一种基于语义分割与骨架提取的桥梁裂缝定量计算方法与流程

摘要: 本发明涉及桥梁结构健康检测与病害定量分析,特别是一种基于图像处理与深度学习算法的桥梁裂缝自动检测与定量分析方法,包括裂缝识别、语义分割、骨架提取与几何参数计算等...
一种基于语义分割与骨架提取的桥梁裂缝定量计算方法与流程

本发明涉及桥梁结构健康检测与病害定量分析,特别是一种基于图像处理与深度学习算法的桥梁裂缝自动检测与定量分析方法,包括裂缝识别、语义分割、骨架提取与几何参数计算等步骤,旨在实现裂缝宽度与长度的自动化、高精度测量,并可进一步集成于智能检测设备中,用于桥梁等土木工程结构的裂缝定量评估。

背景技术:

1、桥梁作为关键交通基础设施,其结构安全性直接关系到公共安全与社会经济发展。在长期服役过程中,桥梁结构受自然灾害、环境腐蚀与材料老化等多重因素影响,力学性能逐渐退化,直接影响其承载能力与耐久性。为保障桥梁安全运行,目前已逐步建立起健康监测系统与定期人工检测相结合的模式,对重要桥梁布设在线监测设备,对一般桥梁仍主要依靠定期现场检查。

2、当前,桥梁表观病害检测主要依赖人工目视检查或借助望远镜、桥检车等工具进行近距离观测。该类方法存在检测效率低、人力成本高、主观性强、评定结果一致性差,以及检测作业往往需中断或限制交通等问题。近年来,随着计算机视觉与图像处理技术的发展,基于图像的病害识别方法显示出良好的应用前景。早期研究方法主要依托传统机器学习与图像处理算法,实现了对裂缝等典型病害的初步识别,但在实际应用中,这类方法对复杂背景、噪声干扰和光照变化的适应性仍显不足,鲁棒性较差。

3、随着深度学习技术的推进,一系列基于卷积神经网络的视觉检测模型在桥梁病害识别任务中取得显著进展,实现了端到端的裂缝、剥落、锈蚀等损伤的自动化检测与分类。此外,语义分割模型的引入进一步实现了像素级别的病害提取,提升了识别精度。尽管如此,现有方法在病害的定量分析方面——尤其是裂缝宽度、长度等关键几何参数的精确测量——仍存在明显瓶颈。常见宽度估算方法往往基于图像二值化、骨架提取、中心线距离量算或亚像素边缘拟合等技术实现,但多数方法未对“裂缝宽度”给出明确且符合工程实际的物理定义,易受图像分辨率、拍摄角度、环境噪声等因素干扰,导致测量结果存在显著偏差。

4、另一方面,传统的接触式测量方法如使用菲林尺、读数显微镜、游标卡尺等工具,仍严重依赖人工现场操作,不仅效率低下,而且只能获取离散测点的数据,难以实现全面、连续的裂缝参数采集,无法满足现代桥梁检测对实时性与自动化日益增长的需求。尽管目前无人机、爬行机器人等移动搭载平台已逐步应用于桥梁图像采集环节,但其在病害几何参数定量分析方面仍存在标定困难、实用性不强与系统集成度不高等问题。

5、因此,在当前技术背景下,迫切需要发展一种融合轻量化深度学习模型、具备明确几何定义能力、并可适配自动化采集设备的裂缝实时定量分析方法,以支持高效、精准、非接触的桥梁健康状况评估与维护决策。

技术实现思路

1、本发明旨在提供一种基于语义分割与骨架提取的桥梁裂缝定量计算方法,以解决现有桥梁裂缝检测技术中存在的测量精度低、依赖人工经验、效率低下以及难以实现自动化定量分析的问题。本发明通过融合轻量化深度学习模型、基于设备几何参数与相机参数的像素解析度计算方法、以及基于骨架提取与邻域分析的裂缝几何参数计算方法,实现了对裂缝宽度、长度等关键参数的非接触、高精度、实时自动测量,显著提升了桥梁表观病害检测的定量化水平和工程实用价值。

2、为实现上述目的,本发明采用如下技术方案:

3、一种基于语义分割与骨架提取的桥梁裂缝定量计算方法,包括如下步骤:

4、s1、通过图像采集设备获取混凝土结构表面的高清裂缝图像;

