计算机视觉技术在钢结构桥梁安全检查中的应用综述.pdf

第41卷第8 期2023年8 月文章编号：10 0 9-7 7 6 7(2 0 2 3)0 8-0 0 0 9-0 8市放技术Journal of Municipal TechnologyVol.41,No.8Aug.2023D0I:10.19922/j.1009-7767.2023.08.009计算机视觉技术在钢结构桥梁安全检查中的应用综述岳岩，刘宇飞*(清华大学土木工程系，北京10 0 0 8 4)摘要：我国有巨大的桥梁运维需求，而传统的钢结构桥梁安全检查方式主要为人工巡检，其因存在效率低下、危险性高等问题已难以满足日益增长的桥梁运维需求。近年来，计算机视觉技术逐渐进入桥梁安全检查领域，其因具有成本低、效率高、智能化的特点得到了广泛应用。从计算机视觉技术的图像信息采集和病害识别两个方面入手，对近年来国内外的研究成果进行总结，包括不同的钢结构桥梁表面视觉信息获取方案和不同的裂缝识别算法，最后对计算机视觉技术在桥梁安全检查中的应用进行了总结与展望。关键词：桥梁安全检查；计算机视觉；图像采集；裂缝识别中图分类号：U448.36Abstract:China has a huge demand for bridge operation and maintenance.The traditional bridge safety inspectionmethod is mainly manual inspection,which is difficult to meet the growing demand of bridge operation and mainte-nance due to low efficiency and high danger.In recent years,computer vision technology has gradually entered thebridge safety inspection field and widely used because of low cost,high efficiency and intelligence.Two aspects ofimage information acquisition and disease image recognition of computer vision technology are introduced in this pa-per.The research results are summarized at home and abroad in recent years,including different bridge surface vi-sual information acquisition schemes and different crack recognition algorithms.Finally,the application of computervision technology in bridge safety inspection is summarized and prospected.Key words:bridge safety inspection;computer vision;image acquisition;crack detection文献标志码：AReview of Application of Computer Vision Technology inSteel Bridge Safety InspectionYue Yan,LiuYufei*(Department of Civil Engineering,Tsinghua University,Beijing 100084,China)目前我国已经成为世界上在役桥梁数量最多的国家。据交通运输部统计，截至2 0 2 1年底我国有超过96 万座公路桥梁，总长度达到7 38 0.2 1万延米1。巨大的桥梁数量带来了巨大的桥梁运维需求2。但收稿日期：2 0 2 3-0 6-30基金项目：国家自然科学基金（52 192 6 6 2）作者简介：岳岩，男，在读硕士研究生，主要研究方向为工程结构损伤识别与性能评估。通讯作者：刘宇飞，男，副研究员，博士，主要研究方向为工程结构损伤识别与性能评估。引文格式：岳岩，刘宇飞.计算机视觉技术在钢结构桥梁安全检查中的应用综述J.市政技术，2 0 2 3，41（8）：9-16.（YUEY,LIUYF.RevieWofapplication ofcomputer vision technology in steel bridge safety inspectionJJ.Journal of municipal technology,2023,41(8):9-16.)现有的桥梁病害检测技术却越来越无法满足实际工程的需求。