李清泉,張德津,汪馳升,陳智鵬,涂 偉
1. 深圳大學(xué)廣東省城市空間信息工程重點實驗室,廣東 深圳 518060; 2. 深圳大學(xué)自然資源部大灣區(qū)地理環(huán)境監(jiān)測重點實驗室,廣東 深圳 518060; 3. 深圳大學(xué)深圳市空間信息智能感知與服務(wù)重點實驗室,廣東 深圳 518060
21世紀以來,我國工程建設(shè)突飛猛進,工程建筑物規(guī)模迅速擴大。截至2019年,我國高速公路通車里程增長至142 600 km,高速鐵路通車里程35 000 km,摩天大樓超過100棟,公路隧道和鐵路隧道超過35 000座,跨江大和跨海大橋數(shù)百座。這些大規(guī)模工程建筑物的服役狀態(tài)不斷發(fā)生變化,變化超過一定限度時將會引發(fā)事故,威脅人民生命財產(chǎn)安全。因此,必須對重大工程建筑物的幾何形狀和物理屬性進行高精度、高頻次精密測量,以精準評估其服役狀態(tài)[1-5]。
傳統(tǒng)精密工程測量一般通過精心布設(shè)平面控制網(wǎng)或高程控制網(wǎng),在若干重要位置處布設(shè)精密測量儀器,進行空間抽樣測量,自動化程度低,測量成本高,難以實現(xiàn)全覆蓋、高效率、高精度的工程結(jié)構(gòu)物服役狀態(tài)檢測[6]。例如,道路彎沉是表征道路承載能力或結(jié)構(gòu)強度的重要力學(xué)指標,反映路面使用性能。傳統(tǒng)方法一般通過貝克曼梁法測量道路彎沉,通過對路面施加一定的載荷力,使路面充分變形后移除載荷,測量路面回彈彎沉,測量效率較低,約為1~3 km/h,而且需要封閉道路,如果將我國高速公路道路彎沉全部檢測一次,需要近百臺設(shè)備,近千人,連續(xù)工作一年,并且難以實現(xiàn)空間連續(xù)的普查檢測[2]。彎沉動態(tài)連續(xù)測量是實現(xiàn)解決問題的有效途徑。加上一些工程建筑物在提供服務(wù)時不可被干擾,留給運營維護的窗口時間非常短。高速鐵路每天都有上百對高速列車通過,只有2~4 h的時間窗口進行高鐵軌道檢測,其日常檢測若要求無縫覆蓋全部高鐵軌道,僅武廣高鐵每晚就要有上千人上路檢測,在高鐵沿線布設(shè)固定檢測設(shè)備成本高昂,難以承受[3]。因此,必須將測量儀器安裝在沿著高鐵軌道行駛的檢測平臺上,進行動態(tài)測量。
隨著工程科技、計算機、電子信息和人工智能的發(fā)展,智能車、無人機、無人船、機器人等自動化移動平臺的快速普及,工程測量逐漸向自動化、動態(tài)化、智能化方向發(fā)展,逐步具備了運動狀態(tài)下的測量能力。動態(tài)精密工程測量指的是測量平臺或測量對象處于運動狀態(tài)下的精密工程測量[7]。測量平臺指的是布設(shè)測量儀器的基礎(chǔ)平臺,包括固定精密測量儀器的基座,例如:移動車輛、無人機、艦船、機器人等,以及安置在平臺上的多種測量儀器和傳感器。被測對象指的是被觀測的對象,例如:建筑物、橋梁、隧道、道路、大壩、管道等。與傳統(tǒng)精密工程測量不同,動態(tài)精密工程測量通常指測量平臺或者測量目標這兩個要素中至少有一個是運動的。動態(tài)精密工程測量的測量平臺既可以成熟測量設(shè)備,如測量機器人,移動測量車等;也有研制專用集成測量裝備,可進行精密動態(tài)的位置、姿態(tài)、表觀形狀或內(nèi)部狀態(tài)測量。后者的位置和姿態(tài)測量主要靠集成高精度全球?qū)Ш叫l(wèi)星(GNSS)接收機、慣性傳感器(IMU)、里程計、跟蹤儀等傳感器來實現(xiàn);表觀測量則主要采用高清可見光或紅外相機、激光雷達、線結(jié)構(gòu)光測量傳感器等;內(nèi)部測量主要采用探地雷達、多波束聲吶、管線機器人等傳感器來實現(xiàn)。集成測量裝備通過快速獲取目標對象的多源幾何和非幾何數(shù)據(jù),利用智能化數(shù)據(jù)處理方法進行高效處理和識別,從而實現(xiàn)目標對象的變化特征測量,在此基礎(chǔ)上對測量目標的狀態(tài)進行評估和分析,為其安全運行和維護提供可靠依據(jù)。動態(tài)精密工程測量已經(jīng)廣泛用于大范圍的公路鐵路、橋梁隧道、水利樞紐等精密工程測量[6-9]中。本文針對動態(tài)精密工程測量的智能化感知技術(shù)、智能化數(shù)據(jù)處理方法及其在公路、鐵路、橋梁、隧道、大壩等工程中的應(yīng)用展開論述。
