所属栏目：交通运输论文范文发布时间：2026-01-19浏览量:511
为了综述桥梁水下结构缺陷检测的最新技术进展，重点探讨了水下机器人在提升检测精度和效率方面的创新应用。水下机器人能够搭载光学、声学等非接触式检测设备，以及超声仪、回弹仪等接触式检测设备，展现出在复杂水下环境中执行高效检测的潜力。详细分析了基于光学与声学原理的非接触式检测方法的适应性和改进技术，明确了提高图像质量和检测精度的有效方法。阐明了水下接触式检测的研究现状，提出了水下机器人搭载接触式检测设备协同工作的解决方案，指出了利用水下机器人搭载接触检测设备进行水下接触检测是未来发展的重要方向。总结了当前桥梁水下结构检测技术面临的挑战，提出了基于智能算法和多源数据融合水下检测新方法，为未来的研究提供了具体方向和技术路径。
关键词
桥梁工程;水下结构;综述;水下机器人;非接触式检测;接触式检测
论文《桥梁水下结构检测研究进展与挑战》发表在《中国公路学报》，版权归《中国公路学报》所有。本文来自网络平台，仅供参考。
0 引言
桥梁水下结构，如桥墩和桩，长期浸泡在水中，工作环境恶劣，受水流冲击、腐蚀、漂流物撞击、冻融和地震等的影响很大，与陆地上结构相比，其面临的安全风险更大。水下桥梁结构常见缺陷有混凝土开裂、钢筋锈蚀、冲刷和钢筋保护层脱落等，缺陷具隐蔽性，不易被发现。近年来由于全球气候变暖，洪水频发，桥梁发生水毁垮塌的事件时有发生，因水文导致的桥梁倒塌数目占比高达43.1%[1]，远大于超载、碰撞、地震和火灾等灾害引起的毁坏。因此，有必要开展桥梁水下结构定期检测，及时排查风险以确保其在服役期的安全性和正常使用性。
传统的桥梁水下检测主要靠潜水员通过简单目测、探摸或携带水下相机拍摄图像来完成。人工潜水检测成本高、安全风险大、准确性差。水下机器人以其强大的潜水搭载、路径规划、数据采集和污水环境作业等能力，已逐步代替传统方法开展水下结构的自主化和智能化检测。当前，水下机器人以其较低的成本和较高的安全性等优势，在桥梁、大坝等领域的检测中得到了初步应用[2]。然而，水下机器人的抗扰流能力有限，在复杂的水环境下尚无法完全胜任桥梁水下结构检测。
水下机器人可搭载各种非接触和接触式检测设备，完成数据采集。常见的非接触式检测设备包括光学和声学设备，如摄像机和声呐。光学成像技术可通过结构物的光学特性来准确获取其物理状况，从而实现对桥梁水下缺陷的准确检测[3-4]。然而在这个关键领域仍然存在一些挑战，水下光学成像技术受光照条件影响大，在高浑浊度的水质条件下很难获取清晰的图像。声呐成像技术因其适应性强、在水中传播稳定的特点，可进行远距离大范围检测，检测效率高，在桥梁水下结构探测领域也得到了广泛关注[5]。然而，传统的声呐成像技术分辨率较低，主要适用于大尺寸缺陷的探测，以及地形冲刷和掏空等检测，对于水下微小缺陷(如裂缝和局部损伤)，缺陷信息很难反映到声信号中，导致难以精确检测。
光学和声学检测技术具有明显的互补性。光学检测可以提供高分辨率的图像，适用于桥梁水下结构表面细节的捕捉，但对光照度要求较高，且只能近距离获取数据。声学检测则适用于无光照或弱光等复杂水下环境的大范围检测，但检测精度较低。因此，将这2种技术进行融合，通过多源数据融合，结合光学和声学传感器，能够有效提升水下缺陷检测的准确性和鲁棒性，是未来的一个主要研究方向。
桥梁水下结构接触式检测主要依赖电信号、力信号或磁信号在结构物中传播后的回波变化判断结构物的内部状况，适用于水下结构混凝土强度、保护层厚度和内部缺陷检测，以及钢筋分布和锈蚀检测。水下接触式检测设备包括超声波探测仪、回弹仪和钢筋探测仪等，这些设备需要进行严格的防水才能下水作业。水下接触设备与结构之间的回波容易受到水的影响，其作业稳定性也面临着重大考验。因此，水下接触式检测技术需要克服更多的挑战以适应水下环境。
本文综述了桥梁水下结构检测的现状，重点分析了水下机器人、非接触式检测和接触式检测方法的现状和存在的挑战，并指出了未来发展的方向和研究重点，主要分为6个章节：①详细介绍水下机器人的应用现状;②基于光学图像的桥梁水下结构缺陷检测;③基于声学图像的桥梁水下结构缺陷检测;④桥梁水下结构的接触式检测;⑤介绍当前检测技术面临的挑战和未来的研究方向;⑥主要结论。
1 桥梁水下结构检测载体：水下机器人
传统的水下检测主要依赖潜水员下水进行检测，可靠性低且危险性大。近年来水下机器人能够搭载各类传感器进行水下作业，在多个领域发挥着重要作用，被广泛用于海洋探测、工程检测、救援、海洋牧场等领域[6]。水下机器人主要包括：遥控水下机器人(Remotely Operated Vehicle，ROV，有缆)和自主控制水下机器人(Autonomous Underwater Vehicle，AUV，无缆)。ROV因其体积小、灵活性好在复杂水下结构检测中具备较大的优势。然而，ROV的缺点在于抗扰流能力较差、依赖控制线。相对而言，AUV不受缆线限制、具备更强的自主性，能够在开阔水域进行大规模巡检和环境监测。但AUV在处理复杂任务时灵活性较差，同时技术成本也相对较高。因此，选择ROV或AUV应根据具体检测任务的需求和环境条件进行权衡。除此之外，水面无人艇(Unmanned Surface Vessel, USV)[7]和载人深潜器(Deep-sea Submersible, DSV)[8]也可作为水下结构检测的载体。USV的优势是可无线接收水面以上信息指令，但无法下潜到水中，通常用于搭载声呐进行河床或海床的扫测;DSV通常具有较大的体积，不便在相对密集的桩墩中运行，目前暂未看到在桥梁水下检测领域的报道。当前，常用于桥梁水下结构检测的水下机器人多数为ROV，ROV型水下机器人可以通过自主导航和携带各种传感器对桥梁水下结构进行检测[9]，为桥梁水下结构的全遍历检测提供了新的思路[10]，有助于发现裂缝、冲刷以及腐蚀等缺陷[11]。
近年来，本文作者团队成功研发了桥梁水下结构缺陷巡检机器人BG320[12]和BG420[13]，如图1所示。BG420在BG320的基础上，进行了更新迭代，采用模块化设计，可根据实际需要搭载各种接触和非接触检测设备，且具备视觉增强、清洁、取样等功能，可实现在浑水中作业，承受2m·s⁻¹的水流冲击，作业稳定性较强。
目前，水下机器人ROV已在水下结构检测中得到了初步应用。谢文高等[14]利用BG320 ROV对混凝土表观裂缝进行了检测，并使用一系列图像处理技术计算了裂缝的宽度。Ma等[15]利用搭载双目视觉系统的ROV进行实时水下混凝土结构的裂缝分割。Yaman等[16]采用水下机器人采集水池壁的缺陷图像，通过浑水和清水2种环境下的检测结果对比验证了检测方法的可靠性。Yang等[2]采用配有加长线缆和增强视觉系统的ROV，通过水面船的辅助对桥梁等水下结构进行损伤检测。Ueda等[17]搭建了由ROV和USV组成的桥梁水下墩台检测系统，并通过建立三维模型完成裂缝检测。Chen等[18]提出基于ROV的桥梁水下结构检测方法，通过目标增强算法提高浑水环境下的检测精度。Li等[19]以ROV为载体，分别通过水箱、蓄水池和海上试验验证了YOLOv5算法在水下检测中的有效性。但上述应用案例所采用的试验环境通常过于理想化，实际水下环境是十分复杂的，水的流速、浑浊度等对ROV具有较大影响，同时ROV尚无法实现全遍历检测，存在漏检和重复检测的问题。
