CN111340772A - 一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法 - Google Patents

一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法 Download PDF

Info

Publication number
CN111340772A
CN111340772A CN202010111003.8A CN202010111003A CN111340772A CN 111340772 A CN111340772 A CN 111340772A CN 202010111003 A CN202010111003 A CN 202010111003A CN 111340772 A CN111340772 A CN 111340772A
Authority
CN
China
Prior art keywords
image
cloud
classifier
detection
module
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.)
Pending
Application number
CN202010111003.8A
Other languages
English (en)
Inventor
黄彩萍
甘书宽
黄志强
邢琼
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.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202010111003.8A priority Critical patent/CN111340772A/zh
Publication of CN111340772A publication Critical patent/CN111340772A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法。系统包括带高精摄像头的航拍无人机，用户终端模块，云数据库中心a，云数据库中心b，云检测模块和云训练模块。利用摄像机拍摄已知损伤信息的原始图片A，将原始图片A进行分割得到图像C，将已知损伤信息的图像C组成训练集，利用训练集对分类器进行训练，完成桥梁损伤检测模型建立；利用摄像机拍摄待检测的钢筋混凝土桥梁的原始图片A；对待检测的原始图片A进行分割，得到待检测的图像C；将待检测的图像C导入到分类器中，即可获取该原始图片A中钢筋混凝土桥梁的损伤信息。本发明提供了一种远程检测方法，大大降低人工现场检测的工作量，提高检测效率，节约检测成本。

