文献类型：期刊文章

作　　者：余加勇[1,2] 刘宝麟[1,2] 尹东[1,2] 高文宇[1,2] 谢义林[3]

Yu Jiayong;Liu Baolin;Yin Dong;Gao Wenyu;Xie Yilin(Key Laboratory of Wind Engineering and Bridge Engineering in Hunan Province,Hunan University,Changsha 410082,China;College of Civil Engineering,Hunan University,Changsha 410082,China;Jiangsu Hydraulic Research Institute,Nanjing 210017,China)

机构地区：[1]湖南大学风工程与桥梁工程湖南省重点实验室,湖南长沙410082 [2]湖南大学土木工程学院,湖南长沙410082 [3]江苏省水利科学研究院,江苏南京210017

出　　处：《湖南大学学报（自然科学版）》

基　　金：湖南省自然科学基金资助项目(2021JJ30102);湖南省自然资源厅科技计划项目(No.2023-20);湖南省水利科技项目(XSKJ2021000-46)。

年　　份：2023

卷　　号：50

期　　号：5

起止页码：65-73

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、EI、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：为了克服传统数字图像处理方法进行桥梁裂缝识别时面临的效率低、效果不佳等问题,提出了集成深度学习YOLOv5和U-Net3+算法的一体化桥梁裂缝智能检测方法.通过调整算法宽度和深度参数,优化边界框损失函数,构建基于YOLOv5目标检测算法的裂缝识别定位模型,实现桥梁裂缝快速识别与定位;引入结合深度监督策略及预测输出模块的U-Net3+图像分割算法,训练并构建桥梁裂缝高效分割模型,实现像素级裂缝智能化提取;建立结合连通域去噪、边缘检测、形态学处理的八方向裂缝宽度测量法,基于U-Net3+裂缝分割结果实现裂缝形态及宽度高精度测量;利用LabelImg图像标注软件制作包含4414张图像的裂缝识别定位模型训练数据集;利用LabelImg图像标注软件及CFD数据集制作包含908张图像的裂缝分割模型训练数据集;利用无人机航拍的485张5280×2970 pixels桥梁索塔裂缝图像,来制作裂缝智能检测模型的测试对象.将所提出的裂缝检测方法应用于上述裂缝测试对象,其裂缝识别定位准确率91.55%、召回率95.15%、F1分数93.32%,裂缝分割准确率93.02%、召回率92.22%、F1分数92.22%.结果表明,基于YOLOv5与U-Net3+的桥梁裂缝智能检测方法,可实现桥梁裂缝高效率、高精度、智能化检测,具有较强的研究价值和广泛的应用前景.

关 键 词：桥梁工程 裂缝检测  裂缝测量  YOLOv5  U-Net3+  无人机

分 类 号：U445.71]