李 清 奇
(娄底职业技术学院,湖南 娄底417000)
因为环境侵蚀和负载增加,桥梁,道路和水坝等基础设施都会经历逐渐老化,并伴随着出现结构病害和疲劳效应病害,其中混凝土表面裂纹是其中最常见的病害之一[1].传统上,人们使用近距离仪器手工检测和测量基础设施混凝土表面裂纹,这种方法工作强度大、检测结果主观性强.机器视觉检测技术是近年来工业在线检测应用中的研究热点之一,该方法可以大幅降低检测成本,提高检测效率,在基础设施状态监测和检测等领域得到了广泛的应用[2-3].
随着计算机视觉和人工智能技术的发展,文献[4]提出了各种基于图像识别的混凝土表面裂纹识别和状态评估方法.文献[5]提出了V-型特征表示和裂纹检测方法.文献[6]设计了空间调制的多特征裂纹图像分类器,并应用于桥梁表面裂纹检测.文献[7]使用图像处理和回归学习模型建立了基于表面裂纹模式的内部载荷水平(即剪切和弯矩)估计模型.上述传统图像识别方法将原始输入图像变换到特定空间,进行浅层特征学习和裂纹识别.近年来,基于深度学习的图像分析方法开始广泛应用于裂纹检测中.文献[8]应用卷积神经网络(Convolutional Neural Networks,CNN)进行混凝土图像的细微裂纹检测.文献[9]提出了基于CNN和朴素贝叶斯模型的视频裂纹检测算法.文献[10]提出了基于全卷积网络的裂纹图像检测模型,实现了在复杂背景下的裂纹目标识别.这些基于深度学习的裂纹……