基于多源数据融合的铁路桥梁水下结构全自动诊断方法
本发明涉及桥梁水下检测，更具体地说，本发明涉及基于多源数据融合的铁路桥梁水下结构全自动诊断方法。
背景技术：
1、在铁路桥梁水下结构检测领域，基于单一传感器的定期巡检与人工判读方法已得到初步应用，通常情况下，此类系统由水下机器人搭载光学相机或单波束声呐，按照预设航线采集桥墩承台区域的图像或声学数据，然后通过人工回放或简单的阈值判别识别表面损伤。首先，现有技术方案侧重于对单模态数据的采集效率与图像清晰度的优化，例如通过调整水下机器人的巡游速度与补光策略，实现对结构表面的近距观测。其次该类系统普遍采用固定触发模式，其技术实现涉及水下机器人控制、图像采集与声呐测距的简单组合，缺乏对环境变化的自适应响应。
2、然而现有技术在数据融合与自适应诊断上存在明显局限，首先单一传感器的数据置信度极易受水体浊度、距离衰减及光照条件影响，不同传感器之间缺乏自适应切换与协同触发机制，导致在低能见度或强衰减环境中采集的数据质量严重下降。其次光学图像与声呐点云在时间戳与空间坐标系上各自独立，缺乏精确的三维配准与跨模态匹配方法，多源异构数据难以形成统一、连续、可用于精准损伤判别的融合特征。此外由于缺乏基于历史工况与劣化趋势的智能分析模块，无法自动识别裂缝等微观损伤的扩展趋势，也无法根据检测结果预测结构剩余寿命。因此这种时空不一致性与模态割裂使得检测过程高度依赖人工经验，难以实现全自动、全场景的可靠诊断，从而削弱了水下检测系统的预警能力与工程应用价值。
技术实现思路
1、为了克服现有技术的上述缺陷，本发明的实施例提供基于多源数据融合的铁路桥梁水下结构全自动诊断方法以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、基于多源数据融合的铁路桥梁水下结构全自动诊断方法，包括如下步骤：
4、s1、采集水下机器人在桥墩承台区域的多源数据，记录位姿与传感器偏移，以桥墩承台原点建立基准坐标系，采样声呐回波强度与光学纹理熵联合判别的自适应触发，切换声呐相位相干性为主判据并触发高频声呐扫描优先于补光拍摄，或多源数据判别的裂缝疑似程度触发补光拍摄及高频扫描，经时间戳对齐与坐标转换，按预设的巡游帧间隔生成多源异构监测帧序列；
5、s2、根据位姿、传感器偏移及原点，将光学图像与声呐点云三维配准，解析辐射传输方程并结合水体浊度、距离、光源参数生成模拟纹理图与起伏图，进行一致性验证后融合，通过互信息最大化与空间梯度一致性约束的跨模态匹配算法关联裂缝与模拟起伏图，输出融合特征向量；
6、s3、以各桥墩承台区域为图节点，根据融合特征向量计算结构相似性，以空间距离与结构相似性为边权重构建时空图，将融合特征向量赋值给图节点，通过图注意力运算计算注意力权重，沿时间轴聚合历史特征、沿空间轴聚合邻域特征，损伤类型、等级、置信度及扩散方向；
7、s4、调取预设的历史融合特征向量，结合损伤状态及环境与荷载输入组成初始变量集合，生成动态贝叶斯因果图及各场景条件概率表，选取条件概率的最大值对应场景为最危险情景，计算最小剩余寿命及检测时间窗，检测时间窗小于预设预警阈值则发出预警，记录条件概率表及因果图节点；
8、s5、汇总生成包含损伤对比图、列表、得分、预测曲线、建议及置信度的诊断报告，当置信度低于预设的置信度阈值时标记损伤为新类型并触发人工复核，执行增量学习并生成对抗样本验证，输出更新后的标准特征向量库及验证数据集，在诊断报告中记录人工复核结论与增量学习。
9、在一个优选的实施方式中，采集水下机器人在桥墩承台区域的多源数据，记录位姿与传感器偏移，以桥墩承台原点建立基准坐标系，采样声呐回波强度与光学纹理熵联合判别的自适应触发，切换声呐相位相干性为主判据并触发高频声呐扫描优先于补光拍摄，或多源数据判别的裂缝疑似程度触发补光拍摄及高频扫描，经时间戳对齐与坐标转换，按预设的巡游帧间隔生成多源异构监测帧序列，具体包括：
