论文部分内容阅读
近年来,以深度学习为核心的人工智能技术迅速发展。在土木工程领域,人工智能中的图像识别技术被广泛应用于结构损伤检测。传统的基于混凝土图像的裂缝检测采用图像处理的方式,对图像预处理技术要求较高,检测的结果易受光照、噪声等因素的影响。卷积神经网络检测混凝土裂缝无需人工特征提取,当网络的训练样本数目足够多时,其检测精度和鲁棒性均优于图像处理技术,具有良好的应用前景。本文对采用卷积神经网络检测裂缝过程中的许多因素进行了系统性地研究,并测试了很多更优的卷积神经网络模型。本文的主要研究内容及结论如下:(1)研究了卷积神经网络检测混凝土裂缝过程中的数据集的划分、网络类型、测试方法和测试时裂缝的标记方式四个问题,提出了一种更优的混凝土裂缝检测框架。该框架采用半自动样本标记方式,建立不丢弃样本的训练数据集,在此数据集下训练网络,并最终使用中心标记或筛选标记的方式完成裂缝定位。研究表明采用此框架节约了样本分类的时间,提高了裂缝的检测精度。(2)探究了Alex Net、Inception-v3、Res Net＿18、Res Net＿50、Xception和Dense Net201网络模型对混凝土裂缝的检测效果。研究表明:Dense Net201对裂缝的检测效果最优,Inception-v3表现次之,Alex Net和Xception对裂缝的检测效果最差。从节约网络计算耗时的角度出发,将Res Net＿18和Res Net＿50相融合构建了Res Net18＿50网络,在提高裂缝检测效果的同时节约了时间成本。(3)采用语义分割网络中的FCN-8s、FCN-16s和FCN-32s对混凝土裂缝进行像素级的检测。研究表明:FCN-8s对混凝土裂缝的检测效果更好。引入空洞卷积改进了FCN-8s。测试结果表明,改进后的网络提高了裂缝的检测精度,并对混凝土粗糙表面的干扰有良好的适应性。在新数据集上测试改进的FCN-8s,结果表明新网络较FCN-8s对普通混凝土裂缝图片的检测效果更佳。