基于新型YOLOv8图像识别算法与声呐技术的智慧涉水桥梁多栖巡检设备

摘要：当前我国桥梁巡检领域仍存在病害多发、巡检工作综合效率底下等问题。基于此，本项目创新研发了基于新一代YOLOv8图像识别算法、声呐成像三维重构技术和“慧眼”分布式桥梁环境感知技术的巡检多终端，智慧多栖桥梁巡检设备与固定传感设备，构建“固定＋移动”全新桥梁巡检方案，实现水上水下多要素、全方位一站式巡检。提升涉水桥梁的综合巡检能力，保障重大基础设施安全，为道桥运维工作提供全新智慧化解决方案。

关键词：智慧巡检、设备、图像识别、涉水桥梁

一．项目背景与研究现状

我国桥梁里程长，截至2022年末全国公路桥梁103.32万座、8576.49万延米，其中特大桥8816座、1621.44万延米。作为交通要道，桥梁桥墩的质量关系到桥梁的安全运营。运营期间，桥梁结构病害逐年累积，裂缝，蜂窝面、掉块导致钢筋外露而被进一步腐蚀、变形等隐蔽缺陷日益增多且不易探查。在桥梁巡检领域，目前以人力为主，检测设备功能单一。对于大型桥梁的桥梁底板、高塔柱等，常规的桥梁巡检方式难以兼顾，桥梁墩柱水下部分的巡检工作依旧由巡检人员下潜完成，人工水下作业的时长受限以及桩墩周边漩涡威胁潜水员安全。由此，传统巡检精度低，效率低，受环境限制大，桥梁结构病害难以得到及时的发现与处理，巡检数据难以保存和调用，运维困难。并且适用于桥底和水下墩柱的巡检设备仍不完善，无法满足水面水下全方位统一巡检。国务院与交通运输部在重大战略文件中均指出，要全面加强桥梁工程安全管理，有效防控重大安全风险，强化重大基础设施安全保障体系建设，为本项目研发提供了政策支持。

综合考虑当前桥梁巡检领域所存在的问题，本项目旨在设计一种高精度、智慧化巡检方案。通过新一代YOLOv8图像识别算法、声呐成像及其三维重构技术和“慧眼”桥梁环境感知技术提升桥梁巡检精度，创新性设计水陆双栖巡检设备，搭配固定高精传感集成设备，构建全新桥梁巡检方案，实现水上水下多要素、全方位一站式巡检。提高巡检精度的同时提高效率。响应国家对桥梁安全管理的政策，提高桥梁智慧巡检领域综合水平，提升桥梁工程项目信息化、智能化和精细化管理水平。弥补人工巡检力量不足的短板，强化桥梁安全监管专业能力，推动交通基础设施智慧化运维。

目前的巡检设备均需要人工控制，智能化程度低，对人工依赖性高。并且巡检机器人设备少，功能单一且相对独立，既无法应对病害、水流流速等多种要素的一次性检测，也无法实现一台设备对桥面、桥底，桥墩等的多维检测，检测效率低下。且缺乏巡检数据统一管理，可视化程度低，数据调用困难。总的来说，在桥梁巡检领域，尤其是涉水桥梁水下墩柱的巡检，尚处于探索研究、逐步规范阶段。缺乏功能完善，自动化程度高的智慧化巡检设备，给桥梁智慧巡检研发提出了更高的要求。

二．技术路线与技术说明

1. 技术路线

本项目按照“巡检需求-技术配置-关键技术开发-系统集成-协同控制”的总体思路，以病害信息采集为研究对象，以新型YOLOv8图像识别算法、声呐成像及其三维重构技术和作为底层技术，研发了水陆双栖巡检设备和高精传感集成设备。在病害数据采集层面，确定巡检设备水路双栖的流线型、耐压仓机械结构，创新性采用相机+声呐成像技术双重检测方案，搭配高精固定传感设备，相机主要作为桥面损伤的数据采集工具，声呐技术弥补相机在水下受限大的短板，固定传感设备一次性采集多种环境参数，提升整体的巡检质量。并对在病害数据处理层面，将声呐二维图像进行三维重构，获得病害的三维图像，采用基于改进YOLOv8的轻量化建筑病害检测方法，结合裂缝映射等图像处理算法，显著提升巡检精度。最后基于机器学习达到病害自动识别，减少人工依赖，提升桥梁巡检智慧化，自主化。并实现病害在桥梁结构上的自动定位，将检测到的数据传入后端实时监测大屏，可视化强，可对病害发展进行追溯和趋势分析，进行统一管控，大大提高了管养工作效率。

