Identification of Exposed Reinforcement Defects in Bridge Concrete Based on Hyperspectral Imaging
-
摘要: 桥梁作为交通关键节点，承担与日俱增的交通流量压力，相当一部分桥梁尚未达到设计使用年限就出现较多的病害，技术状况不容乐观。高光谱成像运用光电技术检测物体对光谱波段信号的辐射和吸收情况，将该信号转换成图像和图形，可基于吸收峰的位置和强度分析被测物体的物理性质和物质组成，因此本文提出基于高光谱成像的桥梁混凝土表面露筋病害识别方法。利用线阵高光谱相机集成匀速步进滑轨装置，形成高光谱成像测试系统，采集桥梁混凝土表面露筋病害图像；基于桥梁露筋病害高光谱图像谱线与空间特征，结合预处理——平滑滤波-多元散射校准(Savizky-Golay- Multivariate scattering calibration, SG-MSC)、特征空间变换——光谱导数法(First derivative, FD)、特征变量选择算法——竞争自适应重加权抽样(Competitive adapative reweighted sampling, CARS)，将原始光谱曲线数据经特征空间转换提取相应特征值并显示波段；以光谱曲线特征向量构建数据集，基于支持向量机形成露筋病害识别预测模型。以某跨江大桥为例，以高光谱成像测试系统对实际桥梁混凝土露筋病害进行识别，将原始光谱数据经平滑特征空间变换与特征提取后放大差异，将254个波段数据维度降低到23个波段数据，模型预测精度达到94.6%，对比可见光成像高光谱成像具有更高维度信息可有效表征物质属性，表明高光谱成像对复杂表面环境下的桥梁病害识别具有可行性和广泛应用前景。Abstract: As a key mode of transportation, bridges bear the high pressure of traffic flow. Many bridges have defects before reaching their designed service life. Bridge-defect recognition based on visible light uses grayscale defect images and regional edge gradient information, which have limitations in complex environments. The radiation and absorption of spectral band signals by objects are detected by hyperspectral imaging, and the signals are transformed into images and graphics. The physical properties of the measured object are analyzed based on the position and intensity of the absorption peak. In this study, a method based on hyperspectral vision is proposed to identify exposed reinforcement bar defects in bridge concrete. Based on the spectral lines and spatial features of hyperspectral images of exposed reinforcement defects in bridge concrete combined with processing——Smooth filtering multivariate scattering calibration (SG-MSC), feature space transformation——First derivative method (FD), and feature variable selection algorithm——Competitive adapative reweighted sampling (CARS), the original spectral curve data were transformed into feature space to extract the corresponding feature values and display the band. The dataset was constructed based on spectral curve feature vectors, and a support vector machine algorithm was used to establish a prediction model for identifying exposed reinforcement defects. Considering a cross-river bridge as an example, a hyperspectral visual testing system was used to identify actual exposed reinforcement bar defects of the bridge. By performing smooth feature space transformation and feature extraction on the original spectral data, the differences were amplified, reducing the dimensionality of the 254 band data to 23 band data and achieving a model prediction accuracy of 94.6%. Hyperspectral vision has higher dimensional information than visible-light vision. Hence, the proposed model can effectively characterize material properties, is feasible, and has broad application prospects.
