详情

原文传递基于深度学习和图像分类的桥梁缺陷检测方法设计与实现

论文题名：	基于深度学习和图像分类的桥梁缺陷检测方法设计与实现
关键词：	桥梁结构;缺陷检测;深度学习;图像分类
摘要：	随着桥梁运营时间的增长，其结构表面极易出现蜂窝麻面、破损露筋、修补、渗水和裂缝等损伤，若不及时处理将会影响桥梁的使用寿命和承载能力。近年来，随着机器视觉的不断发展，桥梁缺陷检测技术取得了长足进步，但现有方法主要针对单一裂缝设计检测模型；此外，当面对小目标缺陷时，模型的定位与检测精度性能不佳，甚至会直接漏检。　　为解决上述问题，本论文提出了一种基于深度学习和图像分类的桥梁缺陷检测方法。首先，将待检测的大图像均匀切割为固定大小的小块图像。其次，利用基于多尺度特征融合网络的二分类桥梁缺陷检测模型实现待测桥梁图片正常类和缺陷类的二分类判定，并构造潜在的桥梁缺陷类数据集；再次，利用提出的基于注意力的特征分离多分类桥梁缺陷检测模型，将潜在的桥梁缺陷类数据集细分为蜂窝麻面类、裂缝类、破损露筋类、渗水类和修补类；最后，搭建了一套集成二分类和多分类的桥梁缺陷检测系统，实现待测桥梁图片二分类到多分类的检测。　　本论文的主要研究内容如下：　　为了缓解正常桥面类图像过多导致用于训练缺陷类图像分类模型的数据集不平衡问题，另一方面为了消除正常桥类图像对缺陷类图像分类结果的影响，本文构建了一种基于多尺度特征融合网络的二分类桥梁缺陷检测模型。首先，利用Swin Transformer网络和预训练网络将桥梁图片映射到局部和全局特征空间；其次，设计了一种双通道多尺度特征融合模块，在融合全局和局部特征的同时，聚合桥梁缺陷形态和细节的上下文信息；最后，利用分类器将待检测的桥梁图像划分为正常类和缺陷类，并构造潜在桥梁缺陷类数据集。　　在二分类检测的基础上，提出了一种基于注意力的特征分离多分类桥梁缺陷检测模型，同时将潜在桥梁缺陷类数据集进一步细分为蜂窝麻面类、裂缝类、破损露筋类、渗水类、修补类。首先，利用 CoT 注意力机制改进主干网络ResNet，并在 ImageNet数据集上对改进后的主干网络进行预训练，提取潜在桥梁缺陷类图片的深度注意力特征图，使其能够更好地识别小目标缺陷；然后，利用特征分离模块将深度注意力特征图分离为等大小的蜂窝麻面类、裂缝类、破损露筋类、渗水类、修补类特征图；最后，利用上述细粒度特征图预测输入图片的标签，根据预测值与原始标签之间的损失端到端优化多分类模型。　　此外，本文以上述两种深度学习网络模型为核心算法搭建了一套集成二分类和多分类的桥梁缺陷检测系统。利用自主设计的桥梁图像数据采集云台，实地采集桥梁缺陷图像数据集，并分别用于训练模型二分类和多分类网络模型；通过利用实际场景中采集的桥梁缺陷数据对该系统进行测试，结果表明系统检测效果良好，验证了该桥梁缺陷检测系统具有一定的应用价值。
作者：	陈丝璐
专业：	计算机技术
导师：	路永钢
授予学位：	硕士
授予学位单位：	兰州大学
学位年度：	2023