本發明涉及橋梁結構健康監測，尤其涉及時序圖像分析的橋梁伸縮縫病害監測方法及其系統。
背景技術：
1、橋梁伸縮縫是公路橋梁結構中的關鍵構件，其主要功能是吸收橋梁上部結構因溫度變化、混凝土收縮徐變以及車輛荷載作用而產生的縱向位移，確保橋面行車平順性并保護主體結構免受過大內力的影響。然而，伸縮縫長期處于惡劣的服役環境中，承受著車輪反復沖擊、雨水侵蝕、溫度循環以及雜物堆積等多重不利因素的作用，極易發生橡膠條老化開裂、型鋼松動翹曲、縫隙異物堵塞以及混凝土邊緣破損等典型病害。這些病害不僅影響行車舒適性和安全性，還會導致雨水滲入橋梁支座和墩臺區域，加速下部結構的腐蝕劣化，進而威脅整座橋梁的結構安全。
2、目前，橋梁伸縮縫的檢測主要依賴人工巡檢方式。檢測人員需要在交通管制或夜間低流量時段進入橋面，采用目視觀察、錘擊檢測和手工測量等傳統手段對伸縮縫狀況進行評估。這種檢測方式存在諸多不足之處：其一，人工巡檢周期通常較長，難以及時發現病害的萌生和發展，特別是對于高速公路橋梁群，逐座橋梁進行現場檢測需要耗費大量的人力和時間成本；其二，伸縮縫病害的發展過程具有隱蔽性，早期病害往往表現輕微，人工目視難以準確識別，等到病害明顯暴露時往往已經發展到較為嚴重的程度；其三，人工測量縫寬等參數受限于測量工具精度和人為操作誤差，難以獲取高精度的定量數據；其四，缺乏對伸縮縫與環境溫度響應關系的系統監測，無法區分正常的熱脹冷縮變形與異常的約束失效變形。
3、針對橋梁病害檢測的自動化需求，相關技術領域已經開展了一系列研究工作。公開號為cn109300126a的中國專利，公開了一種基于空間位置的橋梁病害高精度智能檢測方法，該方法采用無人機或車載系統搭載高清影像采集系統對橋梁各部位進行圖像采集，通過圖像拼接形成橋梁表面的全景影像，利用卷積神經網絡對病害圖像進行訓練學習以識別裂縫等病害類型，并結合bim和gis技術建立病害的三維空間定位檔案。該技術方案在橋梁整體病害檢測方面取得了一定的進展，但仍存在以下局限性：首先，該方案針對橋梁整體而非伸縮縫這一特定構件，未能針對伸縮縫的特殊結構形式和病害特點進行專門優化；其次，該方案采用單次采集圖像進行病害識別，缺乏對同一部位不同時期圖像的配準對比分析，無法揭示病害的演化發展規律；再次，該方案的病害測量采用像素級分辨率計算，未能實現亞像素級的高精度尺寸測量；最后，該方案未涉及伸縮縫開合量與環境溫度的響應關系建模，無法識別因支座約束失效等原因導致的異常變形行為。
4、綜上所述，現有技術在橋梁伸縮縫病害的自動化監測、時序演化分析、高精度測量以及溫度響應建模等方面仍存在技術空白，亟需一種針對伸縮縫的專用監測方法和系統，以實現病害的及時發現、定量評估和趨勢預警。
技術實現思路
1、本發明的目的在于提供時序圖像分析的橋梁伸縮縫病害監測方法及其系統，以解決現有技術中伸縮縫病害發展隱蔽、人工巡檢難以及時發現、缺乏高精度定量測量以及無法建立溫度響應模型等技術問題。
2、為實現上述目的，本發明提供時序圖像分析的橋梁伸縮縫病害監測方法，所述方法包括以下步驟：
3、s1、時序圖像采集步驟：在橋梁伸縮縫兩側安裝固定式工業相機，按照預設的采集周期定期采集伸縮縫區域的高分辨率圖像，同時獲取采集時刻的環境溫度數據，形成包含時間戳、圖像數據和溫度數據的時序圖像序列；
