一种基于混合模型及图像金字塔的桥梁病害识别方法技术

本发明专利技术提供了一种基于混合模型及图像金字塔的桥梁支座病害识别方法，包括以下步骤：获取桥梁支座图像，并人工赋予标签；通过图像处理的方法，生成每个图像的图像金字塔；建立由卷积神经网络和循环神经网络共同组成的混合模型，然后，提取出的特征向量作为一组序列输入到循环神经网络中，循环神经网络的输出，通过一个分类网络输出该图像的类别概率。迭代训练得到具有识别桥梁支座病害的混合模型。本发明专利技术的卷积神经网络与循环神经网络的混合模型可充分利用桥梁支座图像的多尺度信息，相较于传统的神经网络，可在训练数据有限的前提下有效提高模型的识别精度，为桥梁支座的自动化检测提供基础。

【技术实现步骤摘要】
一种基于混合模型及图像金字塔的桥梁病害识别方法
本专利技术涉及土木工程与人工智能交互
，具体是一种基于混合模型及图像金字塔的桥梁病害识别方法。
技术介绍
随着近年来我国基础设施建设的快速发展，土木行业发展迅速，大量的桥梁建设完毕，桥梁支座是桥梁受力的重要构件，在长期的服役过程中会出现老化、开裂等病害，影响其正常使用功能。人们一直依靠日常和定期性检查、抽样性和临时检查等手段来获取结构的相关信息。然而目前桥梁表观检测主要依赖于人工检测，这种方法效率低下、耗时长、成本高，且人工检测方法受环境及检测人员职业技术素养等因素影响较大，检测结果存在不确定性。基于深度学习的图像处理技术快速发展，并在各行业得到广泛的应用，然而深度学习模型往往需要大量的标注数据进行训练才能达到较高的精度，在实际工程中，一些病害图像数据难以获取。支座作为桥梁的连接构件，在获取支座图像时难以避免的会出现不少背景信息，影响到模型的识别结果。因此迫切的需要在有限的数据集，复杂场景下提高模型识别精度的方法。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于混合模型及图像金字塔的桥梁支座病害识别方法，其能够在数据量有限的前提下，通过混合模型及图像金字塔，能够有效的利用图像多尺度的信息，相较于传统的神经网络，能有效的提高模型的识别精度。本专利技术为解决上述技术问题采用以下技术方案：一种基于混合模型及图像金字塔的桥梁支座病害识别方法，包括以下步骤：S1：获取桥梁支座的图像，并人工赋予类别标签；S2：对步骤S1获取的每张支座图像，通过图像处理的方法，得到一组不同分辨率图像的图像金字塔；S3：设计由卷积神经网络和循环神经网络共同组成的混合模型；S4：步骤S2中获取的一组不同分辨率的图像金字塔输入步骤S4中设计的混合模型，得到图像的预测值；S5：迭代训练得到自动识别支座病害的混合模型。优选的，步骤S1中，获取的支座图像应具有较高的分辨率，分辨率应在1280×720及以上；获取的支座图像应包含支座在服役过程中可能出现的各类病害。优选的，步骤S2中，图像处理的方法为下采样，获取低分辨率的图像；图像金字塔是一系列以金字塔形状排列的，分辨率逐渐降低的图像集合。优选的，步骤S2中，图像金字塔应包括多个层级，具体的，应不少于5个层级。优选的，步骤S3中，混合模型中卷积神经网络作为特征提取器，用于对图像在不同的特征尺度上提取特征。优选的，步骤S3中，混合模型中卷积神经网络可选经典的网络模型，如VGG-16或者ResNet-34。优选的，步骤S3中，混合模型中循环神经网络的输入为图像金字塔经过卷积层提取的特征序列。优选的，步骤S3中，混合模型中循环神经网络选用长短期记忆模型。优选的，步骤S4中，混合模型的输出层设置为一个小型神经网络，将模型中循环神经网络的输出转化为类别概率。优选的，步骤S5中，迭代模型的优化算法选梯度下降法。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术能够在数据量有限的前提下，通过混合模型及图像金字塔，能够有效的利用图像多尺度的信息，相较于传统的神经网络，能有效的提高模型的识别精度。附图说明图1为本专利技术的流程图；图2为本专利技术中混合模型示意图；图3为本专利技术中组成混合模型的卷积神经网络的示意图(VGG-16)；图4为本专利技术中组成混合模型的循环神经网络的示意图(LSTM)。具体实施方式下面结合附图对本专利技术作进一步说明。下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，本专利技术的方法。包括如下步骤：S1：获取桥梁支座的图像，并人工赋予类别标签；S2：对步骤S1获取的每张支座图像，通过图像处理的方法，得到一组不同分辨率图像的图像金字塔；S3：设计由卷积神经网络和循环神经网络共同组成的混合模型；图2为本专利技术S4：步骤S2中获取的一组不同分辨率的图像金字塔输入步骤S4中设计的混合模型，得到图像的预测值；S5：迭代训练得到自动识别支座病害的混合模型。步骤S1中，获取的支座图像应具有较高的分辨率，分辨率应在1280×720及以上。步骤S1中，获取的支座图像应包含支座在服役过程中可能出现的各类病害。步骤S1中，步骤S2中，图像处理的方法为下采样，获取低分辨率的图像。步骤S2中，步骤S2中，图像金字塔是一系列以金字塔形状排列的，分辨率逐渐降低的图像集合。步骤S3中，步骤S2中，图像金字塔应包括多个层级，具体的，选用5个层级。步骤S3中，混合模型中卷积神经网络作为特征提取器，用于对图像在不同的特征尺度上提取特征。步骤S3中，混合模型中卷积神经网络可选经典的网络模型，具体的，选VGG-16。图3为VGG-16网络示意图。步骤S3中，混合模型中循环神经网络选用长短期记忆模型(LSTM)，图4为LSTM网络示意图。步骤S4中，混合模型的输出层设置为一个小型神经网络，将模型中循环神经网络的输出转化为类别概率。步骤S5中，迭代模型的优化算法选梯度下降法。训练卷积神经网络的实验条件：使亚马逊AWS云计算服务，配置亚马逊EC2P2.xlarge实例，该实例配置1个GPU，4个vCPU,61GB的随机存取存储器，系统采用ubuntu系统，编程语言采用python。深度学习平台使用Pytorch。以上所述仅是本专利技术的优选实施方式，应当指出：对于本
的普通技术人员来说，在不脱离本专利技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本专利技术的保护范围。本文档来自技高网...

