基于機器視覺的橋梁裂縫檢測應用及發(fā)展綜述

宋澤岡,劉艷莉,張長興

(1.云南省公路科學技術研究院,昆明 650051; 2.昆明理工大學建筑工程學院,昆明 650500)

過去20年中國公路橋梁迎來建設高峰,截至2021年末全國公路橋梁達96.11萬座、7 380.21 萬延米,由于過去“重建輕養(yǎng)”,超過40% 的橋梁已進入病害高發(fā)期,因此,中國正在進入橋梁養(yǎng)護的關鍵期,橋梁檢修工作的時間緊、任務重[1-2]。裂縫是橋梁結構特別是混凝土橋病害萌發(fā)的一個主要特征,在近30年,中外針對橋梁裂縫檢測出現(xiàn)了多種技術手段[3]?，F(xiàn)階段中國橋梁裂縫檢測方法以人工檢測為主,例如,橋梁檢測車巡檢,檢測人員通過檢測車桁架機構或吊籃進入橋跨下方進行檢測,人工檢測精度依賴于檢測人員經(jīng)驗,而且檢測效率低。隨著檢測技術的進步,一批現(xiàn)代化檢測手段逐步應用于橋梁裂縫檢測,主要有超聲法、傳感儀器法、沖擊彈性波法、聲發(fā)射法和光纖傳感網(wǎng)絡法等[4-8]。近年來,隨著新技術不斷應用于橋梁檢測領域,涌現(xiàn)出了各種新型的橋梁病害檢測方法及裝置,其中利用相機拍攝橋梁結構表面圖像識別裂縫的機器視覺技術引起業(yè)界廣泛關注[9-11]。伴隨著各種巡檢無人機和爬壁機器人的快速發(fā)展,在巡檢機器人或無人機上配備相機代替人工對橋梁表面病害進行快速檢測,基于機器視覺的橋梁裂縫檢測系統(tǒng)正越來越多地應用于工程實踐[12-14]。

1 機器視覺在橋梁裂縫檢測中的現(xiàn)狀

機器視覺是利用視覺傳感設備采集物體圖像用計算機來實現(xiàn)人的視覺功能,對被測物體的形狀、尺寸、表面特性、運動特征等物體特性進行識別,視覺傳感器包括相機、攝像機及其他圖像采集設備。人天生就對視覺信息敏感,研究表明,人獲取的外界信息中超過80%來自視覺。源自人類對視覺信息獲取的追求及技術進步,以相機為代表的圖像采集設備在分辨率不斷提升的同時成本不斷下降,使得利用以相機等圖像采集設備替代人眼通過獲取物體圖像來檢測物體特性成為現(xiàn)實。特別是近十年來,機器學習及深度學習迅速發(fā)展,機器學習和深度學習的一個重要應用即在圖像識別領域,使得計算機能夠代替人腦快速處理大量物體圖像。

由于圖像采集設備和基于深度學習的圖像處理技術快速發(fā)展,機器視覺被廣泛應用于汽車無人駕駛、工業(yè)檢測等各個領域。在橋梁裂縫缺陷檢測領域,近年來國內外涌現(xiàn)了諸多基于機器視覺的橋梁裂縫檢測系統(tǒng)?；跈C器視覺的結構表面缺陷檢測系統(tǒng)具有裝置簡單、效率高、成本低的優(yōu)點,正逐步應用于各種產(chǎn)品及結構表面損傷檢測包括橋梁裂縫檢測。通過在橋梁檢測機器人、橋梁檢測車檢測臂或無人機上搭載相機對橋梁表面進行圖像采集,利用圖像處理技術對橋梁裂縫進行識別。隨著圖像采集設備等硬件的價格下降和檢測技術特別是機器學習及深度學習圖像識別技術的進步,極大地促進了基于機器視覺的檢測系統(tǒng)在橋梁裂縫檢測中的應用[15-20]。

2 基于機器視覺的橋梁裂縫智能檢測系統(tǒng)

