面向建筑健康監(jiān)測的無人機自主巡檢與裂縫識別

劉 春，艾克然木·艾克拜爾，蔡天池

（同濟大學測繪與地理信息學院，上海 200092）

城市空間多元要素的智能感知是城市體征敏感指標動態(tài)監(jiān)測和風險因子診斷預警的重要科學基礎(chǔ)，是建立健全“城市體檢”長效評估機制、開展新型智慧城市全生命周期健康管理的關(guān)鍵支撐。特大城市因其高度復雜性、開放性、集聚性等空間特征，安全底線的約束強化和智慧韌性的提升淬煉面臨更為嚴峻的挑戰(zhàn)。以上海市為例，常住人口超2 480 萬，擁有1.4 萬多個住宅小區(qū)，30 層以上的高層建筑1 500 多幢，建筑總量達14.5 億多平方米［1］。高密度、大體量房屋建筑健康狀態(tài)的高時效監(jiān)測評估是維持城市功能正常運行的根本保障，已經(jīng)成為“城市體檢”的緊迫任務和重要內(nèi)容［2］。

建筑健康狀態(tài)是建筑材料、結(jié)構(gòu)特性和服役環(huán)境等多方面因素共同影響的復雜問題。環(huán)境溫度和不均勻沉降引起的耐久性破壞會改變建筑邊界條件和結(jié)構(gòu)形式，導致建筑材料和結(jié)構(gòu)構(gòu)件性能的老化，產(chǎn)生裂紋、侵蝕、結(jié)構(gòu)缺陷等表觀病害［3］。其中，裂紋是建筑結(jié)構(gòu)健康的敏感指示參量。從初始表面微裂紋萌生，到基體裂紋聚集、擴展，最終形成宏觀裂紋斷裂，其生長演變覆蓋建筑結(jié)構(gòu)從表觀病變到結(jié)構(gòu)化失效的全過程［4］。因此，通過快速、有效的健康監(jiān)測方法及時探知建筑表面裂紋病變模式，充分掌握裂縫發(fā)展規(guī)律和結(jié)構(gòu)性能退化水平，對房屋建筑的安全運維和壽命預測具有非常重要的現(xiàn)實意義。

典型的建筑健康監(jiān)測系統(tǒng)是由敷貼在建筑立面或植入結(jié)構(gòu)內(nèi)部的應力應變傳感器、拉線式裂縫計等多類型傳感單元組成的實時監(jiān)測傳感網(wǎng)絡(luò)，通過實時感知外部環(huán)境侵蝕、周邊擾動和極端載荷行為，為單體建筑結(jié)構(gòu)整體連續(xù)性監(jiān)測提供科學依據(jù)。針對局部區(qū)域或關(guān)鍵節(jié)點的診斷，超聲波、沖擊回波、微波雷達等無損檢測技術(shù)通過層析成像直觀表征損傷狀態(tài)［5-6］。

近年來，激光掃描、攝影測量、紅外熱成像等新型遙感觀測技術(shù)，已經(jīng)成為快速非接觸式檢測的有益補充，并被廣泛應用于建筑裂紋病害的高頻次常規(guī)檢測中［7］。地基三維激光掃描儀在近程可獲取毫米級分辨率的建筑立面點云數(shù)據(jù)，將強度信息轉(zhuǎn)換為立面正射灰度影像后，可針對幾何特征顯著的結(jié)構(gòu)件或區(qū)域開展缺陷或裂紋等表面病害檢測。然而，在多段架站掃描過程中，其分辨率隨掃描距離徑向變化，且觀測視場中的場景遮擋會影響立面掃描的完整性，難以在大跨度建筑或密集觀測空間完整獲取建筑立面精細觀測數(shù)據(jù)［8］；紅外熱成像則是利用建筑表面裂紋或缺陷區(qū)域因熱導率不同形成的表面輻射率差異，將紅外輻射轉(zhuǎn)換為熱圖像，根據(jù)影像中的溫度突變判別表面病害。在遠距離觀測時，熱紅外影像可以直觀反映建筑整體表面熱異常，但其傳感特性不足以支撐建筑立面微裂紋形態(tài)的有效定量分析［9］；而攝影測量技術(shù)有助于快速、便捷獲取建筑表面近距離影像，兼具幾何精度和紋理細節(jié)，已經(jīng)成為建筑表面病害信息獲取的重要觀測手段，并為專業(yè)檢測人員查驗、判別提供了高分辨率觀測數(shù)據(jù)。輔以計算機視覺方法，可進一步實現(xiàn)裂紋區(qū)域的識別、骨架線的提取、病變趨勢分析和損傷評估量化［10］。

