刘智勇

（广州地铁集团有限公司 广州510335）

0 引言

混凝土结构在服役或施工过程中常会产生不同程度和大小的裂缝等表观病害［1］，如果混凝土表面裂缝没有及时查明或进行修补，将会影响结构的耐久性及使用寿命［2］。为满足我国公路运输发展的需求，我国建设了大量的混凝土道路，在长期服役过程中，受车辆的挤压作用，混凝土的强度性能也会发生变化，从而出现大规模表观裂缝，对公路运输产生重大安全隐患［3-4］。因此，有必要对混凝土道路定期进行检测维护［5］。通过裂缝的形态特征及表观特征，可以推断裂缝劣化的潜在原因，为我国公路结构的健康检测和诊断提供依据［6］。

国内大量学者在裂缝的识别及定位上提出了思路和方法［7-9］，但目前为止，针对公路混凝土表面裂缝的有效识别方面仍没有得出较好的结果。因此，本文在已有的研究基础上，提开发一种基于Mask R-CNN的混凝土道路智能识别算法，首先对小样本数据集进行增广，然后用Mask R-CNN深度卷积神经网络对COCO数据集进行迁移学习，最终实现混凝土道路裂缝的智能识别。

1 数据集制作

1.1 数据增广

试验数据来源于广东省某混凝土路面的实地拍摄，通过无人机、高精度数码相机等设备采集了710张复杂背景下的道路裂缝图片，对其中环境干扰较大、影响深度学习结果的图像进行剔除，最终选取330张作为数据集，所选样本数据包含不同光照强度、不同拍摄角度、不同裂缝数量的图像，部分裂缝样本数据如图1所示。……