基于机器视觉的桥梁检测技术现状及发展

林国章

摘 要：本文对机器视觉的桥梁检测技术的检测仪器进行了简要描述，同时对于桥梁表观图像的获取技术和以图像为基础的桥梁裂缝自动识别理论的计算方法进行了分析，最后总结了裂缝宽度病害程度定量化测量方法。

关键词：机器视觉；桥梁检测技术；现状；发展

中图分类号：U446 文献标志码：A

1 基于机器视觉的桥梁检测技术检测仪器概述

随着我国的交通运输事业的不断发展，桥梁为人们的出行提供了极大的便利，已经成为了我国交通运输中不可或缺的重要载体。在大力发展和建设桥梁的同时，也存在着不少桥梁发生倒塌的事故，给人民群众的生命财产安全带来了巨大的损失，因此，加大对桥梁的检测工作势在必行。桥梁检测的方法和技术手段一直在不断地更新，起初，桥梁检测采用的是人工检测的方式，逐渐发展到使用检测车进行检测，再到各种形式的无损检测，现在应用最多的就是智能化的检测技术。就桥梁检测技术手段的整个发展过程来看，都在实践中不断发现和解决问题，研究解决问题的措施，最终提出符合检测实際需求的新方法。就人工检测和检测车检测方法来看，其缺点在于检测的速度慢、效率不高，还会出现漏检的情况，并且缺乏即时性，对正常的交通运输也会产生影响，存在着一定的安全隐患，不值得广泛推行。无损检测方法包括了声发射检测、超声波检测以及激光检测等，但是由于这些检测中要用到的仪器价格昂贵，测量的范围又存在一定的局限性，并不能满足桥梁检测的最新要求。智能化检测中最为常见的就是基于机器视觉的桥梁检测方法。该方法主要是利用CCD相机，对桥梁的表观进行拍摄，然后再利用计算机处理技术对照片上的裂缝图像进行自动识别，把裂缝图像从背景分离出来，对裂缝的参数进行单独计算。该方法的优点在于直观、便捷、成本低、精确度高、适应性强等等，可以最大限度地避免人为因素的干扰，极大地解放了劳动力，发展前景良好。

2 桥梁表观图像的获取技术

桥梁梁体的位置常常是在路线的下方，其位置较为隐蔽，还会受到桥墩的阻碍。构成桥梁结构的组成部分除了梁体和桥墩之外，还有主拱和桥塔。因此，想要获得完整的桥梁的表观图像的难度较大，相关的研究人员对此提出了不同的桥梁表观图像的获取技术。

3 基于图像的裂缝自动识别理论于算法

3.1 阈值分割识别法

该算法主要是依据裂缝和其背景所在的灰度的范围之间的区别，背景的灰度值相对于裂缝的灰度值来说会较大一些，找到合适的灰度阈值，就可以把图像里的背景和裂缝进行分离，再对裂缝信息进行进一步分析和测量。比较常用的计算方法有：自适应阈值法、局部阈值法和全局阈值法。阈值分割法比较适合于对比度较高、光照均匀、背景的灰度一致的图像，对于一些和裂缝特征比较相似的划痕、水迹或者是其他的干扰物等，该方法则不能精确区分。

3.2 边缘检测识别法

裂缝的边缘特征比较强，其灰度会有突出的阶跃现象，而背景的灰度则表现出梯度小、变化缓慢的特点，因此，可以采用边缘识别法来检测和识别裂缝。相关的科研人员设计了很多边缘检测算子，比如：Canny算子、拉普拉斯算子和梯度算子等。Canny算子的特点在于误判率低、定位精准度高以及对虚假边缘有一定的抑制作用，Canny算子更适合于高噪声图像，不过一些边缘信息也容易被平滑掉，可以采取适当的措施对其加以优化和改进，目前Canny算子在隧道和路面检测中都有所涉及，可以运用到桥梁的检测工作中。拉普拉斯算子是一种标量算子，对于孤立点和细线的效果比较明显，在测量的时候不具备提供边缘信息的功能，不能直接使用。梯度算子属于微分算子，对噪声较为敏感，适用于噪声小、边缘尖锐的情况，不过其模板只有垂直和水平两种类型，因此不适合用于对桥梁路面裂缝的检测。

