桥梁作为重要的基础设施,是连接地理空间的枢纽,在交通运输网络中发挥着至关重要的作用。无论是城市内部的交通连接,还是跨越河流、山谷的长途运输,桥梁都是不可或缺的组成部分。桥梁建设不仅改善了人们的出行条件,便利了货物运输,还大大促进了区域经济一体化,带动了沿线区域的经济发展。因此,从经济角度来看,桥梁的建设对于推动经济发展具有积极的作用。截至2023年,全国公路桥梁总数已达到107.93万座,总长达9 528.82×10
4 m,相比上一年分别增加了4.61万座和952.33×10
4 m
[1]。这一数据表明,中国桥梁建设的规模正逐年增加,桥梁的数量和分布密度不断上升。这一方面反映了中国基础设施建设的飞速发展,另一方面也提出了更高的桥梁维护与检测需求。
桥梁的长期服役与复杂的运行环境使得其结构不可避免地受到各种外部条件的影响,逐渐产生老化、病害。常见的桥梁缺陷包括裂缝、倾斜、鼓肚、剥落、腐蚀等
[2-5],这些损伤会严重影响桥梁的耐久性和稳定性,甚至导致安全事故。因此,桥梁健康监测工作十分重要。为了确保桥梁结构的健康状态,桥梁上部结构、下部结构、桥面系以及其他附属结构都需要定期进行检查,以及时发现结构的局部损伤和缺陷。
此一背景下,随着机器人和人工智能技术的快速发展,越来越多的学者致力于研发能实现桥梁自动化或半自动化检测的设备。这些新型设备包括无人车
[6-7]、环形爬升机器人
[8]、爬索机器人
[9-12]、主缆机器人
[13-14]、水下机器人
[15-17]、爬壁机器人
[18-19]、高墩机器人
[20]等特种桥梁检测机器人,以及无人机。其中,特种桥梁检测机器人针对特定的桥梁结构进行检测任务时具备独特的优势和特点,如环形爬升机器人适用于桥墩的周边检测、爬索机器人可以攀爬吊杆和斜拉索进行检测、水下机器人可以实现跨江河海桥梁桥墩的水下基础检测、爬壁机器人可以进行垂直壁面的攀爬作业。而无人机凭借小巧灵活的体积以及自由移动的优势,既能够深入特种机器人难以到达的区域,进行细致的结构检测,又能够快速移动,完成对桥梁整体结构状况的多种位点灵活观察,提供更全面、更精准的桥梁健康状况评估,是实施桥梁检测的强有力工具。
然而,实现高效、智能化的无人机桥梁检测仍面临诸多挑战,主要体现在续航与导航两个基础能力方面的共性问题,以及复杂桥梁环境下无人机的适应性问题。续航方面,现有无人机无法实现长时间巡航作业,难以满足大跨度桥梁的全面检测需求;导航方面,在桥梁结构干扰下,基于全球导航卫星系统(global naviga tion satellite system,GNSS)的自主定位技术精度下降,影响飞行稳定性。在适应性方面,复杂桥梁环境的多变气象情况对无人机的飞行控制提出挑战。
因此,现阐述无人机在桥梁检测领域应用技术架构与内涵以及应用优势,集中调研与检测系统开发、检测信息采集以及检测数据分析3类核心任务环节的相关前沿文献,重点分类论述桥梁检测无人机平台技术、无人机自主巡检作业技术、病害图像智能处理技术等关键技术。并基于无人机桥梁检测在实际应用层面的现状,结合桥梁检测任务场景的作业要素驱动,从续航能力、导航定位以及复杂场景路径规划3个方面讨论相关技术在现有阶段的局限性,并展望基于无人机的桥梁检测技术在未来的发展趋势,以期为推动无人机在桥梁检测领域的应用和优化提供新思路。
1 桥梁检测无人机系统方案简介
1.1 无人机桥梁检测场景概述
近年来无人机技术飞速发展,无人机在各个领域展现出良好的应用前景。实践表明,无人机具备操作简便,持续作战能力强,能降低人力成本等优点。随着近几年公路桥梁规模不断增长(
图1),桥梁检测需求不断膨胀,越来越多从事桥梁检测领域的工作者将无人机在低空环境中与桥梁检测行业应用结合,实现桥梁缺陷的无人化检测。无人机桥梁检测系统主要由无人机、检测传感设备、地面站组成,无人机利用挂载到自身的智能传感设备捕获桥梁缺陷图像信息,并将这些数据通过通信链路以预定义的格式传输到地面站,无人机凭借空中自由移动能力,可抵达任意无限制的桥梁空间位点,这对于检测高耸塔柱、梁底表面等人工不易抵达处的任务而言极具应用优势。因此,使用无人机可实现对桥梁主要部位状况数据的远程采集。
如
表1所示,无人机桥梁检测系统一般用于检测桥梁的表观缺陷,主要检测部位包括桥面、索塔、钢桁梁、箱梁、节点板、桥墩、缆索、常规检测盲区等
[21],通常在远距视角下借助图像传感设备获取目标部位的检测信息;无人机桥梁检测系统亦可获取结构表层之下的内部病害,但需采用无损检测测量手段,配备特殊传感器(如超声波传感器和红外传感器等);内部病害的检测通常要求无人机桥梁检测系统抵近检测目标部位,但该检测方式易面临桥下定位信号不足、结构复杂不易抵近等挑战,整体检测难度高于表观缺陷检测。
1.2 桥梁检测无人机技术支撑体系
基于无人机的桥梁缺陷检测研究取得非常丰富的成果,主要集中在检测平台研发、检测信息采集、检测信息处理这几个方面。
(1)为了确保桥梁信息数据采集的精度以及采集效率,一些研究者致力于桥梁检测无人机平台的研发,通过在无人机上挂载各类检测传感器或针对性地改良无人机结构,使其能够实现高精度和高效率的数据采集工作。
(2)无人机操作控制方式也直接影响桥梁信息的采集精度和效率。相比人工操控,基于路径规划的无人机自动化控制可标准化操作,确保检测精度和效率,并通过优化路径算法进一步提升效果。
(3)对于采集后检测信息的处理,主要目的都是从采集的桥梁信息中识别并提取病害信息以实现桥梁结构健康诊断。相较于人工目测式诊断病害,这些算法一定程度上降低了对检测人员的专业经验和现场判断能力的依赖,大大减少主观判断影响,并且其能够快速处理大规模数据,大幅提升检测效率。
1.3 无人机在桥梁检测作业中的应用优势
与传统人工检测手段相比,基于无人机的桥梁检测手段具有多方面的优势。在技术方面,成熟的无人机控制技术使其在检测过程中能够实现稳定的动态数据采集,极大提高了采集数据质量。若进一步结合作业路径的优化制定,还可以实现高效的全自主巡检飞行,达到传统检测方法难以企及的效率;在经济效益方面,桥梁检测无人机平台相对于传统检测设备结构更简单,维修和运输成本远低于传统检测车,检测成本仅为检测车的20%左右
[21];在社会交通方面,相较于传统检测方式,基于无人机的桥梁检测能够在不干扰桥梁正常通行的情况下进行检测,避免了交通封闭带来的不便与经济损失,大大减少了对社会活动的负面影响;在安全方面,无人机替代检测人员进行高空作业,大幅降低了桥梁检测过程中潜在的安全隐患。总体而言,无人机桥梁检测技术具有高精度、高效率、低风险、低成本、远距离等优点,是实现桥梁智能化检测的一条重要的技术路线。
2 关键技术
