CN110222701B - 一种桥梁病害自动识别方法 - Google Patents
一种桥梁病害自动识别方法 Download PDFInfo
- Publication number
- CN110222701B CN110222701B CN201910501707.3A CN201910501707A CN110222701B CN 110222701 B CN110222701 B CN 110222701B CN 201910501707 A CN201910501707 A CN 201910501707A CN 110222701 B CN110222701 B CN 110222701B
- Authority
- CN
- China
- Prior art keywords
- bridge
- disease
- diseases
- detection model
- target detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Abstract
本发明提供了一种桥梁病害自动识别方法,包括如下步骤:S1:构建桥梁病害检测数据集;S2:将数据集划分为训练集和测试集;S3:基于卷积神经网络SSD构建桥梁病害的目标检测模型;并对S3中的构建的桥梁病害的目标检测模型进行训练,对训练后的桥梁病害的目标检测模型进行评估,如通过了评估标准,则将待检测的带有病害的桥梁图像输入更新参数后的目标检测模型,通过特征融合确定最终的病害位置、种类及尺寸;本发明提供的桥梁病害自动识别方法可以自动检测出桥梁病害的位置、种类及尺寸,提高了检测精度以及效率。
Description
技术领域
本发明涉及桥梁病害识别技术领域,更具体的说,涉及一种桥梁病害自动识别方法。
背景技术
根据最新统计数据,截至2017年,我国公路桥梁80余万座。30多年的大规模公路建设,初步形成了四通八达的公路网络,支撑着国民经济的持续发展。桥梁作为重要的公路资产,其技术状况(技术状况:指运营条件下的桥梁的健康情况)的变化发展直接关系到公路的通达、安全与舒适。全社会在充分肯定公路桥梁建设巨大成就的同时,对公路桥梁技术状况和通行效率的关注度越来越高,公路桥梁养护需求及资金需求的快速增长给我国公路桥梁养护造成巨大的压力。
基于中国公路桥梁管理系统(CBMS)中海量的桥梁部构件数据与桥梁病害数据及图片资源(10万张以上),通过改进型的InceptionV3训练得到能自动匹配桥梁部构件的图像分类网络,另通过改进型的SSD训练得到能识别具体构件上病害的目标检测网络,两个网络组成卷积神网络系列,将算法模型可应用于手持检测设备或移动APP中,通过现场拍照自动识别桥梁的部构件和病害,从而大大提高现场桥梁病害信息录入效率和数据质量,也可应用于海量桥梁历史档案中的病害图像自动分类整理和关键信息提取工作,为桥梁养护工作和相关科研工作带来巨大便利。
近年来,国内外许多学者展开对于桥梁病害无损检测新方法的研究,卷积神经网络已经广泛应用于桥梁、道路、隧道的裂缝病害的检测中,并取得较好的效果。
例如,公开号为CN 108363961 A(基于卷积神经网络间迁移学习的桥梁支座病害识别方法)的专利文献,公开了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,该专利仅针对桥梁支座的病害构建的识别训练集与测试集,并不能用于识别桥梁其他部构件和部构件上的具体病害,应用具有局限性。
公开号为CN 108288269 A(基于无人机与卷积神经网络的桥梁支座病害自动识别方法)的专利文献,提供了一种基于无人机与卷积神经网络的桥梁支座病害自动识别方法,该专利事实上在使用的方法和训练集同公开号为CN 108363961 A的专利文献,只是获取图像的手段换成了无人机。
公开号为CN 102842203 B(基于视频图像的桥梁病害监测方法)的专利文献,公开了一种基于视频图像的桥梁病害监测方法,属于桥梁监测方法技术领域,用于桥梁病害的实时监测,该专利使用基于小波变换图像对比的方法实现的病害图像识别,而非机器学习方法,识别效率和精度均达不到机器学习模型的效果。
又如张艳娇在论文(张艳娇.基于图像识别和机器学习的桥梁养护管理系统研究与实现[D].南京邮电大学,2018.)中,应用灰度-随机森林算法模型,通过比较图片的差异性来识别桥梁病害图片,经过灰度处理的图片会丢失一部分细节,从而影响识别准确率和召回率。
寇潇(寇潇.基于深度学习的桥梁裂缝检测算法研究[D].西安电子科技大学,2017.)使用了卷积神经网络(CNN)对桥梁裂缝进行检测,他的研究只针对桥梁裂本发明针对桥梁部构件和部构件上的多种典型病害进行图像识别和目标检测。
目前的研究多针对裂缝单一病害的识别,无法满足实际生产中对多病害分类识别的要求。识别算法的高准确率建立在高质量图像的基础上,缺少图像增强、复杂病害区域分割、易混淆病害特识别等情况的处理机制。
桥梁检测工程中通常采用移动APP或手持客户机获取桥梁病害的数据和图像记录,其采集病害的方式为“拍照-记录-上传”,该方式所存在的主要问题:
