基于改进Mask R-CNN的钢桥多病害智能识别

钢桥在现代交通基础设施中扮演着重要的角色,然而,由于长期服役与环境影响,钢桥可能出现涂层锈蚀、螺栓脱落等病害。为解决传统的钢桥病害检测需要人工参与,费时费力且主观性强的问题,提出了一种基于深度学习的钢桥病害检智能识别方法。利用无人机在图像采集方面的优势,采集大量高清病害图像,经图像增强、标注后建立钢桥病害图像库,用于模型的训练和测试;引入掩膜区域卷积神经网络(Mask R-CNN)构建钢桥病害识别模型,实现钢桥病害的自动识别;并通过更换骨干网络的方式进一步提升模型性能。研究结果表明：将骨干网络由传统的ResNet101替换为VoVNet后模型性能显著提升,交并比阈值为0.5与0.5∶0.95时,优化后模型的识别平均精确率分别为0.84与0.59;相同交并比阈值下较之优化前有约10%的提升。将改进的模型应用于上莘桥表观病害检测,其对涂层锈蚀、螺栓锈蚀与螺栓脱落的识别准确率分别达到了89.3%、85.7%、73.1%;改进的Mask R-CNN模型在钢桥病害识别任务中表现出了优异的性能,无人机与深度学习相结合的方法能够实现钢桥病害的高精度、自动化检测,具有重要的科学研究和工程应用价值。     

基于机器视觉的路面裂缝病害多目标识别研究

为了建立一种基于深度学习卷积神经网络的多目标路面裂缝检测模型,实现对路面裂缝的精确识别、分割与统计,采用卷积神经网络Mask R-CNN为主干框架,融入ResNet模型与特征金字塔网络(FPN)提高对病害特征提取的精度,建立了针对裂缝病害识别的基础网络体系;考虑裂缝病害图像特征,采用随机梯度下降算法与冲量算法优化损失函数以提高对裂缝像素的分类性能,通过在主干网络设定目标区域检测范围并利用掩码实现了裂缝病害的像素级识别与分割;标记大量的路面裂缝图像形成训练数据库,分析了路面裂缝的多目标识别模型有效性。结果表明:损失函数中的权重参数取0.3时,识别模型具备较好的识别精度;通过数据增强可以将有限训练集进行有效扩充,极大提高识别模型的泛化能力与鲁棒性,经过训练后的模型能够正确识别98.9%的裂缝对象与93.6%的裂缝类像素;通过将模型对裂缝病害的识别、分类精度与传统深度学习模型、边缘检测算法相比较,在细微裂缝的识别与非裂缝构造的过滤方面具有显著优势。用Mask R-CNN的主干网络进行ResNet模型与FPN扩展能够有效保留裂缝病害的纹理与轮廓细节信息,实现复杂背景下裂缝病害的有效识别。     

远距离混凝土桥梁结构表面裂缝精确提取算法

在分析桥梁结构表面裂缝图像特征基础上,结合改进Snake主动轮廓模型图像分割算法,融合距离传感器信息,提出一种综合高分辨率图像采集、裂缝敏感区域截取、孤立噪声去除、裂缝旋转和标记的裂缝提取算法,实现了交互式远距离混凝土桥梁结构表面裂缝的精确提取。分析结果表明:改进Snake主动轮廓模型图像分割算法误分率为3.89%,运算时间为153ms,试验对比裂缝宽度显微镜观测值,裂缝提取绝对误差小于0.05mm,该算法可满足工程检测需求。     

关于通过图像灰度判断裂缝宽度的研究

随着近年来无人机技术的快速发展,利用无人机携带高清云台相机进行桥梁检测逐渐成为一种快速、高效的检测手段。利用无人机进行桥梁检测最重要的一个问题是对拍摄图像的判读,如何从拍摄的影像资料里准确获取病害尺寸一直是困扰检测工程师的大问题。本文针对该问题,提出了一种通过灰度图像计算裂缝宽度的方法,并进行了相关的实验,计算结果表明对于0.2mm以上的裂缝计算的准确度较高。     

