FCM分割下的高架桥梁铺面病害识别

Identification of Pavement Damages on Elevated Bridges Using FCM Segmentation

摘要

为应对高架桥梁铺面病害存在的重叠与断裂问题，实现病害精准归类，本文提出一种高架桥梁铺面病害识别方法。该方法利用无人机巡检技术获取完整、连续的铺面厘米级病害域数据，经FCM分割并按相似属性分组后，结合快速区域卷积神经网络算法将病害域划分为不同区域，每个区域对应特定病害类别或正常铺面，从而实现病害识别。本研究对城市主干线高架桥铺面开展了识别实验验证，结果表明：该方法可有效克服复杂背景干扰，精准分割病害区域；对坑槽及细微裂缝等病害纹理具有较高的识别准确度与置信度；检测结果与病害实际区域吻合良好，具备优异的病害识别能力。

Abstract

To achieve the classification of pavement defects on elevated bridges， particularly addressing the issues of overlapping and fracture， an identification method is proposed. Unmanned Aerial Vehicle （UAV） inspection technology is employed to acquire complete and continuous centimeter-level data of the pavement defect domain. Following Fuzzy C-Means （FCM） segmentation， the data are grouped by similar attributes and partitioned into distinct regions using a Fast Region-based Convolutional Neural Network （Fast R-CNN） algorithm； each group corresponds to a specific defect category or normal pavement condition for identification. Experiments conducted on the pavement of urban trunk line elevated bridges demonstrate that the proposed method effectively handles complex backgrounds， accurately segments various defect regions， and precisely identifies texture alignment in real potholes and micro-cracks. The approach exhibits high detection accuracy and confidence， showing strong consistency with actual defect areas and confirming its capability for accurate defect identification.

Graphical abstract

关键词

无人机巡检 / FCM聚类分割 / 高架桥梁 / Faster R-CNN算法

Key words

Unmanned Aerial Vehicle （UAV） inspection technology / FCM clustering-based segmentation / elevated bridges / faster R-CNN algorithm

0 引 言

受自然环境和重载交通影响，桥梁铺面易现裂缝、坑槽等病害，影响行车并可能损害桥梁结构。因此，为保障桥梁安全与延长使用寿命，定期、高效地识别高架桥梁铺面病害显得至关重要^［1］。

Djenouri等^［2］提出了一种结合尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）和图卷积神经网络（Graph Convolutional Networks，GCN）的道路裂缝检测方法，其利用GCN对图结构进行训练学习，以识别和检测图像中的道路裂缝。如果图像受到光照变化、阴影、遮挡或噪声等因素的严重影响，则稳定性和准确性会降低。Alamdari等^［3］提出一种多尺度机器人方法，该方法融合了卷积神经网络（Convolutional Neural Networks，CNN）的精准裂纹识别、机器人引导的高分辨率激光扫描技术，以及先进的3D点云配准技术，实现了对混凝土结构中发纹裂缝的检测。王桂平等^［4］提出一种采用迁移学习策略的桥梁病害检测法，运用动态调整学习率优化模型以提升病害识别精度。但桥梁病害数据集中，不同类别的病害图像数量可能极不平衡。彭雨诺等^［5］对YOLO算法进行了优化，设计出YOLO-lump与YOLO-crack两个定制化的网络模型，构建了一种双网络架构的桥梁表面病害快速识别算法。虽然双网络结构在一定程度上提高了多病害检测的能力，但当不同病害在图像中发生重叠时，检测困难。

受自然环境因素制约，桥梁厘米级病害域数据的质量往往受限，进而影响识别精度。相较之下，无人机巡检技术在多样环境条件下表现更为稳健。在高架桥梁铺面病害检测中，实时性至关重要；模糊C均值聚类（Fuzzy C-Means，FCM）分割算法凭借其处理速度与抗噪能力，在满足高实时性及应对高噪声数据场景中具有显著优势。为此，本文提出一种基于无人机巡检图像与FCM分割的高架桥梁铺面病害识别方法，旨在精确区分病害与背景，从而实现对高架桥梁铺面病害的高效、准确识别。

