基于深度学习的混凝土桥梁裂缝检测与分类

发布时间：2020-11-12 14:50

　　 中国是桥梁大国,四通八达的桥梁给人民的工作和生活带来便利的同时,也隐藏着很多看不见的危险,这些隐患一旦爆发,将给人民的生命财产安全带来不可估量的损失。首先,各个建设队伍的技术和管理水平参差不齐,施工材料和施工技术的质量无法保证,使得一些桥梁工程或多或少地存在一些病害。其次,桥梁的一些不合理使用,例如超重、超载、超速,加速了桥梁的病害的产生,或者加重了桥梁的病害程度。最后,早期建设的一些桥梁其荷载标准较低,在当今的交通状况下,还面临着严峻的考验。那么,对现役的桥梁进行检测、预测与评价是桥梁安全运营管理的重要挑战。要实现科学有效的桥梁维护,科学合理的桥梁结构缺陷检测方法和评估方法就显得十分必要。目前桥梁检测的方法主要有人工观测的方法、无损检测方法。人工检测方法通常需要维护人员利用专门的工具车辆定期的人工目测桥梁底部损伤,检测精度低、效率低、劳动强度大、主观性强。鉴于此,我们需要一种全自动的自适应的桥梁裂缝检测方法。针对以上情况,本文从以下两方面展开了工作。(1)、首先分析桥梁裂缝的特点,桥梁裂缝形态多种多样,噪声无处不在,光照不均匀,且所含裂缝的像素比例较小。然后,针对裂缝形态的多样性,提取不同尺度和方向的多种特征,这些特征相对来说肯定比较多,需要进行显著性特征提取,针对噪声和光照不均匀等问题,将图像变换到频率域,过滤掉部分噪声,针对所含裂缝的像素比例较小的问题,对图像提取兴趣区域,最后,使用简化的脉冲耦合神经网络(PCNN)进行裂缝检测,并用实验进行验证,经验证,本文提出的基于兴趣区域的桥梁裂缝检测方法具有较高的准确率(91.97%),较高的效率(处理时间5.82s/每幅图像),具有很强的现实意义。(2)、基于不同的桥梁病害导致不同的桥梁裂缝的猜想,本文结合自学习和稀疏编码,提出了一种基于迁移自学习的桥梁裂缝图像快速分类方法TSLBCC(Transfer Self-Learning Bridge Crack Classification),算法的测试复杂度为O(n)、训练复杂度为常数。首先,采用改进的主元素分析法和白化方法对高分辨率和高相关的桥梁裂缝图像进行降维,实现加速收敛;其次,提取训练集的尺度不变特征,然后用改进的稀疏编码进行表示,得到特征字典;最后,对测试数据集进行训练,得到用特征字典表示的特征,然后进行最大空间金字塔池化,池化后的数据输入到线性多分类支持向量机进行分类。它不但可以检测出桥梁图像中是否存在裂缝,而且能够进一步确定裂缝的类型,评价桥梁裂缝的结构特性和桥梁的承载能力。实验结果表明,与传统方法相比,算法具有更高的分类准确率和更低的计算复杂度。
【学位单位】：陕西师范大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP181;U446
【部分图文】：

（ａ）宝成铁路石亭江大桥垮塌?（ｂ）连霍高速义昌大桥垮塌??图１－１．大桥垮塌事故现场照片??桥梁必须进行科学有效地维护，那么，一种科学合理的桥梁病害检查和评估??方法就十分必要了。目前桥梁检测的方法主要有人工观测的方法、无损检测方法［５］。??人工检测方法通常需要维护人员利用专门的工具车辆定期的人工目测桥梁底部损??伤，检测精度低、效率低、劳动强度大、主观性强，如图ｌ－２（ａ）所示。计算机视觉??检测方法是一种非接触的无损测量方式，己经成为了国内外现代桥梁缺陷检测的??主流方式和研宄热点［６］。由于无人机能够在危险与恶劣环境中执行侦察任务，具有??特殊的信息采集优势，因此可以代替检测人员实行桥梁底部缺陷的非接触实时视??觉测量和检测，如图ｌ－２（ｂ）所示。??（ａ）采用支架的人工检测方法?（ｂ）基于无人机的非接触检测方法??图１－２．桥梁检测照片??１．２国内外研究现状??１．２．１桥梁裂缝检测研究现状??近几年，为了高效、快速的检测出桥梁裂缝，国内外大量学者针对裂

觉测量和检测，如图ｌ－２（ｂ）所示。??（ａ）采用支架的人工检测方法?（ｂ）基于无人机的非接触检测方法??图１－２．桥梁检测照片??１．２国内外研究现状??１．２．１桥梁裂缝检测研究现状??近几年，为了高效、快速的检测出桥梁裂缝，国内外大量学者针对裂缝的智??２??

经而引起的刺激，该种形式的刺激在哺乳动物中很普遍，其形式相当复杂［６５］－ｐｃｎｎ??就是由这两种刺激组成的，这样，脉冲耦合神经元模型就基本确定了，其简化模??型如图２－１。图中，Ｆ表示反馈输入，即强制性激发或者外部输入，Ｌ表示链接输??入，即诱导性刺激或内部输入，五表示动态门限阈值，？７表示内部活动项阈值，；ｒ??表示时序脉冲序列。??＇?Ｌ???Ｅ?Ｍ???Ｙ?？；?Ｗ?＼?？?１?＋?Ｊ３Ｌ??输入区?连接输入区?麻砰发玉＾??图２－１脉冲耦合神经元模型??动态门限五的动态阈值特性是ＰＣＮＮ发生周期性点火的根本原因，随着时间??的变化，动态门限会发生指数衰减，当内部活动项阈值ｔ／大于动态门限阈值￡时，??发生点火，｝＾输出１。??链接输入Ｉ和反馈输入Ｆ之间的非线性调制，模拟了神经元之间的相互作用。??中心祌经元发生点火后，会使得周围相似的神经元同样发生点火动作，这是ＰＣＮＮ??的同步脉冲发放特性和捕获特性。因为各个神经元的点火周期不一样，各个神经??元按照各自的周期发放脉冲
【参考文献】

相关期刊论文 前10条

1 袁晓宇;李映涛;叶宁;张哨楠;;基于频谱分解的蚂蚁追踪裂缝检测技术在玉北地区的应用研究[J];石油地球物理勘探;2015年04期

2 周东国;高潮;郭永彩;;一种参数自适应的简化PCNN图像分割方法[J];自动化学报;2014年06期

3 张开洪;罗林;颜禹;;基于立体视觉的桥梁裂缝自动检测系统研究[J];重庆交通大学学报(自然科学版);2014年05期

4 魏武;王俊杰;蔡钊雄;;基于小波和Radon变换的桥梁裂缝检测[J];计算机工程与设计;2013年09期

5 董安国;梁苗苗;;基于灰度相关性的裂缝检测算法[J];计算机应用研究;2013年10期

6 王晓明;冯鑫;党建武;;基于多图像与多分辨率的路面裂缝检测方法[J];兰州理工大学学报;2013年01期

7 徐威;唐振民;吕建勇;;基于图像显著性的路面裂缝检测[J];中国图象图形学报;2013年01期

8 辛国江;邹北骥;李建锋;陈再良;蔡美玲;;结合最大方差比准则和PCNN模型的图像分割[J];中国图象图形学报;2011年07期

9 王兴建;秦国锋;赵慧丽;;基于多级去噪模型的路面裂缝检测方法[J];计算机应用;2010年06期

10 毕英伟,邱天爽;一种基于简化PCNN的自适应图像分割方法[J];电子学报;2005年04期

本文编号：2880871