基于無(wú)人機(jī)圖像識(shí)別的山地橋梁智能檢測(cè)技術(shù)研究

陽(yáng)江　朱明明

摘? 要：針對(duì)現(xiàn)行山地橋梁檢測(cè)車造價(jià)高，人工車上檢查檢測(cè)過(guò)程危險(xiǎn)，檢測(cè)車占用車道影響行車的問(wèn)題，提出基于無(wú)人機(jī)圖像識(shí)別方式開(kāi)展山地橋梁智能檢測(cè)，采用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行圖像處理、分割、識(shí)別檢測(cè)，具有較高的識(shí)別精度，可以應(yīng)用于橋梁外觀病害檢測(cè)。

關(guān)鍵詞：無(wú)人機(jī) 卷積神經(jīng)網(wǎng)絡(luò) 橋梁檢測(cè)

0引言

隨著經(jīng)濟(jì)社會(huì)的發(fā)展，中國(guó)橋梁總數(shù)已超100萬(wàn)座，橋高、橋長(zhǎng)數(shù)據(jù)驚人。在自然環(huán)境、材料劣化、施工缺陷、超載等因素的作用下，橋梁結(jié)構(gòu)易出現(xiàn)不同程度的開(kāi)裂破損、露筋銹蝕、支座脫空等損傷和病害，需要定期開(kāi)展橋梁損傷程度檢測(cè)。

1無(wú)人機(jī)智能檢測(cè)技術(shù)

無(wú)人機(jī)圖像識(shí)別系統(tǒng)主要由無(wú)人機(jī)圖像采集單元、地面站與數(shù)據(jù)傳輸單元、圖像信息處理與識(shí)別檢測(cè)單元三部分組成。無(wú)人機(jī)一般采用起降平穩(wěn)的多旋翼無(wú)人機(jī)，利于數(shù)據(jù)采集和觀測(cè);地面站與數(shù)據(jù)傳輸單元用于實(shí)時(shí)監(jiān)控?zé)o人機(jī)飛行、檢查拍攝情況，即時(shí)控制信號(hào)、檢測(cè)數(shù)據(jù)的傳輸，利于及時(shí)糾正飛行軌跡、發(fā)現(xiàn)橋梁明顯病害;圖像信息處理與識(shí)別檢測(cè)單元用于對(duì)圖像的灰度分部、亮度和顏色等信息進(jìn)行各種運(yùn)算處理，從中提取出目標(biāo)對(duì)象的相關(guān)特征，完成對(duì)目標(biāo)對(duì)象的測(cè)量與檢測(cè)任務(wù)。

2山地橋梁病害檢測(cè)

按照《公路橋涵養(yǎng)護(hù)規(guī)范》（JTG H11-2004）規(guī)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(shù)狀況評(píng)分，本次試驗(yàn)利用無(wú)人機(jī)圖像識(shí)別代替目測(cè)，對(duì)橋跨、橋塔及橋墩混凝土結(jié)構(gòu)外觀進(jìn)行拍照攝像，識(shí)別橋梁病害。

2.1典型缺陷圖像獲取

對(duì)無(wú)人機(jī)橋梁檢測(cè)系統(tǒng)進(jìn)行全局整體設(shè)計(jì)，利用無(wú)人機(jī)攜帶高清拍攝設(shè)備對(duì)橋梁上部構(gòu)造及下部構(gòu)造混凝土結(jié)構(gòu)裂縫、蜂窩、麻面、露筋銹蝕等病害進(jìn)行圖像識(shí)別。以重慶至合川為正方向的嘉陵江大橋檢測(cè)為例，按正方向?qū)蚨张_(tái)從左到右編為0號(hào)橋臺(tái)、1號(hào)橋墩……12號(hào)橋臺(tái)。主橋主跨按前進(jìn)方向?qū)F(xiàn)澆段編為1號(hào)～51號(hào)現(xiàn)澆塊，邊跨從根部起編為1號(hào)～27號(hào)塊。

2.2卷積神經(jīng)網(wǎng)絡(luò)智能識(shí)別

以裂縫為例，采用無(wú)人機(jī)圖像信息處理與識(shí)別檢測(cè)技術(shù)，篩選多余信息，進(jìn)行圖像預(yù)處理，抽出主要信息提取橋梁病害特征，利用卷積神經(jīng)網(wǎng)絡(luò)建模實(shí)現(xiàn)智能識(shí)別檢測(cè)，進(jìn)行圖像識(shí)別檢算。

2.2.1識(shí)別路徑設(shè)計(jì)

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

2.2.2圖像預(yù)處理及典型特征提取

圖像分析前，需要進(jìn)行圖像預(yù)處理，目的是消除圖像中無(wú)關(guān)的信息，恢復(fù)有用的真實(shí)信息，增強(qiáng)有關(guān)信息的可檢測(cè)性、最大限度地簡(jiǎn)化數(shù)據(jù)，改進(jìn)特征提取、圖像分割、匹配和識(shí)別的可靠性，預(yù)處理步驟分為灰度化、幾何變換、圖像增強(qiáng)。

