神经网络在水工混凝土结构裂缝检测中的应用

针对水工大体积混凝土结构的特点,探讨了混凝土结构裂缝的检测方法．基于BP神经网络建立混凝土裂缝深度与其相关参数之间的关系模型,以实测资料作为模型的训练样本,并通过实例进行了检验,结果表明,BP神经网络应用于混凝土裂缝检测分析是可行和有效的．     

混凝土桥台裂缝检测与修补技术

针对某铁路桥台施工过程中存在的裂缝问题,分析了大体积混凝土裂缝的成因,采用超声波法对裂缝深度进行了无损检测,并提出了裂缝修补措施。     

某铁路特大桥桥墩托盘顶帽裂缝成因检测分析

文章针对某特大桥桥墩托盘顶帽出现裂缝,采用地质雷达探测了结构钢筋分布情况,采用数显回弹仪探测混凝土强度,采用非金属超声波检测仪检测了裂缝深度,并对裂缝分布状况进行了宏观调查.综合检测结果分析,导致裂缝的原因主要是桥梁振动所致,对桥梁加同措施及防止裂缝的产生提出了建议.     

基于冲击弹性波和超声波的混凝土裂缝深度无损检测技术方法比较

钢筋混凝土结构是最重要的土木、建筑结构,在建设及使用过程中由于各种缘由会产生裂缝,裂缝参数中深度是判定裂缝对结构安全影响程度的重要指标,裂缝深度的测量作为工程质量检测难点亟待解决。测量裂缝深度的常规方法为超声波法,但检测受影响因素较多,检测精度稍差。采用基于冲击弹性波的检测方法对混凝土结构裂缝深度进行检测,冲击弹性波受水和填充物影响小,能检测的裂缝深度更大,经不断改进现已成为一种新的检测裂缝深度的方法。通过工程实例对基于冲击弹性波的检测方法的可靠性进行验证后可知,该方法测试效果显著,值得推广。     

结合路面深度影像梯度方向直方图和分水岭算法的裂缝检测

裂缝检测对于道路维护和管理具有重要作用.由于深度影像对路面油污、阴影等因素不敏感,近些年来基于深度影像的检测方法已成为路面裂缝检测新的研究方向之一.传统的激光扫描线方法没有顾及裂缝在整个空间分布的变异性、各向异性和全局性特征,无法有效检测横向、块状、网状等裂缝.针对以往算法的不足,提出一种结合梯度方向直方图和分水岭算法的路面裂缝检测方法.首先,通过梯度方向直方图算法提取路面深度影像的裂缝边缘强度和方向;然后,利用裂缝边缘方向改进传统分水岭算法,最终提取裂缝目标.实验结果表明,该方法不仅能够准确检测多种类型的裂缝目标,而且能识别裂缝破损程度.     

钢筋混凝土结构裂缝深度无损检测技术的现状及发展

钢筋混凝结构在建设及运营过程中会由于多种原因出现裂缝。裂缝的位置、尺寸,尤其是裂缝的深度是判断裂缝对结构安全性影响程度的重要指标。近年来裂缝深度的无损检测技术有了长足进步,但其测试精度和探测深度仍然不理想。对目前裂缝深度无损测试技术进行了对比,并提出裂缝测试技术的进一步研究方向。     

基于深度学习的道路表面裂缝检测方法

道路表面裂缝检测是道路安全检测的一项重要指标,随着计算机视觉技术的不断发展,越来越多的基于深度学习的目标检测方法被应用到裂缝检测中.然而这些检测方法大都是对裂缝位置的粗略的检测或分类,无法定量的衡量裂缝为了定量衡量裂缝,提出了一种基于深度学习的像素级道路表面裂缝检测方法.使用卷积神经网络对裂缝原始图像进行分割得到裂缝的二值化图像,并实现对裂缝的面积、长度、平均宽度的自动计算,提高了测量效率并降低了检测成本.实验表明,本系统对裂缝面积测量准确率达到93％,长度测量准确率达到92％,平均宽度测量准确率达到89％.     

