本發(fā)明涉及橋梁主梁露筋損傷程度評價方法，尤其涉及基于無人機的橋梁主梁露筋損傷程度評價方法，屬于橋梁定損。

背景技術(shù)：

1、橋梁服役過程中，受到環(huán)境因素（如侵蝕和化學腐蝕）、荷載作用（超載或碰撞）、以及施工質(zhì)量問題（澆筑不密實或養(yǎng)護不當）等因素的影響，混凝土會出現(xiàn)開裂或剝落現(xiàn)象，最終導致鋼筋暴露；露筋問題會直接影響橋梁的結(jié)構(gòu)強度和耐久性，導致承載能力下降和安全隱患增加，如果不及時處理，可能會加劇結(jié)構(gòu)損傷，增加維修難度和成本，甚至有可能導致橋梁結(jié)構(gòu)失穩(wěn)或崩塌；快速智能識別橋梁主梁露筋，對于維護橋梁安全至關(guān)重要，可以幫助及時發(fā)現(xiàn)問題，節(jié)約維護成本，同時，可以優(yōu)化安全監(jiān)測，確保橋梁的持續(xù)安全運營。

2、目前，橋梁主梁檢測過程中，缺乏對無人機檢測路徑的研究，導致無人機飛行時間增長和能源浪費，也會導致某些橋梁病害區(qū)域未被徹底檢查，影響疾病檢測的全面性和準確性，還可能增加無人機操作的風險，增加意外發(fā)生的概率；開展無人機最短飛行路徑確定方法的研究具有重要意義，首先，它可以提高無人機在橋梁檢測中的作業(yè)效率，節(jié)約時間和能源，同時減少了對無人機本身的磨損，延長使用壽命，其次，精確的飛行路徑規(guī)劃可以確保無人機能夠覆蓋所有關(guān)鍵區(qū)域，提高病害檢測的全面性和準確性，最后，優(yōu)化后的飛行路徑還有助于減少飛行中的安全風險，提高整體作業(yè)安全性。

3、另一方面，橋梁主梁露筋損傷程度的分析對于保障結(jié)構(gòu)安全、制定修復優(yōu)先級和策略、延長橋梁使用壽命、提高維護效率具有至關(guān)重要的作用，對橋梁主梁露筋損傷程度進行評價有助于管理者合理分配資源，及時修復關(guān)鍵損傷，同時通過系統(tǒng)的監(jiān)測和數(shù)據(jù)積累，支持了長期健康監(jiān)測，優(yōu)化了長期維護計劃，可以確保橋梁的長期穩(wěn)定和安全。

4、現(xiàn)有技術(shù)中，公開(公告)號為cn109087295a的專利文件公開了基于灰度值投影法的橋梁露筋視覺檢測方法，其利用灰度值投影法有效地定位并識別橋梁露筋，通過分析圖像中的灰度值分布來排除復雜背景干擾，從而提高了檢測的準確率和效率；然而，上述發(fā)明沒有涉及主梁露筋的快速識別技術(shù)，會導致露筋問題被忽視或延遲處理，進而引發(fā)結(jié)構(gòu)安全隱患增加、維修成本上升以及潛在的橋梁結(jié)構(gòu)失效風險，同時，尚未考慮對主梁露筋損傷程度進行分析。

5、因此，需要一種基于無人機的橋梁主梁露筋損傷程度評價方法。

技術(shù)實現(xiàn)思路

1、在下文中給出了關(guān)于本發(fā)明的簡要概述，以便提供關(guān)于本發(fā)明的某些方面的基本理解。應當理解，這個概述并不是關(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。其目的僅僅是以簡化的形式給出某些概念，以此作為稍后論述的更詳細描述的前序。

2、鑒于此，為解決現(xiàn)有技術(shù)中傳統(tǒng)的橋梁主梁露筋檢測方法難以對橋梁主梁露筋程度進行評定的問題，本發(fā)明提供基于無人機的橋梁主梁露筋損傷程度評價方法。

