混凝土构件损伤检测与评估方法及其系统与流程

本技术涉及受损建筑结构损伤检测，特别是涉及一种混凝土构件损伤检测与评估方法及其系统。

背景技术：

1、钢筋混凝土(reinforced concrete，简称rc)结构在我国建筑结构中应用广泛，此类结构在服役期间出现劣化的问题较为突出，并且在遭遇破坏性地震后易出现较大程度的损伤。针对受损rc结构进行损伤检测，并对震后结构的安全性进行评估，可为判断rc结构的安全性以及rc结构的维护、维修和加固或拆除提供科学的评判和决策依据，对规避和控制灾害具有重要意义。

2、目前，针对rc结构的损伤检测方法主要为人工检测，依靠结构工程专业技术人员在工程或震害现场进行检查或调查，通过肉眼观察、拍照等手段结合使用裂缝尺、裂缝观测仪等工具，记录受损rc结构的表观损伤现象。然而，使用该方法易造成错检、漏检，由于检测的主观性较强，导致检测准确率较低。同时，检测过程耗时费力，也使该方法难以满足震后结构损伤快速检测的要求。随着数字图像处理技术和机器学习方法的日益成熟，检测人员在现场采集到受损结构构件图像后，可通过图像预处理、降噪、特征提取和特征分类等操作来检测图像中的损伤目标。然而，检测人员所采集的图像，往往干扰较多且背景信息复杂，损伤目标亦复杂多样，而基于图像处理和传统机器学习的检测方法一般使用人工设计特征，其层次级别较低，代表性和可分性不足，使基于传统计算机视觉的损伤检测方法较难适应复杂多样的结构损伤检测。

3、为提高建筑结构损伤检测的效率和准确率，近年来，工程人员使用基于卷积神经网络(convolutionalneuralnetwork，简称cnn)的深度学习方法来识别结构损伤。深度学习方法相比传统的机器学习方法具有更强大的特征学习和表达能力，可提取图像中更加多样和抽象的特征。目前，针对rc结构的损伤识别，基于cnn的方法主要分为基于目标检测的方法和基于图像分割的方法，前者典型代表有faster r-cnn，已被用于钢结构病害和rc结构裂缝的检测，但仅能对损伤进行分类和定位，若要分析损伤的物理参数，如裂缝宽度、长度等，需要在使用cnn模型得到损伤类型和位置信息的基础上，附加采用大量复杂的图像处理操作。后者的典型代表有u-net，已被用于rc结构损伤的检测，但仅能对损伤进行分类和语义分割，无法直接确定损伤在结构中的位置。

4、因此，针对量大面广的rc结构构件，传统的rc构件损伤检测评估的方法无法一次性完成常见损伤类型的定位、分类和分割，在对rc构件损伤检测评估时需要大量的人力成本，且检测评估结果往往不够准确。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能有效节省人力成本、一次性完成损伤定位、分类和分割且检测评估结果较准确的混凝土构件损伤检测与评估方法及其系统。

2、第一方面，本技术提供一种混凝土构件损伤检测与评估方法，所述方法包括：

3、获取第一图像并对所述第一图像进行裁剪，以获取第二图像，所述第一图像为已有试验及实际工程中受损混凝土构件的局部图像，所述第二图像为适应损伤目标分割模型的混凝土构件的损伤图像；

4、获取标注文件和标注图像，所述标注文件为通过多段线对所述第二图像标注后生成的，所述标注图像为所述多段线对所述第二图像标注后生成的图像；

5、对所述标注文件进行处理以适应所述损伤目标分割模型，并在所述标注图像和标注文件对目标分割模型训练后，获取相应的最优权重参数；

6、获取第三图像，并基于所述最优权重参数和损伤目标分割模型对所述第三图像进行识别，以得到所述第三图像中混凝土构件损伤的掩码和损伤类型，所述第三图像为待检测混凝土构件的损伤图像；