基于改进掩码-区域卷积神经网络的混凝土病害实例分割

为对混凝土病害图像进行更精确的实例分割，提出改进掩码-区域卷积神经网络(Mask Region Convolution Neural Network, Mask-RCNN)。该网络采用轻量级的可移动网络(MobileNetV2)代替原始Mask-RCNN中卷积层过大的主干网络——残差网络(ResNet101),加入路径聚合网络(PANet),以提高Mask-RCNN提取浅层特征信息的能力。为验证改进Mask-RCNN的识别精度及其在实际工程中的可行性，首先构建多类混凝土病害图像数据集，利用K-means聚类算法确定最适合该数据集的先验边界框的长宽比，然后对比改进Mask-RCNN与原始Mask-RCNN、其它主流深度学习网络对混凝土五类病害(裂缝、露筋、剥落、白皙和空洞)的识别结果；最后利用无人机采集到的钢筋混凝土桥梁病害图像作为测试集进行测试。结果表明：改进Mask-RCNN在提高计算速度的同时能更准确地定位病害，减少了误检和漏检，识别精度高于原始Mask-RCNN及其它深度学习网络；改进Mask-RCNN可以识别无人机拍摄的未经训练的新的混凝土病害图像，识别精度满足实际工程需求。     

基于超声法的梁板裂缝的无损检测及应用

混凝土桥梁在建造和使用阶段容易受设计施工及环境因素的影响而产生裂缝,影响结构的正常使用。为保证桥梁的安全运行,需采用合理的检测方法对裂缝进行检测,确定裂缝深度,分析裂缝成因,为制定裂缝处理方案提供依据。基于超声法的原理,对某桥梁板裂缝区域进行单面平测、双面测量,并辅以高倍数读数显微镜对裂缝进行宽度量测,用以确定裂缝的深度、宽度及影响范围,结果表明该方法用声速、波形等声学参数检测混凝土裂缝具有较高的检测精度。     

基于Mask R-CNN网络模型的无人驾驶感知

近几年深度学习技术在图像检测方面的应用取得了极大的突破,利用卷积神经网络模型可高效且准确的识别目标。一种开源网络模型——Mask R-CNN,被用于无人驾驶感知检测,取得了较好的检测效果。为了进一步提高检测精度,提出迁移学习方法重新训练网络,使得网络更适用于无人驾驶领域的感知任务。     

桥梁混凝土结构表面裂缝自动识别技术研究

为了满足桥梁检测发展的需求,提高混凝土结构表面裂缝的识别精度,基于既有图像预处理技术,提出一种新的裂缝提取及宽度计算方法。在图像预处理基础上,通过裂缝连接保留细小裂缝,将裂缝区域当作连通区域,根据裂缝特征参数过滤虚假裂缝,提取真实裂缝;寻找裂缝区域的交叉点,通过交叉点将整个裂缝区域划分成多个小裂缝,将小裂缝的最小外接矩形分割成多个小矩形区域,计算小矩形区域中裂缝特征参数,得到裂缝宽度。以混凝土试件重力加载形成的表面裂缝为对象,改变相机拍摄距离与拍摄倾斜角度获取裂缝图像,应用该方法计算裂缝宽度,并与裂缝观测仪的测量结果进行误差对比分析。结果表明:该算法裂缝识别率高、检测误差小,裂缝检测误差随拍摄距离或拍摄倾斜角度的增大而增大;为了满足实际工程的需要,采集裂缝图像时,拍摄距离最好保持在1m以内,倾斜角度尽量不要超过15°。     

桥梁裂缝智能识别与监测方法研究

当前,裂缝识别与监测一直是桥梁结构健康监测的重要研究内容。在桥梁结构现场检测与监测中,传统的裂缝识别与监测技术尚不足以满足实际工程的时效性和精确性需求,尤其是裂缝监测技术。基于深度学习的裂缝图像识别极大提升了裂缝检测的效率和精度,但目前仅能获得特定时刻的裂缝信息,缺乏对裂缝产生和演化过程的监测能力,而这些信息对混凝土结构服役安全量化和科学评价具有重要意义。鉴于此,对基于深度学习的裂缝识别与监测方法进行了系统研究,分析和讨论了裂缝数据集构建基准,改进优化了裂缝目标检测和语义分割算法,提出一种多任务集成一体化实时识别算法,并建立了该模型推理效果评价方法,优化了裂缝参数计算方法,最终形成了裂缝识别及动态扩展自动化实时监测方法。结果表明：所提出的裂缝智能识别与监测方法可以对新裂缝的产生和既有裂缝的全局演化实现良好追踪,监测数据可以为桥梁结构当前服役性能的科学量化评估提供支撑。     

基于图像连通域的桥梁裂缝提取方法

裂缝是水泥混凝土桥梁的一种常见病害形式,基于图像的桥梁裂缝病害检测是实现桥梁数字化无损检测的一项新技术.为此,提出了一种基于图像连通域的桥梁裂缝提取方法,以实现从桥梁图像上准确识别裂缝,并提取其特征参数.针对水泥混凝土桥梁图像采集时,施工接缝、光照、污损、抖动等因素造成的干扰,主要分3个步骤实现裂缝目标的提取:(1)对...     

