Documentos de Académico
Documentos de Profesional
Documentos de Cultura
visual vibrometría
La estimación de las propiedades del material es importante para la comprensión escena, con muchas aplicaciones en la visión, robótica e
ingeniería estructural. En este capítulo se conecta fundamentos de la mecánica de vibración con técnicas de visión artificial con el fin de inferir las
propiedades del material de movimiento pequeño, a menudo imperceptible en vídeo. Objetos tienden a vibrar en un conjunto de modos preferidos.
Las frecuencias de estos modos dependen de las propiedades de estructura y materiales de un objeto. Se demuestra que mediante la extracción de
estas frecuencias de vídeo de un objeto vibrante, a menudo podemos hacer inferencias acerca de las propiedades del material de ese objeto.
Demostramos nuestro enfoque mediante la estimación de las propiedades del material para una variedad de objetos mediante la observación de su
5.1 Introducción
La comprensión de una escena implica algo más que el reconocimiento de categorías de objeto o forma 3D. Las propiedades del material como la
densidad, STI y siguientes Ness, y la amortiguación puede jugar un papel importante en las aplicaciones que comprenden la evaluación o que
interactúan con el mundo. En el campo de ensayos no destructivos (NDT), estas propiedades son a menudo se recuperaron mediante el análisis de las
vibraciones de un objeto. Típicamente, estas vibraciones se miden con sensores de contacto o caro vibrómetros de láser, que limitan el muestreo a sólo
un pequeño número de puntos discretos en la superficie de un objeto. Nosotros proponemos un enfoque alternativo para el análisis de vibraciones que
en su lugar utiliza cámaras para medir vibraciones y hacer inferencias acerca de las propiedades físicas subyacentes del objeto.
Objetos tienden a vibrar en un conjunto de modos preferidos. Estas vibraciones se producen en la mayoría de los materiales, pero a menudo
ocurren a escalas y frecuencias fuera del rango de la percepción visual humana. Campanas, por
La mayor parte de este capítulo fue publicado originalmente en nuestro documento [22] en colaboración con Katherine
L. Bouman, Justin G. Chen, Michael Rubinstein, Fr'edo Durand, y William T. Freeman. (URL)
69
CAPÍTULO 5. vibrometría VISUAL
0.22
tela colgando
0.2
0.18
0.16
Poder
0.14
0.12
0.1
Pana Poliéster exterior Tapicería
0.08
Frecuencia (Hz)
Latón 16
Barra
15
El aumento de la elasticidad
Relación de densidad
14
Cobre
13
Poder
Altavoz
12
Aluminio
11
9 10
Acero 8
4 5 6 7 8
Frecuencia (Hz)
(A) Diagrama de configuración (B) de la muestra de tejidos y Rods ordenadas y codificadas por color por Material Properties seda (C) extrajeron Motion Spectra
Figura 5-1: Se presenta un método para la estimación de las propiedades del material de un objeto mediante el examen de pequeños movimientos en
video. (A) Registramos video de telas Erent di ff y se sujetan las varillas expuestas a fuerzas pequeñas como las corrientes de aire naturales o de sonido
en una habitación. (B) mostramos telas (arriba) un código de colores y ordenado por peso por área, y las varillas (abajo) ordenados de manera similar por
su relación de módulo elástico a la densidad. (C) las señales de movimiento local se extraen de vídeos capturados y se utilizan para calcular un espectro
de potencia temporal para cada objeto. Estos espectros de movimiento contienen información que es predictivo de las propiedades del material de cada
objeto. Por ejemplo, observar las tendencias en los espectros para las telas y varillas medida que aumentan de peso por área y elasticidad / densidad,
resp (azul a rojo). Mediante el examen de estos espectros, podemos hacer inferencias acerca de las propiedades del material de los objetos.
ejemplo, vibrar a frecuencias audibles distintas cuando se golpea. No podemos por lo general vemos estas vibraciones debido a sus amplitudes son
demasiado pequeños y sus frecuencias son demasiado altos - pero los oímos. Intuitivamente sabemos que las grandes campanas tienden a sonar
más profunda que las pequeñas, o que una campana de madera sonará silenciado en comparación con una hecha de plata. Esto se debe a los
modos de vibración de un objeto son estrechamente y predecible relacionados con sus propiedades del material. Mostramos cómo esta conexión se
puede utilizar para aprender acerca de las propiedades del material de un objeto mediante el análisis de sus vibraciones en vídeo.
En este capítulo primero revisar la teoría establecida sobre las vibraciones modales, y conectamos esta teoría a las características que se
pueden extraer de vídeo. Nuestras características proporcionan una combinación ambigua de información estructural y el material que se puede
utilizar directamente para hacer mediciones relativas, o en combinación con información adicional para hacer mediciones absolutas. Presentamos
tres experiements que muestran cómo estas características se pueden utilizar para estimar las propiedades estructurales o material dado alguna
información previa sobre un objeto. El primer experimento, utilizando un conjunto de varillas sujetadas, está diseñado para parecerse aplicaciones
típicas de ingeniería, y muestra cómo nuestras características se pueden utilizar para resolver las propiedades del material en situaciones en las
que la geometría se puede medir con precisión. Nuestro segundo experimento, utilizando un conjunto de telas colgantes, explora la idea de aprendizaje
la relación entre nuestras características y propiedades de los materiales cuando los objetos se producen de forma natural con geometría similar - lo
que demuestra el potencial de los enfoques basados en datos de éxito a la estimación material. Finalmente, nuestro tercer experimento, utilizando
un conjunto de vasos de vino, es una simple demostración de cómo nuestra técnica se puede utilizar para estimar propiedades relativas incluso sin
una previa en la geometría mediante la comparación de la resonancia de objetos dentro de un grupo o de un solo objeto más de hora.
- 70 -
CAPÍTULO 5. vibrometría VISUAL
En este capítulo se conecta trabajos relacionados con la visión por ordenador, gráficos, y la ingeniería civil a través de la teoría común y utiliza
El análisis de vibración es una herramienta establecida utilizado en una variedad de disciplinas de ingeniería. Especialmente
relacionados con este capítulo es el trabajo en el campo de los ensayos no destructivos, donde las técnicas basadas en la ecografía
son comunes. Sin embargo, estas técnicas a menudo requieren contacto directo con el objeto de medición [66]. medición de
vibraciones sin contacto se logra generalmente con un vibrómetro de láser Doppler, que calcula la velocidad de una superficie mediante
la medición del desplazamiento Doppler de una reflejada rayo láser [28]. vibrómetros de láser se han utilizado para pinturas no
destructiva examinar valiosos [12, 19], detectar minas terrestres [36, 2], fruta de ensayo [62], encontramos defectos en materiales
compuestos [11, 14, 29], e incluso vibración prueba modos de pequeñas estructuras [69]. Sin embargo, vibrómetros de láser son
activos en la naturaleza y generalmente sólo miden la vibración de un solo punto de la superficie.
