《Infrastructures》：Automated Spatiotemporal Tracking of Crack Evolution in Concrete Structures Using UAV and Point Clouds
编辑推荐：
混凝土结构表面裂缝的时空变化检测对于评估和维护其结构健康具有重要意义。机器人技术与3D计算机视觉技术的发展为该过程中的关键子任务提供了新的解决方案，包括自动化数据采集、裂缝的空间定位与量化，以及多时期裂缝的配准。本研究提出了一种基于无人机(UAV)和点云的自动
混凝土结构表面裂缝的时空变化检测对于评估和维护其结构健康具有重要意义。机器人技术与3D计算机视觉技术的发展为该过程中的关键子任务提供了新的解决方案，包括自动化数据采集、裂缝的空间定位与量化，以及多时期裂缝的配准。本研究提出了一种基于无人机(UAV)和点云的自动化框架，用于检测混凝土结构中裂缝的时空变化。首先，所提出的自主无人机路径规划算法用于实现符合复杂结构几何形状的数据采集。然后，采用改进的运动恢复结构算法实现裂缝的空间定位和局部点云密集化。最后，基于两步配准策略实现了不同时期裂缝点云的精确配准。在真实大型混凝土结构上的实验结果表明，所提出的路径规划算法能够实现符合结构几何形状的完整包络覆盖，有效覆盖率达99.7%以上。结构重建的尺寸误差控制在20 mm以内。平均裂缝定位时间为4.00 s，裂缝宽度量化的平均绝对误差为0.44 mm。平均裂缝配准误差为0.97 mm，从而实现了对裂缝演化的精确跟踪。
研究背景与意义：混凝土结构作为现代工程的基石，在建筑、水利工程和桥梁等关键基础设施领域发挥着不可替代的作用。然而，在长期服役过程中，环境退化和循环载荷不可避免地导致混凝土出现局部损伤，如裂缝。这些裂缝并非静止不变，而是在环境和载荷的持续作用下逐渐恶化并扩展，导致微小裂缝变宽、变深并发生复杂的形态变化。裂缝的持续恶化会加速外部水分、氯离子等侵蚀介质的渗透，进而加快内部钢筋的腐蚀速率和结构承载力的退化速率，最终可能导致灾难性的结构失效。因此，准确检测混凝土结构中的裂缝并持续跟踪其演化路径，对于准确评估工程结构的健康状况和预防突发性失效具有重要意义。传统的混凝土结构损伤检测主要依赖人工视觉检查和接触式测量，这不仅效率低下，而且在大坝或桥梁等复杂服役环境中存在较大的安全风险。随着机器人技术和人工智能的快速发展，结合无人机系统与计算机视觉技术的非接触式检测方法逐渐成为主流趋势。尽管目前基于无人机的视觉检测和三维重建技术展现出了巨大潜力，但其在大型钢筋混凝土结构中的实际工程应用仍面临几个关键局限性。首先，一些商业无人机的路径规划解决方案底层算法由于商业保护高度封闭，这极大地限制了研究人员针对复杂物理遮挡环境调整采集策略的能力。其次，在将图像重建为三维虚拟实体以进行损伤定位和量化的过程中，模型重建精度与计算效率之间存在内在冲突。传统全局密集化重建方法往往非常耗时且效率低下，而计算效率较高的稀疏点云模型则容易丢失结构损伤的细观形态特征。最后，当前的结构检测任务多集中于提取单一静态时间点的损伤特征，而缺乏对损伤随时间演化的动态跟踪能力。为了解决现有方法对复杂几何形状适应性有限、大规模重建计算成本高以及长期恶化跟踪能力不足的问题，研究人员提出了一种完整的自动化检测、量化与跟踪框架。该研究不仅提升了数据采集的完整性和重构效率，还实现了跨时期裂缝演化的高精度跟踪，具有重要的工程应用价值，论文发表在《Infrastructures》期刊上。