传统的人工巡检主要依靠作业人员目视判定桥梁病害，除了效率低下、检测结果受作业人员主观判断影响大之外,还存在一定的危险性;现10有的智能检测技术如流探伤、超声波检测、声发射测试等技术耗时耗力，需要专业设备，并且对操作人员的专业性要求较高，不适用于大规模桥梁病害检测3。近些年,计算机视觉技术逐渐在结构智能检测中得到应用，其以检测成本低、对作业人员要求低、适用性好等特点，为桥梁病害检测提供了新途径，得到了越来越广泛的应用。基于计算机视觉技术的检测方法主要包括图像信息采集与病害识别两大部分。笔者分别从这两个部分人手，对近年来使用计算机视觉技术进行钢结构桥梁安全检查的研究现状进行综述。1钢结构桥梁表观病害检测需求与其他结构类型相比，钢结构具有强度高、自重小、施工方便、抗震性能好等优点，在桥梁中应用广泛。与此同时,钢结构也普遍存在着由于强度、腐蚀等问题导致的病害。钢结构桥梁的主要表观病害包括钢材锈蚀、钢材开裂、螺栓脱落等。1)钢材锈蚀钢材锈蚀是因构件表面涂层破损，金属与空气直接接触发生化学作用所致。涂层在荷载作用下劣化后起泡，逐渐发展成涂层开裂与剥落，导致钢材直接暴露在空气中,发生锈蚀,在气候温暖潮湿地区尤为常见4。由于锈蚀部分不再受力，钢截面实际受力面积减少，因此结构的承载力和刚度降低。图1展示了钢材表面锈蚀情况。Journal of Municipal Technology第41卷全隐患5。图2 展示了实际钢材开裂与计算机视觉技术识别结果。图2 钢材开裂与计算机视觉技术识别结果Fig.2 Steel crack and computer vision identification result3)螺栓脱落螺栓脱落的原因包括：螺栓本身存在质量问题，如生产过程中混入杂质导致螺栓局部晶界脆化；使用阶段的客观条件造成螺栓断裂，如施工误差导致的受力不均或疲劳荷载导致的应力重分布均会造成螺栓断裂6。图3展示了钢结构中螺栓脱落现象。图3钢结构中螺栓脱落Fig.3 Bolt missing in steel structures在上述病害发生后，由于缺少适当的养护，大量钢结构桥梁的承载力和刚度降低，安全性和服务性能受到严重影响。“十三五”期间，全国共投人资金697亿元，改造危桥3.4万座。适当的养护可以提升钢结构桥梁的服役寿命和性能，而对表观病害进行图1钢材表面锈蚀Fig.1 Steel surface rusting2)钢材开裂钢结构开裂有多种可能的原因,包括疲劳开裂、残余应力、初始缺陷、脆性破坏等，多发于焊缝、开孔、加劲肋等部位。开裂会导致应力集中，断裂部分退出工作，进而可能导致结构破坏，存在较大的安检测是进行养护的前提。钢结构桥梁表观病害检测存在巨大的需求。2桥梁表面视觉信息获取获取病害图像信息是使用计算机视觉技术进行桥梁病害检测的第一步。为了规避人工目视检测可能存在的由于可达性、光照条件、视力、色觉和主观第8 期因素等差异对检测结果的影响，有必要通过既定的标准化程序收集桥梁表面视觉信息7。2.1视觉信息采集硬件设施在钢结构桥梁安全检查中，需依靠一定的硬件设施实现桥梁表面待检区域的可达性。现有的硬件设施包括桥梁检查车、移动机器人、无人机等。2.1.1桥梁检查车桥梁检查车根据工作形式可以分为移动式和固定式两类8。移动式检查车是在重型车辆上安装可活动的吊篮、桁架或机械臂，将检测人员或装置运送到梁侧和梁底待检区域进行检测与信息采集。相较于传统的人工巡检依靠脚手架或吊绳帮助人员到达待检区域，移动式检查车节省了架设支撑设施的时间，并在一定程度上保障了检测人员的安全性；但使用移动式检查车进行桥梁安全检查时需要封闭交通，且仍然无法规避人工巡检存在的主观判断影响问题。固定式检查车，也叫悬挂轨道桁车，是在桥梁梁侧安装轨道，轨道上架设伸缩桁架或旋转桁架检查车实现跨桥墩的移动，以此搭载人员或设备对梁侧和梁底进行检测9,其覆盖范围大、承载能力高，并且作业在梁底进行，无需中断交通。Baptiste等10 设计了一种半自主移动式检查车来进行桥梁检测，可拍摄梁桥、拱桥桥侧的图像并将其存储在桥梁的CAD模型中。该系统包含1辆卡车、1个用于对桥梁进行拍照的活动机器机构以及1套用于将图像与桥梁CAD模型自动关联起来的软件，检测人员可以远程在CAD软件中浏览桥梁表面的照片,以检测桥梁表面病害。Oh等11开发了一套由重型车辆、机器人装置、运动控制系统和机器视觉系统组成的机器人系统用于桥梁安全检查。其中重型车辆配备了7 个由液压驱动的多连杆机构，用以将机器人装置运送到桥梁待检位置；机器人装置上搭载电机系统、机器视觉系统和各种传感器以采集桥梁表面图像。梅仕伟等12 设计了一种并行桥梁检查车，轨道呈倒T形布置在双箱双室钢箱梁桥中间，检查平台向两侧伸开以进行梁底和梁侧的视觉信息采集。在使用桥梁检查车进行钢结构桥梁安全检查的研究中，视觉信息主要通过人工操作或自动控制相机进行图像采集，后续仍需通过不同方法对图像中包含的病害进行识别，自动化程度较低。2.1.2移动机器人随着机器人技术的发展，近年来使用移动机器岳岩等：计算机视觉技术在钢结构桥梁安全检查中的应用综述11人进行钢结构桥梁表面图像采集的研究也逐渐兴起。移动机器人通过磁体等方式吸附在钢结构桥梁表面，并能搭载不同视觉传感器进行图像和点云的采集。