桥梁水下环境复杂，障碍物很多，为实现水下机器人对水下结构物的全遍历、无遗漏检测和自动避障，对其进行水下路径规划是很有必要的[20]。水下机器人的路径规划研究主要集中在开发智能决策算法[21]，能帮助机器人适应动态环境，避开障碍物，利用传感器数据做出智能决策，实现全遍历的水下探测[22]。目前，国内外已经提出了几种策略来解决水下机器人的路径规划问题[23-24]。吴志华等[25]提出了ROV绕桩检测法和垂直侧扫法，实现了桩的全遍历快速检测。Chen等[26]提出了一种在水下环境中存在溢油情况下的AUV路径规划方法，应用A*算法(A-star Algorithm，路径搜索和图搜索的启发式算法)来规划最佳风险路径，以避开高风险区域，该算法利用一个估价函数来评估决策的好坏，从而找到一条最优路径，通过计算所有候选节点到目标点的估值函数，选取最优路径节点。尽管该方法提供了最优或接近最优的解决方案，但在高度动态的水下环境中的适用性有限。随后，有研究者提出概率路线图方法(Probabilistic Roadmap Methods, PRM)[27]和快速探索随机树(Rapidly-exploring Random Trees, RRTs)[28]在复杂环境中规划水下机器人路径。RRTs算法以起点为根节点，采用随机方式向各个方向扩展，形成枝叶伸展的树状结构，最终找到目标位置，该算法通过对状态空间中的采样点进行碰撞检测，避免了对空间的建模，能够有效地解决高维空间和复杂约束的路径规划问题。为了提高效率，许多研究转向了仿生优化算法，如遗传算法(Genetic Algorithms, GA)、蚁群优化(Colony Optimization, ACO)和粒子群优化(Particle Swarm Optimization, PSO)，这些方法在搜索空间的探索和开发之间取得了平衡[29]。Jin等[30]开发了一种基于改进的蚁群算法的路径规划方法，用于检测水下结构物。Vinoth等[31]提出使用布谷鸟搜索作为鲸鱼优化算法的改进策略，为水下机器人选择检测水下管道漏油的最佳路径。Hadi等[32]通过深度学习技术实现了水下机器人的路径规划和自主避障，显著提升了水下机器人路径规划的自主性和智能化。深度强化学习的应用为水下机器人自主规划检测路径提供了新的解决思路，该方法既能够克服路径规划系统中不可预测或不确定条件的问题[33-36]，也可提高路径规划的效率并降低控制系统设计的复杂性[37]，为桥梁水下结构的全遍历检测提供了理论指引。以上综述表明，尽管目前有学者提出了水下机器人路径规划算法，但这些算法在桥梁检测领域的应用很少见，还需要进一步改进和提升来适应复杂的桥梁水下环境。
精准定位是水下机器人在复杂环境中完成运动控制和安全运行的关键基础。现有机器人水下定位导航技术主要包括惯性导航、视觉导航、声学导航和地球物理导航等[38]。惯性导航系统(Inertial Navigation System, INS)是一种最常见的导航方式，通过速度计和罗经测量水下机器人的加速度和角速度并进行积分运算，从而实现导航作用。Li等[39]提出基于INS定位的回溯定位方案，该方案无需等待校准过程完成，在已知初始位置和速度信息的情况下，可获得当前的精确位置，定位精度在航程的0.3%范围内。INS的定位误差会随着时间累积，导致漂移。视觉导航主要通过分析光学相机提供的系列视觉图像解析定位结果，对能见度要求较高。Bonin-Font等[40]通过立体视觉里程计估计ROV的位移和航向信息，通过简化特征监测和跟踪过程，加快了水下定位处理进程。视觉导航依赖摄像头获取环境图像来实现定位，但其在光照条件差、水域浑浊的情况下效果不佳。声学导航是声信标在收到ROV发出的信号后，在极短延迟后进行应答，根据声信号往返的时间、声信标位置和传播速度即可计算ROV实际位置，常用的方法有长基线定位、短基线定位、超短基线定位(Ultra-short Baseline, USBL)等，其中长基线和短基线定位系统多用于深海[41]。USBL因其较小的基线间距和灵活的部署方式，在复杂的水下环境中可以提供较高的水下机器人定位精度，适用于空间有限的浅水区域机器人的定位。Rigby等[42]利用USBL进行ROV水下定位，通过为导航系统提供校准源修正累积误差。USBL与ROV之间的水声通信质量受噪声影响较大，在远距离条件下存在定位精度差、时延较大等不足。其他定位技术，如无线电导航、水下GPS定位技术、地球物理导航等也被用于水下机器人的导航定位[43]，但受上述3个组成部分受各自精度的影响，导航定位精度往往不高，且前期需要大量工作对导航水域大规模测绘调查以建立相关的物理场参考图，导致目前工程应用较少，但有较大的开发潜力[44]。目前这些技术在桥梁检测领域的应用少见，针对桥梁水下检测定位精度差的问题，未来可结合上述不同技术(视觉导航和USBL等)的优势实现更加精准的桥梁水下定位。
水下机器人在桥梁水下结构缺陷检测领域具有非常广阔的应用前景，有望推动桥梁水下结构检测技术的进一步提升和普及。但也存在诸多问题，例如，在水流速度过大时，小体积轻型机器人的抗扰流能力较差，可能导致检测数据失真;大体积重型水下机器人的稳定性虽好，但灵活性和机动性较差，对于狭窄水域下的结构物，如桥梁桩基，由于机器人体积太大无法驶入各桩基之间，检测难度较大。此外，水下机器人在绕桩墩检测时电缆可能会出现缠绕现象，这些问题对于水下机器人的路径规划算法是一个严峻的挑战。
2 基于光学原理的桥梁水下结构检测
2.1 水下结构图像增强
基于光学原理的桥梁水下结构检测是一种利用光学传感器来检测桥梁水下结构表观缺陷或损伤的技术[2,45]。通过及早检测表观缺陷，可以防止桥梁结构的进一步恶化。在水下环境中，光照不足和水体浑浊常导致所拍摄到的图像分辨率低，采用自适应对比度增强和色彩校正技术能够显著提升图像的清晰度和细节[46]。基于非深度学习的水下光学图像增强技术已得到广泛应用[47]，可消除噪声的影响[48-51]。非深度学习的水下图像增强技术可分为3类，即对比度增强、色彩校正和混合方法，图2为各种非深度学习增强方法的效果图。由图2可知，对比度增强能通过调整图像的直方图，使得图像像素值分布更加均匀，从而提高图像的对比度，可提升图像中裂缝等缺陷与背景的亮度差异，但无法还原图像真实的颜色;色彩校正法是通过估计水体的吸收和散射系数或者水下图像的统计特性，如颜色分布和亮度变化，来校正图像的色彩，该方法能够还原水下图像更真实的色彩，但亮度无法得到很好提升;混合方法结合了对比度增强和色彩校正方法对图像进行多次处理，该方法能从对比度增强和色彩校正2个方面对图像进行增强，使得图像更接近真实效果，但多次操作可能会导致图像出现失真。
通过对比度增强能够提升桥梁水下结构缺陷的可辨识度。Xin等[52]使用自适应直方图均衡来提高水下混凝土裂缝图像的对比度，为裂缝图像的检测提供了优质的图像。Zhang等[53]提出了一种基于生物视觉原理的自适应增强方法来增强水下混凝土裂缝图像的对比度，对不同环境下的裂缝图像进行了一系列试验，证实了该算法的有效性。对比度增强算法具有平衡亮度分布并提高对比度的能力，但在色彩校正方面效果较差。为了解决水下色偏问题，必须对水下图像进行色彩校正，以改善视觉信息。Sankpal等[54]提出了一种非均匀照明校正的方法，与其他方法相比，图像质量评估指标显示出更好的性能。Ao等[55]提出了自适应线性拉伸方法，结果表明该方法不仅能够保持较低的计算复杂度，而且对于色彩的校正也取得了优异的效果。Qi等[56]通过照明平衡和图像平滑对图像进行预处理，实现了水下混凝土缺陷图像增强。以上色彩校正算法能有效实现图像的色彩还原，校正颜色偏差，但对于对比度增强的效果并不理想。对比度增强和色彩校正方法具有互补性，因此将上述2种方法结合起来有望提供更加丰富的图像信息。Qi等[57]使用全局照明平衡提升水下混凝土缺陷的对比度，并使用自动色彩增强技术对色彩进行矫正，为水下混凝土缺陷的分割提供了高质量的图像数据。Jiang等[58]通过结合直方图均衡和自动色彩均衡算法对桥梁水下结构的裂缝和钢筋裸漏图像进行了增强，解决了原始图像模糊、轮廓无法区分和色彩失真等问题。以上非深度学习的水下图像增强方法通常具有较快的处理速度和较低的计算资源消耗，适合实时应用，通常依赖于预设的物理模型和手工设计的特征，增强后的图像清晰度和缺陷检测精度有限，难以处理多样化复杂水下成像问题。