-
0. 引言
近年来，随着红外制冷探测器朝尺寸小、重量轻、功耗低、成本低即低SWaP-C（size, weight and power, cost）方向快速发展，集成小型制冷机的该类中波红外探测器国外已大量应用于武器热瞄镜、便携式手持热像仪、小型无人机、无人车、遥控狙击手和遥控武器站、导弹导引头等空间受限的红外系统[1]。针对该类小型探测器设计一款仅由4片透镜组成的尺寸小、重量轻、成本低的中波红外连续变焦光学系统进而生产结构紧凑、低功耗和低成本的红外变焦热像仪将在手持观瞄具、边防监视系统、小型无人系统等平台得到广泛应用。
目前采用四片式的红外变焦光学多为双视场变焦系统。文献[2]为四片式非制冷双视场，文献[3]为四片制冷型长波双视场系统，文献[4]为4片制冷型中波双视场系统，目前仅采用4片透镜实现连续变焦的制冷型红外光学系统未见报道。
从变焦理论分析，一般常用的机械补偿变焦系统由典型的前固定组、变倍组、补偿组、后固定组4组透镜组成。变倍组一般是负透镜，而补偿组可以是正透镜组也可以是负透镜组，前者为正组补偿系统，后者称为负组补偿系统。从光学系统像差校正难易程度、减少透镜数量、降低光学透镜成本考虑，本文采用无后固定组正组补偿变焦系统，即变焦部分由会聚目标光线的前固定组正透镜、变倍负透镜、补偿正透镜构成。为压缩前固定组物镜口径并满足100%冷屏效率，系统采用二次成像方案，利用单片正光焦度透镜将一次像再次中继成像到探测器焦平面。为压缩轴向尺寸，采用二片平面反射镜将光路U型折转，最终实现仅由4片透镜构成的轻小型中波红外连续变焦光学系统。
1. 连续变焦理论计算模型
机械补偿连续变焦光学系统参数求解就是确定变焦系统在满足像面稳定和焦距在一定范围内连续变化的条件下系统中各组元的焦距、间隔、位移量等参数。通过建立数学模型能方便地计算和分析变焦过程、确定变焦系统高斯光学参数[5]。二组元正组补偿连续变焦系统运动方式如图 1所示。
![]()
图 1 正组补偿光学系统变焦模型Figure 1. Principle diagrams of continuous zoom optical system with mechanical compensation变焦系统由于只有运动组才产生像面位移，只需抽出变倍组、补偿组加以分析。
因变倍组f2′的移动，引起整个运动组分的像面移动为m32(1－m22)dq，因补偿组f3′的移动，引起整个运动组分的像面移动为(1－m32)dΔ。为达到像面稳定，两个运动组像面移动量的代数和必为零。
$$ m_3^2\left(1-m_2^2\right) \mathrm{d} q+\left(1-m_3^2\right) \mathrm{d} \varDelta=0$$ (1) 而变倍组f2′、补偿组f3′微分移动量dq、dΔ与其倍率变化dm2、dm3之间的关系为：
$$ \mathrm{d} q = \frac{{{f_2}'}}{{m_2^2}}\mathrm{d}{m_2} $$ (2) $$ \mathrm{d} \varDelta=f_3{ }^{\prime} \mathrm{d} m_3 $$ (3) 将(2)、(3)代入(1)，经整理得到二组元连续变焦微分方程如下：
$$ \frac{{1 - m_2^2}}{{m_2^2}}{f_2}'\mathrm{d}{m_2} + \frac{{1 - m_3^2}}{{m_3^2}}{f_3}'\mathrm{d}{m_3} = 0 $$ (4) 式(4)是多变量全微分型微分方程，设U(m2, m3)为原函数，则有dU(m2, m3)＝0。
其通解为：
$$ U({m_2}, {m_3}) = {f_2}'(\frac{1}{{{m_2}}} + {m_2}) + {f_3}'(\frac{1}{{{m_3}}} + {m_3}) = C $$ (5) 式中：C为常量；设变倍组f2′、补偿组f3′初始状态都处于系统长焦位置，则：
$$ m_{2}＝m_{2l}\text{；}m_{3}＝m_{3l} $$ (6) 同样有：
$$ {f_2}'(\frac{1}{{{m_{2l}}}} + {m_{2l}}) + {f_3}'(\frac{1}{{{m_{3l}}}} + {m_{3l}}) = C $$ (7) 消去常量C，得到方程的特解：
$$ {f_2}'(\frac{1}{{{m_2}}} - \frac{1}{{{m_{2l}}}} + {m_2} - {m_{2l}}) + {f_3}'(\frac{1}{{{m_3}}} - \frac{1}{{{m_{3l}}}} + {m_3} - {m_{3l}}) = 0 $$ (8) 将(8)式整理得到补偿组f3′的倍率m3构成的二次方程：
$$ m_3^2 - b{m_3} + 1 = 0 $$ (9) 其中
$$ b = - \frac{{{f_2}'}}{{{f_3}'}}(\frac{1}{{{m_2}}} - \frac{1}{{{m_{2l}}}} + {m_2} - {m_{2l}}) + (\frac{1}{{{m_{3l}}}} + {m_{3l}}) $$ (10) 解得m3的两根为：
