[发明专利]一种基于计算机视觉的高精度桥梁表观病害识别方法

说明书

本发明公开了一种基于计算机视觉的高精度桥梁表观病害识别方法：包括图像预处理阶段、仿真图像生成阶段和表观病害识别阶段。在图像预处理阶段，对包含病害图像的训练集进行高斯滤波和图像像素均衡化处理。在仿真图像生成阶段，采用生成对抗网络学习训练集的数据分布模式，据此生成仿真图像，从而增大训练集的数据规模。在病害识别阶段，采用增大后的病害训练集对YOLO模型进行训练，并将训练后的模型用于桥梁表观病害识别。在训练数据集规模较小时，本发明采用生成对抗网络扩大了神经网络训练数据集的规模，保证了YOLO模型进行表观病害识别的精度。

技术领域

本发明涉及一种基于计算机视觉的高精度桥梁表观病害识别方法，适用于土木交通结构健康监测领域，最优提取训练图像的病害目标边界，增加神经网络模型的训练集，提升识别模型对病害目标的识别精度。

技术背景

土木交通行业的飞速发展，大量的基建设施进入运维阶段。随着服役时间的增加，工程结构外观在不断地发生变化，如钢材锈蚀、混凝土裂缝以及钢结构节点螺栓脱落等。这些外观病害直接或间接地影响着结构力学性能发生变化，结构的耐久性甚至安全性可能存在一定程度地降低，因此对结构外观病害的监测也日趋重要，逐渐成为结构健康监测的重要部分。在外观病害监测方面，传统以人工检测为主的方式，受制于结构高度、跨度的发展，存在着难以抵达性以及工作量庞大的特性。近年来，计算机视觉、深度学习概念的发展使得图像的获取、处理、识别趋于自动化和智能化，可达性强、准确度高，出现了诸如RCNN、FastRCNN、SSD、YOLO等经典方法，其中YOLO是目前为止最先进的目标检测方案之一。因此，基于计算机视觉、深度学习的结构健康监测手段有了长足发展。

现阶段，基于计算机视觉以及深度学习算法的表观病害识别存在着一定的发展瓶颈以及面临着多方面困难：(1)由于采集设备、工作环境、拍摄角度等原因，所获取图像信息的清晰度不够，这严重制约了图像目标识别的精准度；(2)应用深度学习进行图像识别是建立在大量的训练数据集基础上的，为保证不同环境、不同状态下目标的准确识别，需提供大量的原始样本作为训练集，保证训练集的平衡性从而提高目标识别的准确性；(3)实际工程环境复杂多变，影响因素众多，如何剔除所获取图像中的干扰成分同样图像目标识别中的重点问题；(4)对于工程结构中最引人关注的病害问题，则需对常见的病害进行边界标示，为深度学习提供尽量高精度的样本，从而提升训练所得模型识别病害的准确性。

生成对抗网络作为近年来兴起的一种深度学习方法，通过生成器与判别器两个网络间的相互博弈，依靠少量带标记训练样本便可以实现半监督学习，从而生成足高精度仿真图像，能够解决大量训练数据集的获取问题。同时，依靠计算机视觉的图像处理技术，对于已有的工程结构病害样本图像筛选、处理，生成精度高、标记准、覆盖范围广的训练集。对精度高、运算快的YOLO神经网络模型进行训练，获得精确识别表面病害的模型，这对于保障基建设施结构安全服役、减少因外观病害漏检而造成结构不可逆损伤具有重要应用价值。

发明内容

发明目的：为了克服现有技术中的不足，提出了一种基于计算机视觉的高精度桥梁表观病害识别方法，提高病害图像训练集的清晰度，最优提取训练集的病害目标边界，增加训练集数量，提升深度学习模型的病害识别精度。

技术方案：为实现上述目的，本发明的技术方案如下：

一种基于计算机视觉的高精度桥梁表观病害识别方法，包括以下步骤：

第一步：图像预处理阶段。

对病害图像训练集中的病害图像进行高斯滤波和图像像素均衡化，其中高斯滤波去除局部异常噪声点，图像像素均衡化将占比较小像素归并，有效拉开像素灰度分布距离，提升输入训练图像清晰度。

第二步：仿真图像生成阶段