目前已有基于機器視覺的橋梁裂縫智能檢測系統(tǒng)應用于實際橋梁裂縫檢測中?；跈C器視覺的橋梁裂縫智能檢測系統(tǒng)主要由3 部分組成:采集橋梁表面圖像的圖像采集設備、識別裂縫的橋梁圖像裂縫識別算法和對橋梁裂縫進行掃描檢測的機器視覺檢測硬件平臺。

2.1 圖像采集設備

如圖1所示工業(yè)相機是目前常用的圖像采集設備,通常廣義的相機是由鏡頭和圖像傳感部分組成。鏡頭按焦距類型分類分為定焦鏡頭和變焦鏡頭,定焦鏡頭即焦距固定鏡頭,變焦鏡頭為焦距可調鏡頭。圖像傳感部分由圖像光感應芯片不同分為光電耦合組件CCD(charge coupled device)和互補式金屬氧化半導體CMOS(complementary metal oxide semiconductor),兩者都是利用感光二極管進行光電轉換將圖像轉換為數(shù)字數(shù)據(jù)利于傳輸,兩者比較而言CCD成像質量好,適用于成像質量需求較高的場景和動態(tài)測量,CMOS隨著技術趕上和價格優(yōu)勢其應用也在逐步增多,適用于低速或靜態(tài)測量。機器視覺的強大之處在于通過復雜的圖像處理方法模擬人腦識別圖像,圖像質量決定了機器視覺圖像識別的精度上限,所以獲得高質量的圖像是機器視覺圖像識別技術的關鍵。工業(yè)相機的主要參數(shù)包括分辨率、像素深度、最大幀率、曝光方式和快門速度、像素尺寸、光譜響應特性,現(xiàn)今工業(yè)相機分辨率不斷提升,各種高質量鏡頭不斷涌現(xiàn),能采集各個光波段相機也不斷出現(xiàn),使得工業(yè)相機采集的圖像質量不斷提升。

圖1 工業(yè)相機[21]

圖像采集的質量除了受圖像采集設備本身性能控制外,還受到橋梁服役自然環(huán)境因素制約,例如橋梁表面普遍光照照度低且不均勻而影響采集圖像質量。為了獲取高質量圖像,排除環(huán)境光照的干擾,如圖2所示采用照明光源補光是其中一個重要手段。根據(jù)物體光學特性,補光燈的波段可以選擇可見光各個波段甚至紫外光,相機鏡頭可以選擇濾鏡容許特定波段光進入相機圖像傳感部分。

圖2 光源補光[22]

2.2 橋梁圖像裂縫識別算法

通過圖像采集設備拍攝獲取橋梁表面圖像時由于環(huán)境干擾夾雜著噪聲,其中的環(huán)境干擾包括如背景噪聲、光照不均勻等,此外橋梁隨著服役時間增長表面出現(xiàn)污漬、表皮脫落等情況,這些因素都會對橋梁裂縫識別帶來干擾。因此在對橋梁表面裂縫進行識別前,需要對橋梁表面圖像進行預處理,包括圖像增強和去噪,然后對預處理后的橋梁表面圖像進行裂縫識別,橋梁裂縫識別方法主要有數(shù)字圖像處理和深度學習兩種方法。

2.2.1 圖像增強

由于橋梁服役在自然環(huán)境中,利用圖像采集設備拍攝橋梁表面圖像時,外界光照對橋梁表面的照射亮度不可避免是非均勻的,而且諸多位置背景光照亮度較暗,因而需要對橋梁表面圖像進行亮度增強,使得橋梁表面對比度增大更便于裂縫的識別。

圖像采集設備采集的圖像包含黑白圖像和彩色圖像,目前通常為彩色圖像,彩色圖像由紅(Red)、綠(Green)、藍(Blue)3種顏色通道疊加而成,即RGB圖像。對于橋梁裂縫識別,直觀上裂縫亮度暗于正常橋梁表面,識別裂縫最主要依賴于亮度,彩色圖像含有3個波段通道其信息太大且對裂縫識別來說是非必要的,因而通常將采集的彩色圖像轉化為灰度圖像只含亮度信息,降低圖像處理成本,如圖3所示。RGB彩色圖像轉化為灰度圖像的方法通常有分量法、最大值法、平均值法和加權平均值法,通過將彩色圖像轉化成灰度圖像再經(jīng)過圖像增強,將裂縫與橋梁表面其他背景對比度予以增強。