1 高架桥梁铺面病害识别方法

无人机巡检技术凭借其高度的适应性和灵活性，能够针对多样化的桥梁铺面病害类型、复杂的病害状况以及多变的环境条件（如光照、天气、季节等）进行高效数据采集。因此，首先利用无人机进行高架桥梁巡检，收集铺面厘米级病害域数据；随后，对这些厘米级病害域数据进行拼接处理与分析，包括厘米级病害域分割，以提取关键的铺面纹理对齐度^［6］。在此基础上，应用病害识别算法对分割后的厘米级病害域进行检测，旨在准确识别出高架桥梁铺面上的典型病害。高架桥梁铺面病害检测识别的流程如图1所示。

1.1　基于无人机巡检模型的厘米级病害域采集

在将无人机系统应用于复杂多变环境下高架桥梁铺面病害识别的场景中巡检图的高质量获取，确保飞行控制精准、飞行安全、厘米级病害域获取清晰以及信号传输稳定是至关重要的^［7］。在建立无人机道路巡检模型时，关键在于准确计算并设定这些关键参数，包括飞行高度、速度、航线间隔、厘米级病害域采集频率等，以确保复杂多变巡检作业的全面性，获取准确的铺面厘米级病害域^［8］。具体实现过程如下概述：

（1） 飞行高度的计算。无人机在高架桥梁铺面病害识别中，飞行高度的计算至关重要。飞行高度即相对航高，是指无人机与高速公路铺面的垂直距离，需精心设定。高度过高会导致厘米级病害域背景复杂，增加后期拼接处理难度；同时因像素分辨率降低，可能无法清晰捕捉裂缝等病害纹理对齐度。因此，飞行高度的选择需平衡厘米级病害域清晰度与背景复杂度，确保病害纹理对齐度显著且易于识别。

设定无人机拍摄的厘米级病害域像幅M\times N，像元大小d可以通过像幅实地大小（在航向及旁向上的尺寸，即M与N）与相应的相机分辨率F_{\mathrm{w}}\times F_{\mathrm{p}}来计算。像元大小为

d=\frac{M}{F_{\mathrm{w}}}=\frac{N}{F_{\mathrm{p}}}（1）

则有：

M=d\cdot F_{\mathrm{w}},N=d\cdot F_{\mathrm{p}}（2）

根据航拍厘米级病害域成像公式（3），推导出飞行高度h，如公式（4）所示：

\frac{f}{h}=\frac{X_{\mathrm{w}}}{M}=\frac{X_{\mathrm{p}}}{N}（3）

h=\frac{f\cdot M}{X_{\mathrm{w}}}=\frac{f\cdot d\cdot F_{\mathrm{w}}}{X_{\mathrm{w}}}（4）

式中：f表示无人机搭载相机的焦距；X_{\mathrm{w}}和X_{\mathrm{p}}表示无人机搭载相机传感器尺寸大小。

计算出合适的飞行高度h，便可以确保厘米级病害域能够清晰地捕捉到高架桥梁铺面的病害纹理对齐度。

（2） 飞行速度计算。在无人机巡检高速公路以识别桥梁铺面病害（如裂缝）的情境中，当无人机与车流方向相反飞行时，可以有效减少车辆遮挡裂缝导致的漏检问题，从而优化无人机的飞行策略。

通过合理设定无人机的飞行速度，可以确保在相机捕捉厘米级病害域时，任何车辆对铺面病害的遮挡时间被最小化。考虑到车辆长度（L_{\mathrm{r}}）、车辆速度（v_{\mathrm{r}}）以及相机摄影比例尺（A）等因素，可以计算车辆覆盖裂缝病害的最长时间：

t=\frac{L_{\mathrm{r}}}{v_{\mathrm{r}}}（5）

为了确保无人机能够拍摄到裂缝等病害且不被行驶的车辆遮挡，关键在于无人机在车辆经过裂缝时的位移计算：

L_{\mathrm{w}}=M\cdot A=N\cdot A（6）

由此，便可求得无人机逆向飞行的最快速度V_{\mathrm{w}}：

V_{\mathrm{w}}=\frac{L_{\mathrm{w}}}{t}=\frac{M\cdot A}{\frac{L_{\mathrm{r}}}{v_{\mathrm{r}}}}=\frac{M\cdot A\cdot v_{\mathrm{r}}}{L_{\mathrm{r}}}（7）

