基于稀疏桥梁点云结构映射的无人机路径规划新算法和便捷高效桥梁巡检实践

周连杰; 张峰; 何青霖; 杜家宽; 张翔

doi:10.12404/j.issn.1671-1815.2502541

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (7) :2750-2758 DOI: 10.12404/j.issn.1671-1815.2502541

天文学、地球科学

基于稀疏桥梁点云结构映射的无人机路径规划新算法和便捷高效桥梁巡检实践

周连杰 ¹ ,
张峰 ¹ ,
何青霖 ¹ ,
杜家宽 ¹ ,
张翔 ²

作者信息 +

New Algorithm for Unmanned Aerial Vehicle Path Planning Based on Sparse Bridge Point Cloud Structure Mapping and Convenient and Efficient Bridge Inspection Practice

Author information +

文章历史 +

摘要

目前桥梁巡检主要采用巡检车、无人机定向巡检的方式,存在检测漏洞、监测区域不平衡等问题。针对桥梁的不同关键构件巡检需求,基于桥梁稀疏点云对称结构,提出一种基于稀疏桥梁点云结构映射的无人机路径规划算法。首先,基于桥梁点云模型,设计了一种利用结构对称性的点云补全算法,实现了缺失部分桥梁模型的点云补全。其次,将三江大桥梁划分为桥墩和主梁,并对每个模块提取特征点,获得桥梁各部件的相对位置和确定巡检范围。然后,根据摄影测量和检测任务要求,在特征点之间插值生成最优航点并扩展,连接所有航点生成可行的飞行路径。实现三江大桥总体91.3%覆盖率,比A*算法高出约9.4%,提高了桥梁监测效率,有力地支持了精细化桥梁检测。该方法有效地减少了现有桥梁检测漏洞,提供了一种便捷、高效无人机桥梁巡检路线规划新思路。

Abstract

Currently, bridge inspections mainly employ inspection vehicles and directed drone inspections, which present issues such as inspection gaps and imbalanced monitoring areas. For the inspection requirements of different key components of bridges and, based on the symmetric structure of sparse bridge point clouds, was a UAV path-planning algorithm driven by structural mapping of sparse bridge point clouds was proposed. Firstly, utilizing the bridge point cloud model, a point cloud completion algorithm leveraging structural symmetry was designed to achieve the completion of missing parts of the bridge model. Secondly, the Sanjiang Bridge was divided into the pier and the main girder, and feature points were extracted for each module to obtain the relative positions of the bridge components and to determine the inspection range. Finally, according to photogrammetry and inspection task requirements, optimal waypoints were interpolated and expanded between the feature points, and all waypoints were connected to generate a feasible flight path. An overall coverage rate of 91.3% for Sanjiang Bridge is achieved, which is about 9.4% higher than the A* algorithm, improving the efficiency of bridge monitoring and strongly supporting refined bridge detection. This method effectively reduces the existing loopholes in bridge detection and provides a convenient and efficient new idea for unmanned aerial vehicle bridge inspection route planning.

Graphical abstract

关键词

路径规划 / 点云补全 / 稀疏点云 / 低漏洞 / 少盲区

Key words

path planning / point cloud completion / sparse point cloud / low leakage / few blind spot

引用本文

引用格式 ▾

周连杰, 张峰, 何青霖, 杜家宽, 张翔. 基于稀疏桥梁点云结构映射的无人机路径规划新算法和便捷高效桥梁巡检实践[J]. 科学技术与工程, 2026, 26(7): 2750-2758 DOI:10.12404/j.issn.1671-1815.2502541

ZHOU Lian-jie, ZHANG Feng, HE Qing-lin, DU Jia-kuan, ZHANG Xiang. New Algorithm for Unmanned Aerial Vehicle Path Planning Based on Sparse Bridge Point Cloud Structure Mapping and Convenient and Efficient Bridge Inspection Practice[J]. Science Technology and Engineering, 2026, 26(7): 2750-2758 DOI:10.12404/j.issn.1671-1815.2502541

登录浏览全文

4963

注册一个新账户忘记密码

桥梁是国家基础设施系统的重要组成部分,其建设数量与规模每年都呈上升趋势。受自然环境、运营服役、混凝土老化等多重因素耦合影响^[1],桥梁结构会表现出如混凝土保护层剥落、露筋,支座病害,桥梁裂缝宽度超标,桥面铺装病害等典型病害^[2-3]。随着无人机技术的迅速发展,凭借其快速安全,机动灵活、自动化程度高等特点,在桥梁无损检测领域得到了极大的发展^[4-5]。通过采用无人机搭载的高清工业相机或者激光雷达^[6],能够更加安全准确地获取到桥梁表面信息,建立高精度桥梁信息模型,从而实现对桥梁健康状态的检测及评估^[7]。