3、技術(shù)方案如下：基于無人機的橋梁主梁露筋損傷程度評價方法，包括以下步驟：

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

5、s2.沿無人機最短飛行路徑，采集橋梁主梁圖像生成圖像矩陣，對其進行圖像質(zhì)量增強，得到新的圖像矩陣；

6、s3.根據(jù)新的圖像矩陣結(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、輔助模型和強化模型中進行訓練，融合三種模型的損失函數(shù)，得到融合后的損失函數(shù)；

7、s4.建立強化模型到基礎(chǔ)模型的層間損失函數(shù)，結(jié)合融合后的損失函數(shù)，得到總損失函數(shù)，對三種模型進行訓練，將訓練完成的基礎(chǔ)模型作為最終模型，輸出最終的主梁露筋識別結(jié)果；

8、s5.根據(jù)最終的主梁露筋識別結(jié)果，在識別出的主梁露筋區(qū)域，通過分析各類因素結(jié)合給定的因素標準值，得到主梁露筋損傷程度分類。

9、進一步地，所述s1中，具體包括以下步驟：

10、s11.確定無人機起飛點和降落點，選定操作員觀察位置；

11、s12.根據(jù)無人機搭載相機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，將無人機飛行速度設(shè)置為avv；

12、s13.根據(jù)無人機起飛點和降落點制定最短飛行路徑，確定橋梁主梁的坐標信息和無人機拍攝點位信息；

13、所述s13中，起飛點坐標為avo(avox，avoy，avoz)，在此基礎(chǔ)上，確定全部無人機拍攝點位，任一無人機拍攝點位的編號為p，其對應的無人機拍攝點位坐標為avp（avpx，avpy，avpz），無人機拍攝點位的編號集合表示為{1，2，3，…，xn}，對應的無人機拍攝點位坐標集合表示為{av1（av1x，av1y，av1z），av2（av2x，av2y，av2z），…，avxn（avxnx，avxny，avxnz）}，其中，xn為無人機拍攝點位的數(shù)量，計算得到任一無人機拍攝點位avp和與其相鄰的無人機拍攝點位av（p+1）之間的相鄰距離；

14、以起飛點avo為出發(fā)點，根據(jù)任一無人機拍攝點位與起飛點之間的距離，計算得到全部無人機拍攝點位與起飛點之間的距離，篩選出其中三個最小距離對應的無人機拍攝點位，并進行隨機選擇，得到無人機從起飛點出發(fā)后抵達的第一個無人機拍攝點位；

15、確定無人機抵達的第一個拍攝點位后，計算全部拍攝點位與第一個抵達的拍攝點位之間的距離，篩選出其中三個最小距離對應的無人機拍攝點位，并進行隨機選擇，得到無人機從抵達的第一個拍攝點位出發(fā)后抵達的第二個拍攝點位，重復上述步驟，直至得到無人機抵達的全部拍攝點位，根據(jù)每次隨機選擇的不同，計算第一種飛行方式下無人機飛行的總距離tdis1，重復上述步驟，重復次數(shù)為cn，整合得到不同飛行方式下無人機飛行的總距離集合{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的總距離以及對應的飛行路線，tn為預設(shè)值，統(tǒng)計tn個飛行路線的交集信息，并選擇交集數(shù)量最多的飛行線路，組合得到無人機最短飛行路徑。

16、進一步地，所述s2中，具體包括以下步驟：

17、s21.采用無人機的機載高清相機，沿無人機最短飛行路徑采集橋梁主梁圖像ph，對應的圖像矩陣為ph；

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

19、s23.根據(jù)歸一化后的降噪核函數(shù)，對圖像進行降噪核函數(shù)處理，得到新的圖像矩陣p，實現(xiàn)圖像質(zhì)量增強；

20、所述s22中，5階降噪核函數(shù)n表示為：

21、；

22、；

23、其中，x=1、2、3、4或5，x為矩陣的行號，y=1、2、3、4或5，y為矩陣的列號，為核函數(shù)中全部元素的標準方差，為自然對數(shù)的底；

24、歸一化后的降噪核函數(shù)表示為：

25、；

26、所述s23中，新的圖像矩陣p表示為：

27、；

28、其中，ph為沿無人機最短飛行路徑采集橋梁欄桿表觀圖像ph對應的圖像矩陣。

29、進一步地，所述s3中，具體包括以下步驟：

30、s31.基于新的圖像矩陣，挑選出全部包含主梁露筋、裂縫、銹蝕和剝落的圖像作為輸入圖像；

31、s32.通過人工標注，在輸入圖像中框選出主梁露筋區(qū)域和其他三種病害，構(gòu)建數(shù)據(jù)集，按照數(shù)量比8:2的比例，將數(shù)據(jù)集劃分為訓練集和測試集；

