基于高光譜成像的橋梁混凝土表面露筋病害識(shí)別

周 坤，彭 雄，鐘新谷，張文輝，李千禧，趙 超

（1.湖南科技大學(xué) 土木工程學(xué)院，湖南 湘潭 411201；2.湖南科技大學(xué) 結(jié)構(gòu)抗風(fēng)與振動(dòng)控制湖南省重點(diǎn)試驗(yàn)室，湖南 湘潭 411201；3.麗水市市政設(shè)施管理中心（麗水市節(jié)約用水管理中心），浙江 麗水 323020）

0 引言

橋梁作為交通關(guān)鍵節(jié)點(diǎn)，承擔(dān)著與日俱增的交通流量壓力，橋梁總體的技術(shù)狀況不容樂(lè)觀，特別近年來(lái)橋梁安全事故頻發(fā)已成為社會(huì)關(guān)心的熱點(diǎn)。因此，由相關(guān)機(jī)構(gòu)根據(jù)《公路橋梁技術(shù)狀況評(píng)定標(biāo)準(zhǔn)》（JTGT H21-2011）[1]對(duì)特、大型橋梁每年進(jìn)行一次“體檢”，中小型橋梁二年進(jìn)行一次“體檢”，及時(shí)發(fā)現(xiàn)不能保證正常使用、處于危險(xiǎn)狀態(tài)的橋梁?；谶h(yuǎn)距離成像設(shè)備[2]、爬壁機(jī)器人[3]和無(wú)人飛機(jī)[4]等平臺(tái)攜帶可見(jiàn)光相機(jī)對(duì)橋梁表觀缺陷進(jìn)行識(shí)別與測(cè)量，能夠較為有效地定位病害位置并量化缺陷尺寸信息，是解決高墩跨江跨河大橋技術(shù)狀況評(píng)估的有效工具，學(xué)界已有大量研究[5-12]。在實(shí)際橋梁環(huán)境中，橋梁混凝土表面存在如光照、劃痕、麻面、黏貼物等各種復(fù)雜背景，可見(jiàn)光成像僅基于缺陷邊緣的灰度差信息，數(shù)據(jù)維度對(duì)表征復(fù)雜背景仍存在一定的局限性，對(duì)于復(fù)雜背景和相互重疊下的病害識(shí)別和分析目前還存在一定困難。

高光譜成像是運(yùn)用光電技術(shù)檢測(cè)物體對(duì)光譜波段信號(hào)的輻射和吸收情況，將該信號(hào)轉(zhuǎn)換成可供分辨的圖像和圖形，可基于吸收峰的位置和強(qiáng)度分析被測(cè)物體的物理性質(zhì)和物質(zhì)組成，如同于物質(zhì)的“指紋”[13]。高光譜技術(shù)的民用化是由航空航天、天文、物理領(lǐng)域應(yīng)用發(fā)展而來(lái)，我國(guó)于2021 發(fā)射的高光譜遙感觀測(cè)衛(wèi)星（高分五號(hào)02 星），全面提升了對(duì)大氣、水體、陸地的觀測(cè)能力，基于反演算法和高光譜圖像識(shí)別先進(jìn)技術(shù)實(shí)現(xiàn)了對(duì)大氣環(huán)境、水環(huán)境、生物當(dāng)量、土地鹽堿含量等實(shí)時(shí)監(jiān)測(cè)[14-15]。

