本發(fā)明涉及斜拉橋的斜拉索銹蝕發(fā)育狀態(tài)評(píng)價(jià)方法，尤其涉及基于無人機(jī)檢測(cè)的斜拉橋的斜拉索銹蝕發(fā)育狀態(tài)評(píng)價(jià)方法，屬于斜拉索銹蝕程度分類。

背景技術(shù)：

1、斜拉橋的斜拉索出現(xiàn)銹蝕主要是由于環(huán)境因素引起的，比如空氣中的濕度、鹽分、污染物等都會(huì)導(dǎo)致金屬材料的腐蝕，此外，斜拉索保護(hù)層（如防腐涂層或密封系統(tǒng)）破損會(huì)使得斜拉索直接暴露在惡劣環(huán)境中，加速銹蝕過程；斜拉索銹蝕會(huì)對(duì)橋梁的安全性和穩(wěn)定性產(chǎn)生嚴(yán)重影響，銹蝕會(huì)減小斜拉索的截面面積，降低其承載力，增加索斷裂的風(fēng)險(xiǎn)，同時(shí)，銹蝕會(huì)導(dǎo)致斜拉索內(nèi)部應(yīng)力分布不均，引發(fā)或加劇疲勞損傷，進(jìn)而影響整個(gè)橋梁結(jié)構(gòu)的安全；因此，斜拉索銹蝕的快速智能識(shí)別可以及時(shí)發(fā)現(xiàn)潛在的安全隱患，有效規(guī)劃維護(hù)和修復(fù)工作，避免由于斜拉索斷裂導(dǎo)致的重大安全事故，確保橋梁的正常運(yùn)營(yíng)和使用壽命，提高斜拉索銹蝕的識(shí)別效率和精度，可減少人工檢查的工作量和風(fēng)險(xiǎn)。

2、由于技術(shù)復(fù)雜性高、研究資源有限、應(yīng)用場(chǎng)景的多樣性等條件的限制，導(dǎo)致了在無人機(jī)飛行路徑優(yōu)化方面的研究不充分，缺乏對(duì)無人機(jī)最短飛行路徑的研究將導(dǎo)致多種效率和成本問題，首先，未設(shè)計(jì)最優(yōu)飛行路徑的無人機(jī)可能會(huì)延長(zhǎng)任務(wù)完成時(shí)間，消耗更多電能，從而增加能源成本和操作成本，這種非效率的飛行不僅增加了設(shè)備的磨損，還可能使無人機(jī)因電量不足而無法完成任務(wù)，此外，不合理的飛行路徑還可能使無人機(jī)更頻繁地面對(duì)復(fù)雜環(huán)境和飛行風(fēng)險(xiǎn)，增加事故發(fā)生的可能性，影響數(shù)據(jù)采集的質(zhì)量和時(shí)效性；因此，開展無人機(jī)最短飛行路徑的研究具有極其重要的實(shí)際意義和戰(zhàn)略價(jià)值，通過優(yōu)化飛行路徑，不僅可以顯著提高無人機(jī)的作業(yè)效率，減少能源消耗，延長(zhǎng)設(shè)備壽命，還可以在保證安全的前提下擴(kuò)大作業(yè)范圍和靈活性。

3、另一方面，對(duì)斜拉橋斜拉索的銹蝕狀態(tài)進(jìn)行評(píng)價(jià)和分類更加重要，直接關(guān)系到橋梁的結(jié)構(gòu)安全和壽命，不同的銹蝕程度對(duì)應(yīng)不同的防護(hù)和維修方案，通過準(zhǔn)確分類，管理者可以制定針對(duì)性的維護(hù)策略，優(yōu)化資源分配，及時(shí)處理潛在風(fēng)險(xiǎn)，從而延長(zhǎng)橋梁的使用壽命并提高橋梁安全性能。

4、現(xiàn)有技術(shù)中，公開(公告)號(hào)為cn108562531b的專利文件公開了一種橋梁斜拉索銹蝕檢測(cè)設(shè)備，提出了一種智慧型錨固結(jié)構(gòu)，通過設(shè)計(jì)一個(gè)錐形錨固區(qū)來錨固斜拉索的鋼絲，并利用一個(gè)電極電位較低的陽極板與鋼絲鐓頭接觸，形成陰極保護(hù)來減緩鋼絲鐓頭的銹蝕過程；公開(公告)號(hào)為cn105548360a的專利文件公開了基于應(yīng)力集中與超聲導(dǎo)波的斜拉索銹蝕復(fù)合監(jiān)測(cè)方法，能夠通過自制的銹蝕傳感單元和輔助框架組成的預(yù)應(yīng)力自平衡體系，實(shí)現(xiàn)對(duì)斜拉索銹蝕狀態(tài)和應(yīng)力腐蝕裂紋的長(zhǎng)期和定量監(jiān)測(cè)；然而，上述方法并未考慮斜拉索銹蝕的快速智能識(shí)別，會(huì)導(dǎo)致即使在錨固結(jié)構(gòu)中加入了防銹蝕措施后，仍無法及時(shí)發(fā)現(xiàn)和評(píng)估錨固區(qū)以外部分的銹蝕情況，從而無法全面保障斜拉索的健康狀態(tài)和橋梁的安全性，增加了結(jié)構(gòu)失效的風(fēng)險(xiǎn)，最終影響整個(gè)斜拉橋的操作和壽命，同時(shí)，尚未考慮對(duì)斜拉索的發(fā)育狀態(tài)和銹蝕程度分類，無法設(shè)計(jì)相關(guān)修復(fù)方案對(duì)銹蝕區(qū)域進(jìn)行有針對(duì)性的盡快處理。

