CN114775457A - 一种古建桥梁修复用检测装置及其检测方法 - Google Patents

一种古建桥梁修复用检测装置及其检测方法 Download PDF

Info

Publication number
CN114775457A
CN114775457A CN202210256905.XA CN202210256905A CN114775457A CN 114775457 A CN114775457 A CN 114775457A CN 202210256905 A CN202210256905 A CN 202210256905A CN 114775457 A CN114775457 A CN 114775457A
Authority
CN
China
Prior art keywords
ancient
bridge
layer
crack
health
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
CN202210256905.XA
Other languages
English (en)
Inventor
杜旺旺
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.)
Zhejiang Guangxia Construction Vocational and Technical University
Original Assignee
Zhejiang Guangxia Construction Vocational and Technical 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 Zhejiang Guangxia Construction Vocational and Technical University filed Critical Zhejiang Guangxia Construction Vocational and Technical University
Priority to CN202210256905.XA priority Critical patent/CN114775457A/zh
Publication of CN114775457A publication Critical patent/CN114775457A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01D—CONSTRUCTION OF BRIDGES, ELEVATED ROADWAYS OR VIADUCTS; ASSEMBLY OF BRIDGES
    • E01D22/00—Methods or apparatus for repairing or strengthening existing bridges ; Methods or apparatus for dismantling bridges
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20161—Level set
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
    • H04Q2209/84—Measuring functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Discrete Mathematics (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bridges Or Land Bridges (AREA)

Abstract

本发明属于古建桥梁修复用检测技术领域，公开了一种古建桥梁修复用检测装置及其检测方法，所述古建桥梁修复用检测装置包括：机箱、储料仓、升降管、喷射器、摄像器、控制器、裂缝检测模块、健康评估模块、无线通信模块、故障诊断模块。本发明通过裂缝检测模块采用桥梁裂缝分类模型对古建桥梁裂缝进行检测分类，能够明显提高古建桥梁裂缝检测精度及效率；同时，通过健康评估模块将新采集的古建桥桥梁健康监测数据输入神经网络模型，输出预测的古建桥桥梁健康状态级别，实现了对古建桥桥梁健康状态的准确有效评估和预测。