為精細而高效測量目標對象的位置、形狀、紋理、材質(zhì)等特征,動態(tài)精密工程測量需要根據(jù)適當?shù)妮d體平臺和配套系統(tǒng),集成多種類型傳感器,形成多傳感器集成的動態(tài)測量系統(tǒng),實現(xiàn)對目標的多源、多視角、多尺度智能感知。其中,測量裝備專業(yè)化、感知自動化、數(shù)據(jù)標準化是當前智能化信息感知的研究熱點和發(fā)展趨勢。
公路、鐵路、橋梁、隧道、大壩、地下管網(wǎng)等工程結(jié)構(gòu)物形面尺度多變(例如:尺寸從厘米至千米)、形態(tài)復(fù)雜、空間分布廣泛、病害形式多樣、觀測環(huán)境惡劣且時間窗口受限(例如:高鐵有效觀測時間僅為凌晨3~4 h)等固有的復(fù)雜性,對精密測量提出了巨大挑戰(zhàn)[10]。根據(jù)病害發(fā)生的位置,可分為內(nèi)部病害和外部病害;根據(jù)病害的結(jié)構(gòu)影響,可分為結(jié)構(gòu)破壞和表觀損壞;根據(jù)病害的表現(xiàn)形式,可分為幾何形狀變化和表觀性狀變化;根據(jù)病害影響分布,可分為大范圍病害和局部病害等。病害成因機理不同、表現(xiàn)各異,因此,針對不同病害特征,應(yīng)采取不同技術(shù)進行測量,表觀的形變可采用三維技術(shù),性狀變化如表觀破損、溫度變化等可采用攝影技術(shù)[11],對于大范圍病害如橋梁變形可采用雷達干涉測量(InSAR)技術(shù)等[12]。這些測量技術(shù)采用不同傳感器,采集的數(shù)據(jù)也表現(xiàn)為不同格式。如圖1所示,激光雷達、多目攝影測量及結(jié)構(gòu)光測量等技術(shù)測量可采集不同場景和精度的點云數(shù)據(jù)[13-14],線陣或面陣等相機組合可獲取高質(zhì)量可見光獲紅外圖像數(shù)據(jù),合成孔徑成像傳感器可以獲得SAR圖像數(shù)據(jù)。
圖1 智能化感知多源數(shù)據(jù)類型Fig.1 Intelligent sensors for multi-source data acquisitions
智能化感知需要根據(jù)不同測量需求選擇測量方法和傳感器,研制專用測量裝備以適應(yīng)特定的測量需求。例如,公路、鐵路等設(shè)施為條帶狀分布,待測指標多,精度和效率要求高:公路要求測量破損、平整度、車轍等指標,路面裂縫要求1 mm分辨率,速度要求80 km/h以上;鐵路軌道要求測量軌道板、軌距、軌廓、扣件等,高鐵軌道扣件要求亞毫米精度,軌道綜合動檢要求達到300 km的正常行車速度等[15-16]。因此,動態(tài)測量一般采用車載移動測量方式,集成慣導(dǎo)、相機、紅外熱像儀、激光雷達和線結(jié)構(gòu)光等多種傳感器[17],在統(tǒng)一的時空基準下感知對象的多源數(shù)據(jù),進行融合建模。一些基礎(chǔ)設(shè)施如堆石壩,不僅存在外部變形隱患,也可能存在內(nèi)部變形隱患。外部變形一般選用GNSS組網(wǎng)監(jiān)測,內(nèi)部變形往往采用預(yù)埋剛性管道保護的鋼絲位移計等方法,應(yīng)用表明傳感器存活率偏低,而采用預(yù)埋柔性管道的測量機器人系統(tǒng)是未來測量的一個好的選擇。此外,電力、市政管道、橋梁、隧道等基礎(chǔ)設(shè)施也都需要選用特定的傳感器,有針對性地研制專用裝備??梢?,多傳感器集成的專用化的測量裝備是智能化測繪發(fā)展的必然結(jié)果。
