Método de identificación automática del área de daño de la estructura del puente basado en imagen digital

Scientific Reports volumen 13, número de artículo: 12532 (2023) Citar este artículo

78 Accesos

Detalles de métricas

Es de gran valor científico y práctico utilizar medios técnicos eficaces para monitorear y advertir los daños estructurales de los puentes en tiempo real y durante mucho tiempo. Los modelos tradicionales de redes de reconocimiento de imágenes suelen estar limitados por la falta de imágenes en el sitio. Para resolver el problema del reconocimiento automático y la adquisición de parámetros en imágenes digitales de estructuras de puentes en ausencia de información de datos, este artículo propone un método de identificación automática de áreas dañadas de estructuras de puentes basado en imágenes digitales, que logra de manera efectiva el tallado de contornos y la caracterización cuantitativa. de las áreas dañadas de la estructura del puente. En primer lugar, se definen las características de la imagen digital del área dañada de la estructura del puente. Aprovechando al máximo la característica de que el valor de píxel del área dañada es obviamente diferente del de la imagen circundante, se propone un método de preprocesamiento de imagen del área estructural dañada que puede mejorar efectivamente la calidad de la imagen tomada en el campo. Luego, se propone un método Ostu mejorado para fusionar orgánicamente las características de umbral global y local de la imagen para lograr el tallado del contorno del área dañada de la imagen de la superficie de la estructura del puente. Se construyen la escala del área dañada, la proporción del área dañada y la regla de cálculo de la orientación del área dañada. Se realizan la inspección clave y el diagnóstico de parámetros característicos del área de daños en la estructura del puente. Finalmente, las pruebas y análisis se llevan a cabo en combinación con un caso de proyecto real. Los resultados muestran que el método propuesto en este artículo es factible y estable, lo que puede mejorar la precisión de la medición del área de daño de la estructura del puente actual. El método puede proporcionar más soporte de datos para la detección y el mantenimiento de la estructura del puente.

El puente desempeña un papel de liderazgo muy importante en el desarrollo económico nacional, lo que puede traer enormes beneficios económicos y sociales al país, por lo que el país presta gran atención al uso seguro del puente1. Sin embargo, debido a la erosión del entorno natural, el envejecimiento de los materiales de construcción, el efecto de fatiga del propio puente y otros factores adversos, la resistencia del puente inevitablemente disminuirá, lo que conducirá a una disminución de su capacidad para resistir desastres naturales e incluso la ambiente normal. En casos extremos, puede provocar accidentes catastróficos2. La estructura del puente es una parte importante de la construcción de infraestructura de un país. Bridge hace posible la comunicación frecuente entre diferentes regiones. Sin embargo, bajo la influencia de múltiples factores ambientales, con el aumento del tiempo de servicio, la estructura del puente presentará diferentes grados de daño estructural. La estructura del puente es diferente a la de los edificios públicos en general. Si el puente colapsa o la falta de seguridad en su uso, causará un gran daño a nuestro país y las personas sufrirán enormes pérdidas, por lo que la estructura del puente debe mantener un alto estado de seguridad y la frecuencia de mantenimiento también es mayor que la del general. edificios públicos3. Para garantizar la aplicabilidad, seguridad y durabilidad del puente en condiciones normales de funcionamiento, es necesario adoptar medios técnicos eficaces para llevar a cabo un seguimiento y una alerta temprana en tiempo real y a largo plazo de los daños estructurales del puente, a fin de proporcionar Base científica para la evaluación de la seguridad de la estructura del puente4,5,6.

Con la finalización de muchas autopistas, la estructura del puente es cada vez más grande. El uso de viaductos, puentes de vigas continuas y puentes de estructura rígida continua hace que la inspección del puente se convierta en un trabajo laborioso y que requiere mucho tiempo. En el mantenimiento de puentes de hormigón, la detección del área dañada es uno de los pasos importantes de inspección y diagnóstico de las estructuras de puentes. Por lo general, las grietas de la superficie de los puentes se pueden utilizar para evaluar la capacidad de carga, la estanqueidad y la vida útil de las estructuras de hormigón. En la prueba de flexión de carga estática del puente, la detección de grietas en la parte inferior de la viga se completa manualmente. La detección por visión artificial depende de la experiencia y el nivel de habilidad del operador, lo que requiere mucho tiempo y poca seguridad, por lo que es difícil evaluar objetivamente el efecto de la detección. La detección automática del área dañada en la imagen de la superficie del puente es muy efectiva en pruebas no destructivas7. La detección periódica de grietas en las vigas también se puede utilizar para evaluar la seguridad y confiabilidad de la estructura de un puente de concreto y prevenir accidentes. La detección manual tradicional es ineficiente y afecta el buen flujo del tráfico rodado. Es un método de detección en tiempo real, no destructivo, de alta precisión y de bajo costo para encontrar enfermedades en la placa inferior de la superestructura del puente mediante el uso de tecnología de procesamiento de imágenes para analizar las imágenes de la estructura del puente. En la actualidad, existen conjuntos completos de equipos que utilizan este método o principio en otros campos, pero estos equipos en su mayoría se desarrollan en el extranjero y son costosos. Además, debido a la diversidad e incertidumbre de las enfermedades puente, el algoritmo en el proceso de detección de enfermedades aún necesita más investigación.

La tecnología de procesamiento de imágenes digitales se origina en la visión humana, es una disciplina integral que involucra óptica, electrónica, fotografía, tecnología informática y otros campos8,9,10. En los últimos años, debido a la continua caída del precio de los equipos informáticos, la digitalización de imágenes digitales y la creciente popularidad de los equipos de visualización, cada vez más campos utilizan el método de procesamiento de imágenes por ordenador para la detección, desde la industria manufacturera tradicional hasta el campo. de chip microelectrónico integrado. Es la aplicación de gráficos por computadora en el campo de la producción avanzada, desde la medición de la planitud y el tamaño del producto hasta la detección de información errónea, como defectos y grietas del producto. El papel de la tecnología de procesamiento de imágenes digitales en la economía nacional es cada vez más evidente. Desde la perspectiva del desarrollo, podemos ver que la tecnología de procesamiento de imágenes digitales desempeñará un papel cada vez más importante en el desarrollo futuro. Con el desarrollo de la tecnología de adquisición y reconocimiento de imágenes, la cámara de alta definición se utiliza para tomar fotografías del área del puente a detectar, y el algoritmo de procesamiento de imágenes se utiliza para procesar la imagen, a fin de extraer características como grietas, etc. , que se ha convertido en un nuevo método para la identificación automática del área de daño del puente en la prueba de flexión de carga estática del puente11. La tecnología de visión por computadora e inteligencia artificial ha logrado avances significativos en el reconocimiento automático de áreas dañadas, lo que puede mejorar la energía de reconocimiento de imágenes de las áreas dañadas12,13,14,15. Sin embargo, en el entrenamiento de datos, la intervención manual tradicional puede reducir fácilmente la eficiencia y precisión del reconocimiento, y es necesario mejorar la eficiencia y precisión del entrenamiento de las muestras de datos. Los modelos de redes de reconocimiento de imágenes tradicionales a menudo están limitados por la falta de imágenes en el sitio. Por lo tanto, este artículo adopta tecnología de procesamiento de imágenes digitales basada en un método de medición óptica para recolectar, analizar y procesar enfermedades de la estructura del puente, lo que propone un método de identificación automática de la estructura del puente. área de daño basada en imágenes digitales, para realizar mediciones de inteligencia artificial del área de daño de la estructura del puente.

