桥梁变形监测可以分为接触式和非接触式两类。接触式监测方法是在桥梁结构有限的测点上布置传感器获得结构响应开展桥梁安全状态评价。局部测点响应很难准确反映出整个结构的安全状态^[1]。因此常规桥梁健康监测方法面临测试数据不完备导致结构安全状态评价困难的问题^[2]。

非接触式监测方法是通过非接触式监测设备在桥梁周边对结构进行变形监测的方法^[3-4]。目前在桥梁健康监测领域最具代表性的非接触式桥梁变形监测方法就是机器视觉测量法。通过数字相机对结构进行拍摄得到桥梁关键点位的图像数据，分析关键点位图像的特征变化从而实现结构变形监测。相较传统的单点监测而言，机器视觉测量法具有经济、高效的突出优势。Feng^[5]对基于机器视觉技术的桥梁位移监测方法进行总结，对比机器视觉方法与常规方法的优势，提出未来机器视觉监测桥梁变形的发展趋势。Xu等^[6]总结了机器视觉方法在桥梁变形监测中的应用步骤，给出了机器视觉在桥梁位移测量中的工程案例。Spencer等^[7]对机器视觉桥梁监测应用现状进行综述。他指出深度学习在桥梁机器视觉监测技术领域中已经形成新的方向，在桥梁静态和动态位移监测中有广泛的应用前景。Lee等^[8]通过一种自我运动补偿算法对机器视觉桥梁监测系统进行标定，解决了机器视觉方法在桥梁健康监测中数据漂移的问题。Ngeljaratan等^[9]通过数字图像相关方法(Digital Image Correlation, DIC)对桥梁振动台试验进行监测，获得了不同振动峰值下的桥梁固有频率、阻尼比和模态形状。Meng等^[10]针对桥梁地域环境复杂导致摄影测量相机在倾斜条件下监测的问题，提出在测量相机上装备倾斜补偿装置来消除倾角对监测结果的影响。Dong等^[11]提出将全场光流法和深度学习进行结合，使得位移监测结果相较传统光流算法具有更高的精度。Chen等^[12]将无人机与数字图像相关技术相结合，提出一种基于机器视觉的桥梁模型振动测量方法。该方法利用数字图像相关方法跟踪桥上测量点的位移，获取位移时程的频率和振型，验证了无人机在桥梁振动测量中的可行性。Tian等^[13]提出了一种基于无人机与机器视觉技术的缆索索力估计方法。试验证明，采用该技术计算的索力与附加加速度计和固定摄像机测得的参考值吻合较好，验证了所提索力估算方法的正确性和鲁棒性。

现有研究成果及工程应用案例表明，目前的机器视觉测量法需要在结构的关键部位布置标靶点，因此目前机器视觉测量方法仍然针对桥梁结构的局部区域，测试数据不完备的问题并没有根本解决。绝大部分研究集中于发挥机器视觉经济、高效、非接触的优势，而图像对结构完整形态量化分析的优势还有待进一步挖掘。因此，本研究将机器视觉中的特征点提取方法与结构位移监测进行结合，提出一种结构连续线性监测方法。

桥梁结构表面具有丰富的自然纹理特征，可以利用机器视觉领域中的特征点提取方法获取桥梁结构表面的特征点，选取桥梁边缘特征点作为分析对象，分析桥梁边缘特征点的分布规律，提出桥梁边缘降噪方法，获取桥梁的连续边缘线形，得到桥梁边缘全息变形曲线。将机器视觉中的特征点提取方法与结构健康监测进行结合，可以充分发挥图像对结构形态的全场描述能力，可以获得结构的连续位移信息，使得后期结构安全状态评价在更丰富的监测数据中开展，相较于传统单点监测，具有经济、高效、数据完备的突出优势。

采用机器视觉中的特征点提取方法来生成结构表面的特征点，将这些特征点作为测点来开展结构变形监测。为验证这个方法，在实验室内设计和制作了一个试验梁。本次试验采用的试验梁总长为7 160 mm，计算跨径为7 000 mm，总高770 mm。其中钢桁高630 mm，钢桁顶板宽300 mm，钢桁底板宽330 mm，钢桁板件厚为6，8，10 mm。试验梁的构造和实物如图 1所示，试验梁所用材料见表 1。

图 1 试验梁构造图(单位：mm) Fig. 1 Structure drawing of test beam (unit: mm)

图选项

监测相机的选取根据测量精度、视场角、焦距等方面进行综合分析，选用富士GFX 100普通民用相机。根据实际摄影距离选取合适焦距的镜头，相机和镜头技术参数见表 2所示。

