DEVELOPMENT OF MOBILE PRECISION DETECTION TECHNOLOGY FOR REINFORCED CONCRETE STRUCTURES
-
摘要:
无损检测技术是一种在不损害材料及结构服役性能的前提下，对其性质进行评估和测量的检测技术。然而，随着无损检测技术的发展和实践，结构内部的复杂损伤检测缺乏多层次精准性成为该领域的难点和核心问题。该文旨在结合国内外的研究成果，对无损检测技术的发展、分类和挑战进行梳理和分析，并在此基础上，介绍作者研究团队建立的一套由宏观到细观，再到内部的全面精准检测系统研究成果。针对表面宏观识别与细观定量识别，作者团队开发了表观病害视觉检测技术，包括构建的空间基准点自动追踪融合和亚像素级病害分割的全景图像快速拼接及表观病害厘米级定位方法，以及提出的全景图像中0.05 mm~0.2 mm多尺寸微细裂缝同步识别及真伪判别的人工智能算法。针对结构内部损伤识别，作者团队首创了智能变频敲击声波扫描及各类损伤精准识别新原理，发明建立了自适应激励分布移动敲击声波的损伤检测评估理论方法、声波及声纹图像特征人工智能算法及智能装备关键技术。经过实验验证，裂缝检测中宽度为0.05 mm时最大深度可达40 mm，剥离检测中最大深度可达400 mm，最小识别范围为50 mm。
Abstract:Non-destructive testing (NDT) technology is a type of testing technology that evaluates and measures material properties without causing damage to the material or its structural performance. Despite the advancements in NDT technology, the detection of complex internal damages at multiple levels remains a significant challenge in the field. The objective of this study is to review and analyze the development, classification and challenges of NDT technology by combining domestic and international research results. On this basis, the study introduces a set of research results on a comprehensive and precise inspection system developed by the author's research team, which covers macro to mesoscopic levels and internal structures. For macroscopic surface identification and quantitative mesoscopic identification of apparent defects, the author’s team has developed visual detection technology. This technology involves rapid panoramic image stitching of spatial reference points and sub-pixel-level disease segmentation, as well as centimeter-level positioning methods for apparent defects. Additionally, the team proposed an artificial intelligence algorithm capable of simultaneously identifying multi-size micro-meso cracks ranging from 0.05 to 0.2 mm, and authenticating panoramic images. Regarding structural internal damage identification, the author’s team pioneered a new principle of intelligent variable-frequency acoustic hammering scanning, enabling precise identification of various types of damage. The team also established the theoretical method of damage detection and assessment using adaptive excitation distribution of mobile acoustic hammering, artificial intelligence algorithms for acoustic wave and acoustic image features, and key technologies for intelligent equipment. Experimental verification has shown that the maximum depth of crack detection is up to 40 mm with a width of 0.05 mm, the maximum depth of delamination detection is up to 400 mm and the minimum recognition range is 50 mm.
-
1 无损检测技术的发展
20世纪起，土木工程领域的无损检测技术开始发展。1969年，英国土木工程师学会和国家无损检测委员会首次召开了关于混凝土和木材的无损检测大会，基本确立了无损检测的原理和背景理论，但大部分技术仍处于实验室阶段，在工业中的应用有限[1]。80年代−90年代，频发的桥梁和隧道事故开始引起公众关注，并加大了对无损检测技术的需求。1998年，为改善国家公路基础设施，美国联邦公路管理局成立了无损检测实验室，致力于先进无损检测技术及系统的研究、开发和实施，并发布了超声波无损检测技术标准[2]及基于无人机的桥梁检测报告[3]。2014年，日本国土交通省制定了针对道路老化的检测对策，在法律法规中明确了对无损检测技术的需求[4]，并在2019年发布了《新技术运用指南》和《检测技术性能目录》[5 − 6]，持续鼓励学术界和工业界对无损检测技术的研发。至今，日本仍在积极地向社会公开征集无损检测技术，以期进一步推动无损检测技术发展。
我国土木工程领域的无损检测技术在过去30年飞速发展。在1992年出版的《混凝土结构工程施工及验收规范》[7]中，首次明确提出无损检测可作为结构检测的依据。1996年，国家建筑工程质量监督中心出版了《混凝土无损检测技术》，为该领域的研究和实践提供了重要参考[8]。近年来，随着无损检测技术在实践中的应用发展，我国工程标准的出台也从结构的质量检测，如混凝土的强度、弹性系数等[9 − 10]，扩展到更为精细的结构损伤检测，如混凝土内部损伤中的空洞、剥离等[11 − 14]。进一步完善了混凝土结构无损检测技术体系，迅速的发展预示着无损检测即将成为土木工程维护管理中重要的组成部分。
在实际的检测中，无损检测的目标不仅在于发现各种类型的结构损伤，更在于实现损伤的量化分析，如确定损伤的位置与尺寸，并收集关于其物理和化学性质的信息。通过对这些信息的深入分析，可以获取劣化的过程和原因，从而制定有针对性的修复和维护方案。此外，这些数据也能够用于评估结构的承载能力，预测建筑物的耐久性和剩余寿命等。无损检测技术根据其基本原理可分为声学/振动、电磁和光学三类。不同检测技术能够应对不同检测需求，需要根据环境条件、结构类型、材料性能、负载需求等，确定最佳的检测策略，兼顾各类检测技术的优缺点，并全面考虑精度、效率和成本等因素。
声学/振动方法主要利用声波/超声波在材料中传播的特性，通过分析反射、折射、散射、衰减、频率、空间分辨率等信息，检测材料或结构性能及完整性，主要包括敲击法(Hammering Test)、冲击回波法(Impact Echo, IE)和超声波检测(Ultrasonic Testing, UT)等。敲击法通过敲击物体表面，依据人工判断反馈的声音来检测物体内部状态。例如：如果反馈的声音清脆，通常意味着结构完整；如果声音沉闷，可能意味着存在裂缝或空洞。敲击法的优点在于原理直观、操作简便，因此大量应用于实际工程中，是一种理想的初步筛查工具。然而，敲击法也有其局限性[15 − 16]。首先，这种方法对操作员的经验和技术要求很高，因为判断声音的差异需要丰富的经验和良好的听力；其次，由于它主要依赖于人的感知，可能受到个体差异的影响，造成结果的不一致；最后，传统的人工敲击对于深层或隐藏损伤的检测能力相对较弱。
