基于机器视觉的桥梁结构螺栓缺失病害识别文献综述

1. 选题背景和意义：
2. 课题背景

随着社会经济发展，我国交通网络基础工程的逐步完善。桥梁结构作为公路网络的重要组成部分，使其保持良好的运行状态对于整个交通系统有着重大意义。同时，交通流量的显著增加和重载交通等不利因素会使公路桥梁结构出现多种病害，其养护和管理随之成为当下的研究热点。结构病害的检测是桥梁管理部门的一项基础工作。病害检测如不具备高效性和精确性可能会严重影响到交通的正常运营甚至出现安全隐患。在上个世纪前期，钢桥主要采用焊接。随着螺栓各方面工艺的改进，钢桥逐渐开始采用螺栓连接。至此螺栓连接已成为其主要的连接方式。螺栓脱落也成为钢桁架桥的典型病害。桥梁的螺栓脱落，大致有两大类，一类是螺栓发生断裂，一类是螺栓发生松动，失去连接作用。两种方式都会影响桥梁的安全性能。针对于钢桁架桥高强螺栓病害检测，目前国内外主要采用日常外观巡检和每年定期集中检测相结合的制度。外观巡检主要针对明显部位采用肉眼观察的方法。较大规模的检测为每年的定期集中检测，检测时会施行一定的交通管制，对钢桁架桥进行全面的检测。通过这两种方式及时发现、跟踪钢桁梁的螺栓病害。然而这样的传统方法对起检测区域存在局限性，且检测效率也有待提高。

当代进阶的信息处理技术，传感检查技术以及人工智能算法使在各个领域的病害检测得到较大的发展。利用计算机视觉进行病害检测成为近年国内外的一种新趋势。在工程结构病害检测中深度学习机器视觉已逐步得到应用，且体现出明显的优越性，如针对隧道渗漏病害，结构裂缝病害等的识别上。因此基于机器视觉的桥梁结构螺栓缺失病害识别的研究是一个可行的研究课题。

1. 课题意义

现阶段我国交通工程主要以养护管理为主。结构病害的检测是桥梁管理的重要部分。然而传统的病害检测存在时效性低、漏检率高、主观性强等缺点，这样的方式已难以满足当代桥梁养护需求，且导致桥梁存在一定的安全隐患，新的桥梁结构的病害检测技术亟待开发。

针对钢桁桥梁结构常见的锚固螺栓缺失问题，本课题拟采用人工智能机器视觉技术开展病害的识别与分析。我将学习基于深度学习理论的病害识别、提取与分类技术，基于动态高清摄像数据的病害图像优化，病害训练数据集的标记应用，最终利用深度学习机器视觉技术实现螺栓缺失病害的识别与统计，研发识别螺栓缺失病害有效识别率在90%以上的人工智能机器视觉模型。

1. 课题关键问题及难点：

本课题的关键问题在于：动态高清摄像数据的病害图像的优化，利用深度学习机器视觉技术实现螺栓缺失病害的识别与统计。

课题难点在于：

1. 动态髙清摄像数据的病害图像质量的不确定性

课题采用的无人机拍摄动态高清摄像图片受到环境条件、拍摄角度、光照差异等因素的影响，在图像对比度和光照方面有较大的差异，同时，移动拍摄获得的图像模糊和噪点高。螺栓缺失的情况在图像上的占比通常较小，该病害没有显著特征不易识别，影像模糊、色调不均匀、高噪声等使图像难以充分利用。动态高清摄像数据的信息提取及分析效果极大地受到了上述因素的影响。传统图像处理技术难以准确识别病害。该课题需探讨出修复动态高清摄像图片的系统方法。

1. 螺栓缺失病害的识别与统计

桥梁的空间结构复杂，病害图像中经常出现各类结构部件遮挡的问题，另一方面复杂的结构投射出大量的阴影，这对病害图像灰度值的规律性有极大的影响，进而影响病害识别的准确性。但总体应用效果有待提高。人工智能的发展使深度学习机器视觉在工程结构检测中得到实用。机器视觉中的卷积神经网络具有优异的适应性与泛化能力。 本课题考虑研发采用卷积神经网络技术的螺栓缺失病害人工智能机器视觉模型。

1. 文献综述（或调研报告）：

机器视觉是目前病害检测的有效技术，随着深度学习与人工智能系统的发展，机器视觉技术已经在农业，地理信息，交通安全等方面得到应用。如在盾构隧道渗漏病害识别中，机器视觉与大律法、区域生长法、分水岭法3种传统图像识别算法对比，其避免干扰物能力更强，错检率更低。采用机器视觉技术能够有效提高病害检测效率降低维护成本。

1. 高清摄像检测技术

机器视觉检测技术首先需要传感探测结构来获得影像图，再通过图像处理系统对病害进行检测。国内外工程中常用的主要的传感探测结构分为激光扫描和高清摄像。然而激光扫描技术检测精度较差，不适用于微小病害的检测工作。