桥梁外观损伤病害智能识别方法技术

本发明专利技术提供一种桥梁外观损伤病害智能识别方法，包括以下步骤：S1：整理目标桥梁结构的表观缺陷检测项目；S2：自动化采集桥梁表观状态图像信息，建立桥梁表观状态图像信息数据库；S3：使用桥梁表观状态图像信息对VGG16模型进行训练；S4：通过S3得到的二元分类模型对桥梁表观状态图像信息进行二元识别，分别建立含表观缺陷和不含表观缺陷的图像信息数据库；S5：对于含有表观缺陷的图像信息，采用训练好的Mask‑RCNN模型实现缺陷的标定，并将实现缺陷标定的图像信息导入S4中的含表观缺陷的图像信息数据库，得到更新后的病害历史数据库；S6：采用更新后的病害历史数据库进行模型优化；S7：得到标注出该桥梁外观损伤病害的图像以及外观损伤病害所属的类别。

Intelligent identification method for damage of bridge appearance

【技术实现步骤摘要】
桥梁外观损伤病害智能识别方法
本专利技术属于桥梁结构病害检测
，具体涉及一种桥梁外观损伤病害智能识别方法。
技术介绍
近年来我国桥梁建设飞速发展，到2016年底，全国桥梁数量已经增加到80.5万座。一般来说，每座桥梁每年都要进行一次桥梁检测。传统的桥梁检测，需要工作人员到现场拍摄桥梁病害的照片，成本高，主观性强。桥梁表观缺陷的检测技术，可以更快更经济地识别桥梁的缺陷，并使识别结果更加标准化，减少测量的主观性。因此，越来越多的土木工程领域的研究人员开始尝试利用CNN进行外观损伤病害识别，然而很多研究只能对某一种特定的病害进行识别，而且仍需对图像进行较为复杂的预处理及后处理。由于Mask-RCNN神经网络模型，相较以往的模型具有更快的识别速度，且误差较小，故而在桥梁外观损伤识别方面有良好的应用前景。
技术实现思路
针对以上现状与存在的问题，本专利技术提出了一种桥梁外观损伤病害智能识别方法，该方法将为桥梁结构的性能退化预测提供数据，并为桥梁智能监控管理提供技术支撑。为了实现上述目的，本专利技术所采用的技术方案本文档来自技高网...

【技术保护点】
1.一种桥梁外观损伤病害智能识别方法，其特征在于，包括以下步骤：/nS1：根据现行规范，整理目标桥梁结构的表观缺陷检测项目；/nS2：自动化采集桥梁表观状态图像信息,给桥梁表观状态图像信息打上有缺陷和无缺陷的标签，建立桥梁表观状态图像信息数据库；/nS3：将桥梁表观状态图像信息分成训练集、验证集、测试集，使用训练集对VGG16模型进行训练，根据测试集计算VGG16模型的损失函数，并不断训练VGG16模型；再用验证集验证训练完的模型的识别结果，直至达到设定的识别结果准确度后，则停止训练，得到二元分类模型；/nS4：通过S3得到的二元分类模型对桥梁表观状态图像信息进行二元识别，从而实现桥梁表观缺陷...

【技术特征摘要】
1.一种桥梁外观损伤病害智能识别方法，其特征在于，包括以下步骤：
S1：根据现行规范，整理目标桥梁结构的表观缺陷检测项目；
S2：自动化采集桥梁表观状态图像信息,给桥梁表观状态图像信息打上有缺陷和无缺陷的标签，建立桥梁表观状态图像信息数据库；
S3：将桥梁表观状态图像信息分成训练集、验证集、测试集，使用训练集对VGG16模型进行训练，根据测试集计算VGG16模型的损失函数，并不断训练VGG16模型；再用验证集验证训练完的模型的识别结果，直至达到设定的识别结果准确度后，则停止训练，得到二元分类模型；
S4：通过S3得到的二元分类模型对桥梁表观状态图像信息进行二元识别，从而实现桥梁表观缺陷的人工智能判断，分别建立含表观缺陷和不含表观缺陷的图像信息数据库；
S5：对于含有表观缺陷的图像信息，采用训练好的Mask-RCNN神经网络模型实现缺陷的定位和标注，并将实现缺陷定位和标注的图像信息导入所述的S4中的含表观缺陷的图像信息数据库，得到更新后的病害历史数据库；
S6：采用更新后的病害历史数据库重新训练缺陷定位与标注Mask-RCNN神经网络模型，得到优化后的Mask-RCNN神经网络模型；
S7：采...

【专利技术属性】
技术研发人员：张鹤，宓登峰，朱俊涛，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33