龐 娜，趙啟林，芮 挺，朱 斌

（1.解放軍理工大學(xué)野戰(zhàn)工程學(xué)院，江蘇 南京 210007；2.南京狄諾尼科技有限責(zé)任公司，江蘇 南京 210007）

1 概述

橋梁作為交通運輸?shù)妮d體，在人們的日常出行中已不可或缺。在一座座大型橋梁拔地而起的同時，橋梁倒塌等惡性事件也時有發(fā)生，造成巨大的生命財產(chǎn)損失，因此保障橋梁的安全運營也成為關(guān)系國計民生的一件大事，橋梁檢測任務(wù)刻不容緩。

橋梁檢測技術(shù)歷來是國內(nèi)外學(xué)者關(guān)注的熱點，在橋梁檢測的實際工程中，從最初的人工檢測，到橋梁檢測車，再到各種結(jié)構(gòu)的無損檢測，一直到現(xiàn)在的智能化檢測，都是在實際的應(yīng)用與實踐中，逐步地發(fā)現(xiàn)問題，探究對策，最后提出新方法、新思路以期能夠解決問題［1］。人工檢測法和橋檢車法都是依靠人工用肉眼對橋梁表面進行檢測，其速度慢，效率低，漏檢率高，實時性差，影響交通，存在安全隱患，很難大幅應(yīng)用［2-3］；無損檢測包括激光檢測、超聲波檢測以及聲發(fā)射檢測等多種檢測技術(shù)，它們儀器昂貴，測量范圍小，不能滿足日益發(fā)展的橋梁檢測要求［4-7］；智能化檢測有基于導(dǎo)電性材料的混凝土裂縫分布式自動檢測系統(tǒng)和智能混凝土技術(shù)［8］，也有最前沿的基于機器視覺的檢測方法［9-16］。導(dǎo)電性材料技術(shù)雖然使用方便，設(shè)備簡單，成本低廉，但是均需要事先在混凝土結(jié)構(gòu)上涂刷或者埋設(shè)導(dǎo)電性材料進行檢測，而且智能混凝土技術(shù)還無法確定裂縫位置、裂縫寬度等一系列問題距實用化還有較長的距離；而基于機器視覺的檢測方法是利用CCD相機獲取橋梁表觀圖片，然后運用計算機處理后自動識別出裂縫圖像，并從背景中分離出來然后進行裂縫參數(shù)的計算的方法，它具有便捷、直觀、精確、非接觸、再現(xiàn)性好、適應(yīng)性強、靈活性高、成本低廉的優(yōu)點，能解放勞動力，排除人為干擾，具有很好的應(yīng)用前景。

基于機器視覺的檢測方法是目前最受人們關(guān)注的橋梁檢測法，它基于機器視覺理論，目的是讓計算機代替人工，對橋梁進行遠距離、高精度、低成本的自動檢測。據(jù)統(tǒng)計，混凝土橋梁的損壞有90%以上都是由裂縫引起的，因此對橋梁的健康檢測主要是對橋梁表觀的裂縫進行檢測與測量［17］。

基于機器視覺的橋梁檢測技術(shù)主要包括三部分內(nèi)容：橋梁表觀圖像的獲取技術(shù)、基于圖像的裂縫自動識別理論與算法以及基于圖像的裂縫寬度等病害程度定量化測量方法。

2 橋梁表觀圖像的獲取技術(shù)

道路與隧道結(jié)構(gòu)表面視野開闊，標高較為一致、少有自然障礙，視頻系統(tǒng)易到達且容易進行連續(xù)拍攝。但是橋梁梁體位于路線下方，較為隱蔽，而且有橋墩等自然障礙阻斷；另外橋梁結(jié)構(gòu)不僅有橋墩與梁體等低空構(gòu)件，而且有橋塔、主拱等高聳構(gòu)件；不僅有梁體、錨碇等面狀或塊狀構(gòu)件，還有拉索或支座等線狀或點狀構(gòu)件，想要獲取完整的橋梁表觀圖像其難度很大。因此，研究人員針對不同需求甚至橋梁上不同類型構(gòu)件，開發(fā)了多種進行橋梁表觀圖像的獲取技術(shù)，如表1所示。

