针对市政桥梁施工中容易出现的施工缺陷进行识别与检测，提高施工过程中桥梁建设的质量与安全系数。利用无人机搭载高清成像系统采集桥梁各方位图像，对图像进行灰度转换、滤波去噪、图像增强等预处理；以桥梁缺陷特征提取结果作为测试样本与训练样本，构建了卷积神经网络模型识别图像中桥梁缺陷类型。经实际工程验证，此方法可以精准识别桥梁施工的多种缺陷，具有广阔的推广价值与空间。
关键词：市政桥梁；卷积神经网络；缺陷识别
1 引言
我国城市桥梁施工正朝着立体化、多层次的趋势迈进，国内桥梁建设需求与力度不断加大，市政桥梁建设项目数量和规模扩张，对施工质量水平提出了新的标准与要求。桥梁施工质量问题是影响交通安全运输的主要因素之一，保障市政桥梁施工质量、减少施工缺陷是提高市民生命安全系数、促进社会和谐稳定的基本要求[1]。所以，结合当前科技发展水平设计一套识别与检测桥梁施工缺陷的方案势在必行，市政桥梁施工中缺陷识别既要高效，又要具有精准性，才能符合当前桥梁施工建设水平。裂缝是常见的桥梁施工缺陷，由于大部分桥梁施工的关键材料是混凝土，混凝土结构构筑容易发生裂缝现象，裂缝不及时修补为桥梁坍塌埋下安全隐患[2]。本次研究结合缺陷识别领域应用频率较高的图像处理技术，对桥梁施工的裂缝、蜂窝、锈蚀等缺陷进行识别与检测，及时查找出市政施工中的安全隐患，增强桥梁运行的整体质量。
2市政桥梁施工中缺陷识别技术研究
2.1基于无人机的桥梁施工图像采集与处理
2.1.1无人机图像采集技术
无人机采集桥梁施工图像具有较高的灵活性，可以全方位自由采集桥底面、侧面等难以到达的部位信息。无人机采集桥梁施工图像需要搭载高清的成像系统，识别桥梁裂缝的精度可达0.1mm，本次研究选用大疆品牌无人机配合使用高清成像系统，联合采集桥梁各个角度、层面的缺陷信息。本次研究中无人机搭载高清摄像头的结构如下：包括云台、高清成像系统、LED灯具、激光测距仪、旋翼、防撞系统等主要构件[3]。其中，高清成像系统运用5000万像素的摄像头，符合高精度图像采集的标准；防撞系统、云台技术可以减少无人机的自身抖动程度、提高图像采集的稳定性，降低噪声干扰；LED灯具能够为光线不足环境提供照明补充，提高桥底施工图像采集的清晰度；激光测距仪可以测量到图像拍摄的位置信息，为桥梁缺陷定位提供数据基础。
2.1.2 桥梁施工图像预处理
桥梁施工图像预处理的方法与步骤如下：
（1）图像灰度化处理。无人机采集的彩色图像蕴含丰富且大量的图像信息，图像特征提取与缺陷识别仅应用到灰度信息，图像灰度化处理后可以减少算法运行所占空间，提高桥梁施工缺陷识别的效率[4]。本文采用加权平均法转换图像的灰度模式，此方法在诸多相关特征提取实验中取得了优异成果。
（2）图像滤波去噪处理。无人机采集桥梁图像时受光线、设备性能、不确定因素干扰产生大量噪声，影响裂缝缺陷特征提取效果。本文基于均值滤波算法对桥梁图像去噪，该方法优点是运算效率高、滤波器容易实现。
（3）图像增强处理。对采集的桥梁施工图像进行灰度与滤波处理后，图像的噪声含量有所减少。为提高图像中桥梁缺陷提取精度，需要对图像实施增强处理进一步优化图像质量。图像增强改善图像质量的同时重在突出图像边缘、轮廓等感兴趣区域，强调了图像对比度，有助于图中桥梁裂缝缺陷的识别检测。用于增强图像效果的方法较多，此处采用小波变换图像增强法，使用多重小波函数描述信号，能够对图像的时频实施综合性解析，优势是有效抑制图像噪声、加强桥梁施工图像的细节表达。
2.2裂缝缺陷特征提取与识别
以预处理完成的桥梁图像为基础，采用二维OTSU算法分割图像信息，提取桥梁图像中的缺陷特征。然后将特征提取结果作为缺陷识别的样本，构建卷积神经网络模型对目标缺陷进行分类识别，完成桥梁施工缺陷的检测工作[5]。卷积神经网络模型构建步骤如下：
（1）准备600幅桥梁缺陷图像作为训练样本集、150幅桥梁缺陷图像作为测试样本集，如图像数量不足可通过旋转、平移等方式扩充图像库。图像统一像素、格式之后标记序号备用。
（2）本次构建的卷积神经网络模型如图1所示。桥梁施工缺陷图像输入大小为统一规范，通过第一次卷积与抽样操作完成第一次映射，通过第二次卷积与抽样操作完成第二次映射。第一次特征映射操作的图像数量为4幅，第二次特征映射操作的图像数量为6幅，全连接层的缺陷结果输出类型为4种[6]，分别为混凝土裂缝缺陷、麻面缺陷、蜂窝缺陷、锈蚀缺陷。
图1 卷积神经网络模型结构
（a）预处理前 （b）预处理后
图2 本文方法预处理效果
3 实验验证与分析
为验证本文提出的桥梁缺陷识别方法可行实用，以某市政桥梁施工工程为例开展缺陷检测测试。本次测试应用的硬件设备包括大疆无人机、5000万像素的高清成像系统、激光测距仪、LED照明设备。计算机处理环境如下：Intel Core CPU、主频2.60 GHz、运行内存可达8 GB。在桥梁施工现场采集图像总计750幅，其中150幅作为测试集，600幅作为训练样本集。卷积神经网络模型识别桥梁施工缺陷的迭代次数设为150次，每次迭代消耗5s。本次测试中各类型缺陷设置情况与本文方法识别缺陷结果见表1，并以桥梁裂缝缺陷为例展示了图像预处理前后的图像质量情况，见图2。
表1 本文方法缺陷识别与检测结果
数据显示，本文方法识别市政桥梁缺陷的误差约在1.70%～4.30%之间，识别混凝土裂缝缺陷的效果最佳，识别桥梁混凝土蜂窝缺陷的误差相对较高。总体而言，本文方法识别桥梁缺陷的精度均大于95%，满足了现实桥梁施工对缺陷检测精度的要求。
由图2可知，经过本文方法与处理前后的图像质量与清晰度差距显著，无人机采集的原始图像杂色、噪声较多，裂缝特征的边缘较为模糊，影响裂缝特征提取的质量；预处理后的图像裂缝更为突出，裂缝界限清晰，便于精准提取图像的感兴趣区域。
4结论
本文研究的市政桥梁施工缺陷识别方法存在两项优势特征：其一，使用无人机搭载高清成像系统采集桥梁图像，采集方式灵活、采集范围较为全面；其二，构建了卷积神经网络对桥梁缺陷特征进行分类，输出结果可表征4种缺陷类型，通过预先学习缺陷类型的方式精准识别测试集中的桥梁缺陷并进行分类，满足了桥梁施工的质量检测需求。实验结果证明了此方法识别桥梁缺陷的有效性，关于混凝土蜂窝缺陷识别能力相对较弱的问题，未来可进一步加强探索研究，有针对性的改进卷积神经网络构建性能，全方位优化市政桥梁施工缺陷识别效果。
