无需标记的桥梁表面裂缝移动检测系统：结合视觉技术与低成本三激光模块，实现高精度定位与量化分析

《Engineering Structures》：Marker-free mobile inspection system for bridge apparent cracks: Fusing vision and low-cost triple-laser module for high-precision localization and quantification

　　摘要
移动机器人平台因其高效性以及能够降低人工操作带来的安全风险，已在结构检测领域得到广泛应用。然而，现有的机器人裂缝识别系统通常依赖昂贵的传感器、复杂的参数调优以及物理标尺来进行量化分析。本文提出了一种无需标尺的移动检测系统，该系统结合单目相机与低成本的三激光测距模块，用于定位和量化裂缝。其核心贡献在于一种几何成像模型，该模型能够从经过校准的单目图像以及三个非共线距离测量值中恢复裂缝的尺寸，同时还包含将三激光模块与相机相连接的尺度恢复流程。在检测流程中，二维振幅相位估计器用于对原始视频帧进行预处理，而基于YOLOv11的两阶段实例分割网络则用于生成裂缝掩码，进而输入几何模型。该系统首先在实验室中通过亚毫米级精度的标准试样进行了验证，在不同视角和距离下，长度方向的最大测量误差为0.175毫米，宽度方向的最大误差为0.051毫米。随后，该系统被部署在无人地面车辆上，并在真实规模的桥梁上进行测试，所提出的测量方法与高密度激光雷达-相机组合方案进行了对比。实验结果表明，对于本研究涉及的非细微裂缝，该系统能够实现与完整激光雷达点云相当的可接受裂缝量化精度，同时所需的传感设备更为简单，且无需对点云进行后续处理。这一系统有望在现实环境中实现高效、低成本的裂缝移动检测与量化。

引言
基础设施的结构维护与健康监测日益重要。作为交通基础设施的重要组成部分，桥梁会受到地震、风荷载、车辆荷载、冲击力以及材料老化等多种因素的共同影响[1][2][3]。由于大量桥梁采用钢筋混凝土建造，裂缝是其中最主要的损伤形式[4][5]。裂缝的出现表明结构已出现损伤，可能存在耐久性问题，因此及时检测裂缝对于保障桥梁的功能性与安全性至关重要[6]。传统检测方法依赖于人工巡查，例如使用桥梁检测车作为人工操作平台。这类方法往往需要封闭桥梁，从而导致交通拥堵并产生额外成本，且检测结果的质量取决于检测人员的技能水平[7]。此外，人工检测还受人类主观判断的影响，检测人员可能在危险或难以进入的区域工作，如高处的电缆架、狭窄的箱形梁内部以及地震后的结构中。因此，亟需开发快速、低成本且自动化的移动检测系统，用于评估结构损伤。

现代传感技术的进步带来了多种非接触式裂缝检测设备，包括RGB相机、RGB-深度相机、红外相机以及激光雷达[8][9][10]。这些技术在硬件成本、所能提供的几何信息密度以及后续处理要求方面存在显著差异。以张等人[11]为例，他们将裂缝检测与分割算法部署在边缘设备上，利用RGB相机捕捉的图像来识别桥梁裂缝。Wójcik等人[12]则使用RGB-D相机获取桥梁的表面缺陷，并将其映射到数字模型中。Moselhi等人[13]采用探地雷达与红外相机来识别裂缝。Shaini等人[14]则使用激光雷达扫描仪来评估桥面的状况。尽管这些技术提升了桥梁检测的效率，但由于仍需人工安装或数据采集，它们在降低检测人员风险方面的能力仍然有限。这促使人们开始考虑使用自动化移动检测平台来承担传感任务。

随着远程数据采集平台的不断发展，自动化桥梁检测的应用也日益增多。这类平台旨在通过远程、自动的方式，在大面积区域以及检测人员难以到达的位置采集数据，从而辅助人工检测[15][16]。根据检测需求，移动检测平台通常可分为无人机[17][18][19][20]、水下无人潜水器[21][22]、无人地面车辆[23]以及四足机器人[24]等类型。通过为机器人平台配备各种传感器，即可实现远程结构数据采集，大大降低人工检测的风险。不过，这些平台仍需使用成本高昂且种类繁多的传感器，同时还需要耗费大量人力进行数据后处理。

