鄧雅心 ，駱旭佳 ，李紅林 ，吳清海 ，余磊鑫 ，蒯夢珂

（1.江蘇海洋大學，江蘇 連云港 222005；2.浙江華東測繪與工程安全技術(shù)有限公司，浙江 杭州 310000）

引言

水資源時空分布極不均勻，水旱災多發(fā)頻發(fā)，自古以來就是我國的基本水情。建設水庫大壩，注重發(fā)展水電，將水力發(fā)電這種清潔能源方式與大壩防洪防汛的作用結(jié)合起來，有助于優(yōu)化現(xiàn)有能源結(jié)構(gòu)，保障國家社會經(jīng)濟的良性發(fā)展。依照水利部《第一次全國水利普查公報》，我國己建成的水庫大壩達9.8 萬余座，是擁有水庫大壩數(shù)量最多的國家之一[1]。水庫的數(shù)量和重要性決定了對水庫大壩定期巡檢，實施安全管理的必要性。所以，為了保障水庫正常運作并發(fā)揮其效用，確保水庫大壩的安全就是一項涉及到社會經(jīng)濟穩(wěn)定發(fā)展的重要工作，研究高效智能的大壩安全管理方法對國家和地區(qū)都具有相當重要的意義[2]。

大壩表面缺陷檢測主要有三個檢測重點[3]：（1）裂縫是大壩最為常見的病害。大壩多采用鋼筋混凝土結(jié)構(gòu)建成，體積大，鋼筋混凝土構(gòu)筑物大都是帶裂縫工作的。當裂縫較為細小且對建筑物結(jié)構(gòu)不構(gòu)成威脅時，無需對其進行處理，但當裂縫密集或增大到一定程度時，可能造成嚴重的潰壩事故；（2）滲漏是大壩的另一缺陷。滲漏使混凝土遭受緩慢侵蝕，致使其強度下降甚至失去強度而遭到損壞[4]；（3）結(jié)構(gòu)破損是較為顯著的缺陷，破損嚴重的會導致壩體結(jié)構(gòu)因為錯位及壓力產(chǎn)生損壞。

傳統(tǒng)的大壩缺陷檢測多是利用測繪專用儀器對大壩構(gòu)筑物的各個部位進行檢測和記錄。在此過程中，檢測人員需被吊機懸掛在高空或站在預先搭設的排架上，在高空平臺上進行檢測作業(yè)。這種外業(yè)檢測方式工作量大、工作強度高、工作周期長、動工成本高且安全性差。同時，當工作人員被懸掛在高空時，其觀測視野較為局限，這可能會造成排查不夠全面，檢測結(jié)果遺漏等問題[2]。運用無人機傾斜攝影測量技術(shù)采集大壩數(shù)據(jù)，可實現(xiàn)遠距離、非接觸條件下的大壩裂縫安全檢測，工作量小，周期短，人員安全得到較強保障。

圖1 傳統(tǒng)人工吊籃檢查和無人機操作對比

1 技術(shù)路線

結(jié)合某水電站大壩的壩面安全檢測需求，重點的檢測對象為大壩主體建筑的裂縫情況。本文將無人機傾斜攝影測量技術(shù)與機器視覺識別缺陷結(jié)合起來，首先通過無人機搭載高效專業(yè)的數(shù)據(jù)采集設備獲取大壩航飛成果，然后經(jīng)專業(yè)的數(shù)據(jù)處理軟件生成大壩實景精細三維模型，最后利用機器視覺自動檢測壩面缺陷，并對缺陷進行定量化處理。

1.1 無人機技術(shù)

