本发明属于桥梁监测，具体涉及一种桥梁变形监测方法及系统。
背景技术：
1、目前，对桥梁变形的监测有采用埋设传感器的方式，通过传感器监测桥梁的变形；或采用基于卫星定位桥梁监测点的空间位置对桥梁的变形进行监测。但这些监测方式系统的布设安装操作复杂且运行维护成本较高。
2、随着计算机视觉技术的应用，目前计算机视觉技术也应用到桥梁的变形监测中。通常采用棋盘格作为标志物，将标志物设置在桥梁对应的监测点位，通过摄像机对棋盘格标志物进行拍照，使用图像处理技术还原棋盘格标志物的空间坐标，计算空间坐标的位移得到桥梁的变形，实现对桥梁变形的监测。采用这种监测方法对图像的处理复杂，运算量大，对图像处理设备的硬件及系统软件性能都有着很高的要求，难以适用于对桥梁不同点位变形的同时监测。
技术实现思路
1、本发明的目的在于提供一种桥梁变形监测方法及系统，以解决目前在桥梁变形监测中所存在的问题。
2、本发明通过下述技术方案实现：
3、桥梁变形监测方法，采用在固定位置上设置的采样相机，在固定的焦距下，获取在一个采样点位或多个采样点位上设置的标志物在对应点位上以及相对于对应点位在空间位置上发生改变时的图像，得到采样图像；
4、采用获取的采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，得到训练后的神经网络模型；
5、采用在固定位置上设置的检测相机，在固定的焦距下，获取在桥梁上的一个或多个监测点位上所设置的标志物的检测图像，采用训练后的神经网络模型对获取的检测图像进行分析，得到桥梁对应监测点位处的变形；
6、所述检测相机获取检测图像所采用的焦距与采样相机获取采样图像时的焦距相同。
7、在一些实施例中，所述检测相机相对监测点位的位置与采样相机相对采样点位的位置相同。
8、在一些实施例中，采用获取的采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，建立标志物图像的清晰度与当前标志物的空间状态数据之间的对应关系；
9、采用训练后的神经网络模型对检测图像各位置处的清晰度进行分析，并根据所得到的清晰度数据以及标志物图像的清晰度与标志物的空间状态数据之间的对应关系，得到桥梁对应监测点位处的变形量。
10、在一些实施例中，获取采样图像中各个标志物图像在采样图像所在平面内的平面位置参数；
11、采用获取的采样图像中各个标志物图像在采样图像所在平面内的平面位置参数对神经网络模型进行训练，采用训练后的神经网络模型对检测图像中的标志物图像进行识别。
12、在一些实施例中，所述监测点位、采样点位所在的位置位于检测相机、采样相机的焦距外。
13、在一些实施例中，所述标志物为棋盘格。
14、另一方面，本发明还提供另一种桥梁变形监测方法，包括以下步骤：
15、s01、采用在固定位置上设置的检测相机，在固定的焦距下，获取在桥梁上的一个或多个监测点位上所设置的标志物的检测图像；
16、s02、将获取的检测图像输入经过训练后的神经网络模型，经过训练后的神经网络模型能够根据对检测图像中各个标志物图像的清晰度的分析，得到标志物图像所对应标志物的空间状态数据，得到桥梁对应监测点位的变形量。
17、在一些实施例中，对神经网络模型进行训练所采用的训练方法，包括：
18、采用在固定位置上设置的采样相机，在固定的焦距下，获取在一个采样点位或多个采样点位上设置的标志物的空间状态数据以及对应空间状态下的标志物图像；检测相机获取检测图像所采用的焦距与采样相机获取采样图像时的焦距相同，且采样相机相对于采样点位的位置与检测相机相对于监测点位的位置相同；
19、将采样相机所获取的图像作为对神经网络模型进行训练的样本，通过采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，建立标志物图像中各位置处的清晰度与当前标志物的空间状态数据之间的对应关系。
20、在一些实施例中，步骤s02中还包括采用训练后的神经网络模型对检测图像中的各标志物图像进行识别的步骤。
