1.基于感知解析的桥梁图像多种病害分割算法及定量计算,其特征在于,包括以下步骤:
步骤一、桥梁数据集的来源和构建,利用无人机获取桥梁底部图像,构建桥梁病害数据集;
步骤二、数据集划分,将步骤一中构建的桥梁病害数据集划分为7:3,分别作为模型的训练集和测试集;
步骤三、构建基于感知解析的多任务语义分割算法及桥梁病害参数的定量计算方法,对DCNv2进行改进,提出改进型DCNv2,以改进型DCNv2为核心算子,构建基础模块,提出模块堆叠规则,并根据所述规则确定模型参数,规范化网络模型的深度和宽度缩放规则,利用限制因子和复合系数对深度和宽度进行缩放,在主干网络的最后一层应用来自PSPNet金字塔池化模块,为每个分类器配备独立卷积头,应用跳跃连接通道-空间注意力模块,增强模型捕获上下文特征的能力;
步骤四、桥梁病害属性值计算、对裂缝长度、裂缝宽度以及病害面积依次进行计算;
所述步骤三中,改进型DCNv2表达式如下,
式中,表示总聚合组数,对于第个组,表示该组的位置无关投影权重,其中,K表示总采样点数,p0表示当前像素点,表示预定义网格采样位置中的第k个位置,代表组维度,表示第组中第个采样点经过softmax函数归一化的调节标量,代表切片后的输入特征图,是第组中对应于网格采样位置的偏移量;
所述步骤三中,基础模块由两个层归一化和前馈网络构成,初始层和下采样层则遵循传统卷积神经网络的设计原则,每个初始层包含两个卷积层、两个LN层以及一个GELU激活层,下采样层由一个卷积层和一个LN层组成;
所述步骤三中,模块堆叠规则有两条,第一条规则是后三个阶段的通道数由第一阶段通道数决定,即,第二条规则是各模块组号与各阶段的通道数对应即,第三,堆叠模式固定为“AABA”,即第1、2和4阶段的模块堆叠数是相同的并且不大于第3阶段,即,选择将参数量为30M级别的模型作为基础,其具体参数为,Steam输出通道数为64,分组数为每个阶段输入通道数的1/16,第1、2、4阶段的模块堆叠数为4,第3阶段的模块堆叠数为18,模型参数为30M,所述步骤三中,规范化网络模型的深度和宽度缩放规则的方式为,利用限制因子α和复合系数β对深度D和宽度C进行缩放,即D=αD'和C=βC',其中,,D'和C'为原始值,D和C为缩放后的值,α=1.09,β=1.36,所述步骤三中,在主干网络的最后一层应用来自PSPNet金字塔池化模块的操作顺序为,将提取的特征输入到特征金字塔网络的自下而上分支之前,所述模型基于残差网络ResNet,标记ResNet每一阶段的最终特征图为,而FPN输出的一系列特征图表示为,其中是紧随PPM模块之后的特征图,这些特征图的下采样率分别为,所述步骤三中,为每个分类器配备独立卷积头的具体方式为,融合不同尺度的特征层,通过双线性插值将它们调整到与相同大小,并将这些层进行连接,接着应用一个卷积层来融合来自不同层级特征以及减少通道维度,FPN中所有额外的非分类器卷积层,其输出通道数均为512,并且在卷积层后均采用批量归一化技术;
所述步骤四中,裂缝长度的计算方式为,裂缝由一系列像素点组成,其中每个像素点的位置使用二维坐标来描述,其灰度值函数定义为,若像素点灰度值为255,则代表该点位于裂缝区域内,若为0,则表示该点不属于裂缝部分,为计算裂缝实际长度,采用数值积分的方式来近似计算这条连续曲线的长度,具体公式如下:式中,为几何标定的坐标值,为裂缝单元长度,表示单个像素点对应实际尺寸的比例,裂缝宽度的计算方式为,用和分别标识裂缝两侧的边界轮廓,对图像边缘进行坐标系构建,主轴线由表示,此外,对于曲线的切线与垂直于直线之间的夹角,采用角度函数表示,具体公式如下:式中,为和的垂线和与夹角相等,通过夹角获得每一个点的,计算主要过程如下,遍历裂缝图像中的所有像素点以确定各个像素的具体坐标,针对每一个坐标位置构建模型,在每个像素点对应的垂直方向区域内统计裂缝内部的像素点数量,其中,这些像素点表示为坐标形式,计算该垂直方向区域的中点坐标函数,在上述中点处的倾斜角记为,运用计算该点裂缝的宽度值,逐一得到各点裂缝宽度,完成对所有像素点裂缝宽度的计算后,将这些宽度值累加,求它们的算术平均数,得到宽度平均值;
所述步骤四中,病害面积计算方式为,对病害边界进行几何建模,定义病害两条边界曲线分别为和,运用面积积分原理对这两条曲线围成的区域进行积分计算,以此得出的整体面积大小,具体公式如下:式中,作为病害的有限元的面积,病害的宽度为,长度使用进行表示,表示单个像素点对应实际尺寸的比例。
2.根据权利要求1所述的基于感知解析的桥梁图像多种病害分割算法及定量计算,其特征在于:所述步骤一中,桥梁病害数据集包括裂缝、龟裂状裂缝、外露钢筋、潮湿、析盐、锈蚀、蜂窝、空洞区域、腔穴、剥落、涂鸦、风化以及冲蚀13种病害,桥梁病害数据集采集位置包括保留模板、支座、伸缩缝、排水、防护设备以及接缝带。
3.根据权利要求1所述的基于感知解析的桥梁图像多种病害分割算法及定量计算,其特征在于:所述步骤二中,训练集用于模型的训练和学习,测试集用于评估模型的性能和准确性,在划分数据集之前,对数据进行清洗处理。
4.根据权利要求1所述的基于感知解析的桥梁图像多种病害分割算法及定量计算,其特征在于:所述模型训练过程中采用poly学习率策略,即当前迭代学习率等于初始学习率乘以,初始学习率和幂指数分别设置为0.02和0.9,使用权重衰减为0.0001和动量为0.9,主干网络中的各层参数初始化采用预先在ImageNet数据集上预训练好的权重,所述跳跃连接通道-空间注意力模块能够弥补由下采样导致的空间信息损失,并为解码器每一层的多尺度特征增强全局维度交互,在生成输出掩模时实现精细细节的恢复,具体方式为,通过拼接编码器和解码器输出得到特征向量,通道注意力子模块采用具有缩减比例的多层感知机的编码器-解码器结构来放大跨维度的通道-空间依赖性,使用两个卷积层,同样以缩减比例关注来自通道注意力子模块的空间信息,给定输入特征图,经过中间状态后,最终输出定义为,式中,分别代表通道注意力子模块和空间注意力子模块的输出结果,是全连接层的缩写。