基于高光譜成像的橋梁混凝土表面露筋病害識別

周 坤，彭 雄，鐘新谷，張文輝，李千禧，趙 超

（1.湖南科技大學 土木工程學院，湖南 湘潭 411201；2.湖南科技大學 結構抗風與振動控制湖南省重點試驗室，湖南 湘潭 411201；3.麗水市市政設施管理中心（麗水市節約用水管理中心），浙江 麗水 323020）

0 引言

橋梁作為交通關鍵節點，承擔著與日俱增的交通流量壓力，橋梁總體的技術狀況不容樂觀，特別近年來橋梁安全事故頻發已成為社會關心的熱點。因此，由相關機構根據《公路橋梁技術狀況評定標準》（JTGT H21-2011）[1]對特、大型橋梁每年進行一次“體檢”，中小型橋梁二年進行一次“體檢”，及時發現不能保證正常使用、處于危險狀態的橋梁?；谶h距離成像設備[2]、爬壁機器人[3]和無人飛機[4]等平臺攜帶可見光相機對橋梁表觀缺陷進行識別與測量，能夠較為有效地定位病害位置并量化缺陷尺寸信息，是解決高墩跨江跨河大橋技術狀況評估的有效工具，學界已有大量研究[5-12]。在實際橋梁環境中，橋梁混凝土表面存在如光照、劃痕、麻面、黏貼物等各種復雜背景，可見光成像僅基于缺陷邊緣的灰度差信息，數據維度對表征復雜背景仍存在一定的局限性，對于復雜背景和相互重疊下的病害識別和分析目前還存在一定困難。

高光譜成像是運用光電技術檢測物體對光譜波段信號的輻射和吸收情況，將該信號轉換成可供分辨的圖像和圖形，可基于吸收峰的位置和強度分析被測物體的物理性質和物質組成，如同于物質的“指紋”[13]。高光譜技術的民用化是由航空航天、天文、物理領域應用發展而來，我國于2021 發射的高光譜遙感觀測衛星（高分五號02 星），全面提升了對大氣、水體、陸地的觀測能力，基于反演算法和高光譜圖像識別先進技術實現了對大氣環境、水環境、生物當量、土地鹽堿含量等實時監測[14-15]。

將高光譜測試技術應用于土木材料領域相關測試的研究近年來也得到迅速發展，如李笑芳[16]等人研究了基于高光譜技術建筑反射隔熱涂料厚度檢測技術，構建涂料施工厚度檢測模型。Bonifazi[17]等進行了基于高光譜成像的再生混凝土骨料上附著砂漿的評價研究，以評估再生混凝土骨料表面的殘余砂漿含量；Bonifazi[18]等將高光譜成像和分級PLS-DA 應用于建筑及拆卸廢物中的石棉識別，能快速檢測建筑廢棄物是否存在石棉；Gargiulo[19]等使用近紅外光譜成像系統對建筑和建筑垃圾中的聚烯烴分類，提出了一種客觀且無損的聚烯烴回收鏈分類和質量控制方法。

高光譜成像對物質成分具有精確表征的特點，為基于高光譜成像的結構健康監測提供了基礎。如邵慧[20]等人提出了一種適用于古建筑建模的全波形高光譜激光雷達，獲取古建筑完整的空間結構、歷史演化及其健康狀態等特征信息；嚴陽[21]等人利用可見光以及近紅外波段下獲取的高光譜圖像，分析偽裝目標在不同背景下的偽裝效果；熊顯名[22]等人提出將“環境變量”作為特征值的解決方法，將光譜數據組合成新的數據波形，結合神經網絡有效的識別路面狀態；田英慧[23]等人研究了高白度、高反射率的雪地型偽裝材料的性能檢測技術，通過光譜反射因數的歐氏距離和光譜角余弦計算偽裝樣品與雪地背景的相似性；張海馨[24]等人設計了一種基于尾焰光譜分析特征分析的識別系統，通過結合跟蹤成像模塊對準目標結合光譜分析模塊識別目標，實現對高速運動目標的快速識別。程俊毅[25]等人通過研究地面光譜測量手段獲取了公路瀝青路面的光譜遙感數據，探索了瀝青路面老化過程與光譜響應變化的規律；Ichi[26]等人提出利用高光譜圖像收集數據對鐵路道路道砟含水率進行非接觸式檢測與評價的方法；Kim[27]等通過地物光譜儀獲取橋梁混凝土材料表面完整光譜反射，提出了基于高光譜成像定量評估混凝土風化程度的新方法；Runcie[28]等人提出了高光譜成像和分類技術作為客觀評估民用或其他結構上油漆狀態的方法。文獻表明基于高光譜成像對病害監測識別已有一定的研究，但橋梁病害與混凝土背景的光譜信息差異較少，造成識別難度較大、效率低等問題，如何擴大譜線之間的差異、降低數據維度，提出譜線峰值提取與特征學習預測建模方法，還有待進一步研究。

