基于無(wú)人機(jī)傾斜攝影測(cè)量技術(shù)的水電站壩面裂縫檢測(cè)研究

鄧雅心 ，駱旭佳 ，李紅林 ，吳清海 ，余磊鑫 ，蒯夢(mèng)珂

（1.江蘇海洋大學(xué)，江蘇 連云港 222005；2.浙江華東測(cè)繪與工程安全技術(shù)有限公司，浙江 杭州 310000）

引言

水資源時(shí)空分布極不均勻，水旱災(zāi)多發(fā)頻發(fā)，自古以來(lái)就是我國(guó)的基本水情。建設(shè)水庫(kù)大壩，注重發(fā)展水電，將水力發(fā)電這種清潔能源方式與大壩防洪防汛的作用結(jié)合起來(lái)，有助于優(yōu)化現(xiàn)有能源結(jié)構(gòu)，保障國(guó)家社會(huì)經(jīng)濟(jì)的良性發(fā)展。依照水利部《第一次全國(guó)水利普查公報(bào)》，我國(guó)己建成的水庫(kù)大壩達(dá)9.8 萬(wàn)余座，是擁有水庫(kù)大壩數(shù)量最多的國(guó)家之一[1]。水庫(kù)的數(shù)量和重要性決定了對(duì)水庫(kù)大壩定期巡檢，實(shí)施安全管理的必要性。所以，為了保障水庫(kù)正常運(yùn)作并發(fā)揮其效用，確保水庫(kù)大壩的安全就是一項(xiàng)涉及到社會(huì)經(jīng)濟(jì)穩(wěn)定發(fā)展的重要工作，研究高效智能的大壩安全管理方法對(duì)國(guó)家和地區(qū)都具有相當(dāng)重要的意義[2]。

大壩表面缺陷檢測(cè)主要有三個(gè)檢測(cè)重點(diǎn)[3]：（1）裂縫是大壩最為常見的病害。大壩多采用鋼筋混凝土結(jié)構(gòu)建成，體積大，鋼筋混凝土構(gòu)筑物大都是帶裂縫工作的。當(dāng)裂縫較為細(xì)小且對(duì)建筑物結(jié)構(gòu)不構(gòu)成威脅時(shí)，無(wú)需對(duì)其進(jìn)行處理，但當(dāng)裂縫密集或增大到一定程度時(shí)，可能造成嚴(yán)重的潰壩事故；（2）滲漏是大壩的另一缺陷。滲漏使混凝土遭受緩慢侵蝕，致使其強(qiáng)度下降甚至失去強(qiáng)度而遭到損壞[4]；（3）結(jié)構(gòu)破損是較為顯著的缺陷，破損嚴(yán)重的會(huì)導(dǎo)致壩體結(jié)構(gòu)因?yàn)殄e(cuò)位及壓力產(chǎn)生損壞。

傳統(tǒng)的大壩缺陷檢測(cè)多是利用測(cè)繪專用儀器對(duì)大壩構(gòu)筑物的各個(gè)部位進(jìn)行檢測(cè)和記錄。在此過(guò)程中，檢測(cè)人員需被吊機(jī)懸掛在高空或站在預(yù)先搭設(shè)的排架上，在高空平臺(tái)上進(jìn)行檢測(cè)作業(yè)。這種外業(yè)檢測(cè)方式工作量大、工作強(qiáng)度高、工作周期長(zhǎng)、動(dòng)工成本高且安全性差。同時(shí)，當(dāng)工作人員被懸掛在高空時(shí)，其觀測(cè)視野較為局限，這可能會(huì)造成排查不夠全面，檢測(cè)結(jié)果遺漏等問(wèn)題[2]。運(yùn)用無(wú)人機(jī)傾斜攝影測(cè)量技術(shù)采集大壩數(shù)據(jù)，可實(shí)現(xiàn)遠(yuǎn)距離、非接觸條件下的大壩裂縫安全檢測(cè)，工作量小，周期短，人員安全得到較強(qiáng)保障。

