摘要
近年来，中国高速铁路网络不断扩张和升级，为人们提供了更加便捷、快速、安全的出行选择，有效满足了日益增长的出行需求。高速铁路受地形、行驶稳定性等因素影响，大多采用“以桥代路”的方式，因此高铁桥梁在高速铁路线路中占较大比重。随着高铁桥梁运营时间的增加，桥梁结构中的损伤也逐年累积，一旦出现较大损伤没有及时检测到，可能会导致重大安全事故。在传统高铁桥梁健康检测过程中，大多依赖人工检测方法，通过肉眼或传感器等方式进行桥梁健康检测，存在效率低、容易漏误检、步骤极其繁琐等问题，有时甚至会影响高铁运营，带来安全隐患。 随着深度学习、机器视觉和人工智能等技术的不断发展和突破，为高铁桥梁结构的实时自动化健康检测技术提供了新思路。本文旨在开发一种基于最新机器视觉技术的适用于高铁桥梁的健康检测系统，主要针对高铁桥梁健康检测中裂缝宽度和桥梁结构振动位移这两个需要重点考察的物理参数指标，提出一种便捷的检测方法，主要研究内容如下: (1)消费级相机单目视觉下图像采集与预处理方法。首先介绍了单目视觉成像原理，通过引入张正友相机标定法，对相机拍摄过程中产生的畸变进行校正，获取相机内部参数。对采集到的裂缝图像和振动视频分别进行预处理，通过对高铁桥梁裂缝特性进行分析，采用一种双边滤波结合限制对比度自适应直方图均衡化算法对裂缝图像进行预处理，在有效抑制噪声的同时保留了裂缝边缘信息;分析高铁桥梁挠度特性，对振动视频采用非局部均值去噪技术进行去噪，提高了后续振动位移测量精度。 (2)基于机器视觉的高铁桥梁裂缝检测方法。传统数字图像处理技术在处理桥梁结构裂缝时由于裂缝形态和环境影响的复杂性导致检测效果不佳，且缺乏自适应和智能化的能力。为此，本文基于深度学习提出了一种结合YOLOv5和U2-Net的裂缝检测系统。YOLOv5可实现对裂缝实时、高精度的识别和定位，并引入了更适用于显著性目标且特征提取能力强的U2-Net图像分割模型，针对传统裂缝最大宽度计算中存在的问题，提出了一种基于计算轮廓最大内切圆算法的裂缝宽度测量法;通过混凝土破坏性实验模拟高铁桥梁开裂，采集了 2560张测试图像作为系统的输入端对该系统进行评估。结果表明，识别定位模型测试集的准确率、召回率、AP分别为92.21％、94.63％、95.32％;分割模型测试集准确率、召回率、AP分别达到92.86％、95.61％、93.35％;裂缝最大宽度测量法精度为95.25％。 (3)基于机器视觉的高铁桥梁振动位移检测方法。针对高铁桥梁结构振动现场检测的便利性需求，研究了模版匹配法(有靶标)和Harris角点检测与匹配法(无靶标)这两种目标追踪技术对振动位移检测的原理和流程。开展了模拟振动实验，同时采用机器视觉方法、激光位移传感器和加速度传感器进行测量，通过波形和误差对比结果验证了本文机器视觉方法的可行性和有效性。为验证本文振动位移检测方法是否适用于高铁桥梁，进行现场振动测试，结果表明本文提出的振动位移检测方法满足实际应用测量精度要求。 (4)开发了高铁桥梁智能健康检测软件系统。为了实际使用中降低学习成本和操作难度，使用PySide 6开源框架对高铁桥梁智能健康检测系统进行设计与实现，软件主要分为用户登录模块、高铁桥梁裂缝检测模块和高铁桥梁振动检测模块。
NETL