El trabajo previo en la visión por ordenador se ha centrado en la estimación de las propiedades del material a partir de imágenes estáticas [65, 49, 39, 32]. Por
el contrario, nuestro objetivo es utilizar el vídeo con el fin de estimar las propiedades del material que caracterizan el movimiento de un objeto.
Una serie de obras en la visión y los gráficos se han utilizado para estimar las propiedades de la tela, que también hacemos en
este capítulo. Principios de los enfoques trabajado por fi tting los parámetros de los modelos de tela especí fi cas a de vídeo y la
profundidad de la información [5, 45]. Bouman et al. [7] adoptado un enfoque de aprendizaje que les permitió estimar las propiedades
del material a partir de un video de la tela se mueve bajo la fuerza del viento. Al igual que con nuestros experimentos en la Sección 5.5,
estiman las propiedades del material directamente de las estadísticas de vídeo utilizando una estrategia de regresión. Su trabajo
encontró la autocorrelación local de los de flujo óptico para ser especialmente predictiva de peso y STI Ness ff área de un tejido, lo que
sugiere una posible conexión entre propiedades del material y el espectro de movimiento de un objeto en video.
5.3 Método
Nuestra tarea es estimar las propiedades materiales de los objetos que utilizan los espectros de movimiento descrito en la Sección 3.4 del
Capítulo 3. Nuestro método tiene tres componentes que varían en función del objeto que está siendo observado.
- 71 -
CAPÍTULO 5. vibrometría VISUAL
5.3.1 excitación
Un objeto debe moverse con el fin para nosotros observar sus modos de vibración. Algunos objetos muy deformables, como colgar la tela, pueden
moverse lo suficiente con las corrientes de aire naturales de ninguna fuerza adicionales que sean necesarias. Para los objetos más rígidos, como
vasos de vino o varillas de metal, utilizamos sonido para inducir movimiento. La excitación debería ser suficiente para crear una señal de movimiento
recuperable fuerte, y debe contener la energía en cada uno de los objetos de frecuencias de resonancia. Sound se ha usado para este propósito
Para estimar las frecuencias de resonancia de un objeto que necesitamos para grabar a una alta tasa de fotogramas suficiente para colocar estas
frecuencias por debajo del límite de Nyquist. También hay que garantizar que las capturas de vídeos suficientes períodos en cada frecuencia a modo su fi
cientemente localizar los puntos correspondientes en el dominio de Fourier. Para los objetos con altas frecuencias de resonancia esto se puede lograr con
clips cortos de vídeo de alta velocidad. Los objetos con bajas frecuencias de resonancia (como colgando tejido) pueden ser capturados con más tiempo de
5.3.3 Inferencia
El espectro de movimiento de un objeto nos proporciona una combinación ambigua de información estructural y material. En algunos casos, esta combinación es directamente útil
(por ejemplo, sintonizar un instrumento o la identificación de una fuente de ruido no deseado). En otros, se ofrece restricciones a partir del cual podemos inferir más propiedades
específicas. Esta inferencia depende del tipo de información disponible y las propiedades que se infiere. Exploramos estrategias y siguientes tres Erent di en este capítulo, cada uno
con fortalezas Erent di ff y debilidades. La estrategia primera es utilizar la geometría medido o conocido para estimar directamente las propiedades del material. Esta estrategia
puede ser muy preciso, pero requiere medición adicional (por lo general a través de algunos medios distintos de vídeo). La segunda estrategia alivia la necesidad de la medición
cuidadosa por el aprendizaje de la relación entre los espectros y materiales propiedades de movimiento recuperado de datos de entrenamiento. Este enfoque es conveniente, pero
depende de la disponibilidad y precisión de un previo aprendido. Por último, la tercera estrategia es la de soslayar la necesidad de cualquier antes en la geometría simplemente
comparando los espectros para detectar cambios en el tiempo o variaciones dentro de un grupo objetos. Esta estrategia es simple, y un enfoque prometedor para aplicaciones en la
vigilancia de la salud estructural, donde cualquier cambio significativo en la resonancia puede indicar un problema, y los espectros de referencia de frecuencia están disponibles. la
tercera estrategia es la de soslayar la necesidad de cualquier antes en la geometría simplemente comparando los espectros para detectar cambios en el tiempo o variaciones dentro
de un grupo objetos. Esta estrategia es simple, y un enfoque prometedor para aplicaciones en la vigilancia de la salud estructural, donde cualquier cambio significativo en la
resonancia puede indicar un problema, y los espectros de referencia de frecuencia están disponibles. la tercera estrategia es la de soslayar la necesidad de cualquier antes en la
geometría simplemente comparando los espectros para detectar cambios en el tiempo o variaciones dentro de un grupo objetos. Esta estrategia es simple, y un enfoque prometedor
para aplicaciones en la vigilancia de la salud estructural, donde cualquier cambio significativo en la resonancia puede indicar un problema, y los espectros de referencia de frecuencia están disponibles.
Varillas
En nuestro primer conjunto de experimentos fi calculamos las propiedades del material o geometría de varias barras mediante la extracción de
sus frecuencias de resonancia de vídeo. La geometría simple de una varilla sujeta hace que sea fácil de resolver para los modos de vibración
analíticamente como una función de longitud, diámetro, densidad, y un módulo elástico. Mientras que la longitud, diámetro y densidad pueden
medirse con una regla simple y escala, el módulo elástico se mide generalmente con una prueba de tracción, lo que requiere un equipo caro
- 72 -
CAPÍTULO 5. vibrometría VISUAL
y por lo general daña el objeto que está siendo probado. En estos experimentos Primero se muestra cómo este módulo elástico en su lugar se puede
medir con un altavoz y una cámara de alta velocidad. Así como nuestro espectros recuperado se puede utilizar para resolver propiedades de los
materiales desconocidos (es decir elastisity) dados geometría conocida, también muestran que se pueden utilizar para resolver geometría desconocido
dado conocidas propiedades del material. Este segundo caso se podría utilizar para resolver una ambigüedad de escala cuando un objeto filmada está
Preparar
Barra
acero, aluminio, cobre, latón y - nos Fi varillas hechas de cuatro
las barras, así como abedul y fibra de vidrio fi varillas con las
Excitación
La señal de excitación debe ser de amplio espectro para asegurar que múltiples modos de varilla se activan. En [15, 16], esto se consigue
golpear el haz con un martillo. Para evitar daños a la varilla, que en lugar de utilizar sonido - especıficamente, una rampa lineal de frecuencias
de 15 Hz a 2250 Hz reproduce a través del altavoz en cada varilla. Encontramos que los modos en frecuencias inferiores a 15 Hz todavía
fueron activadas por esta señal, posiblemente debido a la presencia de algunos componentes de la señal por debajo de 15 Hz y la
Captura de video
Varillas fueron filmada con una cámara de alta velocidad Phantom. Dadas las longitudes y espesores de nuestras barras, una estimación conservadora de las
propiedades del material puso el cuarto modo de cada varilla muy por debajo de 1250 Hz. Nos filmada a 2500 fps para garantizar una velocidad de muestreo lo
suficientemente alto como para recuperar este modo para cada barra.
