橋梁撓度智能檢測(cè)設(shè)備研究

崔凱華

（1.遼寧省交通規(guī)劃設(shè)計(jì)院有限責(zé)任公司，遼寧 沈陽；2.遼寧大通公路工程有限公司，遼寧 沈陽)

橋梁是重要的公共設(shè)施，橋梁撓度是橋梁安全性評(píng)價(jià)的一項(xiàng)重要指標(biāo)，橋梁撓度檢測(cè)結(jié)果直接影響橋梁養(yǎng)護(hù)工作的實(shí)施，隨著橋梁檢測(cè)需求的逐年遞增，快捷、準(zhǔn)確的橋梁撓度檢測(cè)顯得十分必要[1]。傳統(tǒng)的橋梁撓度測(cè)量方法通常采用百分表、水準(zhǔn)儀、全站儀和位移計(jì)等，這些相對(duì)簡(jiǎn)單的測(cè)量方法一般用于橋梁靜撓度測(cè)量，存在費(fèi)時(shí)、費(fèi)力和在線檢測(cè)困難等不足。近年來出現(xiàn)了一些新型的橋梁撓度檢測(cè)方法，如傾角儀、加速度計(jì)、連通管法、光纖位移傳感器或應(yīng)變儀、光纖陀螺、差分GPS、光電圖像法和準(zhǔn)直激光束法等這些方法也各有優(yōu)缺點(diǎn)，不能在多種現(xiàn)場(chǎng)環(huán)境下進(jìn)行廣泛的推廣應(yīng)用。

在以上檢測(cè)方法中，光電圖像法依靠其便捷性獲得了一定程度的認(rèn)可[2]，并且在市場(chǎng)上涌現(xiàn)出一批光電撓度檢測(cè)產(chǎn)品，但目前市場(chǎng)同類產(chǎn)品受應(yīng)用環(huán)境影響較大，現(xiàn)場(chǎng)適用性及穩(wěn)定性不強(qiáng)[3]，鑒于目前橋梁數(shù)量不斷攀升，養(yǎng)護(hù)壓力逐年增大，亟需提升撓度檢測(cè)效率及適用性，因此有必要開發(fā)一款穩(wěn)定、可靠、高效、便捷的光電撓度檢測(cè)設(shè)備，以提供更為優(yōu)質(zhì)、便捷的橋梁檢測(cè)服務(wù)。

1 基于光電原理的橋梁撓度檢測(cè)應(yīng)用

圖1 為基于光電原理的橋梁荷載試驗(yàn)過程，檢測(cè)前需要將撓度檢測(cè)設(shè)備放置在橋下位置，并且需要在橋梁上被檢測(cè)位置安裝靶標(biāo)，同時(shí)需要確保橋梁撓度檢測(cè)設(shè)備可以清晰、無遮擋地拍攝到被檢測(cè)目標(biāo)。至此，完成設(shè)備的安裝布置工作，接下來即可開始向被檢測(cè)橋梁進(jìn)行加載，在加載過程中橋梁會(huì)出現(xiàn)下?lián)?，而被檢測(cè)點(diǎn)會(huì)出現(xiàn)位移，此時(shí)橋梁撓度檢測(cè)設(shè)備通過采集到的目標(biāo)圖片可以實(shí)時(shí)計(jì)算出橋梁的下?lián)狭俊?/p>

