基于無人機自主巡檢的橋梁病害自動識別關鍵技術研究與實現

摘要 針對橋梁病害檢測現狀，為了及早發現橋梁病害及異常現象，延長橋梁的使用壽命，文章對基于北斗轉發與相對定位的無人機定位技術和基于深度學習的橋梁病害自動識別等關鍵技術的研究，設計了一種無人機橋梁病害自主巡檢系統和病害自動識別系統，實現了無人機自主定位巡檢以及橋梁病害自動識別，提升了橋梁檢測效率，節約了檢測成本，也保障了人員安全，提高了檢測的安全性和準確性。

關鍵詞 無人機；自主巡檢；橋梁病害

中圖分類號 U446 文獻標識碼 A 文章編號 2096-8949（2023）08-0004-03

0 引言

隨著我國公路路網建設趨于完善，已建成公路的養護維修已經成為交通領域的重要工作。橋梁作為公路交通的關鍵基礎設施，保證其安全通行和良好運營更是養護維修工作的重中之重[1-3]。橋梁在經過長時間的運輸使用之后，會出現各種病害問題。隨著大數據、人工智能、無人機自主導航等新技術的不斷發展，綜合無人機和先進圖像處理技術開展橋梁病害自動巡檢和病害的自動識別研究工作逐漸增加，有效彌補了傳統橋梁病害檢測工作中的不足，推動橋梁檢測工作自動化和智能化發展。

1 橋梁病害檢測研究現狀

早些時期，對橋梁病害檢測的方法比較傳統，人力物力消耗較大、采集的數據還經常出錯。近幾年，隨著物聯網技術的快速發展，利用傳感器技術進行檢測的手段比較多，但是成本較高、功耗較大、有些還受到運營商的限制[4]。無人機作為保證橋梁工程各部分結構質量的檢測技術，以低成本、高效率以及高穩定性狀態應用于橋梁各個結構部位的病害檢測和程度檢測。但其應用于實踐的效果并不突出。因此，對基于無人機自主巡檢的橋梁病害自動識別關鍵技術研究具有重大意義。

2 主要研究內容

針對橋梁檢測工作需要，該文主要從三個方面展開研究工作：包括基于北斗定位+5G的自主巡檢無人機設計，基于深度學習的橋梁病害識別技術和基于無人機的橋梁自主巡檢方案設計。通過該文的研究及應用，設計開發一套橋梁自主巡檢系統，有助于對橋梁狀態情況進行監測、統計和分析，并為相關的安全預警提供服務，提升橋梁檢測的信息化水平和服務能力，可供公路養護部門參考。

3 關鍵技術研究

3.1 基于北斗轉發與相對定位的無人機定位技術

基于通過在橋的四角架設北斗轉發與相對定位的系統，實現無人機在橋面以下的實時位置獲取。此系統通過頂部天線接收北斗信號自帶的差分系統提高無人機定位精度，其自己的位置信息也會發給無人機，無人機通過參考其位置與其所在圖紙位置確定自己在橋底面精確的相對位置信息。此設備頂部配有高精度的陀螺儀，通過知道傾斜角度與發射扇形天線距離頂部接收天線的距離角度信息，幫助無人機修復由于轉發帶來的定位偏差。如圖1所示。

3.2 基于雙目深度面陣雷達障礙感知技術

該文設計基于雙目深度面陣雷達障礙感知技術，通過雙目深度攝像探頭與面陣雷達共同組成，結合2種傳感器特點使用雙目攝像頭得到高分辨率深度圖像，使用面陣雷達得到高精度低分辨率面陣距離信息，系統自動選取面陣雷達與雙目深度重合區域，使用面陣數據修正雙目深度距離數據，以獲取高可靠性、高分辨率、高精度深度數據[5]。探測應對橋底各類障礙如電線環保設施等，如圖2所示。

3.3 面陣激光測距拍攝技術

無人機頂部面陣激光測距拍攝系統，通過面陣雷達得到橋底面與相機模組的角度與距離，以進行圖像修正并為最終計算裂縫病害面積寬度提供支持。LED面陣無級調控燈光根據拍照位置光線情況進行自動補光，保證暗光環境拍攝效果，如圖3所示。