基于深度学习的水下桥梁结构图像增强技术通常依赖深度学习算法提取图像的特征，消除干扰信息，作为一种智能方法能显著提升水下结构缺陷图像质量和清晰度，受到研究者的广泛关注[59-60]。Zheng等[61]提出一种结合注意力机制的双通道U型生成对抗网络的水下弱光增强算法，融合注意力机制使网络能有效提取图像特征信息，联合损失函数能较好地避免图像增强过程中的颜色、细节失真及噪声干扰问题，如图3所示，与其他方法相比，该方法具有更好的色彩还原度和亮度，看起来更加自然。Fu等[62]设计了一个图像增强模型和神经网络策略来解决水下图像的颜色失真问题，最后成功地生成了清晰的增强图像，取得了理想的检测效果。Chen等[63]通过使用超分辨率生成对抗网络设计了一种有效的模型，旨在提升水下物体检测和识别图像的视觉效果。Teng等[64]通过改进UNIT风格转化网络实现了水下结构裂缝图像的增强，效果如图4所示，显著提升了裂缝的可辨识性。Cui等[65]提出了一种基于计算机视觉和分形图像处理技术的水下裂缝图像增强方法，结果表明该方法可以有效检测距离摄像机0.6m以内的水下混凝土构件的裂缝。Cao等[66]提出了一个深度残差编码器-解码器和特征校准模块来解决图像低级特征损失问题，同时，为了满足所提出模型对于配对数据的要求，提出了一种构建配对训练数据的模拟方法，结果表明所提出的模型在图像增强方面优于现有方法，为后续检测任务提供了更高质量的数据。总体而言，基于深度学习的水下结构缺陷图像增强是一种有潜力的方法，能够帮助改善水下图像质量，提高水下缺陷检测和识别的准确性，但在实际应用中需要克服数据和计算资源不足等挑战。
总的来说，基于非深度学习图像增强方法很难完全克服水下复杂环境的影响，特别是对于浑浊水域以及附着物较多时，该方法会受到技术人员所掌握的专业知识的影响，检测效率不高，很难应用于实际工程的检测任务。基于深度学习的方法往往需要大量配对的图像用于训练模型，目前可利用无监督的方法进行图像增强，有效解决对配对样本的需求[67]。无监督学习通过引入生成对抗网络(GANs)和自编码器等模型，不依赖于配对样本。GANs通过生成器和判别器的对抗训练，能够生成与真实环境接近的增强图像，尤其是在没有大规模标注数据的情况下也能取得良好效果。CycleGAN等无监督方法通过对不同领域的图像进行转换(如从浑浊水域到清澈水域的图像转换)，使模型能够自动学习水下环境中的图像特征，实现图像增强。此外，自编码器可以通过重建输入图像的方式去除水下图像中的噪声，提高图像清晰度。无监督方法不仅减少了对配对样本的依赖，还能有效应对水下复杂环境中的光照变化、色彩失真和噪声干扰等问题，在未来桥梁水下结构智能化检测中具有广阔的应用前景。结合无监督学习和多源数据融合技术，能够提升水下图像增强的效率和准确性，值得进一步研究。
2.2 水下结构缺陷检测
基于非深度学习的桥梁水下结构缺陷检测方法主要依赖图像处理方法(模糊算法、自适应直方图均衡化和自适应双阈值方法等)来获取缺陷的信息。Shi等[68]采用模糊算法消除水下可见光图像中的光照不均匀问题，并提出一种利用图像块局部特征和连通域全局特征的裂缝检测方法。Xin等[52]采用自适应直方图均衡化方法转换水下图像光照不均匀区域，将光照区域均匀化，用于混凝土裂缝的特征提取。Fan等[69]采用局部灰度的自适应双阈值方法将水下混凝土裂缝图像进行二值化处理，根据计算的最优阈值去除噪声，获得裂缝纹理区域，但检测结果会受到检测人员的主观性(知识水平、专业知识)影响。随着检测技术的发展，基于深度学习的方法逐渐用于桥梁水下结构的缺陷检测，主要包括目标检测和语义分割2种。
基于深度学习的水下结构缺陷目标检测是一种利用深度学习技术来自动识别和定位水下缺陷目标的方法[70]。通过在大规模标记的水下结构缺陷数据集上训练，深度学习模型可以学习到缺陷目标的特征和空间分布，从而实现对水下缺陷目标的快速和准确检测。Li等[71]以YOLO-v4网络为主体，构建轻量级卷积神经网络，采用Mobilenetv3取代CSPDarkent作为骨干特征提取网络，同时修改Mobilenetv3的特征层尺度，将提取的初步特征层输入到增强的特征提取网络中进行特征融合，并通过与其他方法进行比较，表明平均检测准确率提高了2.94%，检测速度提升了78%，验证了该方法对于桥梁水下裂缝检测的有效性。Wu等[72]通过改进YOLO-v8识别桥梁的表观裂缝，结果表明该方法体积模型小(参数降低了17%)，计算要求低，所提出的ProtoC1模块减少了网络结构的深度和宽度，降低了计算复杂度。吴志华等[25]利用GAN对水下缺陷样本进行了扩充，并采用YOLO-v4对桥梁表观缺陷进行检测，检测正确率高于90%。Ye等[73]结合图像增强和YOLO-v8模型建立了水下混凝土缺陷的两阶段(图像增强+检测)检测方法，结果表明所提出的两阶段方法能显著提升水下结构缺陷检测的精度，对比结果见表1。Shi等[74]提出了一种高效的水下场景大坝裂缝检测方法，并命名为Crack-YOLO，根据大坝水下裂缝图像的特点，使用遗传算法选择模型的超参数最佳值，结果表明所提出的方法能够以较低的计算成本对水下坝体裂缝进行鲁棒检测，可以获得94.3%的mAP。随着YOLO系列模型的不断更新，Huang等[75]基于改进的YOLOv9-OREPA模型进行水下混凝土裂缝检测，通过试验发现，与其他方法相比，改进后的YOLOv9-OREPA表现出卓越的性能，召回率提高了5.5%。基于深度学习的水下缺陷目标检测能够实现水下结构缺陷的检测，但该类算法仅仅能够确定缺陷所在图像的位置，无法准确获得缺陷的边缘和分布。
表1 不同水下结构缺陷检测模型的性能比较[73]
|模型|mAP / %|P / %|R / %|
|原始图像+Yolov5s|43.7|65.0|38.1|
|原始图像+Yolov5s-p|52.5|73.8|45.2|
|增强图像+Yolov5s|67.0|67.0|65.4|
|增强图像+Yolov5s-p(所提出的方法)|71.0|70.0|70.3|
基于深度学习的桥梁水下结构缺陷分割是一种利用语义分割算法来自动分割桥梁水下缺陷区域的方法[76]，能够获得缺陷的像素级分布，可为桥梁水下结构的评估提供决策依据。与目标检测不同，语义分割任务旨在对图像中的每个像素进行分类，将图像中的缺陷目标与背景进行区分，但与前面所述目标检测算法不同，语义分割网络的计算复杂，对于硬件要求高。在定性检测方面，Zhang等[77]使用FCN和Deeplabv3对水下混凝土裂缝进行分割，并提出相应的改进策略，提高了分割的精度和效率，mIoU可达到0.55，但该精度尚不能满足实际工程需要。Teng等[78]通过在水下裂缝的语义分割过程中添加物理信息(图像纹理)进行引导，显著提升了水下混凝土裂缝分割的精度，mIoU达到了0.95，如图5所示;采用物理信息引导方法与非引导方法的对比检测效果如图6所示，通过物理信息引导方法裂缝的细节得到了充分的展现，但需要大量数据样本对模型进行驱动。为解决样本不足问题，Zhu等[79]将深度语义分割网络与模型超参数优化算法相结合，提出了一种基于知识耦合驱动的大坝水下裂缝数据智能感知方法，结果表明所提出的方法在测试集中实现了0.93的mIoU和0.97的准确率。Fan等[80]将多级对抗迁移网络应用于水下混凝土裂缝图像分割，以减少数据标记工作，并将注意力机制集成到分割网络中以实现更高的分割精度。Li等[81]利用两阶段混合迁移学习方法，结合轻量级语义分割网络对水下混凝土裂缝进行实时分割，克服了标记数据不足的问题。
上述研究仅针对缺陷的分割进行定性检测研究，为了评估缺陷的严重程度，缺陷的量化也受到了学者们的关注。缺陷量化物理指标包括长度、宽度和面积等。Qi等[57]利用卷积神经网络和Otsu算法实现了水下混凝土裂缝图像的精确分割，首先通过卷积神经网络对裂缝进行分类，然后使用Otsu算法实现裂缝分割，并以显微镜千分尺标尺的标准线为基准计算裂缝宽度。张云泽[82]通过改进的U-Net语义分割网络分割出裂缝区域，对分割后的裂缝区域使用骨架细化法与轮廓内切圆半径法分别计算其长度、宽度与面积。宋泰毅[83]提出了基于三维点云的桥梁水下缺陷测量算法，采用标定好的相机获取水下缺陷三维点云，根据三维点在X、Y、Z方向的差值，得到缺陷长度、宽度和深度;使用泊松曲面重构算法对缺陷进行重建，利用海伦公式计算得到缺陷的面积，利用三维凸包算法求出墩台缺陷的体积。Yu等[84]通过爬墙机器人对水下混凝土裂缝图像进行采集，提出了一种水下裂缝的语义分割模型，实现了高精度的裂缝分割和量化。
