一种基于图像处理的桥梁结构安全评估方法与流程

本发明属于建筑工程技术领域，涉及多尺度有限元建模、机器学习算法、桥梁裂缝检测以及构件受荷试验与构件有限元建模。

背景技术：

在桥梁结构安全评估方面的发展现在如下：

首先，服役中的桥梁结构或构件所处的环境变化多端，如温差变化、淋雨或酸雨腐蚀等，有些甚至非常恶劣，同时，桥梁结构受到车辆荷载、风荷载等各种荷载的作用；

其次，桥梁结构运营之后，随着使用年限的增加，钢筋混凝土材料的工程结构或构件会在表面形成裂缝，从而引起的结构损伤，导致事故频繁发生，加速了桥梁结构安全评估方法的发展。

众所周知，通过对土木工程结构或构件关键部位进行定期桥梁结构安全评估，发现其异常状况，及时进行维修或替换、拆除等措施，能够避免灾害事故的发生及财产的损失。

但是由于一般的桥梁结构安全评估方法（包括层次分析法、打分排序法、荷载试验法等）所受干扰因素较大，同时会耗费大量的人力物力。因此，对桥梁工程进行桥梁结构安全评估的方法研究是非常必要的。鉴于荷载裂缝特征值（包括长度、平均宽度等）与构件整体性能存在一定联系，因此可以利用裂缝特征值来对桥梁结构进行安全评估，但是目前尚未查到将裂缝检测与基于裂缝特征值的桥梁结构安全评估结合的系统研究文献。

在桥梁裂缝特征值提取相关方面的技术发展如下：目前图像采集设备发展较快，对于桥梁裂缝的采集设备已经较为成熟，如爬壁机器人、无人机、双目视觉系统等；裂缝数字图像的处理技术目前也在高速发展，如二值化、边缘检测算法、pca等，也出现了不少利用深度学习来提取裂缝特征值的算法；除此之外，目前也存在将裂缝与桥梁构件损伤评估结合起来的试验理论内容。这些虽然可以实现对实桥的裂缝采集与特征提取，然而尚未形成一套完整的理论系统，使得基于裂缝特征的桥梁损伤评估只能停留在实验室的理论阶段，无法投入实际使用。

专利申请文献“一种桥梁裂缝检测装置及检测方法（cn201710054344.4）”仅能实现对桥梁裂缝的图像采集与基于数字图像处理的裂缝特征值提取，而实际桥梁结构中存在大量背景噪音，仅用数字图像处理较难实现桥梁裂缝的特征值完整提取；而且此种技术需要和其他技术如混凝土碳化检测、基础沉降等方法相结合才能实现对桥梁的结构安全评估，存在一定的局限性。

技术实现要素：

本发明的目的是针对上述技术问题，提供的一种基于图像处理的桥梁结构安全评估方法，可以实现模拟桥梁的构件在不同荷载状态下的裂缝开展情况，从而结合深度学习方法验证构件所处状态（如承载率、刚度折减系数等），实现对桥梁整体结构的安全评估，提高桥梁安全评估工作的工作效率和测量数据的可靠度，实用性强。为此，本发明采用以下技术方案：

一种基于图像处理的桥梁结构安全评估方法，其特征在于，包括如下步骤：

s1：对桥梁结构进行多尺度有限元建模，模拟实际桥梁结构荷载下关键构件的受力情况；所述关键构件是指桥梁结构的主要受力构件，比如混凝土梁、板。

s2：利用图像采集装置对实际桥梁中的关键构件进行裂缝图像的采集，并采用深度学习方法对裂缝图像进行处理，提取关键构件裂缝特征值。所述裂缝特征值可以是裂缝的最大高度、平均高度、最大宽度、平均宽度全部。

所述方法还包括以下步骤：

s3：进行实验室试验，得到不同尺寸和配筋的混凝土梁、板在不同荷载状态下的开裂情况；

s4：利用有限元软件对s3中实验室试验的混凝土梁、板进行建模模拟在s3步骤中荷载状态下的不同尺寸和配筋的混凝土梁、板的开裂情况，并用s3中的试验结果对s4步骤中的模型进行数值修正；进一步构建裂缝特征值与构件状态的样本库，训练神经网络模型；

所述方法还包括以下步骤：

s5：利用s2中的实际桥梁关键构件裂缝特征值与s4中的神经网络模型，实现对实际桥梁的桥梁结构安全评估。

进一步地，所述步骤s2具体包括：

1）建立图像采集装置与计算机的联系，通过无线通讯将裂缝图像实时传输到计算机；

2）收集可获得的开源桥梁裂缝图片得到样本集，对裂缝与非裂缝区域进行标记，训练得到能够识别裂缝区域的深度学习网络，并利用该深度学习网络对步骤1）中的裂缝图像进行裂缝区域识别；