圖1 基于光電原理的橋梁荷載試驗(yàn)過程

2 基于深度學(xué)習(xí)的橋梁撓度檢測(cè)方法

基于光電原理的撓度檢測(cè)方法需要實(shí)時(shí)采集被檢測(cè)區(qū)域的圖片，并對(duì)此區(qū)域的目標(biāo)位置進(jìn)行計(jì)算，并得到準(zhǔn)確的撓度值?，F(xiàn)有的光電撓度檢測(cè)設(shè)備所采用的目標(biāo)定位跟蹤原理運(yùn)用計(jì)算圖形相似度的方法，此方法要求操作人員在檢測(cè)準(zhǔn)備階段框選被檢測(cè)目標(biāo)，檢測(cè)過程中，設(shè)備處理器會(huì)實(shí)時(shí)計(jì)算先后兩張照片中被框選目標(biāo)的相似度，再配合亞像素算法即可得到精確的撓度值。但在橋梁撓度檢測(cè)過程中，此檢測(cè)方法的穩(wěn)定性較差。橋梁荷載試驗(yàn)屬于野外檢測(cè)，外界環(huán)境復(fù)雜多變，可能出現(xiàn)的干擾包括環(huán)境光線的變化、異物的暫時(shí)性遮擋、震動(dòng)干擾等[4]，對(duì)于基于相似度匹配的目標(biāo)定位跟蹤方法來說，當(dāng)環(huán)境光線變化或者有臨時(shí)的異物遮擋，都會(huì)嚴(yán)重影響到設(shè)備的目標(biāo)定位跟蹤效果，嚴(yán)重情況下會(huì)導(dǎo)致目標(biāo)丟失，無法進(jìn)行檢測(cè)。

3 系統(tǒng)架構(gòu)

橋梁撓度檢測(cè)設(shè)備的硬件系統(tǒng)主要由主控板卡、相機(jī)鏡頭、液晶屏、電池、殼體以及靶標(biāo)組成，其設(shè)備組成結(jié)構(gòu)如圖2 所示。橋梁撓度檢測(cè)設(shè)備的主要功能是實(shí)時(shí)采集被檢測(cè)目標(biāo)的圖像信息，并將此信息傳輸至主控板卡進(jìn)行處理，實(shí)時(shí)計(jì)算出被檢測(cè)點(diǎn)的撓度信息，為了更加準(zhǔn)確地檢測(cè)撓度信息，可以采用專用的靶標(biāo)輔助撓度檢測(cè)，將靶標(biāo)安裝于被檢測(cè)點(diǎn)，主控板卡通過計(jì)算可以實(shí)時(shí)定位跟蹤到靶標(biāo)的位置坐標(biāo)，并且計(jì)算出精確的撓度信息，顯示到液晶屏幕上，同時(shí)也可通過無線通信系統(tǒng)，將檢測(cè)到的撓度值上傳給服務(wù)器進(jìn)行處理。

圖2 橋梁撓度檢測(cè)設(shè)備組成

4 硬件選型

4.1 相機(jī)及鏡頭

工業(yè)相機(jī)的主要作用是實(shí)時(shí)采集圖像信息，將采集到的圖像信息轉(zhuǎn)換為數(shù)字信號(hào)，通過數(shù)據(jù)線上傳給圖像處理板卡，在橋梁撓度檢測(cè)系統(tǒng)中工業(yè)相機(jī)以及鏡頭的選型至關(guān)重要，相機(jī)的靶面大小以及鏡頭的焦距大小決定了圖像采集的視野，相機(jī)的靶面越大，圖像采集的視野范圍越大，鏡頭的焦距越小，其視野范圍越大。在進(jìn)行圖像采集的時(shí)候，相機(jī)上每個(gè)像元都會(huì)對(duì)光線進(jìn)行接收，而像元接收光線的過程是一個(gè)積分的過程，像元接收光線的多少不僅與像元的大小有關(guān)系，而且與相機(jī)的曝光時(shí)間有關(guān)系，相機(jī)曝光時(shí)間越長(zhǎng)每個(gè)像元接收光線的時(shí)間就會(huì)越長(zhǎng)，感光效果也就越好，但曝光時(shí)間不能過長(zhǎng)，因?yàn)槠毓鈺r(shí)間直接關(guān)聯(lián)圖像的采集頻率，在實(shí)際工程應(yīng)用中，橋梁撓度檢測(cè)設(shè)備的工作效率與實(shí)際工況有直接關(guān)系。例如，橋梁靜撓度檢測(cè)，最佳圖像處理速度為大于5 幀每秒，圖像處理速度太低會(huì)影響用戶使用質(zhì)量，因此需要選取合適的曝光時(shí)間，來適配檢測(cè)現(xiàn)場(chǎng)的應(yīng)用需求。對(duì)于黑白相機(jī)來說每個(gè)像元感應(yīng)的是光線的強(qiáng)弱，而光線強(qiáng)弱可以用8bit 長(zhǎng)度的二進(jìn)制數(shù)字來表示，體現(xiàn)為不同的灰度值，每個(gè)像素感應(yīng)到不同的光線后都會(huì)輸出不同的灰度值，這樣就形成了一副圖像，這樣的數(shù)字圖像被打包成數(shù)據(jù)流上傳給圖像處理板卡。

