CN114612473A - 一种基于无人机的桥梁巡检处理方法、系统及云平台 - Google Patents

一种基于无人机的桥梁巡检处理方法、系统及云平台 Download PDF

Info

Publication number
CN114612473A
CN114612473A CN202210508051.XA CN202210508051A CN114612473A CN 114612473 A CN114612473 A CN 114612473A CN 202210508051 A CN202210508051 A CN 202210508051A CN 114612473 A CN114612473 A CN 114612473A
Authority
CN
China
Prior art keywords
bridge
inspection
hierarchical
trained
safety
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
CN202210508051.XA
Other languages
English (en)
Other versions
CN114612473B (zh
Inventor
杨翰翔
杨德润
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.)
Shenzhen Lianhe Intelligent Technology Co ltd
Original Assignee
Shenzhen Lianhe Intelligent Technology 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 Shenzhen Lianhe Intelligent Technology Co ltd filed Critical Shenzhen Lianhe Intelligent Technology Co ltd
Priority to CN202210508051.XA priority Critical patent/CN114612473B/zh
Publication of CN114612473A publication Critical patent/CN114612473A/zh
Application granted granted Critical
Publication of CN114612473B publication Critical patent/CN114612473B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30132—Masonry; Concrete
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请的基于无人机的桥梁巡检处理方法、系统及云平台，获取待分析桥梁巡检图像中每个层次化巡检区域所对应的非显著性桥梁结构描述，得到i个非显著性桥梁结构描述，根据i个非显著性桥梁结构描述确定i个桥梁描述权重，根据i个桥梁描述权重确定i个桥梁安全评价信息，基于i个桥梁安全评价信息，通过深度学习网络获取待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果。如此，可利用深度学习网络精准、快速地定位并获取层次化桥梁安全巡检结果，无需额外地采用其他方式进一步识别层次化桥梁安全巡检结果，在一定程度上减少了识别层次化桥梁安全巡检结果所耗费的时间资源和网络资源，从而提高层次化桥梁安全巡检结果的获取效率和质量。