智能驾驶实时目标检测的深度卷积神经网络

为提高深度学习神经网络运行速度,满足智能驾驶对算法实时性的要求,基于一种一体化实时目标检测算法YOLO和一种目标检测网络模型Faster RCNN,提出一种结合两者特点的实时目标检测神经网络。该网络保留区域卷积神经网络(R-CNN)算法的二次检测模式和区域生成神经网络RPN,去掉先验框,采用YOLO直接预测位置。结合Mask R-CNN中的ROI-Align方法进行二次位置修正,减少了Faster R-CNN中ROI-pooling所带来的位置预测偏差。对改进后的网络在KITTI数据集上进行测试,结果表明:改进后的神经网络检测一次仅耗时38 ms,检测的平均精确度高于YOLO和Faster RCNN,且对于不同大小的目标都具有很好的泛化能力。     

基于Faster R-CNN与形态法的路面病害识别

为提高基于图像处理的路面表观病害检测识别效率及精度,引入目标检测中的快速区域卷积神经网络（Faster Region Convolutional Neural Network,Faster R-CNN）算法以快速识别病害种类、位置与面积;针对已提取的带边框裂缝病害区域,采用基于VGG16迁移学习与模型微调的CNN与50%重叠率的滑动窗口定位裂缝骨架,进而利用形态法操作提取裂缝形态,计算其长度与宽度;针对Faster R-CNN算法在病害种类识别时漏检率低但误检率偏高的问题,引入精确率、召回率和F₁分数指标对算法进行评估,并根据F₁分数最大值确定相应的病害框像素面积及置信度阈值来降低误检率,以适应路面表观病害多样化的应用场景。运用开发的病害识别算法对广东一高速公路路面进行表观检测。结果表明：所提方法对典型裂缝图片的识别效率及精度均高于单独应用CNN滑动窗口和传统形态法的全局图像处理方法;对分段的裂缝边界框进行合并,且病害框像素面积及置信度阈值取优化值后,横向裂缝精确率由合并前的0.861提升至合并后的0.918,横向及纵向裂缝误检率则分别由调整前的20.4%和23.8%下降至调整后的8.2%和6.9%,漏检率则稍有提高。基于Faster R-CNN、CNN及形态法的路面病害识别方法具有工作高效、漏检率低的优点,在引入评估指标、最优病害框像素面积与置信度阈值后,病害误检率也大幅降低,具有潜在工程应用价值。     

基于Lamb导波深度学习的钢桥面板疲劳裂纹智能监测研究

正交异性钢桥面板疲劳开裂问题突出，传统方法难以实现有效监测，可采用对钢结构裂纹高度敏感的Lamb导波信号进行裂纹监测。考虑Lamb导波在钢桥面板上的不同传播方式，建立钢桥面板有限元模型，并开展导波传播数值模拟；通过连续小波变换提取得到导波的主要特征，并运用深度学习技术挖掘导波特征中的疲劳裂纹信息，实现对钢桥面板疲劳裂纹的智能监测。结果表明：导波纵向和横向传播模式下的导波特征均能很好反映各类裂纹的影响，且2种传播模式之间可实现裂纹监测需求的有效互补；经过学习训练后的深度置信网络可实现对4 mm及以上长度裂纹的高准度识别，对裂纹深度的测量误差也在1 mm以内。研究成果为Lamb导波传感技术在钢桥面板疲劳裂纹监测中的应用提供了重要依据和方法参考。     

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

铁路桥桥墩裂缝加固及效果评价

某铁路桥桥墩在施工完15 d后开裂,裂缝多为竖向和水平环向裂缝,长1～6m、深210～905 mm、宽0.1～0.23 mm.为恢复裂缝处结构的整体性、受力性能及耐久性,采用先深层压浆,再对表面开槽并采用耐久性较好的加固型混凝土对深度超过钢筋保护层厚度的裂缝进行置换封闭.为研究加固后效果,采用通用有限元软件ANSYS建...     