7、当所述待检测混凝土构件的损伤类型为裂缝时，基于所述裂缝的掩码提取第一像素点，所述第一像素点为所述待检测混凝土构件真实裂缝对应的像素点；

8、获取图像采集设备的像素解析度，并根据所述像素解析度获取所述第一像素点和其他损伤掩码对应的几何参数。

9、在其中一个实施例中，所述获取第三图像，并基于所述最优权重参数和损伤目标分割模型对所述第三图像进行识别，包括：

10、通过所述图像采集设备多次对所述待检测混凝土构件进行拍照，以得到多个相互具有重叠区的图像；

11、基于surf算法的图像拼接方法将所述多个相互具有重叠区的图像拼接成全景图像，以消除所述重叠区；

12、通过对所述全景图像进行裁剪，得到所述第三图像。

13、在其中一个实施例中，所述方法还包括：

14、通过mask r-cnn卷积神经网络对所述第三图像进行识别，以获取待检测混凝土构件的损伤类型、边界框和位于所述边界框内的掩码；

15、建立与损伤程度相对应的损伤等级标准，所述损伤程度为预先设置的用于判定损伤等级的配置参数；

16、基于所述损伤类型、损伤程度和损伤等级标准创建数据库。

17、在其中一个实施例中，所述损伤类型包括混凝土裂缝、保护层剥落、混凝土压碎、钢筋露出、钢筋屈曲和断裂；

18、所述数据库中包括所述损伤类型、损伤等级标准以及所述损伤程度与损伤等级标准之间的对应关系，用于对所述第三图像进行评估，以获取所述待检测混凝土构件的损伤等级。

19、在其中一个实施例中，所述获取第三图像，并基于所述最优权重参数和损伤目标分割模型对所述第三图像进行识别，之后包括：

20、截取所述裂缝掩码所在边界框内的图像；

21、对所述边界框内图像进行滤波去噪，去除所述裂缝掩码以外的像素点，并进行阈值分割和形态学分析，以提取出第一像素点。

22、在其中一个实施例中，所述获取图像采集设备的像素解析度，包括：

23、获取所述图像采集设备标定后的内外参数；

24、根据所述标定后的内外参数进行计算，以获取所述像素解析度。

25、在其中一个实施例中，所述方法还包括：

26、提取所述第一像素点之后，通过形态学分析确定所述第一像素点的中心线；

27、基于所述中心线与所述第一像素点边缘的间距，获取所述第一像素点的几何参数；

28、通过所述第一像素点的最小外接矩形的倾角获取所述第一像素点的倾角；

29、其中，所述几何参数包括第一像素点的宽度和长度。

30、第二方面，本技术提供一种混凝土构件损伤检测与评估系统，所述系统包括：

31、图像获取模块，用于获取第一图像并对所述第一图像进行裁剪，以获取第二图像，所述第一图像为已有试验及实际工程中受损混凝土构件的局部图像，所述第二图像为适应损伤目标分割模型的混凝土构件的损伤图像；

32、标注模块，用于获取标注文件和标注图像，所述标注文件为通过多段线对所述第二图像标注后生成的，所述标注图像为所述多段线对所述第二图像标注后生成的图像；

33、模型训练模块，用于对所述标注文件进行处理以适应所述损伤目标分割模型，并在所述标注图像和标注文件对目标分割模型训练后，获取相应的最优权重参数；

34、损伤识别模块，用于获取第三图像，并基于所述最优权重参数和损伤目标分割模型对所述第三图像进行识别，以得到所述第三图像中混凝土构件损伤的掩码和损伤类型，所述第三图像为待检测混凝土构件的损伤图像；