無人機（unmanned aerial vehicle，UAV）是包括固定翼、無人飛艇、旋翼、熱氣球在內(nèi)的一系列通過遙控操作或自主無人控制的空中飛行器的總稱。就獲取高分辨率影像而言，常搭載數(shù)碼相機作為傳感器，主要用于厘米級分辨率遙感數(shù)據(jù)和空間信息數(shù)據(jù)的快速獲取、處理和建模[3]。無人機航測具備云下作業(yè)、高現(xiàn)勢性、小范圍、高清晰、大比例尺、小型輕便、高效機動的特點[4]，廣泛應用于基礎測繪[5-6]、應急救災[7]、高壓線纜與農(nóng)林巡視[8]等領域。無人機按外形結(jié)構(gòu)可分為多旋翼無人機和固定翼無人機，多旋翼無人機的螺旋槳數(shù)量越多，飛行越平穩(wěn)，可操作性越強，可折疊、垂直起降、懸停，對場地的要求低[5-6]。無人機技術(shù)的應用優(yōu)勢主要有三點：（1）現(xiàn)場作業(yè)速度快，數(shù)據(jù)精度高，搭載不同的傳感器可獲取不同的數(shù)據(jù)，如搭載相機可獲取影像、照片；搭載激光雷達可獲得激光雷達點云數(shù)據(jù)；（2）實施周期短、現(xiàn)勢性強、成本低，可彌補人工外業(yè)測量效率低、數(shù)據(jù)信息延遲、成本高及數(shù)據(jù)不連續(xù)和不直觀的缺陷；（3）可利用專業(yè)的數(shù)據(jù)處理軟件，對所得數(shù)據(jù)進行數(shù)據(jù)預處理后進行精細三維建模，還可處理為任務所需的DEM、DOM、DSM 等地理數(shù)據(jù)。

1.2 傾斜攝影三維建模

傾斜攝影測量技術(shù)利用無人機作為傳感器的搭載平臺，通過在同一平臺上搭載5 臺或3 臺傳感器，從1 個垂直、4 個傾斜這5 個不同角度采集影像，獲取測量目標地物更為準確、全面、真實的信息[5]。在拍攝影像時，充分體現(xiàn)了無人機靈活、高效的特點，同時記錄航高、航速、航向和旁向重疊、坐標等參數(shù)。傾斜攝影具有以下特點：（1）多角度觀察目標地物，全方位地反映目標地物的實際狀況，使無人機測量具備全局觀測的特點[9-10]；（2）可實現(xiàn)影像單張量測。通過專業(yè)測繪和地理數(shù)據(jù)處理軟件，可直接基于在三維模型成果上進行包括坐標、高度、長度、面積、坡度、角度等的量測[11-12]；（3）數(shù)據(jù)量小。與傳統(tǒng)的三維 GIS數(shù)據(jù)相比，傾斜影像的數(shù)據(jù)量更小，為數(shù)據(jù)的傳輸與共享帶來了極大的便利。

1.3 改進的全卷積神經(jīng)網(wǎng)絡（I-FCN）

FCN（full convolutional neural network）網(wǎng)絡主要的構(gòu)成部分是下采樣和上采樣，其中下采樣部分由卷積層和池化層構(gòu)成（本網(wǎng)絡采用最大池化）；上采樣部分由反卷積層和 softmax 分類層構(gòu)成。考慮到本文的檢測對象為大壩表面裂縫，其像素占圖像像素比例低。若采用傳統(tǒng)的FCN網(wǎng)絡進行檢測，在經(jīng)過多次池化操作過后，會損失掉更多的信息，導致檢測裂縫的準確率降低[13]?；诖?，本文運用一種改進的全卷積神經(jīng)網(wǎng)絡（improved full convolutional neural network，I-FCN），該網(wǎng)絡對于裂縫的檢測具有較強的針對性，在傳統(tǒng)FCN 的下采樣部分，用部分卷積層代替池化層，更多的保留了裂縫信息，從而達到提升I-FCN 裂縫的檢測精度的目的，其網(wǎng)絡框架如圖2。

