摘要 文章針對智能檢測技術進行應用研究，旨在提高路橋施工環(huán)節(jié)的整體質(zhì)量。采用歸納總結與應用實踐相結合的方式，先對路橋智能檢測技術作出闡述，隨后將檢測技術應用于實際案例中，將智能檢測技術應用結果與常規(guī)結果進行比較分析。研究結果表明：智能檢測技術在對路橋工程橫向裂縫、縱向裂縫、斜裂縫、交叉裂縫的檢測中均能保持60%以上的識別率，且多個路段的綜合識別率達到68.8%。

關鍵詞 公路橋梁；施工；智能檢測；技術應用

中圖分類號 U415 文獻標識碼 A 文章編號 2096-8949（2024）07-0094-03

0 引言

將智能檢測技術應用于公路橋梁施工中，通過圖像采集，借助高清數(shù)碼相機或激光掃描儀等設備，對公路橋梁裂縫進行實時、動態(tài)的圖像采集。隨后對采集到的圖像進行預處理、分割、識別等操作，提取裂縫的特征信息。通過機器學習、模式識別等技術，對提取的特征信息進行分析和判斷，確定裂縫的類型、位置、寬度等參數(shù)。這種智能檢測技術不僅能盡早發(fā)現(xiàn)裂縫，減少后期維修養(yǎng)護成本，延長路橋的使用壽命。還可以實現(xiàn)實時的動態(tài)監(jiān)測，有助于及時調(diào)整公路橋梁施工方案，對于路橋建設事業(yè)的發(fā)展具有重要意義。

1 路橋智能檢測技術的主要構成

1.1 圖像濾波處理技術

當公路橋梁路面存在裂縫缺陷問題時，可以采用智能檢測技術進行識別，根據(jù)路橋表面的圖像信息，綜合比對數(shù)據(jù)庫，進而分析找出缺陷區(qū)域。采用均值偏移計算方法（Mean Shift），針對拍攝圖像進行二值化分割、濾波以及對數(shù)變換處理，能夠大幅降低圖像背景噪點，增加對路面裂縫信息的識別。均值偏移濾波算法聚類如圖1所示。需要根據(jù)圖中的迭代質(zhì)心與目標質(zhì)心情況，計算出最終密度函數(shù)的計算區(qū)域，以及迭代移動的矢量數(shù)量，使濾波處理更具真實性[1]。

圖像均值偏移濾波處理技術的計算公式如式（1）：

式中，以拍攝圖像的某像素點構建中心坐標xi，這樣可以對中心像素點的周圍進行掃描，例如以x為圓心，將掃描半徑設為h，從而得到球體狀的圖像掃描信息，將球體中的所有點位設定為xj。這樣在均值偏移數(shù)值計算過程中，當其中某個像素點xt經(jīng)過多次的迭代擬合后，就能夠得到與投影坐標中相同像素坐標的重合點位，即為該像素點的收斂。

得到均值偏移濾波處理后的圖像信息時，還要對裂縫邊緣信息做出剔除，優(yōu)化圖像局部特征提取質(zhì)量。該研究中采用CLAHE算法對規(guī)定像素值周圍的對比度進行調(diào)整，虛化裂縫周邊噪聲影響，強化特征信號數(shù)值。通過限制局部灰度值被過多融合或延展使圖像噪聲點放大和對比度增強，具體公式如式（2）：

式中，將圖像輸入數(shù)據(jù)信息劃分為多個子空間，假設所有空間內(nèi)部的點數(shù)均為Nsum（0≤Nsum≤85），將前灰度數(shù)值設定為k，這樣可以計算出具體圖像區(qū)域內(nèi)的灰度直方圖S（k），在與自適應圖像比度C比較后，將超出閾值的部分重新排列，使整個灰度空間得到重構，加劇圖像特征信息的明顯程度，具體情況如圖2所示。