Las vibraciones de las barras sujetadas están bien estudiados [64]. frecuencia fundamental de una varilla ω 1 ( correspondiente a su modo de primer fi) está
√
Eρ
ω 1 = 0.1399 re (5,1)
L2
- 73 -
CAPÍTULO 5. vibrometría VISUAL
Espectro recuperado:
En primer modo
15 En tercer modo
Modo
segundo Modo
14
Formas:
Poder
13
i
sa m
un
12
hG
PA
cuarto Modo Magnitud
11
9 10
8
0 50 100 150 200 250
Figura 5-3: Encontrar los modos de vibración de una barra de latón de apriete: (izquierda) Recuperamos un espectro de movimiento de vídeo 2,5
kHz de un 22 pulgadas sujeta varilla de aluminio. frecuencias de resonancia están etiquetados. Para distinguir las frecuencias de resonancia de otros
picos en el espectro, buscamos energía a frecuencias con relaciones derivadas de la geometría conocida de la varilla. (Media) Un marco de la
muestra desde el 80 × 2016 píxeles de vídeo de entrada. (Derecha) visualizaciones de los primeros cuatro formas de los modos recuperados se
muestran junto a las formas correspondientes predichos por la teoría.
dónde re es el diámetro de la varilla, L es su longitud, ρ es su densidad y mi es el módulo de su Young (elasticidad de medición). Teniendo en
√
Eρa continuación, puede
cuenta la longitud y la anchura de una barra, la tarea de estimar ser
reducido a hallazgo su frecuencia fundamental. En condiciones ideales esto equivaldría a hallazgo del pico más grande en el espectro de movimiento de
la varilla. Sin embargo, los espectros reales tienden a contener también los picos en las frecuencias no modales (véase la figura 5-3). Para distinguirlos
de las frecuencias de resonancia de la varilla Recordemos del capítulo 3 que los cambios en las propiedades del material solamente escalar las
frecuencias modales - dejando constante sus relaciones. En barras sujetadas, las proporciones para los primeros cuatro frecuencias de resonancia se
ω i = η yo ω 1,
donde de nuevo ω yo es la frecuencia de resonancia para el yo Modo XX. Para distinguir frecuencias modales de otros picos, buscamos energía
en los espectros recuperado que se produce en las relaciones dadas por la Ecuación
5.2. Suponemos que la probabilidad de un modo de varilla a una frecuencia dada es proporcional a la potencia a esa frecuencia. Dado
el espectro recuperado S, entonces tenemos:
Π
P (ω = ω 1 | S) α 4 S (ωη yo). (5,3)
i=1
Utilizando la ecuación 5.3, podemos hallar la frecuencia fundamental más probable es que el uso de un esquema de votación simple. En la práctica, ya que
nos movemos en el dominio de Fourier discreta, conseguimos una mayor precisión en el fundamental mediante el uso de las relaciones de la ecuación 5.2
Como se discutió en el Capítulo 3, la amortiguación de un modo aparece en función de transferencia de un objeto como la convolución con una
distribución de Lorentz que depende de la razón de amortiguamiento ξ. Para hallar ξ, que encajan una distribución de Lorentz en torno a los modos
- 74 -
CAPÍTULO 5. vibrometría VISUAL
10.8
Lorentz Fit Movimiento
10.6
espectro máximo
10.4 estimado
10.2
10
Poder
9.8
9.6
9.4
9.2
8.8 9
158 160 162 164 166 168 170 172 174 176
Frecuencia (Hz)
Figura 5-4: Nuestro interfaz de selección de amortiguación, inspirado por el estándar proceedure se define en [3], presenta a
los usuarios con una vista de los espectros de movimiento recuperado alrededor de una frecuencia varilla predicho y les
pide que haga clic y arrastre sobre la región de pico. Una de Lorentz es fi cio a la región seleccionada y presentada para
que el usuario evalúe.
estas distribuciones utilizando un rango fijo fi de frecuencias alrededor de los modos fi cados produce pobres fi ts, como valores de
amortiguación di ff Erent un ff ect di ff rangos Erent de frecuencias. Nos dirigimos esto usando una estrategia de selección manual, inspirado por
los procedimientos establecidos por la ASTM para medir el material de amortiguación o factor de pérdida en los materiales [3]. Nuestra interfaz
de selección es similar a la utilizada para la selección del modo en [23], donde los usuarios se presentan con el espectro de movimiento de un
vídeo y se les pidió que hacer clic en los picos. Sin embargo, nuestro proceso de selección utiliza las frecuencias predichas con nuestro sistema
de votación como una estimación inicial, hacer zoom sobre cada frecuencia predicha uno a la vez. Los usuarios se les pide que seleccione el
rango de frecuencias entre el pico de resonancia y el ruido solado usando su ratón. A Lorentz se fi inmediatamente t para la región seleccionada
mediante mínimos cuadrados no lineales, y presentado para el usuario para evaluar (Figura 5-4). Si el fi cio se ve bien, el usuario procede al
siguiente modo. Si el fi cio no se ve bien, presionan un botón para indicar que la amortiguación del modo correspondiente no se puede estimar
con precisión, el resultado a menudo causada por el modo de enmascaramiento. Uno de los parámetros de la distribución de Lorentz es la
anchura total a la mitad del máximo Δ ω, que puede ser utilizado para calcular el amortiguamiento modal relación como ξ i = Δ ω
2 ω di.