总的来说，通过深度学习方法对水下结构裂缝进行检测是目前较为热门的研究领域，基于深度学习的缺陷检测技术能够为后续的桥梁结构缺陷评估量化提供技术支撑。上述研究主要集中在裂缝检测方面，混凝土剥落、腐蚀、空洞和麻面等缺陷由于受到水下能见度低，水生物附着以及不同缺陷特征相似性过高等的影响，检测难度较大，未来需要针对这些缺陷的智能识别和量化开展系统性研究。
上述检测方法虽然能够实现桥梁水下缺陷检测，但由于光学相机在水下拍摄视野小，只能获取桥梁局部的缺陷信息，无法准确定位缺陷在结构中的具体位置。水下三维激光扫描技术可通过在不同测站对桥梁结构进行三维扫描，获得结构的点云数据，并结合数据拼接技术实现桥梁水下结构的三维建模，结合上述相关的检测技术即可实现水下结构缺陷的三维可视化呈现，进而实现桥梁水下缺陷的定位。Yang等[85]提出了一种基于水下RGB激光扫描系统的三维色彩重建方法，结果证实水下目标可以同时在毫米尺度上与彩色纹理进行三维重建。Xue等[86]开发了一种低成本的水下三维激光扫描系统，该系统由低照度水下摄像机和绿线激光投影仪组成，并通过对三维重建系统的折射进行补偿，以减少光线在不同介质表面的折射引起的角度误差，减少折射对图像质量的影响，经补偿后达到了极好的重构效果，在140~2500mm的工作距离内，该系统的误差小于0.6mm。Yu等[84]通过三维激光扫描获得桥梁水下结构的点云数据，并提出了一种基于神经辐射场的三维重建算法，完成了桥梁水下结构的重建，实现了水下混凝土结构的完整表面和裂缝分布的可视化。虽然水下三维激光扫描技术在桥梁水下结构检测方面极具潜力，但对水质的透明度要求很高，通常只适用于清水环境，未来有待进一步提升该技术的应用范围和技术水平，积累更多的经验。
总的来说，基于深度学习的缺陷检测技术虽然在水下桥梁结构的裂缝检测方面取得了丰富的成果，但针对其他缺陷，如混凝土剥落、腐蚀、空洞和麻面的缺陷检测难度大，目前的技术很难实现智能检测，相关的研究较少。仅仅依靠深度学习方法并不能解决全部问题，首先，多样性的缺陷类型会增加训练和检测的难度;其次，深度学习模型通常需要大量的标注数据来进行训练，以便准确地识别和分割缺陷。然而，获取大规模的水下高质量标注数据极具挑战性，缺乏足够的数据可能会限制模型的性能和泛化能力。水下三维激光扫描技术受水中微生物及水体质量的影响，浑浊的水域会导致数据质量显著降低，难以实现桥梁水下结构表观缺陷的精确检测[87]。此外，由于光照不均匀、水对光的吸收和散射等影响，水下检测图像存在颜色失真、对比度降低、畸变、细节缺失和信噪比低下等问题[88-92]。未来可使用短波红外激光或多波段激光扫描技术优化激光的波长选择，确保在浑浊水域中激光仍能有效穿透微生物和悬浮颗粒，减小数据散射和吸收的影响。
3 基于声学原理的桥梁水下结构检测
3.1 桥梁水下地基冲刷检测
声学检测技术主要利用声波传播的特性，通过发射、接收、反射、散射、衍射等声波信号的特点来检测结构物的状况[93-94]。当声波遇到裂缝或空洞等缺陷时，反射信号的强度和时间延迟会发生变化，散射信号会因缺陷边缘的不规则性而向不同方向扩散，衍射现象则帮助检测缺陷的边界形状。此外，声波穿过带有缺陷的结构时，信号会出现波形失真、能量衰减和传播速度变化，这些特征可用于判断缺陷的大小和位置。声呐成像技术对环境的适应能力强，不受光线、水质浑浊度等因素影响，并且具有高效的数据采集效率，得到了研究人员的广泛关注。声呐成像通过发射声波并接收其从目标反射回来的回波，利用这些回波信号生成目标物体的图像。常见的声呐设备包括多波束测深声呐、侧扫声呐以及合成孔径声呐等[95]。多波束声呐能够同时获取广泛的水下信息，适用于深水环境，检测距离通常可超过1000m，精度在几厘米至几米之间，常用于海底地形绘制和环境监测。侧扫声呐通常用于大面积水域的成像，适合在较浅的水域中工作，检测距离可达数百米，精度范围一般在几厘米，适用于海洋考古和海洋资源调查。合成孔径声呐具有更高的分辨率，适用于复杂地形的细致成像，检测距离可达数千米，精度通常在分米级别，广泛应用于海洋勘探和军事侦察。
桥梁地基冲刷是导致桥梁失效的主要诱因[96]，声呐技术可用于桥梁基础冲刷和掏空等检测。在冲刷的定性检测方面，DeFalco等[97]研究了水下基础冲刷坑的整体声呐成像情况，探明了连续测量洪水期间桥墩基础附近的冲刷演变规律。Shin等[98]开发了一个由剖面声呐、旋转驱动器和紧凑型数据记录器组成的三维冲刷监测系统来测量跨海桥墩的冲刷轮廓。Hayde等[99]在位于特拉华州印第安河入口处的大桥上安装了一个冲刷监测系统，该系统使用2个三维剖面声呐，每天观测超过19000m²的冲刷区域。Rogers等[100]将声呐扫描仪安装在旋转云台上，测量了桥墩的局部冲刷孔的复杂侵蚀和沉积特征。朱彦洁等[101]提出了一种面向桥梁水下三维声呐点云的水下群桩空间形态提取方法，为后续桩基周边地基冲刷和掏空的识别及量化提供精准数据支持。王文轩等[102]通过二维声呐对水下斜桩的斜率进行测量，以判断长期冲刷作用下斜桩是否发生变位。
在定量检测方面，Topczewski等[103]通过扫描声呐采集了桥梁地基冲刷坑的侧面轮廓的2D声呐图像，对各点冲刷深度进行定位并测量了冲坑间的距离。Hou等[104]提出了一种利用声呐设备和深度卷积网络(U-Net)的快速检测框架，定量测量了河床冲刷深度。何林?等[105]通过多波束三维声呐系统探测桥梁河床地形地貌、水下基础外观、水下基础冲刷等情况，获得了准确的桩基出露高度。张龙等[106]将2台双轴扫描声呐设备固定安装在指定桥墩上，声呐探头以一定的水平角度和垂直角度步进旋转，在水平、垂直旋转指定角度区间形成一幅完整的三维点云图像用于测量桥梁地基冲刷坑的深度和范围，测量结果与实际值基本一致。通过对桥梁地基冲刷进行定量检测能够及时判断冲刷的严重程度，为冲刷处置加固提供了决策依据。
以上工作虽然验证了声呐在冲刷检测中的可行性，但大都集中于单桩(墩)的监测/检测，虽然在群桩形态提取也取得了一定的成果，但上述检测方法缺乏反映冲刷随时间和空间发展的长期监测数据[107]。未来可以借助声呐构建水下结构冲刷的三维图像，并记录缺陷的历史发展过程，便于预测冲刷的发展趋势[108]。此外，声呐成像的图像相对抽象，不如光学图像直观，对于非专业人士来说可能难以理解;在近距离检测时，可能会出现旁瓣效应，即主瓣周围的旁瓣同时成像，导致图像中出现虚线或虚图，干扰了真实缺陷的识别。这些因素都会导致桥梁水下缺陷检测的精度。未来需重点关注声呐特征的解析及探测范围的适用性规律。
3.2 桥梁水下结构表观缺陷检测
3.2.1 声呐成像与人工检测方法
对于桥梁水下结构表观缺陷检测，如裂缝、剥落、露筋、桩基缩径等，声呐扮演着重要角色，能够提供水下结构的声信号图像，帮助探测和识别水下缺陷。在定性检测方面，Zhang等[109]提出了一种基于三维成像声呐的水下桥墩检测技术，并通过声呐图像辨识桥梁缺损情况。Chen等[110]采用侧扫声呐成像、三维声呐成像以及声学CT扫描技术，对杭州一座古拱桥进行水下基础表观缺陷探测，结果证实该方法可以大大提高工作效率，准确获取水下基础的损坏情况。江文浩等[111]利用侧扫声呐与测深仪开展了水下混凝土结构表观缺陷的检测，并且通过对侧扫声呐图像解译准确定位缺陷所处位置。在缺陷量化方面，彭国超[112]根据三维声呐成像原理，构建了桥墩水下测量技术，并对测量数据进行归算、滤波和抽稀处理，结合Surfer软件建立桥墩的三维声呐图，大多数桥墩缺陷的检测偏差低于0.1m。林晓威[113]通过桥墩二维声呐图像重构目标三维模型方法实现了剥落深度的计算，成像尺寸与真实尺寸误差小于5mm。上述研究案例均利用人工对声呐图像进行解析，结果受检测人员主观性的影响。