為了提升裂紋影像分析的自動化程度，基于深度學習的智能視覺檢測方法已經(jīng)成為眾多學者研究的熱點。裂紋智能檢測方法主要解決兩類問題：第一類，識別影像中是否存在裂紋。將原始影像劃分為多個圖像塊子區(qū)域，分類器一一搜索判斷是否存在裂紋。常用訓練架構(gòu)是VGGNet、GoogLeNet 和ResNet 等分類網(wǎng)絡(luò)，訓練數(shù)據(jù)是由裂紋影像和非裂紋影像組成的正負樣本集［11-13］；第二類，從影像中提取裂紋。對輸入影像進行逐像素分類判斷，從背景中分割提取出裂紋形態(tài)。常用訓練架構(gòu)是FCN、Mask R-CNN 和U-Net 等分割網(wǎng)絡(luò)。在使用分割網(wǎng)絡(luò)時，為了降低裂紋的漏檢和誤檢，樣本中需要涵蓋多類型裂紋的大量標注結(jié)果，有限的數(shù)據(jù)集和任務導向的參數(shù)調(diào)整使得分割網(wǎng)絡(luò)在任務場景切換時受到限制，需要重新調(diào)整模型參數(shù)訓練和優(yōu)化以獲得預期提取效果［14-17］。

上述自動化視覺檢測研究，在裂紋病害分析階段很好地實現(xiàn)了建筑局部興趣域或構(gòu)件的裂紋檢測，但少有涉及建筑整體的裂紋病害檢測。建筑的全局損傷是局部病變響應的總和。將裂縫檢測置于建筑全局進行綜合分析，獲取裂縫空間形態(tài)信息，確定裂縫在建筑整體中的病變演化規(guī)律，及時了解局部損傷對整體建筑的影響是當前建筑健康監(jiān)測與診斷的重要研究方向［18］。這也使建筑健康監(jiān)測愈加顯現(xiàn)其觀測密集和知識密集的過程特性。而人工巡檢觀測難以在地物密集、可達性差的復雜建筑環(huán)境中高時效、安全開展目標建筑結(jié)構(gòu)體的全覆蓋精細觀測。為實現(xiàn)建筑整體的有效監(jiān)測，病害觀測階段自動化水平的提升是亟待攻克的難點。

低空多旋翼無人機平臺以其機動、靈活、高分辨率成像的觀測特性，銜接地-空觀測尺度，拓展了建筑巡檢的可觀測空間和覆蓋范圍，成為自動化、周期性視覺檢測的理想平臺［19-21］。利用攝影測量三維重建技術(shù)，可以實現(xiàn)建筑立面觀測與整體重建過程的統(tǒng)一，確保裂縫病害檢測的整體性與空間基準的一致性。

無人機三維重建路徑規(guī)劃被定義為全覆蓋路徑規(guī)劃規(guī)劃問題，即選擇有效覆蓋興趣域的攝影視點集，生成經(jīng)過這些視點的連續(xù)路徑。攝影測量中的全覆蓋路徑規(guī)劃主要是以先驗信息為主的離線規(guī)劃，根據(jù)地面站中的衛(wèi)星影像，確認目標區(qū)域邊界，選擇任務參數(shù)，生成固定高度平面上以固定傾角觀測的二維覆蓋路徑［22-23］。三維重建的表面細節(jié)主要取決于任務載荷的成像性能。相機的位置、方向和觀測距離直接影響目標建筑表面紋理重建精度。在建筑林立、地物密集的復雜空間如何實現(xiàn)建筑健康監(jiān)測巡檢路徑的有效規(guī)劃是具有挑戰(zhàn)性的問題，其任務特性對無人機的觀測能力和規(guī)劃控制方案提出了更高的要求：無人機需要貼近建筑立面觀測；飛行中可實現(xiàn)多方位多角度觀測；在狹小工作環(huán)境可規(guī)避場景中的障礙；航跡中需保持高精度位姿等。

為此，本研究針對建筑健康自動化巡檢中的上述挑戰(zhàn)，提出了場景信息引導的三維巡檢路徑規(guī)劃方法。針對目標建筑結(jié)構(gòu)特征快速獲取地表粗略三維信息，利用場景信息規(guī)劃三維全覆蓋巡檢路徑。將觀測路徑部署在輕小型RTK（機載實時動態(tài)差分定位）無人機實施建筑整體高精度三維重建，開展了建筑立面重建精度評估和裂紋智能識別，實現(xiàn)了整體建筑巡檢到識別全過程的自動化，為城市建筑的高時效監(jiān)測摸排提供了有效的觀測分析手段。

