原文传递
基于深度学习的桥梁表观病害识别方法研究
| 论文题名： | 基于深度学习的桥梁表观病害识别方法研究 |
| 关键词： | 桥梁病害检测;深度学习;YOLOv4算法;自适应融合;多尺度特征 |
| 摘要： | 桥梁是城市交通系统中重要的组成部分，一旦发生事故往往将造成极大的经济损失，甚至人员伤亡。因此，需要对桥梁进行定期检测与维护，及早发现桥梁病害以防止出现严重的桥梁坍塌事故。目前，桥梁表观病害检测主要采用人工检测的方式，然而基于人工的桥梁病害检测方式存在主观因素大、劳动强度高、自动化程度低等缺点。随着桥梁数量的进一步增长，基于人工的检测方式已经无法满足实际工程应用的需求，因此迫切需要研究更加高效、智能化程度更高的桥梁病害检测方法。于是，本文提出了基于改进的YOLOv4桥梁表观病害检测方法，并结合该算法开发了桥梁病害检测系统原型，以提高桥梁病害的检测效率。本文的主要工作如下： (1)本文收集了桥梁病害检测所采集的病害图像共4180张，通过对病害图像的分析，得出桥梁病害图像存在病害尺度变化大、环境复杂的问题。并根据病害的视觉特征，利用LabelImage软件对病害的位置以及类别进行标注，建立了一个包括剥落、裂缝、蜂窝、空洞和露筋五类病害的桥梁表观病害数据集。 (2)在桥梁病害检测中，由于采集到的病害图像存在病害尺度变化大、环境复杂的问题，因此，提出了基于改进的YOLOv4桥梁表观病害检测方法。首先，构建多尺度特征选择模块改进主干网络CSPDarknet53，以提升主干网络对于不同尺度病害的特征提取能力；其次，构建了位置关联性特征融合模块，将YOLOv4路径聚合网络输出的三个不同尺度的特征图分别变换到相同尺寸，再通过位置关联性特征融合模块进行多尺度特征的自适应融合，增强网络对复杂环境下特征的提取能力。实验结果表明，改进的YOLOv4算法对各类病害的检测精度均有提升。 (3)设计并实现了桥梁病害检测系统原型，同时将本文提出的桥梁表观病害检测算法集成到该系统中。系统功能主要包括：病害检测模块、历史检测记录模块、病害数据采集模块。病害检测模块能够对采集的病害图像进行病害检测，并将相关检测结果永久保存；历史检测记录模块，提供历史检测记录查询功能，为桥梁健康评估提供数据支持；病害数据采集模块可实时展示当前采集的病害图像，便于观察病害图像质量。 |
| 作者： | 赵成 |
| 专业： | 计算机技术 |
| 导师： | 苏祖强 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆邮电大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