1、病害信息无法直接从桥梁病害图像中自动提取,需检测人员手动录入,病害数据采集效率低下;
2、病害的识别精度受检测人员的认知能力、主观经验影响,特征易混淆的病害可能会被误判;
3、复杂环境下,检测人员拍摄的病害的图像质量不佳,影响病害的辨识精度。
针对以上问题,应用本发明提供的方法能有效地提高病害识别的准确率和稳定性,提高桥梁病害数据的采集效率,对后期桥梁病害分析与处治方案的选取有重大意义。
发明内容
本发明解决了主要解决了如下四个问题,(1)分析桥梁病害的显著性特征和各异性特征,建立桥梁病害特征字典;(2)基于对抗网络建立复杂光线环境下的桥梁病害图像质量的优化、增强方法;(3)基于桥梁病害特征字典和优化的桥梁病害图像资源建立桥梁病害检测数据集;(4)基于SSD的建立桥梁病害的目标检测算法模型和图像信息提取方法。
为解决现有技术中存在的问题,本发明旨在提供一种桥梁病害自动识别方法,为此,本发明提供如下技术方案:一种桥梁病害自动识别方法,其特征在于,包括如下步骤:
一种桥梁病害自动识别方法,其特征在于,包括如下步骤:
S1:构建桥梁病害检测数据集;
对现场采集的每一张带有病害的桥梁图像根据建立的桥梁病害特征字典进行标注,标注桥梁的病害位置及种类,具体为在病害处绘制长方形框体,生成一个数据文件,每个数据文件标注图像的名称、大小、类型、病害出现的位置坐标、病害种类及病害尺寸;将多个标注后的数据文件构建为桥梁病害检测数据集;
S2:将步骤S1中构建的桥梁病害检测数据集随机划分为5:1,前者作为训练集训练模型,后者作为测试集评估模型质量;
S3:基于卷积神经网络SSD构建桥梁病害的目标检测模型;
其中,本发明提供的目标检测模型包括:
Step1:构建SSD模型的基础网络部分,确定输入为300×300×3的图像,输出为38×38×512的特征图矩阵,记为conv4_3。具体操作为:对输入进行卷积核大小为3×3-64的卷积操作2次,接着进行maxpool操作,进行卷积核大小为3×3-128的卷积操作2次,接着进行maxpool操作,进行卷积核大小为3×3-256的卷积操作3次,接着进行maxpool操作,进行卷积核大小为3×3-512的卷积操作3次,接着进行maxpool操作,进行卷积核大小为3×3-512的卷积操作3次,得到上述特征图矩阵conv4_3。
Step2:构建SSD模型和的附加网络部分,输入为Step1中的conv4_3,输出为大小依次为38×38×512、19×19×1024、10×10×512、5×5×256、3×3×256、1×1×256的特征图conv4_3、conv7、conv8_2、conv9_2、conv10_2、conv11_2。具体操作为对输入conv4_3做maxpool操作,接着做3×3-1024、1×1-1024的卷积操作,得到conv7,接着对conv7做1×1-256、3×3-512的卷积操作,得到得到conv8_2,接着对conv8_2做1×1×128、3×3-256的卷积操作,得到conv9_2,接着做1×1-128、3×3-256的卷积操作,得到conv10_2,对conv10_2做1×1×128、3×3-256的卷积操作得到conv11_2。
方法是对输入进行若干次卷积、批量归一化、池化操作。其中,输入是指若干张图像数据,卷积操作是指利用卷积核对图像进行特征提取处理为特征图,批量归一化处理是指针对若干张输入图像间进行归一化处理,池化操作是指对特征图进行下采样,减少特征图尺寸。
S4:将步骤S2中的训练集输入步骤S3中的目标检测模型提取尺度不同的特征层,并得到相应的特征图;
S5:采用先验的默认框机制将尺度不同的特征图生成默认框;其中,先验的默认框机制是指规定好默认框的长、宽、位置、数量。
S6:目标检测模型预测每个默认框的形状偏移,得到预测值为(cx,cy,cw,ch);
S7:将数据集中标注桥梁的病害位置信息及类别信息记为GT,对生成的默认框与GT进行匹配;将成功匹配的默认框标记为正样本,反之为负样本;
S8:计算正样本的默认框与GT的形状偏移量,得到目标值为(cx’,cy’,cw’,ch’);
S9:根据步骤S6中得到的预测值和步骤S8中得到的目标值计算Lloc;
S10:分别计算步骤S7中的正样本和负样本的置信度;
S11:根据步骤S10中的正样本和负样本的置信度计算Lconf;
S12:计算最终的损失值L;
其中,最终的损失值L根据公式(1)确定:
L=(1/N)*(Lconf+a*Lloc) (1)
其中,a为Lloc的比率,N为正、负样本默认框的数量和;
S13:根据最终的损失值L,利用反向传播算法和SGD算法对目标检测模型的参数进行更新;
S14:利用步骤S2中的测试集对更新参数后的目标检测模型进行评估;
如评估符合标准后,则进入步骤S15,若评估不符合标准,则重复步骤S4-S13;
其中,评估标准为更新参数后的目标检测模型对测试集的准确率超过80%。
S15:将待检测的带有病害的桥梁图像输入更新参数后的目标检测模型,通过特征融合确定最终的病害位置及种类。
