一种基于YOLOV5网络的桥梁表观病害检测方法技术

本发明专利技术公开了一种基于YOLOV5网络的桥梁表观病害检测方法，包括以下步骤：S1、构建基于YOLOV5网络的图像识别模型，用于进行桥梁表观病害检测；所述图像识别模型包括优化后的YOLOV5网络；所述YOLOV5网络的优化包括，在骨干网络中引入小目标特征提取层，并加入优化后的ECA模块对骨干网络得到的特征层进行特征加强处理；骨干网络得到的特征层包括原始网络得到的特征层，以及引入的小目标特征提取层得到的小目标特征层；S2、对图像识别模型进行训练；S3、获取桥梁的待测图像并进行预设的预处理；S4、使用训练后的图像识别模型，根据预处理后的待测图像进行桥梁表观病害检测。本发明专利技术能够提升基于桥梁表观图像进行桥梁病害检测的准确性，帮助提高桥梁检测工作的安全性。帮助提高桥梁检测工作的安全性。帮助提高桥梁检测工作的安全性。

【技术实现步骤摘要】
一种基于YOLOV5网络的桥梁表观病害检测方法


[0001]本专利技术属于桥梁检测
，尤其涉及一种基于YOLOV5网络的桥梁表观病害检测方法。

技术介绍

[0002]随着我国经济的发展以及我国交通运输的建设，桥梁作为公路交通运输中基础设施之一，在安全运输中起到的作用越来越高，是保障运输安全的关键。我国是世界桥梁建设第一大国，目前有近100万座公路桥梁，每年新增公路桥梁近3万座。同时，我国当前步入维修期的桥梁数量日益增多。据不完全统计，在我国公路网中，各类危桥数量近8万座，占桥梁总数约10％，直接影响我国公路网的安全运行，随着交通运输量大幅增长、行车密度及车辆载重越来越大，桥梁工程也将由建设为主转向建养并重。其安全性、耐久性和正常使用功能，越来越被人们关注，而近年来桥梁坍塌事故所见不少。保障交通运输道路的安全和畅通性，是保障百姓出行安全工作的重要部分，桥梁在我国无论是公路、铁路还是市政交通中都占有重要的地位。随着近年来交通量的猛增，超载、超重的影响以及桥梁本身的自然老化等因素，大量桥梁结构处于亚健康或危险状态。因此，能够及时的对桥梁的健康进行评估是必要的，及时对桥梁损伤进行修复，降低桥梁安全隐患。
[0003]要对损伤的桥梁进行修复，需先明确病害类型。其病害包括：露筋、水侵蚀、破损、麻面、空洞。露筋后钢筋发生锈蚀时，锈蚀部分的体积可膨胀至原体积的10倍以上，从而对周围混凝土形成挤压，造成混凝土开裂、剥落，使截面有效尺寸减小，导致结构承载力下降。水侵蚀会破坏桥梁主体结构的材料，使桥梁承载力下降。剥落使横截面积减小时,应力增加,导致空气或其它有害物质的侵蚀更可能发生。因此，为了减少桥梁病害，对桥梁病害检测是必要的。
[0004]目前，在一些年限久的桥梁在建造时并没有安装相关的检测装置，主要还是以人工检测为主。但是，传统的人工检测无法获取桥梁营运期间的实时数据，不能实时掌握桥梁结构健康状况、不能保证数据的稳定性、不能保证数据的连续性、对工作人员的安全也不能得到保证，因此无法对桥梁结构养护开展有效措施。另一方面，现有的图形识别模型，虽然具备自主性，但直接用于桥梁表观病害检测，又存在检测精度不够的问题。
[0005]因此，如何提升基于桥梁表观图像进行桥梁病害检测的准确性，进而帮助提高检测的及时性以及工作人员实施桥梁检测工作的安全性，成为目前亟待解决的问题。