桥梁信息模型包含建筑信息模型(building information modeling, BIM),点云、摄影测量模型等^[8]。Almadhoun等^[9]在初始飞行获取粗略点云模型后,根据该模型的完整性评估结果自动补充相机视点,从而进一步完善缺失区域并提升重建精度。点云模型以精度高的优点被广泛应用在无人机巡检中。对于有残缺的点云模型,已形成若干补全方法。刘青青等^[10]提出基于多视角点云配准的三维重建方法,通过粗配准以及基于权重的精配准进行点云拼接。郑立华等^[11]结合随机采样一致性和迭代最近点算法实现对非完整点云的三维重建。刘心溥等^[12]提出一种嵌入Transformer结构的多尺度点云补全方法。然而,目前点云补全方法仍缺少以桥梁巡检特征视角进行补全的机制。

针对桥梁巡检的无人机路径规划算法是在一定的环境空间内找到一条能够实现从初始起点行进到特定目标终点的无人机无碰撞飞行路径。常用的无人机路径规划方法包含卷积神经网络(convolutional neural network, CNN)^[13]、A*^[14]算法、遗传算法、粒子群优化算法^[15]、蚁群算法^[16]等。A*算法是一种启发式搜索的路径规划算法,由于其较高的计算效率被广泛用于无人机领域。蚁群算法是通过模拟群体中个体之间的协作和相互影响来求解路径问题^[17]。目前无人机路径规划算法中缺少对桥梁复杂结构的深入分析,难以实现较高的覆盖率。

当前中外主要以桥梁检测车的手段作为主要桥梁状态检测方法,具有费时、检测易有漏洞、精度有待提升的问题^[18-19]。传统的检测方法在一定程度上无法满足精细化桥梁检测的实际需求^[20-21]。现提出一种基于稀疏桥梁点云结构对称性映射的无人机路径规划方法,设计基于结构对称性的点云补全算法,并与A*算法、CNN、蚁群算法进行补全精度、计算时间的比较,实现更高效、更全面覆盖地规划出无人机巡检路径,从而实现精细化桥梁巡检。

1 无人机桥梁巡检路径规划算法

基于稀疏桥梁点云结构映射的无人机路径规划算法的总体工作流程如图1所示。首先,获取目标桥梁的点云数据,并进行初步处理以创建三维模型。基于桥梁的点云模型,将桥梁分割为主梁和多个桥墩的主要构件。其次,使用主成分分析算法来计算主梁和桥台的包围盒。提取包围盒的特征点和边界信息,用作表示桥梁结构轮廓。然后,基于提取的特征点并考虑巡检要求,通过插值法扩展出航点,以实现对复杂桥梁结构待检测范围的全面覆盖。在确定这些航点后,确定飞行方式生成的无人机航线,无人机根据计算的路线完成桥梁巡检。

1.1 桥梁残缺点云分类

收集桥梁点云数据时,由于遮挡或仪器扫描,点云之间的间距太大或部分有残缺,被称为稀疏点云。设N为点云的个数,则点云中第i点到对称面的距离为

(1)D_i=$\frac{a{x}_{i}+b{y}_{i}+c{z}_{i}+d}{\sqrt{{a}^{2}+{b}^{2}+{c}^{2}}}$

式(1)中:(x_i,y_i,z_i)为三维点云中第i点的坐标;a、 b、c、d为对称平面方程的参数。

设点云中各点间最短距离为σ,D_i≥0时的点云个数为n,D_i≤0时点云个数为m,N为点云总个数。对分解出的残缺点云数据进行桥梁残缺云分类,如表1所示。

1.2 稀疏点云融合补全

首先,对桥梁进行几何分解,分割出点云缺失的部分。将不完整的点云数据作为输入,采用随机抽样一致性算法提取边界点云。先基于这些边界点拟合特征线,通常包括桥梁上的挠度直线和圆曲线,再计算点到拟合特征线的距离L_i,公式为

