基于视觉的高墩柱预埋钢筋远距离成像条件下质量检测方法

《Infrastructures》：A Vision-Based Quality Inspection Method for Embedded Rebar in High Piers Under Long-Range Imaging Conditions

　　

在高墩桥梁施工中，预埋钢筋放置的质量和准确性对于确保结构安全和耐久性至关重要。然而，传统的人工检测方法效率低、主观性强，并在高空作业中存在显著的安全风险。这些方法无法每天全面检查所有桥墩，且经常导致验收延误，需要返工。为了解决这些挑战，本研究提出了一种基于智能视觉的检测框架，用于在远距离成像条件下自动、高精度地评估钢筋质量。该方法允许质量检查人员从安全距离远程预测和评估钢筋的预埋质量。值得注意的是，本研究引入了一种新颖的双源坐标融合机制，该机制将改进的实例分割与角点检测相结合，以实现从全局到局部的精度增强，这是对复杂高墩场景中钢筋放置检测的原创贡献。该框架通过双源坐标融合机制集成了改进的YOLOv8-CD分割模型和角点检测算法，实现了全局钢筋检测与局部特征增强的集成。优化后的YOLOv8-CD模型在主干网络中集成了卷积块注意力模块（Convolutional Block Attention Module, CBAM），旨在提高小目标的识别精度。此外，在颈部C2f层之前插入了扩张残差（Dilation-Wise Residual, DWR）模块，以加强多尺度特征提取。进行透视校正和像素到实际长度转换系数计算，以实现钢筋间距和直径的毫米级测量。通过真实高墩施工场景的经验验证表明，所提出框架的检测准确率达到98.82%，优于传统的基于YOLO和单源方法。实验结果表明，该框架能够在更远距离检测物体，并且当目标距离比训练时更远时仍能保持性能。所提出的方法有望为智能桥梁施工质量监测提供高效、安全、定量的解决方案，为智能施工和结构健康检测系统的未来发展提供有价值的见解。

在高墩桥梁施工中，预埋钢筋的放置质量直接影响结构安全与耐久性，但传统人工检测方法效率低下、主观性强，且高空作业存在显著安全风险。现有技术如激光扫描和近距离图像识别虽具优势，但设备昂贵、不便高空部署，难以满足远程自动检测需求。为此，研究人员提出了一种基于视觉的智能检测框架，通过双源坐标融合机制实现远距离成像条件下的高精度钢筋质量评估。该研究发表在《Infrastructures》期刊上，主要贡献在于首次将改进的实例分割与角点检测结合，解决了复杂高墩场景下钢筋根部精准定位的难题。

关键技术方法（不超过250字）：研究人员采用改进的YOLOv8-CD模型进行墩顶平面和钢筋的实例分割，该模型在主干网络嵌入卷积块注意力模块（CBAM）以增强小目标识别，并在颈部C2f层前插入扩张残差（DWR）模块以强化多尺度特征提取。同时，利用Harris角点检测算法对透视校正后的图像进行钢筋根部坐标的精细提取。通过双源坐标融合机制，将YOLOv8-CD的全局语义定位与角点检测的局部几何校正结果进行坐标匹配和置信度加权融合。此外，基于设计图纸中的墩顶宽度计算像素-实际长度转换系数，实现钢筋间距和直径的毫米级测量。使用EdgeDrawing算法和Hough变换识别设计图纸中的钢筋参数用于对比验证。样本来源为河北省张涿高速公路项目中的单一空心薄壁高墩，使用固定于塔吊顶部的球型摄像机采集562张高分辨率图像（2560×1440像素），涵盖不同光照和天气条件。

研究结果：
4.1 消融实验：通过在YOLOv8-seg基线模型上单独和同时嵌入CBAM与DWR模块，比较准确率、召回率、mAP₅₀和mAP_50-95等指标。结果表明，同时嵌入两个模块后，召回率提升1.9%，mAP₅₀提升1.4%，证明模型增强了对重要特征和难样本的关注，但推理时间略有增加（从250.3 ms增至299.4 ms）。