5、因此，需要一種基于無人機(jī)檢測(cè)的斜拉橋的斜拉索銹蝕發(fā)育狀態(tài)評(píng)價(jià)方法。

技術(shù)實(shí)現(xiàn)思路

1、在下文中給出了關(guān)于本發(fā)明的簡(jiǎn)要概述，以便提供關(guān)于本發(fā)明的某些方面的基本理解。應(yīng)當(dāng)理解，這個(gè)概述并不是關(guān)于本發(fā)明的窮舉性概述。它并不是意圖確定本發(fā)明的關(guān)鍵或重要部分，也不是意圖限定本發(fā)明的范圍。其目的僅僅是以簡(jiǎn)化的形式給出某些概念，以此作為稍后論述的更詳細(xì)描述的前序。

2、鑒于此，為解決現(xiàn)有技術(shù)中傳統(tǒng)的橋梁斜拉索銹蝕檢測(cè)方法識(shí)別效率低且未考慮銹蝕發(fā)育狀態(tài)評(píng)價(jià)分類的問題，本發(fā)明提供基于無人機(jī)檢測(cè)的斜拉橋的斜拉索銹蝕發(fā)育狀態(tài)評(píng)價(jià)方法。

3、技術(shù)方案如下：基于無人機(jī)檢測(cè)的斜拉橋斜拉索銹蝕發(fā)育狀態(tài)評(píng)價(jià)方法，包括以下步驟：

4、s1.根據(jù)無人機(jī)參數(shù)信息和操作信息，規(guī)劃無人機(jī)最短飛行路徑；

5、s2.沿?zé)o人機(jī)最短飛行路徑，采集斜拉索圖像生成圖像矩陣，對(duì)其進(jìn)行圖像質(zhì)量增強(qiáng)，得到新的圖像矩陣；

6、s3.對(duì)新的圖像矩陣中的圖像等分并進(jìn)行圖像像素更新，得到像素更新后的圖像；

7、s4.根據(jù)像素更新后的圖像結(jié)合病害信息，構(gòu)建數(shù)據(jù)集，將數(shù)據(jù)集輸入到建立的基礎(chǔ)模型、輔助模型和強(qiáng)化模型中進(jìn)行訓(xùn)練，融合損失函數(shù)，得到總體損失函數(shù)，對(duì)三種模型進(jìn)行再次訓(xùn)練，得到訓(xùn)練完畢的總體模型；

8、s5.根據(jù)交并比優(yōu)化方法，對(duì)訓(xùn)練完畢的總體模型進(jìn)行訓(xùn)練，將訓(xùn)練完成的基礎(chǔ)模型作為最終模型，并輸出最終的銹蝕識(shí)別結(jié)果；

9、s6.根據(jù)最終的銹蝕識(shí)別結(jié)果，在識(shí)別出的對(duì)應(yīng)的斜拉索銹蝕區(qū)域，通過分析各類因素結(jié)合給定的因素標(biāo)準(zhǔn)值，得到斜拉索銹蝕發(fā)育狀態(tài)分類。

10、進(jìn)一步地，所述s1中，具體包括以下步驟：

11、s11.確定無人機(jī)起飛點(diǎn)和降落點(diǎn)，選定操作員觀察位置；

12、s12.根據(jù)無人機(jī)搭載相機(jī)的焦距和傳感器大小，確定飛行高度avh，獲得圖像覆蓋率和分辨率，將無人機(jī)飛行速度設(shè)置為avv；

13、s13.根據(jù)無人機(jī)起飛點(diǎn)和降落點(diǎn)制定最短飛行路徑，確定斜拉索的坐標(biāo)信息和無人機(jī)拍攝點(diǎn)位信息；

14、所述s13中，起飛點(diǎn)坐標(biāo)為avo(avox，avoy，avoz)，在此基礎(chǔ)上，確定全部無人機(jī)拍攝點(diǎn)位，任一無人機(jī)拍攝點(diǎn)位的編號(hào)為p，其對(duì)應(yīng)的無人機(jī)拍攝點(diǎn)位坐標(biāo)為avp（avpx，avpy，avpz），無人機(jī)拍攝點(diǎn)位的編號(hào)集合表示為{1，2，3，…，xn}，對(duì)應(yīng)的無人機(jī)拍攝點(diǎn)位坐標(biāo)集合表示為{av1（av1x，av1y，av1z），av2（av2x，av2y，av2z），…，avxn（avxnx，avxny，avxnz）}，其中，xn為無人機(jī)拍攝點(diǎn)位的數(shù)量，計(jì)算得到任一無人機(jī)拍攝點(diǎn)位avp和與其相鄰的無人機(jī)拍攝點(diǎn)位av（p+1）之間的相鄰距離；