关键技术方法简述：研究人员综合运用了多种关键技术方法构建了该检测框架。首先利用2D足迹初始化S型无人机路径，并结合α-shape算法和层间插值机制进行适应复杂几何形状的分层路径规划。在3D重建阶段采用SfM算法，结合SIFT算法进行特征提取与FLANN算法快速匹配，并通过PnP算法和稀疏束调整进行优化。对于裂缝的量化与跟踪，提出局部点云密集化算法结合IBR-Former分割网络进行高精度定位，最后采用由ICP算法粗配准和基于图结构的蒙特卡洛树搜索精细配准组成的两步配准策略。实验样本队列来源于一个长190米、宽60米、高43米的大型钢筋混凝土结构，采集时间跨度达4年3个月，并采用FARO Focus S350 3D激光扫描仪获取真实尺度参考。
研究结果：
UAV Path Planning（无人机路径规划）：研究人员对比了所提出的基于α-shape的分层环绕路径规划算法与常规凸包算法。结果表明，在所有高度层上，所提方法的有效覆盖率均超过99.7%，有效重叠率保持在92.7%至97.3%之间，而常规凸包算法的覆盖率和重叠率均普遍较低且波动较大。这表明该算法能够自适应结构的实际物理边界，在局部凹陷和几何过渡区域显著减少观测盲区。虽然在飞行时间上略有增加，但在可接受的时间成本内确保了图像采集的完整性。
3D Structural Reconstruction and Crack Localization Results（3D结构重建与裂缝定位结果）：结合基于TLS衍生的自然特征控制点对SfM自由网络重建进行约束，两个时期的平均3D重建误差分别为19.8 mm和14.2 mm。相较于传统的全局多视图立体方法平均耗时约10710.13 s，研究人员提出的局部自适应点云密集化策略将单个裂缝的平均处理时间大幅缩短至4.00 s。裂缝宽度量化的平均绝对误差从Global MVS的0.58 mm降低至所提方法的0.44 mm。IBR-Former模型在数据集上表现出较强的鲁棒性，F1分数达89.5%。像素插值机制有效缓解了误差在3D重建中的累积传播。
Accuracy Verification of Crack Tracking（裂缝跟踪精度验证）：为实现裂缝变化跟踪，研究人员对两个不同时期的点云进行了配准。消融实验结果表明，仅使用传统ICP算法容易陷入局部最优，配准后的平均均方根误差为6.56 mm。而结合图匹配的精细配准机制能够将10条裂缝的平均RMSE控制在0.97 mm，所有配准裂缝的RMSE均控制在1.1 mm以内，验证了所提两步配准策略在跨时期裂缝精确跟踪方面的有效性。
总结讨论与研究结论：
研究人员指出，所提路径规划策略通过适应结构的实际物理边界，有效减少了复杂几何区域的观测盲区。在裂缝定位与量化方面，基于局部反向投影的机制避免了传统MVS全局平滑效应对裂缝边缘形貌的破坏，最大程度保留了高频边缘细节。针对0.44 mm的量化误差，研究人员客观评估认为在受限安全飞行距离和相机分辨率条件下，其误差小于单个像素的物理覆盖尺寸，足以满足大型基础设施宏观劣化趋势监测的需求。同时研究人员也指出，由于裂缝演化非严格刚性且多时期数据获取受限，对于发生严重分叉或全局拓扑变化的非平面裂缝，现有方法仍存在挑战。研究得出结论，提出的无人机路径规划算法能适应复杂几何形状，有效覆盖率达99.7%以上；结合LiDAR GCPs的SfM算法平均重建误差分别为19.8 mm和14.2 mm；局部裂缝密集化算法平均定位时间为4.00 s，裂缝宽度量化平均绝对误差在0.44 mm以内；两步配准策略平均配准误差为0.97 mm，实现了对裂缝随时间变化的准确跟踪。
