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。     

钢结构工程高强度螺栓微小松动视觉检测方法研究

基于计算机视觉的螺栓松动检测方法中,一类是通过对连接节点图像进行透视矫正并分析螺栓轮廓边缘直线角度的变化以及时发现微小的松动缺陷。然而,目前这类方法在图像矫正和螺栓轮廓边缘检测的可靠性方面还有较大的改进空间。为此,针对钢结构螺栓连接节点,提出了基于深度学习的螺栓松动视觉检测方法。首先,基于YOLOv5检测螺栓目标。针对螺栓感兴趣区域(RoI),基于鲁棒性较高的Attention U-Net提取螺栓轮廓边缘直线。为了提高螺栓目标检测精度,目标检测模型应设定较低置信度阈值以保证目标无漏检,再通过螺栓RoI提取的边缘直线数量筛除伪螺栓。使用透视变换法对节点图像进行矫正,变换所需的参考点是根据螺栓检测框之间空间移动后的相交关系自动定位的。最后,根据矫正图像中的螺栓轮廓边缘直线计算螺栓角度,通过检测螺栓和基准螺栓之间的角度差异判断松动情况。研究结果表明：螺栓目标检测的AP值为0.97;螺栓轮廓边缘检测的准确率、召回率和F1的均值分别为0.846、0.807与0.825,且在多种复杂背景干扰下具有较高的鲁棒性;伪螺栓筛除法可过滤掉99.82%的伪螺栓目标;提出的图像矫正法适用于常见的多种螺栓排列形...     

基于超声导波的钢桥面板纵肋对接焊缝疲劳裂纹检测方法

纵肋对接焊缝疲劳开裂作为钢桥面板结构的重要失效模式之一,严重危害桥梁结构耐久和安全运营。通过引入超声导波技术,结合对接焊缝的几何特点与疲劳失效特征,建立了基于超声导波的钢桥面板纵肋对接焊缝疲劳裂纹检测方法。首先搭建了超声导波裂纹检测试验系统,并结合钢桥面板纵肋对接焊缝疲劳试验,对超声导波检测纵肋对接焊缝裂纹的适用性和准确性进行了验证。在此基础上,通过数值分析方法探究了超声导波在纵肋对接焊缝局部区域的传播机制,并进一步分析了不同焊缝与裂纹参数对超声导波传播的影响规律。研究结果表明:采用超声导波方法能够有效检测钢桥面板纵肋对接焊缝的疲劳裂纹,并确定疲劳开裂的位置;超声导波有限元理论分析与试验测试结果符合较好,验证了有限元模型的正确性;采用单面激励的方式在纵肋中形成的超声导波包括A₀和S₀模态,其中A₀模态占主要部分,超声导波传递至焊缝形成的反射波以A₀模态为主,而较深裂纹形成的反射波以S₀模态为主;不同焊缝和裂纹参数对超声导波的反射波和透射波表现为差异性的影响。所采用的基于超声导波的对接焊缝疲劳裂纹检测方法,可为钢结构桥梁疲劳损伤的检测与监测提供科学依据。     

基于CenterNet的路侧单目视角车辆3D形态精确感知

车辆3D形态的精确实时感知对于智能交通中的车辆行为分析、交通流参数估计等应用和无人驾驶都至关重要，其中，如何克服透视投影的限制，从路侧单目视角下感知车辆3D形态正成为具有挑战的课题之一。为解决这个难题，采取深度网络提取投影特征，结合空间标定模型中的几何约束，实现2D投影至3D空间的3D形态恢复构建。首先，基于前期工作，对道路场景中的相机构建空间标定模型，以获取透视空间的2D-3D互映射矩阵；然后，以当前流行的简洁高效的CenterNet深度网络为基础，设计车辆3D形态投影特征的检测网络，融入多尺度特征融合模块以优化透视投影下不同尺度车辆目标的检测，同时优化高斯凸包热力图以增强车辆目标的特征检测力度，根据先验几何约束设计加强损失函数以加快收敛；最后，通过建立的空间形态几何约束模型，对网络输出特征投影点进行解码，构建出完整的车辆3D形态信息。试验以路侧视角下的BrnoCompSpeed数据集和自制数据集为基础，手工标注满足试验需求的样本目标，并做图像增广以模仿多变的道路监控视角及环境。在试验结果评价中，分别对网络检测结果及最终构建的3D形态进行评价，其中对于网络检测结果，以投影特征构成投影凸包的平均精度为评价指标，交并比(IoU)阈值为0.7时，在BrnoCompSpeed测试数据集上得到AP值为87.35%，召回率和精确率分别为87.39%与90.78%。同时，设计消融试验证明网络改进模块的有效性。对于3D形态构建结果，分别对空间定位、3D尺寸、偏转角及3DIoU等指标都进行定义，并以3DIoU为评价标准，验证多个改进模块及不同视角对于最终精度的影响，最后在BrnoCompSpeed测试数据集中的平均3DIoU达到0.738。设计的网络FPS为27，可满足实时性的需求。     

