基于图像增强技术的桥梁表面裂缝智能识别方法

摘要: 本发明属于桥梁工程缺陷检测,具体是基于图像增强技术的桥梁表面裂缝智能识别方法。背景技术:1、现有桥梁表面裂缝检测多采用人工目视排查或常规深度学习分类模型进行识别...
基于图像增强技术的桥梁表面裂缝智能识别方法

本发明属于桥梁工程缺陷检测,具体是基于图像增强技术的桥梁表面裂缝智能识别方法。

背景技术:

1、现有桥梁表面裂缝检测多采用人工目视排查或常规深度学习分类模型进行识别,常规方法通常直接对原始图像进行分析,缺乏针对复杂现场光照、拍摄畸变等干扰因素的系统性图像增强预处理,导致图像质量不一致,特征不稳定。现有检测技术对图像质量的依赖性高,在光照不均、视角倾斜条件下,裂缝特征的提取与判定的精准度难以保障。同时,现有技术仅停留在缺陷表层特征识别层面,无法将经过增强处理后的、更清晰的缺陷形态特征与施工阶段的水化热参数相关联,不能逆向推导缺陷产生阶段的温度应力场分布,缺陷检测与施工应力成因的关联分析存在技术空白。

2、人工检测方式易受检测人员经验、视觉疲劳等主观因素干扰,微缺陷的漏检、误判情况频发,常规深度学习分类模型的判别逻辑无具象化的特征比对参照,判别结果的可解释性不足,缺陷类型判定的精准度难以保障。现有检测技术仅停留在缺陷表层特征识别层面,无法将缺陷形态与施工阶段的水化热参数相关联,不能逆向推导缺陷产生阶段的温度应力场分布,缺陷检测与施工应力成因的关联分析存在技术空白。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一;

2、为此,本发明提出了基于图像增强技术的桥梁表面裂缝智能识别方法,包括:

3、获取桥梁表面的原始图像,基于所述原始图像,提取出表征微缺陷形态学特征的深度特征向量;

4、利用一个推理计算模型,对所述深度特征向量进行逻辑判断,确定所述微缺陷的具体类型,所述推理计算模型通过比对所述深度特征向量与存储在特征库中的标准缺陷特征模板的相似度,完成类型判别;

5、在确定了所述微缺陷的类型后,启动一个状态反演过程,所述状态反演过程依据所述微缺陷的当前形态学特征,结合大箱梁的混凝土水化热历史数据,逆向推演出导致所述微缺陷产生的关键施工阶段的温度应力场分布;

6、将反演得到的所述温度应力场分布与标准养护条件下的理想温度应力场进行叠加对比,计算出所述微缺陷区域的残余应力值;

7、根据计算出的所述残余应力值,对所述微缺陷的当前风险等级进行重标定,并生成包含位置坐标、缺陷类型、形态特征及残余应力的综合诊断数据。

8、进一步地,所述获取桥梁表面的原始图像,基于所述原始图像,提取出表征微缺陷形态学特征的深度特征向量,包括:

9、所述原始图像由工业相机在预设的光照条件下采集;

10、对所述原始图像执行几何校正与光照不均矫正,消除由于拍摄角度造成的透视畸变以及由于环境光带来的亮度梯度,得到预处理后的标准图像;

11、将所述预处理后的标准图像输入至一个预训练的语义分割网络,所述语义分割网络基于编码器与解码器架构,输出一张像素级别的分类掩码图,所述分类掩码图区分了混凝土背景区域、纹理干扰区域以及疑似缺陷区域;

12、基于所述分类掩码图中疑似缺陷区域的连通域坐标,从所述预处理后的标准图像中裁剪出对应的局部图像块,所述局部图像块仅包含待识别的微缺陷;

13、将所述局部图像块送入一个微缺陷特征增强网络,所述微缺陷特征增强网络通过多尺度特征融合与注意力机制,提取出表征微缺陷形态学特征的深度特征向量。

14、进一步地,对所述原始图像执行几何校正与光照不均矫正,消除由于拍摄角度造成的透视畸变以及由于环境光带来的亮度梯度,得到预处理后的标准图像,包括:

15、在所述原始图像的采集现场布置一组标定板,所述标定板具有已知尺寸的棋盘格图案;

16、通过角点检测算法提取所述棋盘格图案在图像坐标系下的二维坐标,并与世界坐标系下的三维坐标进行配准,求解出相机的内部参数矩阵与外部参数矩阵;

