CN115937595A - 一种基于智能数据处理的桥梁表观异常识别方法及系统 - Google Patents
一种基于智能数据处理的桥梁表观异常识别方法及系统 Download PDFInfo
- Publication number
- CN115937595A CN115937595A CN202211643646.2A CN202211643646A CN115937595A CN 115937595 A CN115937595 A CN 115937595A CN 202211643646 A CN202211643646 A CN 202211643646A CN 115937595 A CN115937595 A CN 115937595A
- Authority
- CN
- China
- Prior art keywords
- background
- image
- data set
- coefficient
- characteristic value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 title claims abstract description 31
- 230000009467 reduction Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 239000006185 dispersion Substances 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000004140 cleaning Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 28
- 238000001514 detection method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 230000009466 transformation Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本申请提供了一种基于智能数据处理的桥梁表观异常识别方法及系统，涉及桥梁异常识别技术领域，控制无人机数据采集装置对桥梁体表面进行桥梁表面图像数据采集；对每一帧图像进行离散余弦变换得到离散余弦变换系数；根据所述离散余弦变换系数进行图像背景纹理特征值计算，输出图像背景特征值集合；根据所述图像背景特征值集合进行数据分类，得到分类图像数据集；将所述图像背景特征值集合作为训练数据集进行神经网络训练生成自编码器；将所述分类图像数据集输入所述自编码器中，根据得到的还原误差指标输出异常图像数据集。解决了由于桥梁表面采集到的图像背景纹理差异所引起的异常识别偏差的问题，通过进行背景特征计算，达到提高异常识别准确率的效果。
Description
技术领域
本申请涉及桥梁异常识别相关领域，具体涉及一种基于智能数据处理的桥梁表观异常识别方法及系统。
背景技术
桥梁是基础设施的重要组成部分。由于车流量加大、车辆超载以及结构老化等原因，跨海桥梁在长期的使用过程中会生产裂缝、剥落、露筋、蜂窝麻面等各种表观病害。对桥梁表观病害的检测是桥梁健康状况评估的一个重要方面。由于桥梁表观病害的随机性和广泛性，人工进行桥梁病害的检测和记录需要消耗大量的人力，检测速度慢，且在实桥检测过程中存在较大的安全隐患，结合不断发展的计算机技术，桥梁表面检测多采用数据统一采集进行处理，保障了桥梁检测的高效率需求。
目前，由于不同桥梁结构的装配表面材料存在区别，使得统一数据采集时进行异常识别容易造成偏差，所采集到的数据背景纹理差异影响异常识别准确率的问题。
发明内容
本申请实施例提供了一种基于智能数据处理的桥梁表观异常识别方法及系统，用于针对解决由于不同桥梁结构的装配表面材料存在区别，使得统一数据采集时进行异常识别容易造成偏差，所采集到的数据背景纹理差异影响异常识别准确率的问题。
鉴于上述问题，本申请实施例提供了一种基于智能数据处理的桥梁表观异常识别方法及系统。
第一方面，本申请实施例提供了一种基于智能数据处理的桥梁表观异常识别方法，述方法应用于桥梁表观异常识别系统，所述系统与无人机数据采集装置通信连接，所述方法包括：控制所述无人机数据采集装置对桥梁体表面进行采集，得到桥梁表面图像数据集；对所述桥梁表面图像数据集中的每一帧图像进行离散余弦变换，得到离散余弦变换系数；根据所述离散余弦变换系数进行图像背景纹理特征值计算，输出图像背景特征值集合；根据所述图像背景特征值集合进行数据分类，得到分类图像数据集，其中，所述分类图像数据集中的每一类图像对应一个背景特征；将所述图像背景特征值集合作为训练数据集进行神经网络训练，生成自编码器；将所述分类图像数据集输入所述自编码器中，根据所述自编码器进行分析，得到还原误差指标；以所述还原误差指标进行异常识别，输出异常图像数据集。
