基于YOLOv5和U-Net3+的桥梁裂缝智能识别与测量

为了克服传统数字图像处理方法进行桥梁裂缝识别时面临的效率低、效果不佳等问题,提出了集成深度学习YOLOv5和U-Net3+算法的一体化桥梁裂缝智能检测方法.通过调整算法宽度和深度参数,优化边界框损失函数,构建基于YOLOv5目标检测算法的裂缝识别定位模型,实现桥梁裂缝快速识别与定位;引入结合深度监督策略及预测输出模块的U-Net3+图像分割算法,训练并构建桥梁裂缝高效分割模型,实现像素级裂缝智能化提取;建立结合连通域去噪、边缘检测、形态学处理的八方向裂缝宽度测量法,基于U-Net3+裂缝分割结果实现裂缝形态及宽度高精度测量;利用LabelImg图像标注软件制作包含4 414张图像的裂缝识别定位模型训练数据集;利用LabelImg图像标注软件及CFD数据集制作包含908张图像的裂缝分割模型训练数据集;利用无人机航拍的485张5 280×2 970 pixels桥梁索塔裂缝图像,来制作裂缝智能检测模型的测试对象.将所提出的裂缝检测方法应用于上述裂缝测试对象,其裂缝识别定位准确率91.55%、召回率95.15%、F1分数93.32%,裂缝分割准确率93.02%、召回率92.22%、F1分数92.22%.结果表明,基于YOLOv5与U-Net3+的桥梁裂缝智能检测方法,可实现桥梁裂缝高效率、高精度、智能化检测,具有较强的研究价值和广泛的应用前景.     

施工场地无人机精细化三维模型构建及土方测量

利用无人机倾斜摄影测量技术,获取工程施工场地多视图影像序列,利用基于运动恢复结构算法（Structure from Motion, SfM）和多视图立体匹配算法（Multi View Stereo, MVS）的多视影像密集匹配形成超高密度点云,采用布料模拟滤波（Cloth Simulation Filter, CSF）算法剔除植被及废弃建筑物点云,获取真实地面点云,基于基底设计模型计算出两期点云之间土方量,实现复杂土方工程智能化测量. 采用上述无人机方法,对长沙岳麓山脚两块建设用地进行土方快速测量及精度评估,得到5.384 6亿点/公顷的点云密度,土方计算结果相对于RTK-GNSS测量结果误差为2.8%,满足土方测量误差小于5%的要求,具有较好的应用前景及工程实用价值.