同时，机器人可以通过获取的视觉信息进行自动路径规划，实现桥梁检测的自动化。Lim等13开发的ROCIM系统集成了1台移动机器人、1台相机和1个激光传感器，依靠其提出的路径规划策略在桥面板上移动并采集不同位置的图像数据;La等14开发了一套自主机器人系统，其上搭载了多种传感器、制动器和计算设备，通过2 个RTKGPS单元、1个前置和2 个侧置激光扫描仪、1个IMU传感器进行机器人导航和运动规划，通过2台高分辨率相机和1台36 0 全景相机进行桥面信息采集；陈然15提出了一种蛇形机器人进行桥梁缆索检测，该机器人由1个头关节和2 9 个身体关节组成，蛇体关节采用正交关节连接以使其能在复杂环境中运动，为增大蛇体与缆索表面的摩擦系数,采用高摩擦系数的耐磨材料制作蛇体外皮，机器人头部和尾部可搭载不同的检测设备，实现对桥梁表面图像信息的采集；陈瑶等16 利用爬壁机器人安装微型摄像头进行桥梁表面图像采集，该仿生足式壁面攀爬机器人凭借活动结构与仿生设计可以实现在一般粗糙度的竖直壁面上攀爬，装载简易的摄像头后可通过无线方式实时获取壁面图像，用于桥梁结构的裂缝检测。2.1.3无人机自2 0 17 年以来,越来越多的研究者在桥梁检测中使用无人机装置获取桥梁表面视觉信息。无人机可搭载多种类型的传感器，通过相机、红外热成像、激光雷达等高分辨率装置对桥梁结构整体及局部进行多角度拍摄17。Kim等18 提出一种基于带有高分辨率视觉传感器的商用无人机在桥梁中进行病害图像获取的方法，并使用卷积神经网络来识别和量化裂缝；Sattar等19使用无人机搭载不同型号的相机进行实际桥梁裂缝检测，同时研究了相机分辨率和表面光照条件对检测能力的影响;Li等2 0 提出了无人机悬停精度双RTS系统,用于获取无人机的位移和姿态角变化，成功在更远距离上获得了高质量的图像，且在悬停模式下有更好的稳定性;Chen等2 1设计了一个无人机搭载雷达进行桥梁表面三维重建和损伤检测的方案，并提出了相应的评估机制，包括检查数据覆盖、分析数据点分布、评估噪声和测量几何精12度等。无人机为钢结构桥梁安全检查提供了较好的可达性，为大型桥梁的安全检查提供了可能。但目前大多数无人机的续航时间和承载能力不足，难以满足大跨度桥梁长时间、大范围检测的需求，如何提高无人机的续航时间和承载能力将成为未来研究的重点之一2 2 2.2视觉数据类型2.2.1图像在钢结构桥梁安全检查中，图像是最常见的数据类型，可通过搭载单目或多目相机来获得，再通过Journal of Municipal Technology第41卷检测算法对图像中是否存在病害进行检测2 3,图4所示为钢梁裂缝图像数据集。Jahanshahi等2 5在桥梁上安装可自由旋转和缩放的摄像头以帮助检测人员远程获取桥梁图像，并可与此前存档的数据进行比较以发现病害；申宇2 6 对视觉测量结构变形的原理进行了研究，设计了一套双目立体视觉结构变形监测系统，进行了系统硬件和软件开发，为结构变形监测提供了一套解决方案。在钢结构桥梁安全检查中使用图像作为主要视觉数据的优势在于容易获取，且可根据具体场景需要选择不同规格的相机型号以获得大小和分辨率合适的图像。20Ucreck,01jpgerock.02ipgcreck,11ipgcrak.12ipgL-7cmL-7Garack.21jpgerack:22ipg2072017crack31jpgerack.a2jpg15.2-3=9crack.41jig2.2.2点云点云是三维计算机视觉常用的数据类型，通过三维空间中的点集合来表示物体的三维形态，可通过SFM、激光扫描等方法获得2 7。图5展示了某桥梁三维点云模型。通过获取桥梁点云，可以获得桥梁构造信息,并对结构变形和杆件断裂等进行检测。此外，点云数据还可以提供给检测机器人，供其在运动过程中进行自动路径规划。Tzortzinis等2 8 将3D扫描得到的桥梁点云与有限元解结合，据此估算出受腐蚀钢梁的承载能力；Zhang等2 9通过3D扫描仪获取桥梁几何特征如板块边界、板块连通性、板块厚度变化等，以此建立桥梁有限元模型并对其遭受腐蚀损伤后的剩余承载力进行估算;Bui等30 开发的钢结构桥梁检测机器人可以通过3D点云进行边界点估计，计算出包含足够运动区域的表面，并将其作为运动轨迹规划的依据。erack,03jpgHcrack.13jipgcrack.14.ipgcrock23jpgcrack24jpgL=30mL=L-Cocrack.3jogerack.34jpg3.1.4L4tmLcrack42i00crack.43jporack,04jps3crack.4ipaFig.4 Image dataset of steel girder cracks2.3检查对象计算机视觉技术对钢结构桥梁进行检查的主要目标包括裂缝、疲劳、锈蚀、腐蚀、螺栓断裂、结构变形等。2.4小结对检索到的文献根据视觉信息采集的硬件方案、视觉数据类型及研究目标进行总结，结果如表1所示。