优选地,所述提取尺度不同的特征层的步骤如下:
所述目标检测模型包括基础网络部分和附加网络部分;
a、将步骤S2中的训练集输入目标检测模型的基础网络部分,依次使用卷积操作和最大池化操作对训练集中的图像进行特征提取处理,得到高维特征图;
b、将高维特征图输入目标检测模型的附加网络部分,进行若干次卷积操作,获得若干个尺度不同的特征层。
优选地,所述步骤S5中生成的默认框与GT的匹配策略为:首先,匹配与GT Jaccard重叠率最大的默认框,其次,匹配与GT Jaccard重叠率高于0.5的默认框,将成功匹配的默认框标记为正样本,反之为负样本。
优选地,所述步骤S6中具体操作过程为:对每个特征图分别进行卷积操作,输出每个特征图的每个位置上的预测的默认框的四个偏移量,即中心位置的偏移和长宽的偏移,依次为(cx,cy,cw,ch),即得到预测值。
优选地,所述步骤S9中计算Lloc根据公式(2)确定:
Lloc=∑smoothL1(目标值-预测值) (2)
其中,预测值为(cx,cy,cw,ch),目标值为(cx’,cy’,cw’,ch’)。
优选地,所述步骤S11中计算Lconf根据公式(3)确定:
Lconf=∑-log(正样本置信度)-∑log(1-负样本置信度) (3)。
优选地,所述步骤S14中待检测的带有病害的桥梁图像检测后将检测结果发送至客户端,客户端将检测结果作为新样本通过http接口上传至Nginx反向代理服务器,并通过新样本扩充桥梁病害检测数据集。
优选地,所述步骤S1中建立桥梁病害特征字典为:分析典型桥梁病害的显著性特征和易混淆桥梁病害的各异性特征,提取特征信息,建立桥梁病害特征字典;
所述典型桥梁病害包含且不限于裂缝、破损、剥落漏筋、渗漏水、蜂窝麻面、锈蚀锈胀等。
所述易混淆病害包含且不限于蜂窝和麻面、蜂窝和空洞、桥面拥包和桥面车辙、桩基冻融和水蚀等。
优选地,基于对抗网络(GANs),对所述步骤S1中的现场采集的复杂光线环境下的带有病害的桥梁图像进行优化增强。
其中,优化增强具体方法:对图像进行旋转、缩放、平移、增白等操作。
优选地,所述步骤S15中将待检测的带有病害的桥梁图像输入更新参数后的目标检测模型,通过特征融合确定最终的病害位置及种类具体过程为:将待检测的带有病害的桥梁图像缩放成300×300,输入更新参数后的目标检测模型,更新参数后的目标检测模型进行前向计算,输出若干个待选默认框的形状偏移量和类别置信度,将形状偏移还原到300×300图像中,采用soft-NMS算法,保留高置信度的待选框,融合比之置信度低且与之重叠率高于一定阈值(阈值具体为0.7)的待选框,以此确定最终的病害位置及种类。
与现有技术相对比,本发明产生的有益效果是:
(1)针对桥梁部构件和桥梁病害的特点,构建了桥梁部构件识别和桥梁病害目标检测数据集(数据集包含训练集和测试集),数据集的建立是所训练的模型更加适应桥梁养护的工程实际。
(2)经过特有数据集训练深度卷积神经网络识别精度高。
(3)本发明提供了在线扩充训练数据机制,可以在后期应用过程中不断提升更新桥梁病害的目标检测模型,完善功能,提高图像识别和目标检测精度。
(4)本发明提供的桥梁病害自动识别方法可以自动检测出桥梁病害的位置及种类,精度以及效率高。
(5)本发明将待检测的带有病害的桥梁图像检测后将检测结果发送至客户端,客户端将检测结果作为新样本,并通过新样本扩充桥梁病害检测数据集,可以有效提高病害识别的准确率和稳定性,提高桥梁病害数据的采集效率。
附图说明
图1为本发明提供的目标检测模型总体框架;
图2为本发明提供的默认框产生方式;
图3为本发明提供的数据集扩充及模型优化流程;
图4为本发明提供的一种桥梁病害别流程图;
图5为本发明提供的整体方法系统的流程图。
具体实施方式
下面结合附图,对本发明的具体实施方式作详细的说明。
参图1所示,图1为本发明提供的目标检测模型总体框架;本发明提供的桥梁病害的目标检测模型由两部分组成,分别为基础卷积网络和附加网络;
基础卷积网络利用卷积操作提取输入图像的特征;
附加网络负责在基础卷积网络输出的多个尺度不同的特征层上生成默认框,默认框即按照一定规则生成的又可能出现目标物体的长方形标记框;同时,附加网络负责预测对默认框的偏移,即对默认框的中心坐标和长宽四个变量进行调整,和预测默认框内的病害种类及正确率。
参图4-5所示,具体的,本发明提供的一种桥梁病害自动识别方法,包括如下步骤:
S1:构建桥梁病害检测数据集;
对现场采集的每一张带有病害的桥梁图像根据建立的桥梁病害特征字典进行标注,标注桥梁的病害位置及种类,具体为在病害处绘制长方形框体,生成一个数据文件,每个数据文件标注图像的名称、大小、类型、病害出现的位置坐标、病害种类及病害尺寸;将多个标注后的数据文件构建为桥梁病害检测数据集;
其中,步骤S1中建立桥梁病害特征字典具体为:分析典型桥梁病害的显著性特征和易混淆桥梁病害的各异性特征,提取特征信息,建立桥梁病害特征字典;
所述典型桥梁病害包含且不限于裂缝、破损、剥落漏筋、渗漏水、蜂窝麻面、锈蚀锈胀等。
所述易混淆病害包含且不限于蜂窝和麻面、蜂窝和空洞、桥面拥包和桥面车
