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°。     

基于Crack Mask R-CNN模型的路面裂缝像素级分割及测量算法应用分析

针对现有路面裂缝分割存在的问题,该文提出一种Crack Mask R-CNN像素级分割算法。Crack Mask R-CNN是一种用于路面裂缝图像的实例分割框架,其不仅可对图像中的裂缝进行检测,还可以对每一个裂缝的具体轮廓给出一个高质量的分割结果。首先对采集的道路裂缝大数据进行数据去噪和数据增强,构建用于模型训练、测试的数据集;其次,通过优化分割算法中锚框的比例和大小提高模型选择裂缝候选区域的准确度,并使用IoU-guided非极大值抑制（Non-Maximum Suppression,NMS）算法替代传统算法,以此提高道路裂缝分割精度。在模型学习超参数优化方面,通过训练多种组合算例,从中选择分割效果最优的超参数组合,最终训练出裂缝分割精度为93.45%的分割模型;最后,通过提取裂缝区域的拓扑特征信息,进一步实现裂缝像素级别尺寸信息的有效测量。     

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。     

基于视觉图像处理的路面裂缝量测算法研究

利用机器视觉图像处理方法,针对传统的人工测量高速公路路面裂缝方法的多种弊端,提出一种对高速公路路面裂缝的图像信息进行自动分析处理的新算法,采用几何学原理,将现实世界的三维坐标,投影为二维信息,通过一系列的转换,可以精确地得到裂缝的长度与面积。实验结果表明,可以较精确地测量出裂缝的长度、宽度及面积,为高速公路路面裂缝的分析和管理提供了技术基础。     

基于视觉图像处理的路面裂缝量测算法研究

利用机器视觉图像处理方法,针对传统的人工测量高速公路路面裂缝方法的多种弊端,提出一种对高速公路路面裂缝的图像信息进行自动分析处理的新算法,采用几何学原理,将现实世界的三维坐标,投影为二维信息,通过一系列的转换,可以精确地得到裂缝的长度与面积。实验结果表明,可以较精确地测量出裂缝的长度、宽度及面积,为高速公路路面裂缝的分析和管理提供了技术基础。     

基于卷积神经网络的路表病害识别与测量

为进一步提高利用二维图像统计路面病害的精度与效率,将卷积神经网络（Convolutional Neural Network,CNN）技术引入了基于图像分析的路面病害识别与测量。首先,将原始图像进行等尺寸分割作为CNN的训练样本。其次,经结构设计、前反馈算法训练及样本测试3个步骤后,建立病害识别模型（CNN1）。用训练完成的CNN1对所有图像进行病害类型识别并将输出结果作为裂缝特征提取模型（CNN2）和坑槽特征提取模型（CNN3）的训练样本。采用相同步骤建立裂缝特征提取和坑槽特征提取模型,完成训练后,运行CNN2,CNN3对路面裂缝与坑槽图像进行特征提取。最后,分析图像分辨率对3个CNN识别和特征提取精度以及效率的影响。结果表明：CNN1可以准确识别多种病害,CNN2的裂缝长度提取的平均误差为4.27%,宽度提取的平均误差为9.37%,裂缝病害严重等级判断准确率为98.99%;CNN3的单张图像中的坑槽个数测量无误差,单个坑槽面积的平均误差为13.43%,坑槽病害等级判定准确率为95.32%,可见CNN具有较高的测量精度;CNN1在使用CPU的情况下测试完成原始图像平均用时为704 ms·幅^-1,CNN2用时为5 376 ms·幅^-1,采用图形处理器加速后CNN1用时为192 ms·幅^-1,CNN2测试平均用时为1 024 ms·幅^-1,可见CNN在图形处理器加速下效率具有显著优势,相比其他方法,在图像分辨率高于70像素时,CNN对路面裂缝与坑槽的识别与测量具有运算高效、结果精准等优势。     

基于无人机及Mask R-CNN的桥梁结构裂缝智能识别

桥梁结构表面裂缝检测为桥梁状态识别、病害治理、安全评估提供了重要状态信息和决策依据。为解决传统人工检测方法存在的危险性高、影响交通、费用昂贵等问题,提出基于无人机（Unmanned Aerial Vehicle,UAV）及深度学习的桥梁结构裂缝智能识别方法。采用大疆M210-RTK多旋翼无人机进行贴近航摄,获取桥梁结构混凝土表面高清图像;利用SDNET裂缝数据集等图像资源,制作1 133张标记裂缝精确区域的深度学习训练样本图像库;引入掩膜区域卷积神经网络（Mask R-CNN）深度学习算法,训练和建立Mask R-CNN裂缝识别模型;基于Mask R-CNN裂缝识别模型,采用矩形滑动窗口模式扫描混凝土表面高清图像,实现裂缝自动识别和定位。构建包含图像二值化、连通域去噪、边缘检测、裂缝骨架化、裂缝宽度计算等流程的图像后处理方法,实现裂缝形态及宽度信息自动获取。通过精度验证试验,证实采用M210-RTK无人机+ZENMUSE X5S相机+45 mm奥林巴斯镜头的组合装备,当无人机至桥梁结构表面垂直距离为10.0 m时,无人机方法识别的裂缝宽度与裂缝测量仪结果吻合,其绝对误差小于0.097 mm,相对误差小于9.8%。将该无人机裂缝检测方法应用于高136.8 m长沙市洪山大桥桥塔表面裂缝检测,采用深度学习Mask R-CNN算法进行裂缝智能识别,其裂缝识别准确率和召回率分别达到92.5%和92.5%。研究结果表明：无人机桥梁裂缝检测方法可实现高耸桥梁结构表面裂缝的远程、非接触、自动化检测,具有重要的科学研究和工程应用价值。     

