林國章

摘 要：本文對機器視覺的橋梁檢測技術的檢測儀器進行了簡要描述，同時對于橋梁表觀圖像的獲取技術和以圖像為基礎的橋梁裂縫自動識別理論的計算方法進行了分析，最后總結(jié)了裂縫寬度病害程度定量化測量方法。

關鍵詞：機器視覺；橋梁檢測技術；現(xiàn)狀；發(fā)展

中圖分類號：U446 文獻標志碼：A

1 基于機器視覺的橋梁檢測技術檢測儀器概述

隨著我國的交通運輸事業(yè)的不斷發(fā)展，橋梁為人們的出行提供了極大的便利，已經(jīng)成為了我國交通運輸中不可或缺的重要載體。在大力發(fā)展和建設橋梁的同時，也存在著不少橋梁發(fā)生倒塌的事故，給人民群眾的生命財產(chǎn)安全帶來了巨大的損失，因此，加大對橋梁的檢測工作勢在必行。橋梁檢測的方法和技術手段一直在不斷地更新，起初，橋梁檢測采用的是人工檢測的方式，逐漸發(fā)展到使用檢測車進行檢測，再到各種形式的無損檢測，現(xiàn)在應用最多的就是智能化的檢測技術。就橋梁檢測技術手段的整個發(fā)展過程來看，都在實踐中不斷發(fā)現(xiàn)和解決問題，研究解決問題的措施，最終提出符合檢測實際需求的新方法。就人工檢測和檢測車檢測方法來看，其缺點在于檢測的速度慢、效率不高，還會出現(xiàn)漏檢的情況，并且缺乏即時性，對正常的交通運輸也會產(chǎn)生影響，存在著一定的安全隱患，不值得廣泛推行。無損檢測方法包括了聲發(fā)射檢測、超聲波檢測以及激光檢測等，但是由于這些檢測中要用到的儀器價格昂貴，測量的范圍又存在一定的局限性，并不能滿足橋梁檢測的最新要求。智能化檢測中最為常見的就是基于機器視覺的橋梁檢測方法。該方法主要是利用CCD相機，對橋梁的表觀進行拍攝，然后再利用計算機處理技術對照片上的裂縫圖像進行自動識別，把裂縫圖像從背景分離出來，對裂縫的參數(shù)進行單獨計算。該方法的優(yōu)點在于直觀、便捷、成本低、精確度高、適應性強等等，可以最大限度地避免人為因素的干擾，極大地解放了勞動力，發(fā)展前景良好。

2 橋梁表觀圖像的獲取技術

橋梁梁體的位置常常是在路線的下方，其位置較為隱蔽，還會受到橋墩的阻礙。構(gòu)成橋梁結(jié)構(gòu)的組成部分除了梁體和橋墩之外，還有主拱和橋塔。因此，想要獲得完整的橋梁的表觀圖像的難度較大，相關的研究人員對此提出了不同的橋梁表觀圖像的獲取技術。

3 基于圖像的裂縫自動識別理論于算法

3.1 閾值分割識別法

該算法主要是依據(jù)裂縫和其背景所在的灰度的范圍之間的區(qū)別，背景的灰度值相對于裂縫的灰度值來說會較大一些，找到合適的灰度閾值，就可以把圖像里的背景和裂縫進行分離，再對裂縫信息進行進一步分析和測量。比較常用的計算方法有：自適應閾值法、局部閾值法和全局閾值法。閾值分割法比較適合于對比度較高、光照均勻、背景的灰度一致的圖像，對于一些和裂縫特征比較相似的劃痕、水跡或者是其他的干擾物等，該方法則不能精確區(qū)分。

3.2 邊緣檢測識別法

裂縫的邊緣特征比較強，其灰度會有突出的階躍現(xiàn)象，而背景的灰度則表現(xiàn)出梯度小、變化緩慢的特點，因此，可以采用邊緣識別法來檢測和識別裂縫。相關的科研人員設計了很多邊緣檢測算子，比如：Canny算子、拉普拉斯算子和梯度算子等。Canny算子的特點在于誤判率低、定位精準度高以及對虛假邊緣有一定的抑制作用，Canny算子更適合于高噪聲圖像，不過一些邊緣信息也容易被平滑掉，可以采取適當?shù)拇胧ζ浼右詢?yōu)化和改進，目前Canny算子在隧道和路面檢測中都有所涉及，可以運用到橋梁的檢測工作中。拉普拉斯算子是一種標量算子，對于孤立點和細線的效果比較明顯，在測量的時候不具備提供邊緣信息的功能，不能直接使用。梯度算子屬于微分算子，對噪聲較為敏感，適用于噪聲小、邊緣尖銳的情況，不過其模板只有垂直和水平兩種類型，因此不適合用于對橋梁路面裂縫的檢測。