將高光譜測(cè)試技術(shù)應(yīng)用于土木材料領(lǐng)域相關(guān)測(cè)試的研究近年來(lái)也得到迅速發(fā)展，如李笑芳[16]等人研究了基于高光譜技術(shù)建筑反射隔熱涂料厚度檢測(cè)技術(shù)，構(gòu)建涂料施工厚度檢測(cè)模型。Bonifazi[17]等進(jìn)行了基于高光譜成像的再生混凝土骨料上附著砂漿的評(píng)價(jià)研究，以評(píng)估再生混凝土骨料表面的殘余砂漿含量；Bonifazi[18]等將高光譜成像和分級(jí)PLS-DA 應(yīng)用于建筑及拆卸廢物中的石棉識(shí)別，能快速檢測(cè)建筑廢棄物是否存在石棉；Gargiulo[19]等使用近紅外光譜成像系統(tǒng)對(duì)建筑和建筑垃圾中的聚烯烴分類(lèi)，提出了一種客觀且無(wú)損的聚烯烴回收鏈分類(lèi)和質(zhì)量控制方法。

高光譜成像對(duì)物質(zhì)成分具有精確表征的特點(diǎn)，為基于高光譜成像的結(jié)構(gòu)健康監(jiān)測(cè)提供了基礎(chǔ)。如邵慧[20]等人提出了一種適用于古建筑建模的全波形高光譜激光雷達(dá)，獲取古建筑完整的空間結(jié)構(gòu)、歷史演化及其健康狀態(tài)等特征信息；嚴(yán)陽(yáng)[21]等人利用可見(jiàn)光以及近紅外波段下獲取的高光譜圖像，分析偽裝目標(biāo)在不同背景下的偽裝效果；熊顯名[22]等人提出將“環(huán)境變量”作為特征值的解決方法，將光譜數(shù)據(jù)組合成新的數(shù)據(jù)波形，結(jié)合神經(jīng)網(wǎng)絡(luò)有效的識(shí)別路面狀態(tài)；田英慧[23]等人研究了高白度、高反射率的雪地型偽裝材料的性能檢測(cè)技術(shù)，通過(guò)光譜反射因數(shù)的歐氏距離和光譜角余弦計(jì)算偽裝樣品與雪地背景的相似性；張海馨[24]等人設(shè)計(jì)了一種基于尾焰光譜分析特征分析的識(shí)別系統(tǒng)，通過(guò)結(jié)合跟蹤成像模塊對(duì)準(zhǔn)目標(biāo)結(jié)合光譜分析模塊識(shí)別目標(biāo)，實(shí)現(xiàn)對(duì)高速運(yùn)動(dòng)目標(biāo)的快速識(shí)別。程俊毅[25]等人通過(guò)研究地面光譜測(cè)量手段獲取了公路瀝青路面的光譜遙感數(shù)據(jù)，探索了瀝青路面老化過(guò)程與光譜響應(yīng)變化的規(guī)律；Ichi[26]等人提出利用高光譜圖像收集數(shù)據(jù)對(duì)鐵路道路道砟含水率進(jìn)行非接觸式檢測(cè)與評(píng)價(jià)的方法；Kim[27]等通過(guò)地物光譜儀獲取橋梁混凝土材料表面完整光譜反射，提出了基于高光譜成像定量評(píng)估混凝土風(fēng)化程度的新方法；Runcie[28]等人提出了高光譜成像和分類(lèi)技術(shù)作為客觀評(píng)估民用或其他結(jié)構(gòu)上油漆狀態(tài)的方法。文獻(xiàn)表明基于高光譜成像對(duì)病害監(jiān)測(cè)識(shí)別已有一定的研究，但橋梁病害與混凝土背景的光譜信息差異較少，造成識(shí)別難度較大、效率低等問(wèn)題，如何擴(kuò)大譜線之間的差異、降低數(shù)據(jù)維度，提出譜線峰值提取與特征學(xué)習(xí)預(yù)測(cè)建模方法，還有待進(jìn)一步研究。