第二方面，本申请实施例提供了一种基于智能数据处理的桥梁表观异常识别系统，所述系统包括：表面数据采集模块，所述表面数据采集模块用于控制所述无人机数据采集装置对桥梁体表面进行采集，得到桥梁表面图像数据集；离散余弦变换模块，所述离散余弦变换模块用于对所述桥梁表面图像数据集中的每一帧图像进行离散余弦变换，得到离散余弦变换系数；纹理特征计算模块，所述纹理特征计算模块用于根据所述离散余弦变换系数进行图像背景纹理特征值计算，输出图像背景特征值集合；数据分类模块，所述数据分类模块用于根据所述图像背景特征值集合进行数据分类，得到分类图像数据集，其中，所述分类图像数据集中的每一类图像对应一个背景特征；自编码器训练模块，所述自编码器训练模块用于将所述图像背景特征值集合作为训练数据集进行神经网络训练，生成自编码器；自编码器分析模块，所述自编码器分析模块用于将所述分类图像数据集输入所述自编码器中，根据所述自编码器进行分析，得到还原误差指标；异常识别输出模块，所述异常识别输出采集模块用于以所述还原误差指标进行异常识别，输出异常图像数据集。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的一种基于智能数据处理的桥梁表观异常识别方法，涉及桥梁异常识别技术领域，通过控制无人机数据采集装置来收集桥梁表观病害图像，从而对收集到的图像进行背景纹理分析，采取离散余弦变换，得到离散余弦变换系数，进而计算输出图像背景特征值集合，再根据计算出的图像背景特征值集合进行数据分类，得到分类图像数据集，并将保留各个类别的背景特征作为原始训练数据集，进行神经网络训练以生成自编码器，进而将分类后的各个图像数据集输入自编码器中进行分析，得到还原误差指标，再以所述还原误差指标进行异常识别，输出异常图像数据集，达到了基于人工智能的桥梁异常识别方法，可以实现背景特征计算、归类，按照不同背景特征对桥梁表观病害进行自动识别、定位、分割、特征提取等流程，相比于传统的检测方式，降低了由于背景特征的差异所造成的精度低的情况，提高了异常识别准确率的效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于智能数据处理的桥梁表观异常识别方法流程示意图；
图2为本申请实施例提供了一种基于智能数据处理的桥梁表观异常识别方法中特征离散度计算的流程示意图；
图3为本申请实施例提供了一种基于智能数据处理的桥梁表观异常识别方法中背景特征值优化计算的流程示意图；
图4为本申请实施例提供了一种基于智能数据处理的桥梁表观异常识别系统结构示意图。
附图标记说明：表面数据采集模块10，离散余弦变换模块20，纹理特征计算模块30，数据分类模块40，自编码器训练模块50，自编码器分析模块60，异常识别输出模块70。
具体实施方式
实施例一
如图1所示，本申请实施例提供了一种基于智能数据处理的桥梁表观异常识别方法，所述方法应用于桥梁表观异常识别系统，所述系统与无人机数据采集装置通信连接，所述方法包括：
步骤S100：控制所述无人机数据采集装置对桥梁体表面进行采集，得到桥梁表面图像数据集；
在各类自动化工具及图像处理技术发展水平较低的时期，桥梁表观病害识别检测工作主要由人工进行，桥梁巡检人员需定期对桥梁各部位进行病害检测和记录。由于桥梁表观病害的随机性和广泛性，人工进行桥梁病害的检测和记录需要消耗大量的人力，检测速度慢，且在实桥检测过程中存在较大的安全隐患。此外，由于在记录的过程中记录者主观的判断可能会影响测量结果的准确度，纯人工方法对于测量人员的经验和能力也有较高的要求。由于习惯和经验的差异，不同的测量人员测得的结果偏差较大，也可能会降低测量结果的可参考性。传统以人工检测为主体的桥梁病害检测模式，已逐渐不满足当今桥梁病害识别检测的低人工、低成本、高效率的要求，本申请拟提出一种基于智能数据处理的桥梁表观异常识别方法，用于辅助计算机进行异常识别，降低由于背景特征差异引起的识别误差。
具体而言，所述无人机数据采集装置具有控制灵活、采集智能的特点，对桥梁体表面进行数据采集，以此来完成桥梁表面病害数据的采集，无人机采集手段可以用同功能的图像采集装置实现，将无人机数据采集装置与本申请提出的桥梁表观异常识别系统的终端通信连接，从而能够实现数据的终端直接传输，得到桥梁表面图像数据集，所述桥梁表面数据集的即对各个桥梁结构构件(桥墩、桥塔、主梁、主缆、索、桥面板及附属结构)出现的多种局部损伤病害(混凝土裂缝、剥落、峰窝、麻面，钢筋暴露、屈曲、腐蚀，焊缝疲劳开裂、防腐涂层脱落、钢板腐蚀，拉索护套开裂，人行道栏杆及护栏等附属结构的腐蚀等)的图像进行采集，表面图像数据集包括但不限于视频集合和图像集合，丰富图像数据集类型，提高分析准确性。
步骤S200：对所述桥梁表面图像数据集中的每一帧图像进行离散余弦变换，得到离散余弦变换系数；