*05jpcrack.15ipg4crack.25ipg215.24t1crackasipgerack.45jog图4钢梁裂缝图像数据集2 4crack,06.jpgcrack.16jpgcracd.26jigcrack.36jigerack.46jigack.07.crack.17ipgL-45cn(LZ74:4-30cack.27jpg764u助1450bCmcrack.37Jipg5orack.47ipg图5桥梁三维点云模型Fig.5 3D point cloud model of a bridgekcrack.18jipg1454bCeeradk.38ipgerack.4ajigcrack.o9jpgcrack.19jpgL-45Gm144-30crack.29jipg144crack.a9jipgcrack.40jigcoaedk.10jpg207207.1242crack.20ipgconack.30jpg1523erack,40jpg第8 期Tab.1 Hardware scheme,data type and research target of visual information acquisition in steel bridge inspection文献811 12 13 14 15 16 18 1920 21 30 31 323334 35 36 373839 40 41 4243 443病害识别方法3.1识别方法分类在获得桥梁的数字图像后，需经过图像预处理，再通过病害识别算法来判断图像中是否存在病害3。图像预处理可以分为去噪与图像增强两步。去噪的主要方法有灰度化与中值滤波、连通域判断与主成分分析等，图像增强包括阈值分割、图像锐化等45。将经过预处理的图像输人检测算法，判断图像中是否存在病害。应用较多的裂缝识别算法包括阈值算法、边缘算法、区域算法、匹配算法、深度学习算法等3。其中前4种算法直接使用图像处理技术对裂缝进行检测，需要预先定义裂缝特征或进行图像预处理，其算法是为特定场景下的图像定制的，在新的场景下性能难以保证。因此,这4种算法在应用中只起到辅助作用,最终结果仍然需要依靠人工判断46。深度学习算法依靠大样本进行特征学习47,其岳岩等：计算机视觉技术在钢结构桥梁安全检查中的应用综述表1钢结构桥梁安全检查视觉信息采集的硬件方案、视觉数据类型及研究目标硬件方案视觉数据类型固定式检查车图像移动式检查车图像固定式检查车图像机器人图像桥面机器人图像机器人图像爬壁机器人图像无人机图像无人机图像无人机图像无人机图像、点云自主导航机器人图像、点云尺机器人图像攀爬机器人图像地面机器人、无人机图像攀爬机器人图像、点云磁轮机器人图像、点云机器人图像、点云攀爬机器人图像攀爬机器人图像、点云磁轮机器人图像攀爬机器人图像固定式检查车图像固定式检查车图像攀爬机器人图像尺机器人图像13研究目标研究方法检查车设计系统设计裂缝检测系统设计、现场测试检查车设计系统设计、理论分析裂缝检测与定位系统设计、算法测试裂缝检测系统设计、算法开发、现场测试相机自动调焦、图像拼接理论分析、算法测试裂缝检测结构设计裂缝检测与量化方案论证、现场测试疲劳裂纹检测实验室模拟裂缝检测算法开发、理论分析、现场测试损伤检测与评估理论分析、算法开发、现场测试机器人控制系统设计、实验室测试机器人设计系统设计、实验室测试机器人设计系统设计、理论分析、现场测试腐蚀检测、油漆脱落检测算法测试裂缝检测、裂缝拼接系统设计、实验室测试裂缝检测、机器人定位系统设计、算法开发、实验室测试变形检测、裂缝检测系统设计、算法测试、现场测试腐蚀检测机械设计、实验室测试机器人控制、图像拼接系统设计、算法开发、实验室测试机器人设计系统设计、实验室测试疲劳裂纹检测系统设计、现场测试检查车设计系统设计、现场测试检查车设计系统设计、现场测试裂缝检测系统设计、算法开发、实验室测试路径规划算法设计优势在于不需人工干预，能对裂缝特征进行自主学习，具有较高的鲁棒性，在许多应用场景取得了很好的效果。自深度学习算法兴起以来，有关裂缝检测和识别的研究迅速发展，只要使用大量的多类型数据来训练神经网络，就可以学习裂缝的特征，从而更准确地检测裂缝。Dorafshan等46 对经典边缘检测器与深度卷积神经网络(DCNN)进行了比较,结果表明深度卷积神经网络在裂缝识别中的性能优于经典边缘检测器。3.2深度学习目标检测方法分类病害识别属于深度学习中的目标检测领域。目标检测方法大致可以分为3类：双阶段目标检测、单阶段目标检测、基于transformer的目标检测。双阶段目标检测的经典框架有RCNN48、Fa s t R CNN49、Fa s t e rRCNN50FPN51、M a s k R CNN52 等，先提取候选区域,然后基于候选区域做二次修正得到检测结果,检测精度较高，但速度较慢；单阶段目标检测的经典框架有YOLO系列53、SSD54、R e t i n a n e t 55等,只需提市放技术14Journal of Municipal Technology取一次特征即可检测目标，检测速度快，但精度较低；基于transformer的目标检测方法56 如RelationNet57、D ET R 58 等在检测中引人注意力机制,提升了检测效果。