2 實驗

為驗證本文方法的有效性，以官地水電站大壩主體作為研究對象，通過多旋翼無人機對某水電站實施近距離、高清晰的傾斜攝影測量，獲取大壩整體的傾斜影像。內(nèi)業(yè)處理中利用傾斜三維建模技術(shù)還原大壩壩體表面信息，實現(xiàn)對大壩整體的精細實景三維建模。按照擬定分析指標，運用機器視覺對滲漏、表面結(jié)構(gòu)破損、裂縫等進行大壩表面裂縫的檢測，實現(xiàn)目標對象的坐標定位及真實量測，從而完成大壩表面缺陷檢測，為大壩安全巡視與日常維護提供參考。

2.1 傾斜三維建模

2.1.1 數(shù)據(jù)采集

數(shù)據(jù)的獲取是前期工作的關鍵環(huán)節(jié)，而獲取的影像質(zhì)量也會直接影響三維模型的效果；經(jīng)分析影響無人機航飛效果的主要因素有航線、相對航高、重疊度等，實施航空攝影前需充分考慮這些因素，設置合理的參數(shù)保證影像質(zhì)量[14]。

圖2 I-FCN 網(wǎng)絡框架

本次研究選取某水電站大壩表面進行研究，外業(yè)傾斜攝影測量設備選用大疆M600 六旋翼無人機+索尼A7R相機，大疆M600 六旋翼無人機機身輕便靈活、操作性強、可定點懸停拍攝。具體到拍攝時，我們將根據(jù)壩體的大小劃分合適的區(qū)塊，按壩段布置兩到三條測繩，測繩間距5～10m，無人機按測繩保持固定間距拍攝。本次項目拍攝的傾斜影像，分辨率為1.5cm/像素，共2800 張，重疊度≥75%。經(jīng)檢查，數(shù)據(jù)滿足傾斜三維建模任務的需求。

2.1.2 數(shù)據(jù)處理

本文采用Context Capture 軟件對傾斜數(shù)據(jù)進行處理[14]。在將數(shù)據(jù)導入軟件之前，要對影像數(shù)據(jù)進行檢查，準備好軟件需要的數(shù)據(jù)表，該數(shù)據(jù)表包括影像對應的POS 數(shù)據(jù)，影像信息、傳感器信息、坐標信息等。然后將影像和與之對應的POS 數(shù)據(jù)分別導入軟件，選擇對應的坐標系，提交初步空三運行?？罩腥菧y量是三維重建的前提也是最重要的一步，在數(shù)據(jù)處理過程中往往會出現(xiàn)點云數(shù)據(jù)分層，照片丟失等情況，這就需要反復刺連接點，直到滿足任務要求。最后，導入外業(yè)測量的像控點坐標，并在相應的影像上刺點，進而通過影像密集匹配，密集點云構(gòu)建 TIN 模型，紋理切片自動映射等過程，最終得到對應坐標系統(tǒng)下的具有真實坐標的傾斜攝影三維模型[14]。傾斜攝影三維建模技術(shù)流程如圖3。

2.2 缺陷檢測

2.2.1 數(shù)據(jù)集與硬件平臺

本文用來構(gòu)建數(shù)據(jù)集的數(shù)據(jù)是應用于三維建模數(shù)據(jù)預處理后的照片，數(shù)據(jù)集共包含1200 張照片，每張照片大小為 480×480。在訓練過程中，按照 8：1：1 的比例將數(shù)據(jù)集隨機分為訓練集、驗證集和測試集三部分。

圖3 三維建模流程圖

本研究實驗是在微星MS-7A78 上進行開發(fā)的，其顯卡型號是NVIDIA GeForce GTX 1080 Ti，擁有64GB 運行內(nèi)存。利用Pycharm2017.3 以及Anaconda3 集成開發(fā)工具。采用深度學習 TensorFlow 框架進行改進的全卷積神經(jīng)網(wǎng)絡模型的搭建、訓練和測試。

