仪多多
用户中心

最新订单状态:

    最近浏览的商品:

    0我的购物车 >
    购物车中还没有商品,赶紧选购吧!

    服务中心

    • 北京
    • 广州
    • 上海
    • 成都

    联系人:张经理

    电话:010-83628672

    邮箱:yiduoduo1718@126.com

    广州服务中心内容

    上海服务中心内容


    成都服务中心内容


    合作媒体更多...

    裂缝怎么检测

    时间:2019-04-04    作者:仪多多网     

           针对桥梁构件的表观检测,裂缝是较为重要的检测项目。在桥梁检测实践中,针对裂缝往往先拍照,然后手画裂缝分布图。拍照比较清晰直观,但是只见局部不见整体,手绘裂缝分布加以补充,对裂缝在构件整体分布进行表示。

           桥梁构件裂缝检测如此处理比较方便直接,基本的工作模式仍然是“报告模式”,而不是“数据模式”。因为无论是照片还是手绘裂缝分布图,都是为了插入报告而不是为了形成裂缝的“数据”,“数据”能够存储、分析、处理以及做不同历史时间之间的比较。

           基于数字图像的裂缝识别方法由于具有方便、可靠、易操作、识别面积大的特点在实际应用中逐渐受到青睐。从原理上讲,基于数字图像的损伤识别方法是一种模拟人类视觉行为的算法,但同时又有区别。从步骤上讲,基于数字图像处理的裂缝识别主要包括数字图像降噪、裂缝提取、裂缝参数识别、识别结果展示这几个步骤。由于数字图像法操作方便、后期处理准确性高、不依赖于操作人员的经验,其逐渐成为桥梁结构表面损伤识别的研究方向。

           基于数字图像的裂缝识别方法主要分为两类:(1)基于数字图像处理(DIP)的裂缝识别,(2)基于深度卷积神经网络与机器学习算法的裂缝识别。在2015年之前,使用数字图像法识别结构表面损伤基本都采用DIP方法,包括各类图像滤波器、亚像素操作等,其存在的主要问题在于:(1)由于环境中存在大量与裂缝相似的物体(例如斑点及水渍等),强噪音干扰下的识别效果会受到很大的影响;(2)现有方法很难将裂缝与施工缝、层间缝区别开来。2015年后,随着人工智能、机器学习等概念的发展,卷积神经网络(Convolutional Neural Network, CNN)在数字图像处理中的优势被学者充分挖掘,结构表面损伤识别研究中也大量交叉采用相关方法。卷积神经网络是深度学习中具有代表性的网络结构之一。典型的卷积神经网络主要由输入层、卷积层、池化层(下采样层)、全连接层和输出层组成,如

           早期的卷积神经网络比较简单,如经典的LeNet-5 模型,应用在手写字符识别、图像分类等简单的计算机视觉领域中。而随着研究的不断深入,卷积神经网络结构不断优化,其应用领域也逐渐得到延伸和扩展。例如,与深信度网络相结合组成的卷积深信度网络,被应用在人脸特征提取;AlexNet在图像分类领域取得了突破;基于局部区域特征提取的R-CNN在目标检测领域也取得了成功;全卷积网络更是实现了端到端(end to end)的图像语义分割。随着迁移学习的发展,卷积神经网络的应用更加广泛。在裂缝识别领域,国际上已有多位学者用CNN进行研究。

    CNN的优势在于:(1)该方法避免了对图像复杂繁琐的前期预处理过程,可以直接输入原始图像,而不用对图像进行复杂的预处理(二值化、图像降噪、图像增强等等);(2)只要数据集足够丰富,该方法可以达到很高精度的裂缝识别正确率,并且相较于数字图像处理技术来说不需要人为设置阈值,系统的鲁棒性较强。综合采用数字图像处理(DIP)方法与卷积神经网络(CNN)方法进行桥梁结构表面的裂缝识别,可充分发挥CNN在裂缝判断以及DIP技术在像素操作中的优势,实现裂缝准确的识别与参数计算,具有更强的可行性。

    (1)基于深度卷积神经网络的数字图像法裂缝识别方法;

    桥梁结构混凝土表面会出现表层脱落、划痕、污渍,甚至某些裂缝带有的渗水、漏筋等损伤,此类损伤或表面特征在数字图像的灰度与二值化处理后均变为与裂缝极其类似的黑色物体,影响裂缝判断的准确性。针对该问题,为了保证该裂缝识别效果的准确性,应建立包含桥梁结构混凝土表面裂缝图像的专项数据库,利用该数据库中的照片对裂缝进行训练,保证其适用性。该数据库的建立主要有以下几个原则:

    a. 原始照片可以来源于不同配置的相机,并且包含不同光照作用、不同角度下的裂缝照片;

    b. 数据库中需要包含桥梁结构常见的裂缝及相似损伤,如渗水、漏筋、划痕、污渍、表面脱落的照片,以保证该系统的鲁棒性;

    c. 数据库中需要包含桥梁混凝土表面的施工缝以及分层缝的照片。

    在得到该数据库后,利用该数据库对卷积神经网络进行训练,从而得到一个具有精确性、鲁棒性的卷积神经网络。

    本研究团队已有深度学习以及计算机视觉等相关领域的经验与长期积累,目前已基本实现实验室条件下基于Deep-CNN的裂缝识别研究,示例见图4所示;同时,已经建成包含裂缝图像3000余张的混凝土损伤图像数据库,可为基于Deep-CNN的桥梁结构混凝土表面裂缝识别提供部分数据基础。

    (2)基于像素的裂缝宽度与长度参数定量计算方法。

    桥梁混凝土表面的裂缝一般呈树状或网状的复杂分布形式,使用数字图像处理法进行裂缝参数计算,首先需要完成裂缝分解。研究拟采用裂缝骨架线,以多条裂缝交叉点为起点,进行裂缝分解,逐一完成各条裂缝的编号。裂缝分解与编号研究的步骤示意图见图5所示:

    基于数字图像的裂缝宽度、长度计算将直接决定裂缝损伤识别的准确性。研究采用数字图像处理技术,利用裂缝体的边缘线与中心线,计算裂缝的长度与宽度,将裂缝分布、裂缝宽度以裂缝云图的形式进行展示、输出。裂缝宽度的计算思路见图6所示:

    上述裂缝识别方法针对某单幅照片内的裂缝,我们回到桥梁检测实践来看,还需要下面两个方面的相关工作。

    (1)裂缝在模型上的重现及历史比对

    采取技术手段,将拍照识别出来的裂缝在模型上与实际裂缝对应起来,进而能够实现不同历史时期裂缝之间的比对,预测裂缝开展趋势。

    (2)基于裂缝的桥梁构件分级

    抛开桥梁构件其他病害,单纯依据桥梁构件裂缝对桥梁技术状况近分级,比如分成五级。基于裂缝的桥梁健康状况分级,还要考虑进裂缝的性质(结构裂缝和非结构裂缝、横向裂缝和纵向裂缝),特殊裂缝的深度等信息。然后融合其他构件病害,对构件的实际技术状况进行分级评估。

    文章来源于网络



    上一篇:建筑钢结构检测取样方法及数量

    下一篇:探讨装配式建筑、智能检测新趋势,第十一届全国工程质量检测技术大会隆重召开

    • 手机多多
    • 官方微信订阅号

    商品已成功加入购物车!