基于无人机的桥梁裂缝宽度检测方法分析
周焱斌

广东建科交通工程质量检测中心有限公司，广东广州 510700

摘要：随着国家经济的高速发展，桥梁工程建设项目日益增多，且对工程质量要求越来越高，作为建设工程质量控制的检测工作显得尤为重要。为了保障桥梁结构安全运营和克服传统桥梁检测效率低的缺点，本研究运用小型无人机云台设备对桥梁区域进行裂缝图像采集，然后利用深度学习和数字图像处理技术对裂缝图像进行识别和检测，研究深度学习算法检测桥梁裂缝图像宽度的准确性，评价裂缝的破损程度，为交通系统病害检测提供重要的科学依据和应用价值。

关键词：桥梁检测；无人机；边缘检测；裂缝宽度；深度学习

中图分类号：TU19

1 研究背景

随着交通系统的迅速发展，桥梁结构病害的检测与养护变得极其重要。在桥梁修筑和使用过程中，由于受到环境、车载、自然灾害以及材料自身特性等因素影响，致使桥梁结构在运营过程中，产生不同程度的劣化和病害，影响桥梁的运营安全，缩短桥梁的使用年限。其中大部分桥梁结构损坏是由裂缝引起的^[1]。如果能在裂缝形成初期发现裂缝并采取相应的措施，将会极大程度减少桥梁后期的养护及使用成本。传统的人工检测模式难以满足当前迅速和高效的检测需求，耗费较大劳动力、材料，检测效率低且危险性高，还会影响交通正常运营^[2]。为了延长桥梁寿命，提高桥梁运营安全性，采用无人机搭载设备采集桥梁各结构部位数据，结合深度学习方法和数字图像处理等先进技术进行分析研究，可以很大程度提高桥梁外观检测效率，降低检测成本，克服传统桥梁检测方法的不足，实现检测技术的智能化和自动化。

2 国内外研究现状

2.1 基于无人机的桥梁检测研究现状

外观检测在桥梁结构检测中起着至关重要的作用，国内外在利用无人机进行桥体外观检测方面正趋于普遍，重点检测桥梁病害及其具体部位，分析其损害程度，并计算桥梁结构表面的破损、剥落、裂缝和蜂窝等病害面积占比^[3]。Ellenberg等[4]首次利用无人机的3D slam技术进行变位测量，并在室外顺利完成了可行性试验。国外采用无人机对贝茨桥进行结构检测，发现了混凝土裂缝、锚固螺栓松动、桥梁支座缺陷等病害^[5]。钟文韬^[6]研究出新型视觉测量技术，根据固定参照点设立平面单应性变换，修正了因无人机运动造成的虚假变位，提高了测量结果的精度。田永丁^[7]采用无人机航摄采集三维数字图像，运用非接触光学测量的形式来检测桥梁的几何变形，在现役桥梁上取得了较好的测试成果。桥梁外观检测过程中，通过无人机采集图像，将图像等数据传输下载，利用多媒体处理软件，分析并确定产生病害的详细位置和病害定性、定量参数等。

