CN112726360A - 一种机场混凝土道面裂缝修补方法 - Google Patents

一种机场混凝土道面裂缝修补方法 Download PDF

Info

Publication number
CN112726360A
CN112726360A CN202011546476.7A CN202011546476A CN112726360A CN 112726360 A CN112726360 A CN 112726360A CN 202011546476 A CN202011546476 A CN 202011546476A CN 112726360 A CN112726360 A CN 112726360A
Authority
CN
China
Prior art keywords
crack
concrete pavement
concrete
model
image information
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.)
Granted
Application number
CN202011546476.7A
Other languages
English (en)
Other versions
CN112726360B (zh
Inventor
王博
王鹏
孙雨
康宇
陈宏伟
肖和庭
慕然
常健
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.)
China Railway Construction Group Infrastructure Construction Co Ltd
Original Assignee
China Railway Construction Group Infrastructure Construction Co Ltd
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 China Railway Construction Group Infrastructure Construction Co Ltd filed Critical China Railway Construction Group Infrastructure Construction Co Ltd
Priority to CN202011546476.7A priority Critical patent/CN112726360B/zh
Publication of CN112726360A publication Critical patent/CN112726360A/zh
Application granted granted Critical
Publication of CN112726360B publication Critical patent/CN112726360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
    • E01C23/06—Devices or arrangements for working the finished surface; Devices for repairing or reconditioning the surface of damaged paving; Recycling in place or on the road
    • E01C23/09—Devices or arrangements for working the finished surface; Devices for repairing or reconditioning the surface of damaged paving; Recycling in place or on the road for forming cuts, grooves, or recesses, e.g. for making joints or channels for markings, for cutting-out sections to be removed; for cleaning, treating, or filling cuts, grooves, recesses, or fissures; for trimming paving edges
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
    • E01C23/06—Devices or arrangements for working the finished surface; Devices for repairing or reconditioning the surface of damaged paving; Recycling in place or on the road
    • E01C23/09—Devices or arrangements for working the finished surface; Devices for repairing or reconditioning the surface of damaged paving; Recycling in place or on the road for forming cuts, grooves, or recesses, e.g. for making joints or channels for markings, for cutting-out sections to be removed; for cleaning, treating, or filling cuts, grooves, recesses, or fissures; for trimming paving edges
    • E01C23/0906—Devices or arrangements for working the finished surface; Devices for repairing or reconditioning the surface of damaged paving; Recycling in place or on the road for forming cuts, grooves, or recesses, e.g. for making joints or channels for markings, for cutting-out sections to be removed; for cleaning, treating, or filling cuts, grooves, recesses, or fissures; for trimming paving edges for forming, opening-out, cleaning, drying or heating cuts, grooves, recesses or, excluding forming, cracks, e.g. cleaning by sand-blasting or air-jet ; for trimming paving edges
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
    • E01C23/06—Devices or arrangements for working the finished surface; Devices for repairing or reconditioning the surface of damaged paving; Recycling in place or on the road
    • E01C23/09—Devices or arrangements for working the finished surface; Devices for repairing or reconditioning the surface of damaged paving; Recycling in place or on the road for forming cuts, grooves, or recesses, e.g. for making joints or channels for markings, for cutting-out sections to be removed; for cleaning, treating, or filling cuts, grooves, recesses, or fissures; for trimming paving edges
    • E01C23/0966—Devices or arrangements for working the finished surface; Devices for repairing or reconditioning the surface of damaged paving; Recycling in place or on the road for forming cuts, grooves, or recesses, e.g. for making joints or channels for markings, for cutting-out sections to be removed; for cleaning, treating, or filling cuts, grooves, recesses, or fissures; for trimming paving edges for filling or priming, with or without working the surface of the filling or applying particulate material thereto, e.g. for filling the joints of stone-sett paving
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0654—Imaging
    • G01N29/069—Defect imaging, localisation and sizing using, e.g. time of flight diffraction [TOFD], synthetic aperture focusing technique [SAFT], Amplituden-Laufzeit-Ortskurven [ALOK] technique
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G06N3/047—Probabilistic or stochastic networks

Abstract

本发明公开了一种机场混凝土道面裂缝修补方法，包括采集混凝土道面图像信息，基于裂缝识别模型、PNN模型和SVM模型，实现对图像信息裂缝缺陷的第一次诊断识别和第二次诊断识别，用于识别裂缝、裂缝宽度和裂缝深度；并在第一次诊断识别和第二次诊断识别的基础上，基于超声扫描，对裂缝缝洞进行偏移成像，得到裂缝缝洞图像的清晰表征；根据三次诊断结果，进行针对性的修复。