32、s33.根據(jù)數(shù)據(jù)集，構(gòu)建基礎(chǔ)模型、輔助模型和強化模型，計算三種模型的損失函數(shù)并進行融合，得到融合后的損失函數(shù)；

33、所述s32中，主梁露筋區(qū)域標記為reinforcement，三種病害即裂縫、銹蝕和剝落依次標記為other1、other2和other3；

34、所述s33中，構(gòu)建基礎(chǔ)模型即深度學習模型a的網(wǎng)絡結(jié)構(gòu)，深度學習模型a由1個輸入層，5個卷積層，5個激活層，4個池化層，1個全局平均池化層和1個輸出層組成；

35、將數(shù)據(jù)集輸入到深度學習模型a中，通過誤差反向傳播算法，計算得到深度學習模型a的神經(jīng)網(wǎng)絡單元的權(quán)重和偏置，完成深度學習模型a的訓練，得到訓練完畢的深度學習模型a及其損失函數(shù)；

36、深度學習模型a對應的輸出單元節(jié)點的輸出值為，分別為第一輸出單元節(jié)點的輸出值、第二輸出單元節(jié)點的輸出值、第三輸出單元節(jié)點的輸出值和第四輸出單元節(jié)點的輸出值，根據(jù)指數(shù)函數(shù)，先將深度學習模型a對應的4個輸出單元節(jié)點的輸出值初始轉(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)化輸出值的增強概率值；

37、采用第一優(yōu)化輸出值的增強概率值和數(shù)據(jù)集，結(jié)合誤差鏈式求導法則，繼續(xù)訓練深度學習模型a，訓練完畢后，得到第一病害的輸出值和深度學習模型a輸出層的節(jié)點對應的實際病害標注，第一病害的輸出值分別為第一主梁露筋輸出值、第一裂縫的輸出值、第一銹蝕輸出值和第一剝落輸出值；

38、構(gòu)建第一輔助模型即深度學習模型b，深度學習模型b由1個輸入層，10個卷積層，10個激活層，5個池化層，1個全局平均池化層和1個輸出層組成；

39、將數(shù)據(jù)集輸入到深度學習模型b中，通過誤差反向傳播算法，計算得到深度學習模型b的神經(jīng)網(wǎng)絡單元的權(quán)重和偏置，完成深度學習模型b的訓練，得到訓練完畢的深度學習模型b及其損失函數(shù)；

40、深度學習模型b對應的輸出單元節(jié)點的輸出值為，分別為第五輸出單元節(jié)點的輸出值、第六輸出單元節(jié)點的輸出值、第七輸出單元節(jié)點的輸出值和第八輸出單元節(jié)點的輸出值，根據(jù)指數(shù)函數(shù)，先將深度學習模型b對應的4個輸出單元節(jié)點的輸出值初始轉(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)化輸出值的增強概率值；

41、采用第二優(yōu)化輸出值的增強概率值和數(shù)據(jù)集，結(jié)合誤差鏈式求導法則，繼續(xù)訓練深度學習模型b，訓練完畢后，得到第二病害的輸出值和深度學習模型b輸出層的節(jié)點對應的實際病害標注，第二病害的輸出值分別為第二主梁露筋輸出值、第二裂縫的輸出值、第二銹蝕輸出值和第二剝落輸出值；

42、構(gòu)建第二輔助模型即深度學習模型c，深度學習模型c由1個輸入層，15個卷積層，15個激活層，5個池化層，1個全局平均池化層和1個輸出層組成；

43、將數(shù)據(jù)集輸入到深度學習模型c中，通過誤差反向傳播算法，計算得到深度學習模型c的神經(jīng)網(wǎng)絡單元的權(quán)重和偏置，完成深度學習模型c的訓練，得到訓練完畢的深度學習模型c及其損失函數(shù)；

