了解基础设施检查中的超光谱成像

超光谱成像捕捉在数百个狭长,毗连的光谱带中反射光线,产生每个像素具有丰富光谱特征的数据立方体. 超光谱传感器与记录少数宽通道的常规多光谱系统不同,揭示出人眼所看不见的微妙物质特异性吸收特征,这种能力使工程师能够区分音效混凝土和早期腐蚀,识别沥青中的化学变化,或在可见损伤发生前检测建筑外观背后的湿度渗透.

技术依赖于两种主要传感器结构:推动扫瞄仪(在平台移动时逐行收集数据线)和在一次接触中捕捉全部空间和光谱信息的快照成像仪。 最近的微型化使得这些传感器能够集成到无人驾驶飞行器(UAVs ) 、 地面机器人甚至手持设备上,使得实地部署成为常规检查的实用性。 2022年的一项研究表明,无人机搭载超光谱系统可以在10米/秒的飞行速度下探测桥面板上的毫米宽裂缝,与人工地面勘测相比,精确度达到了94%。

技术革新推动实时检查

压缩和成本-效益高的传感器硬件

过去五年来,超光谱成像系统的规模、重量和价格急剧下降。 微电机系统(MEMS)和金枪鱼法布里-佩罗特滤波器的先进性使光谱分辨率低于5纳米的传感器重量低于500克。例如,Specim FX10系列涵盖适合工业环境的崎岖房屋的可见和近红外范围(400-1 000 nm),而 Headwal Nano-Hyperspe 的光谱空间宽度只有0.5公斤,这些紧凑的单元可以安装在小四面板上,使视察员能够在一次飞行中覆盖大型桥梁或管道。

高规格数据获取和机载处理

实时检查要求将原始光谱数据在秒内转换成可操作的透视。现代传感器以超过每秒350帧的速度获取超光谱立方体,生成高达2Gbps的数据流。为了处理这一量,检查系统现在将[实地可编程门阵列和对接AI加速器[ 直接在平台上进行,这些处理器运行轻量级机器学习模型——典型的电流神经网络(CNNs)或支持矢量机——在附加说明的光谱库上进行训练。美国联邦公路管理局的2023年试验(FHWA[)使用NVIDIA喷气机模块实时将钢制枪的腐蚀性分类,将图像捕获和故障标记标记的间隔降低到200毫秒以下。

云环分析管道

对于较大的数据集或者当机载计算有限时,原始的超光谱立方体通过5G或卫星链接到云处理服务中流出. 这些平台应用大气校正,光谱解密,以及使用分布式计算集群的变异检测算法. ENVI 和CubeSENSE[平台等工具提供了自动工作流程,将检测到的异常情况映射到3D结构模型上. 云服务集成后,可以对多个资产进行同步分析,使资产管理者能够根据光谱诊断产生的风险分数优先检查.

跨基础设施类型的关键应用

桥面和吉德尔检查

桥梁是超光谱检查最严格的结构之一. 德拉米尼化,复柱腐蚀,碱硅反应(ASR)在短波红外线(SWIR)区域产生明显的光谱特征. 德克萨斯大学的研究人员部署一个安装在电缆悬浮机器人上的前墙SWIR传感器,扫描混凝土箱基桥的底部. 系统成功识别了在视觉检查中看不见的氯化物诱发腐蚀区域,实现了与随后的核心样品98%的关联. 同一团队开发了一个开源光谱库(UT桥超光谱库),包含超过1200个附加说明的普通桥材谱.