因此本文提出基于高光譜成像的橋梁混凝土表面露筋病害識(shí)別方法。利用線陣高光譜相機(jī)集成勻速步進(jìn)滑軌裝置，形成高光譜成像測(cè)試系統(tǒng)，采集橋梁混凝土表面露筋病害圖像；基于橋梁露筋病害高光譜圖像譜線與空間特征，結(jié)合預(yù)處理——平滑濾波-多元散射 校 準(zhǔn) （ Savizky-Golay-Multivariate scattering calibration，SG-MSC）、特征空間變換——光譜導(dǎo)數(shù)法（First derivative,FD）、特征變量選擇算法——競(jìng)爭(zhēng)自適應(yīng)重加權(quán)抽樣（competitive adapative reweighted sampling,CARS），將原始光譜曲線數(shù)據(jù)經(jīng)特征空間轉(zhuǎn)換提取相應(yīng)特征值并顯示波段；以光譜曲線特征向量構(gòu)建數(shù)據(jù)集，基于支持向量機(jī)[29]形成露筋病害識(shí)別預(yù)測(cè)模型，如圖1所示。

圖1 高光譜圖像分類(lèi)流程示意圖Fig.1 Schematic diagram of hyperspectral image classification process

1 高光譜成像系統(tǒng)原理與實(shí)際成像

1.1 高光譜成像成像系統(tǒng)

如圖2所示，高光譜圖像采集系統(tǒng)為FigSpec 高光譜相機(jī)FS-15（線陣掃描相機(jī)），其利用高衍射效率的透射式光柵分光模組與高靈敏度面陣列相機(jī)結(jié)合。高光譜相機(jī)傳感器的波譜線范圍為900～1700 nm，光譜分辨率為8 nm，共254 個(gè)波段。圖像寬度為320 像素，圖像長(zhǎng)度根據(jù)線陣掃描速度與時(shí)間而定。相機(jī)為微機(jī)自動(dòng)控制形成三維高光譜圖像，具體參數(shù)如表1所示。

表1 高光譜相機(jī)各參數(shù)指標(biāo)詳情T(mén)able 1 Details of each parameter index of hyperspectral camera

圖2 高光譜成像測(cè)試系統(tǒng)各組成部分Fig.2 Components of a hyperspectral vision test system

1.2 橋梁混凝土露筋病害高光譜成像

1）高光譜相機(jī)掃描速度

為對(duì)實(shí)際橋梁混凝土露筋病害進(jìn)行高光譜成像，基于線陣掃描相機(jī)特點(diǎn)結(jié)合可移動(dòng)式電滑軌對(duì)高光譜相機(jī)進(jìn)行集成，形成如圖2所示的高光譜成像測(cè)試系統(tǒng)。根據(jù)相機(jī)的基本參數(shù)，計(jì)算相機(jī)最佳運(yùn)動(dòng)速度V：

式中：d為目標(biāo)與被測(cè)物體距離，m；Fps 為采集幀率，幀/s；r為相機(jī)分辨率，該相機(jī)分辨率為320dpi；Fov為視場(chǎng)角，該相機(jī)視場(chǎng)角為21.74°。

2）高光譜相機(jī)實(shí)際成像

由于光源在每個(gè)波段的分布不均勻，相機(jī)中的暗電流以及周?chē)h(huán)境的影響，收集的高光譜圖像將包含一定的噪聲量。為了盡可能減少噪聲，在掃描樣品之前，對(duì)相機(jī)進(jìn)行實(shí)驗(yàn)現(xiàn)場(chǎng)的深色和白色參考校準(zhǔn)[18]。深色和白色參考用于歸一化樣品的反射率，因此，校準(zhǔn)后高光譜圖像IC可以由公式(2)獲得：

式中：IRaw是未經(jīng)處理的原始反射譜線；IDark表示深色參考譜線；IWhite表示白色參考譜線。經(jīng)黑白平衡校準(zhǔn)后，如圖3(a)所示，利用高光譜成像系統(tǒng)對(duì)湘潭湘江三大橋8-20#墩柱進(jìn)行了實(shí)際外觀缺陷檢測(cè)，獲得了鋼筋露筋病害和各構(gòu)件混凝土高光譜成像圖像。如圖3(b)所示，為移動(dòng)平臺(tái)搭載FS-15 高光譜相機(jī)測(cè)試混凝土表面鋼筋露筋所得到的三維高光譜圖像。