辙、桩基冻融和水蚀等。
更重要的,本发明基于对抗网络(GANs),对步骤S1中的现场采集的复杂光线环境下的带有病害的桥梁图像进行优化增强,然后构建桥梁病害检测数据集;
其中,优化增强具体方法:对图像进行旋转、缩放、平移、增白等操作。
S2:将步骤S1中构建的桥梁病害检测数据集随机划分为5:1,前者作为训练集训练模型,后者作为测试集评估模型质量;
S3:基于卷积神经网络SSD构建桥梁病害的目标检测模型;
其中,本发明提供的建立目标检测模型的步骤包括:
Step1:构建SSD模型的基础网络部分,确定输入为300×300×3的图像,输出为38×38×512的特征图矩阵,记为conv4_3。具体操作为:对输入进行卷积核大小为3×3-64的卷积操作2次,接着进行maxpool操作,进行卷积核大小为3×3-128的卷积操作2次,接着进行maxpool操作,进行卷积核大小为3×3-256的卷积操作3次,接着进行maxpool操作,进行卷积核大小为3×3-512的卷积操作3次,接着进行maxpool操作,进行卷积核大小为3×3-512的卷积操作3次,得到上述特征图矩阵conv4_3。
Step2:构建SSD模型和的附加网络部分,输入为Step1中的conv4_3,输出为大小依次为38×38×512、19×19×1024、10×10×512、5×5×256、3×3×256、1×1×256的特征图conv4_3、conv7、conv8_2、conv9_2、conv10_2、conv11_2。具体操作为对输入conv4_3做maxpool操作,接着做3×3-1024、1×1-1024的卷积操作,得到conv7,接着对conv7做1×1-256、3×3-512的卷积操作,得到得到conv8_2,接着对conv8_2做1×1×128、3×3-256的卷积操作,得到conv9_2,接着做1×1-128、3×3-256的卷积操作,得到conv10_2,对conv10_2做1×1×128、3×3-256的卷积操作得到conv11_2。
S4:将步骤S2中的训练集输入步骤S3中的目标检测模型提取尺度不同的特征层,并得到相应的特征图;
具体的:将训练集输入桥梁病害的目标检测模型,采用批处理的手段,每次训练输入16张带有病害的桥梁图像,在基础网络部分,依次使用多个3×3的卷积操作和最大池化操作对带有病害的桥梁图像进行特征提取的处理,300×300×3的带有病害的桥梁图像输出为38×38×512的特征图,作为输入进入到桥梁病害的目标检测模型的附加网络部分;
基础网络的输出38×38×512的特征图输入附加网络部分后进行若干次卷积操作,获得若干个大小不同的特征层,不限于图中所示的三层,大小依次为38×38×512,19×19×1024,10×10×512,5×5×256,3×3×256,1×1×256,共计六个特征图,记为Ft,t=1,2,3,4,5,6。
S5:采用先验的默认框机制将尺度不同的特征图生成默认框;
采用先验的默认框机制,在以上六个不同尺度的特征图上,在每个位置,评估不同长宽比的小集合默认框,如图2所示;F1每个位置产生4个默认框,F2、F3、F4、F5、F6依次为6、6、6、4、4个,记为Kt,t=1,2,3,4,5,6。以上默认框的产生为先验机制。对于六个特征图,共计产生38×38×4+19×19×6+10×10×6+5×5×6+3×3×4+1×1×4=8732个默认框。对于每个特征图,产生的默认框可以按照原图像与特征图的比例还原到原图中,对于较大的特征图如F1,还原到原图中的默认框较小,相反对于较小的特征图如F6,还原到原图中的默认框较大,采用这种多层特征融合的方式可以实现由底层的特征预测精细、小型物体,由高层特征预测大型物体。
S6:目标检测模型预测每个默认框的形状偏移,得到预测值为(cx,cy,cw,ch);
对于每个默认框,目标检测模型预测形状的偏移和对所有对象类别的置信度。具体操作为对每个特征图分别进行卷积操作,输出每个特征图的每个位置上的预测的默认框的四个偏移量,即中心位置的偏移和长宽的偏移,依次为(cx,cy,cw,ch),也就是预测值为(cx,cy,cw,ch),以及每个类别的置信度(c1,c2,c3,…,cN),共计N类。则每个位置上产生的值的数量为Kt*(N+4)个,每个特征图的输出为Ft*Kt*(N+4)。
S7:将数据集中标注桥梁的病害位置信息及类别信息记为GT,对生成的默认框与GT进行匹配;将成功匹配的默认框标记为正样本,反之为负样本;
具体的:将数据集中人工标注桥梁的病害位置信息及类别信息记为GT,对生成的默认框与GT进行匹配,匹配策略基于Jaccard重叠,首先,匹配与GT Jaccard重叠率最大的默认框,接着匹配与GT Jaccard高于0.5的默认框,将成功匹配的默认框标记为正样本,反之为负样本。
S8:计算正样本的默认框与GT的形状偏移量,得到目标值为(cx’,cy’,cw’,ch’);
S9:根据步骤S6中得到的预测值和步骤S8中得到的目标值计算Lloc;
