一种基于深度学习的桥梁板式橡胶支座病害识别检测方法技术

本发明专利技术属于桥梁病害检测技术领域，涉及一种基于深度学习的桥梁板式橡胶支座病害识别检测方法，包括以下步骤：搭建神经网络模型，训练初始检测模型，构造病害数据集，训练检测模型，检测图像病害；本发明专利技术能够通过对部分图像的标注、人工校正并将数据多次输入模型训练，构造出桥梁板式橡胶支座病害数据集，实现桥梁板式橡胶支座数据的半自动标注，节省了标注的工作量，减少了因人为标注所带来的标注错误及标注格式不统一问题，进而实现对桥梁板式橡胶支座病害的识别检测，节省标注时间，使用Soft

【技术实现步骤摘要】
一种基于深度学习的桥梁板式橡胶支座病害识别检测方法


[0001]本专利技术属于桥梁病害检测
，涉及一种基于深度学习的桥梁板式橡胶支座病害识别检测方法，能够通过对部分图像的标注、人工校正并将数据多次输入模型训练，构造出桥梁板式橡胶支座病害数据集，实现桥梁板式橡胶支座数据的半自动标注，进而实现对桥梁板式橡胶支座病害的识别检测，节省标注时间，提高检测效率和准确率。

技术介绍

[0002]随着近年来我国基础设施建设的不断发展，道路桥梁建设数量呈现出迅猛增长的趋势。桥梁橡胶支座作为桥梁的关键组成部分，对保证桥梁结构健康和正常通行皆具有重要作用，橡胶支座一旦出现病害，会影响整个桥梁结构的受力状态进而威胁到过往车辆及行人的交通安全。因此，对桥梁橡胶支座检测和橡胶支座病害识别在桥梁养护工作中是必不可少的。传统的桥梁板式橡胶支座检测方法为人工实地检测，该方法费时费力，成本高、耗费大量的人力物力，与当今日益增长的桥梁养护需求不符。目前国内外对于桥梁橡胶支座的识别正在实现由传统人工实地检测到自动化提取的转变，这种转变大大提高了桥梁橡胶支座病害检测的效率，为桥梁养护管理提供数据支撑。但是，传统的数字图像识别桥梁板式橡胶支座病害易受光照影响，容易造成识别错误或漏失的后果；数据集的标注工作量大，耗费大量人力、时间，且人为主观标注数据易造成标注错误，不同工作人员之间的标注又易造成标注格式的不统一；桥梁橡胶支座裂缝在数学形态上具有细长、不规则、不连续性，基于回归框预测的深度学习方法在细长物体上难以取得良好的成效。
[0003]在现有技术中，中国专利CN108288269A公开了一种基于无人机与卷积神经网络的桥梁板式橡胶支座病害自动识别方法，包括如下步骤：获取桥梁板式橡胶支座病害自动识别方法照片，运用图像处理的方法，增加用于训练卷积神经网络的数据量；将获取的桥梁板式橡胶支座病害自动识别方法照片划分训练集和测试集；建立卷积神经网络，并通过梯度下降法与反向传播算法迭代训练卷积神经网络各层的权值；得到具有自动识别桥梁板式橡胶支座病害自动识别方法功能的卷积神经网络模型；地面控制系统控制无人机进行巡航，并使用无人机携带的图像采集设备获取桥梁板式橡胶支座的照片；将无人机采集的数据传入云端进行数据处理，使用已经训练好的卷积神经网络模型进行桥梁板式橡胶支座病害自动识别方法的自动识别；中国专利CN110222701B公开了一种桥梁病害自动识别方法，包括以下步骤：S1：构建桥梁病害检测数据集；S2：将数据集划分为训练集和测试集；S3：基于卷积神经网络SSD构建桥梁病害的目标检测模型；并对S3中的构建的桥梁病害的目标检测模型进行训练，对训练后的桥梁病害的目标检测模型进行评估，如通过了评估标准，则将待检测的带有病害的桥梁图像输入更新参数后的目标检测模型，通过特征融合确定最终的病害位置、种类及尺寸；中国专利CN115713647A公开了一种基于深度学习的桥梁表观信息三分级识别方法和识别系统，先将训练数据集逐级分类，得到每个桥梁部位的训练数据集、每个桥梁构件的训练数据集、每个病害类别的训练数据集；然后，用前面的训练数据集分别训练改进的VGG16模型，得到每个桥梁部位的部位识别模型、每个构件的构件识别模型和每个病
