正交异性钢桥面板疲劳裂纹检测图像的识别方法技术

本发明专利技术公开了正交异性钢桥面板疲劳裂纹检测图像的识别方法，包括以下步骤：步骤1、筛选出超声波相控阵检测仪采用同一显示成像方式采集的正交异性钢桥U肋焊缝处出现在钢桥顶板的缺陷图像；步骤2、通过加权算法将筛选出的缺陷图像处理成二维灰度图像；步骤3、基于图像颜色信息对处理成的二维灰度图像进行缺陷定位和截取；步骤4、将缺陷定位并截取后所有的图像缩放至相同的尺寸；步骤5、采用训练的Faster R‑CNN网络模型分别对缩放至相同尺寸的图像进行识别，判定出该显示成像方式中各个缺陷图像的缺陷类型是否为疲劳裂纹缺陷，若是则输出结果为疲劳裂纹，否则输出结果为其它类型缺陷。本发明专利技术应用时使得识别结果更为可靠，提高了疲劳裂纹的检出率。

Image recognition method for fatigue crack detection of orthotropic steel deck

【技术实现步骤摘要】
正交异性钢桥面板疲劳裂纹检测图像的识别方法
本专利技术涉及钢结构检测识别技术，具体是正交异性钢桥面板疲劳裂纹检测图像的识别方法。
技术介绍
正交异性钢桥面板由于其突出的结构和力学性能优点而被广泛应用于当前的桥梁设计和建造中。然而由于其结构复杂，使得正交异性钢桥面板在荷载的长期作用下易于产生疲劳裂纹，且疲劳裂纹一旦形成就会不断扩展，直至贯穿整个桥面板结构，严重破坏了结构的完整性及承载能力。目前，正交异性钢桥面板疲劳裂纹的形成呈现出普遍性、早发性、多发性的特征，若不能及时发现并维修整治，将会降低桥梁的使用寿命，严重时会影响桥上行车行人的生命安全。现今钢桥缺陷的检测手段众多，但针对正交异性钢桥U肋焊缝处出现在钢桥顶板的疲劳裂纹检测，当前比较先进的检测技术为超声波相控阵检测技术，其特点是无需移动探头，按照一定规则来控制阵列晶片的声发射，即可调节控制焦点的位置和聚焦的方向。该技术用于缺陷检测时，其检测范围更大，操作更灵活，检测效果更佳。检测疲劳裂纹后需对其进行定性识别，目前正交异性钢桥疲劳裂纹的定性识别主要依靠检测人员依据超声波扫描图像目视判断，这就要求检测人员必须经过严格的检测培训，且具有丰富的检测经验，能通过不同缺陷的图像特征和同一缺陷的不同扫描图像特征来进行综合定性判断。其缺点是受人的主观因素影响较大，检测效率较低。
技术实现思路
本专利技术的目的在于解决目前正交异性钢桥U肋焊缝处出现在钢桥顶板的疲劳裂纹的定性识别时存在检测效率低的问题，提供了正交异性钢桥面板疲劳裂纹检测图像的识别方法，其应用时能提高正交异性钢桥U肋焊缝处出现在钢桥顶板的疲劳裂纹检出率。本专利技术的目的主要通过以下技术方案实现：正交异性钢桥面板疲劳裂纹检测图像的识别方法，包括依次进行的以下步骤：步骤1、筛选出超声波相控阵检测仪采用同一显示成像方式采集的正交异性钢桥U肋焊缝处出现在钢桥顶板的缺陷图像；步骤2、通过加权算法将筛选出的缺陷图像处理成二维灰度图像；步骤3、基于图像颜色信息对处理成的二维灰度图像进行缺陷定位和截取；步骤4、将缺陷定位并截取后所有的图像缩放至相同的尺寸；步骤5、采用训练的FasterR-CNN网络模型分别对缩放至相同尺寸的图像进行识别，判定出该显示成像方式中各个缺陷图像的缺陷类型是否为疲劳裂纹缺陷，若是则输出结果为疲劳裂纹，否则输出结果为其它类型缺陷。本专利技术通过筛选出超声波相控阵成像技术采集缺陷图像中识别所用的缺陷图像，剔除其它不用的图像，然后对采集的图像进行灰度化处理，能提高计算速度。在进行灰度处理后，对图像中的缺陷进行自动定位并截取，对截取后的缺陷图像进行尺寸归一化处理，再采用训练好的FasterR-CNN神经网络模型进行疲劳裂纹识别。本专利技术在正交异性钢桥面板疲劳裂纹的识别中是一种全新的方法，将超声相控检测缺陷图像的颜色信息用来进行缺陷定位，使得识别结果更为可靠，提高了缺陷的定位精度。