Description

一种机场混凝土道面裂缝修补方法
技术领域
本发明属于路面裂缝识别和修复的技术领域，具体涉及一种机场混凝土道面裂缝修补方法。
背景技术
一般的机场跑道铺设的混凝土厚度是不小于30厘米，大型国际机场需要承受大型客机如波音747的起降，跑道厚度不可低于35厘米，飞机场道面的结构强度要求与飞机轮胎压力及荷载特性有关。根据飞机施加于道面的轮胎压力及荷载特性的不同，对道面强度的要求也各不相同。一般分为关键地区、非关键地区和过渡地区。
水泥混凝土是世界上用量最大、使用广泛的建筑材料之一。但是混凝土容易出现裂缝，而出现裂缝严重影响混凝土的质量，不仅整体外观变差，而且承载力下降、抗渗透能力较差、使用寿命大大缩短，因此需要对混凝土的裂缝进行修补。
机场混凝土出现裂缝则会对飞机的起降有着巨大的隐患，故需要及时检测出裂缝，并对裂缝进行修补。然而，现有的对机场裂缝的修补，施工人员则是直接根据经验对裂缝进行修补，并没有根据裂缝的具体缺陷类型进行针对性的修补，比如基层温缩或干缩裂缝、飞机荷载疲劳裂缝、路面基层强度不足、含水量偏大、松散空洞、路基压实不均匀等缺陷。
发明内容
本发明的目的在于针对现有技术中的上述不足，提供一种机场混凝土道面裂缝修补方法，以解决现有技术没有对温缩裂缝故障进行具体分类识别，而是按照常规裂缝进行统一修复，以造成修复效果不佳，易产生二次裂缝缺陷，且浪费人力和物力的问题。
为达到上述目的，本发明采取的技术方案是：
一种机场混凝土道面裂缝修补方法，其包括：
S1、清理机场混凝土道面，构建机场混凝土道面位置直角坐标系，并采集位置直角坐标系内不同区域内的混凝土道面图像信息；
S2、构建混凝土裂缝识别模型，将混凝土裂缝识别模型中提取的混凝土道面图像信息的特征值与基准特征值进行比较，筛选混凝土道面图像信息；
S3、基于训练完成的PNN模型，以筛选后图像信息对应的特征值作为输入特征向量，进行混凝土道面第一次故障诊断；
S4、基于训练完成的SVM模型对未识别的特征值进行第二次混凝土道面诊断；
S5、确定S3和S4中确诊的混凝土道面图片信息的位置坐标信息，并对确定后的位置坐标进行声波扫描检测；
S6、接收若干道反射声波，基于深度偏移方法对反射声波进行偏移成像；
S7、对偏移成像的的图像灰度值进行均值运算，得到灰度值均值，并对度值均值进行加权处理，得到偏移成像中像素点对应的显示灰度值，得到裂缝缝洞图像的清晰表征；
S8、根据裂缝缝洞图像的清晰表征，对裂缝缝洞进行第三次故障诊断；
S9、根据第一次故障诊断、第二次混凝土道面诊断和第三次故障诊断结果，进行裂缝修补，包括：
对仅为第一次故障诊断和第二次混凝土道面诊断的混凝土道面进行铣刨处理，铣刨深度为3-6mm，调制修补浆料，将修补浆料分层、均匀地进行铺装，并静止、养护直至完全凝结；
对第三次故障诊断结果的混凝土道面铣刨处理，铣刨深度为5-10mm，调制修补浆料，在混凝土裂缝缝洞内钻孔，根据裂缝缝洞图像的清晰表征在混凝土表面钻排气孔；从钻孔向混凝土内部的裂缝缝洞注入高压气体，将混凝土缝洞内杂质吹出；并从钻孔向裂缝缝洞内注入修补浆料，对内部裂缝进行修补；将修补浆料分层、均匀地进行铺装，并静止、养护直至完全凝结。
优选地，S1中清理机场混凝土道面，构建机场混凝土道面位置直角坐标系，并采集位置直角坐标系内不同区域内的混凝土道面图像信息，包括；
S1.1、清除混凝土道面目标区域内的杂物，吸附裂缝中的尘埃；
S1.2、在混凝土道面目标区域外围构建直角坐标系，并根据直角坐标系的横坐标将目标区域划分为若干个子区域，即区域S1、S2、S3、…、Sn，其中，Sn表示在横坐标下的第n个子区域；
S1.3、采用载有摄像头的巡检小车，根据区域划分依次拍摄采集混凝土道面图像信息。
优选地，S2中构建混凝土裂缝识别模型，将混凝土裂缝识别模型中提取的混凝土道面图像信息的特征值与基准特征值进行比较，筛选混凝土道面图像信息，包括：
S2.1、对采集的混凝土道面图像信息进行预处理，包括：
S2.1.1、将采集的图像信息转化为灰度图：
g(x,y)＝0.299R(x,y)+0.587G(x,y)+0.114B(x,y)
其中，R(x,y)为红色分量；G(x,y)为绿色分量；B(x,y)为蓝色分量；g(x,y)为灰色图像，x和y分别为所变换像素点位置的横纵坐标；
S2.1.2、将转换后的灰度图移植到matlab中，获取图像在像素点(x,y)处的灰度值H(x,y)；
S2.1.3、计算图像中各像素点(x,y)的阈值w(x,y)：
W(x,y)＝0.5*(max H(x+m,y+n)+min H(x+m,y+n))
若H(x,y)>W(x,y)，则二值化结果为1，代表裂缝区域的目标点；否则二值化结果为0，代表背景区域的目标点；
S2.1.4、采用拉普拉斯高斯算法对裂缝区域轮廓进行加强，并确定边缘位置：
