CN119295660A 一种深度学习和计算机视觉的桥梁结构裂缝位置识别方法 （广州航海学院）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN119295660A(43)申请公布日2025.01.10

(21)申请号202411359476.4

(22)申请日2024.09.27

(71)申请人广州航海学院

地址510000广东省广州市黄埔区红山三

路101号

GO6V10/82(2022.01)

GO6N3/096(2023.01)

(72)发明人江学良张劲文赵盈皓黄昆泓陈冉杨慧

(74)专利代理机构广州名扬高玥专利代理事务所(普通合伙)44738

专利代理师魏炜

(51)Int.CI.

GO6T17/00(2006.01)

GO6T7/136(2017.01)

GO6T7/70(2017.01)

G06V20/64(2022.01)

权利要求书3页说明书8页附图3页

(54)发明名称

一种深度学习和计算机视觉的桥梁结构裂缝位置识别方法

(57)摘要

CN119295660A本申请提供一种深度学习和计算机视觉的桥梁结构裂缝位置识别方法，包括：获取多视角可见光图像与深度图像，根据配准参数融合可见光与深度图像，生成包含桥梁的纹理和深度信息的融合图像；针对融合图像，采用自适应阈值分割算法提取裂缝区域，动态调整阈值大小，得到裂缝二值图像；根据裂缝二值图像，通过三维重建算法计算裂缝像素点的三维坐标，重建得到包含裂缝空间位置和形态信息的三维点云数据；基于三维点云数据，采用三维局部特征描述符刻画裂缝表面几何属性，计算裂缝片段参数，构建三维裂缝模型；基于深度学习模型，采用迁移学习

CN119295660A

根据配准参数融合可见光与深度图像，生成包含桥梁的纹理和

根据配准参数融合可见光与深度图像，生成包含桥梁的纹理和深度信息的融合图像

针对融合图像·提取裂缝区域·动态调整网值大小，得到裂蛙二值图像

根据裂缝二值围像·计算裂缝像素点的三维坐标·重建得到包含裂缝空网位置和形态信息的三维点云数据

建三维裂缝模型

根据三维裂缝模型的空间位置、形态信息·几何属性·采集激励前后图像·通过图像差分提取裂缝动态响应特征

将裂缝特征作为输入·重新建立裂缝模型·将重建的裂缝模型与裂缝特征数据库中的三维模型进行匹配

形成自适应可迁移的桥梁裂缝三维检测方法，更新模型参数使其适应目标桥梁特点

CN119295660A权利要求书1/3页

2

1.一种深度学习和计算机视觉的桥梁结构裂缝位置识别方法，其特征在于，所述方法包括：

获取多视角可见光图像与深度图像，根据配准参数融合可见光与深度图像，生成包含桥梁的纹理和深度信息的融合图像；

针对融合图像，采用自适应阈值分割算法提取裂缝区域，动态调整阈值大小，得到裂缝二值图像；

根据裂缝二值图像，通过三维重建算法计算裂缝像素点的三维坐标，重建得到包含裂缝空间位置和形态信息的三维点云数据；

基于三维点云数据，采用三维局部特征描述符刻画裂缝表面几何属性，计算裂缝片段参数，构建三维裂缝模型；

根据三维裂缝模型的空间位置、形态信息、几何属性，选择非接触式激励方案，采集激励前后图像，通过图像差分提取裂缝动态响应特征；

将裂缝特征作为输入，重新建立裂缝模型，将重建的裂缝模型与裂缝特征数据库中的三维模型进行匹配，匹配好形成深度学习模型，实现裂缝的分类和程度评估；

基于深度学习模型，采用迁移学习策略，形成自适应可迁移的桥梁裂缝三维检测方法，更新模型参数使其适应目标桥梁特点。

2.根据权利要求1所述的方法，其中，所述获取多视角可见光图像与深度图像，根据配准参数融合可见光与深度图像，生成包含桥梁的纹理和深度信息的融合图像，包括：

获取多视角可见光图像和深度图像，针对每对可见光图像和深度图像采用SIFT算法提取特征点，计算所述特征点描述符；

根据所述特征点描述符，利用KNN算法进行特征点匹配，通过RANSAC算法筛选所述特征点匹配，得到图像配准参数；

根据所述图像配准参数对深度图像进行几何变换，对几何变换后的图像采用离散小波变换进行多尺度分解，得到低频子带和高频子带；

针对所述低频子带，采用加权平均法进行图像融合，对于所述高频子带，计算每个子带中对应区域的能量值，选择能量值高于预设阈值的区域作为融合结果；

将所述融合结果进行小波逆变换，得到融合图像；

对所述融合图像进行后处理，计算峰值信噪比和结构相似性指标；

若所述峰值信噪比和结构相似