圖3 橋梁裂縫采集圖像灰度圖轉化

采集的橋梁表面圖像可能出現(xiàn)整體偏亮或偏暗,圖像亮度灰度值分布范圍較小,通過灰度直方圖對圖像對比度進行調整,從而增強圖像整體對比度,使得裂縫的灰度較暗,橋梁表面背景較亮。常用的調整圖像灰度直方圖方法有灰度線性變換、分段線性變換和非線性變換[23]。

設原圖像中的像素位置坐標為(x,y),原圖像的像素灰度值為f(x,y),變換后的圖像灰度值為g(x,y),圖像拉伸前的灰度范圍為[fmin,fmax],圖像變換后的灰度值范圍為[a,b],灰度線性變換公式為

(1)

對于圖像中不同區(qū)域灰度區(qū)間范圍差距較大情況,例如裂縫灰度區(qū)間特別小,可將圖像灰度線性變化拉伸分區(qū)段進行,及分段線性變化,每一段變化采用變化公式仍如式(1)所示,使得變化各段的灰度范圍差距適當。如果線性變換后裂縫區(qū)域增強效果仍不明顯,可采用指數(shù)拉伸或對數(shù)拉伸等非線性變換,以達到如圖4所示裂縫圖像增強效果。指數(shù)拉伸非線性變換公式為

圖4 圖像增強效果

(2)

式(2)中:b0、c、d為調整指數(shù)拉伸變換參數(shù)。

對數(shù)拉伸非線性變換公式為

g(x,y)=C0ln[f(x,y)+1]

(3)

式(3)中:C0為對數(shù)拉伸變換比例縮放系數(shù)。

對灰度直方圖對比度調整突出裂縫的核心思想就是把蘊藏在很窄灰度區(qū)間裂縫區(qū)域通過圖像灰度值分布調整,加大裂縫區(qū)域的灰度區(qū)間使得與背景反差增大,達到增強圖像中裂縫區(qū)域對比度的目的。具體采用哪種圖像增強方式,得根據(jù)裂縫圖像灰度分布特點出發(fā),選取裂縫圖像增強效果最好的圖像增強方法。

在環(huán)境中采集得到的橋梁表面圖像不可避免包含著噪聲,雖然圖像增強增加了裂縫與背景對比度,但噪聲也同時被增強,所以有必要對圖像進行噪聲去除。

2.2.2 圖像去噪

圖像質量是決定機器視覺檢測橋梁裂縫效果的關鍵,由相機等圖像采集設備采集的圖像或多或少都帶有噪聲。這些噪聲一方面是由于外部環(huán)境包含光照變化和拍攝物體背景噪聲引起的,另外一方面圖像采集設備本身也會帶有一定的系統(tǒng)噪聲。這些噪聲造成圖像出現(xiàn)模糊、對比度較差等圖像質量下降情形,為后續(xù)橋梁裂縫識別造成極大困難。所以在進行圖像識別橋梁裂縫之前,通常需要對采集的橋梁表面圖像進行噪聲去除,圖像濾波是最常使用的去噪工具[24]。