表1 橋梁表觀圖像獲取技術(shù)匯總

從表中可以看出，已經(jīng)成功應(yīng)用于實際工程的只有3個：非接觸檢測儀、爬壁機器人以及四旋翼飛行器。下文主要介紹這3種圖像獲取技術(shù)。

2.1 非接觸檢測儀

圖1所示的非接觸檢測儀［8,21］由解放軍理工大學(xué)開發(fā),他們最先在國內(nèi)開發(fā)了該產(chǎn)品，主要用于橋梁的梁體、橋塔、錨室以及大型洞庫的視頻圖像獲取及檢測，它能夠適應(yīng)多種橋梁結(jié)構(gòu)與環(huán)境的檢測要求，整套儀器攜帶方便，拆裝簡單，現(xiàn)場作業(yè)量小，后期處理直觀，測量結(jié)果精度高，工作距離可以達到100 m。最近武漢大學(xué)也開發(fā)出類似的產(chǎn)品，如HTQF-X非接觸橋梁檢測儀［22］，盡管測量精度達到了0.02 mm，但是工作距離只在50 m以內(nèi)。

圖1 非接觸檢測儀檢測

2.2 爬壁機器人

南京理工大學(xué)［23,24］（如圖2所示）、哈爾濱工業(yè)大學(xué)［25］、日本大阪市立大學(xué)（如圖3所示）等院校單位都有對爬壁機器人進行深入研究，由于爬壁機器人體積小、重量輕、成本低、效率高，機動性強，能進入一般難以到達的狹窄區(qū)域如支座、橋板背面等，因此可以進行連續(xù)無間斷檢測；南理工的爬壁機器人在橋塔等實際混凝土構(gòu)件中進行了測試，它在平整面的移動速度最大可達12 m/min，視頻圖像傳輸連續(xù)、穩(wěn)定、清晰，基本滿足橋梁檢測的技術(shù)要求。

圖2 爬壁機器人檢測

圖3 日本磁吸式機器人

2.3 四旋翼飛行器

隨著新材料、飛行控制技術(shù)及傳感器技術(shù)等的發(fā)展，國內(nèi)外對四旋翼飛行器進行了廣泛而深入的研究［26］，例如日本利用無人機進行橋塔等高空構(gòu)件的外觀檢測，武漢理工大學(xué)利用無人機進行橋梁底面以及側(cè)面進行檢測［27］（如圖4所示）。四旋翼飛行器結(jié)構(gòu)簡單、操控性高，能在小區(qū)域范圍內(nèi)起飛、盤旋、飛行、著陸，在無人機上安裝攝像頭、測距儀等設(shè)備，使其可以近距離接近目標區(qū)域，實現(xiàn)人工遙控、航線飛行、定點懸停、拍攝圖像并傳回地面站進行圖像處理［28］。目前武漢理工大學(xué)的四旋翼飛行器飛行高度達250 m，實現(xiàn)了距離橋底15 cm位置對橋梁的拍攝。

圖4 四旋翼飛行器檢測

雖然上述三種方法均已成功應(yīng)用于工程實際，并取得了一定的成果，但由于實際工程問題的復(fù)雜性，為了獲取更精確結(jié)果，目前較為常用的方法是結(jié)合兩種或多種獲取技術(shù)以得到完整的高質(zhì)量橋梁表觀圖像。如何使用單一技術(shù)獲取遠距離、高質(zhì)量、無盲區(qū)的橋梁表觀圖像技術(shù)仍需進一步研究。

3 基于圖像的裂縫自動識別理論與算法

在橋梁表觀圖像采集過程中，特別是在條件相對惡劣的野外，由于光線、車輛、氣流以及地面振動等的影響，使圖像在成像過程中受到較多噪聲的干擾，從而降低了圖像的質(zhì)量，加大了裂縫識別的難度，因此，需要削弱甚至消除這些干擾，對圖像進行預(yù)處理，以降低噪聲、改善圖像質(zhì)量，盡可能真實明顯地保留裂縫信息，為計算機自動分析目標奠定基礎(chǔ)［29］。裂縫識別一般包括圖像預(yù)處理與裂縫提取兩部分。

圖像預(yù)處理一般包括3部分：圖像壓縮、圖像去噪、圖像增強。圖像壓縮是為了加快處理速度、減小存儲內(nèi)存，如將彩色圖像灰度化，隔行隔列采樣處理以盡量減少幾何畸變等［30-31］；圖像去噪主要是削弱甚至消除在成像過程中所產(chǎn)生的干擾噪聲，使裂縫目標更加突出，背景更加簡單，裂縫提取更加精確，常用方法有中值濾波去噪、自適應(yīng)濾波去噪和小波變換等［32-35］；圖像增強是為了突出圖像中人們感興趣的目標信息，增大圖像中各物體特征間的差異，如強化圖像的高頻分量，可使圖像中物體輪廓清晰，細節(jié)明顯，常用方法是灰度直方圖均衡化［36-38］。

