橋梁裂縫巡檢新技術淺探

陳紅斌 俞楓巖 洪衛星 郭丹桂

摘 要：以具有專業航測性能的專業無人機為載體進行等高等距視頻圖像采集，結合視頻圖像機器視覺自動檢測算法，從橋梁裂縫檢測入手，實現基于無人機+機器視覺技術的橋梁裂縫檢測發現和量化測量的技術方法，逐步代替人工巡查傳統作業方式，為智能化檢測在橋梁結構監測應用中做出探索研究。

關鍵詞：機器視覺;無人機;裂縫;模型

中圖分類號：U446 文獻標識碼：A

0 引言

隨著我國交通基礎設施的日益完善，橋梁、道路等各類基礎設施存在長期運營的現狀，疲勞荷載、腐蝕效應、材料老化以及養護維修的不及時都使其在使用期內出現損傷累積、抗力衰退的問題，影響了結構壽命，增加了事故的發生率。目前橋梁管理相關的結構工程、病害機理等基礎理論較為落后，檢測手段仍采用人工或半自動的方式，且多為事后被動式管理，無法對橋梁病害快速評定。本文從橋梁裂縫檢測入手，探索基于計算機視覺自動檢測和量化定級的實用技術。研究機器視覺橋梁裂縫檢測的關鍵算法，實現基于無人機+機器視覺技術的橋梁裂縫病害檢測與預警，輔助公路養護及管理決策，加強機器視覺技術的高效利用與易用性。

1 基于無人機巡檢機器視覺技術實現方法

專業無人機按預先設定的線路、高度、角度等飛行參數進行穩定航測，按預先設定的飛行計劃自動執行巡檢任務，飛抵橋梁底部、河道上方、塔頂等一些不易于達到的位置，既保障了巡查安全，又可獲得大量的有效數據。

將無人機采集的圖像歸為橋梁橋面、橋梁上部、橋梁下部三類，為不同點位的裂縫病害分析提供場景依據。通過計算機視覺分析算法將裂縫病害特征進行提取和量化評級，從而獲得具有實際管理價值的檢測結果，將不同周期的檢測結果進行同比與環比分析，得到各特征病害的變化趨勢，為養護決策管理提供準確數據。

2 機器視覺病害檢測算法研究

2.1 模型檢測算法

本文主要采用卷積神經網絡做模型訓練檢測，對基于目標檢測的卷積網絡做淺探和導入，以橋梁外觀病害檢測實際應用為事實依據，通過實踐的方式確定需要使用的模型算法。

通過對傳統的faster-rcnn進行修改，把特征提取網絡替換掉，使用深度可分離卷積的mobileNet做卷積，降低網路模型參數量，提高計算速度。基于3*3的kernel，參數量可以減少8～9倍。因此，在研究實踐中根據實際場景訓練學習，持續調優該模型，并在輕量化和執行精度上找到最佳平衡。

2.2 病害量化計算

病害量化計算遵循科學原則，從實際出發，橋梁裂縫寬度量化算例如下：

（1）裂縫的檢測與定位。以深度學習模型附加平臺分類器對圖像域執行二元分類。對于每一個輸入圖像（圖像像素滿足1 920×1 080），分類自動執行，用于檢測肉眼難以辨別的橋梁裂縫。

（2）裂縫寬度的計算。使用基于Zernike矩（ZM）方法的深度學習方法來實現目標對象寬度的測量。

基于Zernike矩的線寬求解方法假設一條線對象的兩條邊是理想的階梯型邊緣，如圖1所示，ψ是正交方向的夾角和x軸，g為背景灰度值;h為步驟的灰度值;線的寬度是l1+l2。圖（b）是通過對圖（a）進行角ψ的旋轉。然后用y軸將直線分成兩部分，左邊的寬度為l1，右邊的寬度為l2。我們進一步將圖（b）分成不同對稱寬度（2×l1和2×l2）的兩個對稱的圖形。

