蔣永生 周旭 李得睿 左文康 李揚(yáng) 程斌*

（1.貴州高速公路集團(tuán)有限公司，貴州 貴陽(yáng) 550009；2.上海交通大學(xué)船舶海洋與建筑工程學(xué)院，上海 200240;3.上海市政工程設(shè)計(jì)研究總院(集團(tuán))有限公司,上海 200092）

一、引言

我國(guó)交通基礎(chǔ)設(shè)施體量巨大，為排除長(zhǎng)期服役的公路橋梁橋梁結(jié)構(gòu)安全隱患，橋梁檢測(cè)系統(tǒng)及檢測(cè)方法一直是業(yè)內(nèi)關(guān)注的重點(diǎn)。傳統(tǒng)檢測(cè)行業(yè)一直以來(lái)主要依靠人工檢測(cè)的方式排查橋梁結(jié)構(gòu)安全隱患。但隨著我國(guó)公路橋梁基礎(chǔ)建設(shè)的飛速發(fā)展，傳統(tǒng)人工檢測(cè)方式已無(wú)法滿足橋梁在新時(shí)代所面臨的結(jié)構(gòu)健康檢測(cè)、監(jiān)測(cè)需求。為解決橋梁等高聳結(jié)構(gòu)物的表面裂縫識(shí)別問(wèn)題，本文基于裂縫圖像采集系統(tǒng)，利用機(jī)器學(xué)習(xí)及圖像處理技術(shù)實(shí)現(xiàn)橋梁結(jié)構(gòu)物表面的智能化裂縫識(shí)別與測(cè)量，可為5G新基建時(shí)代背景下的結(jié)構(gòu)檢測(cè)提供一種新型解決方案。

二、裂縫圖像采集系統(tǒng)

本文介紹一種能夠在高聳結(jié)構(gòu)物豎直表面采集結(jié)構(gòu)物表面圖像的軌道式攀爬機(jī)器人系統(tǒng)，該檢測(cè)機(jī)器人的硬件系統(tǒng)包括機(jī)械平臺(tái)與視覺(jué)平臺(tái)，二者可基于控制平臺(tái)實(shí)現(xiàn)高效協(xié)作。

（一）機(jī)械平臺(tái)

機(jī)械平臺(tái)是該攀爬機(jī)器人的骨架體系，賦予了視覺(jué)平臺(tái)垂直向移動(dòng)的能力，由電機(jī)提供動(dòng)力，傳動(dòng)桿通過(guò)兩端的鏈輪帶動(dòng)鏈條運(yùn)轉(zhuǎn)，即可實(shí)現(xiàn)橫向排布的導(dǎo)軌在豎直平面內(nèi)移動(dòng)。

（二）視覺(jué)平臺(tái)

攀爬機(jī)器人系統(tǒng)依托于機(jī)械平臺(tái)垂直向運(yùn)動(dòng)，水平向移動(dòng)則依靠視覺(jué)平臺(tái)實(shí)現(xiàn)。視覺(jué)平臺(tái)主體為一個(gè)遙控載具，搭載高清攝像機(jī)和超聲測(cè)距模塊，可以實(shí)現(xiàn)遙控載具在導(dǎo)軌上的精確定位與測(cè)距。通過(guò)遙控載具可準(zhǔn)確拍攝結(jié)構(gòu)物豎直表面任意位置處的數(shù)字圖像。

（三）控制平臺(tái)

圖像采集系統(tǒng)的控制平臺(tái)基于無(wú)線網(wǎng)絡(luò)控制遙控車(chē)的自由運(yùn)動(dòng)，并向圖像采集模塊發(fā)送視頻錄制和圖像采集等指令，實(shí)時(shí)收集視覺(jué)平臺(tái)采集到的位置、圖像等信息，將收集到的信息傳送至計(jì)算機(jī)終端后處理，計(jì)算機(jī)通過(guò)相應(yīng)的軟件調(diào)控系統(tǒng)，整合控制平臺(tái)接收到的圖像相關(guān)信息，對(duì)數(shù)字圖像進(jìn)行局部排序、基于SIFT算法的全景拼接等操作，最終得到完整的結(jié)構(gòu)物豎直表面全景數(shù)字圖像。

三、裂縫圖像智能識(shí)別

本文首先采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)對(duì)裂縫圖像進(jìn)行裂縫識(shí)別，對(duì)裂縫的粗定位后，采用傳統(tǒng)圖像處理技術(shù)對(duì)粗定位裂縫圖像進(jìn)行精確的裂縫測(cè)量。卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、卷積層、池化層、全連接層和輸出層。