Description

一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法
技术领域
本发明属于桥梁检测领域，涉及到图像识别，具体涉及一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法。
背景技术
随着国家经济发展，桥梁建设做为交通基础设施的重要组成部分，获得了指数级增长；同时，大量桥梁由于交通负荷的增加、气候和自然灾害的影响，结构受到破坏，出现各种损伤，影响桥梁安全运营。针对桥梁损伤检测，传统方式以人工现场检查为主；也有激光雷达、超声波、红外热像仪等进行损伤检测的手段，这些方法都需要人工现场取景，检查的方式是依赖于专家的知识和经验，很难客观评价；而且检测效率低，造成大量的资源浪费和人力浪费。为了提高钢筋混凝土桥梁损伤检测的效率，在现场采用无人机替代人肉眼观测，采集各个部位的高像素图像，通过基于移动终端的钢筋混凝土桥梁损伤检测方法来自动快速的检测钢筋混凝土桥梁的损伤。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法，在无需人工现场检查的情况下，实现客观高效的检测。
为达到以上目的，本发明采取的技术方案是：
一种基于移动终端的钢筋混凝土桥梁损伤检测系统，其特征在于：包括用户终端模块、云数据库中心a、云数据库中心b、云检测模块、云训练模块和带高精摄像头的航拍无人机；
所述带高精摄像头的航拍无人机用于采集桥体混凝土表面损伤部位的原始图像A并通过无线传至用户终端模块；
所述用户终端模块，用于用户访问和注册终端模块并将注册的独立ID信息传输至云数据库中心a，用户可以通过个人ID登录终端访问云数据库中心a来修改信息；
所述云数据库中心a，用于及储存云检测模块的检测数据和分割的图像C以及云训练模块的分类器；
所述云数据库中心b，用于存储航拍无人机采集的原始图像A，云检测模块的检测数据和分割的图像C，以及云训练模块的分类器；
所述云检测模块，用于将原始图像A分割成图像C和损伤识别分类，并在联网情况下自动将图像C和损伤识别分类数据传至云数据库中心a；
所述云训练模块，通过互联网自动在云数据库中心a提取图像C，对分类器进行训练学习，并通过互联网将训练的分类器传至云检测模块和云数据库中心a。
进一步地，所述用户还可以直接在云数据库中心a预先下载分类器，并在用户终端模块上运行，实现户外无法联网情况下的现场检测，此时所述云检测模块直接分割航拍无人机采集的原始图像A并送往分类器进行检测。
进一步地，所述云检测模块图像分割具体算法步骤包括：
a、输入原始图像A的RGB彩图；
b、通过多种颜色通道交换，得到多通道灰度图像；
c、对灰度图进行Otsu分割，得到各通道初始分割结果，通过测试选取最佳颜色多通道；
d、最后利用马尔科夫随机场模型进行多通道图像分割，得到带损伤区域的图像C。
进一步地，所述云检测模块中损伤识别分类采用三阶段分类器，具体如下：
第一阶段是一个五值分类器，用于五种基本的损伤分类；
第二阶段是一个二值分类器，确定是否存在外露钢筋；
第三阶段是一个二值分类器，用来判断锈蚀染色的存在。
进一步地，所述五种基本的损伤分类分别为剥落、裂纹、风化、结垢和磨损。
进一步地，所述云训练模块的主动训练学习，其步骤为：
步骤1、开发一个简易的检测程序代码初始分类器；
步骤2、云训练模块在云数据库中心b中提取图像B；
步骤3、初始分类器自动对每一张图像B进行预训练学习；
步骤4、将训练学习的结果更新至分类器，并将分类器传输至云数据库中心a供用户终端模块的检测应用下载升级；
步骤5、用户将高精摄像头检测桥梁损伤时拍摄的原始图像A通过云检测模块分割成图像C，并将图像C传输至云数据库中心a；
步骤6、经过云检测模块图像分割得到图像C并传输至云数据库中心a；
步骤7、云训练模块在云数据库中心a中提取图像C；
步骤8、初始分类器自动对每一张图像C进行训练学习；
步骤9、将训练学习的结果更新至分类器，并将分类器传输至云数据库中心供用户终端模块的检测应用下载升级；
进一步地，所述步骤6至步骤9循环闭环多次训练，提高分类器的检测精度。
一种图像识别的钢筋混凝土桥梁损伤检测方法，其特征在于，包括以下步骤：
步骤一、利用摄像机拍摄钢筋混凝土桥梁已知损伤信息的原始图片A；
步骤二、将原始图片A进行分割得到图像C，分割方法如下：
a、输入原始图像A的RGB彩图；
b、通过多种颜色通道交换，得到多通道灰度图像；
c、对灰度图进行Otsu分割，得到各通道初始分割结果，通过测试选取最佳颜色多通道；
d、最后利用马尔科夫随机场模型进行多通道图像分割，得到带损伤区域的图像C；
步骤三、将已知损伤信息的图像C组成训练集，利用训练集对分类器进行训练，完成桥梁损伤检测模型建立；
步骤四、利用摄像机拍摄待检测的钢筋混凝土桥梁的原始图片A；
步骤五、利用步骤二中方法对步骤四中原始图片A进行分割，得到待检测的图像C；