3.3 种子游走算法

该算法是按照事先的准则把子区域或者是像素聚合在一起，使其成为更大的区域，具体的方法是从一组“种子”点开始，按制定的规则游走，把其他和种子的特点相近的像素附着到种子上，就可以最终得到裂缝点的信息，最后再根据种子的特征来判断图像中是否存在裂缝。目前的桥梁检测主要是针对混凝土桥梁，其材料的性质直接导致混凝土表面存在凹凸不平的情况，同时表面还有一些空隙，因此该算法不适合于对混凝土桥梁裂缝的检测。

3.4 基于频域的桥梁裂缝识别法

基于频域的桥梁裂缝识别法主要采取的是通过小波变换、低通滤波器以及高通滤波器来对图像加以操作。小波变换是由低通滤波器和高通滤波器组成，高通滤波器主要是用以提取信号中的高频部分，可以保留图像的细节；低通滤波器主要是保留信号的低频部分。在实际的桥梁检测工作中，裂缝的图片里的噪声较多，所属的频域范围中还会出现交叉和重叠的现象，因此在把裂缝从背景中提取出来有一定的难度，该方法并不是适合桥梁的裂缝检测。

3.5 基于神经网络的桥梁裂缝识别法

神经网络主要是模拟人的大脑的结构机制和工作方式，实现机器的智能化运作，并且具有自适应、自学习和自组织的特点。在运用神经网络对桥梁的裂缝加以识别就需要选择大量的含有裂缝以及不含裂缝的样本来训练计算机。通过监督训练，让计算机对于裂缝具有识别的能力，该方法的速度慢、计算成本较高，并且诊断过程也相当复杂，不过其优点在于效果好、准确率高。

4 基于图像的裂缝宽度病害程度定量化测量方法

4.1 标尺法

该方法的基本原理是在桥梁的表面临时设置一个标尺或者是利用已知的自然物来作为标尺，直接获取标尺长度和像素数之间的比例系数k，再利用该系数来计算出裂缝的长度和宽度等信息。

4.2 测距法

该方法是利用激光或者是其他的测距仪器，测量出所需的物距，对桥梁的裂缝宽度进行计算，运用了透镜成像的原理，在物距为u的某个位置中，建立一个实际物理宽度和裂缝宽度在图像中占据的像素数的坐标转换的公式，再带入到相机成像参数，就可以算出最终的裂缝的实际宽度。

4.3 像素数法

桥梁的表观图像在经过处理之后可以得到一个简单的二值图像，比如，横向的裂缝通过对裂缝区域内的像素数的扫描和累加，得出的最大数值就是裂缝的最大值。其中有可能出现毛刺等情况的影响，对此，可以取前3个最大数值的平均值作为裂缝宽度的最大值。在计算裂缝的长度时，可以先把裂缝细化为多个连续的单像素裂缝骨架，再采用街区距离法或者欧式距离法求出裂缝的长度。值得注意的是，这里所提及的裂缝的长度和宽度都是图像里的数据信息，需要对其进行转换，计算出实际的尺寸。

结论

基于机器视觉的智能化、自动化检测技术在许多隧道和道路上得到了有效应用，并且逐步转移到对桥梁的应用，不过该技术目前主要集中在对视线较为开阔的高空混凝土桥梁表观图像的获取，其对于病害的自动识别技术还处在研究阶段，还需要对技术进行不断优化和创新。

参考文献

[1]邹雷.基于机器视觉的混凝土结构水下表面裂缝检测技术研究[D].三峡大学，2014.

[2]李晓宾.基于机器视觉的焊缝缺陷测量与评级系统[D].西安工业大学，2016.