[发明专利]混凝土构件损伤检测与评估方法及其系统

说明书

本申请涉及一种混凝土构件损伤检测与评估方法及其系统，包括：获取第一图像并对第一图像进行裁剪，以获取第二图像，第一图像为已有试验及实际工程中受损混凝土构件的局部图像。通过多段线对第二图像标注后生成标注文件和标注图像。对标注文件进行处理以适应损伤目标分割模型，并在标注图像和标注文件对目标分割模型训练后，获取相应的最优权重参数。获取第三图像，并基于最优权重参数和损伤目标分割模型对第三图像进行识别，以得到第三图像中混凝土构件损伤的掩码和损伤类型。当损伤类型为裂缝时，基于掩码提取混凝土构件真实裂缝对应的像素点。获取图像采集设备的像素解析度，并根据像素解析度获取像素点和其他损伤掩码对应的几何参数。

技术领域

本申请涉及受损建筑结构损伤检测技术领域，特别是涉及一种混凝土构件损伤检测与评估方法及其系统。

背景技术

钢筋混凝土(Reinforced Concrete，简称RC)结构在我国建筑结构中应用广泛，此类结构在服役期间出现劣化的问题较为突出，并且在遭遇破坏性地震后易出现较大程度的损伤。针对受损RC结构进行损伤检测，并对震后结构的安全性进行评估，可为判断RC结构的安全性以及RC结构的维护、维修和加固或拆除提供科学的评判和决策依据，对规避和控制灾害具有重要意义。

目前，针对RC结构的损伤检测方法主要为人工检测，依靠结构工程专业技术人员在工程或震害现场进行检查或调查，通过肉眼观察、拍照等手段结合使用裂缝尺、裂缝观测仪等工具，记录受损RC结构的表观损伤现象。然而，使用该方法易造成错检、漏检，由于检测的主观性较强，导致检测准确率较低。同时，检测过程耗时费力，也使该方法难以满足震后结构损伤快速检测的要求。随着数字图像处理技术和机器学习方法的日益成熟，检测人员在现场采集到受损结构构件图像后，可通过图像预处理、降噪、特征提取和特征分类等操作来检测图像中的损伤目标。然而，检测人员所采集的图像，往往干扰较多且背景信息复杂，损伤目标亦复杂多样，而基于图像处理和传统机器学习的检测方法一般使用人工设计特征，其层次级别较低，代表性和可分性不足，使基于传统计算机视觉的损伤检测方法较难适应复杂多样的结构损伤检测。

为提高建筑结构损伤检测的效率和准确率，近年来，工程人员使用基于卷积神经网络(ConvolutionalNeuralNetwork，简称CNN)的深度学习方法来识别结构损伤。深度学习方法相比传统的机器学习方法具有更强大的特征学习和表达能力，可提取图像中更加多样和抽象的特征。目前，针对RC结构的损伤识别，基于CNN的方法主要分为基于目标检测的方法和基于图像分割的方法，前者典型代表有Faster R-CNN，已被用于钢结构病害和RC结构裂缝的检测，但仅能对损伤进行分类和定位，若要分析损伤的物理参数，如裂缝宽度、长度等，需要在使用CNN模型得到损伤类型和位置信息的基础上，附加采用大量复杂的图像处理操作。后者的典型代表有U-Net，已被用于RC结构损伤的检测，但仅能对损伤进行分类和语义分割，无法直接确定损伤在结构中的位置。

因此，针对量大面广的RC结构构件，传统的RC构件损伤检测评估的方法无法一次性完成常见损伤类型的定位、分类和分割，在对RC构件损伤检测评估时需要大量的人力成本，且检测评估结果往往不够准确。

发明内容

基于此，有必要针对上述技术问题，提供一种能有效节省人力成本、一次性完成损伤定位、分类和分割且检测评估结果较准确的混凝土构件损伤检测与评估方法及其系统。

第一方面，本申请提供一种混凝土构件损伤检测与评估方法，所述方法包括：

获取第一图像并对所述第一图像进行裁剪，以获取第二图像，所述第一图像为已有试验及实际工程中受损混凝土构件的局部图像，所述第二图像为适应损伤目标分割模型的混凝土构件的损伤图像；

获取标注文件和标注图像，所述标注文件为通过多段线对所述第二图像标注后生成的，所述标注图像为所述多段线对所述第二图像标注后生成的图像；

对所述标注文件进行处理以适应所述损伤目标分割模型，并在所述标注图像和标注文件对目标分割模型训练后，获取相应的最优权重参数；