術(shù)，提出基于夯錘時(shí)序運(yùn)動(dòng)特征的夯錘運(yùn)動(dòng)狀態(tài)智能感知算法，算法框架如圖2所示，進(jìn)而實(shí)現(xiàn)強(qiáng)夯施工夯次智能計(jì)量，為強(qiáng)夯法地基加固的施工質(zhì)量智能控制提供基礎(chǔ)條件。

1 基于夯錘時(shí)序運(yùn)動(dòng)特征的夯次計(jì)量算法

1.1 夯錘目標(biāo)檢測(cè)

夯錘目標(biāo)檢測(cè)是從背景復(fù)雜的強(qiáng)夯施工影像中檢索夯錘目標(biāo)，并提取夯錘在施工影像中的位置信息，是實(shí)現(xiàn)夯錘運(yùn)動(dòng)狀態(tài)智能感知的基礎(chǔ)，對(duì)應(yīng)人類視覺(jué)認(rèn)東西的概念。

傳統(tǒng)的目標(biāo)檢測(cè)方法多采用從圖像中選擇候選區(qū)域、提取候選區(qū)特征、訓(xùn)練分類器3個(gè)階段實(shí)現(xiàn)目標(biāo)檢測(cè)，存在算法復(fù)雜、檢測(cè)速度慢且精度低等問(wèn)題[8-9]。近年來(lái)，隨著卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法已實(shí)現(xiàn)準(zhǔn)確高效的目標(biāo)檢測(cè)，極大地降低了復(fù)雜目標(biāo)實(shí)時(shí)監(jiān)測(cè)的應(yīng)用成本。目前，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法主要分為基于候選區(qū)域的兩階段算法和基于回歸分析的一階段算法。前者通過(guò)生成候選區(qū)域（Region Proposal），在候選區(qū)域的基礎(chǔ)上進(jìn)行分類和回歸得到檢測(cè)結(jié)果，如R-CNN、SPP-Net、Fast R-CNN等算法;后者通過(guò)單一的CNN網(wǎng)絡(luò)，直接獲取檢測(cè)結(jié)果。相較前者，后者運(yùn)算速度更快、更能滿足實(shí)時(shí)性的要求，如YOLO，SSD等算法[10-11]。

YOLO（You Only Look Once）算法將目標(biāo)檢測(cè)視為回歸問(wèn)題，把輸入圖像劃分為S×S的網(wǎng)格，將圖像輸入卷積神經(jīng)網(wǎng)絡(luò)提取特征后，全連接層輸出目標(biāo)分類和邊界框，模型檢測(cè)原理如圖3所示。近年來(lái)YOLO算法不斷改進(jìn)，在較快檢測(cè)的基礎(chǔ)上不斷優(yōu)化檢測(cè)精度。2020年的YOLOv4在運(yùn)算效能和識(shí)別準(zhǔn)確度方面均取得了新的突破，實(shí)現(xiàn)了性能和速度的新平衡，是目前機(jī)器視覺(jué)領(lǐng)域最優(yōu)的目標(biāo)檢測(cè)器之一[12]。因此，本文選擇YOLO模型識(shí)別夯錘。

1.2 強(qiáng)夯夯錘運(yùn)動(dòng)特征

強(qiáng)夯施工過(guò)程作業(yè)流程見(jiàn)圖4，根據(jù)夯機(jī)施工狀態(tài)可劃分為夯機(jī)移動(dòng)狀態(tài)、夯機(jī)空轉(zhuǎn)狀態(tài)、夯機(jī)提錘狀態(tài)、夯機(jī)落錘狀態(tài)，其中夯機(jī)移動(dòng)狀態(tài)發(fā)生在夯機(jī)在不同夯坑點(diǎn)位間轉(zhuǎn)移的工況，其余3種狀態(tài)發(fā)生在單個(gè)夯點(diǎn)位置的強(qiáng)夯作業(yè)施工工況。夯機(jī)處在不同作業(yè)狀態(tài)時(shí)，夯錘相較夯機(jī)呈現(xiàn)出不同的時(shí)序運(yùn)動(dòng)特征，主要分為以下4類情況：

