论文部分内容阅读
随着国家积极推进交通基础设施的建设,桥梁作为国家重要的基础交通设施建设之一,建设的规模越来越大,桥梁设施的养护维修在延长桥梁生命周期的工作中发挥关键性作用。裂缝作为桥梁的一种“早期病灶”,及时的发现并修补成为桥梁养护维修工作的关键。论文基于深度学习进行桥梁裂缝图像信息自动提取的实验,对提取遂资高速公路桥梁裂缝信息进行详细研究。论文的主要研究内容如下:(1)使用多台高清影像采集设备,在保证一定的“航向”和“旁向”重叠条件下,满足统一焦距和拍摄距离的要求获取桥梁表观图像。筛选后基于labelme标注软件分别制作用于卷积神经网络训练及验证的样本数据集和用于U-Net训练及验证的样本数据集。经过平移、旋转等数据增强操作后,共制作训练数据集正负样本各6000张,验证数据集正负样本各1000张。(2)通过对制作的样本数据集进行主成分分析和边缘增强预处理,突出图像裂缝特征,有利于模型更好的学习。引入迁移学习解决样本数据集小、时间成本高的问题,选取Alex Net,VGG-16,Inception-v3三个模型基于迁移学习进行训练,分析模型训练和验证结果。实验结果表明Inception-v3模型精度最好,为97.9%。这与Inception块结构有关,用小卷积多层数代替大卷积的思想,因此提出了全卷积结构能够更好的提取裂缝信息。使用Inception-v3模型预测裂缝图像信息,经过主成分分析和快速细化算法提取裂缝宽度,统计精度为94.1%。(3)Inception块是全卷积结构,引入全卷积神经网络(FCN)模型,基于改进的FCN,U-Net模型进行训练,实现图像像素级预测,分析训练及验证结果。实验结果显示U-Net模型精度为95.3%。训练好的模型预测裂缝图像,经过阈值判断和快速细化算法提取裂缝宽度,对比分析平均精度为95%。(4)对比分析CNN和U-Net模型预测精度和裂缝参数提取精度,结果表明U-Net模型更适合实际工程应用。以遂资高速公路为例,基于U-Net实现桥梁裂缝信息的自动提取,在实验中增加负样本消除伪裂缝数据的影响,输入项目获取图像使用滑动窗口进行预测,预测精度为76.1%,结果显示原始图像的质量影响了预测精度。