En el proceso de servicio del puente, el efecto de la carga, la fatiga y el efecto de la cavidad, el envejecimiento del material y otros factores inevitablemente causarán daños en algunas áreas de la estructura del puente. Si el daño de la estructura del puente no se puede detectar y reparar a tiempo, afectará gravemente la seguridad de la estructura del puente. Las características de daño aparente de los puentes son principalmente grietas y cavidades. En la actualidad, el principal medio técnico para obtener las características de daño de la apariencia de la estructura del puente es la tecnología de medición de imágenes digitales. A través de la adquisición de imágenes digitales, combinada con el procesamiento de imágenes y la tecnología de clasificación y reconocimiento de patrones, se pueden obtener las características de grietas y cavidades de la estructura del puente. La observación artificial del área dañada del puente generalmente depende de la diferencia de color y la experiencia entre el área dañada y el entorno circundante. Debido al entorno de disparo limitado, las imágenes de la estructura del puente a menudo no son paralelas al plano de imagen de la cámara. En este momento, se obtienen las imágenes de la estructura con la deformación de la proyección en perspectiva y es necesario corregir el ángulo de visión del área dañada. Las características típicas de los daños de la estructura del puente se muestran en la Fig. 1. En el análisis y procesamiento de seguimiento, mediante el uso del software MATLAB y VC ++ combinado con el método descrito en este artículo, las imágenes tomadas con la cámara se procesan digitalmente. procesamiento de imágenes.

Características del daño superficial de una estructura típica de un puente.

A partir de las características visuales, en la Fig. 1a, hay un fenómeno de caída de bloques alrededor de la junta de tensión de la estructura del puente. Al comparar el ancho de la junta de tensión, se puede ver que el ancho de la junta de tensión no es consistente hacia arriba y hacia abajo, lo que se debe principalmente al ángulo de disparo y al área de detección de la estructura del puente no es vertical. Existe un cierto ángulo de disparo entre la cámara y la estructura del puente. Existe una diferencia significativa entre el valor de píxeles del área de caída del bloque y el de la imagen circundante. En la Fig. 1b, hay grietas en la superficie de la estructura del puente, y las grietas generalmente aparecen como áreas de daño delgadas y continuas. Existe una diferencia significativa entre el valor de píxeles del área de la grieta y el de la imagen circundante. El valor de píxeles del centro de la grieta es el más pequeño y aumenta gradualmente desde el centro de la grieta hasta el área sin grietas en ambos lados. En la Fig. 1c, hay cavidades en la superficie de la estructura del puente, que generalmente son áreas de daño esféricas discontinuas. Existe una diferencia significativa entre el valor de píxeles del área del agujero y el de la imagen circundante.

El área de daño en la imagen recopilada por la cámara se identifica automáticamente de acuerdo con el valor de píxel de cada píxel, cuyo valor varía de 0 a 255. La distribución del valor de gris de la imagen en la Fig. 1 se muestra en la Fig. 2. La Figura 2 es un histograma del valor de gris del píxel y la proporción del valor de gris. El eje x en la Fig. 2 representa el valor de gris del píxel. El eje y en la Fig. 2 representa la proporción del valor de gris. La Figura 2a corresponde a la característica de imagen de la Fig. 1a. La Figura 2b corresponde a la característica de imagen de la Fig. 1b. La Figura 2c corresponde a las características de la imagen de la Fig. 1c. A partir de las características diferentes de los valores de píxeles, en la Fig. 2a), los valores de gris correspondientes a la imagen de caída del bloque se concentran principalmente en 150—210, y los valores de gris tienen múltiples picos y los valores de gris están relativamente dispersos. En la Fig. 2b, el valor de gris de la imagen de grieta se concentra principalmente en 100-130, y hay un valor máximo único en el valor de gris, y el valor de gris está relativamente concentrado. En la Fig. 2c, el valor de gris de la imagen del agujero se concentra principalmente en 130–220. El valor de gris tiene un único pico. El valor de gris está relativamente disperso.

Distribución gris de las características típicas de daños en la superficie de la estructura de un puente.

La ruta técnica de este método se muestra en la Fig. 3. La imagen del área de daño original se preprocesa y luego se extraen los parámetros de las características. La parte más importante es la etapa de preprocesamiento de la imagen. Los resultados del procesamiento afectan el efecto de reconocimiento de los parámetros estructurales generales. La calidad de imagen de la superficie de la estructura del puente depende de la calidad de imagen de la cámara digital y de las condiciones fotográficas del lugar. Para facilitar el procesamiento posterior de la imagen, es necesario corregir el ángulo de visión del área dañada, mejorar el área característica del daño y extraer el contorno del área dañada de acuerdo con las características de la imagen del área dañada de la estructura del puente.

Diagrama esquemático de ruta técnica.

El plano del área dañada de la estructura del puente fotografiada en el sitio a menudo no es paralelo al plano de imagen de la cámara. En este momento, se obtiene la imagen de la grieta con la deformación de proyección en perspectiva. El área dañada de la estructura del puente producirá una deformación "casi amplia y muy estrecha", que aumenta con el aumento del ángulo de disparo16. Para obtener una imagen precisa del área dañada de la estructura del puente, es necesario modificar la perspectiva de la imagen mediante una transformación de proyección en perspectiva. Según el modelo espacial de imagen digital, las coordenadas de los puntos de la imagen son el resultado de la perspectiva de la lente en el plano de la imagen. El diagrama esquemático de la deformación de la proyección en perspectiva se muestra en la Fig. 4.

Diagrama esquemático de la deformación de la proyección en perspectiva.