（3）裂紋識別步驟。如圖2所示，基于Zernike矩的裂縫寬度量化計算步驟如下：

步驟1：利用形態學算子生成單個像素范圍的二值骨架圖像，進一步細化深度學習過程的二值裂縫圖。從原始灰度圖像中剪裁出骨架附近13×13像素的圖像像素，然后進行第一個預處理操作（PP1）：將圖像中的所有元素都減去1，然后保存圖像的最大值。

步驟2：旋轉圖像，使裂紋骨架平行于y軸。在每個中心點附近區域的大小7×9像素，將灰度值累積最高的列定義為中心列。通過鏡像操作得到兩個大小為7×9的對稱像素，然后在垂直方向對兩個圖片使用平滑濾波器操作。

步驟3：確定對稱圖像是否超過5個像素的邊界。例如，有一幅裂紋圖像經過旋轉后的實際寬度為5像素，我們通過鏡像操作得到兩幅圖像。隨后，其中一個對稱圖像的實際寬度可能大于超過邊界的5個像素。為了避免這種情況，步驟3給出了一些簡單的限制性條件，如果滿足這些限制性條件，則刪除中間列和左邊列，并將“Mark”變量的值賦值為2。否則，我們令它等于0。此外，進行預處理操作2（PP2）：保存在中心點附近7×7像素內的對稱圖像的最小值;通過減去這個最小值可以得到一個新的對稱圖像。

步驟4：利用上述提出的Zernike矩法計算兩張對稱圖像的裂縫寬度。并考慮錯誤修正?！癕ark”的值將在兩次更正后添加到每個計算中。最終的裂縫寬度將通過對對稱圖像的兩個計算寬度進行平均來計算。圖3是使用Zernike矩（ZM）方法對每個裂縫圖像自動計算裂縫寬度的結果。

2.3 模型檢測效果

以無錫342示范橋梁為工程依托開展了深入的調研和技術研發工作。

以無人機搭載可變焦攝像頭上路采集大量的應用場景和訓練素材，調測適合橋梁病害場景的圖形分析模型組件，進行實訓對比，優化訓練模型，實際檢測效果如圖4所示。

作為進一步研究，系統可根據機器視覺深度學習的量化結果定義裂縫、凹坑、擁包、車轍等典型橋梁外觀病害損壞等級，如一級、二級、三級、四級或特級。一級為輕度損壞，用于統計;二級為中級損壞，進行統計并標記;三級為重度損壞，進行統計并預警，通知相關工作人員進行維修;四級或特級為損壞程度極其嚴重，進行統計并告警，告知相關領導實時安排人員到指定地點實施維修。

3 結論

（1）促進行業新科技應用。將無人機+AI機器視覺技術應用于橋梁病害檢測工作，從技術手段上改變依據人員巡查評價傳統作業方式。新技術措施的應用將人工檢查轉變為機器自動檢查，大大提高監督管理效率，提高病害檢測與評價的實時性和精準性，有效避免人工檢查主觀因素影響，有力促進橋梁外觀病害巡檢工作實質性提升。

（2）促進社會經濟效益增長。示范成果取得成功，勢必形成基于無人機+AI機器視覺進行橋梁病害巡檢的嶄新技術手段，率先引領行業應用并形成高價值管理示范作用，助于提高干線公路病害管理信息化和智能化水平，實現養護決策的可視化、智慧化，極大程度節約人力巡查成本、降低人為評價主觀影響，獲得更高效的養護資源供給，合理規劃干線高速公路巡查頻率布局，指導改善路段養護評級，整體提升干線公路安全及路容建設，延長公路橋梁使用壽命。為行業應用及廣泛推廣打下堅實基礎，無人機+AI機器視覺橋梁病害檢測技術應用范圍越廣泛，公路橋梁健康管理效率提升越明顯，降本增效效果越顯著。

參考文獻：

[1]付洪成，邢婕怡.淺談市政橋梁結構裂縫分析及加固技術處理[J].中國室內裝飾裝修天地，2019（9）：210.

[2]彭智.智能交通系統中基于機器視覺的交通流量統計研究[D].電子科技大學，2016.

[3]胡云棟.淺談橋梁施工裂縫產生的原因[J].黑龍江交通科技，2019（8）：137+139.