圖3 高光譜數(shù)據(jù)立方體以及相對(duì)于銹蝕鋼筋與混凝土反射率的光譜變化Fig.3 Hyperspectral data cube and spectral variation of reflectance relative to corroded steel bar and concrete

如圖3所示，高光譜成像圖像具有3 個(gè)主要維度，前兩個(gè)維度代表空間特征，第3 個(gè)維度代表光譜譜線特征[17]。如圖3(c)所示為高光譜圖像數(shù)據(jù)立方體、銹蝕鋼筋和混凝土背景的波長(zhǎng)-反射率曲線。

2 室內(nèi)標(biāo)準(zhǔn)模型的建立

2.1 室內(nèi)樣品制作與圖像采集

在室內(nèi)選取混凝土試塊與銹蝕鋼材作為樣品，在準(zhǔn)備樣品過(guò)程中盡量避免過(guò)度擦拭樣品表面，確保保持樣品原始屬性。啟動(dòng)高光譜成像系統(tǒng)，設(shè)置成像距離為0.3 m，圖像采集頻率為50 幀/s，自動(dòng)計(jì)算出滑軌移動(dòng)速度為0.047 m/s。高光譜成像時(shí)兩樣品應(yīng)放置于同一水平面上，同時(shí)樣品放置干凈背景下來(lái)防止高光譜圖像產(chǎn)生噪聲。采集到的圖像如圖4所示。

圖4 室內(nèi)標(biāo)準(zhǔn)模型高光譜圖像Fig.4 Indoor standard model hyperspectral images

2.2 高光譜數(shù)據(jù)預(yù)處理

在高光譜圖像采集過(guò)程中，由于環(huán)境約束、樣品屬性（尺寸、形態(tài)等）等方面的影響，光譜數(shù)據(jù)通常包含大量具有強(qiáng)協(xié)方差的冗余和噪聲變量，對(duì)后續(xù)的識(shí)別工作增加了難度。采用合適的光譜預(yù)處理方法可以糾正光譜之間的相對(duì)基線偏移，提高模型的準(zhǔn)確性和魯棒性[30]。

為了更好地提取光譜特征，減少噪聲的影響，采用 Savizky-Golay 平滑濾波器和多元散射校準(zhǔn)（Multivariate scattering calibration,MSC）的組合算法進(jìn)行高光譜圖像譜線預(yù)處理，強(qiáng)化光譜波段特征點(diǎn)，加強(qiáng)數(shù)據(jù)之間的可比性，避免高反射率值帶來(lái)的計(jì)算復(fù)雜性。SG 是一種基于局部多項(xiàng)式最小二乘擬合的濾波方法[30]。該濾波器的主要特點(diǎn)是確保頻譜的形狀和寬度保持不變，同時(shí)消除環(huán)境和設(shè)備引起的噪聲。MSC 有效地消除了由不同散射水平引起的光譜差異[31]，從而增強(qiáng)了光譜和數(shù)據(jù)之間的相關(guān)性，能有效減少由基線偏移和散射水平引起的光譜變異性。預(yù)處理前原始銹蝕鋼筋與混凝土背景的光譜譜線如圖5(a)所示。使用SG-MSC 對(duì)數(shù)據(jù)進(jìn)行預(yù)處理時(shí)，選擇的窗口大小為25，多項(xiàng)式次數(shù)為7，經(jīng)預(yù)處理后的光譜譜線如圖5(b)所示。

圖5 高光譜圖像譜線預(yù)處理Fig.5 Hyperspectral image line preprocessing

2.3 特征空間變換

由于高光譜相機(jī)工作波段在近紅外光波段（900～1700 nm），其光譜的反射率特征主要受物料表面狀態(tài)影響，在該波段范圍內(nèi)無(wú)機(jī)物敏感性較弱，使得銹蝕鋼材與混凝土背景的光譜曲線之間存在重疊區(qū)間，缺少差異，識(shí)別難度較大。因此采用特征空間變換方法對(duì)高光譜反射率特征進(jìn)行計(jì)算，放大其差異，有效降低識(shí)別難度。

