基于無人機與計算機視覺的中國古建筑木結構裂縫監測系統設計

楊 娜，張 翀，李天昊

(1. 北京交通大學土木建筑工程學院，北京 100044；2. 南加利福尼亞大學工學院，美國加利福尼亞州洛杉磯市 90007)

中國古建筑木結構具有極高的歷史、文化價值，但在其漫長的服役周期中，環境、人為因素導致中國古建筑木結構出現各種形式的損傷。經調研，裂縫是中國古建筑木結構最為常見的損傷形式。中國古建筑木結構裂縫數量多、成因雜、危害大，發展規律難預測。中國古建筑木結構構件采用榫卯連接，裂縫引起的斷裂會導致整體結構出現連續性倒塌[1]，故目前亟需對中國古建筑木結構裂縫進行監測。

從其他領域危險裂縫監測案例來看，一般裂縫監測包括危險裂縫識別和危險裂縫生長監測兩個步驟。在識別出結構中危險裂縫后，應實時將該裂縫的生長情況反饋給監測人員，方便監測人員根據該裂縫的發展規律判斷結構是否需要修繕。但對于大多數中國古建筑木結構，目前僅用人工檢測的方式識別和記錄危險裂縫。少部分中國古建筑木結構引入了超聲波[2]、應力波[3 ? 4]、皮羅釘[5]等無損檢測儀器。但是上述裂縫檢測方式存在如下弊端：上述方法人力、物力和財力消耗巨大；檢測過程存在無法到達的盲區；檢測結果誤差大，且與檢測人員自身專業水平息息相關；檢測周期較長，導致其難以反饋結構突發事件，檢測缺乏時效性。

圖1 文章框架Fig.1 The article framework

面對中國古建筑木結構裂縫，目前需要設計一種實時、在線、動態、無接觸式、無需依賴人工的裂縫監測方法。目前中國古建筑木結構領域沒有類似的方法，但近年來橋梁結構裂縫監測領域提出了基于無人機和計算機視覺的裂縫監測系統[6]。通過分析可知，將上述系統用于中國古建筑木結構裂縫監測存在如下問題：1)對于無人機系統，其他領域無人機系統均依賴GPS 信號，并自主規劃路徑[7]，對于監測路徑可靠性要求極高，且所處環境GPS 信號較弱的中國古建筑木結構來說，已有無人機很難對其裂縫進行監測；2)對于相機系統，中國古建筑木結構裂縫監測過程中需使用貼面正攝，拍攝距離和相機廣角使得上述過程需引入圖像拼接技術，對鋼結構和混凝土結構裂縫進行監測時，拍攝距離足夠且裂縫較為細小，因此并未使用圖像拼接技術[8]，用于無人機遙感航拍的圖像拼接技術往往可選特征多，拼接精度要求不高[9]，同樣無法滿足本文要求；3)對于圖像處理系統，目前裂縫監測圖像處理方法多源于鋼結構和混凝土結構，這些結構的裂縫像素點占比少，與背景灰度值存在重疊，但與背景和噪聲形態不同，因此，研究人員通常使用基于形態的受限玻爾茲曼機(RBM)[10]和深度卷積神經網絡(DCNN)[11]提取裂縫信息。但中國古建筑木結構裂縫與鋼結構和混凝土結構裂縫差異較大，中國古建筑木結構裂縫像素點占比多，且與背景灰度值差別明顯，但存在與裂縫形態相似的木紋噪聲，因此目前常用的裂縫提取方法無法直接應用。

綜上所述：首先，介紹了中國古建筑木結構裂縫成因、發展規律和危險裂縫判別條件；其次，分別提出了適合于中國古建筑木結構裂縫監測的無人機系統、相機系統和圖像處理系統；最后，利用中國古建筑木結構亭子模型驗證本文設計的裂縫監測系統的可行性。本文框架如圖1所示。

1 中國古建筑木結構裂縫特征

1.1 中國古建筑木結構裂縫成因與危害

中國古建筑木結構建造年代久遠，很多木構件上皆存在裂縫(如圖2)，而中國古建筑木結構裂縫成因與其他結構(鋼結構、混凝土結構)裂縫成因差異較大。中國古建筑木結構原料的生長過程和結構的建造過程均會產生裂縫，尤其是其服役過程，風吹日曬、腐朽蟲蛀等環境影響，以及游客、改建等人為影響均會令古建筑木結構產生裂縫[12]。