La intersección de líneas es la posición de filas y columnas de píxeles. Las coordenadas de los píxeles obtenidos mediante la deformación de la proyección en perspectiva no son todas números enteros. Hay áreas en blanco en la imagen resultante, por lo que es necesario calcular los valores de píxeles de las coordenadas enteras mediante ajuste de interpolación. Supongamos que las coordenadas de un punto en la imagen de la superficie de la estructura del puente antes de la corrección son (u, v) y las coordenadas del punto en la imagen después de la corrección son (x, y). Según el principio de proyección de imágenes en perspectiva, las coordenadas correspondientes en la imagen de superficie de la estructura del puente antes y después de la transformación cumplen la siguiente relación17:

Entre ellos: los elementos a1, a2, a4 y a5 son los coeficientes de transformación lineal de la imagen, que pueden hacer que la imagen produzca deformación por rotación, corte y escala. a3 y a6 son los coeficientes de traslación, que pueden hacer que la imagen produzca un desplazamiento de cuerpo rígido. a7 y a8 son los coeficientes de transformación de proyección en perspectiva, que controlan la deformación de la proyección en perspectiva de la imagen. k es el coeficiente de coordenadas homogéneo variable. k es un número real distinto de cero. Si k = 0, debido a que el divisor no puede ser 0, (x, y, 0) es un punto en el infinito y no hay un punto bidimensional correspondiente a (x, y, 0). Por lo general, seleccionar k = 1 puede simplificar las coordenadas al triple (x, y, 1) y mejorar la eficiencia de la transformación. Si los coeficientes a1 ~ a9 se multiplican por cualquier número real distinto de cero al mismo tiempo, la relación correspondiente entre (u, v) y (x, y) no cambiará. Por lo tanto, para simplificar sin afectar otros cambios de parámetros, es recomendable tomar a9 = 1, y se pueden obtener las siguientes ecuaciones17.

Cuando se conocen las coordenadas de la imagen antes y después de la transformación de cuatro puntos no colineales, hay ocho incógnitas y ocho ecuaciones, y se pueden resolver los coeficientes de la matriz de transformación. Luego, las coordenadas de cada píxel de la imagen después de la deformación de la proyección en perspectiva se resuelven mediante la relación (1). Al realizar el procesamiento anterior en las tres imágenes de la Fig. 1, se completa el procesamiento de corrección de ángulo de diferentes áreas dañadas y los resultados se muestran en la Fig. 5. Se puede ver en la Fig. 5 que la imagen después de la vista La corrección del ángulo del área dañada puede reflejar mejor las características reales del área dañada, lo cual es conveniente para el reconocimiento automático de la imagen posterior y la extracción de parámetros.

Imagen del área dañada después de la corrección del ángulo de visión.

Para facilitar el procesamiento posterior de la imagen, se debe realizar una eliminación de ruido de la imagen. En función de la imagen recopilada, se puede llevar a cabo el procesamiento de eliminación de ruido de la imagen. El procesamiento del ruido de la imagen puede utilizar el método de descomposición y reconstrucción de la imagen del análisis de ondas bidimensionales para eliminar la influencia del ruido. La tecnología de eliminación de ruido de imágenes tiene como objetivo principal eliminar la interferencia de señales aleatorias en el proceso de adquisición o transmisión de imágenes. En un entorno de radiación, una gran cantidad de ruidos impulsivos provocan la degradación de la imagen. El ruido impulsivo también se denomina ruido de sal y pimienta18. La función de densidad de probabilidad se construye para juzgar si el área característica de la imagen es ruido de sal y pimienta. Su función de densidad de probabilidad se expresa de la siguiente manera:

cuando b > a, el valor de gris b es brillante en la imagen, es decir, ruido de sal, y el valor de gris a es oscuro, que es ruido de pimienta. En vista del ruido de la imagen existente en el área de daño de la estructura del puente, el filtro mediano adaptativo puede retener efectivamente las características del borde de la imagen, por lo que este artículo selecciona el método de filtro mediano adaptativo para eliminar el ruido de la imagen. El principio del método de filtrado mediano adaptativo es ajustar el tamaño de la ventana de filtrado según la densidad del ruido y utilizar diferentes métodos de procesamiento para procesar los puntos de ruido y los puntos de señal. Luego, filtre la mediana de los puntos de ruido para mantener sin cambios el valor de gris de los puntos de señal. El valor gris del píxel (x, y) en la imagen de la estructura del puente es fxy, la ventana de trabajo actual está representada por Axy. La ventana máxima permitida preestablecida está representada por A. Los valores de gris mínimo, mediano y máximo en A son fmin, fmed y fmax respectivamente. Los pasos básicos del algoritmo se muestran en la Fig. 6.

Diagrama de flujo de los pasos básicos del algoritmo.

En el algoritmo de filtrado de mediana adaptativo, la detección e identificación de puntos de ruido se basan en fmin y fmax. Cuando fmin < fmed < fmax, fmed no es ruido, por lo que fmin < fxy < fmax se utiliza para juzgar si fxy es ruido. Si fxy y fmed no son ruido impulsivo, se le da prioridad a fxy. Para eliminar la interferencia causada por manchas en la superficie, protuberancias graduales y baches en la imagen, es necesario mejorar el área característica de la imagen y resaltar la información característica del área dañada después de completar el filtrado mediano adaptativo de la imagen. Para reducir la interferencia de información externa no importante en la imagen, este artículo utiliza el método promedio de extracción de componentes de alta frecuencia. La imagen de referencia se obtiene mediante filtrado gaussiano de paso bajo y luego la imagen original y la imagen de referencia se promedian para obtener el valor absoluto del valor de píxel de la región de la imagen, lo que puede lograr la mejora de la región de características de la imagen. La imagen parcialmente mejorada se muestra en la Fig. 7.

Parte de la imagen mejorada.

La segmentación del área dañada del puente es un proceso de binarización de la imagen de la superficie de la estructura del puente. El proceso de binarización consiste en segmentar la imagen mediante umbralización. Según los diferentes métodos de selección de umbral, los principales algoritmos de segmentación de imágenes son el método de umbral de histograma, el método iterativo y el método Otsu19,20. Debido a la complejidad del entorno de filmación de la escena del puente, el valor de gris de algunas partes del fondo del área dañada es relativamente cercano al valor de gris del área característica. La diversidad de características del área dañada y el cambio de gris hacen que el método binario tradicional sea difícil de trabajar, lo que hace que el efecto de procesamiento no sea muy razonable, lo que fácilmente afecta el procesamiento posterior de la imagen del área dañada. Por lo tanto, este artículo propone un método Otsu mejorado para extraer el contorno de la imagen del área dañada del puente. Apuntando a la diferencia de gradiente de color entre las regiones dañadas y no dañadas del puente, se propone un método Otsu mejorado fusionando las características de umbral global y local de la imagen. Suponiendo que la imagen del área de daño del puente que se identificará y analizará es F, y el número de píxeles es la matriz M × N, los pasos concretos de la segmentación del área de daño del puente son los siguientes:

De acuerdo con las características del gradiente de color entre el área dañada del puente y el área sin daño del puente, la imagen F del área dañada del puente después de la eliminación de ruido se procesa en gradiente y se binariza para formar la imagen de gradiente F1. Con base en la imagen sin ruido f del área de daño del puente, se utiliza el método de umbral global para segmentar la imagen para obtener la imagen binaria inicial F2.