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。      

高疲劳抗力钢桥面板的疲劳问题Ⅰ：模型试验

正交异性钢桥面板的疲劳开裂问题是制约桥梁工程可持续发展的关键难题，亟需发展具有高疲劳抗力的正交异性钢桥面板。同时引入纵肋与顶板新型双面焊构造细节和纵肋与横隔板新型交叉构造细节2类构造细节，提出了一种高疲劳抗力钢桥面板，设计了2个足尺节段模型，通过模型试验确定了纵肋与顶板传统单面焊构造细节和新型双面焊构造细节的疲劳开裂模式和疲劳性能，采用扫描电子显微镜（SEM）确定了单面焊构造细节焊根和双面焊构造细节焊趾的初始微裂纹尺度；研究了纵肋与横隔板传统交叉构造细节和新型交叉构造细节的疲劳开裂模式。研究结果表明：纵肋与顶板传统单面焊构造细节的疲劳裂纹起裂于顶板焊根并沿顶板厚度方向扩展，其疲劳强度为98.7 MPa，新型双面焊构造细节的疲劳裂纹起裂于顶板内侧焊趾并沿顶板厚度方向扩展，其疲劳强度为123.2 MPa；传统单面焊构造细节焊根的初始微裂纹尺度显著大于新型双面焊构造细节焊趾的初始微裂纹尺度，初始微裂纹尺度的差异是2种开裂模式的疲劳抗力存在显著差异的主要原因；纵肋与横隔板传统交叉构造细节的疲劳裂纹起裂于纵肋腹板焊缝端部焊趾并沿纵肋腹板扩展，新型交叉构造细节的疲劳裂纹起裂于纵肋底板焊缝端部焊趾并沿纵肋底板扩展，2类构造细节的起裂次数基本一致，但新型交叉构造细节的疲劳裂纹扩展速率远低于传统构造细节；相同加载条件下，高疲劳抗力钢桥面板结构体系的疲劳寿命显著优于传统钢桥面板结构体系。     

钢桥面板纵肋顶板焊缝疲劳裂纹扩展的关键影响因素

正交异性钢桥面板疲劳问题突出，纵肋与顶板焊缝处是其关键疲劳易损部位，研究该部位疲劳裂纹的扩展过程并确定关键影响因素及其效应，有助于深刻理解其疲劳损伤机理。建立正交异性钢桥面板疲劳试验节段模型的有限元分析模型，将纵肋与顶板焊缝焊根处的疲劳裂纹近似为半椭圆形裂纹，基于断裂力学实现其扩展全过程的三维数值模拟。在此基础上研究初始裂纹的纵向位置和初始裂纹形状对疲劳裂纹扩展过程的影响，阐明扩展过程中的疲劳裂纹的形状变化，以及疲劳裂纹关键部位应力强度因子幅值的变化规律。研究表明：对于典型的正交异性钢桥面板纵肋与顶板焊缝，在纵向一段范围内，初始裂纹的纵向位置对裂纹扩展的影响不大；初始裂纹形状对裂纹扩展的影响主要体现在裂纹扩展的初始阶段，经过一段时间的扩展之后，不同形状的初始裂纹将演变为相对稳定的形状；持续一段时间后，裂纹将逐渐变得较为扁长；疲劳裂纹在深度方向上扩展超过约顶板厚度一半时，最深点的扩展速率将会减慢；深度相同的裂纹，形状越扁长时越倾向于向深度方向扩展，越不扁长时越倾向于向长度方向扩展。     

