混凝土桥梁多尺度损伤检测与裂缝量化方法研究

• 作 者: 李昊
• 机 构: 重庆交通大学
• 出 处: 重庆交通大学
• 发表日期: 2021年01期
• 关键词: 混凝土桥

混凝土桥梁从建成到正式运营的状态下，受到车辆和环境因素的共同影响，会致使桥梁表面混凝土结构出现一些不同类别的损伤，例如混凝土裂缝、剥落、水侵蚀和露筋等损伤。这些损伤会引发混凝土桥梁的承载性能下降，严重影响了桥梁的运营安全，给人民群众的安全出行埋下了巨大隐患。所以，桥梁管养部门会定期对桥梁进行定期检测，将混凝土桥梁表观损伤进行定位和统计，来评估当前桥梁的健康状况。尤其在对裂缝的检测中，混凝土桥梁中裂缝损伤的数量和裂缝的长宽参数是评价桥梁健康状况的重要指标。传统的桥梁检测是以人工方式，检测人员使用拍照设备记录混凝土桥梁损伤并使用裂缝仪对裂缝的长宽进行测量。然而，人工方法具有效率低和风险性高的缺点，随着新型桥梁检测技术的发展，如无人机和爬壁机器人，新型桥梁检测技术可以代替人工解决效率低和风险性高的问题。但是，新型桥梁检测技术传回的大量检测图像仍然需要人工来判别表观损伤的位置，新型桥梁检测技术需要混凝土桥梁损伤自动检测算法支持才能解决人工带来的效率低的问题。本文基于深度学习技术提出了混凝土桥梁多尺度损伤检测与裂缝量化方法，解决了在现有的目标检测算法在多尺度混凝土桥梁损伤检测中精度不高的问题，为新型桥梁检测技术提供了高效可靠的自动混凝土桥梁损伤检测算法。
　　本文的主要研究内容和结论如下：
　　（1）本文收集了约700份桥梁检测报告中的混凝土桥梁损伤图像，分析这些图像得出了混凝土桥梁损伤具有复杂环境、多尺度分布和长宽占比大的特点。根据这些图像，建立了一个包含了剥落、漏筋、水侵蚀和裂缝四种损伤类别共1363张桥梁检测照片的混凝土桥梁损伤数据集。根据不同种类的损伤特征，按照PASCAL VOC数据集的标注格式进行标注，共标注了3693个损伤目标。最后使用数据增强算法对混凝土桥梁损伤目标检测数据集进行增强。
　　（2）针对于现有的目标检测算法在多尺度混凝土桥梁损伤检测中精度不高的问题，本文提出了基于改进YOLO v3算法的混凝土桥梁损伤检测算法。本文提出使用注意力机制模块和空间金字塔模块对YOLO v3中的特征图进行增强，使用了更加合理的损失函数对模型进行训练。实验结果表明，改进后的YOLO v3目标检测算法在比原版YOLO v3目标检测算法的mAP提升了4.9%，相对于其他单阶段和二阶段的目标检测算法具有较高的检测精度。
　　（3）为了解决目前语义分割网络在细微裂缝分割精度不高的问题，本文提出了一个基于多尺度特征融合的裂缝分割算法。设计了一个具有五个阶段特征提取模块的特征提取主干网络，将不同层次的特征图融合到低级特征中进行裂缝预测。使用了ASPP模块增大了低分辨率特征图对裂缝的感受野，增强了网络对不同尺度裂缝的检测精度。此外，提出了专门对于裂缝数据集进行训练的损失函数，解决了因在混凝土裂缝图像中正负样本不均衡的问题。通过试验证明，混凝土桥梁裂缝分割算法相比于其他语义分割算法有着较强的精度和鲁棒性。在高精度裂缝分割的基础上，设计出一个基于裂缝骨架的裂缝量化方法，在高精度裂缝分割的基础上，使用裂缝细化提取裂缝的骨架，利用裂缝的骨架信息对裂缝的长宽进行像素级别的测量。