橋梁撓度檢測(cè)裝備的重點(diǎn)在于，可以遠(yuǎn)距離非接觸式的完成橋梁撓度的檢測(cè)，根據(jù)實(shí)際的檢測(cè)需求，相機(jī)及鏡頭的參數(shù)配置如表1 所示。本系統(tǒng)檢測(cè)精度需要控制在0.2 mm 以內(nèi)，通過亞像素算法可以將精度提升十分之一至二十分之一個(gè)像素精度，因此在物距為20 m 的情況下可以采用50 mm 焦距的鏡頭，在物距為30 m 的條件下可以采用80 mm 焦距的鏡頭，在物距為10 m 的情況下可以采用25 mm 焦距的鏡頭，為了確保撓度檢測(cè)的精度，我們需要采用定焦鏡頭，定焦鏡頭具有更加穩(wěn)定的光學(xué)特性，在不同的物距條件下更換鏡頭，以滿足檢測(cè)精度要求。

表1 相機(jī)及鏡頭選型（25 mm、50 mm、80 mm 焦距）

4.2 主控板卡

橋梁撓度檢測(cè)屬于野外檢測(cè)，要求檢測(cè)設(shè)備具有體積小、重量輕、攜帶方便、便于操作等特點(diǎn)，另外結(jié)合卷積神經(jīng)網(wǎng)絡(luò)計(jì)算量大的特點(diǎn)，可以采用GPU 邊緣計(jì)算模塊完成此項(xiàng)功能，GPU 具有豐富的運(yùn)算單元，可同時(shí)完成大量的并行運(yùn)算，這對(duì)于圖像處理中的矩陣運(yùn)算具有非常大的優(yōu)勢(shì)，當(dāng)進(jìn)行圖像矩陣運(yùn)算的時(shí)候可以大幅度提升其運(yùn)算速率，Jetson TX2 是一臺(tái)7.5 瓦的單模組超級(jí)計(jì)算機(jī)，可為終端提供真正的AI 計(jì)算功能。此計(jì)算機(jī)基于NVIDIA PascalTMGPU 架構(gòu)，搭載8 GB 內(nèi)存，且內(nèi)存帶寬為59.7 GB/秒。Jetson TX2 配備多種標(biāo)準(zhǔn)硬件接口，可與不同種類和外形的產(chǎn)品實(shí)現(xiàn)集成。此GPU 配有256 個(gè)CUDA 核心，非常適用于常規(guī)卷積神經(jīng)網(wǎng)絡(luò)的邊緣計(jì)算，具有低功耗、大算力的特點(diǎn)。

4.3 標(biāo)識(shí)器

采用光電圖像法檢測(cè)橋梁撓度過程中，光線的變化會(huì)影響撓度檢測(cè)精度，室外光線變化較大時(shí)會(huì)導(dǎo)致目標(biāo)丟失，光線明暗變化很大的情況下，傳統(tǒng)的匹配跟蹤算法以及智能定位跟蹤算法都會(huì)出現(xiàn)目標(biāo)丟失的情況[5]。為解決此問題，可采用固定波長(zhǎng)的光源作為背光板，以此制作標(biāo)識(shí)器（如圖3 所示）。此標(biāo)識(shí)器的背光板的發(fā)光波長(zhǎng)為500 nm，另外在鏡頭前端安裝此波段的濾光片，在檢測(cè)時(shí)干擾光線會(huì)被濾光片濾掉，只有靶標(biāo)發(fā)出的光線才可以透過濾光片被相機(jī)接收，有效提高了橋梁撓度檢測(cè)設(shè)備的抗干擾能力，其圖像采集效果如圖4 所示，從圖中可以看出除標(biāo)識(shí)器之外的圖像相對(duì)較暗，此方法顯著提升了標(biāo)識(shí)器對(duì)比度，隔絕了外部光線的干擾，提升了目標(biāo)識(shí)別的穩(wěn)定性。

