一种桥梁表面病害的检测方法技术

本发明专利技术公开了一种桥梁表面病害的检测方法，涉及桥梁病害防治领域，包括以下步骤：S1、采集桥梁表面病害样本，使用深度学习算法对样本进行训练学习，获得病害语义分割网络模型；S2、根据所述病害语义分割网络模型对病害图像进行分割，并将分割后图像转化为二值化图像；S3、计算识别单幅二值化图像的8连通区域，然后计算二值化图像中每个连通区域的面积；S4、对所有病害分割图像转化的二值化图像依次进行步骤S3计算，合并计算结果输出为病害检测结果。本发明专利技术的桥梁表面病害的检测方法便于获得各类病害区域的数目、面积、病害总面积和病害最大面积等指标，较现有技术提升了对桥梁病害的检测准确度和全面度。

【技术实现步骤摘要】
一种桥梁表面病害的检测方法
本专利技术涉及桥梁病害检测领域，具体涉及一种桥梁表面病害的检测方法。
技术介绍
建筑物、公路、桥梁和隧道表面不可避免地存在病害，例如混凝土桥梁底面的掉块、露筋、蜂窝、麻面等，由于这些病害是影响桥梁安全的重要因素，因此，对桥梁结构进行定期检测，以便及时发现病害是否产生和生长是监控桥梁健康状况的有效手段。传统的检测方法是检测人员使用望远镜远距离观察桥底病害，或者通过搭建的桥底平台近距离观察桥底病害，检测人员手动记录病害的尺寸信息。由于桥底病害分布不规律，导致人工检测方法难度大，记录的病害数据受环境和人为因素影响大，病害尺寸数据的准确性差，可靠性低，而且搭建桥底平台花费大，周期长，危险性高。随着图像采集、数字图像处理技术、深度学习算法的快速发展，目前出现了基于深度学习算法的进行桥梁病害识别的研究及方法，以实现对桥梁病害的自动分割。但使用现有深度学习算法直接进行桥梁病害的识别统计时，由于桥梁病害的尺寸和边界范围对桥梁养护存在重要影响，在进行桥梁病害识别过程中，使用现有方法对病害的边界范围识别不够精确，难以直接获取桥梁病害的连通区域和准确计算病害尺寸。
技术实现思路
针本文档来自技高网...

【技术保护点】
1.一种桥梁表面病害的检测方法，其特征在于，包括以下步骤：S1、采集桥梁表面病害样本，使用深度学习算法对样本进行训练学习，获得病害语义分割网络模型；S2、根据所述病害语义分割网络模型对病害图像进行分割，并将分割后图像转化为二值化图像；S3、计算识别单幅二值化图像的8连通区域，然后计算二值化图像中每个连通区域的面积；S4、对所有病害分割图像转化的二值化图像依次进行步骤S3计算，合并计算结果作为病害检测结果输出。

【技术特征摘要】
1.一种桥梁表面病害的检测方法，其特征在于，包括以下步骤：S1、采集桥梁表面病害样本，使用深度学习算法对样本进行训练学习，获得病害语义分割网络模型；S2、根据所述病害语义分割网络模型对病害图像进行分割，并将分割后图像转化为二值化图像；S3、计算识别单幅二值化图像的8连通区域，然后计算二值化图像中每个连通区域的面积；S4、对所有病害分割图像转化的二值化图像依次进行步骤S3计算，合并计算结果作为病害检测结果输出。2.如权利要求1所述的桥梁表面病害的检测方法，其特征在于：所述步骤S2中，对每一种病害图像标记唯一的病害标签。3.如权利要求2所述的桥梁表面病害的检测方法，其特征在于：所述步骤S2中，将分割后图像转化为多个二值化图像，每幅二值化图像中包括背景和一种病害标签的病害。4.如权利要求3所述的桥梁表面病害的检测方法，其特征在于：所述每幅分割后图像转化的二值化图像个数与病害标签数相同。5.如权利要求2所述的桥梁表面病害的检测方法，其特征在于，所述步骤S2中，根据图像中各像素的灰度值标记不同的病害标签。6.如权利要求1所述的桥梁表面病害的检...

【专利技术属性】
技术研发人员：王波，阮小丽，荆国强，汪正兴，赵训刚，王翔，柴小鹏，马长飞，伊建军，张东波，
申请(专利权)人：中铁大桥科学研究院有限公司，中铁大桥局集团有限公司，
类型：发明
国别省市：湖北,42