S10:分别计算步骤S7中的正样本和负样本的置信度;
S11:根据步骤S10中的正样本和负样本的置信度计算Lconf;
S12:计算最终的损失值L;
其中,最终的损失值L根据公式(1)确定:
L=(1/N)*(Lconf+a*Lloc) (1)
其中,a为Lloc的比率,N为正、负样本默认框的数量和;
S13:根据最终的损失值L,利用反向传播算法和SGD算法对目标检测模型的参数进行更新;
S14:利用步骤S2中的测试集对更新参数后的目标检测模型进行评估;
如评估符合标准后,则进入步骤S15,若评估不符合标准,则重复步骤S4-S13;
S15:将待检测的带有病害的桥梁图像输入更新参数后的目标检测模型,通过特征融合确定最终的病害位置及种类。
其中,所述提取尺度不同的特征层的步骤如下:
所述目标检测模型包括基础网络部分和附加网络部分;
a、将步骤S2中的训练集输入目标检测模型的基础网络部分,依次使用卷积操作和最大池化操作对训练集中的图像进行特征提取处理,得到高维特征图;
b、将高维特征图输入目标检测模型的附加网络部分,进行若干次卷积操作,获得若干个尺度不同的特征层。
其中,所述步骤S9中计算Lloc根据公式(2)确定:
Lloc=∑smoothL1(目标值-预测值)(2)
其中,预测值为(cx,cy,cw,ch),目标值为(cx’,cy’,cw’,ch’)。
其中,所述步骤S11中计算Lconf根据公式(3)确定:
Lconf=∑-log(正样本置信度)-∑log(1-负样本置信度)(3)。
其中,所述步骤S14中待检测的带有病害的桥梁图像检测后将检测结果发送至客户端,客户端将检测结果作为新样本通过http接口上传至Nginx反向代理服务器,并通过新样本扩充桥梁病害检测数据集。
其中,所述步骤S15中将待检测的带有病害的桥梁图像输入更新参数后的目标检测模型,通过特征融合确定最终的病害位置及种类具体过程为:将待检测的带有病害的桥梁图像缩放成300×300,输入更新参数后的目标检测模型,更新参数后的目标检测模型进行前向计算,输出若干个待选默认框的形状偏移量和类别置信度,将形状偏移还原到300×300图像中,采用soft-NMS算法,保留高置信度的待选框,融合比之置信度低且与之重叠率高于一定阈值的待选框,以此确定最终的病害位置及种类。
上文所述的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并不是用以限制本发明的保护范围,在所述技术领域普通技术人员所具备的知识范围内,在不脱离本发明宗旨的前提下作出的各种变化均属于本发明的保护范围。
Claims (10)
1.一种桥梁病害自动识别方法,其特征在于,包括如下步骤:
S1:构建桥梁病害检测数据集;
对现场采集的每一张带有病害的桥梁图像根据建立的桥梁病害特征字典进行标注,标注桥梁的病害位置及种类,具体为在病害处绘制长方形框体,生成一个数据文件,每个数据文件标注图像的名称、大小、类型、病害出现的位置坐标、病害种类及病害尺寸;将多个标注后的数据文件构建为桥梁病害检测数据集;
S2:将步骤S1中构建的桥梁病害检测数据集通过随机抽样划分为5:1的数量,前者作为训练集训练模型,后者作为测试集评估模型质量;
S3:基于卷积神经网络SSD构建桥梁病害的目标检测模型;
S4:将步骤S2中的训练集输入步骤S3中的目标检测模型提取尺度不同的特征层,并得到相应的特征图;
S5:采用先验的默认框机制将尺度不同的特征图生成默认框;
S6:目标检测模型预测每个默认框的形状偏移,得到预测值为(cx,cy,cw,ch);
S7:将数据集中标注桥梁的病害位置信息及类别信息记为GT,对生成的默认框与GT进行匹配;将成功匹配的默认框标记为正样本,反之为负样本;
S8:计算正样本的默认框与GT的形状偏移量,得到目标值为(cx’,cy’,cw’,ch’);
S9:根据步骤S6中得到的预测值和步骤S8中得到的目标值计算Lloc;
S10:分别计算步骤S7中的正样本和负样本的置信度;
S11:根据步骤S10中的正样本和负样本的置信度计算Lconf;
S12:计算最终的损失值L;
其中,最终的损失值L根据公式(1)确定:
L=(1/N)*(Lconf+a*Lloc) (1)
其中,a为Lloc的比率,N为正、负样本默认框的数量和;
S13:根据最终的损失值L,利用反向传播算法和SGD算法对目标检测模型的参数进行更新;
S14:利用步骤S2中的测试集对更新参数后的目标检测模型进行评估;
如符合评估标准后,则进入步骤S15,若不符合评估标准,则重复步骤S4-S13;
S15:将待检测的带有病害的桥梁图像输入更新参数后的目标检测模型,通过特征融合确定最终的病害位置及种类。
2.如权利要求1所述的桥梁病害自动识别方法,其特征在于,所述提取尺度不同的特征层的步骤如下:
所述目标检测模型包括基础网络部分和附加网络部分;
a、将步骤S2中的训练集输入目标检测模型的基础网络部分,依次使用卷积操作和最大池化操作对训练集中的图像进行特征提取处理,得到高维特征图;
b、将高维特征图输入目标检测模型的附加网络部分,进行若干次卷积操作,获得若干个尺度不同的特征层。
