基于Transformer的高分辨率桥梁裂缝图像级联分割方法

为充分发挥Transformer模型在高分辨率桥梁裂缝图像分割上的优势,提出了一种基于Transformer和坐标注意力(Coordinate Attention,CA)机制的精细化级联分割方法(级联CATransUNet)。首先,开发了一个基于TransUNet的裂缝特征提取模块,用于从低分辨率裂缝图像中初步提取3个尺度的粗粒度裂缝特征;其中,CA机制被引入TransUNet的跳跃连接结构,从而增强TransUNet网络对微小裂缝特征的表征。然后,基于所提取的三尺度粗粒度裂缝特征设计了2个基于物理级联结构的精细化运算模块,实现了从全局和局部2个维度依次恢复裂缝主体与边缘区域的细粒度像素特征。此外,为了充分利用多尺度特征在裂缝边界的细粒度特征表征中的优势,在训练过程中引入了一个带有主动边界回归项的多尺度级联损失。在基于无人机所采集的桥梁高分辨率裂缝图像上开展的消融性试验证明了所提出各组件的有效性。最后,在4 K分辨率的桥梁裂缝图像上开展了对比试验,结果表明:级联CATransUNet在不增加显卡内存需求的前提下,相较于此前最先进的基于传统卷积神经网络(Convolutional Neural Network,CNN)搭建的高分辨率图像精细化网络Segfix和CascadePSP,平均交并比(mean Intersection over Union,mIoU)和平均边缘精度(mean Boundary Accuracy,mBA)分别提升了5%和7%以上。采用级联CATransUNet可实现对高分辨率裂缝图像的精细化分割,为检测人员提供更加全面、准确的结构裂缝信息,从而为结构安全状况评估以及维护决策制定提供技术支撑。

基于深度学习的土木基础设施裂缝检测综述

基于深度学习的裂缝检测对于降低基础设施运营风险、节约运维成本并推进中国土木工程行业智能化转型具有重要意义。算法、数据集和评价指标是构建深度学习裂缝检测模型的关键要素;裂缝检测模型集成于机器人平台,从而实现对土木基础设施的全自动裂缝检测。为此,从以上4个方面对当前研究进行了系统梳理。首先,回顾了深度学习的发展历程,重点介绍了深度卷积神经网络在计算机视觉领域的应用及其在图像处理方面较传统算法所具有的显著优势。接着,详细介绍了3类基于深度学习的裂缝检测主流算法,包括分类算法、目标检测算法和语义分割算法。然后,对现有裂缝图像数据集以及模型性能评价指标进行了归纳。最后,总结了土木基础设施的各类裂缝检测机器人平台。综合分析表明:基于卷积神经网络主干结构的深度学习算法已被广泛用于土木基础设施表面裂缝的精准定位与分类,而裂缝的尺寸信息仍需依靠传统图像处理技术进行提取;由于像素级标注的成本和专业性高,大型的裂缝语义分割数据集相对缺乏,致使当前基于语义分割算法的裂缝检测模型鲁棒性较差;目前多数研究人员采用个人建立的裂缝数据集进行模型训练且采用不同的指标进行模型性能评价,缺乏统一的基准测试数据集和评价指标体系,无法对不同模型的性能进行平行比较;目前针对不同基础设施已相应开发了一些裂缝检测机器人,提高裂缝检测机器人的多场景适应性,并降低其应用成本是未来的发展方向。

车致疲劳损伤对钢-混凝土组合梁桥极限承载力可靠度的影响

钢-混凝土组合梁桥因其发挥了2种材料各自的优势,被广泛应用于中小跨径的桥梁结构中,而极限承载能力是评判其安全与否最直观的指标之一。为了对现役钢-混凝土组合梁桥的极限承载力进行更为准确的评估,提出一种确定钢主梁极限承载能力可靠度的新方法,该方法能考虑车辆荷载引起的疲劳累积损伤对钢主梁极限承载力的影响。首先建立了三维车桥耦合振动模型,并采用美国AASHTO桥梁设计规范中的Ⅰ形简支钢-混凝土组合梁桥、强度设计车辆荷载模型和疲劳设计车辆荷载模型作为算例进行分析。然后,基于建立的车桥耦合振动程序、S-N曲线和雨流计数法,获得不同桥面状态下强度设计车以不同车速过桥时产生的动力冲击系数和疲劳设计车以不同车速过桥时产生的疲劳损伤累积和最大应力,并根据卡方检验对在不同桥面状态和不同车速下获得的这3个参数的分布类型进行检验。最后,基于剩余强度理论,利用AASHTO规范中规定的桥梁承载力设计方程,建立能考虑桥梁全寿命周期内桥面处于不同状态时车辆过桥产生的累积疲劳损伤对钢主梁极限承载能力折减的极限状态方程,并以此对钢主梁极限承载力的可靠指标进行研究,获得其与疲劳设计车日均通行量的关系。研究结果表明:桥梁极限承载力可靠度会随着疲劳设计车日通行量的增大而降低;钢主梁疲劳累积损伤对其极限承载力折减具有重要影响。提出的方法为准确评估在役桥梁的极限承载能力提供了更为有效的途径。