圖1 傳統(tǒng)人工吊籃檢查和無(wú)人機(jī)操作對(duì)比

1 技術(shù)路線

結(jié)合某水電站大壩的壩面安全檢測(cè)需求，重點(diǎn)的檢測(cè)對(duì)象為大壩主體建筑的裂縫情況。本文將無(wú)人機(jī)傾斜攝影測(cè)量技術(shù)與機(jī)器視覺識(shí)別缺陷結(jié)合起來(lái)，首先通過(guò)無(wú)人機(jī)搭載高效專業(yè)的數(shù)據(jù)采集設(shè)備獲取大壩航飛成果，然后經(jīng)專業(yè)的數(shù)據(jù)處理軟件生成大壩實(shí)景精細(xì)三維模型，最后利用機(jī)器視覺自動(dòng)檢測(cè)壩面缺陷，并對(duì)缺陷進(jìn)行定量化處理。

1.1 無(wú)人機(jī)技術(shù)

無(wú)人機(jī)（unmanned aerial vehicle，UAV）是包括固定翼、無(wú)人飛艇、旋翼、熱氣球在內(nèi)的一系列通過(guò)遙控操作或自主無(wú)人控制的空中飛行器的總稱。就獲取高分辨率影像而言，常搭載數(shù)碼相機(jī)作為傳感器，主要用于厘米級(jí)分辨率遙感數(shù)據(jù)和空間信息數(shù)據(jù)的快速獲取、處理和建模[3]。無(wú)人機(jī)航測(cè)具備云下作業(yè)、高現(xiàn)勢(shì)性、小范圍、高清晰、大比例尺、小型輕便、高效機(jī)動(dòng)的特點(diǎn)[4]，廣泛應(yīng)用于基礎(chǔ)測(cè)繪[5-6]、應(yīng)急救災(zāi)[7]、高壓線纜與農(nóng)林巡視[8]等領(lǐng)域。無(wú)人機(jī)按外形結(jié)構(gòu)可分為多旋翼無(wú)人機(jī)和固定翼無(wú)人機(jī)，多旋翼無(wú)人機(jī)的螺旋槳數(shù)量越多，飛行越平穩(wěn)，可操作性越強(qiáng)，可折疊、垂直起降、懸停，對(duì)場(chǎng)地的要求低[5-6]。無(wú)人機(jī)技術(shù)的應(yīng)用優(yōu)勢(shì)主要有三點(diǎn)：（1）現(xiàn)場(chǎng)作業(yè)速度快，數(shù)據(jù)精度高，搭載不同的傳感器可獲取不同的數(shù)據(jù)，如搭載相機(jī)可獲取影像、照片；搭載激光雷達(dá)可獲得激光雷達(dá)點(diǎn)云數(shù)據(jù)；（2）實(shí)施周期短、現(xiàn)勢(shì)性強(qiáng)、成本低，可彌補(bǔ)人工外業(yè)測(cè)量效率低、數(shù)據(jù)信息延遲、成本高及數(shù)據(jù)不連續(xù)和不直觀的缺陷；（3）可利用專業(yè)的數(shù)據(jù)處理軟件，對(duì)所得數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理后進(jìn)行精細(xì)三維建模，還可處理為任務(wù)所需的DEM、DOM、DSM 等地理數(shù)據(jù)。

1.2 傾斜攝影三維建模

傾斜攝影測(cè)量技術(shù)利用無(wú)人機(jī)作為傳感器的搭載平臺(tái)，通過(guò)在同一平臺(tái)上搭載5 臺(tái)或3 臺(tái)傳感器，從1 個(gè)垂直、4 個(gè)傾斜這5 個(gè)不同角度采集影像，獲取測(cè)量目標(biāo)地物更為準(zhǔn)確、全面、真實(shí)的信息[5]。在拍攝影像時(shí)，充分體現(xiàn)了無(wú)人機(jī)靈活、高效的特點(diǎn)，同時(shí)記錄航高、航速、航向和旁向重疊、坐標(biāo)等參數(shù)。傾斜攝影具有以下特點(diǎn)：（1）多角度觀察目標(biāo)地物，全方位地反映目標(biāo)地物的實(shí)際狀況，使無(wú)人機(jī)測(cè)量具備全局觀測(cè)的特點(diǎn)[9-10]；（2）可實(shí)現(xiàn)影像單張量測(cè)。通過(guò)專業(yè)測(cè)繪和地理數(shù)據(jù)處理軟件，可直接基于在三維模型成果上進(jìn)行包括坐標(biāo)、高度、長(zhǎng)度、面積、坡度、角度等的量測(cè)[11-12]；（3）數(shù)據(jù)量小。與傳統(tǒng)的三維 GIS數(shù)據(jù)相比，傾斜影像的數(shù)據(jù)量更小，為數(shù)據(jù)的傳輸與共享帶來(lái)了極大的便利。