Description

一种古建桥梁修复用检测装置及其检测方法
技术领域
本发明属于古建桥梁修复用检测技术领域，尤其涉及一种古建桥梁修复用检测装置及其检测方法。
背景技术
桥梁，一般指架设在江河湖海上，使车辆行人等能顺利通行的构筑物。为适应现代高速发展的交通行业，桥梁亦引申为跨越山涧、不良地质或满足其他交通需要而架设的使通行更加便捷的建筑物。桥梁一般由上部构造、下部结构、支座和附属构造物组成，上部结构又称桥跨结构，是跨越障碍的主要结构；下部结构包括桥台、桥墩和基础；支座为桥跨结构与桥墩或桥台的支承处所设置的传力装置；附属构造物则指桥头搭板、锥形护坡、护岸、导流工程等。然而，现有古建桥梁修复用检测装置及其检测方法对古建桥梁裂缝检测和维护主要依靠人工检测；人工检测方法耗时且需要大量的人力物力财力，不仅检测精度低、人为影响因素大，而且在许多情况下由于区域的不可接近性或裂缝的微观尺寸，不可能在视觉上检测到裂缝；同时，不能对古建桥梁健康进行准确评估。
综上所述，现有技术存在的问题是：现有古建桥梁修复用检测装置及其检测方法对古建桥梁裂缝检测和维护主要依靠人工检测；人工检测方法耗时且需要大量的人力物力财力，不仅检测精度低、人为影响因素大，而且在许多情况下由于区域的不可接近性或裂缝的微观尺寸，不可能在视觉上检测到裂缝；同时，不能对古建桥梁健康进行准确评估。
发明内容
针对现有技术存在的问题，本发明提供了一种古建桥梁修复用检测装置及其检测方法。
本发明是这样实现的，一种古建桥梁修复用检测装置包括：
机箱、储料仓、升降管、喷射器、摄像器、控制器、裂缝检测模块、健康评估模块、无线通信模块、故障诊断模块；
机箱内左边通过螺丝固定有储料仓；储料仓顶端套接升降管；升降管顶端设置有喷射器；喷射器顶端通过螺丝固定有摄像器；机箱正面右边嵌装有控制器；控制器内设置有裂缝检测模块、健康评估模块、无线通信模块、故障诊断模块；
裂缝检测模块，用于检测古建桥梁裂缝信息；
健康评估模块，用于对古建桥梁健康进行评估；
无线通信模块，用于通过无线信号接通无线网络进行远程控制；
故障诊断模块，用于对装置故障进行诊断。通过修复状态传感器检测古建桥梁修复设备的修复状态以获取包括古建桥梁修复设备修复状态值的第一信号数据；
通过4*6的24点修复状态传感器收集第一信号数据，所述第一信号数据包括古建桥梁修复设备左边修复状态的左修复状态传感器信号和古建桥梁修复设备右边修复状态的右修复状态传感器信号，所述第一信号数据按照正常状态和故障状态进行分类；
包括对第一信号数据进行预处理，将多个4*6信号合并，通过用48组信号合成48*48的信号矩阵，其中一组信号包括左修复状态传感器信号和右修复状态传感器信号；
所述信号预测模型包括七层；第一层为输入层，第一层为原始的信号数据，第一层的图片大小为48*48*1、channel为1；第二层为卷积层，第二层的输入为输出层的输出，第二层的过滤器尺寸为5*5、深度为32，第二层使用全0填充，第二层的输出矩阵大小为48*48*32；第三层为池化层，第三层的输入为第二层输出的48*48*32的节点矩阵，第三层的过滤器尺寸大小为2*2、长和宽的步长均为2，第三层的输出矩阵大小为24*24*32；第四层为卷积层，第四层的输入为第三层的输出，第四层的过滤器尺寸为5*5、深度为64，第四层使用全0填充，第四层的输出矩阵大小为24*24*32；第五层为池化层，第五层的输入为第四层输出的24*24*64的节点矩阵，第五层的过滤器大小为2*2、长和宽的步长均为2，第五层的输出矩阵大小为12*12*64；第六层为全连接层，第六层的输入为第五层的输出，第六层输入节点个数为12*12*64，第六层输入节点个数为9216个，第六层输出节点个数为512个；第七层为全连接层，第七层输入节点个数为512个，第七层输出节点个数为4个。
一种古建桥梁修复用检测装置的检测方法包括以下步骤：