10、采集水下机器人在桥墩承台区域搭载的光学相机、多波束声呐、振动传感器及环境监测设备的多源数据，记录水下机器人的位姿、各传感器相对水下机器人的偏移量，并以桥墩承台原点建立基准坐标系；
11、基于声呐回波强度与光学纹理熵联合判别的自适应触发算法，计算光学图像纹理熵，并将光学图像纹理熵与预设浊度阈值进行比较，将声呐回波强度与预设衰减阈值进行比较；
12、当光学图像纹理熵低于预设浊度阈值或声呐回波强度低于预设衰减阈值时，切换以声呐相位相干性作为主判据，并触发高频声呐扫描，同时使补光拍摄的优先级低于高频声呐扫描；
13、当光学图像纹理熵不低于预设浊度阈值且声呐回波强度不低于预设衰减阈值时，根据多源数据判别裂缝疑似程度，当裂缝疑似程度超过预设疑似阈值时，触发补光拍摄及高频声呐扫描；
14、对多源数据进行时间戳对齐，使光学相机、多波束声呐、振动传感器及环境监测设备采集的数据的时间戳统一至同一时间基准；
15、对对齐后的多源数据进行坐标转换，将各传感器采集的数据从对应的局部坐标系转换至以桥墩承台原点为基准的统一基准坐标系，按照预设的巡游帧间隔，将统一基准坐标系下的多源数据组合为多源异构监测帧序列。
16、在一个优选的实施方式中，根据位姿、传感器偏移及原点，将光学图像与声呐点云三维配准，解析辐射传输方程并结合水体浊度、距离、光源参数生成模拟纹理图与起伏图，进行一致性验证后融合，通过互信息最大化与空间梯度一致性约束的跨模态匹配算法关联裂缝与模拟起伏图，输出融合特征向量，具体包括：
17、根据水下机器人的位姿、各传感器相对水下机器人的传感器偏移以及桥墩承台原点，光学相机采集的光学图像与多波束声呐采集的声呐点云，通过提取光学图像中的特征点与声呐点云中的特征面，采用基于特征匹配的刚性变换求解方法，计算光学图像坐标系与声呐点云坐标系之间的旋转矩阵和平移向量，将光学图像与声呐点云转换至同一空间坐标系，完成三维空间配准；
18、通过解析辐射传输方程并结合水体浊度、传感器与桥墩承台之间的距离、光源位置与强度参数，采用光线追踪方法生成模拟光学纹理图，同时采用声学射线追踪方法生成模拟声学起伏图；
19、将模拟纹理图与光学图像进行纹理一致性比对，计算模拟纹理图与光学图像之间的结构相似度指标，当结构相似度指标大于预设的结构相似度阈值时，判定纹理一致性比对通过；
20、将生成的模拟声学起伏图与声呐点云进行起伏一致性比对，计算模拟声学起伏图与声呐点云之间的高程差异均方根，当高程差异均方根小于预设的高程差异阈值时，判定起伏一致性比对通过；
21、当纹理一致性比对通过且起伏一致性比对通过时，将模拟纹理图与模拟声学起伏图通过像素级局部对比度最大化的方法生成多通道多模态融合数据，每个通道分别对应光学纹理成分和声学起伏成分；
22、将光学图像中识别出的裂缝区域与多通道多模态融合数据中的模拟声学起伏图进行跨模态关联时，先以裂缝区域的纹理特征与模拟声学起伏图局部区域的起伏特征之间互信息最大化为优化目标，同时将空间梯度方向的一致性作为约束项，通过逐像素迭代搜索，确定裂缝区域在模拟声学起伏图上的最佳对应位置，并在对应位置处对裂缝进行标记；
23、根据水体浊度动态调整多通道多模态融合数据中光学纹理成分与声学起伏成分的融合权重，当水体浊度低于预设浊度阈值时增加光学纹理成分的权重，当水体浊度不低于该预设浊度阈值时增加声学起伏成分的权重，输出融合特征向量，融合特征向量包含裂缝的空间位置、形态、起伏幅度及纹理特征。
24、在一个优选的实施方式中，以各桥墩承台区域为图节点，根据融合特征向量计算结构相似性，以空间距离与结构相似性为边权重构建时空图，将融合特征向量赋值给图节点，通过图注意力运算计算注意力权重，具体包括：