44、深度學習模型c對應的輸出單元節(jié)點的輸出值為，分別為第九輸出單元節(jié)點的輸出值、第十輸出單元節(jié)點的輸出值、第十一輸出單元節(jié)點的輸出值和第十二輸出單元節(jié)點的輸出值，根據(jù)指數(shù)函數(shù)，先將深度學習模型c對應的4個輸出單元節(jié)點的輸出值初始轉(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)化輸出值的增強概率值；

45、采用第三優(yōu)化輸出值的增強概率值和數(shù)據(jù)集，結(jié)合誤差鏈式求導法則，繼續(xù)訓練深度學習模型c，訓練完畢后，得到第三病害輸出值和深度學習模型b輸出層的節(jié)點對應的實際病害標注，第三病害輸出值分別為第三主梁露筋輸出值、第三裂縫的輸出值、第三銹蝕輸出值和第三剝落輸出值；

46、構(gòu)建強化模型即深度學習模型d，深度學習模型d由1個輸入層，19個卷積層，19個激活層，5個池化層，1個全局平均池化層和1個輸出層組成；

47、將數(shù)據(jù)集輸入到深度學習模型d中，通過誤差反向傳播算法，計算得到深度學習模型d的神經(jīng)網(wǎng)絡單元的權(quán)重和偏置，完成深度學習模型d的訓練，得到訓練完畢的深度學習模型d及其損失函數(shù)；

48、深度學習模型d對應的輸出單元節(jié)點的輸出值為，分別為第十三輸出單元節(jié)點的輸出值、第十四輸出單元節(jié)點的輸出值、第十五輸出單元節(jié)點的輸出值和第十六輸出單元節(jié)點的輸出值，根據(jù)指數(shù)函數(shù)，先將深度學習模型d對應的4個輸出單元節(jié)點的輸出值初始轉(zhuǎn)換為第四初步輸出值和第四初步輸出值的概率值，再將其進一步優(yōu)化轉(zhuǎn)換得到第四優(yōu)化輸出值和第四優(yōu)化輸出值的增強概率值；

49、采用第四優(yōu)化輸出值的增強概率值和數(shù)據(jù)集，結(jié)合誤差鏈式求導法則，繼續(xù)訓練深度學習模型d，訓練完畢后，得到第四病害輸出值和深度學習模型d輸出層的節(jié)點對應的實際病害標注，第四病害輸出值分別為第四主梁露筋輸出值、第四裂縫的輸出值、第四銹蝕輸出值和第四剝落輸出值；

50、根據(jù)第二病害輸出值為和第一優(yōu)化輸出值的增強概率值，構(gòu)建深度學習模型b和深度學習模型a之間的損失函數(shù)，得到對應權(quán)重系數(shù)；

51、基于第一初步輸出值的概率值的深度學習模型a輸出層的節(jié)點對應的實際病害標注，構(gòu)建考慮第一初步輸出值的概率值的深度學習模型a的損失函數(shù)，得到對應權(quán)重系數(shù)；

52、基于深度學習模型b和深度學習模型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習模型a的損失函數(shù)，建立深度學習模型b與深度學習模型a的輸出層之間的關(guān)系損失函數(shù)；

53、根據(jù)上述操作，建立深度學習模型c與深度學習模型b的輸出層之間的關(guān)系損失函數(shù)、深度學習模型c與深度學習模型a的輸出層之間的關(guān)系損失函數(shù)、深度學習模型d與深度學習模型a的輸出層之間的關(guān)系損失函數(shù)和深度學習模型d與深度學習模型c的輸出層之間的關(guān)系損失函數(shù)。

54、進一步地，所述s4中，具體包括以下步驟：

55、s41.建立強化模型到基礎(chǔ)模型的層間損失函數(shù)，結(jié)合融合后的損失函數(shù)，得到總損失函數(shù)；

56、s42.基于鏈式求導法則，通過誤差反向傳播方式，對三種模型進行訓練，得到訓練完成的深度學習模型a即最優(yōu)模型；

57、所述s41中，將深度學習模型a的選定層與深度學習模型d的選定層建立聯(lián)系，深度學習模型a中的選定層包括第二層：卷積層1、第三層：激活層1、第四層：池化層1和第十七層：輸出層，深度學習模型d的選定層包括第四層：卷積層2、第六層：池化層1、第十層：激活層4和第四十六層：輸出層；