1 場景信息引導的建筑巡檢任務規(guī)劃

在本節(jié)中，主要介紹所提出的場景信息引導的建筑巡檢任務規(guī)劃方法，聚焦無人機在有限執(zhí)行空間中，基于先驗信息的攝影測量任務參數(shù)決策問題，目標是規(guī)劃和重構(gòu)一個更優(yōu)的建筑立面巡檢路徑，根據(jù)建筑結(jié)構(gòu)特征選擇適宜的觀測模式，以提升目標建筑重建的整體細節(jié)水平。

1.1 未知興趣域場景先驗信息獲取

快速勘探未知興趣域（Area of Interest，AOI）是場景信息獲取的第一步。A描述了興趣域的具體地理邊界，用序列頂點相連的閉合n邊形表示，A={v1，…，vn}。每個頂點vi以平面上的一對笛卡爾坐標(x，y) 表示。興趣域的三維表面Ter(x，y) 即AOI內(nèi)的點賦予高程z后的曲面，其最高點為Zmax。快速勘探是基于在AOI上方安全高度Hg執(zhí)行的全覆蓋觀測。當無人機位于視點pi，影像在地面上的覆蓋面積是F。完成勘探路徑后的累計覆蓋域為

無人機平臺采用機載實時動態(tài)差分（Real Time Kinematic，RTK）定位模塊，能夠在視點以厘米級定位精度記錄天線相位中心。式（2）給出了RTK獲取位置與機載相機位置的關(guān)系。其中，lA為RTK天線位置，Pmc是相機在世界坐標系中的位置，Rmc是相機方位角，a→C是天線相位中心和相機投影中心之間的平移距離。

式中：Pmt是物方連接點，xc，yc為其像方坐標，物方連接點與相機投影中心的距離Pc為1，比例因子為λ。高精度位姿輔助，優(yōu)化了快速勘探影像重建時的光束法平差過程，經(jīng)密集匹配和網(wǎng)格重建，可以有效獲取未知興趣域地面目標特征及其分布狀態(tài)。

先驗粗模型與地面站默認衛(wèi)星底圖之間的互補性有助于恢復三維場景的近似特征（輪廓邊界+高程信息），根據(jù)觀測空間中興趣目標的分布特性，利用三維線框模型可以在虛擬環(huán)境可視化表示觀測對象的位置和潛在障礙物，有效劃定觀測域和規(guī)避域，支撐基于模型的視點采樣和路徑規(guī)劃。

1.2 面向建筑結(jié)構(gòu)特征的任務規(guī)劃

充分利用空中觀測模式之間的有效互補性，可以實現(xiàn)對幾何特征和紋理細節(jié)的精確觀測。完整性是巡檢任務規(guī)劃的首要前提，當面對不同高度和周邊密集的建筑對象時，全覆蓋的定義需要比平坦和開闊區(qū)域更為具體?；趫鼍靶畔⒒诖致阅Ｐ鸵?guī)劃時，參考模型的選擇取決于目標建筑結(jié)構(gòu)的復雜性。興趣域內(nèi)的建筑可以分為規(guī)則型和不規(guī)則型。規(guī)則建筑是指建筑頂面近似垂直于所有側(cè)立面，通過屋頂面形狀拉伸就可以表示建筑基本幾何形狀；不規(guī)則建筑則具有更為復雜細致的結(jié)構(gòu)，如不規(guī)則平面、多結(jié)構(gòu)組合、多層立面起伏變化等。

（1）規(guī)則建筑的完全覆蓋問題可以看作是三維線框模型多表面的二維覆蓋觀測疊加問題，即在每個立面對應的近距離平行平面觀測。該步驟定義為

式中：TA為目標建筑的三維線框模型，TB為等距膨脹后的新表面，是無人機視點(pi，θi)的采樣空間，膨脹距離d根據(jù)期望觀測分辨率選擇確定。

S是目標建筑表面TA沿水平方向和垂直方向均勻細分的面元集。第i個面元Si可以表示為：

式中：Pi=(pi x，pi y，pi z)是面元的空間坐標，(ni x，ni y，ni z)是面元的表面法向量。Si的面積可以看作是無人機在對應正視視點pi觀測時在目標表面上的投影。Oi被假設(shè)為面元Si的中心坐標。因此，就是面元中心到相機中心的中軸矢量。無人機在pi視點上的觀測傾角便可以通過式（5）計算獲得

與觀測目標近距正視且平行分布的觀測視點利于提升深度估計影像的分辨率，并為建筑整體重建提供更為精細的紋理信息。因此，相鄰視角中軸矢量在立面貼近觀測時近似平行，其間距的穩(wěn)定控制和重疊度的保持，可以確保無人機以固定的基線-景深比，連續(xù)覆蓋均勻獲取全表面影像。平行觀測規(guī)劃過程如圖1所示。

