胡德辉

(佛山市公路桥梁工程监测站有限公司,广东 佛山 528000)

0 引 言

基于深度学习的桥梁裂缝检测技术需要使深度卷积神经网络能够识别出桥梁裂缝图像中属于裂缝的目标区域并将其在图片上标注出来。但是由于桥梁裂缝的无规则性和连续性,当前基于深度学习的目标检测模型候选框选取策略不适用于桥梁裂缝检测任务,直接应用时会存在严重的误检和漏检现象,故通过对桥梁裂缝的线性特征和基于深度学习的图像识别与目标检测的工作原理进行研究,设计适用于桥梁裂缝检测的深度学习检测方法。

1 基于深度学习的图像识别算法模型分析

1.1 AlexNet模型

AlexNet模型是基于深度学习的图像识别模型,识别准确率远超使用传统图像识别算法的模型,该模型相对传统模型在结构上进行了改进与调整。该模型将ReLU激活函数引入到卷积神经网络中,同时验证了ReLU激活函数度模型梯度消失问题的缓解效果;在GPU上进行卷积神经网络的训练,大幅度缩短了训练时长;在训练过程中随机抛弃部分神经元,有效提高模型训练效率,抑制模型过拟合;针对小样本数据集使用数据增强方法,如图像旋转、图像加噪等,缓解模型的过拟合问题;增大响应大的值与反馈小的值之间差距,增加模型的泛化性能。AlexNet相对最原始的卷积神经网络LeNet在性能方面有所提升,但模型参数量极为庞大,存储成本较高[1]。

1.2 VGGNet模型

VGGNet模型在图像识别任务中的识别准确率高达92.7%,主要包括VGG16和VGG19两种卷积神经网络模型。……