离散余弦变换(Discrete Cosine Transform，DCT)是可分离的变换，其变换核为余弦函数。DCT除了具有一般的正交变换性质外，它的变换阵的基向量能很好地描述图像信号的相关特征。变换后DCT系数能量主要集中在左上角，其余大部分系数接近于零，DCT具有适用于图像压缩的特性，针对桥梁识别的大量表面图像数据集，使用离散余弦变换能够对图像进行压缩处理，提高数据的识别效率。另外的，将变换后的DCT系数进行门限操作，将小于一定值得系数归零，这就是图像压缩中的量化过程，然后进行逆DCT运算，可以得到压缩后的图像，以此对所述桥梁表面图像数据集中的每一帧图像进行离散余弦变换，得到离散余弦变换系数。
步骤S300：根据所述离散余弦变换系数进行图像背景纹理特征值计算，输出图像背景特征值集合；
进一步而言，如图2所示，本申请S300还包括：
步骤S310：根据所述离散余弦变换系数，提取背景直流系数和背景交流系数；
步骤S320：以所述背景直流系数和所述背景交流系数进行特征值计算，获取所述图像背景特征值集合；
步骤S330：对所述图像背景特征值集合中的各个特征值进行离散度计算，获取特征离散度；
步骤S340：判断所述特征离散度是否小于预设特征离散度；
步骤S350：若所述特征离散度小于所述预设特征离散度，获取二次提取指令。
具体而言，在进行图像背景的特征值计算时，以图像数据作为频域处理的手段，其中，直流系数(Direct current)的编码使用差分脉冲调制编码(DPCM)技术，对相邻图像块之间量化DC系数的差值(Delta)进行编码。交流系数(Alternating Current)的编码量化AC系数的特点是1×64矢量中包含有许多“0”系数，并且许多“0”是连续的，因此可以使用非常简单和直观的游程长度编码(RLE)对它们进行编码，以使得背景直流系数和所述背景交流系数能够标识桥梁表面图像集合中各个图像的背景特征，再进行特征值计算，获取所述图像背景特征值集合。
由于集合中的每一个特征值均对应一帧图像，为了保证所得图像背景特征值的有效性，对进行背景特征值计算的桥梁表面图像数据进行过滤或筛选，获取所有表面图像数据中包含病害区域的图像，进而对包含病害区域的图像进行特征值计算输出图像背景特征值集合。
其中，根据所述背景直流系数和所述背景交流系数进行特征值计算的公式如下：
其中，Tn为所述图像背景特征值集合，ACn(x,y)是指所述背景直流系数，DCn(x,y)是指所述背景交流系数，n是指图像集合数量，ε1是指所述背景直流系数对背景特征值的影响因子，ε2是指所述背景交流系数对背景特征值的影响因子，ε1+ε2＝1，由于背景直流系数和背景交流系数均用于标识桥梁表面图像数据的背景特征，根据各个背景特征系数进行背景影响度的计算，按照影响程度分配权重，提高所述图像背景特征值集合中各个特征值计算的准确率。
当输出图像背景特征集合之后，将对所述图像背景特征值集合中的各个特征值进行离散度计算，获取特征离散度，其中，所述特征离散度用于标识所述图像背景特征集合中各个特征之间的相互离散性，换句话说，用于标识特征值之间的差值大小，所述预设特征离散度为提前预设的图像背景特征集合的离散分布状态，当所述特征离散度小于所述预设特征离散度，获取二次提取指令，根据二次提取指令进行背景特征的进一步分析，其过程如下：
进一步而言，如图3所示，本申请S320还包括：
步骤S321：若所述特征离散度小于所述预设特征离散度，对所述桥梁表面图像数据集进行灰度处理，获取背景灰度特征；
步骤S322：根据所述二次提取指令基于所述背景灰度特征，获取背景灰度系数；
步骤S323：根据所述背景灰度系数、所述背景直流系数和背景交流系数进行特征值计算，输出优化图像背景特征值集合。
具体而言，当所述特征离散度小于所述预设特征离散度，获取二次提取指令，其中，二次提取指令用于进行背景特征的进一步细化，由于不同桥梁结构对应的背景有所差异，进行异常灾害识别时容易受到背景条件的影响，从而产生异常识别范围大小，边缘识别等的偏差，因此，为进一步完善背景特征值的计算，需要根据二次提取指令进行特征丰富，过程如：对所述桥梁表面图像数据集进行灰度处理，根据表面包括病害区域所产生的灰度值不同的特点，进行灰度图像转换，从而获取与所述特征离散度一一对应的背景灰度特征，其中，每一个表面图像均对应一灰度特征，背景灰度特征的识别即病害对应的灰度值和背景对应的灰度值，各个图像在背景灰度值之间的大小和强度、噪点分布以及其灰度占比的计算和输出来获取背景灰度系数，从而根据所述背景灰度系数、所述背景直流系数和背景交流系数进行特征值计算，输出优化图像背景特征值集合
其中，根据所述背景灰度系数、所述背景直流系数和背景交流系数进行特征值计算的公式如下：
其中，Tn为所述优化图像背景特征值集合，ACn(x,y)是指所述背景直流系数，DCn(x,y)是指所述背景交流系数，GCn(x,y)是指所述背景灰度系数,n是指图像集合数量，ε1是指所述背景直流系数对背景特征值的影响因子，ε2是指所述背景交流系数对背景特征值的影响因子,ε3是指所述背景灰度系数对背景特征值的影响因子，ε1+ε2+ε3＝1，类似的，背景直流系数、背景交流系数和背景灰度系数的比重权重也可以采用赋值法，层次计算法或者信息熵计算来进行影响大小的计算，使得输出的优化图像背景特征值集合更加准确，能够准确标识背景特征。