利用声呐检测桥梁水下结构表观缺陷尚存在一定的局限性。声呐图像比较抽象、难以理解，缺陷的位置和类型需要专业的人员进行人工判读识别。声呐图像与光学图像的缺陷特征存在较大差异，缺陷特征提取对判读人员要求很高且易出错[114]。同时，由于声波在传播过程中的散射和衰减，声呐图像中的目标边缘往往会出现弱化、不规则、不确定甚至残缺不全的现象，这也进一步降低了成像精度。
3.2.2 深度学习方法
为了解决上述检测方法存在的问题，许多研究者开始尝试使用深度学习方法进行声呐图像识别。利用深度学习方法可以自动学习和提取图像特征，无需进行手动特征设计，克服了人工判读的主观性和效率低的问题，从而提高声呐图像检测的性能。骆剑彬等[115]对水下实桥的桩墩以及相应的试验模型进行了声呐扫描，获取了大量图像，并分析了声呐图像的病害特征，然后对Faster R-CNN框架下的VGG16网络模型进行改进，实现了水下桩墩多类病害的识别和定位。Cao等[116]通过改进的YOLOV9c对水下混凝土裂缝进行定位检测，mAP值高达0.835。Hou等[104]提出一种基于U-Net的卷积网络精确分割桥梁水下结构病害，mIoU和IoU最高可达0.918和0.63。此外，Sun等[117]通过对DeepLabv3+解码器进行修改提高了裂缝分割精度，实现了0.914的mIoU，并准确识别了剥落和钢筋外露等缺陷。Song等[118]应用AUV对青岛胶州湾大桥进行检查，通过改进的CNN模型将桥梁声呐图像进行分割，研究表明该模型对散斑噪声和强度不均匀性具有鲁棒性。
上述研究证实了深度学习方法在桥梁水下结构缺陷声呐检测领域的适用性，但如果缺乏有标记的样本数据[119]，训练一个足够可靠的深度学习模型难度很大。许多研究表明，迁移学习(Transfer learning, TL)方法可有效解决模型训练中数据不足的问题[120]。Jin等[121]通过使用前视声呐和CNN实现了水下失事物体的精确分类检测，又针对训练数据不足的问题，开发了一种基于迁移学习的网络训练方法以提升检测的精度。Li等[122]研究了一种用于声呐图像分类和目标检测的迁移学习算法，将图像的纹理特征视为领域特定特征，并通过丢弃领域特定特征来缩小领域差距，从而更容易完成迁移。但已有的迁移学习案例仅仅应用到水下物体的检测，在桥梁的缺陷检测领域暂未见报道，未来可以使用迁移学习技术对缺陷声呐检测精度进行提升。
目前，声呐技术主要用于桥墩冲刷深度检测，针对桥梁水下表观缺陷的检测仍停留在粗糙的定性阶段(如缺陷分类和目标检测)，声学图像过于抽象，仅靠深度学习算法并不能完全满足检测需求，还需要配合图像增强、降噪和特征处理技术。尽管水下声呐图像和光学图像本质上都是能量的平面或空间分布，但二者的成像特点截然不同[123]。声呐图像与点云信号的分布特征、密度差异、信号强度相关，通常难以理解，且易受到声波辐射特性和环境噪声的影响，导致图像边缘不规则，目标可能被遮挡或出现缺损，这些问题限制了声呐技术在水下检测中的应用。由于缺陷与声呐之间的相对距离、方向和姿态的差异，缺陷在不同声呐图像中表现出不同特征。因此，建立缺陷与其对应图像特征之间的关系是未来研究的关键。声呐成像与光学成像特征之间存在显著差异，建立二者的映射关系，可为水下光学图像与声学成像(如多波束声呐或侧扫声呐)结合使用做铺垫，这也是未来研究的重点之一。声呐成像受水质影响较小，可以补充光学图像在复杂水体环境中的不足，通过数据融合技术将声、光图像融合来提升桥梁整体检测的精确度。
4 桥梁水下结构接触式无损检测
接触式检测方法是一类通过传感器直接与被检结构物接触，利用结构的反馈信息来检测结构内部缺陷、强度、弹性模量、保护层厚度、钢筋分布等的方法。接触式无损检测方法涵盖了多种技术手段，如超声波检测、回弹法检测、超声-回弹综合法检测、电磁法检测、层析成像等技术，每种方法都具有特定的优势和适用范围。目前，陆地接触检测技术已经非常成熟，在工程结构中得到了广泛应用。然而，水下接触式无损检测技术发展缓慢，接触式检测设备会受到复杂水下环境的严重影响，搭载和操作难度比较大，可靠性不易把控，在工程中的应用尚比较少见。
超声波检测是一种基于声波传播的方法，其工作原理是向结构物发送超声波脉冲，超声波脉冲在传播过程中会出现反射和折射，通过测量回波信号的特征，可以判断结构强度和内部缺陷情况。目前，水下超声波检测技术尚处于试验探索阶段。Jain等[124]开发了基于超声波的嵌入式技术用于检测水下混凝土的内部缺陷、孔隙率等，取得了令人满意的效果。Park等[125]在超声波检测仪的探头部分增加了防水金属外壳，实现了水下混凝土强度的测量。Park等[126]使用超声波检测了焊接区域有裂缝的水下T形钢结构。虽然超声波方法具有高分辨率和深度穿透能力[127]，但是声信号系统的性能会受到周围水流的影响，超声波在水中的衰减也是不得不考虑的问题。周乐琳等[128]提出了超声波换能器的防水改装方法，利用概率统计法判断所采集的超声数据的异常点，结合水下混凝土各测点声时差和几何关系对缺陷大小进行定量分析，所测得的缺陷位置和大小与实际情况基本相符。
本文作者团队首次将超声波换能器搭载到水下机器人上，如图7(a)所示，所设计的搭载平台可确保换能器与被检对象紧密接触以及水下机器人和换能器的协同工作，为桥梁水下结构的超声检测提供了新手段。为了更加直观显示内部缺陷，超声层析成像技术被用于超声数据的分析，该方法是在不破坏待测混凝土结构的前提下，将其抽象为一层层薄片，利用超声仪来获取混凝土结构的声学参数分布情况，进而得到各层薄片图像，最后将所有薄片的图像结合起来得到试件的重建图像，从而研判被检对象的内部缺陷。邵鹏飞等[129]提出了一种水下目标投影层析成像方法，验证了投影层析方法对水下指定区域反射性目标探测的可行性。Martin等[130]采用超声波层析成像检测后张法预应力桥梁。赵明阶等[131]对大型桥梁基桩进行超声波层析成像，开展隐患检测。Butchibabu等[132]在印度某公路桥上对桩基周围的岩石强度进行层析成像，根据成像检测结果评估桩基的可靠性。水下结构层析成像检测技术对检测设备和计算资源要求高，加之水下环境复杂，该技术尚在探索阶段。本文作者团队在试验过程中发现水下环境的压力变化、水流速度均可能导致超声波传播速度的变化，进而影响回波信号的特征识别和缺陷评估。
回弹法是一种常用于混凝土结构表面强度测量的方法，通过将弹性体冲击到结构表面，记录其反弹高度，反弹高度的变化与混凝土的强度成正比，通过测量混凝土表面的弹性回弹值来评估其强度。在水下环境中，传统的表面强度测量方法难以应用，需要对回弹仪进行防水处理。Lee等[133]通过回弹法对水下混凝土结构进行强度测量，并在现场试验中验证了回弹法的海场适用性，并推导了混凝土抗压强度估计方程。Shin等[134]提出了一种基于回弹硬度的水下混凝土强度评估的新方法，并通过一系列试验工作验证了其可行性。回弹法可以用于定量评估不同位置混凝土的强度，可用于比较不同位置的结构性能差异。回弹法的检测深度较浅，且混凝土表面的光洁度和均匀性会对回弹测试结果产生影响，不平整或受损的表面可能会导致不准确的检测结果。在水下高压环境中，弹性体的反弹特性可能会有所改变，导致强度测量不准确，需要进一步探索水下反弹特性与结构强度的关系。目前，水下回弹仪的使用均需通过人工操作来完成，对于潜水员无法到达的深水环境下的混凝土表面强度测试必须借助水下机器人来完成，为此本文作者团队设计了回弹仪搭载平台，并将其搭载于水下机器人上，如图7(b)所示，机器人可实时调整回弹仪与被检测对象的角度，并向回弹仪发出指令撞击被检对象，获取回弹值，但回弹值与水压、水流之前的关系尚有待研究。
超声-回弹综合法是指采用超声仪和回弹仪，在构件混凝土同一测区分别测量声音和回弹值，然后利用已建立起的测强公式推算测区混凝土强度。与单一回弹法或超声法相比，超声回弹综合法具有测试精度高、适用范围广、能够较全面地反映结构混凝土的实际质量等优点。Park等[125]在实验室通过对回弹仪和超声仪进行防水改装建立了可有效推定水下结构混凝土强度的水下超声-回弹测强法，并通过人工神经网络对强度进行估计，在一系列实验室试验中验证了该方法的有效性。但实验室的试验并不能完全适用于真实的水下场景，未来基于水下机器人的超声-回弹综合法在实际工程中的应用将大有可为。
