圖像輪廓線的公路橋梁撓度異常無損檢測研究

摘要：依據(jù)撓度異常檢測需求，設計公路橋梁撓度圖像檢測儀，獲取橋梁撓度光斑圖像。以此為基礎，利用均值濾波與中值濾波對光斑圖像噪聲進行預處理，以無噪聲光斑圖像為依據(jù)，基于圖像輪廓線提取圖像撓度特征，計算公路橋梁實時撓度，確定橋梁撓度安全區(qū)間，并利用滑動窗口法對橋梁撓度異常進行檢測，最終實現(xiàn)公路橋梁撓度的異常無損檢測。實驗結(jié)果顯示：隨著裝置到目標距離的上升，撓度數(shù)值誤差呈現(xiàn)逐漸加大的趨勢。相較于現(xiàn)有方法，文中提出的方法撓度數(shù)值誤差較小，具備更好的撓度異常檢測效果。

關鍵詞：圖像輪廓線；公路橋梁；撓度；異常；無損檢測

0" "引言

橋梁是公路交通中的重要公共基礎設施之一，不僅可以推動不同地域之間文化交流與人員往來，還可以推動社會經(jīng)濟的發(fā)展。近幾年，我國經(jīng)濟的高速發(fā)展與公路橋梁的建設密不可分。依據(jù)數(shù)據(jù)調(diào)研統(tǒng)計發(fā)現(xiàn)，我國現(xiàn)有公路橋梁已達到70萬座，橋梁體系多種多樣，例如板橋、梁橋、鋼結(jié)構(gòu)橋、拱橋等，其在交通運輸領域中占據(jù)的地位也在不斷提高。公路橋梁數(shù)量上升的同時，橋梁的跨境與長度逐漸加大，以世界最長跨海大橋——港珠澳大橋為例，該橋梁是一條連接澳門、珠海與香港的關鍵通道之一，長度達到55km。這些世界聞名的橋梁建筑標志著我國橋梁建設能力居于世界前列。

公路橋梁數(shù)量與規(guī)模擴張的同時，橋梁斷裂、坍塌等事故概率也在攀升。根據(jù)相關調(diào)查研究可知，近5年內(nèi)，中國垮塌橋梁數(shù)量達到了37座左右。由此可見，橋梁的安全性與可靠性直接影響著國計民生，也是全球橋梁工程領域研究的熱點問題之一[1]。對公路橋梁事故進行深入調(diào)查發(fā)現(xiàn)，致使橋梁坍塌的主要因素有偷工減料、計算錯誤、施工缺陷、自然災害破壞、維護不周等，故在公路橋梁建設過程中加大相關檢測的力度，保障橋梁建設環(huán)節(jié)安全勢在必行。

在公路橋梁運營過程中，如何避免事故發(fā)生多年來一直是工程領域的難題。公路橋梁撓度是衡量橋梁荷載性、穩(wěn)定性的關鍵指標，也是橋梁安全性、可靠性的重點檢測部分，直接關系著公路橋梁是否能夠正常運營。近年來，我國學者積極應用多種設備檢驗橋梁的各種性能，如利用光線傳感器對道橋的腐蝕情況進行監(jiān)測，通過散斑成像大法對橋梁的形變情況進行監(jiān)測，通過激光位移測量方法測量橋梁的撓度和位移。我國學者王碩等人研究了基于視覺的結(jié)構(gòu)撓度無損檢測技術(shù)，并利用該檢測系統(tǒng)對某大橋進行實時的撓度檢測，結(jié)果準確度較高；但該系統(tǒng)的穩(wěn)定性較差，無法長時間運營[2]。涂偉等學者研究了基于機器視覺理論研究橋梁撓度測量方法；該系統(tǒng)可穩(wěn)定運行，但其易受外界環(huán)境影響，檢測精度不高[3]。基于此，為提高橋梁撓度測量精度，本文提出了基于圖像輪廓線的公路橋梁撓度異常無損檢測方法。

