【技术实现步骤摘要】
本专利技术涉及桥梁病害识别，更具体的说是涉及一种基于改进卷积神经网络的桥梁表观病害识别方法及系统。
技术介绍
1、桥梁作为城市基础设施的重要组成部分，连接着人们的日常生活和经济活动。然而，由于长期受到自然环境、车流负荷以及使用年限等多种因素的影响，桥梁普遍存在着各种表观病害，如露筋、剥落、破损等。这些病害如果不及时检测和有效处理，可能会引发严重的安全隐患，甚至危及行人和车辆的安全。
2、目前，传统的桥梁病害检测方法主要依赖于人工巡检。然而，这种人工检测方式存在一系列问题。首先，人工巡检需要大量的人力投入，不仅工作效率低下，而且容易出现疏漏，影响到病害的准确识别与评估。其次，桥梁往往分布在复杂多变的环境中，有些地点难以直接人工到达，导致病害检测存在盲区。此外，人工巡检需要关闭部分交通，给交通运行带来不便和延误，同时也增加了维护成本。
3、近年来，深度学习技术的发展为桥梁病害自动识别带来了新的机遇。然而，在将传统的卷积神经网络结构如vgg和resnet应用于基于faster r-cnn的桥梁病害识别方法时，也暴露出一些限制性问题。尽管fasterr-cnn作为一种强大的目标检测框架在许多领域表现出色，但它并未完全针对桥梁病害识别的需求进行优化。首先，vgg和resnet等经典卷积结构在faster r-cnn中被用于特征提取，然而，由于桥梁病害往往呈现局部性、细节性的特点，这些网络可能无法充分捕获这些关键信息，从而限制了识别精度。其次，faster r-cnn作为一种两阶段的目标检测方法，首先生成候选框，然后
4、因此，如何提供一种基于改进卷积神经网络的桥梁表观病害识别方法及系统是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于改进卷积神经网络的桥梁表观病害识别方法及系统，通过改进的深度学习技术，解决桥梁维护过程中人力资源消耗大、检测准确性不高等难题，为桥梁的安全运行提供更为可靠和有效的解决方案。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一方面，本专利技术提供了一种基于改进卷积神经网络的桥梁表观病害识别方法，包括以下步骤：
4、获取桥梁表观病害图像；
5、对所述桥梁表观病害图像进行预处理，并标注病害位置及类型后，构建训练集和测试集；
6、构建faster r-cnn模型并进行改进，得到桥梁表观病害识别模型，并通过训练集、测试集和adam优化算法对所述桥梁表观病害识别模型进行训练和测试；
7、使用训练好的桥梁表观病害识别模型对桥梁表观病害进行识别，得到桥梁病害类型。
8、优选的，以目标检测算法faster r-cnn为基础进行改进，得到桥梁表观病害识别模型，包括：
9、所述桥梁表观病害识别模型包括主干网络模块、区域候选网络模块、兴趣域池化模块、分类回归网络模块；
10、所述主干网络模块采用efficientnet-b0网络结构，所述efficientnet-b0网络结构总共分为9层，第一层和第九层为卷积层，第二层至第八层为mbconv模块的堆叠。
11、优选的，通过adam优化算法对所述桥梁表观病害识别模型进行训练，包括：在训练所述桥梁表观病害识别模型时，结合一阶矩估计和二阶矩估计调整所述桥梁表观病害识别模型中参数的更新步长，自适应地调整每个参数的学习率。
12、优选的，所述结合一阶矩估计和二阶矩估计调整所述桥梁表观病害识别模型中参数的更新步长，自适应地调整每个参数的学习率，包括：
13、在迭代t中，对给定当前的梯度gt，执行以下步骤：
14、计算一阶矩估计mt和二阶矩估计vt：
15、mt＝β1·mt-1+(1-β1)·gt
16、
17、其中：mt表示一阶矩估计的值；β1表示动量的指数衰减率；gt表示当前迭代的梯度值；vt表示二阶矩估计的值；β2表示方差的指数衰减率；t表示当前迭代的次数；
18、进行偏差校正，修正矩估计的偏差：
19、
20、
21、其中：表示对mt进行偏差校正后的一阶矩估计值；表示对vt进行偏差校正后的二阶矩估计值；β1和β2表示adam算法中的超参数，β1为控制一阶矩估计的权重，β2为控制二阶矩估计的权重；
22、根据所述偏差更新模型参数：
23、
24、其中：θ表示模型参数，θt+1表示第t+1次迭代的模型参数，θt表示第t次迭代的模型参数；η表示学习率；∈表示常数项。
25、优选的，使用训练好的桥梁表观病害识别模型对桥梁表观病害进行识别，得到桥梁病害类型，包括：
