CN110443881B - 桥面形态变化识别桥梁结构损伤的cnn-grnn方法 - Google Patents

桥面形态变化识别桥梁结构损伤的cnn-grnn方法 Download PDF

Info

Publication number
CN110443881B
CN110443881B CN201910456968.8A CN201910456968A CN110443881B CN 110443881 B CN110443881 B CN 110443881B CN 201910456968 A CN201910456968 A CN 201910456968A CN 110443881 B CN110443881 B CN 110443881B
Authority
CN
China
Prior art keywords
bridge
bridge deck
layer
image
damage
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
Application number
CN201910456968.8A
Other languages
English (en)
Other versions
CN110443881A (zh
Inventor
唐亮
吴桐
周志祥
毛若愚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Jiaotong University
Original Assignee
Chongqing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Jiaotong University filed Critical Chongqing Jiaotong University
Priority to CN201910456968.8A priority Critical patent/CN110443881B/zh
Publication of CN110443881A publication Critical patent/CN110443881A/zh
Application granted granted Critical
Publication of CN110443881B publication Critical patent/CN110443881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本发明提供的一种桥面形态变化识别桥梁结构损伤的CNN‑GRNN方法，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；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。本发明的桥面形态变化识别桥梁结构损伤的CNN‑GRNN方法，利用人工智能的科学技术手段，输入桥面局部变形形态到计算机，输出桥梁结构损伤预测结果，从而高效、准确、可量化地评估桥梁结构损伤的情况。