（3） 摄影基线长计算。摄影基线长L_{\mathrm{g}}的计算依据是相机在地面上的分辨率长度F_{\mathrm{w}}和所需的航向重叠度B。具体来说，由于连续两张影像需要有一定的重叠区域以确保足够的立体测量精度，因此摄影基线长的表达式为

L_{\mathrm{g}}=\mathrm{2}K-BK=\mathrm{2}P{F}_{\mathrm{w}}-BP{F}_{\mathrm{w}}=\left(\mathrm{2}-B\right)P{F}_{\mathrm{w}}（8）

式中：\left(\mathrm{2}-B\right)表示在没有重叠的情况下相机覆盖地面宽度的两倍减去重叠部分所占的宽度比例。因此，L_{\mathrm{g}}即为在保证指定重叠度B的前提下，相机在航向方向上应保持的最小基线长度。

（4） 航线间隔计算。航线间隔是无人机航拍中相邻厘米级病害域间横向距离的关键参数，它根据相机的地面覆盖能力和所需的旁向重叠度G来计算。

L_j=\mathrm{2}N-\frac{NG}{\mathrm{2}}（9）

应通过精细的航线规划和飞行参数设置，确保巡检模型的准确性和可靠性，提高复杂多变环境下高架桥铺面厘米级病害域采集的质量。

1.2　高架桥梁无人机巡检迹拼接处理

高架桥梁铺面复杂且长，无人机巡检通常会拍摄到大量的厘米级病害域数据，这些数据可能由于无人机的飞行路径和拍摄角度而呈现出一定的重叠或断裂。为了获得更完整、更连续的铺面病害信息，需要对这些厘米级病害域进行拼接处理^［9-10］，即利用SIFT算法提取高斯差分函数（Difference of Gaussians，DOG）厘米级病害域的极值点作为潜在的纹理对齐点候选^［11］。DOG方法确保了纹理对齐点的选择不受光照变化影响。SIFT算法具备尺度不变性、旋转不变性，能够找出厘米级病害域中的局部纹理对齐点，并对这些纹理对齐点进行描述，使其在不同的厘米级病害域中都能够得到一致的匹配，并且该算法对噪声和厘米级病害域模糊具有一定的抵抗能力，有助于增强厘米级病害域拼接的准确性。对于候选纹理对齐点，进一步通过拟合函数来精确描述：

Q\left(x\right)=Q+\frac{\lambda Q^{\mathrm{T}}}{\lambda x}+\frac{\mathrm{1}}{\mathrm{2}}{x}^{\mathrm{T}}\frac{{\lambda }^{\mathrm{2}}Q}{\lambda x^{\mathrm{2}}}x=Q+\frac{\lambda Q^{\mathrm{T}}}{\lambda x}+\frac{{\lambda }^{\mathrm{2}}Q}{\mathrm{2}\lambda x}（10）

求导得到极值点对应的极值为：

Q\left(\widehat{x}\right)=Q+\frac{\lambda Q^{\mathrm{T}}}{\mathrm{2}\lambda x}\widehat{x}（11）

获取纹理对齐点的Hessian矩阵为：

I=\left[\begin{array}{l}{Q}_{xx}{Q}_{xy}\\ Q_{xy}{Q}_{yy}\end{array}\right]（12）

在后期匹配阶段，通过调整所有厘米级病害域至主方向角度，以增强缩放不变性。主方向确定基于纹理对齐点邻域内点的梯度统计，其中梯度大小作为权重，各点贡献遵循高斯分布，从而计算出围绕纹理对齐点K(x,y)的主导梯度方向。

\varsigma (x,y)=\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{t}\mathrm{a}\mathrm{n}\left(\frac{K(x,y+\mathrm{1})-K(x,y-\mathrm{1})}{K(x+\mathrm{1},y)-K(x-\mathrm{1},y)}\right)（13）

纹理对齐点周围的点M(x,y)的梯度大小u(x,y)可表示为

\begin{array}{l}u(x,y)=\\ \sqrt[]{[M(x+\mathrm{1},y]-M{[x-\mathrm{1},y)]}^{\mathrm{2}}+[M(x,y+\mathrm{1})-M{(x,y-\mathrm{1})]}^{\mathrm{2}}}\end{array}（14）

