【技术实现步骤摘要】
本专利技术涉及桥梁检测，具体而言，涉及一种桥梁病害识别方法及系统。
技术介绍
1、随着我国交通基础设施建设的迅猛推进，桥梁作为关键交通枢纽的安全保障日益凸显其重要性。为应对日益增长的桥梁定检和日常检测维护需求，以及不断提升的安全可靠性的要求，亟需革新传统的检测手段。
2、当前，桥梁结构检测面临两大挑战：一是传统人工检测方式效率低下、主观性较强和安全隐患大等问题；二是基于计算机图形学及多模态自动识别技术的高成本、识别效果不稳定、效率不高等局限性尚待克服。当前主流的三种桥梁病害识别方法主要有以下三种：人工目视解译，这种方法效率低下、耗时长、成本高，且人工检测方法受环境及检测人员职业技术素养等因素影响较大，检测结果存在不确定性；深度学习卷积神经网络模型，需要大量的标注数据量大、图片质量要求高，且仍存在易受光照、拍摄角度影响(需要对图像进行矫正处理)、识别误差偏高、技术集成化程度低，数据处理流程复杂的问题；多模态融合混合特征模型，通过多种手段提取不同维度特征，通过特征融合实现病害识别，存在可识别病害单一、识别过程复杂、识别准确率低、软硬件成本高昂的问题。
3、因此，有必要提供一种桥梁病害识别方法及系统用以解决现有技术中的问题。
技术实现思路
1、鉴于此，本专利技术提出了一种桥梁病害识别方法及系统，旨在解决现有技术中的问题。
2、一方面，本专利技术提出了一种桥梁病害识别方法，包括：
3、采集原始桥梁典型病害数据集，使用通用图像标注工具对病害图像
4、将标记完成的数据集划分为训练集、验证集和测试集，且使各类别的病害在训练集、验证集和测试集中分布均匀；
5、将所述训练集输入yolo图像分割模型进行模型训练，将所述验证集输入训练完成后的模型对模型进行评估，将所述测试集输入训练完成后的模型对模型进行实际验证；
6、设置病害图像比例尺；
7、输入桥梁病害图像，送入到yolo图像分割模型主干网络中，生成病害分割掩模、病害边界框坐标、病害置信度和病害类别概率的输出结果；
8、通过比例尺换算实现病害实际边界范围换算，将病害像素数转换为病害的实际长度或病害区域实际面积；
9、将桥梁病害信息进行标记，其中，所述桥梁病害信息包括病害类别、置信度、分割掩膜和病害区域实际长度和病害区域实际面积。
10、进一步的，所述通用图像标注工具包括：
11、labelimg和vgg image annotator。
12、进一步的，yolo图像分割模型的损失函数为：
13、
14、其中，k表示像素总数，yi表示真实掩膜中第i个像素的标签(0或1)，pi表示模型预测像素属于目标类别的概率，wi表示针对每个像素或病害类别的权重。
15、进一步的，将所述验证集输入训练完成后的模型对模型进行评估时，包括：
16、yolo图像分割模型训练完成后，对yolo图像分割模型性能进行目标检测评估和分割掩膜评估。
17、进一步的，所述对yolo图像分割模型性能进行目标检测评估和分割掩膜评估时，目标检测评估指数包括precision、recall、map、map50和map50-95；其中，
18、
19、上式中，precision表示模型预测的边界框中，被正确标记为某一类别的比例，tp表示真正例，即模型正确预测的边界框，fp表示假正例，即模型错误地标记为某一类别的边界框；
20、
21、上式中，recall表示模型成功找出所有实际存在类别的边界框的比例，tp表示真正例，即模型正确预测的边界框，fn是假反例，即模型未能正确检测到的实际存在的边界框；
22、map是各类别ap的平均值，ap是precision-recall曲线下的积分，反映了模型在不同精度水平下的召回能力；
23、map50是在计算ap时，使用iou阈值为0.50进行匹配，只有当预测边界框与真实边界框的iou大于等于0.5时，才认为预测是真正例；
24、map50-95是计算iou阈值从0.50到0.95，以0.05的步长递增下的ap，并取其平均值；
25、分割掩膜评估指数包括：mask precision、mask recall、mean averageprecision for masks、map50和map50-95。
26、进一步的，所述设置病害图像比例尺时，包括：
27、在进行桥梁病害图像采集过程中，所述桥梁病害图像拍摄距离及角度保持不变；
28、在所述桥梁病害图像上选择已知长度的地物或标准线绘制直线，系统自动获取标记直线的像素数lengthscalepixels；
