基于無人機的橋梁病害檢測系統研究

劉 睿

(中鐵第四勘察設計院集團有限公司 武漢市 430063)

0 引言

隨著無人機技術和硬件不斷升級,飛行控制系統、傳感器和相機等越來越先進,無人機在橋梁檢測中的應用更加精確可靠。人工智能和機器學習等技術的應用,可以使無人機在橋梁檢測中實現自主飛行,自動識別缺陷和故障。無人機在橋梁檢測中的優勢體現在安全、高效、高精度、節約成本和數據分析等方面。這些優勢將促進無人機在橋梁檢測中的應用。

無人機在橋梁檢測領域的發展經歷了探索階段、技術突破階段、實際應用階段和智能化階段。初期探索階段[1]:這一階段主要對無人機技術進行了初步探索,但由于技術限制和設備成本等因素限制,無人機在橋梁檢測方面的應用比較有限。技術突破階段[2]:這一階段無人機技術快速發展,趨于成熟,特別是小型無人機的出現使得無人機在橋梁檢測中的應用開始受到關注。在實際應用階段,一些專業公司開始采用無人機進行橋梁檢測,并取得了初步成果。隨著無人機技術日益成熟和成本降低,無人機在橋梁檢測領域得到了廣泛應用。目前,無人機的發展已經進入智能化階段[3],它們可以配備各種高精度的傳感器和設備,并利用人工智能等技術對數據進行分析和處理,從而提高橋梁檢測的智能性、效率和準確性。近幾十年,我國橋梁的數量和規模迅速提升,上述無人機橋梁檢測系統還需持續滿足現代化橋梁檢測的要求,故有必要開發設計一種更加智能和自動化的無人機橋梁檢測系統。為了促進這一目標的實現,文章借助機器學習和人工智能等現代化技術提出了一種全新的無人機橋梁病害檢測系統。

1 系統總體架構

如圖1所示,該系統的總體架構包括無人機檢測路徑規劃、病害圖像拼接算法和病害自動識別三大模塊。其中,無人機檢測路徑規劃是整個架構的核心部分,包括TSP建模、遺傳算法、路徑搜索和坐標映射四個模塊。

圖1 系統總體技術架構

首先,TSP建模模塊將橋梁表面劃分為若干個區域,以區域為節點建立TSP模型,使無人機能夠在遍歷所有區域的前提下,實現路徑長度最短。遺傳算法與路徑搜索模塊采用遺傳算法對TSP模型進行求解,得到遍歷所有區域的最短路徑。坐標映射模塊將無人機坐標系與橋梁表面坐標系進行映射,使得無人機能夠沿著預設路徑飛行進行病害檢測。其次是病害圖像拼接算法部分,包括SIFT算法、特征匹配與圖像拼接策略三個模塊。利用SIFT算法在不同尺度空間上查找病害圖像的特征點,并計算出其方向,然后根據歐式距離進行特征點匹配,從而達到精確拼接病害圖像的目的。圖像拼接策略模塊采用多種圖像拼接策略,如基于區域分割的拼接策略、基于圖像變換的拼接策略等,用以解決病害圖像拼接過程中出現的各種問題。最后是病害自動識別部分,包括深度學習、特征提取、目標識別算法和梯度下降四個模塊。深度學習與特征提取模塊采用深度學習網絡對病害圖像進行訓練和特征提取,以提高病害自動識別的準確率。目標識別算法模塊采用目標檢測算法,如YOLO算法、Faster R-CNN算法等對病害圖像進行目標識別,從而自動識別病害。

2 無人機檢測路徑規劃

2.1 TSP建模

TSP(Traveling Salesman Problem,旅行商問題)是一個經典的優化問題,通常用于尋找遍歷所有節點的最短路徑。在無人機橋梁檢測中,TSP建模是無人機路徑規劃的重要部分,可以將橋梁表面劃分為若干個區域,以區域為節點建立TSP模型,使得無人機能夠在遍歷所有區域的前提下,實現路徑長度最短。具體而言,是將橋梁表面劃分為若干個區域,以每個區域為節點建立TSP模型,然后采用遺傳算法等優化算法對TSP模型進行求解,得到遍歷所有區域的最短路徑。得到最短路徑后,需要將無人機坐標系與橋梁表面坐標系進行映射,使無人機能夠沿著預設飛行路徑進行病害檢測。TSP建模的應用可以使得無人機在橋梁檢測中的路徑規劃更加合理高效。相較于傳統的路徑規劃方法,TSP建模能夠避免無人機在橋梁表面上來回飛行,減少能源消耗和飛行時間,提高檢測效率和準確性。

2.2 遺傳算法與路徑搜索

遺傳算法是一種模擬生物進化過程中的選擇和遺傳機制的搜索優化方法,能夠有效地處理組合優化問題。在無人機橋梁檢測中,遺傳算法可以用于求解TSP模型,以得到遍歷所有區域的最短路徑。遺傳算法包括選擇、交叉、變異等過程,通過種群的進化逐步優化問題。在無人機橋梁檢測中,可以通過將TSP模型表示為染色體,將每個節點表示為基因,從而將遺傳算法應用于路徑規劃中。遺傳算法通過模擬自然進化過程中的選擇、交叉和變異等機制,不斷提高種群中個體的適應度,從而尋找出覆蓋所有區域的最優解。遺傳算法與路徑搜索相結合的應用可以使無人機在橋梁檢測中的路徑規劃更加高效準確。相比于傳統的路徑搜索方法,遺傳算法能夠避免陷入局部最優解,增加搜索空間,提高路徑規劃的效率和準確性。