15、以起飛點(diǎn)avo為出發(fā)點(diǎn)，根據(jù)任一無人機(jī)拍攝點(diǎn)位與起飛點(diǎn)之間的距離，計(jì)算得到全部無人機(jī)拍攝點(diǎn)位與起飛點(diǎn)之間的距離，篩選出其中三個(gè)最小距離對(duì)應(yīng)的無人機(jī)拍攝點(diǎn)位，并進(jìn)行隨機(jī)選擇，得到無人機(jī)從起飛點(diǎn)出發(fā)后抵達(dá)的第一個(gè)無人機(jī)拍攝點(diǎn)位；

16、確定無人機(jī)抵達(dá)的第一個(gè)拍攝點(diǎn)位后，計(jì)算全部拍攝點(diǎn)位與第一個(gè)抵達(dá)的拍攝點(diǎn)位之間的距離，篩選出其中三個(gè)最小距離對(duì)應(yīng)的無人機(jī)拍攝點(diǎn)位，并進(jìn)行隨機(jī)選擇，得到無人機(jī)從抵達(dá)的第一個(gè)拍攝點(diǎn)位出發(fā)后抵達(dá)的第二個(gè)拍攝點(diǎn)位，重復(fù)上述步驟，直至得到無人機(jī)抵達(dá)的全部拍攝點(diǎn)位，根據(jù)每次隨機(jī)選擇的不同，計(jì)算第一種飛行方式下無人機(jī)飛行的總距離tdis1，重復(fù)上述步驟，重復(fù)次數(shù)為cn，整合得到不同飛行方式下無人機(jī)飛行的總距離集合{tdis1，tdis2，tdis3，tdis4，…，tdiscn}，將其按照從小到大的順序排列，并挑選出排名在前tn的總距離以及對(duì)應(yīng)的飛行路線，tn為預(yù)設(shè)值，統(tǒng)計(jì)tn個(gè)飛行路線的交集信息，并選擇交集數(shù)量最多的飛行線路，組合得到無人機(jī)最短飛行路徑。

17、進(jìn)一步地，所述s2中，具體包括以下步驟：

18、s21.采用無人機(jī)的機(jī)載高清相機(jī)，沿?zé)o人機(jī)最短飛行路徑采集斜拉橋的斜拉索圖像ph，對(duì)應(yīng)的圖像矩陣為ph；

19、s22.構(gòu)建5階降噪核函數(shù)n，對(duì)核函數(shù)中全部元素進(jìn)行歸一化操作，得到歸一化后的降噪核函數(shù)；

20、s23.根據(jù)歸一化后的降噪核函數(shù)，對(duì)圖像進(jìn)行降噪核函數(shù)處理，得到新的圖像矩陣p，實(shí)現(xiàn)圖像質(zhì)量增強(qiáng)；

21、所述s22中，5階降噪核函數(shù)n表示為：

22、；

23、；

24、其中，x=1、2、3、4或5，x為矩陣的行號(hào)，y=1、2、3、4或5，y為矩陣的列號(hào)，為核函數(shù)中全部元素的標(biāo)準(zhǔn)方差，為自然對(duì)數(shù)的底；

25、歸一化后的降噪核函數(shù)表示為：

26、；

27、所述s23中，新的圖像矩陣p表示為：

28、。

29、進(jìn)一步地，所述s3中，具體包括以下步驟：

30、s31.根據(jù)新的圖像矩陣p，將像素灰度值等分成16個(gè)灰度級(jí)，對(duì)新的圖像矩陣p中的圖像進(jìn)行n等分，得到等分后的圖像；

31、s32.統(tǒng)計(jì)等分后的圖像中每個(gè)灰度級(jí)對(duì)應(yīng)的像素頻率，計(jì)算得到等分后的圖像中每個(gè)灰度級(jí)對(duì)應(yīng)的灰度頻率累計(jì)值；

32、s33.根據(jù)灰度頻率累計(jì)值，構(gòu)建像素值更新方法，計(jì)算灰度級(jí)對(duì)應(yīng)的像素更新值，得到像素更新后的圖像；

33、所述s31中，像素灰度值為0-255，灰度級(jí)為，=1，2，3，…，16，為灰度編號(hào)，等分后的圖像為pnum，num=1，2，…，n；

34、所述s32中，等分后的圖像pnum中每個(gè)灰度級(jí)對(duì)應(yīng)的灰度頻率累計(jì)值表示為：

35、；

36、其中，為小于或等于的灰度級(jí)編號(hào)，表示灰度級(jí)編號(hào)為的灰度級(jí)；

37、所述s33中，灰度級(jí)對(duì)應(yīng)的像素更新值表示為：

38、；

39、其中，為全部像素頻率累積值中的最小非零值，為等分后的圖像pnum對(duì)應(yīng)的總像素?cái)?shù)，為灰度級(jí)的最大值。

40、進(jìn)一步地，所述s4中，具體包括以下步驟：

41、s41.基于像素更新后的圖像，挑選出全部包含斜拉索銹蝕、斷絲、磨損和外包層損壞的圖像作為輸入圖像；

42、s42.通過人工標(biāo)注，在輸入圖像中框選出斜拉索銹蝕和其他三種病害，構(gòu)建數(shù)據(jù)集，按照數(shù)量比8:2的比例，將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集；