26、对所述桥梁表观病害图像进行特征提取，得到所述桥梁表观病害图像的特征图；
27、对所述特征图进行目标/背景比值的分数预测，并根据所述特征图的目标/背景比值的分数选取候选区域；
28、使用nms算法来筛选所述候选区域，选取感兴趣区域，并调整所述感兴趣区域的大小；
29、将调整大小后的感兴趣区域输入到分类回归网络模块进行病害分类。
30、优选的，对所述特征图进行目标/背景比值的分数预测，并根据所述特征图的目标/背景比值的分数选取候选区域，包括：
31、在所述特征图上，对于每一个像素点，都设置9个预设的边界框；
32、利用sigmoid函数分别预测每个边界框的目标/背景比值的分数，所述目标/背景比值的分数预测公式为：
33、a＝σ(wo·α)
34、其中：a表示目标/背景比值的分数，σ表示sigmoid激活函数；wo表示用于预测目标/背景比值的分数的权重，α表示输入的特征图；
35、对每个边界框进行边界框偏移预测，利用所述边界框偏移调整所述边界框的位置和大小，所述边界框偏移的预测公式为：
36、p＝wr·α
37、其中：p表示边界框偏移，wr表示用于预测边界框偏移的权重。
38、另一方面，本专利技术还提供了一种基于改进卷积神经网络的桥梁表观病害识别系统，用于实现上述的任意一种基于改进卷积神经网络的桥梁表观病害识别方法，包括：
39、获取模块，用于获取桥梁表观病害图像；
40、预处理模块，用于对所述桥梁表观病害图像进行预处理，并标注病害位置及类型后，构建训练集和测试集；
41、训练模块，用于构建faster r-cnn模型并进行改进，得到桥梁表观病害识别模型，并通过训练集、测试集和a本文档来自技高网...
【技术保护点】
1.基于改进卷积神经网络的桥梁表观病害识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进卷积神经网络的桥梁表观病害识别方法，其特征在于，以目标检测算法Faster R-CNN为基础进行改进，得到桥梁表观病害识别模型，包括：
3.根据权利要求1所述的基于改进卷积神经网络的桥梁表观病害识别方法，其特征在于，通过Adam优化算法对所述桥梁表观病害识别模型进行训练，包括：在训练所述桥梁表观病害识别模型时，结合一阶矩估计和二阶矩估计调整所述桥梁表观病害识别模型中参数的更新步长，自适应地调整每个参数的学习率。
4.根据权利要求3所述的基于改进卷积神经网络的桥梁表观病害识别方法，其特征在于，所述结合一阶矩估计和二阶矩估计调整所述桥梁表观病害识别模型中参数的更新步长，自适应地调整每个参数的学习率，包括：
5.根据权利要求1所述的基于改进卷积神经网络的桥梁表观病害识别方法，其特征在于，使用训练好的桥梁表观病害识别模型对桥梁表观病害进行识别，得到桥梁病害类型，包括：
6.根据权利要求5所述的基于改进卷积神经网络的桥梁表观
7.基于改进卷积神经网络的桥梁表观病害识别系统，其特征在于，所述系统用于实现如权利要求1-6所述的任意一种基于改进卷积神经网络的桥梁表观病害识别方法，包括：
8.根据权利要求7所述的基于改进卷积神经网络的桥梁表观病害识别系统，其特征在于，所述桥梁表观病害识别模型包括主干网络模块、区域候选网络模块、兴趣域池化模块、分类回归网络模块；
...【技术特征摘要】
1.基于改进卷积神经网络的桥梁表观病害识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进卷积神经网络的桥梁表观病害识别方法，其特征在于，以目标检测算法faster r-cnn为基础进行改进，得到桥梁表观病害识别模型，包括：
3.根据权利要求1所述的基于改进卷积神经网络的桥梁表观病害识别方法，其特征在于，通过adam优化算法对所述桥梁表观病害识别模型进行训练，包括：在训练所述桥梁表观病害识别模型时，结合一阶矩估计和二阶矩估计调整所述桥梁表观病害识别模型中参数的更新步长，自适应地调整每个参数的学习率。
4.根据权利要求3所述的基于改进卷积神经网络的桥梁表观病害识别方法，其特征在于，所述结合一阶矩估计和二阶矩估计调整所述桥梁表观病害识别模型中参数的更新步长，自适应地调整每个参数的学...
【专利技术属性】
技术研发人员：高明星，邸心明，马东梅，梁佳利，侯明宇，蒋正发，李丹岚，张文琪，
申请(专利权)人：赤峰市松山区安创路桥隧工程科学技术研究所，
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。