单面平测法在大体积混凝土裂缝检测中的应用

简要叙述了无损检测技术——混凝土裂缝检测的原理，应用单面平测法对后河水库大坝溢流面大体积混凝土的裂缝深度进行了检测，并用钻孔对测进行单面平测法测试结果的验证，取得了该结构混凝土较可靠的裂缝深度指标，为后期设计和处理施工提供了依据。     

基于iTECS技术测定混凝土的裂缝深度

裂缝是混凝土结构物存在的主要缺陷,基于iTECS-6检测仪器,以混凝土结构的裂缝为研究对象,在检测垂直裂缝的基础上,改进方法,通过类比垂直裂缝的检测原理,提出斜裂缝的检测方法,并给出斜裂缝深度、夹角、延伸长度的计算公式.最后通过制作试件进行了验证.     

二维样品边缘裂缝对温度场的影响及缝隙的定位

针对二维样品缺陷的检测和定位问题,以光热无损检测为背景,运用差分方法求解二维热传导模型,对样品表面温度场进行计算,获得任意两点间的温度差,通过改变裂缝深度、裂缝到光源中心的距离d和参考点到光源中心的距离D,研究参考点间的温度差与边缘裂缝的关系,并由此得到2个定位边缘裂缝的方法.     

超声平测法检测钢筋混凝土结构裂缝深度

已有的理论和试验研究主要解决的是裂缝的宽度检测,裂缝深度检测技术仍然是当今最热门的研究课题。文章介绍了超声平测法检测钢筋混凝土结构裂缝深度的基本原理,在此基础上推导了超声波在经过钢筋混凝土中的传播速度计算式;并验证了计算公式和试验原理的可行性;最后讨论了该检测方法的适用范围。     

基于深度学习YOLOX算法的混凝土构件裂缝智能化检测方法

针对现有混凝土构件裂缝人工检测操作不仅费时、费力,而且易出现错检、误检、漏检,以及部分位置难以开展检测的问题,提出一种基于深度学习YOLOX(You Only Look Once)算法的混凝土构件裂缝智能化检测方法;首先采集、整理包含各类混凝土构件的典型裂缝图像,并通过图像数据增强建立Pascal VOC数据集,然后基于Facebook公司开发的深度学习框架Pytorch,利用数据集训练YOLOX算法,并进行裂缝识别和验证;将训练完成后YOLOX算法移植至搭载安卓系统的手机端,进行现场实时检测操作。结果表明：在迭代次数为700时,混凝土构件裂缝识别精度可达88.84%,能有效筛分混凝土构件表面裂缝,并排除其他干扰项,证明了所提出的方法对裂缝具有较高的识别精度和广泛的适用性;经试验测试,移植至手机端的YOLOX算法能在提升便携性的同时保证高效、准确的检测效果,具有良好的应用前景。     

基于目标检测的混凝土坝裂缝实时检测方法

裂缝是大坝最常见的损伤之一，可反映大坝的受力状态和安全性。针对混凝土坝裂缝传统检测算法速度慢、精度低、泛化性能不足等问题，该文基于目标检测神经网络YOLOX(you only look once x)深度学习目标检测算法，提出一种混凝土坝表观裂缝实时检测方法(YOLOX-dam crack detection,YOLOX-DCD)。该方法对YOLOX目标检测神经网络进行改进，首先在网络结构中加入卷积注意力机制，使网络更关注裂缝特征，提高检测效果；其次引入完全交并比(complete intersection over union,CIoU)作为目标定位损失函数；最后在自制的混凝土坝裂缝数据集上进行实验评估，并与现有的多种目标检测神经网络进行对比。结果表明：该文所提方法具有速度快、精度高、参数少的特点，且明显优于经典目标检测算法。因此，该文所提方法能满足混凝土坝裂缝检测高效、精确、实时的要求，可为混凝土坝裂缝检测提供技术支持。     

超声波检测混凝土缺陷的试验研究

采用平面对测法对普通混凝土的不密实区和空洞进行检测,通过试验研究和数据处理与分析,超声波检测得到的结果与试验设置的裂缝深度、不密实区和空洞区域基本一致。表明利用超声波法对普通混凝土、钢纤维混凝土的裂缝深度与不密实区和空洞进行检测,效果较理想,用于无损检测是可行、适用的。     