（一）訓(xùn)練樣本圖像的搜集及分類

本文收集了多種結(jié)構(gòu)物裂縫圖像作為訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集，圖片來(lái)自于自主拍攝及網(wǎng)絡(luò)收集，原始圖像共計(jì)128張。通過(guò)分割、縮放、旋轉(zhuǎn)和對(duì)稱處理收集的原始圖像實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)。本文將原始圖像統(tǒng)一剪裁并縮放成尺寸為128*128的小圖像，共計(jì)2120張。

（二）識(shí)別結(jié)果

使用上文選擇的模型進(jìn)行工程結(jié)構(gòu)裂縫圖像識(shí)別實(shí)驗(yàn)，實(shí)驗(yàn)環(huán)境為T(mén)ensorFlow2.7，Intel Core CPU，主頻頻率為1.8GHz，內(nèi)存大小為8GB。所采用的圖像處理后共2120張，其中裂縫圖像960張，無(wú)裂縫圖像1160張，設(shè)置CNN模型的初始學(xué)習(xí)率為0.0001，樣本大小為16，共進(jìn)行100次迭代，數(shù)據(jù)顯示，該卷積神經(jīng)網(wǎng)絡(luò)模型裂縫識(shí)別的準(zhǔn)確率為98.1%，計(jì)算用時(shí)3055秒，能夠滿足裂縫識(shí)別的精度要求。

四、裂縫幾何信息測(cè)量

（一）連通域分析

基于連通域分析的圖像處理方法提取圖像中的裂縫參數(shù)，運(yùn)用前述訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別裂縫區(qū)域，隨后將該區(qū)域內(nèi)的圖像轉(zhuǎn)化為灰度圖像；再使用膨脹、腐蝕、濾波方法去除圖像中的噪聲；通過(guò)設(shè)定的閾值去除圖像中的細(xì)小裂縫后，使用連通域方法提取圖像中的裂縫并根據(jù)裂縫的骨架，以像素為單位計(jì)算裂縫的參數(shù)信息。

表1.碎石樁處理前標(biāo)準(zhǔn)貫入液化判別結(jié)果

表2.斜向交叉裂縫參數(shù)采集結(jié)果分析

使用裂縫連通域的骨架可以快速計(jì)算裂縫信息。當(dāng)以像素為單位時(shí)，裂縫的長(zhǎng)度按式一計(jì)算，其中該式的意義為計(jì)算裂縫骨架上的像素點(diǎn)個(gè)數(shù)：

在計(jì)算裂縫寬度時(shí)，使用積分操作對(duì)整個(gè)骨架上的像素點(diǎn)進(jìn)行了遍歷。通過(guò)式二和式三分別可得像素的最大寬度和平均寬度，其中Wi表示第i個(gè)像素處的裂縫寬度，L表示裂縫的長(zhǎng)度，即骨架上的像素個(gè)數(shù)。

表3.網(wǎng)狀裂縫參數(shù)采集結(jié)果

（二）測(cè)試結(jié)果

提取收集的128張裂縫長(zhǎng)度、最大寬度和平均寬度，選取最具代表性的4類裂縫圖片分析裂縫參數(shù)提取的精度。單一裂縫的裂縫測(cè)量結(jié)果如表1所示，CNN精確識(shí)別得到了單一豎向裂縫與單一斜向裂縫的包絡(luò)區(qū)域，基于該包絡(luò)區(qū)域，運(yùn)用連通域分析技術(shù)，精確提取了兩種單一裂縫的參數(shù)信息，數(shù)據(jù)顯示兩種裂縫的長(zhǎng)度及平均寬度測(cè)試結(jié)果誤差均在可接受范圍內(nèi)。

五、結(jié)語(yǔ)

本文介紹了一種裂縫圖像采集系統(tǒng)，該系統(tǒng)由機(jī)械平臺(tái)與視覺(jué)平臺(tái)組成，并由控制平臺(tái)進(jìn)行遠(yuǎn)程操控，可靈活采集工程結(jié)構(gòu)豎直表面的裂縫圖像。建立了工程結(jié)構(gòu)裂縫圖像數(shù)據(jù)集，搭建卷積神經(jīng)網(wǎng)絡(luò)模型并使用反向傳播算法對(duì)其進(jìn)行訓(xùn)練。接著對(duì)卷積神經(jīng)網(wǎng)絡(luò)中的卷積核大小、學(xué)習(xí)率和樣本大小進(jìn)行了比選，選擇了最優(yōu)參數(shù)，使用搭建的卷積神經(jīng)網(wǎng)絡(luò)模型分類橋梁裂縫圖像，其準(zhǔn)確率達(dá)到98.1%。使用連通域分析技術(shù)，以裂縫骨架為依據(jù)計(jì)算了裂縫的長(zhǎng)度、平均寬度和最大寬度，并對(duì)其誤差進(jìn)行了分析，本文使用的裂縫智能識(shí)別及測(cè)量方法在精確度方面基本滿足工程結(jié)構(gòu)病害檢測(cè)和維護(hù)的要求。