43、s43.根據(jù)數(shù)據(jù)集，構(gòu)建基礎(chǔ)模型、輔助模型和強(qiáng)化模型，計(jì)算三種模型的損失函數(shù)并進(jìn)行融合，得到總體損失函數(shù)，采用總體損失函數(shù)對(duì)三種模型進(jìn)行訓(xùn)練，得到訓(xùn)練完畢的總體模型；

44、所述s42中，銹蝕區(qū)域標(biāo)記為rust，三種病害即斷絲、磨損和外包層損壞依次標(biāo)記為other1、other2和other3；

45、所述s43中，構(gòu)建基礎(chǔ)模型即深度學(xué)習(xí)模型a的網(wǎng)絡(luò)結(jié)構(gòu)，深度學(xué)習(xí)模型a由1個(gè)輸入層、9個(gè)卷積層、9個(gè)激活層、3個(gè)池化層、1個(gè)合并層、1個(gè)上采樣層、1個(gè)panet層、1個(gè)池化拼接層、1個(gè)spp層和1個(gè)輸出層組成；

46、將數(shù)據(jù)集輸入到深度學(xué)習(xí)模型a中，通過誤差反向傳播算法，計(jì)算得到深度學(xué)習(xí)模型a的神經(jīng)網(wǎng)絡(luò)單元的權(quán)重和偏置，完成深度學(xué)習(xí)模型a的訓(xùn)練，得到訓(xùn)練完畢的深度學(xué)習(xí)模型a；

47、訓(xùn)練完畢的深度學(xué)習(xí)模型a的損失函數(shù)表示為：

48、；

49、其中，為深度學(xué)習(xí)模型a中數(shù)據(jù)集的數(shù)據(jù)樣本總數(shù)，為第個(gè)樣本的真實(shí)標(biāo)簽，為深度學(xué)習(xí)模型a預(yù)測(cè)第個(gè)樣本為類別1的概率，為自然對(duì)數(shù)；

50、深度學(xué)習(xí)模型a對(duì)應(yīng)的輸出單元節(jié)點(diǎn)的輸出值為，分別為第一輸出單元節(jié)點(diǎn)的輸出值、第二輸出單元節(jié)點(diǎn)的輸出值、第三輸出單元節(jié)點(diǎn)的輸出值和第四輸出單元節(jié)點(diǎn)的輸出值，根據(jù)指數(shù)函數(shù)，先將深度學(xué)習(xí)模型a對(duì)應(yīng)的4個(gè)輸出單元節(jié)點(diǎn)的輸出值初始轉(zhuǎn)換為第一初步輸出值第一初步輸出值的概率值，再將其進(jìn)一步優(yōu)化轉(zhuǎn)換得到第一優(yōu)化輸出值和第一優(yōu)化輸出值的增強(qiáng)概率值；

51、采用第一優(yōu)化輸出值的增強(qiáng)概率值和數(shù)據(jù)集，結(jié)合誤差鏈?zhǔn)角髮?dǎo)法則，繼續(xù)訓(xùn)練深度學(xué)習(xí)模型a，訓(xùn)練完畢后，得到第一病害的輸出值和深度學(xué)習(xí)模型a輸出層的節(jié)點(diǎn)對(duì)應(yīng)的實(shí)際病害標(biāo)注，第一病害的輸出值分別為斜拉索銹蝕輸出值、斷絲的輸出值、磨損輸出值和外包層損壞輸出值；

52、構(gòu)建輔助模型即深度學(xué)習(xí)模型b，深度學(xué)習(xí)模型b由1個(gè)輸入層、9個(gè)卷積層、9個(gè)激活層、5個(gè)池化層、1個(gè)合并層、1個(gè)上采樣層、1個(gè)panet層、1個(gè)池化拼接層、1個(gè)spp層和1個(gè)輸出層組成；

53、將數(shù)據(jù)集輸入到深度學(xué)習(xí)模型b中，通過誤差反向傳播算法，計(jì)算得到深度學(xué)習(xí)模型b的神經(jīng)網(wǎng)絡(luò)單元的權(quán)重和偏置，完成深度學(xué)習(xí)模型b的訓(xùn)練，得到訓(xùn)練完畢的深度學(xué)習(xí)模型b；

54、訓(xùn)練完畢的深度學(xué)習(xí)模型b的損失函數(shù)表示為：

55、；

56、其中，為深度學(xué)習(xí)模型b中數(shù)據(jù)集的數(shù)據(jù)樣本總數(shù)，為第個(gè)樣本的真實(shí)標(biāo)簽，為深度學(xué)習(xí)模型b預(yù)測(cè)第個(gè)樣本為類別1的概率；