圖2 中國古建筑木結構裂縫Fig.2 Cracks in Chinese ancient wooden buildings

裂縫在后續荷載和環境作用下會進一步發展，且因木材的強正交各向異性和復雜的微觀構造導致裂縫發展規律極其復雜[13]。在現場很難確定古建筑木結構裂縫何時開始發展以及發展的速度。但因為中國古建筑木結構中的木材水分含量低，裂縫一旦擴展極易出現脆斷現象(如圖3)，局部的脆斷也將導致整體結構的連續性倒塌。因此相比于鋼結構和混凝土結構，古建筑木結構更需要進行實時裂縫監測。

圖3 中國古建筑木結構構件斷裂Fig.3 Fracture of members in Chinese ancient wooden building

1.2 中國古建筑木結構危險裂縫評價指標

中國古建筑木結構中裂縫繁多，但并不是每一條裂縫的生長都會引起脆斷。因此本文設計的裂縫監測系統首先應識別出危險裂縫，即該裂縫繼續發展極可能造成構件斷裂，識別后對危險裂縫的生長進行實時監測。據《古建筑木結構維護與加固技術規范》[14]《古建筑修建工程施工及驗收規范》[15]，危險裂縫判別指標見表1、表2。

表1 木梁危險裂縫評價指標Table 1 Evaluation index of dangerous cracks in wooden beams

表2 木柱危險裂縫評價指標Table 2 Evaluation index of dangerous cracksin wooden columns

工程人員可依據被監測的中國古建筑木結構情況，對將要達到上述指標的裂縫進行識別，同樣作為實時監測對象，使結構存在一定的安全冗余度。

2 無人機系統設計

2.1 無人機系統設計依據

無人駕駛飛機簡稱“無人機”(unmanned aerial vehicle，UAV)，因其使用費用低、飛行安全性高、自然環境適應性好，而被應用于農業灌溉、森林防 火、電力和輸油管巡檢、災后評估和建筑物外觀檢查等領域，但目前國內外并沒有研究人員在中國古建筑木結構裂縫監測過程中使用無人機。不同領域需求不同，導致無人機系統設計存在差異，因此本研究設計了適用于中國古建筑木結構裂縫監測的無人機系統。表3展示了本文無人機系統的設計依據及其與目前已有無人機的差別，圖4 中展示了基于上述要求設計的適合于中國古建筑木結構裂縫監測的無人機系統。

2.2 無人機系統特點

本文設計的適用于中國古建筑木結構裂縫監測的無人機系統與目前已有的其他領域的無人機系統均不相同，其具有如下特點：

1)該無人機屬于輕小型無人機，機身最大對角軸距400 mm，總重量為907 g，能夠滿足中國古建筑木結構狹小空間內裂縫監測需求；

表3 中國古建筑木結構裂縫監測無人機系統設計依據Table 3 Design basis of UAV system for crack monitoring of the Chinese ancient wooden buildings

圖4 無人機系統示意圖Fig.4 Diagram of UAV system

2)該無人機為四旋翼，可直升直降、穩定懸停、姿勢轉換、小角度轉彎，能夠在復雜的中國古建筑木結構中使用；

3)該無人機搭設1200 萬像素(1200 萬pixels)相機，可正直貼面拍攝，并獲取精確的二維圖像，用于中國古建筑木結構裂縫寬度和長度確定；

4)該無人機無需搭載多相機和額外載重，抗風要求低，故成本低。同時，低需求使得該無人機在裝載高倍率電池后，能夠實現40 min 巡航，可滿足中國古建筑木結構裂縫監測要求；

5)該無人機使用適于穿透遮擋物的2.4 G 數傳元件，能夠在存在遮擋物的中國古建筑木結構中實現實時數傳，提高航線規劃精度，提升無人機飛行可靠性；

6)該無人機能夠獲取機載照片拍攝時刻相機光心距離建筑物表面的垂直距離，即通過將超聲波元件連接在具有數傳的APM 飛控上，超聲波測距數據通過數傳發射到帶有接收器的PC 端，PC 端裝載Missionplanner 軟件，將超聲波元件程序嵌入軟件后即可讀取和采集距離信息，過程如圖5 所示。