Description

一种基于无人机的桥梁巡检处理方法、系统及云平台
技术领域
本申请涉及无人机和桥梁巡检技术领域，具体而言，涉及一种基于无人机的桥梁巡检处理方法、系统及云平台。
背景技术
桥梁巡检是确保桥梁结构安全，排除桥梁安全隐患，保障桥梁安全畅通，减少灾害事故发生的关键。在实际的巡检操作过程中，由于桥梁大多是跨地形建设（比如跨江、跨海、跨山、跨峡谷），这给桥梁巡检带来了一定困难。
随机无人机技术的不断成熟，已有技术将无人机应用到桥梁巡检中来。然而，发明人在研究和分析过程中发现，相关的利用无人机进行桥梁巡检的技术存在资料消耗大且效率质量低下的问题。
发明内容
为了改善上述问题，本申请提供了一种基于无人机的桥梁巡检处理方法、系统及云平台。
第一方面，提供一种基于无人机的桥梁巡检处理方法，应用于桥梁巡检处理云平台，所述方法包括：
获取待分析桥梁巡检图像中每个层次化巡检区域所对应的非显著性桥梁结构描述，得到i个非显著性桥梁结构描述，其中，所述待分析桥梁巡检图像包括i个层次化巡检区域，且所述层次化巡检区域与所述非显著性桥梁结构描述具有独立匹配的联系，所述i为大于或等于1的整数；
根据所述i个非显著性桥梁结构描述确定i个桥梁描述权重，其中，所述桥梁描述权重表示所述层次化巡检区域针对所述待分析桥梁巡检图像在设定环境负载条件下的桥梁结构安全状态，所述桥梁描述权重与所述层次化巡检区域具有独立匹配的联系；
根据所述i个桥梁描述权重确定i个桥梁安全评价信息，其中，所述桥梁安全评价信息与所述层次化巡检区域具有独立匹配的联系；
基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果，其中，所述层次化桥梁安全巡检结果与所述层次化巡检区域具有独立匹配的联系。
优选的，所述获取待分析桥梁巡检图像中每个层次化巡检区域所对应的非显著性桥梁结构描述，得到i个非显著性桥梁结构描述，包括：
针对于所述待分析桥梁巡检图像中的第j个层次化巡检区域，获取所述第j个层次化巡检区域所对应的桥梁结构区分度，其中，所述第j个层次化巡检区域为所述i个层次化巡检区域中的任意一个层次化巡检区域，所述j为大于或等于0，且小于所述i的整数；
针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，获取所述第j个层次化巡检区域所对应的桥梁结构特征标识；
针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，根据所述第j个层次化巡检区域所对应的桥梁结构特征标识以及所述第j个层次化巡检区域所对应的桥梁结构区分度，确定所述第j个层次化巡检区域所对应的非显著性桥梁结构描述。
优选的，所述根据所述i个非显著性桥梁结构描述确定i个桥梁描述权重，包括：
针对于所述待分析桥梁巡检图像中的第j个层次化巡检区域，根据所述第j个层次化巡检区域的非显著性桥梁结构描述确定所述第j个层次化巡检区域所对应的区域拆分信息，其中，所述第j个层次化巡检区域为所述i个层次化巡检区域中的任意一个层次化巡检区域，所述j为大于或等于0，且小于所述i的整数；
针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，获取所述第j个层次化巡检区域所对应的桥梁结构特征标识；
针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，根据所述第j个层次化巡检区域所对应的桥梁结构特征标识以及所述第j个层次化巡检区域所对应的区域拆分信息，确定所述第j个层次化巡检区域所对应的桥梁描述权重。
优选的，所述根据所述i个桥梁描述权重确定i个桥梁安全评价信息，包括：
针对于所述待分析桥梁巡检图像中的第j个层次化巡检区域，获取所述第j个层次化巡检区域所对应的整体性安全检测线程，其中，所述第j个层次化巡检区域为所述i个层次化巡检区域中的任意一个层次化巡检区域，所述j为大于或等于0，且小于所述i的整数；
针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，根据所述第j个层次化巡检区域所对应的整体性安全检测线程以及所述第j个层次化巡检区域所对应的桥梁描述权重，确定所述第j个层次化巡检区域所对应的桥梁安全评价信息。
优选的，所述基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果，包括：
基于所述i个桥梁安全评价信息，通过所述深度学习网络所包括的至少一组滑动平均处理模块获取i个目标安全测评数据；
基于所述i个目标安全测评数据，通过所述深度学习网络所包括的至少一组分类器模块获取i个层次化桥梁安全巡检结果。
优选的，所述基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果之前，所述方法还包括：
获取待训练桥梁巡检图像中每个待训练巡检区域所对应的待训练非显著性桥梁结构描述，得到i个待训练非显著性桥梁结构描述，其中，所述待训练桥梁巡检图像包括i个待训练巡检区域，且所述待训练巡检区域与所述待训练非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个待训练非显著性桥梁结构描述确定i个待训练桥梁描述权重，其中，所述待训练桥梁描述权重与所述待训练巡检区域具有独立匹配的联系；
根据所述i个待训练桥梁描述权重确定i个待训练桥梁安全评价信息，其中，所述待训练桥梁安全评价信息与所述待训练巡检区域具有独立匹配的联系；
基于所述i个待训练桥梁安全评价信息，通过待训练深度学习网络获取所述待训练桥梁巡检图像所对应的i个待训练层次化桥梁安全巡检结果，其中，所述待训练层次化桥梁安全巡检结果与所述待训练巡检区域具有独立匹配的联系；
获取真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果；
根据所述i个第一层次化桥梁安全巡检结果以及所述i个待训练层次化桥梁安全巡检结果，对所述待训练深度学习网络进行训练，直到符合网络训练终止条件，输出所述深度学习网络。
优选的，所述获取真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果，包括：
获取真实桥梁巡检图像中每个第一巡检区域所对应的第一非显著性桥梁结构描述，得到i个第一非显著性桥梁结构描述，其中，所述真实桥梁巡检图像包括i个第一巡检区域，且所述第一巡检区域与所述第一非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个第一非显著性桥梁结构描述确定i个第一桥梁描述权重，其中，所述第一桥梁描述权重与所述第一非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个第一桥梁描述权重确定i个第一桥梁安全评价信息，其中，所述第一桥梁安全评价信息与所述第一巡检区域具有独立匹配的联系；
基于所述i个第一桥梁安全评价信息，通过待训练深度学习网络获取所述真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果，其中，所述第一层次化桥梁安全巡检结果与所述第一巡检区域具有独立匹配的联系；
所述根据所述i个第一层次化桥梁安全巡检结果以及所述i个待训练层次化桥梁安全巡检结果，对所述待训练深度学习网络进行训练，直到符合网络训练终止条件，输出所述深度学习网络，包括：
针对于所述待训练桥梁巡检图像中的每个待训练巡检区域以及所述每个待训练巡检区域所对应的第一巡检区域，采用设定代价函数确定所述待训练层次化桥梁安全巡检结果与所述第一层次化桥梁安全巡检结果之间的代价损失值，得到i个代价损失值；
