斜拉索表觀檢測機器人的開發

季云峰，王曉菲

（1.同濟大學橋梁工程系，上海市 200092；2.寧波交投公路營運管理有限公司，浙江 寧波 315000）

0 引言

近三十年來，斜拉橋因其優美的外形、強大的跨越能力，逐步成為大跨徑橋梁中的最重要形式之一。斜拉索作為斜拉橋結構的關鍵部件，其在運營狀態下的可靠性是至關重要的。在長期環境因素下，斜拉索護套會出現不同程度的缺陷，比如老化、開裂、坑洞等，從而影響內部斜拉索鋼絲的耐久性甚至力學性能，給斜拉橋的安全運營帶來不利。因此，有必要對斜拉索進行定期的檢測，以確保橋梁的結構安全。

目前，斜拉索檢測技術主要分為表觀缺陷檢測與內部狀況檢測。表觀缺陷檢測主要通過檢測拉索護套表面的缺陷情況來推測拉索的受力性能。內部狀況檢測通常使用無損檢測技術，例如：射線法、磁通量法等。傳統拉索檢測包括：人工目測法、搭設支架法、卷揚機探傷法，以及吊籃檢測維護四類。這四種方法效率低，成本高，存在安全隱患，其結果也具有較大的主觀性，只能作為輔助檢測手段。現開發了能夠自動沿拉索爬升并完成斜拉索表觀檢測任務的智能檢測機器人。該機器人能夠很好地解決斜拉索表觀檢測中存在的主觀、效率、安全等局限性，促進了橋梁智能化檢測技術的發展。

1 研究現狀與發展趨勢

近年來，國內外在斜拉索表觀檢測機器人技術的開發上已經做了一定的探索，并累積了不少經驗，其中部分也已經應用到工程實例中，取得了一定的效果。

上海交通大學的Jun Luo 等[1]研發了可進行表觀檢測的爬索機器人，但該裝置自重較大，安裝繁瑣，速度較慢，效率較低。袁建明等[2]基于漏磁法開發了斜拉索檢測機器人，可對拉索的內部銹蝕、斷絲病害進行檢測，但其仍存在自重大，速度慢的問題。江蘇法爾勝公司[3]開發的爬索機器人，可在復雜的拉索表面運行，其結構簡單，運行穩定，已應用于實際工程。Xinke Li 等[4]開發了一種基于視覺檢測技術的拉索機器人，實現拉索表觀缺陷圖像的識別，但其構造較為復雜。

總的來說，斜拉索表觀檢測機器人的研究已經取得了一定的進展，其特征趨勢也向著輕型化、便捷安裝、行進快速、缺陷自動識別的方向發展。

2 斜拉索表觀檢測機器人的研究與開發

現以斜拉索表觀缺陷檢測為研究對象，開發了能夠自動沿拉索爬升并高質量完成斜拉索表觀檢測任務的智能檢測機器人，具備了自重輕、速度快、續航長、效率高、安全度高等主要優點，具有較大的工程實用價值。

2.1 總體設計

斜拉索表觀檢測機器人主要可分為驅動系統與圖像系統，同時包含了障礙檢測模塊，無線傳輸通信模塊等，如圖1 所示。

圖1 斜拉索表觀檢測機器人系統架構圖示

驅動系統具有較強的驅動能力，使機器人能克服自重在不同傾斜角度的斜拉索上自主爬升。同時，驅動系統能夠克服一定程度的拉索振動和表面雨水的影響。圖像系統的功能是穩定地采集斜拉索的表觀狀況，并對斜拉索表觀典型缺陷進行自動化識別。此外，為保證檢測機器人在實際運用中的正常運行，配備了障礙檢測系統、回收系統、里程定位系統、無線傳輸系統等，以提高裝置的實用性。

2.2 主要技術參數

該項目開發的斜拉索表觀檢測機器人具備了輕型化、便捷安裝和拆卸、行進速度快等特點。主要技術參數如下：（1）平臺尺寸：800 mm×260 mm×420 mm；（2）本體重量：12 kg；（3）負載能力：10 kg；（4）適用纜索斜度：0°～90°；（5）適用纜索直徑范圍：90～160 mm；（6）驅動方式：電機驅動；（7）最大爬升速度：18 m/min；（8）滿電量有效運行距離：≥1 000 m；（9）遙控器可控距離：≥1 000 m；（10）最大跨越障礙能力10 mm；（11）圖像最高分辨能力0.2 mm。

2.3 驅動系統

該裝置驅動系統采用前后雙輪驅動方式，2 個驅動輪和2 個輔助輪的設計可適應不同直徑和不同螺旋線分布的拉索檢測場景。相機支架采用碳纖維桿結構，重量輕、強度高。大面積可調遮光板能遮擋直射相機的光線，使相機成像較為清淅。機器人側面支架上增加導向輪，使機器人在斜拉索上運行時更不易跑偏，跑偏時也能保證正常爬行。同時，該系統將機器人平臺的重心放在索體下方，確保機器人運行的姿態穩定性。驅動系統的基本構造見圖2 所示。

圖2 驅動系統基本構造圖

2.4 圖像系統

圖像系統包括圖像采集系統和圖像處理系統。圖像采集系統由直流電源、數據處理單元、數據存儲單元、工業相機、遮光組件、輔助支架構成。整個圖像采集系統均布在拉索徑向表面，并且可根據拉索的直徑大小調整相機位置。圖像處理系統能夠自動存儲采集系統的照片，并對圖像進行缺陷的自動化識別。圖3 為圖像采集系統架構與圖像處理系統的軟件界面。