本专利技术通过加权算法将原来的真彩色RGB(R，G，B)图像中的R，G，B统一用灰度值(Gray)替换，形成新的颜色RGB(Gray，Gray，Gray)，用它替换原来的RGB(R，G，B)就处理成需要的二维灰度图了，这有助于提高计算速率。由于图像灰度化处理后缺陷区颜色和非缺陷区颜色对比较为明显，因此本专利技术利用该特点设计出基于颜色特征的算法对缺陷进行定位。在分析原始扫描图像灰度图后，专利技术人发现缺陷的灰度值和非缺陷的灰度值有突变，因而根据这一特征进行定位。本专利技术通过步骤3缺陷定位截取出来的图片有大有小，尺寸不统一，为保证计算结果的准确度，减小误差并提高计算速度，步骤4中通过尺寸缩放对截取出来的图片实现尺寸的归一化处理。本专利技术通过缺陷定位，然后截取缺陷图像，能排除大量无关信息，提高计算速度和识别率。本专利技术采用的FasterR-CNN网络模型是使用神经网络方法对处理好的图像提取图像特征进行深度学习，得到可用于疲劳裂纹识别的模型。其中，进行深度学习训练和识别验证采集的图像是已知缺陷类型的图像，缺陷包括裂纹、夹渣、气孔、未焊透和未熔合这五种常见类型。进一步的，所述步骤1筛选缺陷图像时将同一缺陷在不同扫描成像方式下所形成的图像编为相同的组号，同一组间的不同图像根据扫描成像方式和组号进行编码，其中，编码时A扫、B扫、C扫及D扫四种扫描成像方式分别对应的编号为A、B、C、D；所述步骤1中通过输入编码中的编号A、B、C、D来筛选B扫图像或C扫图像，剔除其余三种显示成像方式采集的图像。本专利技术对采集的同一缺陷的不同图像进行编码，再筛选出识别所用的缺陷图像，每个图像的编码作为该图像的文件名，通过图像编码，使得图像筛选更加便捷。本专利技术通过对文件名进行搜索，若搜索结果为文件名不含本专利技术所采用的显示成像方式的字母，则该图像被剔除，并终止识别过程；若搜索结果含本专利技术所采用的显示成像方式的字母，则该图像进入相应的识别通道。进一步的，所述步骤3具体包括如下步骤：步骤3.1、分别在水平方向和竖直方向对二维灰度图像进行一阶差分运算，获得各个点的灰度变化值；步骤3.2、对图像上各点的灰度变化值进行搜索，并定位缺陷上下左右边界；步骤3.3、根据边界坐标计算出缺陷各边界的长度，再根据最宽和最长处值截取一个包含缺陷的矩形图像。本专利技术通过确定截取图像长宽比截取一个矩形区域，矩形区域内的图像为定位的缺陷图像。如此，本专利技术缺陷定位时截取后同一类图像的长宽比是确定的，因此步骤6中只需要确定一个合适的图像缩放系数进行缩放，就能把一类图像变为统一标准的图像。进一步的，所述步骤3.2定位上下边界时先从图像上方至下方进行查找，首个差分值不为零的点即为定位的缺陷图像上边缘，然后再从图像下方至上方查找，首个不为零的点即为定位的缺陷图像下边缘；所述步骤3.2定位左右边界时先从图像左方至右方进行查找，首个差分值不为零的点即为定位的缺陷图像左边缘，然后再从图像右方至左方查找，首个不为零的点即为定位的缺陷图像右边缘。进一步的，所述FasterR-CNN网络模型的训练包括以下步骤：步骤5.11、采集疲劳裂纹扫描图像样本；步骤5.12、采用ImageNet训练RPN网络并初始化RPN网络中各卷积神经网络层的权值，之后利用训练好的RPN网络提取训练集上的候选区域；步骤5.13、利用ImageNet初始化FastR-CNN，将RPN提取得到的特征目标送入FastR-CNN训练出一个检测网络；步骤5.14、用检测网络训练RPN，固定FastR-CNN与RPN共用的卷积层参数，只微调RPN独有的卷积层和其它层的相关参数；步骤5.15、保持FastR-CNN与RPN共享的卷积层参数不变，只训练FastR-CNN独有的层；步骤5.16、通过迭代执行步骤5.12～步骤5.15直至训练结束，得到FasterR-CNN识别网络最终模型。进一步的，所述步骤5中疲劳裂纹的识别包括以下步骤：设置裂纹的置信度阈值，当识别过程中计算出的缺陷置信度高于裂纹的置信度阈值时，判本文档来自技高网...