17、利用求解得出的所述内部参数矩阵与外部参数矩阵,对所述原始图像进行逆透视变换,将倾斜视角下的梁体表面拉伸为正投影视角下的平面图像;

18、在完成几何校正之后,采用顶帽变换算法分离出所述平面图像中的低频亮度分量与高频纹理分量;

19、通过伽马校正算法调整所述低频亮度分量,使其灰度直方图均匀分布,再将调整后的低频分量与高频纹理分量相加,重构得到亮度均匀的所述预处理后的标准图像。

20、进一步地,将所述预处理后的标准图像输入至一个预训练的语义分割网络,所述语义分割网络基于编码器与解码器架构,输出一张像素级别的分类掩码图,所述分类掩码图区分了混凝土背景区域、纹理干扰区域以及疑似缺陷区域,包括:

21、将所述预处理后的标准图像归一化至预设的输入尺寸,并转换为张量格式;

22、将所述张量格式的预处理图像输入至所述语义分割网络的编码器部分,所述编码器部分采用卷积神经网络提取图像的深层语义特征;

23、将所述深层语义特征送入所述解码器部分,所述解码器部分通过上采样操作逐步恢复图像的空间分辨率;

24、在所述解码器的末端接入一个分类头,所述分类头为每个像素位置预测一个类别标签,所述类别标签包括混凝土基体、骨料纹理、蜂窝麻面、细微裂缝以及色差斑点;

25、将所有像素位置的类别标签映射回图像空间,生成一张与所述预处理后的标准图像尺寸一致的所述分类掩码图,其中不同类别的像素以不同的灰度值或颜色值进行区分。

26、进一步地,基于所述分类掩码图中疑似缺陷区域的连通域坐标,从所述预处理后的标准图像中裁剪出对应的局部图像块,所述局部图像块仅包含待识别的微缺陷,包括:

27、对所述分类掩码图进行二值化处理,将属于疑似缺陷类别的像素值设为一,其余像素值设为零;

28、对二值化后的所述分类掩码图执行形态学闭运算,填充由于噪声导致的微小空洞,并平滑缺陷边缘的锯齿状轮廓;

29、使用连通域分析算法,识别出二值化图像中每一个独立的白色斑块,并记录下每个斑块的最小外接矩形坐标与质心坐标,形成所述连通域坐标集合;

30、设定一个面积过滤阈值,遍历所述连通域坐标集合,剔除面积小于所述面积过滤阈值的伪缺陷区域,保留面积大于所述面积过滤阈值的真实缺陷区域;

31、根据保留下来的每一个真实缺陷区域的所述最小外接矩形坐标,从所述预处理后的标准图像中切割出对应的所述局部图像块,并对所述局部图像块进行统一的尺寸缩放。

32、进一步地,所述利用一个推理计算模型,对所述深度特征向量进行逻辑判断,确定所述微缺陷的具体类型,所述推理计算模型通过比对所述深度特征向量与存储在特征库中的标准缺陷特征模板的相似度,完成类型判别,包括:

33、从所述微缺陷特征增强网络的全连接层中,提取出代表所述局部图像块全局信息的所述深度特征向量;

34、访问预先构建的所述特征库,所述特征库存储了多种已知微缺陷类型的高维特征向量,每种类型对应一个标准缺陷特征模板;

35、计算所述深度特征向量与每一个所述标准缺陷特征模板之间的余弦距离,得到一组距离数值;

36、选取距离数值中最小的距离数值,将最小的距离数值对应的标准缺陷特征模板的缺陷类型,判定为所述局部图像块中微缺陷的所述具体类型;

37、若所述最小的距离数值大于预设的相似度阈值,则将所述微缺陷归类为未知类型的缺陷,并将其特征向量存入所述特征库中以备后续训练。

38、进一步地,所述在确定了所述微缺陷的类型后,启动一个状态反演过程,所述状态反演过程依据所述微缺陷的当前形态学特征,结合大箱梁的混凝土水化热历史数据,逆向推演出导致所述微缺陷产生的关键施工阶段的温度应力场分布,包括:

39、从所述分类掩码图中读取已确定的所述微缺陷的形态学特征值,所述形态学特征值包括裂纹的长度、宽度以及走向角度;

40、调取与所述大箱梁相对应的所述混凝土水化热历史数据,所述数据包含了混凝土浇筑时刻起至当前时刻的温度监测记录;