58、深度學習模型a的選定層為，對應的尺寸為，其中，=2、3、4和17，為深度學習模型a的選定層層數(shù)，為深度學習模型a的選定層寬度，為深度學習模型a的選定層長度，為深度學習模型a的選定層通道數(shù)，深度學習模型d的選定層為，對應的尺寸為，其中，=4、6、10和46，為深度學習模型d的選定層層數(shù)，為深度學習模型d的選定層寬度，為深度學習模型d的選定層長度，為深度學習模型d的選定層通道數(shù)；

59、當時，在深度學習模型a的選定層輸出中，添加卷積操作，卷積核尺寸為1×1，卷積核數(shù)量為，得到深度學習模型a的選定層輸出，其對應的各通道輸出值為，=1，2，3，…，，為深度學習模型a的選定層輸出通道編號，深度學習模型d的選定層對應的各通道輸出值為，=1，2，3，…，，為深度學習模型d的選定層輸出通道編號，建立深度學習模型a的選定層與深度學習模型d的選定層之間的損失函數(shù)；

60、當時，在深度學習模型d的選定層輸出中，添加卷積操作，卷積核尺寸為1×1，卷積核數(shù)量為，得到深度學習模型d的選定層輸出為，其對應的各通道輸出值為，深度學習模型d的選定層對應的各通道輸出值為，建立深度學習模型a的選定層與深度學習模型d的選定層之間的損失函數(shù)；

61、根據(jù)上述計算，得到深度學習模型a的第二層與深度學習模型d的第四層之間的損失函數(shù)、深度學習模型a的第三層與深度學習模型d的第六層之間的損失函數(shù)和深度學習模型a的第四層與深度學習模型d的第十層之間的損失函數(shù)，結(jié)合深度學習模型b與深度學習模型a的輸出層之間的關(guān)系損失函數(shù)、深度學習模型c與深度學習模型b的輸出層之間的關(guān)系損失函數(shù)、深度學習模型c與深度學習模型a的輸出層之間的關(guān)系損失函數(shù)、深度學習模型d與深度學習模型a的輸出層之間的關(guān)系損失函數(shù)和深度學習模型d與深度學習模型c的輸出層之間的關(guān)系損失函數(shù)，定義總損失函數(shù)。

62、進一步地，所述s5中，具體包括以下步驟：

63、s51.根據(jù)主梁露筋長度cd、主梁露筋直徑kd、銹蝕程度cf、銹蝕加速程度kf和主梁露筋數(shù)量sl五個因素，建立主梁露筋損傷程度分類標準；

64、s52.根據(jù)主梁露筋損傷程度分類標準，進行橋梁的主梁露筋損傷程度分類；

65、所述s51中，對每一類主梁露筋損傷程度分類標準對應的因素給出標準值，得到主梁露筋長度標準值、主梁露筋直徑標準值、銹蝕程度標準值、銹蝕加速程度和主梁露筋數(shù)量標準值，其中，，nl為主梁露筋損傷程度分類標準的分類數(shù)；

66、在此基礎(chǔ)上，為每一類的主梁露筋損傷程度分類標準，建立主梁露筋損傷程度分類標準矩陣；

67、主梁露筋損傷程度分類標準矩陣表示為：

68、；

69、所述s52中，面向nw座橋梁，將橋梁依次編號為1-nw，通過無人機采集編號為u的橋梁主梁圖像，識別含有主梁露筋的圖像，提取得到主梁露筋長度、主梁露筋直徑、銹蝕程度、銹蝕加速程度和主梁露筋數(shù)量，構(gòu)建第u座橋梁的主梁露筋損傷程度分類矩陣，，計算得到第u座橋梁的主梁露筋損傷程度分類矩陣與全部主梁露筋損傷程度分類標準矩陣之間的距離；