(2)L_i=$\frac{\left|a{x}_{i}-{y}_{i}+b\right|}{\sqrt{{a}^{2}+1}}$

式(2)中:a、b、c为拟合直线参数;i 代表x或y方向的第i个点。

如果距离超过阈值,则使用符合条件的点重新拟合直线,并更新最优参数,循环多次直至找到最佳特征线。依据得到的特征线和点云主轴方向,确定点云转化关系,利用初始点云(x_b,y_b,z_b)通过平移矩阵T和旋转矩阵R,得到转换后的点云坐标(x_c,y_c,z_c)。通过转化使其与坐标轴对齐,能够更好地检测到对称性,找到它们的特征,具体转化关系为

(3)$\left[\begin{array}{l}{x}_{c}\\ {y}_{c}\\ {z}_{c}\end{array}\right]$=R$\left[\begin{array}{l}{x}_{b}\\ {y}_{b}\\ {z}_{b}\end{array}\right]$+T

完成原始点云转换后,通过投影转换将提取的特征直线和圆弧投影到平面上。利用边界点和中线获得桥梁的轮廓,然后使用轮廓线上的两对称点云来获得平面中的中线方程向量。四条边界线与中线存在交点。两条直线L₁和L₂与桥梁轮廓线相交。计算L₁和L₂的方向向量,分别表示为 v₁和v₂。对称平面的法向量将垂直于这两个方向向量,位于两条对称线上的点O(x,y,z)也将位于对称平面上。法向量n表示为

(4)n=a×b=$\left|\begin{array}{lll}i& j& k\\ {x}_{b}-{x}_{a}& {y}_{b}-{y}_{a}& {z}_{b}-{z}_{a}\\ {x}_{d}-{x}_{c}& {y}_{d}-{y}_{c}& {z}_{d}-{z}_{c}\end{array}\right|$

式(4)中:i、 j 、k分别为x、y、z轴的单位向量;(x_a,y_a,z_a)、(x_b,y_b,z_b)、(x_c,y_c,z_c)和(x_d,y_d,z_d)为交点坐标。对称平面方程表示为

(5)A(x-x₀)+B(y-y₀)+C(z-z₀)=0

式(5)中:(A, B, C)可以根据法向量n(A,B,C)确定。(x₀,y₀,z₀)是位于对称平面上的点。

使用此对称平面和已有的点云来执行镜像翻转操作,以填充缺失的部分。将点云空间坐标投影在XOY平面上,得到如图2所示桥梁组件中不完整点云投影轮廓和对称平面的示意图。可以确定对称平面方程的点云为对称点。多个对称点可用于优化对称平面方程,从而得到更准确的点云补全结果。如图2所示,在残缺率超过50%等极度残缺情况下,会出现无法补全的情况,补全效果无法满足实际需求。因此,本文中仅考虑残缺率低于50%的情况。

利用对称平面对初始点云进行镜像操作得到镜像点云。剔除镜像点云中与原始点云中重合的冗余点云,将保留的残缺点云与镜点云进行点云融合,得到完整的模型点云,恢复点云的对称特征,实现局部点云补全。并通过逆矩阵T',和R',将融合补全后的点云还原到初始形态。为了对补全效果进行量化评价,提出点云补全度(completion degree, CD)计算点云的镜像补全效果,计算公式为

(6)CD=$\frac{{V}_{fused}}{{V}_{model}}$

式(6)中:V_fused代表融合后的点云模型体积;V_model为完整点云模型的体积。

为了评价补全点云的精度,引入均方根误差(root mean sguare error, RMSE)来量化补全前后点云到对称平面的距离差异,其计算公式为

(7)RMSE=$\sqrt{\frac{\sum _{i=1}^{N}({D}_{qi}-{D}_{pi}{)}^{2}}{N}}$

式(7)中:N为点云个数;D_q_i代表补全前的第i个点到对称平面的距离;D_p_i代表对应补全后点云到对称平面的距离;RMSE是均方根误差。算法1表示基于结构对称性的点云补全算法,它通过构件点云坐标确定出对称面,进行镜像操作完成补全并通过剔除冗余点实现模型优化。

1.3 航点坐标计算与路线生成

在选择桥梁特征点时,通过计算各桥梁构件的包围盒,并确定包围盒顶部的特征点坐标D_k(x_k,y_k,z_k),如图3所示。首先,根据设定条件,将点云的高程值设为固定值或保持原始值,并应用降采样方法以提高处理效率。其次,通过特征值分析,找到点云数据的主要方向,并将点云数据的坐标轴对齐。然后,计算点桥梁云数据的最小外包围框,并保存包围盒的特征点坐标。

