基于UAV的高架輕軌服役狀態(tài)自動化監(jiān)測方法研究

呂宛容 錢夏清

摘要 高架輕軌服役狀態(tài)對軌道交通的安全運營有著至關(guān)重要的影響，傳統(tǒng)巡檢方式存在工作效率低，檢測精度低等問題。文章采用無人機攝影測量技術(shù)（UAV），構(gòu)建高架輕軌交通設(shè)施的三維虛擬實景數(shù)字模型，采用數(shù)字圖像識別技術(shù)與點云提取測量技術(shù)，完成對裂縫圖像的去噪、增強以及檢測后路面裂縫圖像的特征提取，實現(xiàn)高架輕軌的橋面病害識別方法與病害自動化檢測。研究結(jié)果將大幅降低傳統(tǒng)巡檢方式的人力消耗、提高檢測精度，同時可以在營運期同步完成巡檢。

關(guān)鍵詞 UAV；三維模型；圖像識別；特征提取

中圖分類號 U446文獻(xiàn)標(biāo)識碼 A文章編號 2096-8949（2024）06-0013-03

0 引言

我國高架道路的迅速發(fā)展與經(jīng)濟(jì)的發(fā)展相輔相成、密不可分。與道路的建設(shè)相比，我國的道路管理手段稍顯落后，技術(shù)水平也有限，道路建設(shè)好之后，后期的養(yǎng)護(hù)工作沒有達(dá)到一定的水準(zhǔn)。高架輕軌服役狀態(tài)對軌道交通的正常運營有著至關(guān)重要的作用，為了確保其安全性和可維護(hù)性，需定期進(jìn)行系統(tǒng)的結(jié)構(gòu)評估和干預(yù)。但由于其結(jié)構(gòu)大、尺寸大，檢查耗時、昂貴、危險，這加劇了對智能化精準(zhǔn)監(jiān)測高架輕軌服役狀態(tài)的需求[1-2]。

高架輕軌服役狀態(tài)的監(jiān)測可以確保軌道交通的正常運營。惡劣天氣、道路過載、自然老化等因素可以引起高架產(chǎn)生裂縫、空洞等不良后果。其中最為嚴(yán)重的是裂縫，不僅會影響高架道路的耐久性，還會危害社會安全。

近年來，由于無人機的數(shù)字?jǐn)z影測量技術(shù)高效、精準(zhǔn)、價格低廉，在國際上被廣泛用于大型建筑的服役狀態(tài)檢測。Khaloo等人對人工檢測和配備不同攝像機的無人機進(jìn)行了直接比較，發(fā)現(xiàn)使用無人機可以顯著減少檢測時間[1]。崔東順等人提出了可見光航拍圖像水上橋梁檢測算法[3]。

隨著計算機技術(shù)與自動化技術(shù)的不斷發(fā)展，國內(nèi)外學(xué)者針對高架輕軌檢測提出了不少新的檢測方法，常用的無損檢測方法有超聲波檢測技術(shù)、光纖傳感檢測技術(shù)和基于圖像處理的檢測技術(shù)[4-7]。王耀東[8]等為了提高裂縫目標(biāo)的檢測準(zhǔn)確度，提出一種基于裂縫與偽裂縫紋理差異性的計算模型，能夠有效地濾除偽裂縫的干擾。李清泉[9]等通過獲取裂縫的潛在種子點，采用基于最小代價路徑搜索的算法，實現(xiàn)裂縫的提取。徐威[10]等結(jié)合裂縫紋理的不均勻性及各向異性，提出一種多特征融合與格式塔理論相結(jié)合的路面裂縫檢測算法，能夠有效地削弱噪聲點與偽裂縫的干擾。Prasanna[11]等為實現(xiàn)對裂縫圖片的有效分類，提出一種基于空間調(diào)整的多特征分類器——STRUM分類器，該分類器將裂縫圖片的灰度及灰度的梯度特征與尺度空間特征相結(jié)合。Valenca[12]等提出一種數(shù)字圖像處理技術(shù)與地面激光掃描技術(shù)相結(jié)合的MCrack-TLS法，該算法通過地面激光掃描技術(shù)提供的橋梁全局信息，構(gòu)建出含裂縫特征的橋梁3D模型，實現(xiàn)對橋梁裂縫進(jìn)行可視化定位。Shi[13]等提出一種基于結(jié)構(gòu)化隨機森林的CrackForest法，該算法可以很好地抑制噪聲的影響，但是圖像分割的閾值需要人工確定。

為了智能檢測高架輕軌的服役狀態(tài)，該文基于UAV，通過3Dsmart、PhotoScan、Pix4D等軟件以及C++和c#winform等編程語言，構(gòu)建高架輕軌交通設(shè)施的三維虛擬實景數(shù)字模型，采用數(shù)字圖像特征提取技術(shù)與點云提取測量技術(shù)，研究高架輕軌的橋梁結(jié)構(gòu)病害數(shù)字化識別方法與病害量化檢測技術(shù)。