La imagen del área dañada del puente se divide en m × n regiones, y la matriz de píxeles de cada región de elemento es (M / m) × (N / n). El método Otsu se utiliza para la segmentación de imágenes de cada región de elemento. Las imágenes de elementos m × n se reconstruyen de acuerdo con el orden de división, y la imagen reconstruida fi se forma mediante empalme, donde m es el divisor común de M y n es el divisor común de N. Cuanto mayor sea el valor de myn , cuanto más pequeña es cada unidad de área de la imagen del área de daño del puente, y más obvia es la distinción del área de daño del puente. Pero cuanto más pequeña sea cada unidad de área de la imagen del área de daño del puente, más obvio será el rastro de costura de la imagen reconstruida, que no debe ser demasiado grande. Por lo tanto, es necesario seleccionar los m y n apropiados de acuerdo con el tamaño del área dañada del puente para garantizar que cada unidad de área pueda cubrir el tamaño mínimo del área dañada. m y n suelen ser 4 u 8. La imagen reconstruida formada por la unidad de área fi que puede cubrir el tamaño más pequeño del área dañada se llama F3.

Debido a que se utiliza el procesamiento de umbral local en la imagen reconstruida, el área dañada del puente se puede distinguir efectivamente del entorno circundante. Al procesar el área dañada en la ventana, el ruido individual causará la mutación del umbral, que es fácil de aparecer en el área de fondo de los artefactos. En este momento, se toma la intersección de las imágenes F1, F2 y F3 para obtener la imagen de segmentación F4 del área dañada del puente. La imagen F4 no solo utiliza la diferencia de gradiente del área dañada, sino que también combina las ventajas del método de umbral global y el método de umbral local, que pueden distinguir eficazmente el área dañada del puente y eliminar los artefactos causados por el umbral local. La imagen procesada se muestra en la Fig. 8.

Imagen del área dañada después de la extracción del contorno.

En la identificación automática del área dañada de la estructura del puente, el parámetro de escala, el parámetro de proporción y el parámetro de orientación del área dañada son parámetros importantes de inspección y diagnóstico de la estructura del puente. Por lo tanto, esta sección realiza principalmente análisis e investigación a partir de la extracción de la escala, proporción y parámetro de orientación del área de daño.

En la adquisición de imágenes del área de daños de la estructura del puente, es necesario observar directamente la información de los daños de la estructura mediante el zoom. Antes de etiquetar la información de daños estructurales, el primer paso es calibrar el tamaño de la imagen de daños estructurales. El tamaño de cada píxel se puede obtener mediante la calibración del tamaño, de modo que el tamaño real se puede obtener directamente mediante el cálculo del píxel en la posterior identificación del daño estructural y medición de grietas. En la calibración de daños estructurales, generalmente se selecciona para la calibración el tamaño de la característica estructural del puente o la ubicación fácilmente identificable, y la dimensión estructural del puente Q se puede obtener a partir de los datos de diseño del puente.

La distancia entre la cámara y el puente puede ser diferente al tomar la imagen del área dañada de la estructura del puente. Cuanto menor sea la distancia entre la cámara y el puente, mayor será la calidad de la imagen del área dañada de la estructura del puente. Pero en un cierto rango entre la cámara y el puente, las imágenes se pueden reconocer efectivamente. Para eliminar la influencia diferente de la distancia de disparo efectiva en el cálculo de la escala del área de daño, es necesario modificar la imagen de acuerdo con la distancia entre la cámara y el puente. El número de píxeles de ancho P se puede obtener seleccionando el valor medio de múltiples posiciones diferentes con el mismo tamaño de diseño de la imagen real, y el tamaño real C representado por cada píxel se puede obtener mediante este método. Teniendo en cuenta la operación de escalado y deformación de la imagen durante la observación real, es necesario agregar el valor de la relación de escalado real a para obtener el valor del tamaño de píxel escalado Cx.

Al obtener la información del daño estructural, solo necesitamos obtener la posición relativa del área dañada del píxel de calibración en la imagen para obtener la ubicación del daño estructural en el puente. Las características de escala del área dañada incluyen principalmente la longitud continua máxima y el radio máximo del área dañada. Para obtener la longitud continua máxima del área dañada, se utiliza el método de seguimiento continuo del contorno para calcular la longitud. El número de píxeles Nl entre los dos puntos más alejados del contorno exterior del área dañada se calcula estadísticamente. La longitud continua máxima del área e-ésima en la imagen de daño se puede expresar como L(e).

Para obtener el radio máximo del área dañada, se utiliza el método de búsqueda de círculo máximo para buscar el radio. El nodo a del eje central del área de daño se determina automática o manualmente. El nodo del eje central a del área dañada se toma como el centro del círculo y sus coordenadas se expresan mediante (i, j). Haga un círculo de búsqueda con radio r = 1. Si el límite del arco del círculo de búsqueda no toca los píxeles en el área dañada, aumente el radio del círculo de búsqueda, es decir, r = r + Δr. Al aumentar el radio del círculo de búsqueda hasta que el límite del arco entre en contacto con los píxeles del área de daño, el círculo de búsqueda es el círculo inscrito máximo del área de daño. Si el número de píxeles del radio máximo del círculo inscrito del área dañada es Nr, el radio del área dañada se expresa mediante \(R(i,j)\). La expresión es la siguiente:

Para identificar y extraer los parámetros característicos del área dañada, es necesario marcar cada área dañada para obtener el número de áreas dañadas. El número de áreas dañadas se define como el número de áreas cerradas con un área determinada de trampa en la imagen de la superficie de la estructura del puente después de que se llena el contorno del área del daño, y el número de áreas dañadas en la imagen de la superficie de la estructura del puente se registra como E. En En este artículo, se utiliza el algoritmo de marcado numérico basado en pares equivalentes para obtener el número de áreas dañadas E. Sobre la base del algoritmo tradicional de marcado de ocho dominios conectados21, la relación de equivalencia entre el marcado temporal y el marcado final se establece y almacena en el Estructura de lista vinculada para mejorar la velocidad y precisión del cálculo. Los pasos específicos incluyen principalmente: marcado preliminar de imágenes, clasificación de la lista de equivalencias y sustitución de imágenes.

En primer lugar, a cada píxel se le asigna una etiqueta temporal y la relación de equivalencia de la etiqueta temporal se registra en la tabla de equivalencia. Se recorre cada píxel de la imagen. Si es el píxel objetivo, se buscan ocho barrios. La búsqueda sigue las reglas de izquierda, arriba a la izquierda, arriba a la derecha. Si el barrio no está marcado, se asigna una nueva etiqueta. De lo contrario, la etiqueta actual se asigna como etiqueta de vecindad y se registra la equivalencia entre las dos. Entonces, todos los marcadores temporales con relación de equivalencia son equivalentes al valor mínimo. Las áreas de daño se reetiquetan en el orden de números naturales para obtener la relación de equivalencia entre los marcadores temporales y los marcadores finales. Finalmente, la imagen se recorre nuevamente y la marca temporal se reemplaza por la marca final. Después de estos pasos, las áreas dañadas en la imagen se marcan con números naturales continuos de arriba a abajo y de izquierda a derecha. El número natural de la marca final es el número de áreas dañadas E en la imagen de la superficie del puente.