水平方向以10度为1区间，共36个区间，则纹理对齐点周围点M(x,y)的梯度方向\varphi \left(x,y\right)可进一步表示为：

\varphi \left(x,y\right)=[(\varsigma (x,y)+\mathrm{\pi })\mathrm{\%}\mathrm{2}\mathrm{\pi }]\times \mathrm{36}（15）

式中：%为取余运算。

厘米级病害域旋转至主方向后，进入匹配阶段。首先，根据缩放比例\omega设定纹理对齐点的影响区域，并在此区域内对点进行旋转和缩放调整，使之对齐于标准框架。接着，计算这些点(x_{\mathrm{r}},y_{\mathrm{r}})的梯度方向\varphi \text{'}-\varphi，并分配到八个方向段中，得到定位方向{\varphi }_{\mathrm{r}}。利用高斯函数\mu (x_{\mathrm{r}},y)对梯度值u\text{'}进行加权，得到u\text{'}\times \mu (x_{\mathrm{r}},y)，累积形成纹理对齐度描述符DF(x_{\mathrm{r}},y_{\mathrm{r}},{\varphi }_{\mathrm{r}})。完成所有纹理对齐点(x,y,\omega ,\varphi ,u,DF)的描述符构建后，通过纹理对齐度匹配技术比对描述符，最后融合匹配结果以生成综合的厘米级病害域信息^［1，12］。

加权平滑融合算法在拼接接缝处具有较好的视觉感观，因此采用加权平滑融合算法对无人机巡检迹进行融合处理。根据每一幅厘米级病害域所占权重，进行相加后再做平均值，使重合区域的像素值得到平滑过渡，如式（16）所示：

s(x,y)=\left\{\begin{array}{l}{s}_{\mathrm{1}}(x,y)(x,y)\in s_{\mathrm{1}}\\ \varpi s_{\mathrm{1}}(x,y)+{\varpi }_{\mathrm{2}}{s}_{\mathrm{2}}(x,y)(x,y)\in s_{\mathrm{1}}\bigcap s_{\mathrm{2}}\\ s_{\mathrm{2}}(xy)(x,y)\in s_{\mathrm{2}}\end{array}\right.（16）

式中：s_{\mathrm{1}}(x,y)和s_{\mathrm{2}}(x,y)分别表示两幅单张待拼接的厘米级病害域；s(x,y)表示厘米级病害域拼接结果；{\varpi }_{\mathrm{1}}和{\varpi }_{\mathrm{2}}均表示权值，并且{\varpi }_{\mathrm{1}}+{\varpi }_{\mathrm{2}}=\mathrm{1}。在计算过程中，{\varpi }_{\mathrm{1}}由1逐渐变为0，{\varpi }_{\mathrm{2}}由0逐渐变为1，从而实现无人机巡检迹之间的平滑过渡，完成厘米级病害域拼接。

1.3　基于FCM的桥梁铺面厘米级病害域分割

基于厘米级病害域的拼接处理，获得完整厘米级病害域后，病害纹理对齐度显著增强。对高架桥梁铺面病害进行识别，需对拼接处理后的厘米级病害域分割，其核心目标在于将厘米级病害域内容精准地区分为病害区域与正常（或无损）区域。采用FCM算法进行这一处理^［13］。利用模糊C均值聚类技术，对高架桥梁铺面的厘米级病害域数据进行深度分析与区分，旨在将厘米级病害域中的像素点依据其颜色、纹理或其他纹理对齐度属性，自动地划分为两个主要类别：病害纹理对齐度显著的区域和无明显病害的正常铺面区域。

FCM算法通过迭代调整每个像素点的模糊隶属度（即它们对各病害与正常铺面聚类中心的归属概率），实现精细的厘米级病害域分割。该算法基于像素与预设的c个聚类中心之间的加权相似性，不断迭代优化一个目标函数，

当目标函数的值达到最小时，意味着算法已经找到了当前条件下最优的像素分类方案（即病害区域与正常铺面得到了最清晰的划分），从而准确区分病害区域与正常铺面，提升病害识别的精确性。

设定从拼接处理后的无人机巡检迹中提取的像素块，作为聚类样本集合E=\left\{e_{\mathrm{1}},e_{\mathrm{2}},e_{\mathrm{3}},\cdots ,e_n\right\}，n是聚类空间的样本个数，即像素块总数；D=\left\{d_{\mathrm{1}},d_{\mathrm{2}},d_{\mathrm{3}},\cdots ,d_c\right\}是c个聚类中心的集合，即病害种类加正常铺面的类别总数。如果识别3种病害和正常铺面，则c=\mathrm{4}。目标函数可定义为

