CN119418186A 基于渐进式域适应策略的无人机桥裂缝梁病害识别方法 （宜昌市城市桥梁建设投资有限公司）

基于渐进式域适应策略的无人机桥裂缝梁基于渐进式域适应策略的无人机桥裂缝梁的桥梁图像进行标注，采用CNN模型对桥体图像21.基于渐进式域适应策略的无人机桥裂缝梁病害识别方法，其特征在于包括以下步步骤二：对步骤一得到的桥体图像块中的裂缝进行小2.根据权利要求1所述基于渐进式域适应策略的无人机桥裂缝梁病害识别方法，其特3.根据权利要求2所述基于渐进式域适应策略的无人机桥裂缝梁病害识别方法，其特4.根据权利要求1所述基于渐进式域适应策略的无人机桥裂缝梁病害识别方法，其特5.根据权利要求1所述基于渐进式域适应策略的无人机桥裂缝梁病害识别方法，其特6.根据权利要求1所述基于渐进式域适应策略的无人机桥裂缝梁病害识别方法，其特7.根据权利要求6所述基于渐进式域适应策略的无人机桥裂缝梁病害识别方法，其特有数据集为11812张，混合数据集是私有数据集集11812张和公开数据集11298张合成的混私有数据集是指对步骤一得到的桥体图像块中的裂缝进行小规模标注后获得的数据8.根据权利要求7所述基于渐进式域适应策略的无人机桥裂缝梁病害识别方法，其特9.根据权利要求1所述基于渐进式域适应策略的无人机桥裂缝梁病害识别方法，其特3通过不同尺寸形态子进行腐蚀和膨胀的操作，对桥体裂缝分割后的二值图像进程处在读取桥体裂缝分割后的二值图像后，首先对裂缝分割后的二值图像原图像a进行数腐蚀算法是将图像边缘向内收缩，而紧接着的膨胀操作则使图像将形态算子设置为正方形，初始大小是3*3，后续迭代累计到被腐蚀掉的裂缝区域，同时将这部分区域标识为与当前形态子大小尺寸匹配的裂缝类得到与不同尺寸形态算子匹配的裂缝区域信息后，能够根据无4R.J.andMaguire,M.,2018.Comparisonofdeepconvolutionalneuralnetworksandedgedetectorsforimage_basedcrackdetectioninconcrete.ConstructionandBuildingMaterials,186,pp.1031_1045.将深度卷积神经网络(DCNN)与常见的边缘检测Joel,E.andKumar,K.S.,2023.ConcretebridgecrackdetectionbyimageprocessingtechniquebyusingtheimprovedOTSUmethod.MaterialsToday:5learning.ConstructionandBuildingMaterials,400,p.132839.提出了一种基于[0008]文献[4]:Laxman,K.C.,Tabassum,N.,Ai,L.,Cole,C.andZiehl,P.,2023.Automatedcrackdetectionandcrackdepthpredictionforreinforcedconcretestructuresusingdeeplearning.ConstructionandBuildingMaterials,370,p.130709.开发了一个全面的自动裂缝检测和裂缝深度评估框架，能够检测裂缝位置[0009]文献[5]:Gupta,P.andDixit,M.,2022.Image_basedcrackdetectionapproaches:acomprehensivesurvey.MultimediaToolsandApplications,81(28),算法模块的融合。文献[6]:Song,F.,Liu,B.andYuan,G.,2024.Pixel_LevelCrackIdentificationforBridgeConcreteStructuresUsingUnmannedAerialVehiclePhotographyandDeepLearning.StructuralControlandHealth.提出了一种结合机67[0035]采用的二分类阈值为90％,当二分类概率高于90％时,VGG16判定图像结果为桥有数据集为11812张，混合数据集是私有数据集集11812张和公开的裂缝图像数据集11298[0040]私有数据集是指对步骤一得到的桥体图像块中的裂缝进行小规模标注后获得的[0046]在读取桥体裂缝分割后的二值图像后，首先对裂缝分割后的二值图像原图像a进8像c得到被腐蚀掉的裂缝区域，同时将这部分区域标识为与当前形态子大小尺寸匹配的裂像c为全黑，即所有裂缝像素都被相应的形态算子腐蚀掉且不能通过紧接着的膨胀操作恢9[0076]2.提出一种深度学习与多尺度形态学图像处理算法相结合的具有一定可解释性[0077]基于渐进式域适应策略的无人机裂缝识别方法。该无人机桥梁图像重叠式分块及桥体图像块分类、基于混合数据集的桥体裂缝病害图像分[0079]针对数据采集问题，本发明提出了针对不同桥梁进行单独的数据采集的解决方[0082]本发明采用的二分类阈值为90％,当二分类概率高于90％时,模型判定图像结果[0087]为了体现数据集的对结果的影响，本发明使用混合数据集与私有数据集分别对类别上的准确性)、Precision(指别正确分类为正类的样本占在所有被分类为正类样本的据集主要是由现有的桥梁裂缝分割得到的二值图像和公共数据集的桥梁裂缝分割得到的此训练集采用混合数据集训练的分类模型对两种裂缝具有很好的[0093]在读取裂缝二值图像后，本发明首先对裂缝分割后的二值图像原图像a进行数据小)而言，通过先腐蚀后膨胀的操作后，区域内的像素将全部被腐蚀掉而无法通过膨胀恢迭代累计时每次行列均扩大1个像素大小。每次迭代时利用当前尺寸的形态算子先进行腐的距离换算出的裂缝图像像素大小与实际裂缝尺寸比例，进而实现裂缝物理尺寸的估计。有较好的域适应度。第一阶段的域适应能力仅局限在单座桥梁采集的图像数据集空间中，采用深度学习模型与传统图像处理技术相结合的方案。裂缝分类采用轻量级分类模型