得益于无人机在快速抵近能力、复杂空间易达性、使用方式简单及基础平台技术成熟等多方面优势,使用无人机实施桥梁缺陷智能化检测的方法引起桥梁领域学者们的广泛关注。基于无人机的桥梁自动化检测技术体系一般包含3个层面内容,分别为检测系统开发、检测信息采集以及检测数据分析,对应桥梁检测作业全过程中的前期设备准备、检测作业实施以及后期结果生成阶段。通过调研大量相关研究成果,从桥梁检测无人机平台硬件、无人机自主巡检作业和病害图像智能识别技术3类关键技术总结当前技术进展。
2.1 桥梁检测无人机平台技术
在桥梁检测实践中,常规无人机或其技术衍生的新型飞行检测平台已被证明是实现桥梁结构快速全面检查的有力工具,相较于传统的桥梁检测设备(如桥检车等),桥梁检测无人机在操作简便性、环境适应性、工作效率和安全性等方面表现优异,有望成为未来主流的桥梁检测手段。
桥梁检测无人机平台的研发主要包括无人机主体结构设计和机载传感系统两个部分。无人机的结构设计对于其在复杂桥梁结构空间中的碰撞生存能力至关重要,同时也是达成低风阻、轻质量、长续航等优良作业性能的先决条件。而对于特定接触式检测任务,更需通过创新无人机构型实现。其次,机载传感系统是系统稳定运行和有效作业的基础,无人机需要根据不同检测环境和待测目标特点配备不同探测设备,以保证在桥梁检测过程中获取预期的检测数据,为后续病害识别检测提供重要的数据保障。
2.1.1 无人机主体结构设计
1)用于表观检测的商用常规构型无人机
表观检测是桥梁检测环节中最常规也是极其关键的一项任务。针对表观检测的无人机桥梁检测方案大多依赖于成熟的商用常规构型无人机平台,通常搭载标准的图像传感设备(如光学相机)进行测量。目前桥梁检测工程中应用较为普遍的商用常规构型无人机平台主要包括DJI Matrice系列
[22-26]、DJI Phantom系列
[27]、Parrot Anafi
[28]及部分开源或可二次开发的无人机平台
[29]等,
表2汇总了相关文献中上述平台在桥梁检测任务中的典型应用案例。总体而言,商用常规构型无人机平台技术体系较为成熟,在桥梁检测实践中表现出优异的任务适应性与设备可靠性,其可覆盖的检测部位基本涵盖桥梁主要结构部位,续航时间平均在30 min左右,能够满足大多数类型桥梁的表观检测需求。不同商用无人机在载荷能力、定位方式与作业场景适配性等方面存在差异,DJI Matric系列的属于行业级无人机,具备较强的挂载与扩展能力,支持实时动态差分定位(real-time kinematic,RTK)技术与远距离图像传输,适合中大型桥梁以及需要近距精细拍摄的检测任务;DJI Phantom系列和Parrot Anafi属于消费级无人机,部署便捷、机动性较强,适合中小型桥梁的轻量快速检测任务;3DR Iris等开源/可二次开发的无人机平台主要用于验证基于无人机的桥梁检测方法与系统方案,尽管也可执行部分小规模的检测任务,但是其工程适配性不如现役工业机。
2)用于内部缺陷检测的异构无人机
尽管商用常规构型无人机在飞行稳定性、任务部署与工程可靠性方面较为成熟,但其平台结构与功能配置大多面向通用航拍场景,主要依赖远距视角获取桥梁外观信息。相比之下,当检测任务转向针对桥墩、桥梁、索塔等部位的内部缺陷检测时,需要无人机能够抵近目标检测部位并使用超声波、回声计等接触式传感器与目标表面建立贴壁关系,进而对内部病害实施无损检测(non destructive testing,NDT),而商用常规构型无人机平台普遍缺乏面向贴壁作业所需的可扩展结构冗余。因此,为了进一步拓展无人机在桥梁检测业务中的检测能力,一些学者对无人机结构进行了针对性的改进。Marcellini等
[30]在无人机前端集成五自由度的机械臂,并于机械臂末端搭载回声计传感器,无人机只需飞行到检测区域附近,便可通过机械臂的灵活伸缩来控制传感器抵近目标检测部位,建立传感器与检测部位表面的有效接触,使得无损检测能够有效展开。从适用性看,该方案更适合盖梁-墩柱连接处、小直径墩柱、盖梁及索塔外部等几何不规则且难以正对贴近的部位,但Marcellini等
[30]仅在实验室环境进行的原理样机验证和无损检测实施,尚未在真实桥梁环境验证。与之相比,Skygauge robotic公司研制的超声检测无人机Skygauge
[31]改进了无人机的动力机构,以倾转旋翼替代常规构型旋翼以提供更灵活的姿态调度能力,通过在机体前端布置固定式臂与超声传感器,使无人机能够面向曲面、斜撑等非垂直部位开展贴壁测量。从应用层面,Skygauge已应用于加拿大多地的桥梁检测项目
[32-35],表明其具备一定工程可用性。Voliro AG公司亦研制了类似的倾转旋翼式无损检测无人机Voliro T
[36],该无人机已被多家第三方检测服务机构纳入其无人机检测服务体系,并被用于桥梁场景的无人机检测服务与应用推广
[36-39]。总体而言,上述所提的无人机代表了接触式无损检测无人机的两种典型思路:前者Marcellin的无人机通过扩展机械臂功能以确保针对不同检测部位时贴壁式无损检测的有效开展,后者Skygauge和Voliro T则是通过调整机体姿态以确保无损检测的开展,但两者共同的关键约束在于抵近目标部位时无人机定位、姿态的稳定性以及检测探头的接触可控性,这也决定了这几款无人机更适用于以内部缺陷测量为主的检测任务。
工程实践中亦常采用人工锤击通过声学响应对桥梁部位内部缺陷进行判别,然而受限于作业可达性与安全性限制,该类人工锤击检测在高塔、高墩等部位往往难以高效实施。Ikeda等
[40]针对该问题,设计了一款可执行锤击检测的多旋翼无人机,该无人机在其上方装载了一自由度的机械臂,并在机械臂末端装载多转子锤击结构,通过机械臂挥舞控制多转子锤击检测部位,从而完成目标部位的锤击检测。该方案适合在人工难以到达的部分检测场景中作为补充检测手段,但因其锤击过程中的反作用扰动和声学响应受环境噪声影响等因素复杂,其系统可靠性和测量效果有待进一步验证。
3)面向长续航作业需求的系留无人机
基于机载电源续航的无人机受到电池容量的限制,复杂检测任务往往需要较长的作业时间,常规无人机通常需要多次换电接续飞行才能完成整个检测任务,导致作业中断与重复定位,这对检测效率造成了影响。对此,Wang等
[41]研制的无人机系统和Flyability公司研制的无人机Elios 3
[42]采用了系留供电方案,通过复合电缆连接至地面站取电,从而突破了续航能力的限制。但该类方案的本质是以机动半径与部署复杂度(缆线管理)换取长时连续作业与数据完整性,因此更适用于检测结构空间复杂、路径重复性强、对任务连续性敏感的检测任务。
4)用于狭窄密闭检测场景的防撞无人机
常规旋翼无人机在桥梁狭窄密闭空间内(如小箱梁、现浇箱梁、钢箱梁等结构内部)执行检测任务时,存在桨叶碰撞等安全隐患。为应对此类问题,Elios 3和Scout DI公司研制的无人机Scout 137
