本发明涉及一种桥梁主梁露筋成因分析方法，尤其涉及一种基于无人机采集图像的桥梁主梁露筋成因分析方法，属于桥梁露筋成因分析。
背景技术：
1、桥梁服役过程中，受到环境因素（如侵蚀和化学腐蚀）、荷载作用（超载或碰撞）、以及施工质量问题（浇筑不密实或养护不当）等因素的影响，混凝土会出现开裂或剥落现象，最终导致钢筋暴露；露筋问题会直接影响桥梁的结构强度和耐久性，导致承载能力下降和安全隐患增加，如果不及时处理，可能会加剧结构损伤，增加维修难度和成本，甚至有可能导致桥梁结构失稳或崩塌；快速智能识别桥梁主梁露筋，对于维护桥梁安全至关重要，可以帮助及时发现问题，节约维护成本，同时，可以优化安全监测，确保桥梁的持续安全运营。
2、目前，桥梁主梁检测过程中，缺乏对无人机检测路径的研究，导致无人机飞行时间增长和能源浪费，也会导致某些桥梁病害区域未被彻底检查，影响疾病检测的全面性和准确性，还可能增加无人机操作的风险，增加意外发生的概率；开展无人机最短飞行路径确定方法的研究具有重要意义，首先，它可以提高无人机在桥梁检测中的作业效率，节约时间和能源，同时减少了对无人机本身的磨损，延长使用寿命，其次，精确的飞行路径规划可以确保无人机能够覆盖所有关键区域，提高病害检测的全面性和准确性，最后，优化后的飞行路径还有助于减少飞行中的安全风险，提高整体作业安全性。
3、另一方面，桥梁主梁露筋成因分析对于确保桥梁的安全、制定有效修复方案、预防未来结构问题、优化维护和检测计划及形成长期监控策略具有至关重要的作用，通过准确分析露筋原因，可以选择合适的修复材料和技术，防控潜在风险，提高桥梁的整体稳定性和使用寿命，同时可以为桥梁管理提供关键数据，确保长期安全和性能效益。
4、现有技术中，公开(公告)号为cn109087295a的专利文件公开了基于灰度值投影法的桥梁露筋视觉检测方法，其利用灰度值投影法有效地定位并识别桥梁露筋，通过分析图像中的灰度值分布来排除复杂背景干扰，从而提高了检测的准确率和效率；然而，上述方法没有涉及主梁露筋的快速识别技术，会导致露筋问题被忽视或延迟处理，进而引发结构安全隐患增加、维修成本上升以及潜在的桥梁结构失效风险，同时，尚未考虑对主梁露筋进行成因分析。
5、因此，需要一种基于无人机采集图像的桥梁主梁露筋成因分析方法。
技术实现思路
1、在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
2、鉴于此，为解决现有技术中传统的桥梁主梁露筋检测方法识别效率低且未对露筋原因进行针对性分析的问题，本发明提供一种基于无人机采集图像的桥梁主梁露筋成因分析方法。
3、技术方案如下：一种基于无人机采集图像的桥梁主梁露筋成因分析方法，包括以下步骤：
4、s1.根据无人机参数信息和操作信息，规划无人机最短飞行路径；
5、s2.沿无人机最短飞行路径，采集桥梁主梁图像生成图像矩阵，对其进行图像质量增强，得到新的图像矩阵；
6、s3.根据新的图像矩阵结合病害信息，构建数据集，将数据集输入到建立的基础模型、辅助模型和强化模型中进行训练，融合三种模型的损失函数，得到融合后的损失函数；
7、s4.建立强化模型到基础模型的层间损失函数，结合融合后的损失函数，得到总损失函数，对三种模型进行训练，将训练完成的基础模型作为最终模型，输出最终的主梁露筋识别结果；
8、s5.根据最终的主梁露筋识别结果，通过主梁露筋成因指标，分析主梁露筋成因，得到主梁露筋的主要成因。
9、进一步地，所述s1中，具体包括以下步骤：
10、s11.确定无人机起飞点和降落点，选定操作员观察位置；
11、s12.根据无人机搭载相机的焦距和传感器大小，确定飞行高度avh，获得图像覆盖率和分辨率，将无人机飞行速度设置为avv；
12、s13.根据无人机起飞点和降落点制定最短飞行路径，确定桥梁主梁的坐标信息和无人机拍摄点位信息；
13、所述s13中，起飞点坐标为avo(avox，avoy，avoz)，在此基础上，确定全部无人机拍摄点位，任一无人机拍摄点位的编号为p，其对应的无人机拍摄点位坐标为avp（avpx，avpy，avpz），无人机拍摄点位的编号集合表示为{1，2，3，…，xn}，对应的无人机拍摄点位坐标集合表示为{av1（av1x，av1y，av1z），av2（av2x，av2y，av2z），…，avxn（avxnx，avxny，avxnz）}，其中，xn为无人机拍摄点位的数量，计算得到任一无人机拍摄点位avp和与其相邻的无人机拍摄点位av（p+1）之间的相邻距离；
