賀志勇，王 鵬

（華南理工大學(xué) 土木與交通學(xué)院，廣東 廣州 510641）

0 引 言

為確保橋梁運營安全，必須及時進(jìn)行檢測評估。對在役橋梁進(jìn)行快速、科學(xué)、準(zhǔn)確檢測，建立合適、便捷的檢測評估方法已成為當(dāng)務(wù)之急。目前橋梁檢測以人工現(xiàn)場調(diào)查法為主。人工現(xiàn)場調(diào)查法存在工作量大、速度慢、效率低、漏檢率高、費用昂貴、占用橋面車道、易造成交通擁堵等缺點。

為加快檢測速度，提高效率，實現(xiàn)橋梁檢測自動化，國內(nèi)外學(xué)者進(jìn)行了大量研究［1－4］，如南京理工大學(xué)、哈爾濱工業(yè)大學(xué)、日本大阪市立大學(xué)對爬壁機器人進(jìn)行了深入研究；廣東工業(yè)大學(xué)提出一種智能視頻橋梁檢測車，通過液壓伸縮臂裝置將圖像采集裝置安置在橋梁底面，采集橋梁病害視頻；Je-Keun Oh等提出并設(shè)計了一種橋梁自動檢測系統(tǒng)，該系統(tǒng)由橋梁檢測車、軌道和圖像采集系統(tǒng)三部分組成；張登峰等設(shè)計了一種橋梁檢測車，通過控制器控制云臺的轉(zhuǎn)動，拍攝橋梁底面各個位置的圖像，依靠圖像處理技術(shù)進(jìn)行處理識別。

在無人機橋梁檢測研究方面，王小莉提出了四旋翼飛行器的幾種關(guān)鍵技術(shù)，包括數(shù)學(xué)建模、硬件設(shè)計、PN碼定位法、姿態(tài)估計法等［5］；陶曉力等采用無人機配備高倍變焦攝像頭的方法采集橋梁裂縫圖像，試驗驗證該方法具有較好的效果［6］。

綜上所述，無人機可以作為先進(jìn)的檢測工具應(yīng)用在橋梁的裂縫檢測中。本文規(guī)劃無人機的檢測飛行路線，重點采集橋梁底面的裂縫，運用數(shù)字圖像處理技術(shù)進(jìn)行裂縫分類，以驗證利用無人機進(jìn)行橋梁檢測的可行性。

1 無人機在橋梁底面檢測中的應(yīng)用

1.1 無人機簡介

為了采集橋梁底面的正攝圖像，選擇大疆公司的M210RTK無人機。M210RTK無人機配備性能強勁的Flight Autonomy系統(tǒng)，幫助飛行器避障，機頂?shù)募t外傳感器更能提供上方避障保護(hù)。配合RTK（Real-time kinematic）載波相位分差技術(shù)，無人機的懸停精度可以達(dá)到±0.1m，云臺安置在無人機上部，可控制鏡頭與橋梁底面保持垂直。相機的鏡頭采用定焦鏡頭，焦距為50mm，可拍攝2 400萬像素的圖片。無人機平臺頂部安裝有激光測距傳感器，在定點拍照時可以實時記錄相機到橋梁底面的距離H。無人機進(jìn)行橋梁檢測對于定位精度要求較高，飛行前應(yīng)實測當(dāng)?shù)仫L(fēng)速，風(fēng)速小于2m·s－1時方可飛行，天氣應(yīng)晴朗、少云。

1.2 相機的標(biāo)定

為了提高拍攝的精度，獲得較好的成像質(zhì)量，無人機應(yīng)盡可能地在距離橋梁底面近的位置拍攝，但同時也要保證一張照片所拍攝的實際面積足夠大，故需要合理確定拍攝距離h和焦距f。

鋼筋混凝土梁不同部位的允許最大裂縫寬度在0.25～0.5mm 不等，而定檢中要求觀測到0.02 mm以上的裂縫。橋梁結(jié)構(gòu)中的真實裂縫不是規(guī)則的直線或曲線裂縫，因此寬度至少需要2個像素顯示。單張圖像表示面積為60mm×40mm，可以采用如下步驟粗略測定鏡頭的拍攝距離。