雾霾天气下的桥梁裂缝检测

随着空气湿度增加及雾霾加剧,能见度降低,晴朗天气下传统的桥梁裂缝检测已不能满足不良天气检测的需要.针对此问题,提出一种新的桥梁裂缝检测方法,将暗通道先验去雾算法和图像处理裂缝检测相结合.在能见度下降的情况下,对待检裂缝图片进行暗通道去雾处理,获取去雾后的图像.接下来进行裂缝检测,通过灰度化,均值滤波对图像预处理,边缘检测和图像分割,使用连通分量提取获取裂缝特征,再通过计算裂缝的分布密度来判断裂缝类型.使用200张桥梁裂缝图片进行检验,实验结果表明,该算法识别横向、纵向、网状裂缝的准确度可以达到93. 3%,90%,87. 5%,具有良好的识别能力,弥补了传统算法的局限性,桥检适用范围得到了推广.     

融合自适应光照预处理和深度学习的钢桥腐蚀检测方法

针对钢结构桥梁实桥腐蚀图像往往由于光照条件较差或光照不均匀导致腐蚀区域检测困难的问题,提出了一种融合自适应光照预处理方法和深度学习的钢桥腐蚀检测方法。首先,采用Global and Local Fusion(GLF)对比度增强算法结合KinD++低光增强模型的方法,对图像进行预处理;其次,采用粗标注结合K-means算法标注腐蚀区域得到分割标签;最后,采用原始图像和预处理后图像分别对UNet++网络进行了训练和测试,验证了所提出的预处理方法的有效性和优越性。结果表明：所提出的自适应光照预处理方法有效改善了实桥腐蚀图像的光照不均和低光照问题,修复和增强了细节和纹理特征信息,颜色保真度较高;所提出的数据标注方法能够精准标注腐蚀区域,减少边缘描绘工作;与原始图像相比,该方法预处理后的图像训练的模型在准确率、精确率、召回率、F1-score、交并比IoU和A_UC上分别提高了5.2%、2.7%、22.5%、19.4%、25.4%和10.5%;对于光照良好的均匀腐蚀图像,预处理对分割精度提高有限,对于点蚀图像,分割精度有较大的提高,对于低光照或光照均匀性较差的图像,分割精度得...     

基于最大相关准则图像分割的结构化道路路径识别和跟踪算法

为提高基于视觉导航的智能车辆对结构化道路车道标识线的识别和跟踪精度,同时消除车流、阴影和光照不均匀等不利因素的影响,提出一种基于最大相关准则的图像分割算法及基于感兴趣区域的车道标识线跟踪算法:首先,对图像进行滤波和光线补偿等前期处理,采用最大相关准则的图像分割算法对道路图像进行阈值分割;然后,根据车道的结构特征及先验知识提取车道标识线的特征点,并运用最小二乘法对特征点拟合,得到车道模型的参数;最后,通过建立感兴趣区域(ROI)的方法实现对车道标识线的准确跟踪。试验结果表明,该算法具有很好的准确性、实时性和鲁棒性。     

双目视觉技术在城市道路路面裂缝检测中的应用

针对传统城市道路路面裂缝检测效率低下、成本过高等问题,提出了一套基于双目视觉与数字化图像处理的自动化检测方法。用一对CCD工业相机同时采集道路表面裂缝,再对图像进行数字二值化处理以提取裂缝特征点,根据双目视觉理论计算特征点的坐标,由此计算路面裂缝的最大宽度和最大长度,从而实现对城市道路路面裂缝的快速自动化测量。计算结果表明:被测路面裂缝的最大宽度与最大长度测量误差分别控制在10%和1%以内,符合相关技术标准要求,且检测耗时大为缩短。     