（1） 夯錘移動(dòng)。采用強(qiáng)夯法處理地基時(shí)，需根據(jù)建筑物結(jié)構(gòu)、加固土層厚度及土質(zhì)條件布置夯擊點(diǎn)。在強(qiáng)夯施工過(guò)程中，夯機(jī)需在夯點(diǎn)之間轉(zhuǎn)移。隨著夯機(jī)移動(dòng)，夯錘在相機(jī)視場(chǎng)范圍中的位置發(fā)生水平方向的大幅移動(dòng)。

（2） 夯錘靜止。夯機(jī)提錘前，夯錘相較夯機(jī)靜止，在相機(jī)視場(chǎng)范圍內(nèi)的位置基本不變。

（3） 夯錘上升。夯機(jī)將夯錘提升至提錘高度時(shí)，夯錘相較夯機(jī)發(fā)生豎直向的向上移動(dòng)。夯錘在相機(jī)視場(chǎng)范圍內(nèi)豎直上升直至夯錘超出相機(jī)視場(chǎng)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(jī)視場(chǎng)范圍內(nèi)豎直下落，由于夯錘下落速度較快，在監(jiān)拍影像中很難捕捉到夯錘下落的過(guò)程，故可將多張無(wú)夯錘目標(biāo)影像（夯錘超出相機(jī)視野范圍）后出現(xiàn)的第一張夯錘的照片視作夯錘下落。

強(qiáng)夯施工過(guò)程中一個(gè)完整的夯擊過(guò)程包括：夯錘靜止、夯錘上升、夯錘超出視野、夯錘下落。一個(gè)完整的狀態(tài)循環(huán)即是一次有效夯擊。

1.3 特征提取與時(shí)序模式建立

夯錘是剛性結(jié)構(gòu)體，在施工中不會(huì)變化。本文選擇YOLO模型識(shí)別的夯錘目標(biāo)驗(yàn)證框中心的像素坐標(biāo)Ct為夯錘位置特征，坐標(biāo)為（xt， yt）?？紤]到施工影像中可能無(wú)夯錘目標(biāo)，設(shè)影像中無(wú)夯錘目標(biāo)時(shí)，夯錘目標(biāo)位置特征Ct的坐標(biāo)值為（-100， -100），表示夯錘不在相機(jī)視場(chǎng)范圍。

通過(guò)對(duì)強(qiáng)夯施工影像序列進(jìn)行夯錘目標(biāo)檢測(cè)，建立夯錘目標(biāo)位置序列，然后基于連續(xù)兩幀影像中夯錘位置變化結(jié)果進(jìn)行夯錘運(yùn)動(dòng)初判，建立夯錘運(yùn)動(dòng)狀態(tài)初判序列H（t）。通過(guò)初判序列H（t）的變化情況確立夯錘運(yùn)動(dòng)狀態(tài)編碼序列S（t），與既定的夯錘運(yùn)動(dòng)時(shí)序模型進(jìn)行匹配，即可實(shí)現(xiàn)強(qiáng)夯施工過(guò)程中夯次智能監(jiān)測(cè)。特征提取流程圖如圖5所示。

基于連續(xù)兩幀影像的夯錘目標(biāo)位置變化幅度，即夯錘移動(dòng)速度計(jì)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(xù)兩幀影像中夯錘目標(biāo)變化距離，pixel;ΔY為連續(xù)兩幀影像中夯錘目標(biāo)豎直向變化情況，由像素坐標(biāo)系特性可知，正值表示夯錘下落，負(fù)值表示夯錘上升，pixel;ΔX為連續(xù)兩幀影像中夯錘目標(biāo)水平向變化幅度，pixel。

根據(jù)下式（2）得到夯錘運(yùn)動(dòng)狀態(tài)初判結(jié)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?fàn)顟B(tài)判斷閾值，pixel;Tx為夯錘平移狀態(tài)判斷閾值，pixel?；谑剑?），運(yùn)動(dòng)狀態(tài)初判結(jié)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(jī)視野范圍（O）。