Description

桥面形态变化识别桥梁结构损伤的CNN-GRNN方法
技术领域
本发明涉及一种桥面形态变化识别桥梁结构损伤的方法，具体涉及一种桥面形态变化识别桥梁结构损伤的CNN-GRNN方法。
背景技术
桥梁一旦建成投入使用后，在其服役期内除了建造材料自身性能会不断退化外，还不可避免地会受到风荷载、地震荷载、车辆反复荷载等自然和人为因素的影响，使结构受到不同程度的累计损伤和突发损伤，导致桥梁结构不断退化、“带病”运营，进而可能突发垮塌灾难。可以预见，在未来的10到20年内，我国还将迎来更大范围的桥梁老化现象，桥梁安全形式不容乐观。
桥梁的经常性安全检查在实际操作上多采用的是人工对桥面的巡检或用望远镜远距离观察的方法，缺乏可量化的科学依据，难以及时发现桥梁结构安全隐患。在重点维护的大桥或特大桥上，是将数量庞大的位移计、应变计、钢筋计、倾斜计等传感器件直接安装在桥体上，以实现桥梁静力和动力监测的需求。这样的监测手段基本上是一桥一系统的直接测量，虽然可以全时掌握桥梁的信息，但其存在单桥建设成本高、耗费人力财力、海量数据难以处理、仅能量测桥梁上有限的传感器安装点信息等缺点。
因此，为解决以上问题，亟需一种更高效、准确、可量化的桥面形态变化识别桥梁结构损伤的CNN-GRNN方法。
发明内容
有鉴于此，本发明的目的是克服现有技术中的缺陷，提供一种桥面形态变化识别桥梁结构损伤的CNN-GRNN方法，利用人工智能的科学技术手段，输入桥面局部变形形态到计算机，输出桥梁结构损伤预测结果，从而高效、准确、可量化地评估桥梁结构损伤的情况。
本发明提供的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；
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。
进一步，步骤S1中，桥面图像序列中，相邻两张图像具有重叠率。
进一步，步骤S2中，双目立体视觉三维重建包括：
对图像序列进行双目标定：包括对双目相机进行标定处理，得到参数，包括内参：相机矩阵与畸变系数及外参：旋转矩阵与平移向量；
对双目标定后的图像序列进行双目矫正：包括对左右目图像进行畸变矫正和立体矫正，得到左右目矫正图像；
对矫正后的图像序列进行立体匹配：包括通过立体匹配算法对其进行立体匹配，生成视差图；
对匹配后的图像序列进行三维重建：根据视差图，利用转换矩阵计算出三维坐标。
进一步，步骤S3中，配准历次桥面三维几何形态包括：
建立配准目标函数模型RMS:
Figure BDA0002076877740000021
其中，qk为前次拍摄工况下的第k个匹配特征点，pk为后次拍摄工况下的第k个待匹配特征点，n为匹配特征点的个数，R为旋转矩阵，T为平移向量；
构造点集互协方差矩阵M：
Figure BDA0002076877740000031
其中，up、uq为前后两次拍摄工况下的匹配特征点点集质心，即
Figure BDA0002076877740000032
由协方差矩阵M构造对称矩阵Q：
Figure BDA0002076877740000033
进一步，步骤S3中，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，计算两个模型匹配点对之间的变形值。
进一步，步骤S4中，所述区域生长分割包括在桥面几何形态变化色谱图上搜寻区域范围内的变形极值点，选取变形极值点作为生长种子点，将桥面变形的连续性设置为区域生长条件，将变形梯度绝对值小于预设值或变形值小于等于三倍点云数据的精度值设置为区域生长停止条件。
进一步，步骤S5中，包括如下步骤：
S5-1：将桥梁不同区域位置及不同损伤程度作为标签引入桥面局部变形形态图像，将此图像作为训练样本数据；
S5-2：对桥面局部变形形态图像进行归一化处理；
S5-3：建立CNN特征提取器和GRNN回归分析器模型；
S5-4：对CNN特征提取器与GRNN回归分析器进行网络训练；
S5-5：将归一化的桥面局部变形形态图像输入计算机，得到预测结果。
本发明的有益效果是：本发明提供的一种桥面形态变化识别桥梁结构损伤的CNN-GRNN方法，利用人工智能的科学技术手段，输入桥面局部变形形态到计算机，输出桥梁结构损伤预测结果，从而高效、准确、可量化地评估桥梁结构损伤的情况，及时掌握桥梁安全状态，预防灾害事故发生，保证桥梁运营安全。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的方法流程图；
图2为本发明的区域生长算法示意图；
图3为本发明的卷积神经网络CNN特征提取器的结构示意图；
图4为本发明的广义回归神经网络GRNN回归分析器的结构示意图；
图5为本发明的卷积神经网络CNN特征提取器训练流程示意图；
具体实施方式
以下结合说明书附图对本发明做出进一步的说明，如图所示：
本发明提供的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；
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。
本实施例中，步骤S1中，使用双目高清相机连续拍摄进而使得相邻两张的图像具有重叠率，利于加快图像三维模型重建速率，提高模型精度。
本实施例中，步骤S2中，双目立体视觉三维重建包括：
对图像序列进行双目标定：在双目相机采集左右目图像之后，对双目相机进行标记处理，得到内参与外参，内参包括相机矩阵K1、K2以及畸变系数D1、D2，外参包括旋转矩阵R与平移向量T；
对双目标定后的图像序列进行双目矫正：利用某种计算机视觉库(为了便于说明这里选择常用的OpenCV计算机视觉库为例)，将内参以及外参输入到OpenCV函数stereoRectify，计算得到左目矫正矩阵R1、右目矫正矩阵R2、左目投影矩阵P1、右目投影矩阵P2以及映射矩阵Q；