步骤一，将古建桥梁修复原料注入储料仓，通过升降管升降到古建桥梁位置，通过摄像器采集古建桥梁图像，并将图像发送到控制器进行处理；
步骤二，控制器通过裂缝检测模块检测古建桥梁裂缝信息；通过健康评估模块对古建桥梁健康进行评估；通过无线通信模块利用无线信号接通无线网络进行远程控制；通过故障诊断模块对装置故障进行诊断；
步骤三，控制器根据裂缝信息启动喷射器对古建桥梁裂缝喷洒修复原料进行修复。
进一步，所述裂缝检测模块检测方法如下：
(1)通过分割程序对摄像器所采集的一组古建桥梁图像进行裂缝分割；
(2)根据裂缝分割结果，采用预构建的古建桥梁裂缝分类模型对古建桥梁裂缝进行检测分类。
进一步，所述通过分割程序对摄像器所采集的一组古建桥梁图像进行裂缝分割方法包括如下步骤：
采用基于Nystrom逼近理论推广的谱聚类算法分割各个古建桥梁图像中的裂缝作为初始轮廓；沿着向上方向，依次将已经分割好的裂缝映射到下一张古建桥梁图像上，作为该张古建桥梁图像中裂缝的初始轮廓，采用改进的GAC模型完成各个裂缝的分割，直到所有古建桥梁图像分割结束；
沿着向下方向，依次将沿着向上方向分割好的裂缝映射到下一张古建桥梁图像上，作为该张古建桥梁图像中裂缝的初始轮廓，采用改进的GAC模型完成各个裂缝的分割，直到所有古建桥梁图像分割结束。
进一步，所述采用改进的GAC模型完成各个裂缝的分割的方法包括如下步骤：计算已分割好的各个裂缝区域的灰度均值与灰度标准差，将灰度均值与灰度标准差作为各个裂缝区域的灰度相似性信息；根据灰度相似性信息构造灰度相似性信息项；将灰度相似性信息项作为一个外部能量项添加到GAC模型的能量泛函中，从而对GAC模型进行改进。
进一步，所述古建桥梁裂缝分类模型的构建方法包括如下步骤：收集包含各类裂缝的原始古建桥梁图像；对所收集的原始古建桥梁图像进行裂缝标记及裂缝分割以构建古建桥梁裂缝的样本数据集；结合古建桥梁全局特征初始构建8层的深度卷积神经网络，包括一层输入层、三层卷积层、三层池化层、二层全连接层和一层输出层，采用softmax分类器；采用样本数据集对所构建的深度卷积神经网络进行训练及测试，以确定古建桥梁裂缝分类模型的结构及参数。
进一步，所述健康评估模块评估方法如下：
1)通过检测装置获取基于时序的古建桥梁健康监测数据，并基于预先划分的古建桥梁健康状态级别生成训练样本集；
2)使用训练样本集训练得到神经网络模型；将新采集的古建桥梁健康监测数据输入神经网络模型，输出预测的古建桥梁健康状态级别。
进一步，所述训练样本集包括多个基于时序的训练样本，每个训练样本包括一组所述古建桥梁健康监测数据以及对应的所述古建桥梁健康状态级别。
进一步，所述神经网络模型的训练过程包括：将所述训练样本中的所述古建桥梁健康监测数据作为输入，对应的所述古建桥梁健康状态级别作为输出，对初始化的所述神经网络模型进行训练，计算所述神经网络模型的损失函数并更新参数矩阵，直到预测误差满足终止条件。
进一步，所述训练样本集为
Figure BDA0003548971240000041
其中，
Figure BDA0003548971240000051
表示tk时刻的所述训练样本，
Figure BDA0003548971240000052
为n+1维特征向量，
Figure BDA0003548971240000053
为所述古建桥梁健康监测数据，n≥1，
Figure BDA0003548971240000054
是
Figure BDA0003548971240000055
所对应的所述古建桥梁健康状态级别，所述古建桥梁健康状态级别的集合为y∈{a1,a2,...,aN}，a1,a2,...,aN均为不同的数值，N≥2。
本发明的优点及积极效果为：本发明通过裂缝检测模块采用桥梁裂缝分类模型对古建桥梁裂缝进行检测分类，能够明显提高古建桥梁裂缝检测精度及效率；同时，通过健康评估模块将新采集的古建桥桥梁健康监测数据输入神经网络模型，输出预测的古建桥桥梁健康状态级别，实现了对古建桥桥梁健康状态的准确有效评估和预测。