由于圖像本身的復(fù)雜性，加上成像環(huán)境不同，為了達到比較好的處理效果，針對不同的圖像特征，所進行的預(yù)處理過程可能會有一些差別，如在處理順序上不同，或者在處理過程中多次使用某一種處理方法，使預(yù)處理效果滿足后續(xù)的裂縫提取條件。

經(jīng)過預(yù)處理之后的圖像，可以很清晰地發(fā)現(xiàn)裂縫，如圖6所示。但這是人工識別，還需要進行裂縫提取來實現(xiàn)機器自動識別?；炷亮芽p自動識別方法目前在道路與隧道上的研究與應(yīng)用最為成熟，在橋梁上雖然研究較多，但應(yīng)用還很少，主要有閾值分割法、邊緣檢測法、基于區(qū)域生長的種子游走算法，基于頻域的裂縫識別方法以及基于神經(jīng)網(wǎng)絡(luò)的裂縫識別方法。

3.1 閾值分割識別算法［31，39-43］

閾值分割識別算法是根據(jù)裂縫與背景所屬的灰度范圍不同，裂縫灰度值較小，背景灰度值較大，選取合適的灰度閾值將圖像中的裂縫與背景分離開來，從而提取裂縫進行分析測量。常用方法有：全局閾值法、局部閾值法以及自適應(yīng)閾值法。閾值分割法一般只適用于背景灰度一致、光照均勻和對比度較高的圖像，且不能很好地區(qū)分與裂縫特征相似的水跡、劃痕等干擾物，對于暴露在空氣中、局部有水跡、修補等痕跡的混凝土結(jié)構(gòu)難以應(yīng)用。

3.2 邊緣檢測識別算法［34，36，40，41，44-47］

裂縫具有較強的邊緣特征，即灰度有明顯的階躍現(xiàn)象，而背景灰度則變化緩慢、梯度較小，因此可以通過邊緣檢測來識別裂縫?；谠撍枷?，人們設(shè)計了許多邊緣檢測算子，如梯度算子、拉普拉斯算子、Canny算子等。梯度算子是一階微分算子，較常用的有Roberts算子、Sobel算子和Prewitt算子，它們對噪聲敏感，適合邊緣較尖銳、噪聲較小的情況，但它只有水平和垂直兩個方向的模板，而不是圖像的實際邊緣方向，并不適合應(yīng)用于裂縫檢測；拉普拉斯算子是不依賴于邊緣方向的二階微分算子，它對細線和孤立點效果較好，但對噪聲敏感，由于它是標量算子，不能提供邊緣方向信息，容易產(chǎn)生雙邊緣，因此一般不直接使用；Canny算子是以一階導(dǎo)數(shù)確定邊緣點，具有濾波、增強和檢測的多階段優(yōu)化算子，它的3個最優(yōu)準則使它具有高定位精度、低誤判率、抑制虛假邊緣的效果，同時還使用高低閾值分別檢測強邊緣和弱邊緣，并且僅當弱邊緣與強邊緣相連時才將其包括在輸出圖像中。Canny算子在這幾種邊緣檢測算子中效果最好，比較適合高噪聲圖像，但也容易平滑掉一些邊緣信息，可以對其進行改進優(yōu)化以便取得更好的裂縫提取效果，Canny算子及其優(yōu)化算子在路面檢測和隧道檢測的工程實例中均有涉及，有望將其用于橋梁檢測。