步骤S400：根据所述图像背景特征值集合进行数据分类，得到分类图像数据集，其中，所述分类图像数据集中的每一类图像对应一个背景特征；
具体而言，根据所述图像背景特征值集合进行数据分类，得到分类图像数据集，分类过程有：由于所述图像背景特征值集合与各个包含病害区域的图像相对应，按照图像背景特征值的大小进行聚类，获取多个聚类结果，其中，所述多个聚类结果中的一个聚类结果对应所述分类图像数据集中的一类数据集，换句话说，所述分类图像数据集中的每一类图像对应一个背景特征，从而实现了同一属类背景特征的图像分类，进而为病害区域识别提供有效划分手段，避免产生病害边缘识别的误差。
步骤S500：将所述图像背景特征值集合作为训练数据集进行神经网络训练，生成自编码器；
步骤S600：将所述分类图像数据集输入所述自编码器中，根据所述自编码器进行分析，得到还原误差指标；
进一步而言，本申请S600还包括：
步骤S610：将所述分类图像数据集输入所述自编码器中，其中，所述自编码器包括图像清洗层、图像编码层、图像解码层和误差输出层；
步骤S620：根据所述图像清洗层对所述分类图像数据集进行清洗，获取清洗图像数据；
步骤S630：将所述清洗图像数据输入所述图像编码层，获取图像编码结果；
步骤S640：将所述图像编码结果输入所述图像解码层，得到图像解码结果；
步骤S650：根据所述误差输出层对所述图像解码结果进行还原误差分析，输出所述还原误差指标。
具体而言，将所述图像背景特征值集合作为训练数据集进行神经网络训练，其中，由于所述图像背景特征值标识了图像背景特征的特征数据，根据正常数据训练出来的自编码器AutoEncoder，能够将正常样本重建还原，但是却无法将异于正常分布的数据点较好地还原，导致还原误差较大，因此如果一个新样本被编码，解码之后，它的误差超出正常数据编码和解码后的误差范围，则视作为异常数据，对应的，以所述图像背景特征值作为正常数据进行自编码器的神经网络训练，能够将正常样本重建还原，从而在将所述分类图像数据集输入自编码器中，能够对各个图像数据集编码、解码进而分析其误差大小，当误差较大时，输出异常识别数据。
进一步的，所述自编码器包括图像清洗层、图像编码层、图像解码层和误差输出层，且图像清洗层、图像编码层、图像解码层和误差输出层之间层与层连接，形成网络处理流程，能够对所述分类图像数据集进行还原误差分析，根据还原误差进行异常图像数据的输出，其过程如下：
根据所述图像清洗层对所述分类图像数据集进行清洗用于剔除模糊图像，精度不足的图像，获取清洗图像数据，再将所述清洗图像数据输入所述图像编码层进行图像分布特征的编码，获取图像编码结果，进一步将所述图像编码结果输入所述图像解码层，得到图像解码结果，其中，所述图像解码结果为图像还原的结果，再与之前已编码的数据进行比对，输出还原误差比对结果。
步骤S700：以所述还原误差指标进行异常识别，输出异常图像数据集。
进一步而言，本申请步骤S700还包括：
步骤S710：判断所述还原误差指标是否满足预设还原误差指标，若所述还原误差指标不满足所述预设还原误差指标，获取标识指令；
步骤S720：根据所述标识指令对所述分类图像数据集进行标识，输出标识图像数据集；
步骤S730：按照所述标识图像数据集进行对应属类的异常识别，输出所述异常图像数据集。
具体而言，判断所述还原误差指标是否满足预设还原误差指标，若所述还原误差指标不满足所述预设还原误差指标获取标识指令，按照所述标识指令对所述分类图像数据集进行标识，输出标识图像数据集，从而根据不同背景特征的属类将桥梁表观病害分割数据集按7：1：2的比例划分为训练集、验证集、测试集，在训练集上进行迭代训练，病害提取区域划分、病害区域预处理、病害特征提取。当病害区域提取结果中存在多种类型病害时，对不同病害区域进行划分；通过离散噪点剔除、骨架毛刺剔除、裂缝体分解等手段完成病害提取区域的处理；使用像素统计法计算病害面积特征，区域划分法计算长度特征，八方向搜索法、正交骨架法计算宽度特征，达到了按照不同背景特征对桥梁表观病害进行自动识别、定位、分割、特征提取等流程，相比于传统的检测方式，降低了由于背景特征的差异所造成的精度低的情况，提高了异常识别准确率。
通过上述实施例，本申请具有以下技术效果：
由于采用了对所述图像背景特征值集合中的各个特征值进行离散度计算，获取特征离散度，其中，所述特征离散度用于标识所述图像背景特征集合中各个特征之间的相互离散性，用于标识特征值之间的差值大小，所述预设特征离散度为提前预设的图像背景特征集合的离散分布状态，当所述特征离散度小于所述预设特征离散度，获取二次提取指令，根据二次提取指令进行背景特征的进一步分析，提高背景特征识别准确率。
