一种基于深度学习的桥梁水下桥墩病害识别方法、介质及其设备与流程

本发明涉及桥梁水下桥墩病害识别，具体是一种基于深度学习的桥梁水下桥墩病害识别方法、介质及其设备。

背景技术：

1、随着城市发展和交通网络的不断扩张，桥梁作为重要的基础设施之一，起着连接城市、促进经济发展的重要作用。然而，随着桥梁的使用年限增长，水下桥墩由于长期处于水下环境，容易受到侵蚀和破坏，桥梁水下桥墩病害问题日益突出，这不仅会影响桥梁的安全性和稳定性，还可能导致交通事故和经济损失。

2、传统的桥梁水下桥墩病害检测方法主要依赖于人工巡检或潜水员下潜检测，存在着效率低、成本高、安全风险大等问题。虽然已有一些基于传感器的自动化检测方法，但其在复杂水下环境下的性能和准确度仍然有限。

3、近年来，深度学习技术的迅猛发展为桥梁水下桥墩病害识别提供了新的解决方案。深度学习技术以其优秀的特征学习能力和模式识别能力在图像处理和目标检测领域取得了巨大成功，为自动化水下桥墩病害识别提供了技术支持。

技术实现思路

1、本发明的目的是克服上述背景技术中的不足，提供一种基于深度学习的桥梁水下桥墩病害识别方法、介质及其设备，以提高水下桥梁病害识别的效率和准确度，降低检测成本，保障桥梁的安全运行。

2、本发明的技术方案是：

3、一种基于深度学习的桥梁水下桥墩病害识别方法，包括以下步骤：

4、s1：获取桥梁水下桥墩的病害图像，构成病害图像初步数据集；

5、s2：对病害图像初步数据集进行分类与标注，得到病害图像标签数据集；

6、s3：将病害图像标签数据集划分为训练集、验证集和测试集，并进行数据扩充；

7、s4：建立基于unet的upnet模型；

8、s5：设置upnet模型的超参数组合值，将训练集和验证集输入upnet模型进行训练直至验证集损失收敛，获得权重文件；

9、s6：upnet模型加载权重文件，并利用测试集对upnet模型进行测试；

10、s7：对桥梁水下桥墩进行病害识别。

11、所述步骤s2中，病害图像初步数据集的分类包括露筋和剥落。

12、所述步骤s3中，数据扩充包括：对各集合的图像进行图像增强处理，增加图像数量；所述图像增强包括饱和度增强、色度增强、180度旋转、灰度变换、瑞利噪声和耦合噪声。

13、所述图像增强处理包括对集合的图像分别进行饱和度增强、色度增强、180度旋转、灰度变换、瑞利噪声和耦合噪声，使图像数量增加六倍。

14、所述步骤s4中，upnet模型包括：

15、(1)使用预训练的残差模块提取特征；

16、(2)在通道拼接层和上采样层之间设置空间注意力模块；

17、(3)设置空间深度模块连接残差模块；

18、(4)采用f2-score作为评价指标：

19、

20、其中，β为权重调节因子，precision为针对预测结果建立的指标，recall为针对真实值标签建立的指标。

21、所述步骤s4中，空间深度模块包括先对特征图的张量进行划分，然后通过逆时针连接增加通道数量，再进行无步幅卷积。

22、所述步骤s5中，设置超参数组合值包括：学习率：采用余弦退火衰减模型，初始学习率0.01，最终学习率0.0001；优化器：sgd，动量0.937，权重衰减值0.0005；输入图像尺寸：640；批量大小：4；训练轮数：300；早停函数：30轮。

23、所述步骤s7的病害识别包括：采集桥梁水下桥墩的图像并输入upnet模型，得到水下桥墩的病害识别结果。

24、一种计算机可读存储介质，其特征在于；所述存储介质上存储有计算机程序；当所述计算机程序被处理器执行时，能实现如权利要求1-8任一项所述的基于深度学习的桥梁水下桥墩病害识别方法。

25、一种基于深度学习的桥梁水下桥墩病害识别设备，包括存储器和处理器；其特征在于：所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序时，实现如权利要求1-8任一项所述的基于深度学习的桥梁水下桥墩病害识别方法。

26、本发明的有益效果是：

27、1.本发明提供了一种基于深度学习的桥梁水下桥墩病害识别方法，能够高效、准确地识别水下桥墩病害，提高了水下桥墩病害的检测精度，有利于精准地测量病害位置和面积，为后续桥梁水下桥墩的安全评估与维护提供准确的病害数据；

28、2.本发明的upnet模型使用残差模块取代unet模型中原有的cnn特征提取网络，避免了梯度消失和爆炸，有效增加了网络深度，提升了模型的性能；

29、3.本发明的upnet模型在每个通道拼接层和上采样层之间加入空间注意力模块，以更好地捕捉桥墩病害图像中不同空间距离病害像素之间的潜在关系；

30、4.本发明的upnet模型使用空间深度模块取代unet模型中的下采样层和池化层，确保在下采样过程中保留可学习的病害特征信息。

31、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

1.一种基于深度学习的桥梁水下桥墩病害识别方法，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的桥梁水下桥墩病害识别方法，其特征在于：所述步骤s2中，病害图像初步数据集的分类包括露筋和剥落。

3.根据权利要求1所述的一种基于深度学习的桥梁水下桥墩病害识别方法，其特征在于：所述步骤s3中，数据扩充包括：对各集合的图像进行图像增强处理，增加图像数量；所述图像增强包括饱和度增强、色度增强、180度旋转、灰度变换、瑞利噪声和耦合噪声。

4.根据权利要求3所述的一种基于深度学习的桥梁水下桥墩病害识别方法，其特征在于：所述图像增强处理包括对集合的图像分别进行饱和度增强、色度增强、180度旋转、灰度变换、瑞利噪声和耦合噪声，使图像数量增加六倍。

5.根据权利要求1所述的一种基于深度学习的桥梁水下桥墩病害识别方法，其特征在于：所述步骤s4中，upnet模型包括：

6.根据权利要求5所述的一种基于深度学习的桥梁水下桥墩病害识别方法，其特征在于：所述步骤s4中，空间深度模块包括先对特征图的张量进行划分，然后通过逆时针连接增加通道数量，再进行无步幅卷积。

7.根据权利要求1所述的一种基于深度学习的桥梁水下桥墩病害识别方法，其特征在于：所述步骤s5中，设置超参数组合值包括：学习率：采用余弦退火衰减模型，初始学习率0.01，最终学习率0.0001；优化器：sgd，动量0.937，权重衰减值0.0005；输入图像尺寸：640；批量大小：4；训练轮数：300；早停函数：30轮。

8.根据权利要求1所述的一种基于深度学习的桥梁水下桥墩病害识别方法，其特征在于：所述步骤s7的病害识别包括：采集桥梁水下桥墩的图像并输入upnet模型，得到水下桥墩的病害识别结果。

9.一种计算机可读存储介质，其特征在于；所述存储介质上存储有计算机程序；当所述计算机程序被处理器执行时，能实现如权利要求1-8任一项所述的基于深度学习的桥梁水下桥墩病害识别方法。

10.一种基于深度学习的桥梁水下桥墩病害识别设备，包括存储器和处理器；其特征在于：所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序时，实现如权利要求1-8任一项所述的基于深度学习的桥梁水下桥墩病害识别方法。