一种桥梁水下结构裂缝检测方法技术

本发明专利技术提供一种桥梁水下结构裂缝检测方法，预采样并构建桥梁水下结构裂隙图像数据集，从其中随机抽取数据并以预设比例划分为训练集

【技术实现步骤摘要】
一种桥梁水下结构裂缝检测方法


[0001]本专利技术属于神经网络及图像处理
，具体涉及一种桥梁水下结构裂缝检测方法
。

技术介绍

[0002]桥梁水下结构裂缝是由于桥梁水下结构受到内外因素的作用而产生的物理结构变化，是桥梁水下结构最常见的病害之一
。
桥梁水下结构裂缝会导致钢筋保护层被破坏，引起钢筋锈蚀，降低结构的承载能力
、
耐久性
、
防水性和美观性，影响结构的使用性能和使用寿命
。
桥梁水下结构裂缝检测是对桥梁水下结构裂缝的形成原因
、
分布特征
、
宽度大小
、
危害程度等进行有效的识别和分析，以提出合理的修复
、
加固
、
改造等措施，消除隐患，保障结构的安全性和可靠性
。
因此进行桥梁水下结构裂缝检测十分有必要
。
[0003]视觉检测是当下建筑裂缝检测的主流方法，主要分为数字图像处理方法与人工检测方法
。
人工检测方法的缺点是操作耗时
、
费力
、
测量结果主观性强
、
无法检测深层裂缝等
。
数字图像处理方法的缺点是需要对图像进行降噪
、
分割
、
提取等复杂的算法处理，受到图像质量
、
光照条件
、
背景干扰等因素的影响，难以保证识别的准确性和稳定性
。