电磁方法是基于电介质(非金属材料)中电磁波传播特性的一种检测方法，包括雷达、电阻率法等。然而，电磁波的传播速度会受到湿度的显著影响，并且随着频率带宽的不同，这种影响程度会有所变化。雷达法是一种通过发射电磁波并接收反射波来分析和评估被检测结构的内部性质和条件的无损检测技术，与超声波技术在反射和传输配置上有相似之处。雷达法能对深度从数厘米到几十厘米的范围进行探测，生成直观的二维或三维图像，且可以在不需要物理接触的情况下进行检测。然而，雷达法对个别材料的检测效果不佳，对数据的解读需要专业经验，并会受到环境中其它电磁源的干扰[17 − 18]。
光学方法包括用于地形测量、绘图、尺寸和形变测量的方法，如激光扫描法、激光振动仪和散斑干涉法等；直接记录表面图像的方法，如图像处理法、主动和被动热成像技术等；光谱分析方法，如激光诱导击穿光谱法(Laser-induced breakdown spectroscopy, LIBS)等。图像检测技术已应用于隧道混凝土支护结构沉降监测[19]、桥梁结构变形监测[20 − 21]、钢筋混凝土建筑物结构振动监测[22 − 23]、水下混凝土结构表面病害图像检测[24 − 25]等多领域。图像处理法通过图像获取、预处理、增强、分割以及特征提取等，实现对潜在裂缝和损伤的识别和定位，对结构变形和振动的监测。例如，图像处理法通过图像获取、预处理、增强、分割以及特征提取等，实现对潜在裂缝和损伤的识别和定位。裂缝图像检测技术具有非接触性、实时性和高精度的优点，适用于对高空、危险或难以到达区域的检测，且能够实时开展检测、快速发现裂缝、提升预警效率。然而，该方法对环境、硬件设备、操作员的专业水平要求较高[26 − 27]。
对于上述技术在实际工程环境中的应用以及当前的需求现状，日本预应力混凝土学会在2014年对819名来自建设咨询公司、政府机构以及高等教育机构的专业检测人员进行了一项深度的问卷调查[28]。在调查中，业界对混凝土检测的工作重心主要集中在混凝土质量、混凝土裂缝以及混凝土内部损伤这三大领域。在对混凝土的强度和弹性系数等质量因素进行测量时，专业人员更倾向于使用回弹法，这是一种经过时间考验，得到广泛认可的可靠技术。然而，对于裂缝的宽度和长度的检测，图像处理技术的快速进步吸引了大量的关注。这种技术有潜力结合机器人、无人机等自动化技术，以减少实际工程检测中的人力和物力消耗。再者，在对混凝土空洞和剥离等内部损伤进行检测时，传统的敲击法仍是专业技术人员的首选，其使用人数甚至超过了使用雷达法、冲击回波法等其他检测方法的总和。这种方法传统由于操作简单，适用性强，依然在检测的第一线活跃。
不仅如此，美国混凝土协会(American Concrete Institute, ACI)在2018年发布了一份关于大型结构中混凝土使用评估的实践报告[29]，报告中指出声波/振动类的检测技术可以用作评估大型结构时的损伤检测技术。2019年，由美国运输部授权建立的快速桥梁施工技术—大学交通中心(Accelerated Bridge Construction University Transportation Center, ABC-UTC)发布了一部无损检测技术方法的选择指南 [30]。该指南强调在选择无损检测技术时应考虑的多个关键因素，如技术的可靠性和可重复性、结果的准确性和解读的易用性、特定损伤的检测方法的选择、无损检测技术的优点和限制以及成本因素。
在无损检测的技术发展过程中，一篇关于混凝土声学无损检测技术的回顾指出[31]，尽管现有技术已取得了显著的进步，大多技术在实验室环境下的误差已低于20%，但由于钢筋混凝土结构的复杂性，当技术在现实环境中使用时，其精度可能会进一步降低，甚至低于原有准确率的80%。此外，一份关于混凝土覆盖层检测的技术评估提到[32]，目前的检测技术只能针对特定类型的损伤，即单一的检测方法难以同时应对多种损伤。这种局限性在一份混凝土桥面的无损评估报告中得到了进一步的证实[33]。报告指出，欧美、日本等先进国家的结构检测技术仍处于不成熟的阶段，甚至出现接受评估的七种技术同时无法检测到已知损伤的情况，技术上尚需大幅度提升。值得关注的是，我国在过去30年里，基础设施建设得到了快速发展，未来需要检测的结构数量将非常庞大。而混凝土的内部损伤种类繁多，损伤深度从结构表面到内部都各不相同。在这种情况下，仅依赖人工方法来应对这一挑战显然是难以满足需求的。因此，我们亟需寻找新的解决方案，以应对日益增长的无损检测需求。
综上所述，尽管无损检测技术正逐步提升，大量的检测技术在建筑、桥梁、隧道等结构的检测评估中获得了应用，但仍存在诸多挑战，具体包括：1)无损检测仪器多为人工手持，尚未与机器人、无人机结合，实现移动检测，检测效率低；2)检测过程需依赖人工操作和经验判断，客观性差；3)针对多种类型损伤需要多种检测技术，单一方法的泛用性低。为此，作者团队开发了一种针对钢筋混凝土结构的移动式精准检测技术，它包括了图像识别和智能声波两种损伤识别方法，并研发了与之相对的移动检测装备，以识别多种混凝土结构损伤，自动化完成对结构的初检。
2 移动式精准检测系统设计
作者团队以实现混凝土损伤的自动化、全面且高效的检测为研究目标，设计了一种移动式精准检测系统(图1)，该系统由视觉检测与敲击声波检测两个部分组成，以满足混凝土损伤检测的多元化需求。该系统利用视觉检测技术，从宏观角度出发，对混凝土的表面进行全面检测，以识别定位可能的表面裂缝、剥落等宏观损伤。进一步地，视觉检测也能深入到细观层次，对混凝土的细小裂缝进行定量检测。其次，系统融入了敲击声波检测技术，这一技术的引入使得系统能够对混凝土的内部结构进行定量探测。敲击声波检测可以识别到混凝土内部的损伤，如空洞、剥离等，从而实现由宏观到细观，再到内部损伤的全面精准检测。
基于图像的损伤识别技术主要由两个部分构成。首先，在第一部分中作者团队开发了一种用于宏观病害定位的全景图像拼接方法；其次，为了提高病害识别的准确率，提出了一种基于多尺度特征融合深度学习模型的病害识别方法。在第二部分中，作者团队设计了一种基于分形的细观裂缝识别方法，以便为损伤评估提供精确的裂缝数据。此外，开发了一种多尺度裂缝同步识别方法，以提高细小裂缝的识别精度和效率。
基于智能声波的损伤识别技术针对混凝土材料复杂性及其内部损伤多样性的难点，作者团队在传统敲击法的基础上首创了变频敲击声波理论。如图2所示，传统人工敲击通过激励混凝土检测区域共振发声，从而通过声学特性判断损伤，在这个过程中，人工通过听觉选择最佳的激励频率，从而获得最佳的判断依据。为了保持不同损伤的检测都处在最佳激励频率，作者研究团队通过模拟这一人工检测的行为，提出了一种基于自适应激励频率匹配的智能选频方法，该方法能够根据具体的损伤情况选择最佳的激励频率进行损伤识别，从而提高识别的准确性和效率。为了定量识别裂缝，作者团队基于声波物理特征，并结合频谱特征机器学习模型，实现了裂缝宽度和深度的定量精确识别。同时，为了定量混凝土内部损伤的深度与广度，提出了一种基于动态频谱特征的多尺度剥离深度定量识别方法，实现了对内部损伤剥离的深度与广度的定量识别。
在移动检测装备方面，作者团队提出了一种创新的移动敲击检测系统[34]，实现了移动式、自动化的敲击检测，其主要特性包括高稳定性、高效率以及客观的声学数据。首先，设计了一个配备有变频作动装置的变频敲击控制系统，该系统能够以每秒1次~15次的频率进行自动变频敲击，并保持其稳定性。接着，这个变频敲击控制系统被安装在经过运动学设计的机器人手臂上，通过与系统动态结合，利用视觉相机传输运动坐标自动规划敲击路径，从而实现高效的移动和敲击。
为了能够记录移动检测设备的检测位置，移动设备使用了全球定位系统(Global Positioning System, GPS)定位模块传回位置坐标，然而GPS 有多种影响精度的误差源，包括大气条件变化、多路径和时钟差异等[35 − 36 ]。这些误差源各自在不同的时间范围内产生影响。例如，多径效应本质上是相对静态的，只有在环境发生重大变化情况下才有可能会快速变化[37]。因此，作者团队基于本移动系统开发了一种移动检测位置校正方法(图3)。首先利用装备携带的深度相机对结构工程控制点进行视觉定位(图4)，获得检测设备与已知(xm,ym)的工程控制点之间的相对距离L，然后通过计算得到设备的真实位置(x0, y0)，按照式(1)、式(2)计算校正坐标。
![]()