[43]均采用轻量化保护框架以降低碰撞风险,并配备辅助照明以解决低照度问题,同时搭载三维激光雷达获取环境点云,为GPS拒绝环境下的空间感知与安全飞行提供支撑。与前述接触式无损检测无人机方案相比,这一类无人机平台更强调复杂密闭空间的可达性,因而在现浇箱梁内部、钢箱梁内部、索塔内部等典型受限空间场景中具有更明确的工程适配性,也为后续开展更高层次的自主巡检与三维建模提供了基础能力底座。
以上提及的无人机如
图2所示,各类无人机的性能对比如
表3所示,商用常规构型无人机(大疆系列无人机、Parrot Anafi等)整体面向通用航拍任务,主要搭载光学相机,检测目标以表观缺陷为主,优势在于技术成熟、易操作、部署快,因此对桥梁大多数外露部位具有较好的通用适配性,但在狭小密闭空间等通用定位技术失效的检测场景下能力受限。相比之下,异构无人机、系留无人机和防撞无人机3类特种无人机检测目标更侧重于内部缺陷识别及密闭、受限空间内的缺陷探测,可搭载的传感器丰富,围绕抵近贴壁作业的展开、近距作业条件下的定位信息稳定、抵近作业的安全机制以及高强度任务下的续航保障等关键问题进行结构与系统层面的专用化扩展,从而将无人机桥梁检测从远距观测的表观航拍检测作业拓展到可达、可贴、可测的抵近精细化检测作业。总体而言,特种无人机以更高的系统复杂度换取抵近式检测任务的能力扩展,形成对商用常规平台的有效补充与分工。
2.1.2 机载传感系统
机载传感系统是指进行桥梁缺陷检测时装载在机体平台上的所有传感器,其直接影响无人机的可靠运行能力以及任务执行能力。在运动感知与控制能力完备的前提下,通过搭载相应任务载荷(即探测设备或传感装置),才能对目标检测区域进行针对性的数据采集。根据机载传感器的用途,可将其分为基础传感器和检测传感器。
基础传感器是无人机不可或缺的一类用于灵敏准确感知自身运动状态的传感器。得益于MEMS(micro-electro-mechanical system)传感器技术的发展,如今无人机的基础传感器方案架构已经较为成熟,主要包括加速度计、陀螺仪、磁力计、气压高度计、GNSS模块这几类
[44-46]。它们在无人机中发挥着类似于人类感官的作用,实时感知无人机的位置、速度、姿态、旋转等运动数据,并将这些数据反馈至飞行控制器,作为飞行控制算法的状态输入,促使合理的运动控制指令生成,继而主动调整机体运动状态,最终实现机体稳定飞行,如
图3所示。
检测传感器主要用来感应周围环境的物理化学信息要素,部分数据还可以辅助增强无人机对所处物理世界的感知理解。在桥梁检测场景中,该类传感器多为物理类测量,主要被应用于采集桥梁检测数据以及检测区域周围的环境尺度信息,以支撑桥梁健康问题诊断以及巡检作业区域的环境地图构建,后者主要是为了进一步实施巡检路径规划以及避障绕行,支撑无人机高效移动和行间安全。目前使用最多的检测传感器主要有视觉传感器、红外传感器、超声波传感器、激光传感器
[5,42,47]。
1)视觉传感器
用于无人机桥梁检测的视觉传感器主要是光学相机
[48-49]。因光学相机在技术和市场成熟度及价格上有着显著优势,其在桥梁表观缺陷检测中的应用极为广泛,可拍摄表观开裂、微裂缝、脱剥、锈蚀等现象。
在实际检测作业中,无人机在检测区域附近靠近桥梁结构环绕飞行,利用相机快速采集结构表观缺陷的图像。然而,桥底弱光环境和不同角度光线差异会影响成像质量,给病害检测带来挑战。张悦杉等
[50]提出了一种基于光学相机的自适应式无人机数据采集方法,针对不同的光照强度区域,通过动态调整图像的采集重叠度来提高数据采集效率,并以国内某大桥作为实施案例,共耗时1 d完成桥梁外业图像的采集,大大缩短了外业作业时间。而对于受不良光照条件影响严重的检测环境,在算法优化成本较高或效果有限的情况下。还可以从无人机硬件升级角度出发,额外需要配备照明光源对光暗部位进行补光处理(
图4),从而实现高质量图像数据的获取
[50-51]。
随着视觉位移测量技术发展,桥梁位移的测量也可以通过航摄图像实现。然而,无人机携带相机在空中拍摄桥梁形变照片时,空气扰动、图像视角受限等问题容易导致位移测量不准确,因此,通常需要利用先进的偏差纠正策略对机载摄影图像进行处理才能计算出高精度的形变数据。Jiang等
[52]采用长焦镜头和广角镜头双相机同步捕捉桥梁形变和无人机位移,通过利用两者之间的同构关系,剔除桥梁形变数据中的潜在误差,从而实现对桥梁动态形变的稳定测量。Ri等
[53]基于搭载光学相机的无人机提出了一种新型桥梁位移检测方法。该方法将采样云纹技术与桥梁几何建模结合,通过参考在桥梁上设置的策略标记,从光学相机的位移信息中提取出桥梁结构的位移,并在110 m混凝土桥上进行了一项现场试验。实验结果表明,该方法的最大位移测量值、平滑后最大位移分别为7.23 mm、5.65 mm,而传统激光多普勒传感器的最大位移测量值、平滑后最大位移分别为6.44 mm、5.13 mm,实现了毫米级甚至亚毫米级的位移测量,并且精度与传统传感器接近。
桥梁检测任务中,表观缺陷识别占据较大比重。光学相机凭借成本低、成熟度高与部署便捷等优势,被广泛用于采集桥梁表观信息,是无人机桥梁检测中最核心的传感器之一,并在桥梁位移、形变等几何量测方向仍占据着重要的位置。其工程应用的主要瓶颈集中在弱光与反光、雾雨和光照不均引起图像对比度与清晰度下降,以及无人机不稳定和视角受限导致的图像模糊与遮挡。总体而言,光学相机的检测能力上限在很大程度上取决于光照条件、采集策略、纠偏算法的协同设计,而非单一环节的优化。
2)红外传感器
红外成像是一种常见的无损探伤技术,已被广泛地应用于桥梁、房屋和道路等大型结构物的损伤检测。该技术是通过测量物体对外释放的红外辐射,来绘制物体的热力成像图,结合热力图像分析物体特征信息,如
图5所示。若桥梁结构表面存在裂缝,且裂缝区域与结构表面温差较大时,可明显显示裂缝特征。
Omar等
[54]提出了一种基于红外热成像仪的无人机桥梁检测方法,用于检测混凝土桥梁内部分层损伤程度,相较于传统检测方法,该方法不仅提高了内部损伤检测的效率与便捷性,而且实现了桥梁内部检测的常态化。Khan等
[55]使用无人机挂载一套由RGB相机和红外相机组成的多光谱传感系统,并在实验室的模型混凝土桥梁和模拟真实桥梁条件下进行实验。实验结果表明,无人机以10~15 m/h的速度完成扫描,覆盖了桥梁的所有区域,验证了该系统对于快速评估桥面开裂和分层等现象的可行性。除了将红外热成像技术应用于桥梁表观缺陷的检测之外,Su等
[56]和Choi等
[57]将红外热成像技术应用于桥梁位移测量之中,通过对热目标或温度纹理的跟踪实现位移估计,从而弥补基于视觉的桥梁位移测量在黑暗环境下检测能力有限的短板。马晔等
[58]提出一种红外成像系统+光学相机的无人机机载检测传感器方案,光学相机用于检测表观缺陷以及红外成像系统用于检测内部缺陷。并将这种方案首次运用于检测海上环境的桥塔和拉索的施工质量,有效地提高了检测效率、扩展了检测范围、降低了费用成本。