14、以起飞点avo为出发点，根据任一无人机拍摄点位与起飞点之间的距离，计算得到全部无人机拍摄点位与起飞点之间的距离，筛选出其中三个最小距离对应的无人机拍摄点位，并进行随机选择，得到无人机从起飞点出发后抵达的第一个无人机拍摄点位；
15、确定无人机抵达的第一个拍摄点位后，计算全部拍摄点位与第一个抵达的拍摄点位之间的距离，筛选出其中三个最小距离对应的无人机拍摄点位，并进行随机选择，得到无人机从抵达的第一个拍摄点位出发后抵达的第二个拍摄点位，重复上述步骤，直至得到无人机抵达的全部拍摄点位，根据每次随机选择的不同，计算第一种飞行方式下无人机飞行的总距离tdis1，重复上述步骤，重复次数为cn，整合得到不同飞行方式下无人机飞行的总距离集合{tdis1，tdis2，tdis3，tdis4，…，tdiscn}，将其按照从小到大的顺序排列，并挑选出排名在前tn的总距离以及对应的飞行路线，tn为预设值，统计tn个飞行路线的交集信息，并选择交集数量最多的飞行线路，组合得到无人机最短飞行路径。
16、进一步地，所述s2中，具体包括以下步骤：
17、s21.采用无人机的机载高清相机，沿无人机最短飞行路径采集桥梁主梁图像ph，对应的图像矩阵为ph；
18、s22.构建5阶降噪核函数n，对核函数中全部元素进行归一化操作，得到归一化后的降噪核函数；
19、s23.根据归一化后的降噪核函数，对图像进行降噪核函数处理，得到新的图像矩阵p，实现图像质量增强；
20、所述s22中，5阶降噪核函数n表示为：
21、；
22、；
23、其中，x=1、2、3、4或5，x为矩阵的行号，y=1、2、3、4或5，y为矩阵的列号，为核函数中全部元素的标准方差，为自然对数的底；
24、归一化后的降噪核函数表示为：
25、；
26、所述s23中，新的图像矩阵p表示为：
27、。
28、进一步地，所述s3中，具体包括以下步骤：
29、s31.基于新的图像矩阵，挑选出全部包含主梁露筋、裂缝、锈蚀和剥落的图像作为输入图像；
30、s32.通过人工标注，在输入图像中框选出主梁露筋区域和其他三种病害，构建数据集，按照数量比8:2的比例，将数据集划分为训练集和测试集；
31、s33.根据数据集，构建基础模型、辅助模型和强化模型，计算四种模型的损失函数并进行融合，得到融合后的损失函数；
32、所述s32中，主梁露筋区域标记为reinforcement，三种病害即裂缝、锈蚀和剥落依次标记为other1、other2和other3；
33、所述s33中，构建基础模型即深度学习模型a的网络结构，深度学习模型a由1个输入层，5个卷积层，5个激活层，4个池化层，1个全局平均池化层和1个输出层组成；
34、将数据集输入到深度学习模型a中，通过误差反向传播算法，计算得到深度学习模型a的神经网络单元的权重和偏置，完成深度学习模型a的训练，得到训练完毕的深度学习模型a及其损失函数；
35、深度学习模型a对应的输出单元节点的输出值为，分别为第一输出单元节点的输出值、第二输出单元节点的输出值、第三输出单元节点的输出值和第四输出单元节点的输出值，根据指数函数，先将深度学习模型a对应的4个输出单元节点的输出值初始转换为第一初步输出值第一初步输出值的概率值，再将其进一步优化转换得到第一优化输出值和第一优化输出值的增强概率值；
36、采用第一优化输出值的增强概率值和数据集，结合误差链式求导法则，继续训练深度学习模型a，训练完毕后，得到第一病害的输出值和深度学习模型a输出层的节点对应的实际病害标注，第一病害的输出值分别为第一主梁露筋输出值、第一裂缝的输出值、第一锈蚀输出值和第一剥落输出值；
37、构建第一辅助模型即深度学习模型b，深度学习模型b由1个输入层，10个卷积层，10个激活层，5个池化层，1个全局平均池化层和1个输出层组成；
38、将数据集输入到深度学习模型b中，通过误差反向传播算法，计算得到深度学习模型b的神经网络单元的权重和偏置，完成深度学习模型b的训练，得到训练完毕的深度学习模型b及其损失函数；
39、深度学习模型b对应的输出单元节点的输出值为，分别为第五输出单元节点的输出值、第六输出单元节点的输出值、第七输出单元节点的输出值和第八输出单元节点的输出值，根据指数函数，先将深度学习模型b对应的4个输出单元节点的输出值初始转换为第二初步输出值和第二初步输出值的概率值，再将其进一步优化转换得到第二优化输出值和第二优化输出值的增强概率值；