圖3 圖像采集與分析系統圖示

圖像處理系統中對于斜拉索表觀缺陷的識別包括以下幾個步驟：光照補償、異常提取、剔除護套邊緣、剔除護套螺旋線和缺陷提取。現分別對其介紹如下。

2.4.1 光照補償

圖像處理中的光照補償方式是直方圖均衡法。通過改變所采集圖像的直方圖來改變圖像中各像素的灰度，增強動態范圍偏小的圖像的對比度，便于后續的處理。

2.4.2 異常提取

將光照補償后的圖像，通過高斯濾波、邊緣檢測，再進行圖像二值化處理得到異常區域。

首先，斜拉索表觀病害信息一般在圖像里都是高頻信息，采集到的圖像經過光照補償處理后仍存在一定的噪聲。這里采用高斯濾波器對于圖像先進行平滑處理。處理后的圖像就會過濾掉因采集原因帶來的高頻毛刺等干擾信息，并且保留因下拉索而缺陷的信息。

其次，用Sobel 算子對圖像進行邊緣檢測，提取斜拉索圖像特征區域。

最后，對邊緣檢測后圖像進行二值化處理。邊緣檢測結果表示灰度值低的邊緣信息弱、灰度值高的地方邊緣信息強。故需濾掉邊緣檢測出較弱的響應，從而提取出圖像的異常區域。

2.4.3 剔除護套邊緣

圖像處理系統在識別出異常區域后，采用Hough直線檢測算法來一步剔除護套兩側的邊緣線。

2.4.4 剔除護套螺旋線

斜拉索表觀異常區域中包含了表面正常的、防風雨振的螺旋線信息，處理系統采用模板匹配算法來剔除上述信息。將典型螺旋線的目標圖片作為模板，在采集到的斜拉索圖片中進行遍歷匹配，提取匹配響應較強區域，作為螺旋線區域，即可將其在圖像中剔除。

2.4.5 缺陷提取

采集的圖像經過以上步驟的處理后，計算保留下來的像素區域大小，若大于一定閾值，則認為原始圖像中存在缺陷區域，作出提示并保留最終的缺陷識別后圖像結果。

圖像處理系統對于識別出的表觀缺陷，可以計算出其病害數量、病害長度及病害面積，最終生成一個病害統計表。具體計算流程如下：（1）進行圖像膨脹處理；（2）計算連通域，根據閾值過濾掉面積較小的連通域，并統計病害實例個數；（3）進行輪廓提取，用有序的輪廓點來表示病害形狀；（4）根據輪廓點信息進行長度面積計算；（5）生成檢測任務的病害統計表。

2.5 實橋測試

為了測試斜拉索表觀檢測機器人的現場作業性能，在寧波象山港大橋和清水浦大橋共選取了3 根代表性的斜拉索進行了實橋測試。3 根斜拉索基本情況分別為：1# 斜拉索——象山港大橋A21 斜拉索，長度345 m 傾斜角26.7°；2#斜拉索——象山港大橋A1 斜拉索，長度101 m，傾斜角78.8°；3# 斜拉索——清水浦大橋MCW17 斜拉索，長度223 m，傾斜角23.8°。

在3 根斜拉索現場測試過程中，智能檢測機器人工作狀態穩定，能夠自動爬升和下降，爬升和下降過程中無較大幅度的晃動和打滑現象（甚至在小雨環境下），行走速度15～18 m/min，下降速度較爬升速度略快，機器人行走速度隨著斜拉索角度的增大略有降低，且整個測試過程圖像采集平穩。缺陷識別結果如下所列。

（1）對于1#斜拉索，1#相機在141.06 m 處，識別出凹槽形態病害；在243.56 m 處，識別出起皮形態病害，形態范圍都較準確。3#相機在3.44 m 處，識別出深度劃痕形態病害。

（2）對于2# 斜拉索，3# 相機在14.25 m 處，識別出坑洞形態病害；在2.14 m 處，識別出凹槽形態病害。1#相機在2.29 m 處，識別出腐蝕形態病害。

（3）對于3# 斜拉索，1# 相機在3.34 m 處，識別出凹槽形態病害。3# 相機在6.71 m 處，識別出深劃痕形態病害。2#相機在30.66 m 處，識別出坑洞形態病害。

以3# 斜拉索缺陷識別結果為例，表1 列出了斜拉索檢測機器人檢測出的凹槽、劃痕、坑洞缺陷識別過程與結果。

表1 3# 斜拉索典型表觀缺陷識別結果表

實橋測試的結果表明：檢測機器人沿著在不同傾角和不同表面干濕狀態的斜拉索快速而平穩地爬升和下降，在接近橋塔表面后自動返回，在接近橋面時自動停止；機器人的圖像系統能夠穩定地、完整地采集斜拉索表面的典型缺陷，并能夠自動識別缺陷和其幾何特性。

3 結語

本文以斜拉索表觀檢測為研究對象，開發了能夠自動沿拉索爬升并完成斜拉索表觀檢測任務的智能檢測機器人，具備了小型化、快速自爬行、高質量圖像采集、缺陷自動化識別等優點，具有較大的工程應用價值。