2.2 基于深度学习的裂缝检测研究现状

桥梁检测中结构裂缝作为常见病害，是桥梁养护的重难点工作。蒋燕芳^[8]提出将YOLO深度学习和图像处理技术相结合的桥梁外观病害识别算法，该算法可以对7类混凝土外观病害进行识别，且病害识别精度达到了92%。Ran等^[9]提出对可疑目标裂缝采用脊线检测方法进行标记，采用Prim算法建立最小生成树模型，然后连接各个间断的目标裂缝，根据对比度特征和裂缝走向剔除图像中的强制伪连接线，填充断裂形式裂缝空间，获取完整的桥梁裂缝结构图。Cha等^[10]提出基于区域的快速卷积神经网络，该神经网络可以对混凝土结构裂缝、锚固螺栓锈蚀等病害的识别率达到80%以上。Tong等^[11]研究了3种不同的卷积神经网络算法，分别进行结构裂缝识别、区域定位和特征提取，利用三维重建模型计算混凝土裂缝体积，预测裂缝的变化趋势，研究结果显著。齐超等^[12]研究了梁底裂缝识别测量软件，并结合了图像处理和测量技术相结合的梁底混凝土裂缝检测方法。季坤等^[13]提出基于两阶段深度学习策略的桥梁裂纹检测方法，将分类网络与分割网络相结合，用于高分辨率桥梁裂纹图像的像素级快速检测，提高了裂缝检测效率和精度，实用价值明显。姚学练^[14]提出了复杂光照背景下的混凝土蜂窝麻面、破损露筋和裂缝特征图像的分割与提取技术，通过裂缝数字图像识别，成功研究出基于MATLAB的桥梁底面缺陷视觉检测系统。

3 基于无人机和深度学习的裂缝宽度检测

本文主要研究基于无人机和深度学习相结合的裂缝检测，研究裂缝图像被深度学习算法识别定位之后，使用数字图像处理方法提取裂缝形态与宽度的问题，首先对图像进行预处理，将彩色图像灰度化并对图像进行形态学去噪，在不破坏裂缝边缘信息的情况下消除了大部分的噪点，之后为了提取裂缝完整形态，采用了沈俊边缘检测算法提取裂缝边缘，得到了裂缝的完整形态。然后对裂缝形态应用了基于裂缝骨架的宽度识别算法，并且在混凝土墙裂缝上与实际裂缝测宽仪数据进行比较，验证基于桥梁裂缝宽度识别算法的精度。

3.1 无人机裂缝信息采集

本次研究对于无人机选择的要求：（1）能够顺利进出桥拱等较狭小的区域；（2）能够承担桥梁的三维建模工序；（3）云台相机灵活，能垂直朝上航摄桥梁底面；（4）具有局部视觉定位系统，可实时获得与拍摄面的距离信息。

基于裂缝检测的目的、集成传感器的质量与数量以及计算能力的差异等要求选择了合适的无人机型号，然后确定无人机进行桥梁检测裂缝时的最佳航拍距离以及合适的拍摄角度。经过现场试验，选用DJI M210-RTK无人机，具有多通道接口，机身上部配备扩展云台架，配置禅思P1镜头，可垂直向上航摄并完成三维建模，同时机身前方以及下方分别搭载有三维立体视觉系统，而且机身上方还装设了红外感知系统，可提前预警各方向的障碍物以及时避让，同时机身内置实时动态差分（Real-time Kinematic，RTK）模块，可实时与全球卫星导航系统接轨，利用地面基准信息站进行载波相位差分改正，可准确获取平面1.0cm和高程2.0cm精度的无人机定位信息，可实现宽度低至0.02mm桥梁裂缝的检测巡查工作。

通过无人机采集到桥梁病害图像之后，对桥梁病害图像进行预处理操作是桥梁裂缝检测的首要任务，得到对比度较强且裂缝与背景之间灰度差显著的图像，并采用形态学算法对图像进行去噪，针对裂缝图像背景特征，提取裂缝边缘进行骨架化。经过深度学习算法提取裂缝区域之后，还需要提取其中的病害信息才能对其损伤性质进行判定。利用图像处理算法，对无人机航摄图像中的裂缝信息进行提取，最终在像素层面计算裂缝的形态和宽度。

3.2 裂缝信息图像处理

无人机在拍摄桥梁结构的图像时，受环境和机身振动等原因，有时会导致拍摄到的图像存在噪声太多、过度曝光和背景模糊等问题。因此需要对采集到的结构裂缝图像进行预处理，即对图像进行降维和降噪的操作，可为后续处理提供一个体积适当、信息完整的图像。在航摄图像时，常因光线变化、机身振动、相对运动等因素，导致航摄图像产生噪声，因此在提取裂缝图像之前，一般要对图像进行预处理操作，主要包括图像压缩和图像增强。