Suponiendo que el valor de píxel del área dañada es 0, el área dañada se divide en cuadrículas. Cada fila y cada columna de la cuadrícula contiene varios puntos en el área dañada. En cada columna, el punto más a la izquierda es el punto límite izquierdo y el punto más a la derecha es el punto límite derecho. Si solo hay un punto en cada línea de la cuadrícula, no es solo el punto límite izquierdo, sino también el punto límite derecho. El área del área de daño es la suma de los píxeles contenidos en la cuadrícula del área de daño correspondiente. El área dañada se divide en mallas n × n. El punto más a la izquierda de cada fila es P(xi, yij), y el punto más a la derecha es Q(xi, yij'). Entonces los píxeles contenidos en el área dañada son yij-yij' + 1. Por lo tanto, el área total \(S(E)\) del área dañada es:

Según la relación (7), al calcular el área de un área dañada, las coordenadas de píxeles de los lados más a la izquierda y más a la derecha en cada fila de la cuadrícula se pueden calcular por separado, en lugar de considerar la relación correspondiente de los puntos más a la izquierda y más a la izquierda cada vez. Por lo tanto, el paso más crítico del cálculo del área es determinar el tipo de puntos límite, que pueden determinarse mediante el código de contorno de la cadena de entrada y salida. Según el contorno en el sentido de las agujas del reloj, se establece la tabla de determinación de límites izquierdo y derecho.

Para obtener las características de orientación de cada punto en la imagen del área de daño de la estructura del puente, necesitamos obtener los valores de gradiente de los píxeles en las direcciones xey. El método del operador de Sobel se utiliza para obtener los valores de gradiente \(\partial_{x} (u,v)\) y \(\partial_{y} (u,v)\). Para que la información de orientación de cada píxel sea lo más precisa posible, los píxeles del área local se utilizan como referencia para el cálculo. En un píxel I(i, j), se selecciona como centro una región rectangular con alto h y ancho w, y los valores promedio \(V_{x} (i,j)\) y \(V_{y} ( Se calculan i,j)\) de los valores de gradiente en las direcciones x e y del píxel.

donde (i, j) es el centro del bloque rectangular. u, v son las variables independientes a lo largo de la dirección x, y respectivamente. La expresión de la fase \(\theta (i,j)\) en cada punto es la siguiente:

La dirección espacial de \(\theta (i,j)\) es ortogonal a la dirección principal del espectro de Fourier en la ventana h × w seleccionada. Debido al ruido y las impurezas en la superficie del puente, la dirección del cálculo puede desviarse. El filtro gaussiano de paso bajo se utiliza para reducir la influencia, es decir, el promedio ponderado de la dirección en la vecindad de un píxel se utiliza para reemplazar la dirección del píxel. La orientación del área dañada es el promedio acumulado de la orientación de los píxeles en cada área local. Si la orientación de la e-ésima área dañada está representada por Sr(e), y el número de píxeles con 0 píxeles en la e-ésima área dañada está representada por ek, entonces la expresión de Sr(e) es la siguiente:

Tomando como ejemplo el puente del río Huanshui en la provincia china de Hubei, el puente está ubicado en el noroeste de la provincia china de Hubei, donde el canal del río es recto durante el período de inundación. El ángulo de inclinación entre el eje del puente y el flujo de inundación es de 5 grados. Al consultar los materiales geológicos de varios estudios antes de la construcción del puente, se puede ver que la geología del sitio del puente es relativamente estable en general. Algunos parámetros se muestran en la Tab. 1.

La elevación del fondo es de -10,5 ~ -21,3 m. El alcance del río en el sitio del puente se considera un requisito de navegación de grado 6. La pendiente longitudinal se establece en el plano longitudinal del eje del puente, la curva vertical se establece cerca del número de pilotes en el centro del puente. El plano del eje del puente es una línea recta. Hay cinco pares de pilares en todo el puente. El claro es 3 × (5 × 20) + 2 × (4 × 20) my la longitud total del puente es 466,54 m. La superestructura del puente adopta una losa hueca de hormigón pretensado con tablero continuo. La subestructura es un pilote de columnas con un diámetro de 1,2 m y la cimentación es un pilote perforado con un diámetro de 1,4 m. El pilote aburrido está diseñado de acuerdo con los requisitos del pilote de fricción. La imagen física del puente capturada in situ mediante un teléfono móvil se muestra en la Fig. 9.

Imagen física del puente.

Para garantizar la operación segura del puente, a través de la evaluación de la condición técnica y la inspección y evaluación de la capacidad de carga del puente, evaluar la condición técnica y la capacidad de carga del puente, juzgar su seguridad y aplicabilidad, proporcionar la base técnica exacta para la mejora y el refuerzo. del puente y proporcionar la acumulación original para el establecimiento de archivos de estado del puente y la gestión dinámica de los datos de mantenimiento. Para ello se utiliza una cámara digital para capturar imágenes de 8 partes dañadas del puente. Los resultados de la imagen original se muestran en la Fig. 10. El tamaño real de cada imagen es 1 m × 1 m.

Parte de la imagen original.

Al analizar las características de la imagen del área dañada de la estructura del puente, se modifica el ángulo de visión del área dañada. Se elimina el ruido de la imagen dañada y se extrae el contorno del área dañada. Después del procesamiento de corrección del ángulo de visión del área de daño y el procesamiento de eliminación de ruido de la imagen de daño para la imagen de la superficie de la estructura del puente, las 8 imágenes obtenidas son respectivamente como se muestra en la Fig. 11. Se puede ver en la Fig. 10 que existen los siguientes problemas en algunos estructuras de puente: Grietas en la viga principal, algunas de las cuales están cerca o exceden el valor límite especificado; panal, superficie picada, desconchado y daño del concreto; corrosión de la placa de acero reforzada local y daño del revestimiento impermeable.

Imagen tras procesamiento de imágenes.

Después de la extracción del contorno del área de daño, el área de daño obtenida se muestra en la Fig. 12. Sobre la base de la imagen del área de daño obtenida, a través del método de identificación automática del área de daño de la estructura del puente, el cálculo de la escala del área de daño, la proporción del área de daño y el daño. Se realiza la orientación del área. El tamaño real de cada píxel de la imagen es 4 mm × 4 mm. El número de áreas dañadas E en diferentes imágenes de estructuras de puentes se calcula y cuenta respectivamente. El número de áreas dañadas en diferentes imágenes de estructuras de puentes es diferente. Combinando la Ec. (5) En la sección "Parámetros característicos de extracción de daños estructurales" anterior, se puede calcular la longitud L del área dañada. Combinando la Ec. (6) en la sección "Extracción de parámetros característicos del daño estructural" anterior, se puede calcular el radio R del área dañada. Combinando la Ec. (7) en la sección "Extracción de parámetros característicos del daño estructural" anterior, se puede calcular el área S del área dañada. Combinando las Ecs. (8) - (10) en la sección "Parámetros característicos de extracción de daños estructurales" anterior, se puede calcular la orientación Sr del área dañada. Para facilitar el análisis estadístico, los valores de los parámetros característicos del área de daño más grande en la imagen de la estructura del puente se enumeran en la Tab. 2. La longitud, el radio, el área y la orientación del área dañada más grande en la imagen de la estructura del puente se expresan respectivamente mediante L(max), R (max), S(max) y Sr(max). Los valores específicos se muestran en la Tab. 2.