红外传感器在桥梁缺陷检测中主要用于内部病害识别,尤其适用于分层、空鼓等内部缺陷在热激励作用下产生可辨识热异常响应的工况;同时,其可与视觉影像形成信息互补,从而提高缺陷的定位精度与判读可靠性。此外,上述研究表明红外信息亦可用于桥梁位移等几何量测或与其他测量手段融合评估结构状态,主要面向夜间、弱光等可见光受限场景,因此在无人机桥梁检测体系中具有重要的工程应用价值。需要指出的是,红外检测效果对环境温差、日照等热边界条件高度敏感,且热异常与病害之间存在一定的非唯一性,工程应用中通常需要结合合理的采集时窗设计、多次的标定和纠偏以及多源验证以保证检测结果可靠性。
3)超声波传感器
超声波传感器常被应用于检测桥梁内部缺陷,包括但不限于夹渣、簇状孔隙
[59]、内部裂纹和空洞,以评估桥梁内部结构的健康状况。超声波传感器通过发射超声波,使其穿透桥梁材料,并接收反射信号,利用超声波在介质中传播时的反射、透射和散射特性来检测出内部潜在的结构威胁
[60]。
Yang等
[60]提出了一种基于超声波检测技术的桥梁内部缺陷评估方法,用于检测桥梁内部金属和混凝土结构中的裂纹及空洞等缺陷,研究结果表明,该方法准确率波动范围为93.5%~98.4%,检测效率始终保持在80%以上,在桥梁检测中具有较高的高效性和可靠性。在各类无损探伤检测中,超声探伤所需设备一般较小巧,系统架构和操作简单,也是当前为数不多能够从传统人工检测业务中成功迁移至检测无人机系统上且可远程遥控的探测手段。加拿大NIRICSON公司
[61]研发了一种适用于无人机上装载的紧凑型声学撞击器NCX Mini,用于检测混凝土水坝、溢洪道和桥梁中的分层。NCX Mini可以通过直接敲击混凝土墙(桥墩、挡土墙等)和板(桥面下部、横梁、隧道等)的表面来收集声学探测数据。其探测频率可达20次/s,相比传统手动检测方法,数据采集效率有效提升,尤其适用于人工难以到达或存在安全隐患的检测区域。此外,加拿大DroneJob公司、挪威ScoutDI公司、瑞士Swiss公司等企业已率先开发了具备超声检测功能的无人机系统(
图6),并已完成包含桥梁结构在内的多种复杂场景下的结构检测试验。
除检测探伤外,超声波传感器可以通过测量发射声波到物体表面回波接收间的时间差来实现测距功能,同时,由于具有成本低和使用简单的优势,超声测距传感器已被大量应用于无人机在桥梁环境下工作时的避障和导航(
图7)。Kang等
[62]提出了一种基于超声波导航系统的无人机导航技术(
图8),旨在提供高精度的定位能力,使得无人机在弱GNSS的桥梁环境下工作时能够实现厘米级导航,并且该导航系统的设计充分考虑了成本效益,采用低成本硬件,便于与无人机机载平台进行集成。
超声波传感器在无人机桥梁检测中呈现检测和感知双重功能属性:一方面,超声探伤和声学锤击等技术能够为内部裂纹、空洞、分层等内部缺陷提供相对直接的物理量测依据,是少数能够从传统人工无损检测流程向无人机平台迁移的检测手段之一;另一方面,基于回波时间差的超声测距又可为无人机在桥下弱GNSS环境中的避障与导航提供多重感知支撑。然而,当将超声波传感器用于桥梁检测时,需要确保超声探头与结构表面建立有效且稳定的接触关系,并对周围环境噪声较为敏感,工程应用中往往需要配套贴附结构和稳定的无人机姿态控制;当将超声波传感器用于无人机的定位和导航时,其量程与抗干扰能力会受到复杂结构多径反射的影响。
4)激光传感器
应用于桥梁检测领域的激光传感器主要包括激光雷达和激光扫描仪等
[21,23],是一种主动式快速获取物体表面三维密集点云的传感器,其核心工作原理是通过利用高准直度的激光作为测量媒介获取激光投射点到传感器的距离信息。多线激光雷达(
图9)和激光扫描仪能够生成包含三维坐标信息和一定属性(反射强度等)的海量、不规则空间分布的三维点云,优势在于对天气变化的敏感性较低,同时具备一定的穿透能力,使其能够在复杂桥梁环境中可靠地获取高精度的空间数据,被广泛应用于桥梁三维构型孪生
[63-64]。而单线激光雷达则因价格低廉,设备可靠性高而被广泛应用于直接的测距场景之中,如无人机穿梭在桥梁结构中时的辅助定高以及四周障碍物距离探测。
Bolourian等
[65]提出了一种基于激光雷达的桥梁检测无人机平台设计。该设计利用激光雷达的强穿透能力以及无人机的高机动性,构建高质量的桥梁三维点云数据模型。与传统光学相机相比,激光雷达在复杂桥梁结构下的数据采集精度更高,且能够捕捉到更多的细节信息。Gaspari等
[27]提出了一种将激光扫描仪与光学相机相结合的桥梁检测无人机平台。该平台在利用光学相机进行摄影检测的同时,通过激光扫描仪扫描光学相机的检测盲区及桥梁光线昏暗部位,从而弥补光学成像技术的不足,并在意大利的一座砖石单跨桥上同时利用该平台与传统无人机平台(基于光学相机采集)进行对比试验。试验结果表明:传统方法的位置精度约为1 cm,基于该平台的手动飞行精度是3 cm,与传统方法相比,该平台的精度稍低,但操作更灵活,成本和时间需求较低,更适合快速、低成本的桥梁检测。
激光传感器在无人机桥梁检测系统中是多传感器融合与自主作业能力构建的重要组成部分:其一,其可以参与桥梁三维模型建立,该模型可为后续桥梁缺陷的评估和复原提供重要几何支撑;其二,其亦以自身高可靠的测距能力为无人机执行检测作业过程中定高、避障与狭窄空间飞行辅助等功能提供重要支撑。需要注意的是,激光传感器易受天气和周围环境介质影响,雨雾尘会引起散射与衰减,导致量程下降、虚假回波,尤其在桥下/梁底更明显;同时,桥梁结构本身材料与其表面涂层的光学差异带来回波不稳定,深色或吸光表面易漏点,金属高光泽区域可能多次反射产生缺测,降低建模与定位可靠性。
综上,不同种类的传感器有其自身的特点和对特定探测目标的适用性,也有自身局限,如
表4所示。总体而言,各类传感器呈现出互补特性。从检测目标角度看,视觉传感器主要承担裂缝、剥落等表观缺陷的信息获取,而红外与超声传感器更适用于分层、空鼓、空洞等内部缺陷的识别与评估,视觉传感器与红外传感器可用于桥梁位移等几何量测。从检测局限角度看,视觉传感器和激光传感器对检测环境提出了一定要求,而红外传感器和超声传感器可以在弱光、黑夜情况下进行检测任务;红外传感器只能对热边界条件高度敏感的检测部位进行检测,而视觉传感器和超声传感器则对检测部位的要求偏低。从无人机作业过程角度看,激光与超声测距等传感器可为无人机的导航、定位、避障提供有力支撑。综上,在实际应用中,单一传感器往往需要结合检测目标在复杂环境下(如光照不足、GPS拒止、狭窄遮挡等)被测量特性,采用多传感器数据融合的环境感知方案,合理融合各类传感数据之间的语义内涵,扩展传感系统对桥梁检测目标特征信息捕获的丰富程度
[66],提升检测的可靠性、灵敏度和精准度。
2.2 无人机自主巡检作业技术
当前,无人机应用于桥梁检测的主要方式依然是依靠手动遥控的模式进行数据采集,如
