Page 157 - 公路桥梁养护与管理

第五章 桥梁结构健康监测系统

识别的 Haar-AdaBoost 算法，算法能够充分利用桥梁裂缝的高级特征、形状特征
和灰度特征进行识别，并采用测距法计算并量化了桥梁实际裂缝宽度，实际桥
梁裂缝宽度的量化精度达到 90% 以上。余加勇等通过建立深度学习训练样本图

像库；引入掩膜区域卷积神经网络（MasR·CNN）深度学习算法，训练和建立
MasR·CNN 裂缝识别模型，对图像信息实现裂缝自动识别和定位。在图像信息
采集过程通常会受到光照、污渍、纹理等噪声影响。YU 等采用非局部均值法对
原始图像进行处理，以降低噪声的影响，采用不同的滤波器进行裂纹边缘检测，

Dempster·Shafer（D·S）融合算法将不同滤波器对应的诊断结果进行融合，进
行裂缝识别。虽然图像处理技术已经取得了一些进展，但是在实际工程中裂缝通
常宽度很小，长度较长，目前图像处理技术能否准确识别将是一大考验。
在桥梁变形监测方面，GNSS 监测系统的自动化程度高，可实时监测是研究

热点之一。王人鹏等使用基于 GNSS 的监测系统对南浦大桥进行在线观测试验，
计算分析结果与大桥通车试验的实测结果及有限元模型预测结果吻合度较高，证
明了 GNSS 监测系统的可行性。然而 GNSS 接收机价格昂贵，精度不高，只有为
数不多的特大跨径柔性桥梁安装了高精度 GNSS 变形监测系统。相比之下，基于

计算机视觉和摄影测量原理的测量方法具有成本低、方便安装等优点，测量精度
更高。涂伟等利用高精度相机和若干红外靶标测量桥梁上待测点处的实时形变，
测量精度可达到 0.2mm。但目前测量方法仍未完全成熟，容易受到环境、相机和
算法等因素影响，有待进一步研究。基于视觉的测量技术在桥梁伸缩缝监测也得

到了探索与应用。在伸缩缝附近安装普通安防球机，定时在预定位置拍摄伸缩缝
图像。从图像中提取伸缩缝变形信息，使用智能视频技术非接触式、精确识别运
营期伸缩缝宽度，与温度等变量进行联合分析，根据伸缩缝宽度－温度预测值与
实测值差距判断伸缩缝工作状态。

（一）在数据分析方面的研究
数据分析是桥梁结构状态评估的一个重要环节，关系到监测系统对桥梁健康
状况的判断及其是否能够快速做出安全预警。目前桥梁监测数据主要存在以下问
题：桥梁健康监测系统通常安装了大量的传感器，在长期监测过程中产生海量数

据堆积未能得到科学处理，形成了数据垃圾；由于测试噪声、服役环境、车载动
态变化等因素影响，现场监测数据蕴含极大的不确定性；监测指标与桥梁安全状
态之间的逻辑关系混乱，从安全状态追踪危险因素的溯源性差；桥梁结构状态评

145