害类别的病害识别模型，组成三分级识别模型；最后将待预测的桥梁表观图像输入部位识别模型，识别出该图像对应的桥梁部位，然后再输入对应桥梁部位的构件识别模型，识别出该图像对应的构件；最后输入对应构件的病害识别模型，输出待预测的包含桥梁表观信息的图像的病害类别。但是，上述现有技术均不能通过构造训练集来实现桥梁板式橡胶支座数据的半自动标注，进而训练出高效率的综合性病害的检测模型，检测复杂度较高。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的缺点，设计提供一种基于深度学习的桥梁板式橡胶支座病害识别检测方法，解决现有技术中无法实现通过构造训练集来实现桥梁板式橡胶支座数据的半自动标注，进而训练出高效率的综合性病害的检测模型的问题。
[0005]为了实现上述目的，本专利技术提供的基于深度学习的桥梁板式橡胶支座病害识别检测方法，具体包括以下步骤：
[0006]S1：搭建神经网络模型：搭建桥梁板式橡胶支座病害检测神经网络模型，网络最终输出为图像上预测的病害类别和位置信息；
[0007]S2：训练初始检测模型：采集桥梁板式橡胶支座图像，对采集到的部分图像进行标注，得到初始数据，使用初始数据对步骤S1中搭建的桥梁板式橡胶支座病害检测神经网络模型进行训练，得到适用于桥梁板式橡胶支座病害检测任务的初始检测模型；
[0008]S3：构造病害数据集：使用初始检测模型对步骤S2中采集到的图像中未标注部分的图像进行检测，并对该检测结果进行人工校正，得到校正数据，将校正数据与初始数据进行合并并处理，得到桥梁板式橡胶支座病害数据集；
[0009]S4：训练检测模型：使用桥梁板式橡胶支座病害数据集训练步骤S1中搭建的桥梁板式橡胶支座病害检测神经网络模型，得到适用于桥梁板式橡胶支座病害检测任务的检测模型；
[0010]S5：检测图像病害：将需要检测的图像输入步骤S4得到的检测模型中进行检测，删掉其他重复结果，保留效果最好的检测结果。
[0011]本专利技术涉及的基于深度学习的桥梁板式橡胶支座病害识别检测方法，其中步骤S1具体包括以下步骤：
[0012]S11：以YOLOv4神经网络模型为基础，搭建桥梁板式橡胶支座病害检测神经网络模型；其中，包括图像预处理模块、检测模块、损失函数模块；
[0013]S12：建立图像预处理模块，用于对输入图像尺寸统一进行调整至608*608或416*416；使用Moscaic数据增强方式，一次获取4张输入图像并按随机缩放、随机裁剪和随机排布的方式进行拼接，以丰富待检测物体背景，提高模型训练速度；
[0014]S13：建立检测模块，用于在DarkNet53每个残差块后加上CSPX模块，构成主干网络CSPDarkNet53以对输入图像提取特征信息，CSPX模块由卷积层和X个Resblock模块连接而成；使用空间池化金字塔结构增加感受野，使用路径聚合网络PANet将提取得到的特征信息转换为坐标，类别信息，使用上采样和下采样进行特征融合，并输出大小为77*77*255、38*38*355、19*19*255的三个特征图；将输出结果与真实标签做对比，计算出损失函数，从而对图像特征进行预测，生成边界框并预测类别；
[0015]S14：建立损失函数模块，损失函数由三部分组成：位置损失(LOSScoor)、分类损失
(LOSSclass)、置信度损失(LOSSconf)；