5.4.3 resultados
El módulo de Young
Bajo fijada pero geometría desconocido, las frecuencias fundamentales recuperados proporcionan un valor proporcional a √ E / ρ. De
esto podemos usar la ecuación 5.1 con longitudes y densidades medidos por una escala y la cinta de medición para calcular el módulo
- 75 -
CAPÍTULO 5. vibrometría VISUAL
3.5 × 107 25
2,5 3 20
0.5 1 10
0.5 1 1.5 2 2.5 3 3.5 10 15 20 25
La realidad del terreno de Rod Elasticidad × 107 La realidad del terreno Longitud de varilla
(A) Elastisity Estimación (fuerza por pulgada al (B) Longitud de estimación (pulgadas)
cuadrado)
Figura 5-5: Estimar el módulo elástico y la longitud de las barras sujetadas: (a) módulos de Young (fuerza por pulgada al cuadrado)
informado por el fabricante representa frente a valores estimados usando nuestra técnica. Los valores estimados están cerca de los
reportados por el fabricante, con las mayores discrepancias sucediendo en 15 varillas pulgadas hechas de aluminio y acero. (B) la
longitud (pulgadas) de cada varilla medidos a la base de la abrazadera representaron frente a valores estimados usando nuestra
técnica.
módulos (en fuerza por pulgada cuadrada) reportados por el fabricante contra los valores estimados utilizando nuestra técnica. errores por
Longitud
Al masajear la Ecuación 5.1, vemos que la longitud de una barra puede ser estimada como una función de la frecuencia fundamental,
√√√√ 0.1399 dη yo
√
Eρ
L= (5,4)
ω yo
que podemos utilizar para estimar la longitud dada nuestras frecuencias resonantes observados y el módulo de Young reportado por el
fabricante. Figura 5-5b muestra un gráfico de la longitud medida (en pulgadas) de cada varilla veruses el valor estimado en esta casa.
Error
Las barras de error en la figura 5-5 se calculan para el módulo y la longitud de la estimación de cada joven mediante la propagación de límites
de error para cada variable medida. Error de propagación se realizó suponiendo variables independientes [47]. Dada una función F (a, b, c,
√ ( ∂F
) 2 σ2 ( ∂B ∂F) 2 σ2 ( ∂c ∂F ) 2 σ2
σF= a+ b+ c + ... (5,5)
∂A
estimaciones módulo de Young se calcularon mediante la propagación de error de longitud, diámetro y densidad. longitud estimaciones se
- 76 -
CAPÍTULO 5. vibrometría VISUAL
RELAClONADAS errores de estimación de longitud son más pequeñas de lo esperado debido a la falta de tolerancias en los valores reportados módulo de
Young. Consulte el Apéndice para obtener más información sobre la aproximación de error.
Para cada varilla, podemos verificar adicionalmente modos recuperados mediante la visualización de las formas recuperadas que corresponden a
frecuencias de resonancia estimados (véase la figura 5-3). formas de los modos son a veces enmascarados por vibraciones de otras partes de la
configuración experimental - por ejemplo, vibraciones de la cámara o la frecuencia de las luces accionados por corriente AC. Sin embargo, es poco probable
que una mayoría de frecuencias de resonancia será enmascarado en cualquier sola varilla única. En la práctica vemos las formas previstas de múltiples
modos en los datos recuperados para cada varilla. Las 48 formas de modo recuperados en nuestros experimentos se pueden encontrar en el material
Mojadura
Material de propiedades de amortiguación no están tan bien caracterizado como otras propiedades mecánicas, tales como el módulo de Young para STI
Ness ff. Esto es, en parte, porque es muy dif'ıcil para el control de las fuentes externas de amortiguación. Además, la amortiguación se puede variar a
través de los modos di ff Erent de un sistema dado. Como resultado, los fabricantes no hacen típicamente presentan tasas de amortiguación. Sin embargo,
se aceptan algunas tendencias generales para materiales Erent di ff. Por ejemplo, los metales tienden a tener material muy bajo de amortiguación de
caucho en comparación. Además de nuestras barras de metal, para el que el fabricante informó módulos de Young, también obtuvimos una varilla de
madera (abedul). Mientras que los valores de propiedad de material para la madera son muy variables (probablemente la razón fue proporcionado módulo
no de Young), la madera es generalmente aceptado tener amortiguación más alta que la mayoría de los metales, y estudios cuantitativos de di ff Erent
sistemas de vibración (por ejemplo [20]) han apoyado esta afirmación. La figura 5-6 muestra nuestras estimaciones de amortiguación de di ff modos de
varilla Erent como función de la frecuencia (amortiguación se evaluó en cada modo de varilla desenmascarado). Como era de esperar, vemos que la varilla
Discusión
Nuestros módulos estimados son cerca de, pero constantemente bajo, los valores reportados (Figura 5-5a y Tabla 5.1). Una posible explicación
de esto es una estimación incorrecta de la abrazadera donde agarró cada varilla en nuestra configuración. Del mismo modo, la Figura 5-5b y la
Tabla 5.2 muestran que las estimaciones de la longitud están cerca, y se correlacionó con, pero consistentemente más largo que nuestros
valores medidos - lo que podría explicarse por la misma fuente de error de medición.
Nuestros resultados muestran que nuestro amortiguación varilla de madera tiene una amortiguación consistentemente más alta que las varillas de metal,
que se esperaba teniendo en cuenta sus erences ff material de di. Sin embargo, las proporciones de amortiguación relativas de nuestras barras de metal son
menos consistentes a través de los modos Erent di ff. Estos resultados sugieren que somos capaces de distinguir entre materiales con fi cativamente los niveles
de di ff Erent significantes de amortiguación (como el metal y la madera), aunque serían necesarios experimentos adicionales para entender mejor lo bien que nos
distinguimos de amortiguación entre los materiales más similares (por ejemplo, entre los metales di ff Erent) .
módulo y la longitud de los resultados de nuestro joven sugieren tanto una fuerza y debilidad de un enfoque que pares recuperaron espectros
de movimiento con una cuidadosa medición para la inferencia - alta precisión que es muy sensible a modelado preciso de la estructura que está
- 77 -
CAPÍTULO 5. vibrometría VISUAL
Tabla 5.1: errores por ciento en estimar el módulo de Young (fuerza por pulgada al cuadrado) para cada varilla.