图10所示。然而,手动遥控模式难以确保所采集的数据能完整覆盖所要检测的区域,容易漏掉关键区域,并且手动遥控模式难以保持无人机检测状态理想恒定,导致目标特征出现视角不统一、透视变形、模糊程度波动大等差异,影响后续的缺陷检测环节。此外,长时间操作可能导致操作者出现视觉疲劳等问题,容易出现无人机误操作风险。特别是对桥梁特殊部位进行检测时,无人机需要与被检测部位保持一定距离;距离过远会导致观测不清晰,距离过近则有碰撞坠机风险,这对操作者提出了很高的操作技术要求。
近年来,研究人员开始尝试全自主的无人机检测作业模式,使用路径规划技术为无人机在桥梁环境下提供合理的目标导航路径,使其自主跟踪飞行(
图10),在有效避障的同时自动采集桥梁表观病害数据,从而摆脱人为因素的影响,实现高精度、高效率、可重复的桥梁缺陷检测。
面向桥梁检测的自主巡检路径规划需要综合考虑桥梁本体、飞行空间、载荷、飞行续航时间以及航行能力等因素的限制,并基于这些因素约束,在确保无人机作业过程中的安全和有效性的同时,找到一条从起点到目标点的无人机最佳航行路径。
从桥梁潜在风险全面筛查的目的出发,无人机的桥梁检测路径规划问题首先解决待检测区域全面遍历的问题。全覆盖路径规划(complete coverage path planning,CCPP)问题本质上是要求在躲避障碍物的同时,找到一条能够完全遍历目标区域所有点的最优路径。对桥梁检测区域进行无人机的飞行全覆盖路径规划,需要考虑三个主要的目标,分别为实现桥梁检测区域的全覆盖,实现障碍物的有效躲避以及在前两者约束下实现遍历路径最优化(时间最短或者能耗最少)。
在无人机桥梁检测的CCPP方法中,早期的规划策略先通过区域分解将目标检测区域划分为若干可扫描子区域,并根据相关策略(如A
*、两点法与二叉树等)在各子区域内及各子区域间生成覆盖轨迹,从而形成整个检测区域的全部遍历。曲贺等
[67]在桥底面全覆盖巡检场景下,基于栅格环境建模与矩形(单元)分解,将桥底面划分为多个子区域,并通过两点法与二叉树搜索策略实现子区域的有序遍历,从而形成一条可覆盖整个检测区域的巡检航迹。仿真表明,该方法在平滑桥底面与带小箱梁桥底面两类典型连续刚构桥场景中均可实现覆盖率100%,且重复率为0。
另一类规划策略将待检测区域的覆盖问题离散化为视点集合的规划问题,CCPP方法将主要关注视点之间的连接与排序,常可建模为旅行商问题或车辆路径问题等组合优化模型,并通过随机式与启发式算法求得满足覆盖约束且代价较低的近似最优全覆盖路径。针对CCPP中离散检测视点选择、排序与连接问题,Phung等
[68]提出增强离散粒子群优化方法(enhanced discrete particle swarm optimization,EDPSO),用更具确定性的初始化与变异算子增强全局搜索、降低早熟收敛风险,并利用并行计算加速求解。对比实验表明,EDPSO相较于粒子群(particle swarm optimization,PSO)与遗传算法(genetic algorithm,GA)等方法,规划路径更短、求解时间更低。陈丽等
[69]则是引入基于类别分组的分层蚁群优化算法,通过视点分组、分层搜索、信息素自适应更新等机制降低冗余视点与不必要转弯。在保证覆盖需求的前提下,能够显著减少视点规模并降低路径代价(如目标函数下降、视点数与急转弯次数显著减少),从而更契合无人机抵近飞行时对平滑性与效率的要求。虽然上述研究未在桥梁检测问题中进行应用,但其在避免陷入局部最优、工程效率提升等方面的优势,使其具有迁移应用的潜力。
在面向桥梁巡检路径规划方法的研究中,Li等
[70]提出了两阶段框架,在视点生成阶段着重考虑了相机视场、入射角等影响数据采集的约束,确保相机尽可能垂直于被测表面,防止图像过多畸变,保持图像清晰度。随后以协同贪婪邻域(collaborative greedy neighborhood,CGN)在空间网格上迭代选取覆盖面片最多的视点并更新集合,从源头减少冗余视点;随后引入改进PSO等算法在路径长度、碰撞风险、急转弯及快速爬升/下降等综合代价下优化航迹,提升全局寻优效果。实验结果显示该方法生成路径所需视点数与航迹机动强度显著下降。Zhao等
[71]也提出了两阶段路径规划框架,其亮点在于将相机姿态及视角融入视点价值的衡量问题中,实现选点与定姿解耦,降低高维位姿直接优化难度。结果显示,在覆盖率不降低前提下,相比直接优化5自由度相机位姿的对比方案,路径长度至少缩短30%,提升任务效率。
此外,因无人机大多携带电池飞行,在规划巡检路径时另一个值得关注的问题是有限续航能力的约束。Abdulateef等
[72]针对电池受限的无人机覆盖作业,将能耗约束贯穿于视点的生成、航线连接、任务编排的整个路径规划流程中,将整条任务航线自动切分为多个不超过单电池有效续航上限的飞行段,从而优化出单架次可完成、数据可连续的作业计划。该算法本质上通过减少视点规模和续航约束分段的方式实现对能耗的显式管理,在保证覆盖完整性的同时降低能耗。
以上所提CCPP方法的总结如
表5所示,罗列了每种算法的适用性和局限性。总体而言,面向桥梁检测的无人巡检作业可视为以CCPP方法为骨架的数据采集流程。现有CCPP方法研究多以路径长度、平滑性、能耗与避障等代价指标衡量方案优劣,这些指标能够保证任务效率与飞行可执行性,但当直接迁移至桥梁检测场景时,容易出现几何覆盖达标但检测数据质量不稳定的工程落差。根本原因在于桥梁缺陷的检测效果还受拍摄距离、相机姿态、相机入射角、成像清晰度、图像重叠度、弱光和反光,桥下GNSS拒止以及风扰等现场因素共同制约。因而,桥梁检测场景下的CCPP方法应将路径代价约束与检测数据可用性约束共同纳入闭环优化与在线调整机制,才能确保CCPP方法更好支撑高质量、高效率的无人自主巡检作业。
2.3 病害图像智能处理技术
使用无人机进行桥梁检测的目标在于实现病害诊断过程的标准化、快速化、简易化,并提升诊断结果的精确性。目前,无人机采集的检测数据最直接的处理方式是依靠人工判别法,通过将无人机采集的图像等数据可视化后,由检测人员筛查判定缺陷问题。该方法自动化程度低,正被更先进的智能处理手段所替代。在众多类型的检测数据中,视觉图像数据包含的有效信息最为丰富也最直观易得。因此,将机器视觉技术应用至桥梁结构表观病害图像自主识别的研究最为广泛。病害图像的识别通常利用经典数字图像处理技术或深度学习算法,解析处理无人机在数据采集阶段获取到的桥梁图像信息,并从中识别并分离出病害,从而实现桥梁缺陷的自主检测,如
图11所示。
2.3.1 基于经典数字图像处理的病害识别
在经典数字图像处理框架下,经过预处理和拼接操作的图像,通过图像分割算法比较分析图像中裂缝与背景的差异以实现初步分割图像,随后进一步利用形态学操作等技术细化分割结果,从而获取更准确的病害信息。实现图像分割的算法主要包括阈值分割、边缘检测、区域生长、特征匹配等。