由于采用了对所述桥梁表面图像数据集进行灰度处理，根据表面包括病害区域所产生的灰度值不同的特点，进行灰度图像转换，从而获取与所述特征离散度一一对应的背景灰度特征，按照背景灰度系数进行进一步的计算，提高背景特征识别准确率。
实施例二
基于与前述实施例中一种基于智能数据处理的桥梁表观异常识别方法相同的发明构思，如图4所示，本申请提供了一种基于智能数据处理的桥梁表观异常识别系统，系统包括：
表面数据采集模块10，所述表面数据采集模块10用于控制所述无人机数据采集装置对桥梁体表面进行采集，得到桥梁表面图像数据集；
离散余弦变换模块20，所述离散余弦变换模块20用于对所述桥梁表面图像数据集中的每一帧图像进行离散余弦变换，得到离散余弦变换系数；
纹理特征计算模块30，所述纹理特征计算模块30用于根据所述离散余弦变换系数进行图像背景纹理特征值计算，输出图像背景特征值集合；
数据分类模块40，所述数据分类模块40用于根据所述图像背景特征值集合进行数据分类，得到分类图像数据集，其中，所述分类图像数据集中的每一类图像对应一个背景特征；
自编码器训练模块50，所述自编码器训练模块50用于将所述图像背景特征值集合作为训练数据集进行神经网络训练，生成自编码器；
自编码器分析模块60，所述自编码器分析模块60用于将所述分类图像数据集输入所述自编码器中，根据所述自编码器进行分析，得到还原误差指标；
异常识别输出模块70，所述异常识别输出采集模块70用于以所述还原误差指标进行异常识别，输出异常图像数据集。
进一步而言，系统还包括：
特征离散度计算模块，用于对所述图像背景特征值集合中的各个特征值进行离散度计算，获取特征离散度；
特征离散度判断模块，用于判断所述特征离散度是否小于预设特征离散度；
提取指令激活模块，用于若所述特征离散度大于所述预设特征离散度，获取提取指令；
系数提取输出模块，用于根据所述离散余弦变换系数，提取背景直流系数和背景交流系数；
特征值计算模块，用于根据所述背景直流系数和所述背景交流系数进行特征值计算，获取所述图像背景特征值集合。
进一步而言，系统还包括：
表面图像灰度处理模块，用于若所述特征离散度小于所述预设特征离散度，对所述桥梁表面图像数据集进行灰度处理，获取背景灰度特征；
背景灰度系数转化模块，用于根据所述二次提取指令基于所述背景灰度特征，获取背景灰度系数；
特征值优化计算模块，用于根据所述背景灰度系数、所述背景直流系数和背景交流系数进行特征值计算，输出优化图像背景特征值集合。
进一步而言，系统还包括：
自编码器分析模块，用于将所述分类图像数据集输入所述自编码器中，其中，所述自编码器包括图像清洗层、图像编码层、图像解码层和误差输出层；
数据集清洗模块，用于根据所述图像清洗层对所述分类图像数据集进行清洗，获取清洗图像数据；
图像编码模块，用于将所述清洗图像数据输入所述图像编码层，获取图像编码结果；
图像解码模块，用于将所述图像编码结果输入所述图像解码层，得到图像解码结果；
还原误差分析模块，用于根据所述误差输出层对所述图像解码结果进行还原误差分析，输出所述还原误差指标。
进一步而言，系统还包括：
还原误差指标判断模块，用于判断所述还原误差指标是否满足预设还原误差指标，若所述还原误差指标不满足所述预设还原误差指标，获取标识指令；
分类图像标识模块，用于根据所述标识指令对所述分类图像数据集进行标识，输出标识图像数据集；
属类异常识别模块，用于按照所述标识图像数据集进行对应属类的异常识别，输出所述异常图像数据集。
本说明书通过前述对一种基于智能数据处理的桥梁表观异常识别方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于智能数据处理的桥梁表观异常识别方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于智能数据处理的桥梁表观异常识别方法，其特征在于，所述方法应用于桥梁表观异常识别系统，所述系统与无人机数据采集装置通信连接，所述方法包括：
控制所述无人机数据采集装置对桥梁体表面进行采集，得到桥梁表面图像数据集；
对所述桥梁表面图像数据集中的每一帧图像进行离散余弦变换，得到离散余弦变换系数；
根据所述离散余弦变换系数进行图像背景纹理特征值计算，输出图像背景特征值集合；
根据所述图像背景特征值集合进行数据分类，得到分类图像数据集，其中，所述分类图像数据集中的每一类图像对应一个背景特征；
将所述图像背景特征值集合作为训练数据集进行神经网络训练，生成自编码器；
将所述分类图像数据集输入所述自编码器中，根据所述自编码器进行分析，得到还原误差指标；
以所述还原误差指标进行异常识别，输出异常图像数据集。
2.如权利要求1所述的方法，其特征在于，根据所述离散余弦变换系数进行图像背景纹理特征值计算，输出图像背景特征值之后，方法还包括：
根据所述离散余弦变换系数，提取背景直流系数和背景交流系数；
以所述背景直流系数和所述背景交流系数进行特征值计算，获取所述图像背景特征值集合；
对所述图像背景特征值集合中的各个特征值进行离散度计算，获取特征离散度；
判断所述特征离散度是否小于预设特征离散度；