根据所述i个代价损失值对所述待训练深度学习网络的模型参数进行调整；
如果符合所述网络训练终止条件，则根据调整后的模型参数获取所述深度学习网络。
优选的，所述基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果之前，所述方法还包括：
获取待训练桥梁巡检图像中每个待训练巡检区域所对应的待训练非显著性桥梁结构描述，得到i个待训练非显著性桥梁结构描述，其中，所述待训练桥梁巡检图像包括i个待训练巡检区域，且所述待训练巡检区域与所述待训练非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个待训练非显著性桥梁结构描述确定i个待训练桥梁描述权重，其中，所述待训练桥梁描述权重与所述待训练巡检区域具有独立匹配的联系；
根据所述i个待训练桥梁描述权重确定i个待训练桥梁安全评价信息，其中，所述待训练桥梁安全评价信息与所述待训练巡检区域具有独立匹配的联系；
基于所述i个待训练桥梁安全评价信息，通过待训练深度学习网络获取所述待训练桥梁巡检图像所对应的i个待训练层次化桥梁安全巡检结果，其中，所述待训练层次化桥梁安全巡检结果与所述待训练巡检区域具有独立匹配的联系；
获取真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果；
获取对抗桥梁巡检图像所对应的i个第二层次化桥梁安全巡检结果；
根据所述i个第一层次化桥梁安全巡检结果、所述i个第二层次化桥梁安全巡检结果以及所述i个待训练层次化桥梁安全巡检结果，对所述待训练深度学习网络进行训练，直到符合网络训练终止条件，输出所述深度学习网络。
优选的，所述获取真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果，包括：
获取真实桥梁巡检图像中每个第一巡检区域所对应的第一非显著性桥梁结构描述，得到i个第一非显著性桥梁结构描述，其中，所述真实桥梁巡检图像包括i个第一巡检区域，且所述第一巡检区域与所述第一非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个第一非显著性桥梁结构描述确定i个第一桥梁描述权重，其中，所述第一桥梁描述权重与所述第一非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个第一桥梁描述权重确定i个第一桥梁安全评价信息，其中，所述第一桥梁安全评价信息与所述第一巡检区域具有独立匹配的联系；
基于所述i个第一桥梁安全评价信息，通过待训练深度学习网络获取所述真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果，其中，所述第一层次化桥梁安全巡检结果与所述第一巡检区域具有独立匹配的联系；
所述获取对抗桥梁巡检图像所对应的i个第二层次化桥梁安全巡检结果，包括：
获取对抗桥梁巡检图像中每个第二巡检区域所对应的第二非显著性桥梁结构描述，得到i个第二非显著性桥梁结构描述，其中，所述对抗桥梁巡检图像包括i个第二巡检区域，且所述第二巡检区域与所述第二非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个第二非显著性桥梁结构描述确定i个第二桥梁描述权重，其中，所述第二桥梁描述权重与所述第二非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个第二桥梁描述权重确定i个第二桥梁安全评价信息，其中，所述第二桥梁安全评价信息与所述第二巡检区域具有独立匹配的联系；
基于所述i个第二桥梁安全评价信息，通过待训练深度学习网络获取所述对抗桥梁巡检图像所对应的i个第二层次化桥梁安全巡检结果，其中，所述第二层次化桥梁安全巡检结果与所述第二巡检区域具有独立匹配的联系；
所述根据所述i个第一层次化桥梁安全巡检结果、所述i个第二层次化桥梁安全巡检结果以及所述i个待训练层次化桥梁安全巡检结果，对所述待训练深度学习网络进行训练，直到符合网络训练终止条件，输出所述深度学习网络，包括：
针对于所述待训练桥梁巡检图像中的每个待训练巡检区域以及所述每个待训练巡检区域所对应的第一巡检区域，采用第一设定代价函数确定所述待训练层次化桥梁安全巡检结果与所述第一层次化桥梁安全巡检结果之间的第一代价损失值，得到i个第一代价损失值；
针对于所述待训练桥梁巡检图像中的每个待训练巡检区域以及第二巡检区域，采用第二设定代价函数确定所述待训练层次化桥梁安全巡检结果与是第二层次化桥梁安全巡检结果之间的第二代价损失值，得到i个第二代价损失值；
根据所述i个第一代价损失值以及所述i个第二代价损失值，对所述待训练深度学习网络的模型参数进行调整；
如果符合所述网络训练终止条件，则根据调整后的模型参数获取所述深度学习网络。
第二方面，提供一种基于无人机的桥梁巡检处理系统，包括桥梁巡检处理云平台和巡检无人机；
巡检无人机用于：向桥梁巡检处理云平台上传待分析桥梁巡检图像；
桥梁巡检处理云平台用于：获取待分析桥梁巡检图像中每个层次化巡检区域所对应的非显著性桥梁结构描述，得到i个非显著性桥梁结构描述，其中，所述待分析桥梁巡检图像包括i个层次化巡检区域，且所述层次化巡检区域与所述非显著性桥梁结构描述具有独立匹配的联系，所述i为大于或等于1的整数；根据所述i个非显著性桥梁结构描述确定i个桥梁描述权重，其中，所述桥梁描述权重表示所述层次化巡检区域针对所述待分析桥梁巡检图像在设定环境负载条件下的桥梁结构安全状态，所述桥梁描述权重与所述层次化巡检区域具有独立匹配的联系；根据所述i个桥梁描述权重确定i个桥梁安全评价信息，其中，所述桥梁安全评价信息与所述层次化巡检区域具有独立匹配的联系；基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果，其中，所述层次化桥梁安全巡检结果与所述层次化巡检区域具有独立匹配的联系。
第三方面，提供一种桥梁巡检处理云平台，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现第一方面所述的方法。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现第一方面所述的方法。
本申请实施例所提供的基于无人机的桥梁巡检处理方法、系统及云平台，首先获取待分析桥梁巡检图像中每个层次化巡检区域所对应的非显著性桥梁结构描述，得到i个非显著性桥梁结构描述，然后根据i个非显著性桥梁结构描述确定i个桥梁描述权重，再根据i个桥梁描述权重确定i个桥梁安全评价信息，最后基于i个桥梁安全评价信息，通过深度学习网络获取待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果。通过上述方式，可利用深度学习网络精准、快速地定位并获取层次化桥梁安全巡检结果，无需额外地采用其他方式进一步识别层次化桥梁安全巡检结果，在一定程度上减少了识别层次化桥梁安全巡检结果所耗费的时间资源和网络资源，从而提高层次化桥梁安全巡检结果的获取效率和质量。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种基于无人机的桥梁巡检处理方法的流程图。
图2为本申请实施例所提供的一种基于无人机的桥梁巡检处理装置的框图。
图3为本申请实施例所提供的一种基于无人机的桥梁巡检处理系统的通信架构示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
为改善如背景技术所述的技术问题，发明人创新性地提出了一种基于无人机的桥梁巡检处理方法、系统及云平台。
图1示出一种基于无人机的桥梁巡检处理方法，应用于桥梁巡检处理云平台，所述方法包括以下STEP10-STEP40。