57、深度學(xué)習(xí)模型b對(duì)應(yīng)的輸出單元節(jié)點(diǎn)的輸出值為，分別為第五輸出單元節(jié)點(diǎn)的輸出值、第六輸出單元節(jié)點(diǎn)的輸出值、第七輸出單元節(jié)點(diǎn)的輸出值和第八輸出單元節(jié)點(diǎn)的輸出值，根據(jù)指數(shù)函數(shù)，先將深度學(xué)習(xí)模型b對(duì)應(yīng)的4個(gè)輸出單元節(jié)點(diǎn)的輸出值初始轉(zhuǎn)換為第二初步輸出值和第二初步輸出值的概率值，再將其進(jìn)一步優(yōu)化轉(zhuǎn)換得到第二優(yōu)化輸出值和第二優(yōu)化輸出值的增強(qiáng)概率值；

58、采用第二優(yōu)化輸出值的增強(qiáng)概率值和數(shù)據(jù)集，結(jié)合誤差鏈?zhǔn)角髮?dǎo)法則，繼續(xù)訓(xùn)練深度學(xué)習(xí)模型b，訓(xùn)練完畢后，得到第二病害的輸出值和深度學(xué)習(xí)模型b輸出層的節(jié)點(diǎn)對(duì)應(yīng)的實(shí)際病害標(biāo)注，第二病害的輸出值分別為第二斜拉索銹蝕輸出值、第二斷絲的輸出值、第二磨損輸出值和第二外包層損壞輸出值；

59、構(gòu)建強(qiáng)化模型即深度學(xué)習(xí)模型c、深度學(xué)習(xí)模型c由1個(gè)輸入層、12個(gè)卷積層、12個(gè)激活層、5個(gè)池化層、1個(gè)合并層、1個(gè)上采樣層、1個(gè)panet層、1個(gè)池化拼接層、1個(gè)spp層和1個(gè)輸出層組成；

60、將數(shù)據(jù)集輸入到深度學(xué)習(xí)模型c中，通過誤差反向傳播算法，計(jì)算得到深度學(xué)習(xí)模型c的神經(jīng)網(wǎng)絡(luò)單元的權(quán)重和偏置，完成深度學(xué)習(xí)模型c的訓(xùn)練，得到訓(xùn)練完畢的深度學(xué)習(xí)模型c；

61、訓(xùn)練完畢的深度學(xué)習(xí)模型c的損失函數(shù)表示為：

62、；

63、其中，為深度學(xué)習(xí)模型c中數(shù)據(jù)集的數(shù)據(jù)樣本總數(shù)，為第個(gè)樣本的真實(shí)標(biāo)簽，為深度學(xué)習(xí)模型c預(yù)測(cè)第個(gè)樣本為類別1的概率；

64、深度學(xué)習(xí)模型c對(duì)應(yīng)的輸出單元節(jié)點(diǎn)的輸出值為，分別為第九輸出單元節(jié)點(diǎn)的輸出值、第十輸出單元節(jié)點(diǎn)的輸出值、第十一輸出單元節(jié)點(diǎn)的輸出值和第十二輸出單元節(jié)點(diǎn)的輸出值，根據(jù)指數(shù)函數(shù)，先將深度學(xué)習(xí)模型c對(duì)應(yīng)的4個(gè)輸出單元節(jié)點(diǎn)的輸出值初始轉(zhuǎn)換為第三初步輸出值和第三初步輸出值的概率值，再將其進(jìn)一步優(yōu)化轉(zhuǎn)換得到第三優(yōu)化輸出值和第三優(yōu)化輸出值的增強(qiáng)概率值；

65、采用第三優(yōu)化輸出值的增強(qiáng)概率值和數(shù)據(jù)集，結(jié)合誤差鏈?zhǔn)角髮?dǎo)法則，繼續(xù)訓(xùn)練深度學(xué)習(xí)模型c，訓(xùn)練完畢后，得到第三病害輸出值和深度學(xué)習(xí)模型c輸出層的節(jié)點(diǎn)對(duì)應(yīng)的實(shí)際病害標(biāo)注，第三病害輸出值分別為第三斜拉索銹蝕輸出值、第三斷絲的輸出值、第三磨損輸出值和第三外包層損壞輸出值；

66、根據(jù)第二病害輸出值為和第一優(yōu)化輸出值的增強(qiáng)概率值，構(gòu)建深度學(xué)習(xí)模型b和深度學(xué)習(xí)模型a之間的損失函數(shù)，得到對(duì)應(yīng)權(quán)重系數(shù)；

67、基于第一初步輸出值的概率值和深度學(xué)習(xí)模型a輸出層的節(jié)點(diǎn)對(duì)應(yīng)的實(shí)際病害標(biāo)注，構(gòu)建考慮第一初步輸出值的概率值的深度學(xué)習(xí)模型a的損失函數(shù)，得到對(duì)應(yīng)權(quán)重系數(shù)；

68、基于深度學(xué)習(xí)模型b和深度學(xué)習(xí)模型a之間的損失函數(shù)和考慮第一初步輸出值的概率值的深度學(xué)習(xí)模型a的損失函數(shù)，建立深度學(xué)習(xí)模型b與深度學(xué)習(xí)模型a的輸出層之間的關(guān)系損失函數(shù)；