2.3 坐標映射

因為最終所需是經緯度坐標,所以必須將模型中的坐標轉換為世界坐標。需確定一個參照點,即基準點,每次檢測時通過輸入基準點經緯度坐標來完成校準。將世界和模型上的同一位置點綁定,然后在模型中設定一個方向來指向模型中的北方,以此將模型中的點坐標轉換為世界坐標。轉換坐標需要基準點經緯度,基準點與待轉化點之間的直線距離指向基準點以及轉化點的向量與模型中基準方向(即正北方向)的夾角,轉化過程如圖2所示。

圖2 坐標映射過程

3 病害圖像拼接算法

3.1 SIFT算法與特征匹配

飛行中無人機拍攝的圖像通常只能覆蓋橋梁的一部分,而為了全面、詳細地了解橋梁的狀況,需要將這些局部的圖像拼接成一張全景圖像,以便于工程師對橋梁的狀況進行全面分析和評估,從而更加準確地確定橋梁的修繕和維護方案。同時,圖像拼接也可以消除相鄰圖像之間的重疊部分,提高圖像的清晰度和可讀性。

SIFT(Scale-Invariant Feature Transform)算法[4]是一種常用的特征點檢測和匹配算法,可以用于圖像拼接、目標識別等應用場景。SIFT算法可以在不同的圖像尺度和旋轉角度下提取出具有尺度不變性和旋轉不變性的特征點,具有良好的魯棒性和穩定性。在橋梁檢測中,SIFT算法可以用于提取橋梁照片中的特征點,并將不同照片之間的特征點進行匹配,以獲取不同照片之間的相對位置和姿態信息。用高斯差分金字塔尋找圖像的局部極值點,并計算它們的尺度和位置。(1)關鍵點定位:在每個尺度空間上,使用DoG(Difference of Gaussians)精確定位關鍵點。(2)方向分配:利用特征點附近像素的梯度直方圖,找出最大峰值對應的方向作為其主方向。(3)特征點描述:使用關鍵點周圍的梯度信息生成一個描述子,該描述子對旋轉和尺度的變化不變。(4)特征點匹配:將兩幅圖像中的特征點進行匹配,可以使用暴力匹配的匹配算法。

3.2 圖像拼接策略

在圖像拼接前,首先要對無人機采集的圖像進行除畸變、校正角度、調整亮度和對比度等操作。使用SIFT算法從每張圖像中提取關鍵點和特征描述子,這些特征在旋轉、縮放和光照變化下保持穩定,能夠識別出不同圖像中的相似點。對提取的特征進行匹配,找出相鄰圖像間的匹配點對,通常采用基于最近鄰和次近鄰距離比較的算法。根據匹配點對,使用不同的拼接方法拼接相鄰圖像。常見拼接方法包括投影變換、仿射變換和透視變換等。對拼接后的圖像進行后處理,包括去除拼接痕跡、平滑邊緣、調整顏色和對比度等,提高圖像的質量和可讀性。

4 病害自動識別

4.1 深度學習與特征提取

病害自動識別是指利用計算機視覺和深度學習等技術,分析處理無人機采集的橋梁圖像,自動識別和分類橋梁病害。通過橋梁病害自動識別,可以提高橋梁檢測的效率和準確性,減少人力物力投入。

基于深度學習的橋梁檢測的病害自動識別相比傳統方法具有以下優勢:一是深度學習算法可以從大量的數據中學習到特征表示,識別出更復雜的病害;二是可以根據輸入數據自動調整模型參數,自適應性較強,適用于不同橋梁的病害檢測任務;三是對于圖像中的噪聲、遮擋等因素具有較好的魯棒性,可降低誤判率;四是可擴展性強,通過增加訓練數據、調整模型結構等方式,可進一步提高檢測準確性。

特征提取通常使用卷積神經網絡(CNN)。卷積神經網絡是一種逐層提取特征的神經網絡,通常包含多個卷積層和池化層。在卷積神經網絡中,卷積層會提取圖像中的各種特征,例如邊緣、紋理和形狀等,而池化層則會對特征進行降維,減少計算復雜度,防止過擬合。常見的卷積神經網絡模型包括 LeNet、AlexNet、VGG、Inception和ResNet等,這些模型可以通過預訓練的方式在大規模圖像數據集上進行訓練,以提取通用的圖像特征。進行病害自動識別時,可以使用預訓練的卷積神經網絡模型提取圖像特征,并將這些特征輸入到分類器中進行分類。

4.2 目標識別算法

YOLO(You Only Look Once)是一種基于深度學習的目標檢測算法,該算法可以快速準確地檢測圖像中的多個目標,并在單個前向傳遞中直接回歸目標框的坐標和類別概率。它的特點是通過一個單獨的卷積神經網絡同時預測圖像中多個物體的類別和邊界框,且比傳統的目標檢測算法速度更快,圖3為YOLO算法對橋梁病害的檢測結果。

圖3 橋梁病害檢測結果

針對橋梁不同病害類型,需要對YOLO進行訓練,以便算法能夠識別這些病害。通過標注和分類大量病害圖像,可以訓練出準確率較高的YOLO模型。實際檢測過程中,無人機會拍攝橋梁表面圖像,這些圖像會被送入已訓練好的YOLO模型進行目標檢測。YOLO算法會在圖像中尋找可能的病害目標,并確定它們的位置和類別。