采算报查一体化的桥梁损伤检测方法及系统技术方案

本发明专利技术涉及一种采算报查一体化的桥梁损伤检测方法及系统，属于桥梁损伤检测技术领域。该系统包括：无人机损伤采集平台用于采集带位置信息的桥梁图像和桥梁三维点云数据；桥梁损伤计算模块包括桥梁三维曲面重建子模块、桥梁损伤检测子模块和损伤定量计算子模块，用于生成桥梁三维曲面模型和桥梁损伤分割数据，并基于该模型和分割数据计算获得完整桥梁定量损伤计算表单；桥梁健康分析诊断模块用于对采集和计算的数据进行分析诊断，获得桥梁检测报告与诊断报告；云平台用于接收、储存、计算、管理所有历史桥梁检测数据，提供可视化的数据查询、分析和管理应用。本发明专利技术能提高检测精度和效率，同时节省人力物力，保证检测人员的安全性。全性。全性。

【技术实现步骤摘要】
采算报查一体化的桥梁损伤检测方法及系统


[0001]本专利技术属于桥梁损伤检测
，涉及一种采算报查一体化的桥梁损伤检测方法及系统。

技术介绍

[0002]目前农村地区的桥梁具有服役时间长、结构简单的特点，由于乡村桥梁长期受到雨雪侵蚀、山洪冲刷、超荷冲击，普遍存在着裂缝、钢筋裸露、混凝土脱落等结构损伤问题，且长期超载运营，严重威胁群众的生命财产安全。
[0003]现有的人工评测使用专业技术人员进行人工实地勘察，主观依赖性强、同时需要耗费大量的人力与财力，检测人员的生命安全也难以得到保证；使用专业设备进行桥梁健康监测，该设备主要采用基于超声波的方法进行探测。当检测的地方存在裂缝、坑洼等缺陷时会产生超声反射，检测设备将超声反射的信号经放大处理后，实现缺陷的自动检测与报警。尽管该类设备已经投放市场，但仍存在检测效率低、局限性强(不易检测桥墩、桥侧)等缺点。此类方法普遍存在结果随机、安全性低、效率低、鲁棒性不足等问题，且桥梁检测盲区的病害损伤得不到有效诊断；用数字图像处理技术来检测桥梁各处的损伤，该方法在进行桥梁损伤检测时，能够降低人力成本，加强检测的自动化程度，但是传统的图像处理方法在识别桥梁表面损伤时，存在检测精度低、鲁棒性不足等问题。此外，传统保留历史桥梁检测与养护数据以纸质主，存在数据易丢失、可视化难、难以统计性分析等困难，阻碍了农村桥梁养护建设的发展完善。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种采算报查一体化的桥梁损伤检测方法及系统，提高检测精度和效率，同时节省人力物力，保证检测人员的安全性。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]方案一：一种采算报查一体化的桥梁损伤检测方法，具体包括以下步骤：
[0007]S1：获取各种桥梁损伤类型在不同视角、不同环境因素下的图像数据集；桥梁损伤类型包括桥梁裂缝、混凝土脱落、钢筋裸露、勾缝脱落、表面渗水泛白的常见桥梁结构损伤类型。
[0008]S2：对数据集内的图片进行逐像素标注和目标候选框标注，形成数据集标签，然后按照7:3:1划分为训练集、验证集、测试集。
[0009]S3：构建带注意力模块的双阶段解耦头的改进型YOLO检测分割模型。
[0010]S4：将标注好的数据集送入构建的带注意力模块的双阶段解耦头的改进型YOLO检测分割模型进行训练。
[0011]S5：将训练好的最优模型封装到桥梁损伤检子测模块。
[0012]S6：将无人机损伤采集平台采集到的带位置信息的桥梁图像数据送入桥梁损伤检测子模块进行检测。
[0013]S7：当检测到桥梁存在损伤时，按损伤类型分类保存当前图像数据帧的检测结果图片，并匹配记录当前检测结果图片在桥梁上对应的损伤位置的GNSS定位信息，直至完成全部桥梁图像检测。
[0014]S8：将带定位信息的损伤检测结果和带有曲面要素的桥梁三维曲面模型根据位置匹配关系进行映射，根据映射结果，将损伤检测结果图片根据所处结构位置的曲率要素进行真实比例换算，再根据换算结果进行损伤特征定量计算，获得单个损伤定量计算结果；对整座桥梁所有损伤进行定量计算获得该桥梁定量损伤计算表单，然后保存至云数据库。桥梁损伤定量计算结果包括桥梁上每处损伤的种类、最大长度、最大宽度、面积数据以及所处位置信息；
