CN108225906A - 基于计算机视觉的拉索腐蚀监测识别与疲劳寿命评估方法 - Google Patents

Abstract

本发明提供一种基于计算机视觉的拉索腐蚀监测识别与疲劳寿命评估方法，通过拉索锚固端的透时检查窗，拍摄腐蚀高强钢丝图像，并从中提取图像特征，然后对腐蚀程度评价模型建模，再对疲劳寿命特性能数评价模型建模，与人工加速腐蚀试验下的钢丝腐蚀疲劳性能退化状态进行匹配，最终完成在役拉索的腐蚀状态识别和疲劳寿命评估。本发明识别精度高，速度快，成本低。本发明还能满足拉索腐蚀疲劳在线监测预警的实时数据处理需求，即不进行数据集更新，直接对消费级普通相机采集到的图像进行识别。本发明提高了拉索腐蚀监测识别与疲劳寿命评估的自动化、智能化、准确性和鲁棒性，为桥梁结构拉索腐蚀疲劳的自动监测与识别提供了解决方案。

Description

基于计算机视觉的拉索腐蚀监测识别与疲劳寿命评估方法

技术领域

本发明涉及一种基于计算机视觉的拉索腐蚀监测识别与疲劳寿命评估方法。

背景技术

随着我国国民经济建设的快速发展，大型桥梁结构发挥着无比重要的作用，是一个国家和地区的经济命脉，同时桥梁的建造和维护也是一个国家基础设施建设的重要部分。斜拉桥由于其跨度大、造型美观、施工方便等特点，是目前应用较多的一种桥型。斜拉索作为斜拉桥主要的承重构件，由高强度钢丝束和PE护套组成。在长达几十年使用期内，斜拉索在环境侵蚀、材料老化和荷载的长期效应、疲劳效应与突变效应等灾害因素的耦合作用下，将不可避免地导致结构和系统的损伤积累和抗力衰减，从而抵抗自然灾害、甚至正常环境作用的能力下降，极端情况下将引发灾难性的突发事故。调查表明，腐蚀疲劳是造成斜拉索性能退化的重要因素，国内外已发生多起由于腐蚀疲劳失效导致桥梁破坏的案例。目前对斜拉索高强钢丝腐蚀疲劳性能的评估需要进行换索工程，然后针对各部位的索内钢丝进行腐蚀和疲劳性能评估试验，人力、物力、财力消耗巨大，而且需要封闭桥梁，对当地社会、经济产生影响。目前在实验室主要采用人工加速腐蚀试验来模拟斜拉索所处的腐蚀环境，获得不同腐蚀程度下的高强钢丝，并对其进行力学性能试验，建立腐蚀疲劳退化模型。近年来，为方便检查在役斜拉索内部的腐蚀状态，斜拉索在生产过程中已经在靠近锚固端的位置处开设有透明检查窗，可以方便检测人员观察内部高强钢丝的腐蚀情况。

为保证桥梁结构的正常运营，桥梁管理部门目前采取的解决办法是对斜拉索进行定期的检测维护，且需要依据检测结果对其进行安全评估。但是由于无损检测方法(如漏磁检测、X射线检测、超声检测、基于振动法的索力检测等)的局限性，在斜拉桥实际运营过程中，只有极小部分斜拉索都得到检测。鉴于斜拉索病害的普遍性，以及斜拉索修复和更换的高昂费用，为应对斜拉索结构运营状况下进行安全评估的需要，亟待提出一种高效准确、易操作、成本低廉的斜拉索腐蚀疲劳评估方法。

发明内容

本发明的目的是提供一种基于计算机视觉的拉索腐蚀监测识别与疲劳寿命评估方法，透过在役拉索检查窗拍摄的原位腐蚀钢丝图像，能够对现场在役高强钢丝与实验室人工加速腐蚀钢丝的腐蚀图像特征匹配，并据此进行疲劳寿命评估。