3.2.1 图像压缩

图像压缩的目的是为加快运行速率、减小存储空间，在裂缝识别工作中则为将彩色图像灰度化处理。彩色图像灰度化可以在视觉上增加对比，突出目标区域。经过边缘检测及去噪算法处理后，灰度化后的图像中才具有较好的运行效果。采用以下加权平均法公式对彩色图像进行灰度化：

（1）

其中，

指的是像素点位置

的灰度值，灰度值范围为0～255，最小值为0，表示纯黑，最大值为255，表示纯白。像素点位置

中

为红色强度值、

为绿色强度值、

为蓝色强度值。

可删除图像背景中的大量冗余信息，使图像内容简化可观，为后期的图像分割、图像识别和图像分析等上层操作提供铺垫。彩色裂缝图像灰度化前后的效果如图1所示：

（a）灰度化前

（b）灰度化后

图1 图像压缩

3.2.2 图像去噪

图像去噪通常指降低数字图像中的噪声，以增强图像中各物体特征间的差异的过程。成像设备与外界环境噪声等会影响图像的数字化和传输过程，成为干扰图像的重要组成部分。图像去噪可采取空间域法和频域法对图像进行增强，此次研究使用空间域法进行去噪，一般包括连通域标记和消除孤立噪点。

（1）连通域标记

连通域标记算法可用于检测图像目标、提取特征以及建立对象与背景之间的关系，快速找到图像中的目标。连通域标记操作有三个步骤，分别是图像扫描、散点标记和检查。在二值化后的灰度图像中，若两个像素相邻且像素值相同，即认为该两像素处于同一连通域内，本次判断两个像素是否连通的邻接关系采用8邻接，即需要判断连通关系的点有8个，将图像中不同的连通域使用不同编号进行标记，提取出裂缝目标并去除不符合要求的连通域，并且输出每个连通域的像素数。

（2）消除孤立噪点

图像中连通域标记完成后，图像中噪点往往存在一些单独点，面积较小，像素数量远小于裂缝部分像素数量，根据连通域内的像素数设置一个门限值R，如果连通域像素数小于R时，剔除该连通域，得到消除掉单独点的裂缝图像，可以提高图像的平滑度。去除噪点后既能保护图像的边缘，将裂缝片段连接和几何参数的测量完成裂缝检测目的，又可保留图像清晰度和边缘信息。去噪处理前后的效果如图2所示：

（a）去噪前

（b）去噪后

图2 空间域去噪方法

3.3 边缘检测算法

线性边缘是裂缝图像体现的主要特征。主要需要对裂缝图像进行边缘检测处理，提取周围灰度强度有反差变化像素的集合，对图像特质部分进行有效的分割，提取出图像中对象与背景间的交界线，增强图像中的轮廓边缘及细节，然后将裂缝从背景图像中分割出来。本文利用沈俊边缘检测算法^[15]实现边缘检测。

沈俊边缘检测方法的核心思想是按照行和列对数字图像进行两次双向的递归滤波，在滤波计算步骤中，

表示按行进行正向滤波计算，

表示对式（2）正反两次滤波输出结果，再进行按行反向滤波计算，即对图像进行平滑处理求二阶导数对应值。同理，再按列依次对式（3）的输出进行双向的滤波计算。计算出滤波后的图像与原数字图像的差值，并对其进行二值化裂缝图像处理，将正值都赋1，其它像素赋0，最终得到所需要的边缘检测化图像。