去噪算法按照不同的分類方法可分為空域和頻域,或者線性和非線性。如圖5所示常用的圖像濾波方法對含噪聲的裂縫圖像去噪效果?；诳沼虻臑V波方法是通過分析一定大小窗口內,中心像素灰度值與其他像素灰度值之間的直接聯(lián)系計算來獲取更新后的中心像素灰度值,存在一個需要輸入的濾波半徑參數(shù)值,常用的有均值濾波、中值濾波、高斯濾波、雙邊濾波。其中均值濾波和高斯濾波為線性濾波,以中值濾波和雙邊濾波為非線性濾波。均值濾波能濾掉圖像中的加性噪聲,但會模糊裂縫圖像邊緣。中值濾波結構簡單且能保護裂縫邊緣,但濾波效果嚴重依賴于濾波窗口大小,并且無法濾掉高斯噪聲。高斯濾波本質上是對圖像像素點加權平均處理,適用于消除高斯噪聲,但同均值濾波一樣會失去圖像裂縫的一些細節(jié)和銳度。雙邊濾波是一種基于空間域和灰度域的濾波方法,通過同時考慮像素點在空間域和灰度域上的相似性消除噪聲,雙邊濾波器中的濾波器權值包含空間距離和灰度距離,其中空間距離衡量像素點在空間上的相似性,灰度距離衡量像素點在灰度域上的相似性。雙邊濾波能很好地消除噪聲并保留裂縫邊緣等細節(jié),但計算復雜度較高。其他濾波算法中還有和雙邊濾波效果差不多的導向濾波,同樣有助于保留裂縫邊緣細節(jié),而且使用大濾波窗口時效率更高,但同樣計算復雜度較高?；陬l域的濾波方法是在圖像經(jīng)過傅里葉等變換后,在變換頻域空間范圍內對圖像頻譜進行處理,比較成熟的頻域濾波方法有小波濾波。小波濾波由于其多分辨率和多尺度分析的特點,對于大部分噪聲和背景紋理去除效果較好,但由于小波濾波是根據(jù)圖像的高低頻來分割信號和噪聲點的,對于噪聲和信號之間頻率太接近的情況會導致噪聲分離不夠精確,在有效去除噪聲后很難保證圖像分辨率。

圖5 橋梁裂縫圖像幾種濾波效果

由于橋梁裂縫形態(tài)及混凝土橋梁表面情況千差萬別,沒有固定某種濾波器能處理所有的橋梁表面裂縫圖像噪聲。針對常見橋梁表面裂縫圖像含有的高斯噪聲和椒鹽噪聲,采用均值濾波或高斯濾波的效果和效率相對較好。但一般線性濾波和非線性濾波在處理噪聲同時也對圖像細節(jié)做相同運算操作,在噪聲濾除同時也會抹去圖像的部分細節(jié)。中外學者仍在開發(fā)和改進各種濾波器,通常針對橋梁表面某一類裂縫識別效果不錯的濾波器,在對另外的橋梁裂縫識別處理的適用性就較差,這也是限制機器視覺大規(guī)模應用于橋梁裂縫檢測的重要原因之一。隨著機器學習和深度學習技術近幾年的飛速發(fā)展,機器學習特別是深度學習在圖像識別應用上對圖像噪聲相對不敏感。近幾年出現(xiàn)大量應用深度學習識別橋梁裂縫的方法,取得了不錯效果,但這并不代表圖像去噪對基于圖像的橋梁裂縫識別不重要,減少圖像噪聲提高圖像質量仍是對包括深度學習在內的橋梁裂縫識別圖像處理方法提升裂縫識別精度和效率的關鍵控制因素[25-28]。

2.2.3 基于數(shù)字圖像處理的橋梁裂縫檢測

經(jīng)過對采集的橋梁表面圖像進行灰度化、圖像增強對比度和圖像去噪濾波后,通常利用圖像中裂縫與背景的區(qū)別對圖像進行分割,把采集圖像中橋梁裂縫所在區(qū)域提取出來。主要的圖像分割方法有閾值法、區(qū)域法和邊緣法,通過對圖像各像素灰度值進行運算,把除裂縫外的背景去掉,只保留裂縫。閾值法是通過求取合適的像素灰度閾值,由于裂縫的灰度值整體偏低,通過判定圖像中像素灰度值與閾值關系來分割裂縫,設定圖像灰度值閾值T,如式(4)所示將裂縫圖像分割成兩個部分。

(4)