$$ {m_{31}} = \frac{{b + \sqrt {{b^2} - 4} }}{2} $$ (11) $$ {m_{32}} = \frac{{b - \sqrt {{b^2} - 4} }}{2} $$ (12) 系统参数求解过程如下：
1）将(2)式积分并整理得到变倍组f2′的倍率m2；
$$ {m_2} = \frac{1}{{\frac{1}{{{m_{2l}}}} + \frac{{{q_2}}}{{{f_2}'}}}} $$ (13) 2）根据求得的m2按照公式(10)求出系数b，再由(11)、(12)式解得补偿组f3′满足运动方程的两个解m31和m32。
3）根据补偿组的两个解求出满足运动方程补偿像面位移的移动量Δ1和Δ2：
$$ \varDelta_{1}＝f_{3}′(m_{31}－m_{3l})$$ (14) $$ \varDelta_{2}＝f_{3}′(m_{32}－m_{3l}) $$ (15) 4）求出系统的总变倍比
$$ {\varGamma _1} = \frac{{{m_{2l}}{m_{3l}}}}{{{m_2}{m_{31}}}} $$ (16) $$ {\varGamma _2} = \frac{{{m_{2l}}{m_{3l}}}}{{{m_2}{m_{32}}}} $$ (17) 变倍组f2′每移动q2对应着Γ1和Γ2，变倍组和补偿组一起同步运动直到预定的总变倍比为止，到达变倍比的要求的最终状态为系统短焦位置。根据上述连续变焦微分模型，利用(10)~(17)式，可解得各组分光焦度分配及间隔位置关系。
2. 连续变焦系统设计流程
针对复杂的变焦光学系统，建立模型是至关重要的环节，尽管根据(10)~(17)式可推导求解变焦系统高斯参数，但是当光学系统初始参数选择不合适, 会使得系统光焦度分配不合理导致系统像差校正难度大、间隔不合适导致各组件运动中相互碰撞等情况发生。鉴于连续变焦系统的复杂性，系统建模难度大，因此根据连续变焦理论模型编制连续变焦参数计算程序，辅助建立理想光学模型。建模后，设计工作的重点将放在选型以及评价函数的设置和动态修改上，使得设计系统快速收敛[6]。连续变焦光学系统设计流程如图 2所示。
首先，根据设计指标要求需要建立理想光学模型，确定每个组元的参数；再合理选型选材、设定评价函数，进入优化和全局优化；最后根据设计结果评价成像质量。其中函数优化和像质评价环节反复多次迭代，直至达到设计技术指标要求。
3. 连续变焦光学系统设计
3.1 设计指标
中波制冷型连续变焦光学系统采用昆明物理研究所研制生产的长度方向仅119 mm的小型化制冷型中波红外640×512焦平面探测器组件，该探测器具体参数如表 1所示。连续变焦光学系统主要设计指标见表 2。
表 1 探测器参数Table 1. Parameters of detectorDetector HgCdTe Array size 640×512 Pixel dimension/μm 15 NETD/mK ≤22 Spectral response/μm 3.7−4.8 μm Weight ≤380 g 表 2 光学系统设计指标Table 2. Parameters of optical system designWorking waveband/μm 3.7 to 4.8 Zoom 10:01 Field of view 20°×16° to 2.0°×1.6° F# 4 Focal length/mm 27.0~275 Working temperature/℃ -40 to 60 3.2 设计过程
首先，按照系统指标要求，根据连续变焦理论模型编制连续变焦正组补偿参数计算程序求解变焦光学系统各组元光焦度分配及位置间隔关系。在系统初始参数取值上主要考虑以下几点：
1）系统采用二次成像，既可以压缩前固定组直径又可以满足100%冷屏效率。中继组初始倍率取为－1×，前端变焦核心按照系统实际变焦范围进行取值，无需缩放；
2）系统无后固定组，在理论求解中将后固定组倍率取为1×即将后固定组定为无光焦度的虚拟面；
3）为压缩系统变焦过程中变倍组、补偿组位移量，变倍组长焦初始倍率取较大的倍率值，以符合最速变焦理论；
4）考虑光路U型折转，补偿组和中继组之间需较大的空间安置两片平面反射镜，则补偿组取较大的焦距值；
5）系统处于短焦位置时前固定组与变倍组应留出足够的间隔，使两组透镜不至于相碰，初始值设为0.55，补偿组与无光焦度后固定组虚拟面距离初始设为0.55。
利用计算程序，通过反复调整系统初始参数，观察组元间隔、光焦度分配是否合适，最终确定系统初始值为：
$$ \begin{gathered} f_{2}′＝－1、f_{3}′＝1.62、m_{2l}＝－1.45、\\m_{3l}＝－1.34、d_{12d}＝0.55、d_{34d}＝0.55 \end{gathered} $$ 表 3为连续变焦光学系统参数简易计算程序按照上述初始值计算得到的5个视场位置的变焦间隔参数分配结果。
表 3 变焦系统初始间隔参数Table 3. Initial spacing parameters of optical systemFocal length/mm 275 215 150 78.6 25.9 f1/f2 spacing/mm 83.49 80.06 74.56 59.44 18.90 f2/f3 spacing/mm 13.02 24.01 38.57 68.69 125.94 f3/f4 spacing/mm 67.23 59.67 50.61 35.61 18.90 其次，将上述程序计算的变焦光学系统各组元光焦度及间隔位置参数输入ZEMAX光学设计程序，得到系统近轴光学结构，如图 3所示。通过近轴光学结构分析，系统在各位置的焦距值与计算值吻合、总长一致、间隔布局合理、变焦曲线连续，验证程序计算结果正确，可进入下一步选型工作。
