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
根据世界卫生组织的统计，2016年道路交通伤害导致140万人死亡，已经是全球第八大死亡原因[1]，道路交通安全已经成为人类不可忽视的安全威胁之一。为减少道路交通对人类造成的伤害，目前已经有多种传感器系统被应用于汽车辅助驾驶，以期在危险情况中及时对驾驶者做出提醒，如雷达、激光测距雷达、超声波和摄像机等技术。其中雷达、激光测距雷达和超声波等属于主动测量方案，在复杂环境下易受干扰；而基于摄像机的测量方案属于被动测量方法，抗干扰能力更强，在辅助驾驶和自动驾驶领域具有广阔的应用前景，已经成为计算机视觉领域的热门研究方向。
在夜间、雾霾等低可见度天气条件下，由于驾驶员的视线受阻，更易发生交通事故。红外线由于波长较长，具有穿透雾霾的能力，且所有温度高于绝对零度的物体都会产生红外辐射[2]，故对红外线成像的红外相机具有全天候工作能力，特别在夜间、雾霾等对可见光相机成像具有严重干扰的天气条件下具有明显优势。因此，利用红外成像设备作为辅助观测手段以提高行车安全性的方法，得到了广大相关研究人员和国内各大汽车制造厂商的关注[3]。
目前，基于红外相机的车载辅助驾驶系统主要利用红外相机的全天候工作特性，帮助驾驶员在恶劣条件下观察路面情况，技术手段主要集中在行人检测与跟踪领域。如文献[3]-[4]介绍了车载夜视技术以及红外行人检测算法的发展现状，文献[5]介绍了一种基于YOLO模型的远红外车载图像快速行人检测方法，文献[6]提出了一种相关滤波框架下的红外图像行人跟踪方法，行人的位置估计需依靠驾驶员的经验判断。文献[7]使用激光雷达成像与红外成像融合的方式获取可视图像及深度信息，但成本较高。
基于立体视觉原理获取深度信息，仅需两个相机采集双目图像，然后利用双目视差原理计算目标深度，成本较低。但是在红外图像中，由于纹理细节较少，在可见光立体视觉中使用广泛的BM（Block Matching）和SGBM（Semi Global Block Matching）等传统稠密立体匹配算法不能很好地完成红外图像立体匹配。因此，本文结合道路场景的特点，设计了一种基于红外立体视觉的路况行人感知方法，该方法可以生成感兴趣目标处稠密的全局半稠密深度图。经实验验证，该方法在道路环境下可以有效地提供车前行人等目标的深度信息。
1. 双目测距模型
1.1 三角测量模型
本文双目测距模型如图 1所示，两相机光心O1、O2存在x、z方向明显位移dx、dz。考虑到实际系统的安装误差因素，两相机坐标系间同时存在y方向位移dy和绕x、y、z三轴的相对旋转α、β、γ。dx、dy、dz和α、β、γ共同构成相机的外部参数，可通过双目相机标定获得。
通过标定获得相机内部及外部参数后，本文采用线性三角测量法对空间点进行解算，如图 1，空间点N分别投影到两相机像平面π1、π2的n1、n2点处，投影关系可由式(1)表示，其中n1、n2用π1、π2像面坐标系下的齐次坐标表示，N用世界坐标系下的齐次坐标表示，P1、P2分别表示空间点N到像面π1、π2的投影关系，为3×4矩阵，由相机内、外部参数计算得到：
$$ {n_1} = {\mathit{\boldsymbol{P}}_1}N,\quad {n_2} = {\mathit{\boldsymbol{P}}_2}N $$ (1) 通过π1、π2像面上的一对匹配点n1↔n2，可根据式(2)[8]计算得到N点在世界坐标系下的齐次坐标。其中，xi、yi分别表示πi像面上N的像点ni的横、纵坐标，pij表示Pi矩阵的第j行（i＝1, 2，j＝1, 2, 3）。
$$\left[ {\begin{array}{*{20}{c}} {{x_1}p_1^3 - p_1^1} \\ {{y_1}p_1^3 - p_1^2} \\ {{x_2}p_2^3 - p_2^1} \\ {{y_2}p_2^3 - p_2^2} \end{array}} \right]N = 0$$ (2) 1.2 极线约束
极线约束是指双目图像中某一图像上的点必然对应于另一图像上的一条线，如图 1，直线O1N上任一点都成像于π1像面上的n1点处，而其在像面π2上的像位于直线e2n2上，即e2n2为n1的对极线，e2为光心O1在像面π2上的投影点，其数学关系可用式(3)表示：