[0015]进一步，步骤S3中，构建的带注意力模块的双阶段解耦头的改进型YOLO卷检测分割模型是基于YOLO经典Backbone
‑
Neck
‑
Head的架构，在Backbone部分，使用基于Vision Transformer的PVT v2作为骨干网络，其中每一阶段使用带空间简约注意力的编码器；在Neck部分，引入多尺度融合特征金字塔，将Backbone部分获得的特征图进行多尺度融合；在Head部分，引入大、中和小三种尺度带有注意力模块的双阶段解耦头，将Neck部分获得的特征图进行解耦检测。
[0016]更进一步，步骤S3中，在Backbone部分，每一阶段使用带空间简约注意力的编码器，具体包括：对于输入的桥梁损伤图片，在第一阶段进行Patch Embedding操作获得补丁，将获得的补丁通过线性变换操作压缩获得一维向量，将获得的一维向量与位置编码融合并送入带空间简约注意力的Transformer编码器进行特征提取操作，获得特征图F1后进入第二阶段。同样经过阶段二、三、四，可分别获得特征图F2、F3和F4，具体为：在第二阶段对获得的特征图F1进行Patch Embedding操作获得补丁，将获得的补丁通过线性变换操作压缩获得一维向量，将获得的一维向量与位置编码融合并送入带空间简约注意力的Transformer编码器进行特征提取操作，获得特征图F2后进入第三阶段；在第三阶段对获得的特征图F2进行Patch Embedding操作获得补丁，将获得的补丁通过线性变换操作压缩获得一维向量，将获得的一维向量与位置编码融合并送入带空间简约注意力的Transformer编码器进行特征提取操作，获得特征图F3后进入第四阶段；在第四阶段对获得的特征图F3进行Patch Embedding操作获得补丁，将获得的补丁通过线性变换操作压缩获得一维向量，将获得的一维向量与位置编码融合并送入带空间简约注意力的Transformer编码器进行特征提取操作，获得特征图F4。
[0017]更进一步，步骤S3中，在Neck部分，引入多尺度融合特征金字塔，将Backbone部分获得的特征图进行多尺度融合，具体包括：对获得的特征图F4进行特征提取操作，获得中间特征图M1，对中间特征图M1进行上次采样操作后与F3在通道维度上进行相加操作，然后进行特征提取操作获得中间特征图M2，对中间特征图M2进行上采样操作后，与F2在通道维度上进行相加操作后，进行特征提取操作获得特征图H1；将中间特征图M2与H1进行特征提取操作后的特征图在通道维度上进行相加操作后，进行特征提取操作获得特征图H2；将中间特征图M1与H2进行特征提取操作后的特征图在通道维度上进行相加操作后，进行特征提取操作获得特征图H3。
[0018]更进一步，步骤S3中，在Head部分，引入大、中、小三种尺度带有注意力模块的双阶段解耦头，将Neck部分获得的特征图进行解耦检测，每个双阶段解耦头内部具有相同的组
成结构，包括具有残差结构的ESE(Effective Squeeze and Extraction,有效压缩激励)模块、卷积层以及用来进行桥梁损伤逐像素分割的分割头和进行损伤定位识别的检测头。具体包括：对于输入的特征图H1、H2、H3，通过ESE模块生成特征图，对特征图使用卷积的分割头对损伤进行逐像素分割获得桥梁损失分割结果；同时，对于输入的第i张特征图Hi，通过ESE模块获得特征图，将获得的特征图与自身逐元素相加，然后使用卷积的检测头获得桥梁损伤检测结果。对于输入特征图H1、H2、H3执行上述操作生成的结果，分别对应生成小、中、大目标桥梁损伤的分割、检测结果。