步骤六、将待检测的图像C导入到分类器中，即可获取该原始图片A中钢筋混凝土桥梁的损伤信息。
进一步地，所述步骤b中，多种颜色通道交换具体方法如下：
将RGB彩色空间转换到HSV、Lab和YUV空间中，各个通道依次为HSV的V通道、Lab的L通道、YUV的Y通道，得到多通道灰度图像，将多通道灰度图像组合在一起构成新的向量图，并对此向量图进行图像分割；
通道交换算法如下：
(一)RGB和HSV空间之间的转换：设R＝[r，g，b]为RGB颜色通道向量、H＝[h，s，v]为转换R到HSV空间得到的颜色通道向量；
色调计算
Figure BDA0002389991430000031
饱和度计算
Figure BDA0002389991430000032
估算值计算
Figure BDA0002389991430000033
(二)RGB和Lab空间之间的转换R＝[r，g，b]为RGB颜色通道向量
Figure BDA0002389991430000041
Figure BDA0002389991430000042
Figure BDA0002389991430000043
Figure BDA0002389991430000044
Figure BDA0002389991430000045
(三)RGB和YUV空间之间的转换
设YUV空间的向量为θ＝[y，u，v]，亮度Y由RGB的成分定义，其中RGB值已由gamma因子校正，U是Y与RGB模型红色平面之间的线性因素，V是Y与RGB模型蓝色平面之间的线性因素，
Figure BDA0002389991430000046
进一步地，所述步骤d中具体方法如下：
(一)把图像分割为目标和背景两个区域且都服从高斯分布，分别为：
Figure BDA0002389991430000047
Figure BDA0002389991430000048
式中：N(x)为输入图像，δ0，υ0，δb，υb分别为目标η0和背景ηb区域的均值和方差；
(二)设β(x)为水平集函数，M(x)为标签场，则：
η0＝<1(x)＝1|β(x)＜0>，ηb＝<1(x)＝2|β(x)＞0>，找一个在N(x)下的最优估计
Figure BDA0002389991430000049
P<M|N>为后验概率；再利用贝叶斯公式有：
Figure BDA00023899914300000410
P<N|M>为条件概率；P(M)为先验概率；
Figure BDA0002389991430000051
n为通道数；
Figure BDA0002389991430000052
F为归一因子，
Figure BDA0002389991430000053
本发明有益效果是：
本发明通过无人机携带摄像机进行远程拍摄，结合图像识别技术对钢筋混凝土桥梁损伤进行检测，随时时间进行，检测精度越来越高，本发明可以有效降低人力成本和人为测量风险，为现代桥梁检测智能化提供了基础条件。
附图说明
图1为本发明实施例中基于移动终端的钢筋混凝土桥梁损伤检测系统的流程示意图，其中虚线1内为在线检测，虚线2内为离线检测。
图2为本发明实施例中云检测模块流程示意图。
图3本发明实施例中三阶段分类器流程示意图。
图4为本发明实施例中输入原始图像RGB彩图(裂缝)。
图5为本发明实施例中输入原始图像RGB彩图(露筋)。
图6为本发明实施例中灰度图组合在一起构成新的向量图(裂缝)示意图，其中图6a为V通道，图6b为L通道，图6c为Y通道。
图7为本发明实施例中灰度图组合在一起构成新的向量图(露筋)示意图，其中图7a为V通道，图7b为L通道，图7c为Y通道。
图8为本发明实施例中利用Otsu阈值分割处理得到二值图像(裂缝)示意图，其中图8a为HSV颜色空间、8b为Lab颜色空间、8c为YUV颜色空间。
图9为本发明实施例中利用Otsu阈值分割处理得到二值图像(露筋)示意图，其中图9a为HSV颜色空间、9b为Lab颜色空间、9c为YUV颜色空间。
图10为本发明实施例中利用马尔科夫随机场模型进行多通道图像分割得到图像C(裂缝)。
图11为本发明实施例中利用马尔科夫随机场模型进行多通道图像分割，得到图像C(露筋)。
图12为本发明实施例中Faster R-CNN算法结构图；其中虚线3为VGG16特征提取网络，虚线4为检测网络，虚线5为RPN网络。
图13为本发明实施例中Faster R-CNN算法结构的RPN网络结构图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