圖5 無人機系統增設超聲波元件Fig.5 Adding ultrasonic components to UAV system

7)目前其他領域民用無人機多采用集成飛控結合Altizure、Pix4d、DJ1 GS pro、Rockycapture等非開源軟件進行航線規劃。這些規劃軟件依賴于GUSS 元件，且航線自主優化時，多基于A*算法、D*算法、人工勢場法、蟻群算法等[6]。上述方法雖然能夠實現航線規劃、智能避障和自主優化，但是：1)過于依賴GPS 信號，而中國古建筑木結構中GPS 信號較弱；2)優化路徑以最小耗能，最短路徑或最大化避障為指標，很難考慮中國古建筑木結構飛行路徑的歷史、文化、宗教價值。例如，佛像、珍貴壁畫等附近雖有空間，但不宜飛行，而目前無人機系統無法判別飛行路徑周圍事物的價值。因此目前常用的航線規劃方法明顯不適合在中國古建筑木結構裂縫監測中使用。

針對中國古建筑木結構內GPS 信號弱的現象，本文設計的無人機系統可通過APM 飛控中的IMU(inertial measurement unit)模塊實現慣性控制，IMU 慣性模塊中的加速度器、陀螺儀、電子羅盤、壓力傳感器可在低GPS 信號的環境中獲取無人機的姿態、航向、速度、位置等導航參數。另外，中國古建筑木結構裂縫監測航線規劃精確固定，故本文放棄目前其他領域民用無人機的航線自主優化功能，出現障礙則選擇平穩降落，不進行新航線自主設計，確保結構和無人機自身安全。使用IMU 慣性控制元件，輔助以RTK 導航，結合Missionplanner 軟件航線記憶功能，實現精確可靠的航線規劃。過程如下：監測人員首先對裂縫監測路徑進行調研，確保所選路徑能夠獲取精確的裂縫信息，同時確保無人機在該路徑飛行時不會對中國古建筑木結構的歷史、文化、宗教價值造成影響。確定路徑后，首飛需使用一體化遙控器人工控制無人機飛行，無人機中IMU 模塊將記錄可以描述飛行路徑和姿態的數據，并實時通過數傳發送至PC 端的Missionplanner 軟件，.kmz 和.kml 文件可在.tlog 文件的基礎上創建，文件中包含首飛的所有信息，在低GPS 信號的環境中，飛行信息主要來自于IMU 慣性控制元件。將上述記錄的飛行信息再次輸入Missionplanner 軟件，通過數傳傳遞至無人機，無人機將能執行相同的飛行路線、飛行姿態等，以實現后續無人機自動監測，具體方式見圖6。

圖6 Missonplanner 軟件航線記憶Fig.6 Route memory function of Missionplanner

8)中國古建筑木結構自身具有極強的歷史、文化、宗教價值，故本文設計的無人機具有多重安全保障，能夠確保無人機和結構的安全，飛行可靠性好于目前其他領域無人機。安全保障1：加裝的超聲波元件，能夠自動識別小于規定監測距離的障礙。安全保障2：放棄航線自主優化，采用航線記憶的方式進行航線規劃。安全保障3：增設一體化遙控器，接收實時圖傳和數傳信號，一旦出現危險能夠及時開啟人工干預模式。

2.3 無人機懸停拍攝測試

中國古建筑木結構裂縫監測過程對機載照片的品質要求高，無人機系統需根據擬定路徑緩慢飛行，懸停時采集監測裂縫圖像，每次采集需正對裂縫拍攝。盡管中國古建筑木結構裂縫監測無人機系統工作環境風速較小，但懸停時仍會受到高速轉動的螺旋槳帶來的振動影響，使得機載拍攝在相機曝光時間內出現像移，模糊的機載成像會嚴重影響中國古建筑木結構裂縫監測結果。

通常采用光學傅里葉調制傳遞函數(modulation transfer function)衡量無人機懸停狀態下機載成像質量[16]，表達式如下：

式中：δ 為快門時間內像移；N 為鏡頭固定參數。上述MTF 值越接近1 則證明機載照片質量越高。其中，δ 是唯一變量，該變量通常采用IMETUM非接觸式測量儀獲取[8]。根據文獻[16]可知，無人機在無環境風影響時，機載相機成像快門1/500 s，成像物距小于4 m 時，機載相機的轉動和平動像移遠小于像元尺寸，不會造成像質的模糊。因為中國古建筑木結構內部空間有限，成像物距往往小于4 m，故本文的無人機系統懸停時獲取的機載照片不會出現像質模糊。為直觀說明本文的無人機系統獲取的機載照片不存在模糊現象。令無人機系統處于懸停狀態，正對實驗室墻面紅色目標物連續拍攝10 次。提取紅色目標物上邊界的像素點個數，結合機載相機像素解析度(mm/pixel)和物距，分別計算10 張照片中紅色目標物上邊界的長度，結果均為10 mm，由此可知本文無人機系統懸停時獲取的機載照片沒有出現像質模糊現象，過程如圖7 所示。