若所述特征离散度小于所述预设特征离散度，获取二次提取指令。
3.如权利要求2所述的方法，其特征在于，根据所述背景直流系数和所述背景交流系数进行特征值计算的公式如下：
其中，Tn为所述图像背景特征值集合，ACn(x,y)是指所述背景直流系数，DCn(x,y)是指所述背景交流系数，n是指图像集合数量，ε1是指所述背景直流系数对背景特征值的影响因子，ε2是指所述背景交流系数对背景特征值的影响因子，ε1+ε2＝1。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
若所述特征离散度小于所述预设特征离散度，对所述桥梁表面图像数据集进行灰度处理，获取背景灰度特征；
根据所述二次提取指令基于所述背景灰度特征，获取背景灰度系数；
根据所述背景灰度系数、所述背景直流系数和背景交流系数进行特征值计算，输出优化图像背景特征值集合。
5.如权利要求1所述的方法，其特征在于，根据所述背景灰度系数、所述背景直流系数和背景交流系数进行特征值计算的公式如下：
其中，Tn为所述优化图像背景特征值集合，ACn(x,y)是指所述背景直流系数，DCn(x,y)是指所述背景交流系数，GCn(x,y)是指所述背景灰度系数,n是指图像集合数量，ε1是指所述背景直流系数对背景特征值的影响因子，ε2是指所述背景交流系数对背景特征值的影响因子,ε3是指所述背景灰度系数对背景特征值的影响因子，ε1+ε2+ε3＝1。
6.如权利要求1所述的方法，其特征在于，将所述分类图像数据集输入所述自编码器中，根据所述自编码器进行分析，得到还原误差指标，方法还包括：
将所述分类图像数据集输入所述自编码器中，其中，所述自编码器包括图像清洗层、图像编码层、图像解码层和误差输出层；
根据所述图像清洗层对所述分类图像数据集进行清洗，获取清洗图像数据；
将所述清洗图像数据输入所述图像编码层，获取图像编码结果；
将所述图像编码结果输入所述图像解码层，得到图像解码结果；
根据所述误差输出层对所述图像解码结果进行还原误差分析，输出所述还原误差指标。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
判断所述还原误差指标是否满足预设还原误差指标，若所述还原误差指标不满足所述预设还原误差指标，获取标识指令；
根据所述标识指令对所述分类图像数据集进行标识，输出标识图像数据集；
按照所述标识图像数据集进行对应属类的异常识别，输出所述异常图像数据集。
8.一种基于智能数据处理的桥梁表观异常识别系统，其特征在于，所述系统与无人机数据采集装置通信连接，所述系统包括：
表面数据采集模块，所述表面数据采集模块用于控制所述无人机数据采集装置对桥梁体表面进行采集，得到桥梁表面图像数据集；
离散余弦变换模块，所述离散余弦变换模块用于对所述桥梁表面图像数据集中的每一帧图像进行离散余弦变换，得到离散余弦变换系数；
纹理特征计算模块，所述纹理特征计算模块用于根据所述离散余弦变换系数进行图像背景纹理特征值计算，输出图像背景特征值集合；
数据分类模块，所述数据分类模块用于根据所述图像背景特征值集合进行数据分类，得到分类图像数据集，其中，所述分类图像数据集中的每一类图像对应一个背景特征；
自编码器训练模块，所述自编码器训练模块用于将所述图像背景特征值集合作为训练数据集进行神经网络训练，生成自编码器；
自编码器分析模块，所述自编码器分析模块用于将所述分类图像数据集输入所述自编码器中，根据所述自编码器进行分析，得到还原误差指标；
异常识别输出模块，所述异常识别输出采集模块用于以所述还原误差指标进行异常识别，输出异常图像数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211643646.2A CN115937595A (zh) | 2022-12-20 | 2022-12-20 | 一种基于智能数据处理的桥梁表观异常识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211643646.2A CN115937595A (zh) | 2022-12-20 | 2022-12-20 | 一种基于智能数据处理的桥梁表观异常识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115937595A true CN115937595A (zh) | 2023-04-07 |
Family
ID=86697751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211643646.2A Pending CN115937595A (zh) | 2022-12-20 | 2022-12-20 | 一种基于智能数据处理的桥梁表观异常识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115937595A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116306171A (zh) * | 2023-05-11 | 2023-06-23 | 合肥工业大学 | 无粘结预应力钢筋混凝土桥墩能力离散度评估方法 |
