基于无人机的中小跨桥梁点云自动化分割与表观病害智能识别研究

作     者：吴维维 

作者单位：东南大学 

学位级别：硕士

导师姓名：吴刚

授予年度：2023年

学科分类：081406[工学-桥梁与隧道工程] 08[工学] 0814[工学-土木工程] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程] 

主      题：无人机 精细化路径规划 三维重建 深度学习 桥梁构件语义分割 表观病害目标检测 改进的YOLOv5算法 病害定位 

摘      要：中小跨径混凝土桥梁是我国基础设施的重要组成部分,有相当一部分的服役年龄达到或超过20年,并已经出现了不同程度的病害,目前社会对这部分桥梁的管养需求十分强烈。现有的管养手段主要以人工为主,存在效率低和成本高等问题,亟需更加数字化、智能化和精细化的技术手段来推动桥梁智慧运维事业的发展。为响应国家融合基础设施的号召,本文将土木工程与自动化、人工智能和测绘领域的技术相结合,开展了桥梁点云自动化分割与表观病害智能识别定位的研究工作,包括以下四个方面的研究工作: 本文以无人机为载体,提出基于无人机精细化路径规划的桥梁结构三维重建方法。结合倾斜摄影模型提供的空间信息,针对桥梁主要构件的特点分别进行路径规划,得到全桥精细化路径规划方案,以此执行航拍任务,进行三维重建。通过实桥试验进行方法验证,根据目标分辨率确定无人机飞行高度、航向和旁向重叠率等飞行参数,编写KML文件导入无人机并执行规划任务,结果发现三维重建得到的点云模型精度与目标分辨率一致,达到毫米级,为实现桥梁管养的数字化打下基础。 本文基于深度学习算法模型,实现了大规模桥梁构件语义分割。首先对轻量高效的Rand LA-Net算法基本原理进行介绍,制作点云语义分割数据集,将点云数据分类为背景(栏杆等)、桥面板、桥墩和盖梁,数据集以Semantic数据格式进行组织,做好数据集划分工作后,进行算法测试,对激光雷达采集的桥梁点云和无人机重建的桥梁点云进行语义分割。各数据集的整体MIo U值在93.47%～98.77%之间,各类别构件Io U值基本在90%以上,为桥梁形象自动识别提供了智能化方案。 本文基于深度学习的目标检测方法,提出了一种改进的YOLOv5算法模型,实现了对露筋、裂缝和混凝土剥落三类病害的精准识别。本文所提出的改进方法有基于Kmeams++的锚框聚类算法和坐标注意机制两种,通过更改原始YOLOv5的模型结构,得到改进的YOLOv5算法模型。为验证改进算法的有效性,进行消融实验,在1333张图像上进行测试,结果发现YOLOv5+CA+K-means++模型m AP值为73.1%,YOLOv5+Kmeans++的值为71.5%,均比原始模型有所提升。此外,对各类的识别精度也均有提升,验证了改进方法的有效性,为桥梁表观病害目标检测提供了参考。 本文基于坐标转换原理,提出了一种桥梁表观病害定位方法。在对坐标转换原理进行介绍后,形成了以无人机航拍图像为研究对象的完整病害定位流程,融合无人机航线规划、桥梁构件语义分割、桥梁表观病害和无人机位姿参数提取等方面的技术内容,并开展实桥试验工作。以实际桥梁拍摄的六张典型图像为例,完成病害像素坐标到大地坐标的转换,将大地坐标转化到UTM坐标系下,与语义分割后得到桥梁构件的UTM坐标进行比对,判断病害所属的桥梁构件类型。实验结果表明,该定位方法的精度高,基本可以还原病害在实际桥梁中的位置,实现对桥梁病害情况的精细化掌握。