2.2.2 網(wǎng)絡模型訓練結(jié)果及分析

為了驗證改進的全卷積神經(jīng)網(wǎng)絡（I-FCN）對裂縫識別的有效性，分別使用FCN 網(wǎng)絡和I-FCN 網(wǎng)絡對預處理后的數(shù)據(jù)進行訓練。具體到網(wǎng)絡訓練過程中，每一輪迭代都會得到一個輸出結(jié)果，網(wǎng)絡損失值就代表這個輸出結(jié)果與標準結(jié)果的差異[13]。網(wǎng)絡訓練的目的就是通過多次的迭代運算減小這個差異，最終使訓練的網(wǎng)絡模型達到收斂[14]。由于裂縫識別是像素層面的檢測，可將像素分為正樣本像素（裂縫像素）和負樣本像素（背景像素）兩種，因此預測情況分為以下四類[15]：正樣本判定為正樣本（true positives，TP）；正樣本判定為負樣本（false negatives，F(xiàn)N）；負樣本判定為正樣本（false positives，F(xiàn)P）；負樣本判定為負樣本（true negatives，TN）。因此根據(jù)混淆矩陣計算原則，可以將像素準確率（accuracy）、召回率（recall）和交并比（IOU）作為網(wǎng)絡的評價指標，具體計算如下：

圖4 FCN 和I-FCN 訓練測試指標對比圖

（1）像素準確率（accuracy）。表示被正確識別像素占總像素的比例。公式表示如下：accuracy=TP+TN/TP+TN+FP+FN

（2）召回率（recall）。表示被正確識別的正樣本像素占應當被正確識別的像素比例。公式表示如下：recall=TP/TP+FN

（3）交并比（IOU）。表示被正確識別的正樣本像素占應當被正確識別的像素和負類像素被識別為正確像素之和的比例。公式表示如下：IOU=TP/TP+FP+FN

通過多次迭代訓練后，模型最終達到收斂。I-FCN網(wǎng)絡得到的損失值相比于FCN 網(wǎng)絡更低，像素準確率、召回率和交并比分別達到76.39%、85.84%和59.67，相較于FCN 網(wǎng)路分別提升了4.25%、6.52%和4.78%。FCN 和I-FCN 網(wǎng)絡訓練測試指標對比簇狀圖如圖4。

3 結(jié)果分析

選取具有代表性的2 張影像進行標記及分析，共發(fā)現(xiàn)裂縫4 處。通過I-FCN 對特征區(qū)域的裂縫進行檢測，準確檢測到4 處裂縫，對應到大壩精細三維模型上對裂縫坐標和長寬進行標注和記錄，結(jié)果如圖5 所示。檢測出的4 條裂縫的具體坐標、高程、長度和寬度如表1 所示（出于保密和安全考量，本文涉及的坐標以及高程均為加密數(shù)據(jù)）。為驗證本文方法的有效性，將運用本方法檢測出的裂紋信息與外業(yè)實地測量的數(shù)據(jù)進行比對，誤差均小于0.01，滿足項目實際需求。

4 結(jié)論

圖5 裂縫檢測示意圖

針對大壩裂縫的檢測，本文提出了無人機傾斜攝影測量技術(shù)結(jié)合改進的全卷積神經(jīng)網(wǎng)絡（I-FCN）對大壩裂縫進行識別和定量化分析，通過在官地水電站大壩主體建筑上進行裂縫檢測實驗，準確檢測出了目標區(qū)域誤差范圍內(nèi)的裂縫信息，證實了本文方法的可行性。本文方法較傳統(tǒng)人工檢測方法安全性更強，具有目標檢測所需要的強針對性，較大地提升了大壩裂縫檢測的效率，為大壩裂縫檢測的方法增添了新的內(nèi)容。

同時，本文提出的方法也存在諸多的不足，例如：（1）裂縫識別未能在三維模型上直接識別，在二維對應三維的過程中需要人工對應，不能夠?qū)崿F(xiàn)二三維之間的聯(lián)動；（2）未涉及到裂縫深度的量化計算；（3）未能提供大壩滲漏和結(jié)構(gòu)破損等缺陷的有效識別方法。為了更好地進行大壩裂縫檢測，排查大壩缺陷，后期將針對現(xiàn)有不足進行更深入的研究。

表1 大壩表面裂縫情況分析表