3.如权利要求1所述的桥梁病害自动识别方法,其特征在于,步骤S5中生成的默认框与GT的匹配策略为:首先,匹配与GT Jaccard重叠率最大的默认框,其次,匹配与GT Jaccard重叠率高于0.5的默认框,将成功匹配的默认框标记为正样本,反之为负样本。
4.如权利要求1所述的桥梁病害自动识别方法,其特征在于,所述步骤S6中具体操作过程为:对每个特征图分别进行卷积操作,输出每个特征图的每个位置上的预测的默认框的四个偏移量,即中心位置的偏移和长宽的偏移,依次为(cx,cy,cw,ch),即得到预测值。
5.如权利要求1所述的桥梁病害自动识别方法,其特征在于,步骤S9中计算Lloc根据公式(2)确定:
Lloc=∑smoothL1(目标值-预测值) (2)
其中,预测值为(cx,cy,cw,ch),目标值为(cx’,cy’,cw’,ch’)。
6.如权利要求1所述的桥梁病害自动识别方法,其特征在于,步骤S11中计算Lconf根据公式(3)确定:
Lconf=∑-log(正样本置信度)-∑log(1-负样本置信度) (3)。
7.如权利要求1所述的桥梁病害自动识别方法,其特征在于,步骤S14中待检测的带有病害的桥梁图像检测后将检测结果发送至客户端,客户端将检测结果作为新样本通过http接口上传至Nginx反向代理服务器,并通过新样本扩充桥梁病害检测数据集。
8.如权利要求1所述的桥梁病害自动识别方法,其特征在于,所述步骤S1中建立桥梁病害特征字典为:分析典型桥梁病害的显著性特征和易混淆桥梁病害的各异性特征,提取特征信息,建立桥梁病害特征字典;
所述典型桥梁病害包含裂缝、破损、剥落漏筋、渗漏水、蜂窝麻面、锈蚀锈胀;
所述易混淆病害包含蜂窝和麻面、蜂窝和空洞、桥面拥包和桥面车辙、桩基冻融和水蚀。
9.如权利要求1所述的桥梁病害自动识别方法,其特征在于,基于对抗网络GANs,对所述步骤S1中的现场采集的复杂光线环境下的带有病害的桥梁图像进行优化增强,所述优化增强时对带有病害的桥梁图像进行旋转、缩放、平移、增白操作。
10.如权利要求1所述的桥梁病害自动识别方法,其特征在于,所述步骤S15中将待检测的带有病害的桥梁图像输入更新参数后的目标检测模型,通过特征融合确定最终的病害位置及种类具体过程为:将待检测的带有病害的桥梁图像缩放成300×300,输入更新参数后的目标检测模型,更新参数后的目标检测模型进行前向计算,输出若干个待选默认框的形状偏移量和类别置信度,将形状偏移还原到300×300图像中,采用soft-NMS算法,保留高置信度的待选框,融合比之置信度低且与之重叠率高于阈值的待选框,以此确定最终的病害位置及种类,所述阈值为0.7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910501707.3A CN110222701B (zh) | 2019-06-11 | 2019-06-11 | 一种桥梁病害自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910501707.3A CN110222701B (zh) | 2019-06-11 | 2019-06-11 | 一种桥梁病害自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222701A CN110222701A (zh) | 2019-09-10 |
CN110222701B true CN110222701B (zh) | 2019-12-27 |
Family
ID=67816336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910501707.3A Active CN110222701B (zh) | 2019-06-11 | 2019-06-11 | 一种桥梁病害自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222701B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728306A (zh) * | 2019-09-17 | 2020-01-24 | 平安科技(深圳)有限公司 | 反向代理评价模型中目标参数选取方法及相关装置 |
CN111191714A (zh) * | 2019-12-28 | 2020-05-22 | 浙江大学 | 桥梁外观损伤病害智能识别方法 |
CN111260615B (zh) * | 2020-01-13 | 2022-11-15 | 重庆交通大学 | 基于激光和机器视觉融合的无人机桥梁表观病害检测方法 |
CN111563530B (zh) * | 2020-04-01 | 2023-05-09 | 中铁大桥科学研究院有限公司 | 一种智能化桥梁病害巡检方法和系统 |
CN111707196A (zh) * | 2020-05-13 | 2020-09-25 | 苏州天炯信息科技有限公司 | 基于无人机的桥梁病害尺寸测量装置及测量方法 |