圖1 規(guī)則建筑平行觀測Fig.1 Parallel inspection of regular building

（2）不規(guī)則建筑的均勻覆蓋則需要無人機的觀測視點均勻分布在建筑表面的等值曲面上，投影區(qū)域并集就是覆蓋域。將這種觀測模式稱為包絡(luò)觀測，其先驗信息為目標建筑及其周邊環(huán)境的粗網(wǎng)格模型，由初始勘探階段的正射影像重建獲得。

已知三維空間中的粗網(wǎng)格模型M=(V，F(xiàn))，網(wǎng)格頂點索引集V={v1..vNv}∈RNv×3三角面片索引集F={f1…fNf}∈ZNf×3，其中Nv和Nf分別為網(wǎng)格模型的頂點總數(shù)和三角面片總數(shù)。本文目標是從連續(xù)的網(wǎng)格表面計算得一組總數(shù)為Np的離散等距偏移采樣點P∈RNp×3和采樣點對應法向量N∈RNp×3，并從中選出作為無人機全覆蓋觀測不規(guī)則建筑表面的視點。為確保無人機觀測視點的均勻分布，采用規(guī)則遞歸采樣，基于移動立方體從偏移距離表示中提取等值面采樣點［24］，并根據(jù)觀測重疊度均勻化。移動立方體單元的大小決定采樣密度，距離參數(shù)d由預期分辨率約束，采樣點呈格網(wǎng)式均勻分布，適于連接生成符合無人機往復式穩(wěn)定飛行特性的有序路徑。

獲得的采樣點集

其中，ni表示第i個采樣子區(qū)域的平均法向量。將采樣點位置與法向量賦予相機作為位姿，所組成的觀測網(wǎng)就是無人機的全覆蓋觀測候選視點集。將候選視點的光軸向量投射在網(wǎng)格表面上相交，對于網(wǎng)格面上的交點sj定義投影面積函數(shù)f(pi)，根據(jù)無人機載相機成像模型，觀測目標的有效覆蓋視點可以表示為

式中：S是目標不規(guī)則表面建筑的面元集。對于所有i均滿足，當pi=1 時，建筑表面對于視點pi可見，sj周圍的投影區(qū)域f(pi)完全在建筑表面。相反，當pi=0 則表示從該視點，建筑表面部分可見或不可見，其交點位于建筑周圍的其它對象上。包絡(luò)觀測規(guī)劃過程如圖2所示。

圖2 不規(guī)則建筑包絡(luò)觀測Fig.2 Surface enveloping of irregular building

1.3 顧及環(huán)境障礙的巡檢航線生成

該節(jié)主要闡述了如何將候選視點轉(zhuǎn)換為一個連續(xù)貫穿所有視點的任務路徑，并在避開環(huán)境障礙物的情況下完全覆蓋目標建筑。任務路徑應該是連續(xù)且有序的，飛行參數(shù)無冗余。同時，運動軌跡在模式上應簡單（如直線、基本樣條或圓），以確保攝影測量飛行任務的可執(zhí)行性和過程的安全性。航線的生成過程可以表示為

式中：p0和v0無人機在世界坐標系中的初始位置和速度，由當前狀態(tài)的估計得到。pd是下一個期望航點，td是到達期望航點所需的時間。對于t∈[0，td]，f(t)給出了在t時刻無人機的運動狀態(tài)（位置、方位和速度）。航線的生成應規(guī)避執(zhí)行空間非凸區(qū)域潛在的障礙物，因此根據(jù)場景先驗信息需要對p0至pd的飛行過程添加約束，以避免執(zhí)行航線直穿飛行環(huán)境中的障礙區(qū)域。假定障礙物形狀為矩形，障礙物兩側(cè)可以表示為超平面ai x=bi的一部分，x1～x3的避障約束設(shè)為

該約束也可以推廣到多邊形障礙物。為進一步避免無人機在離散時間步長里“刺穿”障礙物拐角，在任務規(guī)劃階段可將障礙物邊界沿各向外擴vΔt/(2 2 )。通過雙重約束，可確保無人機在航線執(zhí)行過程中的每一時間段都位于障礙物的相同一側(cè)。

最后，根據(jù)無人機的航線格式要求，將規(guī)劃好的路徑轉(zhuǎn)換為可執(zhí)行的序列航點命令。本研究中部署巡檢任務的無人機支持導入基于空間數(shù)據(jù)交換標準的航點命令操作符，使用基于標記語言的結(jié)構(gòu)，其中嵌套的元素和屬性作為控制命令，包含：航點編號，空間坐標，無人機朝向，云臺角度，拍照指令等。