参见图1，2，3所示，本发明提供一种基于移动终端的钢筋混凝土桥梁损伤检测系统，包括以下：包括带高精摄像头的航拍无人机，用户终端模块，云数据库中心a，云数据库中心b，云检测模块，以及云训练模块。所述带高精摄像头的航拍无人机，用于采集桥体混凝土表面损伤部位的原始图像A并通过无线传至用户终端模块；所述用户终端模块，用于用户访问和注册终端模块并将注册的独立ID信息传输至云数据库中心a，用户可以通过个人ID登录终端访问云数据库中心a来修改信息。用户还可以直接在云数据库中心a预先下载分类器，并在用户终端模块上运行，实现户外无法联网情况下的现场检测；所述云数据库中心a，用于存储航拍无人机采集的原始图像A，储存云检测模块的检测数据和分割的图像C，以及云训练模块的分类器；所述云数据库中心b，用于为云训练模块的与训练学习提供图像B；所述云检测模块，用于图像分割、损伤识别分类以及计算损伤尺寸，在联网情况下自动将检测数据传至云数据库中心a；所述云训练模块，通过互联网自动在云数据库中心a提取图像C，对分类器进行训练学习，并通过互联网将训练的分类器传至云检测模块和云数据库中心a。
云检测模块中图像分割具体算法步骤包括：
本次实验的硬件环境为：处理器Intel Xeon E3-1230 v5 cpu@3.3GHz，RAM为16.00GB，显卡为GeForce RTX 2060 6G,64为操作系统。软件环境为：Windows 10专业版，框架为PyTorch，编程语言为phython2.7。
所述云检测模块对原始图像A分割处理的具体算法步骤如下：
1、输入原始图像A的RGB彩图样本如图4和图5；
2、通过多种颜色通道交换，将RGB彩色空间转换到HSV、Lab、YUV等空间中，各个通道依次为HSV的V通道、Lab的L通道、YUV的Y通道，得到多通道灰度图像，如图6和图7，将这些灰度图组合在一起构成新的向量图，并对此向量图进行图像分割；
通道交换算法如下：
a、RGB和HSV空间之间的转换
设R＝[r，g，b]为RGB颜色通道向量、H＝[h，s，v]为转换R到HSV空间得到的颜色通道向量。
(1)色调计算
Figure BDA0002389991430000061
(2)饱和度计算
Figure BDA0002389991430000071
(3)估算值计算
Figure BDA0002389991430000072
b、RGB和Lab空间之间的转换R＝[r，g，b]为RGB颜色通道向量
Figure BDA0002389991430000073
Figure BDA0002389991430000074
Figure BDA0002389991430000075
Figure BDA0002389991430000076
上式中，
Figure BDA0002389991430000077
c、RGB和YUV空间之间的转换
设YUV空间的向量为θ＝[y，u，v]，亮度Y由RGB的成分定义，其中RGB值已由gamma因子校正。U是Y与RGB模型红色平面之间的线性因素，V是Y与RGB模型蓝色平面之间的线性因素。
Figure BDA0002389991430000078
3、各颜色空间利用Otsu阈值分割处理，得到二值图像，如图8和图9，Otsu方法是一种非参数、无监督的自动阈值选择技术。其通过最大化分段类的类间方差来选择最优阈值；
4、利用马尔科夫随机场模型进行多通道图像分割，得到图像C，如图10和图11。
马尔科夫随机场多通道图像分割模型：
a、把图像分割为目标和背景两个区域且都服从高斯分布，分别为：
Figure BDA0002389991430000081
Figure BDA0002389991430000082
式中：N(x)为输入图像，δ0，υ0，δb，υb分别为目标η0和背景ηb区域的均值和方差。
b、设β(x)为水平集函数，M(x)为标签场，则：η0＝<1(x)＝1|β(x)＜0>，ηb＝<1(x)＝2|β(x)＞0>，找一个在N(x)下的最优估计
Figure BDA0002389991430000083
P<M|N>为后验概率。再利用贝叶斯公式有：
Figure BDA0002389991430000084
P<N|M>为条件概率；P(M)为先验概率。
Figure BDA0002389991430000085
n为通道数。
Figure BDA0002389991430000086
F为归一因子，
Figure BDA0002389991430000087
一种基于图像识别的钢筋混凝土桥梁损伤检测方法，包括以下步骤：
步骤一、利用摄像机拍摄钢筋混凝土桥梁已知损伤信息的原始图片A；
步骤二、将原始图片A按照上述方法进行分割得到图像C，
步骤三、将已知损伤信息的图像C组成训练集，利用训练集对分类器进行训练，完成桥梁损伤检测模型建立；
步骤四、利用摄像机拍摄待检测的钢筋混凝土桥梁的原始图片A；
步骤五、利用步骤二中方法对步骤四中原始图片A进行分割，得到待检测的图像C；
步骤六、将待检测的图像C导入到分类器中，即可获取该原始图片A中钢筋混凝土桥梁的损伤信息。
上述步骤三中，模型具体建立方法，也即是云训练模块的主动训练学习步骤如下：
步骤1、开发一个简易的检测程序代码初始分类器；
步骤2、云训练模块在云数据库中心b中提取图像B；
