原文传递
基于CNN的板式橡胶支座病害识别研究
| 论文题名： | 基于CNN的板式橡胶支座病害识别研究 |
| 关键词： | 桥梁工程;板式橡胶支座;病害识别;卷积神经网络 |
| 摘要： | 支座作为桥梁的重要组成部分，目前主要通过检测人员借助桥检车等工具对其进行目测外观检查，这种检测方式在智能化的今天显得低效、危险。随着计算机软、硬件的发展，使用深度学习技术并结合无人机拍摄，可实现对桥梁支座病害的自动化识别。本文基于深度学习中的卷积神经网络，对板式橡胶支座的病害自动化识别进行研究，主要研究内容如下： （1）详细介绍了桥梁支座病害检测、图像降噪及增强、深度学习的研究现状；总结了板式橡胶支座的发展概况、分类、工作原理、优点；对支座开裂、剪切变形超限和脱空等病害的影响、产生原因及处理措施等做出阐述；归纳了《公路桥梁技术状况评定标准》(JTG/T H21—2011)等规范对板式橡胶支座病害的评定； （2）使用小波软（硬）阈值降噪、均值滤波降噪、中值滤波降噪和高斯滤波降噪4种方法对随机抽取的300张支座图片进行降噪效果对比，结合主观评测法和客观评测法得到：使用卷积核大小为3×3的中值滤波降噪法对图像进行降噪效果最佳；图片降噪后，使用水平镜像、垂直镜像、对角镜像、顺时针旋转30度、逆时针旋转30度、等画布尺寸上下平移这7种几何变换对支座图片数量进行扩充并建立了由8种类别共33635张板式橡胶支座图片组成的数据库； （3）使用本文所建立的板式橡胶支座图片数据库中的训练集在ResNet50、D enseNet121和SE-ResNet50这3种卷积神经网络模型上进行训练，对板式橡胶支座的开裂、剪切、脱空、这3种病害两两组合出现以及这3种病害同时出现这8种情况进行分类，通过混淆矩阵、精确率、召回率和F-2值这些评价指标对各模型的性能进行对比分析后得到：DenseNet121识别效果最佳，其平均精确率和平均召回率可达到92.54%，平均F-2值为0.9248； （4）使用MatLab开发了由病害类型模块、图像预处理模块、病害识别模块以及病害防治建议模块共四个模块组成的板式橡胶支座病害识别程序，可以实现查看板式橡胶支座病害类型及成因、使用卷积核大小为3×3的均值滤波法对支座图片批量降噪、对支座图片中病害进行批量识别并自动生成识别结果的Excel文件、查看板式橡胶支座各种病害的防治建议这4项功能，为桥梁支座外观检测实现可视化提供了参考。 |
| 作者： | 纪盈舟 |
| 专业： | 土木水利 |
| 导师： | 杜斌 |
| 授予学位： | 硕士 |
| 授予学位单位： | 贵州大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