4、s2、圖像配準處理步驟：對所述時序圖像序列中不同時期采集的圖像進行特征點提取與匹配，基于匹配的特征點對計算圖像間的幾何變換參數，將不同時期的圖像變換至統一的參考坐標系下，實現圖像的精確對齊，消除環境光照變化與相機微小位移帶來的干擾；
5、s3、病害檢測識別步驟：將配準后的圖像輸入預訓練的病害檢測網絡，識別伸縮縫區域內的病害類型，所述病害類型包括橡膠條老化開裂、型鋼松動翹曲、縫隙異物堵塞以及混凝土邊緣破損，輸出各類病害的位置信息、邊界輪廓和置信度；
6、s4、縫寬動態監測步驟：采用亞像素邊緣檢測算法提取伸縮縫兩側邊緣的精確位置，計算伸縮縫的開合量作為縫寬測量值，結合同步采集的環境溫度數據，建立縫寬-溫度響應曲線模型，通過計算實測縫寬與模型預測縫寬的偏差識別異常變形行為；
7、s5、趨勢分析預警步驟：對比歷史時序圖像序列，分析各類病害的面積、長度和嚴重程度隨時間的演化趨勢，計算病害劣化速率，對劣化速率超出預警閾值的伸縮縫標注維修緊迫性等級，生成橋梁伸縮縫健康狀態檔案與養護建議報告。
8、本發明還提供實現上述方法的橋梁伸縮縫病害監測系統，所述系統包括：
9、時序圖像采集模塊，用于在橋梁伸縮縫兩側安裝固定式工業相機，按照預設的采集周期定期采集伸縮縫區域的高分辨率圖像，同時通過溫度傳感器獲取環境溫度數據；
10、圖像配準處理模塊，與所述時序圖像采集模塊連接，用于對不同時期采集的圖像進行特征點提取與匹配，計算幾何變換參數并將圖像變換至統一參考坐標系；
11、病害檢測識別模塊，與所述圖像配準處理模塊連接，用于通過預訓練的病害檢測網絡識別橡膠條老化開裂、型鋼松動翹曲、縫隙異物堵塞和混凝土邊緣破損病害；
12、縫寬動態監測模塊，與所述圖像配準處理模塊和病害檢測識別模塊連接，用于采用亞像素邊緣檢測算法測量縫寬，建立縫寬-溫度響應曲線并識別異常變形；
13、趨勢分析預警模塊，與所述病害檢測識別模塊和縫寬動態監測模塊連接，用于分析病害演化趨勢、計算劣化速率、標注維修緊迫性等級并生成健康狀態檔案與養護建議報告。
14、本發明的有益效果在于：
15、第一，本發明針對橋梁伸縮縫這一關鍵構件建立專用的監測方法和系統，通過固定式工業相機實現長期連續的圖像采集，克服了傳統人工巡檢周期長、時效性差的缺陷，能夠及時發現病害的萌生和發展。
16、第二，本發明創新性地引入時序圖像配準技術，通過特征點匹配和幾何變換將不同時期采集的圖像精確對齊至統一坐標系，有效消除了環境光照變化和相機微小位移帶來的干擾，為后續的病害對比分析奠定了可靠的數據基礎。
17、第三，本發明采用亞像素邊緣檢測算法實現伸縮縫開合量的高精度測量，測量精度可達0.02mm，遠優于傳統人工測量方法，能夠捕捉伸縮縫的微小變形。
18、第四，本發明首創性地建立縫寬-溫度響應曲線模型，通過分析縫寬與環境溫度的對應關系識別異常變形行為，能夠區分正常的熱脹冷縮變形與因支座約束失效、錨固松動等原因導致的異常變形，為結構安全評估提供重要依據。
19、第五，本發明通過分析歷史時序圖像序列中病害特征量的演化趨勢，計算劣化速率并建立維修緊迫性分級體系，實現了從被動檢測向主動預警的轉變，為橋梁養護管理部門的預防性養護決策提供科學支持。