光譜導(dǎo)數(shù)法可以有效地消除反射率基線偏移，一定程度上避免顏色、光強(qiáng)等因素的影響，有效識(shí)別重疊區(qū)域，提供比原始光譜分辨率更高的光譜輪廓變換，增加分辨率和靈敏度[32-33]。

經(jīng)SG-MSC 預(yù)處理光譜信號(hào)是離散的反射率值，使用直接導(dǎo)數(shù)法對(duì)反射率進(jìn)行求導(dǎo)，擴(kuò)大銹蝕鋼材與混凝土之間的差異，并選擇一階導(dǎo)數(shù)作為計(jì)算法則。如圖6所示為經(jīng)一階光譜導(dǎo)數(shù)法處理后的譜線特征。

圖6 一階光譜導(dǎo)數(shù)特征值曲線Fig.6 First derivative eigenvalue curves

2.4 特征提取

一階導(dǎo)數(shù)對(duì)高光譜數(shù)據(jù)特征空間轉(zhuǎn)換后，顯著增加了銹蝕鋼材與混凝土背景之間的差異，但仍屬于高維度數(shù)據(jù)，具有多個(gè)波段、相鄰波段之間的強(qiáng)相關(guān)性和高冗余特點(diǎn)[34]，增加了識(shí)別模型構(gòu)建的難度。

CARS 是一種特征變量選擇方法，它將蒙特卡羅抽樣（MC）與偏最小二乘（PLS）模型回歸系數(shù)相結(jié)合[35]。交叉驗(yàn)證（CV）用于確定CV（RMSECV）均方根誤差（RMSE）最低的子集。RMSECV 的計(jì)算如下所示：

式中：y表示真實(shí)值；yCV表示CV 中的預(yù)測(cè)值。

使用CARS 算法的特征提取結(jié)果如圖7所示。主成分的最大數(shù)量設(shè)置為20，MC 采樣次數(shù)設(shè)置為50，并進(jìn)行5 次交叉驗(yàn)證。隨著MC 樣本數(shù)量的增加，特征數(shù)量呈指數(shù)級(jí)減少。RMSECV 方差先減小后增大，主要是因?yàn)槿コ瞬ㄩL(zhǎng)變量中的有效信息，隨著RMSECV 值增大，模型性能降低。在圖7(b)中，RMSECV 在第21 次采樣處達(dá)到其最小值，其值為0.0064。CARS 算法篩選的特征變量詳見(jiàn)表2。CARS 算法共篩選了23 個(gè)特征變量，占總波長(zhǎng)變量的9.06%。

表2 CARS 算法提取特征波段Table 2 Feature bands were extracted by CARS algorithm

圖7 CARS 算法的特征提取結(jié)果Fig.7 Feature extraction results of CARS algorithm

數(shù)據(jù)降維后，將具有254 維特征的原始數(shù)據(jù)壓縮為23 維。平滑效果較好，并保留了原始數(shù)據(jù)中的大部分信息，保留了原有的趨勢(shì)特征。所提取特征點(diǎn)在光譜中的對(duì)應(yīng)位置如圖8所示（以混凝土特征值曲線為例）。

圖8 所選特征變量的分布Fig.8 The distribution of the selected feature variable

如表2所示，銹蝕鋼筋與混凝土背景之間的差異難以用特定的波長(zhǎng)來(lái)表示，經(jīng)CARS 算法提取的特征波段集中在1400 nm 左右。因銹蝕鋼筋病害以深色為主，反射率較低，與未受銹蝕鋼筋侵蝕混凝土有較大區(qū)別，鋼筋銹蝕過(guò)程長(zhǎng)期與混凝土結(jié)合，導(dǎo)致銹蝕鋼筋附近混凝土顏色變深，使得區(qū)域的混凝土與銹蝕鋼筋的光譜反射率曲線相近。