图 4 基于定位工程控制点和GPS数据的检测位置估计Figure 4. Estimation of detection location based on control points and GPS dataxt=xtgps−(xm−L⋅cosα−xgps) (1) yt=ytgps−(ym−L⋅sinα−ygps) (2) 式中：xgps、ygps为定位工程控制点时的GPS传回坐标；xtgps、ytgps指当前时间t接收到的GPS坐标；xt、yt指当前时间t的校正坐标。
3 基于图像的损伤识别
3.1 宏观病害的识别和定位
3.1.1 基于多序列图像的桥梁梁底全景图像拼接方法
图像拼接技术最早出现在遥感技术领域，随着数字摄影技术和计算机技术的发展，图像拼接技术被广泛应用于民用、医疗、航空等多个领域。图像拼接技术主要包含图像配准和图像融合两方面。在图像配准领域中，匹配方法主要基于频域、区域和特征三类。基于特征的图像匹配具有鲁棒性高、速度快的优点，是研究的热点。MORAVEC[38]首次提出了兴趣点的概念。HARRIS等[39]改进了MORAVEC的算法，计算图像的微分算子并构造Harris矩阵，进而通过图像特征点检测角点。Harris算子的优点是具有良好的旋转不变性和光照不变性。LOWE[40]提出尺度不变特征变换(Scale Invariant Feature Transform, SIFT)匹配算法，该算法解决了算子不具有尺度不变性的问题。RUBLEE等[41]提出了ORB(Oriented FAST and Rotated BRIEF)算法，该算法将FAST特征点和BRIEF描述子相结合，速度比SURF算法更快，但缺少尺度不变性。图像融合主要包括图像空间变换和重叠区域融合。ZARAGOZA等[42]提出了APAP(As-projective-as-possible Image Stitching With Moving Dlt)的拼接方法。APAP算法将图像分割处理，每格对应相应的单应性矩阵，使图像局部基本一致，实现图像的无缝拼接。经过大量学者的深入研究，图像拼接技术逐渐成熟，但对于在某些特定应用的序列图像全景图像拼接来说，除了局部图像的拼接质量外，如何在不损失图像拼接质量的同时保证大量图像拼接的速度也是图像拼接技术应用的关键问题。
图像拼接整体处理流程如图5所示。以两张图像的拼接为例，采用中值滤波对图像进行去噪处理，然后采用伽马校正对图像灰度分部进行调整获得处理后的图像。首先，采用Harris角点识别算法对图像进行特征识别，考虑到将要拼接的照片视野尺寸接近，故简化此步骤，仅在原图提取特征点并采用自适应非极大值抑制算法对所有识别出来的特征点进行筛选。接着，对所有特征点进行描述，对图像做适度的高斯模糊，以特征点为中心，取一定像素的区域将其降采样生成一个高维归一化向量，用该向量作为该特征点的特征描述子，完成两幅图像所有提取出来的特征点描述。然后，采用RANSAC(Random Sample Consensus)算法，在第1幅图像中，每次抽取一定数量特征点，通过特征描述子在第2幅图像中找出配对的相应特征点，并计算第2幅图像相对于第1幅图像的单应性矩阵，并统计配对点的个数，重复此步骤N次，得到配对点对最多的单应性矩阵将其作为最终的透视变换矩阵。最后，根据最佳透视变换矩阵，对齐重叠区域并采用线性融合完成重叠区域的自然过渡。
3.1.2 基于多尺度特征融合深度学习模型的病害识别方法
Deeplabv3+是一种常用的语义分割模型，由Google于2018年提出[43]，是基于深度卷积神经网络(Deep Convolutional Neural Network)的改进版本。近年来，语义分割模型在图像分割任务中取得了显著的进展，并且被广泛应用于各种领域，包括计算机视觉、自动驾驶、医学图像分析、地图制作和解译等。FU等[44]在DeepLabv3+网络结构中引入了密集连接的空间金字塔池化模块，使网络能够获得更密集的像素采样，从而增强了网络提取细节特征的能力。DANG等[45]利用计算机视觉技术和深度学习实现砖石墙的自动裂缝分割和真实裂缝长度测量。BIANCHI等[46]对所收集到的多样数据进行了提炼，开发了四个高质量、易于扩展、可公开访问的数据集，并使用最先进的模型进行了测试，可支持典型的桥梁检查任务。KIM等[47]对比了Pointnet、PointCNN和动态图卷积神经网络(DGCNN)这3种深度学习模型对桥梁组件进行分类，有助于识别桥梁的损伤是否影响到结构上重要的主要构件。丁威等[48]提出了基于残差网络和迁移学习的病害分类识别方法，通过构建多属性病害数据集，利用迁移学习优化残差网络模型，提出混凝土结构健康状态识别的多个任务，实现了对桥梁结构墩柱剪切破坏、锈蚀、碱骨料反应裂缝等大范围宏观病害类别检测。倪有豪等[49]针对桥梁锈蚀数据难获取、锈蚀病害数据集小的问题，基于生成对抗网络(GAN)对桥梁锈蚀数据集进行扩增，并采用IS和K均值聚类算法验证，实现了桥梁结构表面大面积片状锈蚀区域分割，为桥梁锈蚀精准识别与分割提供了技术支撑。阮小丽等[50]为对桥梁结构表面混凝土掉块、露筋进行定量分析，采用深度学习算法Deeplabv3+模型对桥梁结构表面病害进行语义分割，将各病害图像语义分割结果转化为2幅二值化图像，然后统计二值化图像中连通区域的数量、面积等参数，最后根据像素标定值得出掉块、露筋缺陷区域的实际物理尺寸，实现了大面积掉块和露筋面积的准确识别和测量。
基于Deeplabv3+的混凝土表观破损和锈蚀检测量化整体技术由三个模块组成，整体技术路径流程如图6所示。分别是破损和锈蚀的分割检测模块、破损和锈蚀分割结果的后处理模块以及破损和锈蚀的量化分析模块[51]。待检测图片经过破损和锈蚀的分割检测模块，得到了关于破损和锈蚀的三值化图像；再经过破损和锈蚀分割结果后处理模块，消除噪点；经过破损和锈蚀的量化分析，获得破损或锈蚀的面积以及相对应的外接矩形框。最后进行病害定位分析，并可视化病害空间分布。
1)破损和锈蚀分割检测：对原始图片进行下采样缩放，将该缩放后的图片输入到Deeplabv3+网络中，得到相应的分割结果。将分割结果上采样至原始图片大小，从而获得桥梁梁底破损和锈蚀的分割结果。
2)破损和锈蚀分割结果后处理：识别模型误报主要体现在背景乱石、黑色枝干、马克笔、混凝土表面黑色斑点和锈蚀边缘的破损等场景中，且其中以锈蚀误报居多。针对小区域的黑色斑点误报，利用形态学腐蚀膨胀算法进行处理[52]；针对锈蚀边缘的破损误报，采用一种基于破损和锈蚀的统计特性的策略。具体来说，在同一块病害区域内，如果锈蚀的面积大于破损面积的三倍，则当前区域内的破损预测结果将被视为误报，从而剔除掉破损误报。
3)破损和锈蚀量化分析：将破损和锈蚀病害严重程度的量化指标分为破损和锈蚀的面积和外接矩形框。在后处理模块中对分割结果进行轮廓提取，以获取外接矩形框和对应的轮廓信息，根据轮廓信息计算破损或锈蚀的面积，获得破损或锈蚀的量化结果。
4)病害定位分析：当所有需要拼接的序列图像总数为偶数时，所有图像最终都转换至第1张图像坐标系里，第2张图像相对于第1张图像的转换矩阵为H21，第4张图像相对于第3张图像转换矩阵为H43，以此类推，最终可以计算得到第8张图像相对于第1张基准图像的转换矩阵H81。那么第8张图像上的病害在全景图像上的位置即为像素坐标与该图像相对于基准图像的变换矩阵的乘积。在确定了病害在全景图像中的相对位置后，即可定位出病害在实际桥梁梁底的大致位置。
基于深度学习的病害检测方法可大幅提升图像中病害的识别和轮廓分割准确率，该领域已受到国内外大量学者关注。加拿大CHA等[27]率先将卷积神经网络应用于混凝土裂缝检测，其建立了5层CNN模型对裂缝进行识别，并利用滑窗检测对裂缝进行粗略的定位，利用4万张裂缝照片训练深度学习网络，从而表现出相较于传统的CANNY[53]和SOBEL[54]边缘检测算法，卷积神经网络在裂缝识别方面拥有更高的准确率，对复杂环境有更好的适应性。LI等[55]提出多尺度的DBCC裂缝分类模型，并采用图像金字塔和感兴趣区域(Region of Interest, ROI)对窗口滑动算法进行改进来对桥梁裂缝进行检测，取得了较好的准确性和鲁棒性。但这种先分类后滑窗检测的方法是两个独立的流程，并不是端对端的，效率较低。后期，随着目标检测技术的发展，分类和区域定位被统一到一个流程，大大提高了检测效率。吴贺贺等[56]使用Faster R-CNN网络利用区域生成网络(Region proposal network, RPN)代替滑动窗口法进行候选产生候选区域来对隧道图像进行裂缝检测；该方法能够弱化隧道图像质量问题，实现了对隧道图像裂缝的快速检测和准确定位与标注。同时，在病害分割层次，尝试将分类网络的全连接层换成卷积层，对低分辨率的特征图进行反卷积上采样，生成与原图像分辨率相同的概率图，可达到像素级的分类效果。JI等[57]采用U-Net卷积网络实现了像素级、小样本的裂缝检测模型，该方法使用多层卷积自动提取裂缝特征，并利用浅层网络与深层网络叠加的方法实现裂缝局部特征与抽象特征的融合，从而保留裂缝细节特征，与CrackIT、MPS、CrackForest相比检测准确性大大提升。