试验过程中相机距试验梁中心9 m，试验过程监测相机位置固定不动。在试验梁下缘13个节点板下部布置百分表对试验结果进行验证。

试验梁加载点位于试件跨中，通过油压千斤顶实施加载，如图 2所示。以100 kN为增量从0 kN加载到400 kN。每级荷载加载完成后持荷一段时间进行试验梁图像数据和验证数据的采集。试验梁的加载制度如图 3所示。

图 2 试验梁加载点 Fig. 2 Loading point of test beam

图选项

图 3 加载方案 Fig. 3 Loading scheme

图选项

试验梁上有结构的自然纹理特征，通过机器视觉方法对提取这些特征可以形成覆盖结构表面的测点。目前机器视觉领域中应用较为成熟的是图像尺度不变特征变换(Scale-Invariant Feature Transform, SIFT)算法^[14-17]，该算法可以在图像的尺度空间内通过对图像灰度差分的方法提取结构表面自然纹理部位的极值点，称为特征点。获得的特征点具有尺度、位置和方向不变的特征。可以通过SIFT算法提取试验梁表面的特征点，然后保留试验梁边缘位置的特征点，使其构成试验梁在荷载作用下的连续线形。

桥梁的真实环境导致图像存在噪声，图像噪声的强弱会直接影响结构特征的提取结果。真实环境中图像特征信号中噪声成分过高，会导致边缘不连续^[18]。边缘不连续在成像质量上主要呈现4种形态：膨胀、腐蚀、开启和闭合，灰度形态学就是针对上述4种形态进行处理^[18]。由于光场环境不理想导致桥梁图像噪声与边缘混叠，进而边缘无法精准定位，最终的边缘位置只能由梯度变化率决定，这就导致桥梁图像边缘会存在部分边界点突出于主体边界之外，此时腐蚀运算可以消除这种边界点，使边界向结构真实边缘收缩。另一方面，前述滤波过程会导致结构边缘形成断点，膨胀运算可以将结构边界向外部扩张，实现边缘断点的回归。膨胀运算和腐蚀运算是形态学最重要的两种图像边界处理方法，也是实现结构提取边缘向实际边缘集中和边缘断点回归的重要手段。

采用灰度形态学中的膨胀和腐蚀运算对试验梁图像特征不连续问题进行处理^[19]分别用f (x, y)和b (i, j)表示形态学中的目标函数和结构元素，函数中的(x, y)为图像中像素点的坐标，D_f和D_b为f和b的定义域。膨胀、腐蚀运算如式(1)~(2)^[20]所示。

(1) 腐蚀定义：

(1)

(2) 膨胀定义：

(2)

单独采用腐蚀、膨胀运算得到的图像边缘比较生硬，缺乏结构原有的曲率^[21]，且实际图像处理中，桥梁图像边缘噪声构成复杂，因此需要将腐蚀运算和膨胀运算进行结合。为消除结构边缘外部离散点、平滑结构边缘，采用先腐蚀后膨胀的过程来进行边缘处理；针对边缘存在不连续断点的问题，采用先膨胀后腐蚀的处理过程来自然连接边缘断点的同时保证边缘分布不向外扩张。形态学上将先腐蚀后膨胀的过程成为开运算如式(3)所示，先膨胀后腐蚀的过程成为闭运算如式(4)所示。开运算适用于处理桥梁图像边缘周边的离散孤点，连接边缘的刺点，达到平滑结构边缘的目的；闭运算适用于连接桥梁图像边缘的断点，孔洞，达到抑制图像噪声的目的。上述形态学基本运算示意如图 4所示。

(3)

(4)

图 4 开运算与闭运算示意图 Fig. 4 Schematic diagrams of open and close operation

图选项

将图 5中获取的试验梁特征点按上述方法进行灰度形态学运算，得到处理前后的试验梁特征图像对比如图 5所示。由图 5可知，采用灰度形态学基本运算处理后的试验梁图像特征点更多，特征点组成的线形更加连续，以这些特征点组成的测点就更加密集。

图 5 处理前后试验梁局部对比 Fig. 5 Local comparison of test beams before and after processing

图选项

组成图 5中结构主体形态的是图像的像素，要从像素的平面位移中获得结构的实测位移量，需要进一步建立起像素坐标与实际测量物理坐标之间的映射关系^[21]。可以通过标定像素的尺寸来实现像素坐标系向测量坐标系之间的转化。

图像本质是一种像素阵列，如图 6所示。结构发生变形时，在图像上就体现为变形部位覆盖像素的位置发生变化。在相同的拍摄环境下，变形多大能够引起像素位置发生改变就成了桥梁图像变形监测的分辨率问题。理论上，变形值要大于像素的图像尺寸，才能够被桥梁结构变形监测方法识别到。另一方面，可以通过该分辨率将桥梁图像的像素尺寸向变形监测尺寸进行换算，进而在结构发生变形时通过像素位差获取结构的实测变形值。

