徐国整,廖晨聪,陈锦剑,董 斌,周 越

(1.上海交通大学 a.船舶海洋与建筑工程学院; b.电子信息与电气工程学院,上海 200240; 2.东南大学 土木工程学院,南京 211189)

0 概述

在建筑、桥梁、道路和隧道等工程结构建设领域,混凝土在工程用材中用量占比最高。然而混凝土结构易产生裂缝,不仅影响美观,也会降低结构的耐久性与承载能力[1]。传统混凝土结构的表观裂缝检测通常采用人工巡检方法,存在检测耗时费力、主观性强和检测精度较低等问题。而基于数字图像处理技术的混凝土结构裂缝自动化检测方法具有高效、客观和精度高等优点,因此,该方法成为学者们研究的热点。

数字图像处理方法包括边缘检测法[2]、阈值法[3]以及光谱分析法[4]等,这些方法仅对背景单一、裂缝清晰以及干扰少等特定情况下的数据集有效,而实际环境中裂缝检测易受裂缝模糊、阴影、树叶、划痕等环境噪声干扰,这些噪声造成基于数字图像处理的混凝土结构表观裂缝检测模型误差大且泛化能力较低[1]。随着计算机性能的完善和深度学习技术的进步,国内外研究人员将深度学习模型应用于土木工程混凝土结构表观裂缝的检测与识别。文献[5]将卷积神经网络(Convolutional Neural Networks,CNN)应用于混凝土裂缝损伤检测,利用滑动窗技术处理尺寸较大的图像,并与传统Canny算子和Sobel边缘检测方法进行比较,发现CNN方法检测精度更高且鲁棒性更好。文献[6]采用网络爬虫方法收集混凝土裂缝、边缘、表面等图像,对AlexNet分类神经网络进行训练并取得较好的精度。……