张振华，陆金桂

(南京工业大学机械与动力工程学院，江苏 南京 211816)

1 引言

混凝土桥梁在长期服役中，由于车辆超重，环境等因素影响，多数都存在裂缝[1]，根据相关数据，裂缝是混凝土桥梁损坏的主要因素[2-3]。依靠人眼观察的传统检测方式效率低精度差。随着科学技术的发展，研究人员将图像采集与分析设备安置于桥检车上即为智能化桥检车[4-6]，此方法检测效率高、成本低。

为了更好的对桥梁进行检测，对裂缝检测的算法开发刻不容缓。Xu[7]通过研究提取裂缝图像的4个统计特征，以BP神经网络进行裂缝的识别。丁爱玲[8]等根据图像特征数据，以支持向量机检测破损路面。上述方法通常需要复杂的预处理手段，而卷积神经网络可以直接对图像进行学习，不需要复杂的预处理过程，且具有较好的平移、缩放和旋转不变性[9-10]。Lecun首先运用CNN完成了对数字的识别[11]，Lawrence等将CNN用于人脸识别上并取得较好的识别效果[12]，S.Ji等以CNN实现了人体动作的识别[13]，刘欣等人将CNN用于轨道零部件检测[14]，姚明海等人将CNN用于铁氧体磁片缺陷检测中[15]。

由于卷积神经网络的特性[16]，对于不同的识别目标往往需要采用不同的网络结构。通过对桥梁裂缝图片的分析和对卷积神经网络结构的研究，本文采用双通道多种尺寸卷积核对桥梁裂缝图片进行卷积和特征提取，并配以改进的激活函数作为传递函数，使用支持向量机(SVM)替代Softmax分类器，提高识别精度和效率。利用该方法对桥梁裂缝图像进行识实验，统计其识别率，并与传统卷积神经网络方法进行对比。……