原文传递
基于深度学习的钢桥病害智能检测与评估系统开发研究
| 论文题名： | 基于深度学习的钢桥病害智能检测与评估系统开发研究 |
| 关键词： | 钢桥;深度学习;病害检测;评估系统;用户界面开发 |
| 摘要： | 钢结构具有强度高、重量轻，满足大跨度、复杂性及美观性等要求，被广泛应用于桥梁中。但其在使用过程中，长期受到自然侵蚀和人为作用，易出现涂层劣化、腐蚀、焊缝开裂等病害，影响桥梁的美观，降低钢桥的结构强度，及时进行病害检测，意义重大。传统的钢桥病害检测主要依赖于人工检测和无损检测，耗时耗力、作业成本高、主观性较强。故需寻求一种智能化检测技术来进行钢桥的检测任务，以减小工作难度，降低工作成本，实现高效、精确的病害检测。 计算机视觉和图像处理技术的发展，为病害智能检测提供了动力，尤其是深度学习的出现，可以对输入数据逐层抽取，实现从底层信号到高级语义的良好映射。本文基于深度学习技术建立了钢桥病害数据集，依据数据集的特点，开发了钢桥病害智能识别算法和分割量化算法，并编写了一套病害识别与评估系统，在降低使用学习成本的同时提高了测试效率，以期实现钢桥病害检测的智能化。 本文主要研究内容如下： （1）利用卷积神经网络和迁移学习，对钢桥病害进行智能识别，采用特征提取和微调两种方式训练，并与全新训练模型进行对比。特征提取模型单个epoch时间为47.2s，在训练100次左右达到稳定；微调模型单个epoch时间为119.2s，在训练25次左右达到稳定，分别得到89.39%和97.88%的准确率，迁移学习极大的缩短了训练时间，提升了运行效率，且微调模型减少了过拟合，识别准确率最高，选取微调模型作为病害识别模型，实现了钢桥病害的快速、准确识别。 （2）针对涂层劣化、腐蚀、焊缝开裂三种钢桥局部病害形式，提出了基于改进的SOLOv2实例分割算法，改进算法得到的AP值高于TensorMask算法7.559%，高于BlendMask算法6.774%，高于未改进的SOLOv2算法5.192%，提高了模型对焊缝开裂这类小目标的检测能力，分割效果较好；将采用图像处理技术测得的病害尺寸实际值与模型输出的病害尺寸量化值进行对比发现，病害面积相对误差集中在10%以内，展现出较好的检测和量化性能。 （3）针对代码运行环境的繁琐配置，开发了网页版用户界面。对比了几种基于PythonWeb框架开发方案后，采用Django进行网页界面开发，实现了对指定图片和视频的检测、评估及结果导出等功能，避免了用户使用算法前的环境配置、依赖库安装、代码阅读等一系列繁琐流程。 |
| 作者： | 李欢 |
| 专业： | 建筑与土木工程 |
| 导师： | 朱劲松;汤洪雁 |
| 授予学位： | 硕士 |
| 授予学位单位： | 天津大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
