本文是一篇土木工程论文，本文搭建了一个轻量级卷积神经网络对桥梁进行水下病害检测，同时利用深度相机获取检测到的病害三维点云，结合本文提出的基于三维点云的处理算法，可得到水下病害的三维信息。
1 绪论
1.1 研究背景与意义
桥梁历史悠久，随着近代工业的发展，人们对桥梁有了更高的要求，桥梁也开始向高跨度、高幅度发展，桥梁规模也屡屡创下世界纪录。
近几十年来，我国交通行业迅速发展，桥梁建设更是日新月异。我国疆土面积广阔，地形条件复杂多样，在中国很多地方都能看到新建成的宏伟大桥，桥梁已遍布我国的高原、峡谷、海峡，中国造桥技术已达到世界前沿水平，世界十大跨海大桥我国有6座[1]，因此我国已成为世界第一桥梁大国。
桥梁在飞速发展的同时也带来了问题，桥梁跨度加大，给桥梁的检测带来了难度。桥梁大多穿越水文环境，桥梁的基础多在水中工作，因水下环境复杂，水流的冲刷、水生物的腐蚀、船舶的撞击、基础在水和空气交接处干湿循环等因素都易使水下基础产生缺陷[2]，这些缺陷会对整座桥梁的承载能力造成危害，桥梁承载能力降低发生垮塌，危害人们的生命财产安全。
1.2 国内外研究现状
目前已有众多国内外学者针对裂缝病害进行了研究，但桥梁墩台裂缝病害检测较少，且有较多的问题尚未解决。本文根据研究的内容对裂缝检测、深度学习的发展、三维点云采集技术这三个方面的国内外研究现状做了分析。
1.2.1 裂缝检测的发展与现状
目前，国内外学者对裂缝检测研究主要分为两个方向，基于数字图像处理技术和机器学习技术[6]。
在数字图像处理方面，Singh[7]基于图像形态学理论，研究了全局阈值的裂缝分割算法。Huang[8]等人的对基于阈值的裂缝分割进行了分析，并在此基础上进行了改进。范九伦[9]提出了一种基于二维曲线阈值的计算方法，实现了对裂缝的快速有效的分割。宋蓓蓓[10]等人利用裂缝相对于路面的亮度、几何纹理等特征差异,提出了一种基于FCM图像分割和形态学的沥青路面图像裂缝提取方法，可以实现对弱对比度裂缝的提取。康牧[11]等人针对需要人为指定阈值等问题,提出了一种Roberts自适应边缘检测方法，能够生成动态的阈值对裂缝进行提取。Ayenu-Prah[12]等人对首先对裂缝图像去噪，其次利用Sobel算子对裂缝的边缘进行定位。张宏[13]等人提出了一种基于频域滤波的降噪增强方法，消除了噪声的影响，提高了裂缝对比度。张娟[14]等人利用维纳滤波对裂缝进行了增强。Garg[15]和黄果[16]基于G-L分数阶微分理论，对裂缝增强算法进行了研究和改进。任亮[17]等人提出一种基于Prim最小生成树的路面裂缝连接算法，提高了裂缝检测目标的连续性。伯绍波[18]等人提出一种测量沥青路面裂缝的图像处理新算法，使用统计学和形态学的算法对裂缝的长度和宽度进行了计算。曹建农[19]基于图像平滑与分割方法对裂缝进行测量，可以识别较为细小的裂缝。
综上所述，数字图像处理算法不能完全去除噪声对裂缝图像的干扰，且对裂缝进行预处理后，不能对裂缝进行自动识别。
2 病害检测系统理论基础
2.1 卷积神经网络理论基础
2.1.1 神经网络
（1）神经元是生物神经网络中最基本的组成物质，从生物学中可了解到，我们人脑中存在大量的神经细胞，它们之间通过电信号传递信息。神经元模型如下图所示，其主要组成部分有轴突、树突、细胞核、细胞体、突触、神经末梢，树突的作用是接收信号；细胞核的作用是对接收到的信号进行处理；轴突的作用是将处理后的信号传递出去。因此信号在神经元之间的传递流程是，当受到外界刺激时，神经元中的树突会传递信号给细胞体，细胞体将接收到的信号通过轴突传递出去，最终完成信息传递的功能。
对上述模型的基础上，学者对其进行抽象化得到人工神经元模型，如图2.2所示，其中x代表神经元的输入，相当于树突接收到的多个外部刺激信号，w是每个输入对应的权重，其值的大小控制着输入x的信号强度。假设只有3个特征，那么x就可以用()1 2 3x,x,x表示，b表示阈值，其功能是当输入之和大于某个特定阈值时，才能将输出信号传递给下一层，用来影响预测结果；
（2）神经网络是由上述若干个神经元组成的，组成部分包括输入层、隐藏层和输出层。输入层是由众多神经元接受大量非线性输入信息；输出层是信息在神经元链接中传输、分析、权衡，形成输出结果；隐藏层位于输入层和输出层之间，可以提取更高层次的特征信息。神经网络的工作流程是输入层对样本特征进行初步提取，将其传递给隐藏层，隐藏层提取更高层次的特征信息，发送给输出层，由输出层输出最终结果。