40、采用第二优化输出值的增强概率值和数据集，结合误差链式求导法则，继续训练深度学习模型b，训练完毕后，得到第二病害的输出值和深度学习模型b输出层的节点对应的实际病害标注，第二病害的输出值分别为第二主梁露筋输出值、第二裂缝的输出值、第二锈蚀输出值和第二剥落输出值；
41、构建第二辅助模型即深度学习模型c，深度学习模型c由1个输入层，15个卷积层，15个激活层，5个池化层，1个全局平均池化层和1个输出层组成；
42、将数据集输入到深度学习模型c中，通过误差反向传播算法，计算得到深度学习模型c的神经网络单元的权重和偏置，完成深度学习模型c的训练，得到训练完毕的深度学习模型c及其损失函数；
43、深度学习模型c对应的输出单元节点的输出值为，分别为第九输出单元节点的输出值、第十输出单元节点的输出值、第十一输出单元节点的输出值和第十二输出单元节点的输出值，根据指数函数，先将深度学习模型c对应的4个输出单元节点的输出值初始转换为第三初步输出值和第三初步输出值的概率值，再将其进一步优化转换得到第三优化输出值和第三优化输出值的增强概率值；
44、采用第三优化输出值的增强概率值和数据集，结合误差链式求导法则，继续训练深度学习模型c，训练完毕后，得到第三病害输出值和深度学习模型b输出层的节点对应的实际病害标注，第三病害输出值分别为第三主梁露筋输出值、第三裂缝的输出值、第三锈蚀输出值和第三剥落输出值；
45、构建强化模型即深度学习模型d，深度学习模型d由1个输入层，19个卷积层，19个激活层，5个池化层，1个全局平均池化层和1个输出层组成；
46、将数据集输入到深度学习模型d中，通过误差反向传播算法，计算得到深度学习模型d的神经网络单元的权重和偏置，完成深度学习模型d的训练，得到训练完毕的深度学习模型d及其损失函数；
47、深度学习模型d对应的输出单元节点的输出值为，分别为第十三输出单元节点的输出值、第十四输出单元节点的输出值、第十五输出单元节点的输出值和第十六输出单元节点的输出值，根据指数函数，先将深度学习模型d对应的4个输出单元节点的输出值初始转换为第四初步输出值和第四初步输出值的概率值，再将其进一步优化转换得到第四优化输出值和第四优化输出值的增强概率值；
48、采用第四优化输出值的增强概率值和数据集，结合误差链式求导法则，继续训练深度学习模型d，训练完毕后，得到第四病害输出值和深度学习模型d输出层的节点对应的实际病害标注，第四病害输出值分别为第四主梁露筋输出值、第四裂缝的输出值、第四锈蚀输出值和第四剥落输出值；
49、根据第二病害输出值为和第一优化输出值的增强概率值，构建深度学习模型b和深度学习模型a之间的损失函数，得到对应权重系数；
50、基于第一初步输出值的概率值和深度学习模型a输出层的节点对应的实际病害标注，构建考虑第一初步输出值的概率值的深度学习模型a的损失函数，得到对应权重系数；
51、基于深度学习模型b和深度学习模型a之间的损失函数和考虑第一初步输出值的概率值的深度学习模型a的损失函数，建立深度学习模型b与深度学习模型a的输出层之间的关系损失函数；
52、根据上述操作，建立深度学习模型c与深度学习模型b的输出层之间的关系损失函数、深度学习模型c与深度学习模型a的输出层之间的关系损失函数、深度学习模型d与深度学习模型a的输出层之间的关系损失函数和深度学习模型d与深度学习模型c的输出层之间的关系损失函数。
53、进一步地，所述s4中，具体包括以下步骤：
54、s41.建立强化模型到基础模型的层间损失函数，结合融合后的损失函数，得到总损失函数；
55、s42.基于链式求导法则，通过误差反向传播方式，对三种模型进行训练，得到训练完成的深度学习模型a即最优模型；
56、所述s41中，将深度学习模型a的选定层与深度学习模型d的选定层建立联系，深度学习模型a中的选定层包括第二层：卷积层1、第三层：激活层1、第四层：池化层1和第十七层：输出层，深度学习模型d的选定层包括第四层：卷积层2、第六层：池化层1、第十层：激活层4和第四十六层：输出层；
57、深度学习模型a的选定层为，对应的尺寸为，其中，=2、3、4和17，为深度学习模型a的选定层层数，为深度学习模型a的选定层宽度，为深度学习模型a的选定层长度，为深度学习模型a的选定层通道数，深度学习模型d的选定层为，对应的尺寸为，其中，=4、6、10和46，为深度学习模型d的选定层层数，为深度学习模型d的选定层宽度，为深度学习模型d的选定层长度，为深度学习模型d的选定层通道数；