因此本文提出基于高光譜成像的橋梁混凝土表面露筋病害識別方法。利用線陣高光譜相機集成勻速步進滑軌裝置，形成高光譜成像測試系統，采集橋梁混凝土表面露筋病害圖像；基于橋梁露筋病害高光譜圖像譜線與空間特征，結合預處理——平滑濾波-多元散射 校 準 （ Savizky-Golay-Multivariate scattering calibration，SG-MSC）、特征空間變換——光譜導數法（First derivative,FD）、特征變量選擇算法——競爭自適應重加權抽樣（competitive adapative reweighted sampling,CARS），將原始光譜曲線數據經特征空間轉換提取相應特征值并顯示波段；以光譜曲線特征向量構建數據集，基于支持向量機[29]形成露筋病害識別預測模型，如圖1所示。

圖1 高光譜圖像分類流程示意圖Fig.1 Schematic diagram of hyperspectral image classification process

1 高光譜成像系統原理與實際成像

1.1 高光譜成像成像系統

如圖2所示，高光譜圖像采集系統為FigSpec 高光譜相機FS-15（線陣掃描相機），其利用高衍射效率的透射式光柵分光模組與高靈敏度面陣列相機結合。高光譜相機傳感器的波譜線范圍為900～1700 nm，光譜分辨率為8 nm，共254 個波段。圖像寬度為320 像素，圖像長度根據線陣掃描速度與時間而定。相機為微機自動控制形成三維高光譜圖像，具體參數如表1所示。

表1 高光譜相機各參數指標詳情Table 1 Details of each parameter index of hyperspectral camera

圖2 高光譜成像測試系統各組成部分Fig.2 Components of a hyperspectral vision test system

1.2 橋梁混凝土露筋病害高光譜成像

1）高光譜相機掃描速度

為對實際橋梁混凝土露筋病害進行高光譜成像，基于線陣掃描相機特點結合可移動式電滑軌對高光譜相機進行集成，形成如圖2所示的高光譜成像測試系統。根據相機的基本參數，計算相機最佳運動速度V：

式中：d為目標與被測物體距離，m；Fps 為采集幀率，幀/s；r為相機分辨率，該相機分辨率為320dpi；Fov為視場角，該相機視場角為21.74°。

2）高光譜相機實際成像

由于光源在每個波段的分布不均勻，相機中的暗電流以及周圍環境的影響，收集的高光譜圖像將包含一定的噪聲量。為了盡可能減少噪聲，在掃描樣品之前，對相機進行實驗現場的深色和白色參考校準[18]。深色和白色參考用于歸一化樣品的反射率，因此，校準后高光譜圖像IC可以由公式(2)獲得：

式中：IRaw是未經處理的原始反射譜線；IDark表示深色參考譜線；IWhite表示白色參考譜線。經黑白平衡校準后，如圖3(a)所示，利用高光譜成像系統對湘潭湘江三大橋8-20#墩柱進行了實際外觀缺陷檢測，獲得了鋼筋露筋病害和各構件混凝土高光譜成像圖像。如圖3(b)所示，為移動平臺搭載FS-15 高光譜相機測試混凝土表面鋼筋露筋所得到的三維高光譜圖像。

圖3 高光譜數據立方體以及相對于銹蝕鋼筋與混凝土反射率的光譜變化Fig.3 Hyperspectral data cube and spectral variation of reflectance relative to corroded steel bar and concrete

如圖3所示，高光譜成像圖像具有3 個主要維度，前兩個維度代表空間特征，第3 個維度代表光譜譜線特征[17]。如圖3(c)所示為高光譜圖像數據立方體、銹蝕鋼筋和混凝土背景的波長-反射率曲線。

2 室內標準模型的建立

2.1 室內樣品制作與圖像采集

在室內選取混凝土試塊與銹蝕鋼材作為樣品，在準備樣品過程中盡量避免過度擦拭樣品表面，確保保持樣品原始屬性。啟動高光譜成像系統，設置成像距離為0.3 m，圖像采集頻率為50 幀/s，自動計算出滑軌移動速度為0.047 m/s。高光譜成像時兩樣品應放置于同一水平面上，同時樣品放置干凈背景下來防止高光譜圖像產生噪聲。采集到的圖像如圖4所示。

圖4 室內標準模型高光譜圖像Fig.4 Indoor standard model hyperspectral images

2.2 高光譜數據預處理

在高光譜圖像采集過程中，由于環境約束、樣品屬性（尺寸、形態等）等方面的影響，光譜數據通常包含大量具有強協方差的冗余和噪聲變量，對后續的識別工作增加了難度。采用合適的光譜預處理方法可以糾正光譜之間的相對基線偏移，提高模型的準確性和魯棒性[30]。

