中交路橋科技是從事工程檢測監(jiān)測、城市安全監(jiān)測預警與評價、數(shù)字智能化研發(fā)為一體的復合型高新技術集團企業(yè)。
傳統(tǒng)的圖像處理算法不能很好地對橋梁裂縫進行檢測，而經(jīng)典的深度學習模型直接用于橋梁裂縫的檢測，效果不甚理想.針對這些問題，本文提出了一種基于深度學習的橋梁裂縫檢測算法.首先，利用滑動窗口算法將橋梁裂縫圖像切分為較小的橋梁裂縫面元圖像和橋梁背景面元圖像，并根據(jù)對面元圖像的分析，提出一種基于卷積神經(jīng)網(wǎng)絡（Convolutional neural networks，CNN）的DBCC （Deep bridge crack classify）分類模型，用于橋梁背景面元和橋梁裂縫面元的識別.然后，基于DBCC分類模型結(jié)合改進的窗口滑動算法對橋梁裂縫進行檢測.最后，采用圖像金字塔和感興趣區(qū)域（Region of interest，ROI）結(jié)合的搜索策略對算法進行加速.實驗結(jié)果表明：與傳統(tǒng)算法相比，本文算法具有更好的識別效果和更強的泛化能力.
本文提出了一種基于深度學習的橋梁裂縫檢測算法.討論了橋梁裂縫數(shù)據(jù)集的人工擴增方法, 詳細介紹了本文提出的DBCC模型和對窗口滑動算法的改進, 同時采用一定的加速策略對橋梁裂縫檢測算法的執(zhí)行時間進行了一定的優(yōu)化.實驗結(jié)果表明, 和傳統(tǒng)的裂縫檢測算法相比, 本文提出的算法具有更好的識別效果和更強的泛化能力.
圖1 本文算法的檢測流程示意圖
未來進一步研究的重點是:在不斷提高算法的抗干擾能力和檢測準確率的情況下, 進一步提高算法的處理速度, 以便算法在實際的應用過程中, 表現(xiàn)出更好的性能.針對這一問題, 可以使用CUDA、MMX、SSE、SSE2等策略對算法進行優(yōu)化.
圖2 主流裂縫檢測算法和本文算法對于橋梁裂縫檢測的效果圖
為了推動本文算法的進一步改進和方便其他研究者使用本文算法進行對比和實驗, 本文對論文中所使用的橋梁裂縫圖像數(shù)據(jù)集合、DBCC模型的網(wǎng)絡配置文件、超參數(shù)配置文件進行開源.相應的數(shù)據(jù)集和文件可在如下的鏈接中得到, 具體的鏈接為: https://github.com/maweifei/Bridge_Crack_Imag\\e_Data.
圖3 基于本文算法進行橋梁裂縫檢測的部分結(jié)果