3 相機系統設計

在無人機系統滿足監測所需精度的基礎上，相機系統也應能夠提供精度較高的照片。本部分分別介紹了相機系統的畸變矯正過程，像素解析度標定過程和基于特征點的機載照片拼接過程。

3.1 相機畸變矯正

無人機搭載的廣角相機易出現鏡頭畸變，這會影響中國古建筑木結構裂縫的監測精度。本部分采用棋盤格配合MATLAB 中Camera Calibrator工具箱對機載廣角相機拍攝照片出現的桶形畸變進行校正。矯正所用原始圖像為不同角度拍攝的9 張棋盤格圖像(圖8(a))。MATLAB 中的Camera Calibrator 工具箱能夠自動檢測棋盤格圖像的角點，并提取坐標。對提取坐標后的圖像進行標定，計算相機的內參和外參，同時修正相機畸變(圖8(b))。使用最小二乘法估算實際存在的桶形畸變參數，最后使用極大似然法提高估計精度，矯正平均誤差為2.76 像素（2.76 pixels），矯正誤差見圖8(c)。

圖8 機載廣角相機桶形畸變修正Fig.8 Barrel distortion correction of airborne wide angle camera

3.2 像素解析度標定

為了實現中國古建筑木結構裂縫寬度與長度尺寸的準確測量，需要獲取相機系統的像素解析度(mm/pixel)。像素解析度通常采用下式描述：

式中：J 為像素解析度；a 為物體實際尺寸(本文代表實際裂縫長度或寬度)；a''為成像的像素數；l 為物距；f 為鏡頭焦距；d 為相機傳感器邊長物理尺寸；d'為相機傳感器對應邊的像素數。

本節使用傳統的平行線測量法，用機載相機對間距為5 mm、10 mm、15 mm、20 mm、25 mm的標準平行線進行多次拍攝，確保機載相機主軸與平行線標定板垂直，并調節拍攝距離從20 cm變化至100 cm，拍攝間隔20 cm。對照片進行畸變矯正后，分別獲取相同物距下不同間距平行線的像素解析度平均值，獲取像素解析度與物距的關系曲線，如圖9。

圖9 像素解析度與物距的關系曲線Fig.9 Relation curve between physical size of pixel and object distance

3.3 基于特征點的機載照片拼接

中國古建筑木結構裂縫監測過程中，無人機系統往往采用貼面正攝的方式獲取圖像，拍攝距離近、相機廣角有限、木結構裂縫長等因素，使得中國古建筑木結構裂縫監測過程中需要引入圖像拼接技術，并基于拼接后的機載照片識別裂縫。圖像拼接技術的核心為圖像配準，目前低計算量，高匹配精度，高魯棒性的基于特征點的配準方法被廣泛應用在無人機領域。特征點配準中特征點提取和特征點匹配方法眾多[9]，本文需要根據無人機系統獲取的中國古建筑木結構裂縫圖像特征進行選取和改進。

使用無人機對鋼結構和混凝土結構裂縫進行監測時，因拍攝距離足夠且裂縫較為細小，因此并未引入圖像拼接技術[8]，故在裂縫監測領域并沒有適合的參考方法。在使用無人機進行災后評估和地形測繪時，經常使用圖像拼接技術，但這種情況屬于遙感航拍。在特征點提取時，湖泊、森林和公路易于提取，故常規的特征提取方法均可適用[9]。中國古建筑木結構裂縫監測時機載照片往往僅為木紋和裂縫，能夠提取的特征點較少，影響圖像拼接和后續裂縫特征的提取。本文針對上述現象提出一種改進的SIFT 特征點提取方法，該方法可以對圖像特征點進行增強，且對于圖像平移、旋轉、縮放變換等具有不變性，對光線變化、仿射變換、拍攝噪聲等具有魯棒性，能夠解決中國古建筑木結構裂縫監測機載照片特征點少的問題。為驗證本文改進的特征點提取算法的有效性，以本文設計的無人機系統獲取的木構件照片為樣本，對其進行旋轉、縮放和亮度變化處理(即無人機拍攝照片常見現象)。以提取特征點數量和提取時間為指標，比較本文改進的SIFT 特征點提取方法和目前圖像拼接過程中常用的Harris 算法、Moravec 算法、SIFT 算法。特征點提取效果見圖10，本部分僅展示基于原圖的特征點提取效果，比較結果見表4。從比較結果可以清晰的看出本文改進的SIFT 特征點提取方法，提取時間適中，能夠提取更多的特征點，可解決中國古建筑木結構裂縫監測圖像特征點少的問題。

