详情

原文传递基于计算机视觉和深度学习的桥梁技术状况评定方法研究

论文题名：	基于计算机视觉和深度学习的桥梁技术状况评定方法研究
关键词：	桥梁技术状况;评估系统;深度学习;计算机视觉
摘要：	桥梁结构性能随运行时间增加会逐步降低，在外观上通常会出现不同类型和程度的病害，从而影响桥梁安全运行。因此，如何及时发现病害，并进行桥梁技术状况评定具有重要的工程意义。传统的桥梁病害检测方法是检测人员借助检测设备目视巡检,该方法耗时耗力，且存在检测人员安全难以保证、阻塞交通、主观性强等缺陷。近年来，随着深度学习和计算机视觉技术的快速发展，基于卷积神经网络的图像分类、目标检测以及像素级分割技术逐渐成熟。这类技术具有检测效率高、自动化程度高和识别准确率高等优势，将其应用于基础设施领域可以有效地克服传统检测方法的缺陷。本文基于深度学习和计算机视觉技术，对钢筋混凝土桥梁结构的表观病害进行测量，提出了表观图像分类、构件检测、病害像素级检测和尺寸测量的四级检测新方法，并依据《公路桥梁技术状况评定标准》评定桥梁技术状况等级，初步开发了一套桥梁技术状况管理与评估系统。主要完成了以下工作：　　（1）收集并创建了桥梁表观图像数据集，研究了桥梁结构表观图像分类问题。在相同数据集下，应用基于迁移学习的图像分类算法，对比了不同分类网络模型的性能。实验结果表明，将以上方法和策略应用于测试数据集，具有较高准确率和远高于人工的测试速率，展现出了巨大的工程应用潜力。　　（2）采用基于YOLOv3的目标检测算法研究了桥梁构件智能定位检测问题。为了加快模型训练的收敛速度和提高模型的检测精度，在模型训练阶段应用了数据增强和预热-平台-退火的学习率策略，对比了不同特征提取网络对桥梁构件的检测性能。实验结果表明，在桥梁下部结构构件检测中，基于DarkNet-53的YOLOv3模型具有更佳的检测效果。　　（3）研究了病害像素级智能检测与测量问题，在数据集制作阶段，采用了数据增强和类权重平衡策略提高模型的检测性能，对比了不同语义分割模型的检测效果，实验结果表明，DeepLabv3+和全卷积网络（FullyConvolutionalNetwork,FCN）具备更佳的检测效果。并提出了基于DeepLabv3+和FCN的病害图像检测结果二元融合技术，实验结果证实了二元融合技术可以进一步提升病害检测的准确率。采用数字图像处理技术测量二元融合图像中的病害尺寸，实验验证了测量技术的可行性。　　（4）初步开发了一套桥梁技术状况管理与评估系统，可以快速录入桥梁基础信息、评定桥梁技术状况等级和生成检查报告，实验结果验证了该系统的可靠性。　　（5）从多个角度探讨和对比了中美两国桥梁技术状况评估规范的差异，为辅助检测人员高效准确地使用我国规范，提出了完善评估指标和添加不同程度病害图像和实例的建议。
作者：	黄传胜
专业：	土木工程
导师：	高兴军;陈贡发;孙晓立
授予学位：	硕士
授予学位单位：	广东工业大学
学位年度：	2023