圖3 背光標(biāo)識(shí)器實(shí)物

圖4 背光標(biāo)識(shí)器圖像效果

5 目標(biāo)智能定位跟蹤

本文采用深度學(xué)習(xí)方式實(shí)現(xiàn)靶標(biāo)的智能定位跟蹤，此方法具有穩(wěn)定性高、環(huán)境適應(yīng)能力強(qiáng)的特點(diǎn)，適用于橋梁撓度檢測(cè)復(fù)雜多變的野外環(huán)境。基于深度學(xué)習(xí)的智能定位跟蹤技術(shù)的關(guān)鍵在于神經(jīng)網(wǎng)絡(luò)模型的選擇以及網(wǎng)絡(luò)模型的訓(xùn)練。

5.1 深度學(xué)習(xí)網(wǎng)絡(luò)模型

由于邊緣計(jì)算的GPU 板卡依托于NVIDIA 產(chǎn)品為核心，并考慮到操作及理解的難易程度，本文選擇以NVIDIA 官方的DetectNet 網(wǎng)絡(luò)作為目標(biāo)檢測(cè)的核心算法。DetectNet 被集成在DIGITS 4（NVIDIA 官方提供的模型訓(xùn)練平臺(tái)）內(nèi)，作為一種標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)模型提供給開發(fā)者，使用時(shí)底層采用Caffe 深度學(xué)習(xí)框架進(jìn)行模型的訓(xùn)練。DetectNet 與其他常規(guī)的目標(biāo)檢測(cè)網(wǎng)絡(luò)的區(qū)別在于更擅長(zhǎng)于多目標(biāo)的檢測(cè)。DetectNet通過引入固定的三維標(biāo)簽格式實(shí)現(xiàn)了這一優(yōu)勢(shì)，該格式使DetectNet 能夠捕獲存在可變數(shù)量對(duì)象的任何大小的圖像。

DetectNet 的FCN 子網(wǎng)具有與GoogLeNet 相同的結(jié)構(gòu)，但沒有數(shù)據(jù)輸入層，最終池化層和輸出層。其優(yōu)點(diǎn)是可以用預(yù)訓(xùn)練的GoogLeNet 模型初始化Detect－Net，從而減少訓(xùn)練時(shí)間并提高最終模型的準(zhǔn)確性。FCN 是卷積神經(jīng)網(wǎng)絡(luò)（CNN）沒有全連接層的圖層。這意味著網(wǎng)絡(luò)可以接受大小不同的輸入圖像，并以大步滑動(dòng)窗口的方式有效地應(yīng)用CNN。輸出是可以覆蓋在圖像上的實(shí)值多維數(shù)組，非常類似于上述的DetectNet輸入標(biāo)簽。

使用DetectNet 進(jìn)行對(duì)象檢測(cè)的主要好處是可以高效地檢測(cè)大圖像中的所有對(duì)象并生成精確的邊界框。與使用CNN 分類器作為滑動(dòng)窗口檢測(cè)器相比，在DetectNet 中使用FCN 效率更高，因?yàn)樗苊饬擞捎诖翱谥丿B而造成的多余計(jì)算。使用單個(gè)神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)而不是多階段算法過程來執(zhí)行此任務(wù)，從而更簡(jiǎn)單。

這里使用307 個(gè)訓(xùn)練圖像數(shù)據(jù)集和24 個(gè)驗(yàn)證圖像測(cè)試集驗(yàn)證DetectNet 的性能，這些圖像的大小均為1 536×1 024 像素，使用NVIDIA Caffe 0.15.7 和cuDNN RC 5.1 在DIGITS 4 中的單個(gè)Titan X 上花費(fèi)63 分鐘。在使用NVIDIA Caffe 0.15.7 和cuDNN RC 5.1 的Titan X GPU 上，DetectNet 設(shè)置網(wǎng)格像素大小16 可以對(duì)這些相同的1536×1024 像素圖像進(jìn)行推理，僅需41 ms（約24 FPS）。此網(wǎng)絡(luò)模型具有高效、快速、準(zhǔn)確性高等特點(diǎn)，通過少量訓(xùn)練即可達(dá)到理想的目標(biāo)定位跟蹤效果，與其它網(wǎng)絡(luò)模型相比，更加適用于橋梁撓度檢測(cè)系統(tǒng)的應(yīng)用。

