基于深度学习的混凝土裂缝检测和评估研究

这是一篇关于裂缝检测,深度学习,HED网络,语义分割,空洞卷积的论文, 主要内容为混凝土裂缝类病害,它们既是建筑物表面破损的主要形式,又是建筑物受损评估及养护工作的重点。随着较早一批建筑物的使用时间不断增加,建筑物病害的数量和分布区域日益增多,建筑物健康监测和养护也逐渐成为一个研究的热点。裂缝是建筑物上最为常见、最容易发生且危害较大的病害之一,使用时间过长、加工工艺缺陷还有天气变化都可能导致建筑物产生细小裂缝,裂缝本身对安全所造成的威胁并不是最为严重的,但若不经过及时处理,裂缝可能衍生出其他更为严重的次生病害,一旦建筑物发生坍塌,将会造成严重的安全事故。因此,需要对建筑物裂缝进行及时的检测和修复,从而防止危害进一步扩大。传统的人工养护方式过去曾被广泛使用,但其检测效率低下还带有很强的主观性,已不适用于与日俱增的养护工作量,目前现有的建筑物裂缝检测算法普遍存在着技术通用度不高和检测效率低下等诸多问题,一种检测算法常常仅能够针对具体情况,难以适应各种复杂多变的建筑物表面背景,因此亟待进一步的优化与改进。针对上述问题,本文在分析了现有的裂缝检测文献的基础上,提出了基于深度学习的裂缝检测算法,主要工作内容如下:(1)针对自然环境下裂缝背景复杂,纹理多变的问题,本文提出了一种空洞卷积金字塔Dense Net子块裂缝检测分类算法对裂缝区域进行初定位,首先,提出了裂缝特征提取网络Dense Net,Dense Net采用密集连接的方式提取卷积特征,将卷积层中各小层特征充分利用,可以提取更为丰富的裂缝特征,然后,提出了挤压-激励模块对网络提取的特征进行自学习,对原始特征图各通道重要性进行评估,依据其重要性对该通道特征加权输出,获得更加有效的裂缝特征,最后,提出了空洞卷积金字塔模块进行融合上下文信息学习,不同大小空洞率的空洞卷积具有不同大小的感受野,从多尺度角度来对子块进行分类,有效减少复杂背景被误判的情况,提高子块检测的准确率。(2)针对传统裂缝图像分割方法不能准确提取裂缝的问题,提出了一种基于卷积-反卷积特征融合的整体嵌套网络混凝土裂缝分割方法。在研究编码-解码架构基础上,所提网络首先使用VGG-16作为基础特征提取网络,针对编码阶段特征冗余的问题,基于通道注意力机制,利用通道空间相关性和全局信息对裂缝特征进行激励,去除冗余特征;其次,通过卷积-反卷积特征融合模块将反卷积深层语义信息和卷积浅层特征有效融合,进而提高裂缝特征质量,有效提升裂缝特征响应能力;然后基于多尺度监督学习机制,采用整体嵌套网络(Holistically-nested networks)融合不同尺度的预测结果,增强网络对线性拓扑结构的表达能力,提高裂缝分割准确性,最后提出基于混合空洞卷积边界细化模块,进一步细化裂缝边界,提高裂缝分割准确性。在Bridge＿Crack＿Image＿Data数据集和CFD数据集上的大量实验表明,和其它深度网络相比,所提网络不仅对于不同宽度裂缝均有较好的分割结果,而且具有较强鲁棒性。(3)针对现实场景下裂缝检测需要到现场拍摄就地取样和计算裂缝参数的问题,本文提出了一种建筑物表面受损评估指标,首先采用一种基于查表法的裂缝细化算法,获取裂缝完整骨骼,然后基于图像处理理论开发了一套裂缝几何参数计算方法,包括裂缝面积、长度和宽度等参数,最后基于B/S架构设计了一款在线裂缝检测APP来实现本文提出的检测算法,方便现场在线进行裂缝取样,自动计算裂缝参数以及检测历史记录查询。

