刘昆

摘要 由于环境影响、交通量增加和自然老化的综合作用，桥面铺装及其附属资产服役状态不断出现变化，及时获取铺装及资产信息是开展养护决策的关键问题。文章以某长江公路大桥为研究对象，首先建立铺装及资产的视频数据集，采用YOLO-v5为机器视觉辨识框架，结合最佳训练策略拟合了适用于桥面铺装及资产的检测模型。研究结果表明，检测模型能够有效提高日常巡检效率，根据测试集数据显示，该文建立的检测模型最高检测准确率可达到97.2%，交并比为55.1%，相比同类模型具有显著优势。

关键词 桥面铺装;结构资产;深度学习;目标检测;卷积神经网络

中图分类号 U443.33 文献标识码 A 文章编号 2096-8949（2022）10-0070-03

0 引言

大跨径钢桥面铺装及其附属资产是确保桥梁结构正常运营的关键部分，其服役状态直接影响到区域交通的互联互通。桥面铺装及其附属资产由于常年暴露于自然环境，且承受交通荷载的不断作用，服役状况不断衰减并最终出现损伤。因此，针对铺装等设施状况的全面、及时的检测是制订有效维养方案的关键。

在道路巡检领域，深度学习中目标检测的方法得到广泛应用。目标检测[1]生成含有损坏边框的边界区域。对于每一个生成的边界框，通常还会执行损坏类型的辨识。这类模型最大优点是可以将目标识别和定位信息集成到一个网络中，不需要对网络进行分步训练，可以有效提高运算效率。Du等人基于全景图像，利用YOLO-v3模型，实现路面损坏中的裂缝类病害、修补、坑槽、拥包自动识别及定位[2]。……