一种基于编码-解码结构的混凝土桥梁裂缝检测方法技术

本发明专利技术公开了一种基于编码

A concrete bridge crack detection method based on code decode structure

【技术实现步骤摘要】
一种基于编码
‑
解码结构的混凝土桥梁裂缝检测方法


[0001]本专利技术涉及桥梁裂缝检测领域，尤其涉及一种基于编码
‑
解码结构的混凝土桥梁裂缝检测方法。

技术介绍

[0002]公路、桥梁网的构建推动了我国交通运输行业的快速发展，给人们的出行带来了极大的便利。由于道路使用年限的不断增加，道路路面在各型重载车辆的长期碾压下受损，导致路面内部的结构层难以承担负荷，主要以路面损伤初期的裂缝形式显现。若能够在公路路面破损初期就对其进行道路、桥梁养护工作，将大大减少工作量并减少相关费用。对于道路、桥梁养护工作者来说，若能够在路面损伤初期就进行及时的路况检测可以有效提高预防性养护的水平。相反，由于路面养护的封闭维修模式而导致损伤处理不及时，风险评估不到位，在各种外在因素的影响下会进而引发损伤二次加剧，严重干扰正常的交通秩序，危害驾驶人的安全。
[0003]传统的养护方式严重依赖一些专业的养护和检测设备，价格高且操作专业性强，导致相关任务完成难度大。在道路、桥梁的养护任务中，关键的一步便是对路面裂缝的检测和识别。传统的人工检测方式完全依赖于检测人员个人的相关经验和知识背景，在定量分析中缺乏客观性。基于数字图像处理技术以及边缘检测算法的裂缝检测方法虽然相对于人工检测可以在一定程度上提高检测效率，但其处理模式单一，且没有考虑到实际环境下的路面噪声情况，其检测准确性不高。
[0004]目前，基于深度学习的方法已经广泛应用于图像分类、目标检测、语义分割等领域，其检测精度远远超过了传统的基于数字图像处理技术的方法，甚至超过了人类的检测水平。近年来，深度学习研究取得了突破式进展，使利用深度卷积神经网络进行裂缝的目标检测成为了可能。根据裂缝的复杂化和多样化，将裂缝分为横向裂缝、纵向裂缝、斜向裂缝以及网状裂缝，每类裂缝的损伤程度有所差异，需要根据其实际情况采取相适应的处理措施，其中前三种裂缝属于规则裂缝。此类裂缝不仅具有平直的基本特性，而且还具有规律性。通常而言，网状裂缝相对于规则裂缝来说出现的时间更早、复杂度更高、检测难度更大，在混凝土制备时、养护期间、浇筑后都有可能会形成网状裂缝。
[0005]综上所述，设计高效、准确的道路、桥梁网状裂缝检测系统，成为道路、桥梁裂缝检测领域亟待攻克的技术难题。