为了获取更高精度的病害识别结果，作者团队构建了空间基准点自动追踪融合和亚像素级病害分割的全景图像快速拼接及表观病害厘米级定位方法。亚像素级病害分割方法主要由像素级粗分割模块及轮廓精细化处理模块两部分组成。像素级粗分割模块设计了基于滑动窗口的图像处理策略，并在显著性检测分割模型U2net基础上[58]，融合了边缘增强注意力机制，通过设计模型分支将病害边缘特征和图片全局特征进行融合，增加边缘监督信息，提高粗分割结果的检出率和准确率。轮廓精细化处理模块在粗分割结果的基础上，利用双线性插值法对图像进行上采样插值放大，构建亚像素级的图像尺度信息，并将粗分割结果和原始图像进行前景信息融合，设计基于Kmeans的像素聚类方法[59]对粗分割前景像素进行聚类和处理，进而获取病害的亚像素级精细化边缘信息。如图7所示，本文结合多尺度特征融合的识别方法和无人机图像采集技术，采用无人机对梁底进行图像采集。通过图像切割、增强和多尺度特征融合，最终利用亚像素级边缘提取和像素聚类的方法，识别梁底的病害信息，可快速、准确、有效地得到梁底测点的病害特征。
![]()
图 7 基于多尺度特征融合和无人机的梁底表观病害识别Figure 7. Surface defect identification of beam bottom based on multi-scale feature fusion and UAV3.2 细观裂缝的定量识别
3.2.1 基于分形的三阶段细小混凝土裂缝宽度自动识别方法
在初步完成宏观损伤图像的识别后，需要对裂缝进行更精细的细观定量分析。虽然图像语义分割在实际应用中已广泛用于自动检测混凝土裂缝，但当混凝土图像中的细小裂缝(裂缝宽度<0.1 mm)的边缘信息稀疏时，训练的模型往往难以进行有效识别。此外，复杂的混凝土图像背景也会导致频繁的误检。因此，为了提升检测效率并减少误检率，作者团队提出了一种分三阶段进行的细小混凝土裂缝宽度自动识别方法。
在第1阶段，采用图像分割技术实现了全裂缝骨架信息的识别。比较并分析了主要的图像分割架构，如PSPNet、SegNet、U-Net以及Res-U-Net的性能。结果表明：Res-U-Net基础上的裂缝骨架分割对解决细小混凝土裂缝在数据学习中的边界损失问题非常适合，并且在细小裂缝检测准确率(宽度<0.1 mm)方面表现最佳。在第2阶段，作者团队结合了一种基于分形维数(FD)的误检剔除过程，以识别真正的裂缝并排除误检。实验结果显示：像线状曲线、阴影和表面污渍等误检可以被有效剔除，经过剔除误检后，匹配率从0.6476提升至0.8351。最后，在第3阶段，计算了裂缝骨架最大宽度<0.1 mm、裂缝宽度在0.1 mm~0.2 mm之间以及裂缝宽度>0.2 mm的分形维数特征。实验结果表明：这三个裂缝宽度范围的分形维数特征的拟合值适用于裂缝的识别以及裂缝宽度的定量特征化。
3.2.2 基于目标检测的多尺度裂缝同步识别方法
作者团队在后续的研究中注意到，虽然语义分割的裂缝检测可以从像素级别进行裂缝提取，但由于混凝土表面的裂缝形状和分布复杂多变，检测模型通常缺乏学习与位置信息相关的特征。因此，在全景图像中存在多种宽度裂缝的情况下，识别速度可能下降，细小裂缝的误检率也可能增加。为了解决这个问题，作者团队提出了一种结合目标检测模型和语义分割的多尺度裂缝检测方法，以提高多尺度裂缝同步检测的效率和准确性。
首先，对目标检测技术在裂缝识别中的适用性进行了深入的比较和分析，并通过优化特征提取器的替换和边界框的计算方法，为细小裂缝设计了适当的目标检测边界框。提出了一种基于目标检测的高分辨率图像裂缝提取方法，这种方法极大地减少了检测的漏洞(图8)。其次，构建了一个能在像素级别提取裂缝的语义分割模型。与现有的方法相比，这种方法在交并比准确率上平均提升了8%，并且将4000 px×4000 px的大尺寸图像的同步检测时间缩短了75%以上。通过这种综合的裂缝检测方法，作者团队不仅提高了裂缝检测的准确性，同时也显著提升了检测的效率，为混凝土损伤的全方位自动化检测提供了有力支持。
![]()
图 8 目标检测与语义分割相结合的多尺度裂缝检测方法与传统语义分割方法的对比Figure 8. Comparison between multi-scale crack detection method combining object detection and semantic segmentation, and traditional semantic segmentation approaches4 基于智能声波的损伤识别
4.1 变频敲击声波理论
敲击检测的声学判定方法研究通常集中在分析单频敲击的声学特性，通过比较不同敲击检测区域产生的声波差异来确定损伤情况。经作者团队研究发现当检测区域只包含一种类型的损伤时，单频敲击的激励效果存在差异，但是当检测区域存在多种类型的损伤时，单频的方法已不足以区分各种类型的损伤。
与传统的敲击法不同，变频敲击声波法并不直接依赖声学处理，而是通过对检测区域进行不同频率的敲击激励，从而显著增强了对损伤识别的有效信息。如图9所示，展示了利用变频敲击方法获取的声学数据示意图。为了更准确地识别复杂损伤，通过改变敲击频率产生的激励效应，可以获得最大面积的阴影部分，从而提供了最大量的对比信息。这种最佳激励频率，称之为卓越频率。基于此，HUANG等[60]提出了一种基于变频敲击声波的识别方法。通过比较和分析不同激励频率下的频率特性，确定最佳激励条件。利用变频敲击成功识别混凝土结构中的多种损伤类型，准确率达到97.8% ，高于单频敲击的识别结果。
![]()
图 9 不同频率敲击方式下激励效果的区别示意图Figure 9. Schematic diagram of the differences in excitation effects under different frequency hammering methods4.2 基于自适应激励频率匹配的智能选频方法
针对结构内部的细小裂缝、内部空洞、脱层等损伤，单一的检测方法往往难以对所有损伤的保持同等的敏感度，导致误检的概率增加。在此背景下，HUANG等[61]完善了变频敲击声波法中对于最佳激励条件的智能化选择，开发了一种基于自适应激励频率匹配法的内部损伤检测方法。
通过之前的研究发现，不同的损伤识别对不同的激励频率有一定的倾向性，即不同的激励条件会导致与声学特征相对应的不同激励效果。因此，确定损伤类别与其对应的最佳激励频率，即卓越频率的相关性仍然是一个挑战。为开发针对不同类型内部损伤的自适应调整激励频率的敲击模式，作者团队分析了已发表的研究中具有不同激励频率和损伤类型的声音数据，使用交叉相关模型揭示了不同激励频率范围内与损伤类型相关的因素。研究发现声学特征，如不同频段的峰值频率、频谱中心点和频谱，具有通用的声学相关性，可以作为激励频率和损伤类型之间相关性的训练数据。图10说明了根据可能的损伤类型对卓越频率进行自适应匹配的基本原理。基于此，作者团队提出了一种自适应激励频率匹配方法，以提高自动敲击检测在多类损伤识别中的准确性。提出的方法分为两个阶段(图11)：最佳激励频率的自适应匹配和基于声学特征的损伤识别。首先，通过从低到高三个典型激励频率进行预检测；然后，根据三个激励频率的声音特征与损伤之间的相关性进行匹配；最后，通过缩小激励频率范围得到卓越频率。该方法能够在检测过程中对每种损伤保持高敏感度的卓越频率进行识别。
![]()
图 11 自适应激励频率匹配方法的流程图Figure 11. Flowchart of the adaptive excitation frequency matching method4.3 基于声波物理特征的裂缝定量识别
在自动化识别裂缝的过程中，图像处理法能有效地提取裂缝的形态特征。然而，由于环境因素的影响，此方法难以准确判断裂缝的深度。因此，针对混凝土损伤中的细小裂缝问题，ALHEBRAWI等[62]提出了一种基于声波物理特征的敲击声波裂缝识别方法。首先，通过对敲击声波进行快速傅里叶变换，获取到频谱的最大特定频率，也就是主导频率Df，分析了不同混凝土裂缝宽度和深度在敲击下的主导频率差异。实验结果表明：尽管Df可以作为是否存在裂缝的判断标准，但它却无法对裂缝的宽度和深度进行分类。因此，CHENG等[63]在此引入了频率特征量Vf，与Df相比，Vf更能描述频谱的整体分布，而不仅仅是单一的频率特征值。使用Vf进行的检测结果表明：该特征能够用于分类深度小于20 mm的裂缝，且裂缝的最小宽度可以达到0.2 mm。这种基于声波物理特征的敲击声波裂缝识别方法，提供了一个裂缝深度和宽度的分类方法，进一步增强了混凝土裂缝识别的全面性。
4.4 基于频谱特征机器学习模型的裂缝定量精确识别
如4.3节所述，ALHEBRAWI等[62]首先提出了一种基于物理的方法用于检测裂缝的宽度和深度，但该方法的深度检测精度仅为20 mm，无法满足混凝土表层以下的裂缝检测，在此基础上，其提出了一种基于支持向量机的裂缝宽度和深度检测模型，以提高对裂缝深度的识别能力。