基于Android的便携式桥梁表面裂缝检测及数字化档案系统研究

这是一篇关于裂缝检测,图像处理,Android,检测精度,Vue.js框架的论文, 主要内容为公路桥梁作为交通运输行业一项不可或缺的基础设施,其裂缝是最常见的一种病害形式。裂缝宽度关乎到公路桥梁的安全运营,因此对桥梁表面裂缝宽度的检测是桥梁养护工作必不可少的一个环节,这对保障桥梁主体结构安全以及人民生命财产具有极其重要的意义。针对传统的桥梁裂缝人工检测现状和相关检测系统存在体积庞大、操作不便、检测效率低以及与管养系统网联性差的弊端,提出了一种基于Android的便携式桥梁表面裂缝检测及数字化档案系统。本文以混凝土桥梁表面裂缝为研究对象,通过研究便携式手持图像采集装置硬件设计、桥梁表面裂缝图像处理算法、裂缝宽度测量算法、Android应用开发技术、前后端分离的MVVM软件架构设计模式、Web前端开发技术等,研发了基于Android的便携式桥梁表面裂缝检测及数字化档案系统。首先,借助ARM核心处理单元设计了便携式手持图像采集设备,在获取桥梁表面的高清裂缝图像后通过其无线传输模块完成了图像的传输任务。随后,基于Android平台,并结合数字图像处理技术开发裂缝高精度测量APP,通过相关预处理算法,并采用改进的Canny边缘检测算法实现裂缝轮廓的高精度提取,再利用边缘切线法得到裂缝像素的平均宽度及最大宽度,然后,根据摄像头标定系数将像素转换为实际测量需要的长度数据。同时,该APP还包括桥梁现场信息采集、定期检查记录以及病害信息上传功能,并进行了本地LitaPal数据库表的设计,完成了外业数据的录入工作。其次,采用前后端分离架构完成桥梁数字管养平台Web端的设计,前端基于Vue.js框架,使用JavaScript、HTML等脚本语言进行编码实现,并进行了服务器MySQL数据库表的设计,完成了内业数据的管理工作。最后,进行了系统软硬件平台的搭建,为了确保整个系统能够正常运行对其进行测试,并针对裂缝宽度测量精度进行现场对比实验,实验结果表明,该系统能够实现对桥梁表面裂缝宽度的便携式、高精度测量,误差小于0.1mm,且实现了桥梁基础信息、病害信息、养护信息的数字化管理,具有较强的应用价值。