灰度化是根據(jù)重要性及其它指標(biāo)，將紅黃藍(lán)三個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均得到灰度圖像。圖像幾何變換是通過(guò)平移、轉(zhuǎn)置、鏡像、旋轉(zhuǎn)、縮放等幾何變換處理，用于改正圖像采集系統(tǒng)的系統(tǒng)誤差和儀器位置的隨機(jī)誤差。圖像增強(qiáng)是增強(qiáng)圖像中的有用信息，改善圖像的視覺(jué)效果，將原來(lái)不清晰的圖像變得清晰或強(qiáng)調(diào)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(xué)習(xí)訓(xùn)練

基于深度學(xué)習(xí)的混凝土裂縫圖像特征識(shí)別具體步驟為：

（1）圖像分割，將無(wú)人機(jī)拍攝的橋梁混凝土結(jié)構(gòu)圖像進(jìn)行分割，增加訓(xùn)練庫(kù)的圖片規(guī)模（1000幅以上），人工標(biāo)注分隔的圖像，標(biāo)出圖中有裂縫的圖片與沒(méi)有裂縫的圖片，形成訓(xùn)練數(shù)據(jù)庫(kù)（900幅以上），另外的100幅圖片為測(cè)試圖像。

（2）圖形訓(xùn)練，將帶有標(biāo)簽的數(shù)據(jù)輸入到Faster-Rcnn中進(jìn)行模型訓(xùn)練，根據(jù)訓(xùn)練情況判斷是否需要更改訓(xùn)練參數(shù)重復(fù)訓(xùn)練，直到判斷準(zhǔn)確。

（3）訓(xùn)練庫(kù)中包含有裂縫的圖片，也包含無(wú)裂縫圖片，針對(duì)裂縫病害建立分類器，將無(wú)人機(jī)拍攝的圖片輸入Faster-Rcnn，依據(jù)種類判斷該結(jié)構(gòu)圖片是否有裂縫病害。

2.3卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)進(jìn)行處理;卷積層含有卷積核，可以隨機(jī)確定其權(quán)重，用于圖像像素進(jìn)行卷積運(yùn)算，并不斷梯度方向更新，卷積層可以縮減數(shù)據(jù)規(guī)模減少計(jì)算消耗;池化層分為最大值和均值池化，分別選取池化層數(shù)據(jù)中最大值或平均值進(jìn)行運(yùn)算，可減少數(shù)據(jù)量。卷積層與池化層交替進(jìn)行，卷積層得到的特征圖為輸入圖像和卷積核運(yùn)算加上一個(gè)偏置后再通過(guò)激活函數(shù)所得的結(jié)果，池化運(yùn)算后送入激活層，最后由sigmoid層輸出卷積后的結(jié)果是否為裂縫病害圖片，輔助層有截?cái)鄬雍团繕?biāo)準(zhǔn)層用于截?cái)嗯c標(biāo)準(zhǔn)化圖像。圖2為一個(gè)3*3的卷積核在5*5的圖像上進(jìn)行卷積運(yùn)算過(guò)程;圖3為最大池化運(yùn)算過(guò)程。

3智能識(shí)別分析

采用無(wú)人機(jī)拍攝圖像，對(duì)橋梁混凝土結(jié)構(gòu)圖像缺陷進(jìn)行分割成1000張小圖片，測(cè)試表明，采用卷積神經(jīng)網(wǎng)絡(luò)模型具有高速度和較高的識(shí)別精度的優(yōu)點(diǎn)。對(duì)于一張高清圖片在結(jié)構(gòu)裂紋識(shí)別中能達(dá)到80%左右的識(shí)別精度。

將無(wú)人機(jī)智能檢測(cè)技術(shù)，應(yīng)用于重慶山地橋梁工程外觀檢測(cè)，表現(xiàn)出良好的控制性能和智能識(shí)別橋梁病害的能力，克服了人工目測(cè)危險(xiǎn)性高、識(shí)別不準(zhǔn)問(wèn)題，提高了缺陷圖像識(shí)別的效率。

參考文獻(xiàn)

[1] JTG H11-2004公路橋涵養(yǎng)護(hù)規(guī)范[S].2004

[2] 溫作林 申永剛.基于卷積神經(jīng)網(wǎng)絡(luò)的混凝土裂縫識(shí)別[J].建筑材料科學(xué)與技術(shù).2019

[3] 葉肖偉.一種基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的裂縫識(shí)別方法[P].中國(guó)專利：CN201710641103.X，2020.6

[4] 李寧.基于無(wú)人機(jī)圖像識(shí)別技術(shù)的輸電線路缺陷檢測(cè)[J].電子設(shè)計(jì)工程.2019.5