3.3 基于區(qū)域生長的種子游走算法［37，41，48-51］

圖像分割的目的是將圖像劃分為不同的區(qū)域，基于區(qū)域生長的種子游走算法是以直接尋找區(qū)域為基礎(chǔ)的分割技術(shù)。它是根據(jù)事先定義的準則將像素或子區(qū)域聚合成為更大的區(qū)域的過程?；痉椒ㄊ且砸唤M“種子”點開始，按某種規(guī)則進行游走，將與種子點性質(zhì)相似（如灰度級）的相鄰像素附加到生長區(qū)域的每個種子上，即得到裂縫點的位置信息。最后根據(jù)這些相似的種子點的特征，如是否能夠連成一條具有相同走向的細長線段等裂縫特征來判斷圖像中有無裂縫。由于目前的橋梁裂縫檢測主要是指混凝土橋梁裂縫檢測，在實際的混凝土結(jié)構(gòu)表面，由于材料性質(zhì)的原因本來就凹凸不平，存在許多空隙，因此運用區(qū)域生長的種子游走算法進行混凝土裂縫的檢測并不合適，存在的噪聲太多，無法快速精確提取裂縫。

3.4 基于頻域的裂縫識別方法［2，18，31，50，52-54］

利用圖像中包括的裂縫目標、背景以及各種噪聲所屬的頻域等特征值不同而進行識別，具體情況如表2所示。

基于頻域的裂縫識別方法主要是用高通濾波器、低通濾波器和小波變換對圖像進行操作。高通濾波器是提取信號的高頻部分，保留了圖像的細節(jié)；低通濾波器是去除高頻信號，保留信號的低頻部分，有平滑濾波的效果；而離散小波變換可以表示由高通濾波器和低通濾波器兩部分組成。由于在實際橋梁裂縫圖片中干擾噪聲較多，其所屬頻域范圍有交叉重疊現(xiàn)象，因此并不能很好地將裂縫從背景中提取出來，所以在橋梁裂縫檢測中應(yīng)用很少。

表2 裂縫圖像中各部分信息對比

3.5 基于神經(jīng)網(wǎng)絡(luò)的裂縫識別方法［31，55-59］

神經(jīng)網(wǎng)絡(luò)是通過模擬人的大腦的工作模式和結(jié)構(gòu)機制來實現(xiàn)機器的智能化，具有自組織、自學(xué)習(xí)和自適應(yīng)的特點。運用神經(jīng)網(wǎng)絡(luò)進行裂縫識別需要大量訓(xùn)練樣本對計算機進行訓(xùn)練，其中包括含有裂縫的正樣本和不含裂縫的負樣本。訓(xùn)練的目的是告訴計算機圖片中含有哪些特征的可能是裂縫圖像，含有哪些特征的可能是背景圖像。神經(jīng)網(wǎng)絡(luò)一般包括輸入層、隱含層和輸出層，其特點是信息正向向前傳播，誤差反向傳播，不斷地進行網(wǎng)絡(luò)各層權(quán)值和閾值的調(diào)整，從而使網(wǎng)絡(luò)的實際輸出不斷地逼近期望輸出，以保證結(jié)果的正確率。采用神經(jīng)網(wǎng)絡(luò)法進行裂縫識別需要大量的樣本進行訓(xùn)練，需要進行監(jiān)督學(xué)習(xí)，其計算成本高，速度較慢，診斷過程相當繁瑣。但準確率較高，效果較好。在橋梁裂縫檢測中神經(jīng)網(wǎng)絡(luò)法才開始研究，還來不及用工程實踐來驗證其價值，但由于它的優(yōu)勢明顯，將會成為橋梁檢測的熱點研究方向之一。其具體處理過程如圖5所示。

圖5 裂縫處理過程

隨著計算機技術(shù)和攝影技術(shù)的飛速發(fā)展，Canny算子邊緣檢測法和神經(jīng)網(wǎng)絡(luò)法是最具潛力的裂縫提取算法。Canny算子不僅具有3個最優(yōu)準則，同時還利用雙閾值進行邊緣檢測，以保證弱邊緣的檢出率；而神經(jīng)網(wǎng)絡(luò)是橋梁檢測中的新技術(shù)，不僅能適應(yīng)各種環(huán)境，還能夠?qū)⒄`差進行自我修正以得到更為精確的結(jié)果；它們盡管過程比較繁瑣，但是原理比較簡單，可以進行優(yōu)化改進的地方還有很多，而且目前其效果也比較顯著，其發(fā)展空間尤為廣闊。

4 基于圖像的裂縫寬度等病害程度定量化測量方法

橋梁裂縫檢測最終是為了獲得裂縫的位置、長度以及寬度等具體數(shù)據(jù)，并利用這些檢測數(shù)據(jù)來評價和控制橋梁質(zhì)量，為橋梁維護和管理提供數(shù)據(jù)支持，提高橋梁管理水平［60］。橋梁表觀圖像經(jīng)過前期一系列處理之后，將人們所感興趣的部分從計算機的視角來進行強化突出以便于機器自動識別，但識別結(jié)果也只是提供圖像中的二維像素信息，因此，還需要進行病害程度的定量化測量，獲得裂縫位置、寬度以及長度等三維實際具體數(shù)據(jù)以待進一步分析與維護。