Tabla 5.2: errores por ciento en la estimación de la longitud (pulgadas) para cada varilla.
este problema en lugar de intentar aprender la relación entre las propiedades del material y las frecuencias resonantes.
desconocida: Telas
La inferencia se describe en la Sección 5.4.1 se basa en conocimiento de las relaciones entre las frecuencias resonantes,
η yo. Estas relaciones son simples para derivar en barras sujetadas, pero pueden ser prohibitivamente dif'ıcil para calcular en estructuras
más generales. Como resultado, muchas aplicaciones de vibrometría se limitan a geometrías simples que se pueden medir con
precisión (como es el caso con las barras) o estructuras artificiales (aviones, edificios, coches, etc.) con frecuencias de resonancia que
se pueden derivar de CAD detallada modelos a través de análisis FEM. La ubicuidad y la naturaleza pasiva de vídeo o ff ers el
potencial para hacer frente a esta limitación proporcionando su fi cientes datos para conocer las relaciones entre los espectros de
movimiento y las propiedades del material de los objetos. En esta sección, exploramos ese potencial mediante el uso de un enfoque de
aprendizaje para estimar las propiedades del material de prendas colgadas de vídeo. Se demuestra que nuestra técnica supera a un
método de estimación de la propiedad de la tela basado en video anterior,
Existe un número de métricas para describir las propiedades del material de las telas. Estas propiedades se pueden medir usando configuraciones
tales como el sistema de Kawabata [46, 78]. En la obra de Bouman, et al. [7], se recogieron un conjunto de datos de 30 telas junto con las mediciones
de terreno la verdad de STI Ness ff y peso zona. Extendemos este conjunto de datos para predecir las propiedades del material de los vídeos que
muestran pequeños movimientos que a menudo son invisibles a simple vista, en contraste con [7] que se basaba en movimientos mucho más grandes
Preparar
Cada muestra de tejido de [7] (ancho 43,5 a 44,5 pulgadas de diámetro) fue cubierto de manera suelta sobre una barra y se cuelgan una longitud de 29,25 a
32,25 pulgadas desde la parte superior de la barra. Observe que aunque la geometría se mantuvo relativamente constante, estas mediciones varían en gran
- 78 -
CAPÍTULO 5. vibrometría VISUAL
-4
-8
-9
0 50 100 150 200 250 300
Frecuencia (Hz)
Figura 5-6: El coeficiente de amortiguamiento estimada a partir de los espectros de movimiento recuperada para cada fi automáticamente identificado frecuencia de
resonancia. Mientras reportados relaciones de amortiguamiento para los materiales Erent di ff varían mucho, se reconocen las tendencias generales. Nuestra varilla
recuperado de amortiguación relaciones de mostrar tendencias de mayor amortiguación reconocido en la madera que en metales [20], y una mayor amortiguación en
Altavoz
18,5 en
53.25 en
53,0 en
(A) Diagrama de instalación (b) Configuración de la imagen (c) Cámara Point Grey (D) de la cámara Canon SLR 6D
(Escala de grises)
Figura 5-7: Videos fueron grabados del tejido en movimiento a partir de (c) una cámara en escala de grises Point Grey (800 × 600
píxeles de resolución) a 60 fps y (d) una cámara RGB réflex (Canon 6D, 1920 × Una resolución de 1080 píxeles) a 30 fps. El diseño
experimental (a, b) consistió en las dos cámaras de observación de la tela de di puntos ff Erent de vista.
Excitación
Fuerzas ambiente: Incluso sin una fuerza de excitación aplicada explícita, la tela que cuelga es casi siempre en movimiento. fuerzas ambientales, tales
como las corrientes de aire en la habitación o pequeñas vibraciones en el edificio inducen pequeños movimientos en tela. Figura 5-8a muestra una rebanada
Sonar : Como alternativa, también a prueba de sonido como fuente de excitación. Sound se utiliza para proporcionar una pequeña y controlada
“patada” a la tela colgante. Nos emocionados cada tejido con una de un segundo, rampa de frecuencia logarítmica de 15 a 100 Hz. Figura 5-8b
Captura de video
telas colgantes tienden a tener modos de vibración dominante a frecuencias relativamente bajas. Por esta razón, podemos utilizar cámaras
estándar, comerciales que operan a una tasa de fotogramas mucho más bajos que los requeridos para el análisis de varillas. Cada combinación de
- 79 -
CAPÍTULO 5. vibrometría VISUAL
Espacio•
Hora•
Espacio•
Hora•
(A) Loca) sobre la rebanada de vídeo de marco• • (C) ACOUS) c Wave (de sonido) Excita) en•
Figura 5-8: Se registraron los vídeos de tela excitada por dos tipos di ff Erent de fuerza. Aquí vemos el espacio × segmentos de tiempo de Long
videos de un minuto de un tejido de responder fuerzas ambientales (B) y de sonido (c). El movimiento es especialmente sutil en (b), pero todavía
codifica la información predictiva acerca de las propiedades del material de la tela.
cámaras: una cámara RGB réflex (Canon 6D, 1920 × Resolución 1080 píxeles) a 30 fps y una cámara de punto gris en escala de grises (800 × 600
píxeles de resolución) a 60 fps. Las cámaras registran puntos de vista di ff Erent (ver Figura 5-7), que utilizamos para probar la invariancia de
nuestros modelos de formación a los cambios en perspectiva. Cada video es de aproximadamente un minuto de largo y se puede encontrar, junto
con las mediciones de tejido correspondientes (anchura y altura), en nuestra página web del proyecto.
Extracción de características
Debido a su relativamente alta amortiguación, los espectros de movimiento de la tela no contienen los mismos limpias, picos estrechos vistos en varillas.
Amortiguación hace que el ancho de banda de frecuencias de resonancia en torno a superponen, por lo que es dif'ıcil para identificar los modos individuales
(véase la Figura 5-1). Como resultado, las estrategias de inferencia que utilizamos para las barras no trabajarán. Sin embargo, la distribución de energía en el
espectro de movimiento es todavía predictivo de las propiedades del material de la tela. Por ejemplo, tenga en cuenta la forma en la figura 5-1 la ubicación de la
banda de resonancia de una tela se desplaza hacia la derecha con el aumento de peso por área. Nuestro enfoque consiste en utilizar los espectros de
movimiento directamente como características, y aprender un modelo de regresión que correlaciona estas características a las propiedades del material.
Como vectores de características que elegimos N = 150 muestras uniformes de los espectros de movimiento normalizada de 0 a 15 Hz. Para reducir
el e ff ect de ruido, que suavizar los espectros de movimiento recuperada utilizando una gaussiana con desviación estándar
15 2 ( norte - 1) Hz.
Inferencia
Aprendemos modelos de regresión que se asignan los espectros de movimiento para el registro de la realidad del suelo ITS ff ness o mediciones de peso por
superficie contemplados en [7]. Los modelos están fi t en el registro de las mediciones con el fin de comparar directamente con los resultados presentados en [7].
Montaje de un modelo de regresión directamente a los resultados de los espectros de movimiento procesados en más de fi tting. En lugar de ello, hemos
- 80 -
CAPÍTULO 5. vibrometría VISUAL
que reducir la dimensionalidad de los datos: regresión de componentes principales (PCR) y Mínimos Cuadrados Parciales de regresión
(PLSR). Ambos métodos realizar comparable, lo que sugiere que el poder de nuestro algoritmo está en las características, los espectros de
movimiento recuperado, en lugar del modelo de regresión. En este capítulo, se muestran los resultados del modelo PLSR entrenado.