58、当时，在深度学习模型a的选定层输出中，添加卷积操作，卷积核尺寸为1×1，卷积核数量为，得到深度学习模型a的选定层输出，其对应的各通道输出值为，=1，2，3，…，，为深度学习模型a的选定层输出通道编号，深度学习模型d的选定层对应的各通道输出值为，=1，2，3，…，，为深度学习模型d的选定层输出通道编号，建立深度学习模型a的选定层与深度学习模型d的选定层之间的损失函数；
59、当时，在深度学习模型d的选定层输出中，添加卷积操作，卷积核尺寸为1×1，卷积核数量为，得到深度学习模型d的选定层输出为，其对应的各通道输出值为，深度学习模型d的选定层对应的各通道输出值为，建立深度学习模型a的选定层与深度学习模型d的选定层之间的损失函数；
60、根据上述计算，得到深度学习模型a的第二层与深度学习模型d的第四层之间的损失函数、深度学习模型a的第三层与深度学习模型d的第六层之间的损失函数和深度学习模型a的第四层与深度学习模型d的第十层之间的损失函数，结合深度学习模型b与深度学习模型a的输出层之间的关系损失函数、深度学习模型c与深度学习模型b的输出层之间的关系损失函数、深度学习模型c与深度学习模型a的输出层之间的关系损失函数、深度学习模型d与深度学习模型a的输出层之间的关系损失函数和深度学习模型d与深度学习模型c的输出层之间的关系损失函数，定义总损失函数。
61、进一步地，所述s5中，主梁露筋成因指标包括混凝土覆盖层厚度、混凝土抗压强度、钢筋锈蚀深度、氯离子含量、钢筋保护层偏差、裂缝宽度、混凝土应力值和维护记录次数；
62、分别采集八类主梁露筋成因指标数据，构建对应的数据向量，得到混凝土覆盖层厚度对应的数据向量fg、混凝土抗压强度对应的数据向量ky、钢筋锈蚀深度对应的数据向量xs、氯离子含量对应的数据向量zl、钢筋保护层偏差对应的数据向量bh、裂缝宽度对应的数据向量lk、混凝土应力值对应的数据向量yl和维护记录次数对应的数据向量wc，对所有数据向量分别进行归一化，得到对应的归一化向量，计算主梁露筋成因指标之间的协方差值，整合得到协方差矩阵；
63、协方差矩阵表示为：
64、；
65、其中，分别为混凝土覆盖层厚度与混凝土覆盖层厚度、混凝土抗压强度、钢筋锈蚀深度、氯离子含量、钢筋保护层偏差、裂缝宽度、混凝土应力值、维护记录次数之间的协方差值，分别为混凝土抗压强度与混凝土覆盖层厚度、混凝土抗压强度、钢筋锈蚀深度、氯离子含量、钢筋保护层偏差、裂缝宽度、混凝土应力值、维护记录次数之间的协方差值，分别为钢筋锈蚀深度与混凝土覆盖层厚度、混凝土抗压强度、钢筋锈蚀深度、氯离子含量、钢筋保护层偏差、裂缝宽度、混凝土应力值、维护记录次数之间的协方差值，分别为氯离子含量与混凝土覆盖层厚度、混凝土抗压强度、钢筋锈蚀深度、氯离子含量、钢筋保护层偏差、裂缝宽度、混凝土应力值、维护记录次数之间的协方差值，分别为钢筋保护层偏差与混凝土覆盖层厚度、混凝土抗压强度、钢筋锈蚀深度、氯离子含量、钢筋保护层偏差、裂缝宽度、混凝土应力值、维护记录次数之间的协方差值，分别为裂缝宽度与混凝土覆盖层厚度、混凝土抗压强度、钢筋锈蚀深度、氯离子含量、钢筋保护层偏差、裂缝宽度、混凝土应力值、维护记录次数之间的协方差值，分别为混凝土应力值与混凝土覆盖层厚度、混凝土抗压强度、钢筋锈蚀深度、氯离子含量、钢筋保护层偏差、裂缝宽度、混凝土应力值、维护记录次数之间的协方差值，分别为维护记录次数与混凝土覆盖层厚度、混凝土抗压强度、钢筋锈蚀深度、氯离子含量、钢筋保护层偏差、裂缝宽度、混凝土应力值、维护记录次数之间的协方差值；
66、根据协方差矩阵，构造特征方程，其中，为八类主梁露筋成因指标对应的特征值，=1、2、3、…、8，为与协方差矩阵同阶的单位矩阵，表示行列式；
67、求解特征方程，得到八类主梁露筋成因指标对应的特征值- ，将其按照从大到小的顺序排列，标记为-，其中，排序后的第一主梁露筋成因指标对应的特征值对应的主梁露筋成因指标即对主梁露筋影响最大的因素；
68、定义阈值yz，计算，当时，停止计算，主梁露筋成因指标对应的特征值对应的主梁露筋成因指标即主梁露筋的主要成因，其中，为排序后的主梁露筋成因指标对应的特征值的编号。