步骤3、初始分类器自动对每一张图像B进行预训练学习；
步骤4、将训练学习的结果更新至分类器，并将分类器传输至云数据库中心a供用户终端模块的检测应用下载升级；
步骤5、用户运用此系统检测桥梁损伤时拍摄的原始图像A传输至云数据库中心a；
步骤6、经过云检测模块图像分割得到图像C并传输至云数据库中心a；
步骤7、云训练模块在云数据库中心a中提取图像C；
步骤8、初始分类器自动对每一张图像C进行训练学习；
步骤9、将训练学习的结果更新至分类器，并将分类器传输至云数据库中心供用户终端模块的检测应用下载升级；
云训练模块的主动训练学习，其步骤5至步骤9形成闭合循环，能够不断的提高分类器的检测精度。
云检测模块中损伤识别分类采用三阶段分类器，具体步骤包括：
A.第一阶段是一个五值分类器，用于五种基本的损伤分类；
B.第二阶段是一个二值分类器，确定是否存在外露钢筋；
C.第三阶段是一个二值分类器，用来判断锈蚀染色的存在。
本发明实施例中的分类器是更快的区域卷积神经网络(Faster Region withConvolutional Neural Network，Faster R-CNN)。
用户终端模块包括在线1检测和离线2检测。
离线2检测是利用离线检测包实现在无法联网情况下航拍无人机拍摄原始图像无线传输至用户终端模块，储存在终端模块，用户终端模块上的检测应用自动读取图像进行检测，将检测结果反馈给用户。并在有网络情况下自动将原始图像上传至云数据库中心，用户还可以不定期的对检测应用在线升级。
在线1检测是在联网情况下航拍无人机将原始图像A传输至用户终端模块，上传至云数据库中心，云检测模块提取原始图像A，开始检测，然后将检测结果上传至云数据库中心a，最后反馈到用户终端模块。
钢筋混凝土桥梁损伤是桥体混凝土表面病害，其包括剥落、裂纹、风化、结垢、磨损。
本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于移动终端的钢筋混凝土桥梁损伤检测系统，其特征在于：包括用户终端模块、云数据库中心a、云数据库中心b、云检测模块、云训练模块和带高精摄像头的航拍无人机；
所述带高精摄像头的航拍无人机用于采集桥体混凝土表面损伤部位的原始图像A并通过无线传至用户终端模块；
所述用户终端模块，用于用户访问和注册终端模块并将注册的独立ID信息传输至云数据库中心a，用户可以通过个人ID登录终端访问云数据库中心a来修改信息；
所述云数据库中心a，用于及储存云检测模块的检测数据和分割的图像C以及云训练模块的分类器；
所述云数据库中心b，用于存储航拍无人机采集的原始图像A，云检测模块的检测数据和分割的图像C，以及云训练模块的分类器；
所述云检测模块，用于将原始图像A分割成图像C和损伤识别分类，并在联网情况下自动将图像C和损伤识别分类数据传至云数据库中心a；
所述云训练模块，通过互联网自动在云数据库中心a提取图像C，对分类器进行训练学习，并通过互联网将训练的分类器传至云检测模块和云数据库中心a。
2.如权利要求1所述基于移动终端的钢筋混凝土桥梁损伤检测系统，其特征在于：所述用户还可以直接在云数据库中心a预先下载分类器，并在用户终端模块上运行，实现户外无法联网情况下的现场检测，此时所述云检测模块直接分割航拍无人机采集的原始图像A并送往分类器进行检测。
3.如权利要求1或2所述基于移动终端的钢筋混凝土桥梁损伤检测系统，其特征在于：所述云检测模块图像分割具体算法步骤包括：
a、输入原始图像A的RGB彩图；
b、通过多种颜色通道交换，得到多通道灰度图像；
c、对灰度图进行Otsu分割，得到各通道初始分割结果，通过测试选取最佳颜色多通道；
d、最后利用马尔科夫随机场模型进行多通道图像分割，得到带损伤区域的图像C。
4.如权利要求3所述基于移动终端的钢筋混凝土桥梁损伤检测系统，其特征在于：所述云检测模块中损伤识别分类采用三阶段分类器，具体如下：
第一阶段是一个五值分类器，用于五种基本的损伤分类；
第二阶段是一个二值分类器，确定是否存在外露钢筋；
第三阶段是一个二值分类器，用来判断锈蚀染色的存在。
5.如权利要求4所述基于移动终端的钢筋混凝土桥梁损伤检测系统，其特征在于：所述五种基本的损伤分类分别为剥落、裂纹、风化、结垢和磨损。
6.如权利要求1或2所述基于移动终端的钢筋混凝土桥梁损伤检测系统，其特征在于：所述云训练模块的主动训练学习，其步骤为：
步骤1、开发一个简易的检测程序代码初始分类器；
步骤2、云训练模块在云数据库中心b中提取图像B；
步骤3、初始分类器自动对每一张图像B进行预训练学习；
步骤4、将训练学习的结果更新至分类器，并将分类器传输至云数据库中心a供用户终端模块的检测应用下载升级；
步骤5、用户将高精摄像头检测桥梁损伤时拍摄的原始图像A通过云检测模块分割成图像C，并将图像C传输至云数据库中心a；
步骤6、经过云检测模块图像分割得到图像C并传输至云数据库中心a；