$${\mathit{\boldsymbol{I}}_{{e_2}{n_2}}} = \mathit{\boldsymbol{I}}{n_1}$$ (3) 式中：${\mathit{\boldsymbol{I}}_{{e_2}{n_2}}}$表示直线e2n2；F为基本矩阵，可通过相机内、外部参数获得。
由于n2是N在像面π2的像点，故n2在直线${I_{{e_2}{n_2}}}$上，即$n_2^{\rm{T}}{I_{{e_2}{n_2}}} = 0$，所以一对匹配点n1↔n2满足式(4)关系。
$$n_2^{\rm{T}}\mathit{\boldsymbol{F}}{n_1} = 0$$ (4) 因此，可利用式(4)对初始匹配结果进行筛选，去除误匹配点。
2. 系统设计与搭建
2.1 系统方案设计
驾驶员在驾驶车辆时，一般需要观察车辆正前方和两侧路面情况以确保行车安全。因此，为了满足实际道路应用条件，本文设计了一种大视场红外双目立体视觉环境感知单元，有效视场角约为120°。由于目前红外相机成像单元分辨率普遍不高，以及红外相机镜头视场角等因素的制约，本文提出了一种双红外双目测量方案。方案设计如图 2所示，即使用两对双目相机分别覆盖左右两侧，组成等效120°测量视场。图 2中4只相机分别组成左视、右视双目相机组，两相机组的基线长度均设计为75 cm，两组双目相机测量视场构成120°等效测量视场。该方案将4只红外相机安装在同一直线上，将系统尺寸限制在100 cm×10 cm×10 cm内，有利于在不改变车辆结构的条件下安装使用。
2.2 实验系统平台
依据2.1节所述方案，搭建实验平台，如图 3所示，该平台由4只长波红外相机及广角镜头、嵌入式处理单元、外围电路、刚性载体和外壳组成。
![]()
图 3 大视场红外立体视觉实验系统Figure 3. Large field of view infrared stereo vision experimental system2.3 红外棋盘格标定板
由于三角测量模型需要已知的相机内参和双目相机外参解算匹配点坐标，因此需对相机进行标定。目前应用最广泛的相机标定算法为张正友标定法[9]，该方法需要单平面棋盘格作为标定板。由于红外辐射量和物体温度有关，物体温度越高，红外辐射越强，红外图像体现的是物体温度差异。根据红外成像原理，本文设计了一种红外棋盘格标定板（下称标定板），如图 4所示。
图 4(a)为该标定板的可见光图像，图 4(b)为红外图像。棋盘格白格为良导热材料制成，背层贴有电热片，黑格为隔热材料制成，背层无电热片，通电后白格区域电热片发热使其温度升高，黑格区域的隔热材质使其保持相对较低的温度，从而使棋盘格的红外图像具有与可见光图像相似的图像特征。本文设计的棋盘格可用于红外相机标定，可见光相机标定和红外、可见光相机联合标定。
3. 深度图生成方法
本文的路况行人感知问题研究定位于道路使用者中的行人和骑行者等目标。由于人体具有较为明显的温度、边缘特征，因此可以此为依据在双目相机左、右图像中寻找感兴趣区域，并在感兴趣区域中进行特征点提取、配准并最终生成可视化半稠密深度图。
3.1 图像幂次变换
图像幂次变换是指通过对图像灰度值的k次幂变换，使灰度值较大的位置得到增强，而灰度值较小的位置得到抑制。图像幂次变换可用式(5)表示：
$${i_{{\rm{new}}}} = M{\left( {\frac{{{i_{{\rm{old}}}}}}{{{i_{\max }}}}} \right)^k}$$ (5) 式中：iold、inew为图像上任一点转换前、后灰度值；imax为原图像的最大灰度值；M为处理后的图像最大灰度值，指数k越大，图像增强效果越明显，本文应用场景中k值的取值范围为1.6~2.0。
由于红外图像是对红外热辐射的成像，温度高的物体成像位置灰度值大，温度低的物体成像位置灰度值小。一般红外场景中的人体温度较高，背景温度较低，对应红外图像中，行人目标位置灰度值较大，背景位置灰度值较小，通过图像幂次变换，可有效增强行人目标，抑制背景。如图 5(b)，相对原图（图 5(a)），其背景得到明显抑制，行人目标得到增强。
3.2 感兴趣区域提取
