详情

原文传递基于深度学习的混凝土桥梁结构表观多病害识别技术

论文题名：	基于深度学习的混凝土桥梁结构表观多病害识别技术
关键词：	混凝土桥梁;表观病害;目标检测;深度学习;多病害识别
摘要：	混凝土桥梁随着工作年限和自然环境等因素的影响会出现各种破坏，及时发现并处理运营期间的这些问题是桥梁检测的主要工作。混凝土桥梁的表观病害是检测工作的重点，因为病害的出现往往表明桥梁结构出现了问题。传统的人工检测效率低下、安全很难得到保证，难以适应我国越来越多的检测任务。而近年来计算机视觉技术的不断发展，使得复杂环境下桥梁检测智能化和自动化成为可能。　　本文从目标检测技术在混凝土桥梁表观病害检测领域的应用角度出发，深入研究了目前广泛使用的多种目标检测算法，研究了基于病害检测的优化方法，提出了一种改进的混凝土桥梁结构表观病害识别算法，设计开发了混凝土桥梁表观病害检测模块。本课题的研究主要解决了混凝土桥梁表观病害多种类检测的问题,为桥梁的日常运营维护提供了极大的便利。研究工作具体如下: 　　（1）整理了传统的病害检测方法和基于计算机视觉技术的智能检测的研究现状，并概述了目标检测算法在病害检测领域的应用情况。归纳总结出在桥梁表观病害智能识别方面有待进一步研究的内容，并阐述本论文研究的目的和意义。　　（2）本文参考国内外相关桥梁检测规范或手册，对比分析了多种桥梁表观病害的分类方法，结合工程实际重新划分了混凝土桥梁的表观病害，将混凝土桥梁表观病害划分为九种（蜂窝麻面、剥落掉角、空洞、泛白、网状裂缝、单一裂缝、锈胀、露筋和水渍），并收集照片构建了混凝土桥梁病害数据集。制定了完善的标记策略，并对标记结果进行定性和定量的分析，归纳总结了混凝土桥梁表观病害的表观特征和分布情况。比对常用目标检测算法，基于病害检测实时化多种类的任务需求，选取了三种YOLO系列经典算法进行实验验证，结果表明采用分辨率为1280×1280的YOLOR网络具有最好的病害识别效果，后续章节将以YOLOR为基础进行算法优化设计。　　（3）基于混凝土表观病害的特征进行网络调整，分别研究了不同的锚框和损失函数带来的性能影响。介绍锚框和损失函数的相关原理，给出优化方案的主要操作步骤。对比不同的优化策略，在测试集上进行精度和速度的分析，结果表明使用微调锚框和新的损失函数SIoU_loss的方法更具优势。　　（4）基于前一章的优化方法研究，提出了改进的混凝土桥梁表观病害识别算法YOLO-BDIM。主要通过数据增强和迁移学习来降低样本不足带来的影响，通过AnchorBox优化和损失函数优化来提高模型在病害识别上的检测精度和运行速度。在验证集上进行测试，改进后的病害识别模型提升了1.9％的mAP,在复杂的混凝土桥梁表观病害的识别中具有良好的检测效果。　　(5)基于本文提出的YOLO-BDIM算法在混凝土桥梁表观病害识别上的良好表现，利用PyQt5、PyCharm等开发工具设计开发了混凝土桥梁表观病害检测模块,将表观病害检测流程集成在模块中，可以更好的辅助检测人员进行日常的桥梁运营养护工作。
作者：	谭甲凯
专业：	土木水利
导师：	于广明;赵建锋
授予学位：	硕士
授予学位单位：	青岛理工大学
学位年度：	2023