Wang等
[41]将OTSU(Nobuyuki Otsu method)阈值分割及其衍生方法用于实现对桥梁结构表面裂缝的分割。Lei等
[73]提出了一种基于无人机的桥梁图像裂缝中心点法,该方法通过调整相关阈值来高效且准确地从图像中提取裂缝信息。Asjod等
[74]提出了一种基于图像分析的桥梁裂纹宽度和长度特征提取方法,称为弧长法,该方法能够识别裂缝的宽度、长度和模式角度等特征,有效地分割桥梁裂纹的形状。贺志勇等
[75]利用8个45°分布方向的Sobel算子对裂缝图像进行边缘检测,并基于裂缝的特征向量构建BP(back propagation)神经网络,以实现对裂缝的自动分类识别。陶晓力等
[76]利用沈俊边缘检测算子实现裂缝的分割,并针对边缘检测法可能会破坏裂缝连续性的问题,设计了裂缝线段连接方法,有效地减少了边缘检测法破坏裂缝连续性的概率。孙波成等
[77]应用小波变换理论对图像分解和重构实现了裂缝的检测与识别。贺福强等
[78]提出一种局部特征聚类融合区域生长的桥梁裂缝检测算法,该算法通过采用STING(statistical information grid)网格聚类算法确定裂缝区域,并结合区域生长算法实现弱特征浅层裂缝的快速分离。
基于经典数字图像处理的算法是依据先验数理关系建立,不依赖现代机器学习智能,因其对计算资源依赖低,具备实现难度低、物理意义明确的优点,能够广泛地应用于桥梁缺陷识别领域。但是这些算法对图像噪声敏感,非常依赖前期的图像预处理质量以及算法相关参数的优化整定效果来对抗噪声干扰。同时,这些算法主要适用于明确边缘的目标特征(如裂缝等病害)检测,对于受污损覆盖的缺陷及其他复杂病害的检测适用性较差,且容易对脏污情况产生误判。
2.3.2 基于深度学习的病害识别与分割
由于计算机技术和人工智能的迅速发展,以深度学习为代表的人工智能方法在图像处理领域取得了重大突破。基于深度学习的图像处理技术在处理桥梁表观缺陷检测问题中展现出高效性能和极强灵活性,尤其是卷积神经网络(convolutional neural networks,CNN)在图像处理中的卓越表现,促使国内外学者开始利用深度学习方法进行表观病害的识别检测。Lee等
[79]基于无人机图像采集和深度学习的R-CNN(region-CNN)分类器对桥梁裂缝和非裂缝图像进行识别并分类。然而,该方法病害识别的准确度与图像采集质量密切相关,在面对图像质量较差或存在干扰时的抗干扰能力有所限制。Peng等
[80]针对复杂的桥梁背景提出了一种基于混合特征学习的桥梁裂缝检测算法。该算法集成R-FCN(region-based fully convolutional net)网络和Haar-AdaBoost特征学习,通过R-FCN网络快速识别和定位桥梁裂缝目标,并利用Haar-AdaBoost实现了桥梁裂缝的像素级高精度分割。实验结果显示其R-FCN裂缝检测平均精度可达95%以上,像素级分割的交并比约0.90,裂缝宽度量化与人工测量的一致性超过90%,并在时间开销上满足机载快速筛查与离线精细分析的分工需求。Yu等
[81]提出了一种新型的YOLOv4-FPM(YOLOv4 with feature pyramid module)目标检测模型用于桥梁裂缝的实时检测,该模型在YOLOv4模型的基础上引入了focal loss优化损失函数和剪枝算法来优化网络。实验结果表明,与原YOLOv4相比,在裂缝检测精度与速度之间实现了更优折中,检测精度提升0.064,同时参数与模型体量压缩至约18.2%,具备面向无人机实时筛查与现场快速决策的工程适配性。余加勇等
[82]提出了一种基于YOLOv5的混合式桥梁裂缝智能检测方法。该方法融合了YOLOv5算法和U-Net3+图像分割算法,并将该算法应用在自制的数据集上进行验证。实验结果表明,其裂缝识别定位准确率91.55%、召回率95.15%、
F1分数93.32%,实现了对裂缝的精准识别和定位。Liu等
[83]提出了一种基于贝叶斯优化的Mask R-CNN目标检测模型,其主要用于桥梁底面表面涂层剥落、钢筋锈蚀和混凝土剥落等外观病害的识别和分割。相比于同样用于桥下复合底面检测的CenterMask和YOLACT模型,在相同训练时间的前提下,该模型针对原始数据集的外观病害检测平均精度分别提升了14%和10%,针对增强数据集的外观病害检测平均精度分别提升了9%和14%,整体性能有了大幅度的提升。乔朋等
[84]提出基于Faster R-CNN的多病害检测框架,并利用
K均值聚类算法与GA算法对RPN(region proposal network)锚框进行优化,从而将5类病害的预测准确率、召回率与平均精确率分别由68.40%、69.87%、74.64%提升至85.40%、83.59%、83.72%。宋雯莹等
[85]构建了一个桥梁表观病害识别分类器,并采用Faster R-CNN结合VGG16-Net(visual geometry group 16-layer network)开展裂缝、剥落、白析与蜂窝麻面等病害的识别与定位。实验表明该改进可使得平均精度提升约3.2%的提升,且各类病害的识别准确率达90%~96%的水平。
除了卷积神经网络架构被广泛用于桥梁缺陷检测领域以外,基于Transformer的深度学习模型也受到了学者的关注和研究。李亦湘等
[86]提出了一种基于Transformer架构的SegFormer(segmentation transformer)语义分割网络模型。该模型在被应用于桥梁裂缝检测时表现出较高的准确性、实时性和鲁棒性。褚鸿鹄等
[87]针对4K桥梁裂缝图像,提出级联分割框架CA-TransUNet,并在TransUNet(transformer U-Net)中引入CA(coordinate attention mechanism)以强化细长裂缝与边界区域的表征。实验表明该方法可使平均交并比、平均边界准确率与Dice相似系数分别达到79.58%、92.54%、88.17%,相较FCN-8s(fully convolutional network-8s)等对比模型有明显提升。蒋仕新等
[88]面向混凝土桥梁表观病害轻量化识别需求,对SegFormer-B0(segmentation transformer baseline B0)进行结构改进,提出Segformer-SP,通过SFM(semantic fusion module)与PSA(pyramid squeeze attention)增强多尺度语义聚合与特征提取能力,提高复杂背景下鲁棒性。在自建桥梁缺陷数据集与公开裂缝数据集上,该模型在保持轻量与较快推理(约6.09×10
6参数、6.54 FPS)的同时,使平均交并比与平均
F1分数分别提升了2.41%和1.91%。