基于深度学习的公路隧道衬砌裂缝识别与解析方法研究

这是一篇关于公路隧道,隧道衬砌裂缝,裂缝检测,语义分割,骨架提取,智能评价的论文, 主要内容为随着我国交通基础建设的不断完善,隧道建设规模和数量不断扩大,隧道检测的任务量也在逐步增大。其中,隧道衬砌裂缝作为隧道病害的早期表现之一,对隧道的安全运营具有重要影响。然而,目前我国隧道衬砌裂缝检测技术和设备相对滞后,难以满足实际检测需求。传统的隧道衬砌裂缝检测和识别主要依赖于人工巡检,效率低、准确率低,漏检现象严重,难以满足由于隧道数量不断增加而日益增长的隧道检测需求。数字图像处理技术虽然较人工巡检有一定提升,但同样存在检测效率低、准确率低、模型参数多及体量大的问题,同时还具有较强的靶向性和主观性,在处理受干扰图像时效果受限,难以具备良好的泛化性和鲁棒性,检测效果不理想。随着深度学习技术的快速发展,利用深度卷积神经网络快速准确提取目标特征信息得到广泛研究。因此,本文依托国家重点研发计划子课题“道路基础设施智能感知机理及感知数据解析方法”,开展基于深度学习的公路隧道衬砌裂缝识别与解析方法研究,具有重要的现实意义。基于此,本文主要开展下列相关研究:(1)针对目前数字图像处理技术对隧道衬砌裂缝的检测精度低、误检率与漏检率高、体量大以及参数多、检测效率低的问题,本文基于原YOLO v5架构,在检测层中新增一个低维尺度和在主干网络的特征提取层中融入SE注意力机制并改进CSP结构,提出改进的YOLO v5深度目标检测模型对公路隧道衬砌裂缝进行智能检测。实验结果表明:采用本文提出的公路隧道衬砌裂缝检测方法YOLO v5-IBX对裂缝进行检测时,平均精度均值达到98.6%,较原模型提升10.1%,检测时间达到0.021秒/帧,权重仅有25.2MB。在提高检测精度的情况下,保证了模型检测时间和网络轻量化,优化了检测模型。并且其具有较低的误判率和漏检率,分别为2.2%和2.3%,均小于10%的规范要求中允许的检测误差范围,能够有效区分真实裂缝与伪裂缝,为公路隧道衬砌裂缝检测提供更有效的检测方案。(2)针对目标检测算法只检测裂缝知否存在,并没有深入到像素级识别,以及经典语义分割模型识别准确率低、参数量大、识别效率低的问题,本文基于原UNet网络架构,在编码阶段引入Res Net50的瓶颈残差结构和CA注意力机制,并在解码阶段引入1×1卷积优化网络结构,提出改进的U-Net深度语义分割模型对公路隧道衬砌裂缝进行智能识别。实验结果表明:采用本文提出的公路隧道衬砌裂缝分割方法U-Net-IBX对衬砌裂缝进行分割时,平均像素准确率达到92%,较原模型提升7.9%,训练时间为0.34s,权重仅有78.6MB。在提高分割精度的情况下,保证了网络轻量化。并且对其隧道衬砌裂缝提取结果恒等可视化对比发现,改进方法提取的裂缝更为连续、丰富、准确,为公路隧道衬砌裂缝特征提取提供更有效的分割方案。(3)针对主流裂缝量化方法量化效率低、准确性低、效果不理想的问题,本文采用Ostu最大类间方差法、形态学处理、改进的Zhang快速并行细化算法以及链码跟踪的法对语义分割后的隧道衬砌裂缝图像提取裂缝骨架,计算裂缝的长度、宽度和面积等几何参数,并结合尺度系数与实际测量值进行比对。结果表明:本文算法的长度提取误差均值为4.7%,平均宽度提取误差均值为2.8%,均满足规范衬砌开裂定量评定标准中的最大允许检测误差,能够有效实现裂缝的自动计算,为公路隧道衬砌裂缝几何特征参数计算提供更有效的量化方案。

基于扩张残差网络的路面裂缝分割算法研究

这是一篇关于扩张残差,裂缝检测,语义分割,形态学信息,路面裂缝检测分析系统的论文, 主要内容为随着我国公路桥梁等基础设施建设投入的逐年递增,道路养护工作变得越来越重要。路面裂缝是一种常见的公路病害,及时获取公路路面裂缝信息对道路养护有着重要作用。基于传统图像处理算法的裂缝检测因其检测速度快、检测便捷等优点逐渐取代人工检测裂缝的手段。但是传统的图像处理方法一般是先定义一种特征,然后针对这类特征进一步的预测或者分类,这类方法的识别率较低,已不能满足当下人们的工程要求。近年来,深度学习已经得到众多研究者的高度重视,通过大量的数据训练,深度学习对复杂环境下目标的检测具有很好的鲁棒性,其准确率也远远超越了传统算法。特别是深度学习在图像分割领域的成功应用,本文从深度学习在裂缝检测的应用出发,深入研究深度学习网络的理论特性,并基于此进一步的设计更加适合复杂环境下路面裂缝检测的网络模型。论文的主要工作如下:(1)制作了真实复杂环境下的路面裂缝数据集Pavement Crack-Data,在专业人员的引导下拍摄收集路面裂缝图像,然后利用图像处理方法对数据集进行扩增,并对图像进行人工标注,获取训练标签,以满足本文算法的模型要求。(2)对本文核心算法的对比算法进行了分析,分别为基于改进的Dense Net全卷积网络的裂缝分割算法和基于生成对抗网络的裂缝分割算法,并将二者应用在本文建立的路面裂缝图像上,进行实验结果的比较,以此为基础引出本文的核心算法。(3)以基于扩张残差网络在路面裂缝的图像分割为研究内容,首先设计扩张残差的模型和网络结构,接着给出具体的模型优化策略,并在Tensorflow平台下进行模型训练,然后对网络模型检测到的分割图像进行形态学特征提取,并使用迭代细化算法提取裂缝图像骨架,最后使用传统图像算法测量裂缝形态学信息。(4)利用Flask框架搭建基于B/S架构的在线路面裂缝检测分析系统,该系统由检测人员上传数据,后台对数据进行图像算法处理,从图像格式和视频格式出发,将结果进行可视化显示,从而给检测人员提供重要的参考,帮助更好评估实际路面的损伤情况。最终,本文将从以上四个方面出发,深度融合裂缝检测和深度学习理论,设计构建高效精准的路面裂缝语义分割模型,并利用Python编写的轻量级Web框架Flask搭建基于B/S架构的在线路面裂缝检测系统。