69、进一步地，所述s33中，深度学习模型a的网络结构中的层级按以下顺序依次进行连接：
70、输入层：图像尺寸227×227×3；
71、卷积层1：卷积核尺寸3×3，卷积核数量32，stride：1，padding：same；
72、激活层1：relu；
73、池化层1：类型：最大池化；池化尺寸：2×2；stride：2；
74、卷积层2：卷积核尺寸3×3，卷积核数量64，stride：1，padding：same；
75、激活层2：relu；
76、池化层2：类型：最大池化，池化尺寸：2×2，stride：2；
77、卷积层3：卷积核尺寸3×3，卷积核数量128，stride：1，padding：same；
78、激活层3：relu；
79、池化层3：类型：最大池化，池化尺寸：2×2，stride：2；
80、卷积层4：卷积核尺寸3×3，卷积核数量256，stride：1，padding：same；
81、激活层4：relu；
82、卷积层5：卷积核尺寸3×3，卷积核数量256，stride：1，padding：same；
83、激活层5：relu；
84、池化层4：类型：最大池化，池化尺寸：2×2，stride：2；
85、全局平均池化层1；
86、输出层：类型：softmax，神经元数量：4。
87、进一步地，所述s33中，深度学习模型b的网络结构中的层级按以下顺序依次进行连接：
88、输入层：图像尺寸227×227×3；
89、卷积层1：卷积核尺寸3×3，卷积核数量32，stride：1，padding：same；
90、激活层1：relu；
91、卷积层2：卷积核尺寸3×3，卷积核数量64，stride：1，padding：same；
92、激活层2：relu；
93、池化层1：类型：最大池化，池化尺寸：2×2，stride：2；
94、卷积层3：卷积核尺寸3×3，卷积核数量64，stride：1，padding：same；
95、激活层3：relu；
96、卷积层4：卷积核尺寸3×3，卷积核数量64，stride：1，padding：same；
97、激活层4：relu；
98、池化层2：类型：最大池化，池化尺寸：2×2，stride：2；
99、卷积层5：卷积核尺寸3×3，卷积核数量128，stride：1，padding：same；
100、激活层5：relu；
101、卷积层6：卷积核尺寸3×3，卷积核数量128，stride：1，padding：same；
102、激活层6：relu；
103、池化层3：类型：最大池化，池化尺寸：2×2，stride：2；
104、卷积层7：卷积核尺寸3×3，卷积核数量256，stride：1，padding：same；
105、激活层7：relu；
106、卷积层8：卷积核尺寸3×3，卷积核数量256，stride：1，padding：same；
107、激活层8：relu；
108、卷积层9：卷积核尺寸3×3，卷积核数量256，stride：1，padding：same；
109、激活层9：relu；
110、池化层4：类型：最大池化，池化尺寸：2×2，stride：2；
111、卷积层10：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
112、激活层10：relu；
113、池化层5：类型：最大池化，池化尺寸：2×2，stride：2；
114、全局平均池化层1；
115、输出层：类型：softmax，神经元数量：4。
116、进一步地，所述s33中，深度学习模型c的网络结构中的层级按以下顺序依次进行连接：
117、输入层：图像尺寸227×227×3；
118、卷积层1：卷积核尺寸3×3，卷积核数量64，stride：1，padding：same；
119、激活层1：relu；
120、卷积层2：卷积核尺寸3×3，卷积核数量64，stride：1，padding：same；
121、激活层2：relu；
122、池化层1：类型：最大池化，池化尺寸：2×2，stride：2；
123、卷积层3：卷积核尺寸3×3，卷积核数量128，stride：1，padding：same；
124、激活层3：relu；
125、卷积层4：卷积核尺寸3×3，卷积核数量128，stride：1，padding：same；
126、激活层4：relu；
