基于光纤传感的桥梁病害识别技术探究

近年来,我国加大基础设施方面的投入,桥梁事业得到迅猛发展。然而,伴随着桥梁数量的增多,桥梁安全问题也日益凸显,这就对桥梁病害识别技术提出更高的要求,为此,基于光纤传感的桥梁病害识别技术应运而生。文章旨在探讨相关概念,对桥梁病害识别技术的不足予以梳理,提出基于光纤传感的桥梁病害识别技术要点,以此发挥其独到作用。

基于光照不变正则约束的稳健性桥梁病害识别

桥梁表观病害识别是桥梁运营养护的关键技术之一。近年来,卷积神经网络(Convolutional Neural Networks,CNN)被广泛应用于桥梁表观病害识别。然而在光照不足条件下,卷积神经网络对于桥梁表观病害识别的稳健性通常不足。针对上述问题,提出一种基于光照不变正则约束的稳健性桥梁病害识别方法。该方法利用不变正则约束,同时约束CNN的特征提取模块和分类器模块,实现光照不足条件下的不变特征学习和分类器学习,进而增强CNN模型对于桥梁病害识别的光照稳健性。运用该方法基于桥梁表观病害数据集进行实验验证。实验结果表明:所提方法在光照不足条件下的桥梁病害的平均识别准确率高于对比方法;该方法在正常光照图像和光照变化图像上提取的特征矢量的欧氏距离为7.57,较对比方法提取的特征矢量具有更高的相似度。基于光照不变正则约束的稳健性桥梁病害识别方法在光照不足条件下提取的特征具有较强的不变特性,使得模型具有较强的病害识别稳健性,具有良好的工程应用价值,能够为桥梁的运营养护提供更准确的决策支持。

基于卷积神经网络的混凝土桥梁表观病害识别模型

为响应交通强国公路数字化的转型号召,针对公路桥梁数字化技术研发与应用需求,从三维实景基础数据采集和病害识别分析模型方面研制量化快速分析评估软件。针对病害识别,基于卷积神经网络模型构建桥梁表观病害智能识别模型架构,并对桥梁表面典型病害数据集进行多种病害识别模型构建。为贴合实际应用环境,选取裂缝、脱落、渗水病害,提出了一种低样本训练图像识别算法。3种病害各选取100张图像以8∶2的比例进行训练和验证。最终以VGG16V2为基础构建的低样本优化训练模型的病害识别率相比原始VGG16V2算法模型提升了3.3%,针对3种病害的识别准确率为93.3%。为低样本下的病害识别模型训练提出的优化架构,有助于在低样本的情况下实现全自动化桥梁表观病害分类技术的研究,同时可以自动化的为目标检测等高度数据依赖的任务提供高质量的样本数据,节省人工,提高效率。

面向人工检测图像的混凝土梁桥病害识别方法研究

桥梁是高速路网上的重要节点,随着其服役环境的恶化和服役时间的增长,桥梁管养的任务愈加艰巨。目前在桥梁检测领域,管养部门传统桥梁病害检测主要依据检测人员目测判别,且以定性识别为主,但这种方式存在查不全、测不准、效率低、机动性差、可靠性不足、危险系数高等问题。尤其是在需要应对特殊结构桥梁或大跨高墩桥梁的情况下,传统的检测方式已经无法满足要求。因此,在人工检测装置的基础上,本文提出采用基于deeplabv3+语义分割模型提取病害的方法。针对识别准确率问题,开发基于深度迁移学习的病害分割与识别的模型算法,实现病害的同步分割与识别,准确率≥90%。

基于改进Segformer的混凝土桥梁表观病害轻量级识别方法

现有基于语义分割的混凝土桥梁表观病害识别方法具有模型参数量较大、特征提取不充分、分割精度不高等缺点。针对上述问题,提出基于改进Segformer的混凝土桥梁表观病害轻量级识别方法——Segformer-SP,该方法选取MiT B0作为编码器,并引入语义融合模块(Semantic Fusion Module,SFM)和极化自注意力机制(Polarized Self-Attention,PSA)。在Segformer-SP中,SFM模块对低级特征和高级特征进行融合,以提高低级特征的语义信息量;同时,PSA自注意力机制模块可以在分割过程中捕捉全局上下文信息,解决病害特征不够充分的问题,从而进一步提高分割效果。试验结果表明:Segformer-SP的平均交并比(mIoU)和平均F1分数(mF1)相较于Segformer-B0分别提高了2.41%和1.91%;此外,Segformer-SP的mIoU和mF1均优于大部分主流语义分割算法;Segformer-SP的参数量仅为6.09×10^(6),FPS为56.54,更适合应用于终端检测设备。

无人飞机在广西桥梁检测中的应用发展

针对目前传统的公路桥梁检测手段的局限性,创新性地引入无人机检测理念,将无人机技术、计算机技术、航空摄影技术、互联网技术结合起来,提出一种全新的公路桥梁检测思路,该方法可广泛应用于广西公路桥梁检测中,有效提高了广西公路桥梁检测效率、缩短检测周期、节省工程检测费用,并可向全区工程检测其他领域拓展。