基于机器视觉和Mean Shift聚类算法的大跨钢结构挠度监测方法

本发明提出了一种基于机器视觉与Mean Shift聚类算法的大跨钢结构挠度监测方法。在识别方法层面，构建了一个深度学习框架，突破了传统黑白工业相机低分辨率的局限，极大地拓宽了监测系统的部署范围，并实现了对数字图像中散斑特征的高效自动识别与精准目标匹配。进一步，开发了基于Mean Shift聚类算法的自动化去噪框架，专注于对采集的位移数据进行深度处理与分析，确保挠度平均值计算的准确度。本发明相较于传统的接触式监测手段，能够有效实施对大跨钢结构多个关键节点的非接触式挠度监测，能够安全、快速、准确的监测大跨钢结构施工过程或运营阶段中的挠度变化，为结构安全评估提供了坚实的数据基础。