步骤7、云训练模块在云数据库中心a中提取图像C；
步骤8、初始分类器自动对每一张图像C进行训练学习；
步骤9、将训练学习的结果更新至分类器，并将分类器传输至云数据库中心供用户终端模块的检测应用下载升级。
7.如权利要求6所述基于移动终端的钢筋混凝土桥梁损伤检测系统，其特征在于：所述步骤6至步骤9循环闭环多次训练，提高分类器的检测精度。
8.一种图像识别的钢筋混凝土桥梁损伤检测方法，其特征在于，包括以下步骤：
步骤一、利用摄像机拍摄钢筋混凝土桥梁已知损伤信息的原始图片A；
步骤二、将原始图片A进行分割得到图像C，分割方法如下：
a、输入原始图像A的RGB彩图；
b、通过多种颜色通道交换，得到多通道灰度图像；
c、对灰度图进行Otsu分割，得到各通道初始分割结果，通过测试选取最佳颜色多通道；
d、最后利用马尔科夫随机场模型进行多通道图像分割，得到带损伤区域的图像C；
步骤三、将已知损伤信息的图像C组成训练集，利用训练集对分类器进行训练，完成桥梁损伤检测模型建立；
步骤四、利用摄像机拍摄待检测的钢筋混凝土桥梁的原始图片A；
步骤五、利用步骤二中方法对步骤四中原始图片A进行分割，得到待检测的图像C；
步骤六、将待检测的图像C导入到分类器中，即可获取该原始图片A中钢筋混凝土桥梁的损伤信息。
9.如权利要求8所述一种图像识别的钢筋混凝土桥梁损伤检测方法，其特征在于：所述步骤b中，多种颜色通道交换具体方法如下：
将RGB彩色空间转换到HSV、Lab和YUV空间中，各个通道依次为HSV的V通道、Lab的L通道、YUV的Y通道，得到多通道灰度图像，将多通道灰度图像组合在一起构成新的向量图，并对此向量图进行图像分割；
通道交换算法如下：
(一)RGB和HSV空间之间的转换：设R＝[r，g，b]为RGB颜色通道向量、H＝[h，s，v]为转换R到HSV空间得到的颜色通道向量；
色调计算
Figure FDA0002389991420000031
饱和度计算
Figure FDA0002389991420000032
估算值计算
Figure FDA0002389991420000033
(二)RGB和Lab空间之间的转换R＝[r，g，b]为RGB颜色通道向量
Figure FDA0002389991420000034
Figure FDA0002389991420000035
Figure FDA0002389991420000036
Figure FDA0002389991420000037
上式中
Figure FDA0002389991420000041
(三)RGB和YUV空间之间的转换
设YUV空间的向量为θ＝[y，u，v]，亮度Y由RGB的成分定义，其中RGB值已由gamma因子校正，U是Y与RGB模型红色平面之间的线性因素，V是Y与RGB模型蓝色平面之间的线性因素，
Figure FDA0002389991420000042
10.如权利要求8所述一种图像识别的钢筋混凝土桥梁损伤检测方法，其特征在于：所述步骤d中具体方法如下：
(一)把图像分割为目标和背景两个区域且都服从高斯分布，分别为：
Figure FDA0002389991420000043
Figure FDA0002389991420000044
式中：N(x)为输入图像，δ0，υ0，δb，υb分别为目标η0和背景ηb区域的均值和方差；
(二)设β(x)为水平集函数，M(x)为标签场，则：
η0＝<1(x)＝1|β(x)＜0>，ηb＝<1(x)＝2|β(x)＞0>，找一个在N(x)下的最优估计
Figure FDA0002389991420000045
P<M|N>为后验概率；再利用贝叶斯公式有：
Figure FDA0002389991420000046
P<N|M>为条件概率；P(M)为先验概率；
Figure FDA0002389991420000047
n为通道数；
Figure FDA0002389991420000048
F为归一因子，
Figure FDA0002389991420000049
CN202010111003.8A 2020-02-24 2020-02-24 一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法 Pending CN111340772A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010111003.8A CN111340772A (zh) 2020-02-24 2020-02-24 一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010111003.8A CN111340772A (zh) 2020-02-24 2020-02-24 一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法