基于YOLOv5和DeepLabv3+的桥梁结构病害智能识别技术

传统以人工为主的桥梁表观病害识别方式存在着效率低下、风险高等问题，已不能满足当今桥梁检测任务的要求。针对上述问题，本研究结合目标检测与语义分割技术，提出了一套桥梁表观病害智能识别算法，完成了桥梁病害的智能识别与尺寸计算任务。研究中通过多种手段收集桥梁病害图像，构建桥梁表观病害目标检测数据集和语义分割数据集；训练了YOLOv5病害识别及定位网络和DeepLabv3+病害区域提取网络；对病害区域提取结果进行噪点去除、毛刺剔除、裂缝体分解等预处理后，采用邻域划分和正交骨架实现了病害长、宽尺寸的计算，并在桥梁实拍病害图像上进行了算法测试。本研究开发的病害识别技术实现了桥梁表观病害高效率、高精度的自动识别和尺寸计算，提升了桥梁检测的工作效率和安全性。     

基于轻量化卷积神经网络的桥梁混凝土裂缝检测方法及验证

针对基于边缘检测算法、阈值法等传统的混凝土裂缝检测算法易受到干扰的问题，采用基于轻量化卷积神经网络的桥梁混凝土裂缝检测方法对混凝土裂缝检测难的问题进行研究，并通过对桥梁裂缝图像真实数据集进行检测验证。检测结果表明：1)所研究的轻量化卷积神经网络模型能够实现像素级的标注；2)所研究的轻量化卷积神经网络模型训练参数相比其他文献明显减少，权重文件所占内存明显减小；3)所研究的神经网络模型能够清晰准确地划分出图像中的裂缝像素，且不受图像分辨率大小、对比度等因素影响。上述结果表明，所研究的网络模型具有在像素级准确检测裂缝的良好性能，且权重文件占用内存小，能很好地适用于工程实践。     

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...     

基于语义分割与道路结构的车道线检测方法

车道线的准确检测对于智能辅助驾驶和车道偏离预警系统的性能有着非常重要的作用,当前的传统研究方法普遍存在对复杂道路环境的适应性不够,检测精度有待提高等问题。针对复杂交通环境的车道线检测问题,充分考虑到复杂道路结构的语义信息,提出了1种基于语义分割与道路结构的车道线检测方法。该算法采用Encoder-Decoder的基础网络结构模式,通过改进实现语义分割,利用池化层的索引功能,以反池化的方式进行上采样,在每个上采样之后连接多个卷积层。然后再使用标准交叉熵损失函数训练分割网络,利用深度学习方法得到排除外部环境干扰的道路分割图像,并对分割后的道路图像进行透视变换,采用Hough变换和边缘点的参数空间投票,快速提取和修正车道线左右边缘点,将提取的边缘点进行贝塞尔曲线拟合,实现车道线的平滑显示。提出的算法在相关车道线数据集上进行了训练和测试,与基于参数空间投票方法相比,准确度提升5.1%,时间平均增加了8 ms;与卷积神经网络（convolutional neural networks,CNN）方法相比,准确度降低了1.75%,时间平均减少了6.2 ms。测试结果表明,利用提出的语义分割编解码网络...     

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。     

基于深度学习和虚拟模型的路面全域伤损状态自动化感知

路面全域伤损的有效感知是全面、系统地实施维护决策的关键依据。提出一种基于深度学习和虚拟模型的路面全域伤损状态自动化感知方法。该方法首先基于无人机实测数据建模生成路面虚拟实体；然后使用深度语义分割网络从实测数据中精细化地检测路面伤损；最后，将输出的伤损特征检测结果与虚拟实体数据进行匹配和UV映射，获取各个伤损在虚拟空间中的定位信息并逐一部署，得到面向路面全域的伤损状态感知模型。结果表明：在现场实测统计长为236 m,宽为20 m的实际路面区域试验研究中，充分训练的U-Net网络的平均交并比(MIoU)达到0.86,显示出对无人机采集到的路面伤损区域极佳的分割精度。建立的路面伤损状态感知模型有效感知实际存在的伤损91处，与传统的二维检测结果相比，能够更加系统地对路面全域伤损进行全局表征，便于高效地推断伤损的特征和位置信息，实现精准、动态的路面服役状态评估。     