1.時序圖像分析的橋梁伸縮縫病害監測方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的時序圖像分析的橋梁伸縮縫病害監測方法，其特征在于，所述步驟s1中，所述固定式工業相機的分辨率不低于2000萬像素，所述采集周期為1小時至7天，所述環境溫度數據的采集精度不低于0.5℃。
3.根據權利要求1所述的時序圖像分析的橋梁伸縮縫病害監測方法，其特征在于，所述步驟s2中，所述特征點提取采用sift算法或orb算法，所述幾何變換參數采用仿射變換矩陣或透視變換矩陣表示，通過ransac算法剔除誤匹配點后進行變換矩陣的魯棒估計。
4.根據權利要求1所述的時序圖像分析的橋梁伸縮縫病害監測方法，其特征在于，所述步驟s3中，所述病害檢測網絡采用基于注意力機制的卷積神經網絡結構，包括特征提取骨干網絡、多尺度特征融合模塊和檢測頭模塊，所述病害檢測網絡的輸入圖像尺寸為512×512像素至1024×1024像素，輸出的置信度閾值設置為0.5至0.8。
5.根據權利要求1所述的時序圖像分析的橋梁伸縮縫病害監測方法，其特征在于，所述步驟s4中，所述縫寬-溫度響應曲線模型為線性模型或分段線性模型，所述線性模型的表達形式為縫寬等于動態響應系數與溫度變化量的乘積加上基準縫寬，所述動態響應系數的取值范圍為0.5mm/℃至3.0mm/℃，所述異常變形行為的判定條件為實測縫寬偏差超過響應曲線預測值的三倍標準差。
6.根據權利要求1所述的時序圖像分析的橋梁伸縮縫病害監測方法，其特征在于，所述步驟s4中，所述亞像素邊緣檢測算法包括以下子步驟：?對伸縮縫邊緣區域進行多尺度高斯濾波預處理；?采用sobel算子計算圖像的水平方向梯度和垂直方向梯度；?基于梯度幅值和梯度方向進行非極大值抑制獲取像素級邊緣位置；?在像素級邊緣位置的鄰域內，采用梯度加權質心法計算亞像素級邊緣坐標，測量精度達到0.1像素至0.02像素。
7.根據權利要求1所述的時序圖像分析的橋梁伸縮縫病害監測方法，其特征在于，所述步驟s5中，所述病害劣化速率的計算方法為：?提取相鄰兩個監測周期內同類病害的特征量的變化值；?將所述特征量的變化值除以監測時間間隔得到劣化速率；?所述特征量包括病害面積、裂縫長度、裂縫寬度和病害嚴重度指數。
8.根據權利要求1所述的時序圖像分析的橋梁伸縮縫病害監測方法，其特征在于，所述步驟s5中，所述維修緊迫性等級分為四級：?一級為緊急維修，對應劣化速率超過第一預警閾值或檢測到結構性損傷；?二級為優先維修，對應劣化速率介于第二預警閾值與第一預警閾值之間；?三級為計劃維修，對應劣化速率介于第三預警閾值與第二預警閾值之間；?四級為觀察監測，對應劣化速率低于第三預警閾值。
9.根據權利要求1所述的時序圖像分析的橋梁伸縮縫病害監測方法，其特征在于，所述步驟s5中，所述橋梁伸縮縫健康狀態檔案包括伸縮縫基本信息、歷史圖像序列、病害檢測記錄、縫寬監測數據、溫度響應曲線參數、劣化趨勢曲線和維修建議，所述養護建議報告包括病害類型分布統計、劣化風險評估、維修優先級排序和養護措施建議。
10.時序圖像分析的橋梁伸縮縫病害監測系統，用于實現權利要求1-9任一項所述的時序圖像分析的橋梁伸縮縫病害監測方法，其特征在于，所述系統包括：