[发明专利]一种基于深度学习与声呐成像的水下桥墩构件分割方法

说明书

本发明提供一种基于深度学习与声呐成像的水下桥墩构件分割方法，利用水下侧声声呐设备获取准备水下桥墩扫描图片；运用图像增强方法，增加数据集的数量；对数据集进行标注，将桥墩、桩基和河床分别用不同颜色进行多边形标记，并记录下多边形顶点坐标；将数据集划分为训练与验证集：建立深度学习语义分割网络中的Mask RCNN模型，进行训练，得到训练模型；水面上控制侧声声呐设备沿着水下桥墩部分进行扫描，获取扫描图片，利用训练好的Mask RCNN模型进行水下桥墩进行构件自动化分割。采用本发明效率高，成本低，相对于传统的人工潜水法以及声呐人工筛选法更具有明显的自动化和高效准确的优势。

技术领域

本发明属于土木工程与人工智能交互技术领域，具体涉及一种基于深度学习与声呐成像的水下桥墩构件分割方法。

背景技术

桥墩是桥墩的主要承力构件，桥梁结构的载荷绝大部分通过桥墩传递到基础上。任一个桥墩丧失承载力，都会导致桥墩的整体失稳和破坏，因此，桥墩的安全性必须予以高度的重视。桥墩水下部分长期收到冲刷、腐蚀等恶劣环境的作用，导致水下可能产生缺损、裂缝、露筋等缺陷甚至损伤，会严重影响到桥梁的使用寿命甚至承载力。目前水下桥墩部分的检测方法还是以人工潜水法和声呐设备扫描法，人工检测法方法耗时、费力、造价较大，自动化程度低，声呐设备扫描法产生大量图片，并且病害成像结果和河床冲刷结果很相似，难以直接区分，人工识别效率低，容易误判漏判，因此，迫切需要一种水下桥墩病害的自动化识别方法。

深度学习是机器学习方式的一种，其是针对视觉领域，图片分类、目标检测、语义分割等已经有较多的应用。声呐设备以声学成像的方式将水下桥墩情况呈现，可以克服光学成像受光照、水浑浊程度影响的缺点，本发明提出的基于深度学习Mask RCNN网络与声呐成像的水下桥墩构件分割方法通过结合深度学习和声呐成像的优点，将声呐成像图片进行深度学习训练，利用语义分割模型，可以先分割出桥墩、桩基以及河床的位置和边界，再在桥墩和桩基的区域类搜索病害，并识别出病害的位置，大大降低了河床冲刷对识别结果的影响，可以较为准确的分割出构件位置，从而为病害识别做进一步的准备。

发明内容

发明目的：本发明提供一种效率高、成本低、自动化程度高且能实时识别基于深度学习与声呐成像的水下桥墩构件分割方法。

技术方案：本发明所述的一种基于深度学习与声呐成像的水下桥墩构件分割方法，包括以下步骤：

(1)利用侧声声呐设备获取水下桥墩图片，形成数据集，并设置每张图片的大小；

(2)利用数据增强的方法对数据集进行扩充，并对每张图片进行标注；

(3)将数据集按照一定比例划分为训练测试集、验证集和测试集；

(4)建立深度学习Mask RCNN模型，对步骤(1)中的水下桥墩声呐成像数据集进行训练，提取图像的特征，获取病害的位置坐标信息，保存训练好的Mask RCNN模型与参数；

(5)用声呐设备对水下桥墩进行扫描，利用图像均值滤波和高斯滤波方法，去除图像的椒盐噪声；

(6)利用步骤(4)中得到的具有分割水下桥墩构件声呐成像图片的卷积神经网络模型，去自动分割步骤(5)中得到的图片，并标记出桥墩、桩基以及河床的边界位置和信息。

其中，步骤(1)所述的每张图片大小为1200x1200 pixel。

其中，步骤(2)所述的数据增强方法采用随机旋转和随机裁剪法。

其中，步骤(3)所述数据集按照8:1:1的比例划分为训练测试集、验证集和测试集。

其中，步骤(4)所述的特征提取层采用ResNet101预训练网络，损失函数采用FocalLoss。