基于U2-Net模型优化的无人机影像堤坝裂缝检测研究

这是一篇关于堤坝,裂缝检测,深度学习,语义分割,无人机影像的论文, 主要内容为修筑水利工程是调节水流兴利除害的重要途径,其中堤坝是重要的挡水建筑物,所处环境受力情况复杂,在长期服役过程中易出现裂缝等病害,如不做到及时发现与处理,经过发展极有可能引发溃坝,给人民财产、生态环境和社会经济等带来灾难性后果。本文研究基于无人机影像来实现裂缝的快速检测任务,可以做到裂缝的及时发现,对保障堤坝安全服役具有重要意义。目前对于堤坝裂缝检测的方法较少,主要以人工目视检查为主,存在效率低、主观性强和易漏检等问题。另外堤坝存在轴线较长、检测环境危险且裂缝特征不明显等特点,采用常规方式检测难度较大,因此需要一种自动化的方式来实现堤坝裂缝检测。随着无人机及数字摄影技术的发展,利用无人机拍摄堤坝表面图像再结合图像处理算法进行裂缝检测可以提高效率。但以往基于图像处理的裂缝检测算法存在适应性差、精度低和速度慢等劣势。目前较为热门的深度学习法在图像识别领域取得了显著成效,具有拟合能力强、精度高和速度快等优势,有望弥补基于图像处理的裂缝检测算法的缺陷。但深度学习需要大量数据驱动且训练成本高。另外现有的深度学习法在堤坝裂缝数据上表现不够理想,且不适用于在无人机影像中检测堤坝裂缝。针对上述问题,本文对U2-Net模型进行优化,并结合迁移学习实现了堤坝裂缝的自动检测与特征提取。主要研究内容如下:(1)为降低U2-Net训练成本,提出了新的残差模块(RSU-ECA-AS),在该残差块的基础上构建了U2Net-ECA-AS模型用于裂缝检测,新的模型训练成本更低,精度更高。将提出的模型与多种常用的深度学习裂缝检测模型对比,取得了80.45%的交并比和88.88%的综合评价指标,验证了模型在堤坝裂缝检测上的适用性。(2)针对堤坝场景的裂缝检测数据集缺乏问题,基于开源建筑裂缝数据集进行迁移学习,通过对U2Net-ECA-AS模型进行实验,确定了采用迁移浅层编码层特征的微调策略。(3)研究基于无人机影像的切片检测和配准修正方法,实现了模型对无人机在安全距离外拍摄的高分辨率图像的裂缝检测,获得了良好的检测效果。(4)对无人机影像端到端裂缝检测的结果进行了特征提取研究,并提出了相应的特征提取流程。将裂缝分为了线性裂缝和非线性裂缝,对比研究了不同方式的裂缝长度和宽度计算方法。文章实现了对堤坝裂缝自动化、非接触式的检测与量化,并将成果应用于长江新洲区某处堤防和某防洪墙的实地裂缝检测,取得了较好的效果。为堤坝的裂缝检测提供了新的方法,可为养护和修缮提供检测数据。

