基于卷积神经网络的桥梁裂缝检测研究.pdfVIP

第47卷第9期山西建筑Vol.47Nv.12

2021年10月SHANXARCHITECTUREOct,2021・131・

DOI：9.1379/j.cifk1009-6825.2021.9.247

基于卷积神经网络的桥梁裂缝检测研究★

杨紫艳马龙博邓凌史有玉

（东北林业大学土木工程学院,黑龙江哈尔滨90044/

摘要:为了实现桥梁裂缝自动化检测，将无人机技术与图像识别技术相结合，利用深度学习框架搭建卷积神经网络模型,识别无

人机采集的桥梁外观图片，达到了精确检测桥梁裂缝的效果,具有一定实际应用价值。

关键词:无人机；图像处理;深度学习;卷积神经网络;裂缝检测

中图分类号:U447文献标识码:A文章编号:1009-6825（2225）9-0135-03

0引言缝的检测识别与定位，通过模型训练结果分析，该模型表现

出较强的鲁棒性和高效性。

桥梁在役期间受环境等因素的影响，其自身各部分结

构会产生不同程度的损伤和劣化。常见的桥体结构病害特2卷积神经网络概述

征有裂缝、剥蚀、钢筋锈蚀、混凝土碳化等，而桥梁裂缝作为卷积神经网络，在训练速度上优于其他机器学习算法,

—种主要的桥体结构病害特征,对桥梁健康状态综合评定其可通过局部感知、权值共享和池化等方法大大减少层间

结果有重要影响⑴。的连接和所需要的参数,加快神经网络训练的速度。卷积

传统的人工检测方法，在检测效率、检测精度上、劳动神经网络架构一般由以下五层构成:输入层、卷积层、池化

强度、成本等方面存在很多不足2。近年来，无人机被广泛层、激活层、全连接层。

地应用在施工和工程质量检测工作中，大量学者研究基于输入层用于数据预处理，可通过数据标准化、归一化、

无人机的桥梁裂缝自动化检测技术:基于无人机采集图像去均值等方式处理用作训练的数据。卷积层主要用于图像

和相关数据,利用图传技术收集桥梁外观信息，研究图像识特征的提取，卷积核以一定的步长以滑动窗口的形式与图

别算法，实现桥梁裂缝的自动化检测识别，其技术的核心问像矩阵做数乘法后求和。池化可聚合卷积操作提取的特

题和研究重点是图像识别算法。传统的图像处理算法在裂征，降维减少运算量。卷积后的特征图有相当多的冗余信

缝识别效果上无法满足桥梁检测工作的要求。卷积神经网息,池化的目的就是去除冗余信息，同时保留图片最重要的

络的出现，很大程度上提升了图像识别的准确率？6],应用信息,常见的池化方式有平均池化、最大池化、求和池化。

该算法实现图像识别的效果已经得到大量学者的验证。模型采用最大池化方式进行特征的聚合。激活层利用激活

本文以卷积神经网络为基础，提出一种基于无人机的函数解决了部分图像数据非线性可分的问题，可提高深层

桥梁裂缝识别的技术，该技术为实现桥梁自动化检测提供神经网络的表达能力。全连接层则整合局部信息，同时将

—定帮助。输出的值送给分类器。

1国内外基于卷积神经网络的图像识别技术研究现状3图像预处理

卷积神经网络的研究最早开始于20世纪80年代，一3.1数据集的建立

些学者开展了卷积神经网络（CNN）的相关科研工作，并在选择合适的桥梁作为调查对象,利用无人机搭载摄像

手写数字识别中取得了良好的图像自