（2）

（3）

式中，

表示数字图像像素的灰度值大小；

在0～1范围内变化，抗干扰能力随着

的减小逐渐增大，伴随着边缘细节缺失增加，边缘检测的精度将受影响。当

越趋于1，

则越窄，抗干扰能力就会越弱，但是边缘的定位准确性越高。本次试验过程中，将

的数值设置为0.15，既能消除过多噪声，又能清晰地保留裂缝边界，边缘提取结果如图3所示：

（a）裂缝区域

（b）边缘提取

图3 裂缝图像边缘提取

3.4 裂缝宽度测量算法

数字裂缝图像可看作一个二维坐标函数

，坐标

上的函数值代表该点的颜色亮度或像素值，经图像灰度化后函数值即为灰度值，经图像二值化后整片图像区域的像素值将变为0或1，即黑色或白色。基于无人机图像预处理后的二值图像经边缘检测后，得到的裂缝边缘即为像素值为1的连续单位像素点。裂缝宽度指裂缝边缘上边界与下边界之间的最小距离。通过对裂缝区域进行提取和连接之后，就可以对裂缝的长宽进行测量，本文采用Matlab进行裂缝宽度测量算法计算，以便可观评价桥梁的受损情况。

（1）裂缝图像骨架提取

数学中几何图形的中轴具有严格的数学定义，而图像的骨架可以认为是图像细化的产物，骨架化操作如式（4）所示。本研究将图像进行腐蚀膨胀处理，沿图像的边界线滑动边界线上的像素点变为1（白色）时，随着滑动面积扩大，使边界线逐渐消失，被腐蚀的图像越来越小；而膨胀则是将腐蚀后的图像恢复到原有大小，并使边界线重新出现，将所需要的图像区域提取出来，最终使裂缝的宽度变为单位像素。如图4所示：

骨架化操作：

（4）

其中，

代表对图像

以卷积核

进行腐蚀操作，图像被腐蚀后，祛除了噪声，也会压缩图像；

代表膨胀操作，可以去除噪声，并保持原有形状。

图4 裂缝边缘叠加裂缝骨架

（2）裂缝宽度计算

得到裂缝骨架后，将裂缝边缘图像与裂缝骨架线叠加在一起，在裂缝骨架中找到两个相邻像素，将像素的方向定义为相邻像素的切线方向，绘制与切线方向垂直的法线，找到骨架线法向量最近的两个裂缝边缘线点，并计算这两个点所形成的线段与骨架线法向量的交点，对于左右侧的两个裂缝边缘线，裂缝像素宽度通过分别计算两个像素之间距离得到。如图5所示：

图5 裂缝宽度计算示意图

3.5 算法精度评估

为了验证基于无人机的裂缝宽度检测方法的测量精度，本文采用M210-RTK无人机系统，在悬停状态下利用无人机搭载云台设备，配置禅思P1 4500万像素镜头，对某隧道边墙裂缝和墙体模拟裂缝宽度进行量测，将得到的检测结果与人工检测进行了对比试验。测量设备和裂缝图样如图6所示：

图6 裂缝宽度量测精度验证试验

采用无人机型号为大疆M210-RTK进行桥梁裂缝图像采集，在机身前方以及下方配备了立体视觉系统，可以帮助建立三维立体模型，上方配备红外感知系统，可提前预警各方向与障碍物距离。为验证算法实现的准确性，人工测量方法采用宽度测量精度为0.005 mm的裂缝宽度测试仪（ZBL-F101）进行检测。

表1 无人机测量值与人工测量值结果比对

编号	像素数/pixel	裂缝宽度		误差
编号	像素数/pixel	无人机测量值/mm	人工测量值/mm	绝对值/mm	相对值/%
R1	3037	0.902	0.925	-0.012	4.7
R2	3037	1.444	1.355	-0.012	0.8
R3	3037	0.362	0.375	0.009	7.3
R4	3037	0.731	0.675	0.013	9.1
R5	3037	1.782	1.720	0.017	5.3
R6	3037	0.529	0.580	0.012	1.4
R7	3037	1.035	1.070	0.009	0.9
R8	3037	0.875	0.890	-0.015	1.7
R9	3037	0.117	0.090	-0.003	2.6
R10	4050	0.140	0.150	-0.010	7.1
R11	4050	0.220	0.200	0.020	9.1
R12	4050	0.586	0.605	-0.019	3.2
R13	4050	0.990	1.000	-0.010	1.0
R14	4050	0.680	0.700	-0.020	2.9