电磁法主要根据介质电磁性质的差异来区分结构缺陷，该方法通过将电磁场施加于被检测结构测量电磁场的变化，来识别和评估结构内部的缺陷或异常。最常用的电磁方法有探地雷达(Ground Penetrating Radar, GPR)方法[135]。Forde等[136]使用GPR对桥梁的冲刷进行检测，结果证实该方法在浅淡水环境的冲刷检测中具有优异的表现，但在深水环境中未进行验证。Campbell等[137]通过GPR对公路桥和铁路桥的桥墩冲刷情况进行了检测，获得了冲刷的二维图像，相比声波电磁波受水的质量和浊度影响更小，声波依赖于水分子的振动，因此在有杂质的水中容易被散射和吸收;而电磁波，尤其是低频电磁波，波长较长，对水中的微小颗粒不敏感，因而受水质和浊度的影响较小。但GPR不能在盐水或海水中作业，因为GPR的高导电性会导致电磁能量的高速衰减，导致GPR接收不到反射信号，这限制了GPR在海洋环境中的应用。最近，作者团队将电磁探头搭载到自主开发的多功能水下机器人上，如图8所示，并收集所探测的钢筋电磁场变化来判断钢筋的分布和间距以及混凝土保护层的厚度，为未来桥梁水下结构的无损检测开辟了新途径。
长期以来，由于缺乏有效的技术手段，桥梁水下结构接触检测往往被忽略。既有水下接触式检测方法基本停留在实验室研究阶段，在实际工程中的有效性尚待验证。另外，接触式检测方法通常需要将检测设备或传感器与结构物表面保持紧密接触，目前基本只能靠人力辅助来完成，但对于人力无法触摸到的深水桥墩和桩的接触检测尚无法开展。利用水下机器人代替潜水员搭载接触检测设备可实现高效的接触式无损检测，将多种接触式检测方法和水下机器人结合起来进行水下结构接触式无损检测将是未来一项极具潜力的工作，重点聚焦于接触检测设备搭载平台的设计、水下机器人与接触检测设备协同工作和通讯框架的构建，以及如何消除水流环境对检测数据的影响等等。
5 挑战和未来的方向
5.1 桥梁水下结构检测机器人研发
小体积水下机器人虽然灵活，但由于抗扰流能力差，稳定性不足，在水流流速较大的环境下使用效果不佳，且脐带缆易缠绕在被检对象表面。相反，大体积水下机器人虽然稳定性较好，但灵活性较差，难以适应狭小或复杂的水下空间。当前急需研发一种水下检测机器人，兼具稳定性和灵活性，能够在各种水流环境下保持稳定，并具备足够的机动性以适应不同检测任务。此外，机器人的控制系统和传感技术也需创新，以提升适应性、准确性和自主性，满足复杂桥梁水下结构检测需求[138-139]。未来水下检测机器人的发展将聚焦于：
(1)提升抗干扰和抗冲击能力：通过使用高性能的传感器和实时反馈控制系统，结合深度学习技术，研发具有自适应能力的控制算法，确保在强水流条件下机器人仍能稳定运行。例如，利用模糊控制和滑模控制等先进控制策略来增强机器人对环境变化的响应，同时配备声学多普勒速度仪(DVL)来实时测量水下机器人速度，并通过预设时间控制方法确保机器人速度跟踪误差能够在规定时间内收敛，从而实现良好的抗扰流性能。
(2)智能水平与自适应控制：开发基于强化学习的路径规划算法，使机器人能够在动态环境中自主选择最优路径。同时，开发环境感知系统，使用多种传感器(如深度摄像头、声呐、激光雷达等)获取环境信息，以便及时调整运动策略，实现自动避障。
(3)自主维护和搭载能力：研发模块化水下机器人，允许快速更换不同类型的模块(如接触式检测设备、视频摄像头、声呐和机械臂等)，以适应不同的检测任务。此外，结合多机器人协作技术，设计群体编队智能算法，使多个机器人能够协同工作，提升检测效率。
(4)实时数据处理：通过边缘计算技术，设计专用处理单元，能够在水下实时处理传感器数据，实现自主路径规划和实时数据传输。利用数据融合算法(如卡尔曼滤波和粒子滤波)提高数据的准确性，并实时更新检测结果。
5.2 桥梁水下结构光学检测技术
光学检测技术在桥梁水下结构检测和维护中发挥着重要作用，但也面临一些挑战。在水下环境中，光的传播受到吸收、散射和折射等因素的影响，导致信号强度逐渐减弱，这可能会限制光学传感器的探测距离和分辨率，尤其在深水和浑水环境中，水中悬浮的颗粒物和藻类等会导致水体浑浊，进一步降低光的传播效率和图像质量，增加检测的难度。此外，光线在水-空气界面发生折射，影响检测的准确性。针对当前的挑战，未来的研究方向可以聚焦于以下几个方面：
(1)图像增强和去噪：研究基于CNN的图像去噪技术，结合超分辨率重建算法，提高水下图像的清晰度。同时，可以开发自适应直方图均衡算法，增强图像对比度，从而提取更清晰的特征。
(2)多源异构数据融合：建立多传感器数据融合平台，将光学传感器与声呐、激光扫描等传感器结合，采用贝叶斯网络进行信息融合，以提高水下缺陷检测的准确性和鲁棒性;实现多源数据的实时同步和处理，优化检测策略。
(3)智能算法开发：利用深度学习和计算机视觉技术，对桥梁水下结构常见缺陷进行自动识别和目标跟踪，开发基于YOLO或Mask R-CNN的实时目标检测系统，从而降低人工干预，提高检测效率。
5.3 桥梁水下结构声学检测技术
基于声学的桥梁水下缺陷检测技术亦是一种重要的水下结构检测手段。尽管声学技术在水下环境中具有优势，但同样面临挑战，如声波传播受到水深、水温、盐度等因素的影响，可能导致信号质量下降;声呐点云图像抽象、特征不明显，检测精度不高。未来可以重点开展以下研究：
(1)高分辨率声呐技术研发：发展更先进的声呐传感器和处理算法研发，利用波束形成技术提高声呐系统的空间分辨率，实现对桥梁水下结构缺陷的更精细检测。同时，研究声波信号处理算法，如自适应滤波和时频分析，以增强信号的质量。
(2)智能信号处理：应用机器学习和深度学习技术，对声呐信号进行智能处理和分析，开发基于卷积神经网络的自动识别系统，实现对桥梁水下结构状况的快速检测。
(3)声呐点云与缺陷特征关联：分析声呐点云信号的分布特征、密度差异、信号强度，开发点云去噪算法，提出点云特征提取方法，构建桥梁水下结构缺陷形态与声呐点云特征的关联模型，准确识别和量化桥梁水下结构缺陷。
5.4 桥梁水下结构接触式无损检测技术
桥梁水下缺陷接触式检测方法在水下环境中面临多方面的挑战，包括接触式设备的防水性、数据采集受水流影响以及水下作业的可行性等问题。桥梁内部缺陷往往难以通过图像直观展示，需要结合相关技术实现内部缺陷的可视化。为克服这些挑战，未来的研究将集中在以下关键技术：
(1)传感器技术创新：对陆上传感器进行防水设计，开发更精确、多功能的水下传感器，以满足不同材料和环境条件下的接触式检测需求。例如，研发防水回弹仪以及水下超声设备，以实现高精度水下混凝土强度和内部缺陷检测。
(2)层析成像技术的应用：将层析成像技术用于桥梁内部缺陷的重建，结合计算机断层扫描(CT)算法，实现缺陷的高分辨率可视化以及3D重构。
(3)接触式设备的水下搭载技术：接触检测设备搭载于水下机器人的搭载平台设计和控制算法编写，确保接触检测设备与水下机器人的协同工作和检测数据的精确性。
(4)通讯框架建立：建立数据链路聚合策略设计接触式检测设备通讯框架，实现接触检测数据实时传输能力，为桥梁水下结构的接触式检测任务提供自动化解决方案。
6 结语
水下检测技术在桥梁结构检测中的应用前景广阔，但仍面临若干挑战：
(1)水下机器人作为检测设备的载体，结合光学与声学检测手段，展现了良好的发展潜力。然而，水下机器人的抗扰流能力和动态路径规划算法亟需优化，未来研究应聚焦于这些关键技术的提升。
(2)光学图像在识别桥梁水下结构表面缺陷方面具有重要价值，但复杂的水下环境常导致图像质量下降，进而影响检测精度。因此，未来应加强对光学图像增强技术、缺陷智能识别和目标跟踪算法的研究，以提高在水下环境中的应用效果。
(3)声呐技术在探测桥梁缺陷方面同样具备优势，但其图像抽象、解析性较差，且难以精确识别早期或微小缺陷。未来研究应致力于光学与声学数据的融合，发挥各自优势，以实现更全面的结构检测与监测。
(4)结合接触式检测设备与水下机器人，虽能测量桥梁水下结构内部缺陷和材料特性，但在防水和稳定性方面仍需克服技术难题。针对水下机器人与接触检测设备的协同工作能力、通讯框架的建立以及消除水环境对检测数据的影响研究，具有重要的实际应用价值。