（1）在一張白紙上，畫2條相互垂直且等分的線段A、B，A長度為60mm，B長度為40mm，將白紙固定在平整的墻壁上。

（2）將相機放置在三腳架上，調(diào)整三腳架的位置、高度，使相機垂直于墻壁。

（3）移動三腳架，使白紙上的2條線段在長寬2個方向正好出現(xiàn)在取景器。

（4）反復(fù)用鋼尺測量鏡頭到白紙之間的距離，求得平均值為500mm［7］。

可以確定，焦距f固定時，當(dāng)拍攝距離h＝500 mm時，拍攝圖片的實際面積為60mm×40mm，單個像素占0.01mm2。由于無人機懸停精度誤差為±0.1m，所以拍攝距離h不是定值，當(dāng)拍攝距離h變化，而焦距f固定時，由凸透鏡成像原理可知

式中：P1為拍攝距離為h1時像素的大??；P2為拍攝距離為h2時像素的大小。

每次定位拍攝時高度信息記錄在照片中，確定了拍攝距離h后，可以求出像素的大小P，從而求得裂縫的面積。

1.3 無人機飛行航跡的規(guī)劃

由于裂縫寬度較窄，為了能夠識別裂縫病害，需要近距離拍攝。單張圖像所覆蓋的面積較小，檢測一跨橋梁就需要幾千張圖片，難以確定裂縫在橋梁的具體位置，也就無法為養(yǎng)護(hù)部門提供準(zhǔn)確的信息。為此采用有序拍攝編號法，對不同的構(gòu)件進(jìn)行分類編號。在進(jìn)行橋梁底面檢測前將橋梁底面按照單張所拍面積大小分塊，確定各子塊的中心坐標(biāo)，將坐標(biāo)轉(zhuǎn)換成世界坐標(biāo)系，輸入到無人機地面站，使無人機按照圖1順序飛行，在子塊中心懸停拍攝。如編號為511500的照片表示第5跨第1行第1列位置，距橋底距離為500mm。

圖1 無人機飛行航跡

2 圖像預(yù)處理

2.1 橋梁底面裂縫特征

橋梁底面裂縫的特征主要有以下2點。

（1）一幅裂縫圖像包括3個部分，大部分為背景，小部分為裂縫、噪聲。噪聲部分的灰度值往往和裂縫部分灰度值有一部分重疊。

（2）與整個橋梁底面相比，裂縫所占的面積只是很小的一部分，即裂縫的像素數(shù)遠(yuǎn)小于背景部分的像素數(shù)。

2.2 圖像灰度化及灰度校正

由于顏色對于橋梁裂縫圖像的處理不產(chǎn)生影響，而且灰度圖像在計算量和計算速度方面占有優(yōu)勢，故先將彩色圖像統(tǒng)一轉(zhuǎn)化為灰度圖像。假設(shè)用f（i，j）表示一幅灰度圖像，采用 MATLAB批量處理圖片。轉(zhuǎn)換函數(shù)rgb2gray實現(xiàn)圖像灰度化的原理為：根據(jù)重要性及其他指標(biāo)，將RGB圖像中的R、G、B三個分量以不同的權(quán)值加權(quán)平均［8］，即

之后，用一個對數(shù)函數(shù)對圖像的每一個像素灰度做對數(shù)變換，用于壓縮輸入圖像中高灰度區(qū)的對比度，從而擴展低灰度值。為了避免對求對數(shù)，對f求對數(shù)改為對（f＋1）求對數(shù)，再以尺度比例常數(shù)C增加其動態(tài)調(diào)整范圍［9］。

運用MATLAB對裂縫圖像進(jìn)行變換，結(jié)果如圖2、3所示。從效果可以看出，對數(shù)變換能夠擴展低值灰度，壓縮高值灰度，使低值灰度的圖像細(xì)節(jié)更容易看清。

圖2 豎向裂縫

圖3 對數(shù)變換后的圖像

2.3 中值濾波去噪

根據(jù)已有研究成果，方形的濾波窗口對于有較長的輪廓線物體的圖像有較好的濾波效果。研究對象是裂縫，它具有較長的輪廓線，所以采用3×3、5×5、7×7不同的濾波模板，對加了椒鹽噪聲的灰度圖像進(jìn)行濾波處理，原圖和濾波后圖像如圖4～7所示。

