基于深度学习的复杂场景下混凝土表面裂缝识别研究
【摘要】 为在桥梁健康监测工作中能更便捷、可靠地完成分类采集的裂缝图像及其中裂缝的标识工作，改善裂缝识别方法效果对提取算法初始聚类中心的选取和图像背景环境的高度依赖等问题，提出了一种适用于多种场景条件下的混凝土裂缝检测的图像识别方法。卷积神经网络是深度学习的代表算法之一，该算法具备表征学习能力，能够按其本身的阶层结构对输入信息完成信息分类的工作。依托武汉市某桥的检测工程，在现场完成图像数据的采集后，采用卷积神经网络搭建了适用于混凝土裂缝图像分类的图像分类模型，实现了对检测工程期间所采集的复杂场景下混凝土结构图像的分类。同时，考虑到传统的K-means算法中聚类中心的局部簇密度与欧氏距离均较大的特点，结合统计学原理与形态学方法的特点，对传统的K-means算法做出了改进，所得的改进K-means算法能够完成复杂场景下裂缝图像的裂缝骨架分割提取和裂缝宽度的计算。随后通过对从检测工程现场桥梁表面600张图像采样的识别，验证了在混凝土存在表层脱落、污渍、苔藓等会对图像裂缝骨架提取效果产生严重干扰的复杂环境条件下所提出方法的有效性，且相较于传统方法具有更高的裂缝检测效率