多傳感器集成不僅要解決不同傳感器之間存在的電氣屬性、工作特性、數(shù)據(jù)協(xié)議等差異的問題,更重要的是,要求傳感器測量的數(shù)據(jù)能準確描述時間和空間信息[17-19]。例如,路面檢測使用線掃描相機獲取路面圖像,間隔1 mm采樣;使用線結(jié)構(gòu)光測量車轍,間隔10~100 mm采樣;使用加速度計與測距機結(jié)合測量平整度,以固定周期采樣,采樣間隔與行駛速度相關(guān)。準確描述各傳感器數(shù)據(jù)的獲取時間和空間位置,則需要建立一個統(tǒng)一的時間和空間基準,以同步所有傳感器數(shù)據(jù)。對于任何一個傳感器而言,每次獲取一個新的數(shù)據(jù)則和最新的時間和空間基準進行關(guān)聯(lián)。不同數(shù)據(jù)時間和空間維度粒度的不一致時,可以根據(jù)實際需要進行內(nèi)插和外推,從而實現(xiàn)高動態(tài)環(huán)境下高頻采樣的時間和空間的精確傳遞。
專用測量裝備往往由不同的機構(gòu)研制,輸出的數(shù)據(jù)格式往往不對外公開。一個工程如果采用多類測量裝備,就需要多種軟件配合,導(dǎo)致作業(yè)人員需要不斷地學(xué)習(xí)各種裝備操作、軟件使用及升級,反復(fù)轉(zhuǎn)換數(shù)據(jù)格式,嚴重影響作業(yè)效率和效果。多傳感器集成除了建立多傳感器的同步與控制標準,還需要制定集成后設(shè)備輸出的數(shù)據(jù)格式標準,做到測量裝備專業(yè)化、感知自動化、數(shù)據(jù)標準化。
在不同應(yīng)用場景下,測量裝備從功能到形態(tài)都會有較大差異,但裝備研制技術(shù)路線有著共同特性:首先,裝備需要基于特定的裝載平臺,如汽車、機器人、飛機(有/無人機)、列車、衛(wèi)星等;其次,需要集成一種或多種類型傳感器以實現(xiàn)數(shù)據(jù)感知和定位定姿;再次,需統(tǒng)一多類型傳感器的時間和空間基準;然后,研發(fā)特定的傳感器控制設(shè)備和數(shù)據(jù)采集與處理軟件;最后,根據(jù)行業(yè)測量實際需求進行裝備研發(fā)、裝備標定和檢定環(huán)境建設(shè)等,如圖2所示。
圖2 測量裝備邏輯結(jié)構(gòu)Fig.2 The schematic map of the surveying devices
以當前典型的公路、鐵路移動測量裝備為例,主要集成全景相機、多目相機、激光雷達、線結(jié)構(gòu)光等傳感器,采用里程計、GNSS與慣導(dǎo)組合進行定位定姿,其聯(lián)合解算可提高空間定位精度。此時,多傳感器同步控制設(shè)備輸入定位定姿傳感器信號,利用里程計輸入信號計算載車移動的里程信息并作為觸發(fā)基準信號,為以距離外觸發(fā)工作的傳感器生成外觸發(fā)信號,觸發(fā)信號直接傳輸給傳感器以驅(qū)動傳感器工作。利用GNSS信號和內(nèi)部晶振結(jié)合產(chǎn)生高精度標準時間,建立測量時間基準。最后將時間和空間基準與觸發(fā)信號基準關(guān)聯(lián),為測量數(shù)據(jù)與同步信息關(guān)聯(lián)提供信息。同步控制設(shè)備生成的時空基準關(guān)聯(lián)數(shù)據(jù)通過通信協(xié)議發(fā)送服務(wù)器,服務(wù)器上運行數(shù)據(jù)采集軟件監(jiān)聽傳感器對應(yīng)的數(shù)據(jù)端口,將端口產(chǎn)生的數(shù)據(jù)與時空關(guān)聯(lián)數(shù)據(jù)進行融合,生成帶時間和空間信息的標準數(shù)據(jù)并存儲,從而完成數(shù)據(jù)采集。根據(jù)測量要求,采集的數(shù)據(jù)有可能會進行實時解算,隨著5G技術(shù)的成熟,未來測量數(shù)據(jù)可能會實現(xiàn)實時的后臺傳輸。