传统的图像处理算法不能很好地对桥梁裂缝进行检测，而经典的深度学习模型直接用于桥梁裂缝的检测，效果不甚理想.针对这些问题，本文提出了一种基于深度学习的桥梁裂缝检测算法.首先，利用滑动窗口算法将桥梁裂缝图像切分为较小的桥梁裂缝面元图像和桥梁背景面元图像，并根据对面元图像的分析，提出一种基于卷积神经网络（Convolutional neural networks，CNN）的DBCC （Deep bridge crack classify）分类模型，用于桥梁背景面元和桥梁裂缝面元的识别.然后，基于DBCC分类模型结合改进的窗口滑动算法对桥梁裂缝进行检测.最后，采用图像金字塔和感兴趣区域（Region of interest，ROI）结合的搜索策略对算法进行加速.实验结果表明：与传统算法相比，本文算法具有更好的识别效果和更强的泛化能力.
本文提出了一种基于深度学习的桥梁裂缝检测算法.讨论了桥梁裂缝数据集的人工扩增方法, 详细介绍了本文提出的DBCC模型和对窗口滑动算法的改进, 同时采用一定的加速策略对桥梁裂缝检测算法的执行时间进行了一定的优化.实验结果表明, 和传统的裂缝检测算法相比, 本文提出的算法具有更好的识别效果和更强的泛化能力.
图1 本文算法的检测流程示意图
未来进一步研究的重点是:在不断提高算法的抗干扰能力和检测准确率的情况下, 进一步提高算法的处理速度, 以便算法在实际的应用过程中, 表现出更好的性能.针对这一问题, 可以使用CUDA、MMX、SSE、SSE2等策略对算法进行优化.
图2 主流裂缝检测算法和本文算法对于桥梁裂缝检测的效果图
为了推动本文算法的进一步改进和方便其他研究者使用本文算法进行对比和实验, 本文对论文中所使用的桥梁裂缝图像数据集合、DBCC模型的网络配置文件、超参数配置文件进行开源.相应的数据集和文件可在如下的链接中得到, 具体的链接为: https://github.com/maweifei/Bridge_Crack_Imag\\e_Data.
图3 基于本文算法进行桥梁裂缝检测的部分结果
