基于深度学习的混凝土结构表面裂缝智能检测系统的制作方法

本发明涉及智能检测，尤其涉及基于深度学习的混凝土结构表面裂缝智能检测系统。

背景技术：

1、混凝土结构在长期服役过程中，受荷载和环境侵蚀的因素影响，表面难免会出现裂缝。对裂缝进行及时且准确的检测与评估，是保障结构安全运行的关键。近年来，随着无人机技术与计算机视觉的发展，基于图像的裂缝检测方法逐渐取代了传统的人工目视检查，成为主流的研究方向。

2、目前，公开号为cn122023230a的中国发明，公开了一种基于视觉深度模型的涉水混凝土微裂缝智能评估方法及系统，通过无人机采集混凝土结构图像，构建了包含视觉变换器单元、多尺度语义交互单元及图卷积注意力单元的ganformernet分割模型，在处理复杂背景、多尺度裂缝特征融合以及精细化分割方面表现出显著优势，能够有效提取图像的全局语义特征，建模裂缝像素间的空间拓扑关系，并实现了对裂缝长度、宽度和面积的像素级量化分析。然而，上述技术存在以下局限：第一，缺乏物理机理约束，难以剔除静止伪影干扰，现有技术主要利用裂缝与背景在视觉特征上的差异进行分割，在实际工程环境中，混凝土表面常存在水渍、苔藓、阴影或由于材料离析造成的深色斑痕，这些静止伪影在视觉特征上与裂缝高度相似，由于缺乏力学和热学的物理维度的信息交叉验证，仅靠视觉模型极易将这些静止伪影误判为裂缝，导致检测结果存在较高的误检率，影响了检测的可靠性；第二，无法感知裂缝的演化状态，难以评估结构安全风险，现有技术的输出成果仅限于裂缝的静态几何参数，只能回答裂缝长什么样，而无法回答裂缝是否在扩展，对于结构安全评估而言，一条宽度较小但正在快速扩展的裂缝，往往比一条宽度较大但已稳定的裂缝具有更高的风险，仅凭可见光图像无法获取裂缝区域的位移场变化与热力学响应，因此无法建立裂缝形态与内部物理状态的关联，难以判断裂缝当前的损伤活性，无法满足结构健康监测中对裂缝扩展趋势进行预警的迫切需求。

技术实现思路

1、本发明解决的技术问题是：现有技术多依赖单一可见光图像进行识别，由于缺乏物理机理约束，难以区分表面污渍与真实裂缝，在复杂工况下泛化能力差，现有方法仅能获取裂缝的静态几何参数，无法建立表面形态与内部力学状态的关联，难以判断裂缝是否处于扩展活跃期，无法满足结构安全精细化评估的需求。

2、为解决上述技术问题，本发明提供如下技术方案：基于深度学习的混凝土结构表面裂缝智能检测系统，包括：

3、采集模块，用于采集混凝土结构表面的可见光图像序列和可见光图像序列对应的红外温度场矩阵；

4、提取模块，用于从可见光图像序列中计算出表面全场位移场，并计算表面全场位移场对时间的一阶偏导，获取表面物质点运动速度场；

5、运算模块，用于将表面物质点运动速度场和红外温度场矩阵输入特征融合网络，输出融合特征数据；

6、检测模块，用于根据融合特征数据，计算并输出裂缝演化检测结果。

7、优选地，所述采集模块包括：

8、响应于统一硬件时钟发送的时间同步触发信号，通过可见光传感器采集混凝土结构表面的初始可见光图像序列，通过红外热成像仪采集混凝土结构表面的初始红外温度场矩阵。

9、优选地，获取可见光传感器与红外热成像仪之间预先标定的空间映射矩阵；

10、利用所述空间映射矩阵对初始可见光图像序列和初始红外温度场矩阵进行空间配准处理，输出像素坐标对齐的可见光图像序列和与可见光图像序列对应的红外温度场矩阵。

11、优选地，所述提取模块用于：

12、将所述可见光图像序列中初始采集时刻的可见光图像作为参考帧图像，并将所述可见光图像序列中除参考帧图像之外的可见光图像作为变形帧图像；

13、利用数字图像相关算法跟踪所述参考帧图像与变形帧图像之间的对应像素点，计算变形帧图像相对于参考帧图像的像素位移，输出表面全场位移场。

14、优选地，根据所述时间同步触发信号获取可见光图像序列中相邻可见光图像之间的时间间隔；

15、利用所述时间间隔计算表面全场位移场对时间的一阶偏导，输出表面物质点运动速度场。

16、优选地，所述运算模块用于：

17、提取所述表面物质点运动速度场中速度数值大于预设阈值的像素坐标，生成速度高值坐标集；

18、计算红外温度场矩阵的空间温度梯度幅值，并提取空间温度梯度幅值中的局部极大值像素坐标，生成空间温度梯度极值坐标集；

19、将所述表面物质点运动速度场和红外温度场矩阵输入特征融合网络中进行特征融合运算，输出融合特征数据；

20、提取所述融合特征数据中特征响应强度大于预设响应阈值的像素坐标，生成候选裂缝像素坐标集。

21、优选地，计算所述候选裂缝像素坐标集中各像素点与速度高值坐标集之间的第一平均最近距离；

22、计算所述候选裂缝像素坐标集中各像素点与空间温度梯度极值坐标集之间的第二平均最近距离；

23、将所述第一平均最近距离与第二平均最近距离之和，作为多模态空间一致性约束项；

24、将所述多模态空间一致性约束项配置入特征融合网络的损失函数中。

25、优选地，在所述特征融合运算过程中，利用包含多模态空间一致性约束项的损失函数对特征融合网络进行参数迭代优化，通过最小化多模态空间一致性约束项，约束候选裂缝像素坐标集与速度高值坐标集之间的空间匹配程度，以及候选裂缝像素坐标集与空间温度梯度极值坐标集之间的空间匹配程度。

26、优选地，所述检测模块用于：

27、对所述的候选裂缝像素坐标集进行连通域聚类，生成裂缝连通区域；

28、将所述裂缝连通区域的外侧边界判定为混凝土结构表面裂缝的当前几何开裂边界；

29、基于所述当前几何开裂边界提取中心骨架线，计算垂直于所述中心骨架线方向上的像素距离，将所述像素距离乘以预设比例因子，得出裂缝的几何宽度。

30、优选地，提取所述空间温度梯度极值坐标集对应的局部温度梯度峰值，作为空间温度异常强度；

31、以预设参考宽度对所述几何宽度进行归一化，得到归一化的几何宽度，并以预设参考温度梯度对所述空间温度异常强度进行归一化，得到归一化的空间温度异常强度；

32、构建以归一化的几何宽度为第一分量、以归一化的空间温度异常强度为第二分量的二维演化状态向量；

33、计算所述二维演化状态向量的加权模长，并将计算得出的加权模长输出为表示混凝土结构表面开裂状态的裂缝演化检测结果。

34、本发明的有益效果：利用同步采集的可见光图像序列和红外温度场矩阵，计算表面物质点运动速度场和空间温度梯度，构建了速度高值坐标集与空间温度梯度极值坐标集之间的多模态空间一致性约束项，并将多模态空间一致性约束项加入特征融合网络损失函数，利用活动裂缝伴随位移突变与热耗散的物理特性，强制网络学习两种物理场的空间重合关系，有效排除了非活动裂缝及表面干扰的影响，最终通过输出裂缝几何宽度和空间温度异常强度，实现对混凝土结构表面开裂状态的演化检测。