2.2 水下物体空间坐标解算
2.2.1 相机成像原理
相机成像过程较为复杂，但最基本的原理类似于小孔成像，物体的光线通过凸透镜发生折射，最终成像在镜头后方的成像平面上。
2.2.2 结构光相机三维测量原理
结构光相机主要包括两部分，相机和投影仪。使用时投影仪将编码好的图案投影到物体表面，相机观察在物体表面图案成像的畸变情况，如果光线投影的物体表面是光滑的，那么观察到的投影图案没有变形，只是根据距离远近，投影图案会产生一定度的变化。如果物体表面不是平面，那么物体表面的编码图案会产生变形。相机通过检测到的结构光图案结合三角测量原理即可得出该物体表观的三维坐标信息。
对卷积神经网络的组成部分做出了详细的介绍，将神经网络和卷积神经网络进行了对比，证明了卷积神经网络具有训练参数少的优点。对结构光相机三维测量原理进行了详细介绍，为后续的研究提供了理论基础。
3 裂缝病害图像预处理及数据库的建立 ....................... 26
3.1 病害数据库的构建 ............................... 26
3.2 水下图像增强研究 .............................. 28
4 改进YOLOv4的水下裂缝病害检测算法 ........................ 47
4.1 YOLOv4卷积神经网络 ................................. 47
4.2 Mobilenetv3网络 ........................... 49
5 双目视觉系统的搭建 ............................ 78
5.1 深度相机的介绍与选取 ............................... 78
5.2 相机水密性的处理 ............................ 79
6 水下病害三维指标计算
6.1 病害三维信息计算系统框架
本系统主要是对深度相机采集到的病害三维点云进一步研究，可根据点云信息计算得到病害的长度、宽度、深度、缺陷体积等信息。本系统实现流程如下图所示。
7 结论与展望
7.1 结论
本文搭建了一个轻量级卷积神经网络对桥梁进行水下病害检测，同时利用深度相机获取检测到的病害三维点云，结合本文提出的基于三维点云的处理算法，可得到水下病害的三维信息。论文主要工作如下：
（1）本文提出了一种水下图像增强方法用来提升图像质量，将该算法与常规算法做图像增强效果对比，结果表明本文研究的算法可有效提升图像质量。其次针对水下病害样本少的问题，本文搭建了深度卷积对抗生成网络，根据真实的水下裂缝样本生成虚拟样本，并通过实验证明了生成的虚拟病害样本可以用于网络训练，为后续的检测网络增加了鲁棒性。
（2）对YOLOv4网络做出了改进，搭建了一种轻量级网络模型Lite-YOLOv4。改进后的网络模型大小和计算量大幅减少，模型大小仅为原YOLOv4的1/5，训练速度提升了7倍，实时检测速度提高了80%，帧率可达25FPS，满足实时检测的需求。分别对mosaic、余弦退火衰减算法、学习率指数衰减进行不同的组合去训练网络，结果证明，使用余弦退火衰减算法的网络性能最好。针对不同工况下的裂缝病害，将常用的目标检测网络与本文网络进行检测结果对比，结果表明本网络相比其他网络，在提高了检测速度的同时，网络性能也进一步提高，可以在复杂的工况下也能保证对病害进行精确的检测。
（3）针对双目结构光相机进行了水密性处理，建立了相机的成像模型，引入了高阶畸变矫正多项式来消除水下图像的畸变，利用张正友标定法完成了对相机的水下标定，重投影误差为0.05，说明标定实验精度高。
（4）提出了一种病害三维信息的自动测量方法。使用深度相机对有病害的区域进行扫描，得到三维点云；对采集到的点云进行分割，进一步得到病害的三维点云；利用三维数据点在不同方向的差值得到病害的深度、宽度；使用泊松曲面重构算法对病害进行三维重建，利用海伦公式计算病害的面积；使用三维凸包算法计算出病害的体积。对水下混凝土病害进行了三维信息计算，计算结果与真实结果的平均相对误差在5%左右，表明本文所研究的算法针对墩台水下病害有较高的计算精度。
参考文献（略）
