高速桥梁底部表面缺陷自动检测应用技术研究

余 铨

(安徽中桥建设集团有限公司，安徽 合肥 230051)

引言

为实现市场经济对外扩建，实现各地区资源的交互与流通，国内市政工程建设方加大了对高速桥梁等相关工程建设的投入力度。尽管在当时此项工作取得了较好的收益与较高的成果，但截至到目前，一些高速桥梁的使用已达到了数十年。通过近几年数次对高速桥梁的检测可知，已经有部分桥梁出现了显著的破损、老化现象，此种现象导致了桥梁工程在使用中的危险性越来越高。尤其在较早年间建设的高速桥梁，这部分桥梁普遍存在裂缝、结构失稳方面的质量问题。为解决桥梁工程的安全问题，本研究设计一种底部缺陷自动检测方法，为桥梁工程维修与后续加固施工提供指导方向。

1 高速桥梁底部表面缺陷自动检测应用技术研究

1.1 高速桥梁底部表面缺陷图像获取、去噪与分割处理

由于高速桥梁底部结构复杂，并且桥梁底部中间位置常常是悬空设置，因此针对这一结构表面的缺陷问题进行检测难度较大[1]。针对这一问题，首先对缺陷图像的获取以及预处理进行设计。可利用无人机对高速桥梁底部表面的图像进行采集，并通过无线传输的方式，将无人机上安装的摄像头获取的图像传输到上位机中。在上位机完成对图像的预处理[2]。为了确保后续检测的精度，并加快对图像运算的速度，针对获取到的缺陷图像进行灰度化处理。将一幅完整的缺陷图像按照红色、绿色和蓝色三个通道进行划分，并且只有在三个通道的灰度值均相同的情况下，其图像才能够以灰色形式展现。将图像RGB 中的每一个数值都划分在0～255 区间当中。定义在获取到的表面缺陷图像上的某一像素点为W，将其横纵坐标分别定义为i和j，因此该像素点的坐标可表示为W（i，j），而该像素点的灰度值表示为GW（i，j）。针对该像素点，结合其三个通道的数值，对其进行平均化处理，其表达式为：

式中GW（i，j）为缺陷图像某一像素点w 的灰度平均值；R（i，j）为像素点w 在R 通道上的灰度值；G（i，j）为像素点w 在G 通道上的灰度值；B（i，j）为像素点w在B 通道上的灰度值。由于在实际应用中，考虑到无人机拍摄对象场景位于高速桥梁底部，周围环境昏暗不清，且潮湿，很难明显显示缺陷结构[3]。因此，针对这一问题采取加权化的方式使图像在经过处理后缺陷位置的灰度值更高，颜色更深，方便后续对缺陷位置的测量和计算。图1 为高速桥梁底部表面缺陷原图与灰度化处理图对比。

图1（a）为高速桥梁底部表面缺陷原图；图1（b）为灰度化处理图。从图1 可以看出，经过灰度化处理后，表现缺陷纹理能够更加清晰地展现。

图1 高速桥梁底部表面缺陷原图与灰度化处理图对比

在完成灰度处理后，还需要对图像进行均值滤波处理，通过一个领域模板对获取到的图形进行滤波去噪处理，其具体流程为：给定一个领域内的滤波模板，利用该模板覆盖高速桥梁底部表面缺陷图像上的所有像素点[4]。在各个像素点的领域内对其进行加权平均值计算，并将计算结果赋值给像素点[5]。通过上述处理后，图像当中噪点和缺陷结构呈现白色，而背景呈现为黑色，以此能够实现对图像背景的初步区分。

1.2 缺陷图像的形态学处理

在完成对缺陷图的获取和预处理后，基于膨胀和腐蚀处理等形态学理论对高速桥梁底部表面缺陷图像进行二次处理[6]。假设C 表示为整个高速桥梁底部表面缺陷图像的集合，而D 表示为凌云内的元素，在应用形态学理论后，其实质是应用元素D 对整个图像C 进行过滤处理[7]。利用腐蚀缺陷运算，将集合C 被元素D 腐蚀记为C ΘD，其具体表达式为：

式中x 为位移量。再假设集合C 被元素D 膨胀记为

式中 ϕ为反向位移量。结合上述公式实现对高速桥梁底部表面缺陷图像的形态学处理。在实际应用中，针对获取到的高速桥梁底部表面缺陷图像，首先利用公式（2）对其进行腐蚀操作，以此减少图像当中的噪点，其次再利用公式（3）对其进行膨胀操作，对图像进行二值化处理。通过上述处理，能够使缺陷位置实现自动峰荷，并使其边缘轮廓具备更高完整性。同时，腐蚀处理后的图像缺陷位置周围的噪点被放大，从而实现凸显，再通过膨胀处理使轮廓收缩，并使周围噪点大面积地减小和消失。