1 高架輕軌服役狀態(tài)數(shù)據(jù)采集

1.1 基于UAV數(shù)據(jù)采集

羊山公園站是南京地鐵2號線的車站，位于南京市棲霞區(qū)仙林大學(xué)城仙林大道與仙境路交叉路口東北側(cè)，為高架二層魚腹形島式車站，東北—西南走向，總建筑面積5 162 m2，設(shè)有2個出入口。該文選取羊山公園站作為高架輕軌檢測對象。

利用無人機進(jìn)行攝影測量，其基本原理是將三維成像、影像處理、模式識別、圖像插值等原理結(jié)合起來以提取數(shù)字化圖像，這樣做的好處是可以快速獲取圖像信息。

該研究主要使用了DJI M210四軸航拍無人機飛行平臺、Pix4D數(shù)據(jù)采集與處理軟件、DJI ZENMUSE X5S云臺相機。利用無人機航拍技術(shù)，優(yōu)化飛行路線、降低飛行抖動、提高成像質(zhì)量，完成大量高架輕軌圖像的拍攝。無人機拍攝受天氣、風(fēng)力影響較大，為了保證成像質(zhì)量，選取了一個晴朗無風(fēng)的天氣進(jìn)行拍攝。并在拍攝時與高架輕軌將保持5 m以上的安全距離。工作流程如下：

1.1.1 選定測區(qū)范圍

首先需要觀察測區(qū)環(huán)境，起飛點需盡量處于測區(qū)中心位置，最遠(yuǎn)距離不超過150 m，距離過遠(yuǎn)受到無人機續(xù)航限制，可能無法一次飛完。無人機單次飛行的測區(qū)范圍一般不超過0.5 km2。

1.1.2 測繪設(shè)備準(zhǔn)備

①DJI M210無人機與DJI ZENMUSE X5S云臺相機組裝與連接測試。②海星達(dá)H32 GNSS接收機組裝與連接測試。③設(shè)定飛行高度為200 m。④飛行前安全檢查。

1.1.3 GPS控制點標(biāo)定

在測區(qū)范圍內(nèi)均勻布置8個GPS控制點，并對這8個大地坐標(biāo)點進(jìn)行GPS測量。采用的坐標(biāo)系統(tǒng)：平面采用WGS_1984_UTM_Zone_48N，高程采用WGS_1984高程基準(zhǔn)，測得GPS控制點坐標(biāo)。

1.1.4 飛行航線規(guī)劃

利用Pix4Dcapture軟件對測區(qū)的飛行路線進(jìn)行規(guī)劃，選擇合適的航線密度保證圖像重疊度。

1.1.5 航測采集

啟動無人機，進(jìn)入自動飛行采集模式。航測時，需要隨時監(jiān)視無人機的飛行狀態(tài)，出現(xiàn)問題時及時作出應(yīng)急處理。

1.1.6 數(shù)據(jù)校驗與重采

在航飛任務(wù)完成后，進(jìn)行現(xiàn)場數(shù)據(jù)檢查。當(dāng)發(fā)現(xiàn)照片重疊度不足或者重點檢測部位的照片拍攝質(zhì)量偏低時，及時單獨進(jìn)行補飛拍攝。

1.2 圖像數(shù)據(jù)預(yù)處理

由于無人機航拍圖像受到天氣、光線變化的影響，當(dāng)從多個角度拍攝橋梁時，各個角度的自然光線有一定區(qū)別，導(dǎo)致拍攝的照片在亮度等參數(shù)上差別較大。因此，為了保證后續(xù)建模的順利進(jìn)行，要先對拍攝的照片進(jìn)行處理。

照片的處理可以利用Matlab，通過對比直方圖和參考圖來調(diào)整亮度等參數(shù)，使兩者變得類似，解決不同角度照片的光照問題。

2 構(gòu)建高架輕軌精細(xì)三維模型

Pix4Dmapper具有快速、精確、自動化等特點。利用采集的圖像進(jìn)行高架輕軌的三維精細(xì)化建模，并采用CloudCompare軟件實現(xiàn)采集的點云數(shù)據(jù)和圖像數(shù)據(jù)的展示、除噪、數(shù)據(jù)分割和合并等操作。

基于精細(xì)化三維模型，采用Unity3D軟件實現(xiàn)了三維模型可視化，如圖1所示，在精度足夠的條件下可以直觀地展示高架輕軌存在的病害。

3 裂縫特征自動化提取

3.1 裂縫特征值分析

由于圖像采集的環(huán)境具有不確定性，采集過程易受環(huán)境影響，未經(jīng)處理的裂縫圖像通常會含有噪聲等信息。這些噪聲的存在會影響后續(xù)圖像信息處理，對產(chǎn)生的結(jié)果也有一定影響。因此，在進(jìn)行下一步前要對圖像進(jìn)行預(yù)處理，通過幾何校正、去噪等方式，把其中的多余信息刪去，只保留需要的信息。為了改善圖像質(zhì)量，必須對采集的高架裂縫圖像進(jìn)行去噪處理。

顏色、形狀和紋理是通常提取的三種最常見的基本特征。其中紋理特征表現(xiàn)直觀，可以描述圖像同質(zhì)現(xiàn)象的視覺特征。所以可以通過紋理特征，利用灰度空間的分布規(guī)律對圖像進(jìn)行預(yù)處理。

