0 引言
桥梁在使用过程中,其结构受车辆超载、环境温度变化以及风灾水害侵蚀作用的影响,可能出现不
同程度的裂缝,严重时会导致桥梁坍塌,危及生命和财产安全。例如,江西铅山县傍罗大桥、武夷山公馆
大桥等皆因超载,结构受损
[1]
,承载能力下降,并且未及时进行日常检测维护,最终出现桥梁坍塌事故。
因此,做好桥梁的日常检测维护是非常必要的。而做好桥梁裂缝定位,提高检测效率,是桥梁检修工作的
重要内容。
传统的桥梁裂缝检测方法,使用人工凭先验知识设计的各种特征,如灰度
[2]
、边缘
[3-4]
和区域增长
[5]
等,来识别桥梁裂缝。由于桥梁裂缝的拓扑结构复杂多样、宽度不一,环境光照和背景复杂多变等因素都
会影响检测效果,因此,依靠人工设计的特征进行裂缝识别,其效果不佳,鲁棒性差,很难用于实践。
随着深度学习理论的发展,基于深度学习的图像分类、目标检测、语义分割算法在各个领域迅速发
展并得到应用。目前在桥梁裂缝检测领域应用较多的是卷积神经网络(convolutional neural network,
CNN)和全卷积网络(fully convolutional networks,FCN),其中,基于 CNN 的裂缝检测算法
[6-8]
是将图像
分为 16×16 或其他大小的小图像块,将小图像块作为数据集进行训练,检测时利用滑动窗遍历整幅图
像,逐图像块分类,该方法可以定位桥梁图像中的裂缝,但无法逐像素检测;基于 FCN 的裂缝检测算法
[9-10]
实现了逐像素检测桥梁裂缝,该算法主要用于提取裂缝骨架,需要根据量化换算公式计算裂缝的长度
和宽度等信息,统计分析骨架像素坐标来获得裂缝的位置信息。由于裂缝大多数是细长的形状,在图像中
的面积占比很小,况且以上两种算法检测时需要遍历整幅图像,导致检测效率低。为实现对桥梁裂缝高效
检测,本文引入目标检测算法,来确定裂缝位置,降低检测计算量,以提高桥梁裂缝检测效率。
基于深度学习的目标检测算法,分为两阶段算法和一阶段算法。两阶段算法(如:Faster-RCNN 系
列
[11-13]
)精度高但速度稍慢,一阶段算法(如:Yolo 系列
[14-16]
、Efficientdet
[17]
)速度快但精度稍低。其中
Faster-RCNN
[13]
、Yolo4
[16]
、Efficientdet
[17]
都是基于预设锚框的算法。FCOS
[18]
是基于无预设锚框的算
法,避免了候选区域和锚框等参数的优化计算,在提高检测精度的同时,减少了训练阶段的硬件资源占
用,但 FCOS 网络在实际检测中,仍存在漏检和多检的情况,且检测框的置信度较低。
因此本文提出一种基于目标检测框架 FCOS 的桥梁裂缝定位改进算法。其中,为减少网络参数,进
一步提高检测速度,采用轻量级骨干网络 EfficientNet 提取裂缝图像特征;引入 BiFPN 来融合多尺度的裂
缝特征,以增强模型鲁棒性,确保检测精度。
1 FCOS 网络
FCOS(fully convolutional one-stage),即全卷积一阶目标识别算法,参考了语义分割算法 FCN 的
设计思路,实现了像素级的检测精度,无需设置锚框的大小,减少了影响检测效的超参数数量。
如图 1 所示,FCOS 网络包括骨干网络(backbone networks)、特征金字塔网络(feature pyramid
networks,FPN)和检测头网络(detection head networks)。骨干网络提取原始图像的裂缝特征,获得不同
尺度的特征层 C3、C4、C5。C3、C4、C5 层分别经过一个 1×1 的卷积生成 P3、P4、P5 层。其中,P5
评论0
最新资源