通过修复状态传感器检测古建桥梁修复设备的修复状态以获取包括古建桥梁修复设备修复状态值的第一信号数据；
通过4*6的24点修复状态传感器收集第一信号数据，所述第一信号数据包括古建桥梁修复设备左边修复状态的左修复状态传感器信号和古建桥梁修复设备右边修复状态的右修复状态传感器信号，所述第一信号数据按照正常状态和故障状态进行分类；包括对第一信号数据进行预处理，将多个4*6信号合并，通过用48组信号合成48*48的信号矩阵，其中一组信号包括左修复状态传感器信号和右修复状态传感器信号。
附图说明
图1是本发明实施例提供的古建桥梁修复用检测装置结构框图。
图2是本发明实施例提供的控制器结构框图。
图3是本发明实施例提供的古建桥梁修复用检测装置的检测方法流程图。
图4是本发明实施例提供的裂缝检测模块检测方法流程图。
图5是本发明实施例提供的健康评估模块评估方法流程图。
图1和图2中：1、机箱；2、储料仓；3、升降管；4、喷射器；5、摄像器；6、控制器；7、裂缝检测模块；8、健康评估模块；9、无线通信模块、10、故障诊断模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1和图2所示，本发明实施例提供的古建桥梁修复用检测装置包括：机箱1、储料仓2、升降管3、喷射器4、摄像器5、控制器6、裂缝检测模块7、健康评估模块8、无线通信模块9、故障诊断模块10；
机箱1内左边通过螺丝固定有储料仓2；储料仓2顶端套接升降管3；升降管3顶端设置有喷射器4；喷射器4顶端通过螺丝固定有摄像器5；机箱1正面右边嵌装有控制器6；控制器6内设置有裂缝检测模块7、健康评估模块8、无线通信模块9、故障诊断模块10；
裂缝检测模块7，用于检测古建桥梁裂缝信息；
健康评估模块8，用于对古建桥梁健康进行评估；
无线通信模块9，用于通过无线信号接通无线网络进行远程控制；
故障诊断模块10，用于对装置故障进行诊断。通过修复状态传感器检测古建桥梁修复设备的修复状态以获取包括古建桥梁修复设备修复状态值的第一信号数据；
通过4*6的24点修复状态传感器收集第一信号数据，所述第一信号数据包括古建桥梁修复设备左边修复状态的左修复状态传感器信号和古建桥梁修复设备右边修复状态的右修复状态传感器信号，所述第一信号数据按照正常状态和故障状态进行分类；
包括对第一信号数据进行预处理，将多个4*6信号合并，通过用48组信号合成48*48的信号矩阵，其中一组信号包括左修复状态传感器信号和右修复状态传感器信号；
所述信号预测模型包括七层；第一层为输入层，第一层为原始的信号数据，第一层的图片大小为48*48*1、channel为1；第二层为卷积层，第二层的输入为输出层的输出，第二层的过滤器尺寸为5*5、深度为32，第二层使用全0填充，第二层的输出矩阵大小为48*48*32；第三层为池化层，第三层的输入为第二层输出的48*48*32的节点矩阵，第三层的过滤器尺寸大小为2*2、长和宽的步长均为2，第三层的输出矩阵大小为24*24*32；第四层为卷积层，第四层的输入为第三层的输出，第四层的过滤器尺寸为5*5、深度为64，第四层使用全0填充，第四层的输出矩阵大小为24*24*32；第五层为池化层，第五层的输入为第四层输出的24*24*64的节点矩阵，第五层的过滤器大小为2*2、长和宽的步长均为2，第五层的输出矩阵大小为12*12*64；第六层为全连接层，第六层的输入为第五层的输出，第六层输入节点个数为12*12*64，第六层输入节点个数为9216个，第六层输出节点个数为512个；第七层为全连接层，第七层输入节点个数为512个，第七层输出节点个数为4个。
如图3所示，本发明提供的古建桥梁修复用检测装置的检测方法包括以下步骤：