由于行人、骑行者的竖向边缘较多[10]，因此可以使用Sobel边缘检测算法检测图像中的竖向边缘，如图 5(c)（为了便于观察，图像有亮度增强）所示，图中实线框内为行人目标，虚线框内为无效目标，利用目标灰度约束可以剔除大部分无用边缘信息，如图 5(d)所示，图像中剩余的轮廓信息主要集中在行人位置处。由于轮廓位置所占图像面积较小，仅将该位置作为特征提取区域不利于提取到足够多的特征点，因此使用图像膨胀算法对图 5(d)所示基于灰度约束的边缘提取图像进行处理，得到图 5(e)所示感兴趣区域（Region of interest, ROI），通过在左右图像ROI区域内提取和匹配特征点，可有效减少特征点提取和匹配数量，减少误匹配数量，提高算法运行效率。
3.3 特征点检测与匹配
由于红外图像缺乏一般可见光图像中丰富的纹理细节特征，仅在目标轮廓边缘等梯度变化较大的地方存在明显图像特征，因此本文采用SURF（Speeded-Up Robust Features）算法[11]在ROI区域对图像进行特征提取。SURF算法基于图像边缘检测特征点，且运行速度快，经实验验证，其在长波红外图像上具有良好的特征点提取效果。利用SURF算法在ROI区域进行特征点检测和匹配的效果如图 6(a)所示，图中线段的端点为特征点位置，其两端为一对初始匹配点，可以看出其中存在明显错误匹配点。利用式(4)对匹配点进行筛选，结果如图 6(b)所示，图中线段连接的匹配点为筛选后的匹配点，可见图 6(a)中的明显错误匹配点被有效剔除。
3.4 半稠密深度图估计
获取筛选后匹配点后，利用三角测量模型可以解算匹配点对应的空间点坐标，获取原始稀疏深度图（如图 7(a)）。由于原始深度图是稀疏的，因此其直接用于显示效果较差。本文采用种子填充法（Seed-Filling）标记图 5(e)中不同连通域，在各连通域中选取原始深度图对应区域中的所有有效深度值的中值作为该区域的代表深度值，得到半稠密深度图，如图 7(b)。
由于ROI图像中不同连通域表示场景中的不同目标，同一目标的不同位置的深度值是相近的，因此使用代表深度值估计整个目标的深度是可行的，且代表深度值的中值选取策略可以有效避免少量错误匹配点产生的异常深度值对目标深度估计的影响。
3.5 深度图显示
为便于观察，本文采用从浅到深的渐变颜色表示0~30 m内的距离远近。距离越远，颜色越深；距离越近，颜色越浅。图 8给出了6组夜间路面测试结果，对照图和显示图依次对应。其中对照图经过幂次变换对背景进行了抑制，显示图在对照图的基础上引入了渐变颜色表示图像中目标的深度信息，并在图像右侧给出了颜色图例。图 8中6组显示图中包含不同距离的行人、跑步者、骑行者等目标。可以看出，行人、跑步者、骑行者等目标均得到较好的颜色标记，参考颜色图例可以判断目标的相对远近，从而为驾驶员在夜间驾驶提供良好的辅助观测信息。
4. 测距精度实验
为验证系统测距精度，本文在夜间室外环境下，采用合作目标对左、右视双目相机分别进行精度实验，合作目标为一个2×2红外棋盘格，如图 9所示。以左视双目相机为例，合作目标参考位置如图 10所示，取3个方向，每个方向5~30 m范围内的18个点（图中未全部画出）验证系统测距精度。合作靶标的位置约定真值由精度为2+2 ppm的全站仪间接测得，以左相机为基准点，利用全站仪分别测量左相机和合作靶标的中心角点坐标，通过计算得到合作靶标中心距左相机基准点的距离约定真值。将系统测距结果和约定真值作比较，图 11给出了系统测距误差，系统测距结果在30 m范围内绝对误差均小于1 m，相对误差小于3%；15 m范围内绝对误差小于0.5 m，相对误差小于1.5%。考虑到本文的路况行人感知方法的主要应用场景为向驾驶者提供辅助观测信息，系统的测距精度满足实用需求。
![]()
图 10 左视双目视场目标参考位置Figure 10. Reference position of targets in left binocular field of view5. 结论
本文设计了一种基于红外立体视觉的路况行人感知方法。针对红外图像纹理细节少，传统稠密双目立体匹配算法效果差的问题。本文首先提取图像ROI，然后在其中提取特征点并匹配以生成原始稀疏深度图，最后结合ROI和原始稀疏深度图估计ROI内稠密的全局半稠密深度图。并设计了实验系统对该方法进行实验验证。实验结果表明，该方法具有良好的行人等目标的检测效果，在系统约120°观测视场角内，目标深度感知相对误差在15 m范围内优于1.5%，30 m范围内优于3%，满足实际应用场景。
-
![]()
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: 128
- HTML全文浏览量: 42
- PDF下载量: 29