Figure BDA0002855841250000041
其中，f(x,y)为具有整数像素坐标的输入图像，
Figure BDA0002855841250000042
表示对函数进行求一阶导数，
Figure BDA0002855841250000043
为拉普拉斯高斯算子，其表达式为：
Figure BDA0002855841250000044
其中，σ为高斯函数方差；
S2.2、基于ImageNet模型，构建裂缝识别模型，并提取裂缝识别模型中的特征值，包括：
S2.2.1、采用ImageNet模型数据集训练VGG16中的参数；
S2.2.2、去除VGG16模型中的fc8层，采用裂缝、裂缝深度和裂缝宽度作为新的fc8层类别；
S2.2.3、载入VGG16的参数，只训练fc8层，其它层不训练，即采用fc7层提取的特征做一个Softmax模型分类；
S2.2.4、将预处理后的图像信息随机划分为训练集和验证集，并基于TensorFlowSlim微调模型，构建裂缝识别模型；
S2.2.5、将图像信息作为输入参数输入裂缝识别模型中，输出裂缝特征值为T1(x，y)、裂缝深度特征值T2(x，y)和裂缝宽度特征值T3(x，y)，其中，(x，y)为图像具体位置坐标；
S2.3、选取基准特征值，并根据基准特征值筛选图像信息，包括：
S2.3.1、将历史正常混凝土道面的特征值作为基准特征值T01、T02、T03，T01、T02、T03分别为裂缝基准特征值、裂缝深度基准特征值和裂缝宽度基准特征值；
S2.3.2、将每张图片的三个特征值分别与基准特征值进行比较，若图片特征值中任意一个差值大于预设差值，则保留其对应的图片信息和特征值；若所有特征值均小于预设差值，则去除对应的图片信息和特征值。
优选地，S3中PNN模型包括输入层、模式层、求和层和决策层，所述输入层将接收到的特征值传递给模式层的神经元，输入层的神经元数量与输入值的维度相同，模式层的神经元计算输入值与每个模式之间的对应关系，每个模式层单元的输出Φij(x)为：
Figure BDA0002855841250000051
其中，d为模式向量的维度，σ是平滑参数；x是模式；xij是模式层神经元矢量；
求和层神经元计算模式x被分类为Ci的最大可能性，求和然后求均值计算属于同一类的所有神经元的输出pi(x)：
Figure BDA0002855841250000052
其中，Ni为Ci类中的样本总数；
所述决策层神经元根据贝叶斯决策规则对所有求和层神经元的输出对模式进行分类：
Figure BDA0002855841250000053
其中，
Figure BDA0002855841250000054
为模式x的估计类，m是训练样本中的类的总数，pi(x)为求和层神经元的输出。
优选地，S4中基于训练完成的SVM模型对未识别的特征值进行第二次混凝土道面诊断，SVM模型目标函数与约束条件为：
Figure BDA0002855841250000061
其中，ω为权重向量；Xi为输入数据；Yi为对应Xi的所属分类；b为偏置向量；
引入松弛变量ξi代表训练样本的错分程度，则：
Figure BDA0002855841250000062
其中，C为惩罚因子，控制出现样本错误分类的惩罚度；
采用拉格朗日函数对目标函数进行求解：
Figure BDA0002855841250000063
其中，αi为拉格朗日乘子；
求解得到最优分类函数为：
Figure BDA0002855841250000064
其中，sgn()为符号函数；
SVM通过构造核函数将低维数据映射到高维，再在高维空间中实现线性分类，引入核函数后的最优分类为：
Figure BDA0002855841250000065
其中，K()为核函数；
核函数为径向基核函数K(Xi,Xj)，其表达式为：
Figure BDA0002855841250000071
其中，g为核函数参数。
本发明提供的机场混凝土道面裂缝修补方法，具有以下有益效果：
本发明通过采集混凝土道面图像信息，基于裂缝识别模型、PNN模型和SVM模型，实现对图像信息裂缝缺陷的第一次诊断识别和第二次诊断识别，用于识别裂缝、裂缝宽度和裂缝深度；并在第一次诊断识别和第二次诊断识别的基础上，基于超声扫描，对裂缝缝洞进行偏移成像，并得到裂缝缝洞图像的清晰表征；并根据三次诊断结果，进行针对性的修复。
附图说明
图1为机场混凝土道面裂缝修补方法的区域划分图。
图2为裂缝缝洞内部成像图像。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例，参考图1，本方案的机场混凝土道面裂缝修补方法，包括：
S1、清理机场混凝土道面，构建机场混凝土道面位置直角坐标系，并采集位置直角坐标系内不同区域内的混凝土道面图像信息；