再次，考虑各组元材料与调焦镜的选取，由于系统需满足－40℃~+60℃工作环境下成像清晰要求，按照光学系统无热化设计理论，系统的光焦度分配、材料选取、元件间隔都要满足光焦度、消色差、消热差3个方程[7]。
$$ \sum\limits_{i = 1}^j {{h_i}{\varphi _i}} = \varphi $$ (18) $$ {\left( {\frac{1}{{{h_1}\varphi }}} \right)^2}\sum\limits_{i = 1}^j {h_i^2{\varphi _i}{\theta _i}} = 0 $$ (19) $$ {\left( {\frac{1}{{{h_1}\varphi }}} \right)^2}\sum\limits_{i = 1}^j {h_i^2{\varphi _i}{\chi _i}} = \sum\limits_{i = 1}^j {{\alpha _i}{L_i}} $$ (20) 式中：hi、ϕi、θi、χi分别为系统各透镜组近轴光线高度、光焦度、色差系数及热差系数；h1为第一透镜近轴光线高；ϕ为系统总光焦度；αi为各透镜间隔镜筒材料的线膨胀系数；Li为各间隔镜筒长度。
该系统采用分步设计技术实现系统连续变焦无热化。首先选取满足上述(18)(19)公式的光焦度和材料分配，实现系统常温状态连续变焦成像清晰及高低温情况下离焦量的线性变化，系统光学材料主要选用硅单晶、锗单晶及硒化锌。其次利用主动补偿技术使系统满足(20)式要求，由于系统透镜数量少，变倍组、补偿组采用凸轮轨道变焦，中继组的轴向移动会产生变倍效果即系统视场焦距发生变化，因此采用前固定组轴向移动来进行主动调焦消热。通过上述无热化设计方法，光学系统在－40℃~+60℃温度范围内保持其性能基本不变。
最后，设置多重结构，合理设计像差评价函数，不断调整优化。为提升连续变焦系统各视场成像清晰度要求，通过设置多个高次非球面和二元衍射面，以提供更多的自由度，有利于球差、色差、像散等各类像差的校正。
3.3 设计结果
轻小型中波红外连续变焦光学系统最终设计结果如图 4所示，从上到下依次为长焦275 mm、中焦100 mm、短焦27 mm的系统图。
系统前固定组采用硅单晶材料用于会聚目标景物光线、压缩变倍组透镜尺寸；变倍组采用锗单晶材料，利用锗单晶高折射率、高色散的特性实现大倍率的变焦；补偿组采用硒化锌材料主要利用其较低的温度折射率系数使其在高低温工作环境只产生较小的离焦量以便实时补偿；中继组选择具有低的温度折射率系数、低色散的硅单晶材料平衡前端变焦核的残留色差。
整个光学系统由4片透镜、两个平面反射镜组成，其中最大透镜为第一透镜其加工直径为71 mm，平面反射镜U型折转后光学系统轴向尺寸长度172 mm，横向尺寸宽度108 mm，光学零件总重量为64 g。该系统光学透镜数量少、重量轻，光路紧凑体积小，冷屏效率100%，适配小型化制冷探测器符合连续变焦光学系统轻小型设计理念。
3.4 二元衍射面分析
由于二元衍射面在消热差、消色差方面的优异特性，系统采用了两个二元衍射面用于减少透镜数量、简化系统设计、提高系统成像质量。
在补偿组透镜硒化锌材料上引入的二元衍射面参数为Norm Radius＝15 mm，A1＝－33.416，A2＝4.580。经计算得到二元衍射面环带深度随透镜径向的变化如图 5所示。硒化锌二元面环带数为4，最大环带深度2.918 μm，最小环带间隔宽度为2.06 mm。该面型环带间隔宽、加工环带数量少，易于单点金刚石车削加工。
![]()
图 5 硒化锌基底二元面环带与半径的关系Figure 5. Relationship between the ring depth and radius of the ZnSe binary optical element在中继组硅单晶材料引入的二元衍射面参数为Norm Radius＝16 mm，A1＝－60.402，A2＝－1.254。其环带深度随透镜径向的变化如图 6所示。硅透镜二元面环带数为9，最大环带深度1.72 μm，最小环带间隔宽度为0.86 mm。该透镜由于材料硬、环带多相对加工难度大，目前昆明物理所光学中心采用单点金刚石车削加工工艺，能制造出满足指标要求的硅基底二元光学元件。
![]()
图 6 硅基底二元面环带与半径的关系Figure 6. Relationship between the ring depth and radius of the silicon binary optical element3.5 凸轮曲线计算
本文应用动态光学理论[8]，根据像移补偿公式计算补偿组运动曲线。由于变焦组和补偿组均为沿光轴的一维移动，稳像方程为：
$$ {\beta _{2m}}{\beta _2}(1 - {\beta _{1m}}{\beta _1}){q_1} + (1 - {\beta _{2m}}{\beta _2}){q_2} = 0 $$ (21) 式中：β1为变倍组初始位置的垂轴放大率；β1m为变倍组运动后的垂轴放大率；β2为补偿组初始位置的垂轴放大率；β2m补偿组运动后的垂轴放大率；q1为变倍组沿光轴位移量；q2为补偿组沿光轴位移量。
式中：
$$ {\beta _{1m}} = \frac{{{\beta _1}{f_1}'}}{{{f_1}' - {\beta _1}{q_1}}} $$ (22) $$ {\beta _{2m}} = \frac{{{\beta _2}{f_2}'}}{{{f_2}' + (1 - {\beta _1}{\beta _{1m}}){\beta _2}{q_2} - {\beta _2}{q_2}}} $$ (23) 由(21)式~(23)式可得出q1和q2的运动关系，即：
$$ Aq_{2}^{2}+Bq_{2}+C＝0$$ (24) 式中：