3.3基于深度学习的病害识别方法在现有研究中，基于深度学习的病害识别方法大多基于以上框架开发，如CrackNet59、U-n e t 6 0、CrackU-net 61 U-HDN 62 CrackNet-R 59等。Zhou等6 3】基于YOLOv3提出钢结构桥梁中螺栓断裂的检测模型，使用5种数据增强方法来产生标记图像以解决数据集有限的问题，实现了高强螺栓断裂的自动检测;Prasanna等6 4使用STRUM分类器实现了裂缝自动检测，通过机器学习分类消除了手动调整阈值参数的需要，并在2 座桥梁的数百个裂缝区域的测试中达到了95%的峰值性能，远高于传统识别方法的6 9%;Xu等6 5使用CNN网络进行裂缝识别，在网络的最后3个卷积层中引人atrous卷积取代maxpooling层，避免了裂缝边缘信息的丢失，并将ASPP模块引入裂纹检测，取得了良好的效果;Zhang等6 6 使用检测分类器在图像块尺度上区分裂缝和干扰物，然后分割子网络获得像素级裂缝细节，并基于裂纹形态的先验知识构建了一个创新的裂纹推理子网络，利用学习到的相邻区域之间的图像相关性来预测裂缝存在的概率，并将其反馈给检测和分割子网络；Wang等6 7 针对钢箱梁表面病害分布和形态,研究了一种语义分割深度神经网络(DNN)，DNN包含空洞卷积和ASPP池化层，实现了对钢箱梁表面病害的“端到端”识别；Qiao等6 8 重新设计了DenseNet的结构,在最后一个池化层后添加了预期最大注意力（EMA)模块，有效提高了桥梁损伤特征提取的能力。基于深度学习的病害识别方法无需人工提取裂缝特征，在测试中取得了比传统图像处理技术更精确、鲁棒性更强的结果，在钢结构桥梁安全检查中得到了广泛应用，实现了病害检测的数字化、自动化。4结语笔者对钢结构桥梁安全检查中计算机视觉技术的应用进行了综述。钢结构桥梁中常见锈蚀、开裂、螺栓脱落等病害导致结构安全性和服务能力的降低，结构健康检测需求迫切；基于移动机器人和无人机平台的方案大大扩展了检测覆盖的物理空间，降低了获取钢结构桥梁表面图像信息的时间成本第41卷与人力消耗,为大型桥梁安全检查提供了可能；病害识别算法实现了病害检测的自动化，基于深度学习的病害识别方法提高了检测的效率和鲁棒性，在钢结构桥梁安全检查中得到了广泛应用。计算机视觉技术的发展为钢结构桥梁安全检查提供了新的技术手段，为大规模桥梁安全检查提供了新的、智能化的解决方案。随着计算机视觉技术不断引人土木工程领域，学科交叉不断发展，未来钢结构桥梁安全检查的效率和精度将得到进一步提高。MET【1】交通运输部.2 0 2 1年交通运输行业发展统计公报EB/OL.(2022-05-25)2023-06-25.https:/ of Transportof the Peoples Republic of China.Statistical bulletin on the de-velopment of the transportation industry in 2021EB/OL.(2022-05-25)2023-06-25.https:/ H,ADELI H.Recent advances in health monitoring ofcivil structuresJ.Scientia iranica,2014,21(6):1733-1742.3WANG D L,DONG Y Q,PAN Y,et al.Machine vision-basedmonitoring methodology for the fatigue cracks in U-rib-to-deckweld seamsJ.IEEE access,2020,8:94204-94219.【4章宏辉，杭京，沈建华，等.钢桁架桥典型病害调研及工程实例分析J.广东公路交通2 0 2 1,47(5)：2 6-32.（ZHANGHH,HANG J,SHEN J H,et al.Investigation and analysis on applica-tion examples of typical deseases of steel truss bridges JJ.Guang-dong highway communications,2021,47(5):26-32.)【5马腾，高致远，张路加，等.钢结构表观裂纹监测技术对比与展望J.上海公路,2 0 19,154(3）：54-57.（MAT,GAOZY，ZHANG L J,et al.Comparison and prospect of apparent crackmonitoring techniques for steel structuresJ.Shanghai highways,2019,154(3):54-57.)【6 杭京，杨利斌，沈建华，等.钢桁架桥预防性养护技术研究J.中外公路,2 0 2 2,42(3):8 0-8 4.