基于改进Mask R-CNN深度学习算法的隧道裂缝智能检测方法

摘要：

隧道裂缝检测是避免隧道重大灾害和日常养护的重要工作,但传统人工检测工作量巨大,无法满足实际需求.采用深度学习神经网络Mask R-CNN模型对裂缝进行智能自动检测,避免了人工检测的耗时耗力.通过调整算法参数,优化模型检测结果,获得适用于隧道裂缝检测的Mask R-CNN模型.针对自动识别的裂缝结果,进一步计算其几何特征参数.为充分利用裂缝狭长弯曲特性,体现裂缝走向及基本形态,提出了基于骨架提取和函数拟合思想的裂缝几何特征计算方法.根据裂缝骨架,可获得裂缝走势,计算裂缝长度.通过函数拟合,可得到贯穿裂缝狭长区域的函数,根据函数法向量计算宽度.根据裂缝几何参数计算结果,结合规范规定的须修复裂纹宽度要求,可实现隧道裂缝检测自动预警,为隧道裂缝自动检测提供了技术支撑.

关键词：隧道裂缝、深度学习、Mask R-CNN、骨架提取、函数拟合

所属期刊栏目：44

分类号：U45(隧道工程)

资助基金：国家自然科学基金41830110

在线出版日期：2023-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：177-183