公路和路口健康评估

超光谱成像在区分不同的人行道条件方面表现得特别突出。 新鲜沥青在1.7-2.2微米范围内表现出高反射度,但随着粘合器氧化和表面裂解的发展,光谱剖面向更长波长转变。 通过培训实地收集的数据上的随机森林分类器,2024年的一项研究基础设施监测[在区分高速公路路面的径向、曲折和湿度剥离方面实现了91%的准确度。 此外,由于侵蚀或收缩导致的地下空隙可以通过热-高频光谱聚变检测,而光谱的射率模式与下层边界相关。

建立信封和屋顶检查

对于商业和住宅建筑,超光谱工具被用于评估水的损坏、模具生长和绝缘退化。 水吸收在970纳米和1,450纳米时特别强,能够及早发现墙后或墙体覆盖层下的漏水。 在国家标准和技术研究所([] NIST[的大规模试验中,载有超光谱照相机的无人驾驶航空器在任何表面变色前正确识别了87%的模拟湿度口,这种能力对于防止昂贵的内损和减少模具相关的健康风险是十分宝贵的。

铁路轨道和结构监测

铁路基础设施需要经常检查紧身衣松动、铁路表面缺陷和压载物的污损。 超光谱成像可以探测到润滑油的细微化学变化,并磨损表明刚起步的铁头裂缝的碎片。 德国巴恩大学和慕尼黑技术大学合作项目安装了一辆带有1 024个通道的超光谱系统的原型检查车,其长度为400-1 700纳米。 在50公里的测试中,系统确定了23个光谱特征异常的地点,其中22个通过超声波检查确认为内部缺陷。 其结果是超光谱成像可以补充或取代某些轨道部件的手动视觉检查。

克服目前的限制

管理数据量和存储

覆盖100平方米区域的单一高分辨率超光谱立方体在原始格式上可以超过5千兆字节。对数千件资产的重复检查的长期存储很快变得无法持续。解决方案包括压缩-感知光谱算法 — 如具有光谱装饰的JPEG 2000 — — 在保存诊断特性的同时将文件大小减少80%。资产管理者也在采用分级存储架构:最近的检查所产生的热数据存放在SSD上,以便快速检索,而超过两年的冷数据则存于磁带或云冷存储中。

环境敏感性和校准

光照、大气水蒸汽和表面湿度的变化会损害光谱一致性。 在变化中的云层覆盖下,户外检查仍然特别困难。 为了补偿,现代系统采用光源或下层辐射传感器实时辐射测量。 此外,经过数据增强培训的人工智能模型 — — 模拟各种照明和天气条件 — — 已经显示出对环境噪音的强烈性。 2023年的基准显示,一个深度学习模型在覆盖覆盖覆盖、模糊和阳光的桥梁数据集上实现了85%的准确性,而传统的光谱角度绘图仪分类器则达到了62%。

标准化和认证

缺乏全行业的超光谱数据获取、处理和报告标准阻碍了广泛采用,诸如国际超光谱基础设施学会(IS-HI)等组织正在制定最低空间和光谱分辨率、校准规程和缺陷分类分类分类准则,还正在形成操作人员和数据分析员的认证方案,其模式是在现有无损测试(NDT)资格的基础上,目的是确保在安全评估中使用超光谱检查结果时,可以复制并在法律上可辨识。

超光谱健康监测的未来

下一代超光谱基础设施检查将利用自主的空中和地面机器人群协同扫描大型结构。 运行连续学习算法的边缘设备将适应当地材料和老化模式。 与其他感知方式的结合——精确3D几何、地面穿透雷达、地面异常和热源热相机——将产生一个单一通道的全面健康评估。

新兴的计算模式,如神经形态芯片和感应器处理,有望进一步减少功耗和耐久性。 研究人员也在探索量子点和元材料超光谱传感器,这些传感器可以缩小整个光学系统,形成一个单一的芯片,从而有可能降低成本,降低数量级。 通过这些创新,对每座桥梁、道路、建筑和铁路的实时持续监测,将在技术和经济上可行,将基础设施维护从被动修复转向主动的数据驱动保护。

随着这些技术的成熟,超光谱成像将从专业研究工具转向土木工程工具箱的标准组件。 实时分析、紧凑硬件和强健的机器学习模型的整合已经显示出实际效益:检查成本降低、缺陷早期检测以及全球老化基础设施的安全性改善。 未来十年有望将真正智能的基础设施健康监测愿景转化为现实。