21、在一些实施例中，对神经网络模型进行训练所采用的训练方法，还包括：
22、获取采样图像中各个标志物图像在采样图像所在平面内的平面位置参数；
23、采用获取的采样图像中各个标志物图像在采样图像所在平面内的平面位置参数对神经网络模型进行训练。
24、另一方面，本发明还提供一种桥梁变形监测系统，包括：
25、标志物，所述标志物分别设置在桥梁的各个监测点位上；
26、检测相机，所述检测相机设置在与桥梁上各个监测点位相对的一侧的设定位置上，用于获取各个监测点位上各个标志物的检测图像；
27、变形分析单元，所述变形分析单元采用训练后的神经网络模型对获取的检测图像进行分析，经过训练后的神经网络模型能够根据对检测图像中标志物图像的清晰度的分析，得到对应标志物的空间状态数据，得到标志物所对应的监测点位上发生的变形；
28、训练神经网络模型所采用的方法包括：
29、采用在固定位置上设置的采样相机，在固定的焦距下，获取在一个采样点位或多个采样点位上设置的标志物的空间状态数据以及对应空间状态下的标志物图像；检测相机获取检测图像所采用的焦距与采样相机获取采样图像时的焦距相同，且采样相机相对于采样点位的位置与检测相机相对于监测点位的位置相同；
30、将采样相机所获取的图像作为对神经网络模型进行训练的样本，通过采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，建立标志物图像中各位置处的清晰度与当前标志物的空间状态数据之间的对应关系。
31、本发明与现有技术相比，具有以下优点及有益效果：
32、本发明将视觉检测技术与神经网络模型算法进行结合，采用大量特定的标志物图像对神经网络模型进行训练，然后通过训练后的神经网络模型对获取的桥梁监测点位上标志物的图像进行识别和计算，得到监测点位桥梁所发生的变形。采用该方法只需要采集大量的特定标志物图像来训练神经网络模型，不需要进行图像的对比和大量的运算，能够快速实现对桥梁变形的监测。
33、本发明在采样、监测时，通过相机能够同时获取桥梁上所有监测点位上的标志物的图像，并采用采样图像中各个标志物图像在采样图像所在平面内的平面位置参数对神经网络模型进行训练，能够通过训练后的神经网络模型识别检测图像中的各个标志物图像，从而能够实现对桥梁大量监测点位变形的同时监测，在监测效率上相对现有常规视觉检测方法具有明显的优势，并且能够减小模型训练样本采样以及模型训练的工作量。
34、基于本发明所采用的方法，实现该方法所需要的系统简单，且由于分析的运算量小，降低了对监测系统的硬件设备、软件的性能要求，并且能够同时实现对多个监测点位的变形的监测。
1.桥梁变形监测方法，其特征在于，采用在固定位置上设置的采样相机，在固定的焦距下，获取在一个采样点位或多个采样点位上设置的标志物在对应点位上以及相对于对应点位在空间位置上发生改变时的图像，得到采样图像；
2.根据权利要求1所述的桥梁变形监测方法，其特征在于，所述检测相机相对监测点位的位置与采样相机相对采样点位的位置相同。
3.根据权利要求1或2所述的桥梁变形监测方法，其特征在于，采用获取的采样图像以及采样图像所对应的空间状态数据对神经网络模型进行训练，建立标志物图像的清晰度与当前标志物的空间状态数据之间的对应关系；
4.根据权利要求3所述的桥梁变形监测方法，其特征在于，获取采样图像中各个标志物图像在采样图像所在平面内的平面位置参数；
5.根据权利要求1或2所述的桥梁变形监测方法，其特征在于，所述监测点位、采样点位所在的位置位于检测相机、采样相机的焦距外。
6.根据权利要求1所述的桥梁变形监测方法，其特征在于，所述标志物为棋盘格。
7.桥梁变形监测方法，其特征在于，包括以下步骤：
8.根据权利要求7所述的桥梁变形监测方法，其特征在于，步骤s02中还包括采用训练后的神经网络模型对检测图像中的各标志物图像进行识别的步骤。
9.根据权利要求8所述的桥梁变形监测方法，其特征在于，对神经网络模型进行训练所采用的训练方法，还包括：
10.桥梁变形监测系统，其特征在于，包括：