69、根據(jù)上述操作，建立深度學(xué)習(xí)模型c與深度學(xué)習(xí)模型b的輸出層之間的關(guān)系損失函數(shù)和深度學(xué)習(xí)模型c與深度學(xué)習(xí)模型a的輸出層之間的關(guān)系損失函數(shù)，定義深度學(xué)習(xí)模型a、深度學(xué)習(xí)模型b和深度學(xué)習(xí)模型c之間對(duì)應(yīng)的總體損失函數(shù)；

70、根據(jù)總體損失函數(shù)，基于誤差鏈?zhǔn)角髮?dǎo)法則，通過誤差反向傳播算法，對(duì)深度學(xué)習(xí)模型a、深度學(xué)習(xí)模型b和深度學(xué)習(xí)模型c概述為總體模型進(jìn)行訓(xùn)練，得到訓(xùn)練完畢的總體模型，輸出銹蝕識(shí)別結(jié)果。

71、進(jìn)一步地，所述s5中，具體包括以下步驟：

72、s51.對(duì)于訓(xùn)練完畢的總體模型的每個(gè)目標(biāo)預(yù)測(cè)邊界框和對(duì)應(yīng)的真實(shí)邊界框，計(jì)算得到兩者的交集面積；

73、s52.對(duì)于訓(xùn)練完畢的總體模型的每個(gè)目標(biāo)預(yù)測(cè)邊界框和對(duì)應(yīng)的真實(shí)邊界框，計(jì)算得到兩者的并集面積；

74、s53.計(jì)算交集面積和并集面積對(duì)應(yīng)的交并比iou，引入調(diào)整系數(shù)，構(gòu)建目標(biāo)位置的損失函數(shù)，得到優(yōu)化后的交并比iou；

75、s54.根據(jù)優(yōu)化后的交并比iou，對(duì)訓(xùn)練完畢的總體模型進(jìn)行訓(xùn)練，當(dāng)總體損失函數(shù)最小時(shí)，對(duì)應(yīng)的模型參數(shù)最優(yōu)，其作為最終的最優(yōu)模型輸出最終的銹蝕識(shí)別結(jié)果；

76、所述s53中，設(shè)置交并比閾值，根據(jù)交并比與交并比閾值的關(guān)系，確定調(diào)整系數(shù)的范圍，當(dāng)時(shí)，對(duì)應(yīng)的目標(biāo)位置的損失函數(shù)的調(diào)整系數(shù)，當(dāng)時(shí)，對(duì)應(yīng)的目標(biāo)位置的損失函數(shù)的調(diào)整系數(shù)，當(dāng)時(shí)，對(duì)應(yīng)的損失函數(shù)的調(diào)整系數(shù)。

77、進(jìn)一步地，所述s6中，具體包括以下步驟：

78、s61.根據(jù)斜拉索銹蝕面積cd、銹蝕深度kd、直徑損失cf、銹蝕開裂程度kf和銹蝕發(fā)育速度sl五個(gè)因素，建立斜拉索銹蝕發(fā)育狀態(tài)分類標(biāo)準(zhǔn)；

79、s62.根據(jù)斜拉索銹蝕發(fā)育狀態(tài)分類標(biāo)準(zhǔn)，進(jìn)行斜拉索銹蝕發(fā)育狀態(tài)評(píng)價(jià)；

80、所述s61中，對(duì)每一類斜拉索銹蝕發(fā)育狀態(tài)分類標(biāo)準(zhǔn)對(duì)應(yīng)的因素給出標(biāo)準(zhǔn)值，得到斜拉索銹蝕面積標(biāo)準(zhǔn)值、銹蝕深度標(biāo)準(zhǔn)值、直徑損失標(biāo)準(zhǔn)值、銹蝕開裂程度標(biāo)準(zhǔn)值和銹蝕發(fā)育速度標(biāo)準(zhǔn)值，其中，，nl為斜拉索銹蝕發(fā)育狀態(tài)分類標(biāo)準(zhǔn)的分類數(shù)；

81、在此基礎(chǔ)上，為每一類的斜拉索銹蝕發(fā)育狀態(tài)分類標(biāo)準(zhǔn)，建立斜拉索銹蝕發(fā)育狀態(tài)分類標(biāo)準(zhǔn)矩陣；

82、斜拉索銹蝕發(fā)育狀態(tài)分類標(biāo)準(zhǔn)矩陣表示為：

83、；

84、所述s62中，面向nw座斜拉橋，采集斜拉橋斜拉索圖像，將斜拉橋依次編號(hào)為1-nw，通過無人機(jī)采集編號(hào)為u的斜拉橋的斜拉索圖像，識(shí)別含有斜拉索銹蝕的圖像，提取得到斜拉索銹蝕面積、銹蝕深度、直徑損失、銹蝕開裂程度和銹蝕發(fā)育速度，構(gòu)建第u座斜拉橋的斜拉索銹蝕發(fā)育狀態(tài)矩陣，，計(jì)算得到第u座斜拉索銹蝕發(fā)育狀態(tài)矩陣與全部斜拉索銹蝕發(fā)育狀態(tài)標(biāo)準(zhǔn)矩陣之間的距離；