2.5 基于支持向量機(jī)的光譜譜線分類(lèi)與可視化

支持向量機(jī)（Support vector machines,SVM）是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的一種機(jī)器學(xué)習(xí)算法，具有泛化能力強(qiáng)、適用于小樣本分類(lèi)等優(yōu)點(diǎn)[29]。如圖9所示，支持向量機(jī)計(jì)算出最優(yōu)超平面將光譜譜線進(jìn)行分類(lèi)，最大限度的減少泛化誤差并最大化裕量。基于高光譜成像的銹蝕鋼筋與普通混凝土樣本數(shù)據(jù)集制作的時(shí)間成本較高，因此本文利用支持向量機(jī)算法，建立小樣本數(shù)據(jù)集，訓(xùn)練銹蝕鋼筋與混凝土背景光譜譜線自動(dòng)識(shí)別模型。選取具有強(qiáng)學(xué)習(xí)能力、適應(yīng)范圍寬的徑向基（radial basis function,RBF）核函數(shù)作為支持向量機(jī)的核函數(shù)。

圖9 支持向量機(jī)分類(lèi)模型示意圖Fig.9 Schematic diagram of support vector machine classification model

在圖4混凝土樣品與銹蝕鋼材樣品上各選取大小為50×50 的區(qū)域大小的高光譜圖像，提取出共5000條高光譜信息，以構(gòu)建SVM 模型。將提取出來(lái)的5000條高光譜信息作為訓(xùn)練集提供給SVM 訓(xùn)練，結(jié)果如表3所示。

表3 波段類(lèi)型選取識(shí)別結(jié)果Table 3 Identification results of band type selection

結(jié)果表明，經(jīng)特征提取后的波段相比于全波段在識(shí)別準(zhǔn)確率上有提升，同時(shí)大幅度降低了計(jì)算時(shí)間成本。

3 現(xiàn)場(chǎng)試驗(yàn)結(jié)果與討論

利用高光譜成像系統(tǒng)對(duì)湘潭湘江三大橋8-20#墩柱進(jìn)行了實(shí)際外觀缺陷檢測(cè)，獲得了露筋病害和各構(gòu)件混凝土高光譜成像圖像。將采集到的高光譜圖像利用建立的室內(nèi)標(biāo)準(zhǔn)識(shí)別模型進(jìn)行預(yù)測(cè)識(shí)別，并將識(shí)別結(jié)果與傳統(tǒng)識(shí)別方法進(jìn)行比較。

如圖10(a)～(c)所示分別為橋梁混凝土露筋病害的高光譜成像經(jīng)過(guò)平滑濾波-多元散射校準(zhǔn)、光譜譜線求導(dǎo)、特征變量選擇等系列預(yù)處理后，對(duì)三維高光譜圖像每一點(diǎn)的譜線代入訓(xùn)練完成的支持向量機(jī)模型中進(jìn)行預(yù)測(cè)，得到的光譜特征分類(lèi)結(jié)果如圖10(c)所示。對(duì)空間原始圖像利用圖像標(biāo)記工具進(jìn)行逐像素標(biāo)記生成標(biāo)定圖像，結(jié)果如圖10(b)所示，用于評(píng)價(jià)該空間分割算法的分割效果。如圖10(d)～(f)為橋梁混凝土露筋病害的可見(jiàn)光圖像傳統(tǒng)閾值分割和人工標(biāo)記的結(jié)果。對(duì)識(shí)別結(jié)果采用交并比（IOU）和真陽(yáng)率（TPR）兩種指標(biāo)對(duì)結(jié)果進(jìn)行評(píng)價(jià)，計(jì)算公式如：

圖10 譜線特征分類(lèi)與閾值分割對(duì)比Fig.10 Spectral line feature classification and threshold segmentation