5.2 模型訓(xùn)練

由于橋梁撓度檢測(cè)現(xiàn)場(chǎng)的環(huán)境復(fù)雜多變，因此需要充分的樣本訓(xùn)練來提升目標(biāo)定位跟蹤的效果，在檢測(cè)過程中由于物距的不同、光線的變化、檢測(cè)角度的不同，會(huì)導(dǎo)致相機(jī)采集到的圖像發(fā)生形狀以及明暗的變化，此變化會(huì)影響對(duì)標(biāo)識(shí)器的準(zhǔn)確識(shí)別[6]，因此在對(duì)模型進(jìn)行訓(xùn)練時(shí)需要考慮上述因素，在模型訓(xùn)練數(shù)據(jù)中加入不同大小、不同觀測(cè)角度以及不同明暗的圖像，如圖5、圖6 所示。通過一定數(shù)量的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練后，深度學(xué)習(xí)模型可以準(zhǔn)確穩(wěn)定的識(shí)別被檢測(cè)目標(biāo)，有效提升橋梁撓度檢測(cè)設(shè)備的穩(wěn)定性。

圖5 不同明暗的標(biāo)識(shí)圖片

圖6 不同角度的標(biāo)識(shí)圖片

6 系統(tǒng)測(cè)試

為了驗(yàn)證本文所開發(fā)的橋梁撓度檢測(cè)系統(tǒng)可以達(dá)到預(yù)期效果，進(jìn)行了實(shí)橋測(cè)試，并與市面現(xiàn)有設(shè)備進(jìn)行了對(duì)比。測(cè)試距離為24.901 m，仰角為13°。測(cè)試過程中天氣轉(zhuǎn)為多云，由于云彩遮擋，導(dǎo)致光線變化較大，因此對(duì)比設(shè)備無法持續(xù)定位目標(biāo)，沒有得到準(zhǔn)確的撓度檢測(cè)數(shù)據(jù)，但本文開發(fā)的撓度檢測(cè)系統(tǒng)依然可以正常工作?，F(xiàn)場(chǎng)環(huán)境見圖7，檢測(cè)圖片見圖8，圖9、圖10 是1 號(hào)標(biāo)識(shí)器（左側(cè)）以及2 號(hào)標(biāo)識(shí)器（右側(cè)）輸出的撓度檢測(cè)曲線，從圖中可以看出左側(cè)靶標(biāo)由于陽光照射，導(dǎo)致亮度較強(qiáng)，右側(cè)靶標(biāo)相對(duì)較暗，但在此條件下系統(tǒng)仍然可以正常輸出準(zhǔn)確的撓度曲線，本文所開發(fā)的橋梁撓度檢測(cè)設(shè)備適用于復(fù)雜的野外工作環(huán)境。

圖7 現(xiàn)場(chǎng)環(huán)境

圖8 檢測(cè)圖片

圖9 自研光電撓度儀1 號(hào)靶標(biāo)測(cè)試結(jié)果

圖10 自研光電撓度儀2 號(hào)靶標(biāo)測(cè)試結(jié)果

7 結(jié)論

本文根據(jù)現(xiàn)有橋梁撓度檢測(cè)方法存在的實(shí)際問題，提出一種智能橋梁撓度檢測(cè)設(shè)備，此設(shè)備采用基于深度學(xué)習(xí)的目標(biāo)定位跟蹤方法，并在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練樣本中加入不同大小、不同角度以及不同明暗的訓(xùn)練樣本，通過訓(xùn)練可以使設(shè)備在工作過程中穩(wěn)定識(shí)別被檢測(cè)目標(biāo)，另外為了解決由于檢測(cè)現(xiàn)場(chǎng)環(huán)境光線變化較大，導(dǎo)致的識(shí)別目標(biāo)丟失的問題，本文提出了采用固定波段標(biāo)識(shí)器作為被識(shí)別目標(biāo)，并在鏡頭安裝對(duì)應(yīng)波段的濾光片，此方法有效抑制了環(huán)境光的干擾，使設(shè)備適用于橋梁撓度檢測(cè)環(huán)境。