DT-Net：一种用于大跨径桥梁视觉位移测量的位移跟踪网络

《Expert Systems with Applications》：DT-Net: a displacement tracking network for vision-based displacement measurement of long-span bridges

　　

摘要 针对长距离桥梁位移测量中固定标记对比度不足、特征上采样过程中边界信息退化以及逐帧定位结果存在局部波动等问题，本研究提出了一种基于视觉的桥梁位移测量网络——DT-Net。该网络由自适应亮度对比度增强模块（ABCE）、带有测量感知动态采样模块（MDSF）的HSD-Net定位网络以及跨帧位移轨迹精炼模块（DBATrack）组成。ABCE通过去噪、局部对比度增强和细节调制来增强标记边界和局部细节，同时抑制背景噪声的放大。MDSF利用测量响应、结构线索和可靠性信息来调节和约束动态采样偏移，从而提高位移敏感边界特征的保持能力和坐标估计稳定性。DBATrack集成候选位置聚合、跨帧关联和自适应轨迹精炼，以减少局部波动并提高位移序列的连续性。DT-Net通过室内斜拉桥模型实验和龙江大桥现场实验进行了验证。在室内实验中，DT-Net在两个测量点上的平均归一化均方根误差（mNRMSE）为0.0238。在正常现场条件下，在约102米的观测距离下，其均方根误差（RMSE）为1.1928毫米。在人工构建的照度干扰和相机振动条件下，DT-Net获得的位移测量结果与参考值保持良好一致，同时也一致地捕捉到了现场位移响应中的主要长周期成分。这些结果证明了DT-Net在所评估的室内和长距离现场条件下进行桥梁位移测量的有效性。

引言 大跨度桥梁是现代交通网络的重要组成部分，在长期服役过程中不可避免地会受到交通荷载、风荷载、环境腐蚀和材料老化的共同作用（Elsisi等人，2025年；Prakash等人，2025年）。如果未能及时发现累积损伤，结构性能的渐进恶化可能导致严重的安全风险和巨大的经济损失。因此，持续可靠的 Structural Health Monitoring（SHM，结构健康监测）对于确保桥梁安全运营至关重要（Sonbul和Rashid，2025年）。在各种监测参数中，动力位移响应与整体结构刚度变化密切相关，并包含重要的模态信息，使其成为结构状态评估和损伤识别的有价值指标（Peng, Li等人，2024年）。

桥梁位移测量传统上依赖于接触式技术，包括线性可变差动变压器（LVDT）（Nguyen等人，2025年）和基于加速度的测量方法（L. Chen等人，2021年），以及非接触式设备，如雷达（Sotoudeh等人，2025年）和GPS（Y. Chen等人，2025年）。尽管这些技术相对成熟，但在实际部署和测量性能方面仍存在局限性。LVDT通常需要一个稳定的外部参考和合适的现场安装条件，而由加速度测量重建的位移容易受到低频漂移和累积积分误差的影响。GPS测量可能受到垂直定位精度和多路径效应的限制，而雷达测量则依赖于适当的视线条件和测量几何。随着计算机视觉的发展，基于视觉的位移测量凭借其长距离感知、非接触部署、测量点布置灵活以及硬件成本相对较低等优势，成为结构健康监测中的重要研究方向（Luo等人，2023年；Numan，2024年）。Dong等人（2023年）进一步将基于计算机视觉的结构监测应用于多座大跨度桥梁，展示了视觉方法在长距离现场监测方面的潜力。

