在过去的20年里,我国基础设施建设快速发展。桥梁作为基础设施重要的组成部分,在役期间的维护管养需求也日益强烈。如今,混凝土桥梁外观检测的方式仍然以人工目测为主,效率和安全性均较为低下。结合国家交通运输部提出的“智慧交通”概念,利用智能化手段对基础设施进行自动化管养是土木工程行业未来的趋势之一。随着计算机、仪器科学等技术的迅猛发展,以无人机为载体,利用相机进行桥梁的外观检测可以显著解决人工测不到、效率低、不安全等问题。本文基于行业级无人机平台和云台相机,提出了针对混凝土桥梁表观病害的图像识别算法。根据桥梁快速检测和精细化检测的需求,该算法利用深度学习分别对病害图像进行目标检测和语义分割识别,并对病害进行定量计算。设计了基于无人机的混凝土桥梁表观病害检测方案并开发相关软件,实地验证了方案的实用性和可靠性。具体内容包括:本文利用基于深度学习的计算机视觉目标检测技术,针对混凝土表观病害,提出一种改进的YOLO V3深度卷积神经网络模型,以检测框的形式,对表观缺损、锈蚀、裂缝三类病害进行定位和定性检测。本文通过3000多张高分辨率混凝土表观病害图片数据集进行标注数据集制作,并利用迁移学习确定初始参数,创新性地根据病害特征增加104×104的模型输出尺寸,使得该网络可以在较强噪声下捕捉狭长的病害特征,实现较好的检测结果。本文利用基于深度学习的计算机视觉语义分割技术,针对混凝土表观病害,提出一种改进的基于Mobile Net V2的Deep Lab V3+深度卷积神经网络模型,以像素级分类的形式,对表观缺损、锈蚀、裂缝三类病害进行定位、定性和定量检测。本文对3000多张高分辨率混凝土表观病害图片数据集进行标注数据集制作,利用迁移学习确定初始参数,并结合未来无人机边缘计算的需求,创新性地将Deep Lab V3+模型的Encoder-DCNN部分替代为Mobile Net V2模型,将Mobile Net V2的轻量化特点与Deep Lab V3+的高准确率特点相结合,在使得该网络在保持IOU值不过多损失的情况下,减少模型计算量,提高对逐个像素点分类识别的速度,满足检测现场的检测需求。在无人机的混凝土桥梁表观病害检测方案中,本文对目标桥梁进行倾斜摄影拍摄并构建三维点云模型,对目标桥梁进行表观病害拍摄并通过自开发的无线传输软件与服务器交互实现病害在平板端的自动识别与显示,在浏览器端匹配病害检测图像与三维点云模型的位置,形成可视化界面。最终,实现病害的采集、传输、评估、存储、可视化的半自动化检测流程,并在江苏南京某桥梁进行实地试验,验证方案的可行性。本文所设计的图像识别算法和无人机检测方案可以极大地提高检测人员对桥梁特殊部位的检测效率,降低成本并减小安全风险,同时减少人为因素的干扰,使病害评估标准趋于稳定,具有重要的工程应用价值。