人工智能在数据处理领域的进步为裂缝检测带来了新的机遇。尤其是基于计算机视觉的裂缝检测方法，因其具有远程适用性强、操作简单且成本低等优点而备受关注。这类方法通常包括两个步骤：裂缝检测与裂缝分割。裂缝检测算法会输出裂缝的位置与分类信息，通常以矩形边界框的形式呈现。这一任务可通过基于区域卷积神经网络的两阶段检测器来完成，如Fast R-CNN、Faster R-CNN、Mask R-CNN[25][26]，也可通过单阶段检测器实现，如YOLO（You Only Look Once）[27][28][29]。Faster R-CNN与YOLO算法已被证明在检测桥梁表面的裂缝方面具有很高的效率。Suh和Cha[30]改进了Faster R-CNN算法，使其能够检测多种类型的裂缝。张等人[11]提出了CR-YOLO，这是一种针对裂缝特征优化的YOLO变体，可实现自动实时检测。而裂缝图像分割则负责在像素级别进行分类，以识别裂缝区域。常见的分割架构包括全卷积网络[26]、U型网络[31][32]、Mask R-CNN[33]以及YOLO-seg[11]。Bae等人[34]提出了一种基于级联Mask R-CNN的方法，并结合膨胀-腐蚀操作以实现精确的裂缝分割。Ge等人[35]则提出了一种基于自注意力机制的YOLOv7算法，能够在数据量有限的情况下实现桥梁裂缝的精准分割。

在检测与分割的基础上，基于计算机视觉的裂缝宽度测量方法也展现出良好前景[36]。具体采用哪种技术取决于裂缝类型、图像质量以及所需的精度水平[37][38]。基于霍夫变换的线条检测方法可用于识别裂缝边缘，通过计算相邻边缘之间的距离即可得到裂缝宽度[39]。模板匹配技术则通过将预定义的裂缝模板与图像进行比对，以模板宽度作为测量依据[40]。基于机器学习的技术则可以通过训练直接测量裂缝宽度，目前已取得令人满意的结果[41][42][43][44]。Ni等人[45]提出了一种基于CNN的像素级裂缝检测方法，能够自动检测裂缝并计算其宽度。不过，所有这类纯图像驱动的方法都有一个共同缺陷：图像本身并不包含任何物理距离信息。若要获取实际尺寸，必须将校准尺放置在裂缝附近，使每个像素都能对应一定的物理长度，而这在实际检测中往往难以实现。

为克服这一限制，目前主要有三种方法试图为单目相机补充三维信息。第一种方法是利用激光雷达数据，这类数据能够提供密集的三维几何信息，且对光照和背景纹理的敏感度较低。Guldur Erkal和Hajjar[46]提出了一种基于表面法向量的方法，结合地面激光雷达扫描仪与内置相机的RGB特征，用于自动化裂缝检测与量化，尤其有助于检测微小裂缝。Laefer等人[47]通过实验发现，在5米的测量距离下，地面激光雷达能够检测到宽度超过5毫米的裂缝，误差约为3%。Yan等人[48]提出了一种自动化方法，通过融合无人机拍摄的RGB图像与激光雷达数据，实现混凝土裂缝的同时检测与量化。Ge等人[35]则设计了一种基于无人地面车辆的检测平台，该平台整合了激光雷达、单目相机、基于自注意力机制的YOLOv7分割算法、改进的KISS-ICP里程计以及相机-激光雷达融合技术，用于检测和量化结构损伤。第二种方法是使用RGB-D相机，这类相机能够在每一帧图像中生成密集的深度图[12]。第三种方法属于更广义的机器人视觉技术，通过立体匹配或单目视频的视觉SLAM技术来恢复深度信息。这三种方法的核心原理都是：首先获取密集的三维信息，然后再对其进行处理，从而在每个测量点恢复出实际尺寸。因此，与部署在边缘设备的移动检测系统相比，它们存在三个实际局限性：(1) 在硬件成本方面，研究级激光雷达扫描仪与工业级深度相机的价格远高于普通单目相机。(2) 在计算效率与传感密度方面，它们生成的密集点云或深度图需要经过配准、去噪和表面重建等复杂处理，而这些运算在小型嵌入式计算机上难以实现。(3) 在测量性能方面，虽然其获得的几何信息较为丰富，但最终分辨率仍受深度感知模态自身空间分辨率的限制。例如，地面激光雷达在5米距离下仅能可靠检测到宽度超过5毫米的裂缝[47]。