35、提取模块，用于当所述待检测混凝土构件的损伤类型为裂缝时，基于所述裂缝的掩码提取第一像素点，所述第一像素点为所述待检测混凝土构件真实裂缝对应的像素点；

36、损伤解析模块，用于获取图像采集设备的像素解析度，并根据所述像素解析度获取所述第一像素点和其他损伤掩码对应的几何参数。

37、第三方面，本技术提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

38、获取第一图像并对所述第一图像进行裁剪，以获取第二图像，所述第一图像为已有试验及实际工程中受损混凝土构件的局部图像，所述第二图像为适应损伤目标分割模型的混凝土构件的损伤图像；

39、获取标注文件和标注图像，所述标注文件为通过多段线对所述第二图像标注后生成的，所述标注图像为所述多段线对所述第二图像标注后生成的图像；

40、对所述标注文件进行处理以适应所述损伤目标分割模型，并在所述标注图像和标注文件对目标分割模型训练后，获取相应的最优权重参数；

41、获取第三图像，并基于所述最优权重参数和损伤目标分割模型对所述第三图像进行识别，以得到所述第三图像中混凝土构件损伤的掩码和损伤类型，所述第三图像为待检测混凝土构件的损伤图像；

42、当所述待检测混凝土构件的损伤类型为裂缝时，基于所述裂缝的掩码提取第一像素点，所述第一像素点为所述待检测混凝土构件真实裂缝对应的像素点；

43、获取图像采集设备的像素解析度，并根据所述像素解析度获取所述第一像素点和其他损伤掩码对应的几何参数。

44、第四方面，本技术提供一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

45、获取第一图像并对所述第一图像进行裁剪，以获取第二图像，所述第一图像为已有试验及实际工程中受损混凝土构件的局部图像，所述第二图像为适应损伤目标分割模型的混凝土构件的损伤图像；

46、获取标注文件和标注图像，所述标注文件为通过多段线对所述第二图像标注后生成的，所述标注图像为所述多段线对所述第二图像标注后生成的图像；

47、对所述标注文件进行处理以适应所述损伤目标分割模型，并在所述标注图像和标注文件对目标分割模型训练后，获取相应的最优权重参数；

48、获取第三图像，并基于所述最优权重参数和损伤目标分割模型对所述第三图像进行识别，以得到所述第三图像中混凝土构件损伤的掩码和损伤类型，所述第三图像为待检测混凝土构件的损伤图像；

49、当所述待检测混凝土构件的损伤类型为裂缝时，基于所述裂缝的掩码提取第一像素点，所述第一像素点为所述待检测混凝土构件真实裂缝对应的像素点；

50、获取图像采集设备的像素解析度，并根据所述像素解析度获取所述第一像素点和其他损伤掩码对应的几何参数。

51、上述混凝土构件损伤检测与评估方法及其系统，通过对已有实验及实际工程中受损混凝土构件的局部图像进行裁剪，来获得适应目标分割模型的混凝土构件损伤图像。随后通过多段线对混凝土构件的损伤图像进行标注来获得相应的标注文件和标注图像，再通过适应损伤目标分割模型训练要求的标注文件和标注图像对损伤目标分割模型进行训练，来获取混凝土构件损伤图像的最优权重参数。然后，通过获取待检测混凝土构件的损伤图像并基于该最优权重参数和训练后的损伤目标分割模型对待检测混凝土构件的损伤图像进行识别，即可分割出待检测混凝土构件损伤的掩码，并从裂缝掩码中提取待检测混凝土构件真实的裂缝像素点。最后根据图像采集设备的像素解析度获取待检测混凝土构件损伤的真实损伤像素点和其他损伤掩码对应的几何参数，工作人员可根据混凝土构件损伤的损伤像素的几何参数完成混凝土构件损伤的检测和评估。该方法基于损伤目标分割模型的分割结果并结合相应的图像处理操作，得到混凝土构件的损伤类型和位置，并自动统计混凝土构件表面的损伤像素信息，无需检测人员现场测量和记录，且能一次性完成损伤定位、分类和分割。在一定程度上节约了人力，且降低了人为测量产生的误差，提高了混凝土构件损伤检测和评估的准确性。