本发明涉及路面检测技术领域，特别涉及一种桥梁载荷损伤识别方法及系统。
背景技术：
桥梁结构在服役期间，长期承受着风荷载、车辆荷载、人群荷载、以及地震荷载等随机荷载的作用，产生疲劳现象。重复作用的疲劳荷载所引起的应力水平虽然远低于强度屈服极限，但会有较强烈的应力集中现象产生，最终会导致突然的破坏，这种破坏称为疲劳破坏。它是一种结构材料在重复荷载作用下发生的低于静载强度的脆性破坏。
在上述的作用力中，尤以车辆荷载为最主要的因素，其作用力大、频率高、且作用时间长，造成的桥梁结构的疲劳损伤最大。由于日常生活中长期作用于桥梁结构上的各种实际车辆荷载，导致了桥梁结构构件的疲劳损伤累积。
目前，发现桥梁路面损伤的方法主要依靠于人工巡检，费时、费力、效率低下。人工巡检方式不能够及时发现桥梁路面的损伤，同时由于桥梁路面车辆较多，对工作人员也造成一定的安全隐患。
也有一些安装在桥区的摄像头用于监控桥梁车流，但显然不可能覆盖到桥梁路面的每个区域，且对于采集的图像仍需要人工处理和判断。而且采集的图像实时记录会产生大量的数据，会给后续数据存储、数据传输、数据处理带来压力。因此，现有的桥梁路面监控系统无法自动判断桥梁路面是否因车辆载荷造成损伤，更不能实时、在线、自动、智能化的判断损伤程度，并根据判断结果自动通知相关部门进行处理。
综上所述，亟需一种桥梁载荷损伤识别系统及方法，能够有效的自动识别桥梁路面因车辆载荷所产生的损伤，并能够准确判断损伤程度。
技术实现要素：
本发明的目的是提供一种桥梁车辆载荷损伤识别方法及系统，能够自动识别所采集的桥梁路面图像中桥梁载荷损伤区域，并判断损伤程度，将判断结果和图像的采集位置发送给控制中心，同时还能够自动根据桥梁路面损伤程度生成对应的报警信息并报告给控制中心。
为了达到上述目的，本发明提供一种桥梁车辆载荷损伤识别方法，包含步骤：
s1、在桥梁上方设置若干个图像采集模块和若干gps模块，一个图像采集模块对应一个gps模块；通过图像采集模块采集桥梁路面图像，通过与该图像采集模块对应的gps模块获取该图像采集模块的位置信息；
s2、将所述桥梁路面图像划分为若干个大小相同的子图像；
s3、人工对所述子图像中的车辆、桥梁路面损伤区域进行标注；并对将标注后的部分子图像作为训练集，剩余的子图像作为验证集；
s4、通过所述训练集和验证集预训练第一、第二神经网络模型；所述第一神经网络模型用于从所述子图像中识别车辆；所述第二神经网络模型用于从不包含车辆的子图像中识别桥梁路面损伤区域；
s4、将实时采集的桥梁路面图像划分为若干个对应的子图像，将该子图像输入训练好的第一、第二神经网络模型，识别该子图像中的桥梁路面损伤区域；计算得到该桥梁路面损伤区域在对应子图像的占比；
s5、若所述占比超过设定的第一阈值，将该子图像对应的所述位置信息、所述占比发送给控制中心。
优选的，所述若干个图像采集模块能够采集桥头至桥尾的全部桥梁路面图像。
优选的，步骤s1中还包含：按照设定的分辨率对采集的桥梁路面图像按像素进行压缩，划分压缩后的桥梁路面图像为若干个对应的子图像。
优选的，所述桥梁车辆载荷损伤识别方法，还包含步骤s6：若所述占比大于所述第一阈值且低于第二阈值，生成第一报警信息并发送给控制中心；若所述占比大于所述第二阈值，生成第二报警信息并发送给控制中心；其中第二阈值大于第一阈值。
优选的，所述第一、第二神经网络模型均为cnn卷积神经网络模型。
本发明还提供一种桥梁载荷损伤识别系统，用于实现本发明所述的桥梁载荷损伤识别，所述系统包含：
若干个图像采集模块，设置在桥梁上方，用于采集桥梁路面图像；
若干个gps模块，设置在桥梁上方，一个gps模块对应一个图像采集模块，通过gps模块采集对应的图像采集模块的位置信息；
数据处理模块，其通讯连接所述图像采集模块和gps模块；所述数据处理模块包含图像划分模块、第一、第二神经网络模型；通过所述图像划分模块将图像采集模块采集的桥梁路面图像划分为对应的若干个子图像；所述第一神经网络模型用于从所述子图像中识别车辆；所述第二神经网络模型用于从不包含车辆的子图像中识别桥梁路面损伤区域；
通讯模块，用于实现所述图像采集模块与数据处理模块之间、所述gps模块与数据处理模块之间、数据处理模块与控制中心之间的数据传输。