技术实现思路

[0004]为此，本专利技术提供一种桥梁水下结构裂缝检测方法，以实现对桥梁水下结构裂缝的检测
。
[0005]本专利技术的第一方面，提供一种桥梁水下结构裂缝检测方法，包括如下步骤：
S100、
预采样并构建桥梁水下结构裂隙图像数据集，从其中随机抽取数据并以预设比例划分为训练集；
[0006]S200、
构建神经网络模型，设置第一学习率，以预设样本抓取量训练衰减至第二学习率；
[0007]S201、
重复设置所述预设样本抓取量后执行
S200
；
[0008]S202、
从所有所述预设样本抓取量的设置中，以第一判断条件选取一个设置，其对应得到的训练权重作为第一模型权重；
[0009]S300、
加载所述第一模型权重，并载入所述训练集和所述验证集至所述神经网络模型；
[0010]S301、
设置第三学习率，并以预设衰减量对所述神经网络模型执行再训练，得到第二模型权重；
[0011]S400、
加载所述第二模型权重，载入所述测试集；
[0012]S500、
采样图片输入至所述神经网络模型中，得到识别结果
。
[0013]进一步的，所述神经网络模型为
YOLOv5。
[0014]进一步的，所述裂隙图像数据集被采样并构建时，还包括如下步骤：
[0015]采样第一数量级的桥梁水下结构表面的裂缝图像，裁切为第一尺寸图像；
[0016]灰度化处理所述第一尺寸图像，标注其中的裂缝位置及大小；
[0017]将裂缝图像划分以预设比例划分为训练集
、
验证集和测试集；
[0018]生成数据集索引，以
YOLOv5
格式组织文件
。
[0019]进一步的，在
S500
中，
[0020]将输入图像分割为多个网格，
[0021]每个网格负责预测一定数量的锚框，每个所述锚框包含目标的位置
、
类别和置信度
。
[0022]进一步的，所述
YOLOv5
包括如下设置：
[0023]使用
CSPDarknet53
作为主干网络，提取图像的特征，使用跨阶段部分连接和注意力机制增强特征的表达能力；
[0024]使用
FPN
作为特征金字塔网络，将不同层次的特征进行融合，提高对不同尺度目标的检测能力；
[0025]使用
PANet
作为特征聚合网络，将低层次的特征传递到高层次，提高对小目标的检测精度；
[0026]使用三个不同的输出层，分别负责检测大中小尺度的目标；
[0027]使用自适应锚框计算和自适应图片缩放方法优化锚框的生成和匹配
。
[0028]进一步的，在步骤
S200
‑
S202
以及步骤
S300
‑
S301
中：
[0029]均通过交叉熵函数计算真实标签值与模型预测值之间的损失值；
[0030]并在损失值的最优条件下，得到对应的模型权重
。
[0031]进一步的，在步骤
S200
‑
S202
中，通过
Adam
优化器设置初始学习率为
1e
‑
3,
并设置为每
20
批次学习率衰减到原来的
0.8
，利用该优化器根据训练的损失值通过逐轮训练调整神经网络层中超参数
。
[0032]进一步的，在步骤
S300
‑
S301
中，利用初始学习率为
4e
‑
5,
衰减率为
0.5
的
SGD
优化器对神经网络模型执行再训练
。
[0033]本专利技术的第二方面，提供一种计算机可读存储介质
。
[0034]本专利技术的第三方面，提供一种电子设备
。
[0035]本专利技术的上述技术方案，相比现有技术具有以下优点：
[0036]1)
提高效率：相比传统的人工检测方法，该软件能够自动检测裂缝，大大提高检测的速度和效率
。
[0037]2)
提高准确度：该软件采用
YOLOv5
网络，通过训练大量的裂缝数据集，可以更准确地检测裂缝，避免了人工检测的主观性和误差
。
[0038]3)
适应性强：该检测方法可以应用于不同类型的桥梁水下结构，能够自动识别检测裂缝，具有很强的适应性
。
[0039]4)
保存标注结果：该方法可以自动保存标注后的图片和视频，方便用户进行进一步的分析和处理
。
[0040]5)
大型检测任务：该方法可以胜任大型检测任务，通过自动化和高效性，能够有效地提高工作效率和检测准确度
。
附图说明
[0041]图1是本专利技术实施例提供的方法的结构示意图
。
[0042]图2是本专利技术实施例提供的神经网络模型的结构示意图
。
[0043]图3是本专利技术实施例提供的识别结果示意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种桥梁水下结构裂缝检测方法，其特征在于，包括如下步骤：
S100、
预采样并构建桥梁水下结构裂隙图像数据集，从其中随机抽取数据并以预设比例划分为训练集
、
验证集和测试集；
S200、
构建神经网络模型，设置第一学习率，以预设样本抓取量训练衰减至第二学习率；
S201、
重复设置所述预设样本抓取量后执行
S200
；
S202、
从所有所述预设样本抓取量的设置中，以第一判断条件选取一个设置，其对应得到的训练权重作为第一模型权重；
S300、
加载所述第一模型权重，并载入所述训练集和所述验证集至所述神经网络模型；
S301、
设置第三学习率，并以预设衰减量对所述神经网络模型执行再训练，得到第二模型权重；
S400、
加载所述第二模型权重，载入所述测试集；
S500、
采样图片输入至所述神经网络模型中，得到识别结果
。2.
根据权利要求1所述的方法，其特征在于，所述神经网络模型为
YO LOv5。3.
根据权利要求2所述的方法，其特征在于，所述裂隙图像数据集被采样并构建时，还包括如下步骤：采样第一数量级的桥梁水下结构表面的裂缝图像，裁切为第一尺寸图像；灰度化处理所述第一尺寸图像，标注其中的裂缝位置及大小；将裂缝图像划分以预设比例划分为训练集
、
验证集和测试集；生成数据集索引，以
YOLOv5
格式组织文件
。4.
根据权利要求2所述的方法，其特征在于，在
S500
中，将输入图像分割为多个网格，每个网格负责预测一定数量的锚框，每个所述锚框包含目标的位置
、
类别和置信度
。5.
根据权利要求2所述的方法，其特征在于，所述
YOLOv5
包括如下设置：使用
CSPDark...

【专利技术属性】
技术研发人员：程俭廷，陈炳聪，苏智文，李炎清，王身宁，崔志猛，
申请(专利权)人：广州大学，
类型：发明
国别省市：