图 6 监测分辨率计算方法 Fig. 6 Calculation method for monitoring resolution

图选项

本次试验通过如下方法对监测分辨率进行标定，试验梁的每一根竖腹杆中心都粘贴了沿竖腹杆长度方向的标定线。由图 6可知该标定线在图像上就是由若干个整齐排布的像素组成的。每一根标定线都经过测量，因此可以统计每根标定线覆盖像素的个数，来计算单位像素的物理尺寸，也就是本次试验的监测分辨率，其标定方法如图 6所示。监测分辨率计算如表 3所示。

试验梁的下缘布置有百分表，因此选取试验梁的下边缘作为线形提取位置。只保留试验梁下边缘的特征点，如图 7边缘线形提取位置所示。

图 7 试验梁边缘线形提取位置 Fig. 7 Line-shape extraction position on test beam edge

图选项

以试验梁下部边缘第1个特征点的坐标为坐标原点，提取的试验梁下部边缘特征点的像素坐标，按照前文监测分辨率标定结果可以将边缘特征点像素坐标转化为试验梁的监测物理坐标。0~400 kN荷载作用下试验梁底部边缘线形提取结果如图 8所示。

图 8 试验梁边缘线形提取 Fig. 8 Line-shape extraction on test beam edge

图选项

由图 8可知，结构下缘线形受图像噪声影响呈现小幅值震荡。原因在于：受实验室光场环境影响，试验梁图像难以避免出现噪声与边缘特征混叠，最终边缘特征点无法准确定位，只能确定在实际线形的周边。因此需要进一步对试验梁边缘降噪方法展开研究。

研究发现，因为试验室条线下光场环境变化不明显，图像噪声分布具有相似性，使得不同荷载作用下提取的试验梁下缘线形的波动具有一致性，不同荷载作用下边缘线形上波动的波峰与波谷位置基本一致，如图 9所示。因此可以将结构变形线形扣除初始线形来降低噪声的影响。将提取的各荷载作用下结构边缘线减去0 kN作用下的初始边缘线，得到试验梁连续挠度曲线与百分表实测值对比如图 10所示。

图 9 边缘震荡相似性 Fig. 9 Edge oscillation similarity

图选项

图 10 结构连续挠度曲线 Fig. 10 Continuous deflection curves of structure

图选项

由图 10可知，扣除初始线形后，各荷载条线下试验梁的挠度曲线噪声明显降低，曲线连续且平滑。并且结构连续挠度曲线反映出了试验梁底部边缘在荷载作用下的变形特征，与常规单点监测拟合曲线不同。连续挠度曲线显示出试验梁在荷载作用下挠度最大值出现在跨中靠右的区域，完整地反映出了结构的变形信息。结构的连续挠度曲线将单点监测数据扩展至结构的连续线形，更加直观完整地反映了结构的变形特征。

100~400 kN荷载作用下百分表位置处的边缘挠度值与百分表实测值进行对比，结果见表 4。由表 4可知，结构边缘挠度最大误差4.92%，平均误差为2.09%，证明提取的结构挠度与实际变形一致。

本研究提出了一种桥梁结构图像边缘连续线线形监测方法，通过试验梁受载试验对方法进行了验证。得到主要结论如下。

(1) 结构表面具有丰富的自然纹理特征，可通过图像尺度不变特征变换(SIFT)算法提取结构表面的自然纹理特征，构成结构边缘线形提取的点源数据。

(2) 研究发现SIFT算法提取的结构表面特征点存在缺失和不连续的问题。可以采用灰度形态学理论来平滑结构特征点，恢复特征断点。验证结果表明通过形态学运算后，试验梁结构特征点的不连续和断点问题得到明显改善。

(3) 提取试验梁底部边缘线形进行分析，研究发现受环境噪声影响，试验梁边缘线形呈现小幅值震荡，不同荷载作用下的结构边缘具有相似的震荡规律。可以通过边缘线形叠差算法消除边缘震荡。

(4) 与百分表实测值对比验证表明，提取的结构边缘全息挠度最大误差4.92%，平均误差为2.09%，提取的结构挠度与实际变形一致。结构图像边缘连续线形监测方法将单点监测扩展至连续线形监测，监测数据能够更全面地反映结构变形状态，显著提升了监测数据的完备性。

研究成果有望解决测试数据不完备带来结构安全状态评价困难的问题。本次研究主要以试验梁为研究对象，验证方法的可行性。实际桥梁环境较实验室复杂，可以预见，实际桥梁的图像噪声更加明显，特征点提取更加困难，结构连续线形监测精度降低的问题会随之出现。因此，实际工程应用中的图像降噪问题还需进一步研究，也是笔者后续工作的主要内容之一。