$$ A＝(f_{1}′－β_{1}q_{1})β_{2}\text{；} $$ $$ \begin{align} B＝&β_{1}β_{2}q_{1}^{2}+[f_{2}′(1－β_{2}^{2})β_{1}－f_{1}′(1－β_{1}^{2})β_{2}]q_{1}－ \\&f_{1}′f_{2}′(1－β_{1}^{2}) \end{align}$$ $$ C＝β_{2}^{2}f_{2}′[β_{1}q_{1}－f_{1}′(1－β_{1}^{2})]q_{1} $$ 得到：
$$ {q_2} = \frac{{ - B \pm \sqrt {{B^2} - 4AC} }}{{2A}} $$ (25) 根据上述求解公式计算该变焦系统凸轮曲线如图 7所示。变倍组最大行程为28.6 mm、补偿组最大行程35 mm；补偿组曲线变化平滑，有利于凸轮轨道加工。
4. 系统像质评价
4.1 光学传递函数
系统3个焦距状态下的光学传递函数（MTF）如图 8所示。在3个焦距状态下的系统MTF满足使用要求，光学系统成像质量清晰。
4.2 点列图
系统3个焦距状态下的点列图如图 9所示。各视场RMS（root mean square）均小于一个像素，最大弥散斑RMS半径为12.6 μm，小于像元尺寸；最大弥散斑几何半径为24.5 μm，与系统艾里斑半径20.9 μm相当。系统成像质量良好，满足使用要求。
4.3 畸变
系统畸变情况如图 10所示，在长焦端小视场位置时，最大畸变量为1.2%，在短焦端大视场位置时的最大畸变量为2.4%，该变焦系统畸变对连续成像无明显影响。
4.4 系统高低温成像质量
在高低温工作环境中，系统采用轴向移动前固定组进行主动调焦消热。系统长焦端受环境温度变化，成像质量影响较大，本文主要分析长焦275 mm在高低温下经补偿后的系统成像质量。图 11为系统在高低温下长焦经补偿后的系统调制传递函数。图 12为系统在高低温下长焦经补偿后的系统点列图。从高低温传函图及点列图中看出系统在－40℃~60℃范围内成像质量良好，满足使用要求。
![]()
图 11 系统长焦时高低温下光学传递函数Figure 11. MTF curves of continuous zoom optical system at high and low temperatures![]()
图 12 系统长焦时高低温下点列图Figure 12. Spot diagrams of continuous zoom optical system at high and low temperatures5. 结论
基于小型化制冷中波640×512、像元间距15 μm的焦平面探测器，设计一款具有SWaP-C特征的正组补偿连续变焦光学系统。系统由4片透镜两片平面反射镜组成，F#为4、视场变化范围为20°×16°~2.0°×1.6°，变倍比为10×、U型折叠后系统包络尺寸为172 mm×108 mm、最大物镜口径71 mm、光学零件总重量64 g、零件加工工艺成熟，变焦凸轮曲线平滑，在－40℃~60℃范围内保持较好的成像质量。该轻小型中波红外连续变焦光学系统在导航、搜索、跟踪、警戒、侦察等领域具有广阔的市场前景。
-
![]()
图 1 高光谱图像分类流程示意图
Figure 1. Schematic diagram of hyperspectral image classification process
![]()
图 3 高光谱数据立方体以及相对于锈蚀钢筋与混凝土反射率的光谱变化
Figure 3. Hyperspectral data cube and spectral variation of reflectance relative to corroded steel bar and concrete
![]()
图 9 支持向量机分类模型示意图
Figure 9. Schematic diagram of support vector machine classification model
![]()
图 10 谱线特征分类与阈值分割对比
Figure 10. Spectral line feature classification and threshold segmentation
表 1 高光谱相机各参数指标详情
Table 1 Details of each parameter index of hyperspectral camera
Parameter Parameter indicators Parameter Parameter indicators Illumination Passive lighting(excluding light source) Transmission efficiency ＞60% Spectral method Transmission grating Stray ＜0.5% Spectral range 900-1700 nm Number of spatial pixels 320 Spectral bands 254 Pixel size 30 μm Spectral resolution 8 nm Imaging speed 200 Hz Slit width 25 μm Detector InGaAs 
下载: 导出CSV
表 2 CARS算法提取特征波段
Table 2 Feature bands were extracted by CARS algorithm
Number Selected wavelengths/nm 23 932, 935, 945, 956, 1334, 1337, 1356, 1366, 1369, 1372, 1392, 1395, 1401, 1414, 1456, 1472, 1475, 1485, 1488, 1491, 1625, 1697, 1704
下载: 导出CSV
表 3 波段类型选取识别结果
Table 3 Identification results of band type selection