2 建筑立面裂縫病害智能識別

建筑整體結(jié)構(gòu)表面觀測數(shù)據(jù)量大，疑似病害多樣，為實現(xiàn)智能化裂縫識別，采用深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建建筑表面裂縫識別模型，快速定位待檢測建筑表面裂縫區(qū)域。針對裂縫存在區(qū)域，進一步通過計算機視覺方法提取裂縫連通域和骨架線，獲得裂縫長度及建筑整體的裂縫分布。

2.1 裂縫智能識別模型構(gòu)建

有效的樣本是訓練魯棒識別模型的前提。本研究針對建筑立面裂紋病害識別，構(gòu)建了一套具備泛化性的立面裂紋樣本數(shù)據(jù)集。采用輕小型多旋翼無人機，貼近飛行觀測，獲取了同濟大學四平路校區(qū)內(nèi)40多棟典型建筑立面優(yōu)于2mm分辨率的裂縫影像。所采集的建筑立面高度范圍在30m-100m之間，包含磚面、幕墻、外墻保溫、掛飾板等多類型立面，涵蓋清水紅磚、混凝土、裝飾石材、鋼筋框架、幕墻玻璃等多種立面材質(zhì)。將采集的原始影像裁剪為等大子圖塊，對有無裂紋標注分類，獲得初始正負樣本各8 000張。通過全隨機旋轉(zhuǎn)、亮度調(diào)整和對比度變換等影像處理操作實現(xiàn)初始樣本數(shù)據(jù)的內(nèi)部增廣，另在樣本中加入其它數(shù)據(jù)集中的不同裂紋形態(tài)及其它視覺傳感器獲得的不同分辨率裂紋數(shù)據(jù)，進一步拓展樣本數(shù)據(jù)，最終獲得正負樣本各為20 000張裂縫病害數(shù)據(jù)集，并按照7：2：1劃分為訓練集、驗證集和測試集。

卷積神經(jīng)網(wǎng)絡(luò)層數(shù)的加深通?？梢燥@著提升模型的識別能力，但隨著網(wǎng)絡(luò)深度的不斷增加梯度消失或梯度爆炸的可能性加大，使網(wǎng)絡(luò)難以訓練。因此，本研究選擇了深度殘差網(wǎng)絡(luò)（ResNet-101）作為裂紋分類的訓練網(wǎng)絡(luò)，其基于殘差學習的恒等映射緩解了網(wǎng)絡(luò)退化，跳躍連接結(jié)構(gòu)提升了恒等變換和反向傳播時梯度的有效傳遞。該網(wǎng)絡(luò)可以較好地抑制裂縫影像中的背景噪聲，有助于快速篩選出整體建筑的疑似裂紋區(qū)域。裂縫識別網(wǎng)絡(luò)整體結(jié)構(gòu)由Conv1、Conv2_x、Conv3_x、Conv4_x、Conv5_x5個層組加上一個全連接層，共101 層組成。原始輸入影像尺寸為224×224，5 個層組根據(jù)輸出特征圖的大小變化進行劃分，如圖3所示。

圖3 立面裂縫識別模型網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Network structure of fa?ade crack detection model

2.2 裂縫幾何特征提取

將裂縫識別網(wǎng)絡(luò)篩選出的立面裂縫區(qū)域影像進一步增強，消除孤立點以減少噪聲對裂縫幾何特征提取精度的影響。為提取裂縫邊緣，需計算影像梯度幅度用以估計每一點處的邊緣強度與方向。根據(jù)公式（11）獲得其x方向、y方向的一階偏導數(shù)矩陣，S為Canny算子，即

影像梯度幅值M(x，y)和角度θM如下：

在3×3 鄰域內(nèi)，鄰域中心x與各梯度方向的對應像素兩兩相比，若中心像素為最大值，則保留；反則置0，以此保留局部梯度最大的點，得到細化的裂縫邊緣，并用雙閾值算法檢測和連接邊緣。對邊緣二值圖像，采用連通域搜尋方法開展形態(tài)學閉運算，勾勒連通體的邊界，求出各邊界點坐標及最小外包矩形，作為裂縫區(qū)域邊界的劃定。

采用快速并行細化算法［25］，對填充后的連通域進行骨架線提取，刪除不需要的輪廓點，只保留其骨架點。假設(shè)中心像素點P1的八鄰域點P2-P9順時針分布在3×3 鄰域內(nèi)。為了保留骨架的連接，將式（14）～式（15）中條件作為一次迭代執(zhí)行，直至連通域內(nèi)沒有滿足條件的點為止。