圖10 特征點提取方法比較Fig.10 Comparison of feature point extraction methods

表4 特征點提取算法比較結果Table 4 Comparison results of various algorithms

特征點提取后需要對特征點進行匹配，災后評估和地形測繪時無人機獲取的遙感圖像拼接精度不需達到mm 級別，故往往采用基于歐氏距離函數的BBF 特征點匹配算法，上述算法會出現誤匹配特征點，拼接精度不高，但可滿足航拍要求[9]。在中國古建筑木結構裂縫監測過程中，圖像拼接精度需要達到0.1 mm，誤匹配特征點的出現將極大的降低匹配精度。為滿足上述要求，本文在特征點匹配后增加RANSAC 算法：1)該算法首先隨機選取4 對匹配特征點，要求任意3 對不能共線，并計算單應性矩陣H；2)計算其余匹配點經過單應性矩陣變換后的對應點位置坐標與實際位置的重投影誤差，該誤差值涵蓋單應性矩陣計算誤差和圖像點測量誤差；3)重投影誤差小于閾值則為內點(通過將像素點距離轉換為物理坐標距離，對應的物理坐標誤差應小于中國古建筑木結構裂縫測量精度，進而確定閾值)，否則為外點；4)重復上述步驟(通過置信區間、內點比例、每次所需樣本數計算得到可變的迭代次數k，實際迭代次數大于計算值即停止迭代)，選取內點最多點集(以重投影誤差構造的代價函數值最小)，獲取最優單應性矩陣H。引入上述算法可以實現機載相片特征點精確匹配。以本文設計的無人機系統獲取的機載照片為例，照片首先使用本文提出的改進的SIFT 特征點提取方法，以有效匹配特征點數量為指標，比較本文結合RANSAC 算法后的BBF特征點匹配算法與基礎的BBF 算法，比較結果見圖11 和表5。比較結果可充分證明結合RANSAC算法后的BBF 特征點匹配算法能夠有效剔除誤匹配特征點，進而提高匹配精度，將原本的粗匹配轉為精匹配。

圖11 特征點匹配算法比較Fig.11 Comparison of feature point matching algorithms

表5 不同特征點匹配方法的比較Table 5 Comparison of different feature point matching methods

4 圖像處理系統設計

本節對圖像處理系統中的預處理算法、裂縫提取算法、構件尺寸和構件裂縫尺寸獲取算法進行介紹，并使用實驗室木構件對上述算法進行驗證。

4.1 圖像預處理

在使用無人機對中國古建筑木結構裂縫進行監測時，原始機載照片存在成像光線不均、拍攝噪聲多、圖像對比度差等諸多問題，這些問題會嚴重影響裂縫監測精度。在裂縫提取前對機載照片的預處理十分重要，圖12 展示了本節所用預處理算法流程。

圖12 機載照片預處理過程Fig.12 Airborne photo preprocessing process

灰度變換：將RGB 圖像轉為灰度圖降低后續圖像處理的計算成本和因顏色復雜帶來的噪聲，處理結果見圖13(b)。

中值濾波：本文在選取濾波方法時，將中值濾波與常用的均值濾波、雙邊濾波和導向濾波進行了比對，發現中值濾波能夠很好的抑制木結構構件裂縫背景中的塊狀和點狀噪聲，對裂縫邊界保存完好，并無邊緣梯度翻轉現象，處理結果見圖13(c)。值得注意的是，所有的濾波方法均僅能處理點狀和塊狀的噪聲，即降低孤立點的尖銳變化，抑制圖像矩陣中的突變值，而裂縫和木紋(與裂縫形態相近)無法被篩除。另外，濾波方法雖能對邊緣進行保護，但均會造成一定程度的邊緣削減。因此在濾波處理后，需引入邊緣檢測算法。