S2、构建混凝土裂缝识别模型，将混凝土裂缝识别模型中提取的混凝土道面图像信息的特征值与基准特征值进行比较，筛选混凝土道面图像信息；
S3、基于训练完成的PNN模型，以筛选后图像信息对应的特征值作为输入特征向量，进行混凝土道面第一次故障诊断；
S4、基于训练完成的SVM模型对未识别的特征值进行第二次混凝土道面诊断；
S5、确定S3和S4中确诊的混凝土道面图片信息的位置坐标信息，并对确定后的位置坐标进行声波扫描检测；
S6、接收若干道反射声波，基于深度偏移方法对反射声波进行偏移成像；
S7、对偏移成像的的图像灰度值进行均值运算，得到灰度值均值，并对度值均值进行加权处理，得到偏移成像中像素点对应的显示灰度值，得到裂缝缝洞图像的清晰表征；
S8、根据裂缝缝洞图像的清晰表征，对裂缝缝洞进行第三次故障诊断；
S9、根据第一次故障诊断、第二次混凝土道面诊断和第三次故障诊断结果，进行裂缝修补。
根据本申请的一个实施例，以下将对上述步骤进行详细说明；
S1、清理机场混凝土道面，构建机场混凝土道面位置直角坐标系，并采集位置直角坐标系内不同区域内的混凝土道面图像信息，其具体包括：
S1.1、清除混凝土道面目标区域内的杂物，吸附裂缝中的尘埃，避免影响后续图片的识别；
S1.2、在混凝土道面目标区域外围构建直角坐标系，并根据直角坐标系的横坐标将目标区域划分为若干个子区域，即区域S1、S2、S3、…、Sn，其中，Sn表示在横坐标下的第n个子区域；
S1.3、采用载有摄像头的巡检小车，根据区域划分依次拍摄采集混凝土道面图像信息；
在采集图像信息时，采用巡检小车作为载体，在巡检小车上安装摄像头拍摄，摄像头正对混凝土道面，先对区域S1进行图像采集，再依次对区域S2、S3和S4进行图像信息采集。
S2、构建混凝土裂缝识别模型，将混凝土裂缝识别模型中提取的混凝土道面图像信息的特征值与基准特征值进行比较，筛选混凝土道面图像信息，其具体包括：
S2.1、对采集的混凝土道面图像信息进行预处理，包括：
S2.1.1、将采集的图像信息转化为灰度图：
g(x,y)＝0.299R(x,y)+0.587G(x,y)+0.114B(x,y)
其中，R(x,y)为红色分量；G(x,y)为绿色分量；B(x,y)为蓝色分量；g(x,y)为灰色图像，x和y分别为所变换像素点位置的横纵坐标；
S2.1.2、将转换后的灰度图移植到matlab中，获取图像在像素点(x,y)处的灰度值H(x,y)；
S2.1.3、计算图像中各像素点(x,y)的阈值w(x,y)：
W(x,y)＝0.5*(max H(x+m,y+n)+min H(x+m,y+n))
若H(x,y)>W(x,y)，则二值化结果为1，代表裂缝区域的目标点；否则二值化结果为0，代表背景区域的目标点；
S2.1.4、采用拉普拉斯高斯算法对裂缝区域轮廓进行加强，并确定边缘位置：
Figure BDA0002855841250000091
其中，f(x,y)为具有整数像素坐标的输入图像，
Figure BDA0002855841250000092
表示对函数进行求一阶导数，
Figure BDA0002855841250000093
为拉普拉斯高斯算子，其表达式为：
Figure BDA0002855841250000101
其中，σ为高斯函数方差；
S2.2、基于ImageNet模型，构建裂缝识别模型，并提取裂缝识别模型中的特征值，包括：
S2.2.1、采用ImageNet模型数据集训练VGG16中的参数；
S2.2.2、去除VGG16模型中的fc8层，采用裂缝、裂缝深度和裂缝宽度作为新的fc8层类别；
S2.2.3、载入VGG16的参数，只训练fc8层，其它层不训练，即采用fc7层提取的特征做一个Softmax模型分类；
S2.2.4、将预处理后的图像信息随机划分为训练集和验证集，并基于TensorFlowSlim微调模型，构建裂缝识别模型；
S2.2.5、将图像信息作为输入参数输入裂缝识别模型中，输出裂缝特征值为T1(x，y)、裂缝深度特征值T2(x，y)和裂缝宽度特征值T3(x，y)，其中，(x，y)为图像具体位置坐标；
S2.3、选取基准特征值，并根据基准特征值筛选图像信息，包括：
S2.3.1、将历史正常混凝土道面的特征值作为基准特征值T01、T02、T03，T01、T02、T03分别为裂缝基准特征值、裂缝深度基准特征值和裂缝宽度基准特征值；
S2.3.2、将每张图片的三个特征值分别与基准特征值进行比较，若图片特征值中任意一个差值大于预设差值，则保留其对应的图片信息和特征值；若所有特征值均小于预设差值，则去除对应的图片信息和特征值。
如此，可减少后期模型对图像的处理数量，增加处理速率。
S3、基于训练完成的PNN模型，以筛选后图像信息对应的特征值作为输入特征向量，进行混凝土道面第一次故障诊断；
