基于深度学习的建筑表面裂缝缺陷识别

陈墨，杨沛，陈丽君

基于深度学习的建筑表面裂缝缺陷识别

陈墨，杨沛，陈丽君

（安徽工业经济职业技术学院，合肥 230051）

针对传统建筑表面裂缝缺陷中存在识别效率低下、且识别精度较低的问题，为此，提出了基于深度学习的建筑表面裂缝缺陷识别方法。首先采集建筑表面裂缝缺陷的图像数据，然后将采集图像采样与量化，以实现缺陷图像的数字化处理。将上述数字化后的图像数据进行阈值分割、滤波以及以及增强等，完成建筑表面图像的预处理；构建R-CNN深度学习模型，模型结构分为四部分，包括输入图像模块、生成模块、提取卷积特征模块以及分类和边框回归模块。将建筑表面裂缝图像输入构建的深度学习模型中，完成建筑表面裂缝缺陷的识别。实验结果表明，采用所提方法识别建筑表面裂缝缺陷的效率较高，且识别的精度较好。

深度学习；建筑表面裂缝；缺陷识别；阈值分割；卷积特征模块

对于建筑物而言，其表面由混凝土材料构成，在外界环境的不断变化中，很容易形成产生裂缝。形成裂缝的原因除自然灾害之外，主要包括施工技术与施工材料的影响和温度变化等因素。混凝土很容易发生结构变形，在雨水与空气长期侵蚀下导致其结构被腐蚀，降低其承载能力，从而产生裂缝。长期负载过重导致应力不均问题，也会导致裂缝产生。表面裂缝的产生会影响建筑物的使用寿命，严重会导致事故的发生，造成经济、生命财产损失。……