[發(fā)明專利]一種基于機器視覺的橋梁表觀病害快速檢測方法

有效

• 申請?zhí)枺?/td>: 202110408350.1
• 申請日: 2021-04-15
• 公開（公告）號: CN113326846B
• 公開（公告）日: 2022-07-05
• 發(fā)明（設計）人: 周朗明;萬智;劉敏;彭雨諾;胡帥花;陳曉輝
• 申請（專利權(quán)）人: 湖南橋康智能科技有限公司
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/80;G06V10/82;G06K9/62;G06T7/00;G06N3/04
• 代理公司: 長沙麓創(chuàng)時代專利代理事務所(普通合伙) 43249
• 代理人: 賈慶

1.一種基于機器視覺的橋梁表觀病害快速檢測方法，其特征在于，包括如下步驟：

步驟1：獲取橋梁圖像：

首先利用橋梁機器人采集橋梁底部的原始圖像，然后基于Mask勻光算法，采用高斯低通濾波器獲取原始圖像的背景圖像，并通過自適應閾值算法對背景圖像進行明暗區(qū)域分割，進而分別對明暗區(qū)域進行反差一致性處理，最終通過原始影像與背景影像的相減運算和反差拉伸運算得到光照均勻、反差一致的橋梁圖像f；

步驟2：使用滑動窗口算法將橋梁圖像f按照大步長進行分塊得到大子圖像f₁，然后將橋梁圖像f按照小步長進行分塊得到小子圖像f₂；大子圖像f₁的尺寸大于小子圖像f₂的尺寸；

步驟3：將大子圖像f₁輸入塊狀病害檢測網(wǎng)絡進行塊狀病害的檢測，得到塊狀病害區(qū)域；在塊狀病害檢測網(wǎng)絡內(nèi)，利用混合空洞金字塔模塊提取塊狀病害的稀疏多尺度特征圖，以提升網(wǎng)絡的感受野，增強網(wǎng)絡對不同形態(tài)病害特征的學習；所述塊狀病害包括橋梁蜂窩、露筋和空洞病害；

步驟4：將小子圖像f₂輸入裂縫病害檢測網(wǎng)絡進行橋梁裂縫病害的檢測，得到裂縫病害區(qū)域；在裂縫病害檢測網(wǎng)絡內(nèi)，利用下采樣注意力模塊加強裂縫細節(jié)信息在下采樣階段的前景響應，以更好的傳遞裂縫梯度信息，保留裂縫有效特征；

步驟5：利用語義分割網(wǎng)絡對塊狀病害區(qū)域和裂縫病害區(qū)域進行精細檢測，得到分割后的圖像；將分割后的圖像轉(zhuǎn)化為多值化圖像；

步驟6：將多值化圖像還原到高分辨率圖像中，實現(xiàn)對橋梁多種病害的精準檢測與定位。

2.根據(jù)權(quán)利要求1所述的基于機器視覺的橋梁表觀病害快速檢測方法，其特征在于：所述步驟2中，通過滑動窗口算法對橋梁圖像f進行滑窗分塊，滑窗分塊時的步長大小通過如下方法確定：對不同橋梁表觀病害的大小統(tǒng)計，分別得到各類橋梁表觀病害檢測的合適分辨率，通過各類橋梁表觀病害檢測的合適分辨率確定檢測不同橋梁表觀病害時所需的步長大小。

3.根據(jù)權(quán)利要求1所述的基于機器視覺的橋梁表觀病害快速檢測方法，其特征在于：所述步驟3中，所述塊狀病害檢測網(wǎng)絡包括特征提取網(wǎng)絡，混合空洞金字塔模塊和特征融合網(wǎng)絡；進行塊狀病害的檢測時，首先將圖像f₁輸入到特征提取網(wǎng)絡，得到塊狀病害特征圖；然后將塊狀病害特征圖輸入到混合空洞金字塔模塊得到多尺度信息增強的塊狀病害特征圖，再輸入特征融合網(wǎng)絡得到塊狀病害區(qū)域；