式中：NP1是P1的非0 鄰點數(shù)，SP1是當鄰域點以P2，P3……P9，P2為序時，這些點的值從0到1的變換次數(shù)。

通過骨架提取可以得到單像素寬度的裂縫骨架。假設(shè)骨架線上相鄰兩像素的坐標為(xp，yp)和(xp+1，yp+1)，裂縫實際長度為像素距離之和與影像分辨率（Ground Sample Distance，GSD）的乘積，即

3 建筑整體巡檢與裂縫病害識別驗證

3.1 實驗場景與飛行平臺

本研究的巡檢對象是同濟大學四平路校區(qū)中心區(qū)域的一座5層辦公樓，占地約900m2，如圖4所示。與開闊區(qū)域里的獨棟建筑不同，該建筑周邊被近似高度的建筑和樹木近距離包圍，相鄰對象之間形成狹窄的巷道，并在一定高度范圍相互遮擋。該建筑不同區(qū)域有明顯的高度差異，前立面安裝了多個旋轉(zhuǎn)面板組成的金屬幕墻；背立面主要是白墻、窗戶、空調(diào)外置機組和多個垂直排水管道，稀疏分布著表面收縮引起的微裂紋。建筑整體結(jié)構(gòu)豐富、部件多樣、紋理多變。無論是從周邊觀測條件還是建筑本身的細節(jié)和層次，該建筑的整體巡檢及裂紋識別具有一定的挑戰(zhàn)。

圖4 本研究的實驗場景Fig.4 Experimental field of this study

巡檢任務航線部署在了精靈PHANTOM 4 RTK 多旋翼無人機上，其任務載荷為DJI FC6310R相機（CMOS 尺寸13.2mm×8.8mm，有效像素2 千萬，24mm 焦距廣角鏡頭），三軸云臺俯仰角范圍為-90°～30°。任務載荷特性確保了無人機在執(zhí)行細節(jié)重建任務時可以從全方位特定視角觀測目標。此外，當與網(wǎng)絡(luò)RTK 服務或D-RTK 2 基站一起使用時，機載RTK可提供厘米級定位數(shù)據(jù)。

3.2 建筑整體自主巡檢任務質(zhì)量評估

該建筑的巡檢是在夏季進行的，考慮到樹木的遮擋及無人機的安全規(guī)避，整體巡檢采用了平行觀測（貼近立面）和包絡(luò)觀測（頂部和底部有效覆蓋）組合的方式。為開展觀測效果的對比，另外規(guī)劃了兩種典型的三維重建路徑：五向傾斜觀測和多軌環(huán)繞觀測。其重疊度與本方法保持一致，全覆蓋飛行平面在樓頂正上方，兩種航線的飛行高度受限于樓頂最高點（避雷針），設(shè)定時已達安全飛行可實現(xiàn)的最高分辨率，固定傾角按最佳可視性調(diào)整為-45°。各觀測模式的參數(shù)如表1所示。

表1 建筑巡檢觀測模式參數(shù)表Tab.1 Building inspection patterns parameters

（1）建筑整體觀測覆蓋度評價

執(zhí)行航線后，利用大疆智圖分別重建三組影像。將航線視點根據(jù)相機參數(shù)投影到生成的三維模型（網(wǎng)格模型）上，可以獲得模型每個頂點對應的照片數(shù)量，將該值映射到模型上可以獲得每一種觀測模式對該場景的實際覆蓋度，如圖5所示，部分區(qū)域的照片覆蓋數(shù)量如表2所示。

圖5 不同觀測模式航線視點及覆蓋度Fig.5 Viewpoints and coverage of different observation patterns

表2 建筑表面部分區(qū)域照片覆蓋情況Tab.2 Coverage status of partial areas of the building surface

三種觀測模式照片數(shù)量最多的覆蓋區(qū)域都在樓頂。兩種典型觀測模式對平坦區(qū)域可以均勻覆蓋，但對明顯高程起伏的區(qū)域或目標的觀測能力不足，覆蓋立面的影像數(shù)量在采集影像數(shù)量中的占比低于15%；而本方法航線中的觀測視點全部聚焦在興趣目標，建筑主體全覆蓋，立面覆蓋度均勻，如圖5 c中的高亮顯示，立面分辨率達2.12mm。

（2）整體建筑紋理扭曲分析

建筑整體表面裂縫識別依賴紋理重建的精細度，因此需要有效評估建筑實景模型的紋理扭曲程度。二維紋理到三維表面的映射是將平面紋理坐標和模型三角面片頂點關(guān)聯(lián)的過程。映射后三角紋理頂點角度的變化可反映紋理的扭曲程度。將扭曲度歸一化映射到模型表面就可以獲得建筑整體表面紋理的扭曲狀態(tài)，0 為無扭曲，1 為嚴重扭曲。三種觀測模式重建的扭曲度如圖6 所示，部分區(qū)域統(tǒng)計情況如表3所示。

