科研之友
微信
新浪微博
Facebook
分享链接
摘要
混凝土桥梁常年遭受气候、环境等方面的影响而容易产生裂缝，存在安全隐患，因此定期检测与维护桥跨结构对于评估桥梁健康状况非常重要，而且早期的检测和评估是混凝土桥梁修复的最佳机会。为解决传统的基于视觉特征的缺陷检测方法速度较慢且精度较低，很难满足工程施工需要的问题，提出了一种新的基于全卷积神经网络和朴素贝叶斯数据融合模型的混凝土桥梁裂缝自动识别算法，用于裂缝图像分割。首先，采用一种新型的高精度图像采集设备BSD-10从10座待检测桥梁的不同子结构中收集了不同光源和距离下的7 200幅图像，并通过滑动窗口、旋转以及拆分的方法来扩增数据集，以避免发生过拟合等问题。其次，通过图像旋转法和随机高斯变量法等技术扩增数据，搭建了裂缝数据集。接着，对模型进行大量多次迭代训练，得出了最优参数和迭代次数。最后，对裂缝进行骨架化处理，通过电子测距计算了裂缝长度和宽度。结果表明：与最新的算法相比，所提出算法的识别精度与计算时间均体现了较明显的优势，其精确度达到了97.96%,平均检测时间为1.61 s;即使在光照不均匀、各种噪音干扰、背景灰度水平不同的情况下，所提出算法的裂缝提取结果仍然是比较稳定的，裂缝长度和宽度误差小到足以满足工程要求，能够节省工程检测时间。
-
单位国家山区公路工程技术研究中心; 长安大学