S101，将古建桥梁修复原料注入储料仓，通过升降管升降到古建桥梁位置，通过摄像器采集古建桥梁图像，并将图像发送到控制器进行处理；
S102，控制器通过裂缝检测模块检测古建桥梁裂缝信息；通过健康评估模块对古建桥梁健康进行评估；通过无线通信模块利用无线信号接通无线网络进行远程控制；通过故障诊断模块对装置故障进行诊断；
S103，控制器根据裂缝信息启动喷射器对古建桥梁裂缝喷洒修复原料进行修复。
如图4所示，本发明提供的裂缝检测模块7检测方法如下：
S201，通过分割程序对摄像器所采集的一组古建桥梁图像进行裂缝分割；
S202，根据裂缝分割结果，采用预构建的古建桥梁裂缝分类模型对古建桥梁裂缝进行检测分类。
本发明提供的通过分割程序对摄像器所采集的一组古建桥梁图像进行裂缝分割方法包括如下步骤：
采用基于Nystrom逼近理论推广的谱聚类算法分割各个古建桥梁图像中的裂缝作为初始轮廓；沿着向上方向，依次将已经分割好的裂缝映射到下一张古建桥梁图像上，作为该张古建桥梁图像中裂缝的初始轮廓，采用改进的GAC模型完成各个裂缝的分割，直到所有古建桥梁图像分割结束；
沿着向下方向，依次将沿着向上方向分割好的裂缝映射到下一张古建桥梁图像上，作为该张古建桥梁图像中裂缝的初始轮廓，采用改进的GAC模型完成各个裂缝的分割，直到所有古建桥梁图像分割结束。
本发明提供的采用改进的GAC模型完成各个裂缝的分割的方法包括如下步骤：计算已分割好的各个裂缝区域的灰度均值与灰度标准差，将灰度均值与灰度标准差作为各个裂缝区域的灰度相似性信息；根据灰度相似性信息构造灰度相似性信息项；将灰度相似性信息项作为一个外部能量项添加到GAC模型的能量泛函中，从而对GAC模型进行改进。
本发明提供的古建桥梁裂缝分类模型的构建方法包括如下步骤：收集包含各类裂缝的原始古建桥梁图像；对所收集的原始古建桥梁图像进行裂缝标记及裂缝分割以构建古建桥梁裂缝的样本数据集；结合古建桥梁全局特征初始构建8层的深度卷积神经网络，包括一层输入层、三层卷积层、三层池化层、二层全连接层和一层输出层，采用softmax分类器；采用样本数据集对所构建的深度卷积神经网络进行训练及测试，以确定古建桥梁裂缝分类模型的结构及参数。
如图5所示，本发明提供的健康评估模块8评估方法如下：
S301，通过检测装置获取基于时序的古建桥梁健康监测数据，并基于预先划分的古建桥梁健康状态级别生成训练样本集；
S302，使用训练样本集训练得到神经网络模型；将新采集的古建桥梁健康监测数据输入神经网络模型，输出预测的古建桥梁健康状态级别。
本发明提供的训练样本集包括多个基于时序的训练样本，每个训练样本包括一组所述古建桥梁健康监测数据以及对应的所述古建桥梁健康状态级别。
本发明提供的神经网络模型的训练过程包括：将所述训练样本中的所述古建桥梁健康监测数据作为输入，对应的所述古建桥梁健康状态级别作为输出，对初始化的所述神经网络模型进行训练，计算所述神经网络模型的损失函数并更新参数矩阵，直到预测误差满足终止条件。
本发明提供的训练样本集为
Figure BDA0003548971240000091
其中，
Figure BDA0003548971240000092
表示tk时刻的所述训练样本，
Figure BDA0003548971240000093
为n+1维特征向量，
Figure BDA0003548971240000094
为所述古建桥梁健康监测数据，n≥1，
Figure BDA0003548971240000095
是
Figure BDA0003548971240000096
所对应的所述古建桥梁健康状态级别，所述古建桥梁健康状态级别的集合为y∈{a1,a2,...,aN}，a1,a2,...,aN均为不同的数值，N≥2。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (10)