左右目分别利用OpenCV函数initUndistortRectifyMap，将上述已知条件及所得结果作为输入参数，得到左目map以及右目map；
左右目分别利用OpenCV函数remap并根据左右目map对左右目图像进行去畸变和立体矫正，得到左右目矫正图像；
对矫正后的图像序列进行立体匹配：根据左右目矫正图像，通过BM或SGM等立体匹配算法对其进行立体匹配，通过OpenCV函数stereoBM计算得到视差图；
对匹配后的图像序列进行三维重建：通过OpenCV函数reprojectImageTo3D将视差图，通过映射矩阵Q，得到一副映射图，映射图像大小与视差图相同，且每个像素具有三个通道，分别存储了该像素位置在相机坐标系下的三维点坐标在x,y,z三个轴上的值，即每个像素在相机坐标系下的三维坐标。
本实施例中，步骤S3中，配准历次桥面三维几何形态包括将所有桥面三维几何模型通过旋转矩阵R与平移向量T由相机坐标系转换到同一个世界空间坐标系下；根据桥梁梁体变形，桥台与桥墩基本不变的特点，每次拍摄时选取桥台附近路面作为不变特征面，将各次拍摄所选择的不变特征面上的多个匹配特征点群做移动最小二乘法计算，即是以这些匹配点群之间的距离平方和最小为原则作为目标函数，对目标函数进行反复迭代计算直至最小或满足阀值后结束循环。
其中，基于最小二乘法的配准目标函数模型RMS如下:
Figure BDA0002076877740000061
其中，qk为前次拍摄工况下的第k个匹配特征点，pk为后次拍摄工况下的第k个待匹配特征点，n为匹配特征点的个数,R为旋转矩阵，T为平移向量。
旋转矩阵R和平移向量T的求解，通过如下计算：
构造点集互协方差矩阵M：
Figure BDA0002076877740000062
其中，up、uq为前后两次拍摄工况下的匹配特征点点集质心，即
Figure BDA0002076877740000063
由互协方差矩阵M构造对称矩阵Q：
Figure BDA0002076877740000064
求解对称矩阵Q的最大特征值对应的特征向量qR，得qR＝[q0 q1 q2 q3]T，进而计算出旋转矩阵R和平移向量T：
Figure BDA0002076877740000065
T＝uq-R·up，
将求得的旋转矩阵R和平移向量T带入目标函数模型RMS中，如果RMS达到最小或满足阀值，则结束计算，否则按照如上步骤，重新计算旋转矩阵R和平移向量T直到满足结束计算条件，最后得到最佳的旋转矩阵R与平移向量T。
设后次拍摄工况下的桥面某点三维坐标为a，则通过最佳旋转矩阵R与平移向量T得到新的三维坐标a'＝R·a+T，同理，桥面其他点的三维坐标经过同样的变换，得到新的坐标，进而实现将所有桥面模型统一到同一坐标系下。
本实施例中，步骤S3中，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。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。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。根据不同的变形距离对应不同的颜色，使用计算机绘制出桥面的整体几何形态变化色谱图，进而全方位细致地描述两次或多次巡检时间段的整体位移和变形状况。
本实施例中，步骤S4中，采用区域生长分割的方法从桥面的整体变形形态色谱图中分割出桥面的局部变形形态，根据桥面点云的曲率或法线，搜寻出区域范围内的变形极值点，选取变形极值点作为生长种子点，根据桥面变形的连续性，查找种子像素周围邻域中与种子像素具有相同或相似的像素，也即是当前种子点与邻域点之间的色差小于色差阀值时，将领域点合并到种子像素所在的区域中，将这些新像素当做新的种子像素继续进行上面的过程，直到桥面变形梯度绝对值小于预设值或变形值小于等于三倍精度值，停止寻找领域点，从而形成了一个生长区域，最后实现对桥面整体变形形态色谱图的分割，得到桥面局部变形形态图。
本实施例中，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：对分割所得的桥面局部变形形态图像进行归一化处理，归一化处理的公式为：
Figure BDA0002076877740000081
其中，Xi为桥面局部变形形状图像大小变化的变形值，Xmin和Xmax分别为各个桥面局部变形形状图像大小变化范围的最小值和最大值；
通过上式将其归一化到区间[0,1]范围内，保证了预测得到的桥梁数据与实际的桥梁数据各个维度都中心化为0，都在同一个区间范围内，便于比较与分析。
S5-3：建立CNN特征提取器和GRNN回归分析器模型；
1).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、不变矩等的特征图像信息，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，从而防止过拟合，提高泛化性，实现位移不变性。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。
2).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；
1).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；
2).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计算机，调整所述目标域数据模型，得到桥梁结构损伤性质预测结果。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

