基于Yolov5模型和红外图像的预应力管道灌浆质量检测方法

本发明一般地涉及预应力管道灌浆质量检测领域，特别地，本发明涉及一种基于yolov5模型和红外图像的预应力管道灌浆质量检测方法。

背景技术：

1、预应力管道又称波纹管，在预应力混凝土结构中，预应力管道灌浆质量直接影响整体结构的承载能力和耐久性，由于灌浆不密实导致的预应力管道内钢绞线锈蚀，预应力提前丧失，可对桥梁使用寿命造成严重影响，因此预应力管道灌浆质量的有效检测是工程人员普遍关心的一个问题。

2、预应力管道灌浆不密实的情况可以分为三类：一是由于灌浆料泌水导致管道上部出现空洞；二是灌浆过程中灌浆料泄露以及灌浆结束阶段没有稳压过程导致的部分灌浆；三是由于管道内部堵塞造成的部分节段无灌浆。其中，造成管道内无灌浆料的原因有很多，如在实际工程中预应力钢筋是由钢丝绑扎在一起的，在穿束过程中这些钢丝很有可能在管道变形处聚集，使得灌浆时灌浆料堵塞；因管道内部存在一些杂物而造成管道堵塞；若管道表面有孔洞，混凝土在浇筑的过程中可能流至管道内部导致管道堵塞。

3、目前，已发展出一些预应力管道灌浆质量的检测方法。例如冲击回波法、地质雷达法和传统超声波法。其中研究和应用最广泛的是冲击回波法，但该方法利用低频波导，致分辨率很低、难以检测双层预应力管道以及塑料管道。金属对电磁波的屏蔽效应导致探地雷达法只适用于塑料预应力管道的检测，且其检测结果受结构内部钢筋网的影响较大。传统超声波检测预应力管道灌浆密实度的方法分为超声透射法和超声回波法。超声透射法在实际检测中有时难以实现需要具备两个工作面的条件；超声回波法存在着超声传播路径长、信噪比低等问题。此外，由于桥梁结构通常布设有多层预应力管道，现有的方法一般在混凝土结构整体浇筑完毕后进行检测，多个管道界面之间相互干扰从而大大降低检测的准确性。

4、例如公开号为cn113945641a的中国专利文献，披露了一种基于超声波的预应力管道灌浆质量检测方法，其特征是将压电陶瓷换能器预埋在预应力管道内部和表面，分别用以发射和接收超声波信号；采用小波包变换逐层分解超声波信号，构建所有小波包分量的能量分布矩阵；建立卷积神经网络模型，将小波包分量组成的能量分布矩阵输入到模型中进行预应力管道灌浆质量的评估。上述技术方案的方法能够实现沿预应力管道长度方向上长距离灌浆缺陷类型以及缺陷尺寸的识别。

5、通过实践情况来看，上述方法检测速度慢，检测成本高，检测局限性较大。

技术实现思路

1、为了解决现有技术中的上述技术问题，本发明提供了一种基于yolov5模型和红外图像的预应力管道灌浆质量检测方法。

2、本发明提供的一种基于yolov5模型和红外图像的预应力管道灌浆质量检测方法，包括：构建预应力管道红外图像数据集；构建基于改进yolov5网络模型；训练模型，得到预应力管道缺陷检测模型；根据所述预应力管道缺陷检测模型，对采集的红外图像进行检测，以判断预应力管道是否存在故障。

3、在一个实施例中，构建预应力管道红外图像数据集包括：对采集的红外图像进行标注以得到已标注的红外图像，对已标注的红外图像进行数据增广以得到所述预应力管道红外图像数据集。

4、在一个实施例中，对采集的红外图像进行标注以得到已标注的红外图像，包括：将灌浆饱满的预应力管道红外图像区域标注为无预应力管道缺陷区域，将灌浆不饱满的预应力管道红外图像区域标注为有预应力管道缺陷区域；其中，当预应力管道红外图像有某一区域温度与周围区域温差大于设定值时，该区域为灌浆缺陷区域。

5、在一个实施例中，对已标注的红外图像进行数据增广以得到所述预应力管道红外图像数据集，包括：采取cutmix、mosaic、随机裁剪、翻转、随机排布、改变亮度和对比度方法对已标注的红外图像进行数据增广。

