[发明专利]一种基于深度学习与声呐成像的水下桥墩病害识别方法

说明书

本发明提供了一种基于深度学习与声呐成像的水下桥墩病害识别方法，利用水下侧声声呐设备获取准备水下桥墩扫描图片，包括病害与无病害图片；运用图像增强方法，增加数据集的数量；对数据集进行标注，病害区域用矩形框标记并且保存坐标信息；将数据集划分为训练测试集、验证集和测试集；建立深度学习目标检测网络中的yolov3模型，进行训练，得到训练模型；水面上控制侧声声呐设备沿着水下桥墩部分进行扫描，获取扫描图片，利用训练好的yolov3模型进行水下桥墩病害自动识别。本发明效率高，成本低，相对于传统的人工潜水法以及声呐人工筛选法更具有明显的自动化和实时性优势。

技术领域

本发明涉及土木工程与人工智能交互技术领域，具体涉及一种基于深度学习与声呐成像的水下桥墩病害识别方法。

背景技术

桥墩是桥墩的主要承力构件，桥梁结构的载荷绝大部分通过桥墩传递到基础上。任一个桥墩丧失承载力，都会导致桥墩的整体失稳和破坏，因此，桥墩的安全性必须予以高度的重视。桥墩水下部分长期收到冲刷、腐蚀等恶劣环境的作用，导致水下可能产生缺损、裂缝、露筋等缺陷甚至损伤，会严重影响到桥梁的使用寿命甚至承载力。目前水下桥墩部分的检测方法还是以人工潜水法和声呐设备扫描法，人工检测法方法耗时、费力、造价较大，自动化程度低，声呐设备扫描法产生大量图片，人工识别效率低，容易误判漏判，因此，迫切需要一种水下桥墩病害的自动化识别方法。

深度学习是机器学习方式的一种，其是针对视觉领域，图片分类、目标检测、语义分割等已经有较多的应用。声呐设备以声学成像的方式将水下桥墩情况呈现，可以克服光学成像受光照、水浑浊程度影响的缺点，本发明提出的基于深度学习yolov3网络与声呐成像的水下桥墩病害实时识别方法通过结合深度学习和声呐成像的优点，将声呐成像图片进行深度学习训练，利用目标检测模型，可以自动识别病害，并识别出病害的位置，大大提高了水下桥墩检测的效率和成本，本模型能够达到30FPS的识别速度，可以达到实时检测的要求。

发明内容

发明目的：本发明提供一种基于深度学习与声呐成像的水下桥墩病害识别方法，效率高，成本低，相对于传统的人工潜水法以及声呐人工筛选法更具有明显的自动化和实时性优势。

技术方案：本发明所述的一种基于深度学习的水下桥墩病害图像分辨率增强方法，包括以下步骤：

(1)利用侧声声呐设备获取水下桥墩病害图片和正常状态的图片，形成数据集；

(2)利用数据增强的方法对数据集进行扩充，并对每张图片进行标注；

(3)将数据集划分为训练测试集、验证集和测试集；

(4)建立深度学习yolov3模型，对步骤(1)中的水下桥墩声呐成像数据集进行训练，并保存训练好的yolov3模型与参数；

(5)在现场是用声呐设备对水下桥墩进行扫描，利用图像均值滤波和高斯滤波方法，去除图像的椒盐噪声；

(6)利用步骤(4)得到的具有自动识别水下桥墩声呐成像图片病害的卷积神经网络模型，去自动识别步骤(5)得到的图片中是否为病害图片，并框选出病害的位置。

进一步地，步骤(1)中所述的病害图片主要包括缺损图片、裂缝图片和露筋图片。

进一步地，步骤(1)中所述图片大小为1200x1200pixel。

进一步地，步骤(2)所述的标注采用矩形框标注。

进一步地，步骤(3)所述训练测试集、验证集和测试集的比例为8:1:1。

进一步地，步骤(4)所述的yolov3模型采用VGG网络模型，网络结构分别采用yolov3 380和yolov3 512模型，网络输入为380或者512像素大小。