1.3 改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)（I-FCN）

FCN（full convolutional neural network）網(wǎng)絡(luò)主要的構(gòu)成部分是下采樣和上采樣，其中下采樣部分由卷積層和池化層構(gòu)成（本網(wǎng)絡(luò)采用最大池化）；上采樣部分由反卷積層和 softmax 分類層構(gòu)成?？紤]到本文的檢測(cè)對(duì)象為大壩表面裂縫，其像素占圖像像素比例低。若采用傳統(tǒng)的FCN網(wǎng)絡(luò)進(jìn)行檢測(cè)，在經(jīng)過(guò)多次池化操作過(guò)后，會(huì)損失掉更多的信息，導(dǎo)致檢測(cè)裂縫的準(zhǔn)確率降低[13]。基于此，本文運(yùn)用一種改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)（improved full convolutional neural network，I-FCN），該網(wǎng)絡(luò)對(duì)于裂縫的檢測(cè)具有較強(qiáng)的針對(duì)性，在傳統(tǒng)FCN 的下采樣部分，用部分卷積層代替池化層，更多的保留了裂縫信息，從而達(dá)到提升I-FCN 裂縫的檢測(cè)精度的目的，其網(wǎng)絡(luò)框架如圖2。

2 實(shí)驗(yàn)

為驗(yàn)證本文方法的有效性，以官地水電站大壩主體作為研究對(duì)象，通過(guò)多旋翼無(wú)人機(jī)對(duì)某水電站實(shí)施近距離、高清晰的傾斜攝影測(cè)量，獲取大壩整體的傾斜影像。內(nèi)業(yè)處理中利用傾斜三維建模技術(shù)還原大壩壩體表面信息，實(shí)現(xiàn)對(duì)大壩整體的精細(xì)實(shí)景三維建模。按照擬定分析指標(biāo)，運(yùn)用機(jī)器視覺對(duì)滲漏、表面結(jié)構(gòu)破損、裂縫等進(jìn)行大壩表面裂縫的檢測(cè)，實(shí)現(xiàn)目標(biāo)對(duì)象的坐標(biāo)定位及真實(shí)量測(cè)，從而完成大壩表面缺陷檢測(cè)，為大壩安全巡視與日常維護(hù)提供參考。

2.1 傾斜三維建模

2.1.1 數(shù)據(jù)采集

數(shù)據(jù)的獲取是前期工作的關(guān)鍵環(huán)節(jié)，而獲取的影像質(zhì)量也會(huì)直接影響三維模型的效果；經(jīng)分析影響無(wú)人機(jī)航飛效果的主要因素有航線、相對(duì)航高、重疊度等，實(shí)施航空攝影前需充分考慮這些因素，設(shè)置合理的參數(shù)保證影像質(zhì)量[14]。

圖2 I-FCN 網(wǎng)絡(luò)框架

本次研究選取某水電站大壩表面進(jìn)行研究，外業(yè)傾斜攝影測(cè)量設(shè)備選用大疆M600 六旋翼無(wú)人機(jī)+索尼A7R相機(jī)，大疆M600 六旋翼無(wú)人機(jī)機(jī)身輕便靈活、操作性強(qiáng)、可定點(diǎn)懸停拍攝。具體到拍攝時(shí)，我們將根據(jù)壩體的大小劃分合適的區(qū)塊，按壩段布置兩到三條測(cè)繩，測(cè)繩間距5～10m，無(wú)人機(jī)按測(cè)繩保持固定間距拍攝。本次項(xiàng)目拍攝的傾斜影像，分辨率為1.5cm/像素，共2800 張，重疊度≥75%。經(jīng)檢查，數(shù)據(jù)滿足傾斜三維建模任務(wù)的需求。