未来的研究应注重跨学科的技术融合，特别是人工智能与大数据在桥梁水下结构检测中的应用，将推动桥梁水下结构检测领域的创新与发展。
参考文献
[1] 熊文，蔡春声，张嵘钊. 桥梁水毁研究综述[J]. 中国公路学报，2021，34(11)：10-28.
[2] YANG Y，HIROSE S，DEBENEST P，et al. Development of a stable localized visual inspection system for underwater structures[J]. Advanced Robotics，2016，30(21)：1415-1429.
[3] GUO S，CHEN S，LIU F，et al. Binocular vision-based underwater ranging methods[C]∥IEEE. 2017 IEEE International Conference on Mechatronics and Automation(ICMA). New York：IEEE，2017：1058-1063.
[4] ZHANG W D，DONG L L，ZHANG T，et al. Enhancing underwater image via color correction and bi-interval contrast enhancement[J]. Signal Processing：Image Communication，2021，90：116030.
[5] GAN J，LI S Z，WANG B，et al. Underwater detection technology for engineering structures and its application[J]. Journal of Wuhan University of Technology(Transportation Science & Engineering)，2021，45(3)：2095-3844.
[6] 宋佳玲，刘爱荣，周浩翔，等. 水下机器人在桥梁检测中的应用及其抗流性技术综述[J]. 世界科技研究与发展，2023，45(3)：365-382.
[7] 韩天保，王岳，任世昌，等. 面向无人水面艇的水下伪装目标检测方法[J]. 舰船科学技术，2024，46(19)：85-91.
[8] 邓平，陈勇，栾涛，等. FPSO旋转状态下的单点系泊系统水下检测技术[J]. 中国造船，2013，54(增1)：296-299.
[9] 徐玉如，庞永杰，甘永，等. 智能水下机器人技术展望[J]. 智能系统学报，2006，1(1)：9-16.
[10] HUANG B X，CHEN G，ZHANG H F，et al. Instant deep sea debris detection for maneuverable underwater machines to build sustainable ocean using deep neural network[J]. Science of the Total Environment，2023，878：162826.
[11] ZHAO W Y，HAN F L，QIU X J，et al. Research on the identification and distribution of biofouling using underwater cleaning robot based on deep learning[J]. Ocean Engineering，2023，273：113909.
[12] WU Z，LIU A，TENG S，et al. A multi-stage method for defect detection of underwater structures based on deep learning[J]. Structural Health Monitoring，(2024-12-25)[2025-01-30]. https：∥doi.org/10.1177/14759217241301098.
[13] TENG S，LIU A R，SITU Z X，et al. Plug-and-play method for segmenting concrete bridge cracks using the segment anything model with a fractal dimension matrix prompt[J]. Automation in Construction，2025，170：105906.
[14] 谢文高，张怡孝，刘爱荣，等. 基于水下机器人与数字图像技术的混凝土结构表面裂缝检测方法[J]. 工程力学，2022，39(增1)：64-70.
[15] MA Y P，WU Y，LI Q W，et al. ROV-based binocular vision system for underwater structure crack detection and width measurement[J]. Multimedia Tools and Applications，2023，82(14)：20899-20923.
[16] YAMAN O，TUNCERT O，ERTAM F. An automated crack detection method for underwater structures based on multi-level DWT and LPQ feature generation[J]. Multimedia Tools and Applications，2023，82(27)：42331-42352.
[17] UEDA T，HIRAI H，FUCHIGAMI K，et al. Inspection system for underwater structure of bridge pier[J]. Proceedings of International Conference on Artificial Life and Robotics，2019，24：521-524.
[18] CHEN H H，CHUANG W N，WANG C C. Vision-based line detection for underwater inspection of breakwater construction using an ROV[J]. Ocean Engineering，2015，109：20-33.
[19] LI Y L，LIU W D，LI L，et al. Vision-based target detection and positioning approach for underwater robots[J]. IEEE Photonics Journal，2023，15(1)：1-12.
[20] KATO N，CHOYEKHM，DEWANTARA R，et al. An autonomous underwater robot for tracking and monitoring of subsea plumes after oil spills and gas leaks from seafloor[J]. Journal of Loss Prevention in the Process Industries，2017，50：386-396.
[21] GALCERAN E，CARRERAS M. A survey on coverage path planning for robotics[J]. Robotics and Autonomous Systems，2013，61(12)：1258-1276.
