本發(fā)明涉及海洋工程施工監(jiān)測，具體為基于多模態(tài)感知與動態(tài)耦合建模的樁體貫入度識別方法。

背景技術：

1、樁基礎作為建筑地基、碼頭結構及海上風機等工程的核心承載形式，因其穩(wěn)定性好、承載力高的特點，在復雜地質與水文條件下具有不可替代的作用。樁體貫入度作為衡量打樁施工質量的關鍵指標，直接影響工程結構的安全性與耐久性。

2、傳統(tǒng)貫入度識別方法主要依賴人工標記測量（如樁身劃線觀測）或單一傳感器監(jiān)測（如位移傳感器、光學水準儀），存在顯著局限性：人工測量需中斷施工且精度受主觀因素影響，而單一傳感器易受海浪振動、潮汐沖擊及設備機械噪聲干擾，導致數據失真甚至設備損壞。尤其在海洋環(huán)境中，光照突變、水霧遮蔽與高頻振動耦合作用，使得傳統(tǒng)方法難以實現(xiàn)全天候連續(xù)監(jiān)測，且離線分析模式無法滿足實時反饋需求。

3、現(xiàn)有技術缺乏多模態(tài)數據融合機制與動態(tài)干擾補償能力，制約了復雜工況下貫入度識別的精度與可靠性，難以適應現(xiàn)代化智能施工對實時性、魯棒性的嚴苛要求。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足，本發(fā)明提供了基于多模態(tài)感知與動態(tài)耦合建模的樁體貫入度識別方法，解決了現(xiàn)有樁體貫入度識別方法在復雜海洋環(huán)境中抗干擾能力弱、多源數據融合精度低、實時反饋不足的問題。

2、為實現(xiàn)以上目的，本發(fā)明通過以下技術方案予以實現(xiàn)：基于多模態(tài)感知與動態(tài)耦合建模的樁體貫入度識別方法，包括以下步驟：