2.1.2 數(shù)據(jù)處理

本文采用Context Capture 軟件對(duì)傾斜數(shù)據(jù)進(jìn)行處理[14]。在將數(shù)據(jù)導(dǎo)入軟件之前，要對(duì)影像數(shù)據(jù)進(jìn)行檢查，準(zhǔn)備好軟件需要的數(shù)據(jù)表，該數(shù)據(jù)表包括影像對(duì)應(yīng)的POS 數(shù)據(jù)，影像信息、傳感器信息、坐標(biāo)信息等。然后將影像和與之對(duì)應(yīng)的POS 數(shù)據(jù)分別導(dǎo)入軟件，選擇對(duì)應(yīng)的坐標(biāo)系，提交初步空三運(yùn)行?？罩腥菧y(cè)量是三維重建的前提也是最重要的一步，在數(shù)據(jù)處理過(guò)程中往往會(huì)出現(xiàn)點(diǎn)云數(shù)據(jù)分層，照片丟失等情況，這就需要反復(fù)刺連接點(diǎn)，直到滿足任務(wù)要求。最后，導(dǎo)入外業(yè)測(cè)量的像控點(diǎn)坐標(biāo)，并在相應(yīng)的影像上刺點(diǎn)，進(jìn)而通過(guò)影像密集匹配，密集點(diǎn)云構(gòu)建 TIN 模型，紋理切片自動(dòng)映射等過(guò)程，最終得到對(duì)應(yīng)坐標(biāo)系統(tǒng)下的具有真實(shí)坐標(biāo)的傾斜攝影三維模型[14]。傾斜攝影三維建模技術(shù)流程如圖3。

2.2 缺陷檢測(cè)

2.2.1 數(shù)據(jù)集與硬件平臺(tái)

本文用來(lái)構(gòu)建數(shù)據(jù)集的數(shù)據(jù)是應(yīng)用于三維建模數(shù)據(jù)預(yù)處理后的照片，數(shù)據(jù)集共包含1200 張照片，每張照片大小為 480×480。在訓(xùn)練過(guò)程中，按照 8：1：1 的比例將數(shù)據(jù)集隨機(jī)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集三部分。

圖3 三維建模流程圖

本研究實(shí)驗(yàn)是在微星MS-7A78 上進(jìn)行開發(fā)的，其顯卡型號(hào)是NVIDIA GeForce GTX 1080 Ti，擁有64GB 運(yùn)行內(nèi)存。利用Pycharm2017.3 以及Anaconda3 集成開發(fā)工具。采用深度學(xué)習(xí) TensorFlow 框架進(jìn)行改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)模型的搭建、訓(xùn)練和測(cè)試。

2.2.2 網(wǎng)絡(luò)模型訓(xùn)練結(jié)果及分析

為了驗(yàn)證改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)（I-FCN）對(duì)裂縫識(shí)別的有效性，分別使用FCN 網(wǎng)絡(luò)和I-FCN 網(wǎng)絡(luò)對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行訓(xùn)練。具體到網(wǎng)絡(luò)訓(xùn)練過(guò)程中，每一輪迭代都會(huì)得到一個(gè)輸出結(jié)果，網(wǎng)絡(luò)損失值就代表這個(gè)輸出結(jié)果與標(biāo)準(zhǔn)結(jié)果的差異[13]。網(wǎng)絡(luò)訓(xùn)練的目的就是通過(guò)多次的迭代運(yùn)算減小這個(gè)差異，最終使訓(xùn)練的網(wǎng)絡(luò)模型達(dá)到收斂[14]。由于裂縫識(shí)別是像素層面的檢測(cè)，可將像素分為正樣本像素（裂縫像素）和負(fù)樣本像素（背景像素）兩種，因此預(yù)測(cè)情況分為以下四類[15]：正樣本判定為正樣本（true positives，TP）；正樣本判定為負(fù)樣本（false negatives，F(xiàn)N）；負(fù)樣本判定為正樣本（false positives，F(xiàn)P）；負(fù)樣本判定為負(fù)樣本（true negatives，TN）。因此根據(jù)混淆矩陣計(jì)算原則，可以將像素準(zhǔn)確率（accuracy）、召回率（recall）和交并比（IOU）作為網(wǎng)絡(luò)的評(píng)價(jià)指標(biāo)，具體計(jì)算如下：