STEP10、获取待分析桥梁巡检图像中每个层次化巡检区域所对应的非显著性桥梁结构描述，得到i个非显著性桥梁结构描述，其中，所述待分析桥梁巡检图像包括i个层次化巡检区域，且所述层次化巡检区域与所述非显著性桥梁结构描述具有独立匹配的联系，所述i为大于或等于1的整数。
例如，待分析桥梁巡检图像可以是巡检无人机发送给桥梁巡检处理云平台的，待分析桥梁巡检图像可以是巡检无人机在指定位置通过指定拍摄角度对桥梁的指定区域进行拍摄得到的图像。此外，桥梁巡检处理云平台可以控制巡检无人机按照指定线路飞行到指定位置进行拍摄。
相应的，层次化巡检区域可以理解为待检测桥梁对应的具有层次区分度的检测区域，比如桥身表面区域、桥身凹陷部区域、桥身凹陷部内的零件区域等。
进一步地，非显著性桥梁结构描述用于表征对应的层次化巡检区域的潜在的、不明显的但是具有较大研究分析价值的结构特征，比如可以通过特征向量或者特征图的形式进行表示。
在相关实施例中，上述获取待分析桥梁巡检图像中每个层次化巡检区域所对应的非显著性桥梁结构描述，得到i个非显著性桥梁结构描述，包括以下内容：针对于所述待分析桥梁巡检图像中的第j个层次化巡检区域，获取所述第j个层次化巡检区域所对应的桥梁结构区分度（特征值），其中，所述第j个层次化巡检区域为所述i个层次化巡检区域中的任意一个层次化巡检区域，所述j为大于或等于0，且小于所述i的整数；针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，获取所述第j个层次化巡检区域所对应的桥梁结构特征标识（比如数值标签）；针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，根据所述第j个层次化巡检区域所对应的桥梁结构特征标识以及所述第j个层次化巡检区域所对应的桥梁结构区分度，确定所述第j个层次化巡检区域所对应的非显著性桥梁结构描述。如此，可以基于桥梁结构区分度和桥梁结构特征标识精准确定层次化巡检区域所对应的非显著性桥梁结构描述，以确保非显著性桥梁结构描述的完整性。
STEP20、根据所述i个非显著性桥梁结构描述确定i个桥梁描述权重，其中，所述桥梁描述权重表示所述层次化巡检区域针对所述待分析桥梁巡检图像在设定环境负载条件下的桥梁结构安全状态，所述桥梁描述权重与所述层次化巡检区域具有独立匹配的联系。
可以理解的是，桥梁结构安全状态可以是安全等级或者危险等级。进一步地，根据所述i个非显著性桥梁结构描述确定i个桥梁描述权重可以包括以下内容：针对于所述待分析桥梁巡检图像中的第j个层次化巡检区域，根据所述第j个层次化巡检区域的非显著性桥梁结构描述确定所述第j个层次化巡检区域所对应的区域拆分信息（比如特征分解结果或者特征分解值），其中，所述第j个层次化巡检区域为所述i个层次化巡检区域中的任意一个层次化巡检区域，所述j为大于或等于0，且小于所述i的整数；针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，获取所述第j个层次化巡检区域所对应的桥梁结构特征标识；针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，根据所述第j个层次化巡检区域所对应的桥梁结构特征标识以及所述第j个层次化巡检区域所对应的区域拆分信息，确定所述第j个层次化巡检区域所对应的桥梁描述权重。如此设计，能够确保层次化巡检区域与桥梁描述权重具有较高的相关性。
STEP30、根据所述i个桥梁描述权重确定i个桥梁安全评价信息，其中，所述桥梁安全评价信息与所述层次化巡检区域具有独立匹配的联系。
在申请实施例中，桥梁安全评价信息可以是安全评价描述或者安全评价向量。进一步地，根据所述i个桥梁描述权重确定i个桥梁安全评价信息，包括：针对于所述待分析桥梁巡检图像中的第j个层次化巡检区域，获取所述第j个层次化巡检区域所对应的整体性安全检测线程（全局规范化算法或者全局规范化函数），其中，所述第j个层次化巡检区域为所述i个层次化巡检区域中的任意一个层次化巡检区域，所述j为大于或等于0，且小于所述i的整数；针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，根据所述第j个层次化巡检区域所对应的整体性安全检测线程以及所述第j个层次化巡检区域所对应的桥梁描述权重，确定所述第j个层次化巡检区域所对应的桥梁安全评价信息。这样一来，通过进行归一化处理，能够确保不同层次化巡检区域所对应的桥梁安全评价信息的环境匹配度和巡检需求一致性，减少后续安全巡检结果分析时的误差。
STEP40、基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果，其中，所述层次化桥梁安全巡检结果与所述层次化巡检区域具有独立匹配的联系。
在本申请实施例中，层次化桥梁安全巡检结果可以是不同阶段下的桥梁巡检结果，通过确定层次化桥梁安全巡检结果，能够实现对待检测桥梁的安全分析，从而确保后续桥梁维护时的针对性，同时确保后续桥梁使用过程中的安全性。
此外，独立匹配的联系可以理解为一一对应的关系。
在一些可能的实施例中，基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果，包括：基于所述i个桥梁安全评价信息，通过所述深度学习网络所包括的至少一组滑动平均处理模块获取i个目标安全测评数据；基于所述i个目标安全测评数据，通过所述深度学习网络所包括的至少一组分类器模块获取i个层次化桥梁安全巡检结果。
在一些可选的实施例中，在实施STEP40之前，所述方法还包括：获取待训练桥梁巡检图像中每个待训练巡检区域所对应的待训练非显著性桥梁结构描述，得到i个待训练非显著性桥梁结构描述，其中，所述待训练桥梁巡检图像包括i个待训练巡检区域，且所述待训练巡检区域与所述待训练非显著性桥梁结构描述具有独立匹配的联系；根据所述i个待训练非显著性桥梁结构描述确定i个待训练桥梁描述权重，其中，所述待训练桥梁描述权重与所述待训练巡检区域具有独立匹配的联系；根据所述i个待训练桥梁描述权重确定i个待训练桥梁安全评价信息，其中，所述待训练桥梁安全评价信息与所述待训练巡检区域具有独立匹配的联系；基于所述i个待训练桥梁安全评价信息，通过待训练深度学习网络获取所述待训练桥梁巡检图像所对应的i个待训练层次化桥梁安全巡检结果，其中，所述待训练层次化桥梁安全巡检结果与所述待训练巡检区域具有独立匹配的联系；获取真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果；根据所述i个第一层次化桥梁安全巡检结果以及所述i个待训练层次化桥梁安全巡检结果，对所述待训练深度学习网络进行训练，直到符合网络训练终止条件，输出所述深度学习网络。
在本申请实施例中，真实桥梁巡检图像可以理解为第一样本（正例样本）。进一步地，获取真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果，包括：获取真实桥梁巡检图像中每个第一巡检区域所对应的第一非显著性桥梁结构描述，得到i个第一非显著性桥梁结构描述，其中，所述真实桥梁巡检图像包括i个第一巡检区域，且所述第一巡检区域与所述第一非显著性桥梁结构描述具有独立匹配的联系；根据所述i个第一非显著性桥梁结构描述确定i个第一桥梁描述权重，其中，所述第一桥梁描述权重与所述第一非显著性桥梁结构描述具有独立匹配的联系；根据所述i个第一桥梁描述权重确定i个第一桥梁安全评价信息，其中，所述第一桥梁安全评价信息与所述第一巡检区域具有独立匹配的联系；基于所述i个第一桥梁安全评价信息，通过待训练深度学习网络获取所述真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果，其中，所述第一层次化桥梁安全巡检结果与所述第一巡检区域具有独立匹配的联系。