得到特征点坐标信息后,标注为D_k。在D_k(x_k,y_k,z_k)之间按照满足摄影测量和巡检要求确定最优重叠率的航点,并对其进行密集内插,并将这些航点记为p_i(x_p,y_p,z_p),完成对整个待检测区域的满足巡检要求的航点内插,如图3所示。

根据无人机巡检要求,在内插航点F₁、F₂的时候需要保证足够的相片分辨率,以及相片之间的重叠率。按照最优重叠率要求获取桥梁影像数据的方法,需要确定相机传感器尺寸p、焦距f、航摄高度,即相对检测面的飞行高度H,航向重叠度δ,旁相重叠度σ,地面采样间隔l。其关系表示为

(8)H=l

$\frac{f}{p}$

依据航向重叠率及旁向重叠率,得到水平方向航点间距以及竖直方向航点间距,从而计算得到内插航点之间的相对距离,公式为

(9)D_length=(1-σ)$\frac{Hb}{f}$

(10)D_width=(1-δ)$\frac{Hh}{f}$

(11)$\frac{{D}_{length}}{{D}_{width}}$=$\frac{\left|{z}_{i}-{z}_{i-1}\right|}{\sqrt[　]{({x}_{i}-{x}_{i-1}{)}^{2}}+({y}_{i}-{y}_{i-1}{)}^{2}}$

式中:D_length为航向间距;D_width 为旁向间距;σ为旁向重叠度;δ为航向重叠度;f代表相机焦距;H表示相对航高;b和h分别为相机传感器宽像素像元长和像元宽;(x_i,y_i,z_i)和(x_i_-1,y_i_-1,z_i_-1)分别为相邻航点i和i-1的三维坐标,以两个特征点来可以确定线方程,将航点按照L形或者U形依次连线即成为航线。确定的线方程为

(12)y=$\frac{{y}_{k+1}-{y}_{k}}{{x}_{k+1}-{x}_{k}}$(x-x_k)+y_k, x_k≤x≤x_k₊₁

2 桥梁高效巡检工程实践

2.1 三江大桥残缺点云补全

选取三江大桥巡检为工程实例,葛洲坝三江大桥,是湖北省宜昌市西陵区跨长江三江水道的公路桥,1981年建成通车。该桥主桥为(94+158+94)m双箱单室T形刚构结构,引桥采用T型梁,桥面净宽(11+2×2)m,由钢筋混凝土空心墩支撑。在考虑扫描精度,扫描范围以及测量流程下,本实验数据使用Pandar128E3X128线机械式激光雷达仪进行数据采集。采集的点云数据,经过滤波去噪、点云拼接、配准后,生成桥梁粗略三维点云模型。如图4(a)所示一条主梁和多个桥墩。由于遮挡,采集到的原始点云数据出现残缺部分,但基于其具有对称性的特点,可以将桥墩结构进行点云补全复原。先对投影转换后的轮廓点云进行平面进行拟合。完成桥梁单独构件的补全后,桥梁整体的补全也可以按照此类方法进行补全。

如图4(b)所示桥墩和主梁的某些部分存在残缺点云并分割。如图4(c)、图4(d)所示通过桥梁分解机制实现的单个桥台的完整分割,该分割方法保留了桥台的形状特征。如图4(e)所示桥梁补全后的完整结果。通过基于模型的点云分割方法得到的桥墩和主梁,能够有效保留局部特征。

2.2 巡检无人机路径规划

通过主成分分析算法对点云数据进行降维,从而更快速地确定每个桥墩和主梁的质心点及其特征向量,并得到主轴的个体方向。如图5所示,D₁、D₂、D₃和D₄是通过计算得到的包围盒特征点坐标,提取的包围盒特征点基本上与主梁和桥台的形状和结构一致。对于不同区域,无人机的俯仰角需要单独设置。在桥面处,俯仰角设置为-90°;在两侧的航向处,俯仰角设置为0°,以确保在两个方向上都能获取正射影像。当无人机从桥面转向桥侧,或在桥墩侧飞行时,需要调整飞行姿态进行倾斜摄影测量。完成路径规划后,将编译航路点的坐标、顺序、飞行速度、旋转方向、初始高度等参数,并将包含飞行轨迹和相关控制参数的标记语言文件写入无人机飞行管理模块。根据上述方法流程,结合点云模型和本研究提出的航路点计算方法,生成航路点,并将这些航路点连接,形成可行的无人机规划路径,同时考虑U形和L形扫描方向,如图6(a)~图6(c)所示。