85、第u座斜拉索銹蝕發(fā)育狀態(tài)矩陣與斜拉索銹蝕發(fā)育狀態(tài)標(biāo)準(zhǔn)矩陣之間的距離表示為：

86、；

87、其中，為斜拉索銹蝕面積與斜拉索銹蝕面積標(biāo)準(zhǔn)值之間的權(quán)重系數(shù)，為銹蝕深度與銹蝕深度標(biāo)準(zhǔn)值之間的權(quán)重系數(shù)，為直徑損失與直徑損失標(biāo)準(zhǔn)值之間的權(quán)重系數(shù)，為銹蝕開裂程度與銹蝕開裂程度標(biāo)準(zhǔn)值之間的權(quán)重系數(shù)，為銹蝕發(fā)育速度與銹蝕發(fā)育速度標(biāo)準(zhǔn)值之間的權(quán)重系數(shù)；

88、計(jì)算并篩選出第u座斜拉索銹蝕發(fā)育狀態(tài)矩陣與全部斜拉索銹蝕發(fā)育狀態(tài)標(biāo)準(zhǔn)矩陣之間的距離中的最大值，最大值對(duì)應(yīng)的斜拉索銹蝕發(fā)育狀態(tài)標(biāo)準(zhǔn)，即為第u座斜拉橋?qū)?yīng)的斜拉索銹蝕發(fā)育狀態(tài)歸屬分類；

89、重復(fù)上述步驟，計(jì)算得到全部nw座斜拉橋與其對(duì)應(yīng)的全部斜拉索銹蝕發(fā)育狀態(tài)標(biāo)準(zhǔn)矩陣之間的距離，分別計(jì)算各座斜拉橋與全部斜拉索銹蝕發(fā)育狀態(tài)標(biāo)準(zhǔn)矩陣之間的距離中的最大值，最大值對(duì)應(yīng)的斜拉索銹蝕發(fā)育狀態(tài)標(biāo)準(zhǔn)，即為相應(yīng)斜拉橋?qū)?yīng)的斜拉索銹蝕發(fā)育狀態(tài)歸屬分類，至此，整合得到全部斜拉橋的斜拉索銹蝕發(fā)育狀態(tài)分類。

90、進(jìn)一步地，所述s43中，深度學(xué)習(xí)模型a的網(wǎng)絡(luò)結(jié)構(gòu)中的層級(jí)按以下順序依次進(jìn)行連接：

91、輸入層：圖像尺寸227×227×3；

92、卷積層1：卷積核尺寸3×3，卷積核數(shù)量32，stride：1，批量歸一化；

93、激活層1：leakyrelu；

94、卷積層2：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，批量歸一化；

95、激活層2：leakyrelu；

96、卷積層3：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，批量歸一化；

97、激活層3：leakyrelu；

98、卷積層4：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，批量歸一化；

99、激活層4：leakyrelu；

100、spp層：提取不同尺度的特征并進(jìn)行融合，增加模型的感受野；

101、池化層1：類型：全局平均池化，池化尺寸：5×5，stride：1；

102、池化層2：類型：全局平均池化，池化尺寸：9×9，stride：1；

103、池化層3：類型：全局平均池化，池化尺寸：13×13，stride：1；

104、池化拼接層：將三個(gè)池化層的輸出進(jìn)行連接；

105、panet層：聚合不同層次的特征，通過上采樣和下采樣操作實(shí)現(xiàn)特征金字塔；

106、卷積層5：卷積核尺寸3×3，卷積核數(shù)量768，stride：2，批量歸一化；

107、激活層5：leakyrelu；

108、卷積層6：卷積核尺寸3×3，卷積核數(shù)量768，stride：2，批量歸一化；

109、激活層6：leakyrelu；

110、上采樣層：采用最近鄰插值的方式，上采樣至與池化拼接層相同的尺寸；

111、合并層：下采樣層輸出特征圖與上采樣層輸出特征圖合并；

112、卷積層7：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，批量歸一化；

113、激活層7：leakyrelu；

114、卷積層8：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，批量歸一化；

115、激活層8：leakyrelu；

116、卷積層9：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，批量歸一化；

117、激活層9：leakyrelu；

118、輸出層：類型：softmax，神經(jīng)元數(shù)量：4。

119、進(jìn)一步地，所述s43中，深度學(xué)習(xí)模型b的網(wǎng)絡(luò)結(jié)構(gòu)中的層級(jí)按以下順序依次進(jìn)行連接：