将筛选后图像信息对应的特征值进行归一化处理，并将归一化后的数据随机划分为测试样本数据和训练样本数据；将归一化后的特征值全部投影到[0，1]区间，以便于后期模型的构建。
第一次故障诊断结果为在PNN模型中可直接识别的故障类型，对于不能直接识别的，进入SVM模型中进行进一步的识别。
PNN模型包括输入层、模式层、求和层和决策层，所述输入层将接收到的特征值传递给模式层的神经元，输入层的神经元数量与输入值的维度相同，模式层的神经元计算输入值与每个模式之间的对应关系，每个模式层单元的输出Φij(x)为：
Figure BDA0002855841250000111
其中，d为模式向量的维度，σ是平滑参数；x是模式；xij是模式层神经元矢量；
求和层神经元计算模式x被分类为Ci的最大可能性，求和然后求均值计算属于同一类的所有神经元的输出pi(x)：
Figure BDA0002855841250000112
其中，Ni为Ci类中的样本总数；
所述决策层神经元根据贝叶斯决策规则对所有求和层神经元的输出对模式进行分类：
Figure BDA0002855841250000113
其中，
Figure BDA0002855841250000114
为模式x的估计类，m是训练样本中的类的总数，pi(x)为求和层神经元的输出。
S4、基于训练完成的SVM模型对未识别的特征值进行第二次混凝土道面诊断；采用SVM模型进一步识别图像信息中的裂缝缺陷，包括裂缝深度和裂缝的宽度，其识别率达到了98.7％，具有较高的识别效率和速率。
基于训练完成的SVM模型对未识别的特征值进行第二次混凝土道面诊断，SVM模型目标函数与约束条件为：
Figure BDA0002855841250000121
其中，ω为权重向量；Xi为输入数据；Yi为对应Xi的所属分类；b为偏置向量；
引入松弛变量ξi代表训练样本的错分程度，则：
Figure BDA0002855841250000122
其中，C为惩罚因子，控制出现样本错误分类的惩罚度；
采用拉格朗日函数对目标函数进行求解：
Figure BDA0002855841250000123
其中，αi为拉格朗日乘子；
求解得到最优分类函数为：
Figure BDA0002855841250000124
其中，sgn()为符号函数；
SVM通过构造核函数将低维数据映射到高维，再在高维空间中实现线性分类，引入核函数后的最优分类为：
Figure BDA0002855841250000131
其中，K()为核函数；
核函数为径向基核函数K(Xi,Xj)，其表达式为：
Figure BDA0002855841250000132
其中，g为核函数参数。
S5、确定S3和S4中确诊的混凝土道面图片信息的位置坐标信息，并对确定后的位置坐标进行声波扫描检测，即在确定存在裂缝的位置处进一步进行声波扫描。采用20khz-80khz的超声波进行裂缝缝洞的扫描，主要利用超声的反射能力强的特征，进行反射波的收集、成像。
S6、接收若干道反射声波，基于深度偏移方法对反射声波进行偏移成像，本发明采用的深度偏移，其介质速度为变化的，即对应于缝洞纵深不同的介质；其原理为将接收到的绕射波收敛到产生它的绕射点上，在任意介质分布情况下，深度偏移给出额地下反射界面的偏移结果均为正确的。
S7、参考图2，对偏移成像的的图像灰度值进行均值运算，得到灰度值均值，并对度值均值进行加权处理，得到偏移成像中像素点对应的显示灰度值，进而得到裂缝缝洞图像的清晰表征。
S8、根据裂缝缝洞图像的清晰表征，对裂缝缝洞进行第三次故障诊断；清晰表征，
S9、根据第一次故障诊断、第二次混凝土道面诊断和第三次故障诊断结果，进行裂缝修补。
若仅为第一次故障诊断和第二次混凝土道面诊断的混凝土道面进行铣刨处理，铣刨深度为3-6mm，调制修补浆料，将修补浆料分层、均匀地进行铺装，并静止、养护直至完全凝结；
对第三次故障诊断结果的混凝土道面铣刨处理，铣刨深度为5-10mm，调制修补浆料，在混凝土裂缝缝洞内钻孔，根据裂缝缝洞图像的清晰表征在混凝土表面钻排气孔；从钻孔向混凝土内部的裂缝缝洞注入高压气体，将混凝土缝洞内杂质吹出；并从钻孔向裂缝缝洞内注入修补浆料，对内部裂缝进行修补；将修补浆料分层、均匀地进行铺装，并静止、养护直至完全凝结。
本发明通过采集混凝土道面图像信息，基于裂缝识别模型、PNN模型和SVM模型，实现对图像信息裂缝缺陷的第一次诊断识别和第二次诊断识别，用于识别裂缝、裂缝宽度和裂缝深度；并在第一次诊断识别和第二次诊断识别的基础上，基于超声扫描，对裂缝缝洞进行偏移成像，并得到裂缝缝洞图像的清晰表征；并根据三次诊断结果，进行针对性的修复。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。