邊緣檢測：尋找相鄰的像素灰度差異較大的像素總集，本質是計算圖像各點上像素值的變化率，順著木構件邊緣和裂縫方向的灰度值變化柔和，垂直于裂縫邊緣和裂縫方向的灰度值變化強烈。本小節選取邊緣檢測中常見的一階微分Sobel算子，以增強機載照片中裂縫邊緣的響應，處理結果見圖13(d)。在選取邊緣檢測算法時，將一階微分Sobel 算子與常用的一階微分Prewitt 算子和二階微分Laplacian 進行了比對，發現一階微分Sobel 算子能夠清晰增強木構件邊緣和裂縫邊緣，邊緣連續性好，可抑制噪聲且計算效率高。

圖13 圖像預處理過程Fig.13 Image preprocessing process

綜上，使用灰度化對圖像降維簡化，使用中值濾波有效的抑制了圖像中的點狀和塊狀噪聲，使用一階微分Sobel 算子對構件邊緣和裂縫邊緣進行了增強，但是預處理后與裂縫形態相似的木紋仍存在。

4.2 裂縫特征提取

裂縫特征提取是裂縫監測中最為重要的環節。目前已有大量的裂縫特征提取方法用于鋼結構和混凝土結構裂縫監測過程中。鋼結構與混凝土結構裂縫由荷載、溫度、收縮、疲勞等諸多因素引起，這些裂縫在機載照片中占比小(裂縫所占像素點數量極少)，甚至和噪聲占比相當，大部分機載照片為背景[17 ? 18]。裂縫處的灰度值和背景的灰度值存在重疊，但裂縫的形態和噪聲以及背景存在較大差別，如圖14(a)和圖14(b)。因此研究人員通常使用基于形態受限玻爾茲曼機(RBM)[10]和深度卷積神經網絡(DCNN)[11]提取裂縫信息。但中國古建筑木結構裂縫與鋼結構和混凝土結構裂縫差異較大，中國古建筑木結構裂縫像素點占比多(根據規范寬度大于10 mm 的裂縫被關注)，且與背景灰度值差別較大，經過預處理后存在與裂縫形態相似的木紋噪聲(見圖14(c))，木紋噪聲和裂縫的灰度值亦存在較大差別。因此目前常見的其他領域基于形態的裂縫特征提取方式無法被直接應用，而基于灰度值的閾值分割可作為提取中國古建筑木結構裂縫的手段。

圖14 不同結構的裂縫示意圖Fig.14 Schematic diagram of cracks in different structures

圖15 中自上而下分別為應縣木塔內危險裂縫、佛光寺內危險裂縫、北京交通大學古建筑木結構亭子模型危險裂縫。從圖中可清晰地看出本文提出的方法能夠很好地抑制背景和木紋噪聲，該文清晰地提出中國古建筑木結構裂縫特征，裂縫連貫性好，不存在木紋和背景與裂縫粘連的現象，基于Hessian 矩陣優化的自適應閾值分割法適合于中國古建筑木結構裂縫監測。

圖15 裂縫特征提取方法比較Fig.15 Comparison of crack feature extraction methods

4.3 構件邊界尺寸和裂縫尺寸獲取

4.3.1 構件邊界邊長獲取

根據《古建筑木結構維護與加固技術規范》[14]《古建筑修建工程施工及驗收規范》[15]，在確定危險裂縫時，首先需要確定裂縫所在構件的長度和高度。本小節使用OpenCV 中cvContourArea 函數完成上述過程。為驗證該方法可行性，使用其獲取實驗室木構件(圖13)上、下、左、右邊界像素點個數，結合圖9 獲取邊界長度，結果見表6。

表6 實驗室木構件邊界尺寸與構件裂縫尺寸 /cm Table 6 Boundary dimension and crack dimension of laboratory wood components

4.3.2 裂縫長度獲取

中國古建筑木結構構件裂縫往往沿木材纖維方向發展，不會出現類似混凝土結構中無規律蔓延的裂縫。根據規范[14 ? 15]，監測人員在獲取中國古建筑木結構裂縫長度時，不需引入計算混凝土結構裂縫的基于裂縫骨架的首尾點距離法、骨架相鄰點距離法和曲線擬合法[20]。僅需將圖像設為K×L 矩陣，獲取裂縫起點像素點坐標(xa，ya)和裂縫終點像素點坐標(xb，yb)，并計算期間像素點個數，結合圖9 獲取裂縫長度，裂縫長度獲取結果見表6。