127、池化层2：类型：最大池化，池化尺寸：2×2，stride：2；
128、卷积层5：卷积核尺寸3×3，卷积核数量256，stride：1，padding：same；
129、激活层5：relu；
130、卷积层6：卷积核尺寸3×3，卷积核数量256，stride：1，padding：same；
131、激活层6：relu；
132、卷积层7：卷积核尺寸3×3，卷积核数量256，stride：1，padding：same；
133、激活层7：relu；
134、池化层3：类型：最大池化，池化尺寸：2×2，stride：2；
135、卷积层8：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
136、激活层8：relu；
137、卷积层9：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
138、激活层9：relu；
139、卷积层10：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
140、激活层10：relu；
141、池化层4：类型：最大池化，池化尺寸：2×2，stride：2；
142、卷积层11：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
143、激活层11：relu；
144、卷积层12：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
145、激活层12：relu；
146、卷积层13：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
147、激活层13：relu；
148、卷积层14：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
149、激活层14：relu；
150、卷积层15：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
151、激活层15：relu；
152、池化层5：类型：最大池化，池化尺寸：2×2，stride：2；
153、全局平均池化层1；
154、输出层：类型：softmax，神经元数量：4。
155、进一步地，所述s33中，深度学习模型d的网络结构中的层级按以下顺序依次进行连接：
156、输入层：图像尺寸227×227×3；
157、卷积层1：卷积核尺寸3×3，卷积核数量64，stride：1，padding：same；
158、激活层1：relu；
159、卷积层2：卷积核尺寸3×3，卷积核数量64，stride：1，padding：same；
160、激活层2：relu；
161、池化层1：类型：最大池化，池化尺寸：2×2，stride：2；
162、卷积层3：卷积核尺寸3×3，卷积核数量128，stride：1，padding：same；
163、激活层3：relu；
164、卷积层4：卷积核尺寸3×3，卷积核数量128，stride：1，padding：same；
165、激活层4：relu；
166、池化层2：类型：最大池化，池化尺寸：2×2，stride：2；
167、卷积层5：卷积核尺寸3×3，卷积核数量256，stride：1，padding：same；
168、激活层5：relu；
169、卷积层6：卷积核尺寸3×3，卷积核数量256，stride：1，padding：same；
170、激活层6：relu；
171、卷积层7：卷积核尺寸3×3，卷积核数量256，stride：1，padding：same；
172、激活层7：relu；
173、卷积层8：卷积核尺寸3×3，卷积核数量256，stride：1，padding：same；
174、激活层8：relu；
175、池化层3：类型：最大池化，池化尺寸：2×2，stride：2；
176、卷积层9：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
177、激活层9：relu；
178、卷积层10：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