Imagen extraída del área dañada.

Para verificar la viabilidad y precisión del método, el método se compara con los resultados tradicionales del reconocimiento de la interacción persona-computadora y los resultados medidos. El reconocimiento de interacción persona-computadora utiliza principalmente software de procesamiento de imágenes comercial existente para preprocesar y binarizar imágenes de áreas dañadas y luego seleccionar manualmente áreas específicas, combinadas con la cantidad de píxeles, para calcular varios valores de parámetros. El valor medido se mide principalmente mediante la escala Vernier muchas veces, y el valor promedio de los cinco resultados medidos se selecciona como resultado medido. En términos de los resultados de extracción de la longitud correspondiente L(max) del área dañada más grande en la imagen de la estructura del puente, los resultados de la comparación se muestran en la Fig. 13. En términos de comparación de la longitud correspondiente del área dañada más grande, se puede ver en la Fig. .13a que los resultados obtenidos por este método y los resultados obtenidos por la interacción tradicional persona-computadora son mayores que los resultados medidos. Al utilizar los valores medidos como denominador y el valor del intervalo entre los resultados obtenidos por este método y los valores medidos como numerador, el valor porcentual calculado se considera como el error de resultado de este método. Al utilizar los valores medidos como denominador y el valor del intervalo entre los resultados obtenidos mediante los métodos tradicionales de interacción persona-computadora y los valores medidos como numerador, el valor porcentual calculado se considera como el error de resultado de los métodos tradicionales de interacción persona-computadora. Como puede verse en la Fig. 13b, el error máximo de los resultados obtenidos con este método es del 1,931% y el error mínimo es del 0,904%. El error máximo de los resultados obtenidos mediante el método tradicional de interacción persona-computadora es del 47,967% y el error mínimo es del 3,013%. Los resultados muestran que el método propuesto es más preciso en la extracción de la longitud correspondiente L(max) del área dañada más grande en la imagen de la estructura del puente.

Comparación de valor de longitud y error.

En términos de los resultados de extracción del radio R(max) correspondiente al área de daño más grande en la imagen de la estructura del puente, los resultados de la comparación se muestran en la Fig. 14. En cuanto a la comparación del radio correspondiente del área de daño máximo, se puede ver en Fig. 14a que los resultados obtenidos por este método están más cerca de los resultados medidos que los obtenidos por la interacción tradicional persona-computadora. Como puede verse en la Fig. 14b, el error máximo de los resultados obtenidos con este método es del 17,284% y el error mínimo es del 3,477%. El error máximo de los resultados obtenidos mediante el método tradicional de interacción persona-computadora es del 61,905% y el error mínimo es del 12,016%. Los resultados muestran que el método propuesto es más preciso en la extracción del radio correspondiente R(max) del área de daño más grande en la imagen de la estructura del puente.

Comparación del valor del radio y el error.

En términos de los resultados de extracción del área correspondiente S(max) del área de daño más grande en la imagen de la estructura del puente, los resultados de la comparación se muestran en la Fig. 15. En cuanto a la comparación del área correspondiente del área de daño más grande, se puede ver en la Fig. .15a que los resultados obtenidos mediante este método están más cerca de los resultados medidos que los obtenidos mediante la interacción tradicional persona-computadora. Al utilizar los valores medidos como denominador y el valor del intervalo entre los resultados obtenidos por este método y los valores medidos como numerador, el valor porcentual calculado se considera como el error de resultado de este método. Al utilizar los valores medidos como denominador y el valor del intervalo entre los resultados obtenidos mediante los métodos tradicionales de interacción persona-computadora y los valores medidos como numerador, el valor porcentual calculado se considera como el error de resultado de los métodos tradicionales de interacción persona-computadora. Como puede verse en la Fig. 15b, el error máximo de los resultados obtenidos con este método es del 25,000 %, y el error mínimo es del 6,667 %. El error máximo de los resultados obtenidos mediante el método tradicional de interacción persona-computadora es del 75,862 %, y el error mínimo es del 12,5 %. Los resultados muestran que el método propuesto es más preciso en la extracción del área correspondiente S(max) del área de daño más grande en la imagen de la estructura del puente.

Cuadro comparativo de valores y errores de área.

En el aspecto de los resultados de extracción Sr(max) del acimut correspondiente del área de daño más grande en la imagen de la estructura del puente, los resultados de la comparación se muestran en la Fig. 16. En cuanto a la comparación de las direcciones correspondientes del área de daño más grande, se puede ver desde Fig. 16a que los resultados obtenidos por este método están más cerca de los resultados medidos que los obtenidos por la interacción tradicional persona-computadora. Al utilizar los valores medidos como denominador y el valor del intervalo entre los resultados obtenidos por este método y los valores medidos como numerador, el valor porcentual calculado se considera como el error de resultado de este método. Al utilizar los valores medidos como denominador y el valor del intervalo entre los resultados obtenidos mediante los métodos tradicionales de interacción persona-computadora y los valores medidos como numerador, el valor porcentual calculado se considera como el error de resultado de los métodos tradicionales de interacción persona-computadora. Como puede verse en la Fig. 16b, el error máximo de los resultados obtenidos con este método es del 11,844% y el error mínimo es del 2,186%. El error máximo de los resultados obtenidos mediante el método tradicional de interacción persona-computadora es del 56,250% y el error mínimo es del 5,802%. Muestra que los resultados obtenidos por este método son más precisos en el aspecto de extraer la dirección correspondiente Sr(max) del área de daño más grande en la imagen de la estructura del puente.

Comparación del valor y error del azimut.

En las Figs. 13b, 14b, 15b, se utilizaron métodos tradicionales para calcular la longitud, el radio y el área, pero hubo errores significativos en las imágenes n.° 3 y n.° 8. Esto se debió principalmente a la borrosidad de la imagen n.° 3 en comparación con otras imágenes y a la presencia de más poros pequeños en la imagen n.° 8 en comparación con otras imágenes. Las imágenes borrosas y las áreas dañadas a pequeña escala pueden provocar fácilmente sesgos en el reconocimiento humano, afectando así el reconocimiento y el cálculo de las máquinas. En la Fig. 16b, cuando se utilizan métodos tradicionales para calcular el acimut, hay un error significativo en la imagen n.° 5. Esto se debe principalmente a la presencia de mayor jitter de azimut en la zona dañada de la imagen #5, que no tiene continuidad, lo que lleva a la introducción de errores importantes en el cálculo del azimut. En comparación con los métodos tradicionales, el método propuesto en este artículo tiene más ventajas para identificar áreas de imagen borrosa, daños a pequeña escala y daños aleatorios.