1.3 缺陷的自动测量与尺寸计算

在经过上述处理后，得到的高速桥梁底部表面缺陷图像能够为缺陷自动检测提供更有利的依据，但真正计算缺陷的宽度需要对图像当中白色像素点的个数确定，因此需要通过骨骼化的方式实现对缺陷的自动测量[8]。为了确保骨骼化图像上的缺陷具备一定连贯性，并确保其形状与未经过处理的原始高速桥梁底部表面缺陷图像相同。在经过骨骼化处理后，其轮廓上的线必须在原图像的中心位置上。因此，基于上述分析，在对缺陷的自动测量时，应当按照如下流程实现：

步骤一，对无人机获取到的原始高速桥梁底部表面缺陷图像进行复制，避免在后续操作中出现失误而造成对原始图像的影响；

步骤二，对图像的长度和宽度进行测量，并分别减一，为领域处理提供便利条件，并避免在处理中出现越界现象；

步骤三，让图像分别向上、下、左、右四个方向，进行迭代；

步骤四，对图像当中每一个像素点遍历一遍，并设置其中某一像素点P，若该像素点为背景像素或为某一方向上的边界像素，则需要重复步骤三，并继续循环，直到获取的像素点为缺陷结构上的一点；

第五步，对像素点是否为图像上的单一点或相邻点进行判断，若满足单一点，则将该像素点像素设为0，反之设为255。

对完成上述步骤后得到的图像进行缺陷自动跟踪，并计算得出缺陷部位最小外接矩形的长宽比值，假设放宽比值为K，当最小外界矩形的长小于宽时，则K 的取值为长/宽；当最小边界矩形的长大于宽时，则K 的取值为宽/长。再对缺陷图像上连通区域的缺陷周长进行计算，可利用OpenCV 库当中的Length 函数计算得出缺陷图像上连通区域缺陷的周长，同时也可利用OpenCV 库中的contourArea 函数对缺陷图像上连通区域内缺陷面积进行计算。其中，周长的计算结果单位为mm，面积的计算结果单位为像素，以此通过上述操作实现对缺陷的自动检测，并求解出缺陷的具体周长和面积。

2 技术应用效果分析

为证明检测方法具有更高的检测精度或更便捷的应用优势，下述将以安徽省某地高速桥梁为例，设计如下所示的实验。

此次实验所选的桥梁在2000 年建设施工，截至到目前该桥梁已投入使用超过20 年，为避免桥梁由于年久失修出现坍塌等风险，设计使用本研究方法进行桥梁底部表面缺陷的检测。

检测前要明确裂缝缺陷是造成桥梁结构失稳的主要原因之一，也是工程中最主要的病害类型。由于该桥梁是由钢筋混凝土构成，而混凝土又是极易出现裂缝的材料，因此，该桥梁工程在投入使用后，势必是存在裂缝的。为实现对裂缝的精准检测，需要在检测前，使用高精度摄像机，从不同角度拍摄高速桥梁底部图像，加载图像后，根据检测现场的实际要求，采集并获取图像。此过程见图2。

图2 高速桥梁底部表面缺陷图像自动采集过程

图3 为桥梁底部表面裂缝检测结果，从图3 所示的内容可以看出，此次设计的方法可以实现对桥梁裂缝图像的清晰化获取，由此可以说明本研究设计的检测方法在实际应用中的效果是相对良好的，有望将此方法代替人工检测方法在质检机构中推广使用。

图3 桥梁底部表面裂缝检测结果

在此基础上，可以根据工程方的实际检测需求，点击操作界面中的“进入裂缝图像评定界面”，对裂缝进行综合评估，即从不同角度，挖掘此形状或此长度的裂缝在主体结构中是否会出现影响桥梁安全性的问题。

按照上述内容，完成此次实验，最终得出实验结论：此方法在完成设计后具有较好的检测能力，可以实现对裂缝的精准化检测与定位。

完成图像的采集后，根据我国市政单位对桥梁裂缝的规定数值，进行图像的筛选，选择具有研究价值的裂缝图像。在研究前，应先明确国家对桥梁裂缝的限制要求，具体内容见表1。

表1 我国市政单位对桥梁裂缝的规定数值（限值要求）

按照上文设计内容，获取底部表面缺陷裂缝图像，使用计算机技术，对所获取的图像进行集中筛选，筛选有价值的信息，随机选择一条裂缝图像，将其呈现在检测终端，见图3。

3 结论

本研究设计了一种全新的检测方法，实践结果证明，此方法在完成设计后具有较好的检测能力，可以实现对裂缝的精准化检测与定位。尽管此方法的性能优势已十分显著，但仍需要在后续的研究，进行此方法的进一步深化，即通过对方法的优化，完善检测的精度、检测的速度、检测的水平与效率。

在未来对此方法的研究中，将从不同方面进行方法可行性的检测与校验，根据裂缝的形状与裂缝的位置，深度分析裂缝的成因。根据裂缝的发生原因，制定完善的整改方案与加固施工方案，通过对裂缝的有效处理，实现对桥梁整体结构稳定性与安全性的提升，保证桥梁工程在我国经济市场内发挥更高的效益与价值。