橋梁撓度智能檢測設(shè)備研究

崔凱華

（1.遼寧省交通規(guī)劃設(shè)計院有限責(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價的一項重要指標(biāo)，橋梁撓度檢測結(jié)果直接影響橋梁養(yǎng)護(hù)工作的實施，隨著橋梁檢測需求的逐年遞增，快捷、準(zhǔn)確的橋梁撓度檢測顯得十分必要[1]。傳統(tǒng)的橋梁撓度測量方法通常采用百分表、水準(zhǔn)儀、全站儀和位移計等，這些相對簡單的測量方法一般用于橋梁靜撓度測量，存在費時、費力和在線檢測困難等不足。近年來出現(xiàn)了一些新型的橋梁撓度檢測方法，如傾角儀、加速度計、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，不能在多種現(xiàn)場環(huán)境下進(jìn)行廣泛的推廣應(yīng)用。

在以上檢測方法中，光電圖像法依靠其便捷性獲得了一定程度的認(rèn)可[2]，并且在市場上涌現(xiàn)出一批光電撓度檢測產(chǎn)品，但目前市場同類產(chǎn)品受應(yīng)用環(huán)境影響較大，現(xiàn)場適用性及穩(wěn)定性不強[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設(shè)備，以提供更為優(yōu)質(zhì)、便捷的橋梁檢測服務(wù)。

1 基于光電原理的橋梁撓度檢測應(yīng)用

圖1 為基于光電原理的橋梁荷載試驗過程，檢測前需要將撓度檢測設(shè)備放置在橋下位置，并且需要在橋梁上被檢測位置安裝靶標(biāo)，同時需要確保橋梁撓度檢測設(shè)備可以清晰、無遮擋地拍攝到被檢測目標(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橋梁進(jìn)行加載，在加載過程中橋梁會出現(xiàn)下?lián)?，而被檢測點會出現(xiàn)位移，此時橋梁撓度檢測設(shè)備通過采集到的目標(biāo)圖片可以實時計算出橋梁的下?lián)狭俊?/p>

圖1 基于光電原理的橋梁荷載試驗過程

2 基于深度學(xué)習(xí)的橋梁撓度檢測方法

基于光電原理的撓度檢測方法需要實時采集被檢測區(qū)域的圖片，并對此區(qū)域的目標(biāo)位置進(jìn)行計算，并得到準(zhǔn)確的撓度值。現(xiàn)有的光電撓度檢測設(shè)備所采用的目標(biāo)定位跟蹤原理運用計算圖形相似度的方法，此方法要求操作人員在檢測準(zhǔn)備階段框選被檢測目標(biāo)，檢測過程中，設(shè)備處理器會實時計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。但在橋梁撓度檢測過程中，此檢測方法的穩(wěn)定性較差。橋梁荷載試驗屬于野外檢測，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、異物的暫時性遮擋、震動干擾等[4]，對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的異物遮擋，都會嚴(yán)重影響到設(shè)備的目標(biāo)定位跟蹤效果，嚴(yán)重情況下會導(dǎo)致目標(biāo)丟失，無法進(jìn)行檢測。

3 系統(tǒng)架構(gòu)

橋梁撓度檢測設(shè)備的硬件系統(tǒng)主要由主控板卡、相機鏡頭、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。橋梁撓度檢測設(shè)備的主要功能是實時采集被檢測目標(biāo)的圖像信息，并將此信息傳輸至主控板卡進(jìn)行處理，實時計算出被檢測點的撓度信息，為了更加準(zhǔn)確地檢測撓度信息，可以采用專用的靶標(biāo)輔助撓度檢測，將靶標(biāo)安裝于被檢測點，主控板卡通過計算可以實時定位跟蹤到靶標(biāo)的位置坐標(biāo)，并且計算出精確的撓度信息，顯示到液晶屏幕上，同時也可通過無線通信系統(tǒng)，將檢測到的撓度值上傳給服務(wù)器進(jìn)行處理。

圖2 橋梁撓度檢測設(shè)備組成

4 硬件選型

4.1 相機及鏡頭

工業(yè)相機的主要作用是實時采集圖像信息，將采集到的圖像信息轉(zhuǎn)換為數(shù)字信號，通過數(shù)據(jù)線上傳給圖像處理板卡，在橋梁撓度檢測系統(tǒng)中工業(yè)相機以及鏡頭的選型至關(guān)重要，相機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)行圖像采集的時候，相機上每個像元都會對光線進(jìn)行接收，而像元接收光線的過程是一個積分的過程，像元接收光線的多少不僅與像元的大小有關(guān)系，而且與相機的曝光時間有關(guān)系，相機曝光時間越長每個像元接收光線的時間就會越長，感光效果也就越好，但曝光時間不能過長，因為曝光時間直接關(guān)聯(lián)圖像的采集頻率，在實際工程應(yīng)用中，橋梁撓度檢測設(shè)備的工作效率與實際工況有直接關(guān)系。例如，橋梁靜撓度檢測，最佳圖像處理速度為大于5 幀每秒，圖像處理速度太低會影響用戶使用質(zhì)量，因此需要選取合適的曝光時間，來適配檢測現(xiàn)場的應(yīng)用需求。對于黑白相機來說每個像元感應(yīng)的是光線的強弱，而光線強弱可以用8bit 長度的二進(jìn)制數(shù)字來表示，體現(xiàn)為不同的灰度值，每個像素感應(yīng)到不同的光線后都會輸出不同的灰度值，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。

