基于深度残差神经网络的混凝土裂缝检测算法( Concrete Crack Detection Algorithm Based on Deep Residual Neural Networks )

X Meng

裂缝是混凝土路面病害的早期表现形式。早期发现和处理对路面的养护具有重要作用。随着计算机硬件技术的不断进步，深度学习算法的不断优化，相对于标准的数字图像处理算法，利用自动化的裂纹检测技术有了更加精确的深度学习算法。由于具有较强的鲁棒性，对混凝土路面裂缝图像的研究已成为热门。针对传统图像处理技术对混凝土裂缝图像分割效果差、泛化能力弱的问题，本文研究了基于卷积神经网络的混凝土裂缝图像分割算法，设计了基于RESNET101的端到端分割模型。它集成了更多的底层特征，使裂缝分割结果更加精细，更贴近实际应用场景。与其他方法相比，本文算法取得了较高的检测精度和泛化能力。1.引言混凝土结构[1]是构建城市环境的基本要素，需要系统维护。裂缝[2]是混凝土结构常见的损伤形式，是评价混凝土结构安全性的重要指标之一[3,4]。对于桥梁[5-7]、道路[8、9]，以及其他工程结构[10、40]，要进行经常性的管理和养护；裂缝检测[11-14]是管理和维护的重要组成部分。目前的裂缝检测主要是人工检测，存在大量问题，如在桥梁的裂缝检测中，工作人员需要通过搭建脚手架观察桥梁底部和侧面的裂缝，需要大量的准备工作，检测效率低。工作人员在高处工作的安全也难以得到保障。人工检测过程存在盲区，检测效果往往受检测人员专业素养和经验水平影响，检测准确率较低。针对人工检测方法的这些缺点，提出了一种基于裂纹图像的裂纹损伤检测方法[15-18]。传统的裂纹损伤检测是基于图片的。在早期，基于形态学的检测方法往往检测精度较低，且受光照和噪声的影响较大。后期使用种子点、张量投票等方法。检测精度较高，但计算复杂，计算效率低。对于背景复杂的裂缝图片，可能会出现误检和漏检，因此有必要开发其他混凝土裂缝检测方法。近年来，随着互联网技术[19]的不断完善和相关硬件的支持，以深度学习[20]为核心的人工智能技术得到了快速发展。卷积神经网络是一种应用深度学习的前馈神经网络。它具有并行性高、鲁棒性好、泛化能力强等显著优点。由于权重分担的特点，卷积神经网络的计算量比BP神经网络小得多，减轻了计算机负担，不需要人工提取特征。这些都使得它在计算机视觉领域，特别是在图像分类和检测方面有着广泛的应用。当样本足够多时，训练好的卷积神经网络的分类器能够准确识别混凝土损伤。现在每年都有很多训练更高效、分类更准确的卷积神经网络模型。利用卷积神经网络对混凝土裂缝进行检测，有助于降低裂缝的subj

SciDown文献求助系统（解决99%问题） Public Download ResearchGate