详情

原文传递基于CNN深度学习的混凝土桥梁裂缝识别技术研究

论文题名：	基于CNN深度学习的混凝土桥梁裂缝识别技术研究
关键词：	混凝土桥梁;裂缝识别;目标检测;长宽度测量;CNN深度学习
摘要：	2019年中共中央印发了《交通强国建设纲要》。《纲要》提出要“推动交通发展由追求速度规模向更加注重质量效益转变，构建安全、便捷、高效、绿色、经济的现代化综合交通体系，为全面建成社会主义现代化强国、实现中华民族伟大复兴中国梦提供坚强支撑。”在大的时代背景下提出的交通强国战略，在现代立体式、综合化交通体系中发挥纽带作用的桥梁，必将迎来新一轮的建设期与发展期。现阶段对于我国体量庞大的桥梁工程而言，“建养并举”是理应贯彻的基本方针。然而众多混凝土桥梁在服役时期由于自身材料老化、环境因素（温湿度变化、地震作用、洪水冲击）、人为因素（荷载作用、车辆过载）等因素的影响，混凝土桥梁往往会产生多种病害，如蜂窝麻面、破损、裂缝、露筋、渗水等病害。其中裂缝病害是桥梁病害最为常见、最为亟需解决的病害，对桥梁的健康服役性能影响重大。“检测”是“养护”的基础，如何快速、高效、智能的对桥梁裂缝进行检测，做到精准定位、准确识别，为后期桥梁的及时修复提供前提条件，保障桥梁健康的交通通行能力，提高桥梁结构的安全性能与耐久性能，对我国交通事业的稳步推进且可持续发展至关重要。　　本文结合吉林省交通运输创新发展支撑项目“公路桥梁机器人巡检关键技术及其应用研究”，利用桥梁智能巡检技术，即无人机搭载高清工业相机对桥梁进行图像扫描，依据图像扫描结果作为数据集，基于CNN（ConvolutionalNeuralNetworks，CNN）深度学习方法来进行混凝土桥梁裂缝识别技术研究，CNN是一种具有非线性表征和高度并行的深度学习方法，可以实现对图像特征的分层自动化提取。对实现桥梁裂缝的智能化检测具有重要意义。具体的研究内容如下：　　（1）首先是数据集的获取与标定。本文所选图像集全是在长春市轨道交通三号线上无人机桥梁智检拍照所得的图片，使用Labelme标注软件对所用的图像进行标注。桥梁由于其所处环境的多样性与复杂性，在表观检测部分，如模板印记、深黑色的水渍、黑棕色的线条笔迹、黑色线状蛛丝等都会不同程度呈现出类似裂缝特征，需将其与真实裂缝区分出来。并结合YOLOV3目标检测模型对桥梁裂缝与伪裂缝进行区分。　　（2）在真实裂缝与伪裂缝区分的基础上，本文提出了改进的DeepLabv3+语义分割模型，可以对裂缝图像实行像素级识别，不仅完成裂缝的分类和定位，还能生成具有详细边界的裂缝区域，实现裂缝分割。在相同的桥梁裂缝数据集上，为了验证本文改进算法的有效性，进一步与当前具有代表性的图像分割模型如MaskR-CNN、DeepLabV3+进行实验结果比较，表明各算法的裂缝分割精度。　　（3）完成裂缝长宽尺寸的非接触测量。运用OpenCV将分割后的裂缝图像结合最大连通区域法进行裂缝像素意义上的长宽度测量，并结合相机标定时相应的物理信息确定尺度系数，对应到裂缝的实际物理尺寸，实现裂缝的自动化测量，具有工程实际应用意义。
作者：	欧吉
专业：	道路与铁道工程
导师：	谭国金
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2022