基于改进Mask R-CNN的钢桥多病害智能识别

钢桥在现代交通基础设施中扮演着重要的角色，然而，由于长期服役与环境影响，钢桥可能出现涂层锈蚀、螺栓脱落等病害。为解决传统的钢桥病害检测需要人工参与，费时费力且主观性强的问题，提出了一种基于深度学习的钢桥病害检智能识别方法。利用无人机在图像采集方面的优势，采集大量高清病害图像，经图像增强、标注后建立钢桥病害图像库，用于模型的训练和测试；引入掩膜区域卷积神经网络(Mask R-CNN)构建钢桥病害识别模型，实现钢桥病害的自动识别；并通过更换骨干网络的方式进一步提升模型性能。研究结果表明：将骨干网络由传统的ResNet101替换为VoVNet后模型性能显著提升，交并比阈值为0.5与0.5∶0.95时，优化后模型的识别平均精确率分别为0.84与0.59;相同交并比阈值下较之优化前有约10%的提升。将改进的模型应用于上莘桥表观病害检测，其对涂层锈蚀、螺栓锈蚀与螺栓脱落的识别准确率分别达到了89.3%、85.7%、73.1%;改进的Mask R-CNN模型在钢桥病害识别任务中表现出了优异的性能，无人机与深度学习相结合的方法能够实现钢桥病害的高精度、自动化检测，具有重要的科学研究和工程应用价值。