| CN116363538A (zh) * | 2023-06-01 | 2023-06-30 | 贵州交投高新科技有限公司 | 一种基于无人机的桥梁检测方法及系统 |
| CN117218149A (zh) * | 2023-11-08 | 2023-12-12 | 南通度陌信息科技有限公司 | 一种基于自编码神经网络的图像重建方法及系统 |
| CN119091337A (zh) * | 2024-11-11 | 2024-12-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于无人机的桥梁栏杆破损检测与修复时机确定方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650770A (zh) * | 2016-09-29 | 2017-05-10 | 南京大学 | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 |
| CN107945161A (zh) * | 2017-11-21 | 2018-04-20 | 重庆交通大学 | 基于纹理特征提取的道路表面缺陷检测方法 |
| WO2020199538A1 (zh) * | 2019-04-04 | 2020-10-08 | 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 |
| US20220292880A1 (en) * | 2019-09-06 | 2022-09-15 | Semiconductor Energy Laboratory Co., Ltd. | Information processor |
| CN115240031A (zh) * | 2022-07-21 | 2022-10-25 | 无锡锤头鲨智能科技有限公司 | 一种基于生成对抗网络的板材表面缺陷生成方法及系统 |
-
2022
- 2022-12-20 CN CN202211643646.2A patent/CN115937595A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650770A (zh) * | 2016-09-29 | 2017-05-10 | 南京大学 | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 |
| CN107945161A (zh) * | 2017-11-21 | 2018-04-20 | 重庆交通大学 | 基于纹理特征提取的道路表面缺陷检测方法 |
| WO2020199538A1 (zh) * | 2019-04-04 | 2020-10-08 | 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 |
| US20220292880A1 (en) * | 2019-09-06 | 2022-09-15 | Semiconductor Energy Laboratory Co., Ltd. | Information processor |
| CN115240031A (zh) * | 2022-07-21 | 2022-10-25 | 无锡锤头鲨智能科技有限公司 | 一种基于生成对抗网络的板材表面缺陷生成方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| GAOKAI LIU: ""A One-Stage Approach for Surface Anomaly Detection with Background Suppression Strategies"", 《SENSORS》, pages 1 - 13 * |
| 程海根: ""基于堆叠去噪自编码器的桥梁损伤定位方法研究"", 《华东交通大学学报》, pages 1 - 7 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116306171A (zh) * | 2023-05-11 | 2023-06-23 | 合肥工业大学 | 无粘结预应力钢筋混凝土桥墩能力离散度评估方法 |
| CN116306171B (zh) * | 2023-05-11 | 2023-08-29 | 合肥工业大学 | 无粘结预应力钢筋混凝土桥墩能力离散度评估方法 |
