基于深度学习的钢桁架桥螺栓病害智能识别方法
发布时间：2021-07-28 01:14
为了提高钢桁架桥螺栓病害检测和识别效率、完善分析方法,本文在无人机航拍视频的基础上,提出了一种基于深度学习的螺栓病害智能识别方法。通过混合高斯算法、Canny边缘检测、最小包围圆算法等传统图像处理手段对航拍视频进行预处理,实现钢桁架桥螺栓图像的批量化提取,并通过对螺栓图像采取缩放、旋转、变形等措施拓展螺栓图像的样本数;采用迁移学习引入深度学习模型INCEPTION-V3,经过训练,当螺栓数据测试集上的准确率大于95%时,可满足工程精度需求;并将该方法应用于实际工程,当把0.8设置为计算螺栓病害概率的分割点时,该方法对螺栓病害具有较好的识别效果,同时能够实现自动化、智能化,避免人为主观判断带来的影响。
【文章来源】：南京工业大学学报(自然科学版). 2020,42(05)北大核心
【文章页数】：8 页
【部分图文】：
钢桁架节点前景提取效果对比图
最后,需设两个与梯度值相比较的阈值以限定边缘处强弱,通过对图像阈值的多次取值尝试,当Canny算子的高阈值HT取100、低阈值LT取50时,图像表现较好,其效果如图2所示,清晰地体现了螺栓及钢板的位置细节,并且去除了大部分干扰噪点。在此基础上,采用计算机视觉库(OpenCV)对图像进行外部轮廓读取,利用边缘点连接的层次差别,提取特征不同的点集合,针对螺栓构造只检测其最外侧轮廓,并且删除内部的轮廓冗余点,对轮廓点集合采用最小包围圆算法。相较于Hough圆检测等其他圆检测算法,最小包围圆算法简单且对图像圆度要求不高,通过迭代计算寻找包括轮廓点集的最小圆形,使用以上流程,选取不同区域连接板进行螺栓检测测试,视觉效果如图3所示,统计数据如表1所示,查全率是指定位螺栓数与图像中实际螺栓数之比。
表1统计了对图像处理的结果,在传统图像处理技术下,除了端部连接板外,其余测试连接板中螺栓定位均达到了100%查全率,其原因在于端部连接板下部受混凝土地面与杂草遮挡,右上螺栓布置过于密集且背景相似影响了图像二值化的效果,属于传统图像处理的局限性。针对螺栓过于密集的问题,可通过加大摄像机分辨率、图像局部放大以及调整参数敏感度等手段减小影响。表1 螺栓查全率Table 1 Bolt recall rate 螺栓位置 未定位螺栓数 查全率/% 普通连接板 0 100.0 端部连接板 8 97.6 上平联连接板 0 100.0 中部连接板 0 100.0
本文编号：3306902
【文章来源】：南京工业大学学报(自然科学版). 2020,42(05)北大核心
【文章页数】：8 页
【部分图文】：
钢桁架节点前景提取效果对比图
最后,需设两个与梯度值相比较的阈值以限定边缘处强弱,通过对图像阈值的多次取值尝试,当Canny算子的高阈值HT取100、低阈值LT取50时,图像表现较好,其效果如图2所示,清晰地体现了螺栓及钢板的位置细节,并且去除了大部分干扰噪点。在此基础上,采用计算机视觉库(OpenCV)对图像进行外部轮廓读取,利用边缘点连接的层次差别,提取特征不同的点集合,针对螺栓构造只检测其最外侧轮廓,并且删除内部的轮廓冗余点,对轮廓点集合采用最小包围圆算法。相较于Hough圆检测等其他圆检测算法,最小包围圆算法简单且对图像圆度要求不高,通过迭代计算寻找包括轮廓点集的最小圆形,使用以上流程,选取不同区域连接板进行螺栓检测测试,视觉效果如图3所示,统计数据如表1所示,查全率是指定位螺栓数与图像中实际螺栓数之比。
表1统计了对图像处理的结果,在传统图像处理技术下,除了端部连接板外,其余测试连接板中螺栓定位均达到了100%查全率,其原因在于端部连接板下部受混凝土地面与杂草遮挡,右上螺栓布置过于密集且背景相似影响了图像二值化的效果,属于传统图像处理的局限性。针对螺栓过于密集的问题,可通过加大摄像机分辨率、图像局部放大以及调整参数敏感度等手段减小影响。表1 螺栓查全率Table 1 Bolt recall rate 螺栓位置 未定位螺栓数 查全率/% 普通连接板 0 100.0 端部连接板 8 97.6 上平联连接板 0 100.0 中部连接板 0 100.0
本文编号：3306902
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3306902.html