(HANGJ,YANGLB,SHENJH,et al.Research on preventive maintenance technology of steel trussbridgeJ.Journal of China&foreign highway,2022,42(3):80-84.)7 YEUM C M,DYKE S J.Vision-based automated crack detectionfor bridge inspectionJJ.Computer-aided civil and infrastructureengineering,2015,30(10):759-770.【8 高健，任媛.一种回转式桥梁检查车的电控系统设计J.装备制造技术,2 0 2 3,338(2):8 7-90.(GAO J,REN Y.Design of anelectric control system for a rotary bridge inspection vehicle J.Equipment manufacturing technology,2023,338(2):87-90.)【9王亚栋.钢桥梁检查车主流设计型式及组成机构研究J.机电信息,2 0 2 2,6 7 6(4):44-47.(WANG Y D.Study on mainstreamdesign type and composition mechanism of steel bridge inspec-tion carJJ.Mechanical and electrical information,2022,676(4):参考文献第8 期44-47.)10 BAPTISTE S,ARNAUDL,PHAMM T,et al.A semi-autonomousmobile robot for bridge inspection J/OL.Automation in con-struction,2018,91:111-119.https:/ J K,JANG G,OH S M,et al.Bridge inspection robot systemwith machine visionJ.Automation in construction,2009,18(7):929-941.12 梅仕伟，律伟，刘军，等.一种并行桥梁检查车结构设计与受力分析J.铁道建筑,2 0 14,48 9(11)：40-43.（MEISW,LYUW，LIU J,et al.Structural design and force analysis of a parallel bridgeinspection carJJ.Railway engineering,2014,489(11):40-43.)13LIM R S,LA H M,SHAN Z,et al.Developing a crack inspec-tion robot for bridge maintenanceC/2011 IEEE InternationalConference on Robotics and Automation.2011:6288-6293.14 LA H M,GUCUNSKI N,KEE S H,et al.Autonomous roboticsystem for bridge deck data collection and analysis CJ/2014IEEE/RSJ International Conference on Intelligent Robots andSystems.2014:1950-1955.15陈然.工业相机的自动调焦与图像拼接研究及在桥梁检测机器人中的应用D.广州：华南理工大学,2 0 14.（CHENR.Studyon auto-focus of industrial camera and image mosaic and theirapplications to robots for bridge health detectionD.Guangzhou:South China University of Technology,2014.)16 院陈瑶，梅涛，王晓杰，等.基于爬壁机器人的桥梁裂缝图像检测与分类方法J.中国科学技术大学学报,2 0 16,46(9)：7 8 8-7 96.(CHEN Y,MEI T,WANG X J,et al.A bridge crack image detec-tion and classification method based on a climbing robot J.Journal of University of Science and Technology of China,2016,46(9):788-796.)17么勾红叶，杨彪，华辉，等.桥梁信息化及智能桥梁2 0 19年度研究进展J.土木与环境工程学报（中英文），2 0 2 0,42（5)：14-2 7.