為了更好地提取光譜特征，減少噪聲的影響，采用 Savizky-Golay 平滑濾波器和多元散射校準（Multivariate scattering calibration,MSC）的組合算法進行高光譜圖像譜線預處理，強化光譜波段特征點，加強數據之間的可比性，避免高反射率值帶來的計算復雜性。SG 是一種基于局部多項式最小二乘擬合的濾波方法[30]。該濾波器的主要特點是確保頻譜的形狀和寬度保持不變，同時消除環境和設備引起的噪聲。MSC 有效地消除了由不同散射水平引起的光譜差異[31]，從而增強了光譜和數據之間的相關性，能有效減少由基線偏移和散射水平引起的光譜變異性。預處理前原始銹蝕鋼筋與混凝土背景的光譜譜線如圖5(a)所示。使用SG-MSC 對數據進行預處理時，選擇的窗口大小為25，多項式次數為7，經預處理后的光譜譜線如圖5(b)所示。

圖5 高光譜圖像譜線預處理Fig.5 Hyperspectral image line preprocessing

2.3 特征空間變換

由于高光譜相機工作波段在近紅外光波段（900～1700 nm），其光譜的反射率特征主要受物料表面狀態影響，在該波段范圍內無機物敏感性較弱，使得銹蝕鋼材與混凝土背景的光譜曲線之間存在重疊區間，缺少差異，識別難度較大。因此采用特征空間變換方法對高光譜反射率特征進行計算，放大其差異，有效降低識別難度。

光譜導數法可以有效地消除反射率基線偏移，一定程度上避免顏色、光強等因素的影響，有效識別重疊區域，提供比原始光譜分辨率更高的光譜輪廓變換，增加分辨率和靈敏度[32-33]。

經SG-MSC 預處理光譜信號是離散的反射率值，使用直接導數法對反射率進行求導，擴大銹蝕鋼材與混凝土之間的差異，并選擇一階導數作為計算法則。如圖6所示為經一階光譜導數法處理后的譜線特征。

圖6 一階光譜導數特征值曲線Fig.6 First derivative eigenvalue curves

2.4 特征提取

一階導數對高光譜數據特征空間轉換后，顯著增加了銹蝕鋼材與混凝土背景之間的差異，但仍屬于高維度數據，具有多個波段、相鄰波段之間的強相關性和高冗余特點[34]，增加了識別模型構建的難度。

CARS 是一種特征變量選擇方法，它將蒙特卡羅抽樣（MC）與偏最小二乘（PLS）模型回歸系數相結合[35]。交叉驗證（CV）用于確定CV（RMSECV）均方根誤差（RMSE）最低的子集。RMSECV 的計算如下所示：

式中：y表示真實值；yCV表示CV 中的預測值。

使用CARS 算法的特征提取結果如圖7所示。主成分的最大數量設置為20，MC 采樣次數設置為50，并進行5 次交叉驗證。隨著MC 樣本數量的增加，特征數量呈指數級減少。RMSECV 方差先減小后增大，主要是因為去除了波長變量中的有效信息，隨著RMSECV 值增大，模型性能降低。在圖7(b)中，RMSECV 在第21 次采樣處達到其最小值，其值為0.0064。CARS 算法篩選的特征變量詳見表2。CARS 算法共篩選了23 個特征變量，占總波長變量的9.06%。

表2 CARS 算法提取特征波段Table 2 Feature bands were extracted by CARS algorithm

圖7 CARS 算法的特征提取結果Fig.7 Feature extraction results of CARS algorithm

數據降維后，將具有254 維特征的原始數據壓縮為23 維。平滑效果較好，并保留了原始數據中的大部分信息，保留了原有的趨勢特征。所提取特征點在光譜中的對應位置如圖8所示（以混凝土特征值曲線為例）。

圖8 所選特征變量的分布Fig.8 The distribution of the selected feature variable

如表2所示，銹蝕鋼筋與混凝土背景之間的差異難以用特定的波長來表示，經CARS 算法提取的特征波段集中在1400 nm 左右。因銹蝕鋼筋病害以深色為主，反射率較低，與未受銹蝕鋼筋侵蝕混凝土有較大區別，鋼筋銹蝕過程長期與混凝土結合，導致銹蝕鋼筋附近混凝土顏色變深，使得區域的混凝土與銹蝕鋼筋的光譜反射率曲線相近。

