【技术实现步骤摘要】
本专利技术属于建筑人工智能领域，具体涉及一种基于深度神经辐射场的精细化桥梁故障检测及重建方法。
技术介绍
1、随着桥梁数量的增加和使用年限的延长，桥梁结构的安全性和耐久性问题愈发突出。桥梁故障检测是确保桥梁安全、延长其使用寿命的重要环节。然而，传统的检测方法主要依赖人工巡检和结构健康监测系统，这两者都存在显著的局限性。人工巡检虽然广泛应用，但需要大量人力投入，受环境、天气等因素影响，效率较低。同时，检测结果具有较强的主观性，容易受到检测人员经验水平的限制，难以实现精细化和高效的故障识别。结构健康监测系统则通过安装传感器来实时监控桥梁的结构参数，如应变和振动，以判断桥梁的健康状态。尽管如此，该系统成本高昂，数据处理复杂，仅凭结构参数难以精确定位微小损伤，尤其是裂缝或剥落等外观缺陷。此外，图像处理和计算机视觉技术在桥梁表面缺陷检测中被广泛应用，但由于检测环境的复杂性，不同光照条件、视角变化及噪声干扰都会影响传统图像处理方法的精度。这些方法往往在提取细小裂缝或剥落等缺陷特征时表现不足，而面对大规模检测任务时，其处理效率又无法满足实时需求。
2、为了解决上述问题，基于深度学习的图像识别技术逐渐引入桥梁故障检测领域。深度神经网络可以自动提取多层次特征，并在分类和识别任务中取得显著效果。然而，桥梁故障检测的精细化要求更高，需要更加准确的缺陷检测能力。在此背景下，神经辐射场方法因其能够通过有限数量的图像构建3d场景、适用于复杂场景下的三维重建而备受关注。精细化深度神经辐射场技术能够合成具有超高锐度和高频细节的高分辨率3d深度场并与
技术实现思路
1、本专利技术为了解决上述问题 ，提供了一种基于深度神经辐射场的精细化桥梁故障检测及重建方法。
2、本专利技术为实现上述目的，通过以下技术方案实现：
3、本专利技术提供一种基于深度神经辐射场的精细化桥梁故障检测及重建方法，包括以下步骤：
4、s1.获取桥梁健康状态下摄像头拍摄的桥梁图像数据和对应的相机位姿数据，构建3d-brith数据集，并对桥梁图像数据进行预处理得到桥梁基准图像；
5、s2.构建基于深度神经辐射场的精细化桥梁故障检测及重建模型，所述模型包括深度图像分析模块、故障率计算函数、全连接网络、体积渲染层；
6、s3.桥梁基准图像经过深度图像分析模块得到桥梁基准深度图像，待检测桥梁图像经过深度图像分析模块得到桥梁检测深度图像；
7、s4.将桥梁基准深度图像和桥梁检测深度图像输入到故障率计算函数中，得到故障率；
8、s5.将桥梁的三维点位姿输入到全连接网络得到辐射场，然后将辐射场和相机位姿输入到体积渲染层，得到桥梁深度重建图像，利用损失函数对模型进行训练，得到训练好的模型；
9、s6.将辐射场e和需要重建的相机位姿视角输入训练好的模型的体积渲染层中，得到需要重建的深度图像。
10、进一步地，步骤s1包括：
11、所述对应相机位姿数据指拍摄该图像的摄像头在空间坐标系中的三维坐标位置；
12、对3d-brith数据集中的图像数据使用reinhard全局色调映射算法进行数据预处理，得到桥梁基准图像。
13、进一步地，步骤s3中所述深度图像分析模块包括深度编码器、深度上采样器、深度解码器，具体为：
14、所述深度编码器包括图像分割层、patch嵌入层、位置编码层、patch编码器；桥梁基准图像经过深度编码器得到深度编码特征；
15、所述深度上采样器包括大尺度合并层、大尺度上采样层、中尺度合并层、中尺度上采样层、小尺度合并层、小尺度上采样层以及维度匹配层；所述深度编码特征经过深度上采样器得到深度上采样特征；
16、所述深度解码器包括第一转置卷积层、relu激活函数、第二转置卷积层、sigmoid激活函数；所述深度上采样特征经过深度解码器桥梁基准深度图像；
17、待检测的桥梁图像经过深度图像分析模块得到桥梁检测深度图像。
18、进一步地，步骤s4中将桥梁基准深度图像和桥梁检测深度图像输入到故障率计算函数中，得到故障率r，具体为：
19、s41.所述故障率计算函数设定如下参数：
20、桥梁基准深度图像：；
21、桥梁检测深度图像：；
22、图像高度：h；
23、图像宽度：w；
24、总的像素数量：；
25、故障区域的像素数量：；