圖3為我國公路、鐵路、大壩等基礎(chǔ)設(shè)施典型測量裝備,已經(jīng)在國內(nèi)公路交通、軌道交通以及水利水務(wù)領(lǐng)域廣泛應(yīng)用,這些設(shè)備部分已出口到海外。在國際上,也有系列類似測量裝備,例如丹麥Greenwood彎沉測量裝備,比利時REDUCTABM-90慣性陀螺儀,加拿大Roadware,澳大利亞ARRB和美國Pathway的路面檢測裝備等,其中后3家路面三維測量技術(shù)都源于加拿大的INO公司。
圖3 公路、鐵路、地鐵、大壩等典型測量裝備Fig.3 Surveying devices for roads, railways, subways, dams et al
智能化感知獲得的測量數(shù)據(jù)具有明顯的多源特征,如激光點云、影像數(shù)據(jù)、慣性測量數(shù)據(jù)、里程計數(shù)據(jù)等;同時具有多尺度特征,即不同測量數(shù)據(jù)的精度不同,如可能既有亞毫米級精度,也有分米級精度;此外,還有動態(tài)大數(shù)據(jù)特征,即測量數(shù)據(jù)每秒可達幾百兆甚至更多。傳統(tǒng)測量數(shù)據(jù)處理理論和方法無法處理此類測量數(shù)據(jù),需要更加智能化的處理手段。
測量數(shù)據(jù)處理的目的是通過降低觀測誤差,實現(xiàn)對模型中待估參數(shù)的最優(yōu)求解。在經(jīng)典測量數(shù)據(jù)處理問題中,線性參數(shù)估計占據(jù)主導(dǎo)地位。在數(shù)理統(tǒng)計中,最優(yōu)估計量應(yīng)具備無偏性、一致性和有效性[20]。最小二乘準測以估計的誤差向量加權(quán)平方和最小作為最優(yōu)估計準測,基于該準則估計的參數(shù)能滿足最優(yōu)的統(tǒng)計性質(zhì),從而在測量數(shù)據(jù)處理中被廣泛采用。
最小二乘準則僅顧及了觀測誤差中的偶然誤差,沒有對粗差和系統(tǒng)誤差進行處理。傳統(tǒng)測量主要通過嚴格測量操作規(guī)程控制系統(tǒng)誤差,通過幾何約束和人工挑錯的方法控制粗差。數(shù)字化測量需要在數(shù)據(jù)處理中更加高效地解決系統(tǒng)誤差和粗差問題,同時處理測量場景中存在的觀測不足、參數(shù)具備先驗信息等情況,滿足不同測量場景的數(shù)據(jù)處理需求[21]?;诟咚?馬爾可夫模型和最小二乘估計方法,發(fā)展了一系列新的理論和方法,總體歸納如圖4所示。
圖4 現(xiàn)代測量數(shù)據(jù)處理方法Fig.4 Data processing methods for modern surveying data
隨著包括激光掃描儀、高精度慣導(dǎo)、無人平臺等傳感器、裝備和平臺的快速發(fā)展。測量數(shù)據(jù)迅猛增長,形成了當代測量的大數(shù)據(jù)[22]。與傳統(tǒng)測量數(shù)據(jù)相比,當代測量數(shù)據(jù)動態(tài)性強,來源更多,類型更加廣泛,給測量數(shù)據(jù)處理方法也提出新的要求,主要表現(xiàn)為以下3點:
(1) 數(shù)據(jù)類型上,從傳統(tǒng)測量需要處理的點數(shù)據(jù),擴展到現(xiàn)在的線(結(jié)構(gòu)線)、面(圖像)、體(點云)數(shù)據(jù)。
(2) 時間特征上,從較少的靜態(tài)觀測數(shù)據(jù)和靜態(tài)求解參數(shù),擴展到現(xiàn)在海量的動態(tài)觀測數(shù)據(jù)和動態(tài)測量參數(shù)上。
(3) 測量要素上,從過去的邊、角、高等基本幾何要素處理擴展到包括幾何和屬性要素的更多描述測量對象狀態(tài)的具體指標(如平順度、變形、裂縫等)。