3、采集打樁過程中樁體的多模態(tài)數據，所述多模態(tài)數據包括視覺數據、慣性測量數據及激光測距數據；

4、基于所述多模態(tài)數據構建樁體運動狀態(tài)的動態(tài)耦合模型，通過干擾補償計算剔除噪聲；

5、對所述視覺數據進行預處理，融合預處理后的視覺數據、慣性測量數據及激光測距信息以跟蹤樁體運動狀態(tài)；

6、根據融合后的多模態(tài)數據計算樁體貫入度，并基于預設施工標準觸發(fā)反饋控制。

7、優(yōu)選的，所述采集打樁過程中樁體的多模態(tài)數據的步驟包括：

8、通過高分辨率工業(yè)攝像機采集視覺數據；

9、通過樁體表面固定的慣性測量單元采集振動加速度及角速度；

10、通過多組激光測距儀獲取樁體垂直位移及傾斜角。

11、優(yōu)選的，還包括對所述多模態(tài)數據進行預處理的步驟，所述預處理步驟包括時間同步和空間標定；

12、所述時間同步通過ptp協(xié)議實現(xiàn)；

13、所述空間標定包括：通過張正友標定法建立攝像機坐標系，并通過最小二乘法擬合激光測距數據與視覺特征點。

14、優(yōu)選的，所述基于所述多模態(tài)數據構建樁體運動狀態(tài)的動態(tài)耦合模型的步驟包括：

15、建立樁體運動學方程：

16、，

17、其中：

18、為質量矩陣，其元素通過有限元離散化計算為：

19、，

20、為樁體材料密度，和為單元內節(jié)點和節(jié)點的形狀函數，為單元的體積；

21、為阻尼矩陣，其元素計算為：

22、，

23、為阻尼系數，和為單元內節(jié)點和節(jié)點的應變-位移關系矩陣，由形狀函數的導數構成；

24、為剛度矩陣，其元素計算為：

25、，

26、為樁體材料彈性模量；

27、為地基反力向量，和分別為海浪作用力與錘擊力向量，為樁體位移向量，和分別為速度向量和加速度向量。

28、優(yōu)選的，所述干擾補償計算剔除噪聲的步驟包括：

29、通過擴展卡爾曼濾波融合慣性測量數據與視覺特征點位移，具體包括：

30、振動位移計算：

31、通過慣性測量單元加速度數據積分計算振動位移：

32、，

33、，

34、其中，為時刻的慣性測量單元測量加速度，為時間間隔，為時刻的速度，為時刻的振動補償位移；

35、定義補償狀態(tài)向量：

36、，

37、其中，為樁體在三維空間中的位置坐標，為樁體的速度分量，為振動位移；

38、測量方程：

39、，

40、其中，為視覺特征點測量得到的位置向量，為振動位移在方向的分量，為測量噪聲；

41、狀態(tài)更新：

42、通過卡爾曼增益更新狀態(tài)估計值：

43、，

44、其中，為時刻的測量值，為測量矩陣，表示狀態(tài)量與觀測量之間的線性關系；為狀態(tài)預測值；為狀態(tài)最優(yōu)估計值。

45、優(yōu)選的，所述對所述視覺數據進行預處理的步驟包括：

46、采用自適應直方圖均衡化與暗通道先驗去霧算法消除海洋環(huán)境中的水霧干擾，并基于慣性測量單元數據估計攝像機運動模糊核，通過逆濾波算法恢復清晰圖像。

47、優(yōu)選的，所述融合預處理后的視覺數據、慣性測量數據及激光測距信息以跟蹤樁體運動狀態(tài)的步驟包括：

48、采用改進的yolov8模型實時檢測樁體輪廓及標記點；所述改進包括：

49、將主干網絡替換為輕量化mobilenetv3；

50、在輸出層引入自適應閾值機制以提升低對比度環(huán)境下的檢測精度；

51、使用包含標注圖像的數據集進行訓練，所述數據集覆蓋不同光照條件、天氣類型及樁體類型；

52、通過多模態(tài)特征融合跟蹤樁體運動狀態(tài)，包括：

53、定義跟蹤狀態(tài)向量：

54、，

55、其中，為樁體在三維空間中的位置坐標，為樁體在三維空間中的速度分量；

56、狀態(tài)轉移矩陣：

57、，

58、其中，為相鄰時刻與之間的時間間隔；

59、控制輸入矩陣：

60、，

61、控制輸入：

62、，

63、表示時刻樁體在方向的加速度分量，由視覺檢測、激光測距及慣性測量單元振動補償量融合得到；

64、狀態(tài)預測公式：

65、，

66、其中，為時刻的狀態(tài)最優(yōu)估計值，為時刻的狀態(tài)預測值；

67、預測公式展開為：

68、，

69、，

70、其中，為時刻預測的位置，為時刻修正后的位置，為時刻修正后的速度，為時刻的加速度輸入；

71、同理應用于和分量。

72、優(yōu)選的，所述根據融合后的多模態(tài)數據計算樁體貫入度的步驟包括：

73、對個激光測距值進行振動補償，得到有效距離：

74、，

75、其中，表示第個激光測距儀測量的原始距離，表示第個慣性測量單元計算的振動補償位移；

76、對補償后的激光測距數據加權融合，并結合樁體傾斜角修正計算實時貫入度：

77、，

78、其中，為第個激光測距值的權重，滿足；為樁體實時傾斜角；用于將傾斜距離投影至垂直方向。

79、優(yōu)選的，所述基于預設施工標準觸發(fā)反饋控制的步驟包括：

80、當樁體實時貫入度與預設值的偏差超過動態(tài)調整的閾值時，觸發(fā)三級報警。

81、本發(fā)明還提供基于多模態(tài)感知與動態(tài)耦合建模的樁體貫入度識別系統(tǒng)，包括：

82、多模態(tài)數據采集模塊，用于采集打樁過程中樁體的視覺數據、慣性測量數據及激光測距數據；

83、動態(tài)耦合建模模塊，用于基于所述多模態(tài)數據構建樁體運動狀態(tài)的動態(tài)耦合模型，并通過干擾補償計算剔除噪聲；

84、多模態(tài)融合處理模塊，用于對視覺數據進行預處理，并融合預處理后的視覺數據、慣性測量數據及激光測距信息以跟蹤樁體運動狀態(tài)；

85、貫入度計算模塊，用于根據融合后的多模態(tài)數據計算樁體實時貫入度；

86、施工反饋模塊，用于基于貫入度計算結果及預設施工標準觸發(fā)控制指令。

87、本發(fā)明提供了基于多模態(tài)感知與動態(tài)耦合建模的樁體貫入度識別方法。具備以下有益效果：

88、1、本發(fā)明通過多模態(tài)傳感器（視覺、慣性、激光）的協(xié)同感知與數據融合，克服了單一傳感器在海洋高濕、多霧、強振動環(huán)境下的局限性，利用時空標定與動態(tài)補償技術，有效抑制了水霧遮蔽、光照變化及機械振動對測量數據的干擾，顯著提升了系統(tǒng)的環(huán)境適應性。

89、2、本發(fā)明基于有限元離散化構建樁體-地基-船體耦合動力學模型，從物理機理層面描述樁體運動特性，結合擴展卡爾曼濾波對多源數據進行深度融合，實現(xiàn)了樁體真實位移與振動噪聲的精準分離，解決了傳統(tǒng)方法因模型簡化導致的運動預測偏差問題。

90、3、本發(fā)明改進的yolov8目標檢測模型通過輕量化網絡結構與自適應閾值機制，在低對比度、強干擾環(huán)境下仍能穩(wěn)定識別樁體輪廓及標記點，結合運動模糊校正與去霧算法，確保了視覺數據的高質量輸入，為多模態(tài)跟蹤提供了可靠基準。

91、4、本發(fā)明通過動態(tài)閾值報警機制與多級反饋控制，實時監(jiān)測貫入度偏差并觸發(fā)分級響應，結合云端數據同步與三維可視化界面，實現(xiàn)了施工狀態(tài)的全局監(jiān)控與快速決策，大幅降低了人為誤判風險，提升了打樁作業(yè)的安全性與效率。