基于影像中夯錘目標(biāo)特征信息及其一階差分結(jié)果，可得到夯錘運(yùn)動(dòng)狀態(tài)初判序列Ht，但夯錘上升（R）和夯錘平移（M）均可能導(dǎo)致夯錘超出相機(jī)視野范圍（O）。根據(jù)式（3）及式（4），將夯錘運(yùn)動(dòng)狀態(tài)進(jìn)一步細(xì)化，得到夯錘運(yùn)動(dòng)狀態(tài)編碼序列St：

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

當(dāng)ΔHt=1時(shí)，當(dāng)前幀中夯錘運(yùn)動(dòng)狀態(tài)發(fā)生變化，基于式（4）可對(duì)夯錘移出相機(jī)視野范圍（O）進(jìn)行細(xì)分，分為由夯錘上升引起的超出相機(jī)視野范圍（RO）、由夯錘平移引起的超出相機(jī)視野范圍（MO）。RO觸發(fā)夯錘上升狀態(tài)下的有效夯次計(jì)量，MO觸發(fā)夯錘平移狀態(tài)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(jù)強(qiáng)夯夯錘運(yùn)動(dòng)特征，可建立不同狀態(tài)下的夯錘運(yùn)動(dòng)時(shí)序模式，主要包括：

（1） 夯錘靜止的時(shí)序模式。夯錘靜止時(shí)，夯錘目標(biāo)位置特征基本不變，一般情況下，夯錘運(yùn)動(dòng)狀態(tài)序列H變化情況表現(xiàn)為[…，F(xiàn)，S，S，S，…]。

（2） 夯錘上升的時(shí)序模式。在連續(xù)的強(qiáng)夯施工影像序列中，夯錘目標(biāo)位置特征呈現(xiàn)上升變化，主要為豎直方向上的變化，且水平方向上坐標(biāo)變化幅度較小，直至夯錘運(yùn)動(dòng)出相機(jī)視野范圍之外且較長(zhǎng)時(shí)間持續(xù)不在相機(jī)視野范圍內(nèi)。一般情況下，夯錘上升時(shí)序模式下的夯錘運(yùn)動(dòng)狀態(tài)序列H變化情況為[…，R，R，RO，RO，RO，…]，其中，RO狀態(tài)的前置觸發(fā)條件為R或RO。

（3） 夯錘下落的時(shí)序模式。夯錘下落速度快、時(shí)間短，相機(jī)往往很難拍攝到夯錘下落的影像。故在連續(xù)強(qiáng)夯施工影像序列中，會(huì)在較長(zhǎng)一段時(shí)間內(nèi)無(wú)夯錘目標(biāo)，之后突然檢測(cè)到帶有夯錘目標(biāo)。夯錘下落時(shí)序模式下的夯錘運(yùn)動(dòng)狀態(tài)序列H變化情況為[…，RO，RO，RO，F(xiàn)，S，…]，其中因?yàn)楹诲N下落速度很快，F(xiàn)狀態(tài)持續(xù)時(shí)間很短，甚至可能捕捉不到。

（4） 夯錘平移的時(shí)序模式。夯機(jī)轉(zhuǎn)場(chǎng)觸發(fā)夯錘平移運(yùn)動(dòng)狀態(tài)，夯錘在相機(jī)視野范圍內(nèi)會(huì)發(fā)生較大的水平向位移，且可能頻繁超出視野。此時(shí)，夯錘平移時(shí)序模式下的夯錘運(yùn)動(dòng)狀態(tài)序列H變化情況為[…，M，M，MO，MO，M，…]，其中，MO狀態(tài)的前置觸發(fā)條件為M或MO。

2 模型訓(xùn)練及應(yīng)用實(shí)驗(yàn)

2.1 夯錘識(shí)別模型訓(xùn)練

本文中目標(biāo)種類只有夯錘（Hammer）一類，實(shí)驗(yàn)采用訓(xùn)練數(shù)據(jù)集來(lái)源于現(xiàn)場(chǎng)施工采集的施工影像，選取1 000張施工影像，部分訓(xùn)練集圖像見(jiàn)圖6。其中，850張圖片標(biāo)記出850個(gè)正樣本，分為a，b，c類，150張圖片標(biāo)記出150個(gè)負(fù)樣本，為d類。a類為不受遮擋的夯錘樣本，b類為受測(cè)量人員遮擋的夯錘樣本，c類為只有部分出現(xiàn)在影像中的夯錘樣本，d類為無(wú)夯錘的場(chǎng)景。利用訓(xùn)練后的目標(biāo)檢測(cè)模型檢索施工影像，夯錘識(shí)別效果如圖7所示。