3.2 裂縫特征自動化提取

圖像的特征包括顏色、形狀等視覺特征，也包括直方圖等信息化特征。路面裂縫圖像也具有特征。通常情況下，包括裂縫的尺寸、裂縫的面積、裂縫的類型等。

在針對圖片數(shù)據(jù)進(jìn)行預(yù)處理之后，發(fā)現(xiàn)缺陷處色階有明顯突變，采用VS編程軟件，運用C++、c#winform和OpenCV軟件編寫一個圖片數(shù)據(jù)處理軟件，嘗試?yán)萌毕萏幖y理特征的突變檢測裂縫。經(jīng)過不斷的調(diào)試，編寫的軟件可以比較有效地通過增強缺陷強度、過濾噪聲的方式把路面裂縫的缺陷處提取出來，如圖2所示，實現(xiàn)對于高架輕軌裂縫的自動化識別。

4 結(jié)論

隨著時間的推移，高架輕軌的數(shù)量正在迅速擴(kuò)增。高架輕軌服役狀態(tài)對軌道交通的正常運營有著至關(guān)重要的作用。為了確保其安全性和可維護(hù)性，需定期進(jìn)行系統(tǒng)的結(jié)構(gòu)評估和干預(yù)。但由于其結(jié)構(gòu)大、尺寸大，傳統(tǒng)的檢測技術(shù)由于其價格高昂、費時費力，逐漸不能滿足我國對高架輕軌檢測養(yǎng)護(hù)的需求?；跓o人機的數(shù)字?jǐn)z影測量技術(shù)由于其高效、精準(zhǔn)、價格低廉，在國際上被廣泛用于大型建筑的服役狀態(tài)檢測。但是檢查耗時、昂貴、危險，這加劇了對智能化精準(zhǔn)監(jiān)測高架輕軌服役狀態(tài)的需求。該文得出以下結(jié)論：

（1）利用無人機航拍技術(shù)，優(yōu)化飛行路線、降低飛行抖動、提高成像質(zhì)量，完成大量高架輕軌圖像的拍攝。

（2）對已有照片進(jìn)行優(yōu)化，利用Smart3D、Cloud-

Compare等軟件，構(gòu)建高架輕軌交通設(shè)施的三維虛擬實景數(shù)字模型以及點云圖像，使得病害的表達(dá)更加直觀。

（3）通過特征值提取，分析比對，合理提取缺陷的信息，編寫特征提取軟件，自動化提取道路缺陷，以達(dá)到減少人力消耗、降低經(jīng)濟(jì)成本且保證安全行車的要求。

參考文獻(xiàn)

[1]Khaloo A， Lattanzi D， Cunningham K， et al. Unmanned aerial vehicle inspection of the Placer River Trail Bridge through image-based 3D modelling[J]. Structure and Infrastructure Engineering， 2018（1）： 124-136.

[2]商廣明. 應(yīng)用無人機技術(shù)進(jìn)行橋梁檢測的探討分析[J]. 上海公路， 2018（1）： 49-51+57+5.

[3]崔東順. 可見光航拍圖像水上橋梁檢測算法研究[D]. 北京：北京理工大學(xué)， 2015.

[4]任炳蘭. 基于matlab 的路面裂縫識別算法研究[D]. 西安：長安大學(xué)， 2014.

[5]丁志軍， 杜軍， 盧彭真. 無損檢測技術(shù)在道橋工程中的應(yīng)用與發(fā)展[J]. 交通科技與經(jīng)濟(jì)， 2005（1）： 4-6.

[6]王娜麗. 無損檢測技術(shù)在公路橋梁測量中的應(yīng)用[J]. 自動化與儀器儀表， 2017（10）： 166-167.

[7]焦彥濤. 無損檢測技術(shù)在公路橋梁養(yǎng)護(hù)管理中的應(yīng)用[J]. 交通世界， 2017（Z2）： 88-89.

[8]王耀東， 朱力強， 史紅梅， 等. 基于局部圖像紋理計算的隧道裂縫視覺檢測技術(shù)[J]. 鐵道學(xué)報， 2018（2）： 82-90.

[9]李清泉， 鄒勤， 毛慶洲. 基于最小代價路徑搜索的路面裂縫檢測[J]. 中國公路學(xué)報， 2010（6）： 28-33.

[10]徐威， 唐振民， 徐丹， 等. 融合多特征與格式塔理論的路面裂縫檢測[J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)報， 2015（1）： 147-156.

[11]Prasanna P， Dana K J， Gucunski N， et al. Automated crack detection on concrete bridges[J]. IEEE Transaction on automation science and engineering， 2016（2）： 591-599.

[12]Valenca J， Puente I， Julio E， et al. Assessment of cracks on concrete bridges using image processing supported by laser scanning survey[J]. Construction and Building Materials， 2017， 146： 668-678.

[13]Shi Y， Cui L， Qi Z， et al. Automatic Road Crack Detection Using Random Structured Forests[J]. IEEE Transaction on Intelligent Transportation Systems， 2016（17）： 1-12.