[发明专利]一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法

说明书

本发明公开了一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法，该方法通过TensorFlow框架构建SegNet语义分割深度学习网络，并对其进行训练，进而得到语义分割模型；通过模型对测试集中的图像进行检测，输出要素分割的图像；对要素分割的图像进行边缘检测处理，得到钢筋孔和底部界面的轮廓，并且进行轮廓的查找和绘制；最后对轮廓进行拟合，计算轮廓的长度，获得像素尺寸，并根据比例系数确定制造尺寸。本发明能够适用于外界环境复杂条件下的预制墩柱底部截面钢筋孔的检测，能够较好地对图像目标进行分割，在外界复杂环境下都能达到可接受的测量精度，且优于传统的边缘检测方法。

技术领域

本发明涉及深度学习领域，特别是涉及一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法。

背景技术

装配式桥梁对我国社会经济的发展有着十分重要的影响，因此装配式桥梁的施工质量一直以来都备受关注。而作为装配式工程施工质量的基础和保障，预制构件的外观扫描和误差测量工作是十分重要的。

装配式桥梁预制构件的检测工作占有较大的比重，需要用相应的检测技术对其加工精度进行检测和控制。装配式桥梁在吊装施工前应做好预制构件检测工作，在确保构件尺寸符合要求后方可进行后续的吊装施工。传统的预制构件测量技术已经完全无法满足装配式工程测量的基本需求，新的技术手段在实际测量过程中不断被开发和应用，使用现代化技术手段以及设备进行测量工作已经是常态，目前使用激光扫描技术进行构件检测时，三维激光扫描测量仪成本高，扫描点云处理时间长，且当扫描测量仪一旦精准度不准确之后，重新校准精度比较困难。往往检测耗时较长，且需要特定的环境进行点云扫描。

因此开发一种灵活快速的预制构件吊装关键部位的检测方法尤为重要，利用机器视觉和深度学习网络架构，来扫描预制桥墩底部截面获取关键部位的图像信息，并进行处理。对桥梁的装配面进行图像采集、识别分类、误差测量与重构。可以便捷地提供检测数据，节约时间和费用成本。具有非接触性、实时性、灵活性、精确性等优点。本发明针对上述问题，研发了一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法。为解决上述问题提供技术支持。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法，该方法能够适应环境变化，实时的，有效的解决预制装配式桥梁桥墩钢筋孔制造误差的识别和测量。

为了达到上述目的，本发明基于以下技术方案来实现：

一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法，包括如下步骤：

步骤S1、获取预制桥墩底部混凝土截面图像和预制钢筋孔图像，形成数据集，并且按照一定比例，将所述数据集划分成训练集和测试集；

步骤S2、对所述训练集中的图像进行标注处理；

步骤S3、对所述数据集中的图像进行预处理；

步骤S4、通过TensorFlow框架构建SegNet语义分割深度学习网络，并且将训练集中的图像作为所述SegNet语义分割深度学习网络的输入，对其进行训练，获得权重参数，进而得到语义分割模型；

步骤S5、通过所述语义分割模型对所述测试集中的图像进行检测，输出要素分割的图像；

步骤S6、对步骤S5得到要素分割的图像进行边缘检测处理，得到钢筋孔和底部界面的轮廓，并且进行轮廓的查找和绘制；

步骤S7、对轮廓进行拟合，计算轮廓的长度，获得像素尺寸，并根据比例系数确定制造尺寸。

进一步的，通过工业相机拍摄预制桥墩底部混凝土进而获取预制桥墩底部混凝土截面图像和预制钢筋孔图像。

进一步的，所述步骤S2具体包括：

选取Labelme作标注工具，将所述训练集图像上的钢筋孔标注成绿色，混凝土截面标注成红色，背景标注成黑色；