為了提高鋼桁架橋螺栓病害檢測和識別效率、完善分析方法,本文在無人機航拍視頻的基礎(chǔ)上,提出了一種基于深度學(xué)習(xí)的螺栓病害智能識別方法。通過混合高斯算法、Canny邊緣檢測、最小包圍圓算法等傳統(tǒng)圖像處理手段對航拍視頻進行預(yù)處理,實現(xiàn)鋼桁架橋螺栓圖像的批量化提取,并通過對螺栓圖像采取縮放、旋轉(zhuǎn)、變形等措施拓展螺栓圖像的樣本數(shù);采用遷移學(xué)習(xí)引入深度學(xué)習(xí)模型INCEPTION-V3,經(jīng)過訓(xùn)練,當(dāng)螺栓數(shù)據(jù)測試集上的準確率大于95%時,可滿足工程精度需求;并將該方法應(yīng)用于實際工程,當(dāng)把0.8設(shè)置為計算螺栓病害概率的分割點時,該方法對螺栓病害具有較好的識別效果,同時能夠?qū)崿F(xiàn)自動化、智能化,避免人為主觀判斷帶來的影響。 

【文章來源】：南京工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2020,42(05)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

鋼桁架節(jié)點前景提取效果對比圖

最后,需設(shè)兩個與梯度值相比較的閾值以限定邊緣處強弱,通過對圖像閾值的多次取值嘗試,當(dāng)Canny算子的高閾值HT取100、低閾值LT取50時,圖像表現(xiàn)較好,其效果如圖2所示,清晰地體現(xiàn)了螺栓及鋼板的位置細節(jié),并且去除了大部分干擾噪點。在此基礎(chǔ)上,采用計算機視覺庫(OpenCV)對圖像進行外部輪廓讀取,利用邊緣點連接的層次差別,提取特征不同的點集合,針對螺栓構(gòu)造只檢測其最外側(cè)輪廓,并且刪除內(nèi)部的輪廓冗余點,對輪廓點集合采用最小包圍圓算法。相較于Hough圓檢測等其他圓檢測算法,最小包圍圓算法簡單且對圖像圓度要求不高,通過迭代計算尋找包括輪廓點集的最小圓形,使用以上流程,選取不同區(qū)域連接板進行螺栓檢測測試,視覺效果如圖3所示,統(tǒng)計數(shù)據(jù)如表1所示,查全率是指定位螺栓數(shù)與圖像中實際螺栓數(shù)之比。

表1統(tǒng)計了對圖像處理的結(jié)果,在傳統(tǒng)圖像處理技術(shù)下,除了端部連接板外,其余測試連接板中螺栓定位均達到了100%查全率,其原因在于端部連接板下部受混凝土地面與雜草遮擋,右上螺栓布置過于密集且背景相似影響了圖像二值化的效果,屬于傳統(tǒng)圖像處理的局限性。針對螺栓過于密集的問題,可通過加大攝像機分辨率、圖像局部放大以及調(diào)整參數(shù)敏感度等手段減小影響。表1 螺栓查全率Table 1 Bolt recall rate 螺栓位置 未定位螺栓數(shù) 查全率/% 普通連接板 0 100.0 端部連接板 8 97.6 上平聯(lián)連接板 0 100.0 中部連接板 0 100.0


本文編號：3306902