基于声呐成像的水下桩墩表观病害深度学习与智能检测
声呐成像检测水下桩墩表观病害时,其图像与光学图像的病害特征存在较大差异,病害的位置和类型需要人工识别且易出错.为解决这个问题,提出基于声呐成像的水下桩墩表观病害深度学习与智能检测方法.首先对水下实桥桩墩以及试验模型进行声呐扫描获取大量图像,并分析声呐图像中的病害特征;然后对Faster R-CNN框架下VGG16网络模型进行改进,采用水平、垂直等线性变换实现原始声呐图像的数据增强,对深度学习模型进行近似联合优化训练,用一定概率保证率的矩形识别框实现水下桩墩多类病害的分类定位;最后选取150幅未参与训练的声呐图像进行识别,验证所提出方法的有效性,并通过混淆矩阵、精确率、召回率、准确率以及F1值等评价指标对识别方法性能进行研究.研究结果发现,桩墩孔洞、剥落和位移等病害以及无病害类型的识别结果的总体准确率为88.3%,F1值分别为90.1%、84.9%、78.7%和94.6%,平均F1值为87%.这说明该方法在水下桩墩表观病害识别、定位以及自动化处理方面是可行、有效的,为桥梁水下桩墩表观病害的图像处理、智能化检测与桥梁安全评估提供技术支撑.
水下桩墩表观病害、Faster R-CNN、声呐成像、深度学习
54
N945.14(系统科学)
2021-07-28(万方平台首次上网日期,不代表论文的发表时间)
共11页
90-100