1" "公路橋梁撓度異常無損檢測方法研究

1.1" " 公路橋梁撓度圖像檢測儀設計

現(xiàn)有方法主要是通過梁體轉(zhuǎn)角對橋梁撓度進行計算，其存在著計算量大、計算復雜、適用范圍小等缺陷，無法滿足現(xiàn)今公路橋梁安全需求。為了獲取公路橋梁撓度光斑圖像，為撓度異常無損檢測打下堅實的基礎[4]，需要對公路橋梁撓度圖像檢測儀進行科學設計。文中的公路橋梁撓度圖像檢測儀以DM642芯片為核心，其硬件結(jié)構(gòu)如圖1所示。

公路橋梁撓度圖像檢測儀支持多種視頻標準，例如260M、CCIR601等，獲取的視頻中包含多個圖像。設計檢測儀視頻捕獲參數(shù)如圖2所示。依據(jù)上述過程捕獲的公路橋梁視頻，并在其中提取光斑圖像?；鶞使庠窗l(fā)射端與標靶靶面存在著一定的距離，光束呈現(xiàn)逐漸發(fā)散的特征，故得到的光斑圖像光強呈現(xiàn)高斯分布，即光斑中心處的亮度最高，越往邊緣方向亮度逐漸削減[5]。光斑圖像光強分布情況如圖3所示。

1.2" " 光斑圖像預處理

受到公路橋梁撓度圖像檢測儀內(nèi)部傳感器以及信號傳輸環(huán)境等多種因素影響，獲取的光斑圖像存在著多種噪聲干擾，例如離散脈沖噪聲、白噪聲等。其對橋梁撓度異常檢測會產(chǎn)生較大的不利影響，因此要想精確檢測出橋梁撓度的異常，必須對光斑圖像進行一定的預處理。可利用均值濾波與中值濾波，對光斑圖像噪聲進行濾除，保障光斑圖像的清晰度與準確度，提升光斑圖像的質(zhì)量[6]。

均值濾波實質(zhì)上屬于平滑濾波算法，以光斑圖像的目標像素點為中心，在鄰域范圍內(nèi)選取一個模板，大小尺寸為M，模板像素灰度值記為f（i，j），全部像素點灰度平均值記為g（x，y）。由于噪聲的影響，目標像素點灰度值存在著偏差，故利用g（x，y）來代替，計算公式如下：

（1）

由公式（1）可知，該算法是將噪聲點平均分給了目標像素點的領域，以此來達到降低噪聲影響的目的。但與此同時，也會丟失光斑圖像邊緣的細節(jié)信息，降低撓度異常檢測的精確性[7]。為了提升均值濾波的效果，故在濾波處理過程中添加加權(quán)濾波算子，最大程度的保留光斑圖像的邊緣信息。加權(quán)濾波算子表達式如下：

（2）

中值濾波屬性為非線性，具備較好的白噪聲抑制效果，并不會模糊光斑圖像的邊緣信息[8]。與均值濾波算法相同，獲取鄰域模板，將模板中的灰度值進行排序，提取中間灰度值，將其作為目標灰度值的替代，其表達式如下：

（3）

式中：表示的是序列中間灰度值。以某幅公路橋梁撓度光斑圖像為例，設置鄰域模板大小為5×5，原始光斑圖像與濾波算法處理后光斑圖像的灰度直方圖如圖4所示[9]。

原始光斑圖像如圖4a所示。由圖4a可以看出，原始光斑圖像灰度值分布雜亂，光斑、灰度值的波峰與波谷均顯示的不明顯，無法準確檢測出公路橋梁撓度的變化情況。濾波算法處理后光斑圖像如圖4b所示。由圖4b可以看出，濾波算法處理后光斑圖像灰度值分布均勻，光斑、灰度值的波峰與波谷顯示清晰、明顯，并且背景灰度值與波峰灰度值之間的差異大幅下降[10]。

