混凝土結構橋梁外觀智能檢測方法研究

張根合，張建雄，任勝龍

（中交公路養護工程技術有限公司，北京 100037）

在改革開放40多年的橋梁建設發展黃金期內，我國建造了大量的混凝土橋梁，由于國家交通線網不斷完善和物流行業飛速發展，超大型運輸車和超重車數量日益增多，公路交通量迅猛增長，這些橋梁大多已經提前進入“老齡化”[1]，加上施工、材料退化、日益增長的交通壓力與橋梁管理養護理念發展滯后等原因，即使是在役新橋，在投入使用后不久便會出現裂縫等病害，隨著安全事故日益增多，嚴重影響橋梁的營運狀態與正常使用壽命[2-3]，目前我國危橋比例約占橋梁總比例的1/9，且比例還在提高[4]。針對以上背景問題，行業內提出建管養運一體化，將建管養運各環節可能遇到的問題，提前納入到設計階段協同考慮[5]。橋梁外觀定期檢測在橋梁運營階段不可忽視，及時發現結構損傷能有效降低安全事故的發生率，是確保橋梁健康安全工作的前提。傳統混凝土橋梁外觀檢測是通過橋檢車利用其伸縮平臺將檢測人員送至橋梁指定位置進行近距離目測經驗估值[6]，檢測危險性大，檢測工期長，且會受檢測人員的主觀性影響，不能客觀準確評價混凝土橋梁的實際服役狀態[7]。針對以上問題，計算機圖像處理技術、遠距離非接觸式的智能外觀檢測技術開始興起并成功運用于實際工程檢測當中。

1 無人智能橋梁檢測車

無人橋檢車智能橋測系統主要由智能檢測車、機械手臂系統和圖像處理系統3部分組成[8]。無人智能橋梁檢測車如圖1所示。

圖1 無人智能橋梁檢測車

機械手臂系統可拍攝整個預定范圍，圖像處理系統集照片拍攝、處理及分析功能于一體。在檢測車及機械手臂系統的輔助下，圖像處理系統可以用搭載的高分辨率工業電荷耦合器件（CCD）攝像機自動捕獲橋梁底表圖像，三維攝像機捕獲密集的三維點云，旋轉平臺上的激光測距儀（LRF）可以獲得橋梁底部表面的三維模型，然后與信息通信技術相結合，在高頻頻率下估計智能檢測系統的初始工作形態。利用獲取的三維橋梁模型，可完成圖像采集任務的規劃，包括檢測路徑規劃、多連桿臂的伸縮和遠程檢測系統的定位規劃，無人橋檢車以最低速度按照規劃路線對圖像進行采集，然后對一定數量的圖像進行拼接成為清晰完整的圖像，用戶可依靠電腦輔助設計軟件協同專用插件瀏覽拼接生成的橋梁結構全景圖，對橋梁缺陷進行測量與統計分析，系統將裂紋檢測算法應用于拼接全景圖，通過圖像采集及分析系統處理檢測到的橋梁缺陷，可以獲得良好的檢測結果，無人智能橋梁檢測車的裂縫檢測結果樣例如圖2所示。該系統極大提高了橋梁健康狀態評定及養護的效率、安全性和完整性。

圖2 無人智能橋梁檢測車裂縫檢測結果

2 以無人機為載體的橋梁裂縫檢測的圖像及深度學習檢測方法

無人橋檢車雖然省略了檢測員現場直接檢測的環節，縮短了外業周期，但是采用圖像處理系統生成的結構全景圖中的缺陷仍然需要人工去測量與統計，另外沒有擺脫必須搭腳手架或依附于橋檢車的問題，搭設腳手架或使用橋檢車進行橋梁定期檢測通常會占用行車道，影響交通，增加道路部門和交警部門的成本投入[9]，鑒于此，以無人機為載體的橋梁裂縫檢測的圖像及深度學習檢測方法得到迅速發展，走在了混凝土結構橋梁裂縫檢測的前沿。

2.1 無人機檢測

隨著航拍和遙感技術不斷發展，無人機檢測技術已經進入到橋梁工程領域[10-12]。目前行業使用的無人機檢測系統由無人機、地面站、數據傳輸和任務荷載、攝影攝像系統及其他設備組成，系統的綜合性更有利于數據的檢測和收集。而隨著無人機技術的不斷發展，目前所使用的無人機都是結合橋梁檢測實際需求選擇的針對性技術形式，四旋翼無人機是目前使用最廣泛的多旋翼無人機，由電調直接驅動電機，并且結合發送給電調的脈沖寬度調制（PWM）信號控制電機的轉速，結合其各個旋翼與升力的關系自由控制速度，實現其對拍攝的角度和內容的控制。無人機檢測流程可大致劃分為3個階段：飛行路徑規劃、病害數據采集和病害圖像數據處理，各階段涉及技術要點見表1。

