【技术实现步骤摘要】
一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法
[0001]本专利技术涉及深度学习技术在混凝土桥梁裂缝实时检测中的运用,具体是一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法。
技术介绍
[0002]近年来,我国桥梁数量快速增长,与此同时,越来越多的桥梁逐渐进入了养护维修阶段。有关专家认为桥梁使用超过25年以上则进入老化期,据统计,我国桥梁总数的40%已经属于“老龄”桥梁。其数量随着时间的推移还在不断增长,屡屡发生的桥梁事故也频频敲响了警钟,桥梁管理者对桥梁的养护已日益重视。随着我国城市建设以及基础设施快速发展,面对庞大的混凝土材料的投入使用,其耐久性问题,已经成为影响经济发展和人民生命安全的重要因素。据统计,由于受到疲劳应力和循环负荷的影响,混凝土桥梁的损坏有76%以上都是由裂缝引起的,这也是诱发桥梁坍塌的根本性因素。特定裂缝的位置和形态能提供有关结构内部损坏、退化和潜在风险的大量信息。因此,进行混凝土桥梁裂缝检测和桥梁状况评估在结构养维护阶段是很有必要的。
[0003]随着人工智能在土木工程领域的快速发展,其主要分支计算机视觉技术已成为桥梁系统中结构健康监测的重要组成部分。区别于主观性很高的传统人工目测检查的方法,计算机能够通过图像或视频进行裂缝损伤识别和场景理解,以获取图像中包含的损伤信息和知识。随着航拍、遥感技术产业化程度的飞速发展,人工智能结合无人机技术在桥梁损伤识别检测中的应用受到了广泛关注。
[0004]然而,人工智能在土木工程领域的研究和应用仍处于起步阶段,从计算机视觉算法角度看 ...
【技术保护点】
【技术特征摘要】
1.一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法,其特征在于,包括:步骤一、混凝土桥梁裂缝损伤图像数据集预处理和准备;包括数据集建立,具体采用不同来源的真实现场混凝土桥梁裂缝数据图像作为部分原始数据图像,然后通过预处理分析来确定训练、验证和测试集的布置,然后使用MATLAB对裁剪后尺寸为512
×
512像素的裂缝损伤图像数据集进行像素点标注;研究现场采集到的数据集中具有混凝土桥梁结构裂缝以及复杂手写标注背景的图像,分析其图像的基本特征、结构损伤的种类以及结构裂缝在图片中呈现的大小、数量对神经网络算法目标检测鲁棒性的影响;包括混凝土桥梁裂缝图像的数据增强,具体采用有监督的图像数据增强和基于生成对抗网络的无监督数据增强两种数据增强方法;其中有监督的图像数据增强是指在样本受限的条件下,数据增强在不实质性增加数据的情况下,让有限的初始图像数据产生等价于更多数据的价值;首先,通过MATLAB或者ImageJ图像处理软件导入初始设计的混凝土桥梁裂缝图像数据集,对其进行单样本的几何变换,包括翻转,旋转,移位,裁剪,变形和缩放;然后通过颜色变换数据增强法对数据集进行包括亮度、噪声、模糊、颜色变换、擦除和填充处理;其中基于生成对抗网络的无监督数据增强是指通过生成对抗网络模型学习图像数据的分布,随机生成与训练数据集分布一致的图片,通过利用生成对抗网络模型中的生成器与判别器之间的交替优化训练,采用适当的超参数调优和足够的训练迭代次数,生成器网络和判别器网络将同时收敛直到描述伪造数据的分布和取样真实数据的分布相一致的点,最终得到改进的生成模型;然后使用这个生成模型去生成更多具有复杂背景环境的真实混凝土桥梁裂缝数据以实现无监督数据增强;步骤二,建立裂缝损伤实时识别的迁移学习新网络架构方法;包括基于领域自适应编码器和解码器架构的裂缝检测和识别,利用领域自适应迁移学习方法的目标是将数据分布不同的源域和目标域的数据映射到一个共同的特征空间中,并使它们在空间中尽可能接近,从而减少对目标域数据标注的过度依赖;通过最小化源分布和目标分布之间的距离,建立一个中间域进行深度神经网络的训练,以提高提取域不变特征的能力;MK
‑
MMD通过多个核的线性组合得到最优核,最终得到域判别损失,其平方公式定义为:其中,其中H
k
表示具有特征核k的再生核希尔伯特空间,D
s
为源域数据,D
t
为目标域数据;采用的编码器和解码器神经网络架构进行裂缝损伤分割;编码器拟采用预训练好的深度残差网络为基础网络模型进行迁移学习,并通过残差学习机制以解决深度网络训练过程中的退化问题;该深度网络模型由卷积运算器来获取图像局域特征、通过最大池化运算器对特征图进行下采样、可学习的Swish非线性激活函数和批量归一化对训练图像的分布归一化以加速学习运算函数组成;然后,通过解码器的上采样模块对缩小后的特征图进行卷
积处理,使输出与输入图像的大小相匹配来弥补细节损失,以实现在复杂场景中对混凝土桥梁裂缝特征进行精准像素级分割;使用focal
‑
Tversky损失函数进行数据模型训练,以解决数据集不均衡和图像背景复杂度高的问题,采用自适应矩估计优化器,通过利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率;超参数如一阶矩、二阶矩和dropout比率分别拟定为0.9、0.999和0.2;初始学习率拟定为0.005,以保持稳定的神经网络训练过程;其中focal
‑
Tversky总损失函数的表达式为:focal
‑
Tversky总损失=(1
‑
TL)...
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。