[發明專利]橋梁外觀損傷病害智能識別方法

在審

• 申請號: 201911383418.4
• 申請日: 2019-12-28
• 公開（公告）號: CN111191714A
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 張鶴;宓登峰;朱俊濤
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 賈玉霞

本發明提供一種橋梁外觀損傷病害智能識別方法，包括以下步驟：S1：整理目標橋梁結構的表觀缺陷檢測項目；S2：自動化采集橋梁表觀狀態圖像信息，建立橋梁表觀狀態圖像信息數據庫；S3：使用橋梁表觀狀態圖像信息對VGG16模型進行訓練；S4：通過S3得到的二元分類模型對橋梁表觀狀態圖像信息進行二元識別，分別建立含表觀缺陷和不含表觀缺陷的圖像信息數據庫；S5：對于含有表觀缺陷的圖像信息，采用訓練好的Mask?RCNN模型實現缺陷的標定，并將實現缺陷標定的圖像信息導入S4中的含表觀缺陷的圖像信息數據庫，得到更新后的病害歷史數據庫；S6：采用更新后的病害歷史數據庫進行模型優化；S7：得到標注出該橋梁外觀損傷病害的圖像以及外觀損傷病害所屬的類別。

技術領域

本發明屬于橋梁結構病害檢測技術領域，具體涉及一種橋梁外觀損傷病害智能識別方法。

背景技術

近年來我國橋梁建設飛速發展，到2016年底，全國橋梁數量已經增加到80.5萬座。一般來說，每座橋梁每年都要進行一次橋梁檢測。傳統的橋梁檢測，需要工作人員到現場拍攝橋梁病害的照片，成本高，主觀性強。

橋梁表觀缺陷的檢測技術，可以更快更經濟地識別橋梁的缺陷，并使識別結果更加標準化，減少測量的主觀性。因此，越來越多的土木工程領域的研究人員開始嘗試利用CNN進行外觀損傷病害識別，然而很多研究只能對某一種特定的病害進行識別，而且仍需對圖像進行較為復雜的預處理及后處理。由于Mask-RCNN神經網絡模型，相較以往的模型具有更快的識別速度，且誤差較小，故而在橋梁外觀損傷識別方面有良好的應用前景。

發明內容

針對以上現狀與存在的問題，本發明提出了一種橋梁外觀損傷病害智能識別方法，該方法將為橋梁結構的性能退化預測提供數據，并為橋梁智能監控管理提供技術支撐。

為了實現上述目的，本發明所采用的技術方案是：一種橋梁外觀損傷病害智能識別方法，包括以下步驟：

S1：根據現行規范，整理目標橋梁結構的表觀缺陷檢測項目；

S2：自動化采集橋梁表觀狀態圖像信息,給橋梁表觀狀態圖像信息打上有缺陷和無缺陷的標簽，建立橋梁表觀狀態圖像信息數據庫；

S3：將橋梁表觀狀態圖像信息分成訓練集、驗證集、測試集，使用訓練集對VGG16模型進行訓練，根據測試集計算VGG16模型的損失函數，并不斷訓練VGG16模型；再用驗證集驗證訓練完的模型的識別結果，直至達到設定的識別結果準確度后，則停止訓練，得到二元分類模型；

S4：通過S3得到的二元分類模型對橋梁表觀狀態圖像信息進行二元識別，從而實現橋梁表觀缺陷的人工智能判斷，分別建立含表觀缺陷和不含表觀缺陷的圖像信息數據庫；

S5：對于含有表觀缺陷的圖像信息，采用訓練好的Mask-RCNN神經網絡模型實現缺陷的定位和標注，并將實現缺陷定位和標注的圖像信息導入所述的S4中的含表觀缺陷的圖像信息數據庫，得到更新后的病害歷史數據庫；

S6：采用更新后的病害歷史數據庫重新訓練缺陷定位與標注Mask-RCNN神經網絡模型，得到優化后的Mask-RCNN神經網絡模型；

S7：采集新的橋梁表觀狀態圖像信息，將其放入所述的優化后的Mask-RCNN神經網絡模型中，即可得到標注出該橋梁外觀損傷病害的圖像以及外觀損傷病害所屬的類別。

進一步地，所述步驟S3具體包括：

S3.1：將橋梁表觀狀態圖像信息分成訓練集、驗證集、測試集；

S3.2：使用VGG16模型對訓練集進行訓練，VGG16模型的網絡結構如圖3所示，對輸入的圖像信息進行卷積池化，輸入到全連接層，輸出圖像信息的二元分類結果；

S3.3:利用S3.2中的驗證集，驗證訓練好的VGG16模型的識別結果，即二元分類模型。