4 基于無人機的橋梁病害自主巡檢系統設計與實現

4.1 基于3D SLAM 無人機定位系統設計

利用無人機空中視角帶來的大范圍環境感知能力，基于無人機視覺3D SLAM的協同建圖方法，提高了在具有挑戰性的未知環境中的建圖能力[6]。圖4所示是典型3D SLAM無人機框架圖，圖5所示是室內環境下三維即時建圖示意圖，其建圖精度需達厘米級。與自動駕駛SLAM不同的是3D SLAM 無人機地面99%的情況下可以掃描到路面信息，而飛機則不一定，Z軸的定位將成為問題，融合面陣雷達獲取橋梁底部相對高度信息。

4.2 基于無人機的橋梁病害自主巡檢流程

針對橋梁自動檢測數據采集需要，該文設計如圖1所示基于無人機自動巡檢的橋梁病害數據采集系統。無人機通過北斗轉發基站進行自動定位，通過設定巡檢路線對橋梁機械能高速掃描，并通過5G技術將采集數據快速傳輸后臺進行分析，實現橋梁底部高速表面病害檢測與自動識別，可實現0.2 mm裂縫及其他病害的自動識別，具體工作流程如圖6所示。

4.3 基于深度學習橋梁病害自動識別系統

針對橋梁病害的自動識別工作需要，該文采取人工智能圖片分類算法，其中卷積神經網絡是一種多層神經網絡，擅長處理圖像特別是大圖像的相關機器學習問題[7-8]。卷積網絡通過一系列方法，成功將數據量龐大的圖像識別問題不斷降維，最終使其能夠被訓練，使在模式分類領域，由于該網絡避免了對圖像的復雜前期預處理，可以直接輸入原始圖像，得到了廣泛應用。該系統通過卷積神經網絡提取裂縫圖片特征，通過訓練數據進行學習，避免了顯式的特征抽取，可以隱式地從訓練數據中進行學習，得出最好的卷積核以及這些卷積核的組合方式，也就是求出圖片最好的特征的表達，然后來進行判斷完成分類任務。結果如圖7所示。

針對病害區域高清拍攝后系統進行語義分割。語義分割是計算機視覺中十分重要的領域，其是指像素級的識別圖像，即標注出圖像中每個像素所屬的對象類別。通過語義分割預測出圖像中每一個像素的類標簽[9]。通過像素級語義分割獲得病害的具體面積數據即可得出裂縫寬度和長度等信息[10]。結果如圖8所示。

5 結論

該文通過對基于無人機自主巡檢的橋梁病害自動識別關鍵技術研究，設計了一種無人機自動定位系統和橋梁病害自動識別系統，解決橋梁下部沒有GPS信號無法定位的問題，為橋下檢測工作提供安全保障，彌補了傳統橋梁病害檢測過程中存在的缺陷。在傳統的橋梁病害檢測不能獨立完成工作時，無人機自主巡檢技術和病害自動識別技術可以充分發揮檢測作用，提高橋梁檢測效率、降低工作成本、實現降本增效。

參考文獻

[1]林震寰. 無人機橋梁檢測技術研究現狀[J]. 黑龍江交通科技， 2023（1）： 61-63.

[2]朱澤文， 代力， 吳維維， 等. 無人機在公路橋梁檢測中的應用[J]. 建筑機械， 2023（1）： 20-23.

[3]裴俊華， 謝愛萍， 羅廣元， 等. 無人機傾斜攝影測量技術在橋梁檢測中的應用[J]. 工程建設與設計， 2022（23）： 155-158.

[4]李豪. 基于無人機的橋梁裂縫檢測技術研究[D]. 重慶：重慶交通大學， 2022.

[5]何丹丹. 基于無人機視頻的橋梁病害檢測算法研究與應用[D]. 西安：長安大學， 2022.

[6]陳鍇， 羅文廣. 用于橋梁病害檢測的無人機地面站設計及實現[J]. 廣西科技大學學報， 2021（4）： 35-42.

[7]史有玉， 鄧凌， 楊紫艷， 等. 基于圖像處理技術的無人機在橋梁檢測的應用[J]. 山西建筑， 2021（21）： 135-137.

[8]陳鍇. 基于混合算法的橋梁病害檢測無人機航線規劃及地面站系統[D]. 柳州：廣西科技大學， 2021.

[9]李鋒. 基于無人機及深度學習的橋梁結構裂縫智能識別[D]. 長沙：湖南大學， 2021.

[10]付志旭. 基于無人機圖像和卷積神經網絡的橋梁裂縫識別技術研究[D]. 廣州：華南理工大學， 2021.