O(P,D)={{\displaystyle \sum _i^c}{\displaystyle \sum _k^n}(p_{ik}{)}^{\psi }‖e_k-d_i‖}^{\mathrm{2}}（17）

式中：‖e_k-d_i‖表示e_k与d_i之间的归一化距离；P=\left[p_{ik}\right]表示c\times n维的矩阵；p_{ik}表示第k样本对i个病害类别（或正常铺面类别）的隶属度值。上式成立需满足条件：{\displaystyle \sum _i^c}(p_{ik})=\mathrm{1}，\mathrm{0}\le p_{ik}\le \mathrm{1}，i=\mathrm{1,2},\mathrm{3},\cdots ,c，k=\mathrm{1,2},\mathrm{3},\cdots ,n。

FCM算法实现的步骤如下：

（1） 利用随机数生成方法，在满足特定聚类数目c、加权指数\psi和迭代截止误差\theta \mathrm{0}的约束下，初始化一个隶属度矩阵P^{(\mathrm{1})}，作为初始化聚类中心。该矩阵为后续模糊聚类算法的迭代过程提供起点。

（2） 根据当前的隶属度矩阵P^{(t)}和像素数据X，计算新的聚类中心D^{t+\mathrm{1}}。每个聚类中心d_i代表一种病害或正常铺面的纹理对齐度，是对应类别中所有像素或像素块纹理对齐度的加权平均，权重由隶属度p_{ik}决定：

{d_i}^{t+\mathrm{1}}=\frac{{\displaystyle \sum _k^n}{\left(p_{ik}\right)}^t{x}_k}{{\displaystyle \sum _k^n}{\left(p_{ik}\right)}^t}（18）

（3） 更新隶属度矩阵。使用新的聚类中心D^{t+\mathrm{1}}更新隶属度矩阵P^{(t+\mathrm{1})}。每个像素x_j对每个聚类中心d_i的隶属度{p_{ij}}^{(t+\mathrm{1})}根据其与各聚类中心的距离‖e_j-d_i‖和隶属度（通过加权指数\psi控制）总和为1的约束条件计算。

{p_{ik}}^{t+\mathrm{1}}={\left(\frac{{‖e_k-d_i‖}^{t+\mathrm{1}}}{{\displaystyle \sum _{b=\mathrm{1}}^c}{‖e_k-d_b‖}^{t+\mathrm{1}}}\right)}^{-\frac{\mathrm{2}}{\psi -\mathrm{1}}}（19）

式中：‖e_k-v_i‖为第k个样本到第i个病害类别的距离，用来表征数据点与聚类中心的相似度量；b是一个临时索引，用于遍历所有聚类中心。

（4） 收敛检查，输出结果。重复步骤（2）和（3），比较新的隶属度矩阵D^{(t)}和上一次的D^{(t-\mathrm{1})}，直至‖D^{(t)}-D^{(t-\mathrm{1})}‖\theta，则认为算法已经收敛，停止迭代，输出最终的聚类中心和隶属度矩阵。

使用最终的隶属度矩阵对厘米级病害域进行分割，将每个样本（即厘米级病害域中的每个小区域）归类到其隶属度最高的聚类中心所对应的病害类别（或正常铺面类别）。然后根据分类结果，将原始巡检厘米级病害域分割为不同的病害区域和正常铺面区域，生成病害识别与分割图，以便于后续的分析和识别。

经过FCM分割后的厘米级病害域，虽然已经初步区分了不同区域，但还需要进一步识别出高架桥梁铺面的具体病害类型及其分布情况。Faster R-CNN是一种基于CNN的目标检测算法^［14］。通过ResNet提取到厘米级病害域纹理对齐度后，利用Faster R-CNN算法进行目标检测，流程如图2所示。