技术实现思路

[0006]针对上述现有技术的不足，本专利技术提供了一种基于YOLOV5网络的桥梁表观病害检测方法，能够提升基于桥梁表观图像进行桥梁病害检测的准确性，用以解决现有技术中基于桥梁表观图像进行桥梁病害检测准确性不高的问题。
[0007]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0008]一种基于YOLOV5网络的桥梁表观病害检测方法，包括以下步骤：
[0009]S1、构建基于YOLOV5网络的图像识别模型，用于进行桥梁表观病害检测；所述图像识别模型包括优化后的YOLOV5网络；所述YOLOV5网络的优化包括，在骨干网络中引入小目标特征提取层，并加入优化后的ECA模块对骨干网络得到的特征层进行特征加强处理；骨干网络得到的特征层包括原始网络得到的特征层，以及引入的小目标特征提取层得到的小目标特征层；优化后的ECA模块的数量与骨干网络得到的特征层的数量相等且一一对应；
[0010]S2、获取取桥梁的病害图像，构建病害识别训练数据集，对图像识别模型进行训练；
[0011]S3、获取桥梁的待测图像，并进行预设的预处理；
[0012]S4、使用训练后的图像识别模型，根据预处理后的待测图像进行桥梁表观病害检测。
[0013]优选地，所述ECA模块的优化包括，通过预设的计算方式计算其卷积核大小k：
[0014][0015]其中，C表示通道维度，||
odd
表示最近的奇数邻居运算；γ和b为预设数值的常数。
[0016]优选地，γ取值为2，b取值为1。
[0017]优选地，S1中，构建的图像识别模型中，YOLOV5网络的骨干网络得到的特征层包括原始网络得到的三个特征层，以及引入的小目标特征提取层得到的小目标特征层；改进后的YOLOV5网络的工作过程包括：
[0018]对骨干网络得到的各特征层分别通过对应的ECA模块进行特征加强处理后；对原始网络的第一个特征层通过卷积和上采样操作，然后与原始网络中第二个特征层进行Concat然后进行CSPLayer操作，输出的特征层进行卷积操作和上采样操作；然后与原始网络中第三个特征层进行Concat然后进行CSPLayer操作，输出的特征层进行卷积和上采样操作；然后与小目标特征层进行Concat然后进行CSPLayer操作；
[0019]之后，输出加强后的小目标特征层；将加强后的小目标特征层进行下采样操作，然后与原始网络中第三个特征层卷积后的特征层进行Concat和CSPLayer操作，再输出原始网络第三个经过加强后的特征层；将第三个经过加强后的特征层进行下采样操作，然后与原始网络第二个特征层卷积后的特征层进行Concat和CSPLayer操作，再输出原始网络第二个经过加强后的特征层；将第二个经过加强后的特征层进行下采样操作，然后与原始网络第一个特征层卷积后的特征层进行Concat和CSPLayer操作，此时输出原始网络经过加强后的第一个特征层。
[0020]优选地，S1中，构建YOLOV5网络时，引入的小目标特征提取层为CspLayer(160，160，128)。
[0021]优选地，S2中，构建病害识别训练数据集的过程包括：获取桥梁的病害图像，并将所获得的病害图片进行标注，采用预设的增强处理方式对病害图像增强后，构建病害识别训练数据集。
[0022]优选地，所述增强处理方式包括旋转、裁剪、放缩、平移和抖动。
[0023]本专利技术与现有技术相比，具有如下有益效果：
[0024]1、使用本方法，只需要根据检测的频率需求，通过摄像头等图像采集单元获取桥梁的待测图像，便可以实现桥梁病害检测的自动检测。并且，本专利技术中，在构建基于YOLOV5
网络的图像识别模型时，会在古港网络中引入小目标特征提取层，通过这样的方式，可以针对性的对图片中桥梁的小目标病害特征进行提取；除此，还会加入优化后的ECA模块对骨干网络得到的特征层进行特征加强处理，可以获取到更多的有用的特征信息，从而提高桥梁的病害检测的检测精度。
[0025]综上，本专利技术能够提升基于桥梁表观图像进行桥梁病害检测的准确性，进而帮助提高检测的及时性以及工作人员实施桥梁检测工作的安全性。
[0026]2、本专利技术构建YOLOV5网络时，加入的ECA模块为优化后的ECA模块。常规的ECA模块可以通过1D卷积实现无降维的局部跨信道交互策略。在此基础上，本方法结合YOLOV5网络的特点，给出了各ECA模块的卷积核大小k的计算方式，ECA模块意图实现局部跨通道交流，所以要决定其交流的覆盖范围，从而保证其特征加强处理的效果。
...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOV5网络的桥梁表观病害检测方法，其特征在于，包括以下步骤：S1、构建基于YOLOV5网络的图像识别模型，用于进行桥梁表观病害检测；所述图像识别模型包括优化后的YOLOV5网络；所述YOLOV5网络的优化包括，在骨干网络中引入小目标特征提取层，并加入优化后的ECA模块对骨干网络得到的特征层进行特征加强处理；骨干网络得到的特征层包括原始网络得到的特征层，以及引入的小目标特征提取层得到的小目标特征层；优化后的ECA模块的数量与骨干网络得到的特征层的数量相等且一一对应；S2、获取取桥梁的病害图像，构建病害识别训练数据集，对图像识别模型进行训练；S3、获取桥梁的待测图像，并进行预设的预处理；S4、使用训练后的图像识别模型，根据预处理后的待测图像进行桥梁表观病害检测。2.如权利要求1所述的基于YOLOV5网络的桥梁表观病害检测方法，其特征在于：所述ECA模块的优化包括，通过预设的计算方式计算其卷积核大小k：其中，C表示通道维度，||
odd
表示最近的奇数邻居运算；γ和b为预设数值的常数。3.如权利要求2所述的基于YOLOV5网络的桥梁表观病害检测方法，其特征在于：γ取值为2，b取值为1。4.如权利要求1所述的基于YOLOV5网络的桥梁表观病害检测方法，其特征在于：S1中，构建的图像识别模型中，YOLOV5网络的骨干网络得到的特征层包括原始网络得到的三个特征层，以及引入的小目标特征提取层得到的小目标特征层；改进后的YOLOV5网络的工作过程包括：对骨干网络得到的各特征层分别通过对应的ECA模块进行特征加强处理后；对原始网络的第一个...

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