[发明专利]基于卷积神经网络间迁移学习的桥梁支座病害识别方法

说明书

本发明的一种基于卷积神经网络间迁移学习的桥梁支座病害识别方法，包括以下步骤：获取桥梁支座病害照片，并为每张照片赋予标签信息；运用图像处理的方法，增加用于训练卷积神经网络的数据量；将训练集和测试集中的所有图片缩放成预定大小的彩色图，并进行图像预处理；获取一个在其他数据集上已经训练好的卷积神经网络模型；以知识迁移的方式，得到具有自动识别桥梁支座病害功能的卷积神经网络模型。本发明的一种基于卷积神经网络的桥梁支座病害自动识别方法，通过知识迁移模式训练卷积神经网络在精度，收敛速度上具有明显的优势而且大大减少了训练神经网络所需的数据量，对于病害场景复杂且数据不易收集的桥梁支座病害具有一定的现实意义。

技术领域

本发明涉及土木工程与人工智能交叉领域，具体是一种基于卷积神经网络的桥梁支座病害自动识别方法。

背景技术

随着近年来我国基础设施建设的快速发展，土木行业发展迅速，大量的道路桥梁建设完毕，随之而来的是后期检测与维护工作。桥梁支座是连接桥梁上、下部结构的重要构件，可谓一座桥梁的咽喉所在，关系重大，一旦出现病害，如未及时发现并处理，将影响结构的受力状态和交通安全。目前桥梁支座的检测工作主要途径还是人工检测，这种方法耗时、费力而且会影响交通。一些建在深山、海上的桥梁很难通过人工检测的方法实现，或者很难保证桥梁检测人员的安全。因此，迫切的需要一种桥梁支座病害的自动检测方法。

卷积神经网络是人工神经网络的一种，已经成为当前图像识别领域的研究热点。它的权值共享的网络结构使之更类似与生物神经网络，减少了权值的数量。卷积神经网络可以直接使用多维图像作为神经网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程且具有较高的识别准确率。

Matthew D.Zeiler等人的研究展示了卷积神经网络学习到的特征是分层的，一幅图像总是以像素值数组形式提供网络输入，第一层学习到的特征为边缘信息；网络的较高层检测边缘信息按特定的方式排列组成的基本图案；网络的更高层将基本图案组合起来对应典型物体的部件；这意味这在其他数据集上训练的卷积神经网络所学习到的一些低级特征也可以迁移到桥梁支座病害的识别任务中。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于卷积神经网络的桥梁支座病害自动识别方法。

技术方案：为解决上述技术问题，本发明的一种基于卷积神经网络的桥梁支座病害自动识别方法，包括以下步骤：

S1：获取桥梁支座病害照片，并为每张照片赋予标签信息，标签信息对应于照片所属的桥梁支座病害类型；

S2：运用图像处理的方法，增加用于训练卷积神经网络的数据量；

S3：将获取的桥梁支座病害照片划分训练集和测试集，训练集用于训练卷积神经网络，测试集用于测试网络，并把训练集与测试集中的所有图片缩放成预定大小的彩色图，并进行图像预处理；

S4：获取一个在其他数据集上已经训练好的卷积神经网络模型，并根据桥梁支座病害识别的要求调整该卷积神经网络的输出层节点个数；

S5：以知识迁移的方式，用经过预处理的桥梁支座照片训练卷积神经网络，使用梯度下降与误差反向传播算法调整全连接层的权值，得到具有自动识别桥梁支座病害功能的卷积神经网络模型。

步骤S1中，支座病害照片的数据集应包含多个不同种类的病害。

步骤S2中，通过图像处理的方法增加用于训练卷积神经网络的图像数量，用于提高神经网络的泛化能力。

步骤S3中，图片的大小统一缩放成像素大小为224×224的图片。

步骤S3中，图像的预处理方法为：计算所有图像的像素值之和然后除以图像的数量得到一个均值图像，在每一幅图像中减去所述均值图像的像素值。