在模型的构建过程中，我们首先采用了梅尔频率倒谱系数作为特征向量输入支持向量机。梅尔频谱系数是一种有效的敲击声波特征，已经被广泛应用于管道、桥面等的敲击法检测中[37]。然后，我们建立了一个基于传统机器学习的识别模型，并将其与模糊规则、梯度提升树等其他机器学习方法进行了对比分析。最后，实验结果显示，提出的方法能够有效地检测出深度达40 mm的裂缝，并能区分0.05 mm、0.1 mm以及0.2 mm宽的裂缝。这种基于支持向量机的裂缝宽度深度检测模型，不仅提升了裂缝深度的识别范围，同时也增加了裂缝宽度的识别精度，为混凝土裂缝的更精确识别提供了有效的方法。
4.5 基于动态频谱特征的多尺度剥离深度定量识别
在对混凝土内部损伤定性检测以及表面损伤定量检测进行研究的同时，作者团队还深入研究了内部损伤剥离的定量检测所面临的挑战。实际上，不同形态的损伤在敲击激励下产生的声波存在差异。然而，同一类型的损伤在敲击激励下产生的声波大致相同。因此，依赖单一频率敲击得到的声波数据进行混凝土内部剥离的定量分析是有挑战性的。
针对这一问题，作者团队以变频敲击声波法为基础，提出了一种混凝土内部损伤深度检测方法。该方法依赖于通过变频敲击声波法获取的声学信号变化与内部剥离深度之间的关联性，通过声波的基频分布分析了内部剥离损伤在单频敲击与变频敲击下的不同。如图12所示，深度100 mm与200 mm的剥离损伤在单频与变频敲击下的激励对比，可以看到单频敲击下，两种损伤的基音分布高度重合，而变频敲击得到的基音分布更能区分两种深度的剥离，因此变频敲击所激励得到的声波数据能够通过有效组合成功区分开不同深度的剥离损伤(图13)。然后，利用基于VGG-16的简单深度学习架构，构建了一个剥离深度检测模型(图14)，其特征训练数据包含描述变频敲击过程中不同深度内部损伤的动态声谱图像。如图15所示，作者团队制作了一种包含四种深度的混凝土试件，同时比较了在不同敲击方式下的检测正确率。如表1所示，所提出方法，即基于变频敲击的动态梅尔频谱图像的检测模型准确率高达100%，在单次检测范围由100 mm×150 mm缩小至50 mm×150 mm，需要分类的种类增加的情况下，其准确率(98.15%)依旧高于单频敲击的检测结果(83.87%)。经过实验验证，所提出的方法能够对混凝土剥离的深度与范围进行定量检测，剥离检测最小识别范围为0.05 m，最大检测深度达到0.4 m，深度分辨率为0.1 m。
![]()
图 12 深度100 mm与200 mm的剥离损伤在单频敲击与变频敲击下的激励对比Figure 12. Comparison of excitation in delamination at depths of 100mm and 200mm under single-frequency impact and variable-frequency hammering![]()
图 13 不同剥离深度在变频敲击下的动态频谱变化率Figure 13. Dynamics spectrum variation rate under variable-frequency hammering for different delamination depths![]()
图 14 基于变频敲击声波法的深度定量检测方法Figure 14. Depth detection method based on variable-frequency hammering test表 1 不同敲击方式下的正确率比较Table 1. Comparison of accuracy under different hammering methods检测范围 100 mm×150 mm 50 mm×150 mm 基于单频敲击的频谱图像 90.12 83.87 基于变频敲击的动态频谱图像 94.45 86.15 基于单频敲击的梅尔频谱图像 96.46 83.14 基于变频敲击的动态梅尔频谱图像 100.00 98.15 ![]()
图 15 包含多尺度剥离损伤的混凝土试件示意图与实物图Figure 15. Schematic diagram of concrete specimens containing multi-scale delamination and physical image5 结论
本文旨在结合国内外的研究成果，对无损检测技术的发展、分类和挑战进行梳理和分析，介绍作者研究团队在无损检测方面的研究成果，主要结论如下：
(1)针对现有技术的不足，作者团队设计了一种基于视觉检测与敲击声波检测的移动式精准检测系统。该系统实现了宏观病害的识别和定位—细观裂缝的定量识别—内部损伤的定性定量识别的钢筋混凝土结构全面检测。并在此基础上研发了一套包含定位功能的移动式精准检测装备。
(2)作者团队针对钢筋混凝土结构表面的宏观病害，构建了空间基准点自动追踪融合和亚像素级病害分割的全景图像快速拼接及表观病害厘米级定位方法。对于进一步的细观裂缝定量识别，提出了全景图像中0.05 mm~0.2 mm多尺寸微细裂缝同步识别及真伪判别的人工智能算法，相较于传统语义分割裂缝识别技术效率提升75%。
(3)作者团队针对混凝土内部损伤检测中人工和敲击声波损伤检测技术需要全面精准-可移动-智能等多方面提升需求，首创了变频敲击声波理论与基于自适应激励频率匹配的智能选频方法，发明建立了声波及声纹图像特征人工智能算法，针对裂缝检测，宽度为0.05 mm时检测最大深度可达40 mm，针对剥离检测，最大深度可达400 mm，最小识别范围为50 mm。
注：该文在第32届结构工程学术会议 (2023 赣州) 应邀作特邀报告
-
![]()
图 4 基于定位工程控制点和GPS数据的检测位置估计
Figure 4. Estimation of detection location based on control points and GPS data
![]()
图 7 基于多尺度特征融合和无人机的梁底表观病害识别
Figure 7. Surface defect identification of beam bottom based on multi-scale feature fusion and UAV
![]()
图 8 目标检测与语义分割相结合的多尺度裂缝检测方法与传统语义分割方法的对比
Figure 8. Comparison between multi-scale crack detection method combining object detection and semantic segmentation, and traditional semantic segmentation approaches
![]()
图 9 不同频率敲击方式下激励效果的区别示意图
Figure 9. Schematic diagram of the differences in excitation effects under different frequency hammering methods
![]()
图 11 自适应激励频率匹配方法的流程图
Figure 11. Flowchart of the adaptive excitation frequency matching method
![]()
图 12 深度100 mm与200 mm的剥离损伤在单频敲击与变频敲击下的激励对比
Figure 12. Comparison of excitation in delamination at depths of 100mm and 200mm under single-frequency impact and variable-frequency hammering
![]()
图 13 不同剥离深度在变频敲击下的动态频谱变化率
Figure 13. Dynamics spectrum variation rate under variable-frequency hammering for different delamination depths
![]()
图 14 基于变频敲击声波法的深度定量检测方法
Figure 14. Depth detection method based on variable-frequency hammering test
![]()
图 15 包含多尺度剥离损伤的混凝土试件示意图与实物图
Figure 15. Schematic diagram of concrete specimens containing multi-scale delamination and physical image
表 1 不同敲击方式下的正确率比较
Table 1 Comparison of accuracy under different hammering methods