關(guān)于裂縫位置信息的確定，目前常用的有GPS定位法［61］和編號有序拍攝對號入座法［62-64］。由于大型橋梁橋面寬度較大，橋底大部分無法接收GPS信號或者說GPS信號定位精度很低，難以滿足橋梁檢測的精度要求，若不是有專門的定位精度改良方法且滿足精度要求，一般不予采納；編號有序拍攝對號入座法就是在獲取橋梁表觀圖像時，對不同構(gòu)件進行分類編號，然后按照某種規(guī)則順序進行拍攝并編號，如果條件允許，還可以生成橋梁的3D畫面，然后將檢測出的橋梁病害部位在3D圖像中進行標記以便后期管理和跟蹤檢測。

常用的基于圖像的裂縫長度和寬度等病害程度定量化測量方法有：基于坐標轉(zhuǎn)化的標尺法、測距法和基于裂縫像素信息的像素數(shù)法。

4.1 標尺法［65］

標尺法的基本原理就是通過在橋梁表面臨時設(shè)置標尺或利用已知尺寸的自然標志物充當標尺，直接獲取象素數(shù)與標尺長度的比例系數(shù)k，利用該系數(shù)得到所需的裂縫寬度與長度等信息。

4.2 測距法［66-67］

測距法就是直接利用激光測距儀或者其他測距儀器測得的物距u（u為鏡頭光心到物體表面的距離）來計算裂縫寬度的方法。其基本原理是根據(jù)透鏡成像原理，在攝影測量的物距為u的某一位置，建立裂縫寬度在圖像中所占象素數(shù)與其實際物理寬度之間的坐標轉(zhuǎn)換公式，代入相機成像CCD的相關(guān)參數(shù)來計算裂縫的實際寬度。

4.3 像素數(shù)法［18，29，39-40］

橋梁表觀圖像經(jīng)過前期處理之后得到最為簡單的二值圖像。以橫向裂縫為例，通過逐列掃描裂縫區(qū)域的像素數(shù)并進行累加，其總數(shù)最大者為裂縫寬度最大值，總數(shù)最小者為裂縫寬度最小值。當然，這里可能存在毛刺等的影響，因此還可以通過選取前3個最大值求平均以獲得更為精確的裂縫寬度最大值。求裂縫長度時，可以先通過數(shù)學(xué)形態(tài)學(xué)法將裂縫細化為連續(xù)的單像素寬的裂縫骨架，然后運用歐式距離法或街區(qū)距離法以求得裂縫的長度。還有一些其他的計算裂縫長度的方法如直接用裂縫最小外接矩形長度作為裂縫的長度等，筆者認為其誤差太大，故不加以敘述。需要說明的是，這里求的裂縫寬度和長度信息只是圖像中的數(shù)據(jù)，應(yīng)當乘以像素當量，以轉(zhuǎn)換成為裂縫的實際尺寸。像素當量即一個像素代表的實際區(qū)域面積。裂縫面積可以通過累加裂縫區(qū)域像素數(shù)總數(shù)乘以像素當量即可獲得。利用裂縫面積與裂縫長度的比值即為裂縫平均寬度。

要想完全實現(xiàn)橋梁的非接觸高精度檢測，像素數(shù)法的發(fā)展空間最為廣泛，當然也存在一些不足，如在裂縫細化過程中可能發(fā)生斷裂現(xiàn)象等，還需要進行更多的研究以得到更為精準的結(jié)果。

5 結(jié)論

基于機器視覺的自動化、智能化檢測技術(shù)已經(jīng)在道路、隧道上得到了成功應(yīng)用，在橋梁上也得到了初步的應(yīng)用，但主要集中在視線開闊的高空混凝土構(gòu)件表觀圖像獲取技術(shù)上，在病害的自動識別方面仍停留在理論研究階段，還無法應(yīng)用于實際工程當中。針對量大面廣的混凝土梁體，智能化視頻橋梁檢測車進入理論與關(guān)鍵部件模型的研制階段，但是受到橋梁細小裂縫自動識別與清晰圖像快速化獲取難度大的限制，目前離達到實用化程度的要求還相距甚遠。應(yīng)該在以下方面展開重點研究：