【技术保护点】
1.一种基于混合模型及图像金字塔的桥梁支座病害识别方法，其特征在于，包括以下步骤：/nS1：获取桥梁支座的图像，并人工赋予类别标签；/nS2：对步骤S1获取的每张支座图像，通过图像处理的方法，得到一组不同分辨率图像的图像金字塔；/nS3：设计由卷积神经网络和循环神经网络共同组成的混合模型；/nS4：步骤S2中获取的一组不同分辨率的图像金字塔输入步骤S4中设计的混合模型，得到图像的预测值；/nS5：迭代训练得到自动识别支座病害的混合模型。/n

【技术特征摘要】
20201127 CN 20201136235421.一种基于混合模型及图像金字塔的桥梁支座病害识别方法，其特征在于，包括以下步骤：
S1：获取桥梁支座的图像，并人工赋予类别标签；
S2：对步骤S1获取的每张支座图像，通过图像处理的方法，得到一组不同分辨率图像的图像金字塔；
S3：设计由卷积神经网络和循环神经网络共同组成的混合模型；
S4：步骤S2中获取的一组不同分辨率的图像金字塔输入步骤S4中设计的混合模型，得到图像的预测值；
S5：迭代训练得到自动识别支座病害的混合模型。


2.根据权利要求1所述的基于混合模型及图像金字塔的桥梁病害识别方法，其特征在于：步骤S1中，获取的支座图像应具有较高的分辨率，分辨率应在1280×720及以上，获取的支座图像应包含支座在服役过程中可能出现的各类病害。


3.根据权利要求1所述的基于混合模型及图像金字塔的桥梁病害识别方法，其特征在于：步骤S2中，图像处理的方法为下采样，获取低分辨率的图像；图像金字塔是一系列以金字塔形状排列的，分辨率逐渐降低的图像集合。


4.根据权利要求3所述的基于混合模型及图像金字塔的桥梁病害识别方法，其特征在于：步骤S...

【专利技术属性】
技术研发人员：艾志勇，崔弥达，伍伟斌，吴刚，
申请(专利权)人：江西省交通科学研究院，东南大学，
类型：发明
国别省市：江西;36