早期的基于视觉的位移测量方法主要包括数字图像相关（DIC）（Tijani等人，2025年）、光流方法如Lucas-Kanade（LK）和Farneback（L. Guo等人，2025年；Peng, Liu等人，2024年；Farneb?ck，2003年）以及模板匹配（TM）（M. Wang等人，2024年）。这些方法为基于视觉的结构位移测量建立了基本技术框架，但其性能往往依赖于手工设计的图像特征，并可能受到背景变化、照度变化和长序列测量条件下特征变化和累积漂移的影响。深度学习的发展进一步扩大了视觉运动估计和目标定位的可用方法。RAFT通过全对特征关联和循环更新来估计稠密光流（Teed和Deng，2020年）。CoTracker通过联合建模整个视频序列中多个点的运动来实现长期点跟踪（Karaev等人，2025年），而TAPIR则结合逐帧匹配和时序精炼来估计连续查询点轨迹（Doersch等人，2023年）。YOLOv11和RT-DETR等目标检测网络直接回归目标的边界框位置（Khanam和Hussain，2024年；Zhao等人，2024年），而姿态估计方法则通过关键点回归来确定目标位置（Cao等人，2019年）。基于光流和点跟踪的方法通过帧间对应关系来估计目标运动，在图像纹理和对应关系保持稳定的情况下，可以为微小位移提供高灵敏度。然而，在弱纹理、图像模糊、照度变化或长序列测量条件下，可能会出现对应关系中断和累积漂移。目标检测和姿态估计方法通过在单帧中回归目标边界框或关键点位置来获取位移信息，但其坐标输出可能存在逐帧波动，而且对极小位移的灵敏度也可能有限。

针对桥梁位移测量，研究人员进一步将位移提取方法适应于桥梁目标特性和长距离成像条件。Guo等人（2025年）将快速时空上下文学习与倾斜位移成像相结合，提出了FSTC方法用于大型桥梁的长距离位移测量。Jeon等人（2025年）提出了双参考KLT方法（DR-KLT），将初始参考帧与前序参考帧相结合，并引入时变滤波来提高跟踪可靠性。Sun等人（2025年）采用关键点定位来实现大跨度柔性桥梁的多点振动位移测量。Zhang等人（2024年）开发了一种自动化的多平面桥梁位移监测方法，用于从多个测量点和平面中提取位移。Zhu等人（2025年）建立了一种鲁棒的单目视觉系统，用于背景干扰下的多目标桥梁位移测量，而Yu等人（2025年）则采用深度学习来改善有限成像分辨率和相机运动条件下的结构位移测量。尽管这些研究提高了桥梁位移测量的精度和稳定性，但在长距离、小位移和长序列条件下，测量性能仍可能受到有限空间分辨率、成像条件变化和误差累积的影响。

标记在长距离图像中仅占据很小区域，照度变化和成像噪声可能会削弱其对比度、边界和局部细节。先前的研究已探讨了环境光变化和热扭曲干扰下的基于视觉的位移测量，表明成像条件的变化会影响目标定位及由此产生的位移估计（Kong等人，2024年；Lu等人，2023年）。传统的图像增强可以提高目标可见性，但同时也可能放大背景噪声或导致过度的局部增强，使得标记细节增强和噪声抑制之间难以平衡。

标记边界和局部细节可能在反复下采样和多尺度特征融合过程中进一步削弱。最近邻和双线性插值使用固定采样位置，CARAFE通过特征重组核执行内容感知上采样，而DySample通过学习采样位置来实现动态上采样（Liu等人，2023年；J. Wang等人，2019年）。这些方法分别通过固定插值、内容感知重组和动态采样来改善特征重建。然而，对于桥梁位移测量而言，采样位置的变化也可能影响空间对应关系和坐标估计稳定性。因此，在保持标记边界细节的同时维持稳定的定位仍然是多尺度特征上采样中的一个重要问题。

当逐帧定位结果被转换为连续位移序列时，重复候选、位置偏差、关联中断和局部波动仍可能影响测量结果。传统滤波可以减少高频波动，但固定的平滑强度也可能衰减真实的局部位移变化。Gao等人（2023年）将稠密光流、模板匹配和卡尔曼滤波相结合用于结构位移估计，以减少累积运动估计误差并改善所得位移序列。ByteTrack通过匹配不同置信度的检测结果来提高跨帧关联的完整性（Y. Zhang等人，2022年）。然而，它主要解决目标关联问题，逐帧定位误差和局部轨迹波动仍可能传播到所得位移序列中。因此，在保留真实局部位移变化的同时减少轨迹波动仍然是连续位移提取中的一个重要问题。

