基于卷积神经网络的混凝土桥梁表观病害检测方法研究

作     者：熊元俊 

作者单位：重庆交通大学 

学位级别：硕士

导师姓名：张廷萍

授予年度：2024年

学科分类：12[管理学] 081406[工学-桥梁与隧道工程] 08[工学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0814[工学-土木工程] 0811[工学-控制科学与工程] 082301[工学-道路与铁道工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

主      题：桥梁病害 目标检测 轻量化 YOLO 

摘      要：随着我国交通量的快速增长以及桥梁结构的自然老化等多重因素的作用,导致大量桥梁结构处于亚健康或危险状态。因此,及时评估桥梁的健康状况并修复桥梁损伤是至关重要的。当前,传统的人工巡检方式不仅效率较低而且工作强度较高,并对于巡检人员的专业储备知识要求也较高。随着混凝土桥梁表观病害检测技术的不断发展,利用无人机等智能装备部署目标检测算法并进行桥梁结构实时巡检的方式正逐渐兴起。然而,现有目标检测算法仍面临检测精度不足、模型参数庞大等问题,难以广泛应用至移动采集设备。针对上述问题,本文提出了一种基于卷积神经网络的混凝土桥梁表观病害检测方法。该方法旨在提升桥梁病害检测的精度与效率,并降低对计算资源的需求,以更适应移动设备的应用场景。具体而言,本文首先针对YOLO v5模型在小目标病害检测方面存在的不足,提出了一系列改进方法。这些改进旨在提高模型对桥梁病害检测的精确度;其次本文还致力于减小模型的体积并降低其对计算资源的依赖,从而更便于在移动设备上部署和运行。本文的主要研究内容如下: (1)本文通过人工筛选和整理混凝土桥梁病害图片,建立了用于桥梁表观多病害目标检测的数据集。数据集收集了996张由水侵蚀、露筋、麻面、空洞和破损五类病害组成的桥梁病害图像。本文利用Label Img软件对收集的图像进行标注,并采用Pascal VOC数据集格式。每张原始病害图片都对应一个XML文件,其中记录了图像的路径、尺寸和通道深度等关键信息。这种标注方式方便图像数据和标注信息的保存和读取,还与多种常用的目标检测模型框架兼容。构建的数据集通过这种方式,能够准确地关联每张图片和其对应的病害标注信息,为后续的模型训练和评估提供便利。 (2)针对当前目标检测算法在桥梁病害检测方面存在因小目标病害漏检而导致的检测精度不足问题,本文提出了一种基于改进的YOLO v5桥梁小目标病害检测算法。该方法通过引入小目标病害检测层,有效改善了因病害目标尺寸过小而导致的漏检问题,进而提高模型检测的准确性。同时,本文还嵌入ECA高效注意力机制,该机制能够在抑制桥梁表观无关背景特征信息的同时,突出有效病害的特征信息。实验结果显示,与原始YOLO v5算法相比,改进后的算法在检测精度上提升了1.9%,其m AP值达到0.879。与其他主流目标检测算法相比,改进后的YOLO v5方法展现出了更高的检测精度,为桥梁病害的准确识别提供了新的有效手段。 (3)针对桥梁病害目标检测模型存在的参数量较大、计算量较高以及检测速度慢等问题,本文提出了一种轻量化的桥梁病害检测方法。该方法采用轻量级的Mobile Net v3骨干网络进行病害特征提取。其还通过深度可分离卷积替代传统卷积操作,有效降低了模型的计算量和参数量。最后在模型中嵌入了坐标注意力机制,该方法能获取通道信息以及相关的坐标信息和方向信息,从而更高效地定位病害位置。与原始的模型相比,改进后的模型在参数量上减少了35.03%,计算量减少了47.62%,提升了模型的轻量化程度,降低了对存储空间和计算资源的需求。同时,改进后的模型帧率提升了31帧,提高了实时检测性能,使其更适用于需要快速响应的应用场景。