25、以不同桥墩承台区域作为图节点，根据各桥墩承台区域的融合特征向量，采用余弦相似度计算任意两个图节点之间的结构相似度，以图节点之间的物理欧氏距离作为空间距离，将结构相似度与空间距离的归一化结果通过加权线性相加的方式组合，得到边权重并构建时空图；
26、将各桥墩承台区域的融合特征向量分别赋值给对应的图节点，作为图节点的初始特征，每个桥墩承台区域对应不同时间戳的融合特征向量，构成图节点的时间序列特征；
27、对每个图节点，将图节点的初始特征与邻接图节点的初始特征进行相乘后累加，得到图节点与每个邻接图节点之间的相关性值，将所有邻接图节点对应的相关性值进行求和得到求和结果，再以每个邻接图节点的相关性值除以求和结果，得到每个邻接图节点对图节点的影响程度，即注意力权重。
28、在一个优选的实施方式中，沿时间轴聚合历史特征、沿空间轴聚合邻域特征，损伤类型、等级、置信度及扩散方向，具体包括：
29、沿时空图的时间轴方向，对每个图节点，将图节点的时间戳的融合特征向量与各历史时间戳的融合特征向量依次进行相乘后累加，得到每个历史时间戳对应的相关性值，将所有历史时间戳的相关性值求和，以每个历史时间戳的相关性值除以求和结果，得到历史时间戳对时间戳的注意力权重，再以注意力权重对各历史时间戳的融合特征向量进行加权求和，得到图节点的时间聚合特征；
30、沿时空图的空间轴方向，对每个图节点，根据图节点的注意力权重对图节点所有邻接图节点的初始特征进行加权求和，得到图节点的空间聚合特征；
31、将时间聚合特征与空间聚合特征进行向量拼接，得到综合特征向量，将综合特征向量与预先存储的各损伤类型对应的标准特征向量逐一进行绝对差求和运算得到绝对差求和结果，选取绝对差求和结果最小的标准特征向量所对应的损伤类型作为损伤类型；
32、将绝对差求和结果与预设阈值区间进行比对，确定对应的损伤等级，根据绝对差求和结果在预设的置信度映射区间中的位置，确定置信度，根据综合特征向量中方向分量的正负与大小，确定损伤扩散区域方向，输出每个桥墩承台区域的损伤类型、损伤等级、置信度以及损伤扩散区域方向。
33、在一个优选的实施方式中，调取预设的历史融合特征向量，结合损伤状态及环境与荷载输入组成初始变量集合，生成动态贝叶斯因果图及各场景条件概率表，选取条件概率的最大值对应场景为最危险情景，具体包括：
34、调取预设的历史融合特征向量，历史融合特征向量包含各桥墩承台区域在历史时间段的融合特征，读取损伤类型、损伤等级、置信度及损伤扩散区域方向，作为损伤状态，获取预设的未来水位、预设的列车荷载和预设的结构应力，作为环境与荷载输入；
35、将历史融合特征向量、损伤状态以及环境与荷载输入组成初始变量集合，对初始变量集合中的每个变量进行离散化处理，建立时间片序列；
36、采用基于条件独立性检验的因果发现方法，依次对每两个变量在不同时间滞后下进行条件独立性检验，得到无向因果骨架，通过方向判定规则对无向边确定因果方向，生成初始因果图；
37、对初始因果图进行马尔可夫等价类精简，并根据评分函数对精简后的因果图进行结构优化，得到最终包含环境因素、荷载因素与损伤因素之间因果关系的动态贝叶斯因果图；
38、基于所构建的动态贝叶斯因果图，采用变量消元法，按照时间片先后顺序，将动态贝叶斯因果图的各节点的条件概率表依次相乘并对中间变量进行求和消元，生成每个场景下的联合概率分布表，作为不同未来场景的条件概率表，每个未来场景对应一组未来水位、列车荷载及结构应力的组合；
39、逐一对每个未来场景读取条件概率表中损伤发生的条件概率值，将所有条件概率值进行两两比较，选出条件概率值的最大值对应的未来场景作为最危险情景。
40、在一个优选的实施方式中，计算最小剩余寿命及检测时间窗，检测时间窗小于预设预警阈值则发出预警，记录条件概率表及因果图节点，具体包括：
41、在最危险情景下，根据动态贝叶斯因果图传递的累积损伤趋势及预设的结构寿命衰减规则，计算桥墩承台区域的最小剩余寿命；
