[发明专利]桥面形态变化识别桥梁结构损伤的CNN-GRNN方法

权利要求书

1.一种桥面形态变化识别桥梁结构损伤的CNN-GRNN方法，其特征在于：包括如下步骤：

S1.获取桥面图像序列；

S2.采用双目立体视觉三维重建技术,对桥面图像序列处理，得到单次桥面三维几何形态；

S3.配准历次桥面三维几何形态，并对前后两次的三维几何形态进行叠差比较，得到桥面整体几何形态变化色谱图；

对前后两次的三维几何形态进行叠差比较包括搜寻桥面匹配点对，计算两个模型的匹配点对之间的变形值，具体包括：

根据桥面平整度特征，收集配准之后桥面的匹配点对，利用两点的坐标求出两点之间的变形值，由于不变特征面上的点所在的X与Y轴坐标值保持不变，所以后次拍摄的点所在Z轴上的坐标值减去前次拍摄点所在Z轴上的坐标值，即可得到变形值L；其中，L的绝对值大小表示两点之间的变形距离；若L为正，表示桥梁向上凸起；若L为负，表示桥梁向下凹陷；

S4.利用区域生长分割原理，从桥面整体几何形态变化色谱图中分割出桥面局部变形形态；

S5.利用卷积神经网络CNN提取桥面局部变形形态中的多层次特征信息，将取出的特征信息输入广义回归神经网络GRNN，对桥梁结构损伤性质进行识别估计；步骤S5中，包括如下步骤：

S5-1：对分割所得的桥面局部变形形态图进行有限元理论模型模拟，建立全桥模型，组合桥梁不同区域位置及不同损伤程度工况，计算得到桥面的整体变形理论形态，通过区域生长分割，得到多组桥面局部形态变化理论形状，将所设置的区域位置和损伤程度作为标签引入桥面局部变形形态图，将其作为广义回归神经网络的训练样本数据；

S5-2：对桥面局部变形形态图像进行归一化处理，将桥面局部变形形状图像大小变化的变形值归一化到区间[0,1]范围内；

S5-3：建立CNN特征提取器和GRNN回归分析器模型；

CNN特征提取器模型包括输入层、隐含层、隐含单元和输出层；其中，隐含层包括卷积层与采样层；将桥面局部变形图像数据从输入层输出到隐含层，隐含层的卷积层利用若干个卷积核对图像数据进行卷积计算操作，得到包括面积、圆形度、偏心率、不变矩的特征图像信息，将特征图像信息输出到隐含层的采样层中进行偏移和扭曲消除处理，降低网络的空间分辨率，将无关的信息进一步剔除；将采样层输出的特征图像信息输入到隐含单元，在隐含单元中，经过多次的卷积与采样操作，得到若干幅特征图像，将所有的特征图像变换为一列向量，该列向量即是从样本图像中提取出的特征向量；输出层与上层神经元采用全连接方式，输出层神经元个数与样本图像标签个数相同，样本图像标签包括桥梁结构损伤程度与损伤位置两个；

GRNN回归分析器包括输入层、模式层、求和层和输出层；将CNN特征提取器中的输出层输出的特征桥面图像神经元输入到输入层中，神经元的数目等于图像样本中抽取的特征向量的维数，直接传递给模式层，模式层神经元数目等于输入层的神经元数目，各神经元对应不同的样本，求和层中使用两种类型神经元进行求和，第一个节点是对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，第二个节点是对所有模式层的神经元进行加权求和；输出层中的神经元数目等于学习样本中输出向量的维数，各神经元将求和层的输出相除，即是第二个节点除以第一个节点，最终得到对桥梁结构损伤性质的预测；

S5-4：对CNN特征提取器与GRNN回归分析器进行网络训练；

CNN特征提取器网络训练步骤为：从训练样本集中取出样本桥面形状图像，初始化桥面形状图像模型中所有的卷积核权值与偏置项，将样本桥面形状图像输入得到输出值O，将输出值O与样本标签y进行计算，得到模型误差值E，若E收敛则结束，否则计算出输出层的残差，残差从输出层反向计算，逐层计算残差值，并调整权值与偏置项，直到收敛；

GRNN回归分析器网络训练步骤为：从CNN特征提取器中，得到所有桥面训练图像的特征向量与对应的标签输入到GRNN回归分析器，采用监督式学习进行训练；

S5-5：将归一化的桥面局部变形形态图像输入CNN特征提取器和GRNN回归分析器模型，输出得到桥梁结构损伤性质预测结果。

2.根据权利要求1所述的桥面形态变化识别桥梁结构损伤的CNN-GRNN方法，步骤S1中，桥面图像序列中，相邻两张图像具有重叠率。