何金宝,胡秋宝,付志超,赖 毅*,刘知远

(1.江西省港口集团有限公司,江西 南昌 330008;2.江西省路港检测中心有限公司,江西 南昌 330200)

0 引言

桥梁作为在现代综合立体交通体系中至关重要的一项基础设施,在运营过程中经常受到外部荷载冲击和基础不均匀沉降等因素的影响,表面容易出现裂缝缺陷,当裂缝宽度过大时会直接降低桥梁承载能力,对桥梁结构安全和长期性能带来隐患,若不及时处理则可能会引发垮塌事故[1].然而目前中国对桥梁表面缺陷的检测大多还是通过人工定期巡检，不仅消耗大量的人力、物力和财力，而且还对日常交通造成影响,且检测效率低下、误检率高,很难满足桥梁日常养护的需求[2].因此,亟需建立一种桥梁表面缺陷智能识别模型,提升桥梁管理养护水平.

基于传统机器学习的桥梁表面缺陷检测算法主要是通过提取有效特征，再输入到分类器中进行模式识别[3].陈飞飞等[4]先提取灰度直方图、颜色矩及纹理等统计特征,再输入到支持向量机进行桥梁裂缝的识别,结果表明:图像干扰噪声越少,其识别精度越高.魏武等[5]引入高幅小波系数比、高频能量比、Radon变换最大值和概率统计参数作为特征值，利用BP神经网络对桥梁缺陷图像进行分类.Peng Xiong等[6]利用桥梁裂缝图像的形状特征和灰度特征，结合Softmax分类器检测桥梁裂缝.但由于裂缝缺陷形态各异且背景噪声干扰较大，选择的特征在较大程度上取决于先验知识，因此，传……