經(jīng)過式(4)將圖像變?yōu)槎祷瘓D像,如圖6所示,小于閾值的區(qū)域變?yōu)榘咨J定為裂縫,大于閾值部分變?yōu)楹谏J定為背景。通過設計不同的閾值求解方法,尋找最為合適閾值,最大程度地把裂縫分割出來。閾值T主要有全局閾值和局部閾值和兩種形式。全局閾值T由圖像中所有像素點的灰度值決定,該閾值對于整幅圖像是固定的。局部閾值T由像素點的灰度和其局部領域的灰度值共同決定,將圖像分割為若干子區(qū)域,每一子區(qū)域在其內部根據(jù)各自局部閾值對圖像進行分割。閾值的選取主要有人工選擇和自動選擇,人工選擇閾值是根據(jù)經(jīng)驗人為選擇一定閾值,然后通過試驗來調整閾值大小以取得最好的分割效果。閾值自動選取最常用的有最大類間方差法,即通過使類間方差最大來確定閾值。對于一個大小為M×N的灰度化圖像,圖像中每個像素灰度值在(0,255),裂縫和背景的分割閾值記作T,屬于裂縫的像素點占整幅圖像的比例為ω0,裂縫像素點的平均灰度值記為μ0,背景像素點占整幅圖像的比例為ω1,背景像素點的平均灰度值記為μ1,則整幅圖像的平均灰度值μ由式(5)確定。

μ=ω0μ0+ω1μ1

(5)

類間方差σω由式(6)確定:

σω=ω0(μ0-μ)2+ω1(μ1-μ)2

(6)

將式(5)代入式(6)化簡得

σω=ω0ω1(μ1-μ0)2

(7)

通過閾值T從圖像最小灰度值到最大灰度值遍歷找到類間方差最大的閾值T*,T*即為所要的閾值。最大類間方差法優(yōu)點計算快速且不受圖像亮度和對比度的影響,缺點是當裂縫和背景面積大小比例懸殊時最大類間方差函數(shù)可能出現(xiàn)雙峰或者多峰效果不好。

區(qū)域法是利用算法將具有一定相似性的區(qū)域像素點予以合并分類,最后分割出裂縫所在區(qū)域。通常隨機選取圖像中的一個像素作為種子點,通過搜索種子點附近未被標記的像素點,若他們的差值在規(guī)定閾值內,則搜索的點合并到分割區(qū)域內,重復上述搜索過程直至區(qū)域停止擴張。再選取另一種子點劃分區(qū)域,將整幅圖像中每個像素分配不同區(qū)域即完成了相似區(qū)域分類劃分。在裂縫分割中優(yōu)點是計算簡單,缺點對噪聲敏感導致抽取的區(qū)域有空洞。

邊緣法是利用算法對裂縫邊緣進行識別,通常裂縫邊緣兩側區(qū)域與邊緣像素灰度值存在較大梯度,通過邊緣檢測微分算子基于灰度值梯度對裂縫邊緣進行定位,進而識別出裂縫[29-31]。常用的邊緣檢測算子包括梯度算子和二階導數(shù)算子。梯度算子包含Robert算子、Prewitt算子、Sobel和Canny算子,二階導數(shù)算子典型的有Laplace算子[32-35]。梯度在圖像微分運算中最為常見,灰度圖像在像素點(x,y)的梯度為?f(x,y),即

?f(x,y)=[fx(x,y),fy(x,y)]

(8)

式(8)中:fx(x,y)、fy(x,y)分別為圖像沿x和y方向上的梯度[36-40]。

上述不同微分算子即圖像梯度的不同運算式,以檢測處裂縫邊緣這一梯度突變位置。不同邊緣檢測算子適用的裂縫邊緣情況不一,都具有計算簡單快速的優(yōu)點,但單一的檢測算子很難滿足復雜背景的裂縫分割,且對含有噪聲比較明顯的情況處理效果都不是太好[40-44]。

對于經(jīng)過預處理后裂縫較為清晰的情況,圖像分割能很好地提取出裂縫。但實際環(huán)境中采集得到的橋梁表面圖像背景干擾較大,而且干擾情況千差萬別,經(jīng)過預處理的圖像中干擾也不能完全去除,如橋梁表面有大面積污漬等干擾物的情況下,閾值法等圖像分割方法能識別的橋梁裂縫精度和效率有限,而且一種圖像分割方法對不同橋梁表面裂縫識別的通用性有限。針對實際橋梁表面圖像中裂縫識別的復雜性,急需適用性較廣的圖像處理方法,近年來飛速發(fā)展的深度學習圖像識別方法為解決上述難題提供了一個重要方向[45]。