检测范围 100 mm×150 mm 50 mm×150 mm 基于单频敲击的频谱图像 90.12 83.87 基于变频敲击的动态频谱图像 94.45 86.15 基于单频敲击的梅尔频谱图像 96.46 83.14 基于变频敲击的动态梅尔频谱图像 100.00 98.15 
下载: 导出CSV
-
[1] MAIERHOFER C, REINHARDT H W, DOBMANN G. Non-destructive evaluation of reinforced concrete structures [M]. Amsterdam: Elsevier, 2010.
[2] United States. Federal Highway Administration;Turner-Fairbank Highway Research Center. Development of phased-array ultrasonic testing acceptability criteria (Phase I) [R]. United States: Office of Infrastructure Research and Development, 2014.
[3] NEUBAUER K, BULLARD E, BLUNT R. Collection of data with unmanned aerial systems (UAS) for bridge inspection and construction inspection [R]. United States: Office of Infrastructure Research and Development, 2021.
[4] 国土交通省. 道路橋定期点検要領[R]. 日本: 国土交通省道路局, 2014. Ministry of Land, Infrastructure, Transport and Tourism (MLIT). Guidelines for regular inspection of road bridges [R]. Japan: Ministry of Land, Infrastructure, Transport and Tourism, 2014. (in Japanese
[5] 国土交通省. 新技術利用のガイドライン(案)[R]. 日本: 国土交通省, 2019. Ministry of Land Infrastructure, Transport and Tourism (MLIT). Guidelines for the utilization of new technology (draft) [R] Japan: Ministry of Land, Infrastructure, Transport and Tourism, 2019. (in Japanese
[6] 国土交通省. 点検支援技術性能カタログ(案)[R]. 日本: 国土交通省, 2019. Ministry of Land, Infrastructure, Transport and tourism (MLIT). Inspection support technical performance catalog (draft) [R] Japan: Ministry of Land, Infrastructure, Transport and Tourism, 2019. (in Japanese
[7] GB 50204−1992, 混凝土结构工程施工及验收规范[S]. 辽宁: 辽宁科学技术出版社, 1992. GB 50204−1992, Code for construction and acceptance of concrete structures [S]. Liaoning: Liaoning Science and Technology Press, 1992. (in Chinese)
[8] 国家建筑工程质量监督检验中心. 混凝土无损检测技术[M]. 北京: 中国建材工业出版社, 1996. National Building Engineering Quality Supervision and Inspection Center. Non-destructive testing techniques for concrete [M]. Beijing: China Building Materials Industry Press, 1996. (in Chinese)
[9] T/CECS 964−2021, 摆锤敲入法检测钢材屈服强度技术规程[S]. 北京: 中国建筑工业出版社, 2021. T/CECS 964−2021, Technical specifications for testing yield strength of steel by pendulum bob knocking-in resistance method [S]. Beijing: China Architecture & Building Press, 2021. (in Chinese)
[10] JGJ/T 23−2011, 回弹法检测混凝土抗压强度技术规程[S]. 北京: 中国建筑工业出版社, 2011. JGJ/T 23−2011, Technical specification for inspecting of concrete compressive strength by rebound method [S]. Beijing: China Architecture & Building Press, 2011. (in Chinese)
[11] T/CECS G: J50-01−2019, 桥梁混凝土结构无损检测技术规程[S]. 北京: 人民交通出版社股份有限公司, 2019. T/CECS G: J50-01−2019, Technical specification for non-destructive testing of bridge concrete structure [S]. Beijing: People's Communications Publishing House Co., Ltd, 2019. (in Chinese)
[12] DB53/T 1034−2021, 公路隧道隐蔽工程无损检测技术规程[S]. 北京: 人民交通出版社股份有限公司, 2021. DB53/T 1034−2021, Technical specifications for non-destructive testing of concealed works in highway tunnels [S]. Beijing: People's Communications Publishing House Co., Ltd, 2021. (in Chinese)
[13] GB/T 43143−2023, 无损检测 声发射检测 混凝土结构活动裂缝分类的检测方法[S]北京: 中国标准出版社, 2023. GB/T 43143−2023, Non-destructive testing—Acoustic emission testing—Test method for classification of active cracks in concrete structures [S]. Beijing: Standards Press of China, 2023. (in Chinese)
[14] GB/T 41055−2021, 预应力钢筒混凝土管无损检测(远场涡流电磁法)技术要求[S]. 北京: 中国标准出版社, 2021. GB/T 41055−2021, Technical requirements for nondestructive testing (electromagnetic method based on remote field eddy current) on prestressed concrete cylinder pipe [S]. Beijing: Standards Press of China, 2021. (in Chinese)
[15] FUJII H, YAMASHITA A, ASAMA H. Defect detection with estimation of material condition using ensemble learning for hammering test [C]// Proceedings of 2016 IEEE International Conference on Robotics and Automation (ICRA) Stockholm. Stockholm, Sweden: IEEE, 2016: 3847 − 3854.
