阳江 朱明明
摘 要:针对现行山地桥梁检测车造价高,人工车上检查检测过程危险,检测车占用车道影响行车的问题,提出基于无人机图像识别方式开展山地桥梁智能检测,采用卷积神经网络模型进行图像处理、分割、识别检测,具有较高的识别精度,可以应用于桥梁外观病害检测。
关键词:无人机 卷积神经网络 桥梁检测
0引言
随着经济社会的发展,中国桥梁总数已超100万座,桥高、桥长数据惊人。在自然环境、材料劣化、施工缺陷、超载等因素的作用下,桥梁结构易出现不同程度的开裂破损、露筋锈蚀、支座脱空等损伤和病害,需要定期开展桥梁损伤程度检测。
1无人机智能检测技术
无人机图像识别系统主要由无人机图像采集单元、地面站与数据传输单元、图像信息处理与识别检测单元三部分组成。无人机一般采用起降平稳的多旋翼无人机,利于数据采集和观测;地面站与数据传输单元用于实时监控无人机飞行、检查拍摄情况,即时控制信号、检测数据的传输,利于及时纠正飞行轨迹、发现桥梁明显病害;图像信息处理与识别检测单元用于对图像的灰度分部、亮度和颜色等信息进行各种运算处理,从中提取出目标对象的相关特征,完成对目标对象的测量与检测任务。
2山地桥梁病害检测
按照《公路桥涵养护规范》(JTG H11-2004)規定:桥梁定期检查的主要工作为检查记录各部件缺损状况并作出技术状况评分,本次试验利用无人机图像识别代替目测,对桥跨、桥塔及桥墩混凝土结构外观进行拍照摄像,识别桥梁病害。
2.1典型缺陷图像获取
对无人机桥梁检测系统进行全局整体设计,利用无人机携带高清拍摄设备对桥梁上部构造及下部构造混凝土结构裂缝、蜂窝、麻面、露筋锈蚀等病害进行图像识别。以重庆至合川为正方向的嘉陵江大桥检测为例,按正方向将桥墩台从左到右编为0号桥台、1号桥墩……12号桥台。主桥主跨按前进方向将现浇段编为1号~51号现浇块,边跨从根部起编为1号~27号块。
2.2卷积神经网络智能识别
以裂缝为例,采用无人机图像信息处理与识别检测技术,筛选多余信息,进行图像预处理,抽出主要信息提取桥梁病害特征,利用卷积神经网络建模实现智能识别检测,进行图像识别检算。
2.2.1识别路径设计
裂缝识别具体分为图像输入、图像预处理、裂缝典型特征信息提取、裂缝识别建模及智能识别分析等四个步骤。
2.2.2图像预处理及典型特征提取
图像分析前,需要进行图像预处理,目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性、最大限度地简化数据,改进特征提取、图像分割、匹配和识别的可靠性,预处理步骤分为灰度化、几何变换、图像增强。
灰度化是根据重要性及其它指标,将红黄蓝三个分量以不同的权值进行加权平均得到灰度图像。图像几何变换是通过平移、转置、镜像、旋转、缩放等几何变换处理,用于改正图像采集系统的系统误差和仪器位置的随机误差。图像增强是增强图像中的有用信息,改善图像的视觉效果,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,满足桥梁分析的需要。
2.2.3裂缝典型特征学习训练
基于深度学习的混凝土裂缝图像特征识别具体步骤为:
(1)图像分割,将无人机拍摄的桥梁混凝土结构图像进行分割,增加训练库的图片规模(1000幅以上),人工标注分隔的图像,标出图中有裂缝的图片与没有裂缝的图片,形成训练数据库(900幅以上),另外的100幅图片为测试图像。
(2)图形训练,将带有标签的数据输入到Faster-Rcnn中进行模型训练,根据训练情况判断是否需要更改训练参数重复训练,直到判断准确。
(3)训练库中包含有裂缝的图片,也包含无裂缝图片,针对裂缝病害建立分类器,将无人机拍摄的图片输入Faster-Rcnn,依据种类判断该结构图片是否有裂缝病害。
2.3卷积神经网络模型
卷积神经网络模型包含输入层、卷积层、池化层、激活层、输出层及辅助层[2]。输入层用于输入图片,输入至卷积神经网络进行处理;卷积层含有卷积核,可以随机确定其权重,用于图像像素进行卷积运算,并不断梯度方向更新,卷积层可以缩减数据规模减少计算消耗;池化层分为最大值和均值池化,分别选取池化层数据中最大值或平均值进行运算,可减少数据量。卷积层与池化层交替进行,卷积层得到的特征图为输入图像和卷积核运算加上一个偏置后再通过激活函数所得的结果,池化运算后送入激活层,最后由sigmoid层输出卷积后的结果是否为裂缝病害图片,辅助层有截断层和批量标准层用于截断与标准化图像。图2为一个3*3的卷积核在5*5的图像上进行卷积运算过程;图3为最大池化运算过程。
3智能识别分析
采用无人机拍摄图像,对桥梁混凝土结构图像缺陷进行分割成1000张小图片,测试表明,采用卷积神经网络模型具有高速度和较高的识别精度的优点。对于一张高清图片在结构裂纹识别中能达到80%左右的识别精度。
将无人机智能检测技术,应用于重庆山地桥梁工程外观检测,表现出良好的控制性能和智能识别桥梁病害的能力,克服了人工目测危险性高、识别不准问题,提高了缺陷图像识别的效率。
参考文献
[1] JTG H11-2004公路桥涵养护规范[S].2004
[2] 温作林 申永刚.基于卷积神经网络的混凝土裂缝识别[J].建筑材料科学与技术.2019
[3] 叶肖伟.一种基于深度学习卷积神经网络的裂缝识别方法[P].中国专利:CN201710641103.X,2020.6
[4] 李宁.基于无人机图像识别技术的输电线路缺陷检测[J].电子设计工程.2019.5