优选的，所述数据处理模块还包含计算模块，所述计算模块根据第二神经网络模型识别的子图像中的桥梁路面损伤区域，计算该桥梁路面损伤区域在对应子图像的占比。
优选的，所述桥梁载荷损伤识别系统，还包含报警模块，所述报警模块根据所述占比生成对应的报警信息并发送给控制中心。
与现有技术相比，本发明的有益效果在于：
1)能够获取全场信息，本发明的图像采集能够覆盖整个桥面，实现桥面无遗漏的图像采集；
2)本发明不仅能够自动、实时、智能化的识别所采集的桥梁路面图像中的载荷损伤区域，同时还能够自动报告该载荷损伤区域的位置信息，以便于控制中心进行及时处理；
3)本发明中，通过按照设定的分辨率对采集的桥梁路面图像进行压缩，既保证了对图像中的桥梁载荷损伤识别的精度，又保证了图像的处理速度。
4)本发明不依赖于人工巡检识别桥梁载荷损伤，不仅大大提高了工作效率、节约了大量劳动力，并能够防止巡检人员发生安全事故。
附图说明
为了更清楚地说明本发明技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图：
图1为本发明的桥梁载荷损伤识别方法流程图；
图2为本发明的桥梁载荷损伤识别系统示意图；
图中：1、图像采集模块；2、gps模块；3、通讯模块；4、数据处理模块；40、图像划分模块；41、第一神经网络模型；42、第二神经网络模型；43、计算模块；5、控制中心；6、报警模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供一种桥梁车辆载荷损伤识别方法，包含步骤：
s1、在桥梁上方设置若干个图像采集模块1和若干gps模块2，一个图像采集模块1对应一个gps模块2；通过图像采集模块1采集桥梁路面图像，通过与该图像采集模块1对应的gps模块2获取该图像采集模块1的位置信息；所述若干个图像采集模块1能够采集桥头至桥尾的全部桥梁路面图像。
在本发明的一个实施例中，步骤s1中还包含：按照设定的分辨率对采集的桥梁路面图像按像素进行压缩，划分压缩后的桥梁路面图像为若干个对应的子图像。压缩图像的目地是为了降低数据处理复杂度，减少数据传输量和存储量，加快数据处理速度。通过预设的分辨率能够保证图像不至于过度失真。
s2、将所述桥梁路面图像划分为若干个大小相同的子图像；
s3、人工对所述子图像中的车辆、桥梁路面损伤区域进行标注；并对将标注后的部分子图像作为训练集，剩余的子图像作为验证集；
s4、通过所述训练集和验证集预训练第一神经网络模型41、第二神经网络模型42；所述第一神经网络模型41用于从所述子图像中识别车辆；所述第二神经网络模型42用于从不包含车辆的子图像中识别桥梁路面损伤区域；在本发明的实施例中，所述第一神经网络模型41、第二神经网络模型42均为cnn卷积神经网络模型。
s4、将实时采集的桥梁路面图像划分为若干个对应的子图像，将该子图像输入训练好的第一神经网络模型41、第二神经网络模型42，识别该子图像中的桥梁路面损伤区域；计算得到该桥梁路面损伤区域在对应子图像的占比；
s5、若所述占比超过设定的第一阈值，将该子图像对应的所述位置信息、所述占比发送给控制中心5。
s6、若所述占比大于所述第一阈值且低于第二阈值，生成第一报警信息并发送给控制中心5；若所述占比大于所述第二阈值，生成第二报警信息并发送给控制中心5；其中第二阈值大于第一阈值。
本发明还提供一种桥梁载荷损伤识别系统，用于实现本发明所述的桥梁载荷损伤识别，如图2所示，所述系统包含：若干个图像采集模块1、若干个gps模块2、数据处理模块4、通讯模块3、报警模块6。
所述图像采集模块1设置在桥梁上方，用于采集桥梁路面图像。
所述gps模块2设置在桥梁上方，一个gps模块2对应一个图像采集模块1，通过gps模块2采集对应的图像采集模块1的位置信息。
所述数据处理模块4包含图像划分模块40、第一神经网络模型41、第二神经网络模型42、计算模块43。
通过所述图像划分模块40将图像采集模块1采集的桥梁路面图像划分为对应的若干个子图像；所述第一神经网络模型41用于从所述子图像中识别车辆；所述第二神经网络模型42用于从不包含车辆的子图像中识别桥梁路面损伤区域；所述计算模块43根据第二神经网络模型42识别的子图像中的桥梁路面损伤区域，计算该桥梁路面损伤区域在对应子图像的占比。