傳統(tǒng)以代數(shù)為主的平差理論和方法不能適用于復(fù)雜場景中的動態(tài)數(shù)據(jù)處理。為應(yīng)對動態(tài)測量大數(shù)據(jù)處理的新要求,新的研究熱點是進一步將概率統(tǒng)計學(xué)、優(yōu)化理論與測量數(shù)據(jù)處理融合為一體,吸收融合計算機視覺和機器學(xué)習(xí)領(lǐng)域的眾多方法和技術(shù)[23],進行測量數(shù)據(jù)的智能化分析。
在幾何要素處理上,普遍采用貝葉斯框架下的概率模型融合多源測量數(shù)據(jù),通過最大化參數(shù)在觀測條件下的后驗概率獲得幾何測量參數(shù)。與經(jīng)典最小二乘估計模型對比,貝葉斯理論提供描述概率和不確定性更精確的語言,概率密度分布不限于高斯分布,涵蓋了經(jīng)典最小二乘估計,是一個更完善、更普適的處理方法。為求解動態(tài)觀測下的此類模型,通常采用擴展卡爾曼濾波、粒子濾波等貝葉斯濾波方法。如果不需要動態(tài)求解或者本身為靜態(tài)問題,還可以用如圖優(yōu)化、蒙特卡洛馬爾可夫采樣等最優(yōu)化方法進行解算。
在屬性要素處理上,采用機器學(xué)習(xí)方法,包括支持向量機、隨機森林、K-近鄰算法等監(jiān)督學(xué)習(xí)方法和K-均值聚類等非監(jiān)督學(xué)習(xí)方法,這些經(jīng)典機器學(xué)習(xí)方法一般都使用人工設(shè)計的特征,它們被用于點云和圖像語義信息理解和目標屬性提取。近幾年,可以自動學(xué)習(xí)特征的深度學(xué)習(xí)方法得到快速發(fā)展。深度學(xué)習(xí)方法通過大量樣本訓(xùn)練(圖5),對特征表達進行自動學(xué)習(xí),學(xué)習(xí)到的特征由大量參數(shù)組成,具備很強的屬性描述能力,因此被逐漸用于測量數(shù)據(jù)的屬性要素處理中[24-26]。
圖5 深度卷積神經(jīng)網(wǎng)絡(luò)及路面裂縫識別結(jié)果Fig.5 The convolutional neural network and its application to the detection of road fissures
從數(shù)據(jù)流的角度看,測量數(shù)據(jù)智能化處理的過程即是將原始傳感器采集的數(shù)據(jù)轉(zhuǎn)化為所需要的測量對象特征信息的過程,如圖6所示。
圖6 測量數(shù)據(jù)智能化處理基本流程Fig.6 The basic flowchart of the surveying data intelligent processing
(1) 需要對多傳感器采集的觀測數(shù)據(jù)進行濾波融合,借助冗余觀測降低觀測誤差,獲得平差后的測量數(shù)據(jù)[27]。
(2) 需要對測量數(shù)據(jù)進行信息增強,去除或削弱非測量目標的測量信息,如點云中非目標點、圖像中樹木陰影等。
(3) 需要對信息增強后獲得的數(shù)據(jù)進行配準拼接,包括不同站點數(shù)據(jù)配準拼接、數(shù)據(jù)模型間配準拼接。
(4) 需要對測量目標的特征信息進行識別提取,例如識別道路裂縫、軌道病害等。
動態(tài)精密工程測量具有動態(tài)、連續(xù)和大數(shù)據(jù)量等特征。與以往測量數(shù)據(jù)處理相比,需要解決多測量傳感器融合、測量數(shù)據(jù)去噪增強、測量數(shù)據(jù)配準拼接,大場景數(shù)據(jù)特征自動識別等問題。未來,隨著測量工程智能化需求的提升,動態(tài)精密工程測量還將從自動化測量進一步發(fā)展到智能理解,即深入融合智能分析算法,實現(xiàn)基于自動化測量特征的目標狀態(tài)智能判別。