4.3.3 裂縫寬度獲取

中國古建筑木結構裂縫監測時，監測人員需要獲取整條裂縫寬度最大位置處的尺寸，步驟如下：

1)圖像可視K×L 的矩陣，提取閾值分割后圖像中裂縫位置，裂縫位置的像素同樣可用矩陣形式表達，整體裂縫可視為M×N 的矩陣。選取裂縫矩陣中第i 行的第一個裂縫像素點Aij和最后一個像素點Bip，其中i 為行數，j 和p 為列數。

2)獲取初測裂縫寬度，公式如下：

3)以Aij為頂點，向上下各作邊長為D 的正方形，計算框內各個Bkp到頂點Aij的距離，見圖16。像素裂縫寬度為：

圖16 裂縫寬度獲取示意圖Fig.16 Schematic diagram of crack width acquisition

4)若i＜M，i=i+1，循環3)的過程。否則得到：

5 驗證分析

為驗證上述無人機系統，相機系統和圖像處理系統在中國古建筑木結構裂縫監測過程中的有效性，使用該系統對北京交通大學建立的中國古建筑木結構亭子模型中的裂縫進行監測。

5.1 監測模型

本次監測對象為北京交通大學古建筑結構研究所為服務于中國古建筑木結構健康監測所建立的中國古建筑木結構亭子模型(如圖17(b))。此亭子模型以故宮咸福宮井亭(如圖17(a))為原型建立，木料選用紅松，相似比1∶1，結構構件尺寸和結構構件間的連接形式與原井亭完全相同。亭子模型保留中國古建筑木結構基本組成部分，即臺基部分、木構造部分、屋頂部分。該亭子模型保留這些部分的結構功能，而去除美觀功能，例如保留斗拱均勻傳遞荷載，維持空間穩定性的功能，去除斗拱上的漆飾。另外，中國古建筑木結構屋頂多是美觀之用，在結構中僅起到為木框架增加上部荷載的作用，故該模型中的屋頂可使用相同重量的鋼筋混凝土板代替。因此本文監測對象與中國古建筑木結構形制相同，能夠代表真實的中國古建筑木結構，以此亭子模型驗證本文提出的系統的有效性是合理的。

圖17 監測結構示意圖Fig.17 Schematic diagram of monitoring structure

5.2 無人機路徑規劃

為取得高精度照片，無人機系統應盡量靠近中國古建筑木結構亭子模型構件，但由于結構形式復雜，很多情況無人機系統無法滿足上述要求，這也是大部分中國古建筑木結構裂縫監測過程中會遇到的問題。根據規范[14 ? 15]，中國古建筑木結構梁、柱裂縫寬度限值分別為10 mm 和15 mm，因此測量精度至少為1 mm。本系統相機照片分辨率為4032×3024，像素解析度最大值為1 mm/pixel，根據圖9 計算可知，無人機系統與中國古建筑木結構構件垂直距離不大于1.92 m。為了全面且經常性的對中國古建筑木結構亭子模型中危險裂縫進行監測，使用2.2 小節中提出的方式進行航線規劃。無人機系統懸停位置應按照相機系統與目標物垂直距離和單張相片最大拍攝面積確定，確保相鄰相片間重疊度在40%以上，以保證裂縫圖像拼接質量。無人機系統巡航路徑如下：1)柱的監測，每根柱子4 面均進行拍攝，分別拍攝4 個柱，共16 個表面；2)梁的監測，4 根梁連續拍攝，首先為外部順時針環繞拍攝，其次為內部順時針環繞拍攝；3)斗拱的監測，采用與梁相同的方式，分別對8 個平身科斗拱和4 個柱頭科斗拱進行拍攝。中國古建筑木結構亭子模型監測過程如圖18 所示。

5.3 監測結果

使用無人機系統按照上述路徑獲取中國古建筑木結構亭子模型機載照片，對獲取的照片進行矯正合成和預處理，并在提取裂縫后對圖像中構件的邊界尺寸和構件中裂縫的長度和寬度進行識別。按照規范給出的限值確定構件中的危險裂縫，以便長期監測危險裂縫生長。上述過程如圖19所示，圖19(a)所示是柱A 裂縫處理情況，柱A位置見圖17(b)。圖19(b)所示是柱B 裂縫處理情況，柱B 位置見圖17(b)。圖19 依次是矯正合成、灰度變換、中值濾波、邊緣檢測、裂縫特征提取。