[16] SANSALONE M J, STREETT W B. Impact-echo: Nondestructive evaluation of concrete and masonry [M]. New York: Bullbrier Press, 1997: 123 − 134.
[17] TOSTI F, FERRANTE C. Using ground penetrating radar methods to investigate reinforced concrete structures [J]. Surveys in Geophysics, 2020, 41(3): 485 − 530. doi: 10.1007/s10712-019-09565-5
[18] MA Y, ELSEIFI M A, DHAKAL N, et al. Non-destructive detection of asphalt concrete stripping damage using ground penetrating radar [J]. Transportation Research Record:Journal of the Transportation Research Board, 2021, 2675(10): 938 − 947. doi: 10.1177/03611981211014199
[19] 陈必港. 机器视觉测量技术在既有公路隧道拱顶沉降监测中的应用[J]. 福建交通科技, 2021(7): 91 − 94 CHEN Bigang. Application of machine vision measurement technology in the monitoring of existing highway tunnel vault settlement [J]. Fujian Transportation Technology, 2021(7): 91 − 94. (in Chinese)
[20] 邵新星, 黄金珂, 员方, 等. 基于视觉的桥梁挠度测量方法与研究进展[J]. 实验力学, 2021, 36(1): 29 − 42. SHAO Xinxing, HUANG Jinke, YUAN Fang, et al. Measurement method and Recent progress of vision-based deflection measurement of bridges [J]. Journal of Experimental Mechanics, 2021, 36(1): 29 − 42. (in Chinese)
[21] 朱前坤, 崔德鹏, 杜永峰. 基于网络摄像机的桥梁挠度非接触识别[J]. 工程力学, 2022, 39(6): 146 − 155 doi: 10.6052/j.issn.1000-4750.2021.03.0221 ZHU Qiankun, CUI Depeng, DU Yongfeng. Non-contact identification of bridge deflection based on network camera [J]. Engineering Mechanics, 2022, 39(6): 146 − 155.(in Chinese) doi: 10.6052/j.issn.1000-4750.2021.03.0221
[22] WEI K, YUAN F, SHAO X X, et al. High-speed multi-camera 3D DIC measurement of the deformation of cassette structure with large shaking table [J]. Mechanical Systems and Signal Processing, 2022, 177: 109273. doi: 10.1016/j.ymssp.2022.109273
[23] 修晟, 张愿, 单伽锃. 基于视觉和振动监测数据融合的结构动态位移识别及其试验验证[J]. 工程力学, 2023, 40(11): 90 − 98 doi: 10.6052/j.issn.1000-4750.2022.01.0106 XIU Cheng, ZHANG Yuan, SHAN Jiazeng. Vision and vibration data fusion-based structural dynamic displacement measurement with test validation [J]. Engineering Mechanics, 2023, 40(11): 90 − 98.(in Chinese) doi: 10.6052/j.issn.1000-4750.2022.01.0106
[24] WU T, HOU S T, SUN W H, et al. Visual measurement method for three-dimensional shape of underwater bridge piers considering multirefraction correction [J]. Automation in Construction, 2023, 146: 104706. doi: 10.1016/j.autcon.2022.104706
[25] 谢文高, 张怡孝, 刘爱荣, 等. 基于水下机器人与数字图像技术的混凝土结构表面裂缝检测方法[J]. 工程力学, 2022, 39(Suppl): 64 − 70 doi: 10.6052/j.issn.1000-4750.2021.05.S010 XIE Wengao, ZHANG Yixiao, LIU Airong, et al. Method for concrete surface cracking detection based on rov and digital image technology [J]. Engineering Mechanics, 2022, 39(Suppl): 64 − 70.(in Chinese) doi: 10.6052/j.issn.1000-4750.2021.05.S010
[26] LI S Y, ZHAO X F, ZHOU G Y. Automatic pixel‐level multiple damage detection of concrete structure using fully convolutional network [J]. Computer-Aided Civil and Infrastructure Engineering, 2019, 34(7): 616 − 634. doi: 10.1111/mice.12433
[27] CHA Y J, CHOI W, BÜYÜKÖZTÜRK O. Deep learning‐based crack damage detection using convolutional neural networks [J]. Computer-Aided Civil and Infrastructure Engineering, 2017, 32(5): 361 − 378. doi: 10.1111/mice.12263
[28] 本特集号担当委員. PC構造物の非破壊検査技術に関するアンケート, コンクリート構造診断士に聞く [J]. プレストレストコンクリート, 2014, 56(6): 75 − 83. Survey on non-destructive testing techniques for PC (prestressed concrete) structures, asking concrete structure diagnosticians [J]. JPCI, 2014, 56(6): 75 − 83. (in Japanese
[29] ACI Committee. Report on practices for evaluation of concrete in existing massive structures for service conditions [R]. United States: ACI, 2018.
[30] MEHRABI A, FARHANGDOUST S. NDT methods applicable to health monitoring of ABC closure joints [R]. United States: Accelerated Bridge Construction University Transportation Center (ABC-UTC), 2019.
[31] BRIGANTE M, SUMBATYAN M A. Acoustic methods for the nondestructive testing of concrete: A review of foreign publications in the experimental field [J]. Russian Journal of Nondestructive Testing, 2013, 49(2): 100 − 111. doi: 10.1134/S1061830913020034
[32] LIN S B, MENG D W, CHOI H, et al. Laboratory assessment of nine methods for nondestructive evaluation of concrete bridge decks with overlays [J]. Construction and Building Materials, 2018, 188: 966 − 982. doi: 10.1016/j.conbuildmat.2018.08.127
[33] LIN S B, AZARI H, MENG D W, et al. Nondestructive evaluation of concrete bridge decks with overlays [R]. McLean: Office of Infrastructure Research and Development, 2021.