CN112488990A (zh) * | 2020-11-02 | 2021-03-12 | 东南大学 | 一种基于注意力正则化机制的桥梁支座病害识别方法 |
CN112749733A (zh) * | 2020-11-27 | 2021-05-04 | 江西省交通科学研究院 | 一种基于混合模型及图像金字塔的桥梁病害识别方法 |
CN112699736A (zh) * | 2020-12-08 | 2021-04-23 | 江西省交通科学研究院 | 一种基于空间注意力的桥梁支座病害识别方法 |
CN112884760B (zh) * | 2021-03-17 | 2023-09-26 | 东南大学 | 近水桥梁多类型病害智能检测方法与无人船设备 |
CN113326846B (zh) * | 2021-04-15 | 2022-07-05 | 湖南桥康智能科技有限公司 | 一种基于机器视觉的桥梁表观病害快速检测方法 |
CN113689380B (zh) * | 2021-07-20 | 2023-05-16 | 中国铁路设计集团有限公司 | 基于深度学习的桁架桥梁铆钉锈蚀病害智能识别方法 |
CN115631417A (zh) * | 2022-11-11 | 2023-01-20 | 生态环境部南京环境科学研究所 | 一种基于卷积神经网络的蝴蝶图像识别方法 |
CN115995056A (zh) * | 2023-03-22 | 2023-04-21 | 南京航空航天大学 | 一种基于深度学习的桥梁病害自动识别方法 |
CN116415688B (zh) * | 2023-03-27 | 2023-11-03 | 中国科学院空间应用工程与技术中心 | 一种流体回路状态监测基线模型在线学习方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910186A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的桥梁裂缝检测定位方法 |
CN106910185A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的dbcc分类模型及构建方法 |
CN108288269A (zh) * | 2018-01-24 | 2018-07-17 | 东南大学 | 基于无人机与卷积神经网络的桥梁支座病害自动识别方法 |
WO2019028725A1 (en) * | 2017-08-10 | 2019-02-14 | Intel Corporation | CONVOLUTIVE NEURAL NETWORK STRUCTURE USING INVERTED CONNECTIONS AND OBJECTIVITY ANTERIORITIES TO DETECT AN OBJECT |
CN109408985A (zh) * | 2018-11-01 | 2019-03-01 | 哈尔滨工业大学 | 基于计算机视觉的桥梁钢结构裂缝精准识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102340988B (zh) * | 2009-01-15 | 2014-02-26 | 脱其泰有限责任公司 | 光子栅栏 |
US9349178B1 (en) * | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
-
2019
- 2019-06-11 CN CN201910501707.3A patent/CN110222701B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910186A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的桥梁裂缝检测定位方法 |
CN106910185A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的dbcc分类模型及构建方法 |
WO2019028725A1 (en) * | 2017-08-10 | 2019-02-14 | Intel Corporation | CONVOLUTIVE NEURAL NETWORK STRUCTURE USING INVERTED CONNECTIONS AND OBJECTIVITY ANTERIORITIES TO DETECT AN OBJECT |
CN108288269A (zh) * | 2018-01-24 | 2018-07-17 | 东南大学 | 基于无人机与卷积神经网络的桥梁支座病害自动识别方法 |
CN109408985A (zh) * | 2018-11-01 | 2019-03-01 | 哈尔滨工业大学 | 基于计算机视觉的桥梁钢结构裂缝精准识别方法 |