为了解决上述问题，本研究提出了DT-Net用于大跨度桥梁的基于视觉的位移测量，在图像、特征和轨迹三个阶段进行协同处理。自适应亮度对比度增强模块（ABCE）通过去噪、局部对比度增强和自适应细节调用来增强标记边界和局部细节，同时限制背景噪声的放大。HSD-Net建立在HGNetV2骨干网络和SlimNeck之上，并将提出的测量感知动态采样模块（MDSF）融入多尺度特征融合过程。MDSF利用测量响应、结构线索和可靠性信息来调节和约束动态采样偏移，以提高位移敏感边界特征的保持能力和坐标估计稳定性。动态桥梁感知跟踪模块（DBATrack）结合候选位置聚合和跨帧关联来构建连续轨迹。其自适应轨迹平滑模块（ATSM）进一步将当前检测结果与运动预测和自适应时序更新相结合，在减少对位移变化响应性的同时降低局部波动。DT-Net通过室内斜拉桥模型实验和龙江大桥现场实验进行了评估，以评估其在所评估条件下的位移测量性能。本研究的主要贡献总结如下：

（1）设计了ABCE以改善长距离桥梁图像中标记的成像质量。它结合了去噪、局部对比度增强和自适应细节调制，在增强标记边界和局部细节的同时限制背景噪声的放大。

（2）设计并将MDSF引入SlimNeck的自顶向下上采样路径中。它利用测量响应、结构线索和可靠性信息来调节和约束动态采样偏移，从而提高特征上采样过程中位移敏感边界信息的保持能力和坐标估计稳定性。

（3）设计了DBATrack以精炼连续位移轨迹。它集成了候选位置聚合、跨帧关联和自适应轨迹精炼，在减少对位移变化响应性的同时降低局部波动。

（4）利用室内斜拉桥模型和龙江大桥长距离现场测量对DT-Net进行了实验评估。此外，在照度干扰和相机振动条件下进行了额外实验，以评估其在挑战性现场条件下的位移测量性能。

本文其余部分组织如下。第2节介绍了DT-Net的整体架构，并描述了ABCE、HSD-Net及其MDSF模块以及DBATrack的原理。第3节介绍了室内斜拉桥模型实验，并通过模块消融研究和与相关方法的对比来评估DT-Net的位移测量精度和稳定性。第4节介绍了龙江大桥现场实验，并在正常现场条件、照度变化和相机振动下评估了DT-Net的位移测量性能。第5节总结了主要结论并讨论了未来研究方向。

第2节片段：DT-Net的整体架构和测量工作流程

本研究开发了一种用于大跨度桥梁的基于视觉的位移测量框架，主要由视频采集与标定、图像增强、标记定位、轨迹精炼和位移响应分析组成，如图1所示。在视频采集和相机标定之后，图像序列首先由ABCE处理，然后输入HSD-Net进行逐帧标记定位。随后，DBATrack执行跨帧关联和轨迹精炼。

室内实验设置与评估

为评估所提方法用于大跨度柔性结构振动位移测量的性能，建立了一个室内斜拉桥模型试验平台，如图6所示。通过冲击激励诱发结构振动。使用千眼狼5F01工业高速相机以640 × 512像素分辨率和2000 fps的采样率采集图像序列。基于视觉的采集系统与基于加速计的接触式测量系统在硬件上实现了同步。

现场试验设置与相机标定

为评估DT-Net的现场性能，在中国云南省的龙江大桥上进行了现场位移测量试验。该桥是一座主跨1196米的双塔钢箱梁悬索桥。试验期间该桥保持正常通车，长距离成像过程受到照度变化、运动模糊和环境干扰的影响。如图12所示，基于视觉的测量系统安装在稳定的位置。

结论与未来工作

本研究提出了DT-Net用于大跨度桥梁的基于视觉的位移测量。为了解决长距离成像中标记对比度不足、特征上采样过程中边界细节衰减以及逐帧定位波动等问题，开发了ABCE、MDSF和DBATrack。ABCE通过去噪、局部对比度增强和自适应细节调整来提高标记的可见性。MDSF利用结构和测量信息来调整特征采样位置，同时...

伦理考量 不适用。

本研究不涉及人类参与者、人类数据或人类组织。

参与同意 不适用。

发表同意 不适用。

资金支持 本研究未获得公共、商业或非营利部门资助机构的任何专项资助。

利益冲突声明 作者声明不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。

Baozhen Zhang | Guangming Li | Ruiyang Sun | Yanxin Xun | Jingxue Sun | Yong Pang | Madina Mansurova