（1）梁體高質(zhì)量清晰圖像的快速獲取技術(shù)。梁體裸露表面位于行車道下部位置隱蔽，而且受到橋墩自然阻隔，不僅攝像頭到達難度大，而且也難以實現(xiàn)連續(xù)化的拍攝，因此開發(fā)能夠可靠到達梁體表面、自動規(guī)避各種自然障礙的圖像獲取技術(shù)應(yīng)該成為研究重點。目前來看，除了利用橋面行駛的智能化橋梁檢測車外，利用無人機平臺也是一個較有價值的技術(shù)途徑。

（2）復(fù)雜背景下細小裂縫的自動化識別理論與算法?；炷翗蛄航Y(jié)構(gòu)要求能識別出小于0.2 mm的細微裂縫，這種細小裂縫對于結(jié)構(gòu)表面的腐蝕、析白、剝落、劃痕、拼縫與水跡等干擾物而言，都屬于不顯著微小目標，識別難度將遠遠大于隧道0.2 mm以上、道路毫米級裂縫識別的難度，傳統(tǒng)的裂縫識別方法目前難以解決該問題，應(yīng)該發(fā)展新的理論與算法。

［1］向容，曾宏，張斯涵，等.淺談現(xiàn)代橋梁的穩(wěn)定性與檢測［J］.港澳經(jīng)濟， 2014（32）：112-113.

［2］ 王文超.圖像處理技術(shù)在橋梁外觀檢測中的應(yīng)用［J］.天津建設(shè)科技，2008（S1）：20-22.

［3］Oh J K，Lee A Y, Oh S M. Design and Control of Bridge Inspection Robot System［C］∥Proceedings of the 2007 IEEE International Conference on Mechatronics and Automation，2007：3634-3639.

［4］劉沐宇，袁衛(wèi)國.橋梁無損檢測技術(shù)的研究現(xiàn)狀與發(fā)展［J］.中外公路，2002（6）：34-37.

［5］丁志軍，杜軍，盧彭真.無損檢測技術(shù)在道橋工程中的應(yīng)用與發(fā)展［J］.交通科技與經(jīng)濟，2005（1）：4-6.

［6］ 盧彭真，葛蔚敏，樓茂森.無損檢測技術(shù)在道橋中的應(yīng)用與發(fā)展［J］.公路交通技術(shù)，2004（6）：56-59.

［7］ 李穎，張廉，唐穎棟.橋梁結(jié)構(gòu)無損檢測與評估研究進展［J］.中外公路，2009（1）：147-153.

［8］王景全,趙啟林.橋梁混凝土裂縫分布式、非接觸檢測技術(shù)［C］∥中國土木工程學(xué)會橋梁及結(jié)構(gòu)工程分會.第十九屆全國橋梁學(xué)術(shù)會議論文集，北京：人民教育出版社，2010.

［9］高潮，李新科，郭永彩，等.橋梁拉索表面缺陷的機器視覺檢測系統(tǒng)［J］. 中國科技論文在線，2011（10）：775-780.

［10］ 李新科，高潮，郭永彩，等.橋梁拉索表面缺陷的分布式機器視覺檢測［J］.光學(xué)技術(shù)，2013（5）：424-428.

［11］ 周波，楊小帆，王磊.基于模式識別的橋梁故障檢測［J］.計算機與數(shù)字工程，2010（4）：173-175.

［12］ 王文超.圖像處理技術(shù)在橋梁外觀檢測中的應(yīng)用［J］. 天津建設(shè)科技，2008（S1）：20-22.

［13］Cord，A，Chambon S. Automatic Road Defect Detection by Textural Pattern Recognition Based on AdaBoost［J］. Computer-Aided Civil and Infrastructure Engineering，2012，27（4）：244-259.

［14］Lee J H，Lee J M，Kim H J，et al. Machine Vision System for Automatic Inspection of Bridges［J］. Congress on Image & Signal Processing，2008（3）：363-366.

［15］ 曾燕華.基于計算機視覺的橋梁表面缺陷檢測技術(shù)研究［D］.廣州：廣東工業(yè)大學(xué).2005.

［16］盧曉霞.基于圖像處理的混凝土裂縫寬度檢測技術(shù)的研究［D］.成都：電子科技大學(xué)，2010.