表1 無人機檢測技術要點

2.2 無人機定位、導航技術

橋梁結構復雜，體系多樣，且周邊環境復雜，不可避免會對近地飛行的無人機GPS信號造成干擾，故而無人機僅依靠GPS信號進行定位和導航難以滿足橋梁檢測需求。此外，采集橋梁病害數據時還需獲取無人機與橋梁構件的相對定位，明確病害位置。因此，為了保證無人機的定位除依靠GPS信號外，還需通過計算機視覺定位和超聲波定位等其他技術進行輔助。計算機視覺定位技術較為成熟，應用相對廣泛，缺點是對圖像處理和計算能力要求很高，易受光線、鏡面反射等因素的影響，其原理是對無人機視覺傳感器所獲取的各個方向的圖像進行圖像處理和特征點提取，獲得目標的圖像坐標，再反算獲取無人機的空中定位。超聲波定位技術成本低、適用性強，但測距限制較大，導航精度較差，其原理類似于聲吶系統，利用超聲波的反射獲取不同方向障礙物的距離，依靠反射波確定無人機的空間定位。目前，2種輔助技術配合GPS信號定位導航基本可滿足橋梁檢測對無人機定位、導航技術的要求。

2.3 無人機飛行路徑智能規劃與自主避障技術

續航一直是無人機發展面臨的一個重要問題，其會影響無人機飛行檢測持續時間，此外，橋梁周邊環境復雜，存在各種障礙物，無人機在進行橋梁檢測時極易發生碰撞、摔機等事故，因此，合理規劃無人機的飛行路徑與自主避障技術對提高橋梁檢測效率和質量具有重要意義。路徑規劃是指在存在障礙物的環境中，為無人機尋找一條從起點到目標點的安全路徑[13]。對無人機預設規劃路線進行智能規劃需要引入相關算法，目前以人工勢場法[14-16]為代表的路線規劃自主避障技術已經在無人機領域得到應用與發展，但無人機進行橋梁檢測需要橋下飛行，此項技術如何適用于橋下環境尚需進一步研究。

2.4 檢測數據圖像識別技術

無人機檢測技術所采集的橋梁病害檢測影像數據不僅數量巨大，而且圖片重疊度較高，若采用人工查看不僅效率低，還會由于視神經疲勞出現遺漏，為解決此問題，Yamaguchi等[17]提出了基于機器視覺的自動檢測系統，圖像識別的準確性和速度是機器自動檢測系統的關鍵。橋梁檢測領域機器視覺技術逐漸取代勞動密集型的人工檢測已成為必然。

科研工作者們在過去20年里嘗試基于圖像處理、模式識別和計算機視覺技術，設計智能高效且勞動強度低的裂縫識別設備。基于圖像的裂縫檢測過程如圖3所示。

圖3 基于圖像的裂縫檢測過程

識別設備主要依賴于高精確的圖像分割算法，隨著發展先后出現了基于自適應閾值的算法、基于濾波器的算法、基于深度學習（DL，Deep Learning）的圖像識別算法和基于Lab VIEW開發平臺+視覺開發模塊（Vision Development Module，VDM）的裂縫分析方法等[18-20]，甚至將諸如人工神經網絡和支持向量機等許多研究領域中最熱門的機器學習算法引入其中，利用這些機器學習技術，對橋梁裂縫進行分類[21-22]。近年來，隨著圖像采集和計算機運算能力飛躍式發展，在圖像識別領域又提出了一種更高效的機器學習算法——基于卷積神經網絡框架的深度學習，該技術利用卷積神經網絡的深層特征框架檢測混凝土裂縫，不需要人工設定裂縫特征，深度融合卷積神經網絡經過不斷改進已經運用到鋼箱梁內部裂縫檢測中[23]。基于深度學習的自主圖像識別技術已經在橋梁裂縫檢測方面得到應用，目前，自主圖像識別技術可識別出寬度為0.1 mm的裂縫，雖然適用于橋梁裂縫檢測數據圖像識別的需求，但其識別精度還有待進一步提高。

3 結束語

由于建設背景與國內交通環境的綜合影響，我國大量在役混凝土橋梁進入“老齡化”，為確保服役橋梁健康安全，對其實際營運狀態與服役壽命需要進行及時評估，從而促進混凝土結構橋梁外觀檢測技術的發展。在橋梁智能化時代，遠距離非接觸式的智能檢測技術興起，其核心技術為自主圖像識別技術，未來橋梁外觀智能檢測技術發展的方向將是如何改進裂縫識別算法，進一步提高自主圖像識別精度。