基于深度学习与反演优化分析的桥梁局部损伤识别方法研究

摘要

桥梁工程是涉及到国计民生的重要生命线工程，由于缺少现代化的检测方法及智能化的手段，全世界的很多桥梁都面临着年久失修，却常年带病工作的共性问题。在“交通强国”和“新基建”的时代背景下，开展土木、信息、力学等多学科跨领域的集成创新研究，将促进桥梁计算理论、管养模式、安全评估等方面的技术革新，提高桥梁检测装备的使用效能，减轻劳动强度，从而延长桥梁结构的使用寿命，减小运营成本，从根本上提高经济和社会效益。　　本文结合深度学习、计算机视觉与反演分析理论，首先针对桥梁检测过程中遇到的问题，研制了新型桥梁快速检测平台；然后根据桥梁缺陷的数据特点分别提出了桥面缺陷的图像分类算法、桥梁结构缺陷的目标检测算法以及桥梁裂缝的语义分割算法；最后结合非接触图像测量的方法，应用扩展有限元与粒子群优化算法对钢筋混凝土结构内部的裂缝扩展深度进行反演，主要创新工作与研究成果如下：　　（1）研制了基于计算机视觉的桥梁快速检测平台，开发了多平台车载桥梁快速检测系统，包含多个新型检测装备，集成了图像采集、GIS寻迹、远距离图像传输、无线动力控制等多个传感器工作模块；应用增稳模块，补偿图像采集端的自然晃动，保证图像采集端的姿态平衡与流畅过渡；建立伸缩机构和垂直臂动力学模型，进行结构强度校核并分析作业过程结构动力特性，掌握臂架负载特征与动态特性；对民用车辆加装CCD图像采集模块，可实时的对桥面缺陷进行快速巡检。　　（2）首先基于（1）中采集到的各类不同背景下的桥梁缺陷图像，制作了包含14种桥面缺陷图像、4种桥梁结构缺陷图像以及6种不同背景下的桥梁裂缝图像的桥梁典型缺陷样本数据库。其次针对桥面裂缝无法快速检测及识别的问题，提出了基于双流网络的桥面缺陷细粒度分类算法（TBC-Net），试验结果表明，训练好的模型，对14种桥面缺陷的分类检测准确率高达92.3%；针对复杂光影背景下桥梁结构外观损伤的识别定位难题，提出了桥梁结构损伤分类识别和区域定位的深度学习目标检测算法（TBO-Net）。在单目标检测算法的基础上优化了网络结构及损伤函数，采用具有置信度的矩形识别框实现了对多类型桥梁结构局部损伤分类及定位，对桥梁结构的裂缝、剥落、露筋和游离石灰四类缺陷的平均精度达90.43%；针对边缘检测中多类别裂缝难以提取的关键问题，提出了基于弱监督学习的桥梁裂缝语义分割算法（TBS-Net），对桥梁结构裂缝（包含水下结构裂缝）、混凝土桥面裂缝及沥青混凝土桥面裂缝等不同背景下的桥梁裂缝进行像素级检测及定量识别，准确率达94.2%。　　（3）综合（1）、（2）的研究成果并基于数字图像相关（DIC）非接触式图像测量技术，提出了钢筋混凝土结构内部裂缝参数反演分析方法。结合动态扩展有限元法和粒子群优化算法，建立了内部裂缝扩展深度的反演分析模型，推导了结构非连续问题中的有限元变分过程，通过钢筋混凝土梁的加载、卸载实验，利用联合数值仿真技术验证了提出的反演分析模型与方法的合理性和有效性，对比静态、动态两种反演优化方案的优缺点，发现参与反演分析时的测量响应数据应尽量采用动力方式获得，建立的反演分析模型能准确获得钢筋混凝土梁类结构内部存在的裂缝扩展深度。　　综上，本研究主要包含装备平台创新、智能算法创新、损伤识别方法创新，应用提出的方法可以对桥梁结构的局部缺陷由表及里的进行全方位的损伤识别。

目录