中交路橋科技是從事工程檢測(cè)監(jiān)測(cè)、城市安全監(jiān)測(cè)預(yù)警與評(píng)價(jià)、數(shù)字智能化研發(fā)為一體的復(fù)合型高新技術(shù)集團(tuán)企業(yè)。
傳統(tǒng)的圖像處理算法不能很好地對(duì)橋梁裂縫進(jìn)行檢測(cè)，而經(jīng)典的深度學(xué)習(xí)模型直接用于橋梁裂縫的檢測(cè)，效果不甚理想.針對(duì)這些問(wèn)題，本文提出了一種基于深度學(xué)習(xí)的橋梁裂縫檢測(cè)算法.首先，利用滑動(dòng)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(duì)面元圖像的分析，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks，CNN）的DBCC （Deep bridge crack classify）分類(lèi)模型，用于橋梁背景面元和橋梁裂縫面元的識(shí)別.然后，基于DBCC分類(lèi)模型結(jié)合改進(jìn)的窗口滑動(dòng)算法對(duì)橋梁裂縫進(jìn)行檢測(cè).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(duì)算法進(jìn)行加速.實(shí)驗(yàn)結(jié)果表明：與傳統(tǒng)算法相比，本文算法具有更好的識(shí)別效果和更強(qiáng)的泛化能力.
本文提出了一種基于深度學(xué)習(xí)的橋梁裂縫檢測(cè)算法.討論了橋梁裂縫數(shù)據(jù)集的人工擴(kuò)增方法, 詳細(xì)介紹了本文提出的DBCC模型和對(duì)窗口滑動(dòng)算法的改進(jìn), 同時(shí)采用一定的加速策略對(duì)橋梁裂縫檢測(cè)算法的執(zhí)行時(shí)間進(jìn)行了一定的優(yōu)化.實(shí)驗(yàn)結(jié)果表明, 和傳統(tǒng)的裂縫檢測(cè)算法相比, 本文提出的算法具有更好的識(shí)別效果和更強(qiáng)的泛化能力.
圖1 本文算法的檢測(cè)流程示意圖
未來(lái)進(jìn)一步研究的重點(diǎn)是:在不斷提高算法的抗干擾能力和檢測(cè)準(zhǔn)確率的情況下, 進(jìn)一步提高算法的處理速度, 以便算法在實(shí)際的應(yīng)用過(guò)程中, 表現(xiàn)出更好的性能.針對(duì)這一問(wèn)題, 可以使用CUDA、MMX、SSE、SSE2等策略對(duì)算法進(jìn)行優(yōu)化.
圖2 主流裂縫檢測(cè)算法和本文算法對(duì)于橋梁裂縫檢測(cè)的效果圖
為了推動(dòng)本文算法的進(jìn)一步改進(jìn)和方便其他研究者使用本文算法進(jìn)行對(duì)比和實(shí)驗(yàn), 本文對(duì)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(luò)配置文件、超參數(shù)配置文件進(jìn)行開(kāi)源.相應(yīng)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(jìn)行橋梁裂縫檢測(cè)的部分結(jié)果