2. 技术说明

（1）移动巡检设备的智慧控制方案

在移动设备底层控制部分，团队分析了设备特点，其硬件包含电机、云台、摄像、声呐等多个模块，因此需在确保性能的前提下，使电路板更简洁、紧凑，实现降低功耗、提升效率与稳定性，选择具备较强的计算能力和低功耗特性的芯片与开发板，在电机驱动应用中使用并联 MOSFET 的大电流设计，进一步提升主频，降低功耗。在电路与PCB设计方面，分区绘制电源管理、微控制器、信息采集模块和通信模块的电路原理图，并在考虑信号完整性、电磁兼容性和散热的基础上，完成PCB板的布局和设计。制作原型板并进行测试，根据测试结果调整电路设计，以确保其稳定可靠和高效节能。采用Moter-A电机通过改变电机两端的高低电频，使电机能够正转反转和制动，分别驱动水平推进器和履带，同时尾部安装升降舵，控制设备的深浅，使设备自如的穿梭于陆地与水下，实现水陆两栖一站式检测。在对设备的智慧化控制方案里，采用国产自主的北斗定位芯片，与微控制器连接，实现精准定位。规划全方位巡检路线，结合惯导标定与相机标定方法，实现设备自主循迹。开发路径规划、循迹控制等控制算法并开发控制软件确保机器人准确、高效地完成巡检任务。并编写接入固定高精传感集成设备数据的程序，进行预处理和分析，为决策提供依据。采用4G+WiFi5.8G双通道通讯模式，实现巡检数据千米级超长距离传输。

（2）基于改进YOLOv8图像识别算法的轻量化病害检测方法

YOLOv8计算模型基本架构及流程

Backbone作为模型的第一个模块，起到提取图像特征的作用。这些提取的图像特征对于后续的目标检测非常关键，能够帮助模型区分目标与背景、位置与形状信息等。

Neck模块对提取的特征进行进一步的加工和处理。它通常由多个卷积层和特定的激活函数组成，通过调节Neck的结构和参数，可以对特征进行更深入的提炼和融合。这个过程能够进一步增强特征的表达能力，提高模型对目标的感知和区分能力，达到提升检测准确性的目的。

Head模块负责将经过Neck处理后的特征图转化为最终的目标检测结果。它由多个卷积层、激活函数和上采样等操作组成，通过逐步处理特征图的细节和上下文信息，生成目标的位置、类别和置信度等关键信息。Head模块的设计和优化，对于模型的检测精度和泛化能力起至关重要的作用。

采用YOLOv8模型对数据集进行训练，通过反向传播算法更新网络权重，此训练过程经多轮迭代（epochs），模型逐渐学习输入图像中的特征，而提高其检测准确度和效果。路面病害检测模型训练，流程如图7所示。模型训练之前，对配置文件中的超参数进行设置，其中batchsize=8、epoch=100，每读取一次batch模型更新权重，达到epoch值后则保存训练结果。模型训练结束后，将需要预测的路面病害图像进行预测，模型输出图像中所有路面病害的预测边界框和对应的类别标签和置信度。

传统YOLO系列，尤其是YOLOv5，主要采用C3卷积模块，即3个CBS模块配合若干BottleNeck模块组成。输入进来的特征通过CBS与CBS+BottleNeck两部分进行处理后由concat进行拼接，再通过一个CBS层将特征维度恢复，相较于早期的BottleNeckCSP模块结构作用基本相同。C2f卷积模块参考了C3卷积模块的思想进行设计，更新之处在于保留一部分原始特征，将另一部分特征经过若干BottleNeck进行处理，每个BottleNeck会分出两条通道，一条将处理后的特征传递给下一个BottleNeck，另一条则保留用作concat连接，最后通过若干BottleNeck将所有特征融合。C2F卷积模块的引入与更新，将深层特征与浅层特征有效YOLOv8融合，可以在保证轻量化的同时获取更丰富的梯度流信息，相较于YOLOv5的基准模型训练结果，卷积模块替换后的置信分数与map@0.5均上涨近2个百分点。

对YOLOv8图像识别算法的轻量化、高精度改进方案

Ghost 模块可以通过 cheap 操作生成更多的特征图，用 Ghost 模块替换普通卷积模块 Ghost 模块为基础，构建 GhostConv、GhostBottleNeck 和 C2fGhost 模块，并替换掉原 YOLOv8 算法中的相关普通卷积模块。假设经过 s次变换，在进行相同操作的情况下，用 Ghost 模块替换普 通卷积模块，其计算量将减少 s倍，大大减少了识别过程中的计算量。YOLOv8分类损失函数为VFL Loss，相较于其他损失函数，主要改进是提出了非对称式的加权操作，即针对正负样本存在的不均衡问题进行合理匹配：正样本的时候q为bbox和gt的loU,负样本的时候q=0，当为正样本时采用普通的BCE并添加自适应loU加权，突出主样本，而为负样本的时候采用标准的FL。通过正负样本的非对称性加权，突出正样本为主样本，让网络快速聚焦于目标位置距离近的位置分布。