基于深度学习的混凝土裂缝检测和评估研究

这是一篇关于裂缝检测,深度学习,HED网络,语义分割,空洞卷积的论文, 主要内容为混凝土裂缝类病害,它们既是建筑物表面破损的主要形式,又是建筑物受损评估及养护工作的重点。随着较早一批建筑物的使用时间不断增加,建筑物病害的数量和分布区域日益增多,建筑物健康监测和养护也逐渐成为一个研究的热点。裂缝是建筑物上最为常见、最容易发生且危害较大的病害之一,使用时间过长、加工工艺缺陷还有天气变化都可能导致建筑物产生细小裂缝,裂缝本身对安全所造成的威胁并不是最为严重的,但若不经过及时处理,裂缝可能衍生出其他更为严重的次生病害,一旦建筑物发生坍塌,将会造成严重的安全事故。因此,需要对建筑物裂缝进行及时的检测和修复,从而防止危害进一步扩大。传统的人工养护方式过去曾被广泛使用,但其检测效率低下还带有很强的主观性,已不适用于与日俱增的养护工作量,目前现有的建筑物裂缝检测算法普遍存在着技术通用度不高和检测效率低下等诸多问题,一种检测算法常常仅能够针对具体情况,难以适应各种复杂多变的建筑物表面背景,因此亟待进一步的优化与改进。针对上述问题,本文在分析了现有的裂缝检测文献的基础上,提出了基于深度学习的裂缝检测算法,主要工作内容如下:(1)针对自然环境下裂缝背景复杂,纹理多变的问题,本文提出了一种空洞卷积金字塔Dense Net子块裂缝检测分类算法对裂缝区域进行初定位,首先,提出了裂缝特征提取网络Dense Net,Dense Net采用密集连接的方式提取卷积特征,将卷积层中各小层特征充分利用,可以提取更为丰富的裂缝特征,然后,提出了挤压-激励模块对网络提取的特征进行自学习,对原始特征图各通道重要性进行评估,依据其重要性对该通道特征加权输出,获得更加有效的裂缝特征,最后,提出了空洞卷积金字塔模块进行融合上下文信息学习,不同大小空洞率的空洞卷积具有不同大小的感受野,从多尺度角度来对子块进行分类,有效减少复杂背景被误判的情况,提高子块检测的准确率。(2)针对传统裂缝图像分割方法不能准确提取裂缝的问题,提出了一种基于卷积-反卷积特征融合的整体嵌套网络混凝土裂缝分割方法。在研究编码-解码架构基础上,所提网络首先使用VGG-16作为基础特征提取网络,针对编码阶段特征冗余的问题,基于通道注意力机制,利用通道空间相关性和全局信息对裂缝特征进行激励,去除冗余特征;其次,通过卷积-反卷积特征融合模块将反卷积深层语义信息和卷积浅层特征有效融合,进而提高裂缝特征质量,有效提升裂缝特征响应能力;然后基于多尺度监督学习机制,采用整体嵌套网络(Holistically-nested networks)融合不同尺度的预测结果,增强网络对线性拓扑结构的表达能力,提高裂缝分割准确性,最后提出基于混合空洞卷积边界细化模块,进一步细化裂缝边界,提高裂缝分割准确性。在Bridge＿Crack＿Image＿Data数据集和CFD数据集上的大量实验表明,和其它深度网络相比,所提网络不仅对于不同宽度裂缝均有较好的分割结果,而且具有较强鲁棒性。(3)针对现实场景下裂缝检测需要到现场拍摄就地取样和计算裂缝参数的问题,本文提出了一种建筑物表面受损评估指标,首先采用一种基于查表法的裂缝细化算法,获取裂缝完整骨骼,然后基于图像处理理论开发了一套裂缝几何参数计算方法,包括裂缝面积、长度和宽度等参数,最后基于B/S架构设计了一款在线裂缝检测APP来实现本文提出的检测算法,方便现场在线进行裂缝取样,自动计算裂缝参数以及检测历史记录查询。