圖6 不同觀測模式整體重建模型紋理扭曲度Fig.6 The texture distortion of the reconstructed building observed in different patterns

表3 建筑表面部分區(qū)域紋理扭曲情況Tab.3 Texture distortion of partial areas of the building surface

從圖6和表3中可以看出，以典型觀測模式重建的模型表面存在嚴重扭曲，難以實現(xiàn)建筑表面細節(jié)的表達，無法支撐裂紋病害的有效識別。本方法觀測重建的結(jié)果中，屋頂紋理扭曲＜0.05 ，立面扭曲≤0.1，而整體建筑底部扭曲較大。底部是任務中的難觀測區(qū)域，由于建筑遮擋，需要大角度傾斜觀測，影像畸變導致該區(qū)域紋理映射精度降低。從紋理的細節(jié)程度來看，本方法獲取的立面區(qū)域重建結(jié)果符合裂紋監(jiān)測的數(shù)據(jù)要求，但需要對其幾何精度做進一步的分析。

（3）立面重建幾何精度分析

表面裂縫的提取精度取決于立面重建精度。為評估本方法無人機影像生成點云幾何精度，使用地基三維激光掃描儀在建筑背立面巷道近距離架站，設(shè)定3mm分辨率，采集了背立面激光點云數(shù)據(jù)作為真值。選用Z+F IMAGER 5016 三維激光掃描儀，在建筑背面巷道架設(shè)了5 個掃描站，架站高度約1.8m，全站拼接后點云間整體誤差為1.41mm。由于地面架站空間限制和掃描視場遮擋，激光掃描點云有大部分立面缺失。因此，分別從兩組點云選取了三個沒有缺失的共同區(qū)域，分別位于背立面頂部A、中部B和底部C，如圖7所示。圖7中的無人機生成點云數(shù)量26萬，激光掃描點云數(shù)量2 780萬。

圖7 建筑背立面無人機影像生成點云與激光掃描點云Fig.7 UAV images derived point cloud and the LiDAR point cloud of the back fa?ade

從兩組點云的A、B、C 三個區(qū)域中分割出等距離、等面積連續(xù)平面點云，截取距離分別為33m，11m，26m。根據(jù)平面度檢測的思路，通過最小二乘擬合A、C 區(qū)域水平方向參考平面、B 區(qū)域豎直方向的參考平面。選取各參考平面中軸線，分析兩組點云到參考平面的誤差，如圖8 所示，以獲取建筑頂部、立面和底部的視覺點云精度水平，圖中橫坐標表示截取距離，單位：m；縱坐標表示點云離參考平面的距離，單位：mm。

從圖8 中可以看出，當以右圖中激光點云離參考平面的距離假設(shè)為A、B、C 三個區(qū)域平面度的真實狀態(tài)，在頂部A 區(qū)域，無人機生成點云標準差為18.38mm；立面B區(qū)域，標準差為8.04mm；底部C區(qū)域，標準差為68.5mm，大角度傾斜觀測產(chǎn)生的畸變導致有效匹配減少，視覺點云幾何精度明顯降低。從覆蓋度、分辨率、紋理扭曲和幾何精度綜合評估，在背立面裂縫識別驗證中，立面中部區(qū)域整體觀測質(zhì)量較高，裂縫骨架線的提取精度具有一定的可信度。

圖8 無人機影像生成點云與激光點云到參考平面的距離Fig.8 The distance of the two groups of the point cloud from the reference plane

3.3 立面裂縫識別與提取

根據(jù)建筑整體重建質(zhì)量的評估，選擇背立面中部區(qū)域開展裂縫識別驗證。將無人機獲取的點云向立面方向投影，獲得立面正射影像。根據(jù)分類網(wǎng)絡(luò)輸入要求，將立面正射影像劃分為120×31 子區(qū)域，有序輸入網(wǎng)絡(luò)中識別，并將識別為有裂縫的子區(qū)域在立面正射影像中高亮顯示，如圖9所示。

圖9 建筑立面整體裂縫識別Fig.9 Building fa?ade overall crack detection

裂縫識別網(wǎng)絡(luò)在TensorFlow框架下構(gòu)建和訓練，算力平臺由NVIDIA TITAN RTX顯卡、128 G內(nèi)存和Intel Core i9-10940X中央處理器組成。訓練迭代輪次為400次，單次迭代用時192s。相比于基于其余5種典型網(wǎng)絡(luò)結(jié)構(gòu)（AlexNet，GoogLeNet，MobileNet-V2，EfficientNet，ShuffleNet）實現(xiàn)的識別精度，本研究中基于深度殘差網(wǎng)絡(luò)（ResNet-101）構(gòu)建的裂縫識別模型準確率更高，損失率更低，如圖10所示。