Faster R-CNN通过区域候选网络（Region Proposal Network，RPN）快速生成候选区域，再由Fast R-CNN进行精确的检测。在纹理对齐的基础上滑动一个小窗口，并为每个位置生成多个候选区域。然后，RPN会对这些候选区域进行二分类（前景/背景）和边框回归，以筛选出可能包含目标的候选窗口。对于RPN筛选出的候选窗口，Fast R-CNN会进一步进行分类（确定具体病害类型）和边框回归，以精确调整窗口的位置和大小，并给出分类的置信度。最终，Faster R-CNN会在处理后的厘米级病害域上绘制矩形框，以明确标识出检测到的具体病害种类（如裂缝、坑槽），并给出每个病害的分类置信度。这样，不仅实现了病害的自动识别，还提供了病害位置和区域大小的直观展示。

2 实验结果与分析

实验使用大疆精灵4RTK无人机巡检某城市主干线高架桥的铺面，全长约2.1 km，为双向4~6车道，因其位于城市繁华地带，交通流量大，车辆荷载重，容易出现各种铺面病害，如裂缝、坑槽、车辙等。某市高架桥部分航拍图像如图3所示。

无人机具备厘米级定位、航线规划便捷、便携单人操作等优势，续航时间为25~30 min。为避免风向风力对无人机的影响，在无人机上安装FT-F1风速风向仪，该风速风向仪可以实时监测飞行过程中的风况变化，并自动调整飞行姿态和航线，以减少风力对飞行稳定性的影响。无人机搭载了型号为FC6310R的单镜头相机。实验参数设置如表1所示。

无人机对高架桥梁进行巡检，选择在阳光影响小的时段（9：00—11：00），避免强烈阳光的眩光对病害域造成噪声或模糊的影响。进行高精度摄影测量。无人机以5 m/s速度环绕高架桥梁飞行，相对高度50 m，确保70%重叠率拍摄，采用全方位环绕飞行，六次飞行共耗时3 h，捕获了1 400张桥梁高清照片，全面记录桥梁状况。将1 400张桥梁照片按照8∶1∶1的比例划分为训练集、验证集和测试集，即训练集为1 120张厘米级病害域，验证集为140张厘米级病害域，测试集为140张厘米级病害域。同时，地面团队同步进行详尽的桥梁测量与巡检作业，细致量测并记录潜在的铺面病害情况，以此作为验证标准，确保病害识别结果的准确性。无人机部分巡检厘米级病害域如图4所示。

高架桥梁铺面面临多样复杂病害，如裂缝、坑槽、车辙、桥面防水层缺损等。本文实验首先重点通过探索裂缝与坑槽这两种典型病害的识别效果，来验证本文方法的有效性。由于无人机拍摄的厘米级病害域可能存在重叠和不连续的情况，需要对这些厘米级病害域进行拼接处理。采用SIFT算法、DOG方法和加权平滑融合算法进行厘米级病害域拼接，提取厘米级病害域中的纹理对齐点，通过匹配纹理对齐点来确定厘米级病害域之间的相对位置关系，然后进行厘米级病害域融合和拼接，得到完整、连续的铺面厘米级病害域。将拼接后的厘米级病害域进行归一化处理，将像素值映射到［0，1］区间，以提高分割效果。坑槽病害原始图像数据的拼接处理、聚类分割、识别结果如图5所示。

实验结果如图5所示，本文方法通过厘米级病害域融合拼接处理、FCM聚类分割等数据处理过程，提升了原图的像素质量，使两张重叠和不连续的相同坑槽图像合并且更加清晰，原始厘米级病害域尺寸为4 096×3 072像素，拼接后的厘米级病害域尺寸为8 000×6 000像素，得到了良好的识别对象数据，因此在后续识别铺面坑槽时，展现出卓越的区分能力。图5（d）中，红色检测框所框区域为方法识别的病害区域，蓝色标记为识别区域的病害类型及置信度（高架桥梁铺面病害识别的置信度，是衡量方法识别结果可靠性的重要指标之一，是方法对识别铺面病害结果的确信程度）。识别结果为Pothole（坑槽），置信度为0.979，这意味着，即便原始厘米级病害域中混杂了疑似病害的干扰区域，本文方法依然能够精确无误地辨识出真正的坑槽病害，确保最终识别结果既准确又无虚警情况发生。