考虑病害三维特征的沥青路面车辙异常检验方法

针对复杂路况下车辙深度异常或横断面数据不完整的问题,提出了基于病害三维特征的路面车辙异常检验方法.首先,对三维图像中激光点异常值进行筛选及修正,利用横断面深度数据应用包络线算法提取最大车辙.考虑到裂缝、坑槽和拥包对车辙提取存在误判,利用三维高程数据建立病害种子检测模型以自动提取裂缝、坑槽和拥包种子点.测试结果表明,车辙深度相对误差小于7%,车辙深度测量重复性小于4%,包络线算法结果与人工测量值的相关系数高达0.999 2.在车辙异常检验中,裂缝种子识别模型准确率和召回率的均值分别为92.18%和84.79%,且F值为88.33%,优于支持向量机及改进的Canny方法.坑槽及拥包种子识别模型检测正确率大于95%.所提方法不仅能高效地提取车辙深度,而且能准确地检验造成车辙检测异常的其他病害.     

某水库大坝混凝土面板检测及裂缝处理

根据混凝土面板坝施工的特点并综合考虑某引水工程坝址处的自然环境等因素,分别运用回弹仪、裂缝测宽仪、超声波探伤仪与地质雷达对面板混凝土强度、面板裂缝宽度、裂缝深度及堆石与面板间是否存在脱空进行了检测.根据检测结果对大坝面板混凝土表面产生裂缝的原因进行了分析,并提出了混凝土面板坝表面裂缝在不同情况下的处理方法.     

混凝土裂缝深度检测技术研究

根据超声波检测混凝土裂缝深度的原理,推导出换能器跨缝不对称布置测量时裂缝深度的计算公式.     

基于YOLOv5和U-Net3+的桥梁裂缝智能识别与测量

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4 414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5 280×2 970 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.     

基于深度卷积神经网络融合模型的路面裂缝识别方法

现有的路面裂缝识别方法大多仍局限于基于主动特征提取的处理技术,对路面图像来源有专一性要求,算法不具备泛化能力,现有的基于神经网络识别算法对设备有特定要求,且路面裂缝的定位准确性不高。为此,提出基于深度卷积神经网络融合模型的路面裂缝识别方法。首先,应用多目标SSD卷积神经网络模型对路面裂缝进行分类检测,然后使用深度残差网络对SSD模型的特征提取结构进行改进,并根据损失函数的收敛程度对模型中的超参数进行优化,提高路面裂缝分类和定位的准确率;其次,针对裂缝分类检测模型对路面裂缝定位存在的偏差,提出基于U-Net模型的路面裂缝分割方法,并改进模型的特征提取网络,提高裂缝分割精度,实现精确的裂缝分割;最后,将裂缝分类检测模型与分割模型进行融合,加载2个模型并导入上述训练得到最优权重,根据裂缝分类网络判断路面图像有无裂缝,若存在裂缝则给出具体类别和置信度,并将这些信息和原始裂缝图像输入U-Net分割网络,根据分割结果计算线性裂缝的长度、宽度及网状裂缝的面积。试验结果表明:给出的路面裂缝识别方法对于横向裂缝、纵向裂缝和网状裂缝的识别精度分别为86.6%、87.2%和85.3%;该方法不仅能够给出路面裂缝的类别信息,还可以给出路面裂缝的精确定位和几何参数信息,可直接用于路面状况评价。     

基于改进YOLO V5的公路桥梁裂缝检测方法

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时检测精度低,收敛速度慢,效果不甚理想。针对上述问题,本文在YOLO V5模型基础上提出引入C3-B(C3-Bottleneck)注意力机制模块,提高模型对目标的精确定位能力;使用PAN(路径汇聚网络)加权跨层级联,防止浅层语义的丢失;选取SIOU损失函数替换GIOU损失函数,进而提高收敛速度,实现复杂环境下的桥梁裂缝高精度检测。实验结果表明,对比原YOLO V5模型,本文方法的平均精度均值提升4.3%,精度提升5%,召回率提升1.2%,证明了本文方法对桥梁裂缝检测具有较好的效果。