70、第u座橋梁的主梁露筋損傷程度分類矩陣與全部主梁露筋損傷程度分類標準矩陣之間的距離表示為：

71、；

72、其中，為主梁露筋長度與主梁露筋長度標準值之間的權(quán)重系數(shù)，為主梁露筋直徑與主梁露筋直徑標準值之間的權(quán)重系數(shù)，為銹蝕程度與銹蝕程度標準值之間的權(quán)重系數(shù)，為銹蝕加速程度與銹蝕加速程度標準值之間的權(quán)重系數(shù)，為主梁露筋數(shù)量與主梁露筋數(shù)量標準值之間的權(quán)重系數(shù)；

73、計算并篩選出第u座橋梁的主梁露筋損傷程度分類矩陣與全部主梁露筋損傷程度分類標準矩陣之間的距離中的最大值，最大值對應的主梁露筋損傷程度分類標準，即為第u座橋梁對應的主梁露筋損傷程度分類；

74、重復上述步驟，計算得到全部nw座橋梁與其對應的全部主梁露筋損傷程度分類標準矩陣之間的距離表示為，分別計算各座橋梁與全部主梁露筋損傷程度分類標準矩陣之間的距離中的最大值，最大值對應的主梁露筋損傷程度分類標準，即為相應橋梁對應的主梁露筋損傷程度分類，至此，整合得到全部橋梁的主梁露筋損傷程度分類。

