基于深度学习的桥梁裂缝检测与裂缝测量分析技术研究

摘要

目的为解决在混凝土桥梁人工巡检中耗时费力、安全性不高的问题,提出基于Resnet网络的桥梁裂缝检测技术,并对裂缝进行定量测量。方法创建裂缝数据集与背景数据集,并提出双边滤波-灰度化-对比度增强法(Bilateral-Graying-Contrast enhancement,BGC)对图像进行预处理,用预处理前后的数据分别对Resnet网络和传统VGG网络进行训练和测试,建立四组试验并对比试验结果;开发桥梁裂缝测量系统,逐步提取裂缝轮廓,对裂缝进行无接触测量,并用实例验证系统在不同拍摄高度及其30°偏角下的测量精度。结果在Resnet网络和VGG网络中,BGC预处理后使识别准确率分别提高2.29%和4.99%;Resnet网络对比VGG网络,裂缝识别的准确率大幅提高31.3%,准确率提升至97.44%;在裂缝测量系统中,测量的平均精度在90.14%以上,最高可达96.9%。结论图像进行BGC预处理后,网络识别准确率更高;Resnet网络独有的残差单元可以减少冗余特征的学习,大幅提高识别准确率;裂缝测量系统在设置的不同试验拍摄条件下,测量精度均较高,可满足实际工程需求。