橋梁撓度檢測裝備的重點在于，可以遠(yuǎn)距離非接觸式的完成橋梁撓度的檢測，根據(jù)實際的檢測需求，相機及鏡頭的參數(shù)配置如表1 所示。本系統(tǒng)檢測精度需要控制在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，以滿足檢測精度要求。

表1 相機及鏡頭選型（25 mm、50 mm、80 mm 焦距）

4.2 主控板卡

橋梁撓度檢測屬于野外檢測，要求檢測設(shè)備具有體積小、重量輕、攜帶方便、便于操作等特點，另外結(jié)合卷積神經(jīng)網(wǎng)絡(luò)計算量大的特點，可以采用GPU 邊緣計算模塊完成此項功能，GPU 具有豐富的運算單元，可同時完成大量的并行運算，這對于圖像處理中的矩陣運算具有非常大的優(yōu)勢，當(dāng)進(jìn)行圖像矩陣運算的時候可以大幅度提升其運算速率，Jetson TX2 是一臺7.5 瓦的單模組超級計算機，可為終端提供真正的AI 計算功能。此計算機基于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)品實現(xiàn)集成。此GPU 配有256 個CUDA 核心，非常適用于常規(guī)卷積神經(jīng)網(wǎng)絡(luò)的邊緣計算，具有低功耗、大算力的特點。

4.3 標(biāo)識器

采用光電圖像法檢測橋梁撓度過程中，光線的變化會影響撓度檢測精度，室外光線變化較大時會導(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，可采用固定波長的光源作為背光板，以此制作標(biāo)識器（如圖3 所示）。此標(biāo)識器的背光板的發(fā)光波長為500 nm，另外在鏡頭前端安裝此波段的濾光片，在檢測時干擾光線會被濾光片濾掉，只有靶標(biāo)發(fā)出的光線才可以透過濾光片被相機接收，有效提高了橋梁撓度檢測設(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)識器之外的圖像相對較暗，此方法顯著提升了標(biāo)識器對比度，隔絕了外部光線的干擾，提升了目標(biāo)識別的穩(wěn)定性。

圖3 背光標(biāo)識器實物

圖4 背光標(biāo)識器圖像效果

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)能力強的特點，適用于橋梁撓度檢測復(fù)雜多變的野外環(huán)境?；谏疃葘W(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）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)檢測網(wǎng)絡(luò)的區(qū)別在于更擅長于多目標(biāo)的檢測。DetectNet通過引入固定的三維標(biāo)簽格式實現(xiàn)了這一優(yōu)勢，該格式使DetectNet 能夠捕獲存在可變數(shù)量對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)行對象檢測的主要好處是可以高效地檢測大圖像中的所有對象并生成精確的邊界框。與使用CNN 分類器作為滑動窗口檢測器相比，在DetectNet 中使用FCN 效率更高，因為它避免了由于窗口重疊而造成的多余計算。使用單個神經(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)，從而更簡單。

這里使用307 個訓(xùn)練圖像數(shù)據(jù)集和24 個驗證圖像測試集驗證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Titan X 上花費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，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系統(tǒng)的應(yīng)用。

5.2 模型訓(xùn)練

由于橋梁撓度檢測現(xiàn)場的環(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，在檢測過程中由于物距的不同、光線的變化、檢測角度的不同，會導(dǎo)致相機采集到的圖像發(fā)生形狀以及明暗的變化，此變化會影響對標(biāo)識器的準(zhǔn)確識別[6]，因此在對模型進(jìn)行訓(xùn)練時需要考慮上述因素，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)定的識別被檢測目標(biāo)，有效提升橋梁撓度檢測設(shè)備的穩(wěn)定性。

圖5 不同明暗的標(biāo)識圖片

圖6 不同角度的標(biāo)識圖片

6 系統(tǒng)測試

為了驗證本文所開發(fā)的橋梁撓度檢測系統(tǒng)可以達(dá)到預(yù)期效果，進(jìn)行了實橋測試，并與市面現(xiàn)有設(shè)備進(jìn)行了對比。測試距離為24.901 m，仰角為13°。測試過程中天氣轉(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)確的撓度檢測數(shù)據(jù)，但本文開發(fā)的撓度檢測系統(tǒng)依然可以正常工作?，F(xiàn)場環(huán)境見圖7，檢測圖片見圖8，圖9、圖10 是1 號標(biāo)識器（左側(cè)）以及2 號標(biāo)識器（右側(cè)）輸出的撓度檢測曲線，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，右側(cè)靶標(biāo)相對較暗，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)的橋梁撓度檢測設(shè)備適用于復(fù)雜的野外工作環(huán)境。

圖7 現(xiàn)場環(huán)境

圖8 檢測圖片

圖9 自研光電撓度儀1 號靶標(biāo)測試結(jié)果

圖10 自研光電撓度儀2 號靶標(biāo)測試結(jié)果

7 結(jié)論

本文根據(jù)現(xiàn)有橋梁撓度檢測方法存在的實際問題，提出一種智能橋梁撓度檢測設(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)定識別被檢測目標(biāo)，另外為了解決由于檢測現(xiàn)場環(huán)境光線變化較大，導(dǎo)致的識別目標(biāo)丟失的問題，本文提出了采用固定波段標(biāo)識器作為被識別目標(biāo)，并在鏡頭安裝對應(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環(huán)境。