针对这些局限性，本文采用了不同的设计思路，提出了一种轻量级、低成本的移动检测框架，适用于无人地面车辆和无人机部署。与依赖密集三维数据采集及后续表面重建的激光雷达-相机、RGB-D以及机器人视觉检测方案不同，本文提出的方法仅需三个非共线的激光距离测量值，即可从经过校准的单目图像中恢复出实际尺寸，从而实现对裂缝宽度的精准量化。本研究共有三个主要贡献：(1) 提出了一种几何成像模型，能够从经过校准的单目图像以及三激光模块提供的三个非共线距离测量值中恢复裂缝尺寸。该模型使得低成本的三点测距装置能够替代密集型激光雷达扫描仪，从而无需使用标尺或密集点云。(2) 提出了一种尺度恢复与校准流程，用于将三激光模块与单目相机相连接。该流程结合了二维振幅相位估计器、基于YOLOv11的两阶段实例分割技术以及基于骨架的尺寸提取方法，使得几何模型能够应用于各种移动平台。(3) 通过实验室中的亚毫米级精度35Ni?65Fe Invar标准试样测试，以及在实际规模的钢筋混凝土桥梁上进行的无人地面车辆实地试验，对所提出的模型进行了验证。在这些试验中，所提出的三距离测量方法与高密度激光雷达-相机组合方案在同一裂缝上进行了对比。

本文的其余部分结构如下：第2节介绍了所提出的方法体系，包括硬件系统、实例分割、裂缝量化以及数据融合流程；第3节为实验室验证结果，第4节为实地测试结果。最后，第5节总结了本文的主要结论。

方法概述
图1展示了所提出的移动检测系统的框架。该框架可划分为以下几个步骤，用于检测和量化表面裂缝：(1) 相机被视为ROS节点，负责向相机主题发布图像消息。在此步骤中，会创建一个控制用的ROS节点，用于订阅传感器消息及其时间戳。(2) 使用2D-APES方法[49]对收集到的图像数据进行过滤，筛选出包含目标信息的图像。

实验室验证
为了能够利用第2.2节中得到的像素级分割结果，并通过第2.3节所述的裂缝尺寸量化方法以及第2.4节的信息融合技术，以便在无人地面车辆和无人机等边缘设备上应用，本文开发了一种轻量级的移动检测平台。该平台仅使用相机和低成本的三激光模块作为数据采集设备，主要用于在无人地面车辆上开展初步的裂缝检测与量化实验。

实地测试
为验证所提出系统的有效性，本文在真实规模的桥梁上进行了实地测试。以基于无人地面车辆的移动检测平台为例，评估了本研究中提出的裂缝实例分割与量化方法在实际检测环境下的性能。

结论
本研究开发了一种无需标尺的移动检测系统，该系统通过单目相机与低成本三激光模块的结合，实现裂缝的检测、定位与量化。该系统将损伤定位与尺寸量化功能相结合，为传统重型硬件提供了一种轻量级的替代方案。通过实验室与实地实验，证明了该系统的有效性与可靠性。本研究得出的主要结论如下：(1) 一种融合方法，结合三激光技术……梁福革：写作——审阅与编辑、写作——初稿撰写、监督、方法论、资金获取、正式分析。阿扬·萨杜：写作——审阅与编辑、利益冲突声明。作者声明他们不存在任何可能影响本文所报告工作的已知财务利益或个人关系。作者易宝和阿扬·萨杜是该期刊的副主编。根据相关规定，易宝和阿扬·萨杜对整个同行评审过程不知情。

致谢
作者衷心感谢中国国家自然科学基金（NSFC）（编号52578234）、上海市自然科学基金项目（编号24ZR1468300）、中国铁路工程咨询集团有限公司项目（KY2024A031）以及香港理工大学战略招聘计划下的RAPs启动基金（P0058318）所提供的资金支持。作者还要感谢西方高级研究学院（WAFAR）对这项研究的资助。