基于计算机视觉的钢桥面板裂纹识别方法

钢桥面板疲劳开裂为常见的钢桥病害,准确快速地发现并确定钢桥面板裂纹几何特征对降低运维成本、制定运维策略具有重要意义。针对传统人工巡检效率低、检测环境恶劣等问题,提出了基于计算机视觉的钢桥面板裂纹及其特征识别方法。采用目标检测网络YoloV5和图像语义分割网络U-Net++相结合的方法识别裂纹。根据2个网络的结构特性标注图像中的目标后生成数据集,并分别对网络中的参数进行训练。利用训练后的YoloV5与U-Net++分阶段对待测裂纹图像进行检测与分割,并通过阈值分割优化U-Net++分割结果,再通过骨架化后得到裂纹骨架线;在确定裂纹形貌后,采用YoloV5识别出的标定块求解透视变换矩阵与像素尺度系数,然后对裂纹骨架线进行图像矫正并确定裂纹几何特征。研究结果表明:YoloV5可准确检测出裂纹与标定块,且检测稳定性好;通过优化U-Net++训练时输入的像素尺寸,提高了U-Net++训练的收敛速度,网络损失由0.121降至0.096;求解透视变换矩阵时,使用所有角点坐标拟合该矩阵的最小二乘解可提高图像矫正标定的精度;当图像采集距离较远、角度较大时,角点投影误差增大,且该误差对角度更为敏感;不同图像采集距离、角度下裂纹特征计算误差最大为7.2%,表明识别精度及稳定性均较高。所提出的钢桥裂纹特征识别方法可准确计算裂纹几何特征,具有一定的实用价值。

基于Lamb导波深度学习的钢桥面板疲劳裂纹智能监测研究

正交异性钢桥面板疲劳开裂问题突出,传统方法难以实现有效监测,可采用对钢结构裂纹高度敏感的Lamb导波信号进行裂纹监测。考虑Lamb导波在钢桥面板上的不同传播方式,建立钢桥面板有限元模型,并开展导波传播数值模拟;通过连续小波变换提取得到导波的主要特征,并运用深度学习技术挖掘导波特征中的疲劳裂纹信息,实现对钢桥面板疲劳裂纹的智能监测。结果表明:导波纵向和横向传播模式下的导波特征均能很好反映各类裂纹的影响,且2种传播模式之间可实现裂纹监测需求的有效互补;经过学习训练后的深度置信网络可实现对4mm及以上长度裂纹的高准度识别,对裂纹深度的测量误差也在1mm以内。研究成果为Lamb导波传感技术在钢桥面板疲劳裂纹监测中的应用提供了重要依据和方法参考。