综上,基于深度学习的桥梁表观病害识别与分割研究已由早期以裂缝二分类与粗定位为主的探索阶段,逐步发展为覆盖多病害检测、像素级精细分割与尺寸量化的完整技术链
[89-91]。以卷积神经网络为代表的方法在特征提取与端侧部署方面更具成熟度,适于大规模快速筛查;以Transformer为代表的方法在复杂背景建模、长程依赖表征与细粒度分割方面优势更为突出,为高分辨率与多类别精细化检测提供了有效补充。与此同时,现有研究的工程可推广性仍受数据集规模与标注粒度不足、跨场景域偏移(光照、尺度、遮挡与视角差异)以及算力与实时性约束等因素影响。
然而,该领域发展面临一个根本性制约:现有算法性能评估大多基于各研究团队自建的非公开数据集,如
表6所示。这种“数据孤岛”状况导致不同研究方法之间缺乏公平、统一的基准,严重影响了算法性能的可比性与结论的普适性。因此,构建大规模、高质量、细标注的公共桥梁缺陷数据集,是未来推动学术研究可复现、促进先进算法向稳定工程应用转化的关键前提。未来的研究应着力于数据体系建设、算法轻量化与实时性优化,以及检测系统与巡检业务流程的深度融合。
3 挑战与发展趋势
使用无人机对桥梁进行检测的方式在实施成本、实施便捷性、测量效果等方面展现出的独特优势,受到桥梁领域专业人员的广泛关注和研究,已经涌现出许多重要的创新理论方法与应用技术成果。总体而言,无人机在实际桥梁检测中的应用能力和任务适应性已经取得了初步验证。未来,基于无人机的桥梁检测技术势必朝着高度自主化的方向发展,使用者在简单地布置任务指令和预期要求后,无人机便可自主完成桥梁巡检任务。
然而,目前应用于桥梁检测的无人机解决方案尚未达到该水平,实际应用时仍需要较多的人为干预。真正实现桥梁检测作业全自主化仍面临诸多限制,主要体现在续航、导航与路径规划3个方面的共性问题:①在续航方面,桥梁检测领域主要使用多旋翼无人机,其定点悬停能力更适配桥梁检测复杂场景,但其续航能力有限;②在导航方面,桥下结构检测的环境易使无人机的GNSS信号失效,严重影响其在桥下部位执行任务的可靠性;③在路径规划方面:一方面复杂风场对无人机路径规划提出更高的安全鲁棒性要求;另一方面桥下的卫星定位条件弱,无人机路径规划难以在桥下环境有效开展。
针对上述问题,从3个方面深入探讨了现有桥梁检测无人机技术的局限性以及该领域相关技术的未来发展趋势。
3.1 无人机低速巡航长续航能源管理挑战
无人机具备灵活、机动、小巧、快速等特点,使得它能够在桥梁的狭小空间或者复杂结构中快速轻松完成检测任务,但是这也带来了续航时间短、载荷小的问题。在面对中大型桥梁检测任务时,受续航与任务载荷限制,往往需要多次起降飞行或者部署多架无人机才能完成长时间的桥梁检测任务或满足大量图像拍摄的要求。然而,不同飞行航次之间难以在飞行高度、观测视角与外部光照等条件上保持一致,导致了同一目标在不同飞行航次之间所采集到数据存在差异,在后续缺陷识别和评估中更容易出现误差(如把光照变化当成病害变化)。此外,由于桥梁不同部位的病害检测需求各异,进一步提升了无人机的续航需求。一方面,针对部分检测场景,需要无人机装载额外的设备,如补光灯和机械臂,来提升数据采集的效果和质量,但也间接地增加飞行能耗。另一方面,为了采集到有效且完整的桥梁信息,通常需要无人机保持低速巡航并在飞行过程中多次调整观测视角,从而致使能耗增加。
针对上述问题,研发高续航、大载荷的新型桥梁检测无人机是桥梁检测无人机平台技术的重点突破方向。针对特种无人机的续航优化是系统工程,可从减重、供能、动力、用能多个角度优化。
在重量优化方面,无人机载荷的模块化设计和无人机结构的高强度轻量化设计是直接影响无人机起飞重量的关键因素,而轻质高强度新材料和无人机硬件小型化、高度集成化方面的技术创新,也能为进一步降低无人机设计重量提供更多选择。
在供能能力提升方面,更高能量密度新材料电池的研究是打破无人机续航限制的关键因素。例如,采用质子交换膜(proton exchange membrane fuel cell,PEMFC)燃料电池替代锂电池作为无人机电力推进系统的替代方案具有较高的可行性及潜力。部分研究表明PEM燃料电池能将无人机的飞行续航时间提升至传统锂电池的两倍
[92-93]。Xiao等
[94]结合锂电池具有高功率放电的特点,设计了一种新型的全主动式PEM燃料电池-锂电池混合动力系统,该系统以PEM燃料电池作为主要动力源,提供稳定且持续的供电,同时集成锂电池用于应对瞬时高功率需求,使得其不仅能够满足峰值功率需求,还确保了无人机在实际应用中的运行稳定性。
在动力优化方面,提升电子调速器(electronic speed controller,ESC)、电机、螺旋桨整套动力系统的输出效率,优化桨叶材料和外形,提升叶片刚度,减少扇叶振动,削弱尖梢涡流,提高叶片升阻比,减小系统整体震动等都有助于节能增效。
在高效用能方面,通过在控制逻辑层面上采用基于最优化控制的策略,平衡动态控制品质与控制输出,减少不必要的剧烈响应;通过设计合理的传感滤波算法,削弱无人机物理振动特征对控制信号的馈入,从源头上减轻ESC和电机的大功率电流振动造成的多余热损耗;通过研究基于模型预测控制理论的智能电源管理策略
[95],综合考虑系统经济性和控制优化性,利用在线滚动优化的能量使用情况预测能力实现系统设定目标函数的最优控制,优化电池使用,延长续航时间。
3.2 桥梁结构干扰下的非常规自主定位导航挑战
常规航拍无人机通常采用GNSS和惯性导航系统(inertial navigation system,INS)联合技术(GNSS/INS组合导航技术),实现无人机的导航和定位
[21]。然而,当无人机进入桥下或箱梁、桥塔等狭小密闭空间时,GNSS信号易出现失效,使GNSS/INS组合导航的定位精度与可靠性显著下降。工程上针对桥下GNSS/INS拒止的问题,通常采用手动遥控的模式在远离桥梁的位置上,依靠长焦距相机倾斜拍摄目标区域信息,或在GNSS条件相对可用时使用实时动态差分(real-time kinematic,RTK)增强定位精度。前者在一定程度上绕开了近距离飞行时卫星信号被遮挡的问题,但会减小采集视角,且作业过程高度依赖人工经验,数据一致性与可重复性较差;后者虽能提升定位精度,但在卫星信号遮挡严重时仍无法使用。此外,无人机若要针对钢桁架结构层等存在磁力干扰的场景执行抵近检测任务,磁力干扰还将导致无人机的姿态和航向观测不可靠,可能诱发控制偏差与飞行事故。