在上述内容的基础上，根据所述i个第一层次化桥梁安全巡检结果以及所述i个待训练层次化桥梁安全巡检结果，对所述待训练深度学习网络进行训练，直到符合网络训练终止条件，输出所述深度学习网络，包括：针对于所述待训练桥梁巡检图像中的每个待训练巡检区域以及所述每个待训练巡检区域所对应的第一巡检区域，采用设定代价函数确定所述待训练层次化桥梁安全巡检结果与所述第一层次化桥梁安全巡检结果之间的代价损失值，得到i个代价损失值；根据所述i个代价损失值对所述待训练深度学习网络的模型参数进行调整；如果符合所述网络训练终止条件，则根据调整后的模型参数获取所述深度学习网络。
在本申请实施例中，代价损失值可以是损失值。
可以理解的是，通过引入第一样本进行模型训练，能够确保深度学习网络在后续使用时能够准确定位和识别出桥梁安全巡检结果。
在上述内容的基础上，还可以通引入第二样本（负例样本）进行对抗训练，从而进一步提高深度学习网络的分类质量和抗干扰特性。基于此，在实施STEP40之前，还可以包括以下内容：获取待训练桥梁巡检图像中每个待训练巡检区域所对应的待训练非显著性桥梁结构描述，得到i个待训练非显著性桥梁结构描述，其中，所述待训练桥梁巡检图像包括i个待训练巡检区域，且所述待训练巡检区域与所述待训练非显著性桥梁结构描述具有独立匹配的联系；根据所述i个待训练非显著性桥梁结构描述确定i个待训练桥梁描述权重，其中，所述待训练桥梁描述权重与所述待训练巡检区域具有独立匹配的联系；根据所述i个待训练桥梁描述权重确定i个待训练桥梁安全评价信息，其中，所述待训练桥梁安全评价信息与所述待训练巡检区域具有独立匹配的联系；基于所述i个待训练桥梁安全评价信息，通过待训练深度学习网络获取所述待训练桥梁巡检图像所对应的i个待训练层次化桥梁安全巡检结果，其中，所述待训练层次化桥梁安全巡检结果与所述待训练巡检区域具有独立匹配的联系；获取真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果；获取对抗桥梁巡检图像所对应的i个第二层次化桥梁安全巡检结果；根据所述i个第一层次化桥梁安全巡检结果、所述i个第二层次化桥梁安全巡检结果以及所述i个待训练层次化桥梁安全巡检结果，对所述待训练深度学习网络进行训练，直到符合网络训练终止条件，输出所述深度学习网络。
在上述内容的基础上，获取真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果，包括：获取真实桥梁巡检图像中每个第一巡检区域所对应的第一非显著性桥梁结构描述，得到i个第一非显著性桥梁结构描述，其中，所述真实桥梁巡检图像包括i个第一巡检区域，且所述第一巡检区域与所述第一非显著性桥梁结构描述具有独立匹配的联系；根据所述i个第一非显著性桥梁结构描述确定i个第一桥梁描述权重，其中，所述第一桥梁描述权重与所述第一非显著性桥梁结构描述具有独立匹配的联系；根据所述i个第一桥梁描述权重确定i个第一桥梁安全评价信息，其中，所述第一桥梁安全评价信息与所述第一巡检区域具有独立匹配的联系；基于所述i个第一桥梁安全评价信息，通过待训练深度学习网络获取所述真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果，其中，所述第一层次化桥梁安全巡检结果与所述第一巡检区域具有独立匹配的联系。
可选的，获取对抗桥梁巡检图像所对应的i个第二层次化桥梁安全巡检结果，包括：获取对抗桥梁巡检图像中每个第二巡检区域所对应的第二非显著性桥梁结构描述，得到i个第二非显著性桥梁结构描述，其中，所述对抗桥梁巡检图像包括i个第二巡检区域，且所述第二巡检区域与所述第二非显著性桥梁结构描述具有独立匹配的联系；根据所述i个第二非显著性桥梁结构描述确定i个第二桥梁描述权重，其中，所述第二桥梁描述权重与所述第二非显著性桥梁结构描述具有独立匹配的联系；根据所述i个第二桥梁描述权重确定i个第二桥梁安全评价信息，其中，所述第二桥梁安全评价信息与所述第二巡检区域具有独立匹配的联系；基于所述i个第二桥梁安全评价信息，通过待训练深度学习网络获取所述对抗桥梁巡检图像所对应的i个第二层次化桥梁安全巡检结果，其中，所述第二层次化桥梁安全巡检结果与所述第二巡检区域具有独立匹配的联系。
在上述内容的基础上，根据所述i个第一层次化桥梁安全巡检结果、所述i个第二层次化桥梁安全巡检结果以及所述i个待训练层次化桥梁安全巡检结果，对所述待训练深度学习网络进行训练，直到符合网络训练终止条件，输出所述深度学习网络，包括：针对于所述待训练桥梁巡检图像中的每个待训练巡检区域以及所述每个待训练巡检区域所对应的第一巡检区域，采用第一设定代价函数确定所述待训练层次化桥梁安全巡检结果与所述第一层次化桥梁安全巡检结果之间的第一代价损失值，得到i个第一代价损失值；针对于所述待训练桥梁巡检图像中的每个待训练巡检区域以及第二巡检区域，采用第二设定代价函数确定所述待训练层次化桥梁安全巡检结果与是第二层次化桥梁安全巡检结果之间的第二代价损失值，得到i个第二代价损失值；根据所述i个第一代价损失值以及所述i个第二代价损失值，对所述待训练深度学习网络的模型参数进行调整；如果符合所述网络训练终止条件，则根据调整后的模型参数获取所述深度学习网络。
在上述实施例中，层次化桥梁安全巡检结果还可以理解为局部的安全巡检结果，通过进行局部化安全分析，能够实现对不同的桥梁进行实时安全巡检处理，并及时处理大量、不同的桥梁巡检图像，从而满足桥梁巡检图像分析的时效性要求和准确度要求。
在上述基础上，请结合参阅图2，提供了一种基于无人机的桥梁巡检处理装置200，应用于桥梁巡检处理云平台，所述装置包括：
描述获取模块210，用于获取待分析桥梁巡检图像中每个层次化巡检区域所对应的非显著性桥梁结构描述，得到i个非显著性桥梁结构描述，其中，所述待分析桥梁巡检图像包括i个层次化巡检区域，且所述层次化巡检区域与所述非显著性桥梁结构描述具有独立匹配的联系，所述i为大于或等于1的整数；
权重确定模块220，用于根据所述i个非显著性桥梁结构描述确定i个桥梁描述权重，其中，所述桥梁描述权重表示所述层次化巡检区域针对所述待分析桥梁巡检图像在设定环境负载条件下的桥梁结构安全状态，所述桥梁描述权重与所述层次化巡检区域具有独立匹配的联系；
评价确定模块230，用于根据所述i个桥梁描述权重确定i个桥梁安全评价信息，其中，所述桥梁安全评价信息与所述层次化巡检区域具有独立匹配的联系；
安全巡检模块240，用于基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果，其中，所述层次化桥梁安全巡检结果与所述层次化巡检区域具有独立匹配的联系。
关于上述功能模块的描述可以参阅对图1所示的方法的说明，在此不作赘述。
在上述基础上，提供了一种桥梁巡检处理云平台，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现上述的方法。
在上述基础上，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。
在上述基础上，如图3所示，还提供了一种基于无人机的桥梁巡检处理系统300，其特征在于，包括桥梁巡检处理云平台310和巡检无人机320；
巡检无人机320用于：向桥梁巡检处理云平台310上传待分析桥梁巡检图像。
