桥梁智慧检测边缘计算技术及系统开发

李星新，袁 里，陈湘亮，陈益平

(1. 湖南城市学院 土木工程学院，湖南 益阳 413000；2. 湖南未来桥科技有限公司，长沙 410000)

截至2020 年年底，我国公路桥梁总数接近100 万座，及时、科学合理的检测评估可保障众多桥梁的安全服役.为了达到检测评估的目的，目前有2 种做法：定期检测评估和长期健康监测.健康监测的重点在于力学性能监测和变形监测[1]，定期检测的重点在于表观技术状态检测，两者结合可实现桥梁全方位的状态掌控[2-3].

随着信息化技术快速发展，桥梁检测评估手段逐步信息化和在线化.所有检测数据均可通过集中式处理模型，从网络传输到云计算中心，并利用云计算超强的能力来集中解决计算及存储问题[4].随着越来越多的检测和监测设备的现场安装，桥梁检测和监测数据将快速增长，且5G 技术的广泛应用将会产生巨量数据，因此采用以云计算模型为核心的集中式处理模式进行计算将会越来越困难，其带宽不足、实时性不够、安全隐患大以及能耗高等缺陷将会愈加突出[5].为了解决这些问题，边缘计算模型应运而生.

目前，边缘计算的发展还处在初级阶段，在实际应用中还存在很多问题[6]，如优化桥梁智慧检测的边缘计算性能、安全性、互操作性以及智能边缘操作管理服务等.针对以上问题，本文基于边缘计算技术设计开发了桥梁智慧检测系统，以此提升其计算性能、安全性、互操作性以及智能边缘操作管理服务能力，并将其应用于蒙华铁路岳阳洞庭湖大桥的健康监测和长沙机场高速公路桥梁的定期检测.

1 桥梁智慧检测边缘计算架构

边缘计算是在网络边缘执行计算的一种新型计算模型[7].该模型具有以下优点：在靠近数据生产处做数据处理，无需请求云计算中心，减少了系统延迟；在网络边缘处理大量临时数据而不再全部上传云端，极大地减轻了数据中心功耗和网络带宽的压力；边缘计算将隐私数据存储在网络边缘设备上，减少了网络数据泄露的风险.基于上述优势，边缘计算近年来得到迅速发展.

桥梁监测系统含有大量的现场监测设备，单个监测设备模块产生的数据可以很容易地在网络上进行传输，但大量的监测数据传输可能会出现问题.1 个采集模块实时传输的数据可以比较轻松，但若将数百或数千个监测设备采集的数据进行网络上传，不仅质量会因延迟而受到影响，而且带宽成本可能非常巨大.桥梁监测对象由多个分散的桥梁对象或桥梁监测子模块组成，每个分散的监测对象即1 个监测单元，边缘计算的特点特别适用于分散的桥梁监测场景[8].桥梁智慧监测边缘计算架构划分为云计算层、边缘层和现场层.边缘计算的架构描述了其组件和拓扑结构，以及相关技术，见图1.

图1 桥梁监测边缘计算架构

桥梁集群监测需对数座桥梁进行在线监测，超大规模的桥梁集群监测，如武汉城市桥梁集群监测、合肥城市桥梁集群监测以及佛山城市桥梁集群监测等，其设备和网络级别的异构性，以及由各种桥梁生成的大量不同类型数据，将使多样化的应用程序和服务的开发成为一项非常具有挑战性的任务.以往的监测平台通过监测传感器生成大量数据，通过对大数据进行分析，确定桥梁响应或提取、分析统计数据.边缘计算更适合于多个监测模块集成，可为大量桥梁提供有效的安全监测服务.云计算层提供更深层次的计算能力和决策支持，拥有最高的服务资源配置，并为用户提供网页端或移动端的交互方式，桥梁监测数据的界面展示和汇总分析主要在该层[9]；边缘层处于云计算层和现场层的中间，是边缘计算框架中的核心层，桥梁监测数据的采集、传输及节点计算均在该层；现场层包括网络连接传感器、执行器、控制系统等设备，也被称为感知层或终端层.

2 桥梁监测子模块开发及应用

边缘计算的承载平台为边缘网关，开发环境为Linux 系统，并包括桥梁多设备接入和管理、数据分析、统计决策等.图2 是系统边缘网关功能算法流程.

图2 桥梁监测边缘网关功能算法流程

2.1 桥梁监测子模块开发

基于边缘网关功能算法流程，湖南未来桥科技有限公司开发了桥梁监测边缘计算模块及云平台，其实现的主要功能有：桥梁内测站的管理、桥梁管理、与云平台测点信息的同步、数据的采集与显示、数据的预处理(包括最大和最小特征值)、数据的存储等.