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。     

连续配筋水泥混凝土路面裂缝发展规律研究

裂缝位置是连续配筋路面的薄弱面,裂缝间距和裂缝宽度则是CRCP配筋设计的两个控制指标。通过对不同配筋率的两段CRCP路面裂缝进行长期观测,分析归纳了CRCP路面的主要裂缝类型、裂缝形态、裂缝主要参数以及各参数的变化规律。研究发现横向裂缝是CRCP的主要裂缝形式,除了常见形态外,还出现了大量群集裂缝以及Y形裂缝。裂缝可以用裂缝间距、裂缝宽度以及裂缝长度等参数来表征,各参数随配筋率、端部锚固形式、观测气温以及时间而不断变化,相关研究结论可为今后CRCP路面实施裂缝控制技术以及CRCP的优化设计提供有益的参考。     

大直径盾构隧道中隔墙顶裂缝模式及扩展机制研究

为揭示盾构隧道中隔墙顶部混凝土开裂机制,依托南京地铁某大直径盾构隧道区间,采用现场调研和扩展有限元分析相结合的方法,对隧道中隔墙顶部混凝土裂缝模式、分布特征以及开裂过程开展研究。结果表明： 1）区间内中隔墙顶部出现96处裂缝,模式包括Ⅰ型、Ⅱ型、Ⅲ型、Y型和Z型,其中Y型和Z型裂缝是Ⅰ型裂缝的亚类型。2）裂缝起裂于烟道板水平向差异位移施加的对侧,Ⅰ型和Ⅱ型裂缝的长度和末端宽度发展曲线呈现3阶段变化特征;裂缝末端宽度与长度之间为非线性关系,250 mm和225 mm是Ⅰ型和Ⅱ型裂缝末端宽度快速增长的临界裂缝长度。3）Ⅱ型裂缝中,同一工况下2条裂缝的扩展曲线基本吻合,板缝间距对曲线各阶段长度与斜率影响较大;Ⅲ型裂缝中,首条裂缝扩展过程与Ⅰ型和Ⅱ型裂缝基本一致,其余2条裂缝的扩展均具有明显的脆性特征。     

组合梁负弯矩区UHPC接缝抗弯性能试验

为提高钢-混组合梁桥负弯矩区混凝土桥面板的抗裂性并简化现场施工工艺,提出新型钢-混组合梁桥负弯矩区超高性能混凝土（Ultra-high Performance Concrete,UHPC）接缝方案。以湖南省某桥为工程背景,进行1∶2缩尺模型抗弯试验研究;编制截面弯矩-曲率关系MATLAB程序,并与实测值进行对比,验证该程序可用于计算UHPC覆盖下的普通混凝土（NC）中钢筋应力;对现有NC裂缝宽度规范公式进行修正,提出考虑UHPC约束作用的组合梁负弯矩区NC最大裂缝宽度的建议公式;讨论钢-混组合梁桥负弯矩区UHPC湿接缝合理的纵桥向长度,分析UHPC层厚度及层内配筋对抗裂性能的影响。研究结果表明：新型UHPC接缝方案的抗裂性能和抗弯承载能力均满足工程要求,且接缝节点强度高于非接缝区预制部分强度;负弯矩作用下,试件沿梁高的应变较好地满足平截面假定,钢梁与混凝土板及UHPC与NC间的层间滑移量均较小;UHPC裂缝呈现“多而细”的特征,而NC裂缝呈现“少而宽”的特征,预制部分混凝土顶面最先开裂,之后UHPC-NC交界面、UHPC顶面、UHPC覆盖下的NC侧面依次出现裂缝;对于负弯矩区采用UHPC接缝的中小跨径钢-混组合连续梁桥,UHPC层的纵桥向长度宜为20%标准跨径,UHPC层厚度可根据实际工程设计要求确定,增大桥面板内钢筋直径可以提高负弯矩区混凝土的抗裂性能。     

正交异性钢桥面板纵肋与横隔板交叉构造细节疲劳开裂快速加固方法

为研究钢桥面板疲劳开裂局部区域引入钢或高性能材料加固构件的装配式加固方法,以钢桥面板纵肋与横隔板交叉构造细节为研究对象,采用足尺模型试验对钢桥面板纵肋与横隔板交叉构造细节疲劳性能劣化及其疲劳开裂的栓接角钢装配式快速加固相关关键问题进行了试验和理论研究;基于断裂力学探究了纵肋与横隔板交叉构造细节三维疲劳裂纹的扩展特性、疲劳寿命预测及装配式快速加固方法的加固效果。研究结果表明：纵肋与横隔板交叉构造细节的疲劳裂纹萌生于焊趾并沿纵肋腹板进行扩展,其对结构力学特性的影响范围和程度随着裂纹的扩展而逐步加剧;加固后相应开裂部位关键测点和裂尖各测点的应力应变降幅分别达57%和80%,装配式加固构件与既有结构协同受力性能良好,能够有效抑制局部疲劳裂纹扩展;数值断裂力学分析表明,加固后裂尖应力强度因子降幅达90%,可有效抑制疲劳裂纹的进一步扩展。     

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。