5、s2、利用轻量化语义分割模型对图像进行实时处理,精确分割出裂缝区域,得到裂缝二值图像;

6、s3、基于设备固定几何参数和相机内在参数,计算图像的像素解析度;

7、s4、对分割后的二值化裂缝图像进行骨架提取与分支修剪,获得单像素宽度的裂缝骨架,并对骨架分支进行修剪处理,去除冗余像素点;

8、s5、采用基于邻域分析的裂缝几何参数计算方法,遍历骨架像素点,依据其邻域像素分布情况,按照预设规则赋予几何长度权重,计算裂缝总像素长度;

9、s6、基于语义分割结果统计裂缝区域的像素总面积,并结合步骤s5得到的裂缝总像素长度,计算裂缝的像素平均宽度;

10、s7、结合步骤s3得到的像素解析度,将裂缝总像素长度与像素平均宽度分别转换为裂缝的真实物理长度与真实物理宽度。

11、本发明的进一步技术:

12、优选的,所述轻量化语义分割模型基于改进的u-net架构,通过删减原结构中相对冗余的隐藏层,并以深度可分离卷积代替普通卷积;所述深度可分离卷积由深度卷积、逐点卷积与绑定块卷积三个步骤组成;所述轻量化语义分割模型使用bce损失函数进行优化,并引入自适应丢弃层动态调整各层丢弃率。

13、优选的,所述像素解析度的计算步骤s3通过以下方式实现:

14、s31、获取相机焦距、图像分辨率及传感器尺寸参数;

15、s32、结合预设的3d打印支座几何参数,通过解析计算公式得到像素解析度,用于将像素尺寸转换为真实物理尺寸。

16、优选的,所述基于邻域分析的裂缝几何参数计算方法,其步骤s5具体包括:

17、s51、对裂缝骨架像素进行遍历,分析每个像素点的8邻域情况;

18、s52、根据像素点所在位置与邻域像素的连接关系,区分水平、垂直及对角线方向;

19、s53、依据不同连接方向对应的实际几何距离,赋予相应的权重系数;

20、s54、对所有权重系数进行累加,得到裂缝总像素长度。

21、优选的,邻域分析规则同时考虑水平、垂直及对角线方向的相邻像素关系,并依据其实际几何距离赋予相应权重值。

22、与已有技术相比,本发明的有益效果体现在:

23、本发明实现了检测与定量分析的一体化与自动化,显著提升计算效率:本发明克服了传统方法中检测与测量分离的局限,将裂缝识别、语义分割与几何参数计算集成于统一框架,实现从图像输入到定量结果输出的全流程自动化。针对语义分割模型计算的复杂性和高资源消耗的问题,提出dst轻量化卷积,通过删减冗余层、引入深度可分离卷积与自适应丢弃层,在保证精度的前提下,减少参数量,降低计算量,提高fps,实现了裂缝图像的实时分析。

24、提出了明确的裂缝几何参数物理定义与鲁棒计算方法:针对现有多数方法对“裂缝宽度”等关键参数定义模糊、易受噪声干扰的问题和传统像素统计忽略像素间几何关系导致计算结果偏小的问题,本发明提出基于邻域分析的裂缝长度计算方法,分别考虑水平、垂直及对角线方向相邻像素的实际几何尺寸,通过骨架提取与邻域分析求和得到裂缝像素尺寸,再结合像素解析度换算为真实尺寸,显著提升了复杂裂缝的测量精度与鲁棒性。

25、研发了轻量化、高效率的深度学习模型并可适配多种采集设备:通过优化模型结构,引入深度可分离卷积与自适应丢弃层等机制,在确保高精度的同时大幅降低了模型计算量与参数量,使得算法不仅可部署于高性能服务器,更能支持手持式测宽仪或爬行机器人等移动平台的实时边缘计算,有效解决了现有深度学习模型计算资源需求高、难以实用化的问题。

26、创新了基于设备与相机参数的像素解析度标定方法:摒弃了传统标定板或激光测距仪等不便于现场使用的标定方式,通过集成设备固定几何参数与相机内在参数,提出了一种新颖的像素解析度计算方法,为实现高精度、高实用性的非接触式测量提供了可靠基础,极大地增强了系统在野外及复杂工程环境下的适应能力。