“慧眼”识桥——计算机视觉在桥梁监测上的应用
“慧眼”识桥——计算机视觉在桥梁监测上的应用
基于计算机视觉的先进系统有望改变桥梁工程中的结构健康监测和维护实践。监测结构位移和振动对于保持桥梁完整性和确保桥梁安全至关重要，而一种新的解决方案目前正在成为这一领域的关键技术。
计算机视觉技术潜力无限
通过实时准确地识别和测量结构变化，CV使工程师能够实施主动维护。计算机视觉的非接触特性和提供详细测量数据的能力解决了传统传感器系统的不足，使其成为结构健康监测领域极具吸引力的替代方案。计算机视觉的准确性和适应性使其在各个领域得到广泛应用。
线性可变差分变压器和加速度计等传统方法虽然成熟，但通常需要与结构直接接触。这可能会使安装复杂化，可能会扰乱交通，并增加成本。虽然GPS和激光测振仪等非接触式方法可以替代传统技术，但它们也有自身的局限性。即使采用精确点定位等先进技术，全球定位系统在位移测量中也会表现出相对较大的误差，通常在分米范围内。此外，GPS还需要较长的收敛时间和无遮挡的天空视角，这限制了其主要在大跨度桥梁上的应用。激光测振仪虽然可以提供精确的位移和加速度测量，但受限于有限的测量距离（通常最远不超过100m），而且只能沿激光束的方向进行测量。这些因素共同影响了非接触式方法在各种监测场景中的精度、测量范围和多功能性。这些挑战突出表明，桥梁监测需要创新、非侵入式和具有成本效益的解决方案。
由CHI开发的StructuralVision是一款新颖的CV软件，可通过直观的图形界面直接从视频（无论采用何种记录设备）中进行无标记结构运动分析。通过集成一系列CV算法，该软件可适用于各种桥梁监测方案。
StructuralVision基于OpenCV等行业标准计算机视觉库，集成了多种计算机视觉算法，包括基于相位、基于特征和基于跟踪器的方法，可满足各种不同的应用需求。
从根本上说，StructuralVision采用了复杂的图像处理和物体跟踪算法，以跟踪用户定义的感兴趣区域或目标物体在连续视频帧中的移动。通过识别和比较目标对象在每个帧中的位置，底层算法可计算出亚像素精度的位移。然后，利用适当的缩放和透视变换，将这些像素位移转换为现实世界中的物理位移。
基于跟踪器的方法主要是根据物体的初始边界框，预测物体在后续视频帧中的位置。跟踪器在第一帧中对物体进行初始化，并根据外观、运动或其他特征逐帧更新。这种方法旨在克服遮挡或变形等挑战，实现连续、准确的跟踪，因此特别适用于在不同条件下对结构元素进行监控。
算法中还采用了基于相位的方法，这种方法对光照变化具有很强的鲁棒性，因此在光照条件变化的环境中也很有效。这些方法通过使用快速傅立叶变换来提高计算效率，即使在数据量较大的情况下也能进行快速分析。这些方法精度高，通常能达到亚像素精度，这对于跟踪细微的移动或位移至关重要。此外，这些方法非常适合检测全局平移运动，因此在SHM应用中非常有价值。
此外，基于特征的方法通过识别和描述图像中的独特点或区域，并在多个图像或视频帧中建立它们之间的对应关系，来匹配或跟踪物体。这一过程包括特征检测、描述和匹配。这些方法具有对光照、尺度和视角变化的鲁棒性等优点，并能处理部分遮挡和变形。在结构监测中，这些方法尤其适用于跟踪复杂的结构元素或处理具有挑战性的环境条件。
最佳算法的选择取决于具体应用和被监测结构的特性，用户可根据自己的独特需求作出明智的选择。
目前已有多个实际案例研究表明，StructuralVision能够从视频数据中提取结构位移和模态参数，显示了该软件在非接触式实时桥梁健康监测方面的潜力。
显著提高桥梁监测的效率
曼哈顿大桥横跨纽约市东河，通过三个悬索跨度分别为220.5m、451m和220.5m，将位于运河街的曼哈顿下城与布鲁克林市中心连接起来。桥面上有七条车道（上层四条、下层三条）和四条地铁轨道，下层路面两侧各有两条轨道。尽管在2000年代初实施了扭转加固项目，但该桥在列车荷载下仍有明显的挠度，因此是展示基于计算机视觉的挠度监测能力的理想场景。为了捕捉上部结构的运动，一台摄像机被战略性地放置在曼哈顿一侧，距离大桥中跨约457m处。
图1 上部结构的目标区域
感兴趣的区域被定义在上弦附近的夹板周围，并选择了两种不同的算法——相位算法和基于特征的算法进行比较分析。基于相位的方法通过分析帧间频域表示的变化 来测量相对移动，而基于特征的方法则通过比较图像纹理中的低级特征来跟踪移动。这两种算法都是通过跟踪目标区域相对于其初始位置的移动来独立生成位移时间历史，达到亚像素精度。
图2 目标区域的偏转与时间历史对比
尽管两种方法的算法基础根本不同，但它们获得的挠度与时间的历史记录却具有显著的一致性。桥梁的垂直运动清晰可见，主要是由地铁列车穿越引起的。峰值挠度的变化与列车相向行驶的时间一致。最大挠度为40.64cm，与两列列车几乎同时到达中跨的时间相吻合，突出了所观察到的活载挠度范围。这项研究充分体现了CV在实际条件下捕捉细微结构运动的功效，即使距离相当远也能捕捉到。
图3 摄像头位置及与受监控吊杆的距离
图4 计算出的频率值叠加在视频录像截图上
最重要的是，这种方法有助于在单个视频记录中同时提取多根悬索的模态频率。与通常需要对单根电缆进行顺序测量的传统模态测试技术相比，这种方法无需在数据采集过程中对单根电缆进行定位，从而大大加快了测量过程。这种多目标功能与CV方法的非接触性质相结合，大大减少了操作时间和潜在的交通干扰。
总结
上述内容体现了计算机视觉在桥梁工程中的变革潜力。在不同条件下对挠度、电缆频率和振动的成功监测，凸显了基于CV方法的适应性和稳健性。与传统的传感器技术相比，这些方法的非接触性及其提供实时或后处理分析的能力具有显著优势。
正如曼哈顿大桥案例研究中展示的那样，进行远距离测量的能力消除了安装大量传感器的需要，并最大限度地减少了对交通流的干扰。这大大节约了成本，提高了桥梁监测的效率。此外，在电缆频率分析中展示的多点同时测量能力简化了数据采集，减少了全面结构评估所需的时间和精力。
在处理具有挑战性的情况（如分析不稳定的摄像机镜头）时，CV的适应能力进一步凸显了其在现实世界中的应用潜力。从不完善的数据中提取有意义信息的能力，将基于CV的监控范围扩展到了传统方法可能会遇到困难的场景。
不过，必须承认CV的局限性。测量的准确性会受到图像质量、照明条件和风中相机稳定性等因素的影响。稳健的算法和仔细的校准对于减少这些潜在的误差来源至关重要。此外，虽然 CV 擅长位移和频率测量，但它可能无法直接捕捉应变或材料属性等其他关键参数。与补充传感技术相结合可以解决这一局限性。
CV的进步及其固有的优势使其成为桥梁工程师的有力工具。CV具有非接触、经济高效和多点测量的能力，有望彻底改变 SHM 和维护实践。通过对结构行为进行实时评估，CV使工程师能够做出明智的决策，实施积极的维护策略，并确保桥梁的长期安全性和适用性。