[发明专利]一种基于卷积神经网络的桥梁结构表面缺陷检测方法

说明书

本发明涉及一种基于卷积神经网络的桥梁结构表面缺陷检测方法，属于结构健康监测领域。该方法包括如下步骤：基于卷积神经网络模型实现裂缝类缺陷、露筋类缺陷的识别分类和初步定位；针对识别出来的裂缝类缺陷，训练U‑net卷积神经网络模型实现桥梁结构的裂缝粗分割，通过形态学方法进一步实现裂缝提取，剔除灰度图像中像素值较低易被误认为缺陷的像素点，从桥梁结构的图像中提取出了完整的裂缝区域和骨架提取结果。基于图像分割结果，能够自动跟踪裂缝类缺陷的位置，刻画出裂缝类缺陷的位置参数信息。本发明既能自动化地实现桥梁结构表面裂缝类、露筋类缺陷的识别及初步定位，又能智能化地排除干扰信息，适应多复杂背景下的裂缝缺陷的像素级别检测。

技术领域

本发明涉及一种基于卷积神经网络的桥梁结构表面缺陷检测方法，属于结构健康监测领域。

背景技术

随着国民基础设施系统的发展与完善，全国桥梁的建造数量迅速增加，至今已经超过73000座。早期建造的很多桥梁可能已经达到服役期限或者由于施工时的混凝土配料比不均、浇筑振捣不当再加上受到外界载荷长期作用的影响，出现裂缝、露筋腐蚀等病害缺陷，亟须建立有效的桥梁表面缺陷检测方法。

目前现有的桥梁表面缺陷检测方法主要有人工检测和基于图像视觉的两大类检测方法。人工检测主要依靠人眼观测作为缺陷检测的手段，检测人员借助望远镜、绳索、搭设塔架、“窥探者”卡车进行观测。该方法效率低下、强烈的主观性导致准确率低、人工成本较高且存在安全风险，不适用于桥梁等大型结构体缺陷检测。随着无人机技术的发展，桥梁健康监测中开始使用无人机进行检测，利用无人机搭载相机设备对整座桥梁表面进行图像采集，随后基于图像视觉进行分析处理完成桥梁病害缺陷的检测。传统的图像视觉方法较为复杂，需要结合边缘检测Canny、Sobel等方法结合图像的多尺度方法提取裂缝区域的边缘信息，完成裂缝缺陷的检测。但该方法对桥梁结构不同部位背景下的裂缝识别的鲁棒性较弱，较为依赖裂缝所处的背景，难于识别光线弱、有阴影、有斑迹复杂等背景下的裂缝，不具备智能排除干扰项信息的能力。卷积神经网络的出现为处理图像问题提供了新思路，可以从端对端实现对图像的智能识别分类。现有的基于卷积神经网络模型进行桥梁结构缺陷的检测方法，大多只完成了有无缺陷的分类检测，将缺陷的位置从图像的整体区域定位到图像的局部区域。此外，人工检测和基于图像视觉检测的两类方法关注的缺陷较为单一，对于露筋类缺陷的研究较少。

发明内容

本发明提出了一种基于卷积神经网络的桥梁结构表面缺陷检测方法，既能自动化地实现桥梁结构表面裂缝类、露筋类缺陷的识别及初步定位，又可以智能化地排除干扰信息，适应多复杂背景下的裂缝缺陷的像素级别检测。

本发明为解决其技术问题采用如下技术方案：

一种基于卷积神经网络的桥梁结构表面缺陷检测方法，包括如下步骤：

步骤1：首先定义桥梁结构的裂缝类缺陷、露筋类缺陷，利用无人机搭载相机设备采集不同部位、不同光照条件的桥梁结构图像，分别构建裂缝和露筋类缺陷的分类数据集和露筋类缺陷语义分割的数据集，并利用随机旋转、裁切和尺度变换操作实现数据增强来充数据集；

步骤2：构建卷积神经网络模型进行256×256尺寸大小桥梁结构图像裂缝类缺陷、露筋类缺陷的分类；

步骤3：初始化分类模型的超参数，结合缺陷分类数据集进行模型的训练，调整卷积神经网络模型的卷积核、池化层的参数；训练完成的模型对输入图像具有裂缝类缺陷、露筋类缺陷和无缺陷三种输出结果；

步骤4：采用步长为64的交叉滑动方法对大于256×256的桥梁结构图像进行分块的裂缝类缺陷检测，并根据检测结果对缺陷实现初步定位；

步骤5：针对步骤4中检测出的裂缝类缺陷，搭建U-net卷积神经网络模型实现裂缝的粗分割；