1.一种古建桥梁修复用检测装置，其特征在于，所述古建桥梁修复用检测装置包括：
机箱、储料仓、升降管、喷射器、摄像器、控制器、裂缝检测模块、健康评估模块、无线通信模块、故障诊断模块；
机箱内左边通过螺丝固定有储料仓；储料仓顶端套接升降管；升降管顶端设置有喷射器；喷射器顶端通过螺丝固定有摄像器；机箱正面右边嵌装有控制器；控制器内设置有裂缝检测模块、健康评估模块、无线通信模块、故障诊断模块；
裂缝检测模块，用于检测古建桥梁裂缝信息；
健康评估模块，用于对古建桥梁健康进行评估；
无线通信模块，用于通过无线信号接通无线网络进行远程控制；
故障诊断模块，用于对装置故障进行诊断；通过修复状态传感器检测古建桥梁修复设备的修复状态以获取包括古建桥梁修复设备修复状态值的第一信号数据；
通过4*6的24点修复状态传感器收集第一信号数据，所述第一信号数据包括古建桥梁修复设备左边修复状态的左修复状态传感器信号和古建桥梁修复设备右边修复状态的右修复状态传感器信号，所述第一信号数据按照正常状态和故障状态进行分类；
包括对第一信号数据进行预处理，将多个4*6信号合并，通过用48组信号合成48*48的信号矩阵，其中一组信号包括左修复状态传感器信号和右修复状态传感器信号；
所述信号预测模型包括七层；第一层为输入层，第一层为原始的信号数据，第一层的图片大小为48*48*1、channel为1；第二层为卷积层，第二层的输入为输出层的输出，第二层的过滤器尺寸为5*5、深度为32，第二层使用全0填充，第二层的输出矩阵大小为48*48*32；第三层为池化层，第三层的输入为第二层输出的48*48*32的节点矩阵，第三层的过滤器尺寸大小为2*2、长和宽的步长均为2，第三层的输出矩阵大小为24*24*32；第四层为卷积层，第四层的输入为第三层的输出，第四层的过滤器尺寸为5*5、深度为64，第四层使用全0填充，第四层的输出矩阵大小为24*24*32；第五层为池化层，第五层的输入为第四层输出的24*24*64的节点矩阵，第五层的过滤器大小为2*2、长和宽的步长均为2，第五层的输出矩阵大小为12*12*64；第六层为全连接层，第六层的输入为第五层的输出，第六层输入节点个数为12*12*64，第六层输入节点个数为9216个，第六层输出节点个数为512个；第七层为全连接层，第七层输入节点个数为512个，第七层输出节点个数为4个。
2.一种如权利要求1所述的古建桥梁修复用检测装置的检测方法，其特征在于，所述古建桥梁修复用检测装置的检测方法包括以下步骤：
步骤一，将古建桥梁修复原料注入储料仓，通过升降管升降到古建桥梁位置，通过摄像器采集古建桥梁图像，并将图像发送到控制器进行处理；
步骤二，控制器通过裂缝检测模块检测古建桥梁裂缝信息；通过健康评估模块对古建桥梁健康进行评估；通过无线通信模块利用无线信号接通无线网络进行远程控制；通过故障诊断模块对装置故障进行诊断；
步骤三，控制器根据裂缝信息启动喷射器对古建桥梁裂缝喷洒修复原料进行修复。
3.如权利要求2所述古建桥梁修复用检测方法，其特征在于，所述裂缝检测模块检测方法如下：
(1)通过分割程序对摄像器所采集的一组古建桥梁图像进行裂缝分割；
(2)根据裂缝分割结果，采用预构建的古建桥梁裂缝分类模型对古建桥梁裂缝进行检测分类。
4.如权利要求3所述古建桥梁修复用检测方法，其特征在于，所述通过分割程序对摄像器所采集的一组古建桥梁图像进行裂缝分割方法包括如下步骤：
采用基于Nystrom逼近理论推广的谱聚类算法分割各个古建桥梁图像中的裂缝作为初始轮廓；沿着向上方向，依次将已经分割好的裂缝映射到下一张古建桥梁图像上，作为该张古建桥梁图像中裂缝的初始轮廓，采用改进的GAC模型完成各个裂缝的分割，直到所有古建桥梁图像分割结束；