圖18 中國古建筑木結構裂縫監測系統工作過程Fig.18 Working process of crack monitoring system for the Chinese ancient wooden buildings

圖19 中國古建筑木結構亭子模型裂縫監測結果Fig.19 Monitoring results of cracks in wooden pavilion model of Chinese ancient building

中國古建筑木結構亭子模型中A 柱、B 柱邊界尺寸和A 柱、B 柱表面裂縫的長度與寬度監測結果見表7，裂縫編號如圖19 所示。在表7 中，使用人工實測結果驗證本文提出方法的準確性。

從表7 中可以看出，中國古建筑木結構裂縫監測系統能夠精準的識別出危險裂縫。柱A 中裂縫1 長度已經達到柱高1/3，按照規范[14 ? 15]給出的限值，該裂縫屬于危險裂縫。柱A 中裂縫2 長度和寬度均小于規范[14 ? 15]給出的限值，不屬于危險裂縫。柱B 中裂縫4 長度和寬度同樣小于規范[14 ? 15]給出的限值，不屬于危險裂縫。柱B 中裂縫5 和裂縫6 寬度均未達到10 mm 寬度限值，但長度均已超過柱高1/3，屬于危險裂縫。后續將使用本文提出的中國古建筑木結構裂縫健康監測系統，按照上述規劃路徑對裂縫1、裂縫5 和裂縫6 進行長期的健康監測，觀察裂縫生長情況。此系統自動化性能高，因此裂縫監測周期可以大大縮短，可以將原本幾月一次的人工檢測，變為幾天一次的實時、長期的健康監測。

表7 中國古建筑木結構亭子模型裂縫監測結果 /cmTable 7 Monitoring results of cracks in wooden pavilion model of Chinese ancient building

6 結論

本文設計了一種基于UAV 和CV 的中國古建筑木結構裂縫監測系統，該系統包括無人機系統、相機系統和圖像處理系統。

(1)在無人機系統中，本文設計了一款適合于中國古建筑木結構裂縫監測的無人機，該無人機區別于目前其他領域已有的民用無人機。該無人機體量輕小、易于操控、續航持久。使用AMP 飛控中IMU 慣性控制元件，結合Missionplanner 軟件中航線記憶功能，實現了中國古建筑木結構(低GPS 環境)下高精度裂縫監測航線規劃。加入超聲波元件實現拍攝過程中相機光心到構件表面垂直距離的獲取。將圖傳、數傳、超聲波元件、PC 端和一體化遙控器結合，為中國古建筑木結構裂縫監測過程提供多重安全保障。

(2)相機系統中，本文使用MATLAB 中Camera Calibration 工具箱修正了機載廣角相機的桶形畸變。使用平行線測量法獲取機載相機的像素解析度。中國古建筑木結構裂縫監測過程受拍攝距離和相機廣角等因素影響，需要引入圖像拼接技術、特征點提取和特征點匹配技術是圖像拼接的關鍵。針對特征點提取方法，本文提出了一種改進的SIFT 特征點提取方法，該方法可對中國古建筑木結構裂縫監測機載相片中特征點進行增強，有效解決了中國古建筑木結構裂縫監測過程中無人機獲取機載相片特征點少的問題。針對特征點匹配方法，本文在BBF 特征點算法的基礎上增加了RANSAC 算法，減少特征點誤匹配現象，提高了圖像拼接精度，使原本“粗匹配”轉為“精匹配”，進而提升裂縫尺寸測量精度。

(3)在圖像處理系統中，考慮中國古建筑木結構裂縫監測過程中機載照片的特點，本文引入灰度變換、中值濾波、一階微分Sobel 算子邊緣檢測對已合成矯正的機載照片進行預處理。考慮中國古建筑木結構裂縫特征，提出基于Hessian 矩陣優化的自適應閾值分割算法，有效地將中國古建筑裂縫從背景和木紋噪聲中提取。最后應用基于計算機視覺的尺寸測量技術，實現了構件邊緣尺寸和裂縫尺寸的準確測量，并通過實驗室試件進行了驗證。

(4)通過北京交通大學古建筑結構研究所建立的中國古建筑木結構亭子模型驗證上述系統的有效性和準確性。基于設定的巡檢路徑，本文設計的監測系統能夠實現實時、長期的中國古建筑木結構裂縫監測。將中國古建筑木結構裂縫監測系統監測結果與人工測量結果對比，驗證了本系統的有效性和準確性。