欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024118368810
申请人: 长沙理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于无人机与深度学习网络的桥梁支座病害识别方法,其特征在于,包括:S1:规划无人机巡检任务路线;

S2:无人机执行巡检任务,并采集目标桥梁的支座图像,以形成支座图像集;

S3:对所述支座图像集进行预处理,以获取标注图像集;

S4:构建并训练基于Real-ESRGAN网络的图像增强模型,将标注图像集输入到训练后的图像增强模型中,以生成超分图像集;

S5:构建基于YOLOv8网络的病害识别模型,通过超分图像集训练所述病害识别模型,以使所述病害识别模型识别并定位支座损伤。

2.根据权利要求1所述的方法,其特征在于,所述S1包括以下具体步骤:基于无人机采集目标桥梁的环境图像,并对所述环境图像进行分析,以获取目标桥梁的几何结构和遮挡情况;

获取无人机的飞行续航能力,并基于目标桥梁的几何结构和遮挡情况,规划无人机巡检任务路线。

3.根据权利要求1所述的方法,其特征在于,所述S3包括以下具体步骤:S301:将支座图像集中的支座图像,统一分割为同等分辨率P×P的图像;

S302:将分割后的图像进行损伤区域标注,并根据损伤类型对损伤区域进行归类,以构建标注图像集。

4.根据权利要求1所述的方法,其特征在于,所述S4包括以下具体步骤:S401:搭建高阶退化模型,利用高阶退化模型对所述标注图像集进行高阶退化处理,以获得退化图像集;

S402:构建基于Real-ESRGAN网络的图像增强模型,将退化图像集输入至所述图像增强模型;

所述图像增强模型包括基于SR网络构建的生成器和基于带有跳跃连接的U-net卷积神经网络构建的判别器;其中,所述判别器中引入谱归一化技术,以控制判别器的Lipschitz常数;

S403:基于生成器对所述退化图像集中的图像进行特征提取,生成特征图,并对特征图进行上采样和nearest插值操作,以获取高分辨率图像;

S404:将退化图像集中的退化图像和高分辨率图像输入到判别器中,判别器基于所述退化图像和高分辨率图像间的误差,返回损失函数参数更新生成器;

S405:基于损失函数对生成器和判别器交替进行训练,直到生成器生成的高分辨率图像精度达到预设值时停止训练,并输出训练后的图像增强模型;

S406:将所述标注图像集输入至训练后的图像增强模型,以获取超分图像集。

5.根据权利要求4所述的方法,其特征在于,所述S401中高阶退化处理包括第一次退化处理和第二次退化处理;

所述第一次退化处理和第二次退化处理均依次包括Blur算法、选定默认插值缩放、噪声分布与形式随机选择、JPEG压缩;

所述S401中高阶退化模型的函数表达式为:

式中,x为退化图像;Dn(y)为n次退化过程;n为退化次数;y为原始图像;k为对应卷积核;r为降采样的尺度因子;a为噪声;JEPG为压缩过程。

6.根据权利要求1所述的方法在,其特征在于,所述S5包括以下具体步骤:S501:将所述超分图像集按照预设的比例依次划分为训练集、验证集和测试集;

S502:构建基于YOLOv8网络的病害识别模型;

S503:将训练集输入所述病害识别模型进行迭代训练,直到训练迭代次数达到预设次数时,输出训练后的病害识别模型;

S504:基于验证集对训练后的病害识别模型进行验证,以获取验证数据,并利用验证数据构建混淆矩阵和损失曲线,来判断病害识别模型的训练精度是否达到预设精度;

若否,则返回步骤S503;若是,则执行步骤S505;

S505:基于测试集对验证后的病害识别模型进行测试,评估所述病害识别模型是否能识别并定位支座损伤;若是,则完成所述病害识别模型的训练;若否,则返回步骤S503。

7.根据权利要求6所述的方法,其特征在于,所述基于YOLOv8神经网络的病害识别模型包括依次连接的Input模块、Backbone模块和Head模块;

所述Backbone模块包括依次连接的第一CBS模块、第二CBS模块、第一C2f模块、第三CBS模块、第二C2f模块、第四CBS模块、第三C2f模块、第五CBS模块和第四C2f模块;所述Head模块由Classify模块构成;

所述CBS模块的激活函数如下:

式中,SiLU为激活函数,x为输入张量。

8.一种基于无人机与深度学习网络的桥梁支座病害识别系统,其特征在于,包括:路线规划模块,用以规划无人机巡检任务路线;

图像采集模块,用以无人机执行巡检任务,并采集目标桥梁的支座图像,以形成支座图像集;

图像处理模块,用以对所述支座图像集进行预处理,以获取标注图像集;

图像增强模块,用以构建并训练基于Real-ESRGAN网络的图像增强模型,将标注图像集输入到训练后的图像增强模型中,以生成超分图像集;

图像识别模块,用以构建基于YOLOv8网络的病害识别模型,通过超分图像集训练所述病害识别模型,以使所述病害识别模型识别并定位支座损伤。

9.一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述桥梁支座病害识别方法的步骤。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-7中任一项所述桥梁支座病害识别方法的步骤。