［17］ 宋平麗.基于視頻圖像的橋梁裂縫檢測［D］.武漢：武漢理工大學(xué)，2010.

［18］ 張國旗.基于圖像處理的混凝土橋梁底面裂縫檢測方法的研究［D］.北京：北京交通大學(xué)，2010.

［19］ 周傳林.圖像處理技術(shù)在混凝土橋梁裂縫檢測中的應(yīng)用研究［J］.筑路機械與施工機械化，2014（2）：74-77.

［20］ 李剛等，遠距離混凝土橋梁結(jié)構(gòu)表面裂縫精確提取算法［J］.中國公路學(xué)報，2013（4）：102-108.

［21］趙啟林，馮兆祥，吉林，等.基于數(shù)碼攝像技術(shù)的橋梁檢測儀系統(tǒng)：中國，200520068675［P］.2006.

［22］用于橋梁檢測的BIREM爬墻機器人［EB/OL］.（2013-12-23）［2015-05-12］http://b2b.21csp.com.cn/c22/201312/ 2020486.html.

［23］戴啟凡.橋梁檢測爬壁機器人及其自適應(yīng)控制技術(shù)研究［D］.南京：南京理工大學(xué)，2010.

［24］ 楊衍舒.橋底檢測爬壁機器人控制系統(tǒng)開發(fā)［D］.南京：南京理工大學(xué)，2013.

［25］ 付宜利，李志海.爬壁機器人的研究進展［J］.機械設(shè)計，2008，25（4）：1-5.

［26］王連波.淺談無人機的發(fā)展現(xiàn)狀及發(fā)展趨勢研究［J］.科技與企業(yè)，2013（14）：349.

［27］王小莉.面向橋梁檢測的四旋翼飛行器控制系統(tǒng)研究［D］.重慶：重慶交通大學(xué).2013.

［28］黃海峰.多軸飛行器在公路橋梁檢測中應(yīng)用展望［C］∥中國公路學(xué)會養(yǎng)護與管理分會.2013年全國公路養(yǎng)護技術(shù)學(xué)術(shù)年會論文集，北京：人民教育出版社，2014.

［29］吳軍.計算機在橋梁檢測中的應(yīng)用［J］.科技資訊，2013（32）：28.

［30］張維峰，劉萌，楊明慧.基于數(shù)字圖像處理的橋梁裂縫檢測技術(shù)［J］.現(xiàn)代交通技術(shù)，2008（5）：34-36.

［31］郝曉靜.路面裂縫自動檢測系統(tǒng)研究［D］.西安：長安大學(xué)，2013.

［32］朱鑫.隧道結(jié)構(gòu)表面病害特征快速檢測研究［D］. 2014，成都：西南交通大學(xué)，2014.

［33］ 尹冠生，趙振宇，徐兵.基于圖像處理的橋梁裂縫檢測技術(shù)［J］. 四川建筑科學(xué)研究，2013（2）：125-128.

［34］王瑋華.基于圖像處理技術(shù)的橋梁裂縫檢測［D］.西安：長安大學(xué)，2013.

［35］Yamaguchi Tomoyuki, Shingo Nakamura, Shuji Hashimoto. An efficient crack detection method using percolation based image processing［C］∥3rd IEEE Conference ，2008：1875-1880.

［36］段一平，李浩攀.MATLAB在圖像處理中的應(yīng)用［J］. 科技信息，2009（10）：213-214.

［37］劉曉瑞，謝雄耀.基于圖像處理的隧道表面裂縫快速檢測技術(shù)研究［J］.地下空間與工程學(xué)報，2009（S2）：1624-1628.

［38］劉學(xué)增，桑運龍，蘇云帆.基于數(shù)字圖像處理隧道滲漏水病害檢測技術(shù)［J］.巖石力學(xué)與工程學(xué)報，2012（S2）：3779-3786.

［39］黃衛(wèi)嶺.基于圖像處理技術(shù)的橋梁裂縫測量系統(tǒng)研究［D］.北京：北京交通大學(xué)，2013.

［40］吳歡歡.混凝土裂縫圖像測量系統(tǒng)研究與開發(fā)［D］.南京：南京航空航天大學(xué)，2013.

［41］王平讓，黃宏偉，薛亞東.基于圖像局部網(wǎng)格特征的隧道襯砌裂縫自動識別［J］.巖石力學(xué)與工程學(xué)報，2012（5）：991-999.

