基于無人機圖像識別的山地橋梁智能檢測技術研究

陽江　朱明明

摘? 要：針對現行山地橋梁檢測車造價高，人工車上檢查檢測過程危險，檢測車占用車道影響行車的問題，提出基于無人機圖像識別方式開展山地橋梁智能檢測，采用卷積神經網絡模型進行圖像處理、分割、識別檢測，具有較高的識別精度，可以應用于橋梁外觀病害檢測。

關鍵詞：無人機 卷積神經網絡 橋梁檢測

0引言

隨著經濟社會的發展，中國橋梁總數已超100萬座，橋高、橋長數據驚人。在自然環境、材料劣化、施工缺陷、超載等因素的作用下，橋梁結構易出現不同程度的開裂破損、露筋銹蝕、支座脫空等損傷和病害，需要定期開展橋梁損傷程度檢測。

1無人機智能檢測技術

無人機圖像識別系統主要由無人機圖像采集單元、地面站與數據傳輸單元、圖像信息處理與識別檢測單元三部分組成。無人機一般采用起降平穩的多旋翼無人機，利于數據采集和觀測;地面站與數據傳輸單元用于實時監控無人機飛行、檢查拍攝情況，即時控制信號、檢測數據的傳輸，利于及時糾正飛行軌跡、發現橋梁明顯病害;圖像信息處理與識別檢測單元用于對圖像的灰度分部、亮度和顏色等信息進行各種運算處理，從中提取出目標對象的相關特征，完成對目標對象的測量與檢測任務。

2山地橋梁病害檢測

按照《公路橋涵養護規范》（JTG H11-2004）規定：橋梁定期檢查的主要工作為檢查記錄各部件缺損狀況并作出技術狀況評分，本次試驗利用無人機圖像識別代替目測，對橋跨、橋塔及橋墩混凝土結構外觀進行拍照攝像，識別橋梁病害。

2.1典型缺陷圖像獲取

對無人機橋梁檢測系統進行全局整體設計，利用無人機攜帶高清拍攝設備對橋梁上部構造及下部構造混凝土結構裂縫、蜂窩、麻面、露筋銹蝕等病害進行圖像識別。以重慶至合川為正方向的嘉陵江大橋檢測為例，按正方向將橋墩臺從左到右編為0號橋臺、1號橋墩……12號橋臺。主橋主跨按前進方向將現澆段編為1號～51號現澆塊，邊跨從根部起編為1號～27號塊。

2.2卷積神經網絡智能識別

以裂縫為例，采用無人機圖像信息處理與識別檢測技術，篩選多余信息，進行圖像預處理，抽出主要信息提取橋梁病害特征，利用卷積神經網絡建模實現智能識別檢測，進行圖像識別檢算。

2.2.1識別路徑設計

裂縫識別具體分為圖像輸入、圖像預處理、裂縫典型特征信息提取、裂縫識別建模及智能識別分析等四個步驟。

2.2.2圖像預處理及典型特征提取

圖像分析前，需要進行圖像預處理，目的是消除圖像中無關的信息，恢復有用的真實信息，增強有關信息的可檢測性、最大限度地簡化數據，改進特征提取、圖像分割、匹配和識別的可靠性，預處理步驟分為灰度化、幾何變換、圖像增強。

灰度化是根據重要性及其它指標，將紅黃藍三個分量以不同的權值進行加權平均得到灰度圖像。圖像幾何變換是通過平移、轉置、鏡像、旋轉、縮放等幾何變換處理，用于改正圖像采集系統的系統誤差和儀器位置的隨機誤差。圖像增強是增強圖像中的有用信息，改善圖像的視覺效果，將原來不清晰的圖像變得清晰或強調某些感興趣的特征，滿足橋梁分析的需要。

2.2.3裂縫典型特征學習訓練

基于深度學習的混凝土裂縫圖像特征識別具體步驟為：

（1）圖像分割，將無人機拍攝的橋梁混凝土結構圖像進行分割，增加訓練庫的圖片規模（1000幅以上），人工標注分隔的圖像，標出圖中有裂縫的圖片與沒有裂縫的圖片，形成訓練數據庫（900幅以上），另外的100幅圖片為測試圖像。

（2）圖形訓練，將帶有標簽的數據輸入到Faster-Rcnn中進行模型訓練，根據訓練情況判斷是否需要更改訓練參數重復訓練，直到判斷準確。

（3）訓練庫中包含有裂縫的圖片，也包含無裂縫圖片，針對裂縫病害建立分類器，將無人機拍攝的圖片輸入Faster-Rcnn，依據種類判斷該結構圖片是否有裂縫病害。

2.3卷積神經網絡模型

卷積神經網絡模型包含輸入層、卷積層、池化層、激活層、輸出層及輔助層^[2]。輸入層用于輸入圖片，輸入至卷積神經網絡進行處理;卷積層含有卷積核，可以隨機確定其權重，用于圖像像素進行卷積運算，并不斷梯度方向更新，卷積層可以縮減數據規模減少計算消耗;池化層分為最大值和均值池化，分別選取池化層數據中最大值或平均值進行運算，可減少數據量。卷積層與池化層交替進行，卷積層得到的特征圖為輸入圖像和卷積核運算加上一個偏置后再通過激活函數所得的結果，池化運算后送入激活層，最后由sigmoid層輸出卷積后的結果是否為裂縫病害圖片，輔助層有截斷層和批量標準層用于截斷與標準化圖像。圖2為一個3*3的卷積核在5*5的圖像上進行卷積運算過程;圖3為最大池化運算過程。

3智能識別分析

采用無人機拍攝圖像，對橋梁混凝土結構圖像缺陷進行分割成1000張小圖片，測試表明，采用卷積神經網絡模型具有高速度和較高的識別精度的優點。對于一張高清圖片在結構裂紋識別中能達到80%左右的識別精度。

將無人機智能檢測技術，應用于重慶山地橋梁工程外觀檢測，表現出良好的控制性能和智能識別橋梁病害的能力，克服了人工目測危險性高、識別不準問題，提高了缺陷圖像識別的效率。

參考文獻

[1] JTG H11-2004公路橋涵養護規范[S].2004

[2] 溫作林 申永剛.基于卷積神經網絡的混凝土裂縫識別[J].建筑材料科學與技術.2019

[3] 葉肖偉.一種基于深度學習卷積神經網絡的裂縫識別方法[P].中國專利：CN201710641103.X，2020.6

[4] 李寧.基于無人機圖像識別技術的輸電線路缺陷檢測[J].電子設計工程.2019.5