Select band type All band Characteristic band Concrete Rusted steel Accuracy
/%Concrete Rusted steel Accuracy/% Concrete 917 83 91.7 937 63 93.7 Rusted steel 74 926 92.6 46 954 95.4
下载: 导出CSV
表 4 不同分类方法结果
Table 4 Results of different classification methods
Evaluating indicator TPR IOU Spectral feature
classification structure0.935 0.903 Threshold segmentation results 0.747 0.725
下载: 导出CSV
-
[1] 李昌铸, 张劲泉, 夏晓霞, 等. 公路桥梁技术状况评定标准: JTG/T H21-2011[S]. 北京: 人民交通出版社, 2011. LI Changzhu, ZHANG Jinquan, XIA Xiaoxia, et al. Evaluation Standard for Technical Condition of Highway Bridges: JTG/T H21-2011[S]. Beijing: People's Transportation Press, 2011.
[2] 张海明. 土木工程结构中远距离非接触式表面缺陷及裂缝检测系统研究[D]. 北京: 中冶集团建筑研究总院, 2013. ZHANG Haiming. Research on Long-distance Non-contact Surface Defects and Crack Detection System in Civil Engineering Structures[D]. Beijing: MCC Construction Research Institute, 2013.
[3] 奚韵哲. 桥用爬壁机器人检测高墩裂缝技术研究[D]. 重庆: 重庆交通大学, 2019. XI Yunzhe. Research on the Technology of Detecting Cracks in High Piers by Wall-climbing Robot for Bridges[D]. Chongqing: Chongqing Jiaotong University, 2019.
[4] ZHANG Cheng, YANG Zou, FENG Wang, et al. Towards fully automated unmanned aerial vehicle-enabled bridge inspection: Where are we at?[J]. Construction and Building Materials, 2022, 347: 128543. DOI: 10.1016/j.conbuildmat.2022.128543
[5] 赵天祺, 勾红叶, 陈萱颖, 等. 桥梁信息化及智能桥梁2020年度研究进展[J]. 土木与环境工程学报(中英文), 2021, 43: 268-279. ZHAO Tianqi, GOU Hongye, CHEN Xuanying, et al. Research progress of bridge informatization and intelligent bridge in 2020[J]. Journal of Civil and Environmental Engineering (Chinese and English) 2021, 43: 268-279.
[6] 钟新谷, 彭雄, 沈明燕. 基于无人飞机成像的桥梁裂缝宽度识别可行性研究[J]. 土木工程学报, 2019, 52(4): 52-61. ZHONG Xingu, PENG Xiong, SHEN Mingyan, et al. Feasibility study on bridge crack width identification based on unmanned aerial vehicle imaging[J]. China Civil Engineering Journal, 2019, 52(4): 52-61.
[7] DING W, YANG H, YU K, SHEN Mingyan, . Crack detection and quantification for concrete structures using UAV and transformer[J]. Automation in Construction, 2023, 152: 04929.
[8] 刘宇飞, 樊健生, 聂建国, 等. 结构表面裂缝数字图像法识别研究综述与前景展望[J]. 土木工程学报, 2021, 54(6): 79-98. LIU Yufei, FAN Jiansheng, NIE Jianguo, et al. Review and prospect of digital image method recognition of structural surface cracks[J]. China Civil Engineering Journal, 2021, 54(6): 79-98.
[9] 鲍跃全, 李惠. 人工智能时代的土木工程[J]. 土木工程学报, 2019, 52(5): 1-11. BAO Yuequan, LI Hui. Civil engineering in the era of artificial intelligence[J]. China Civil Engineering Journal, 2019, 52(5): 1-11.
