桥梁是保证道路通畅的重要因素之一，近几年随着交通网络覆盖领域增大，受地形及地域因素的影响，各式公路桥梁的数目也逐渐增多；桥梁交通流量的增加对桥梁状态的实时性监测的需求颇为迫切，桥梁的养护计划也依托检测出的状态加以确定。
桥梁外观的检测主要涉及桥面的铺装、防撞护栏、上部的桥梁结构及下部的桥墩桥台等。而桥梁养护多以桥梁的外观检测为基础，并贯穿于整个运营期。例如桥梁检测人员通过目测桥梁表面的凹坑、麻面等来判断是否需要进行养护，并且采取何种力度的处治方式；利用简单仪器检测桥面是否发生超过安全限度的位移等。这些传统的桥梁外观检测方法需要大量技术人员参与，成本较高、实时性差，且检测时会对交通产生一定的阻碍。2007年8月1日I-35W密西西比大桥曾发生由于养护不足而突然坍塌的事故，由此可见,养护工作在桥梁服役周期内至关重要，故亟需研发出可实时且准确检测桥梁外观的新技术。
近年来，计算机技术的突飞猛进使得图像识别再次进入大众的视野，也给各行业研究人员新的启发，图像识别在医学、航天等领域的成功应用更增添了人们的信心。本文在传统桥梁外观检测方法的基础上，提出基于图像识别的外观检测新技术，将会有效推动公路桥梁检测技术的进步。
常用外观检测技术之优劣
目测是传统桥梁外观检测常用的方法。该方法对承担该项任务的人员的知识经验要求较高，需要政府投入较多的人力及资金，而且检测作业的安全难以受到保障。受桥梁结构的影响，人工检测的盲区较多，例如裂缝通常分为显性与隐形，由于观测隐形裂缝比较困难，会使技术人员忽视对该部分的养护工作，从而给桥梁安全埋下隐患。桥梁检测车也在桥梁检测过程中发挥一定作用，但因受市场范围的限制，目前对其研究投入较少，对它的使用寿命亦无明确的规定，导致企业对桥梁检测车的维护不够充分，在实际检测作业中易发生事故；因其体积较大，当其作业时需要封闭部分交通；此外，由于结构设计的影响，它检测时也存在较大盲区。GPS技术则主要用于桥梁外观检测中的变形检测，但受限于其精度，无法捕捉一些间隔较短的形变信息；而光纤传感器易受环境因素的影响，难以实现长期监测。
随着近几年摄像机精度的大幅提升，对激光雷达等仪器设备的研究不断深入，桥梁检测中出现了无损检测，并开始在此方向上继续探索。无损检测，顾名思义即在进行检测工作时并未对被检物体造成损伤，目前所适用的主要设备为激光雷达、传感器及超声波等，本文所介绍的图像检测亦属此列。当摄像机进行检测时无须接触桥梁，更不会对桥梁造成损伤，且无必要根据不同的检测内容更换相机设备。而激光雷达一般只在桥梁的厚度或密度检测时才能发挥良好的效果；由于道路桥梁环境复杂，超声波检测出的结果易受干扰，致使结果不准确或难以分析；传感器检测技术则对与之配合使用的转换装置提出较高要求。
图1 正在实施检测的桥梁检测车
异军突起的图像检测
近年来智能检测技术得到不断发展，与传统检测方法的最大差异在于，本文所述的图像检测技术可以实施无接触检测，在检查裂缝及变形时未破坏部分桥梁的结构；而与其他无损检测法相比，该方法适用于各种材质，降低了投资成本。实时性强的图像检测的原理是利用图像处理与模式识别等领域的理论和方法，借助各种视觉传感器采集数据检测出图像中存在的目标对象，并通过有线和无线传输的方式送至算法端。软件算法部分在完成了相机标定后依靠内置各种算法对数据进行处理，确定这些目标对象的语义类别，并标定出目标对象在图像中的位置或识别其特征，从而实现对桥梁的检测。图像检测技术具有省时高效、性价比高、检测盲区少且准确性高的优点，已逐步应用于各行各业中。
目前常用于工业中的摄像机有单目、双目及单反三种类型，图像技术首先利用摄像机采集桥梁外观图像，并建立串联的相机网络，将相机采集到的图像信息利用有线或无线传递到云端。而人为检测的主观性较大，不同的技术人员针对同一个图形得到的信息结果会存有差异，不利于对桥梁结构状态进行准确评估。各种图像处理方法为桥梁病害的测定打开了新思路，通过对相机进行标定，然后依据图像信息将桥梁部分结构外观重建三维模型。针对不同问题采用不同算法进行特征检测，并与正常状况下的特征进行匹配，进而得出需检测部位的特征状态，达到图像检测的效果，其具体流程原理如图2所示。硬件设备相机的类型根据实际检测的内容及检测位置加以选择，对其精度亦提出较高要求，若精度偏低则会导致所得到的图像信息提取困难，而选取合适的相机标定方法也至关重要。