2.2 應(yīng)用實(shí)驗(yàn)

為充分挖掘強(qiáng)夯施工過(guò)程中夯錘相對(duì)于夯機(jī)的運(yùn)動(dòng)時(shí)序規(guī)律，基于前文所述夯錘運(yùn)動(dòng)時(shí)序模型實(shí)現(xiàn)強(qiáng)夯施工夯次智能監(jiān)測(cè)，以0.5 Hz的采樣頻率采集某工程強(qiáng)夯施工現(xiàn)場(chǎng)一臺(tái)強(qiáng)夯機(jī)1 d的強(qiáng)夯作業(yè)，包括44個(gè)夯點(diǎn)。

2.2.1 基于施工影像時(shí)序的模型閾值分析

由式（2）可知，基于連續(xù)兩幀影像中夯錘目標(biāo)位置變化情況可實(shí)現(xiàn)當(dāng)前幀影像中夯錘運(yùn)動(dòng)狀態(tài)初判，判斷結(jié)果主要受夯錘靜止?fàn)顟B(tài)判斷閾值T和夯錘平移狀態(tài)判斷閾值Tx影響。兩個(gè)閾值的取值會(huì)直接影響夯錘運(yùn)動(dòng)狀態(tài)判別結(jié)果，進(jìn)一步影響夯次智能監(jiān)測(cè)的結(jié)果準(zhǔn)確度。

選取現(xiàn)場(chǎng)施工過(guò)程中某一夯坑點(diǎn)位上強(qiáng)夯施工影像數(shù)據(jù)進(jìn)行分析，分析每個(gè)夯擊過(guò)程中夯錘目標(biāo)特征的位置信息及其變化情況，并根據(jù)統(tǒng)計(jì)分析結(jié)果確認(rèn)閾值T和Tx?，F(xiàn)場(chǎng)實(shí)驗(yàn)中，強(qiáng)夯施工影像分辨率均為3 360（pixel）×2 240（pixel），本文閾值設(shè)置均基于此分辨率。

根據(jù)式（2）計(jì)算某個(gè)夯坑點(diǎn)位上強(qiáng)夯施工過(guò)程中夯錘目標(biāo)位置變化幅度，變化情況見(jiàn)圖8。圖8（a）為某個(gè)夯坑點(diǎn)位上連續(xù)兩幀影像中夯錘目標(biāo)位置變化幅值L的變化情況，圖8（b）為某個(gè)夯坑點(diǎn)位上連續(xù)兩幀影像中夯錘目標(biāo)位置變化幅值ΔX的變化情況，圖8（c）為某個(gè)夯坑點(diǎn)位上連續(xù)兩幀影像中夯錘目標(biāo)位置變化幅值ΔY的變化情況。如圖8所示，強(qiáng)夯施工過(guò)程中夯錘運(yùn)動(dòng)有明顯規(guī)律，具體分析如下：① 夯擊施工過(guò)程和夯機(jī)轉(zhuǎn)移過(guò)程中的夯錘運(yùn)動(dòng)規(guī)律有明顯不同，與夯機(jī)施工過(guò)程相比，夯機(jī)轉(zhuǎn)移過(guò)程中夯錘移動(dòng)速度較大，且水平向移動(dòng)速度明顯，而夯擊施工過(guò)程夯錘水平向移動(dòng)速度較小，主要在夯錘上升狀態(tài)下夯錘豎直向移動(dòng)速度較大;② 一次有效夯擊過(guò)程主要包含夯錘靜止、上升至設(shè)計(jì)高度、下落后復(fù)歸靜止3個(gè)階段，其中夯錘靜止?fàn)顟B(tài)下，相機(jī)隨夯機(jī)振動(dòng)發(fā)生抖動(dòng)，但抖動(dòng)幅度很小，相應(yīng)的L，ΔX，ΔY也較小，如圖8（a）所示，夯錘靜止?fàn)顟B(tài)下的L波動(dòng)較小且變化幅值基本小于100 pixel，令夯錘靜止?fàn)顟B(tài)判斷閾值T=100 pixel，可對(duì)夯錘靜止?fàn)顟B(tài)進(jìn)行區(qū)分;③ 夯擊過(guò)程中，夯錘水平向移動(dòng)速度較小，且連續(xù)兩幀影像中夯錘目標(biāo)位置水平向變化值ΔX變化幅值基本在±200 pixel范圍內(nèi)，而夯機(jī)移動(dòng)過(guò)程中夯錘在水平向移動(dòng)速度較大，移動(dòng)幅度遠(yuǎn)大于200 pixel，為提高閾值可靠度，令夯錘平移狀態(tài)判斷閾值Tx=300 pixel。

