孙晓贺 施成华 刘凌晖 雷明锋

(中南大学 土木工程学院，湖南 长沙，410075)

随着我国大量基础设施逐渐进入运营维护阶段，高效率监测手段的缺乏给运营维护带来了巨大的挑战。图像识别方法因其高效、客观、低成本等特点成为自动化监测的焦点，是应对大规模运维工作的重要方法。裂缝是建筑工程运维中的主要健康监测对象，针对其开展自动化的图像识别算法研究具有重要意义。

随着图像采集设备的更新换代，目前已经可以较为高效地获取待监测结构的图像[1- 3]。但受环境因素和结构本身的影响，得到的图像往往存在曝光不均、干扰较多等问题。这些问题一方面可以通过提升采集设备的性能来减弱干扰；另一方面则可以通过使用抗干扰能力强的程序对图像进行处理，从算法方面减轻干扰因素造成的干扰。随着计算机技术发展而崛起的深度学习算法在裂缝识别方面就具有抗干扰能力强、识别准确率高等优势。很多学者将深度学习技术应用于桥梁[4]、隧道[5- 6]等结构的裂缝识别，均获得了很好的识别效果。然而，现在一般采用基于监督学习模式的深度学习方法对裂缝进行识别，这就意味着训练前需要准备大量的数据集以及进行繁琐的数据标记工作。数据集的获取一直以来就是个难题，对于投入运营不久的基础设施更是如此。同时数据标记工作也将耗费大量的时间和精力，上述缺点，一定程度上限制了该方法的推广使用。……