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。
3.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S2中，双目立体视觉三维重建包括：
对图像序列进行双目标定：包括对双目相机进行标定处理，得到参数，包括内参：相机矩阵与畸变系数及外参：旋转矩阵与平移向量；
对双目标定后的图像序列进行双目矫正：包括对左右目图像进行畸变矫正和立体矫正，得到左右目矫正图像；
对矫正后的图像序列进行立体匹配：包括通过立体匹配算法对其进行立体匹配，生成视差图；
对匹配后的图像序列进行三维重建：根据视差图，利用转换矩阵计算出三维坐标。
4.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S3中，配准历次桥面三维几何形态包括：
建立配准目标函数模型RMS:
Figure FDA0004221528660000031
其中，qk为前次拍摄工况下的第k个匹配特征点，pk为后次拍摄工况下的第k个待匹配特征点，n为匹配特征点的个数，R为旋转矩阵，T为平移向量；
构造点集互协方差矩阵M：
Figure FDA0004221528660000041
其中，up、uq为前后两次拍摄工况下的匹配特征点点集质心，即
Figure FDA0004221528660000042
由协方差矩阵M构造对称矩阵Q：
Figure FDA0004221528660000043
5.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S4中，所述区域生长分割包括在桥面几何形态变化色谱图上搜寻区域范围内的变形极值点，选取变形极值点作为生长种子点，将桥面变形的连续性设置为区域生长条件，将变形梯度绝对值小于预设值或变形值小于等于三倍点云数据的精度值设置为区域生长停止条件。
CN201910456968.8A 2019-05-29 2019-05-29 桥面形态变化识别桥梁结构损伤的cnn-grnn方法 Active CN110443881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910456968.8A CN110443881B (zh) 2019-05-29 2019-05-29 桥面形态变化识别桥梁结构损伤的cnn-grnn方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910456968.8A CN110443881B (zh) 2019-05-29 2019-05-29 桥面形态变化识别桥梁结构损伤的cnn-grnn方法

