基于深度学习的较复杂背景下桥梁裂缝检测

• 作者: 杨杰文 班亚 章光 陈西江
• 来源期刊: 铁道科学与工程学报
• 学科: 工学
• 关键词: 桥梁安全 裂缝检测 较复杂背景下 卷积神经网络 深度学习 定量计算
• 年，卷（期）: 2020,（11）
• 所属期刊栏目: 高速铁路技术与智慧交通
• 页码范围: 2722-2728
• 页数: 7页
• 分类号: X947
• 语种: 中文
• DOI: 10.19713/j.cnki.43-1423/u.T20200107

摘要

桥梁的定期裂缝检测对于确保桥梁的安全运行至关重要,而目前的人工检测方法不仅耗时费力,还存在诸多不安全因素.而桥梁裂缝还具有多种噪声模式,因此,针对桥梁裂缝的高效检测成为了桥梁健康检测的研究热点和难点.为了实现对较复杂背景下的桥梁裂缝的精确和高效的识别,提出一种结合U-net和Haar-like算法的卷积神经网络的深度学习算法.通过与DenseNet,ResNet,GoogleNet和VGGNet网络的比较,证明了该算法的有效性.同时,该算法还可以对裂缝的面积、长度和平均宽度进行定量计算,检测精度高于97％.研究结果表明:该算法适用于桥梁裂缝图像的高效检测.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	班亚		7	0	0.0	0.0
2	章光		2	0	0.0	0.0
3	陈西江		2	0	0.0	0.0
4	杨杰文		1	0	0.0	0.0