75、進一步地，所述s33中，深度學習模型a的網(wǎng)絡結(jié)構(gòu)中的層級按以下順序依次進行連接：

76、輸入層：圖像尺寸227×227×3；

77、卷積層1：卷積核尺寸3×3，卷積核數(shù)量32，stride：1，padding：same；

78、激活層1：relu；

79、池化層1：類型：最大池化；池化尺寸：2×2；stride：2；

80、卷積層2：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，padding：same；

81、激活層2：relu；

82、池化層2：類型：最大池化，池化尺寸：2×2，stride：2；

83、卷積層3：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，padding：same；

84、激活層3：relu；

85、池化層3：類型：最大池化，池化尺寸：2×2，stride：2；

86、卷積層4：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，padding：same；

87、激活層4：relu；

88、卷積層5：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，padding：same；

89、激活層5：relu；

90、池化層4：類型：最大池化，池化尺寸：2×2，stride：2；

91、全局平均池化層1；

92、輸出層：類型：softmax，神經(jīng)元數(shù)量：4。

93、進一步地，所述s33中，深度學習模型b的網(wǎng)絡結(jié)構(gòu)中的層級按以下順序依次進行連接：

94、輸入層：圖像尺寸227×227×3；

95、卷積層1：卷積核尺寸3×3，卷積核數(shù)量32，stride：1，padding：same；

96、激活層1：relu；

97、卷積層2：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，padding：same；

98、激活層2：relu；

99、池化層1：類型：最大池化，池化尺寸：2×2，stride：2；

100、卷積層3：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，padding：same；

101、激活層3：relu；

102、卷積層4：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，padding：same；

103、激活層4：relu；

104、池化層2：類型：最大池化，池化尺寸：2×2，stride：2；

105、卷積層5：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，padding：same；

106、激活層5：relu；

107、卷積層6：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，padding：same；

108、激活層6：relu；

109、池化層3：類型：最大池化，池化尺寸：2×2，stride：2；

110、卷積層7：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，padding：same；

111、激活層7：relu；

112、卷積層8：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，padding：same；

113、激活層8：relu；

114、卷積層9：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，padding：same；

115、激活層9：relu；

116、池化層4：類型：最大池化，池化尺寸：2×2，stride：2；

117、卷積層10：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

118、激活層10：relu；

119、池化層5：類型：最大池化，池化尺寸：2×2，stride：2；

120、全局平均池化層1；

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

122、進一步地，所述s33中，深度學習模型c的網(wǎng)絡結(jié)構(gòu)中的層級按以下順序依次進行連接：

123、輸入層：圖像尺寸227×227×3；

124、卷積層1：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，padding：same；

125、激活層1：relu；

126、卷積層2：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，padding：same；

127、激活層2：relu；

128、池化層1：類型：最大池化，池化尺寸：2×2，stride：2；

129、卷積層3：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，padding：same；

130、激活層3：relu；

131、卷積層4：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，padding：same；

132、激活層4：relu；

133、池化層2：類型：最大池化，池化尺寸：2×2，stride：2；

134、卷積層5：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，padding：same；

135、激活層5：relu；

136、卷積層6：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，padding：same；

137、激活層6：relu；

138、卷積層7：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，padding：same；

139、激活層7：relu；

140、池化層3：類型：最大池化，池化尺寸：2×2，stride：2；

141、卷積層8：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

142、激活層8：relu；

143、卷積層9：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

144、激活層9：relu；

145、卷積層10：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

146、激活層10：relu；

147、池化層4：類型：最大池化，池化尺寸：2×2，stride：2；

148、卷積層11：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

149、激活層11：relu；

150、卷積層12：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

151、激活層12：relu；

152、卷積層13：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

153、激活層13：relu；

154、卷積層14：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

155、激活層14：relu；

156、卷積層15：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

157、激活層15：relu；

158、池化層5：類型：最大池化，池化尺寸：2×2，stride：2；

159、全局平均池化層1；

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

161、進一步地，所述s33中，深度學習模型d的網(wǎng)絡結(jié)構(gòu)中的層級按以下順序依次進行連接：

162、輸入層：圖像尺寸227×227×3；

163、卷積層1：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，padding：same；

164、激活層1：relu；

165、卷積層2：卷積核尺寸3×3，卷積核數(shù)量64，stride：1，padding：same；

166、激活層2：relu；

167、池化層1：類型：最大池化，池化尺寸：2×2，stride：2；

168、卷積層3：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，padding：same；

169、激活層3：relu；

170、卷積層4：卷積核尺寸3×3，卷積核數(shù)量128，stride：1，padding：same；

171、激活層4：relu；

172、池化層2：類型：最大池化，池化尺寸：2×2，stride：2；

173、卷積層5：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，padding：same；

174、激活層5：relu；

175、卷積層6：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，padding：same；

176、激活層6：relu；

177、卷積層7：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，padding：same；

178、激活層7：relu；

179、卷積層8：卷積核尺寸3×3，卷積核數(shù)量256，stride：1，padding：same；

180、激活層8：relu；

181、池化層3：類型：最大池化，池化尺寸：2×2，stride：2；

182、卷積層9：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

183、激活層9：relu；

184、卷積層10：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

185、激活層10：relu；

186、卷積層11：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

187、激活層11：relu；

188、卷積層12：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

189、激活層12：relu；

190、卷積層13：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

191、激活層13：relu；

192、卷積層14：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

193、激活層14：relu；

194、池化層4：類型：最大池化，池化尺寸：2×2，stride：2；

195、卷積層15：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

196、激活層15：relu；

197、卷積層16：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

198、激活層16：relu；

199、卷積層17：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

200、激活層17：relu；

201、卷積層18：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

202、激活層18：relu；

203、卷積層19：卷積核尺寸3×3，卷積核數(shù)量512，stride：1，padding：same；

204、激活層19：relu；

205、池化層5：類型：最大池化，池化尺寸：2×2，stride：2；

206、全局平均池化層1；

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

208、本發(fā)明的有益效果如下：本發(fā)明為實現(xiàn)橋梁主梁露筋智能識別構(gòu)建了基礎(chǔ)模型、輔助模型和強化模型，通過融合模型的損失函數(shù)，可使基礎(chǔ)模型能夠從輔助和強化模型中學習到更加魯棒和準確的特征表示，可以綜合各個模型的優(yōu)點，從而提高其在露筋識別任務上的性能；本發(fā)明構(gòu)建了基礎(chǔ)模型、輔助模型與強化模型的層間損失函數(shù)，得到總損失函數(shù)，對三種模型進行訓練，將訓練完成的基礎(chǔ)模型作為最終模型，進一步提升了基礎(chǔ)模型對主梁露筋的識別性能；本發(fā)明考慮到主梁露筋長度cd、主梁露筋直徑kd、銹蝕程度cf、銹蝕加速程度kf和主梁露筋數(shù)量sl五個因素，對主梁露筋損傷程度進行分析，得到主梁露筋損傷程度分類，可用于指導養(yǎng)護人員合理分配養(yǎng)護資源，及時修復關(guān)鍵損傷，確保橋梁的長期穩(wěn)定和安全。