[发明专利]基于计算机视觉的桥梁裂缝自动监测与识别方法

说明书

本发明公开一种基于计算机视觉的桥梁裂缝自动监测与识别方法，通过构建训练深度网络模型，以拍摄得到的图像为输入，经过各隐藏层的运算，最终输出得到图像的分类标签，实现裂缝识别，完成计算机对输入图像内容的理解。本发明针对桥梁裂缝的自动监测与识别问题，实现了对于包含复杂背景干扰信息的真实钢箱梁裂缝图像的模型训练、裂缝识别、结果展示的全过程自动化处理。本方法便捷、准确，提升了桥梁裂缝检测的效率以及检测结果的准确度和稳定性。

技术领域

本发明涉及土木工程监测领域，具体涉及一种基于计算机视觉的桥梁裂缝自动监测与识别方法。

背景技术

随着我国国民经济建设的快速发展，越来越多的大型基础设施建设发挥着无比重要的作用，特别是大型钢箱梁跨海大桥。大型钢箱梁跨海大桥由于长期承受复杂的车辆荷载作用，钢箱梁的焊缝处往往由于初始缺陷的存在，造成不同程度的疲劳损伤累积，进而形成疲劳裂缝。疲劳裂缝在荷载的长期效应、疲劳效应与突变效应等灾害因素的耦合作用下，会沿着焊缝方向或向顶板、横隔板等构件扩展，导致桥梁结构产生抗力衰减，极端情况下可能引发灾难事故。因此，桥梁管理部门每年都会投资大量的人力、物力、财力对钢箱梁内部进行人工巡检。当前对于钢箱梁裂缝的检测主要是通过巡检人员目视或借助专业设备，对裂缝进行定位和标记。这样的检测是低效且不准确的，检测花费的时间周期长，且检测结果过多依赖于巡检人员的主观意识。

随着图像处理方法在土木工程中的广泛应用，目前已经有一些基于阈值分割、形态学计算等传统图像处理算法的裂缝识别方法。然而这些方法往往在实际桥梁内部无法得到真正有效的应用。这是因为钢箱梁的内部环境非常复杂，在拍摄到的图像中，诸如结构构件边界、复杂的结构表面状态(如防腐喷漆、磁粉、局部腐蚀等)、不均匀光照条件等，均为钢箱梁内疲劳裂缝的识别带来了巨大困难。其中影响最大的是，往往巡检人员在发现裂缝后会用记号笔沿裂缝走向画出一条标记线，并在裂缝周围记下该裂缝所处的断面位置及初步的尺寸测量结果。在传统图像处理过程中，这些人工标记和手写字迹对真实裂缝的识别带来了巨大的干扰。并且疲劳裂纹的尺度相对较小，有的裂缝宽度仅仅在10^-1mm级，在传统图像处理过程中更容易被当作噪声处理掉。另外，一些识别方法还要求提供图像拍摄的相机内外参数(如物距、像距、拍摄角度等)，或者需要额外的专业测量设备。总体来说，传统的裂缝识别方法需要过多的人工干预，并且成本昂贵。

发明内容

基于以上不足之处，本发明提供一种基于计算机视觉的桥梁裂缝自动监测与识别方法，可用于裂缝图像离线识别评估，也可用于裂缝实时监测。

本发明所采用的技术如下：一种基于计算机视觉的桥梁裂缝自动监测与识别方法，步骤如下：

步骤一，训练集制作：原始输入图像被切割成64×64×3的子单元集合，并从中随机抽取一定比例的样本，样本数量可以根据需要确定；同时观察这些子单元的图像特征，分别打标签，其中数字1代表裂缝单元，2代表手写字迹单元，3代表背景单元，完成后，新添加的子单元集合将会融合到原训练集中，每一个子单元都对应着相应的标签，为了考虑不平衡的三类子单元样本数量的影响，显示此时三种子单元的数量，并以数量最少的子单元数为基准，在其余两类子单元样本中随机抽取相同数量的样本，随后，将每个子单元样本逆时针旋转90度、180度、270度，生成三个新样本，完成数据扩充，每个新扩充的子单元样本拥有与旋转前相同的标签，至此，训练集制作完毕；

步骤二，基于深度网络模型的裂缝识别器训练：搭建融合多级特征的深度卷积神经网络并完成初始化，各层的尺寸和功能如表1所示，以训练集中64×64×3的子单元为输入，相应的标签为输出，训练该网络中的参数，训练过程中的损失函数为softmaxloss函数，优化算法为带动量的随机梯度下降算法，使用学习速率、动量参数和权重参数的初始值，完成后得到的深度网络即为裂缝识别器；

表1深度网络中各层的尺寸和功能