多轮模型训练过程：

    数据准备→数据预处理→模型配置→训练过程→参数调优→模型导出与部署

首先准备好模型训练的数据集，划分训练集、验证集和测试集，并标注对应的标签信息。然后对图像进行大小调整、归一化、数据增强等操作。在Darknet平台配置模型并进行训练。针对训练过程中出现的问题进行模型评估并进行参数调优，最后将训练完成的模型导出。并在图像识别过程中，对病害数据进行等级划分，实现桥梁病害分级预警。

（2）声呐成像与三维重构技术

二维机械式扫描声呐成像原理

二维机械式扫描声呐由声呐头换能器旋转成像，通过向目标发射声波，接收器接受物体反射的声波，将声信号转化为电信号，根据信号时延和强度转化为图像。由于声波在水中传播衰减程度远低于光波，且具有良好的穿透性，故其成像基本不受弱光与浑浊水况的影响。

声呐图像准确度分析

对桥梁水下桩墩进行表观缺陷成像时，综合考虑桥墩尺寸与成像精度，在模拟实验过程中选择水平扫描距离l=0.5，在桥墩环向均匀布置7个测点，从0°开始成像，逆时针旋转完成对各测点的全部扫描。将声呐数据导如AutoCAD中量取剥落深度（|试件外轮廓－剥落病害轮廓线|）并设定误差阈值为5mm，进行准确度分析。当俯仰角度小于50°成像，声呐与试件直线距离在1—3m成像时，误差值最小。

表观缺陷图像三维重构

根据测点布设方案对重构试件进行声呐成像，判断测点扫描区域缺陷类型（孔洞、剥落等），快速完整获取桥墩表观声像图。通过每个表观声像图中缺陷成像特征，根据二维机械式扫描声呐成像原理，判断每一个截面在该测位时的缺陷轮廓，并根据相邻测位还原的缺陷轮廓分析该截面的整体轮廓，获得每一个截面的重构截面。为对比重构截面与实际截面的误差程度，分别计算重构截面与实际轮廓截面中孔洞缺陷的面积和周长大小。由此可见，通过 二维机械式扫描声呐的二维声像图能够可靠地重构出目标的三维模型。
    （3）“慧眼”分布式桥梁环境感知技术

为实现桥梁周围环境信息全方位实时检测，自研“慧眼”分布式桥梁环境感知技术，提出了“固定+移动”全方位监测方案，在桥梁结构物表面或内部安置传感器终端，每个终端集成12颗高精度传感器，由自研并联式集成芯片技术提供控制，持续、稳定地收集桥梁周边与内部的各种环境数据，如Cl- 浓度、重金属离子浓度、结构变形等，与移动巡检设备上的传感器搭配使用，实现桥梁环境全面监测。终端内建4G+Wifi5.8G双通道通讯模块，支持集群作业，能够实现固定终端——移动终端——监控后台智慧物联，一次任务可采集例如水流流速、酸碱度等12余种环境参数，自动计算生成AQI指数，并支持功能拓展。

（4）智慧双栖巡检设备的机械结构

外部架构上，采用阻力较小的流线型设计，以减少水下复杂环境对设备的影响。并且使用耐腐蚀、抗冲击、耐腐蚀性能好，且无毒性的绿色环保材料ABS作为外部材料。加装多个推进器，在设备主体周围对称分布，提高设备运行速率的同时增加了设备在水下的稳定性。设备底部加装履带，满足水上桥面巡检需要。

内置耐压舱，耐压舱内装载了AUV核心部件，包括控制板、电源板、电子罗盘、水下摄像机、照明器(LED等)、深度传感器、温度传感器和各类连接线等。耐压舱可以密封保护电子元件，基于流线型的外壳，将耐压舱设计为圆柱形状，采用亚克力材料作为耐压舱主题材料，保证抗压性能良好的同时增强防水性能。

采用齿轮铰链折页结构设计可自主折叠摄像云台，同时在设备底部另外加装摄像头，满足全方位，多角度的自主巡检。在病害采集方面搭载Hikvision™高精图像采集模块和声呐成像模块。国产自主研发的北斗定位模块，实现病害精准定位，保障国家重大基础设施战略安全。

（5）主控制器模块

主控制器模块作为水路水陆双栖巡检设备的核心决策单元，其设计聚焦于高性能计算、冗余容错与实时响应能力的深度融合。系统采用双控制器架构，主控芯片选用STM32H743VI高性能处理器，搭配英飞凌TC377TP冗余控制器，通过高速CAN-FD总线实现数据同步与状态互检，确保极端环境下的系统可靠性。