所述的混合空洞金字塔模塊通過四條感受野不同的通道進行塊狀病害特征的并行采樣，塊狀病害特征圖輸入混合空洞金字塔模塊后，首先通過1×1卷積，降低每條通道的特征通道數(shù)量，減少模塊的參數(shù)量，同時在1×1卷積后引入非線性激活函數(shù)；然后在第一條通道中，通過膨脹率為2的3×3空洞卷積，提取得到第一塊狀病害特征；在第二條通道中，通過膨脹率為2、3的兩個3×3空洞卷積串聯(lián)，提取得到第二塊狀病害特征；在第三條通道中，通過膨脹率為2、3、5的三個3×3空洞卷積串聯(lián)，提取得到第三塊狀病害特征；在第四條通道中，通過膨脹率為2、3、5、7的四個3×3空洞卷積串聯(lián)，提取得到第四塊狀病害特征；將第一、二、三、四塊狀病害特征輸入特征融合網(wǎng)絡得到塊狀病害區(qū)域。

4.根據(jù)權(quán)利要求1所述的基于機器視覺的橋梁表觀病害快速檢測方法，其特征在于：所述步驟4中，所述裂縫病害檢測網(wǎng)絡包括輕量化特征提取網(wǎng)絡，下采樣注意力模塊和輕量化特征融合網(wǎng)絡；進行裂縫病害的檢測時，首先將圖像f₂輸入到輕量化特征提取網(wǎng)絡，得到裂縫病害特征圖；在下采樣階段利用下采樣注意力模塊減少裂縫空間信息的損失；再輸入輕量化特征融合網(wǎng)絡得到裂縫病害區(qū)域；

所述輕量化特征提取網(wǎng)絡和輕量化特征融合網(wǎng)絡通過網(wǎng)絡縮放技術(shù),將網(wǎng)絡特征層數(shù)和特征通道數(shù)縮減至原有深度卷積神經(jīng)網(wǎng)絡的三分之二，并利用CSPResNet模塊代替殘差模塊得到；而所述下采樣注意力模塊在標準下采樣層上增加了一條注意力通道，其構(gòu)建方法如下：注意力通道先使用2×2最大池化對裂縫病害特征圖進行下采樣，之后通過兩個連續(xù)的1×1卷積和分組卷積進行特征間通道相關(guān)性和空間相關(guān)性的解耦得到注意力通道的下采樣結(jié)果；標準下采樣模塊得到標準下采樣結(jié)果；將注意力通道的下采樣結(jié)果與標準下采樣結(jié)果相加得到優(yōu)化后的下采樣結(jié)果。

5.根據(jù)權(quán)利要求1所述的基于機器視覺的橋梁表觀病害快速檢測方法，其特征在于：所述步驟5中，語義分割網(wǎng)絡用于對步驟3中得到的塊狀病害區(qū)域和步驟4中得到的裂縫病害區(qū)域進行精細檢測，語義分割網(wǎng)絡的構(gòu)建方法如下：

語義分割網(wǎng)絡由13個空洞卷積層，3個下采樣層，3個上采樣層和2個標準卷積層組成；其中，在每個下采樣步驟中，特征通道的數(shù)量增加一倍；在下采樣路徑的每個下采樣層中，利用2×2的最大池化實現(xiàn)特征的下采樣，在上采樣通道內(nèi)執(zhí)行非線性上采樣，生成稀疏特征圖；最后一個空洞卷積層的輸出分別輸入到卷積核大小為3×3和1×1的2個標準卷積層，將特征圖的通道數(shù)減少到1個通道；在最后的1×1卷積層之后添加softmax函數(shù)，以預測不同病害的分割結(jié)果，并輸出使Dice損失函數(shù)最小的分割結(jié)果；最后，將分割結(jié)果表示為多值化圖像，其中，背景區(qū)域用灰度值0表示，裂縫區(qū)域用灰度值1表示，蜂窩區(qū)域用灰度值2表示，露筋區(qū)域用灰度值3表示，空洞區(qū)域用灰度值4表示。