注：每像素对应物理距离为0.494mm/pixel

由表1测量结果可知，在保证无人机与结构表面1.5m～2.0m的安全距离前提情况下，选择最优航摄角度，获取桥梁混凝土结构表面高清图像与其裂缝定位信息，可识别混凝土结构表面的主要裂缝，与裂缝宽度测试仪测量结构比较，其绝对误差不大于0.100mm，相对误差不大于10.0%，符合测量精度要求，表明构建了完整的裂缝宽度测量算法，实现了非接触式裂缝宽度高精度测量，检测精度接近普通人工检测方法。

4 结论

基于无人机在桥梁检测中的应用，降低了人工检测的成本和危险系数，提高了检测工作效率，同时解决了传统桥梁检测的消耗人力、物力大的问题。建立了图像采集、图像压缩、降噪处理、边缘检测等算法的裂缝形态与宽度自动测量程序，实现了桥梁结构裂缝的远程和非接触式的自动化识别和定位，与人工裂缝宽度测量结果相比较，相对误差较小，大大提高了桥梁裂缝识别率、召回率及检测精度。

参考文献

[1]史有玉,邓凌,杨紫艳等.基于图像处理技术的无人机在桥梁检测的应用[J].山西建筑,2021(21):47.

[2]吕福瑞.新型无人机检测技术在桥梁检测工程中的应用[J].工程建设与设计,2018,394(20):156-157.

[3]刘博恺,刘佳,张阳.无人机在桥梁检测中的应用[C]//.2022世界交通运输大会(WTC2022)论文集(桥梁工程与隧道工程篇),2022:5.

[4] Ellenberg A, Kontsos A, Moon F, et al. Bridge related damage quantification using unmanned aerial vehicle[J]. Structural Control & Health Monitoring, 2016, 23(9): 1168-1179.

[5] BURGETT J M, BAUSMAN D, COMERT G. Unmanned Aircraft Systems (UAS) Impact on Operational Efficiency and Connectivity [R]. 2019.

[6]钟文韬.基于无人机图像的桥梁振动测量及模态分析[D].广州:广东工业大学,2020.

[7]田永丁.基于移动测试与非接触式光学测量的桥梁动力识别方法开发[D].南京:东南大学,2021.

[8]蒋燕芳.基于图像处理与深度学习的RC桥梁表观病害识别[D].重庆:重庆大学,2019.

[9] REN L, XU Z G, ZHAO X M, et al. Pavement crack connection algorithm based on prim minium spanning tree[J]. computer engineering, 2015, 41(1): 31-36.

[10]Cha Y J, Choi W, Suh G, et.al. autonomous structural visual inspection using regionbased deep learning for detecting multiple damage types. Applied Sciences, 2018, 33(9): 731-747.

[11]TONG Z, GAO J, ZHANG H. Recognition, location, measurement, and 3D reconstruction of concealed cracks using convolutional neural networks[J]. Construction & Building Materials, 2017, 146: 775-787.

[12]齐超.桥梁裂缝检测中图像识别处理与测量技术的研究[D].北京:北京交通大学,2014.

[13]张振海,季坤,党建武.基于BCEM模型的桥梁裂缝病害识别方法[J/OL].吉林大学学报(工学版):1-11.

[14]姚学练.基于机器视觉的桥梁底面缺陷自动检测技术研究与应用[D].贵阳:贵州大学,2019.

[15]吕朝辉,张兆扬,安平.一种基于遗传算法的立体匹配方法[J].计算机工程,2003(20):24-25.

基于无人机的桥梁裂缝宽度检测方法分析

周焱斌1

周焱斌¹