1.3" " 圖像撓度特征提取

以預處理后的公路橋梁撓度光斑圖像為基礎，基于圖像輪廓線提取圖像撓度特征，為后續(xù)公路橋梁撓度的異常檢測做準備。首先，對光斑圖像進行銳化，以此為基礎提取圖像撓度前景特征。銳化能夠使光斑圖像輪廓線、細節(jié)信息變得更加清晰，極大的提升了撓度特征提取效果。以背景減除法為基礎，用前景框選取目標，減去圖像背景部分，即可獲得目標圖像?？蜻x前景如圖5所示。

再次利用Canny算子對光斑圖像輪廓線進行檢測，提取撓度特征輪廓線。設定原始光斑圖像為p（x，y），平滑圖像為q（x，y），兩者之間關系式如下：

（4）

構(gòu)建水平與垂直方向的卷積公式，通過偏導差分計算梯度幅值與方向。同時對幅值非極大值進行抑制，以此來提取光斑圖像像素點的局部極大值，即實現(xiàn)光斑圖像的輪廓線檢測。梯度幅值與方向表達式如下：

（5）

通過上述過程即完成了圖像撓度特征的提取，將其進行整合與歸并，即可為后續(xù)公路橋梁撓度的異常檢測提供數(shù)據(jù)支撐。

1.4" " 公路橋梁撓度異常檢測

以上述獲取的圖像撓度特征計算公路橋梁實時撓度，并利用滑動窗口法對橋梁撓度異常進行檢測。依據(jù)圖像撓度特征獲取光斑圖像中心點像素坐標，計算基準靶標與目標靶標之間的相對位移，以此來獲得橋梁實時撓度數(shù)值。將基準靶標與目標靶標坐標分別記為（xc，yc）與（x'c，y'c），相對位移計算公式如下：

（6）

已知像元大小為d，則光斑圖像上，上述兩個靶標中心點實際距離計算公式如下：

（7）

依據(jù)光斑圖像中的物像關系，結(jié)合上述公式計算結(jié)果，獲得公路橋梁撓度目標點處的實際位移如下：

（8）

式中：△y表示的是目標點實際位移；L'表示的是目標靶標到圖像檢測儀之間的距離；f表示的是圖像檢測儀的焦距。

實際應用過程中，基準靶標與目標靶標之間存在著初始位移，記為△h'，故在橋梁撓度計算過程中，去除初始位移，降低撓度的計算誤差，則最終橋梁撓度實際變化數(shù)值如下：

（9）

利用滑動窗口法選取一定時間段內(nèi)橋梁撓度數(shù)據(jù)進行異常無損檢測。設定時間窗口為t0～t1，當前時間為t1，橋梁撓度數(shù)值為vt，其均值與方差記為Ev與σv，則橋梁撓度安全區(qū)間為[Ev-3σv，Ev+3σv]。若橋梁實時撓度數(shù)值不屬于上述區(qū)間，即認定其為異常值，進一步觸發(fā)橋梁安全預警系統(tǒng)，以提醒相關工作人員進行檢測與維修。通過上述過程實現(xiàn)了公路橋梁撓度的異常檢測，為公路橋梁安全提供更加有效的幫助，也為交通安全提供保障。

2" "實驗與結(jié)果分析

為了驗證提出方法的應用性能，采用MATLAB仿真平臺設計實驗，具體實驗過程如下。

2.1" " 實驗裝置選取

為了保障實驗的順利進行，選取激光基準橋梁撓度圖像檢測儀作為實驗裝置。實驗裝置樣機如圖6所示。平行激光投射裝置由底座、觀測目鏡構(gòu)成，激光接收轉(zhuǎn)換裝置由機箱、激光標靶構(gòu)成，實時采集公路橋梁撓度變化圖像，并將其傳輸至遠程終端。