2.2 蒙华铁路岳阳洞庭湖大桥健康监测应用

蒙华铁路岳阳洞庭湖大桥是3 塔铁路斜拉桥，主桥长1 290 m.大桥的监测内容与测点布设如图3 所示.为实现大桥多点监测，采用边缘计算技术进行监测系统设计和实施，部分监测界面与数据分析如图4 和图5 所示.

图3 岳阳洞庭湖大桥监测点布设

图4 边缘计算平台-大桥桥塔倾斜监测

图5 大桥实测风玫瑰图

3 桥梁定检子模块开发及应用

桥梁定期检测的传统方式是将视频记录的裂缝等图像上传至云端进行处理，云端计算的负载较高，并且大量数据频繁地传输会增加传输负载，从而导致视频监控的图像处理效率不高，降低了经视频发现病害的效率.边缘计算可实现在前端完成基于深度学习的裂缝自动识别，便于现场及时发现病害并进行更详细的观测.定检子模块基于边缘计算技术，采用快捷数字输入方式，实现桥梁的快速检测[10]，可为公路桥梁快速检测评估提供有效技术手段[11].

3.1 桥梁定检子模块开发

深度学习网络SSD 是一种常用的“一段式网络结构”，无需先产生候选区域(region proposals)再分类，有着较快的检测速度.为了达到更高的检测速度和减少模型参数数量，采用专为移动客户端边缘计算设计的分类模型MobileNet v2 代替原有SSD 模型结构中的VGG-16，用深度可分离卷积结构代替传统卷积结构形成了 SSD Lite-MobileNet v2 模型，显著减少了计算量和参数数量，提高了检测速率[12].采用常用的智能手机作为无人机地面站的数据接收和处理端进行边缘计算，并针对智能手机采用Android Studio 开发了裂缝边缘计算APP 模块.该APP 分为2 个界面，界面1 为裂缝识别页，该页的功能是将无人机拍摄的视频实时显示到屏幕上，同时由所训练的轻量化SSDLite-MobileNet v2 模型实时处理视频(见图6)；界面2 为裂缝宽度测量页，对于界面1 中识别为有裂缝的图片，重新导入到界面2上，并点选所要测量的裂缝位置即能计算该处裂缝宽度.

图6 移动端边缘计算裂缝识别

定检子模块主要包括软件部分和硬件终端，其中软件分为管理端WEB 系统和智能定检APP应用，硬件部分为智能设备巡检终端和数据中心服务器等配套IT 基础设备，智能设备巡检终端采用边缘计算技术.定检子模块由湖南未来桥科技有限公司开发，主要架构和界面见图7 和图8.

图7 定检子模块总体框架

图8 数字快捷创建病害(定检APP)

未来桥智检APP 应用可实现现场巡检养护信息的快捷、全面记录，接收管理端指派的巡检任务和养护单，为现场工作进行统筹安排和规划；管理端WEB 系统通过互联网向用户提供便捷的管理方式，实现对桥群的GIS 地图集成应用，对桥梁检测信息进行集成管理，可以查看其中各个环节的详细信息和处置流程，并通过手机APP 识别和分析病害类型(见图9)、统计病害数量和分布；最后采用相关技术状况评定标准对桥梁进行评估，自动生成各类标准的报告报表(见图10).数据中心为整个系统提供运行环境和网络支持，并采用高性能服务器对数据进行存储管理和各项应用的分发.

图9 基于边缘计算的手机端实时识别裂缝

图10 定检系统自动生成检测报告

3.2 长沙机场高速定期检测应用

长沙机场高速公路为长沙城区连接黄花机场的快速通道，全长17.338 km，为双向四车道，设计行车速度100 km/h.笔者基于未来桥科技有限公司开发的定检平台对机场高速公路上19 座桥梁进行了定期检测(见图11).其中，大桥4 座，中桥5 座，小桥10 座.基于边缘计算技术识别病害、统计病害数量和分布，对桥梁技术状况进行了计算评估(见图12).

图11 长沙机场高速19 座桥梁应用平台

图12 桥梁技术状况计算评估

4 结语

本文为解决传统云计算技术在日益发展的桥梁健康监测及智能定检应用中的带宽不足、能耗大以及数据安全等问题，对边缘计算在桥梁检测中的应用架构展开了研究，实现了在桥梁现场网络边缘处理大量临时数据，不再全部上传云端，减轻了网络带宽和数据中心功耗的压力；实现了在桥梁现场处做数据处理，减少了系统延迟且无需通过网络请求云计算中心；实现将用户隐私数据不再上传，而是存储在网络边缘设备上，减少了网络数据泄露风险.基于边缘计算技术开发了桥梁监测模块和定检模块，并应用于蒙华铁路岳阳洞庭湖大桥健康监测和长沙机场高速公路桥梁的定期检测，与传统云计算中心方式相比，边缘计算现场实时分析处理数据，节约了传统云计算中心大型存储设备，充分发挥了人工智能优势，其检测效率提升了约70%.