29、输入所述直线对应的实际长度lengthinput，根据标记的比例尺像素数和实际距离进行长度换算，将像素信息换算为实际长度及面积信息；
30、根据直线的像素数和输入的实际长度，计算比例尺转换系数factorscale，其公式如下：
31、
32、上式中，lengthinput表示输入的实际长度，lengthscalepixels表示直线的像素数。
33、进一步的，所述输入桥梁病害图像，送入到yolo图像分割模型主干网络中，生成病害分割掩模、病害边界框坐标、病害置信度和病害类别概率输出结果时，包括：
34、在所述yolo图像分割模型主干网络中，将所述桥梁病害图像分成两个分支：目标检测分支和分割分支；
35、目标检测分支生成边框特征，边框特征包括边界框坐标的预测、对象性得分、置信度和类别概率预测，以确定病害的位置和类型；
36、分割分支产生分割特征图，通过focal softmax函数进行处理后，得到像素级的分割掩模，以区分病害区域和非病害区域；
37、将目标检测分支和分割分支的结果结合，生成病害分割掩模、病害边界框坐标、病害置信度和病害类别概率输出结果。
38、进一步的，所述通过比例尺换算实现病害实际边界范围换算，将病害像素数转换为病害的实际长度或病害区域实际面积时，包括：
39、涉及病害的实际长度统计的类别包括：水平裂缝、斜向裂缝和竖向裂缝，通过下式计算病害的实际长度lengthactual：
40、lengthactual＝lengthmask·factorscale；
41、上式中，lengthactual表示病害的实际长度，lengthmask表示目标分割掩膜的距离像素，factorscale表示比例尺转换系数。
42、进一步的，所述通过比例尺换算实现病害实际边界范围换算，将病害像素数转换为病害的实际长度或病害区域实际面积时，还包括：
43、涉及病害区域实际面积本文档来自技高网...
【技术保护点】
1.一种桥梁病害识别方法，其特征在于，包括：
2.根据权利要求1所述的桥梁病害识别方法，其特征在于，所述通用图像标注工具包括：
3.根据权利要求2所述的桥梁病害识别方法，其特征在于，YOLO图像分割模型的损失函数为：
4.根据权利要求3所述的桥梁病害识别方法，其特征在于，将所述验证集输入训练完成后的模型对模型进行评估时，包括：
5.根据权利要求4所述的桥梁病害识别方法，其特征在于，所述对YOLO图像分割模型性能进行目标检测评估和分割掩膜评估时，目标检测评估指数包括Precision、Recal l、mAP、mAP50和mAP50-95；其中，
6.根据权利要求5所述的桥梁病害识别方法，其特征在于，所述设置病害图像比例尺时，包括：
7.根据权利要求6所述的桥梁病害识别方法，其特征在于，所述输入桥梁病害图像，送入到YOLO图像分割模型主干网络中，生成病害分割掩模、病害边界框坐标、病害置信度和病害类别概率输出结果时，包括：
8.根据权利要求7所述的桥梁病害识别方法，其特征在于，所述通过比例尺换算实现病害
9.根据权利要求8所述的桥梁病害识别方法，其特征在于，所述通过比例尺换算实现病害实际边界范围换算，将病害像素数转换为病害的实际长度或病害区域实际面积时，还包括：
10.一种桥梁病害识别系统，用于应用如权利要求1-9任一项所述的桥梁病害识别方法，其特征在于，包括：
...【技术特征摘要】
1.一种桥梁病害识别方法，其特征在于，包括：
2.根据权利要求1所述的桥梁病害识别方法，其特征在于，所述通用图像标注工具包括：
3.根据权利要求2所述的桥梁病害识别方法，其特征在于，yolo图像分割模型的损失函数为：
4.根据权利要求3所述的桥梁病害识别方法，其特征在于，将所述验证集输入训练完成后的模型对模型进行评估时，包括：
5.根据权利要求4所述的桥梁病害识别方法，其特征在于，所述对yolo图像分割模型性能进行目标检测评估和分割掩膜评估时，目标检测评估指数包括precision、recal l、map、map50和map50-95；其中，
6.根据权利要求5所述的桥梁病害识别方法，其特征在于，所述设置病害图像...
【专利技术属性】
技术研发人员：倪勇勇，周杨，王斯倩，伍坤，王新武，谢轩晨，黄康强，章游斌，胡方小，殷勤，
申请(专利权)人：江西省天驰高速科技发展有限公司，
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。