[0016]其中，位置损失定义如下：
[0017][0018]位置损失使用的CIOU定义如下：
[0019][0020]分类损失定义如下：
[0021][0022]置信度损失定义如下：
[0023][0024]上述式(1)、式(2)、式(3)、式(4)中，λ
coor
为正样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的桥梁板式橡胶支座病害识别检测方法，其特征在于：包括以下步骤：S1：搭建神经网络模型：搭建桥梁板式橡胶支座病害检测神经网络模型，网络最终输出为图像上预测的病害类别和位置信息；S2：训练初始检测模型：采集桥梁板式橡胶支座图像，对采集到的部分图像进行标注，得到初始数据，使用初始数据对步骤S1中搭建的桥梁板式橡胶支座病害检测神经网络模型进行训练，得到适用于桥梁板式橡胶支座病害检测任务的初始检测模型；S3：构造病害数据集：使用初始检测模型对步骤S2中采集到的图像中未标注部分的图像进行检测，并对该检测结果进行人工校正，得到校正数据，将校正数据与初始数据进行合并并处理，得到桥梁板式橡胶支座病害数据集；S4：训练检测模型：使用桥梁板式橡胶支座病害数据集训练步骤S1中搭建的桥梁板式橡胶支座病害检测神经网络模型，得到适用于桥梁板式橡胶支座病害检测任务的检测模型；S5：检测图像病害：将需要检测的图像输入步骤S4得到的检测模型中进行检测，删掉其他重复结果，保留效果最好的检测结果。2.根据权利要求1所述的基于深度学习的桥梁板式橡胶支座病害识别检测方法，其特征在于：所述的步骤S1具体包括以下步骤：S11：以YOLOv4神经网络模型为基础，搭建桥梁板式橡胶支座病害检测神经网络模型；其中，包括图像预处理模块、检测模块、损失函数模块；S12：建立图像预处理模块，用于对输入图像尺寸统一进行调整至608*608或416*416；使用Moscaic数据增强方式，一次获取4张输入图像并按随机缩放、随机裁剪和随机排布的方式进行拼接，以丰富待检测物体背景，提高模型训练速度；S13：建立检测模块，用于在DarkNet53每个残差块后加上CSPX模块，构成主干网络CSPDarkNet53以对输入图像提取特征信息，CSPX模块由卷积层和X个Resblock模块连接而成；使用空间池化金字塔结构增加感受野，使用路径聚合网络PANet将提取得到的特征信息转换为坐标，类别信息，使用上采样和下采样进行特征融合，并输出大小为77*77*255、38*38*355、19*19*255的三个特征图；将输出结果与真实标签做对比，计算出损失函数，从而对图像特征进行预测，生成边界框并预测类别；S14：建立损失函数模块，损失函数由三部分组成：位置损失(LOSScoor)、分类损失(LOSSclass)、置信度损失(LOSSconf)。3.根据权利要求2所述的基于深度学习的桥梁板式橡胶支座病害识别检测方法，其特征在于：所述的位置损失定义如下：所述的位置损失使用的CIOU定义如下：
deformation、Bearing，得到初始数据；S23：使用k
‑
means聚类和遗传算法得到适用于本数据集的先验框，使用步骤S22中得到的人工标注数据对步骤S1中搭建的桥梁板式橡胶支座病害检测神经网络模型进行训练，保留效果最好的模型权重，得到初始模型。5.根据权利要求1所述的基于深度学习的桥梁板式橡胶支座病害识别检测方法，其特征在于：所述...

【专利技术属性】
技术研发人员：高小妮，陈敏，郝朝伟，王兵见，姜维，
申请(专利权)人：交通运输部公路科学研究所，
类型：发明
国别省市：