基于YOLO与图像处理的塔吊裂缝研究①

张神德, 陈国栋

(福州大学物理与信息工程学院,福建 福州 350108)

0 引 言

据统计仅仅2012-2014两年间塔式起重机安全事故就有162起，其中因为各种缺陷导致的事故占总事故的87.04%[1]，近几年来的事故数目不减反增，塔式起重机由于其事故的多发性已经成为工地危险源之一。现有的针对塔式起重机的安全管理监督还是以人工检查为主，然而人工检查成本高，检查人员的人身安全得不到保障，且塔式起重机随着楼层的增高不断增加标准节，常常高达几十米，许多偏僻而又危险的角落难以被察觉。在日常的搬运、承重、转移作业中存在出现裂缝、开裂等潜在的安全隐患。

基于深度学习的目标检测技术研究一直是热门领域，算法已经逐渐成熟，识别捕捉能力也越来越好，以R-CNN为代表的两阶段检测方法检测精度良好，以YOLO[2]为代表的单阶段检测不依赖候选区的方法则拥有极佳的识别效率，两种方法都被广泛应用于缺陷检测领域，诸如钢板缺陷、路面裂缝、桥体缺陷、工件锈迹等等，都取得了良好的效果。针对塔式起重机存在的安全隐患与监督检查困难问题提出基于YOLO的裂缝识别方法，配合无人机等工具进行拍摄监督，识别出缺陷时从图像中提取缺陷并通过图像处理算法进行定量分析，最终得出数据为专业人员进行安全评估提供部分数据参考，帮助塔式起重机在拆装与工程作业过程中更好得安全维护与监督，为工程施工提供更好的保障。实验表明在塔式起重机的安全检查中具有很高的使用价值。……