6、在一个实施例中，所述改进yolov5网络模型包括：使用ghostbottleneck模块替换掉c3模块中的bottleneck模块，将之命名为c3ghost模块；在yolov5网络模型的backbone结构中的第二个和第三个c3ghost模块后加入se注意力模块，在sppf模块后加入se注意力模块。

7、在一个实施例中，训练模型得到预应力管道缺陷检测模型包括：采用自适应学习率参数更新算法更新网络的参数值。

8、本发明的技术方案具有以下有益技术效果：将人工智能技术与缺陷检测技术相结合，利用改进yolov5模型实现预应力管道灌浆缺陷红外图像的特征提取、识别、目标定位等过程，克服人工特征提取的不足，深层次数据挖掘所含信息，实现了预应力管道灌浆缺陷的快速检测识别。

9、本发明在同类数据增强的预处理基础上，加入cutmix和mosaic方法对数据集进行增广，加强了模型的鲁棒性，而且cutmix和mosaic方法数据增强方法所产生的计算开销非常小。

10、本发明用ghostbottleneck模块替换掉原有的bottleneck模块，大大降低了模型的参数量和计算量，提升了模型运行的速度，为实时检测做基础。将被替换bottleneck模块的c3模块命名为c3ghost模块。通过在backbone结构中的第二个和第三个c3ghost模块后加入se注意力模块，在sppf模块后加入se注意力模块，提升了因引入ghostbottleneck模块小幅下降的检测精度，在模型大幅压缩下依旧拥有较高精度。

11、本发明所使用的yolov5网络模型基于pytorch深度学习框架搭建，该框架同时支持windows和linux操作系统，使得其易于移植、部署在嵌入式设备或移动端平台中。

技术特征：

1.一种基于yolov5模型和红外图像的预应力管道灌浆质量检测方法，包括：

2.根据权利要求1所述的基于yolov5模型和红外图像的预应力管道灌浆质量检测方法，其特征在于，构建预应力管道红外图像数据集包括：对采集的红外图像进行标注以得到已标注的红外图像，对已标注的红外图像进行数据增广以得到所述预应力管道红外图像数据集。

3.根据权利要求2所述的基于yolov5模型和红外图像的预应力管道灌浆质量检测方法，其特征在于，对采集的红外图像进行标注以得到已标注的红外图像，包括：将灌浆饱满的预应力管道红外图像区域标注为无预应力管道缺陷区域，将灌浆不饱满的预应力管道红外图像区域标注为有预应力管道缺陷区域；其中，当预应力管道红外图像有某一区域温度与周围区域温差大于设定值时，该区域为灌浆缺陷区域。

4.根据权利要求3所述的基于yolov5模型和红外图像的预应力管道灌浆质量检测方法，其特征在于，对已标注的红外图像进行数据增广以得到所述预应力管道红外图像数据集，包括：采取cutmix、mosaic、随机裁剪、翻转、随机排布、改变亮度和对比度方法对已标注的红外图像进行数据增广。

5.根据权利要求1所述的基于yolov5模型和红外图像的预应力管道灌浆质量检测方法，其特征在于，所述改进yolov5网络模型包括：使用ghostbottleneck模块替换掉c3模块中的bottleneck模块，将之命名为c3ghost模块；在yolov5网络模型的backbone结构中的第二个和第三个c3模块后加入se注意力模块，在sppf模块后加入se注意力模块。

6.根据权利要求1所述的基于yolov5模型和红外图像的预应力管道灌浆质量检测方法，其特征在于，训练模型得到预应力管道缺陷检测模型包括：采用自适应学习率参数更新算法更新网络的参数值。

技术总结
本发明涉及一种基于Yolov5模型和红外图像的预应力管道灌浆质量检测方法，包括：构建预应力管道红外图像数据集；构建基于改进Yolov5网络模型；训练模型，得到预应力管道缺陷检测模型；根据所述预应力管道缺陷检测模型，对采集的红外图像进行检测，以判断预应力管道是否存在故障。本发明将人工智能技术与缺陷检测技术相结合，利用改进Yolov5模型实现预应力管道灌浆缺陷红外图像的特征提取、识别、目标定位等过程，克服人工特征提取的不足，深层次数据挖掘所含信息，实现了预应力管道灌浆缺陷的快速检测识别。

技术研发人员：崔灿,孙世纪,郑鹏飞,韩山岭,高兴,李胜利
受保护的技术使用者：郑州大学
技术研发日：
技术公布日：2024/1/13