Claims (5)

1.一种机场混凝土道面裂缝修补方法，其特征在于，包括：
S1、清理机场混凝土道面，构建机场混凝土道面位置直角坐标系，并采集位置直角坐标系内不同区域内的混凝土道面图像信息；
S2、构建混凝土裂缝识别模型，将混凝土裂缝识别模型中提取的混凝土道面图像信息的特征值与基准特征值进行比较，筛选混凝土道面图像信息；
S3、基于训练完成的PNN模型，以筛选后图像信息对应的特征值作为输入特征向量，进行混凝土道面第一次故障诊断；
S4、基于训练完成的SVM模型对未识别的特征值进行第二次混凝土道面诊断；
S5、确定S3和S4中确诊的混凝土道面图片信息的位置坐标信息，并对确定后的位置坐标进行声波扫描检测；
S6、接收若干道反射声波，基于深度偏移方法对反射声波进行偏移成像；
S7、对偏移成像的的图像灰度值进行均值运算，得到灰度值均值，并对度值均值进行加权处理，得到偏移成像中像素点对应的显示灰度值，得到裂缝缝洞图像的清晰表征；
S8、根据裂缝缝洞图像的清晰表征，对裂缝缝洞进行第三次故障诊断；
S9、根据第一次故障诊断、第二次混凝土道面诊断和第三次故障诊断结果，进行裂缝修补，包括：
对仅为第一次故障诊断和第二次混凝土道面诊断的混凝土道面进行铣刨处理，铣刨深度为3-6mm，调制修补浆料，将修补浆料分层、均匀地进行铺装，并静止、养护直至完全凝结；
对第三次故障诊断结果的混凝土道面铣刨处理，铣刨深度为5-10mm，调制修补浆料，在混凝土裂缝缝洞内钻孔，根据裂缝缝洞图像的清晰表征在混凝土表面钻排气孔；从钻孔向混凝土内部的裂缝缝洞注入高压气体，将混凝土缝洞内杂质吹出；并从钻孔向裂缝缝洞内注入修补浆料，对内部裂缝进行修补；将修补浆料分层、均匀地进行铺装，并静止、养护直至完全凝结。
2.根据权利要求1所述的机场混凝土道面裂缝修补方法，其特征在于，所述S1中清理机场混凝土道面，构建机场混凝土道面位置直角坐标系，并采集位置直角坐标系内不同区域内的混凝土道面图像信息，包括；
S1.1、清除混凝土道面目标区域内的杂物，吸附裂缝中的尘埃；
S1.2、在混凝土道面目标区域外围构建直角坐标系，并根据直角坐标系的横坐标将目标区域划分为若干个子区域，即区域S1、S2、S3、…、Sn，其中，Sn表示在横坐标下的第n个子区域；
S1.3、采用载有摄像头的巡检小车，根据区域划分依次拍摄采集混凝土道面图像信息。
3.根据权利要求1所述的机场混凝土道面裂缝修补方法，其特征在于，所述S2中构建混凝土裂缝识别模型，将混凝土裂缝识别模型中提取的混凝土道面图像信息的特征值与基准特征值进行比较，筛选混凝土道面图像信息，包括：
S2.1、对采集的混凝土道面图像信息进行预处理，包括：
S2.1.1、将采集的图像信息转化为灰度图：
g(x,y)＝0.299R(x,y)+0.587G(x,y)+0.114B(x,y)
其中，R(x,y)为红色分量；G(x,y)为绿色分量；B(x,y)为蓝色分量；g(x,y)为灰色图像，x和y分别为所变换像素点位置的横纵坐标；
S2.1.2、将转换后的灰度图移植到matlab中，获取图像在像素点(x,y)处的灰度值H(x,y)；
S2.1.3、计算图像中各像素点(x,y)的阈值w(x,y)：
W(x,y)＝0.5*(max H(x+m,y+n)+min H(x+m,y+n))
若H(x,y)>W(x,y)，则二值化结果为1，代表裂缝区域的目标点；否则二值化结果为0，代表背景区域的目标点；
S2.1.4、采用拉普拉斯高斯算法对裂缝区域轮廓进行加强，并确定边缘位置：
Figure FDA0002855841240000031
其中，f(x,y)为具有整数像素坐标的输入图像，
Figure FDA0002855841240000032
表示对函数进行求一阶导数，
Figure FDA0002855841240000033
为拉普拉斯高斯算子，其表达式为：
Figure FDA0002855841240000034
其中，σ为高斯函数方差；
S2.2、基于ImageNet模型，构建裂缝识别模型，并提取裂缝识别模型中的特征值，包括：
S2.2.1、采用ImageNet模型数据集训练VGG16中的参数；