[34] HUANG X, HUANG H, WU Z S. Development of an automated hammer testing system for concrete structures [J]. International Journal of Sustainable Materials and Structural Systems, 2022, 6(1): 32 − 45. doi: 10.1504/IJSMSS.2022.131229
[35] BAJAJ R, RANAWEERA S L, AGRAWAL D P. GPS: Location-tracking technology [J]. Computer, 2002, 35(4): 92 − 94. doi: 10.1109/MC.2002.993780
[36] DECESARE N J, SQUIRES J R, KOLBE J A. Effect of forest canopy on GPS-based movement data [J]. Wildlife Society Bulletin, 2005, 33(3): 935 − 941. doi: 10.2193/0091-7648(2005)33[935:EOFCOG]2.0.CO;2
[37] BRAASCH M S. Isolation of GPS multipath and receiver tracking errors [J]. Navigation, 1994, 41(4): 415 − 435. doi: 10.1002/j.2161-4296.1994.tb01888.x
[38] MORAVEC H P. Rover visual obstacle avoidance [C]// Proceedings of the 7th International Joint Conference on Artificial Intelligence. Vancouver: William Kaufmann, 1981: 785 − 790.
[39] HARRIS C, STEPHENS M. A combined corner and edge detector [C]// Proceedings of the 4th Alvey Vision Conference. Manchester: Alvey Vision Club, 1988: 147 − 151.
[40] LOWE D G. Distinctive image features from scale-invariant keypoints [J]. International Journal of Computer Vision, 2004, 60(2): 91 − 110. doi: 10.1023/B:VISI.0000029664.99615.94
[41] RUBLEE E, RABAUD V, KONOLIGE K, et al. ORB: An efficient alternative to SIFT or SURF [C]// Proceedings of 2011 International conference on computer vision. Barcelona: IEEE, 2011: 2564 − 2571.
[42] ZARAGOZA J, CHIN T J, BROWN M S, et al. As-projective-as-possible image stitching with moving DLT [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(7): 1285 − 1298. doi: 10.1109/TPAMI.2013.247
[43] CHEN L C, ZHU Y K, PAPANDREOU G, et al. Encoder-Decoder with atrous separable convolution for semantic image segmentation [C]// Proceedings of the 15th European Conference on Computer Vision. Munich: Springer, 2018: 833 − 851.
[44] FU H, MENG D, LI W, et al. Bridge crack semanticsegmentation based on improved Deeplabv3+ [J]. Journal of Marine Science and Engineering, 2021, 9(6): 671.
[45] DANG L M, WANG H, LI Y, et al. Deep learning-based masonry crack segmentation and real-life crack length measurement [J]. Construction and Building Materials, 2022, 359: 129438.
[46] BIANCHI E, HEBDON M. Development of extendable open-source structural inspection datasets [J]. Journal of Computing in Civil Engineering, 2022, 36(6): 04022039.
[47] KIM H, KIM C. Deep-learning-based classification of point clouds for bridge inspection [J]. Remote Sensing, 2020, 12(22): 3757.
[48] 丁威, 马亥波, 舒江鹏, 等. 基于残差网络的混凝土结构病害分类识别研究[J]. 建筑科学与工程学报, 2022, 39(4): 127 − 136. doi: 10.19815/j.jace.2021.10112 DING Wei, MA Haibo, SHU Jiangpeng, et al. Research on classification and recognition of concrete structure diseases based on residual network [J]. Journal of Architecture and Civil Engineering, 2022, 39(4): 127 − 136. (in Chinese) doi: 10.19815/j.jace.2021.10112
[49] 倪有豪, 陆欢, 季超, 等. 基于语义分割的桥梁锈蚀病害识别对比分析[J]. 东南大学学报(自然科学版), 2023, 53(2): 201 − 209. NI Youhao, LU Huan, JI Chao, et al. Comparative analysis on bridge corrosion damage detection based on semantic segmentation [J]. Journal of Southeast University (Natural Science Edition), 2023, 53(2): 201 − 209. (in Chinese)
[50] 阮小丽, 王波, 吴巨峰, 等. 基于深度学习的钢筋混凝土桥梁掉块露筋病害识别[J]. 世界桥梁, 2020, 48(6): 88 − 92. RUAN Xiaoli, WANG Bo, WU Jufeng, et al. Identification of spalled concrete and exposed reinforcement in reinforced concrete bridge based on deep learning [J]. World Bridges, 2020, 48(6): 88 − 92. (in Chinese)
[51] CHEN L C, PAPANDREOU G, SCHROFF F, et al. Rethinking atrous convolution for semantic image segmentation [J]. arXiv preprint arXiv: 1706.05587, 2017.
[52] WU X W, SAHOO D, HOI S C H. Recent advances in deep learning for object detection [J]. Neurocomputing, 2020, 396: 39 − 64. doi: 10.1016/j.neucom.2020.01.085
[53] CANNY J. A computational approach to edge detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(6): 679 − 698. doi: 10.1109/TPAMI.1986.4767851
[54] KITTLER J. On the accuracy of the Sobel edge detector [J]. Image and Vision Computing, 1983, 1(1): 37 − 42 doi: 10.1016/0262-8856(83)90006-9
[55] LI L, WU H, ZHU X, et al. Multi-scale dense convolutional encoder-decoder network for crack detection [J]. IEEE Transactions on Industrial Electronics, 2018, 65(2): 1945 − 1953
[56] 吴贺贺, 王安红, 王海东. 基于Faster R-CNN的隧道图像裂缝检测[J]. 太原科技大学学报, 2019, 40(3): 165 − 168. WU Hehe, WANG Anhong, WANG Haidong. Crack of tunnel detection based on faster R-CNN [J]. Journal of Taiyuan University of Science and Technology, 2019, 40(3): 165 − 168. (in Chinese)
[57] JI J S, WU L J, CHEN Z C, et al. Automated pixel-level surface crack detection using U-Net [C]// Proceedings of the 12th International Conference on Multi-disciplinary Trends in Artificial Intelligence. Hanoi: Springer, 2018: 69 − 78.
[58] QIN X B, ZHANG Z C, HUANG C Y, et al. U2-Net: Going deeper with nested U-structure for salient object detection [J]. Pattern Recognition, 2020, 106: 107404. doi: 10.1016/j.patcog.2020.107404
[59] DHANACHANDRA N, MANGLEM K, CHANU Y J. Image segmentation using K -means clustering algorithm and subtractive clustering algorithm [J]. Procedia Computer Science, 2015, 54: 764 − 771. doi: 10.1016/j.procs.2015.06.090
[60] HUANG X, HUANG H, WU Z S. Development of a variable-frequency hammering method using acoustic features for damage-type identification [J]. Applied Sciences, 2023, 13(3): 1329. doi: 10.3390/app13031329
[61] HUANG H, HUANG X, WU Z S, et al. Adaptive excitation frequency matching and acoustic-feature-based automatic hammering inspection system [J]. International Journal of Structural Stability and Dynamics, 2023.
[62] ALHEBRAWI M N, HUANG H, WU Z S. Artificial intelligence enhanced automatic identification for concrete cracks using acoustic impact hammer testing [J]. Journal of Civil Structural Health Monitoring, 2023, 13(2/3): 469 − 484.
[63] CHENG H, WANG F R, HUO L S, et al. Detection of sand deposition in pipeline using percussion, voice recognition, and support vector machine [J]. Structural Health Monitoring, 2020, 19(6): 2075 − 2090. doi: 10.1177/1475921720918890
计量
- 文章访问数: 352
- HTML全文浏览量: 86
- PDF下载量: 119
