【技术实现步骤摘要】
本专利技术涉及智能检测，具体涉及一种基于深度卷积神经网络的桥梁病害检测识别方法。
技术介绍
1、桥梁工程是公路交通中至关重要的组成部分，也是交通基础设施建设中的重要项目，具有复杂性大、难度高、投资大、技术含量高等特征。桥梁结构在长期使用中难免发生各种各样的损伤，造成桥梁结构抗力衰减和安全隐患。桥梁的病害问题也是公路检测行业高度关注的问题之一。通过对桥梁进行病害的检测识别，降低了桥梁出现安全隐患的可能性，为科学地保护了桥梁，桥梁的使用寿命显然得到了提高。对桥梁进行病害检查，是为了了解和掌握桥梁结构的外观损坏状况，然后根据桥梁损坏状况的打分及评定类别，方便以后对桥梁的进一步维修。
2、传统的桥梁病害检测除了桥梁的整体大型检测使用桥梁检测车或仪器进行检测以外，大部分的病害检测识别都是现场人工巡检的方式，重点检查桥梁各部位的裂缝和破损情况。这种检测方式需要检测人员对每一座桥梁进行实地检测和病害识别，受桥梁数量和时间要求限制大，耗费大量的人力物力，也覆盖范围有限。而通过无人机巡线技术以及基于航拍图像检测系统的桥梁病害检测技术是目前新兴的桥梁病害检测方法。通过无人机来代替人力进行检测，基于图像检测的桥梁病害监测技术则是通过将采集来的图像穿书之传输至后台检测中心，利用检测中心的图像处理监测系统对被检测桥梁上的病害状态进行自动识别和报警。与传统的人工巡检方式相比，这样的检测方式更加简单、准确、实时、经济。病害检测任务需要回答在一个图像中，采集的对象中的什么位置存在一个什么样的病害特征。与简单的分类问题不同，病害检测问题是研究输入图像
技术实现思路
1、本专利技术针对桥梁智能病害检测问题，提供一种基于深度神经网络的特征检测技术对桥梁构件病害进行检测的方法，可用于不同环境、光照强度及天气情况，对于复杂环境中的桥梁病害特征，可以保证较高的检测准确性和快速性。可以智能、快速、准确地的进行检测。
2、一种基于深度卷积神经网络的桥梁病害检测识别方法，步骤如下：
3、第一步，构建带有标注和标签的图片数据库：导入包含已知桥梁病害的图像，对图片中的病害定义并对其区域进行标注，使用图像增强技术，构建符合格式要求、匹配已知桥梁病害结构的数据集；
4、第二步，分别训练两个深度卷积神经网络：利用所得的数据集，对分类网络vgg16进行修改，变成两个检测网络，分别对其进行训练得到常见病害粗选神经网络和常见病害细选神经网络，其中粗选网络利用在特征图上进行滑窗的方法初步判断是否为桥梁病害，然后用病害粗选区域训练病害细选网络，从而得到准确桥梁病害区域和信息；
5、第三步，交叉训练微调网络构建检测模型：采用交叉训练的方法，重新训练所得到的粗选神经网络和细选神经网络，使两个网络能够共享前13层卷积层参数，将两个网络组合为一个端到端的卷积神经网络，从而构成桥梁病害检测模型；
6、第四步，使用搭载全景相机的无人机，对桥梁路面、桥身进行图片采集，导入采集的图片进入桥梁病害检测识别模型进行病害的识别和区域标注。
7、优选的，第二步中，对病害粗选神经网络的训练：对vgg16网络进行修改，将分类网络变成如下的一个检测网络，保留vgg16网络的前13层卷积层作为特征提取层，去掉vgg16的全连接层，添加第14层卷积层，并在其上进行不同尺度的滑窗操作作为特征映射；再添加2个卷积层分别输出候选区域包含桥梁病害的置信度和区域框的位置参数，使用softmax损失函数和l1-loss损失函数分别计算置信度和位置参数的损失值。
8、优选的，第二步中，对病害细选神经网络的训练：修改vgg16分类网络变为第二个检测网络，使用13层卷积层作为特征提取层，并且这13层的网络参数与病害粗选神经网络一致；添加roi池化层，从特征图中直接映射出候选区域框；在其后添加2层全连接层对提取到的特征做非线性变换，再分别添加2个全连接层输出判别是否为病害的置信度和粗选回归框的位置修正参数，使用softmax损失函数和l1-loss损失函数分别计算置信度和位置参数的损失值。
9、本专利技术利用深度卷积神经网络的算法，设计一种基于航拍图像的桥梁病害检测系统。该系统以无人机巡线获取的航拍图片库为研究对象，通过交叉训练得到两个卷积神经网络，桥梁病害粗选网络和桥梁病害细选网络，共享卷积参数构成最终的检测模型。与现有技术相比，这种方法能够有效提升复杂环境下对桥梁病害的检测，通过共享卷积层参数，使得计算量较小，并且漏检率较低。
本文档来自技高网...【技术保护点】
1.一种基于深度卷积神经网络的桥梁病害检测识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度卷积神经网络的桥梁病害检测识别方法，其特征在于，第二步中，对病害粗选神经网络的训练：对VGG16网络进行修改，将分类网络变成如下的一个检测网络，保留VGG16网络的前13层卷积层作为特征提取层，去掉VGG16的全连接层，添加第14层卷积层，并在其上进行不同尺度的滑窗操作作为特征映射；再添加2个卷积层分别输出候选区域包含桥梁病害的置信度和区域框的位置参数，使用SoftMax损失函数和L1-Loss损失函数分别计算置信度和位置参数的损失值。
3.根据权利要求1或2所述的基于深度卷积神经网络的桥梁病害检测识别方法，其特征在于，对病害细选神经网络的训练：修改VGG16分类网络变为第二个检测网络，使用13层卷积层作为特征提取层，并且这13层的网络参数与病害粗选神经网络一致；添加ROI池化层，从特征图中直接映射出候选区域框；在其后添加2层全连接层对提取到的特征做非线性变换，再分别添加2个全连接层输出判别是否为病害的置信度和粗选回归框的位置修正参数，使用Sof
...【技术特征摘要】
1.一种基于深度卷积神经网络的桥梁病害检测识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度卷积神经网络的桥梁病害检测识别方法，其特征在于，第二步中，对病害粗选神经网络的训练：对vgg16网络进行修改，将分类网络变成如下的一个检测网络，保留vgg16网络的前13层卷积层作为特征提取层，去掉vgg16的全连接层，添加第14层卷积层，并在其上进行不同尺度的滑窗操作作为特征映射；再添加2个卷积层分别输出候选区域包含桥梁病害的置信度和区域框的位置参数，使用softmax损失函数和l1-loss损失函数分别...
【专利技术属性】
技术研发人员：杨睿之，张海蛟，付玉强，马剑，柴辉照，刘蓬，王帅，王宁，罗浩洋，王鑫玥，薛昊玥，唐子谦，杨呈之，王驰，霍思远，
申请(专利权)人：山西省智慧交通研究院有限公司，
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。