26、s42.故障区域的定义为检测深度小于基准深度的像素点，公式表示如下：
27、，
28、其中，δ表示指示函数，若δ中的条件满足，则为1，反之则为0；
29、s43.设计加权因子w(x, y)，公式表示如下：
30、，
31、其中，max()函数表示从输入数据中取最大值；
32、s44.所述故障率计算函数的公式表示如下：
33、，
34、其中，故障率r的计算结果为浮点类型。
35、进一步地，步骤s5中将桥梁的三维点位姿输入到全连接网络得到辐射场，具体为：
36、所述桥梁的三维点位姿，其中(x,y,z)为三维坐标，由人工测量标定；
37、所述全连接网络包括第一隐藏层、第二隐藏层、第三隐藏层；所述第一隐藏层包含24个神经元，激活函数为relu激活函数；第二隐藏层包含64个神经元，激活函数为relu激活函数；第三隐藏层包含4个神经元，激活函数为relu激活函数；桥梁的三维点位姿输入到全连接网络中，得到辐射场e=，σ为空间密度。
38、进一步地，步骤s5中将辐射场和相机位姿输入到体积渲染层，得到桥梁深度重建图像，具体为：
39、所述相机位姿=(,)，其中为旋转矩阵，为平移向量，,由相机参数标定；
40、所述体积渲染层包括样本点生成层、辐射场采样层、体积积分；在样本点生成层中，相机位姿在三维空间中生成样本点，每个样本点的坐标为；在辐射场采样层中，对于每个样本点，根据辐射场e进行采样，得到每个样本点对应的颜色值和密度；体积积分采用前向积分的方法对样本点的颜色和透视进行加权求和，得到桥梁深度重建图像，公式表示如下：
41、，
42、
43、其中，n表示样本点数量，表示从相机到样本点的透视传输函数，表示相邻样本点之间的距离。
44、进一步地，步骤s5中，通过mse损失函数利用adam优化器计算桥梁检测深度图像和桥梁深度重建图像的损失。
45、本专利技术的优点在于：
46、本专利技术提出了一种基于深度神经辐射场的精细化桥梁故障检测及重建方法，结合现代深度学习与图像处理技术，具有显著的创新点和有益效果。首先，该方法利用深度神经网本文档来自技高网...
【技术保护点】
1.一种基于深度神经辐射场的精细化桥梁故障检测及重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度神经辐射场的精细化桥梁故障检测及重建方法，其特征在于，步骤S1包括：
3.根据权利要求2所述的基于深度神经辐射场的精细化桥梁故障检测及重建方法，其特征在于，步骤S3中所述深度图像分析模块包括深度编码器、深度上采样器、深度解码器，具体为：
4.根据权利要求3所述的基于深度神经辐射场的精细化桥梁故障检测及重建方法，其特征在于，步骤S4中将桥梁基准深度图像和桥梁检测深度图像输入到故障率计算函数中，得到故障率R，具体为：
5.根据权利要求4所述的基于深度神经辐射场的精细化桥梁故障检测及重建方法，其特征在于，步骤S5中将桥梁的三维点位姿输入到全连接网络得到辐射场，具体为：
6.根据权利要求5所述的基于深度神经辐射场的精细化桥梁故障检测及重建方法，其特征在于，步骤S5中将辐射场和相机位姿输入到体积渲染层，得到桥梁深度重建图像，具体为：
7.根据权利要求6所述的基于深度神经辐射场的精细化桥梁故障检测及重建方
...【技术特征摘要】
1.一种基于深度神经辐射场的精细化桥梁故障检测及重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度神经辐射场的精细化桥梁故障检测及重建方法，其特征在于，步骤s1包括：
3.根据权利要求2所述的基于深度神经辐射场的精细化桥梁故障检测及重建方法，其特征在于，步骤s3中所述深度图像分析模块包括深度编码器、深度上采样器、深度解码器，具体为：
4.根据权利要求3所述的基于深度神经辐射场的精细化桥梁故障检测及重建方法，其特征在于，步骤s4中将桥梁基准深度图像和桥梁检测深度图像输入到故障率计算函数中，得到...
【专利技术属性】
技术研发人员：张恒，孙新桐，贾俊超，赵咪，单景松，
申请(专利权)人：山东科技大学，
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。