技术实现思路

[0006]针对现有技术存在的上述不足，本专利技术的目的在于解决上述技术问题，提供一种基于编码
‑
解码结构的混凝土桥梁裂缝检测方法，能够改善在桥梁裂缝检测中密集细小裂缝检测不清晰、背景噪声过大的问题。
[0007]为了解决上述技术问题，本专利技术采用的技术方案是这样的：一种基于编码
‑
解码结构的混凝土桥梁裂缝检测方法，其特征在于：包括如下步骤：
步骤一：采集并筛选桥梁表面图像的数据集，并对数据集进行预处理，其中，所述数据集包括若干张桥梁表面的图片；步骤二：引入空洞卷积，扩大感受野，增加多尺度信息；步骤三：将空间注意力机制引入到编码
‑
解码结构中，并将编码结构中经过一次卷积的特征图与解码结构中进行一次卷积的特征图进行特征关联；步骤四：最后，将编码结构与解码结构进行跳层连接。
[0008]进一步地，步骤一中，对数据集的预处理过程如下：。
[0009]1）对数据集中的图片裂缝手工过滤，然后利用LabelImg软件对数据集中的图片的裂缝进行像素点标注，将图片中的裂缝沿裂缝的走向涂画出来；2）用最近邻域插值法将数据集中的图片进行尺寸缩放，使数据集中的图片的尺寸均为512x512；3）对现有数据集采用裁剪、变形、随机遮挡等方式的数据增强方法，将原始数据集进行多次扩展；4）将60%的扩展图像划分为训练数据集，将20%的扩展图像划分为验证数据集，将20%的扩展图像划分为测试数据集。
[0010]进一步地，步骤二中引入空洞卷积后，并设置dilation rate = 2的空洞卷积，使卷积后的感受野为5，经过卷积膨胀之后卷积核的尺寸变成5*5，并将膨胀后的卷积核中空洞的部分填充0。
[0011]与现有技术相比，本专利技术具有如下优点：1.引入空洞卷积之后，对比传统的VGG网络，该空洞卷积得到了更大的感受野，且不丢失图片分辨率，因此可以获取更加密集的数据即提高在执行任务时对细微、模糊不清裂缝等识别分割的效果，采用空洞卷积可以更好地保留裂缝图像的空间特征，不会损失图像信息，即将所有有用的信息均保留；同时使用空洞卷积还可以在一定程度上减少计算资源的消耗。
[0012]2.引入空间注意力机制目的是重点关注任务区域，该空间注意力机制会形成一对方向感知和位置敏感的特征图。在网络中加入该模型不会带来额外计算开销，能显著提高网络精度且对分割裂缝这类任务对比其他注意力机制效果更明显；在加入该注意力机制时进行编码解码结构的特征关联也是增强网络能力和特征增强。
[0013]3.针对桥梁裂缝检测过程中背景噪声过大、对密集细小裂缝，裂缝不清晰等问题，该技术最后一步提出了在编码
‑
解码结构上的跳层连接，从而减少背景噪声对裂缝检测的影响。
附图说明
[0014]图1为本专利技术的工作流程图。
[0015]图2为空洞卷积的结构图。
[0016]图3为特征融合的结构图。
具体实施方式
[0017]下面将结合附图及实施例对本专利技术作进一步说明。
[0018]实施例：参见图1
‑
图3，一种基于编码
‑
解码结构的混凝土桥梁裂缝检测方法，包括如下步骤：步骤一：通过无人机采集桥梁表面的图像数据，并筛选桥梁表面图像，形成数据集，并对数据集进行预处理，其中，所述数据集包括若干张桥梁表面的图片。其中，对数据集的预处理过程如下：。
[0019]1）对数据集中的图片进行手工过滤，将桥梁裂缝图片不清晰，裂缝不明显的图片剔除，并将有露筋、破损、侵蚀等病害的图片剔除；然后利用LabelImg软件对数据集中的图片的裂缝进行像素点标注，将图片中的裂缝沿裂缝的走向涂画出来。
[0020]2）由于标注后数据集可能图片大小不一，为了统一网络的输入尺寸，用最近邻域插值法将数据集中的图片进行尺寸缩放，使数据集中的图片的尺寸均为512x512。
[0021]3）为了缓解实验过程中出现的过拟合现象，对现有数据集采用裁剪、变形、随机遮挡等方式的数据增强方法，将原始数据集进行多次扩展。
[0022]4）将60%的扩展图像（图片）划分为训练数据集，将20%的扩展图像（图片）划分为验证数据集，将20%的扩展图像（图片）划分为测试数据集。
[0023]步骤二：引入空洞卷积，扩大感受野，增加多尺度信息；其中，为了不丢失分辨率，且扩大感受野，便引入空洞卷积。引入空洞卷积后，并设置dilation rate = 2的空洞卷积，使卷积后的感受野为5，经过卷积膨胀之后卷积核的尺寸变成5*5，并将膨胀后的卷积核中空洞的部分填充0。这样，当感受野越大，其接触到的原始裂缝图像范本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于编码
‑
解码结构的混凝土桥梁裂缝检测方法，其特征在于：包括如下步骤：步骤一：采集并筛选桥梁表面图像的数据集，并对数据集进行预处理，其中，所述数据集包括若干张桥梁表面的图片；步骤二：引入空洞卷积，扩大感受野，增加多尺度信息；步骤三：将空间注意力机制引入到编码
‑
解码结构中，并将编码结构中经过一次卷积的特征图与解码结构中进行一次卷积的特征图进行特征关联；步骤四：最后，将编码结构与解码结构进行跳层连接。2.根据权利要求1所述的一种基于编码
‑
解码结构的混凝土桥梁裂缝检测方法，其特征在于：步骤一中，对数据集的预处理过程如下：1）对数据集中的图片裂缝手工过滤，然后利用LabelImg...

【专利技术属性】
技术研发人员：蒋仕新，邹小雪，杨建喜，李昊，黄蝶，唐椿程，熊元俊，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：