Publications (1)

Publication Number Publication Date
CN111340772A true CN111340772A (zh) 2020-06-26

Family

ID=71179646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010111003.8A Pending CN111340772A (zh) 2020-02-24 2020-02-24 一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法

Country Status (1)

Country Link
CN (1) CN111340772A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967388A (zh) * 2020-08-18 2020-11-20 山东泰和建设管理有限公司 基于无人机的监理检测方法及系统
CN112215805A (zh) * 2020-09-22 2021-01-12 广州誉宸信息科技有限公司 一种公路桥梁边坡养护无人机巡检方法和系统
CN115096268A (zh) * 2022-06-17 2022-09-23 西南交通大学 基于无人机航拍及超声波探测的桥梁损伤深度检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106054916A (zh) * 2016-05-20 2016-10-26 清华大学合肥公共安全研究院 一种无人机桥梁巡检系统及巡检方法
CN109671083A (zh) * 2019-01-17 2019-04-23 重庆交通大学 一种基于图像采集的桥梁检测方法及其装置
CN109949289A (zh) * 2019-03-18 2019-06-28 四川轻化工大学 一种基于人工智能的混凝土表面缺陷图像识别系统及方法
CN110031477A (zh) * 2019-04-04 2019-07-19 中设设计集团股份有限公司 基于图像监控数据的桥梁关键构件病害预警系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106054916A (zh) * 2016-05-20 2016-10-26 清华大学合肥公共安全研究院 一种无人机桥梁巡检系统及巡检方法
CN109671083A (zh) * 2019-01-17 2019-04-23 重庆交通大学 一种基于图像采集的桥梁检测方法及其装置
CN109949289A (zh) * 2019-03-18 2019-06-28 四川轻化工大学 一种基于人工智能的混凝土表面缺陷图像识别系统及方法
CN110031477A (zh) * 2019-04-04 2019-07-19 中设设计集团股份有限公司 基于图像监控数据的桥梁关键构件病害预警系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张浩然等: "基于马尔科夫随机场的木材缺陷图像分割算法" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967388A (zh) * 2020-08-18 2020-11-20 山东泰和建设管理有限公司 基于无人机的监理检测方法及系统
CN111967388B (zh) * 2020-08-18 2024-02-09 山东泰和建设管理有限公司 基于无人机的监理检测方法及系统
CN112215805A (zh) * 2020-09-22 2021-01-12 广州誉宸信息科技有限公司 一种公路桥梁边坡养护无人机巡检方法和系统
CN115096268A (zh) * 2022-06-17 2022-09-23 西南交通大学 基于无人机航拍及超声波探测的桥梁损伤深度检测方法

Similar Documents

Publication Publication Date Title
CN111860533B (zh) 图像的识别方法及装置、存储介质和电子装置
CN109255364B (zh) 一种基于深度卷积生成对抗网络的场景识别方法
CN112380952B (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
CN110200598B (zh) 一种大型养殖场体征异常禽类检测系统及检测方法
CN109165623B (zh) 基于深度学习的水稻病斑检测方法及系统
CN111340772A (zh) 一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法
CN108875821A (zh) 分类模型的训练方法和装置、移动终端、可读存储介质
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
KR20200013148A (ko) 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램
CN107292307B (zh) 一种倒置汉字验证码自动识别方法及系统
CN107392237B (zh) 一种基于迁移视觉信息的交叉域地基云图分类方法
CN110648307A (zh) 一种利用图像比对技术核对变电站压板状态的方法
US11238301B2 (en) Computer-implemented method of detecting foreign object on background object in an image, apparatus for detecting foreign object on background object in an image, and computer-program product
CN103119625B (zh) 一种视频人物分割的方法及装置
Keller et al. Soybean leaf coverage estimation with machine learning and thresholding algorithms for field phenotyping
CN109740553B (zh) 一种基于识别的图像语义分割数据筛选方法及系统
CN111860106A (zh) 一种无监督的桥梁裂缝识别方法
CN111652231A (zh) 一种基于特征自适应选择的铸件缺陷语义分割方法
CN111539330A (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN107944453A (zh) 基于Hu不变矩和支持向量机SVM的高压套管检测方法
CN116206208B (zh) 一种基于人工智能的林业病虫害快速分析系统
CN113221667A (zh) 一种基于深度学习的人脸口罩属性分类方法及系统
CN110991434B (zh) 自助终端证件识别方法及装置
CN111582278B (zh) 人像分割方法、装置及电子设备
CN112116569A (zh) 基于阴影识别的光伏电站发电功率预测方法

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