3.3 種子游走算法

該算法是按照事先的準則把子區(qū)域或者是像素聚合在一起，使其成為更大的區(qū)域，具體的方法是從一組“種子”點開始，按制定的規(guī)則游走，把其他和種子的特點相近的像素附著到種子上，就可以最終得到裂縫點的信息，最后再根據(jù)種子的特征來判斷圖像中是否存在裂縫。目前的橋梁檢測主要是針對混凝土橋梁，其材料的性質(zhì)直接導致混凝土表面存在凹凸不平的情況，同時表面還有一些空隙，因此該算法不適合于對混凝土橋梁裂縫的檢測。

3.4 基于頻域的橋梁裂縫識別法

基于頻域的橋梁裂縫識別法主要采取的是通過小波變換、低通濾波器以及高通濾波器來對圖像加以操作。小波變換是由低通濾波器和高通濾波器組成，高通濾波器主要是用以提取信號中的高頻部分，可以保留圖像的細節(jié)；低通濾波器主要是保留信號的低頻部分。在實際的橋梁檢測工作中，裂縫的圖片里的噪聲較多，所屬的頻域范圍中還會出現(xiàn)交叉和重疊的現(xiàn)象，因此在把裂縫從背景中提取出來有一定的難度，該方法并不是適合橋梁的裂縫檢測。

3.5 基于神經(jīng)網(wǎng)絡的橋梁裂縫識別法

神經(jīng)網(wǎng)絡主要是模擬人的大腦的結(jié)構(gòu)機制和工作方式，實現(xiàn)機器的智能化運作，并且具有自適應、自學習和自組織的特點。在運用神經(jīng)網(wǎng)絡對橋梁的裂縫加以識別就需要選擇大量的含有裂縫以及不含裂縫的樣本來訓練計算機。通過監(jiān)督訓練，讓計算機對于裂縫具有識別的能力，該方法的速度慢、計算成本較高，并且診斷過程也相當復雜，不過其優(yōu)點在于效果好、準確率高。

4 基于圖像的裂縫寬度病害程度定量化測量方法

4.1 標尺法

該方法的基本原理是在橋梁的表面臨時設置一個標尺或者是利用已知的自然物來作為標尺，直接獲取標尺長度和像素數(shù)之間的比例系數(shù)k，再利用該系數(shù)來計算出裂縫的長度和寬度等信息。

4.2 測距法

該方法是利用激光或者是其他的測距儀器，測量出所需的物距，對橋梁的裂縫寬度進行計算，運用了透鏡成像的原理，在物距為u的某個位置中，建立一個實際物理寬度和裂縫寬度在圖像中占據(jù)的像素數(shù)的坐標轉(zhuǎn)換的公式，再帶入到相機成像參數(shù)，就可以算出最終的裂縫的實際寬度。

4.3 像素數(shù)法

橋梁的表觀圖像在經(jīng)過處理之后可以得到一個簡單的二值圖像，比如，橫向的裂縫通過對裂縫區(qū)域內(nèi)的像素數(shù)的掃描和累加，得出的最大數(shù)值就是裂縫的最大值。其中有可能出現(xiàn)毛刺等情況的影響，對此，可以取前3個最大數(shù)值的平均值作為裂縫寬度的最大值。在計算裂縫的長度時，可以先把裂縫細化為多個連續(xù)的單像素裂縫骨架，再采用街區(qū)距離法或者歐式距離法求出裂縫的長度。值得注意的是，這里所提及的裂縫的長度和寬度都是圖像里的數(shù)據(jù)信息，需要對其進行轉(zhuǎn)換，計算出實際的尺寸。

結(jié)論

基于機器視覺的智能化、自動化檢測技術在許多隧道和道路上得到了有效應用，并且逐步轉(zhuǎn)移到對橋梁的應用，不過該技術目前主要集中在對視線較為開闊的高空混凝土橋梁表觀圖像的獲取，其對于病害的自動識別技術還處在研究階段，還需要對技術進行不斷優(yōu)化和創(chuàng)新。

參考文獻

[1]鄒雷.基于機器視覺的混凝土結(jié)構(gòu)水下表面裂縫檢測技術研究[D].三峽大學，2014.

[2]李曉賓.基于機器視覺的焊縫缺陷測量與評級系統(tǒng)[D].西安工業(yè)大學，2016.