2.2.2 實(shí)驗(yàn)與討論

由前文閾值參數(shù)，基于夯錘目標(biāo)特征提取流程和式（1）～（4），可實(shí)現(xiàn)夯錘運(yùn)動(dòng)狀態(tài)的自動(dòng)判斷。

根據(jù)相關(guān)規(guī)程規(guī)范，強(qiáng)夯施工過(guò)程中夯錘需提升至設(shè)計(jì)高度才能滿足地基加固夯實(shí)要求，方可記為一次有效夯擊。夯錘通常重達(dá)數(shù)噸乃至數(shù)十噸，為保證施工安全，夯機(jī)提錘速度小，夯錘上升至設(shè)計(jì)高度的歷時(shí)為30 s左右。在強(qiáng)夯施工過(guò)程中，一般只有在夯機(jī)將夯錘提升至設(shè)計(jì)高度的工況下，夯錘上升狀態(tài)持續(xù)時(shí)間才會(huì)超過(guò)10 s。故基于前文所述的夯錘運(yùn)動(dòng)狀態(tài)時(shí)序模型，本文有效夯次判斷準(zhǔn)則為：夯錘運(yùn)動(dòng)狀態(tài)編碼序列滿足式（5）時(shí)，記為完成有效夯擊，當(dāng)前夯點(diǎn)位置上夯次增加。同時(shí)，設(shè)定夯機(jī)在不同夯坑點(diǎn)位間轉(zhuǎn)移即St=M時(shí)，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(qiáng)夯施工時(shí)序影像的夯次智能監(jiān)測(cè)方法對(duì)現(xiàn)場(chǎng)施工夯次指標(biāo)進(jìn)行監(jiān)測(cè)。44個(gè)監(jiān)測(cè)夯坑中，正常工況下夯坑數(shù)量為41個(gè)，特殊工況下夯坑點(diǎn)位數(shù)有3個(gè)。其中，特殊工況指因干擾因素單個(gè)夯坑位置上強(qiáng)夯施工不得不臨時(shí)中斷的施工狀態(tài)，特殊工況下的施工影像示例見(jiàn)圖9。

監(jiān)測(cè)實(shí)驗(yàn)結(jié)果見(jiàn)表1，應(yīng)用實(shí)驗(yàn)中夯次計(jì)量正確的點(diǎn)位數(shù)有37個(gè)，占實(shí)驗(yàn)中夯坑點(diǎn)位總數(shù)（44個(gè)）的84.1%，正常工況下夯坑點(diǎn)位數(shù)（41個(gè)）的90.2%，計(jì)次異常的點(diǎn)位數(shù)有7個(gè)，其中特殊工況下點(diǎn)位3個(gè)。

本文將正常工況下的夯錘運(yùn)動(dòng)模式提取為[…，S，S，R，R，RO，RO，…，RO，F(xiàn)，S，S，…]，并以式（5）為有效夯次計(jì)量的模式節(jié)點(diǎn)。實(shí)驗(yàn)結(jié)果表明，本方法針對(duì)正常工況下的強(qiáng)夯夯次智能監(jiān)測(cè)可取得較為理想的結(jié)果，可適應(yīng)正常施工環(huán)境和強(qiáng)夯作業(yè)流程，無(wú)需對(duì)夯機(jī)進(jìn)行結(jié)構(gòu)性改造，實(shí)時(shí)性強(qiáng)，準(zhǔn)確度高，同時(shí)可保留強(qiáng)夯施工影像數(shù)據(jù)，為后期復(fù)核提供條件。