本发明所采用的技术如下：一种基于计算机视觉的拉索腐蚀监测识别与疲劳寿命评估方法，步骤如下：

步骤一，高强钢丝腐蚀疲劳数据集更新：根据需求选择是否在自带高强钢丝腐蚀疲劳数据集的基础上添加新的图像样本，来获取新的腐蚀疲劳退化模型；用户选择要新添加的图像样本，对读入的钢丝腐蚀图像进行均匀腐蚀程度赋值，并输入新样本钢丝在不同应力幅下的疲劳寿命；重复以上过程，完成对高强钢丝腐蚀疲劳数据集的更新；如果选择不添加新图像样本，则默认使用高强钢丝腐蚀疲劳退化模型；

步骤二，腐蚀程度时变模型建模：在完成数据集更新后，绘制不同腐蚀周期下高强钢丝腐蚀图像红色分量的概率分布图，并对概率分布函数进行高斯混合模型拟合，以第一阶位置参数为评价指标，建立高强钢丝腐蚀程度时变模型；

步骤三，疲劳寿命退化模型建模：在双对数坐标系下绘制不同腐蚀周期、不同应力幅下的应力幅-疲劳寿命特性曲线，并用最小二乘法拟合S-N曲线参数，建立疲劳特性参数退化模型；

步骤四，拉索腐蚀疲劳评估：选择要进行腐蚀状态识别和疲劳寿命评估的在役高强钢丝腐蚀图像，将输入图像划分成若干子单元，并调用更新的腐蚀程度时变模型和疲劳寿命退化模型，对待检测的在役高强钢丝腐蚀子单元图像进行腐蚀程度评估和不同应力幅下的疲劳寿命预测，并输出腐蚀疲劳评估结果。

本发明还具有如下技术特征：

1、如上所述的步骤二，对概率分布函数进行高斯混合模型拟合公式如下：

式中，x表示拍摄到的腐蚀钢丝RGB图像的R通道像素值，f(x)表示其概率密度分布函数，μ_i,σ_i分别表示第i阶的位置参数和尺度参数，ω_i表示第i个模式所占的比例，K表示总模式数；

然后采用EM算法对模型参数进行更新，公式如下：

式中，表示第j个腐蚀周期下第i个腐蚀图像中的红色分量，μ_k,σ_k,ω_k分别为第k个模式下的位置参数、尺度参数及所占比例；为表现出第k个模式的条件概率；λ为拉格朗日参数；N为腐蚀钢丝图像总数；

然后以第一阶位置参数μ₁为评价指标，建立高强钢丝腐蚀程度时变模型；公式如下：

μ₁＝α+βln(t)-γ×[ln(t)]² (3)

式中，t为当量腐蚀时间，μ₁为第一阶位置参数，α,β,γ为模型的拟合系数。

2、如上所述的步骤三，用最小二乘法拟合S-N曲线参数，建立疲劳特性参数退化模型，公式如下：

式中，N为疲劳寿命，ΔS为应力幅，m为模型形状参数，C为材料系数。

在双对数坐标系下，ΔS与N呈现出线性关系，其中k为斜率，b为截距。

本发明的有益效果及优点：本方法快速、便捷、准确，提升了拉索腐蚀疲劳评估的效率以及评估结果的准确度和稳定性。本发明仅在拉索腐蚀疲劳数据集更新过程中，需要人工参与将先验的腐蚀程度及疲劳寿命信息传授给计算机，除此之外，整个拉索腐蚀疲劳评估过程均为自动化处理，显著降低了人工参与度。本发明还能满足拉索腐蚀疲劳在线监测预警的实时数据处理需求，即不进行数据集更新，直接对消费级普通相机采集到的图像进行识别，结果输出延迟可低至毫秒级。本发明提高了拉索腐蚀监测识别与疲劳寿命评估的自动化、智能化、准确性和鲁棒性，为桥梁结构拉索腐蚀疲劳的自动监测与识别提供了解决方案。并且识别精度高，速度快，成本低。可实现高强钢丝腐蚀疲劳数据集更新、腐蚀程度时变模型建模、疲劳寿命退化模型建模、拉索腐蚀疲劳评估的功能。

