Page 155 - 道路桥梁工程施工探究

第六章 测量机器人在桥梁工程中的应用

特征提取，特征融合与降维，分类器分类等过程，通过训练样本数据自动建立目
标检测模型。基于深度神经网络的算法主要分为两大类：二阶检测器与一阶检测
器。二阶检测器首先生成一系列可能包含物体的候选框，然后再对每个候选框进

行分类；一阶检测器在没有中间级的情况下同时生成目标的所在区域和类别信息。
通常由于二阶检测器结构相比于一阶检测器更加复杂，其检测精度更高但是计算
速度较慢。
在语义分割领域，传统的语义分割方法主要依赖于人工特征工程，常见的流

程为首先将图像分割为图块或超像素，然后计算分割结果的特征，输入如随机森
林、支持向量机等分类器中，预测中心像素的分类概率或每个像素的分类概率。
基于深度学习的语义分割方法主要可以分为基于区域的语义分割方法和基于上采
样的语义分割方法。

基于区域的方法首先从图像中提取自由形态区域并描述它们，然后对这些提
取的区域进行分类。在测试时，每个像素的预测值由包含该像素得分最高区域的
预测值确定。基于上采样的方法通过设计一个上采样层把 CNN 网络经过卷积层
和池化层的输出上采样到原图的大小，从而得到像素级的分类结果。常见的上采

样算法有双线性插值法、反卷积法和反池化法等。此外，针对单个像素的预测噪
声，研究者们通常使用条件随机场等方式进行平滑以提高精度。
（三）路径规划
路径规划是测量机器人自主作业过程中非常重要的一环，其主要任务是根据

测量任务需求，在静态或动态的测量区域内基于距离、能耗及安全性等指标寻找
到一条符合动力学约束且无碰撞的最优或次优路线，以确保机器人能够安全的从
起始位置到达目标位置。根据对环境先验知识获取程度的不同，路径规划主要分
为全局路径规划以及局部路径规划“两类。全局路径规划是指在测量区域环境信

息保持不变且完全已知的情况下，预先规划出一条满足测量任务需求的最优路径。
由于其对先验知识的依赖，难以在未知环境以及动态环境中工作。而局部路径规
划不依赖于场景的先验信息，面向的是环境信息完全未知或者部分已知的测量场
景，其主要借助传感器获取的局部环境信息并结合一定的探索策略进行路径规划，

因此其适用范围更广。通常情况下，为了能够适应各种测量环境，测量机器人会
采用全局规划和局部规划相结合的方式进行作业，通过全局规划算法确定大致的
测量路线，同时采用局部路径规划算法对路径进行风险规避和优化提升。

141