采用深度學習算法與場均偏移濾波結合的方式，最大程度降低背景噪聲信息，增加智能檢測技術對裂縫邊緣的識別效果，具體處理步驟如下：

（1）在算法模型中輸入路段的原始圖像。

（2）運用均值偏移濾波技術對原始圖像進行無效噪聲剔除處理。

（3）在完成背景噪聲處理后，進行CLAHE算法處理，提高均值偏移濾波處理后的圖像清晰程度。

（4）輸出綜合處理后的圖像。

1.2 路面裂縫數(shù)據(jù)庫

為保證路面裂縫圖像識別的質(zhì)量，首先要保證龐大數(shù)據(jù)庫的支持，數(shù)據(jù)樣本數(shù)量直接會決定模型訓練結果。該研究通過建立路面裂縫數(shù)據(jù)集，提升圖像濾波的預處理能力，為YOLOv5算法的路面裂縫檢測提供數(shù)據(jù)保障。在數(shù)據(jù)集的獲取階段，選用公開的路面裂縫數(shù)據(jù)集為Crack500以及Road Dateset，構建初始路面數(shù)據(jù)集，共計包括1 800余張圖片，主要涉及路橋工程的橫向裂縫、縱向裂縫、斜裂縫以及交叉裂縫等數(shù)據(jù)，具體如表1所示。

1.3 深度學習算法原理

該研究中采用的深度學習算法以YOLOv5網(wǎng)絡結構技術為主，該技術是將輸入的圖像轉(zhuǎn)化為不同尺寸的特征圖，結合濾波處理結果進一步區(qū)分特征，提高對數(shù)據(jù)庫裂縫圖像比對的契合度。YOLOv5技術在路面裂紋檢測環(huán)節(jié)主要包括圖像信息對應的置信度、預測框位置、類別信息、類別損失以及置信度損失情況等，經(jīng)過加權處理后判定圖像信息的整體損失值，逐步推導出拍攝圖像中存在的裂縫問題及數(shù)量[2]。目標損失函數(shù)Loss（obj）計算公式如式（3）：

Loss（obj）=losslocation+lossconfidence+lossclass （3）

式中，losslocation——圖像位置損失函數(shù)；lossconfidence——圖像置信度損失函數(shù)；lossclass——類別損失函數(shù)。

2 路橋施工中智能檢測技術的實踐應用

2.1 案例工程中缺陷圖像數(shù)據(jù)采集

該研究以某地路橋工程為例，通過對案例地區(qū)的路橋工程進行觀測與經(jīng)驗總結，將智能識別技術引入施工環(huán)節(jié)，將圖像采集設備裝置在檢測車輛上，行駛車輛途經(jīng)試驗檢測路段，對路橋路面情況進行收集，無需下橋安裝設備，能夠提高智能檢測技術設備的應用效率。設備搭載照明系統(tǒng)、工業(yè)相機與監(jiān)控攝像頭等，在車輛行駛采集中可以采用連續(xù)拍攝或延遲拍攝的方式，將采集的路橋表面高清圖像進行存儲，智能檢測技術設備的使用示意圖如圖3所示。

2.2 路橋缺陷情況及地理定位

針對路橋裂縫缺陷進行定位，有助于梳理路段的破損情況，及時對程度嚴重的裂縫進行修補。因此，智能檢測技術設備還搭配GPS定位裝置，保證采集的圖像信息能夠準確對應到路段具體區(qū)域。該部分采用GNSS高射頻天線、精度定位裝置、流動站以及基準站組成，通過GNSS接收衛(wèi)星信號，對標具體的路面圖像信息，具體如圖4所示。

