网站地图 原创论文网,覆盖经济,法律,医学,建筑,艺术等800余专业,提供60万篇论文资料免费参考
主要服务:论文发表、论文修改服务,覆盖专业有:经济、法律、体育、建筑、土木、管理、英语、艺术、计算机、生物、通讯、社会、文学、农业、企业

工程结构裂缝图像智能识别和几何信息测量

来源:原创论文网 添加时间:2021-09-15

  摘    要: 随着交通基础设施体量的飞速增长,传统基于人工的工程结构检测、监测方法已无法满足现阶段的结构健康监测需求。基于此,本文提出一种基于裂缝图像采集系统的裂缝识别及测量技术,该技术可针对高耸结构物病害表面,自动拍摄得到结构物竖直表面数字图像,进而基于机器学习以及连通域分析等智能测试手段,精准测量数字图像内的裂缝几何信息。实验结果表明,本文提出的测试手段可为结构物表面病害检测提供新的解决方案。

  关键词 :     裂缝图像采集系统;卷积神经网络,连通域分析;裂缝测量;

  一、引言

  我国交通基础设施体量巨大,为排除长期服役的公路桥梁桥梁结构安全隐患,桥梁检测系统及检测方法一直是业内关注的重点。传统检测行业一直以来主要依靠人工检测的方式排查桥梁结构安全隐患。但随着我国公路桥梁基础建设的飞速发展,传统人工检测方式已无法满足桥梁在新时代所面临的结构健康检测、监测需求。为解决桥梁等高耸结构物的表面裂缝识别问题,本文基于裂缝图像采集系统,利用机器学习及图像处理技术实现桥梁结构物表面的智能化裂缝识别与测量,可为5G新基建时代背景下的结构检测提供一种新型解决方案。

  二、裂缝图像采集系统

  本文介绍一种能够在高耸结构物竖直表面采集结构物表面图像的轨道式攀爬机器人系统,该检测机器人的硬件系统包括机械平台与视觉平台,二者可基于控制平台实现高效协作。

  (一)机械平台

  机械平台是该攀爬机器人的骨架体系,赋予了视觉平台垂直向移动的能力,由电机提供动力,传动杆通过两端的链轮带动链条运转,即可实现横向排布的导轨在竖直平面内移动。

  (二)视觉平台

  攀爬机器人系统依托于机械平台垂直向运动,水平向移动则依靠视觉平台实现。视觉平台主体为一个遥控载具,搭载高清摄像机和超声测距模块,可以实现遥控载具在导轨上的精确定位与测距。通过遥控载具可准确拍摄结构物竖直表面任意位置处的数字图像。
 

工程结构裂缝图像智能识别和几何信息测量
 

  (三)控制平台

  图像采集系统的控制平台基于无线网络控制遥控车的自由运动,并向图像采集模块发送视频录制和图像采集等指令,实时收集视觉平台采集到的位置、图像等信息,将收集到的信息传送至计算机终端后处理,计算机通过相应的软件调控系统,整合控制平台接收到的图像相关信息,对数字图像进行局部排序、基于SIFT算法的全景拼接等操作,最终得到完整的结构物竖直表面全景数字图像。

  三、裂缝图像智能识别

  本文首先采用卷积神经网络(Convolutional Neural Network,CNN)对裂缝图像进行裂缝识别,对裂缝的粗定位后,采用传统图像处理技术对粗定位裂缝图像进行精确的裂缝测量。卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层。

  (一)训练样本图像的搜集及分类

  本文收集了多种结构物裂缝图像作为训练卷积神经网络的数据集,图片来自于自主拍摄及网络收集,原始图像共计128张。通过分割、缩放、旋转和对称处理收集的原始图像实现数据增强。本文将原始图像统一剪裁并缩放成尺寸为128*128的小图像,共计2120张。

  (二)识别结果

  使用上文选择的模型进行工程结构裂缝图像识别实验,实验环境为Tensor Flow2.7,Intel Core CPU,主频频率为1.8GHz,内存大小为8GB。所采用的图像处理后共2120张,其中裂缝图像960张,无裂缝图像1160张,设置CNN模型的初始学习率为0.0001,样本大小为16,共进行100次迭代,数据显示,该卷积神经网络模型裂缝识别的准确率为98.1%,计算用时3055秒,能够满足裂缝识别的精度要求。

  四、裂缝几何信息测量

  (一)连通域分析

  基于连通域分析的图像处理方法提取图像中的裂缝参数,运用前述训练完成的卷积神经网络识别裂缝区域,随后将该区域内的图像转化为灰度图像;再使用膨胀、腐蚀、滤波方法去除图像中的噪声;通过设定的阈值去除图像中的细小裂缝后,使用连通域方法提取图像中的裂缝并根据裂缝的骨架,以像素为单位计算裂缝的参数信息。

  表1.单一竖向裂缝参数采集结果分析
表1.单一竖向裂缝参数采集结果分析

  表2.斜向交叉裂缝参数采集结果分析
表2.斜向交叉裂缝参数采集结果分析

  使用裂缝连通域的骨架可以快速计算裂缝信息。当以像素为单位时,裂缝的长度按式一计算,其中该式的意义为计算裂缝骨架上的像素点个数:

  在计算裂缝宽度时,使用积分操作对整个骨架上的像素点进行了遍历。通过式二和式三分别可得像素的最大宽度和平均宽度,其中Wi表示第i个像素处的裂缝宽度,L表示裂缝的长度,即骨架上的像素个数。

  表3.网状裂缝参数采集结果
表3.网状裂缝参数采集结果

  (二)测试结果

  提取收集的128张裂缝长度、最大宽度和平均宽度,选取最具代表性的4类裂缝图片分析裂缝参数提取的精度。单一裂缝的裂缝测量结果如表1所示,CNN精确识别得到了单一竖向裂缝与单一斜向裂缝的包络区域,基于该包络区域,运用连通域分析技术,精确提取了两种单一裂缝的参数信息,数据显示两种裂缝的长度及平均宽度测试结果误差均在可接受范围内。

  五、结语

  本文介绍了一种裂缝图像采集系统,该系统由机械平台与视觉平台组成,并由控制平台进行远程操控,可灵活采集工程结构竖直表面的裂缝图像。建立了工程结构裂缝图像数据集,搭建卷积神经网络模型并使用反向传播算法对其进行训练。接着对卷积神经网络中的卷积核大小、学习率和样本大小进行了比选,选择了最优参数,使用搭建的卷积神经网络模型分类桥梁裂缝图像,其准确率达到98.1%。使用连通域分析技术,以裂缝骨架为依据计算了裂缝的长度、平均宽度和最大宽度,并对其误差进行了分析,本文使用的裂缝智能识别及测量方法在精确度方面基本满足工程结构病害检测和维护的要求。

重要提示:转载本站信息须注明来源:原创论文网,具体权责及声明请参阅网站声明。
阅读提示:请自行判断信息的真实性及观点的正误,本站概不负责。
我们的服务
联系我们
相关文章