所述报警模块6根据所述占比生成对应的报警信息并发送给控制中心5。
通讯模块3，用于实现所述图像采集模块1与数据处理模块4之间、所述gps模块2与数据处理模块4之间、数据处理模块4与控制中心5之间的数据传输、数据处理模块4与报警模块6之间的数据传输。
图像采集模块1、gps模块2将采集的桥梁路面图像、位置信息通过通讯模块3发送给数据处理模块4。数据处理模块4将其识别的桥梁路面载荷损伤的占比以及对应的位置信息通过通讯模块3发送给控制中心5。数据处理模块4还通过通讯模块3将计算得到的占比发送给报警模块6。报警模块6生成对应的报警信息并通过通讯模块3发送给控制中心5。
本发明的桥梁载荷损伤识别方法及系统，不仅能够自动、实时、智能化的识别所采集的桥梁路面图像中的载荷损伤区域，同时还能够自动报告该载荷损伤区域的位置信息，以便于控制中心5进行及时处理。本发明不依赖于人工巡检识别桥梁载荷损伤，不仅大大提高了工作效率、节约了大量劳动力，并能够防止巡检人员发生安全事故。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
1.一种桥梁车辆载荷损伤识别方法，其特征在于，包含步骤：
s1、在桥梁上方设置若干个图像采集模块和若干gps模块，一个图像采集模块对应一个gps模块；通过图像采集模块采集桥梁路面图像，通过与该图像采集模块对应的gps模块获取该图像采集模块的位置信息；
s2、将所述桥梁路面图像划分为若干个大小相同的子图像；
s3、人工对所述子图像中的车辆、桥梁路面损伤区域进行标注；并对将标注后的部分子图像作为训练集，剩余的子图像作为验证集；
s4、通过所述训练集和验证集预训练第一、第二神经网络模型；所述第一神经网络模型用于从所述子图像中识别车辆；所述第二神经网络模型用于从不包含车辆的子图像中识别桥梁路面损伤区域；
s4、将实时采集的桥梁路面图像划分为若干个对应的子图像，将该子图像输入训练好的第一、第二神经网络模型，识别该子图像中的桥梁路面损伤区域；计算得到该桥梁路面损伤区域在对应子图像的占比；
s5、若所述占比超过设定的第一阈值，将该子图像对应的所述位置信息、所述占比发送给控制中心。
2.如权利要求1所述的桥梁车辆载荷损伤识别方法，其特征在于，所述若干个图像采集模块能够采集桥头至桥尾的全部桥梁路面图像。
3.如权利要求1所述的桥梁车辆载荷损伤识别方法，其特征在于，步骤s1中还包含：按照设定的分辨率对采集的桥梁路面图像进行压缩，划分压缩后的桥梁路面图像为若干个对应的子图像。
4.如权利要求1所述的桥梁车辆载荷损伤识别方法，其特征在于，还包含步骤s6：若所述占比大于所述第一阈值且低于第二阈值，生成第一报警信息并发送给控制中心；若所述占比大于所述第二阈值，生成第二报警信息并发送给控制中心；其中第二阈值大于第一阈值。
5.如权利要求1所述的桥梁车辆载荷损伤识别方法，其特征在于，所述第一、第二神经网络模型均为cnn卷积神经网络模型。
6.一种桥梁载荷损伤识别系统，用于实现如权利要求1至5任一所述的桥梁载荷损伤识别，其特征在于，包含：
若干个图像采集模块，设置在桥梁上方，用于采集桥梁路面图像；
若干个gps模块，设置在桥梁上方，一个gps模块对应一个图像采集模块，通过gps模块采集对应的图像采集模块的位置信息；
数据处理模块，其通讯连接所述图像采集模块和gps模块；所述数据处理模块包含图像划分模块、第一、第二神经网络模型；通过所述图像划分模块将图像采集模块采集的桥梁路面图像划分为对应的若干个子图像；所述第一神经网络模型用于从所述子图像中识别车辆；所述第二神经网络模型用于从不包含车辆的子图像中识别桥梁路面损伤区域；
通讯模块，用于实现所述图像采集模块与数据处理模块之间、所述gps模块与数据处理模块之间、数据处理模块与控制中心之间的数据传输。
7.如权利要求6所述的桥梁载荷损伤识别系统，其特征在于，所述数据处理模块还包含计算模块，所述计算模块根据第二神经网络模型识别的子图像中的桥梁路面损伤区域，计算该桥梁路面损伤区域在对应子图像的占比。
8.如权利要求7所述的桥梁载荷损伤识别系统，其特征在于，还包含报警模块，所述报警模块根据所述占比生成对应的报警信息并发送给控制中心。
技术总结