(GOU H Y,YANG B,HUA H,et al.State-of-the-art review ofbridge informatization and intelligent bridge in 2019J.Journalof civil and environmental engineering,2020,42(5):14-27.)18 KIM I H,JEON H,BAEK S C,et al.Application of crack identi-fication techniques for an aging concrete bridge inspection usingan unmanned aerial vehicle J/OL.Sensors,2018,18(6):1881.https:/ SSATTAR D,ROBERT J T,MARC M.Fatigue crack detectionusing unmanned aerial systems in fracture critical inspection ofsteel bridgesJ.Journal of bridge engineering,2018,23(10):04018078.20 LIR X,YU J,LI F,et al.Automatic bridge crack detection usingunmanned aerial vehicle and faster R-CNNJ/OLJ.Constructionand building materials,2023,362:129659.https:/www.sciencedi- CHEN S Y,LAEFER D F,MANGINA E,et al.UAV bridge in-spection through evaluated 3D reconstructionsJJ.Journal of bridgeengineering,2019,24(4):5019001.1-5019001.15.22刘博恺,刘佳,张阳.无人机在桥梁检测中的应用C/中国科岳岩等：计算机视觉技术在钢结构桥梁安全检查中的应用综述structures,2023,188:110798.30BUI H D,NGUYEN S,BILLAH U H,et al.Control frameworkfor a hybrid-steel bridge inspection robotC/2020 InternationalConference on Intelligent Robots and Systems(IROS),IEEE/RSJ.2020:2585-2591.31WARD P,MANAMPERI P,BROOKS P,et al.Climbing robot forstel bridge inspection:design challenges CJ/Austroads BridgeConference.2014:1-13.32WANG R,KAWAMURA Y.Development of climbing robot forsteel bridge inspectionJ.Industrial robot:an international jour-nal,2014,43(4):429-447.33POTENZA F,RINALDI C,OTTAVIANO E,et al.A robotics andcomputer-aided procedure for defect evaluation in bridge inspec-tionJ.Journal of civil structural health monitoring,2020,10:471-484.34LA H M,DINH T H,PHAM N H,et al.Automated robotic mon-itoring and inspection of steel structures and bridgesJJ.Robotica,2019,37(5):947-967.35 PHAM N H,LA H M.Design and implementation of an autono-15学技术协会，等.2 0 2 2 世界交通运输大会（WTC2022）论文集（桥梁工程与隧道工程篇）.北京：人民交通出版社股份有限公司,2 0 2 2 :5.(LIU B K,LIU J,ZHANG Y.Application of drones in bridge inspectionCJ/China Association of Science and Technol-ogy,et al.Proceedings of World Transport Conference 2022(WTC2022)(Bridge Engineering and Tunnel Engineering Chap-ter).Beijing:China Communication Press Co.,Ltd.,2022:5.)23 CROGNALE M,DE IULIIS M,RINALDI C,et al.Damage detec-tion with