2.3 智能檢測技術運算

智能檢測技術運算是路面表面缺陷檢測的核心部分，主要是對設備采集的圖像信息進行綜合處理，一方面，用作數(shù)據(jù)集訓練，提高裂縫缺陷的分類與識別精度。另一方面，能夠?qū)π虏蹲降膱D像信息展開運算識別。具體操作步驟是對待檢測圖像進行濾波處理，以YOLOv5網(wǎng)絡結構技術為基礎構建路橋缺陷檢驗模型，根據(jù)圖像信息的損失函數(shù)數(shù)值判定是否存在裂縫缺陷。隨后采用交叉檢驗方式，將K折交叉驗證模型引入其中，將處理好的自建數(shù)據(jù)集劃分為多個互斥子集，每次訓練時隨機挑選1處樣本數(shù)據(jù)信息，通過不斷地深度學習與訓練，得出最優(yōu)的檢測模型技術參數(shù)。即隨著智能檢測設備獲取裂縫圖像的增加，智能檢測技術的模型不收斂與過度擬合問題也會減少，交叉驗證檢測的步驟如下：首先將多個數(shù)據(jù)集平均劃分為K個互斥大小相同的子集；其次將隨機一份作為樣本，與其余訓練樣本進行交叉檢測；最后根據(jù)模型損失情況，剔除大量檢測結果中的泛化誤差，具體公式如式（4）：

式中，將第i份圖像信息的損失者設定為Mi，通過損失函數(shù)計算結果，剔除掉圖像信息中的噪聲因素與邊緣缺陷噪聲。進一步針對余下的路橋橫向裂縫、縱向裂縫、斜裂縫等進行識別檢測。

2.4 智能檢測技術識別效果分析

為驗證智能識別技術在路橋裂縫檢測中的應用情況，選取案例地區(qū)的5個路段進行路面圖像獲取，經(jīng)過圖像濾波處理后輸入至YOLOv5網(wǎng)絡結構中，與預先準備的道路裂縫數(shù)據(jù)樣本進行比對。之后將識別結果與各路段的實際裂縫進行對比，進而計算出智能檢測技術對路橋裂縫的識別率，具體如表2所示。

根據(jù)表2數(shù)據(jù)可知，智能識別技術對路面橫向裂縫、縱向裂縫、斜裂縫與交叉裂縫的識別率均為65%以上，同時，各測試路段中各類裂縫識別的綜合值也超過60%，說明該研究提出的路橋智能檢測技術具有較好的應用效果。此外，在路橋施工中，還要根據(jù)裂縫的大小和位置，評估其對路橋結構的影響程度，選擇合適的修補材料，常用的修補材料包括水泥、瀝青、聚合物水泥復合材料等。選擇材料時需要考慮材料的強度、耐久性、環(huán)保性等因素，修補時要根據(jù)裂縫的類型、位置、大小和評估結果，設計合適的修補方案。修補完成后，還要進行質(zhì)量檢測，確保修補效果符合要求，例如采用超聲波檢測和雷達檢測等方式。后續(xù)要根據(jù)智能檢測技術結果出具合理的路橋裂縫修補養(yǎng)護方案，提高智能檢測技術的決策支持效力。

3 結論

綜上所述，將智能檢測技術引入公路橋梁的裂縫缺陷檢測中，能夠大幅提高檢測效率，是路橋施工檢測領域的必然發(fā)展趨勢。該文首先闡述了智能檢測技術的重要性；其次對路橋智能檢測技術的圖像濾波處理技術、路面裂縫數(shù)據(jù)庫以及深度學習算法原理進行介紹；最后闡述路橋施工中智能技術的實踐應用，根據(jù)缺陷圖像采集情況與地理定位信息，運用智能檢測技術進行運算，與信息數(shù)據(jù)庫綜合比對。根據(jù)結果可知，智能檢測技術在對路橋工程橫向裂縫、縱向裂縫、斜裂縫、交叉裂縫的檢測中均能保持60%以上識別率，且多個路段的綜合識別率達到68.8%，可以對路橋工程質(zhì)量提供保障。

參考文獻

[1]喬天龍. 路橋施工中常見問題處理與施工過程管理建議[J]. 四川水泥， 2023（3）： 181-183.

[2]吳德君. 道路橋梁工程材料質(zhì)量檢測重要性及要點分析[J]. 工程技術研究， 2021（23）： 140-142.