AI视频智能分析、智能感知、桥梁智能检测
先进的检测设备与智能化的算法能够显著提高桥梁检测的质量和效率。无论是初始检查、日常巡检还是定期检查等，视觉检查均是桥梁检测的主要工作项目，检查指标包括桥梁表面裂缝、渗水、剥蚀、露筋等，这其中裂缝检测的技术要求最高，智能化技术研发的挑战最大。一般而言，现场裂缝检测需要满足对0.10-0.15mm裂缝的检出能力，采用数字图像法拍照，影像分辨率（GSD）的要求限制了单张图像的检测面积。如果图像中包含的裂缝无法定位、还原到整桥模型中，局部裂缝检测结果将失去价值。上述问题是无人机智能桥检等智能化检测技术研发的关键难题，即检测高精度与桥梁大场景之间的平衡。AIoT万物智联，智能安全帽生产厂家，执法记录仪生产厂家，智能安全帽、智能头盔、头盔记录仪、执法记录仪、智能视频分析/边缘计算AI盒子、车载DVR/NVR、布控球、室外高精度定位RTK/室内高精度定位UWB/蓝牙信标定位、智能眼镜、智能手电、无人机4G/5G补传系统，多源视频融合~融合通信~安全生产管控平台~大型可视指挥调度平台VMS/smarteye 。
对此：
-
2014年[1]，本文研究团队等（刘宇飞、B. F. Spencer, Jr.、樊健生等）首次将三维重建技术应用于混凝土表面裂缝识别，采用SfM（Structure from Motion）方案解决混凝土表面三维建图与裂缝定位问题，实现了混凝土结构表面裂缝病害的定位与形态修正，上述路线也成为无人机智能桥检等应用技术研究的基本解决方案之一。 -
2020年[2]，研究团队结合实际桥梁检测需求，进一步发展上述SfM技术方案，实现复杂桥梁结构的检测与裂缝定位，相关技术趋于完善。 -
然而，SfM方案在实际桥梁检测中存在不足，包括：（1）现场作业复杂、耗时长。基于SfM方法进行数据采集时，需要进行精细的路径、拍摄参数的规划，以保证三维模型重建的成功率；为实现全桥建模，现场获取照片数量一般很大，因此现场作业时间一般很长。（2）建模成功率低、效率低。用于建模的照片数量巨大，导致SfM三维重建计算时间长，并且建模不一定成功。
针对上述问题，一种利用多传感器融合SLAM（同步定位与建图）和图像超分辨率的快速、准确的裂缝评估方法。通过多传感器融合SLAM，可以直接获得桥架结构的纹理点云，能够显著提高桥检工作效率。此外，基于深度学习的图像超分辨率可有效提裂缝宽度计算的精度。方法适用于无人机、爬壁机器人等桥梁外表面病害检测任务以及履带机器人、手持装置等桥梁箱内检测任务。
研究背景与技术路线
近年来，随着工程建设的不断发展，桥梁和其他基础设施的检测、运营和维护的重要性日益凸显。许多研究利用无人机(UAV)、摄像头、红外传感器等设备，提高效率，减少重复的现场工作，并在桥梁检测过程中增强操作的安全性。在桥梁裂缝评估方面，检测过程可以分为几个独立的阶段，包括数据采集、裂缝检测和分割、裂缝定位和损伤评估，如图1所示：
图1 针对桥梁裂缝的桥梁自动检测流程
作为SfM的替代方案，SLAM（同步定位与建图）也常用于对象的轨迹测量和场景的三维重建。近年来，多传感器融合SLAM领域取得了重大进展。融合激光雷达和RGB摄像头可以更好地改进映射过程以模拟真实环境。在这方面，多传感器融合SLAM可以高效地获取高精度表面纹理，并提供足够的信息用于裂缝定位。
针对上述情况，本文提出了一种快速而准确的裂缝评估方法，其框架如图2所示，包含四个相互关联的部分：数据采集、多传感器融合SLAM、裂缝数据处理和裂缝定位。本文提出的方法和设备可以作为模块集成在不同的平台上进行桥梁检测，可以选择手持设备、车载设备和无人机平台等进行数据采集，每种方案都需要相应的附加硬件开发。
多传感器融合SLAM的桥梁三维重建
多传感器融合SLAM最初是为了解决单传感器SLAM在低纹理场景、光照剧烈变化、长走廊以及需要剧烈运动的情况下性能退化的问题而提出的。研究和实践表明，多传感器融合SLAM在定位和地图构建中表现出强大的鲁棒性和高精度，使其适用于桥梁检测。本文使用惯性-视觉-激光雷达融合SLAM进行数据采集。
在进行数据采集之前，需要确定系统的工作距离，以便获取能够清晰描绘一定宽度裂缝的照片。我们引入地理信息学中的影像分辨率（GSD）概念，它表示图像中一个像素对应的实际长度，由此来确定数据采集时的工作距离。
基于SfM进行数据采集时，通常需要精细的路径规划以确保足够的重叠区域并防止重建失败。例如，对于圆柱形桥墩的数据采集，SfM要求拍摄点位于包络圆附近，轨迹通常根据表面的形状遵循规则的模式。相比之下，SLAM对拍摄路径没有严格要求。它只要求在数据采集过程中，测量表面与拍摄点的最大距离不超过u_max（以满足GSD等要求），如图3所示。因此，这减少了数据采集的难度，并显著提高了效率。
图3 数据采集阶段SfM方法与SLAM方法的对比
现场试验与结果分析
研究团队选择丰沙线某桥墩进行现场测试。该桥墩的下半部分为截锥形，分布有连续的狭窄空间裂缝。数据采集在现场进行，而不是在实验室环境中进行，没有任何人为干预。因此，现场测试的结果可以较大程度地反映真实的桥梁检测情况。测试在良好的天气条件下进行，天空无云，温度适宜，以确保在图像采集过程中桥墩表面的光照均匀。
图4 现场试验场景与数据采集轨迹
由SLAM计算并输出的纹理化点云如图5(左)所示。此外，通过三角网格生成了可用于投影的网格模型，如图5(右)所示。该方法可以高效地获取纹理化的三维模型，并直观地再现桥梁结构与环境场景。
图5 三维重建的结果(左:点云模型，右:网格模型)
在获取桥墩的三维模型后，首先根据SLAM的运算过程，提取上述照片的位置信息。它们与桥墩之间的关系如图6a所示。然后，根据裂缝投影方法，将裂缝特征点投影到三维模型中，并计算裂缝宽度，如图6b所示。
(a) 相机位姿的确定
(b) 裂缝宽度计算结果
SfM与SLAM方法对比
为了展示所提出方法的效率，我们使用上述方法采集的三维模型，与SfM方法三维重建形成的模型进行对比。我们裁剪出待测桥墩部分，并展示不同重建方法获得的纹理细节。从三个方面对检测区域的点云质量进行了比较：非均匀分布、表面偏差和几何精度。通过上述比较可以看出，所提出的方法在三维重建效率和点云质量上具有明显的优势，能够更快地获取高质量的重建结果。这对于桥梁检测和维护具有重要意义。
整个场景的重建细节如图7所示。在重建过程中，控制两种方法得到的点数相对接近，以便科学地比较两种方法之间的性能差异。两种方法在重建过程中的一些参数和质量评估列在表1中。
(a) 基于SfM方法的场景重建
图7 全场景重建的结果对比
一种基于多传感器融合SLAM和图像超分辨率的裂缝评估方法，该方法可以显著提高自动化桥梁检测的效率和准确性，同时满足工程需求。它适用于包括手持设备、车载设备和无人机在内的各种平台。