3）对步骤2）中开源桥梁裂缝图片得到的样本集进行处理，训练得到提取裂缝特征值的深度学习网络，对经过步骤2）处理后的裂缝区域进行裂缝特征值的提取。

进一步地，所述步骤s3具体包括：对实际桥梁中所可能采用的构件截面以及不同的钢筋配比，对不同尺寸和配筋的梁、板构件进行实验室验证，收集上述构件在不同荷载状态下的裂缝开裂情况数据。

进一步地，所述步骤s4具体包括：运用有限元模型对s3中实验室试验的混凝土梁、板进行建模模拟在s3步骤中荷载状态下的构件开裂情况，并用s3中的试验结果对s4步骤中有限元模型的数值进行修正。并运用有限元进行混凝土梁、板构件的进一步模拟，得到更多不同尺寸和配筋的混凝土梁、板中裂缝特征值与该构件承载率与刚度折减率的数据样本，从而训练得到神经网络模型。

进一步地，所述图像采集装置负载在爬壁机器人上。

进一步地，步骤s1中的关键构件和所述步骤s3中的实验室试验对象混凝土梁、板为相同或为同一类构件或存在对应关系。

本发明提供的一种基于图像处理的桥梁结构安全评估方法，利用有限元建模与图像处理的方法对不同构件的开裂状态进行模拟和裂缝特征值提取，通过机器学习方法建立裂缝特征值与构件状态（承载率等）的联系，突破了传统桥梁安全评估的局限性，拓展了机器学习方法在桥梁工程中的应用，具有操作便捷、智能化程度高、精度高的优点，为进一步拓展桥梁结构安全评估的研究方向，提供了有益的探索和参考价值。

附图说明

通过结合以下附图所作的详细描述，本发明的上述优点将变得更清楚和更容易理解，这些附图只是示意性的，并不限制本发明：

图1是本发明所述一种基于图像处理的桥梁结构安全评估方法的流程图。

具体实施方式

下面结合具体附图详细描述本发明具体实施例，对本发明一种基于图像处理的桥梁结构安全评估方法及装备进行详细说明。

在此记载的实施例为本发明的特定的具体实施方式，用于说明本发明的构思，均是解释性和示例性的，不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外，本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案，这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案。

如图1所示，本发明提供一种基于图像处理的桥梁结构安全评估方法，具体包括如下步骤：

s1：对桥梁结构进行多尺度有限元建模，模拟实际桥梁结构荷载下关键构件的受力情况；所述桥梁结构包括几何、材料参数、配筋、边界约束刚度等局部细节，所述关键构件为主要受力的梁和板构件。

s2：利用爬壁机器人等装置对实桥中s1中的关键构件进行裂缝图像的采集，并采用深度学习方法对裂缝图像进行处理，提取关键构件上裂缝的最大高度、平均高度、最大宽度和平均宽度特征值。其中具体包括建立裂缝图像采集装置与计算机的联系，通过无线通讯将裂缝图像实时传输到计算机；然后收集可获得的开源桥梁裂缝图片得到样本集，对样本集中地裂缝与非裂缝区域进行标记，训练得到能够识别裂缝区域的深度学习网络，并利用该网络对由裂缝图像采集装置采集的图像进行裂缝区域识别；同样对开源裂缝图片进行像素层面的处理，训练得到提取裂缝特征值的深度学习网络，最终对经过裂缝区域判断后的裂缝区域进行裂缝特征值的提取，获得实际桥梁的关键构件裂缝特征值；

s3：进行实验室试验，得到不同尺寸和配筋的梁、板构件在不同荷载状态下的裂缝特征值，具体为对实际桥梁中所可能采用的构件截面如梁、板以及不同的钢筋配比，对不同尺寸和配筋的梁、板构件进行实验室验证，收集上述构件在不同荷载状态下的裂缝开裂情况数据；

s4：运用有限元模型对s3中实验室试验的混凝土梁、板构件进行建模模拟在s3步骤中荷载状态下的构件开裂情况，并用s3中的试验结果对s4步骤中有限元模型的数值进行修正。并运用有限元进行混凝土梁、板构件的进一步模拟，得到更多不同尺寸和配筋的混凝土梁、板中裂缝特征值与该构件承载率与刚度折减率的数据样本，从而训练得到神经网络模型；

s5：利用s2中的实桥关键构件裂缝特征值与s4中的神经网络模型，得到实桥关键构件的承载率与刚度折减率，实现对实桥的桥梁结构安全评估。

本发明不局限于上述实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。