橋梁表觀病害檢測系統(tǒng)的設(shè)計和實現(xiàn)

武旭娟 WU Xu-juan

（遼寧省交通規(guī)劃設(shè)計院有限責(zé)任公司公路養(yǎng)護技術(shù)研發(fā)中心，沈陽 110111）

1 概述

隨著我國國民經(jīng)濟的發(fā)展，交通事業(yè)有了長足的進步，橋梁大量增加。近些年來，橋梁安全事故時有發(fā)生，造成了巨大的經(jīng)濟損失和社會負面影響。為了確保橋梁完好[1]，預(yù)防重大橋梁交通事件的發(fā)生，要求通過橋梁檢測做好橋梁養(yǎng)護工作。而我國橋梁存量巨大，管養(yǎng)部門編制有限，人均工作量大，客觀上增加了管養(yǎng)部門的壓力和橋梁養(yǎng)護工作的難度，而且現(xiàn)階段的橋梁檢測主要還是人工觀測等比較原始的方式，速度很慢，迫切的需要提高橋梁檢測的技術(shù)、效率和專業(yè)化水平。

查閱遼寧省地區(qū)13 條近年高速公路橋梁的定期檢查報告并進行了一些現(xiàn)場調(diào)研，掌握了遼寧省高速公路橋梁結(jié)構(gòu)形式的分類和病害的類型分布：橋梁結(jié)構(gòu)形式的分類為空心板和實心板橋梁約占高速橋梁總數(shù)的3/4，出現(xiàn)病害的橋梁類型也是梁式橋占到了八成以上。其中空心板和實心板橋上出現(xiàn)頻率最高的病害類型：梁橋上出現(xiàn)頻率最高的病害類型是滲水泛堿（白色流膏）、剝落掉角、裂縫和蜂窩麻面。

基于此提出了一種基于圖像識別的橋梁病害無損檢測方法：在工作距離小于10 米的情況下，通過云臺控制相機進行轉(zhuǎn)動，水平最大轉(zhuǎn)角為180°，拍攝圖片，并對采集圖片中的病害進行識別。

2 系統(tǒng)設(shè)計

圖像識別分為圖像采集和圖像分析兩個基本功能。在車牌識別、人臉識別等很多領(lǐng)域有了廣泛深入的應(yīng)用。目前主流的系統(tǒng)設(shè)計方案都是集成硬件設(shè)備采集圖像，開發(fā)軟件系統(tǒng)進行圖像分析。橋梁表觀病害檢測系統(tǒng)也采用這種系統(tǒng)設(shè)計方案：硬件采集橋梁表觀圖像，軟件識別分析橋梁的表觀病害。整個系統(tǒng)結(jié)構(gòu)如圖1 所示。

圖1 橋梁病害檢測系統(tǒng)模塊構(gòu)成圖

3 系統(tǒng)功能

根據(jù)橋梁表觀病害檢測系統(tǒng)的模塊構(gòu)成進行開發(fā)。橋梁表觀病害檢測系統(tǒng)采集系統(tǒng)基于Windows 系統(tǒng)設(shè)計，其中用戶可通過圖像采集系統(tǒng)對相機進行控制，實現(xiàn)實時取景、自動采集等圖像采集功能；允許用戶將采集圖像下載、保存為本地文件，使用戶能夠在本地對圖像進行預(yù)覽、刪除等操作。

圖像識別系統(tǒng)通過非接觸式檢測方式對橋梁病害進行檢測，對橋梁病害數(shù)據(jù)進行分析、學(xué)習(xí)，建立病害數(shù)據(jù)庫，提高橋梁病害檢測效率，降低人力成本，為橋梁養(yǎng)護、維修與加固提供技術(shù)支持，進而提高橋梁使用性能、延長橋梁的使用年限。

3.1 圖像采集系統(tǒng)

圖像采集系統(tǒng)包括硬件采集設(shè)備集成和控制軟件開發(fā)兩部分。硬件采集設(shè)備是圖像來源的基礎(chǔ)，控制軟件是整個圖像采集設(shè)備的“大腦”，協(xié)調(diào)控制整個圖像采集設(shè)備所有的硬件工作。