桥梁巡检处理云平台310用于：获取待分析桥梁巡检图像中每个层次化巡检区域所对应的非显著性桥梁结构描述，得到i个非显著性桥梁结构描述，其中，所述待分析桥梁巡检图像包括i个层次化巡检区域，且所述层次化巡检区域与所述非显著性桥梁结构描述具有独立匹配的联系，所述i为大于或等于1的整数；根据所述i个非显著性桥梁结构描述确定i个桥梁描述权重，其中，所述桥梁描述权重表示所述层次化巡检区域针对所述待分析桥梁巡检图像在设定环境负载条件下的桥梁结构安全状态，所述桥梁描述权重与所述层次化巡检区域具有独立匹配的联系；根据所述i个桥梁描述权重确定i个桥梁安全评价信息，其中，所述桥梁安全评价信息与所述层次化巡检区域具有独立匹配的联系；基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果，其中，所述层次化桥梁安全巡检结果与所述层次化巡检区域具有独立匹配的联系。
综上，基于上述方案，提供了一种基于无人机的桥梁巡检处理方法，首先获取待分析桥梁巡检图像中每个层次化巡检区域所对应的非显著性桥梁结构描述，得到i个非显著性桥梁结构描述，然后根据i个非显著性桥梁结构描述确定i个桥梁描述权重，再根据i个桥梁描述权重确定i个桥梁安全评价信息，最后基于i个桥梁安全评价信息，通过深度学习网络获取待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果。通过上述方式，可利用深度学习网络精准、快速地定位并获取层次化桥梁安全巡检结果，无需额外地采用其他方式进一步识别层次化桥梁安全巡检结果，在一定程度上减少了识别层次化桥梁安全巡检结果所耗费的时间资源和网络资源，从而提高层次化桥梁安全巡检结果的获取效率和质量。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、调整等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于无人机的桥梁巡检处理方法，其特征在于，应用于桥梁巡检处理云平台，所述方法包括：
获取待分析桥梁巡检图像中每个层次化巡检区域所对应的非显著性桥梁结构描述，得到i个非显著性桥梁结构描述，其中，所述待分析桥梁巡检图像包括i个层次化巡检区域，且所述层次化巡检区域与所述非显著性桥梁结构描述具有独立匹配的联系，所述i为大于或等于1的整数；
根据所述i个非显著性桥梁结构描述确定i个桥梁描述权重，其中，所述桥梁描述权重表示所述层次化巡检区域针对所述待分析桥梁巡检图像在设定环境负载条件下的桥梁结构安全状态，所述桥梁描述权重与所述层次化巡检区域具有独立匹配的联系；
根据所述i个桥梁描述权重确定i个桥梁安全评价信息，其中，所述桥梁安全评价信息与所述层次化巡检区域具有独立匹配的联系；
基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果，其中，所述层次化桥梁安全巡检结果与所述层次化巡检区域具有独立匹配的联系。
2.根据权利要求1所述的方法，其特征在于，所述获取待分析桥梁巡检图像中每个层次化巡检区域所对应的非显著性桥梁结构描述，得到i个非显著性桥梁结构描述，包括：
针对于所述待分析桥梁巡检图像中的第j个层次化巡检区域，获取所述第j个层次化巡检区域所对应的桥梁结构区分度，其中，所述第j个层次化巡检区域为所述i个层次化巡检区域中的任意一个层次化巡检区域，所述j为大于或等于0，且小于所述i的整数；
针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，获取所述第j个层次化巡检区域所对应的桥梁结构特征标识；
针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，根据所述第j个层次化巡检区域所对应的桥梁结构特征标识以及所述第j个层次化巡检区域所对应的桥梁结构区分度，确定所述第j个层次化巡检区域所对应的非显著性桥梁结构描述。
3.根据权利要求1所述的方法，其特征在于，所述根据所述i个非显著性桥梁结构描述确定i个桥梁描述权重，包括：
针对于所述待分析桥梁巡检图像中的第j个层次化巡检区域，根据所述第j个层次化巡检区域的非显著性桥梁结构描述确定所述第j个层次化巡检区域所对应的区域拆分信息，其中，所述第j个层次化巡检区域为所述i个层次化巡检区域中的任意一个层次化巡检区域，所述j为大于或等于0，且小于所述i的整数；
针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，获取所述第j个层次化巡检区域所对应的桥梁结构特征标识；
针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，根据所述第j个层次化巡检区域所对应的桥梁结构特征标识以及所述第j个层次化巡检区域所对应的区域拆分信息，确定所述第j个层次化巡检区域所对应的桥梁描述权重。
4.根据权利要求1所述的方法，其特征在于，所述根据所述i个桥梁描述权重确定i个桥梁安全评价信息，包括：
针对于所述待分析桥梁巡检图像中的第j个层次化巡检区域，获取所述第j个层次化巡检区域所对应的整体性安全检测线程，其中，所述第j个层次化巡检区域为所述i个层次化巡检区域中的任意一个层次化巡检区域，所述j为大于或等于0，且小于所述i的整数；
针对于所述待分析桥梁巡检图像中的所述第j个层次化巡检区域，根据所述第j个层次化巡检区域所对应的整体性安全检测线程以及所述第j个层次化巡检区域所对应的桥梁描述权重，确定所述第j个层次化巡检区域所对应的桥梁安全评价信息。
5.根据权利要求1所述的方法，其特征在于，所述基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果，包括：
基于所述i个桥梁安全评价信息，通过所述深度学习网络所包括的至少一组滑动平均处理模块获取i个目标安全测评数据；
基于所述i个目标安全测评数据，通过所述深度学习网络所包括的至少一组分类器模块获取i个层次化桥梁安全巡检结果。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果之前，所述方法还包括：
获取待训练桥梁巡检图像中每个待训练巡检区域所对应的待训练非显著性桥梁结构描述，得到i个待训练非显著性桥梁结构描述，其中，所述待训练桥梁巡检图像包括i个待训练巡检区域，且所述待训练巡检区域与所述待训练非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个待训练非显著性桥梁结构描述确定i个待训练桥梁描述权重，其中，所述待训练桥梁描述权重与所述待训练巡检区域具有独立匹配的联系；
根据所述i个待训练桥梁描述权重确定i个待训练桥梁安全评价信息，其中，所述待训练桥梁安全评价信息与所述待训练巡检区域具有独立匹配的联系；
基于所述i个待训练桥梁安全评价信息，通过待训练深度学习网络获取所述待训练桥梁巡检图像所对应的i个待训练层次化桥梁安全巡检结果，其中，所述待训练层次化桥梁安全巡检结果与所述待训练巡检区域具有独立匹配的联系；
获取真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果；
根据所述i个第一层次化桥梁安全巡检结果以及所述i个待训练层次化桥梁安全巡检结果，对所述待训练深度学习网络进行训练，直到符合网络训练终止条件，输出所述深度学习网络；
相应的，所述获取真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果，包括：
获取真实桥梁巡检图像中每个第一巡检区域所对应的第一非显著性桥梁结构描述，得到i个第一非显著性桥梁结构描述，其中，所述真实桥梁巡检图像包括i个第一巡检区域，且所述第一巡检区域与所述第一非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个第一非显著性桥梁结构描述确定i个第一桥梁描述权重，其中，所述第一桥梁描述权重与所述第一非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个第一桥梁描述权重确定i个第一桥梁安全评价信息，其中，所述第一桥梁安全评价信息与所述第一巡检区域具有独立匹配的联系；