179、激活层10：relu；
180、卷积层11：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
181、激活层11：relu；
182、卷积层12：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
183、激活层12：relu；
184、卷积层13：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
185、激活层13：relu；
186、卷积层14：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
187、激活层14：relu；
188、池化层4：类型：最大池化，池化尺寸：2×2，stride：2；
189、卷积层15：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
190、激活层15：relu；
191、卷积层16：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
192、激活层16：relu；
193、卷积层17：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
194、激活层17：relu；
195、卷积层18：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
196、激活层18：relu；
197、卷积层19：卷积核尺寸3×3，卷积核数量512，stride：1，padding：same；
198、激活层19：relu；
199、池化层5：类型：最大池化，池化尺寸：2×2，stride：2；
200、全局平均池化层1；
201、输出层：类型：softmax，神经元数量：4。
202、本发明的有益效果如下：本发明采用无人机进行桥梁主梁露筋检测时，设计最短飞行路径有助于提高检测效率，减少了所需时间和电池能耗，从而增加了无人机的作业续航能力，降低了运行成本，并能够在最短时间内获取关键结构的完整性信息，对于确保桥梁等结构的安全运营至关重要；本发明为实现桥梁主梁露筋智能识别构建了基础模型、辅助模型和强化模型，并融合其层间损失函数，使基础模型可以在更深的层次上学习强化模型的特征，使基础模型更好地泛化，进一步提升了对主梁露筋的识别性能；本发明对主梁露筋产生原因进行分析，确定主梁露筋的成因，可以为桥梁养护管理提供关键数据，确保桥梁运行安全。
1.一种基于无人机采集图像的桥梁主梁露筋成因分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于无人机采集图像的桥梁主梁露筋成因分析方法，其特征在于，所述s1中，具体包括以下步骤：
3.根据权利要求2所述的一种基于无人机采集图像的桥梁主梁露筋成因分析方法，其特征在于，所述s2中，具体包括以下步骤：
4.根据权利要求3所述的一种基于无人机采集图像的桥梁主梁露筋成因分析方法，其特征在于，所述s3中，具体包括以下步骤：
5.根据权利要求4所述的一种基于无人机采集图像的桥梁主梁露筋成因分析方法，其特征在于，所述s4中，具体包括以下步骤：
6.根据权利要求5所述的一种基于无人机采集图像的桥梁主梁露筋成因分析方法，其特征在于，所述s5中，主梁露筋成因指标包括混凝土覆盖层厚度、混凝土抗压强度、钢筋锈蚀深度、氯离子含量、钢筋保护层偏差、裂缝宽度、混凝土应力值和维护记录次数；
7.根据权利要求6所述的一种基于无人机采集图像的桥梁主梁露筋成因分析方法，其特征在于，所述s33中，深度学习模型a的网络结构中的层级按以下顺序依次进行连接：
8.根据权利要求7所述的一种基于无人机采集图像的桥梁主梁露筋成因分析方法，其特征在于，所述s33中，深度学习模型b的网络结构中的层级按以下顺序依次进行连接：
9.根据权利要求8所述的一种基于无人机采集图像的桥梁主梁露筋成因分析方法，其特征在于，所述s33中，深度学习模型c的网络结构中的层级按以下顺序依次进行连接：
10.根据权利要求9所述的一种基于无人机采集图像的桥梁主梁露筋成因分析方法，其特征在于，所述s33中，深度学习模型d的网络结构中的层级按以下顺序依次进行连接：