所述ESE模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种采算报查一体化的桥梁损伤检测方法，其特征在于，该方法具体包括以下步骤：S1：获取各种桥梁常见结构损伤类型在不同视角、不同环境因素下的图像数据集；S2：对数据集内的图片进行逐像素标注和目标候选框标注，形成数据集标签；然后把数据集按照7:3:1划分为训练集、验证集和测试集；S3：构建带注意力模块的双阶段解耦头的改进型YOLO检测分割模型；S4：将标注好的数据集送入构建的带注意力模块的双阶段解耦头的改进型YOLO检测分割模型进行训练；S5：将训练好的最优模型封装到桥梁损伤检测子模块；S6：将无人机损伤采集平台采集到的带位置信息的桥梁图像数据，送入桥梁损伤检测子模块进行检测；S7：当检测到桥梁存在损伤时，按损伤类型分类保存当前图像数据帧的检测结果图片，并匹配记录当前检测结果图片对应的GNSS定位信息，以确认该损伤部位在桥梁上的位置，直至完成全部桥梁图像检测；S8：将带定位信息的损伤检测结果和带有曲面要素的桥梁三维曲面模型根据位置匹配关系进行映射；根据映射结果，将损伤检测结果图片根据所处结构位置的曲率要素，进行真实比例换算，再根据换算结果进行损伤特征定量计算，获得损伤定量计算结果；对整座桥梁所有损伤进行定量计算，获得该桥梁定量损伤计算表单，然后保存至云数据库；桥梁损伤定量计算结果包括桥梁上每处损伤的种类、最大长度、最大宽度、面积数据以及所处位置信息。2.根据权利要求1所述的桥梁损伤检测方法，其特征在于，步骤S3中，构建的带注意力模块的双阶段解耦头的改进型YOLO检测分割模型是基于YOLO经典Backbone
‑
Neck
‑
Head的架构；在Backbone部分，使用基于Vision Transformer的PVT v2作为骨干网络，其中每一阶段使用带空间简约注意力的编码器；在Neck部分，引入多尺度融合特征金字塔，将Backbone部分获得的特征图进行多尺度融合；在Head部分，引入大、中和小三种尺度带有注意力模块的双阶段解耦头，将Neck部分获得的特征图进行解耦检测。3.根据权利要求2所述的桥梁损伤检测方法，其特征在于，步骤S3中，在Backbone部分，每一阶段使用带空间简约注意力的编码器，具体包括：对于输入的桥梁损伤图片，在第一阶段进行Patch Embedding操作获得补丁，将获得的补丁通过线性变换操作压缩获得一维向量，将获得的一维向量与位置编码融合并送入带空间简约注意力的Transformer编码器进行特征提取操作获得特征图F1；同样经过阶段二、三、四，分别获得特征图F2、F3和F4。4.根据权利要求3所述的桥梁损伤检测方法，其特征在于，步骤S3中，在Neck部分，引入多尺度融合特征金字塔，将Backbone部分获得的特征图进行多尺度融合，具体包括：对获得的特征图F4进行特征提取操作，获得中间特征图M1，对中间特征图M1进行上次采样操作后与F3在通道维度上进行相加操作，然后进行特征提取操作获得中间特征图M2，对中间特征图M2进行上采样操作后，与F2在通道维度上进行相加操作后，进行特征提取操作获得特征图H1；将中间特征图M2与H1进行特征提取操作后的特征图在维度上进行相加操作后，进行特征提取操作获得特征图H2；将中间特征图M1与H2进行特征提取操作后的特征图在通道维度上进行相加操作后，进行特征提取操作获得特征图H3。5.根据权利要求4所述的桥梁损伤检测方法，其特征在于，步骤S3中，在Head部分，引入
大、中、小三种尺度带有注意力模块的双阶段解耦头，将Neck部分获得的特征图进行解耦检测，每个双阶段解耦头内部具有相同的组成结构，包括具有残差结构的ESE模块、卷积层以及用来进行桥梁损伤逐像素分割的分割头和进行损伤定位识别的检测头；具体包括：对于输入的特征图H1、H2、H3，通过ESE模块生成特征图，对特征图使用卷积的分割头对损伤进行逐像素分割获得桥梁损失分割结果；同时，对于输入的第i张特征图Hi，通过ESE模块获得特征图，将获得的特征图与自身逐元素相加，然后使用卷积的检测头获得桥梁损伤检测结果；对于输入特征图H1、H2、H3执行上述操作生成的结果，分别对应生成小、中、大目标桥梁损伤的分割、检测结果；所述ESE模块具体包括：对于输入的特征图，首先使用全局平均池化操作获得一维特征向量，然后将一维特征向量通过一个全连接层和Sigmoid函数生成通道描述符，与输入的特征图进行逐元素相乘后，再通过卷积生成特征图，用于对原特征图的每个通道...

【专利技术属性】
技术研发人员：吴德成，杨丽，刘声，余猛，崔竣翔，唐菁，李肖文，王鑫雅，李怡霏，宋金熠，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：