基于所述i个第一桥梁安全评价信息，通过待训练深度学习网络获取所述真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果，其中，所述第一层次化桥梁安全巡检结果与所述第一巡检区域具有独立匹配的联系；
所述根据所述i个第一层次化桥梁安全巡检结果以及所述i个待训练层次化桥梁安全巡检结果，对所述待训练深度学习网络进行训练，直到符合网络训练终止条件，输出所述深度学习网络，包括：
针对于所述待训练桥梁巡检图像中的每个待训练巡检区域以及所述每个待训练巡检区域所对应的第一巡检区域，采用设定代价函数确定所述待训练层次化桥梁安全巡检结果与所述第一层次化桥梁安全巡检结果之间的代价损失值，得到i个代价损失值；
根据所述i个代价损失值对所述待训练深度学习网络的模型参数进行调整；
如果符合所述网络训练终止条件，则根据调整后的模型参数获取所述深度学习网络。
7.根据权利要求1至5中任一项所述的方法，其特征在于，所述基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果之前，所述方法还包括：
获取待训练桥梁巡检图像中每个待训练巡检区域所对应的待训练非显著性桥梁结构描述，得到i个待训练非显著性桥梁结构描述，其中，所述待训练桥梁巡检图像包括i个待训练巡检区域，且所述待训练巡检区域与所述待训练非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个待训练非显著性桥梁结构描述确定i个待训练桥梁描述权重，其中，所述待训练桥梁描述权重与所述待训练巡检区域具有独立匹配的联系；
根据所述i个待训练桥梁描述权重确定i个待训练桥梁安全评价信息，其中，所述待训练桥梁安全评价信息与所述待训练巡检区域具有独立匹配的联系；
基于所述i个待训练桥梁安全评价信息，通过待训练深度学习网络获取所述待训练桥梁巡检图像所对应的i个待训练层次化桥梁安全巡检结果，其中，所述待训练层次化桥梁安全巡检结果与所述待训练巡检区域具有独立匹配的联系；
获取真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果；
获取对抗桥梁巡检图像所对应的i个第二层次化桥梁安全巡检结果；
根据所述i个第一层次化桥梁安全巡检结果、所述i个第二层次化桥梁安全巡检结果以及所述i个待训练层次化桥梁安全巡检结果，对所述待训练深度学习网络进行训练，直到符合网络训练终止条件，输出所述深度学习网络。
8.根据权利要求7所述的方法，其特征在于，所述获取真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果，包括：
获取真实桥梁巡检图像中每个第一巡检区域所对应的第一非显著性桥梁结构描述，得到i个第一非显著性桥梁结构描述，其中，所述真实桥梁巡检图像包括i个第一巡检区域，且所述第一巡检区域与所述第一非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个第一非显著性桥梁结构描述确定i个第一桥梁描述权重，其中，所述第一桥梁描述权重与所述第一非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个第一桥梁描述权重确定i个第一桥梁安全评价信息，其中，所述第一桥梁安全评价信息与所述第一巡检区域具有独立匹配的联系；
基于所述i个第一桥梁安全评价信息，通过待训练深度学习网络获取所述真实桥梁巡检图像所对应的i个第一层次化桥梁安全巡检结果，其中，所述第一层次化桥梁安全巡检结果与所述第一巡检区域具有独立匹配的联系；
所述获取对抗桥梁巡检图像所对应的i个第二层次化桥梁安全巡检结果，包括：
获取对抗桥梁巡检图像中每个第二巡检区域所对应的第二非显著性桥梁结构描述，得到i个第二非显著性桥梁结构描述，其中，所述对抗桥梁巡检图像包括i个第二巡检区域，且所述第二巡检区域与所述第二非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个第二非显著性桥梁结构描述确定i个第二桥梁描述权重，其中，所述第二桥梁描述权重与所述第二非显著性桥梁结构描述具有独立匹配的联系；
根据所述i个第二桥梁描述权重确定i个第二桥梁安全评价信息，其中，所述第二桥梁安全评价信息与所述第二巡检区域具有独立匹配的联系；
基于所述i个第二桥梁安全评价信息，通过待训练深度学习网络获取所述对抗桥梁巡检图像所对应的i个第二层次化桥梁安全巡检结果，其中，所述第二层次化桥梁安全巡检结果与所述第二巡检区域具有独立匹配的联系；
所述根据所述i个第一层次化桥梁安全巡检结果、所述i个第二层次化桥梁安全巡检结果以及所述i个待训练层次化桥梁安全巡检结果，对所述待训练深度学习网络进行训练，直到符合网络训练终止条件，输出所述深度学习网络，包括：
针对于所述待训练桥梁巡检图像中的每个待训练巡检区域以及所述每个待训练巡检区域所对应的第一巡检区域，采用第一设定代价函数确定所述待训练层次化桥梁安全巡检结果与所述第一层次化桥梁安全巡检结果之间的第一代价损失值，得到i个第一代价损失值；
针对于所述待训练桥梁巡检图像中的每个待训练巡检区域以及第二巡检区域，采用第二设定代价函数确定所述待训练层次化桥梁安全巡检结果与是第二层次化桥梁安全巡检结果之间的第二代价损失值，得到i个第二代价损失值；
根据所述i个第一代价损失值以及所述i个第二代价损失值，对所述待训练深度学习网络的模型参数进行调整；
如果符合所述网络训练终止条件，则根据调整后的模型参数获取所述深度学习网络。
9.一种基于无人机的桥梁巡检处理系统，其特征在于，包括桥梁巡检处理云平台和巡检无人机；
巡检无人机用于：向桥梁巡检处理云平台上传待分析桥梁巡检图像；
桥梁巡检处理云平台用于：获取待分析桥梁巡检图像中每个层次化巡检区域所对应的非显著性桥梁结构描述，得到i个非显著性桥梁结构描述，其中，所述待分析桥梁巡检图像包括i个层次化巡检区域，且所述层次化巡检区域与所述非显著性桥梁结构描述具有独立匹配的联系，所述i为大于或等于1的整数；根据所述i个非显著性桥梁结构描述确定i个桥梁描述权重，其中，所述桥梁描述权重表示所述层次化巡检区域针对所述待分析桥梁巡检图像在设定环境负载条件下的桥梁结构安全状态，所述桥梁描述权重与所述层次化巡检区域具有独立匹配的联系；根据所述i个桥梁描述权重确定i个桥梁安全评价信息，其中，所述桥梁安全评价信息与所述层次化巡检区域具有独立匹配的联系；基于所述i个桥梁安全评价信息，通过深度学习网络获取所述待分析桥梁巡检图像所对应的i个层次化桥梁安全巡检结果，其中，所述层次化桥梁安全巡检结果与所述层次化巡检区域具有独立匹配的联系。
10.一种桥梁巡检处理云平台，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现上述权利要求1-9任一项所述的方法。
CN202210508051.XA 2022-05-11 2022-05-11 一种基于无人机的桥梁巡检处理方法、系统及云平台 Active CN114612473B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210508051.XA CN114612473B (zh) 2022-05-11 2022-05-11 一种基于无人机的桥梁巡检处理方法、系统及云平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210508051.XA CN114612473B (zh) 2022-05-11 2022-05-11 一种基于无人机的桥梁巡检处理方法、系统及云平台