S2.2.2、去除VGG16模型中的fc8层，采用裂缝、裂缝深度和裂缝宽度作为新的fc8层类别；
S2.2.3、载入VGG16的参数，只训练fc8层，其它层不训练，即采用fc7层提取的特征做一个Softmax模型分类；
S2.2.4、将预处理后的图像信息随机划分为训练集和验证集，并基于TensorFlow Slim微调模型，构建裂缝识别模型；
S2.2.5、将图像信息作为输入参数输入裂缝识别模型中，输出裂缝特征值为T1(x，y)、裂缝深度特征值T2(x，y)和裂缝宽度特征值T3(x，y)，其中，(x，y)为图像具体位置坐标；
S2.3、选取基准特征值，并根据基准特征值筛选图像信息，包括：
S2.3.1、将历史正常混凝土道面的特征值作为基准特征值T01、T02、T03，T01、T02、T03分别为裂缝基准特征值、裂缝深度基准特征值和裂缝宽度基准特征值；
S2.3.2、将每张图片的三个特征值分别与基准特征值进行比较，若图片特征值中任意一个差值大于预设差值，则保留其对应的图片信息和特征值；若所有特征值均小于预设差值，则去除对应的图片信息和特征值。
4.根据权利要求1所述的机场混凝土道面裂缝修补方法，其特征在于，所述S3中PNN模型包括输入层、模式层、求和层和决策层，所述输入层将接收到的特征值传递给模式层的神经元，输入层的神经元数量与输入值的维度相同，模式层的神经元计算输入值与每个模式之间的对应关系，每个模式层单元的输出Φij(x)为：
Figure FDA0002855841240000041
其中，d为模式向量的维度，σ是平滑参数；x是模式；xij是模式层神经元矢量；
所述求和层神经元计算模式x被分类为Ci的最大可能性，求和然后求均值计算属于同一类的所有神经元的输出pi(x)：
Figure FDA0002855841240000042
其中，Ni为Ci类中的样本总数；
所述决策层神经元根据贝叶斯决策规则对所有求和层神经元的输出对模式进行分类：
Figure FDA0002855841240000043
其中，
Figure FDA0002855841240000044
为模式x的估计类，m是训练样本中的类的总数，pi(x)为求和层神经元的输出。
5.根据权利要求1所述的机场混凝土道面裂缝修补方法，其特征在于，所述S4中基于训练完成的SVM模型对未识别的特征值进行第二次混凝土道面诊断，SVM模型目标函数与约束条件为：
Figure FDA0002855841240000051
其中，ω为权重向量；Xi为输入数据；Yi为对应Xi的所属分类；b为偏置向量；
引入松弛变量ξi代表训练样本的错分程度，则：
Figure FDA0002855841240000052
其中，C为惩罚因子，控制出现样本错误分类的惩罚度；
采用拉格朗日函数对目标函数进行求解：
Figure FDA0002855841240000053
其中，αi为拉格朗日乘子；
求解得到最优分类函数为：
Figure FDA0002855841240000054
其中，sgn()为符号函数；
SVM通过构造核函数将低维数据映射到高维，再在高维空间中实现线性分类，引入核函数后的最优分类为：
Figure FDA0002855841240000061
其中，K()为核函数；
核函数为径向基核函数K(Xi,Xj)，其表达式为：
Figure FDA0002855841240000062
其中，g为核函数参数。
CN202011546476.7A 2020-12-24 2020-12-24 一种机场混凝土道面裂缝修补方法 Active CN112726360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011546476.7A CN112726360B (zh) 2020-12-24 2020-12-24 一种机场混凝土道面裂缝修补方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011546476.7A CN112726360B (zh) 2020-12-24 2020-12-24 一种机场混凝土道面裂缝修补方法