42、根据最小剩余寿命及损伤状态，结合预设的安全裕度，生成建议的检测时间窗，将检测时间窗与预设的预警阈值进行比较，当检测时间窗小于预设预警阈值时，发出预警信号，并记录最危险情景对应的条件概率表及动态贝叶斯因果图节点。
43、在一个优选的实施方式中，汇总生成包含损伤对比图、列表、得分、预测曲线、建议及置信度的诊断报告，当置信度低于预设的置信度阈值时标记损伤为新类型并触发人工复核，执行增量学习并生成对抗样本验证，输出更新后的标准特征向量库及验证数据集，在诊断报告中记录人工复核结论与增量学习，具体包括：
44、从最危险情景下检测时间窗、条件概率表及动态贝叶斯因果图节点，结合各桥墩承台区域的损伤类型、损伤等级、置信度及损伤扩散区域方向，以及多源异构监测帧序列与融合特征向量，汇总生成诊断报告，诊断报告包含损伤对比图、损伤列表、损伤得分、损伤预测曲线、检测建议及置信度；
45、将每个桥墩承台区域的置信度与预设的置信度阈值进行比对，当置信度低于预设的置信度阈值时，将桥墩承台区域的损伤标记为新类型，并触发人工复核请求，人工复核请求包含桥墩承台区域的多源异构监测帧序列、融合特征向量、损伤类型、置信度及动态贝叶斯因果图节点；
46、接收人工复核后返回的确认结果，当确认结果为新类型时，将桥墩承台区域的多源异构监测帧序列与确认结果作为新增样本，更新预先存储的各损伤类型对应的标准特征向量库，执行增量学习，增量学习采用基于增量主成分分析的方法，从新增样本中提取特征，更新标准特征向量所在的主成分空间，得到新的标准特征向量，并替换标准特征向量库中对应的类型项，当确认结果为原有类型时，将新增样本归入原有类型，同样采用增量主成分分析更新原有类型的标准特征向量；
47、对增量学习后的标准特征向量库生成对抗样本，从新增样本中随机选取预设数量的耦合光学纹理成分与声学起伏成分的多通道多模态融合数据，通过施加随机扰动并保持融合数据的结构相似度与高程差异均方根在预设接受范围内生成一组模拟对抗样本，将模拟对抗样本输入至纹理一致性比对与起伏一致性比对的验证流程，当模拟对抗样本通过纹理一致性比对验证和起伏一致性比对验证时，判定模拟对抗样本验证通过并将模拟对抗样本标记并存入预设的验证数据集；
48、输出更新后的标准特征向量库及验证数据集，并在诊断报告中记录人工复核结论与增量学习。
49、与现有技术相比，本发明具有如下有益效果：
50、1、通过声呐回波强度与光学纹理熵联合判别的自适应触发策略，实现了对水下复杂环境条件的智能感知与传感器工作模式的动态切换，是基于多源异构监测帧序列的构建，有效识别水体浊度变化与声波衰减导致的信号退化，结合裂缝疑似程度的多源数据判别，通过自适应触发优先切换声呐相位相干性为主判据并触发高频声呐扫描，或触发补光拍摄与高频扫描，将水下光学与声学数据的采集效率进行协同优化。相比现有技术，能够在低能见度或高衰减水体中实时感知结构表面的微观损伤特征，通过辐射传输方程解析生成模拟纹理图与起伏图的一致性验证，显著提升跨模态融合数据的可靠性与抗干扰能力，抑制因环境突变导致的检测盲区或数据冗余。
51、2、通过互信息最大化与空间梯度一致性约束的跨模态匹配算法，以及时空图注意力机制沿时间轴与空间轴的联合聚合，解决了传统检测方法中多源数据空间错位与损伤特征难以全局关联的问题，是基于以桥墩承台原点为基准的三维配准与像素级局部对比度最大化的多通道融合，构建的动态权重调整策略可实时匹配水体浊度变化与结构起伏特征，实现光学纹理成分与声学起伏成分的自适应融合，通过注意力权重对各图节点历史特征与邻域特征的加权聚合，确保损伤类型、等级、置信度及扩散方向的判定始终与结构实际劣化程度及空间分布规律相匹配，避免因局部数据缺失或模态不统一导致的误判，在维持诊断精度的同时，显著降低因结构相似性误关联引发的漏检风险，保证铁路桥梁水下结构在长期运营与复杂水文环境下的全自动可靠诊断。