沿着向下方向，依次将沿着向上方向分割好的裂缝映射到下一张古建桥梁图像上，作为该张古建桥梁图像中裂缝的初始轮廓，采用改进的GAC模型完成各个裂缝的分割，直到所有古建桥梁图像分割结束。
5.如权利要求4所述古建桥梁修复用检测方法，其特征在于，所述采用改进的GAC模型完成各个裂缝的分割的方法包括如下步骤：计算已分割好的各个裂缝区域的灰度均值与灰度标准差，将灰度均值与灰度标准差作为各个裂缝区域的灰度相似性信息；根据灰度相似性信息构造灰度相似性信息项；将灰度相似性信息项作为一个外部能量项添加到GAC模型的能量泛函中，从而对GAC模型进行改进。
6.如权利要求3所述古建桥梁修复用检测方法，其特征在于，所述古建桥梁裂缝分类模型的构建方法包括如下步骤：收集包含各类裂缝的原始古建桥梁图像；对所收集的原始古建桥梁图像进行裂缝标记及裂缝分割以构建古建桥梁裂缝的样本数据集；结合古建桥梁全局特征初始构建8层的深度卷积神经网络，包括一层输入层、三层卷积层、三层池化层、二层全连接层和一层输出层，采用softmax分类器；采用样本数据集对所构建的深度卷积神经网络进行训练及测试，以确定古建桥梁裂缝分类模型的结构及参数。
7.如权利要求1所述古建桥梁修复用检测方法，其特征在于，所述健康评估模块评估方法如下：
1)通过检测装置获取基于时序的古建桥梁健康监测数据，并基于预先划分的古建桥梁健康状态级别生成训练样本集；
2)使用训练样本集训练得到神经网络模型；将新采集的古建桥梁健康监测数据输入神经网络模型，输出预测的古建桥梁健康状态级别。
8.如权利要求7所述古建桥梁修复用检测方法，其特征在于，所述训练样本集包括多个基于时序的训练样本，每个训练样本包括一组所述古建桥梁健康监测数据以及对应的所述古建桥梁健康状态级别。
9.如权利要求7所述古建桥梁修复用检测方法，其特征在于，所述神经网络模型的训练过程包括：将所述训练样本中的所述古建桥梁健康监测数据作为输入，对应的所述古建桥梁健康状态级别作为输出，对初始化的所述神经网络模型进行训练，计算所述神经网络模型的损失函数并更新参数矩阵，直到预测误差满足终止条件。
10.如权利要求7所述古建桥梁修复用检测返港伐，其特征在于，所述训练样本集为
Figure FDA0003548971230000041
其中，
Figure FDA0003548971230000042
表示tk时刻的所述训练样本，
Figure FDA0003548971230000043
为n+1维特征向量，
Figure FDA0003548971230000044
x0＝1，x1，...，xn为所述古建桥梁健康监测数据，n≥1，
Figure FDA0003548971230000045
是
Figure FDA0003548971230000046
所对应的所述古建桥梁健康状态级别，所述古建桥梁健康状态级别的集合为y∈{a1,a2,...,aN}，a1,a2,...,aN均为不同的数值，N≥2。
CN202210256905.XA 2022-03-16 2022-03-16 一种古建桥梁修复用检测装置及其检测方法 Pending CN114775457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210256905.XA CN114775457A (zh) 2022-03-16 2022-03-16 一种古建桥梁修复用检测装置及其检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210256905.XA CN114775457A (zh) 2022-03-16 2022-03-16 一种古建桥梁修复用检测装置及其检测方法