Al comparar ocho grupos de resultados de pruebas, se puede ver que utilizando el método propuesto en este artículo para extraer la longitud del área dañada tiene un error de medición de no más del 2%, el radio del área dañada tiene un error de medición de no más del 18%, el área del área dañada tiene un error de medición de no más del 25%, el acimut del área dañada tiene un error de medición de no más del 12%. Muestra que la precisión de este método es mayor. Esto se debe principalmente a que en el reconocimiento de imágenes de características de fractura y características de cavidad, las características de fractura son más fáciles de reconocer. Puede contar y analizar el ancho y la orientación de la grieta a través de las características globales de los píxeles, y no es fácil verse afectado por los píxeles infectados locales. Además, se puede ver que la precisión de los parámetros de longitud, radio, área y orientación del área dañada extraída por este método es mayor que la de los resultados tradicionales de interacción persona-computadora. Esto se debe principalmente a que el método tradicional de intercambio entre personas y computadoras necesita intervención manual y los resultados de sus cálculos se ven fácilmente interferidos por factores. La extracción tradicional de la interacción persona-computadora tiene una gran relación con la experiencia del analista. La imagen de la superficie de la estructura del puente analizada no está preprocesada, lo que se ve fácilmente afectada por el juicio subjetivo. Este método de extracción de parámetros puede extraer de manera más objetiva los parámetros característicos correspondientes al área de daño de la estructura del puente. Al comparar los resultados de la extracción automática y la extracción tradicional, se puede ver que los parámetros característicos del área de daño identificados automáticamente en este documento son más precisos y la tasa de error general es menor que la de la extracción tradicional. Además, la eficiencia de extracción de la identificación automática en este artículo es significativamente mayor que la del método tradicional de extracción de interacción persona-computadora, lo que demuestra que la estructura del puente se basa en imágenes digitales descritas en este artículo. El método de identificación automática del área dañada es factible y preciso. La escala de grieta aplicable a este método está influenciada por factores integrales como la resolución de la imagen, la distancia de prueba y el ángulo de disparo. En general, cuanto mayor sea la resolución, más cercana será la distancia de prueba, más positivo será el ángulo de disparo y menor será la escala de las grietas identificadas. Esto permite una recopilación e identificación más precisa del área y escala en la que se encuentran. En una situación ideal, la resolución de reconocimiento de grietas puede alcanzar 0,1 mm.

Debido a que el método en este artículo es identificar el área de daño estructural basándose en el reconocimiento de imágenes, no existe ningún requisito obvio para el tipo de estructuras de puentes, como puentes de acero y puentes de concreto. El uso de una cámara digital puede capturar de manera efectiva imágenes claras de las áreas dañadas del puente. Combinado con este método, se pueden extraer los parámetros del área dañada, lo cual es conveniente para su posterior detección y análisis. Además de la identificación automática del área dañada de las estructuras de puentes, esta técnica también se puede aplicar a la detección de daños en otras estructuras y bloques de hormigón convencionales. El método presentado en este artículo también tiene algunas deficiencias. Debido a que juzgar la dirección de profundidad del área dañada es más importante para la evaluación de calidad general, la fuente de datos utilizada en este artículo es la imagen plana del área dañada, que pertenece a la fuente de información bidimensional y no puede usarse de manera efectiva. juzgar la profundidad del área del daño. Por lo tanto, para comprender la profundidad del área dañada del puente, también es necesario combinar otros métodos de detección no destructivos (como la tecnología de ondas acústicas y radar) para un análisis completo. Además, el método descrito en este artículo consiste principalmente en extraer las características de las grietas en la imagen digital, mientras que en la estructura del puente real, algunas grietas son insignificantes. Por lo tanto, al realizar la detección y evaluación de la estructura del puente, al utilizar esta tecnología, también es necesario combinar la situación real del sitio para elegir o rechazar algunas áreas dañadas o grietas, ignorando algunos parámetros que no tienen importancia de referencia para la detección y evaluación. para garantizar la precisión de la evaluación de la calidad de la estructura del puente. Según el proceso de corrección de perspectiva del área dañada, se puede ver que cuanto mayor es el ángulo entre el plano de la superficie del puente y el plano de imagen, menor es la confiabilidad de la estimación del daño. Por lo tanto, en la adquisición de imágenes reales, todavía es necesario minimizar el ángulo tanto como sea posible. Un ángulo demasiado grande también puede afectar el efecto de corrección del método descrito en este artículo.

En este artículo, se lleva a cabo la investigación técnica correspondiente para resolver el problema técnico de reconocimiento de imágenes y medición del área de daño de la estructura de un puente. Sobre la base de definir las características de la imagen digital del área dañada de la estructura del puente, se propone un método de preprocesamiento de la imagen del área dañada de la estructura, que puede mejorar efectivamente la calidad de la imagen tomada en el sitio. Este método realiza la corrección del ángulo visual del área dañada y la mejora del área característica del daño de la imagen de la superficie de la estructura del puente, y puede suprimir eficazmente la interferencia causada por puntos negros y puntos sucios. En la identificación automática del área dañada de la estructura del puente, se propone un método Ostu mejorado para fusionar orgánicamente las características del umbral global y del umbral local de la imagen. La función de diferencia de gradiente se utiliza para filtrar aún más el área dañada para lograr el tallado del contorno del área dañada de la imagen de la superficie de la estructura del puente, lo que puede lograr con mayor precisión la extracción del contorno del área dañada. En la cuantificación del índice de parámetro característico del área de daño de la estructura del puente, se construyen la escala del área de daño, la proporción del área de daño y la regla de cálculo de orientación del área de daño. Se realiza la importante inspección y diagnóstico de parámetros característicos del área dañada de la estructura del puente. Combinado con el análisis de pruebas de casos de ingeniería reales, los resultados de las pruebas muestran que el método de identificación automática del área de daño de la estructura del puente basado en imágenes digitales propuesto en este documento es factible y estable, lo que puede mejorar la precisión de la medición del área de daño de la estructura del puente actual. , proporcionando más soporte de datos para la detección y mantenimiento de estructuras de puentes.

Todos los datos generados o analizados durante este estudio se incluyen en este artículo publicado.

Zhang, ZL, Yang, T. & Pei, XM Investigación sobre la aplicación de una tecnología de traducción de imágenes basada en GAN. J. Física. Conf. Ser. 1744(4), 042120. https://doi.org/10.1088/1742-6596/1744/4/042120 (2021).

Artículo de Google Scholar

Zhu, Y., Chen, W., Fu, Y. & Huang, S. Una revisión de las redes de detección de fibra óptica en entornos hostiles para el monitoreo de la salud estructural de puentes. Proc Spie https://doi.org/10.1117/12.680663 (2006).

Artículo de Google Scholar

Chen, JH, Gao, YJ, Liu, S. & Sun, YP Comprobación y fortalecimiento de los andamios del bloque de viviendas para la construcción de soportes colgantes del puente Qinhe. Aplica. Mec. Madre. 10(1), 438–439. https://doi.org/10.4028/www.scientific.net/AMM.438-439.926 (2013).