2.5 基于支持向量機的光譜譜線分類與可視化

支持向量機（Support vector machines,SVM）是基于結構風險最小化的一種機器學習算法，具有泛化能力強、適用于小樣本分類等優點[29]。如圖9所示，支持向量機計算出最優超平面將光譜譜線進行分類，最大限度的減少泛化誤差并最大化裕量?；诟吖庾V成像的銹蝕鋼筋與普通混凝土樣本數據集制作的時間成本較高，因此本文利用支持向量機算法，建立小樣本數據集，訓練銹蝕鋼筋與混凝土背景光譜譜線自動識別模型。選取具有強學習能力、適應范圍寬的徑向基（radial basis function,RBF）核函數作為支持向量機的核函數。

圖9 支持向量機分類模型示意圖Fig.9 Schematic diagram of support vector machine classification model

在圖4混凝土樣品與銹蝕鋼材樣品上各選取大小為50×50 的區域大小的高光譜圖像，提取出共5000條高光譜信息，以構建SVM 模型。將提取出來的5000條高光譜信息作為訓練集提供給SVM 訓練，結果如表3所示。

表3 波段類型選取識別結果Table 3 Identification results of band type selection

結果表明，經特征提取后的波段相比于全波段在識別準確率上有提升，同時大幅度降低了計算時間成本。

3 現場試驗結果與討論

利用高光譜成像系統對湘潭湘江三大橋8-20#墩柱進行了實際外觀缺陷檢測，獲得了露筋病害和各構件混凝土高光譜成像圖像。將采集到的高光譜圖像利用建立的室內標準識別模型進行預測識別，并將識別結果與傳統識別方法進行比較。

如圖10(a)～(c)所示分別為橋梁混凝土露筋病害的高光譜成像經過平滑濾波-多元散射校準、光譜譜線求導、特征變量選擇等系列預處理后，對三維高光譜圖像每一點的譜線代入訓練完成的支持向量機模型中進行預測，得到的光譜特征分類結果如圖10(c)所示。對空間原始圖像利用圖像標記工具進行逐像素標記生成標定圖像，結果如圖10(b)所示，用于評價該空間分割算法的分割效果。如圖10(d)～(f)為橋梁混凝土露筋病害的可見光圖像傳統閾值分割和人工標記的結果。對識別結果采用交并比（IOU）和真陽率（TPR）兩種指標對結果進行評價，計算公式如：

圖10 譜線特征分類與閾值分割對比Fig.10 Spectral line feature classification and threshold segmentation

式中：TP 為不同分類方式結果與人工標記結果的交集；FP 是過分割結果；FN 為欠分割結果。采用不同分類方法的結果如表4所示。

表4 不同分類方法結果Table 4 Results of different classification methods

交并比（IOU）是算法分割和標定結果的交疊率，即它們的交集與并集的比值，比值越高說明分割效果越好，當IOU 為1 時為完全分割。真陽率（TPR）代表了分割結果與標定結果的交集與標定結果的比值，即在人工標記結果上實際分割了多少，當TPR 為1時也代表完全分割。采用光譜特征分類方法的TPR和IOU 值明顯大于傳統閾值分割方法，且TPR 和IOU均大于0.9，表明本文采用基于光譜特征分類的方法具有良好效果。

4 結論與展望

本文提出了基于高光譜成像的橋梁混凝土表面露筋病害識別系統與方法。利用線陣高光譜相機集成勻速步進滑軌裝置，形成了高光譜成像測試系統。采集了橋梁混凝土表面露筋病害圖像，并提出了結合平滑濾波-多元散射校準、光譜導數法、特征變量選擇算法高光譜圖像譜線預處理方法，并基于支持向量機訓練了露筋病害識別預測模型，以高光譜成像測試系統對實際橋梁混凝土露筋病害進行了識別，基于譜線特征識別露筋病害達到90%以上精度，具有可行性和廣泛應用前景。

橋梁混凝土病害由荷載與環境侵蝕共同作用導致，且隨著時間的推移病害還將逐漸發展，嚴重影響服役壽命，造成安全隱患?；诳梢姽獬上窠Y合深度學習人工智能技術可較好地對橋梁混凝土病害進行分類和識別，但由于僅有病害灰度及區域邊緣信息，具有局限性，利用高光譜成像具有更高維度信息可有效表征物質屬性，后續將結合無人機機載高光譜成像、增加病害類別，能廣泛應用于基于視覺的橋梁結構表面病害識別。另一方面，橋梁混凝土關鍵破壞性病害具有稀疏、缺失、長尾的特點，難以形成數據量大、魯棒性好的結構病害數據集，將使人工標記、訓練工作量巨大?；诟吖庾V成像圖像譜線的唯一性特征，可大量減少數據標記和樣本數量。結合空間-譜線三維特征，可進一步構建深度學習網絡模型，提高識別的自動化、智能化程度。

在未來的研究工作中，將高光譜相機與無人飛機進行集成，形成無人飛機機載高光譜成像系統對全橋進行掃描成像，自動調整曝光時間、測量物距和飛行速度，實現快速、穩定成像。