Validación cruzada
Debido al pequeño número de telas en el conjunto de datos, se utiliza una combinación de uno Dejar método para la formación y las pruebas.
Precisamente, todos los datos correspondientes a un tejido se eliminan de la formación de los parámetros de regresión cuando la predicción de las
propiedades del material de que la tela. Utilizando este método, se estima el rendimiento de nuestro modelo en la predicción de las propiedades del
material de un tejido previamente no vista. El rendimiento se evaluó utilizando un número variable de componentes PLSR. A partir de esta
evaluación se optó por un número reducido de dimensiones PLSR, METRO, que es a la vez robusto y resulta en una alta precisión para las
propiedades materiales. Para obtener resultados presentados en este capítulo, se utilizó M = 2 y M = 5 para el modelo fuerza ambiente y modelo
Prueba de invariancia
Vimos en el capítulo 3 que nuestro espectro de potencia de movimiento debe ser invariante a cambios de punto de vista. Aquí ponemos a prueba
esta invariancia por la formación y las pruebas en los vídeos capturados bajo condiciones di ff Erent. En total tenemos cuatro condiciones para
tejidos: ambiente (A) y acústica (S) excitaciones, cada capturaron a partir de dos puntos de vista di ff Erent (el punto gris izquierda (L) y cámaras
SLR derecho (R)). Se utilizó la misma licencia-un-out estrategia de validación cuando se tomaron datos de entrenamiento y prueba de las
5.5.2 resultados
Nuestras estimaciones de las propiedades del material se correlacionan bien con el registro de las mediciones de terreno la verdad (véase Tabla 5.4). En
todos los casos, incluso cuando se prueba bajo condiciones con puntos de vista Erent di ff y fuerzas de excitación a partir de los datos de entrenamiento,
nuestras estimaciones superan a las mediciones de tejidos basados en vídeo anteriores [7] en la predicción de ambos STI ff Ness y peso por área.
Figura 5-10 contiene gráficos de correlación correspondientes a las condiciones que se presentan en la Tabla 5.4. Estas parcelas se comparan las
mediciones de nuestro algoritmo de predicción de STI Ness y siguientes y peso por área en el registro de las mediciones de terreno la verdad cuando los
modelos fueron entrenados y evaluados en los vídeos de telas excitados por fuerzas ambientales y ondas acústicas por separado.
Probamos la invariancia de espectros de movimiento extraído de un objeto a la excitación y el cambio punto de vista entrenando el modelo de
regresión en las características extraídas de una excitación combinación / punto de vista y las pruebas sobre las características extraídas de otra
combinación. Tabla 5.3 muestra que los resultados de la correlación a través de todas las combinaciones de datos de entrenamiento y de prueba son
comparables a la formación y las pruebas en el mismo punto de vista y de excitación. La figura 5-11 muestra visualmente nuestras estimaciones son
todavía altamente correlacionados con las mediciones de terreno la verdad cuando la formación y las pruebas se realizaron con cámaras di ff Erent,
- 81 -
CAPÍTULO 5. vibrometría VISUAL
AMBIENTE SONAR
METRO 2 5
0.8 1 0.8 1
correlación de Pearson
correlación de Pearson
0.6 0.6
0.4 0.4
0.2 0.2
RIGIDEZ
0 0
10 20 30 40 10 20 30 40
dimensionalidad dimensionalidad
0.8 1 0.8 1
correlación de Pearson
correlación de Pearson
0.6 0.6
0.4 0.4
ÁREA DE PESO
0.2 0.2
0 0
10 20 30 40 10 20 30 40
dimensionalidad dimensionalidad
Figura 5-9: El valor de correlación de Pearson entre los resultados predichos y la verdad suelo propiedades medidas cuando fi tting un
modelo con un número variable de componentes (dimensionalidad). El número de componentes, METRO, fue elegido para cada modelo que
resultó en una buena precisión para ambas propiedades de los materiales (STI ff Ness y peso por área). estos seleccionado METRO valores
son especi fi arriba y se indican en las parcelas como una línea roja vertical.
- 82 -
CAPÍTULO 5. vibrometría VISUAL
ARKANSAS
S / LR 0,88 - - 0.90 - -
S/L - 0,87 0,88 - 0,87 0,89
S/R - 0,86 0,87 - 0,88 0,88
ARKANSAS
S / LR 0,93 - - 0.96 - -
S/L - 0,92 0,93 - 0,96 0,96
S/R - 0,91 0,92 - 0,96 0,95
Tabla 5.3: El valor de correlación R Pearson obtenido cuando la formación y prueba de un modelo PLSR en vídeos capturados bajo excitación
Erent y de punto de vista condiciones di ff. La prueba y entrenamiento usando abeviations taquigrafía notación específica es de excitación / de punto
de vista para las cuatro condiciones posibles: excitación ambiente (A), la excitación acústica (S), a la izquierda punto de vista de la cámara (L) y
punto de vista de la cámara derecha (R). Los resultados son comparables a la formación y las pruebas en el mismo punto de vista, lo que sugiere
que nuestras características son algo invariante a la dirección en la que se observa el material. Tenga en cuenta que todas las combinaciones de
excitación y el punto de vista desempeñan mejor que los resultados reportados en [7].
- 83 -
CAPÍTULO 5. vibrometría VISUAL
Tabla 5.4: El valor de correlación de Pearson ( R), Error Porcentaje (%), y Kendall Tau ( τ) medidas de rendimiento para nuestro modelo
PLSR en comparación con el rendimiento de un método de estimación de la propiedad de la tela basado en video anterior [7]. El modelo fue
entrenado y probado por separado en videos de tela excitados por ondas acústicas (sonido) y las fuerzas de ambiente (ambiente).
La teoría en la Sección 3 describe una relación predecible entre las frecuencias resonantes y propiedades del material. Sin embargo, nuestro modelo
de regresión no tiene noción explícita de frecuencias de resonancia; simplemente busca patrones predictivos en los espectros de los datos de
entrenamiento. Mediante el análisis de la sensibilidad de nuestros modelos de regresión recuperados podemos ver qué frecuencias son más
predictivos de las propiedades del material en nuestros tejidos. A partir de los coeficientes de regresión estimados coe fi cientes ( β metro) y
√√√√ ( METRO
) 2
Σ
S= β metro mi metro (5,6)
m=1
Dado que el modelo de regresión para cada uno de nuestros tejidos se recupera usando la licencia-un-out validación cruzada, promediamos las
sensibilidades calculadas a través de modelos para obtener una única medida de la sensibilidad de cada propiedad material.