41、将所述形态学特征值与所述温度监测记录输入至一个热传导反演模型中,所述热传导反演模型基于有限差分法求解热传导方程;

42、通过调整所述热传导反演模型中的边界条件参数,使得模型仿真输出的收缩拉应力集中区域与实际观测到的所述微缺陷位置在空间上重合;

43、当仿真结果与实测位置匹配误差达到收敛条件时,锁定此时的边界条件参数,并将此时仿真得到的全场应力分布定义为所述温度应力场分布。

44、进一步地,所述将反演得到的所述温度应力场分布与标准养护条件下的理想温度应力场进行叠加对比,计算出所述微缺陷区域的残余应力值,包括:

45、加载一套预设的所述标准养护条件下的理想温度应力场数据,所述理想温度应力场数据代表了在标准温湿度控制下混凝土结构的理论应力分布;

46、将所述温度应力场分布与所述理想温度应力场数据进行逐像素的差值运算,生成一个差值应力场;

47、在所述差值应力场的图像空间中,定位出与所述微缺陷所在位置重叠的目标应力分析区域;

48、对所述目标应力分析区域内的所有差值应力值进行积分求和,并除以所述目标应力分析区域的面积,得到平均应力偏差值;

49、将所述平均的应力偏差值与混凝土的轴心抗拉强度设计值进行比较运算,取其差值作为所述残余应力值。

50、进一步地,所述根据计算出的所述残余应力值,对所述微缺陷的当前风险等级进行重标定,并生成包含位置坐标、缺陷类型、形态特征及残余应力的综合诊断数据,包括:

51、建立一个风险等级映射规则表,所述规则表中定义了残余应力值与风险等级的对应关系区间;

52、将计算得出的所述残余应力值代入所述风险等级映射规则表中进行查表匹配,确定所述微缺陷当前的所述风险等级;

53、从所述连通域坐标集合中检索出所述微缺陷的中心点像素坐标,将其转换为物理坐标系下的所述位置坐标;

54、汇总所述位置坐标、之前判定的所述缺陷类型、从所述分类掩码图中量测得到的所述形态特征以及刚刚计算出的所述残余应力值,封装为一个数据结构体,所述数据结构体即为所述综合诊断数据。

55、进一步地,还包括:基于所述综合诊断数据,自动生成一份结构化的微缺陷检测与成因分析报告,所述报告以数据表的形式记录了从图像输入到状态反演的完整数据流,具体为:

56、创建一个空的报告模板文件,所述报告模板文件包含时间戳字段、图像索引字段以及检测结果明细表;

57、将所述原始图像的采集时间戳填入所述时间戳字段,并将图像文件名填入所述图像索引字段;

58、遍历所有的所述综合诊断数据,将每一条数据中的各项字段映射到所述检测结果明细表的对应列中;

59、在所述检测结果明细表的末尾追加一列推理计算过程摘要,所述摘要记录了从语义分割到特征比对的置信度数值;

60、在所述检测结果明细表的末尾追加一列状态反演过程摘要,所述摘要记录了反演所用的温度数据时间段以及最终计算的残余应力数值;

61、保存并导出填充完毕的所述报告模板文件,生成最终的所述结构化报告。

62、与现有技术相比,本发明的有益效果是:

63、通过实施几何校正与光照不均矫正等图像增强技术,有效消除了由于拍摄角度和环境光带来的透视畸变与亮度梯度,获得了亮度均匀、特征一致的标准图像,为后续所有分析步骤提供了高质量的输入,从根本上提升了特征提取的稳定性和可靠性,规避了因原始图像质量不佳导致的识别率波动问题。

64、依据经增强处理后的图像所提取的裂缝的当前形态学特征,结合大箱梁的混凝土水化热历史数据逆向推演出导致裂缝产生的关键施工阶段的温度应力场分布,使得缺陷检测的分析维度从经过增强的表面形态特征识别,拓展至施工阶段应力成因解析。图像增强技术确保了形态学特征参数的准确性,从而使得裂缝形态特征与施工阶段水化热参数的关联对应更为可靠,温度应力场的逆向推演结果能够更准确地指向缺陷产生的施工时段与应力环境。高质量图像输入与施工应力演化过程形成联动分析机制,温度应力场的反演结果直接参与后续残余应力的叠加对比计算,缺陷成因的分析深度得到延伸,检测流程从单纯的缺陷判定转变为成因追溯的一体化作业。