圖4 添加椒鹽噪聲

圖5 3×3模板濾波

圖6 5×5模板濾波

采用3種中值濾波器對圖像分別進(jìn)行了濾波處理，但噪聲仍然存在。嘗試先用3×3的濾波器對圖像進(jìn)行濾波，然后再利用5×5的濾波器對濾波后的圖像進(jìn)行二次濾波，觀察濾波后圖像效果，如圖8所示。

2.4 基于八方向的Sobel算子的邊緣檢測

圖7 7×7模板濾波

圖8 3×3、5×5模板濾波

由于檢測圖像的裂縫特征在裂縫的各個方向都有，采用傳統(tǒng)的Sobel算子會造成漏檢，使部分邊緣細(xì)節(jié)丟失。故依據(jù)裂縫圖像的邊緣特征，采用0°、45°、90°、135°、180°、225°、270°、315°八個方向的 Sobel算子進(jìn)行檢測，檢測模板如圖9所示。

該算法分別利用八方向模板與對應(yīng)的圖像數(shù)據(jù)進(jìn)行卷積做近似計算。算法取8個緩存中灰度值較大的作為當(dāng)前像素輸出值，最大值所對應(yīng)的模板方向就是該點的邊緣方向。遍歷圖像后，所有8個方向的算子均卷積一次，取所有像素點卷積的最大值組成梯度幅值圖像。任意點像素點的表達(dá)式為

利用MATLAB進(jìn)行仿真后，得到傳統(tǒng)Sobel算子和八方向改進(jìn)Sobel算子的效果圖，如圖10、11所示。

2.5 噪聲形態(tài)學(xué)去除

由于照片并非是在理想條件下獲取的，橋梁底部會存在各種水漬、粉筆標(biāo)記、水泥斑點等，雖然盡可能地完善了光照條件，選用了較好的飛行器材、高端的相機鏡頭，也采用合理的算法對圖像進(jìn)行增強處理、濾波去噪，但二值化后的圖像仍然存在許多噪聲。為了獲得純凈的裂縫二值圖像，選用合適大小的結(jié)構(gòu)元素，以形態(tài)學(xué)閉運算的方法，對二值圖像進(jìn)行處理，去除細(xì)小孔洞。

圖9 八方向模板

3 基于BP神經(jīng)網(wǎng)絡(luò)的橋梁裂縫分類

經(jīng)過上述算法處理后，可以得到較為清晰的二值圖像。雖然通過人眼觀察，可以清楚無誤地分別清楚圖像中否含有裂縫，但是每座橋會產(chǎn)生大量的照片，為了節(jié)省人工勞作時間，更加準(zhǔn)確地測量出病害的面積，對橋梁做出科學(xué)、快速、準(zhǔn)確的評價，故對裂縫圖像進(jìn)行特征提取，進(jìn)行特征向量的描述，并基于這些特征向量構(gòu)造BP神經(jīng)網(wǎng)絡(luò)，利用該網(wǎng)絡(luò)進(jìn)行自動化的分類識別工作。

圖10 Sobel算子

圖11 八方向Sobel算子

3.1 裂縫特征向量的選擇

假設(shè)存在一幅二值圖像R（i，j），大小為M×N，其中背景部分是黑色像素，灰度值為0，目標(biāo)部分是白色像素，灰度值為1。利用函數(shù)sum（R）進(jìn)行計算，若sum（R）＜U，則該照片不含裂縫；若sum（R）＞U，則該照片中含有裂縫，U 為經(jīng)統(tǒng)計得出的經(jīng)驗閾值。對二值圖像R（i，j）分別在X軸、45°軸、Y軸、135°軸上進(jìn)行投影，然后以投影軸為橫軸，以與投影方向垂直的目標(biāo)像素的灰度值之和為縱坐標(biāo)繪圖。

X軸的投影公式為

Y軸的投影公式為

45°軸的投影公式為

135°軸的投影公式為

其中的投影原理是：在X軸上的投影是在y方向上的所有像素為1的和；在Y軸上的投影是在x方向上的所有像素為1的和；在45°軸上的投影是首先將大小為M×N的二值圖像R（i，j）逆時針旋轉(zhuǎn)45°，變?yōu)榇笮镻×Q、在135°方向上的所有像素為1的和；在135°軸上的投影是首先將二值圖像順時針旋轉(zhuǎn)45°，在45°方向上的所有像素為1的和。5種典型裂縫圖片經(jīng)過上述處理后分別向X軸、45°軸、Y 軸、135°軸投影，如圖12～16所示。