[10] 邓露, 褚鸿鹄, 龙砺芝, 等. 基于深度学习的土木基础设施裂缝检测综述[J]. 中国公路学报, 2023, 36(2): 1-21. DENG Lu, CHU Honghu, LONG Lizhi, et al. Review of crack detection in civil infrastructure based on deep learning[J]. China Journal of Highway and Transport, 2023, 36(2): 1-21.
[11] 勾红叶, 杨彪, 华辉, 等. 桥梁信息化及智能桥梁2019年度研究进展[J]. 土木与环境工程学报(中英文), 2020, 42(5): 14-27. GOU Hongye, YANG Biao, HUA Hui, et al. Research progress of bridge informatization and intelligent bridge in 2019[J]. Journal of Civil and Environmental Engineering, 2020, 42(5): 14-27.
[12] 王保宪, 白少雄, 赵维刚. 基于特征增强学习的路面裂缝病害视觉检测方法[J]. 铁道科学与工程学报, 2022, 19(7): 1927-1935. WANG Baoxian, BAI Shaoxiong, ZHAO Weigang. Visual detection method of pavement crack disease based on feature enhancement learning[J]. Journal of Railway Science and Engineering, 2022, 19(7): 1927-1935.
[13] 薛庆生, 李畅, 李婷婷, 等. 基于LVF的高光谱成像仪研制及应用[J]. 光子学报, 2021, 50(9): 203-214. XUE Qingsheng, LI Chang, LI Tingting, et al. Development and application of LVF-based hyperspectral imager[J]. Acta Photonica Sinica, 2021, 50(9): 203-214.
[14] 王冰冰, 喻文勇, 龙小祥, 等. 高分辨率卫星地面处理系统研制[J]. 遥感学报, 2021, 25(9): 1946-1963. WANG Bingbing, YU Wenyong, LONG Xiaoxiang, et al. Development of high-resolution satellite ground processing system[J]. Journal of Remote Sensing, 2021, 25(9): 1946-1963.
[15] 肖臣稷, 王卿, 王敏, 等. 基于高分五号卫星遥感数据的长江河口叶绿素a浓度反演[J]. 东华大学学报(自然科学版), 2022, 48(4): 92-99. XIAO Chenji, WANG Qing, WANG Min, et al. Inversion of chlorophyll a concentration in the estuary of the Yangtze River based on remote sensing data of Gaofen-5 satellite[J]. Journal of Donghua University (Natural Science Edition), 2022, 48(4): 92-99.
[16] 李笑芳, 王延仓, 顾晓鹤, 等. 基于高光谱技术建筑反射隔热涂料厚度检测技术的研究[J]. 光谱学与光谱分析, 2020, 40(8): 2552-2557. LI Xiaofang, WANG Yancang, GU Xiaohe, et al. Research on thickness detection technology of building reflective thermal insulation coating based on hyperspectral technology[J]. Spectroscopy and Spectral Analysis, 2020, 40(8): 2552-2557.
[17] Bonifazi G, Palmieri R, Serranti S. Evaluation of attached mortar on recycled concrete aggregates by hyperspectral imaging[J]. Construction and Building Materials, 2018, 169: 835-842 DOI: 10.1016/j.conbuildmat.2018.03.048
[18] Bonifazi G, Capobianco G, Serranti S. Hyperspectral imaging and hierarchical PLS-DA applied to asbestos recognition in construction and demolition waste[J]. Applied Sciences, 2019, 9(21): 4587. DOI: 10.3390/app9214587
[19] Serranti S, Gargiulo A, Bonifazi G. Classification of polyolefins from building and construction waste using NIR hyperspectral imaging system[J]. Resources, Conservation and Recycling, 2012, 61: 52-58 DOI: 10.1016/j.resconrec.2012.01.007
[20] 邵慧, 撒贝宁, 李伟, 等. 一种适用于古建筑建模的全波形高光谱激光雷达设计与实现[J]. 红外与激光工程, 2022, 51(8): 197-206. SHAO Hui, SA Beining, LI Wei, et al. Design and implementation of a full-waveform hyperspectral LiDAR for modeling of ancient buildings[J]. Infrared and Laser Engineering, 2022, 51(8): 197-206.