3.1.1 硬件設(shè)備集成

整個采集系統(tǒng)[2-3]由電源、操作終端、拍攝終端、電源線和無線通信五部分組成。系統(tǒng)結(jié)構(gòu)如圖2 所示。

圖2 橋梁病害檢測系統(tǒng)模塊構(gòu)成圖

①電池：內(nèi)部集成一個24V 電池，為整個系統(tǒng)供電。

②操作終端：由一臺筆記本電腦組成。

③拍攝終端：由相機、激光測距模塊、Camfi 模塊、云臺、腳架、控制箱組成。其中激光測距模塊由一個激光測距儀和4 個激光指示器組成。

④電源線：完成電池到拍攝終端的供電。

⑤無線通信：由型號為SRWF-1021-50 的智能無線數(shù)據(jù)傳輸終端與操作終端相連同拍攝終端進行無線通信，完成供電、云臺控制信號、快門信號、測距儀信號的傳輸。

3.1.2 采集控制系統(tǒng)

橋梁病害采集控制主要分為以下模塊：圖像采集、圖片管理、云臺控制。

①圖像采集。

圖像采集模塊包括圖像采集參數(shù)設(shè)定與圖像采集。

圖像采集參數(shù)設(shè)定包括首先調(diào)整相機左右轉(zhuǎn)動角度，其中正數(shù)向右轉(zhuǎn)動上下轉(zhuǎn)動角度，實現(xiàn)相機轉(zhuǎn)動操作；進行矩陣選擇，確定采集圖像由幾行幾列組成，其中行和列均由2、4、6 三種選擇方式；填寫橋梁代碼、部件號、部件編號信息，完成橋梁采集的初步設(shè)置。

圖像采集包括自動采集、停止采集、自動補拍、手動采集以及手動對焦等功能，最終獲取到目標(biāo)橋梁的圖片。

②圖片管理。

圖片管理模塊可對相機中的圖像進行相關(guān)的管理操作；包括查看、刪除、下載和刷新。

③云臺控制。

通過串口設(shè)置對云臺屬性進行設(shè)置，使云臺參數(shù)與智能無線數(shù)據(jù)傳輸終端參數(shù)相匹配，實現(xiàn)云臺控制信號、快門信號、測距儀信號的無線通信。

云臺通過“云臺指令”對其控制，包括相機左右轉(zhuǎn)動角度（其中正數(shù)向右轉(zhuǎn)動、負數(shù)向左轉(zhuǎn)動）和上下轉(zhuǎn)動角度（其中正數(shù)向下轉(zhuǎn)動、負數(shù)向上轉(zhuǎn)動），調(diào)整相機轉(zhuǎn)動到期望的角度后，實現(xiàn)相機轉(zhuǎn)動操作。

整體圖像采集的流程如圖3 所示。

圖3 橋梁表觀病害檢測系統(tǒng)圖像采集流程圖

3.2 圖像識別系統(tǒng)

圖像識別系統(tǒng)負責(zé)對采集的圖像進行預(yù)處理，然后分析圖像，識別其中的病害，獲取病害的類型、長度、寬度等參數(shù)信息，保存病害識別結(jié)果，將其導(dǎo)入到已有的橋梁管理系統(tǒng)中，為橋梁的養(yǎng)護決策提供支持。

圖像識別系統(tǒng)由圖像預(yù)處理子模塊、圖像拼接子模塊、病害識別子模塊、病害智能判別子模塊組成，下面分別介紹這幾個模塊。

3.2.1 圖像預(yù)處理子模塊

圖像采集時，由于橋體的高度、位置等因素，相機在拍攝時會偏轉(zhuǎn)一定角度，圖像預(yù)處理子系統(tǒng)主要是利用采集到的圖像和距離、角度信息等，對圖像進行透視畸變矯正，將圖像轉(zhuǎn)化為正視圖。預(yù)處理功能，不需要用戶進行任何操作，在導(dǎo)入圖像的過程中自動完成導(dǎo)入圖像，系統(tǒng)會對導(dǎo)入的圖像進行畸變校正，如果有校正失敗的圖像，會提示用戶相關(guān)的信息。

病害圖像畸變校正后，圖像達到正面拍攝效果，便于后續(xù)病害識別。

3.2.2 圖像拼接子模塊

橋梁病害識別系統(tǒng)以2*2、4*4 或6*6 的拍攝矩陣采集圖像，對采集到的圖像進行拼接，去除圖像中的重疊區(qū)域，形成一幅完整的、視角更大的全景圖，使圖像能夠更加全面、直觀地顯示橋梁情況[4]。