基于二三维融合图像识别-分割双层深度学习算法的路面裂缝检测研究

这是一篇关于裂缝检测,深度学习,图像处理,图像分类,目标识别,图像分割的论文, 主要内容为裂缝作为路面上体量较大的破损类病害,若不加以及时的检测与修复极易发展成为其他病害,进而影响道路的使用寿命,同时路面裂缝在形态上具有细长、面积小的特点,在道路总体面积中仅占很小部分,为了能够有针对性的对裂缝区域进行检测,提高检测效率与精度,本文提出了一种识别-分割双层深度学习算法的路面裂缝检测方法,具体研究内容如下:(1)本文基于道路多功能检测车采集的路面图像数据,通过亮度变换、图像融合以及图像放缩等方法对原始图像进行预处理以增强图像信息,并分别制作了路面裂缝的图像分类、目标识别以及图像分割数据集。(2)本文采用Mobilenet V2以及YOLOv5模型分别对路面裂缝图像进行图像分类以及目标识别,将输入图像进行像素级融合处理提高了模型的检测能力,并且研究了不同尺度路面图像对裂缝区域预筛选结果的影响。对分类模型用以迁移学习方法进行改进,对目标识别模型引入Bi FPN模块以及Eiou loss,提高了两者对于裂缝区域的识别能力。(3)本文基于U-net模型进行改进,在其编码器部分引入残差结构加深模型层次,在解码器部分引入深度可分离卷积、批量归一化层以及1×1卷积核对模型进行轻量化改进并加强通道之间信息交互,并基于本文改进后的U-net模型研究了不同来源、不同尺度输入图像对模型分割结果的影响。结果表明本文方法在检测精度以及效率上相较于改进前均有提升,F1指标提升了3.41%,m Io U指标提升了1.88%,检测速度达到59.54FPS。(4)本文提出了一种基于识别-分割双层深度学习算法的路面裂缝检测方法,设计了基于图像分类以及目标识别的识别-分割路面裂缝检测方法,基于分割二值图计算裂缝的几何参数信息,并将以上检测模块集成为一套检测系统平台,实现裂缝检测流程的可视化以及信息导出。实验结果表明,本文提出的基于识别-分割双层深度学习算法的路面裂缝检测方法在F1以及m Io U值上分别达到82.72%以及84.27%,在FPS值上达到110.53,具有更好的检测效果,可以为后续路面养护决策的制定提供一定的参考依据。

基于云端的路面裂缝检测系统设计与实现

这是一篇关于道路养护,互联网,车载相机,裂缝检测,socket编程,多线程,阿里云ESC,UK Scanner的论文, 主要内容为目前,传统的公路检测包括人工检测和多功能智能道路检测车检测,而人工检测费时费力且精准度不高,多功能智能道路检测车成本又过太高,检测方式单一。随着互联网的不断发展,各行各业都在追随互联网的浪潮,以实现产业的“换道超车”,因此,与互联网相结合对于传统道路检测系统具有重要现实意义。本文主要完成了车载相机路面裂缝检测软件的开发,在该软件的基础上,开发具有浏览与检测道路破损状况功能的网页端服务平台,并构架服务程序服务网页端需求,设计路面裂缝提取与破损数据统计算法,算法包括前期的图像矫正、图像灰度化、图像增强、图像分割,以及干扰物去除算法,在对裂缝的后期处理中,通过在对传统区域生长算法研究的基础上,实现了一种改进版的区域生长算法,以适应本文中对微小裂缝误消除的弥补。最后提出一种基于UK Scanner网格法和投影法相结合的裂缝破损参数计算方法,对路面进行破损数据统计与破损评估。本文首先对.NET平台下的主要技术进行研究,分析其工作原理和优缺点,结合自身功能需求,将最新的两项技术结合成方案应用到网页的系统架构中,其中前端以ASP.NET MVVC框架为基础构建系统表现层,后端以Entity Framework框架为基础构建数据访问层,网页前端通过嵌入百度地图JSP,实现了百度路面街景地图在云端的上传与处理,以及云端数据库中破损数据的获取。接着基于socket网络编程与多线程技术构架了一个简单的服务程序,服务程序的主要功能有图片的图像处理算法,网络通信协议头处理,基于curlib库的地图资源请求,以及网页端图片数据的接收、存储、处理到发送等功能,服务程序部署在阿里云ESC云服务器上,一同部署的还有网页,数据库,图片库。PC端软件系统作为云端前期的数据积累程序,基于MFC开发,图像处理算法采用Halcon语言开发,主要模块包括视频处理模块,gps导航模块与数据管理模块。经过对系统的整体测试与算法验证,结果表明系统运行稳定视频处理流畅,软件操作简单,路面特征提取算法与重复帧去除算法误差在可接受范围,网页端与服务端通信稳定。