Publications (1)

Publication Number Publication Date
CN114775457A true CN114775457A (zh) 2022-07-22

Family

ID=82425390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210256905.XA Pending CN114775457A (zh) 2022-03-16 2022-03-16 一种古建桥梁修复用检测装置及其检测方法

Country Status (1)

Country Link
CN (1) CN114775457A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120369043A (zh) * 2025-05-09 2025-07-25 青岛丰华信电子科技有限公司 古建筑修复的隐形损伤批量探测系统及分析方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629144A (zh) * 2018-06-11 2018-10-09 湖北交投智能检测股份有限公司 一种桥梁健康评估方法
CN110161047A (zh) * 2019-06-14 2019-08-23 汕头大学 一种路桥裂缝检测与修复一体化机器人
CN111056395A (zh) * 2019-12-25 2020-04-24 武汉科技大学 一种基于多点压力传感器的抱闸故障诊断方法
CN111222189A (zh) * 2019-12-31 2020-06-02 湖南工程学院 一种高效的桥梁结构健康预警控制系统、方法
CN111402227A (zh) * 2020-03-13 2020-07-10 河海大学常州校区 一种桥梁裂缝检测方法
CN112627023A (zh) * 2020-11-23 2021-04-09 山东奥邦交通设施工程有限公司 一种智能桥梁检测方法、系统及智能桥梁检测机器人
CN112726432A (zh) * 2020-12-29 2021-04-30 安徽建筑大学 一种桥梁运维方法、装置、系统、计算机设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629144A (zh) * 2018-06-11 2018-10-09 湖北交投智能检测股份有限公司 一种桥梁健康评估方法
CN110161047A (zh) * 2019-06-14 2019-08-23 汕头大学 一种路桥裂缝检测与修复一体化机器人
CN111056395A (zh) * 2019-12-25 2020-04-24 武汉科技大学 一种基于多点压力传感器的抱闸故障诊断方法
CN111222189A (zh) * 2019-12-31 2020-06-02 湖南工程学院 一种高效的桥梁结构健康预警控制系统、方法
CN111402227A (zh) * 2020-03-13 2020-07-10 河海大学常州校区 一种桥梁裂缝检测方法
CN112627023A (zh) * 2020-11-23 2021-04-09 山东奥邦交通设施工程有限公司 一种智能桥梁检测方法、系统及智能桥梁检测机器人
CN112726432A (zh) * 2020-12-29 2021-04-30 安徽建筑大学 一种桥梁运维方法、装置、系统、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邹超英, 哈尔滨工业大学出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120369043A (zh) * 2025-05-09 2025-07-25 青岛丰华信电子科技有限公司 古建筑修复的隐形损伤批量探测系统及分析方法

Similar Documents

Publication Publication Date Title
CN109272123B (zh) 一种基于卷积-循环神经网络的有杆泵工况预警方法
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
CN111241994B (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
CN114663742B (zh) 一种基于无监督学习的路面异常检测方法及系统
Tabernik et al. Automated detection and segmentation of cracks in concrete surfaces using joined segmentation and classification deep neural network
CN120106546A (zh) 基于深度学习模型的煤矿孔裂隙渗流分析预测系统
CN115270372A (zh) 一种基于深度序列模型的排水管网淤积判断方法
CN119091373A (zh) 一种基于人工智能和道路巡检机器人的路面检测方法
CN119151096B (zh) 一种基于多任务学习的管廊施工过程风险预测方法
CN116738681A (zh) 一种面向涉水桥墩的仿真模拟方法及系统
Loverdos et al. Image2DEM: A geometrical digital twin generator for the detailed structural analysis of existing masonry infrastructure stock
CN118797440B (zh) 一种路基压实质量的检测方法
CN115984286A (zh) 基于合成模拟器和桥联神经网络的拱桥点云分割方法
CN117830377B (zh) 岩石质量的确定方法、装置、计算机设备和存储介质
CN115713647A (zh) 基于深度学习的桥梁表观信息三分级识别方法和识别系统
Yao et al. Multi-volume variable scale bitmap data object classification algorithm architectural concrete color difference detection
CN119886833A (zh) 一种运河工程围堰施工安全评估方法
CN114775457A (zh) 一种古建桥梁修复用检测装置及其检测方法
CN121010601B (zh) 一种面向混凝土结构的U-Net轻量化裂缝检测方法
Khan et al. Review on crack detection in civil infrastructure using structural health monitoring and machine learning techniques
Katsamenis et al. A deep learning framework for segmentation of road defects using ResUNet-a
CN120451073A (zh) 基于深度神经网络的桥梁图像裂缝识别方法及系统
CN117197736B (zh) 一种基于胶囊网络的高速公路路面病害识别方法
CN110782431B (zh) 一种基于深度学习的高压电线结冰区域检测方法
CN118863515A (zh) 用于地下管廊结构形变风险预警方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220722

RJ01 Rejection of invention patent application after publication