圖像的拼接，第一步是感興趣區(qū)域提取，使用SURF 算法在感興趣區(qū)域提取特征點[4]，使用特征點匹配把兩幅圖像重合區(qū)域中提取出的特征點匹配起來，找到正確的匹配點對，對圖像進行拼接，對拼接后的圖像進行加權(quán)融合處理使圖像的拼接部分過渡的更加自然。

3.2.3 病害識別子模塊

橋梁病害識別系統(tǒng)的核心即是對采集到的橋梁圖像進行處理，并識別其中病害。在實際應(yīng)用過程中，不同橋梁存在不同類型、不同等級的病害情況，采集過程中，圖像質(zhì)量亦會受光照條件、環(huán)境因素等情況影響較大，因此，為了保證本系統(tǒng)能夠準(zhǔn)確識別出不同橋梁、不同條件下采集到的病害圖像，病害識別模塊設(shè)計了4 種不同的識別方法以滿足識別需求。

①裂縫識別。

橋梁的損傷與破壞通常首先表征在橋體中出現(xiàn)裂縫，因此橋梁裂縫是橋梁病害中最為常見的一種情況。觀察裂縫圖像能夠看出，通常情況下，裂縫形狀狹窄、不規(guī)則，方向各異，在一定范圍內(nèi)具有連續(xù)性。

裂縫識別時首先使用雙線性插值法對圖像進行縮小，對圖像進行灰度轉(zhuǎn)換、圖像增強、圖像濾波等處理，然后使用區(qū)域生長的方法對圖像進行處理，將距離相近的域進行了連通，提取圖像中的連通域，計算面積、長度、寬度及長寬比，根據(jù)尺寸信息對連通域進行篩選，保留病害區(qū)域。

②麻面識別。

麻面是指混凝土局部表面出現(xiàn)缺漿和許多小凹坑、麻點，形成粗糙面，但無鋼筋外露現(xiàn)象。觀察麻面情況圖像可以看出，通常情況下，麻面區(qū)域形狀不規(guī)則，病害區(qū)域與非病害區(qū)域灰度差異不明顯，但病害區(qū)域內(nèi)部存在明顯的灰度階躍。

麻面的識別，首先使用雙立方插值方法對圖像進行縮小，對圖像的色彩空間進行轉(zhuǎn)化，由RGB 圖像轉(zhuǎn)化為HSV，同時，對RGB 圖像根據(jù)心理學(xué)公式進行灰度化處理，并對得到的灰度圖使用K-means 算法做聚類處理。接著對圖像進行形態(tài)學(xué)處理，以降低圖像中非病害區(qū)域噪聲對識別結(jié)果的影響。

麻面識別算法使用圖像熵及圖像對比度兩個指標(biāo)對連通域內(nèi)部灰度值進行統(tǒng)計，區(qū)分病害與非病害區(qū)域。統(tǒng)計各連通域內(nèi)一維熵與二維熵，并與設(shè)定閾值進行比較，判斷連通域是否為麻面區(qū)域。

③剝落識別。

剝落的識別，首先采用雙立方插值法對圖像進行縮小，對圖像進行灰度轉(zhuǎn)換、使用拉普拉斯算法對灰度圖像進行增強、選擇基于灰度闕值Bradley（布拉德利）二值化分割方法進行二值化分割，對二值圖像進行腐蝕處理，提取連通域，采用與麻面識別類似的算法：通過統(tǒng)計連通域內(nèi)部熵與對比度等信息判斷并標(biāo)記病害區(qū)域。

④泛堿識別。

橋體損傷與破壞的另一主要因素為“泛堿”。橋面“泛堿”現(xiàn)象即水損害的一種，通常出現(xiàn)表面發(fā)黃、白斑點，近觀為溢出性液體殘留物或風(fēng)干后水垢、雜質(zhì)等污漬附著于橋表[5]。觀察泛堿圖像能夠看出，通常情況下，泛堿區(qū)域亮度較亮，雖說形狀不規(guī)則，但大部分能形成連通區(qū)域。