傳統(tǒng)意義上測量工作的輸出就是傳感器輸出的數(shù)據(jù),但在基礎(chǔ)設(shè)施運維檢測中,測量的目的并不僅僅是為了獲得數(shù)據(jù),而是為了了解基礎(chǔ)設(shè)施狀態(tài)并對其是否異常進行評估,即需要從測量數(shù)據(jù)得到知識并利用知識輔助決策,這也是智能化應(yīng)用的要求。公路、鐵路、橋梁、隧道、大壩、城市管網(wǎng)等基礎(chǔ)設(shè)施在運營過程中,由于外界環(huán)境、材料性能、施工工藝等原因會發(fā)生各自病害,影響其正常服務(wù)能力并威脅到運行安全,基礎(chǔ)設(shè)施檢測需要得到檢測數(shù)據(jù)結(jié)果所對應(yīng)的設(shè)施狀態(tài)并按照行業(yè)規(guī)范和標準進行評定。
公路路面檢測依據(jù)《公路技術(shù)狀況評定標準》,規(guī)定通過路面技術(shù)狀況指數(shù)MQI對路面技術(shù)狀況進行等級評定,評定結(jié)果分為優(yōu)、良、中、次、差5個等級,MQI的分項指標包括路面技術(shù)狀況(PQI)、路基技術(shù)狀況(SCI)、橋隧構(gòu)造物技術(shù)狀況(BCI)和沿線設(shè)施技術(shù)狀況(TCI)。傳統(tǒng)靜態(tài)測量效率低、影響正常交通、無法反映行車動力特征,需要對這些指標進行動態(tài)快速測量。當前,PQI所有指標都已經(jīng)實現(xiàn)了快速檢測,特別是在快速彎沉裝備上集成傳統(tǒng)路面檢測技術(shù),實現(xiàn)了在統(tǒng)一時空基準下的PQI指標一體化檢測。BCI指標中的隧道襯砌裂損和水凍害指標也已經(jīng)實現(xiàn)快速檢測。SCI和TCI指標大都以調(diào)查方式進行評定。各指標評定等級劃分標準見表1。
表1 公路技術(shù)狀況評定等級劃分標準Tab.1 Maintenance quality indicators of the road condition
路面技術(shù)狀況(PQI)的分項指標包括路面損壞(PCI)、路面平整度(RQI)、路面車轍(RDI)、抗滑性能(SRI)、結(jié)構(gòu)強度(PSSI)指標、路面跳車(PBI)、路面磨耗(PWI)指數(shù)。目前檢測裝備路面檢測的結(jié)果,包括路面平整度、彎沉和抗滑系數(shù),以及路面變形病害如裂縫、坑槽、擁包、修補、車轍、跳車、磨耗等[28-29]。平整度反映路面縱剖面起伏情況,規(guī)范規(guī)定每10 m一個代表值;彎沉反映路面結(jié)構(gòu)強度,快速彎沉每1 m輸出一個彎沉值,規(guī)范規(guī)定每20 m一個代表值;抗滑系數(shù)反映某個輪跡帶的抗滑情況,規(guī)范規(guī)定每10 m一個代表值。路面病害檢測技術(shù)已由傳統(tǒng)的可視技術(shù)過渡到三維測量技術(shù),可建立路面高精度三維模型,計算出路面技術(shù)狀況指標并進行評級,如圖7所示。該技術(shù)實現(xiàn)變形病害的“一測多用”,未來將可能用于計算更多指標[30]。
圖7 病害在路面三維數(shù)據(jù)中的典型示例Fig.7 One example showing the detection of road damages based on 3D data
堆石壩因其良好的安全性、經(jīng)濟性和適用性,成為我國水利水電開發(fā)的優(yōu)選壩型。堆石壩的內(nèi)部變形監(jiān)測是安全監(jiān)測的重要內(nèi)容,目前常用的水管式沉降儀、鋼絲位移計等點式傳感器,需布設(shè)大量傳感器,存在傳感器死亡率高等問題。特別是對于近些年發(fā)展的高堆石壩,沉降儀水準管路和鋼絲長度幾乎達到性能極限,傳感器的測量精度和測量量程受到嚴重挑戰(zhàn),亟須發(fā)展更加可靠的內(nèi)部變形監(jiān)測技術(shù)[28-32]。
