基于无人机的桥梁病害检测系统研究

刘 睿

(中铁第四勘察设计院集团有限公司 武汉市 430063)

0 引言

随着无人机技术和硬件不断升级,飞行控制系统、传感器和相机等越来越先进,无人机在桥梁检测中的应用更加精确可靠。人工智能和机器学习等技术的应用,可以使无人机在桥梁检测中实现自主飞行,自动识别缺陷和故障。无人机在桥梁检测中的优势体现在安全、高效、高精度、节约成本和数据分析等方面。这些优势将促进无人机在桥梁检测中的应用。

无人机在桥梁检测领域的发展经历了探索阶段、技术突破阶段、实际应用阶段和智能化阶段。初期探索阶段[1]:这一阶段主要对无人机技术进行了初步探索,但由于技术限制和设备成本等因素限制,无人机在桥梁检测方面的应用比较有限。技术突破阶段[2]:这一阶段无人机技术快速发展,趋于成熟,特别是小型无人机的出现使得无人机在桥梁检测中的应用开始受到关注。在实际应用阶段,一些专业公司开始采用无人机进行桥梁检测,并取得了初步成果。随着无人机技术日益成熟和成本降低,无人机在桥梁检测领域得到了广泛应用。目前,无人机的发展已经进入智能化阶段[3],它们可以配备各种高精度的传感器和设备,并利用人工智能等技术对数据进行分析和处理,从而提高桥梁检测的智能性、效率和准确性。近几十年,我国桥梁的数量和规模迅速提升,上述无人机桥梁检测系统还需持续满足现代化桥梁检测的要求,故有必要开发设计一种更加智能和自动化的无人机桥梁检测系统。为了促进这一目标的实现,文章借助机器学习和人工智能等现代化技术提出了一种全新的无人机桥梁病害检测系统。

1 系统总体架构

如图1所示,该系统的总体架构包括无人机检测路径规划、病害图像拼接算法和病害自动识别三大模块。其中,无人机检测路径规划是整个架构的核心部分,包括TSP建模、遗传算法、路径搜索和坐标映射四个模块。

图1 系统总体技术架构

首先,TSP建模模块将桥梁表面划分为若干个区域,以区域为节点建立TSP模型,使无人机能够在遍历所有区域的前提下,实现路径长度最短。遗传算法与路径搜索模块采用遗传算法对TSP模型进行求解,得到遍历所有区域的最短路径。坐标映射模块将无人机坐标系与桥梁表面坐标系进行映射,使得无人机能够沿着预设路径飞行进行病害检测。其次是病害图像拼接算法部分,包括SIFT算法、特征匹配与图像拼接策略三个模块。利用SIFT算法在不同尺度空间上查找病害图像的特征点,并计算出其方向,然后根据欧式距离进行特征点匹配,从而达到精确拼接病害图像的目的。图像拼接策略模块采用多种图像拼接策略,如基于区域分割的拼接策略、基于图像变换的拼接策略等,用以解决病害图像拼接过程中出现的各种问题。最后是病害自动识别部分,包括深度学习、特征提取、目标识别算法和梯度下降四个模块。深度学习与特征提取模块采用深度学习网络对病害图像进行训练和特征提取,以提高病害自动识别的准确率。目标识别算法模块采用目标检测算法,如YOLO算法、Faster R-CNN算法等对病害图像进行目标识别,从而自动识别病害。

2 无人机检测路径规划

2.1 TSP建模

TSP(Traveling Salesman Problem,旅行商问题)是一个经典的优化问题,通常用于寻找遍历所有节点的最短路径。在无人机桥梁检测中,TSP建模是无人机路径规划的重要部分,可以将桥梁表面划分为若干个区域,以区域为节点建立TSP模型,使得无人机能够在遍历所有区域的前提下,实现路径长度最短。具体而言,是将桥梁表面划分为若干个区域,以每个区域为节点建立TSP模型,然后采用遗传算法等优化算法对TSP模型进行求解,得到遍历所有区域的最短路径。得到最短路径后,需要将无人机坐标系与桥梁表面坐标系进行映射,使无人机能够沿着预设飞行路径进行病害检测。TSP建模的应用可以使得无人机在桥梁检测中的路径规划更加合理高效。相较于传统的路径规划方法,TSP建模能够避免无人机在桥梁表面上来回飞行,减少能源消耗和飞行时间,提高检测效率和准确性。

2.2 遗传算法与路径搜索

遗传算法是一种模拟生物进化过程中的选择和遗传机制的搜索优化方法,能够有效地处理组合优化问题。在无人机桥梁检测中,遗传算法可以用于求解TSP模型,以得到遍历所有区域的最短路径。遗传算法包括选择、交叉、变异等过程,通过种群的进化逐步优化问题。在无人机桥梁检测中,可以通过将TSP模型表示为染色体,将每个节点表示为基因,从而将遗传算法应用于路径规划中。遗传算法通过模拟自然进化过程中的选择、交叉和变异等机制,不断提高种群中个体的适应度,从而寻找出覆盖所有区域的最优解。遗传算法与路径搜索相结合的应用可以使无人机在桥梁检测中的路径规划更加高效准确。相比于传统的路径搜索方法,遗传算法能够避免陷入局部最优解,增加搜索空间,提高路径规划的效率和准确性。