一种水泥混凝土路面接缝图像识别定位方法

提出一种基于图像处理技术的水泥混凝土板接缝定位识别方法,旨在为后续的接缝工作性评价系统打下基础。在分析接缝图像灰度、投影、边缘和几何特征的基础上,将影响接缝识别定位的干扰因素逐步剔除。首先,采用8方向Kirsch边缘检测方法抑制噪声,增强目标边缘,然后利用最大熵阈值分割方法将图像二值化,最后针对水泥板接缝直线几何特征,利用Hough变换,检测出相邻两板接缝的边缘线,试验结果表明,识别率良好。     

基于实例分割的车道线检测算法

为实现在自动驾驶复杂场景下检测数量变化的车道线，提出一种基于实例分割的车道线检测算法。首先以ResNet18网络作为主干网络提取图像特征，采用特征金字塔网络进行特征融合。同时设计一种扩张卷积残差模块来提高检测的精度；然后基于车道线的位置进行实例分割，利用语义分割出的车道线点位置预测对应的聚类点位置，通过对聚类点采用DBSCAN聚类算法实现车道线实例区分。结果表明，该算法能够在复杂的自动驾驶场景下有效地进行多车道线检测，在CULane数据集和TuSimple数据集上的调和平均值分别达到75.2%和97.0%。     

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。     

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。     

一种基于雷达和机器视觉信息融合的车辆识别方法

为提高先进驾驶员辅助系统对车辆前方环境识别的准确性,提出一种基于雷达和视觉传感器信息融合的车辆识别方法。系统工作前预先对毫米波雷达和摄像头进行联合标定,并确定雷达坐标系和摄像头坐标系的变换关系。车辆识别过程中,首先根据雷达信息确定图像坐标系中的车辆识别感兴趣区域;然后对感兴趣区域进行对称性分析获得车辆对称中心,并对车辆底部阴影特征进行分析处理完成车辆边缘检测;最后根据逆透视变换得到车辆识别宽度,根据识别宽度对识别结果进行验证。结果表明该算法具有较强的环境适应性和准确率,弥补了单一传感器在车辆识别中的不足。     

明珠湾大桥主桥正交异性钢桥面板疲劳性能及寿命评估

为保证广州明珠湾大桥主桥疲劳性能及寿命满足要求，根据该桥正交异性钢桥面板设计尺寸和构造，采用与施工现场相同焊接条件，制作8个足尺单U肋模型并进行疲劳试验，确定桥面板的疲劳破坏关注点及其疲劳寿命曲线；建立桥面板有限元模型，分析实际车辆荷载作用下桥面板的疲劳力学性能，并根据名义应力法确定该桥钢桥面板的疲劳寿命。结果表明：桥面板U肋与顶板焊接位置、U肋与横隔板围焊位置为疲劳易损部位，循环次数为5×10⁶次时，两处常幅疲劳极限分别为42.04 MPa和60.30 MPa;桥面板U肋与顶板焊接位置最大应力幅为14.02 MPa,小于常幅疲劳极限，可不考虑疲劳寿命；U肋与横隔板围焊位置最大应力幅为64.73 MPa,大于常幅疲劳极限，桥面板疲劳寿命为158年，满足大桥设计基准期100年的要求。     

正交异性钢桥面板疲劳裂纹智能检测机器人研究

目前,正交异性钢桥面板(OSD)结构焊缝疲劳裂纹的检测以人工检测为主,其检测工作量大、成本高,同时由于顶板一纵肋结构构造复杂,绝大多数无损检测方法因检测工艺限制难以适用,导致缺陷检测效率低、漏检错检现象频发.为了提高OSD疲劳裂纹检测效率,设计制作了一种集超声波相控阵检测技术与图像识别技术于一体的智能检测机器人.该机器人可以利用电磁铁交替吸附在正交异性钢桥面板上进行安全有效的移动,通过控制上层云台系统配合超声波相控阵检测设备完成缺陷的采集作业,并基于卷积神经网络算法智能识别缺陷图像.详细介绍了智能检测机器人的整体设计和超声波相控阵检测技术,并通过理论分析和室内人工缺陷试块试验对该检测方法进行了验证.结果 表明,将超声波探头放置于顶板位置时,实测缺陷位置与设计值最大偏差为2 mm,缺陷长度最大偏差为5 mm,基本与人工缺陷位置一致,满足检测要求.这种检验机器人技术为实现OSD焊缝缺陷的智能检测提供了新方法.