附图说明

图1基于计算机视觉的拉索腐蚀监测识别与疲劳寿命评估流程图；

图2为不同腐蚀龄期的人工加速腐蚀钢丝对比图；

图3为均匀腐蚀程度时变模型图；

图4为均匀腐蚀程度概率分布模型图；

图5为不同腐蚀周期下高强钢丝腐蚀图像红色分量的概率分布图；

图6为腐蚀程度评价指标(一阶位置参数u₁)时变模型图；

图7为不同腐蚀龄期S-N曲线图；

图8为S-N曲线斜率时变曲线图；

图9为S-N曲线截距时变曲线图；

图10为待评价腐蚀钢丝图像图；

图11为应力幅为360MPa的疲劳寿命预测结果图；

图12为应力幅为500MPa的疲劳寿命预测结果图；

图13为应力幅为640MPa的疲劳寿命预测结果图。

具体实施方式

下面根据说明书附图举例对本发明做进一步说明：

实施例1

如图1所示，一种基于计算机视觉的拉索腐蚀监测识别与疲劳寿命评估方法，步骤如下：

步骤一，腐蚀疲劳数据集更新：对原始输入图像选定需要评估的区域，然后将选定区域切割成64×64×3的子单元集合，样本数量根据需要确定；同时输入腐蚀钢丝的均匀腐蚀程度以及在不同应力幅下的疲劳寿命信息。完成后，新添加的腐蚀图像将会融合到原数据集中，每一个腐蚀图像都对应着相应的均匀腐蚀程度和在不同应力幅下的疲劳寿命。至此，腐蚀疲劳数据集更新完毕。

步骤二，腐蚀程度评价模型建模：在完成数据集更新后，绘制不同腐蚀周期下高强钢丝腐蚀图像红色分量的概率分布图，并对概率分布函数进行高斯混合模型拟合，如公式1所示。采用EM算法对模型参数进行更新，如公式2所示，以第一阶位置参数μ₁为评价指标，建立高强钢丝腐蚀程度时变模型，如公式3所示。

式中，x表示拍摄到的腐蚀钢丝RGB图像的R通道像素值，f(x)表示其概率密度分布函数，μ_i,σ_i分别表示第i阶的位置参数和尺度参数，ω_i表示第i个模式所占的比例，K表示总模式数；

式中，表示第j个腐蚀周期下第i个腐蚀图像中的红色分量，μ_k,σ_k,ω_k分别为第k个模式下的位置参数、尺度参数及所占比例；为表现出第k个模式的条件概率；λ为拉格朗日参数；N为腐蚀钢丝图像总数；

μ₁＝α+βln(t)-γ×[ln(t)]² (3)

式中，t为当量腐蚀时间，μ₁为第一阶位置参数，α,β,γ为模型的拟合系数；

步骤三，疲劳寿命特性能数评价模型建模：在双对数坐标系下绘制不同腐蚀周期、不同应力幅下的应力幅-疲劳寿命特性曲线(即S-N曲线)，并用最小二乘法拟合S-N曲线参数，建立疲劳特性参数退化模型，如公式4所示。

式中，N为疲劳寿命，ΔS为应力幅，m为模型形状参数，C为材料系数。

在双对数坐标系下，ΔS与N呈现出线性关系，其中k为斜率，b为截距。

步骤四，拉索腐蚀疲劳评估：选择要进行腐蚀状态识别和疲劳寿命评估的在役高强钢丝腐蚀图像，对原始输入图像选定需要评估的区域，然后将选定区域切割成64×64×3的子单元集合，并调用更新的腐蚀程度时变模型和疲劳寿命退化模型，如公式3～4；对待检测的在役高强钢丝腐蚀子单元图像进行腐蚀程度评估和不同应力幅下的疲劳寿命预测，并输出腐蚀疲劳评估结果。本实施例基于MATLAB实现，对不同腐蚀龄期的人工加速腐蚀钢丝以及真实服役换索钢丝的腐蚀自动监测识别和疲劳寿命评估。

实施例2

如图3～13所示，分别为腐蚀程度时变模型建模结果图、疲劳寿命退化模型建模结果图、役拉索腐蚀疲劳评估结果图。与在役拉索钢丝换索后的疲劳寿命试验结果对比，各应力幅下的预测误差均在15％之内。

