文献类型：期刊文章

作　　者：刘新根[1,2] 陈莹莹[1,2] 朱爱玺[1,2] 杨俊[3] 何国华[3]

LIU Xin-gen;CHEN Ying-ying;ZHU Ai-xi;YANG Jun;HE Guo-hua(Shanghai Tongyan Civil Engineering Technology Co., Ltd., Shanghai 200092, China;Shanghai Engineering Research Center of Detecting Equipment for Underground Infrastructure,Shanghai 200092, China;Guizhou Expressway Group Co., Ltd.,Guiyang 550004, China)

机构地区：[1]上海同岩土木工程科技股份有限公司,上海200092 [2]上海地下基础设施安全检测与养护装备工程技术研究中心,上海200092 [3]贵州高速公路集团有限公司,贵州贵阳550004

出　　处：《广西大学学报（自然科学版）》

基　　金：贵州省科技计划项目(黔科合支撑[2016]2318);上海人才发展资金资助项目(2017055);上海市2018年技术标准专项项目(18DZ2202300)

年　　份：2018

卷　　号：43

期　　号：6

起止页码：2243-2251

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、JST、PROQUEST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：为提高隧道衬砌裂缝的识别精度和速度,提出一种基于深度学习的隧道衬砌裂缝自动识别算法。该算法使用两个深度卷积神经网络分别实现隧道衬砌图像分类和裂缝识别。首先使用图像分类网络对隧道衬砌图像进行分类,筛选出含有裂缝的图像;然后使用裂缝识别网络,结合滑动窗口扫描的方式对含有裂缝的图像进行裂缝识别,得到初步的裂缝定位结果;最后根据初步的裂缝定位结果进行图像分割,并计算出裂缝的长度值和宽度值。实验结果表明:图像分类和裂缝识别的准确率均达到98%;处理单张不包含裂缝的大尺度图像耗时0. 008 s,处理单张包含裂缝的图像耗时0. 688 s;施工缝、线缆、字迹等对裂缝识别的影响减弱。

关 键 词：裂缝检测  深度学习  图像分类 图像识别

分 类 号：U45] TP391]