La Figura 9 muestra que las frecuencias en el rango de 0-5 Hz eran más predictivo de las propiedades del material en nuestros tejidos. Al
visualizar el patrón de movimiento de píxel relativa recuperado para una frecuencia específica, vemos que los modos de vibración dominante las
telas aparecen a menudo en este rango de frecuencia de 0-5 Hz (véase la figura 10). Esto sugiere que nuestros modelos utilizan la misma
relación entre frecuencias de resonancia y las propiedades del material predichas por análisis modal.
Hay muchos casos en que cambios en frecuencias de resonancia de un objeto pueden ser útiles incluso cuando las contribuciones de material
y la geometría se dejan ambigua. Por ejemplo, las frecuencias resonantes de un recipiente con fugas cambiarán con el tiempo como se vacía el
contenedor. En tal caso, la resonancia cambiar indica una fuga, independientemente de especificidad c propiedades estructurales o materiales.
Del mismo modo, un cambio en la resonancia de una estructura de soporte de carga puede requerir mucha atención, independientemente de si
el cambio es causada por debilitamiento del material o un cambio no visto en la geometría. Una ventaja de usar
- 84 -
CAPÍTULO 5. vibrometría VISUAL
-3.5
1.5 2
-4
AMBIENTE
-4.5
0.5 1
- 4.5 -4 - 3.5 -3 -2.5 1 1.5 2 2.5
Predicho Predicho
R = 0,90
R = 0,96
-2
Ingrese la realidad del terreno
2.5
-2.5
-3
-3.5
1.5 2
-4
SONAR
-4.5
0.5 1
- 4.5 -4 - 3.5 -3 - 2.5 -2 1 1.5 2 2.5
Predicho Predicho
Figura 5-10: Las comparaciones entre realidad del terreno y las predicciones del modelo PLSR sobre las propiedades del material estimados a
partir de los vídeos de la tela excitados por fuerzas ambientales y las ondas acústicas. Cada círculo representa en los gráficos de las propiedades
estimadas a partir de un solo vídeo. colores idénticos corresponden a la misma tela. El Pearson producto-momento de correlación Coe fi ciente
(R-valor) promediado en se muestra muestras de vídeo que contienen la misma tela.
- 85 -
CAPÍTULO 5. vibrometría VISUAL
Figura 5-11: Las características que utilizamos para estimar las propiedades del material son algo invariante a cambios en la fuerza de excitación y de
punto de vista. Aquí se muestra una comparación entre las propiedades del material del suelo de la verdad y las predicciones del modelo PLSR cuando se
utilizan modelos entrenados en Point Grey (punto de vista de la izquierda) videos de tela expuesta a las ondas acústicas, pero probamos en vídeos SLR
(derecha) del punto de vista de tela expuestos a fuerzas ambientales. Aunque las condiciones de formación y las pruebas son di ff Erent, todavía un buen
desempeño.
8 8
Sensibilidad
Sensibilidad
6 6
4 4
2 2
0 0
0 5 10 15 0 5 10 15
Frecuencia (Hz) Frecuencia (Hz)
Figura 5-12: La sensibilidad de cada modelo acústico entrenado para regiones de frecuencia en el espectro de movimiento. Estas parcelas de
sensibilidad sugieren que la energía en las frecuencias bajas es más predictivo de peso superficial de un tejido y Ness ITS y ss.
- 86 -
CAPÍTULO 5. vibrometría VISUAL
sa mi
un
PA
hG
0.60Hz vídeo Modo 1: 0.45Hz Magnitud
Figura 5-13: Una muestra de los patrones de movimiento recuperados para frecuencias predictivos identificados por los modelos de regresión. Estos
patrones de movimiento recuperados menudo se asemejan a formas modales de un tejido. Fase especí fi ca la dirección relativa de la señal de
movimiento. Píxeles que se mueven en direcciones opuestas se colorean con tonalidad desde lados opuestos de la rueda de color.
- 87 -
CAPÍTULO 5. vibrometría VISUAL
Preparar
(Alejado)
Fotograma de vídeo
-8
La izquierda (vacío)
-9,5
Potencia normalizada
-10
-10.5
400 450 500 550
-8
La izquierda (vacío)
Medio (Agua) Derecha
-8,5
(vacío)
428 Hz
Vaso
-9
-9,5
-10
-10.5
400 450 500 550
Frecuencia (Hz)
Figura 5-14: ( Izquierda) Tres vasos de vino se establecen sobre una mesa. Son filmada dos veces - una vez con los tres vacío y una vez con
medio vaso parcialmente llenada con agua (que se muestra a la izquierda). (Middle arriba) las gafas son ocluye parcialmente para que sus
contenidos no son visibles, y un altavoz cercano juega un chirp 15 segundos lineal de frecuencias que van desde 200 Hz a 800 Hz. (Medio más
abajo) los bordes de las gafas son filmado fi a 2,5 kHz. (Derecha) Las máscaras se utilizan para extraer los espectros de movimiento de cada
vidrio de cada vídeo por separado. (Derecha arriba) Cuando todos los vasos están vacíos, muestran picos de resonancia dentro de la gama de
500-530Hz. (Parte inferior derecha) cuando sólo el cristal intermedio se llena con agua, las frecuencias de resonancia de los vasos vacíos
permanecen sin cambios, mientras que el pico de resonancia del cristal que contiene los cambios de agua por 76Hz, a 428Hz.
- 88 -
CAPÍTULO 5. vibrometría VISUAL
resonancia en un escenario de este tipo es que el souce del problema, o cambio, no tiene que ser visible - desplazamiento de frecuencias a
las partes visibles del objeto puede revelar cambios ocultos o ocluidos. En esta sección mostramos un experimento simple, de forma
análoga al ejemplo de un recipiente con fugas, para demostrar cómo nuestra espectros movimiento recuperado podría ser usado para
El siguiente experimento demuestra que podemos inferir cuando una copa de vino está vacía o llena mediante la observación de las
vibraciones de su borde. Para que esto sea el caso, los cambios en las frecuencias resonantes resultantes de la adición de líquido a un vidrio
tienen que ser significativo en comparación con las variaciones naturales en el tiempo, o entre las copas. Comparamos los espectros de
movimiento extraídos a partir de dos vídeos y demostrar que la adición de agua da como resultado un desplazamiento de los picos de los
espectros. En el primer video, los tres vasos estaban vacíos. En el segundo, el cristal medio era llenada con agua.
5.6.1 Configuración
Tres vidrios de vino se colocaron en una tabla (Figura 5-14 izquierda) junto a un altavoz y parcialmente ocluidos de modo que sus
contenidos se ocultan de la vista (Figura 5-14 medio, parte superior). La parte superior de estas copas de vino se filmada para recuperar
las vibraciones causadas por un altavoz - una vez con los tres vasos vacíos y una vez con sólo el cristal central llenan aproximadamente 2
5.6.2 excitación
Jugamos un 15 segundo chirrido lineal de frecuencias que van desde 200 Hz a 800 Hz a través del altavoz.