2.2.4 基于深度學習的橋梁裂縫檢測

近年來隨著人工智能的飛速發(fā)展,特別是以深度學習為代表的人工智能方法在機器視覺領域應用取得突破性進展,使得機器視覺在表面缺陷檢測包括橋梁表面裂縫識別檢測方面得到大量應用研究。特別是深度學習中卷積神經(jīng)網(wǎng)絡在圖像處理領域應用取得顯著成效,國內外學者開始應用深度學習方法識別對橋梁圖像進行裂縫識別檢測。深度學習識別裂縫中的核心是卷積神經(jīng)網(wǎng)絡算法(convolutional neural networks,CNN),于1989年由Lecun最早提出。該算法主要包括訓練庫,卷積層,池化層,全連接層模塊等構成。相較處理單圖攜帶的像素信息,卷積神經(jīng)網(wǎng)絡算法需對計算機輸入大量的圖片信息進行訓練運算,計算機以獲得海量的數(shù)據(jù)作為圖像識別判斷的依據(jù),并用比對局部特征的方式對待定圖像進行掃描識別。連接數(shù)據(jù)庫、卷積層、池化層、全連接層,計算機將完成訓練運算,即可按卷積神經(jīng)網(wǎng)絡原理實現(xiàn)對圖片進行識別的功能。輸入待定圖片后,計算機會按照特征子矩陣劃定的步長順次比對待定圖片,分析圖片中包含特征子矩陣的分布狀態(tài)與出現(xiàn)概率,綜合比對所有特征子矩陣后給出待定圖片包含待識別物體的概率。

深度學習技術被廣泛應用于圖像分類、目標檢測和圖像分割領域,近年來成功應用于橋梁裂縫檢測,如圖7所示。近年來發(fā)展了諸多深度卷積神經(jīng)網(wǎng)絡學習模型諸如AlexNet、GoogLeNet、VGGNet、ResNet及DenseNet等[47-51],在橋梁裂縫識別目標檢測方面得到了初步應用。但是常規(guī)的深度卷積神經(jīng)網(wǎng)絡模型并不適用于直接進行圖像分割,原因在于這些模型中的卷積層和池化層降低了輸入圖像的空間維度,產(chǎn)生高度抽象的特征向量,缺乏清晰的細節(jié)信息[52-54]。若構建保持裂縫細節(jié)的深度卷積神經(jīng)網(wǎng)絡,會提高復雜度并加劇內存消耗,實際應用中無法實施[55-57]。

目前為止已有諸多學科領域學者基于機器視覺特別是利用深度學習方法對橋梁裂縫進行識別,提出了許多橋梁裂縫識別算法。由于橋梁長期在自然環(huán)境下服役,橋梁表面裂縫不可避免地夾雜出現(xiàn)水漬、油污、斑點污損等與裂縫形態(tài)和灰度相似的表面形態(tài),對橋梁裂縫識別造成干擾。面對各種各樣橋梁表面裂縫識別,用一種算法能識別所有裂縫難度巨大,橋梁裂縫識別算法在識別精度和抗干擾性方面仍然有較大的提升空間[58-59]。

2.3 機器視覺檢測硬件平臺

利用機器視覺對橋梁表面裂縫進行檢測,關鍵是利用圖像采集設備獲取橋梁表面圖像,如果僅對橋梁某特定局部進行檢測,可直接將圖像采集設備固定在橋梁上或者橋梁待檢測部位旁對該橋梁部位進行圖像采集。但更多的情況下,需要對橋梁進行大面積的裂縫檢測,這就需要將圖像采集設備裝載在特定的檢測平臺上,對橋梁待檢測區(qū)域進行掃描檢測。目前使用較多的機器視覺檢測硬件平臺有機械臂、爬壁機器人和無人機等[61-64]。