Publications (2)

Publication Number Publication Date
CN114612473A true CN114612473A (zh) 2022-06-10
CN114612473B CN114612473B (zh) 2022-08-16

Family

ID=81870561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210508051.XA Active CN114612473B (zh) 2022-05-11 2022-05-11 一种基于无人机的桥梁巡检处理方法、系统及云平台

Country Status (1)

Country Link
CN (1) CN114612473B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998772A (zh) * 2022-08-03 2022-09-02 深圳联和智慧科技有限公司 一种基于无人机的一体化桥梁检测方法、系统及云平台

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529062A (zh) * 2016-11-20 2017-03-22 重庆交通大学 一种基于深度学习的桥梁结构健康诊断方法
WO2018035830A1 (zh) * 2016-08-25 2018-03-01 武克易 一种广告视频文件分级查找方法
CN111126802A (zh) * 2019-12-10 2020-05-08 福建省高速公路集团有限公司 基于人工智能的高速公路检查评价方法及系统
CN111127465A (zh) * 2020-03-31 2020-05-08 杭州鲁尔物联科技有限公司 一种桥梁检测报告自动生成方法及系统
CN111143932A (zh) * 2019-12-26 2020-05-12 杭州鲁尔物联科技有限公司 一种桥梁健康状态的评估方法、装置、系统和设备
CN112098326A (zh) * 2020-08-20 2020-12-18 东南大学 针对桥梁病害的自动检测方法和系统
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
US20210182259A1 (en) * 2019-12-13 2021-06-17 Sap Se Level-based hierarchies

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018035830A1 (zh) * 2016-08-25 2018-03-01 武克易 一种广告视频文件分级查找方法
CN106529062A (zh) * 2016-11-20 2017-03-22 重庆交通大学 一种基于深度学习的桥梁结构健康诊断方法
CN111126802A (zh) * 2019-12-10 2020-05-08 福建省高速公路集团有限公司 基于人工智能的高速公路检查评价方法及系统
US20210182259A1 (en) * 2019-12-13 2021-06-17 Sap Se Level-based hierarchies
CN111143932A (zh) * 2019-12-26 2020-05-12 杭州鲁尔物联科技有限公司 一种桥梁健康状态的评估方法、装置、系统和设备
CN111127465A (zh) * 2020-03-31 2020-05-08 杭州鲁尔物联科技有限公司 一种桥梁检测报告自动生成方法及系统
CN112098326A (zh) * 2020-08-20 2020-12-18 东南大学 针对桥梁病害的自动检测方法和系统
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998772A (zh) * 2022-08-03 2022-09-02 深圳联和智慧科技有限公司 一种基于无人机的一体化桥梁检测方法、系统及云平台

Also Published As

Publication number Publication date
CN114612473B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
US20220197281A1 (en) Intelligent decision-making method and system for unmanned surface vehicle
CN111967480A (zh) 基于权重共享的多尺度自注意力目标检测方法
CN109686108A (zh) 一种车辆目标轨迹跟踪系统及车辆轨迹跟踪方法
CN114612473B (zh) 一种基于无人机的桥梁巡检处理方法、系统及云平台
CN113076969B (zh) 基于混合高斯损失函数的图像目标检测方法
CN110929646A (zh) 一种基于无人机航拍图像的配电杆塔倒断信息快速识别方法
CN111723854A (zh) 一种高速公路交通拥堵检测方法、设备及可读存储介质
CN116244902A (zh) 车路云融合的道路环境场景仿真方法、电子设备及介质
CN115294476A (zh) 面向无人机电力巡检的边缘计算智能检测方法及设备
KR20210116798A (ko) 디지털 트윈을 이용하여 선박의 경제운항을 위한 파랑 정보 수집 장치
CN111586190A (zh) 一种用于车载的封样监控系统及装置
Jian et al. Cloud computing and visual attention based object detection for power substation surveillance robots
CN114494444A (zh) 障碍物动静态估计方法及电子设备和存储介质
CN108764465B (zh) 一种进行神经网络运算的处理装置
CN113971775A (zh) 一种基于优化yolov4算法的违章行为识别方法及系统
CN113447902A (zh) 一种基于机器学习的对海监视雷达目标识别方法
Miller et al. Comparing DNN Performance to Justify Using Transference of Training for the Autonomous Aerial Refueling Task
CN116310482A (zh) 基于国产芯片多目标实时跟踪的目标检测识别方法及系统
Kujawski et al. Concept of using unmanned aerial vehicle (UAV) in the analysis of traffic parameters on Oder Waterway
CN107332706B (zh) 一种机载网络选型方法
CN115984647A (zh) 面向星群的遥感分布式协同推理方法、装置、介质和卫星
CN114998772A (zh) 一种基于无人机的一体化桥梁检测方法、系统及云平台
Wu et al. A target classification method for unmanned surface vehicle based on extreme learning machines
CN114663743A (zh) 一种船舶目标重识别方法、终端设备及存储介质
Vigne et al. Embedded port infrastructure inspection using Artificial Intelligence

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