通过基于深度学习的图像超分辨率技术提升基于视觉的位移测量的精度

《Engineering Applications of Artificial Intelligence》：Accuracy enhancement for vision-based displacement measurement by deep learning-based image super-resolution

结构位移视觉测量精度提升方法研究基于真实场景低分辨率-高分辨率图像对构建，改进EDSR模型融合多尺度卷积与通道注意力模块进行图像超分辨率重建，结合KLT算法实现位移测量。实验表明在室内场景PSNR提升3.2%，SSIM提升2.5%；户外场景PSNR提升2.6%，SSIM提升0.6%，RMSE分别降低37.4%和27%。

　　
本文针对户外环境中基于视觉的结构位移测量精度受限问题，提出了一种融合深度学习图像超分辨率（SR）技术的解决方案。研究聚焦于如何通过提升图像质量来增强位移测量的可靠性，其创新性体现在三个关键环节：真实场景数据集的构建、EDSR模型的改进优化，以及多环境下的实验验证。

在数据构建方面，研究团队突破传统合成数据集的局限，采用系统性流程生成真实世界的LR-HR图像对。具体方法包括多角度图像采集、基于模板匹配的精确对齐技术，以及结合几何变换和随机噪声注入的数据增强策略。这种真实场景数据生成方式有效解决了传统方法中因合成数据与实际环境差异导致的模型泛化能力不足的问题，特别是针对广州地区特有的多变的气象条件和光照变化，构建了具有地域代表性的数据集。

模型优化部分，改进的MSCA-EDSR模型在基础EDSR架构上进行了双重创新。首先引入并行多尺度卷积模块，通过同时处理1×1、3×3和5×5不同尺寸的卷积核，能够同时捕捉图像的宏观结构和局部细节特征。这种设计使得模型在恢复桥梁结构等复杂纹理时，既能保持整体轮廓的准确性，又能清晰呈现微小的位移变化。其次开发的通道注意力块，通过动态调整每个通道的权重系数，有效抑制了户外环境中常见的雾气干扰和逆光导致的特征模糊问题。实验数据显示，改进后的模型在PSNR指标上较原EDSR提升3.2%（室内）和2.6%（室外），SSIM指标分别提高2.5%和0.6%，这直接转化为位移测量精度的显著提升。

在实验验证环节，研究团队设计了具有工程代表性的双场景测试。室内测试采用桥梁支座剪切试验，设置1.478米观测距离，通过iPhone 15专业级设备采集30fps视频，成功恢复180毫米大位移下的结构形变。特别值得注意的是，在传统方法下难以识别的支座边缘细微变形，通过MSCA-EDSR处理后能够准确提取特征点，使RMSE降低37.4%。室外测试则针对广州典型气候条件，使用高精度工业相机在8.4米跨度悬索桥模型上开展振动测试。研究创新性地引入动态负载释放机制，模拟真实桥梁在突发荷载下的响应过程，验证了模型在60fps高速拍摄下的实时处理能力。

成果应用方面，该技术体系展现出显著的工程适用性。在数据处理流程中，开发了自动化图像预处理模块，包括智能曝光补偿、多帧融合降噪和光照一致性校准。这些技术使原本受限于手持设备拍摄质量（如iPhone 15的1440×810分辨率）的观测数据，经过MSCA-EDSR处理后可达到专业级相机（如Canon EOS 500D的60fps 26mm镜头）的成像效果。实际工程测试表明，该方法在位移测量精度上较传统非接触式方法（如DIC）提升约40%，且在连续监测中表现出优异的稳定性。

该研究的理论突破体现在三个层面：首先，构建了包含8类典型干扰因素（光照突变、大气湍流、设备抖动等）的 LR-HR 数据集，覆盖了华南地区桥梁监测的98.7%常见场景；其次，提出的双路径注意力机制（并行多尺度卷积+通道注意力）在特征恢复和噪声抑制间取得平衡，使模型在PSNR提升的同时，SSIM指标仍保持稳定增长；最后，建立了从图像增强到位移解算的完整技术链条，验证了SR重建质量与位移测量精度之间的强相关性（相关系数达0.92）。

工程应用价值体现在多个方面：通过模块化设计，可将SR重建模块集成到现有桥梁健康监测系统中，无需额外硬件投入；提出的自适应数据增强策略，使得模型能够适应不同光照条件下的监测需求；测试结果显示，在15米以上观测距离时，位移测量误差仍可控制在0.5%以内，满足工程检测标准（GB/T 50344-2019）中对结构位移监测的精度要求。

该研究对行业技术发展具有双重意义。一方面，其提出的真实场景数据构建方法为同类研究提供了可复用的技术框架，特别是通过模板匹配和动态校准相结合的方式，有效解决了多场景适配难题；另一方面，模型优化策略为SR技术在工程监测领域的落地提供了新思路，所积累的超过20万组高质量LR-HR图像数据已建立共享平台，目前已有12家国内桥梁检测公司采用该技术进行试点应用。

后续技术优化可着重三个方向：首先开发轻量化模型版本以适应边缘计算设备；其次构建多模态融合系统，将SR图像与振动传感器数据结合；最后针对极端天气条件（如台风期间的强风沙影响）进行专项优化。这些扩展应用将进一步提升该方法在复杂工程环境中的实用价值。

本研究不仅验证了深度学习在工程监测中的技术可行性，更开创了从图像质量提升到结构位移解算的完整技术路径。其实践价值体现在将传统需要数万元的专业检测设备成本降低至3000元以内，同时将位移测量精度从毫米级提升至亚毫米级，为智慧桥梁建设提供了关键技术支撑。相关成果已获得国家自然科学基金会（52578568）和广州市政工程科技项目（2024-SZKJ03）的联合资助，预计将在2026年前完成3座重点桥梁的示范应用。