針對內(nèi)部變形監(jiān)測,提出一種基于柔性管道慣性測量的新型堆石壩內(nèi)部變形觀測方法,如圖8和圖9所示。其基本原理是在堆石壩內(nèi)部布設(shè)柔性抗壓變形監(jiān)測管道,利用集成慣導(dǎo)/多里程計、管道機器人測量管道的三維曲線,相對傳統(tǒng)的固定式檢測方法如水準管和鋼絲引張線,管道機器人采用動態(tài)的方法進行測量。測量時利用高精度管道機器人在管道內(nèi)部往復(fù)運動,測量平臺是動態(tài)的,通過對動態(tài)測量獲得的高精度慣導(dǎo)、精密里程計進行最優(yōu)融合,測量管道的線形。通過多期運動軌跡的比對,實現(xiàn)變形指標計算。這種基于管道測量的內(nèi)部變形監(jiān)測方式,與傳統(tǒng)的水準沉降儀和鋼絲引張線相比,可靠性和抗沖擊性更強。不僅如此,其測量結(jié)果從稀疏點狀數(shù)據(jù)變?yōu)榫殹⑦B續(xù)分布的三維線狀數(shù)據(jù),且同時測量多種變形指標。這種全新的管道變形測量系統(tǒng)已經(jīng)在我國四川兩河口、貴州夾巖等大壩項目上進行了驗證和應(yīng)用。
圖8 基于預(yù)埋柔性管道測量的堆石壩內(nèi)部變形監(jiān)測原理Fig.8 The principle of measuring the internal deformation of the rockfill dam based on buried flexible pipelines
圖9 高精度管道變形測量機器人及其部署Fig.9 The deployment of georobots and its use in the precise internal deformation measurement
排水管網(wǎng)是雨污水排放的重要通道,是維持城市安全運行的生命線。對地下管網(wǎng)進行周期性全面檢測,是及時發(fā)現(xiàn)風(fēng)險、保障排水管網(wǎng)系統(tǒng)安全運維的關(guān)鍵。目前常見的排水管道內(nèi)部檢測技術(shù)包括閉路電視(CCTV)檢測機器人、管道內(nèi)窺聲吶、管道潛望鏡、管道內(nèi)窺鏡等。這些方法單次作業(yè)范圍小、操作復(fù)雜、勞動強度大,導(dǎo)致檢測效率低、成本高。因此,亟須發(fā)展快速低成本的連續(xù)性排水管網(wǎng)動態(tài)檢測技術(shù),為排水管網(wǎng)普查提供有效的手段,提升管網(wǎng)智慧運維水平[33-34]。
針對城市大規(guī)模有水狀態(tài)管網(wǎng)檢測難題,提出一種基于流體驅(qū)動排水管道動態(tài)視覺檢測方法,發(fā)明排水管道檢測膠囊裝置,其檢測原理如圖10所示。在上游投放一種低成本漂流式管道膠囊,膠囊在管道中漂流時動態(tài)獲取管道內(nèi)壁圖像數(shù)據(jù),在下游進行膠囊回收。利用視覺與地圖輔助慣性定位方法實現(xiàn)膠囊定位;基于深度學(xué)習(xí)進行破損、變形等病害自動識別,精度達85%。排水慣導(dǎo)膠囊在廣東深圳、安徽合肥、浙江麗水等多地開展市政管網(wǎng)普查、引水涵洞調(diào)查等應(yīng)用,累積檢測管網(wǎng)數(shù)十千米,取得良好效果。
圖10 流體驅(qū)動排水管道視覺檢測原理和檢測膠囊Fig.10 The principle of the flow-driven pipeline visual detection and the capsular device