對(duì)夯次計(jì)量異常結(jié)果進(jìn)行分析，誤差產(chǎn)生的原因主要為：① 夯錘目標(biāo)檢測(cè)結(jié)果異常：夯錘位置序列數(shù)據(jù)因?yàn)闄z測(cè)結(jié)果異常，帶來(lái)較大的識(shí)別誤差，進(jìn)而導(dǎo)致夯錘運(yùn)動(dòng)特征異常及夯次計(jì)量錯(cuò)誤;② 因特殊工況導(dǎo)致的計(jì)量失誤：特殊工況下強(qiáng)夯施工模式次序被打斷，夯機(jī)中斷作業(yè)，此時(shí)夯錘運(yùn)動(dòng)模式與正常工況下的運(yùn)動(dòng)模式有顯著差異，識(shí)別模型無(wú)法處理，導(dǎo)致計(jì)量失誤。

目前，針對(duì)特殊工況施工條件和夯錘目標(biāo)檢測(cè)誤差問(wèn)題，本方法仍存在一定的優(yōu)化空間，需進(jìn)一步優(yōu)化時(shí)序模型，提高夯錘目標(biāo)檢測(cè)精度和強(qiáng)夯夯次監(jiān)測(cè)的準(zhǔn)確率。

3 結(jié) 語(yǔ)

智能技術(shù)的發(fā)展為強(qiáng)夯施工的夯次計(jì)量提供了視覺(jué)智能監(jiān)測(cè)方法。通過(guò)采集強(qiáng)夯監(jiān)測(cè)影像序列，偵測(cè)夯錘運(yùn)動(dòng)相對(duì)于夯機(jī)和測(cè)站的空間關(guān)系變化過(guò)程，將夯錘與測(cè)站的三維空間關(guān)系轉(zhuǎn)化到二維像素空間關(guān)系，并基于強(qiáng)夯施工過(guò)程中夯錘運(yùn)動(dòng)規(guī)律建立基于夯錘影像的運(yùn)動(dòng)時(shí)序模式識(shí)別模型，實(shí)現(xiàn)了基于夯錘運(yùn)動(dòng)時(shí)序特征的強(qiáng)夯夯次智能感知?，F(xiàn)場(chǎng)實(shí)驗(yàn)驗(yàn)證表明，本方法在正常工況下夯次計(jì)量結(jié)果準(zhǔn)確可靠。與人工監(jiān)測(cè)方法相比，具有速度快、環(huán)境適應(yīng)性好等優(yōu)勢(shì)。為完善本監(jiān)測(cè)方法，仍需提高夯錘目標(biāo)檢測(cè)精度，針對(duì)特殊工況問(wèn)題，補(bǔ)充實(shí)時(shí)定位技術(shù)實(shí)現(xiàn)夯坑位置和夯擊次數(shù)的協(xié)調(diào)監(jiān)測(cè)，進(jìn)一步增強(qiáng)夯次監(jiān)測(cè)方法的準(zhǔn)確性和工程適應(yīng)性。

參考文獻(xiàn)：

[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(jí)強(qiáng)夯處理軟弱地基效果分析[J].人民長(zhǎng)江， 2016，47（18）： 56-60.

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

[4] JGJ79-2012 建筑地基處理技術(shù)規(guī)范[S].

[5] 李子龍，劉磊，孫宜超， 等. ?強(qiáng)夯施工質(zhì)量實(shí)時(shí)導(dǎo)航技術(shù)[J]. ?水運(yùn)工程， 2018（9）： 161-167.

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

[7] 陳小平，曹定國(guó)，劉財(cái)華，等.一種基于雙目測(cè)距原理的強(qiáng)夯工程自動(dòng)監(jiān)測(cè)方法： CN102032897A[P].2011-04-27.

[8] 肖雨晴， 楊慧敏. 目標(biāo)檢測(cè)算法在交通場(chǎng)景中應(yīng)用綜述[J].計(jì)算機(jī)工程與應(yīng)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(xué)習(xí)的典型目標(biāo)檢測(cè)算法綜述[J].計(jì)算機(jī)應(yīng)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