[21] 严阳, 华文深, 张炎, 等. 可见-近红外高光谱伪装目标特分析[J]. 红外技术, 2019, 41(2): 171-175. http://hwjs.nvir.cn/article/id/hwjs201902011 YAN Yang, HUA Wenshen, ZHANG Yan, et al. Special analysis of vision-near-infrared hyperspectral camouflage target[J]. Infrared Technology, 2019, 41(2): 171-175. http://hwjs.nvir.cn/article/id/hwjs201902011
[22] 熊显名, 张乾坤, 秦祖军. 基于可见-近红外光谱的路面状况识别的研究[J]. 红外技术, 2021, 43(2): 131-137. http://hwjs.nvir.cn/article/id/532fdd18-b2cc-4513-bb61-46bca8e091dd XIONG Xianming, ZHANG Qiankun, QIN Zujun. Research on road condition recognition based on vision-near-infrared spectroscopy[J]. Infrared Technology, 2021, 43(2): 131-137. http://hwjs.nvir.cn/article/id/532fdd18-b2cc-4513-bb61-46bca8e091dd
[23] 田英慧, 金伟其, 赵志勇, 等. 基于反射光谱和图像的雪地伪装材料紫外检测技术研究[J]. 红外技术, 2017, 39(5): 469-474. http://hwjs.nvir.cn/article/id/hwjs201705014 TIAN Yinghui, JIN Weiqi, ZHAO Zhiyong, et al. Research on ultraviolet detection technology of snow camouflage materials based on reflection spectra and images[J]. Infrared Technology, 2017, 39(5): 469-474. http://hwjs.nvir.cn/article/id/hwjs201705014
[24] 张海馨, 张正龙, 李晓奇, 等. 基于尾焰光谱分布特性分析的高速目标识别系统[J]. 红外技术, 2017, 39(7): 599-604. http://hwjs.nvir.cn/article/id/hwjs201707003 ZHANG Haixin, ZHANG Zhenglong, LI Xiaoqi, et al. High-speed target recognition system based on analysis of tail flame spectral distribution characteristics[J]. Infrared Technology, 2017, 39(7): 599-604. http://hwjs.nvir.cn/article/id/hwjs201707003
[25] 程俊毅, 张显峰, 孙权, 等. 沥青路面老化状况遥感监测与评估模型建立及应用[J]. 遥感技术与应用, 2018, 33(5): 956-964. CHENG Junyi, ZHANG Xianfeng, SUN Quan, et al. Establishment and application of remote sensing monitoring and evaluation model for asphalt pavement aging condition[J]. Remote Sensing Technology and Application, 2018, 33(5): 956-964.
[26] Ichi E, Dorafshan S. Spectral characterization of fouled railroad ballast using hyperspectral imaging[J]. Construction and Building Materials, 2023, 394: 132076. DOI: 10.1016/j.conbuildmat.2023.132076
[27] Kim B, Cho S. Efflorescence assessment using hyperspectral imaging for concrete structures[J]. Smart Structures and Systems, An International Journal, 2018, 22(2): 209-221.
[28] Huynh C P, Mustapha S, Runcie P, et al. Multi-class support vector machines for paint condition assessment on the Sydney Harbour Bridge using hyperspectral imaging[J]. Struct. Monit. Maint., 2015, 2(3): 181-197.
[29] 彭雄, 钟新谷, 赵超, 等. 基于无人机热成像的建筑饰面层脱粘缺陷识别[J]. 红外技术, 2022, 44(2): 189-197. http://hwjs.nvir.cn/article/id/565c3909-3e87-446f-8279-03f98a779184 PENG Xiong, ZHONG Xingu, ZHAO Chao, et al. Desticking defect identification of building finishing layer based on UAV thermal imaging [J]. Infrared Technology, 2022, 44(2): 189-197. http://hwjs.nvir.cn/article/id/565c3909-3e87-446f-8279-03f98a779184
[30] MENG Y, YUAN W, Aktilek E U, et al. Fine hyperspectral classification of rice varieties based on self-attention mechanism[J]. Ecological Informatics, 2023, 75: 102035. DOI: 10.1016/j.ecoinf.2023.102035
[31] Schafer R W. What is a Savitzky-Golay filter?[J]. IEEE Signal Processing Magazine, 2011, 28(4): 111-117. DOI: 10.1109/MSP.2011.941097
[32] Fearn T, Riccioli C, Garrido-Varo A, et al. On the geometry of SNV and MSC[J]. Chemometrics and Intelligent Laboratory Systems, 2009, 96(1): 22-26. DOI: 10.1016/j.chemolab.2008.11.006
[33] Abulaiti Y, Sawut M, Maimaitiaili B, et al. A possible fractional order derivative and optimized spectral indices for assessing total nitrogen content in cotton[J]. Computers and Electronics in Agriculture, 2020, 171: 105275. DOI: 10.1016/j.compag.2020.105275
[34] FENG S, Itoh Y, Parente M, et al. Hyperspectral band selection from statistical wavelet models[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(4): 2111-2123.
[35] LI H, LIANG Y, XU Q, et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta, 2009, 648(1): 77-84.
计量
- 文章访问数: 127
- HTML全文浏览量: 42
- PDF下载量: 29