实验结果表明，本文方法不仅能够有效识别明显的坑槽病害，还具有对于高架桥梁铺面存在的细微病害纹理对齐度的捕捉能力。即使是裂缝病害中宽度较小的细微裂缝，且颜色与周围铺面相近，色差很小，本文方法也能精准无误地识别出图6中病害类型为tran的横向裂缝，且同样获取可观的置信度（0.966）。这说明本文方法在识别多种不同类型的病害时均展现出卓越的性能，每种病害均被准确无误地识别出来，并且伴随着高度的置信度。算法生成的检测框紧密贴合病害的实际区域，几乎无偏差。

测试本文方法对桥面防水层缺损病害图像的FCM聚类分割效果，如图7所示。

由图7可知，本文方法除了不仅能够有效识别裂缝、铺面坑槽与车辙病害，还可以准确捕捉和分割图像中的桥面防水层缺损病害。部分破损病害的颜色与周围铺面相近，但FCM聚类分割方法也能完整分割出背景图像中的破损目标。

为进一步验证本文Faster R-CNN检测模型在独立测试集上的泛化能力与识别精度，从经本文方法识别的高架桥梁铺面病害样本中，挑选出测试样本，裂缝、坑槽、破损与背景各100张，共400张，评估模型性能。评估指标包括每类AP、召回率和F1分数。使用训练好的Faster R-CNN模型对测试集进行推理，设定置信度阈值为0.5，非极大值抑制（NMS）阈值为0.3。测试集识别结果统计如表2所示。

如表2所示，本文Faster R-CNN模型在测试集上整体表现优异，mAP达到92.2%，表明本文方法具备较强的病害识别能力；其中，坑槽和正常铺面的识别性能最佳，归因于其形态特征明显，易于区分；裂缝类虽具有一定误差，但仍取得91.2%的AP，说明FCM分割有效增强了纹理对齐度的提取；所有类别的F1分数均高于0.81，表明模型在测试集验证的精确率与召回率之间取得了良好平衡，具备较高的实用价值。

将测试样本与人工定性后的病害样本进行对比验证，结果如表3所示。

实验结果表明，裂缝和坑槽病害由于其在铺面上的纹理对齐度显著，如线性开裂和明显凹陷，使得这两种病害的识别正确率较高。相比之下，缺损病害因其可能表现为铺面材料的细微脱落、磨损等不易察觉的纹理对齐度，导致在视觉识别上较为困难，从而识别正确率相对较低。尽管如此，测试样本的整体识别正确率达到了93.25%，这充分说明了本文所采用的识别方法在整体上能够有效地检测出高架桥梁铺面的主要病害，包括裂缝、坑槽以及缺损等，体现了较高的识别准确性。

3 结 语

高架桥梁铺面病害采集图像存在病害域重叠、断裂问题，难以区分病害区域与正常区域，易混淆识别目标。为了获取完整、连续、特征显著的铺面病害域，准确识别出高架桥梁铺面的病害类型，本文研究了基于无人机巡检迹与模糊C均值（FCM）分割技术的高架桥梁铺面病害识别方法。通过构建无人机巡检模型，获取高质量的厘米级病害域；对采集到的厘米级病害域进行拼接处理，解决病害域重叠、断裂问题，通过分割处理突出铺面病害域目标，以识别病害类型。未来可以将本文方法集成到智能交通系统中，实现对桥梁铺面的实时监测，有助于提高交通系统的安全性和运维效率。

参考文献

[1] 冯东明，余星宇，黎剑安，基于无人机的悬索桥主缆自动巡检及小样本表观病害识别［J］.中国公路学报，2024，37（2）：29-39.

[2] FENG Dongming，YU Xingyu，LI Jian'an，et al.Automatic inspection of main cables of suspension bridge based on UAV and apparent defect identification with small-sized samples［J］.China Journal of Highway and Transport，2024，37（2）： 29-39.（in Chinese）

[3] DJENOURI Y，BELHADI A.HOUSSEIN E H，et al.Intelligent graph convolutional neural network for road crack detection［J］.IEEE Transactions on Intelligent Transportation Systems，2023，24（8）：8475-8482.

[4] ALAMDARI A G，EBRAHIMKHANLOU A.A multi-scale robotic approach for precise crack measurement in concrete structures［J］.Automation in Construction，2024，158（2）：105215.1-105215.12.

[5] 王桂平，陈旺桥，杨建喜，基于迁移学习的桥梁表观病害检测技术研究［J］.铁道科学与工程学报，2022，19（6）：1638-1646.