2.3.1 機械臂或爬壁機器人

如圖8所示,橋梁檢測車目前常被應用于對橋梁進行大規(guī)模檢測,借助橋梁檢測車在其上加裝機械臂,將圖像采集設備裝載在機械臂上,通過操作機械臂使得圖像采集設備對橋梁表面進行掃描檢測。以橋檢車為移動載體,通過機械懸桿將機械臂伸到橋跨下方等橋梁待檢測部位,通過移動機械臂對橋梁結構表面進行掃描獲取表面圖像[16]。對于橋梁諸如高墩、橋塔等高聳結構機械臂伸展較難到達的區(qū)域,智能化爬壁機器人被采用對橋梁表面進行裂縫檢測,此時將圖像采集設備集成在爬壁機器人上,通過機器人移動對橋梁裂縫進行掃描,如圖9所示[65-68]。

圖8 橋檢車[16]

圖9 爬壁機器人[69]

2.3.2 無人機

近幾年來無人機快速發(fā)展,其在橋梁檢測領域也得到了廣泛應用,無人機攜帶攝像頭可以快速地對橋梁表面進行拍照,如圖10所示。但無人機受環(huán)境特別是惡劣天氣影響較大,其中無人機續(xù)航能力是制約其長時間對橋梁進行檢測的重要因素,所以目前橋梁基于機器視覺的裂縫檢測平臺仍然是各種檢測平臺配合使用的狀態(tài)[71-72]。

圖10 無人機裂縫檢測[70]

3 結論與展望

隨著中國交通強國建設戰(zhàn)略的實施,橋梁數(shù)量快速增長,橋梁病害檢測特別是橋梁裂縫檢測量不斷攀升,橋梁裂縫自動化檢測系統(tǒng)的市場需求越來越大。在交通運輸領域新型基礎設施建設背景下,橋梁裂縫智能檢測將成為中國橋梁養(yǎng)護智能化的重要一環(huán)。相比于人工檢測危險性高、耗時長等問題,基于機器視覺的橋梁裂縫檢測具有高效、安全、經(jīng)濟的優(yōu)勢,特別近年來人工智能技術在圖像識別領域的廣泛成功應用,極大地促進了基于機器視覺的橋梁裂縫檢測技術的進步[73-74]?，F(xiàn)針對機器視覺在橋梁裂縫檢測應用及發(fā)展中做了回顧、研究和展望,得出如下結論。

(1)隨著橋梁檢測智能化發(fā)展,機器視覺由于其具有的便捷性和快速響應性,將得到越來越多的應用。隨著圖像采集設備成本的不斷下降,各種檢測載體例如爬壁機器人和無人機等的出現(xiàn),將進一步推動機器視覺橋梁檢測裝置的迭代更新。

(2)隨著人工智能算法的不斷進步,特別是機器學習和深度學習算法在圖像檢測中的廣泛應用,適用性和識別檢測精度不斷提升,基于機器視覺的橋梁裂縫檢測算法在原有的圖像處理方法基礎上得到了大大提升。在未來隨著深度學習算法的精度和速率的進一步提升,將推動機器視覺在橋梁裂縫檢測中得到進一步廣泛應用。

(3)在未來,隨著中國大力發(fā)展智慧交通,橋梁智能建設養(yǎng)護作為智慧交通的重要組成部分,基于機器視覺的裂縫檢測在內的橋梁養(yǎng)護創(chuàng)新技術將扮演重要角色。未來智慧交通基礎設施運維以數(shù)字化和智能化為基礎,機器視覺在橋梁健康監(jiān)測中通過采集橋梁表面的數(shù)字圖像進行智能識別橋梁損傷,不僅是促進橋梁運維科技創(chuàng)新發(fā)展,機器視覺對整個新型智慧交通基礎設施建設運維都將起到服務支撐作用,對安全高效的現(xiàn)代綜合交通運輸現(xiàn)代化建設發(fā)展也將起到推進作用。

(4)目前基于機器視覺的裂縫檢測在檢測效率和精度特別是抗干擾能力方面還有進一步提升的空間,同時這項技術屬于多學科交叉領域,需要更多的包括土木、計算機等多學科領域的交叉復合型人才培養(yǎng)投入[75]。