2.2" " 光斑圖像校正

在實驗過程中，由于實驗裝置自身的缺陷，獲得的光斑圖像有可能出現(xiàn)畸變情況。為了保障實驗結(jié)果的準確性，對光斑圖像進行一定程度的校正。光斑圖像畸變原理如圖7所示。

理想情況下，理想像素點與畸變像素點之間的關系式如下：

（10）

式中：（xu，yu）表示的是理想像素點坐標，（xd，yd）表示的是畸變像素點坐標，δx（xd，yd）與δy（xd，yd）分別表示的是沿x與y方向的徑向畸變量。以橋梁某部分為例，利用雙線性插值方法校正畸變圖像，如圖8所示。

2.3" " 撓度異常檢測誤差分析

以上述校正后的光斑圖像為基礎，進行公路橋梁撓度異常無損檢測，通過橋梁撓度數(shù)值誤差大小來顯示方法的應用性能。通過實驗獲得橋梁撓度數(shù)值誤差數(shù)據(jù)如表1所示。從表1可以看出，隨著實驗裝置到目標距離的增加，橋梁撓度數(shù)值誤差呈現(xiàn)逐漸加大的趨勢。再通過每組實驗數(shù)據(jù)對比可知，與現(xiàn)有方法相比較，文字所提出方法橋梁撓度數(shù)值誤差較小，具備更好的撓度異常檢測效果。

3" "結(jié)語

本文依據(jù)撓度異常檢測需求，設計公路橋梁撓度圖像檢測儀，獲取橋梁撓度光斑圖像。以此為基礎，利用均值濾波與中值濾波對光斑圖像噪聲進行預處理，以無噪聲光斑圖像為依據(jù)，基于圖像輪廓線提取圖像撓度特征，計算公路橋梁實時撓度，確定橋梁撓度安全區(qū)間，并利用滑動窗口法對橋梁撓度異常進行檢測，最終實現(xiàn)公路橋梁撓度的異常無損檢測，極大的降低了橋梁撓度數(shù)值誤差。

參考文獻

[1] 于承新，張國建，趙永謙，等.基于數(shù)字測量技術(shù)的橋梁監(jiān)測及預警系統(tǒng)[J].山東大學學報（工學版），2020，50（1）：119-126.

[2] 王碩，李曉東，張東升.基于視覺的結(jié)構(gòu)撓度無損檢測技術(shù)[J].無損檢測，2020，42（1）：52-55.

[3] 涂偉，李清泉，高文武，等.基于機器視覺的橋梁撓度實時精密測量方法[J].測繪地理信息，2020，45（6）：84-91.

[4] 程斌，程輝.基于數(shù)字圖像處理技術(shù)的多點動態(tài)位移檢測系統(tǒng)試驗研究[J].江漢大學學報（自然科學版），2020，48（5）：89-96.

[5] 袁雷，程岳，牛文生，等.基于深度學習的跑道前視紅外圖像輪廓線提取[J].電訊技術(shù)，2019，59（2）：179-184.

[6] 薄璐，王立霞.基于視覺圖像識別的番茄表面農(nóng)藥殘留量無損檢測方法[J].食品與機械， 2019，35（3）：69-72+77.

[7] 尹舒祚，張乃丹，孫志民，等.一種基于OpenCV的二值圖像線狀要素坐標識別方法[J].計算機科學與應用，2020， 10（11）：7-7.

[8] 任慧，蘇志斌，高楠，等.基于視差信息的立體圖像主動閉合輪廓提取算法研究[J].電子工程學院學報，2019，8（5）：73-79.

[9] 吳孟樺，胡曉兵，李航，等.基于圖像配準的零件輪廓修正方法[J].計算機應用， 2020，40（4）：220-226.

[10] 劉永洛，王文強，馬立武.基于混合活動輪廓模型的超聲相控陣NDT圖像分割[J].軟件導刊，2019，18（1）：198-202+206.