[22] GARAU B，BONET M，ALVAREZ A，et al. Path planning for autonomous underwater vehicles in realistic oceanic current fields：Application to gliders in the western Mediterranean Sea[J]. Journal of Maritime Research，2009，6(2)：5-22.
[23] YAO P，SUI X Y，LIU Y H，et al. Vision-based environment perception and autonomous obstacle avoidance for unmanned underwater vehicle[J]. Applied Ocean Research，2023，134：103510.
[24] SARAVANAKUMAR S，ASOKAN T. Multipoint potential field method for path planning of autonomous underwater vehicles in 3D space[J]. Intelligent Service Robotics，2013，6(4)：211-224.
[25] 吴志华，罗创涟，刘爱荣，等. 桥梁水下结构病害智能检测方法[J]. 结构工程师，2023，39(6)：9-17.
[26] CHEN X，BOSEN，BRITO M，et al. Risk-based path planning for autonomous underwater vehicles in an oil spill environment[J]. Ocean Engineering，2022，266：113077.
[27] SGORBISSA A，ZACCARIA R. Planning and obstacle avoidance in mobile robotics[J]. Robotics and Autonomous Systems，2012，60(4)：628-638.
[28] HAO B，YAN Z P，DAI X F，et al. Feedback-dubins-RRT recovery path planning of UUV in an underwater obstacle environment[J]. Journal of Sensors，2020，2020：8824202.
[29] LIU X F，FANG Y C，ZHANG Z H，et al. A cooperative evolutionary computation algorithm for dynamic multiobjective multi-AUV path planning[J]. IEEE Transactions on Industrial Informatics，2024，20(1)：669-680.
[30] JIN Z R，ZOU Z L，ZHANG L. 3D trajectory planning of underwater vehicle based on DPACO algorithm[C]∥YAN L，DUAN H，YU X. Proceedings of 2020 International Conference on Guidance，Navigation and Control. Singapore：Springer Press，2022：3041-3051.
[31] VINOTH K S，JAYAPARVATHY R，PRIYANKA B N. Efficient path planning of AUVs for containership oil spill detection in coastal areas[J]. Ocean Engineering，2020，217：107932.
[32] HADI B，KHOSRAVIA，SARHADI P. Deep reinforcement learning for adaptive path planning and control of an autonomous underwater vehicle[J]. Applied Ocean Research，2022，129：103326.
[33] BUŘONIUL，DE BRUIN T，TOLIĆ D，et al. Reinforcement learning for control：Performance，stability，and deep approximators[J]. Annual Reviews in Control，2018，46：8-28.
[34] CUI R X，YANG C G，LI Y，et al. Adaptive neural network control of AUVs with control input nonlinearities using reinforcement learning[J]. IEEE Transactions on Systems，Man，and Cybernetics：Systems，2017，47(6)：1019-1029.
[35] LEWIS F L，VRABIE D，VAMVOUDAKIS K G. Reinforcement learning and feedback control：Using natural decision methods to design optimal adaptive controllers[J]. IEEE Control Systems Magazine，2012，32(6)：76-105.
[36] KHAN S G，HERRMANN G，LEWIS F L，et al. Reinforcement learning and optimal adaptive control：An overview and implementation examples[J]. Annual Reviews in Control，2012，36(1)：42-59.
[37] YOU C X，LU J B，FILEV D，et al. Advanced planning for autonomous vehicles using reinforcement learning and deep inverse reinforcement learning[J]. Robotics and Autonomous Systems，2019，114：1-18.
[38] 张柏楠，韩勃，李宁博，等. 长距离水工隧洞运营期无人检测技术及病害识别方法研究进展[J]. 应用基础与工程科学学报，2021，29(5)：1245-1264.
[39] LI W L，WU W Q，WANG J L，et al. A novel backtracking navigation scheme for Autonomous Underwater Vehicles[J]. Measurement，2014，47：496-504.
[40] BONIN-FONT F，MASSOT-CAMPOS M，NEGRE-CARRASCO P，et al. Inertial sensor self-calibration in a visually-aided navigation approach for a micro-AUV[J]. Sensors，2015，15(1)：1825-1860.
[41] 徐鹏飞，陈梅雅，开艳，等. 大型水电站坝体检测水下机器人研究进展[J]. 清华大学学报(自然科学版)，2023，63(7)：1032-1040.
[42] RIGBY P，PIZARRO O，WILLIAMS S. Towards geo-referenced AUV navigation through fusion of USBL and DVL measurements[C]∥IEEE. OCEANS 2006. New York：IEEE，2006：1-6.
[43] 黄玉龙，张勇刚，赵玉新. 自主水下航行器导航方法综述[J]. 水下无人系统学报，2019，27(3)：232-253.
[44] 王英志，范文涛. 水下导航定位技术研究进展[J]. 数字海洋与水下攻防，2020，3(5)：372-381.
[45] CAO W X，LI J J. Detecting large-scale underwater cracks based on remote operated vehicle and graph convolutional neural network[J]. Frontiers of Structural and Civil Engineering，2022，16(11)：1378-1396.
[46] HUANG Y H，ZHUO Q Y，FU J Y，et al. Research on evaluation method of underwater image quality and performance of underwater structure defect detection model[J]. Engineering Structures，2024，306：117797.
[47] WANG R，WANG G，LAN G，et al. Underwater image enhancement methods based on CNN-PDE[J]. Journal of Information and Computational Science，2014，11(14)：4999-5006.
[48] YANG M，HU K，DU Y X，et al. Underwater image enhancement based on conditional generative adversarial network[J]. Signal Processing：Image Communication，2020，81：115723.
[49] HU Z Y，CHEN Q，ZHU D Q. Underwater image enhancement based on color balance and multi-scale fusion[J]. Optics and Precision Engineering，2022，30(17)：2133-2146.
[50] SCHETTINI R，CORCHS S. Underwater image processing：State of the art of restoration and image enhancement methods[J]. EURASIP Journal on Advances in Signal Processing，2010，2010：746052.
[51] ZHAO X W，JIN T，QU S. Deriving inherent optical properties from background color and underwater image enhancement[J]. Ocean Engineering，2015，94：163-172.
[52] XING F，FAN X N，SHI P F，et al. A fine extraction algorithm for image-based surface cracks in underwater dams[J]. Measurement Science and Technology，2023，34(3)：035402.
[53] ZHANG Z，FAN X N，XIE Y J，et al. An edge detection method based artificial bee colony for underwater dam crack image[C]∥TOYOHIKO Y，YOSHIHISA A，OSAMU M，et al. Biomedical Imaging and Sensing Conference. Yokohama：SPIE Digital Library，2018：566.
[54] SANKPAL S S，DESHPANDE S S. Nonuniform illumination correction algorithm for underwater images using maximum likelihood estimation method[J]. Journal of Engineering，2016，2016：5718297.
[55] AO J，MA C B. Adaptive stretching method for underwater image color correction[J]. International Journal of Pattern Recognition and Artificial Intelligence，2018，32(2)：1854001.
[56] QI Z L，ZHANG J Y，LIU D H. A CNN-based method for concrete crack detection in underwater environments[C]∥GRAU D，TANG P，ASMAR M E. Construction Research Congress 2020. Tempe：ASCE library，2020：566-575.
[57] QI Z L，LIU D H，ZHANG J Y，et al. Micro-concrete crack detection of underwater structures based on convolutional neural network[J]. Machine Vision and Applications，2022，33(5)：74.
[58] JIANG S F，WANG W，SU Z H，et al. Automatic detection of surface defects on underwater pile-pier of bridges based on image fusion and deep learning[J]. Structural Control and Health Monitoring，2023，2023：8429099.
[59] BAJPAI V，SHARMA A，SUBUDHI B N，et al. Underwater U-Net：Deep learning with U-Net for visual underwater moving object detection[C]∥IEEE. OCEANS 2021：San Diego-Porto. New York：IEEE，2021：1-4.
[60] HUANG H，ZHOU H，YANG X，et al. Faster R-CNN for marine organisms detection and recognition using data augmentation[J]. Neurocomputing，2019，337：372-384.
[61] ZHENG Z，HUANG X，WANG L. Underwater low-light enhancement network based on bright channel prior and attention mechanism[J]. PLoS One，2023，18(2)：e0281093.
[62] FU X Y，ZHUANG P X，HUANG Y，et al. A retinex-based enhancing approach for single underwater image[C]∥IEEE. 2014 IEEE International Conference on Image Processing(ICIP).