本实验中采用了大疆飞行平台M350 RTK无人机进行测试,搭载的H30 变焦相机具备4 000万像素,成像清晰,拍摄稳定,最大抗风能力为5级风(风速为8~10.7 m/s)。在三江大桥巡检中,工作人员设置无人机与目标距离范围为10~15 m,变焦倍数为5倍,拍下主梁、连接件的清晰照片,如图6(d)、图6(e)所示。如表2所示为U形和L形扫描方向带来的差异。

2.3 实验性能比较与分析

通过与实际建筑信息模型(building information modeling,BIM)桥梁模型进行比较,如图7所示为A*算法、CNN、蚁群算法与本文方法在补全精度、补全计算时间上比较。其中,A*算法、CNN、本文方法的补全精度较高,达到88.3%、87.5%、89.3%,蚁群算法精度补全精度达到78.3%。在补全时间上,本文方法补全计算时间较短达到89 s,基于CNN方案的残缺点云补全时间最长,达到335 s。因此,本方法在保证精度的前提下,计算时间较短。

在桥梁覆盖率上,本文所提的算法与其他三种方法进行测试结果比较。其中,A*算法方法平均覆盖率为88.2%,略低于本文方法91.3%。可以看出,本文方法中桥梁主梁的覆盖率没有显著提高,而桥墩的覆盖率有了显著提高。对于整个桥梁,使用A*算法可以实现89%~95%的覆盖范围,本文方法可以实现在91.3%的覆盖范围,比A*算法高出约9.4%。

3 结论

提出了基于稀疏桥梁点云结构映射的无人机路径规划算法,该算法阐明了如何使用对称平面完成点云的缺失部分补全,航点坐标和航线计算,从而进行具体桥梁巡检工程实践。得出了以下结论。

(1)提出基于稀疏桥梁点云模型对称性映射的补全算法,建立了基于特征分解的对称面计算方法,实现了桥梁桥墩、桥拱构件的点云补全,达到89.3%精度,与CNN、A*算法补全方法保持同等精度。

(2)基于桥梁点云模型,提出一种采用分解机制进行无人机桥梁路径规划的算法。该方法计算的路径基本上可以覆盖91.3%的桥梁,比A*算法高出约9.4%。

本文方法在桥梁病损的关键区域如钢构件等关键部件仍缺少巡检策略设计。因此未来实践将围绕桥梁结构中重点构件。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	陈垦, 钟爱平, 文煜轩, 等. 面向桥梁健康监测的数据压缩算法研究[J]. 科学技术与工程, 2025, 25(8): 3304-3315.

[2]	Chen Ken, Zhong Aiping, Wen Yuxuan, et al. Research on data compression algorithm for bridge health monitoring[J]. Science Technology and Engineering, 2025, 25(8): 3304-3315.

[3]	Fiandaca D, Di Matteo A, Patella B, et al. An integrated approach for structural health monitoring and damage detection of bridges: an experimental assessment[J]. Applied Sciences, 2022, 12(24): 13018.

[4]	李玲星, 张小俊. 基于目标检测的激光雷达道路边缘检测算法[J]. 科学技术与工程, 2024, 24(9): 3519-3525.

[5]	Li Lingxing, Zhang Xiaojun. Lidar road edge detection algorithm based on object detection[J]. Science Technology and Engineering, 2024, 24(9): 3519-3525.

[6]	Feroz S, Abu Dabous S. UAV-based remote sensing applications for bridge condition assessment[J]. Remote Sensing, 2021, 13(9): 1809.

[7]	Duque L, Seo J, Wacker J. Bridge deterioration quantification protocol using UAV[J]. Journal of Bridge Engineering, 2018, 23(10): 04018080.

[8]	Zhang Y, Zhao P, Li X, et al. Retrieval of terrain surface elevation in mountainous areas with ICESat-2/ATLAS[J]. Remote Sensing of Environment, 2025, 327(1): 114823.

[9]	刘俊辰, 朱伟铸, 周志祥, 等. 基于相机针孔模型的桥梁结构位移监测方法[J]. 科学技术与工程, 2025, 25(1): 383-393.