| CN116363538A (zh) * | 2023-06-01 | 2023-06-30 | 贵州交投高新科技有限公司 | 一种基于无人机的桥梁检测方法及系统 |
| CN116363538B (zh) * | 2023-06-01 | 2023-08-01 | 贵州交投高新科技有限公司 | 一种基于无人机的桥梁检测方法及系统 |
| CN117218149A (zh) * | 2023-11-08 | 2023-12-12 | 南通度陌信息科技有限公司 | 一种基于自编码神经网络的图像重建方法及系统 |
| CN117218149B (zh) * | 2023-11-08 | 2024-02-20 | 南通度陌信息科技有限公司 | 一种基于自编码神经网络的图像重建方法及系统 |
| CN119091337A (zh) * | 2024-11-11 | 2024-12-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于无人机的桥梁栏杆破损检测与修复时机确定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115937595A (zh) | 一种基于智能数据处理的桥梁表观异常识别方法及系统 | |
| CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
| Ma et al. | Reduced-reference image quality assessment in reorganized DCT domain | |
| CN107273585B (zh) | 一种有载分接开关故障检测方法及装置 | |
| CN112381790A (zh) | 一种基于深度自编码的异常图像检测方法 | |
| CN103310113B (zh) | 一种基于频带分离和数据建模的通用血糖预测方法 | |
| CN112669305A (zh) | 一种金属表面抗锈性能测试台及抗锈性能测评方法 | |
| Liu et al. | Reduced reference image quality assessment using regularity of phase congruency | |
| CN116091719B (zh) | 一种基于物联网的河道数据管理方法及系统 | |
| CN118379283B (zh) | 扁线电机定子表面缺陷检测方法、装置、设备及存储介质 | |
| Chen et al. | Effects of fixed-count size on macroinvertebrate richness, site separation, and bioassessment of Chinese monsoonal streams | |
| CN103596006A (zh) | 基于视觉冗余度量的图像压缩方法 | |
| CN109543769A (zh) | 一种基于函数型主成分分析和小波变换的变压器运行数据缺失点修补方法 | |
| Yang et al. | Unsupervised blind image quality assessment via joint spatial and transform features | |
| CN114782332A (zh) | 一种基于几何与色彩联合感知的彩色点云质量评价方法 | |
| CN117875549B (zh) | 一种基于图像识别的建筑遗产保护评估系统和方法 | |
| CN117078670B (zh) | 一种云相框的生产控制系统 | |
| CN112884205A (zh) | 一种机电设备故障预测方法 | |
| Mittal et al. | Blind image quality assessment without training on human opinion scores | |
| CN118500981A (zh) | 涂料生产过程智能质检监控系统及方法 | |
| CN117763687A (zh) | 一种基于bim模型的建筑损伤预测系统及方法 | |
| CN114708623B (zh) | 一种基于图像处理的金属腐蚀等级评价方法 | |
| Lu et al. | A wavelet-based image quality assessment method | |
| CN111259926A (zh) | 肉品新鲜度检测方法、装置、计算设备和存储介质 | |
| CN111354048B (zh) | 一种面向相机获取图片的质量评价方法和装置 |
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: 20230407 |
|
| RJ01 | Rejection of invention patent application after publication |