Non-Patent Citations (3)
Title |
---|
Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks;Young-Jin Cha.et;《Computer-Aided Civil and Infrastructure Eugineering》;20171231;第32卷(第5期);第361-378页 * |
大跨径PSC箱梁桥时变性能监测及状态评估;陈哲衡;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20190515(第5期);第C034-23页 * |
大跨预应力混凝土连续梁桥病害成因分析;车晓军;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20071115(第5期);第C034-125页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110222701A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222701B (zh) | 一种桥梁病害自动识别方法 | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN110008854B (zh) | 基于预训练dcnn的无人机影像公路地质灾害识别方法 | |
CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
CN108154134A (zh) | 基于深度卷积神经网络的互联网直播色情图像检测方法 | |
CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及系统 | |
CN108460764A (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
CN110008877B (zh) | 一种基于Faster RCNN的变电站隔离开关检测识别方法 | |
CN111507998A (zh) | 基于深度级联的多尺度激励机制隧道表面缺陷分割方法 | |
CN112700444A (zh) | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 | |
Yusof et al. | Automated asphalt pavement crack detection and classification using deep convolution neural network | |
Shin et al. | Digital vision based concrete compressive strength evaluating model using deep convolutional neural network | |
CN110555831A (zh) | 一种基于深度学习的排水管道缺陷分割方法 | |
CN111241994A (zh) | 一种深度学习的遥感影像农村公路砂化路段的提取方法 | |
CN111985325A (zh) | 特高压环境评价中的航拍小目标快速识别方法 | |
CN114743102A (zh) | 一种面向家具板材的瑕疵检测方法、系统及装置 | |
Katrojwar et al. | Design of Image based Analysis and Classification using Unmanned Aerial Vehicle | |
CN114612803A (zh) | 一种改进CenterNet的输电线路绝缘子缺陷检测方法 | |
Zhang et al. | Research on pipeline defect detection based on optimized faster r-cnn algorithm | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN113762247A (zh) | 一种基于显著实例分割算法的道路裂缝自动检测方法 | |
CN117054754A (zh) | 一种基于目标检测模型的快速射电暴信号搜寻方法 | |
CN111160490A (zh) | 一种基于多时间序列的深度学习危岩变形预测方法及装置 | |
Bush et al. | Deep Neural Networks for visual bridge inspections and defect visualisation in Civil Engineering | |
CN116342542A (zh) | 一种基于轻量级神经网络的钢铁产品表面缺陷检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |