【技术实现步骤摘要】
本专利技术涉及深度学习和桥面病害检测领域，尤其涉及一种基于深度学习的桥面病害检测方法及装置。
技术介绍
1、目前，交通管养部门对桥面病害的检测一般采用人工巡检方式，检测效率较低，并且通行车辆会给检测人员造成安全风险，若封闭桥面则会干扰正常交通。若通过检测车辆采集桥面图像与视频信息，后期人工进行病害判定，也始终存在效率低下、人员主观误差较大的缺点。
2、基于数字图像处理的方法受限于先验知识、仅对特定场景适应性较高，依赖预先人工提取的特征数据。当图像背景等主要特征存在较大变化时(光照不均，阴影遮挡，桥面材质变化)，识别误差较大，因此难以在工程实践中鲁棒地执行桥面检测任务。
3、进一步地，国内外学者对基于深度学习的桥面病害检测开展了广泛研究，以实现桥面病害的识别(分类)和定位(矩形边界框)。但现有研究主要采用通用的目标检测模型，鲜有针对桥面病害的图像特征针对性地设计与改进深度学习模型，导致在工程实践中缺乏足够的检测精度和鲁棒性。现有方法主要存在细长裂缝定位不准确的问题，因为裂缝作为常见的桥面病害形式，具有较大的长宽比，现有方法因矩形锚框的高宽比不协调，容易将裂缝周围的区域纳入边界框中，导致定位精度较差。且长裂缝中存在轻微的断开区域，易被现有方法定位为若干独立的短裂缝。
4、专利文献cn219104767u公开了一种高精度桥梁底部病害图像采集定位设备，该设备包括夹持固定架、升降设备支架、高清广角工业相机组、高精度定位设备组和控制终端。当时该装置配备匀速行驶的巡检车，效率较低，且影响桥梁的日常运行。p>
5、专利文献cn116465968a公开了一种向桥面板开裂裂纹的检测方法，包括以下内容：s1、检测部位选择：s2、检测准备：s21、u肋焊缝位置确认；s22、检测面清理；s3、准备检测设备；s4、对横隔板和u肋进行定位标识；s5、tofd检测：采用tofd技术延弹线位置对u肋焊缝对应的顶板部位是否产生裂纹进行检测；s6、采用磁粉对贯穿裂纹进行上表面的确认，并在明显现象后进行长度和宽度的测量；s7、图像评判并确认检测结果：检测完成后，及时进行图像评判，确认检测结果，并及时告知发展公司技术养护单位，以便及时处理严重病害。该方法需要对桥面进行磁粉涂抹，从而获得检测图像，但容易受到天气影响。
技术实现思路
1、本专利技术的目的是提供一种桥面病害检测方法及装置，该方法可以有效定位桥面病害的位置，从而提高桥梁日常维护效率。
2、为了实现本专利技术的第一个目的，提供了一种基于深度学习的桥面病害检测方法，包括以下步骤：
3、获取桥面图像，并基于桥面病害类别与位置边框坐标信息对桥面图像进行标签标注，将桥面图像和对应的标签组成数据集。
4、基以faster r-cnn模型为基础，构建用于桥面病害检测的深度学习神经网络，所述深度学习神经网络包括特征提取模块，候选边界框生成模块以及预测模块，所述特征提取模块用于提取输入桥面图像的图像特征，所述候选边界框生成模块包括多尺度定位锚框，根据图像特征所在桥面图像中的位置，生成对应的候选边界框，所述预测模块根据输入的图像特征和候选边界框，以获得预测结果，所述预测结果包括桥面病害类别和病害所在位置的坐标信息。
5、采用数据集对所述深度学习神经网络进行训练，以获得用于检测桥面病害问题的桥面病害检测模型。
6、将拍摄的桥面图像输入至所述桥面病害检测模型中，以输出桥面图像中存在的病害类型和病害所在位置的坐标信息。
7、本专利技术通过改进现有faster r-cnn模型，引入多尺度定位锚框，从而提高细长形态裂缝等桥面病害的识别与定位准确度。
8、具体的，所述桥面病害类别包括桥面未修补的裂缝和已修补的裂缝。
9、具体的，所述候选边界框生成模块以faster r-cnn模型的区域建议网络rpn模块为基础，通过增加多个尺度定位锚宽构建，从而提高针对细长形态裂缝的识别。
10、具体的，所述多尺度定位锚宽的高宽比包括4:1,8:1或16:1中的一种或多种。
11、具体的，所述预测模块包括回归函数和sooftmax分类函数。
12、具体的，训练时，采用特征交互融合的四步交替训练法对深度学习网络的参数进行调整。
13、具体的，所述特征交互融合的四步交替训练法，包括：
14、步骤3-1、通过imagenet预训练模型初始化候选边界框生成模块，采用训练集中的桥面病害图像和对应的标签，对初始化候选边界框生成模块进行训练。
15、步骤3-2、通过完成初步训练的候选边界框生成模块，生成训练集中桥面病害图像对应的候选边界框，并根据桥面病害图像对应的候选边界框对评估模块进行训练。
16、步骤3-3、根据特征提取模块的参数，对步骤3-1训练获得的候选边界框生成模块的参数进行调整。
17、步骤4、根据步骤3-3微调后的候选边界框生成模块的参数，对步骤3-2训练获得的预测模块的参数进行调整。
18、为了实现本专利技术的第二目的，提供了一种桥面病害检测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序。
19、所述计算机存储器中采用上述的桥面病害检测模型，其计算机处理器执行所述计算机程序时实现以下步骤：
20、将拍摄获得的桥面图像，输入至病害检测模型中，经计算输出桥面图像中存在的病害类别以及对应的坐标信息。
21、与现有技术相比，本专利技术的有益效果：
22、针对裂缝尺度特征增加定位锚框的高宽比选择，可有效改进faster r-cnn模型，对长细形态裂缝等桥面病害的具有较好的定位精度。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的桥面病害检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的桥面病害检测方法，其特征在于，所述桥面病害类别包括桥面未修补的裂缝和已修补的裂缝。
3.根据权利要求1所述的基于深度学习的桥面病害检测方法，其特征在于，所述候选边界框生成模块以Faster R-CNN模型的区域建议网络RPN模块为基础，通过增加多个尺度定位锚宽构建。
4.根据权利要求1或3所述的基于深度学习的桥面病害检测方法，其特征在于，所述多尺度定位锚宽的高宽比包括4:1,8:1或16:1中的一种或多种。
5.根据权利要求1所述的基于深度学习的桥面病害检测方法，其特征在于，所述预测模块包括回归函数和Sooftmax分类函数。
6.根据权利要求1所述的基于深度学习的桥面病害检测方法，其特征在于，训练时，采用特征交互融合的四步交替训练法对深度学习网络的参数进行调整。
7.根据权利要求6所述的基于深度学习的桥面病害检测方法，其特征在于，所述特征交互融合的四步交替训练法，包括：
8.一种桥面病害检测
...【技术特征摘要】
1.一种基于深度学习的桥面病害检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的桥面病害检测方法，其特征在于，所述桥面病害类别包括桥面未修补的裂缝和已修补的裂缝。
3.根据权利要求1所述的基于深度学习的桥面病害检测方法，其特征在于，所述候选边界框生成模块以faster r-cnn模型的区域建议网络rpn模块为基础，通过增加多个尺度定位锚宽构建。
4.根据权利要求1或3所述的基于深度学习的桥面病害检测方法，其特征在于，所述多尺度定位锚宽的高宽比包括4:1,8:1或16:1中的一种或多种。
5.根据权利要求1所述的基于深度学习的桥面病害检...
【专利技术属性】
技术研发人员：叶建龙，舒江鹏，丁威，于泓川，李斯涵，
申请(专利权)人：浙江省交通集团检测科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。