圖4 FCN 和I-FCN 訓(xùn)練測(cè)試指標(biāo)對(duì)比圖

（1）像素準(zhǔn)確率（accuracy）。表示被正確識(shí)別像素占總像素的比例。公式表示如下：accuracy=TP+TN/TP+TN+FP+FN

（2）召回率（recall）。表示被正確識(shí)別的正樣本像素占應(yīng)當(dāng)被正確識(shí)別的像素比例。公式表示如下：recall=TP/TP+FN

（3）交并比（IOU）。表示被正確識(shí)別的正樣本像素占應(yīng)當(dāng)被正確識(shí)別的像素和負(fù)類像素被識(shí)別為正確像素之和的比例。公式表示如下：IOU=TP/TP+FP+FN

通過(guò)多次迭代訓(xùn)練后，模型最終達(dá)到收斂。I-FCN網(wǎng)絡(luò)得到的損失值相比于FCN 網(wǎng)絡(luò)更低，像素準(zhǔn)確率、召回率和交并比分別達(dá)到76.39%、85.84%和59.67，相較于FCN 網(wǎng)路分別提升了4.25%、6.52%和4.78%。FCN 和I-FCN 網(wǎng)絡(luò)訓(xùn)練測(cè)試指標(biāo)對(duì)比簇狀圖如圖4。

3 結(jié)果分析

選取具有代表性的2 張影像進(jìn)行標(biāo)記及分析，共發(fā)現(xiàn)裂縫4 處。通過(guò)I-FCN 對(duì)特征區(qū)域的裂縫進(jìn)行檢測(cè)，準(zhǔn)確檢測(cè)到4 處裂縫，對(duì)應(yīng)到大壩精細(xì)三維模型上對(duì)裂縫坐標(biāo)和長(zhǎng)寬進(jìn)行標(biāo)注和記錄，結(jié)果如圖5 所示。檢測(cè)出的4 條裂縫的具體坐標(biāo)、高程、長(zhǎng)度和寬度如表1 所示（出于保密和安全考量，本文涉及的坐標(biāo)以及高程均為加密數(shù)據(jù)）。為驗(yàn)證本文方法的有效性，將運(yùn)用本方法檢測(cè)出的裂紋信息與外業(yè)實(shí)地測(cè)量的數(shù)據(jù)進(jìn)行比對(duì)，誤差均小于0.01，滿足項(xiàng)目實(shí)際需求。

4 結(jié)論

圖5 裂縫檢測(cè)示意圖

針對(duì)大壩裂縫的檢測(cè)，本文提出了無(wú)人機(jī)傾斜攝影測(cè)量技術(shù)結(jié)合改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)（I-FCN）對(duì)大壩裂縫進(jìn)行識(shí)別和定量化分析，通過(guò)在官地水電站大壩主體建筑上進(jìn)行裂縫檢測(cè)實(shí)驗(yàn)，準(zhǔn)確檢測(cè)出了目標(biāo)區(qū)域誤差范圍內(nèi)的裂縫信息，證實(shí)了本文方法的可行性。本文方法較傳統(tǒng)人工檢測(cè)方法安全性更強(qiáng)，具有目標(biāo)檢測(cè)所需要的強(qiáng)針對(duì)性，較大地提升了大壩裂縫檢測(cè)的效率，為大壩裂縫檢測(cè)的方法增添了新的內(nèi)容。

同時(shí)，本文提出的方法也存在諸多的不足，例如：（1）裂縫識(shí)別未能在三維模型上直接識(shí)別，在二維對(duì)應(yīng)三維的過(guò)程中需要人工對(duì)應(yīng)，不能夠?qū)崿F(xiàn)二三維之間的聯(lián)動(dòng)；（2）未涉及到裂縫深度的量化計(jì)算；（3）未能提供大壩滲漏和結(jié)構(gòu)破損等缺陷的有效識(shí)別方法。為了更好地進(jìn)行大壩裂縫檢測(cè)，排查大壩缺陷，后期將針對(duì)現(xiàn)有不足進(jìn)行更深入的研究。

表1 大壩表面裂縫情況分析表