深度学习在塔吊裂缝识别中的应用 ①

黄宏安, 陈国栋, 张神德

(福州大学物理与信息工程学院,福建 福州 350108)

0 引 言

目前深度学习已被广泛应用于许多领域，但是在工地领域方面的运用仍然较少，目前塔吊安全事故频繁发生，2007—2016年间总共发生了152起在役塔吊安全事故[1]，在这些塔吊安全事故中由于塔吊出现裂缝没及时发现最终导致安全事故的发生不在少数。塔吊安全事故的发生往往会给施工现场带来巨大的经济损失甚至会造成严重的人员伤亡，因此塔吊已然成为工地施工现场主要的危险源之一。对于塔吊裂缝的识别如果采用传统的人工检测裂缝的方法将浪费大量的时间和精力，再加上在塔吊高处的检测非常危险，检测人员在塔吊高处的检测难度较大，如果操作不慎极有可能对检测人员的生命安全构成威胁。除此之外，检测精度也随各检测人员的经验技术而异，具有不确定性，因此分析研究深度学习技术在工地领域中塔吊裂缝识别中的应用具有非常重要的现实意义。

在传统的关于识别与检测的算法中，大多数的检测算法是基于滑动窗口的经典框架或者是根据目标图像的特征点进行匹配的[2]，然而传统的算法面临许多的问题，包括时间复杂度高、区域选择算法暴力等缺点。直到2012年AlexNet在ImageNet大规模视觉识别挑战赛中一举夺冠，而且AlexNet的识别效果远远超过传统的目标检测算法[3]，人们的视野才渐渐的转到卷积神经网络上。目前基于深度学习的目标识别算法可以分为两个流派，一个流派是以YOLO算法[4]和SSD算法为代表的基于回归的目标检测算法，另一个流派是以R-CNN为代表的基于分类的检测算法。……