120、輸入層：圖像尺寸227×227×3；

121、卷積層1：卷積核尺寸3×3，卷積核數(shù)量32，stride：1，批量歸一化；

122、激活層1：leakyrelu；

123、卷積層2：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，批量歸一化；

124、激活層2：leakyrelu；

125、卷積層3：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，批量歸一化；

126、激活層3：leakyrelu；

127、卷積層4：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，批量歸一化；

128、激活層4：leakyrelu；

129、spp層：提取不同尺度的特征并進(jìn)行融合，增加模型的感受野；

130、池化層1：類型：全局平均池化，池化尺寸：5×5，stride：1；

131、池化層2：類型：全局平均池化，池化尺寸：7×7，stride：1；

132、池化層3：類型：全局平均池化，池化尺寸：9×9，stride：1；

133、池化層4：類型：全局平均池化，池化尺寸：11×11，stride：1；

134、池化層5：類型：全局平均池化，池化尺寸：13×13，stride：1；

135、池化拼接層：將五個(gè)池化層的輸出進(jìn)行連接；

136、panet層：聚合不同層次的特征，通過上采樣和下采樣操作實(shí)現(xiàn)特征金字塔；

137、卷積層5：卷積核尺寸3×3，卷積核數(shù)量1280，stride：2，批量歸一化；

138、激活層5：leakyrelu；

139、卷積層6：卷積核尺寸3×3，卷積核數(shù)量1280，stride：2，批量歸一化；

140、激活層6：leakyrelu；

141、上采樣層：采用最近鄰插值的方式，上采樣至與池化拼接層相同的尺寸；

142、合并層：下采樣層輸出特征圖與上采樣層輸出特征圖合并；

143、卷積層7：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，批量歸一化；

144、激活層7：leakyrelu；

145、卷積層7：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，批量歸一化；

146、激活層7：leakyrelu；

147、卷積層8：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，批量歸一化；

148、激活層8：leakyrelu；

149、卷積層9：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，批量歸一化；

150、激活層9：leakyrelu；

151、輸出層：類型：softmax，神經(jīng)元數(shù)量：4。

152、進(jìn)一步地，所述s43中，深度學(xué)習(xí)模型c的網(wǎng)絡(luò)結(jié)構(gòu)中的層級(jí)按以下順序依次進(jìn)行連接：

153、輸入層：圖像尺寸227×227×3；

154、卷積層1：卷積核尺寸3×3，卷積核數(shù)量32，stride：1，批量歸一化；

155、激活層1：leakyrelu；

156、卷積層2：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，批量歸一化；

157、激活層2：leakyrelu；

158、卷積層3：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，批量歸一化；

159、激活層3：leakyrelu；

160、卷積層4：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，批量歸一化；

161、激活層4：leakyrelu；

162、卷積層5：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，批量歸一化；

163、激活層5：leakyrelu；

164、卷積層6：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，批量歸一化；

165、激活層6：leakyrelu；

166、spp層：提取不同尺度的特征并進(jìn)行融合，增加模型的感受野；

167、池化層1：類型：全局平均池化，池化尺寸：5×5，stride：1；

168、池化層2：類型：全局平均池化，池化尺寸：7×7，stride：1；

169、池化層3：類型：全局平均池化，池化尺寸：9×9，stride：1；

170、池化層4：類型：全局平均池化，池化尺寸：11×11，stride：1；

171、池化層5：類型：全局平均池化，池化尺寸：13×13，stride：1；

172、池化拼接層：將三個(gè)池化層的輸出進(jìn)行連接；

173、panet層：聚合不同層次的特征，通過上采樣和下采樣操作實(shí)現(xiàn)特征金字塔；

174、卷積層7：卷積核尺寸3×3，卷積核數(shù)量1280，stride：2，批量歸一化；

175、激活層7：leakyrelu；

176、卷積層8：卷積核尺寸3×3，卷積核數(shù)量1280，stride：2，批量歸一化；

177、激活層8：leakyrelu；

178、上采樣層：采用最近鄰插值的方式，上采樣至與池化拼接層相同的尺寸；

179、合并層：下采樣層輸出特征圖與上采樣層輸出特征圖合并；

180、卷積層9：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，批量歸一化；

181、激活層9：leakyrelu；

182、卷積層10：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，批量歸一化；

183、激活層10：leakyrelu；

184、卷積層11：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，批量歸一化；

185、激活層11：leakyrelu；

186、卷積層12：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，批量歸一化；

187、激活層12：leakyrelu；

188、輸出層：類型：softmax，神經(jīng)元數(shù)量：4。

189、本發(fā)明的有益效果如下：本發(fā)明采用無人機(jī)進(jìn)行斜拉索銹蝕檢測(cè)時(shí)，無人機(jī)最短飛行路徑有助于提高檢測(cè)效率，增加了無人機(jī)的作業(yè)續(xù)航能力；本發(fā)明提出一種圖像像素更新方法，構(gòu)建降噪核函數(shù)，對(duì)核函數(shù)中全部元素進(jìn)行歸一化操作以及降噪核函數(shù)處理，增強(qiáng)了圖像中的銹蝕特征，使得銹蝕區(qū)域更加明顯；本發(fā)明采用構(gòu)造的總體模型實(shí)現(xiàn)了斜拉索銹蝕智能識(shí)別方法，通過融合三種模型的損失函數(shù)，綜合三種模型的優(yōu)勢(shì)，提升了銹蝕識(shí)別的準(zhǔn)確性；本發(fā)明還根據(jù)銹蝕識(shí)別的結(jié)果鎖定銹蝕區(qū)域，對(duì)斜拉索銹蝕發(fā)育狀態(tài)進(jìn)一步地進(jìn)行分析，實(shí)現(xiàn)了斜拉索銹蝕發(fā)育狀態(tài)的分類，指導(dǎo)了養(yǎng)護(hù)決策，可以為后續(xù)提供維修方案提供參考數(shù)據(jù)，保障了橋梁運(yùn)行安全。