圖12 橫向裂縫各軸投影

圖13 縱向裂縫各軸投影

經(jīng)分析可得出以下結(jié)論。

（1）橫向裂縫向X軸的投影相對平緩，峰值較小，波動范圍較分散；向Y軸的投影出現(xiàn)一個明顯的波峰，波動范圍較為集中；向45°、135°軸的投影相對平緩，峰值較小，波動范圍較分散。

圖14 45°裂縫各軸投影

圖15 135°方向裂縫各軸投影

圖16 網(wǎng)狀裂縫各軸投影

（2）縱向裂縫向Y軸的投影相對平緩，峰值較小，波動范圍較分散；向X軸的投影出現(xiàn)一個明顯的波峰，波動范圍較集中；向45°、135°軸的投影相對平緩，峰值較小，波動范圍較分散。

（3）45°斜向裂縫向45°軸的投影相對平緩，峰值較小，波動范圍較分散；向135°軸的投影出現(xiàn)一個明顯的波峰，波動范圍較為集中；向X、Y軸的投影相對平緩，峰值較小，波動范圍較分散。

（4）135°斜向裂縫向135°軸的投影相對平緩，峰值較小，波動范圍較分散；向45°軸的投影出現(xiàn)一個明顯的波峰，波動范圍較為集中；向X、Y軸的投影相對平緩，峰值較小，波動范圍較分散。

綜上可知，網(wǎng)狀裂縫向各個軸的投影均比較平緩，峰值較小，波動范圍分散。

3.2 建立BP神經(jīng)網(wǎng)絡(luò)

本文選擇4層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行裂縫的分類，包含兩個隱含層。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖17。

圖17 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

輸入向量：P＝｛D1，D2，D3，D4，G1，G2，G3，G4，S，NUM｝。

D1、D2、D3、D4分別表示向 X 軸、45°軸、Y 軸、135°軸投影后縱坐標(biāo)的差值；G1、G2、G3、G4分別表示向 X 軸、45°軸、Y 軸、135°軸投影后的投影范圍；S是圖片中裂縫的像素為1的點的個數(shù)，即像素的面積；NUM是連通域的個數(shù)。

經(jīng)過多次試驗，選擇隱含層為2，隱含神經(jīng)元個數(shù)為 60。輸出向量 T＝ ｛00001，00010，00100，01000，10000｝代表5種情況，即橫向裂縫表示為00001，45°方向裂縫表示為00010，縱向裂縫表示為00100，135°方向裂縫表示為01000，網(wǎng)狀裂縫表示為10000。經(jīng)過多次試驗，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)置為0.1。輸入層與隱含層的連接函數(shù)為TANSIG，隱含層與輸出層的連接函數(shù)為PURELIN。學(xué)習(xí)函數(shù)為TRAINLM。

使用MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱，對350幅樣本圖像進(jìn)行訓(xùn)練，其中各個狀態(tài)的裂縫均勻分布，打亂順序，隨機選擇前300張圖像進(jìn)行訓(xùn)練，分別經(jīng)過3次、4次、5次、8次迭代后停止，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)net1、net2、net3、net4，如圖18～21所示。然后，將剩余的50幅圖像進(jìn)行仿真分類，與真實的裂縫情況進(jìn)行比較，分類的正確率分別為98%、92%、96%、94%，平均正確率在90%以上。誤判率為2%、8%、4%、6%，即分別有1幅、4幅、2幅、3幅被誤判為其他裂縫。

圖18 net1訓(xùn)練結(jié)果

圖19 net2訓(xùn)練結(jié)果

圖20 net3訓(xùn)練結(jié)果

圖21 net4訓(xùn)練結(jié)果

4 結(jié) 語

針對不斷發(fā)展的橋梁檢測事業(yè)，本文提出將無人機應(yīng)用于實際橋梁檢測，通過規(guī)劃無人機飛行路線，采集大量橋梁病害圖片，結(jié)合數(shù)字圖像處理技術(shù)、BP神經(jīng)網(wǎng)絡(luò)技術(shù)對裂縫圖像進(jìn)行分類，裂縫分類識別正確率均在90%以上。研究結(jié)果表明，基于無人機視覺的橋梁檢測方案具有自動化程度高、速度快及準(zhǔn)確率高的優(yōu)點，為橋梁檢測提供了新的途徑。