【技术实现步骤摘要】
本专利技术涉及桥梁声屏障检测，具体来说是一种基于计算机视觉的高架桥梁声屏障表观病害智能检测方法。
技术介绍
1、城市高架桥虽然缓解了市内的交通拥堵，但是交通噪声污染也随之而来，严重影响周边居民的生活质量。
2、声屏障是控制和降低车辆噪声扩散最为有效的手段，以上海市中环路部分路段为例，其外侧防撞墙上设置有声屏障的里程为25.36km。然而，其服役时间已近15年，巨大的运维体量给交通基础设施的安全运行和维护带来了繁重的人力及资金压力，传统人工为主的检测模式满足不了日益增长的安全运维需求，在上海市2020年的迎风设施排查中，高架桥梁声屏障普遍存在玻璃窗插销缺失、窗框移位、卡簧缺失、锚固螺栓松动、屏体焊点松脱等病害。
3、为了掌握声屏障的整体技术状况，通常依赖人工巡查和定期检测的方法，对高架桥梁声屏障结构的表观病害、立柱间距和垂直度、焊缝质量进行检测，但检测工程量大，需要耗费大量的人力物力，且结构安全性评价结果主观影响大，容易产生遗漏和误差，在数据管理和分析方面，多以纸质报告或硬盘存储的方式进行管理，难以实现有效的整合和利用，集成化的数据管理和分析手段有待开发。
技术实现思路
1、本专利技术要解决的技术问题是克服现有技术的不足，提供一种基于计算机视觉的高架桥梁声屏障表观病害智能检测方法。
2、为了实现上述目的，设计一种基于计算机视觉的高架桥梁声屏障表观病害智能检测方法，方法具体如下：s1.通过往年采集的在役高架桥梁声屏障日常检测中的图片构成原始数据集，并
3、优选的，步骤s1具体如下：s101.原始数据的采集,通过图像获取设备对高架桥梁声屏障在不同远近位置进行拍摄，获取图像数据,数据集中包括远距离拍摄的路侧敞开式城市高架桥声屏障，也包括日常检测中声屏障的外观检测图片，和各个部位的病害图片；s102.原始数据的预处理,对图像数据进行预处理，包括去噪、增强、分割操作；s103.原始数据的特征提取，提取图像中的特征信息，将其转化为计算机可识别的数据。
4、优选的，步骤s2具体如下：s201.声屏障结构物的识别标注,首先对远距离拍摄的声屏障进行结构物标注，并包含常见的多种形式，包括直立型、倒l型、圆筒型和表面倾斜型；s202.搭建声屏障结构物识别的神经网络模型i，使用resnet50网络进行图像分类，resnet50的结构包括6个阶段，阶段1到阶段4中的idblock由两个未更改维度的残差块表示，而conv块是添加维度的残差块，每个残差块包含三个体积，有49个卷积层和1个全连接层，因此有1×3×个卷积层(3+4+6+3)+1＝50个卷积层(resnet50)；s203.训练识别算法并验证结果.在模型训练时，采用不同的训练周期，找出最佳的训练模型，并给出验证后的混淆矩阵和准确率。
5、优选的，步骤s3具体如下：s301.声屏障部件的分类标注,首先对远距离拍摄的声屏障结构照片进行部件的划分标注，声屏障结构包括基础、锚固螺栓、立柱、吸声屏体、透明亚克力板、屏体卡簧、防坠落装置和罩板及雨水导流板；s302.搭建声屏障部件分类的神经网络ii,使用yolov7系列模型进行部件分类，yolov7的整体结构设计包括backbone网络，neck网络，head网络，anchor boxes，以及最终的输出。通过一次前向传播实现对图像中多个物体的准确检测和定位，并采用先进的骨干网络、密集的预测策略以及先验框来保持实时性的同时提供较高的识别精度。
6、优选的，步骤s4具体如下：s401.声屏障部件的分类识别,将高架桥梁声屏障日常检测的病害图片，首先放入已经训练好的声屏障结构物识别模型i和部件分类模型ii中，得到声屏障结构物存在的位置，以及识别病害照片所在部位；s402.声屏障表观病害的分类标注,将分类好的病害照片，根据其对应的部件病害类型进行分类标注，对应的基础病害类型包括钢筋锈蚀外露、混凝土开裂、倾斜、松动和破损，锚固螺栓的病害类型包括缺失、松动、锈蚀和脱焊，立柱的病害类型包括柱体倾斜、焊缝裂纹、固定螺母及垫圈是否缺失、松动、锈蚀和涂层存在剥落、龟裂、风化，屏体的病害类型包括屏体框架不平整有破损、端部外露、五金件非正常工作、密封胶条老化、开裂、缩短、脱落、涂层剥落、龟裂、风化和杆件锈蚀，卡件的病害类型包括变形、失效、脱落、位移和锈蚀，防坠落装置的病害类型包括绳索锈蚀、脆化和失效，罩板及雨水导流板的病害类型包括松动、变形、破损、缺失、涂层的剥落、龟裂、风化和杆件锈蚀；s403.搭建声屏障表观病害的神经网络,使用yolov8系列模型进行病害的分类，yolov8的结构包括backbone+panet+head；s404.训练识别算法并验证结果，将标注好的声屏障表观病害图像按照7：2：1的比例划分为训练集、验证集和测试集，用于模型训练、性能验证和测试，在训练过程中，使用预训练的yolov8n.pt模型作为初始权重，以加速模型的训练过程，yolov8类别损失采用的是交叉熵损失，边框回归损失采用的是分布焦点损失加上完整的交并比损失，进行合理的模型参数设置与调优，最终得到声屏障表观病害的识别准确率。
7、本专利技术同现有技术相比，其优点在于：
8、可以快速识别病害并判断病害类型和尺寸，提高高架桥梁声屏障检测的效率和质量，并有效地积累格式化的数据，根据检测结果对声屏障结构的整体安全性和稳定性进行评估，为高架桥梁声屏障的检测、养护、管理工作提供相应的数据基础和技术依据，为交通基础设施的科学管养夯实基础。
本文档来自技高网...【技术保护点】
1.一种基于计算机视觉的高架桥梁声屏障表观病害智能检测方法，其特征在于所述方法具体如下：
2.如权利要求1所述的一种基于计算机视觉的高架桥梁声屏障表观病害智能检测方法，其特征在于所述步骤S1具体如下：
3.如权利要求1所述的一种基于计算机视觉的高架桥梁声屏障表观病害智能检测方法，其特征在于所述步骤S2具体如下：
4.如权利要求1所述的一种基于计算机视觉的高架桥梁声屏障表观病害智能检测方法，其特征在于所述步骤S3具体如下：
5.如权利要求1所述的一种基于计算机视觉的高架桥梁声屏障表观病害智能检测方法，其特征在于所述步骤S4具体如下：
【技术特征摘要】
1.一种基于计算机视觉的高架桥梁声屏障表观病害智能检测方法，其特征在于所述方法具体如下：
2.如权利要求1所述的一种基于计算机视觉的高架桥梁声屏障表观病害智能检测方法，其特征在于所述步骤s1具体如下：
3.如权利要求1所述的一种基于计算机视觉的高架桥梁声屏障表观病害智...
【专利技术属性】
技术研发人员：孙梦瑾，吴华勇，赵荣欣，邢云，周子杰，王枫，赵琳，余威镭，
申请(专利权)人：上海市建筑科学研究院有限公司，
类型：发明
国别省市：
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。