4.2 不同检测模型性能比较：在相同数据集上与SSD、Faster R-CNN、DeepLabV3+、YOLOv5、YOLOv7、YOLOv8等主流模型对比。YOLOv8-CD在准确率、召回率、mAP₅₀和mAP_50-95上均优于其他模型，分别达到0.921、0.808、0.885和0.802，证明了其在复杂场景和小目标检测上的优势，尤其是mAP₅₀比YOLOv8提升至少7%。

4.3 墩顶透视变换结果分析：通过YOLOv8-CD分割墩顶轮廓，采用最小二乘法拟合四边并计算交点作为顶点，实现透视变换。结果表明，即使在工人遮挡等干扰下，仍能有效将墩顶平面校正为正射视图，消除拍摄角度和深度影响，为后续测量提供统一尺度参考。

4.4 不同光照条件下的性能：按时间段（凌晨、下午、傍晚）分组分析YOLOv8-CD和角点检测的准确率变化。YOLOv8-CD对不同光照条件鲁棒，保持稳定识别；角点检测在均匀光照（如凌晨5:00-7:00）下表现较好，在强阴影下精度下降。因此建议在阴影少时结合两者，其他时间以模型为主。

4.5 模型融合精度评估：比较YOLOv8-CD单独检测、角点检测单独检测以及两者融合的准确率。融合后准确率提升至98.82%，召回率81.9%，F1分数89.6%，显著优于单独方法（YOLOv8-CD准确率92.1%），表明双源融合有效减少了漏检，实现了全局语义与局部几何的互补。

4.6 预测结果与设计图纸数据对比：使用EdgeDrawing算法和Hough变换提取图纸中钢筋参数，与现场预测结果比较。发现实际钢筋位置和间距与设计存在偏差，且因混凝土包裹导致测量直径略小于设计值（设计值32 mm，预测误差均值5.7 mm±1.84 mm，最大偏差<9 mm）。与施工自检记录（偏差≤5 mm）吻合，验证了毫米级测量精度。

总结讨论部分：讨论指出双源坐标融合机制是核心创新，YOLOv8-CD处理遮挡但远距离存在像素漂移，Harris角点检测提供像素级位置但缺乏语义知识。融合通过YOLOv8-CD的语义感兴趣区域引导角点几何校正，实现了全局到局部的精化，准确率达98.82%。但在复杂阴影条件下，角点检测优势减弱，建议在阴影少时结合使用。与设计图纸比较发现直径偏差是由于混凝土浆包裹导致的可视直径减小，建议未来通过浇筑线高度和视角进行修正，实现真正的合规检查。

结论翻译：本研究提出了一种集成YOLOv8-CD模型与先进图像处理技术的高墩预埋钢筋自动质量检测方法，解决了桥梁施工现场对效率和准确性的双重需求。该方法首先对墩顶平面进行分割和透视校正，以消除视点和环境干扰；然后结合YOLOv8-CD检测器与角点检测方法获取互补的钢筋根部坐标估计；最后将像素级预测转换为物理尺寸，实现预埋质量自动评估。（1）模型性能方面：通过系统的消融实验和多模型对比证明了YOLOv8-CD的优越性，其mAP₅₀提升至少7%；融合角点检测后整体预测准确率达98.82%，证明了传统特征方法与深度学习模型结合的可行性和优越性。（2）工程应用方面：该方案稳健提取墩顶轮廓和钢筋根部坐标，快速计算直径和间距，实现全自动检测；标定需求低（依赖设计图纸），相机固定于塔吊顶部视角稳定，全流程（采集、分割、校正、融合、测量）在数秒内完成，可集成至现有监控系统，显著降低高空作业风险并提高检测效率。（3）局限性方面：现场实验发现YOLOv8-CD在钢筋根部部分遮挡或混凝土包裹时分割边界有误，未来需改进网络架构和数据增强以增强鲁棒性。总之，该研究为高墩预埋钢筋质量检测提供了高效、安全、可靠的智能途径，有望扩展至更广泛的桥梁施工场景。