Artículo de Google Scholar

Lin, JW, Chen, CW y Chung, SH Modelado y evaluación de la estructura de puentes para la prevención de riesgos sísmicos. Nat. Peligros 61(3), 1115–1126. https://doi.org/10.1007/s11069-011-9969-3 (2012).

Artículo de Google Scholar

Alessio, P. Evaluación de la seguridad acoplada de puentes atirantados. Modificación. Aplica. Ciencia. 6(7), 64–78. https://doi.org/10.5539/mas.v6n7p64 (2012).

Artículo de Google Scholar

Lee, CH y cols. Evaluación de la seguridad de estructuras de puentes mediante vibración ambiental. Adv. Ciencia. Tecnología. 83, 151-156. https://doi.org/10.4028/www.scientific.net/AST.83.151 (2013).

Artículo de Google Scholar

Sabri, O., Kendziorra, K., Wolf, H., Gertz, HJ & Brust, P. Receptores de acetilcolina en la demencia y el deterioro cognitivo leve. EUR. J. Nucl. Medicina. Mol. Imágenes 35(1), 30–45. https://doi.org/10.1007/s00259-007-0701-1 (2008).

Artículo CAS Google Scholar

Ma Y. Investigación sobre pintura al óleo digital basada en tecnología de procesamiento de imágenes digitales. En: Conferencia IEEE 2020 sobre Telecomunicaciones, Óptica e Informática (TOCS). IEEE, DOI: https://doi.org/10.1109/TOCS50858.2020.9339719 (2020).

Chen, XL y cols. Revisión del estado del arte sobre uniformidad de distribución de mezclas asfálticas basado en tecnología de procesamiento digital de imágenes. Conferencia de la PIO. Ser. 638(1), 012074. https://doi.org/10.1088/1755-1315/638/1/012074 (2021).

Artículo de Google Scholar

Yu, B., Li, Y. & Chen, ZH Detección fotoeléctrica de la forma y el tamaño de los orificios para piezas de placas grandes. J. Física. Conf. Ser. 1744(2), 022119. https://doi.org/10.1088/1742-6596/1744/2/022119 (2021).

Artículo MathSciNet Google Scholar

Su, QT, Zeng, M., Dai, C., Wu, C. y Shao, C. Capacidad de flexión de un tablero de puente compuesto ortotrópico con nervaduras de acero en forma de T. Síntoma Iabse. Representante 106(13), 70–76. https://doi.org/10.2749/222137816819258311 (2016).

Artículo de Google Scholar

Cha, YJ, Chen, JG y Buyukozturk, O. Detección de daños basada en visión por computadora de salida únicamente mediante flujo óptico basado en fases y filtros Kalman sin perfume. Ing. Estructura. 132, 300–313. https://doi.org/10.1016/j.engstruct.2016.11.038 (2017).

Artículo de Google Scholar

Wang, P. y col. Detección automática de daños en techos en estructuras de grandes luces basada en visión por computadora y aprendizaje profundo. Sostenibilidad https://doi.org/10.3390/su14063275 (2022).

Artículo de Google Scholar

Zhang, LX, Shen, JK y Zhu, BJ Una revisión de la investigación y aplicación de la visión por computadora basada en el aprendizaje profundo en la detección de daños estructurales. Tierraq. Ing. Ing. Vibración. 21(1), 1–21. https://doi.org/10.1007/s11803-022-2074-7 (2022).

Artículo de Google Scholar

Huang, XY, Liu, ZL, Zhang, XY y Kang, JL Detección de daños superficiales en cables de acero mediante técnicas de aprendizaje profundo y visión por computadora-ScienceDirect. Medida 161, 107843. https://doi.org/10.1016/j.measurement.2020.107843 (2020).

Artículo de Google Scholar

Riklin, RT, Kiryati, N. & Sochen, N. Segmentación previa y registro de formas en presencia de distorsión de la perspectiva. En t. J. Computación. Visión 72(3), 309–328. https://doi.org/10.1007/s11263-006-9042-y (2007).

Artículo de Google Scholar

Wang, X., Xu, HH y Wang, JC Identificación del área de daños de estructuras submarinas basada en la diferencia de longitud de onda de la fuente de luz. J. Civilización. Estructura. Sanar. Monit. 12(3), 501–515. https://doi.org/10.1007/s13349-022-00558-4 (2022).

Artículo de Google Scholar

Wang, JC, Chen, W., Wang, YT & Zou, JP Reconocimiento de poros de arrecifes de coral y extracción de características basado en imágenes de pozo. Mar. Georesour. Geotecnología. 11, 1–12. https://doi.org/10.1080/1064119X.2021.1874576 (2021).

Artículo de Google Scholar

Wang, JC, Wang, CY, Han, ZQ, Zou, XJ & Hu, S. Método de extracción de parámetros característicos de la cueva kárstica oculta a partir de la señal de radar del pozo. En t. J. Geomecánica. 20(8), 04020113. https://doi.org/10.1061/(ASCE)GM.1943-5622.0001733 (2020).

Artículo de Google Scholar

Wang, JC, Wang, CY, Sheng, Hu., Han, ZQ y Wang, YT Un nuevo método para la extracción de parámetros de superficie estructural en imágenes de pozo. Geotecnología. Mec. 38(10), 3074–3080 (2017).

Google Académico

Wong, TY, Wong, MH y Lui, CS Una condición de terminación precisa del algoritmo probabilístico de marcado de paquetes. Traducción IEEE. Computación segura confiable. 5(1), 6–21. https://doi.org/10.1109/TDSC.2007.70229 (2008).

Artículo de Google Scholar

Descargar referencias

Este trabajo fue apoyado por la Fundación Nacional de Ciencias Naturales para la Juventud de China (Subvención No. 41902294); el Proyecto Nacional de Desarrollo de Instrumentos y Equipos Científicos Importantes de la Fundación Nacional de Ciencias Naturales de China (Subvención No. 42227805).

Instituto de Mecánica de Rocas y Suelos, Academia China de Ciencias, Wuhan, 430071, Hubei, China

Jinchao Wang, Houcheng Liu, Zengqiang Han y Yiteng Wang

Laboratorio Estatal Clave de Geomecánica e Ingeniería Geotécnica, Wuhan, 430071, Hubei, China

Jinchao Wang, Zengqiang Han y Yiteng Wang

Wuhan Zhongke Kechuang Engineering Testing Co., Ltd., Wuhan, 430071, Hubei, China

Houcheng Liu

También puedes buscar este autor en PubMed Google Scholar.

JW: Conceptualización, Metodología, Software, Redacción - Borrador original. NS: Administración de proyectos, Curación de datos. ZH: Administración de proyectos, Curación de datos. YW: Análisis formal, Curación de datos.

Correspondencia a Jinchao Wang.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Wang, J., Liu, H., Han, Z. et al. Método de identificación automática del área de daño de la estructura del puente basado en imagen digital. Representante científico 13, 12532 (2023). https://doi.org/10.1038/s41598-023-39740-z

Descargar cita

Recibido: 29 de marzo de 2023

Aceptado: 13 de julio de 2023

Publicado: 02 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-39740-z

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.