论文题目：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。
关键词：深度学习;计算机视觉;损伤识别;参数反演;裂缝
学科专业：桥梁与隧道工程
摘要
ABSTRACT
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 基于计算机视觉的桥梁快速检测平台方面
1.2.2 基于深度学习的结构外观检测方面
1.2.3 混凝土结构内部缺陷参数识别方面
1.3 目前研究存在的问题
1.4 本文主要研究内容
1.5 总体技术路线
1.6 本文创新点
第2章 基于计算机视觉的桥梁快速检测平台建立
2.1 引言
2.2 桥梁快速检测车整体方案设计
2.2.1 整体设计及功能要求
2.2.2 桥梁快速检测车工作原理
2.2.3 桥梁快速检测车功能及模块设计
2.2.4 桥梁快速检测车的检测界限分析
2.3 桥梁快速检测车静/动力特性分析
2.3.1 伸展机械臂设计
2.3.2 强度校核
2.3.3 模态分析
2.4 拓展应用
2.5 桥梁现场检测案例
2.6 本章小结
第3章 基于双流网络的桥面缺陷细粒度分类方法
3.1 引言
3.2 深度学习的基础理论
3.2.1 卷积神经网络基本理论
3.2.2 基于深度卷积神经网络的图像分类算法
3.3 基于双线性融合的多层级特征CNN桥面缺陷细粒度分类算法
3.3.1 TBC-Net网络架构
3.3.2 迁移学习
3.3.3 损失函数及学习率衰减策略
3.3.4 全局平均池化
3.3.5 激活函数
3.4 桥面缺陷数据集的构建
3.4.1 桥面缺陷样本数据集
3.4.2 数据分析统计
3.4.3 图像预处理
3.4.4 数据增强
3.5 实验内容及结果分析
3.5.1 实验设计
3.5.2 软硬件环境
3.5.3 实验细节
3.5.4 实验结果及对比分析
3.5.5 智能手机实验应用
3.6 本章小结
第4章 强图像背景干扰下桥梁局部损伤识别与定位方法
4.1 引言
4.2 基于深度学习的目标检测算法网络架构
4.2.1 目标检测算法基本概念
4.2.2 两阶段目标检测算法
4.2.3 单阶段目标检测算法
4.3 TBO-Net网络框架
4.3.1 YOLOv3网络架构
4.3.2 改进与优化
4.4 桥梁缺陷目标检测数据集
4.4.1 桥梁缺陷数据集原始图像
4.4.2 图像标记
4.4.3 数据增强
4.5 实验验证及对比分析
4.5.1 实验结果与对比
4.5.2 实验拓展应用
4.6 本章小结
第5章 基于弱监督学习的多类型桥梁裂缝语义分割算法
5.1 引言
5.2 经典的图像分割方法
5.2.1 基于聚类的图像分割算法
5.2.2 基于概率统计的图像分割算法
5.2.3 基于机器学习的图像分割算法
5.3 基于深度学习的语义分割理论基础
5.3.1 语义分割上采样方法
5.3.2 FCN网络架构
5.3.3 SegNet网络架构
5.3.4 U-Net网络架构
5.3.5 Deeplab网络架构
5.3.6 RefineNet网络架构
5.4 基于弱监督学习的桥梁裂缝识别算法网络架构
5.4.1 自编码器
5.4.2 K-means算法
5.4.3 基于弱监督学习的桥梁裂缝语义分割算法
5.5 桥梁裂缝数据集
5.5.1 原始图像数据
5.5.2 数据统计
5.5.3 图像预处理及数据增强
5.6 实验结果与对比分析
5.6.1 实验数据及实验环境
5.6.2 网络训练参数
5.6.3 实验过程与结果分析
5.7 桥梁裂缝语义分割结果的定量分析
5.8 本章小结
第6章 基于外观的钢筋混凝土梁内部损伤反演分析方法
6.1 引言
6.2 构件内部多缺陷参数反演模型与粒子群优化算法
6.2.1 弹性域正问题描述
6.2.2 反演模型建立
6.2.3 反演模型的最优化求解
6.2.4 粒子群优化算法介绍
6.2.5 优化步骤
6.3 基于扩展有限元法的非连续域描述
6.3.1 扩展有限元法应用
6.3.2 求解域离散
6.3.3 非连续问题数学描述
6.3.4 非连续问题控制方程离散化
6.4 扩展有限元的动态响应分析及反演分析方法的数值实现流程
6.4.1 动力方程差分求解
6.4.2 动力控制离散化
6.4.3 通用有限元软件ABAQUS脚本语言的内核运算
6.4.4 反演分析方法的数值实现流程
6.5 钢筋混凝土构件损伤识别加载试验
6.5.1 试验设计与试件制备
6.5.2 钢筋混凝土梁弯曲加载裂缝扩展试验
6.5.3 动态锤击试验
6.6 基于XFEM的钢筋混凝土梁数值模型
6.6.1 模型建立
6.6.2 模型验证
6.7 反演优化分析结果
6.7.1 基于静态再加载试验的裂缝扩展深度反演
6.7.2 基于动态锤击试验反演裂缝扩展深度
6.8 讨论
6.9 本章小结
第7章 结论与展望
7.1 结论
7.2 展望
参考文献
致谢