【技术保护点】
1.正交异性钢桥面板疲劳裂纹检测图像的识别方法，其特征在于，包括依次进行的以下步骤：/n步骤1、筛选出超声波相控阵检测仪采用同一显示成像方式采集的正交异性钢桥U肋焊缝处出现在钢桥顶板的缺陷图像；/n步骤2、通过加权算法将筛选出的缺陷图像处理成二维灰度图像；/n步骤3、基于图像颜色信息对处理成的二维灰度图像进行缺陷定位和截取；/n步骤4、将缺陷定位并截取后所有的图像缩放至相同的尺寸；/n步骤5、采用训练的Faster R-CNN网络模型分别对缩放至相同尺寸的图像进行识别，判定出该显示成像方式中各个缺陷图像的类型是否为疲劳裂纹缺陷，若是则输出结果为疲劳裂纹，否则输出结果为其它类型缺陷。/n

【技术特征摘要】
1.正交异性钢桥面板疲劳裂纹检测图像的识别方法，其特征在于，包括依次进行的以下步骤：
步骤1、筛选出超声波相控阵检测仪采用同一显示成像方式采集的正交异性钢桥U肋焊缝处出现在钢桥顶板的缺陷图像；
步骤2、通过加权算法将筛选出的缺陷图像处理成二维灰度图像；
步骤3、基于图像颜色信息对处理成的二维灰度图像进行缺陷定位和截取；
步骤4、将缺陷定位并截取后所有的图像缩放至相同的尺寸；
步骤5、采用训练的FasterR-CNN网络模型分别对缩放至相同尺寸的图像进行识别，判定出该显示成像方式中各个缺陷图像的类型是否为疲劳裂纹缺陷，若是则输出结果为疲劳裂纹，否则输出结果为其它类型缺陷。


2.根据权利要求1所述的正交异性钢桥面板疲劳裂纹检测图像的识别方法，其特征在于，所述步骤1筛选缺陷图像时将同一缺陷在不同扫描成像方式下所形成的图像编为相同的组号，同一组间的不同图像根据扫描成像方式和组号进行编码，其中，编码时A扫、B扫、C扫及D扫四种扫描成像方式分别对应的编号为A、B、C、D；所述步骤1中通过输入编码中的编号A、B、C、D来筛选B扫图像或C扫图像，剔除其余三种显示成像方式采集的图像。


3.根据权利要求1所述的正交异性钢桥面板疲劳裂纹检测图像的识别方法，其特征在于，所述步骤3具体包括如下步骤：
步骤3.1、分别在水平方向和竖直方向对二维灰度图像进行一阶差分运算，获得各个点的灰度变化值；
步骤3.2、对图像上各点的灰度变化值进行搜索，并定位缺陷上下左右边界；
步骤3.3、根据边界坐标计算出缺陷各边界的长度，再根据最宽和最长处值截取一个包含缺陷的矩形图像。


4.根据权利要求3所述的正交异性钢桥面板疲劳裂纹检测图像的识别方法，其特征在于，所述步骤3.2定位上下边界时先从图像上方至下方进行查找，首个差分值不为...

【专利技术属性】
技术研发人员：勾红叶，韩冰，王君明，王海波，杨彪，魏莹莹，唐勇，吴再新，张伟勇，徐代宏，魏贤奎，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51