【技术实现步骤摘要】
本专利技术属于桥梁病害检测领域，尤其涉及一种桥梁病害检测方法。
技术介绍
1、桥梁在现代交通运输和路网框架中发挥着不可替代的作用。而现有的桥梁一般由混凝土制作而成。桥梁的安全性和可靠性对于人民的生活和社会的可持续发展至关重要。桥梁由于疲劳载荷、热膨胀、收缩或基础变形等多种因素的影响而损坏，往往导致性能不良，进而演变成重大结构损坏，造成重大事故风险，因此对于桥梁结构表面缺陷进行及早检测和预防具有重要意义。在所有桥梁缺陷检测技术中，基于目视检查的方法最为流行，因为桥梁表面的缺陷是潜在结构劣化或重大损伤的最明显指标。诸如裂缝、剥落、风化、孔洞等表面缺陷严重影响了混凝土结构后期使用中的安全性、耐久性和使用性能。在这其中，人工目视检查是一种常规方法，可以根据检查人员观察到的损伤位置和大小来定量评估混凝土结构的健康状况。然而，基于人工目视检查的缺陷检测既耗时又主观，检查人员的技能水平和经验显着影响损伤诊断的准确性。因此，自动缺陷检测对于损伤评估的效率和客观性来说是非常必要的。
2、考虑到传统的基于人类的目视检测的缺点，基于计算机视觉的方法被广泛应用。大多数基于计算机视觉的损伤检测方法主要采用图像处理技术(ipts)。ipt可以检测某些特定类型的结构损伤，例如混凝土裂缝、以及沥青路面的坑洼和裂缝。为了从图像中识别或者表示缺陷，ipt基于显著的假设，例如可以相应的发现裂缝、因为裂缝像素形状比其他纹理图案更薄，并且比背景更暗。就形态学而言，检测损伤的最简单方法是使用直方图和阈值。为了提高桥梁表面缺陷检测的鲁棒性，一般的全局变换和局部边
3、为了提高基于ipt的方法在现实情况中的适应性，基于机器学习(ml)的方法被用来为损伤检测提供可行的解决方案。它利用提取的图像特征来完成特定任务，例如缺陷分类、损坏程度回归。基于机器学习的方法已被用来检测混凝土结构中的各种类型的缺陷，包括裂缝、剥落和腐蚀。与传统图像处理技术相比，机器学习技术显着提高了缺陷检测的效率和鲁棒性。作为机器学习方法的一种算法，人工神经网络(ann)为这种情况提供了一种新的替代方案。传统的反向传播神经网络(bpnn)在缺陷检测方面取得了可喜的结果，但它也存在一些固有的缺点(例如收敛速度慢、耗时等)。因此，需要更先进的算法来自动特征提取和快速的计算速度。
4、近年来，基于深度学习和目标检测的技术在缺陷检测中受到广泛关注，显着提高了缺陷检测技术的知识水平。深度卷积神经网络(dcnn)算法可以自动从原始数据中提取特征，并通过多个处理层逐渐获得高级特征，而无需使用图像预处理或特征预提取。此外，dcnn使用部分连接和神经元池化；因此，它需要较少的计算时间并有效防止过拟合，这使得dcnn成为一种有效的结构健康监测(shm)方法。由于其出色的学习能力，基于dcnn的shm已研究了各种数据形式(振动信号和缺陷图像)。在裂纹检测领域，dcnn用于检测裂纹和非裂纹。为了找到缺陷位置，基本方法是将图像划分为大小均匀的小窗口，并对每个小窗口应用dcnn。然而，这种基于小窗口的方法的问题是当存在不同尺寸的缺陷时找到合适的窗口尺寸。此外，该方法的计算成本非常高，因为dcnn分类器必须应用于许多小窗口(图像)。因此现有技术中存在，计算成本非常高导致内存占用大，从而无法长期运行的问题。
技术实现思路
1、本专利技术目的是解决现有技术存在计算成本非常高，内存占用大，无法长期运行的问题。
2、一种桥梁病害检测方法，包括：
3、一、在服务器构建桥梁病害检测网络；获得训练好的桥梁病害检测网络；
4、二、将训练好的桥梁病害检测网络部署在边缘处理器中；
5、三、将实际摄像机拍摄的桥梁照片输入到边缘处理器中的训练好的桥梁病害检测网络进行桥梁病害检测，得到桥梁病害检测结果。
6、本专利技术的有益效果为：
7、本专利技术可以降低桥梁缺陷检测算法在边缘计算设备部署时的存储参数量，节省内存使用，方便算法的长期运行，从而解决了计算成本非常高导致内存占用大，从而无法长期运行的问题。
8、与此同时，在可管理的模型大小下提高算法的检测精度，增强了网络的泛化能力，对一些大面积及小面积的缺陷检测都能准确检出。
本文档来自技高网...【技术保护点】
1.一种桥梁病害检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种桥梁病害检测方法，其特征在于，
3.根据权利要求2所述的一种桥梁病害检测方法，其特征在于，
4.根据权利要求3所述的一种桥梁病害检测方法，其特征在于，
5.根据权利要求4所述的一种桥梁病害检测方法，其特征在于，
6.根据权利要求5所述的一种桥梁病害检测方法，其特征在于，所述S1中将缺陷训练集的图像输入特征提取网络进行特征提取处理，得到图像的特征，具体过程为：
7.根据权利要求6所述的一种桥梁病害检测方法，其特征在于，所述S2中将得到的图像的特征输入颈部网络进行处理，分别得到第一结果特征图、第二结果特征图和第三结果特征图；具体过程为：
8.根据权利要求7所述的一种桥梁病害检测方法，其特征在于，所述S3中将S2获得的第一结果特征图输入头部预测网络得到第一类目标缺陷的结果；将S2获得的中目标特征图输入头部预测网络得到第二类目标缺陷的结果；将S2获得的大目标特征图输入头部预测网络得到第三类目标缺陷的结果；具体过程为：
...【技术特征摘要】
1.一种桥梁病害检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种桥梁病害检测方法，其特征在于，
3.根据权利要求2所述的一种桥梁病害检测方法，其特征在于，
4.根据权利要求3所述的一种桥梁病害检测方法，其特征在于，
5.根据权利要求4所述的一种桥梁病害检测方法，其特征在于，
6.根据权利要求5所述的一种桥梁病害检测方法，其特征在于，所述s1中将缺陷训练集的图像输入特征提取网络进行特征提取处理，得到图像的特征，具体过程为：
7.根据权利要求6所述的一种桥梁病害检测方法，其特征在于，所述s2中将得到的图像的特征输入颈部网络进行处理，分别得到第一结果特征图、...
【专利技术属性】
技术研发人员：姜辉，刘金明，梁培栋，周萍，陈超，赵立军，梁凤顺，周际，周永海，刘冰，刘帅，隋志成，张书昂，
申请(专利权)人：哈尔滨国铁科技集团股份有限公司，
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。