图2 图像法检测桥梁外观原理图
工程实际应用
因目前桥梁多为钢筋混凝土材质，较易出现裂缝，且桥梁裂缝检测中所用的裂缝边缘检测、阈值分割、图像噪声处理、裂缝链接等精细化处理及算法,也是用图像识别技术进行检测的核心部分，故本文以桥梁裂缝检测为例，对该项新技术加以探讨。微小的裂缝在短时间内对桥梁的安全性影响不大，但裂缝具有延展性，若不及时对其进行养护，随着时间推移裂缝会逐渐增大,进而危害桥梁行车安全。另外传统检测方法存在盲区，部分桥梁的结构状态难于观测，极易埋下安全隐患。根据使用图像技术开展桥梁裂缝检测的流程（如图4所示），首先利用高精度摄像机获取桥梁各部分表面图像，通过阈值分割识别、边缘检测识别、种子游走识别、基于频域的桥梁裂缝识别或基于卷积神经网络的识别等算法，检测出图像中的裂缝轮廓。随后拟合出裂缝的边缘线，进而计算出裂缝的周长、面积和宽度。相关技术人员将以此为依据，将裂缝宽度等数据与养护标准进行对照，从而有针对性地制定出准确合理的养护计划。
图3 实时采集桥梁表面图像信息
图4 桥梁裂缝检测图像法流程图
多方法融合的桥梁裂缝识别模式
基于图像识别及深度学习技术,可实现桥梁及结构外观损伤的远距离、自动扫描、裂缝群识别和数字化重构等功能。结合桥梁及结构BIM全息模型和智能养护管理系统，则可实现其外观损伤的自动检测、分析及评估,有效解决高桥墩、桥塔以及其他不可及部位外观损伤难以检测的难题。
卷积神经网络已在多个行业得以应用，并以其较高的识别准确率在图像识别领域颇受推崇。卷积神经网络首先需要大量桥梁外观图片数据集进行训练，在此基础上再对图像或视频检测，根据裂缝与其周围位置的像素点差异，来识别图像中的裂缝特征点。然后将有裂缝的图片分拣出来，并按照其特征加以分类，极大缩短了工作人员确定裂缝养护方法的时间。典型卷积神经网络模型如图5所示。运用卷积神经网络进行裂缝检测，具有精度与效率较高、成本低、使检测人员避免危险作业等优点。依托庞大的摄像机图像数据资源，卷积神经网络可实现对桥梁裂缝的实时性检测，提高桥梁养护的效率。
图5 桥梁裂缝检测识别典型卷积网络结构
由于桥梁表面粗糙及受噪声的影响，图像中的裂缝易混在复杂背景中难以被发现。而频域识别则主要利用傅里叶变换将时域图转变为频率图，通过滤波的方式根据噪声等因素设定频率的阈值，过滤掉不符合条件的频率，随后进行反变换重新得到时域图像，此时可采用降低裂缝所处环境的复杂度的方法，将裂缝凸显出来。种子游走检测法需要在图像上规定位置随机但数目确定的一定量种子，将图像看成包含“坑点”与“凹点”的路面，设定一定的规则让所有的种子都处于坑或凹形中，记录它们的像素值后进行二值化处理，之后再通过实行噪声处理及裂缝像素增长，最终获得图像中的裂缝特征。边缘检测识别法则将采集到的图像先进行灰度化处理，再利用裂缝边缘的像素与周围环境的像素值的明显差异，提取出裂缝特征。
桥梁检测新技术的蓬勃发展
目前桥梁正向大型化、空间化方向发展，对桥梁的各种性能要求也在逐步提升。桥梁建设周期较短，但其运营期内的养护却是个长期的过程。因桥梁传统的维护方法存在较多缺陷，随着近年来计算机技术的突飞猛进，各行各业开始跨界融合，给予相关研究人员很大的启发，促使他们深耕于桥梁检测技术领域，涌现了一批创新技术并得到推广应用。此外，随着大型桥梁的相继涌现，桥梁的高度也在不断增加，特别在一些多风地区，桥梁经常会受到较大风力的冲击，故对其实时性监测至关重要。
针对桥梁外观检测，可采用无人机搭载高精度摄像头进行图像采集，以无人机平台为基础搭建桥梁外观检测系统，实现对其外观表面的自动扫描、图像识别、表面损伤自动判断等功能。某高校科研团队为沪苏通长江大桥设立了塔梁变形检测系统，可实时监测塔梁的变形情况，便于对塔梁实施养护，提高其使用寿命与桥梁的安全性；他们在娄底至双峰路段的桥梁，通过机器视觉系统与振动分析相结合的方法来检测大桥的损伤点及荷载；他们还在机器视觉与卷积神经网络算法的基础上，对桥梁支座病害进行实时性研究，并结合图像对病害加以预测，为养护人员制定养护计划提供科学依据等。
与传统的桥梁外观检测方法相比，本文所介绍的图像识别法具有实时性强、易于识别损伤等优点，它代表了桥梁检测方法的发展方向，对于桥梁病害的检测有着重要的现实意义。
本文刊载 / 《大桥养护与运营》杂志
2021年 第4期 总第16期
作者 / 韩毅 王司宇 赵煜等
作者单位 / 长安大学