Publications (2)

Publication Number Publication Date
CN112726360A true CN112726360A (zh) 2021-04-30
CN112726360B CN112726360B (zh) 2022-03-01

Family

ID=75605081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011546476.7A Active CN112726360B (zh) 2020-12-24 2020-12-24 一种机场混凝土道面裂缝修补方法

Country Status (1)

Country Link
CN (1) CN112726360B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842364A (zh) * 2022-07-04 2022-08-02 北京科技大学 一种露天矿山边坡图像裂隙参数提取方法及装置
CN116380935A (zh) * 2023-06-02 2023-07-04 中南大学 一种高铁箱梁损伤检测机器车及损伤检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1932850A (zh) * 2006-10-09 2007-03-21 武汉大学 一种遥感图像空间形状特征提取与分类方法
US20120122727A1 (en) * 2009-07-28 2012-05-17 Universiteit Maastricht In vitro method for predicting whether a compound is genotoxic in vivo
CN104933722A (zh) * 2015-06-29 2015-09-23 电子科技大学 一种基于Spiking-卷积网络模型的图像边缘检测方法
CN106053479A (zh) * 2016-07-21 2016-10-26 湘潭大学 一种基于图像处理的工件外观缺陷的视觉检测系统
CN106960208A (zh) * 2017-03-28 2017-07-18 哈尔滨工业大学 一种仪表液晶数字自动切分和识别的方法及系统
CN107578046A (zh) * 2017-08-11 2018-01-12 中国人民解放军63653部队 一种基于图像二值化处理的辅助车辆行驶方法
CN109001248A (zh) * 2018-06-26 2018-12-14 哈尔滨工业大学 一种基于图像信息熵的沥青混合料冻融损伤评价方法
CN110084844A (zh) * 2019-04-25 2019-08-02 中国民航大学 一种基于深度相机的机场道面裂缝检测方法
CN111724358A (zh) * 2020-06-11 2020-09-29 华中科技大学 基于图像和卷积神经网络的混凝土质量检测方法及系统
CN111784679A (zh) * 2020-07-06 2020-10-16 金陵科技学院 一种基于cnn和svm的挡土墙裂缝识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1932850A (zh) * 2006-10-09 2007-03-21 武汉大学 一种遥感图像空间形状特征提取与分类方法
US20120122727A1 (en) * 2009-07-28 2012-05-17 Universiteit Maastricht In vitro method for predicting whether a compound is genotoxic in vivo
CN104933722A (zh) * 2015-06-29 2015-09-23 电子科技大学 一种基于Spiking-卷积网络模型的图像边缘检测方法
CN106053479A (zh) * 2016-07-21 2016-10-26 湘潭大学 一种基于图像处理的工件外观缺陷的视觉检测系统
CN106960208A (zh) * 2017-03-28 2017-07-18 哈尔滨工业大学 一种仪表液晶数字自动切分和识别的方法及系统
CN107578046A (zh) * 2017-08-11 2018-01-12 中国人民解放军63653部队 一种基于图像二值化处理的辅助车辆行驶方法
CN109001248A (zh) * 2018-06-26 2018-12-14 哈尔滨工业大学 一种基于图像信息熵的沥青混合料冻融损伤评价方法
CN110084844A (zh) * 2019-04-25 2019-08-02 中国民航大学 一种基于深度相机的机场道面裂缝检测方法
CN111724358A (zh) * 2020-06-11 2020-09-29 华中科技大学 基于图像和卷积神经网络的混凝土质量检测方法及系统
CN111784679A (zh) * 2020-07-06 2020-10-16 金陵科技学院 一种基于cnn和svm的挡土墙裂缝识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
孙少林: "《灰度图像二值化算法研究》", 《价值工程》 *
纪秀浩: "《大样本支持向量机研究》", 《CNKI博硕士论文数据库》 *
谢乐等: "《基于线性判别分析和分步机器学习的变压器故障诊断》", 《浙江大学学报（工学版）》 *
郎锐: "《数字图像处理学Visual C++实现》", 31 December 2002, 北京希望电子出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842364A (zh) * 2022-07-04 2022-08-02 北京科技大学 一种露天矿山边坡图像裂隙参数提取方法及装置
CN116380935A (zh) * 2023-06-02 2023-07-04 中南大学 一种高铁箱梁损伤检测机器车及损伤检测方法

Also Published As

Publication number Publication date
CN112726360B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN112561903B (zh) 一种适用于寒冷地区沥青路面抗温缩裂缝的方法
Chen et al. A self organizing map optimization based image recognition and processing model for bridge crack inspection
Park et al. Patch-based crack detection in black box images using convolutional neural networks
CN109753890B (zh) 一种路面垃圾物智能识别与感知方法及其实现装置
CN112726360B (zh) 一种机场混凝土道面裂缝修补方法
CN107316064B (zh) 一种基于卷积神经网络的沥青路面裂缝分类识别方法
Quintana et al. A simplified computer vision system for road surface inspection and maintenance
Zalama et al. Road crack detection using visual features extracted by Gabor filters
Valikhani et al. Machine learning and image processing approaches for estimating concrete surface roughness using basic cameras
Liu et al. Novel approach to pavement cracking automatic detection based on segment extending
Mathavan et al. Use of a self-organizing map for crack detection in highly textured pavement images
CN103048329B (zh) 一种基于主动轮廓模型的路面裂缝检测方法
CN113409314B (zh) 高空钢结构腐蚀的无人机视觉检测与评价方法及系统
CN104880389A (zh) 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统
CN111079822A (zh) 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法
CN108647593A (zh) 基于图像处理和svm的无人机路面破损分类检测方法
CN114219773B (zh) 一种桥梁裂缝检测数据集预筛选与标定方法
Mokhtari et al. Statistical selection and interpretation of imagery features for computer vision-based pavement crack–detection systems
Berwo et al. Automotive engine cylinder head crack detection: Canny edge detection with morphological dilation
CN115457044B (zh) 基于类激活映射的路面裂缝分割方法
Minhas et al. Defect Detection using Deep Learning from Minimal Annotations.
CN116402753A (zh) 一种基于改进的YOLOv5的钢材缺陷检测方法
CN112435228A (zh) 一种基于高密度各向异性特征的机场道面裂缝检测方法
Mathavan et al. Application of texture analysis and kohonen map for region segmentation of pavement images for crack detection
CN104573695A (zh) 一种能快速定位感兴趣区的路面裂缝检测方法和系统

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