式中：TP 為不同分類(lèi)方式結(jié)果與人工標(biāo)記結(jié)果的交集；FP 是過(guò)分割結(jié)果；FN 為欠分割結(jié)果。采用不同分類(lèi)方法的結(jié)果如表4所示。

表4 不同分類(lèi)方法結(jié)果Table 4 Results of different classification methods

交并比（IOU）是算法分割和標(biāo)定結(jié)果的交疊率，即它們的交集與并集的比值，比值越高說(shuō)明分割效果越好，當(dāng)IOU 為1 時(shí)為完全分割。真陽(yáng)率（TPR）代表了分割結(jié)果與標(biāo)定結(jié)果的交集與標(biāo)定結(jié)果的比值，即在人工標(biāo)記結(jié)果上實(shí)際分割了多少，當(dāng)TPR 為1時(shí)也代表完全分割。采用光譜特征分類(lèi)方法的TPR和IOU 值明顯大于傳統(tǒng)閾值分割方法，且TPR 和IOU均大于0.9，表明本文采用基于光譜特征分類(lèi)的方法具有良好效果。

4 結(jié)論與展望

本文提出了基于高光譜成像的橋梁混凝土表面露筋病害識(shí)別系統(tǒng)與方法。利用線陣高光譜相機(jī)集成勻速步進(jìn)滑軌裝置，形成了高光譜成像測(cè)試系統(tǒng)。采集了橋梁混凝土表面露筋病害圖像，并提出了結(jié)合平滑濾波-多元散射校準(zhǔn)、光譜導(dǎo)數(shù)法、特征變量選擇算法高光譜圖像譜線預(yù)處理方法，并基于支持向量機(jī)訓(xùn)練了露筋病害識(shí)別預(yù)測(cè)模型，以高光譜成像測(cè)試系統(tǒng)對(duì)實(shí)際橋梁混凝土露筋病害進(jìn)行了識(shí)別，基于譜線特征識(shí)別露筋病害達(dá)到90%以上精度，具有可行性和廣泛應(yīng)用前景。

橋梁混凝土病害由荷載與環(huán)境侵蝕共同作用導(dǎo)致，且隨著時(shí)間的推移病害還將逐漸發(fā)展，嚴(yán)重影響服役壽命，造成安全隱患?；诳梢?jiàn)光成像結(jié)合深度學(xué)習(xí)人工智能技術(shù)可較好地對(duì)橋梁混凝土病害進(jìn)行分類(lèi)和識(shí)別，但由于僅有病害灰度及區(qū)域邊緣信息，具有局限性，利用高光譜成像具有更高維度信息可有效表征物質(zhì)屬性，后續(xù)將結(jié)合無(wú)人機(jī)機(jī)載高光譜成像、增加病害類(lèi)別，能廣泛應(yīng)用于基于視覺(jué)的橋梁結(jié)構(gòu)表面病害識(shí)別。另一方面，橋梁混凝土關(guān)鍵破壞性病害具有稀疏、缺失、長(zhǎng)尾的特點(diǎn)，難以形成數(shù)據(jù)量大、魯棒性好的結(jié)構(gòu)病害數(shù)據(jù)集，將使人工標(biāo)記、訓(xùn)練工作量巨大?；诟吖庾V成像圖像譜線的唯一性特征，可大量減少數(shù)據(jù)標(biāo)記和樣本數(shù)量。結(jié)合空間-譜線三維特征，可進(jìn)一步構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)模型，提高識(shí)別的自動(dòng)化、智能化程度。

在未來(lái)的研究工作中，將高光譜相機(jī)與無(wú)人飛機(jī)進(jìn)行集成，形成無(wú)人飛機(jī)機(jī)載高光譜成像系統(tǒng)對(duì)全橋進(jìn)行掃描成像，自動(dòng)調(diào)整曝光時(shí)間、測(cè)量物距和飛行速度，實(shí)現(xiàn)快速、穩(wěn)定成像。