[6] WANG Guiping，CHEN Wangqiao，YANG Jianxi，et al.Research on bridge surface disease detection technology based on transfer learning［J］.Journal of Railway Science and Engineering，2022，19（6）：1638-1646.（in Chinese）

[7] 彭雨诺，刘敏，万智，基于改进YOLO的双网络桥梁表观病害快速检测算法［J］.自动化学报，2022，48（4）：1018-1032.

[8] PENG Yunuo，LIU Min，WAN Zhi，et al.A fast detection algorithm for apparent diseases of dual network bridges based on improved YOLO［J］.Journal of Automation，2022，48（4）：1018-1032.（in Chinese）

[9] 鲜荣，刘天成，朱超，基于YOLOv5和DeepLabv3+的桥梁结构病害智能识别技术［J］.公路，2023，68（12）：368-374.

[10] XIAN Rong，LIU Tiancheng，ZHU Chao，et al.Intelligent recognition technology for bridge structural diseases based on YOLOv5 and DeepLabv3+［J］.Highway，2023，68（12）：368-374.（in Chinese）

[11] 余加勇，李锋，薛现凯，基于无人机及Mask R-CNN的桥梁结构裂缝智能识别［J］.中国公路学报，2021，34（12）：80-90.

[12] YU Jiayong，LI Feng，XUE Xiankai，et al.Intelligent identification of cracks in bridge structures based on drones and Mask R-CNN［J］.Chinese Journal of Highways，2021，34（12）：80-90.（in Chinese）

[13] 袁依文，雷斌.无人机视觉技术在道路裂缝分类中的应用［J］.机械设计与制造，2022（5）：235-239.

[14] YUAN Yiwen，LEI Bin.Application of UAV vision technology in road crack classification［J］.Mechanical Design and Manufacturing，2022（5）：235-239.（in Chinese）

[15] 张瑞，袁博，杨明，基于深度学习LoFTR算法的路面图像拼接［J］.计算机系统应用，2023，32（2）：170-180.

[16] ZHANG Rui，YUAN Bo，YANG Ming，et al.Road image stitching based on deep learning LoFTR algorithm［J］.Computer System Applications，2023，32（2）：170-180.（in Chinese）

[17] 王耀东，朱力强，余祖俊，基于样本自动标注的隧道裂缝病害智能识别［J］.西南交通大学学报，2023，58（5）：1001-1008，1036.

[18] WANG Yaodong，ZHU Liqiang，YU Zujun，et al.Intelligent recognition of tunnel crack diseases based on sample automatic annotation［J］.Journal of Southwest Jiaotong University，2023，58（5）：1001-1008，1036.（in Chinese）

[19] 薛冕，刘翔，石蕴玉，抑制光照不均匀影响的图像特征点提取算法［J］.计算机工程与应用，2021，57（4）：183-191.

[20] XUE Mian，LIU Xiang，SHI Yunyu，et al.Image feature point extraction algorithm for suppressing the influence of uneven lighting［J］.Computer Engineering and Applications，2021，57（4）：183-191.（in Chinese）

[21] 徐少平，林珍玉，张贵珍，采用深度学习与图像融合混合实现策略的低照度图像增强算法［J］.电子学报，2021，49（1）：72-76.

[22] XU Shaoping，LIN Zhenyu，ZHANG Guizhen，et al.Low light image enhancement algorithm using a hybrid implementation strategy of deep learning and image fusion［J］.Acta Sinica，2021，49（1）：72-76.（in Chinese）

[23] 王雷，刘小芳，赵良军，基于改进FCM算法的遥感影像滑坡变化检测方法［J］.计算机仿真，2021，38（10）：435-441.

[24] WANG Lei，LIU Xiaofang，ZHAO Liangjun，et al.Remote sensing image landslide change detection method based on improved FCM algorithm［J］.Computer Simulation，2021，38（10）：435-441.（in Chinese）

[25] 晏班夫，徐观亚，栾健，基于Faster R-CNN与形态法的路面病害识别［J］.中国公路学报，2021，34（9）：181-193.

[26] YAN Banfu，XU Guanya，LUAN Jian，et al.Road surface disease recognition based on faster R-CNN and morphology method［J］.Chinese Journal of Highways，2021，34（9）：181-193.（in Chinese）