泛堿的識別，首先采用雙立方插值法基于B 樣條曲線采樣方式對圖像進行縮小，對圖像進行灰度轉(zhuǎn)換、圖像增強、圖像濾波等處理，接著對圖像進行形態(tài)學(xué)處理和粗提取，接著利用膨脹、腐蝕算法對粗提取圖像進行后處理，排除小面積區(qū)域并對狹小的縫隙進行填充，以獲得泛堿連通域。利用輪廓提取的方法，標(biāo)記泛堿區(qū)域的輪廓。

3.2.4 病害智能判別子模塊

病害的智能判別功能，將病害識別結(jié)果導(dǎo)出為CSV格式文件，使用戶能夠保存識別結(jié)果，并且CSV 文件的格式是按照橋梁管理系統(tǒng)數(shù)據(jù)庫表定義的，這樣病害識別結(jié)果與已有的橋梁管理系統(tǒng)實現(xiàn)了對接，可以為橋梁的養(yǎng)護決策提供支持。識別病害后，在列表中，選擇需要導(dǎo)出的病害，和導(dǎo)出文件的位置，即可將病害的識別結(jié)果導(dǎo)出到指定的文件中。

4 系統(tǒng)應(yīng)用

系統(tǒng)在井泉服務(wù)區(qū)通道橋（遼陽）（下行）（H15211081L0120）等幾座橋梁進行了依托工程驗證工作，通過橋梁檢測人員現(xiàn)場使用，來對橋梁病害檢測系統(tǒng)的操作流程、使用效率及病害檢測系統(tǒng)的病害識別率進行判斷和評價。

病害識別率判斷的方法：通過橋梁病害檢測系統(tǒng)采集的照片，橋梁檢測人員人工判斷病害的位置與大小，使用病害檢測系統(tǒng)進行病害的識別，通過兩者的對比，兩者的相似度超過75%，則認(rèn)為病害正確識別。

表1 病害識別率

共采集了398 張照片，對所有的照片進行了病害的識別，裂縫病害的識別正確率61.75%：滲水泛堿病害的識別正確率57.75%，蜂窩麻面病害的識別正確率40%，剝落掉角病害的識別正確率為50%。

滲水泛堿病害識別率不高的原因主要是由于滲水泛堿的病害特征不太明顯，橋梁不同位置滲水泛堿所呈現(xiàn)的形態(tài)差別較大，導(dǎo)致病害的特征抽取很困難，病害的識別率比較低。

裂縫病害雖然病害特征較為單一，但病害的干擾因素比較多，例如幾乎所有的裂縫旁邊都會被檢測人員使用油筆沿裂縫走向畫上一條線，對裂縫識別造成的干擾比較大。

蜂窩麻面由于采集的樣本比較少，病害識別率不高不具有代表性，有待繼續(xù)進行評價。

剝落掉角類跟滲水泛堿比較類似，病害特征也不太明顯，導(dǎo)致病害識別率也比較低。

5 結(jié)語

隨著交通事業(yè)的快速發(fā)展，高速橋梁數(shù)量的不斷增加，人工檢測的方法必將被智能化機械化的設(shè)備所替代，本文基于單反相機和兩軸云臺搭建的適用于板式結(jié)構(gòu)橋梁的表觀病害圖像檢測系統(tǒng)實現(xiàn)了非接觸自動采集橋梁圖像，最大工作距離10m，后續(xù)可以通過更換相機和鏡頭來擴展最大工作距離，特別適合需要使用檢測車進行檢測的大型橋梁或者難以近距離觀察的鐵路跨線橋等橋梁。而對于病害識別，不同的背景噪聲及不同的拍攝角度下，同一類別病害特征存在一定差異形，特征很難歸納，傳統(tǒng)的識別算法難以適應(yīng)，病害實際的識別結(jié)果并不能完全滿足檢測需求。所以隨著檢測次數(shù)與數(shù)量的增加，病害樣本數(shù)據(jù)庫不斷擴充，考慮更好地利用已經(jīng)識別的病害樣本數(shù)據(jù)庫，開發(fā)基于深度學(xué)習(xí)的智能病害識別模型對于這些病害進行統(tǒng)計和學(xué)習(xí)，歸納病害特征，提高識別準(zhǔn)確率，該工作目前在進行中。