圖10 訓練迭代周期中的模型準確率和損失率Fig.10 Training accuracy and loss throughout the iteration cycle

裂縫識別網(wǎng)絡(luò)在網(wǎng)絡(luò)訓練階段準確率為99.152，召回率為97.381，如表4 所示。在本實驗3 720 個子區(qū)域的識別中，判斷為有裂縫的子區(qū)域226，其余區(qū)域判斷為無裂縫。錯分13個子區(qū)域，漏分14個子區(qū)域。網(wǎng)絡(luò)識別精度較高，有效實現(xiàn)了整體立面的裂縫識別。

表4 裂縫識別網(wǎng)絡(luò)分類精度統(tǒng)計表Tab.4 Classification accuracy of the crack detection network

核查分類結(jié)果發(fā)現(xiàn)，漏分子區(qū)域多存在更細微的裂縫、位于遮擋弱光處或空調(diào)窗戶占較大比重；而錯分子區(qū)域多存在線型陰影、電線、空調(diào)漏水痕跡等具有裂縫相似特征的紋理，如圖11所示。干擾背景的抑制和近似特征的準確判斷是裂縫分類網(wǎng)絡(luò)調(diào)優(yōu)的關(guān)鍵方向。

圖11 分類網(wǎng)絡(luò)難以識別的子區(qū)域Fig.11 Problematic subregion in crack detection

根據(jù)2.2 中的步驟，對裂縫子區(qū)域開展了幾何特征提取，如圖12 所示。立面分辨率在2.1mm～2.4mm，幾何精度在1cm以內(nèi)，因此可以根據(jù)像素數(shù)直接計算各子區(qū)域裂縫骨架線長度，如表5所示。

表5 圖12中的子區(qū)域裂縫長度統(tǒng)計Tab.5 Crack length statistics of subregions in Fig.12

圖12 各子區(qū)域裂縫提取Fig.12 Crack extraction in each subregion

將提取的裂縫骨架線按照各子區(qū)域的坐標寫入同一圖層，映射回建筑三維模型，可實現(xiàn)裂縫形態(tài)與建筑整體空間位置的一體化表達，如圖13 所示，為整體建筑裂紋屬性、分布及演變趨勢的進一步分析提供了數(shù)據(jù)支撐。

圖13 建筑健康一體化表達模型Fig.13 Building health information model

4 結(jié)論與展望

提出了場景信息引導的無人機巡檢任務規(guī)劃方法，開展了建筑立面高精度重建和整體立面裂紋智能識別，為實現(xiàn)建筑巡檢到病害識別的全過程自動化提供了新的思路：

（1）觀測能力提升巡檢水平。表面病害的有效識別依賴全覆蓋、高精度、高分辨率、紋理精細觀測數(shù)據(jù)。本研究提出的方法可以針對建筑結(jié)構(gòu)特征和周邊環(huán)境條件，根據(jù)采集需求，有效開展任務規(guī)劃，為獲取高精度表面觀測數(shù)據(jù)提供保障。

（2）智能處理助力精準監(jiān)測。在高質(zhì)量觀測的基礎(chǔ)上，構(gòu)建了裂紋智能識別模型，實現(xiàn)了整體立面裂紋的高精度快速識別，支撐了立面裂紋形態(tài)及其分布的有效分析。

（3）一體化表達支撐健康建檔。建筑重建與裂紋識別相結(jié)合，將建筑信息與病害屬性集成，可為建筑健康建檔和全生命周期監(jiān)測更新防護提供基礎(chǔ)數(shù)據(jù)支撐。

利用無人機高精度覆蓋巡檢數(shù)據(jù)，實現(xiàn)了建筑整體裂紋區(qū)域的快速識別與提取。基于分類網(wǎng)絡(luò)的子區(qū)域識別提取，由于對裂紋的拆分再還原，會影響裂紋形態(tài)的高精度還原及走向的準確判斷。因此，構(gòu)建識別與提取一體（骨架線+寬度）的穩(wěn)健輕量化學習模型，開展多任務載荷協(xié)同監(jiān)測，提升健康狀態(tài)指標多維度表征水平是下一階段研究的重點。

作者貢獻聲明：

劉春：論文的構(gòu)思者及負責人，指導實驗開展、論文寫作與修改。

艾克然木·艾克拜爾：負責實驗設(shè)計和實施，完成數(shù)據(jù)分析與論文初稿的寫作。

蔡天池：負責實驗設(shè)計和試驗結(jié)果分析，參與論文寫作與繪圖。