[10]	Liu Junchen, Zhu Weizhu, Zhou Zhixiang, et al. Bridge structure displacement monitoring method based on camera pinhole model[J]. Science Technology and Engineering, 2025, 25(1): 383-393.

[11]	Bolourian N, Hammad A. LiDAR-equipped UAV path planning considering potential locations of defects for bridge inspection[J]. Automation in Construction, 2020, 117(10): 103250.

[12]	Almadhoun R, Abduldayem A, Taha T, et al. Guided next best view for 3D reconstruction of large complex structures[J]. Remote Sensing, 2019, 11(22): 2622.

[13]	刘青青, 毋涛. 基于 RealSense 人体多视角三维重建方法的研究[J]. 国外电子测量技术, 2021, 40(10): 77-83.

[14]	Liu Qingqing, Wu Tao. Research on RealSense based multi view 3D reconstruction method for human body[J]. Foreign Electronic Measurement Technology, 2021, 40(10): 77-83.

[15]	郑立华, 王露寒, 王敏娟, 等. 基于 Kinect 相机的油麦菜自动化三维点云重建[J]. 农业机械学报, 2021, 52(7): 159-168.

[16]	Zheng Lihua, Wang Luhan, Wang Minjuan, et al. Automated 3D point cloud reconstruction of oilseed rape based on Kinect camera[J]. Journal of Agricultural Machinery, 2021, 52(7): 159-168.

[17]	刘心溥, 马燕新, 许可, 等. 嵌入Transformer结构的多尺度点云补全[J]. 中国图象图形学报, 2022, 27(2): 538-549.

[18]	Liu Xinbo, Ma Yanxin, Xu Ke, et al. Multi scale point cloud completion embedded with Transformer structure[J]. Journal of Image and Graphics, 2022, 27(2): 538-549.

[19]	Almadhoun R, Taha T, Seneviratne L, et al. A survey on multi-robot coverage path planning for model reconstruction and mapping[J]. SN Applied Sciences, 2019, 1(8): 847.

[20]	张荣霞, 武长旭, 孙同超, 等. 深度强化学习及在路径规划中的研究进展[J]. 计算机工程与应用, 2021, 57(19): 44-56.

[21]	Zhang Rongxia, Wu Changxu, Sun Tongchao, et al. Deep reinforcement learning and its research progress in path planning[J]. Computer Engineering and Applications, 2021, 57(19): 44-56.

[22]	肖瑶, 王强, 金仲平, 等. 基于改进A*算法的燃气微泄漏四足巡检机器人路径规划[J]. 科学技术与工程, 2024, 24(13): 5421-5426.

[23]	Xiao Yao, Wang Qiang, Jin Zhongping, et al. Path planning of quadruped gas micro leak inspection robot based on improved A * algorithm[J]. Science Technology and Engineering, 2024, 24(13): 5421-5426.

[24]	张浩, 刘薇. 基于改进蚁群算法的机器人路径规划[J]. 科学技术与工程, 2025, 25(3): 1142-1149.

[25]	Zhang Hao, Liu Wei. Robot path planning based on improved ant colony algorithm[J]. Science Technology and Engineering, 2025, 25(3): 1142-1149.

[26]	Huang S, Tian J, Qiao L, et al. Unmanned aerial vehicle path planning based on improved genetic algorithm[J]. Journal of Computer Applications, 2021, 41(2): 390.

[27]	Puente-Castro A, Rivero D, Pazos A, et al. A review of artificial intelligence applied to path planning in UAV swarms[J]. Neural Computing, 2022, 34(1): 1-18.

[28]	Saleem M R, Park J W, Lee J H, et al. Instant bridge visual inspection using an unmanned aerial vehicle by image capturing and geo-tagging system and deep convolutional neural network[J]. Structural Health Monitoring, 2021, 20(4): 1760-1777.

[29]	徐小玲, 雷高伟, 刘美. 多无人机平滑巡检路径规划算法[J]. 科学技术与工程, 2024, 24(19): 8346-8355.

[30]	Xu Xiaoling, Lei Gaowei, Liu Mei. Multi UAV smooth patrol path planning algorithm[J]. Science Technology and Engineering, 2024, 24(19): 8346-8355.

[31]	Lozano-Galant F, Montalvo A, Atencio E, et al. An open-source GIS app for digitalising bridge inspections and automating BIM model integration[J]. Structure and Infrastructure Engineering, 2025, 21(2): 1-12.