基于UAV的高架輕軌服役狀態自動化監測方法研究

呂宛容 錢夏清

摘要 高架輕軌服役狀態對軌道交通的安全運營有著至關重要的影響，傳統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（UAV），構建高架輕軌交通設施的三維虛擬實景數字模型，采用數字圖像識別技術與點云提取測量技術，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，實現高架輕軌的橋面病害識別方法與病害自動化檢測。研究結果將大幅降低傳統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。

關鍵詞 UAV；三維模型；圖像識別；特征提取

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

0 引言

我國高架道路的迅速發展與經濟的發展相輔相成、密不可分。與道路的建設相比，我國的道路管理手段稍顯落后，技術水平也有限，道路建設好之后，后期的養護工作沒有達到一定的水準。高架輕軌服役狀態對軌道交通的正常運營有著至關重要的作用，為了確保其安全性和可維護性，需定期進行系統的結構評估和干預。但由于其結構大、尺寸大，檢查耗時、昂貴、危險，這加劇了對智能化精準監測高架輕軌服役狀態的需求[1-2]。

高架輕軌服役狀態的監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生裂縫、空洞等不良后果。其中最為嚴重的是裂縫，不僅會影響高架道路的耐久性，還會危害社會安全。

近年來，由于無人機的數字攝影測量技術高效、精準、價格低廉，在國際上被廣泛用于大型建筑的服役狀態檢測。Khaloo等人對人工檢測和配備不同攝像機的無人機進行了直接比較，發現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]。

隨著計算機技術與自動化技術的不斷發展，國內外學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、光纖傳感檢測技術和基于圖像處理的檢測技術[4-7]。王耀東[8]等為了提高裂縫目標的檢測準確度，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，實現裂縫的提取。徐威[10]等結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]等為實現對裂縫圖片的有效分類，提出一種基于空間調整的多特征分類器——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合。Valenca[12]等提出一種數字圖像處理技術與地面激光掃描技術相結合的MCrack-TLS法，該算法通過地面激光掃描技術提供的橋梁全局信息，構建出含裂縫特征的橋梁3D模型，實現對橋梁裂縫進行可視化定位。Shi[13]等提出一種基于結構化隨機森林的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，該文基于UAV，通過3Dsmart、PhotoScan、Pix4D等軟件以及C++和c#winform等編程語言，構建高架輕軌交通設施的三維虛擬實景數字模型，采用數字圖像特征提取技術與點云提取測量技術，研究高架輕軌的橋梁結構病害數字化識別方法與病害量化檢測技術。

1 高架輕軌服役狀態數據采集

1.1 基于UAV數據采集

羊山公園站是南京地鐵2號線的車站，位于南京市棲霞區仙林大學城仙林大道與仙境路交叉路口東北側，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、圖像插值等原理結合起來以提取數字化圖像，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數據采集與處理軟件、DJI ZENMUSE X5S云臺相機。利用無人機航拍技術，優化飛行路線、降低飛行抖動、提高成像質量，完成大量高架輕軌圖像的拍攝。無人機拍攝受天氣、風力影響較大，為了保證成像質量，選取了一個晴朗無風的天氣進行拍攝。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 選定測區范圍

首先需要觀察測區環境，起飛點需盡量處于測區中心位置，最遠距離不超過150 m，距離過遠受到無人機續航限制，可能無法一次飛完。無人機單次飛行的測區范圍一般不超過0.5 km2。

1.1.2 測繪設備準備

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

1.1.3 GPS控制點標定

在測區范圍內均勻布置8個GPS控制點，并對這8個大地坐標點進行GPS測量。采用的坐標系統：平面采用WGS_1984_UTM_Zone_48N，高程采用WGS_1984高程基準，測得GPS控制點坐標。

1.1.4 飛行航線規劃

利用Pix4Dcapture軟件對測區的飛行路線進行規劃，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，進入自動飛行采集模式。航測時，需要隨時監視無人機的飛行狀態，出現問題時及時作出應急處理。

1.1.6 數據校驗與重采

在航飛任務完成后，進行現場數據檢查。當發現照片重疊度不足或者重點檢測部位的照片拍攝質量偏低時，及時單獨進行補飛拍攝。

1.2 圖像數據預處理

由于無人機航拍圖像受到天氣、光線變化的影響，當從多個角度拍攝橋梁時，各個角度的自然光線有一定區別，導致拍攝的照片在亮度等參數上差別較大。因此，為了保證后續建模的順利進行，要先對拍攝的照片進行處理。

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

2 構建高架輕軌精細三維模型

Pix4Dmapper具有快速、精確、自動化等特點。利用采集的圖像進行高架輕軌的三維精細化建模，并采用CloudCompare軟件實現采集的點云數據和圖像數據的展示、除噪、數據分割和合并等操作。

基于精細化三維模型，采用Unity3D軟件實現了三維模型可視化，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

由于圖像采集的環境具有不確定性，采集過程易受環境影響，未經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圖像信息處理，對產生的結果也有一定影響。因此，在進行下一步前要對圖像進行預處理，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。為了改善圖像質量，必須對采集的高架裂縫圖像進行去噪處理。

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

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。

在針對圖片數據進行預處理之后，發現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據處理軟件，嘗試利用缺陷處紋理特征的突變檢測裂縫。經過不斷的調試，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，實現對于高架輕軌裂縫的自動化識別。

4 結論

隨著時間的推移，高架輕軌的數量正在迅速擴增。高架輕軌服役狀態對軌道交通的正常運營有著至關重要的作用。為了確保其安全性和可維護性，需定期進行系統的結構評估和干預。但由于其結構大、尺寸大，傳統的檢測技術由于其價格高昂、費時費力，逐漸不能滿足我國對高架輕軌檢測養護的需求。基于無人機的數字攝影測量技術由于其高效、精準、價格低廉，在國際上被廣泛用于大型建筑的服役狀態檢測。但是檢查耗時、昂貴、危險，這加劇了對智能化精準監測高架輕軌服役狀態的需求。該文得出以下結論：

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

（2）對已有照片進行優化，利用Smart3D、Cloud-

Compare等軟件，構建高架輕軌交通設施的三維虛擬實景數字模型以及點云圖像，使得病害的表達更加直觀。

（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，以達到減少人力消耗、降低經濟成本且保證安全行車的要求。

參考文獻

[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. 應用無人機技術進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， 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， 2014.

[5]丁志軍， 杜軍， 盧彭真. 無損檢測技術在道橋工程中的應用與發展[J]. 交通科技與經濟， 2005（1）： 4-6.

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

[7]焦彥濤. 無損檢測技術在公路橋梁養護管理中的應用[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[J]. 鐵道學報， 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]. 計算機輔助設計與圖形學學報， 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.