STM32H743VI基于ARM Cortex-M7内核，主频高达480 MHz，内置双精度浮点运算单元与DSP指令集，可高效处理YOLOv8图像识别算法每秒30帧的1080p图像解析任务，同时兼顾声呐三维重构所需的复杂矩阵运算，例如点云配准与特征提取。其外设资源针对多传感器集成场景优化，配备2个速率达5 Mbps的CAN-FD接口、4个支持DMA传输的UART通道、3个用于高速IMU与编码器数据采集的SPI总线，以及2个连接环境传感器的I²C通道，实现多源数据的并行采集与低延迟传输。

为应对水下高压、湍流等复杂环境对系统可靠性的挑战，冗余控制器英飞凌TC377TP采用TriCore多核架构，独立运行轻量级监控程序，实时备份主控制器的定位信息与传感器状态数据。当检测到主控制器出现死机或数据校验错误时，TC377TP可在10毫秒内无缝接管控制权，触发紧急上浮或路径回退等安全模式，并通过硬件看门狗电路强制复位主控制器。双控制器间的同步机制采用时间触发以太网协议，周期性交换心跳信号与校验码，确保系统状态的高度一致性。

在AI算法加速方面，主控板集成Google Edge TPU协处理器，通过8位整数量化技术对YOLOv8模型进行深度优化。该模块通过PCIe接口与STM32H743VI直连，提供4 TOPS的INT8推理峰值算力，将病害检测延迟从120毫秒压缩至35毫秒，功耗控制在2瓦以内。模型优化策略包括层融合与算子剪枝技术，使得YOLOv8模型参数量从63.5 M缩减至18.2 M，在保持98%检测精度的同时，内存占用降低65%，显著提升资源利用率。

系统的实时性保障依托FreeRTOS动态任务调度引擎，任务按四级优先级划分。最高优先级的紧急任务涵盖避障响应与电源故障处理，响应时间不超过1毫秒；核心任务包括传感器数据融合与运动控制，以5毫秒周期运行；计算任务负责YOLOv8推理与声呐三维重构，周期为20毫秒；通信任务则以100毫秒周期处理5G与LoRa数据传输。任务间通过消息队列与信号量实现资源隔离，关键数据采用双缓冲机制避免读写冲突，内存保护单元则划分安全域与非安全域，防止算法溢出引发系统崩溃。

硬件设计层面，主控板采用6层PCB堆叠结构，关键信号线如CAN与PCIe实施100Ω差分阻抗控制，表面覆盖IP68级防水纳米涂层。所有芯片满足-40℃至85℃工业级温度范围，在50米水深约5 bar压力环境下可持续稳定工作12小时，确保设备在深水与复杂地形中的全天候作业能力。

（6）电源模块

电源模块作为水路水陆双栖巡检设备的能量中枢，其设计兼顾高能量密度、高效转换与极端环境适应性。系统采用4680锂电池组作为核心储能单元，8节电池串联后总电压达29.6V，容量184Ah，可支撑设备在满负荷状态下连续运行12小时以上。该电池单体的硅碳负极与无极耳设计大幅降低内阻，支持1C快充速率（30分钟充至80%），同时通过蜂窝状结构散热孔实现内部热量均匀分布，避免局部过热引发安全隐患。电池组内置智能BMS管理系统，实时采集每节电池的电压、温度及电流数据，动态调整充放电策略——例如在低温水下环境自动启用预加热模式（通过PTC加热片升温至10℃以上），确保锂离子活性；在高温工况下则限制输出功率，防止热失控。BMS还通过CAN总线与主控制器联动，当检测到异常（如单体电压失衡或温度超限）时，立即触发分级报警并切换至备用电源模块。

电压转换层级采用多级拓扑结构以满足不同负载需求。首级降压由LM2596S-ADJ模块完成，将29.6V输入降至12V，供电机驱动与水下推进器使用。该模块选用同步整流技术，转换效率达92%，峰值输出电流3A，并通过外置肖特基二极管抑制反向电流冲击。次级转换采用TPS5430同步降压芯片，将12V进一步降至5V和3.3V，分别供给传感器阵列与主控单元。TPS5430集成MOSFET与补偿网络，在2MHz开关频率下实现95%转换效率，输出纹波控制在50mV以内，避免高频噪声干扰敏感电路。关键电源路径配置钽电容与磁珠滤波器，形成π型滤波网络，有效抑制传导与辐射干扰。

针对涉水场景的特殊要求，电源模块整体封装于IP68级防水舱内。舱体采用7075航空铝合金锻造，内部填充导热硅胶（导热系数3W/m·K），既实现模块与舱壁的紧密贴合以加速散热，又通过硅胶的弹性形变抵消水深压力造成的机械应力。所有外部接口采用浸水检测与自密封设计——例如电池输出端子的双O型圈结构，在检测到渗水时自动闭合泄压阀并切断电路。实测表明，该设计可承受