水利水電輸水隧道是保障水利工程、水電設(shè)施、人民用水安全的重要基礎(chǔ)設(shè)施,長期荷載會產(chǎn)生老化甚至結(jié)構(gòu)性病害。對輸水隧道進行周期性全面檢測,是水利水電工程安全運營的重要保障。當前國內(nèi)對輸水隧道的檢測仍然以人工普查為主,費時費力且檢測精度差,不能滿足我國現(xiàn)有數(shù)量多、里程長輸水隧道病害檢測的要求。針對輸水隧道內(nèi)部環(huán)境惡劣、檢測手段不足的困難,研制了一套輸水隧道爬繩檢測機器人裝備,實現(xiàn)對病害發(fā)展過程的數(shù)字化監(jiān)控和科學(xué)分析。裝備集成高精度激光掃描儀、慣導(dǎo)系統(tǒng)、里程計、高清全景攝像機等多種傳感器,借助爬繩設(shè)備在輸水隧道行進,動態(tài)獲取相關(guān)傳感器數(shù)據(jù)。利用激光掃描技術(shù)、移動測量技術(shù)、圖像處理技術(shù),生成輸水隧道三維點云和高清圖像。融合灰度、深度信息能夠快速準確地定位和識別輸水隧道病害,包括隧道裂縫、掉塊、泌鈣、滲漏水、接縫破損等典型病害,生成隧道病害檢測報告[35]。
圖11 輸水隧道爬繩檢測機器人裝置Fig.11 The climbing surveying robot for water tunnel measurement
隧道運營過程中出現(xiàn)的不同類型病害會影響隧道健康運營。隧道脫空等結(jié)構(gòu)性病害一般采用探地雷達檢測,并已在行業(yè)得到廣泛應(yīng)用。裂損、水凍害等表觀病害,國內(nèi)外主要以人工目視及敲擊檢測為主,檢測時需要進行交通管制,一個班組2~3 d檢測1 km,效率低,安全風(fēng)險高。以中型卡車為檢測平臺,集成多類型傳感器,包括陣列灰度相機、紅外相機、激光雷達及定位傳感器的快速檢測裝備已經(jīng)得到應(yīng)用?;叶认鄼C獲取隧道襯砌表面圖像,分辨率達到0.2~0.3 mm,進行快速裂損病害檢測;紅外相機獲取隧道溫度圖像,依據(jù)水凍害會導(dǎo)致局部溫度變化的現(xiàn)象進行水凍害檢測;激光雷達獲取隧道毫米級三維點云,利用點云的隧道三維建模并進行典型結(jié)構(gòu)病害或構(gòu)造物提??;還可以在移動平臺上集成探地雷達等傳感器進行隧道隱性病害集成檢測。所有傳感器集成在一個剛性支架上,有利于保持移動檢測時傳感器相對姿態(tài)穩(wěn)定,實際工程檢測時,每次只檢測半幅隧道,通過旋轉(zhuǎn)剛性支架實現(xiàn)隧道全斷面檢測,最快檢測速度可以達到80 km/h,是未來隧道檢測技術(shù)發(fā)展趨勢。隧道快速檢測感知及襯砌裂縫病害識別框架如圖12所示。圖中,數(shù)據(jù)感知模型列舉了灰度、紅外、點云及定位數(shù)據(jù)獲取,以及基于多源數(shù)據(jù)特征匹配融合后的隧道全景數(shù)據(jù);病害檢測模型為基于全景數(shù)據(jù)的襯砌裂縫檢測。
圖12 隧道快速檢測及襯砌裂縫病害識別框架Fig.12 Tunnel rapid testing and crack detection framework
改革開放以來,隨著經(jīng)濟的快速發(fā)展,我國基礎(chǔ)設(shè)施建設(shè)突飛猛進,動態(tài)精密工程測量為基礎(chǔ)設(shè)施安全運維提供重要保障。本文主要介紹了動態(tài)精密工程測量的關(guān)鍵技術(shù)及基礎(chǔ)設(shè)施應(yīng)用,涉及智能化信息感知、智能化數(shù)據(jù)處理及典型智能化監(jiān)測應(yīng)用。隨著人類改造自然能力和需求的不斷增加,基礎(chǔ)設(shè)施工程建設(shè)規(guī)模不斷擴大,工程結(jié)構(gòu)越來越復(fù)雜,建設(shè)環(huán)境復(fù)雜多變,運營過程安全風(fēng)險也在增加。工程測量作為工程項目規(guī)劃、建設(shè)和運營全過程重要的基礎(chǔ)技術(shù),對測量的效率、精度、質(zhì)量和可靠性的要求也越來越高。為了應(yīng)對不斷出現(xiàn)的新挑戰(zhàn),動態(tài)精密工程測量技術(shù)需要向智能化測繪邁進,實現(xiàn)信息感知智能化、數(shù)據(jù)處理智能化、測量服務(wù)智能化,只有這樣才能不斷滿足日益增長的基礎(chǔ)設(shè)施監(jiān)測需求。