针对上述问题,基于计算机视觉的导航技术是一种新的有效解决方案。在该方案下,无人机利用特定传感器(包括相机、激光传感器等)采集丰富的桥梁图像信息,再依靠高性能机载计算机对图像数据进行处理分析,以实时恢复无人机所处的环境信息,并解算出自身相对周围环境的位置与姿态信息,是不依赖GPS数据的相对定位方法,能够帮助无人机在复杂封闭空间中仍能保持较高的位置稳定性和准确性。该方案的典型代表是同步定位与地图构建(simultaneous localization and mapping,SLAM)技术。SLAM技术的基本工作原理是:机器人在未知环境中从任意初始位置开始移动,移动过程中通过多传感器(激光传感器、相机、IMU等)融合算法,实时完成自身位置估计;同时,利用这些位置信息逐步构建增量式环境地图,最终实现对环境的探索以及机器人的自主导航和定位。该方案比较适合在小箱梁、现浇箱梁、钢箱梁、主塔等封闭或半封闭结构内进行的检测作业中应用。Flyability公司的Elios 3无人机可以通过深度相机和激光扫描雷达,在室内、洞穴、梁底等GPS拒止环境条件下,依托高精度构建的环境点云地图,实现相对于周围环境的精准位置判别,同时绘制环境结构的点云模型(
图12和
图13)
[42]。未来,随着基于计算机视觉的无人机导航技术以及边缘算力的不断进步,不依赖GNSS信号的自主定位导航方法必将成为桥梁检测无人机的主流技术方案,为桥梁检测行业带来新的全自动化、智能化作业模式。
3.3 高效利用结构与环境条件的自主路径规划挑战
3.3.1 针对环境风场的路径规划
桥梁周围空间结构复杂,易形成紊流、尾涡及局部加速气流等非均匀风场,其扰动具有强非线性与不确定性,影响无人机的飞行稳定性与任务能耗。在桥梁狭窄空间或大跨度结构区域,局部风速突变和涡流效应可能导致无人机产生不规则振动,影响其测量精度,甚至引发飞行安全风险。当前成熟的商用无人机均具有一定抗风能力,通过控制层面增强抗风能力,但仅在控制层被动抗风往往只能在既定航迹上进行姿态与推力补偿,其效果高度依赖控制带宽与扰动估计精度。当桥梁周边风场强时变且不均匀时,为保持轨迹与机体的稳定需频繁修正姿态、提高控制输出,导致能耗上升、续航缩短、路径作业效率降低。
对此,为提升无人机在复杂风况下的桥梁巡检作业能力,在无人机作业路径中应当做出额外环境因素考虑。黄心雨等
[96]把真实气象因素引入桥梁检测航线规划,将风速等环境条件对无人机作业风险与代价的影响显式建模,并考虑桥梁附近尾涡等危险区约束,再采用GA算法搜索低代价航线。其研究表明,在相同任务条件下,航线代价会随风速等气象参数变化而波动,说明忽略气象会系统性高估可达性或低估风险,继而强调了工程上进行气象敏感性分析与危险区约束的必要性。
随着智慧桥梁建设的新发展趋势逐渐成为行业热潮,通过在桥梁结构基础上构建智能传感网络监测桥梁及其周围环境信息是桥梁监测的热点。针对环境风场的监测,未来可通过对桥梁周围风场的流场分析,规划合理的风场参数测点,并搭建相应风参数传感器矩阵,形成桥梁实时风场参数感知系统结合预测模型实时生成桥梁动态风场,为无人机在风场下的路径规划提供环境数据支撑,利用风场信息实现安全裕度、能耗、任务时长的协同优化(如增加顺风利用、减少逆风对抗、规避极限风场),进一步实现节能降耗、缩短作业时间、提升效率并降低飞行风险的智慧巡检效果,这一策略具有重要工程意义和实现潜力。
3.3.2 针对桥下GNSS拒止环境的无人机路径规划
桥下等区域GNSS信号失效,使得无人机的位置估计的精度与可靠性不足,导致无人机无法稳定跟踪所规划的路径,难以有效完成桥下区域的检测任务,工程实践中只能退而求其次采用人工遥控方式以降低风险,从而限制了桥下结构的自主化巡检能力。这也表明,桥下自主巡检路径规划的关键在于不依赖GNSS信息的可靠定位与地图构建。
针对桥下GNSS拒止的问题,需要以非GNSS定位为基础构建可计算的环境地图,无人机在此基础上开展路径规划任务,确保针对桥下检测任务不会因GNSS定位问题而终止。对此,具有高度可行性的方法是先通过SLAM构建用于路径规划的桥梁数字化地图
[97-98](
图14),采用激光SLAM或视觉SLAM在首航阶段完成受限或未知区域探索与三维点云或网格地图重构,为后续航迹生成度量一致的空间基座。在获得桥梁电子地图后,结合先进的CCPP方法
[99-100],充分考虑机载续航约束以及采样点设置要求,生成最优巡检路径,指引无人机完全自主执行飞行检测作业流程。同时,为应对能源更换和各种意外突发情况引起的任务中断,设置任务断点接续功能,并研究起飞点与中断点间的能量与时间最优路径规划也是十分必要且实用的研究内容。
4 结论
根据桥梁检测业务要求和特点将无人机在桥梁检测领域应用所衍生出的技术进行分类,并归纳总结桥梁检测领域的多篇前沿文献,系统地探讨了基于无人机的桥梁检测方案的一般实施流程,并提炼总结出相关关键技术。同时,基于桥梁检测的流程来针对无人机桥梁检测技术现阶段面临的挑战和问题进行详细的分析并针对部分问题提出了一些建议。通过以上的研究得出以下结论。
(1)结合实际的桥梁检测场景,基于无人机的桥梁检测方案所需的关键技术包含桥梁检测无人机平台技术、无人机自主巡检作业技术、病害图像智能处理技术。其中,无人机平台技术属于前期设备准备工作,无人机自主巡检作业技术属于中期检测作业实施工作,病害图像智能处理技术属于后期结果生成工作。各关键技术之间紧密关联,桥梁检测流程的顺序决定了三项技术间的相互影响关系,优化前置技术可提升后续技术的效能,进一步优化整体检测效果。
(2)系统阐述了桥梁检测无人机平台技术、无人机自主巡检作业技术、病害图像智能处理技术这三项技术在桥梁检测作业中的应用分工,每项技术都有相应的子技术:无人机主体结构设计、机载传感系统、无人机自主巡检作业技术、基于经典数字图像处理的病害识别、基于深度学习的病害识别与分割,详细分析了每一项子技术的工作机理、技术现状、前沿方向。相比于传统桥梁检测方法,桥梁检测无人机技术具有低成本、低安全风险和灵活控制的优势;相较于其他检测设备,桥梁检测无人机适用性更广,能够通过硬件定制设计,适应不同桥梁部位的检测需求,实现多种检测任务的兼容。无人机在桥梁检测领域展现出广阔的应用前景。
(3)当前基于无人机的桥梁自主检测技术仍存在一些不足:续航能力受限,难以满足长时间、低速巡航的检测需求;复杂桥梁结构对传统导航定位方法造成干扰,影响定位精度和稳定性;在复杂的桥梁环境下,无人机的路径规划受桥梁周围环境影响而导致检测效率受限;现有无人机在适应特殊桥梁结构方面存在局限性,难以有效覆盖复杂检测场景。这些技术瓶颈制约了桥梁检测的全自主化发展。针对上述问题,围绕3个方向深入探讨了现有桥梁检测无人机技术的局限性以及该领域相关技术的未来发展趋势:优化无人机低速巡航长续航能源管理,以提升无人机的持续作业能力;研究桥梁结构干扰下的非常规自主定位导航,以增强复杂场景下的稳定性与精度;探索高效利用结构与环境条件的自主路径规划,以提高检测效率与精度,拓展检测应用范围。尽管仍面临诸多技术瓶颈,但桥梁检测无人机技术在实现全自主化检测方向展现出较强潜力,其在桥梁检测领域仍具有较强的研究价值和广阔的发展空间,未来有望推动桥梁检测向智能化、高效化、全自主化方向迈进。
PDF
(16466KB)