17.3 segundos. El vídeo fue capturada con una resolución de 1248x153 píxeles (un marco de ejemplo se da en la figura 5-14 media, parte
inferior). Para evaluar el espectro de movimiento para cada vaso por separado, una máscara que segmenta un solo vaso de la trama de
vídeo se aplicó a la, espectros local de movimiento de píxel antes de promediar abajo a un solo espectro.
5.6.4 resultados
Figura 5-14 (derecha) muestra el espectro de movimiento recuperado de cada cristal en cada uno de los dos videos. En los espectros
recuperado del primer vídeo, vemos que los vasos vacíos tienen picos de resonancia dentro de 30 Hz de la otra. En los espectros
recuperado de la segunda video, vemos ningún cambio notable en las frecuencias de resonancia de los vasos vacíos, pero el agua se ha
- 89 -
CAPÍTULO 5. vibrometría VISUAL
vibromater con las mediciones de vídeo, centrándose en un análisis de dominio de tiempo. A continuación, se estudia erences ff di en la specra de
movimientos recuperados. Es natural para cada sensor para producir ligeramente di ff espectros Erent, ya que cada prueba una derivado Erent di ff
de la posición (el acelerómetro mide la aceleración, la velocidad medidas vibrómetro, y nuestras medidas método de posición). Sin embargo, nos
centramos específicamente en la comparación de las frecuencias de resonancia y amortiguación estimado en cada caso.
Spectra recuperó utilizando cada una de las tres técnicas puede verse en la figura 5-16. frecuencias de modo para cada uno de estos espectros se
detectaron como el máximo local alrededor de cada pico de resonancia, y se muestran en la Tabla 5.5. Como los tres sensores estaban grabando el
mismo objeto, se utilizó la misma gama de frecuencias para encajar de amortiguación alrededor de cada pico ( ± 3 Hz). Recuperado los valores de
Figura 5-16 muestra que la forma general de los espectros recuperado usando cada uno de los tres métodos es muy similar, aunque
algunos artefactos armónicos están presentes en los espectros recuperado usando nuestra técnica. La Tabla 5.5 muestra que los tres métodos
están de acuerdo en la ubicación de las frecuencias de resonancia a menos de errores de cuantificación. La Tabla 5.6 muestra que nuestro
método no está de acuerdo con el acelerómetro y el vibrómetro en dos de cada tres de los modos, con nuestro desacuerdo más fuerte en lo
fundamental, en nuestra estimación es aproximadamente 39% mayor. Esta cantidad de error es grande en relación con los erences di ff en
amortiguación relaciones para metales similares, pero pequeña en comparación con el di ff erences entre los metales y materiales como la
madera o de goma.
5.8 Discusión
Hemos demostrado que es posible aprender sobre las propiedades del material de los objetos visibles mediante el análisis sutiles, a menudo
imperceptibles, vibraciones en el vídeo. Esto se puede hacer de una manera activa mediante el registro
- 90 -
CAPÍTULO 5. vibrometría VISUAL
-2 0
Visual Vib.
-4
-6
-8
-10
0 20 40 60 80 100 120 140
Frecuencia (Hz)
-5 0
Vib láser.
-10
-15
0 20 40 60 80 100 120 140
Frecuencia (Hz)
-5 0
acelerómetro
-10
-15
0 20 40 60 80 100 120 140
Frecuencia (Hz)
Figura 5-16: Recuperado espectros movimiento de nuestro experimento haz usando vibrometría visual (parte superior), un vibrómetro de
láser (medio), y un acelerómetro (abajo).
Tabla 5.5: Recuperadas frecuencias de los modos de haz utilizando nuestra técnica, un vibrómetro de láser Doppler, y un acelerómetro. Todas las
frecuencias de modo acuerdan dentro del error de cuantificación de nuestro muestreo.
- 91 -
CAPÍTULO 5. vibrometría VISUAL
Tabla 5.6: relaciones de amortiguamiento calculan utilizando espectros derivados de los sensores ff Erent tres di. Cada coeficiente de amortiguamiento se
calculó por fi tting un Lorentzian a una región 6 Hz alrededor de cada frecuencia de modo de fi ed identi.
video de un objeto de responder al sonido, o, en algunos casos, incluso de forma pasiva mediante la observación de un objeto se mueva de forma natural
dentro de su entorno.
Los experimentos de varilla en la Sección 5.4 demuestran cómo nuestra técnica se puede utilizar como una alternativa de bajo costo para
Vibrómetros láser en entornos que son típicos para las piezas de prueba fabricado (aviones, automóviles, etc.). Nuestra técnica también O ff ers
una manera Asequibles y siguientes de aplicar los métodos establecidos de ingeniería estructural para aplicaciones que requieren más de
Los experimentos de tela en la Sección 5.5 abordan un área relativamente inexplorada de potencial de análisis de vibración. Mientras que
las aplicaciones tradicionales de vibrometría son a menudo limitadas por la necesidad de mediciones y análisis detallados de la geometría, la
ubicuidad y la naturaleza pasiva de vídeo o ff ers potencial único como una forma de permitir que los enfoques alternativos basados en datos.
Nuestros resultados en telas demuestran que la relación entre las propiedades del espectro de movimiento y materiales se puede aprender, y
sugiere que el análisis de vibración tradicional puede extenderse a aplicaciones en las que la geometría es desconocido y sólo controlada sin
apretar.
El experimento simple copa de vino en la sección Sección 5.6 pone de relieve un caso de uso que podrían ser aplicables a la vigilancia de
la salud estructural y control de calidad en la fabricación. En estos escenarios, precisas propiedades de la geometría y materiales no son
necesarios; comparando directamente los espectros de movimiento de los objetos similares, o de un objeto a través del tiempo, puede ser
Nuestros resultados sugieren que los espectros de movimiento que extraemos de vídeo puede ser características de gran alcance para la
comprensión escena. La teoría en el capítulo 3 sugiere que incluso cuando la geometría es ambigua, estos espectros limitan las propiedades físicas de
los objetos visibles. Estas limitaciones podrían ser útiles para muchas tareas en visión por ordenador - al igual que el color es a menudo útil a pesar de
ser un producto ambiguo de re fl reflectancia y la iluminación. Creemos que los espectros de movimiento de vídeo puede ser una herramienta poderosa
Nuestro trabajo o cámaras ff ers como una alternativa prometedora para el equipo especializado, basado en láser que se utiliza
- 92 -