其中人工加速腐蚀试验条件为：将化学纯氯化钠溶于电导率不超过20μS/cm的蒸馏水中，配制浓度为50g/L±5g/L，配制浓度为在25℃时，配制的溶液密度在1.05g/cm³，再加入适量二水氯化铜，质量浓度达到0.26±0.02g/L，加入适量冰乙酸，使腐蚀液的pH值达到3.0；盐雾箱温度控制在35±2℃。疲劳试验的应力比恒定为0.5，应力幅推荐使用0.8σ_b～0.4σ_b，0.6σ_b～0.3σ_b，0.5σ_b～0.25σ_b。

Claims (3)

1.一种基于计算机视觉的拉索腐蚀监测识别与疲劳寿命评估方法，其特征在于，方法步骤如下：

步骤一，高强钢丝腐蚀疲劳数据集更新：根据需求选择是否在自带高强钢丝腐蚀疲劳数据集的基础上添加新的图像样本，来获取新的腐蚀疲劳退化模型；用户选择要新添加的图像样本，对读入的钢丝腐蚀图像进行均匀腐蚀程度赋值，并输入新样本钢丝在不同应力幅下的疲劳寿命；重复以上过程，完成对高强钢丝腐蚀疲劳数据集的更新；如果选择不添加新图像样本，则默认使用高强钢丝腐蚀疲劳退化模型；

步骤二，腐蚀程度时变模型建模：在完成数据集更新后，绘制不同腐蚀周期下高强钢丝腐蚀图像红色分量的概率分布图，并对概率分布函数进行高斯混合模型拟合，以第一阶位置参数为评价指标，建立高强钢丝腐蚀程度时变模型；

步骤三，疲劳寿命退化模型建模：在双对数坐标系下绘制不同腐蚀周期、不同应力幅下的应力幅-疲劳寿命特性曲线，并用最小二乘法拟合S-N曲线参数，建立疲劳特性参数退化模型；

步骤四，拉索腐蚀疲劳评估：选择要进行腐蚀状态识别和疲劳寿命评估的在役高强钢丝腐蚀图像，将输入图像划分成若干子单元，并调用更新的腐蚀程度时变模型和疲劳寿命退化模型，对待检测的在役高强钢丝腐蚀子单元图像进行腐蚀程度评估和不同应力幅下的疲劳寿命预测，并输出腐蚀疲劳评估结果。

2.根据权利要求1所述的一种基于计算机视觉的拉索腐蚀监测识别与疲劳寿命评估方法，其特征在于，所述的步骤二，对概率分布函数进行高斯混合模型拟合公式如下：

式中，x表示拍摄到的腐蚀钢丝RGB图像的R通道像素值，f(x)表

示其概率密度分布函数，μ_i,σ_i分别表示第i阶的位置参数和尺度参数，

ω_i表示第i个模式所占的比例，K表示总模式数；

然后采用EM算法对模型参数进行更新，公式如下：

式中，表示第j个腐蚀周期下第i个腐蚀图像中的红色分量，μ_k,σ_k,ω_k分别为第k个模式下的位置参数、尺度参数及所占比例；为表现出第k个模式的条件概率；λ为拉格朗日参数；N为腐蚀钢丝图像总数；

然后以第一阶位置参数μ₁为评价指标，建立高强钢丝腐蚀程度时变模型；公式如下：

μ₁＝α+βln(t)-γ×[ln(t)]² (3)

式中，t为当量腐蚀时间，μ₁为第一阶位置参数，α,β,γ为模型的拟合系数。

3.根据权利要求1所述的一种基于计算机视觉的拉索腐蚀监测识别与疲劳寿命评估方法，其特征在于，所述的步骤三，用最小二乘法拟合S-N曲线参数，建立疲劳特性参数退化模型，公式如下：

式中，N为疲劳寿命，ΔS为应力幅，m为模型形状参数，C为材料系数。在双对数坐标系下，ΔS与N呈现出线性关系，其中k为斜率，b为截距。