基于深度学习的土木基础设施裂缝检测综述

基于深度学习的裂缝检测对于降低基础设施运营风险、节约运维成本并推进中国土木工程行业智能化转型具有重要意义。算法、数据集和评价指标是构建深度学习裂缝检测模型的关键要素；裂缝检测模型集成于机器人平台，从而实现对土木基础设施的全自动裂缝检测。为此，从以上4个方面对当前研究进行了系统梳理。首先，回顾了深度学习的发展历程，重点介绍了深度卷积神经网络在计算机视觉领域的应用及其在图像处理方面较传统算法所具有的显著优势。接着，详细介绍了3类基于深度学习的裂缝检测主流算法，包括分类算法、目标检测算法和语义分割算法。然后，对现有裂缝图像数据集以及模型性能评价指标进行了归纳。最后，总结了土木基础设施的各类裂缝检测机器人平台。综合分析表明：基于卷积神经网络主干结构的深度学习算法已被广泛用于土木基础设施表面裂缝的精准定位与分类，而裂缝的尺寸信息仍需依靠传统图像处理技术进行提取；由于像素级标注的成本和专业性高，大型的裂缝语义分割数据集相对缺乏，致使当前基于语义分割算法的裂缝检测模型鲁棒性较差；目前多数研究人员采用个人建立的裂缝数据集进行模型训练且采用不同的指标进行模型性能评价，缺乏统一的基准测试数据集和评价指标体系，无法对不同模型的性能进行平行比较；目前针对不同基础设施已相应开发了一些裂缝检测机器人，提高裂缝检测机器人的多场景适应性，并降低其应用成本是未来的发展方向。     

浅析目标检测算法及其在自动驾驶场景中的应用

基于深度学习的目标检测算法在自动驾驶领域的比重日益上升。文章首先介绍了基于深度学习的卷积神经网络和目标检测算法的发展过程,其中简要介绍了几种经典卷积神经网络模型的结构特点;然后详细介绍了以R-CNN系列为代表的基于候选框的two-stage算法和以YOLO系列为代表的基于回归的one-stage算法,简要介绍了这两大类算法各自的结构和优缺点,最后总结了目标检测算法在自动驾驶场景中应用时比较常用的几种优化方法和研究趋势。     

冻融循环对不同塑性路基土剪切强度的影响研究

为了研究冻融循环对不同塑性路基土剪切强度的影响,通过室内三轴试验和冻融循环试验对3种塑性指数的土样进行了研究。结果得到:当冻融循环次数增加时,剪切强度随着塑性指标的增加而有所增大;当塑性指数相同时,剪切强度随冻融次数增加与围压增加改变各不相同,与冻融循环次数成反比,与围压成正比。并且冻融循环6~7次后,3种塑性指数土样的剪切强度的变化均会趋于平缓。     

基于曲率相似性的路面连续纵长裂缝匹配方法

车载相机拍摄得到的路面裂缝形状分布随机,且由于视场角有限每次只能拍摄到道路上纵向长裂缝的一部分,导致纵长裂缝检测不完整。利用逆透视变换方法将车载相机采集的道路前方倾斜图像转化成正射图像,以去除纵长裂缝图像的透视变形;采用深度学习中的语义分割网络Deeplab V3+实现裂缝像素的提取;在此基础上,提出基于曲率相似性的由粗到精的两阶段路面连续纵长裂缝匹配方法。将待匹配的裂缝曲线分割为一连串相互重叠的子曲线序列,相互匹配的子曲线即为裂缝曲线相匹配的部分;利用曲率将子曲线局部形状与走势的特征表达为描述符,使用Kd-tree最邻近匹配算法对曲线描述符进行快速粗匹配。根据连续2张道路图像中纵长裂缝在空间位置分布上延续的特征,在裂缝曲线分割成子曲线时添加约束条件,前1张图像中裂缝曲线的起点和后1张图像中裂缝曲线的终点分别作为各自子曲线的1个端点;在粗匹配结果的基础上,逐步缩小分割曲线的间隔,迭代提高子曲线描述符间的归一化互相关系数,直至其大于等于阈值或者迭代次数超出最大迭代次数,实现对粗匹配结果的精调整。为验证算法精度,以武汉大学校园内路面不同类型的连续纵长裂缝为对象开展实验,匹配结果误差最小为0.688像素,精调整的误差比粗匹配平均减小24.19%。为进一步验证噪声下干扰的稳定性,仿真环境下增加了裂纹像素噪声;当高斯噪声的标准差从0增大到2像素时,匹配结果误差仅增大了1.083像素。将所提方法与SIFT算法进行对比,10组实验中,所提方法都能匹配成功;而SIFT算法在其中2组实验中匹配结果完全错误,表明所提算法有较好稳定性。