2.3 坐标映射

因为最终所需是经纬度坐标,所以必须将模型中的坐标转换为世界坐标。需确定一个参照点,即基准点,每次检测时通过输入基准点经纬度坐标来完成校准。将世界和模型上的同一位置点绑定,然后在模型中设定一个方向来指向模型中的北方,以此将模型中的点坐标转换为世界坐标。转换坐标需要基准点经纬度,基准点与待转化点之间的直线距离指向基准点以及转化点的向量与模型中基准方向(即正北方向)的夹角,转化过程如图2所示。

图2 坐标映射过程

3 病害图像拼接算法

3.1 SIFT算法与特征匹配

飞行中无人机拍摄的图像通常只能覆盖桥梁的一部分,而为了全面、详细地了解桥梁的状况,需要将这些局部的图像拼接成一张全景图像,以便于工程师对桥梁的状况进行全面分析和评估,从而更加准确地确定桥梁的修缮和维护方案。同时,图像拼接也可以消除相邻图像之间的重叠部分,提高图像的清晰度和可读性。

SIFT(Scale-Invariant Feature Transform)算法[4]是一种常用的特征点检测和匹配算法,可以用于图像拼接、目标识别等应用场景。SIFT算法可以在不同的图像尺度和旋转角度下提取出具有尺度不变性和旋转不变性的特征点,具有良好的鲁棒性和稳定性。在桥梁检测中,SIFT算法可以用于提取桥梁照片中的特征点,并将不同照片之间的特征点进行匹配,以获取不同照片之间的相对位置和姿态信息。用高斯差分金字塔寻找图像的局部极值点,并计算它们的尺度和位置。(1)关键点定位:在每个尺度空间上,使用DoG(Difference of Gaussians)精确定位关键点。(2)方向分配:利用特征点附近像素的梯度直方图,找出最大峰值对应的方向作为其主方向。(3)特征点描述:使用关键点周围的梯度信息生成一个描述子,该描述子对旋转和尺度的变化不变。(4)特征点匹配:将两幅图像中的特征点进行匹配,可以使用暴力匹配的匹配算法。

3.2 图像拼接策略

在图像拼接前,首先要对无人机采集的图像进行除畸变、校正角度、调整亮度和对比度等操作。使用SIFT算法从每张图像中提取关键点和特征描述子,这些特征在旋转、缩放和光照变化下保持稳定,能够识别出不同图像中的相似点。对提取的特征进行匹配,找出相邻图像间的匹配点对,通常采用基于最近邻和次近邻距离比较的算法。根据匹配点对,使用不同的拼接方法拼接相邻图像。常见拼接方法包括投影变换、仿射变换和透视变换等。对拼接后的图像进行后处理,包括去除拼接痕迹、平滑边缘、调整颜色和对比度等,提高图像的质量和可读性。

4 病害自动识别

4.1 深度学习与特征提取

病害自动识别是指利用计算机视觉和深度学习等技术,分析处理无人机采集的桥梁图像,自动识别和分类桥梁病害。通过桥梁病害自动识别,可以提高桥梁检测的效率和准确性,减少人力物力投入。

基于深度学习的桥梁检测的病害自动识别相比传统方法具有以下优势:一是深度学习算法可以从大量的数据中学习到特征表示,识别出更复杂的病害;二是可以根据输入数据自动调整模型参数,自适应性较强,适用于不同桥梁的病害检测任务;三是对于图像中的噪声、遮挡等因素具有较好的鲁棒性,可降低误判率;四是可扩展性强,通过增加训练数据、调整模型结构等方式,可进一步提高检测准确性。

特征提取通常使用卷积神经网络(CNN)。卷积神经网络是一种逐层提取特征的神经网络,通常包含多个卷积层和池化层。在卷积神经网络中,卷积层会提取图像中的各种特征,例如边缘、纹理和形状等,而池化层则会对特征进行降维,减少计算复杂度,防止过拟合。常见的卷积神经网络模型包括 LeNet、AlexNet、VGG、Inception和ResNet等,这些模型可以通过预训练的方式在大规模图像数据集上进行训练,以提取通用的图像特征。进行病害自动识别时,可以使用预训练的卷积神经网络模型提取图像特征,并将这些特征输入到分类器中进行分类。

4.2 目标识别算法

YOLO(You Only Look Once)是一种基于深度学习的目标检测算法,该算法可以快速准确地检测图像中的多个目标,并在单个前向传递中直接回归目标框的坐标和类别概率。它的特点是通过一个单独的卷积神经网络同时预测图像中多个物体的类别和边界框,且比传统的目标检测算法速度更快,图3为YOLO算法对桥梁病害的检测结果。

图3 桥梁病害检测结果

针对桥梁不同病害类型,需要对YOLO进行训练,以便算法能够识别这些病害。通过标注和分类大量病害图像,可以训练出准确率较高的YOLO模型。实际检测过程中,无人机会拍摄桥梁表面图像,这些图像会被送入已训练好的YOLO模型进行目标检测。YOLO算法会在图像中寻找可能的病害目标,并确定它们的位置和类别。