Publications (2)

Publication Number Publication Date
CN110443881A CN110443881A (zh) 2019-11-12
CN110443881B true CN110443881B (zh) 2023-07-07

Family

ID=68429014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910456968.8A Active CN110443881B (zh) 2019-05-29 2019-05-29 桥面形态变化识别桥梁结构损伤的cnn-grnn方法

Country Status (1)

Country Link
CN (1) CN110443881B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723427B (zh) * 2020-06-24 2022-03-25 暨南大学 一种基于递归特征分解的桥梁结构损伤定位方法
CN113361532B (zh) * 2021-03-10 2023-06-06 江西理工大学 一种图像识别方法、系统、存储介质、设备、终端及应用
CN113128371B (zh) * 2021-04-01 2023-06-23 中铁大桥局集团有限公司 一种基于自动视觉扫描的运营期桥梁监测系统及方法
CN113223176B (zh) * 2021-05-12 2022-09-20 武汉中仪物联技术股份有限公司 多维度管道特征参数的获取方法和装置
CN116383919B (zh) * 2023-02-13 2023-11-10 镇江默勒电器有限公司 一种核电用配电柜抗震性能评估方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103344396A (zh) * 2013-07-16 2013-10-09 吉林大学 基于近景摄影测量的桥梁挠度测量系统及方法
CN106355195A (zh) * 2016-08-22 2017-01-25 中国科学院深圳先进技术研究院 用于测量图像清晰度值的系统及其方法
CN108510739A (zh) * 2018-04-28 2018-09-07 重庆交通大学 一种道路交通状态识别方法、系统及存储介质
CN110147781A (zh) * 2019-05-29 2019-08-20 重庆交通大学 基于机器学习的桥梁振动模态可视化损伤识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504388B (zh) * 2014-12-17 2017-10-24 长安大学 一种路面裂缝识别和特征提取算法及系统
CN106651872B (zh) * 2016-11-23 2020-09-15 北京理工大学 基于Prewitt算子的路面裂缝识别方法及系统
CN107633516B (zh) * 2017-09-21 2020-04-07 武汉武大卓越科技有限责任公司 一种识别路面变形类病害的方法和装置
EP3553694A1 (en) * 2018-04-12 2019-10-16 Aptiv Technologies Limited Distance estimation of vehicle headlights
CN108596274A (zh) * 2018-05-09 2018-09-28 国网浙江省电力有限公司 基于卷积神经网络的图像分类方法
CN108830012A (zh) * 2018-06-29 2018-11-16 上海勘察设计研究院(集团)有限公司 一种基于全要素挖掘的结构变形预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103344396A (zh) * 2013-07-16 2013-10-09 吉林大学 基于近景摄影测量的桥梁挠度测量系统及方法
CN106355195A (zh) * 2016-08-22 2017-01-25 中国科学院深圳先进技术研究院 用于测量图像清晰度值的系统及其方法
WO2018035794A1 (zh) * 2016-08-22 2018-03-01 中国科学院深圳先进技术研究院 用于测量图像清晰度值的系统及其方法
CN108510739A (zh) * 2018-04-28 2018-09-07 重庆交通大学 一种道路交通状态识别方法、系统及存储介质
CN110147781A (zh) * 2019-05-29 2019-08-20 重庆交通大学 基于机器学习的桥梁振动模态可视化损伤识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An advanced vision-based system for real-time displacement measurement of high-rise buildings;Lee J H等;Smart Materials & Structures;第21卷(第12期);3387-3395 *
The prediction model of worsted yarn quality based on CNN–GRNN neural network;Hu Z等;Neural Comput & Applic;第31卷;4551–4562 *
基于CNN-GRNN模型的图像识别;江帆;刘辉;王彬;孙晓峰;代照坤;;计算机工程;43(04);257-262 *
近景摄影三维重建在结构试验中的应用;姜腾蛟等;实验室研究与探索;第35卷(第11期);26-29，46 *

Also Published As

Publication number Publication date
CN110443881A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
CN110443881B (zh) 桥面形态变化识别桥梁结构损伤的cnn-grnn方法
CN110738697B (zh) 基于深度学习的单目深度估计方法
CN110009674B (zh) 基于无监督深度学习的单目图像景深实时计算方法
CN109615653B (zh) 基于深度学习与视场投影模型的渗漏水面积检测与识别方法
CN110728658A (zh) 一种基于深度学习的高分辨率遥感影像弱目标检测方法
CN107229920B (zh) 基于整合深度典型时间规整及相关修正的行为识别方法
CN109063663B (zh) 一种由粗到精的时序遥感影像厚云检测与去除方法
CN112833883B (zh) 一种基于多相机的室内移动机器人定位方法
CN110197505B (zh) 基于深度网络及语义信息的遥感图像双目立体匹配方法
CN111563878A (zh) 一种空间目标定位方法
CN111797684A (zh) 一种运动车辆双目视觉测距方法
CN113570658A (zh) 基于深度卷积网络的单目视频深度估计方法
CN111998862A (zh) 一种基于bnn的稠密双目slam方法
CN107679542B (zh) 一种双摄像头立体视觉识别方法及系统
CN115187565A (zh) 一种水下桥墩病害识别定位方法、装置、电子设备及存储介质
CN114648669A (zh) 一种域自适应双目视差计算的动车组故障检测方法及系统
CN115937518A (zh) 一种基于多源图像融合的路面病害识别方法及系统
CN109978957B (zh) 基于量子行为粒子群的双目系统标定方法
CN114998395A (zh) 一种有效的堤岸三维数据变化检测方法及系统
Hou et al. A pointer meter reading recognition method based on YOLOX and semantic segmentation technology
CN113628261A (zh) 一种电力巡检场景下的红外与可见光图像配准方法
CN114494371A (zh) 基于多尺度相位一致性的光学图像和sar图像配准方法
CN111553954B (zh) 一种基于直接法单目slam的在线光度标定方法
CN116843679A (zh) 基于深度图像先验框架的pet图像部分容积校正方法
CN116051808A (zh) 一种基于YOLOv5的轻量化零件识别定位方法

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