［42］蔣翠翠，李明.淺析基于MATLAB的圖像分割方法［J］.電腦與電信，2010（6）：68-70.

［43］陳利利.基于多尺度圖像分析的路面病害檢測方法研究與分析［D］.南京：南京理工大學(xué).2009.

［44］胡文錦.圖像邊緣檢測方法研究［D］.北京：北京交通大學(xué)，2000.

［45］曾俊，圖像邊緣檢測技術(shù)及其應(yīng)用研究［D］.華中科技大學(xué)，2011.

［46］農(nóng)海嘯.基于MATLAB的數(shù)字圖像邊緣檢測算子的實驗對比研究［J］.南寧師范高等?？茖W(xué)校學(xué)報，2008（2）：129-131.

［47］黃鋒華，劉琪芳，冀金鳳.基于MATLAB數(shù)字圖像邊緣檢測算子的研究［J］.機械工程與自動化，2011（04）：48-50.

［48］張宏，董安國，徐志剛,等. 種子游走算法及其在橋梁裂縫檢測中的應(yīng)用［C］∥Proceedings of 2010 The 3rd International Conference on Power Electronics and Intelligent Transportation System, 2010.

［49］ 高建貞，陸建峰，趙春霞，等.基于多級擬合的道路病害自動檢測與識別［J］. 計算機工程與應(yīng)用，2004（22）：220-223.

［50］ 王晨.路面病害自動檢測系統(tǒng)的改進和相關(guān)算法的研究［D］.南京：南京理工大學(xué).2006.

［51］高建貞.基于圖像分析的道路病害自動檢測研究［D］.南京：南京理工大學(xué)，2003.

［52］張國旗，基于圖像處理的混凝土橋梁底面裂縫檢測方法的研究［D］. 北京：北京交通大學(xué)，2010.

［53］Hong L，Salari E，Chou E. Pavement information system：Detection，classification and evaluation［C］∥IEEE International Conference on Electro/information Technology, 2010:1 - 5.

［54］ Tien Sy Nguyen，Stephane Begot，F(xiàn)lorent Duculty，et al. Freeform anisotropy：A new method for crack detection on pavement surface images［C］∥18th IEEE International Conference on Image Processing，2011.

［55］柳赟，鄭蕊蕊，吳艷軍，等.基于BP神經(jīng)網(wǎng)絡(luò)的彩色圖像邊緣檢測方法研究［J］.電子測試，2013（19）：100-101.

［56］楊景兵，丁輝，張樹東.基于神經(jīng)網(wǎng)絡(luò)的圖像弱邊緣檢測方法研究［J］.電視技術(shù)，2011（15）：54-56.

［57］鄧若曦.基于圖像分析的路面裂紋自動檢測算法研究［D］.武漢：武漢理工大學(xué)，2012.

［58］張福新，李國東.基于細胞神經(jīng)網(wǎng)絡(luò)的橋梁裂痕診斷研究［J］.大眾科技，2014（1）：26-29.

［59］Xu Guoai，Ma Jianli，Liu FanFan，et al. Automatic Recognition of Pavement Surface Crack Based on BP Neural Network［C］∥International Conference on Computer and Electrical Engineering，2008.

［60］應(yīng)培紅.計算機圖像處理技術(shù)在橋梁檢測中的應(yīng)用［J］.技術(shù)與市場，2011（8）：115.

［61］吳軒.智能橋梁檢測車工作臂定位與避障控制的研究［J］.長沙：湖南大學(xué)，2011.

［62］郭健，顧正維，孫炳楠，等.基于小波分析的橋梁健康監(jiān)測方法［J］.工程力學(xué)，2006（12）：129-135.

［63］鄒大鵬.智能視頻橋梁檢測車工作臂避障系統(tǒng)的研究［J］.廣州：廣東工業(yè)大學(xué)，2005.

［64］劉亞雙.數(shù)字圖像方法在橋梁檢測中的應(yīng)用［D］.天津：天津大學(xué)，2007.

［65］夏巨武.基于數(shù)字圖像處理的橋梁裂縫測量應(yīng)用研究［D］.成都：西南石油大學(xué).2011.

［66］姚冰，趙啟林，芮挺，等.非接觸式檢測混凝土橋梁裂縫的測距法［J］.中國市政工程，2009（3）：38-40.