Page 134 - 公路桥梁养护与管理
P. 134
Maintenance and Management of Highway Bridges
公路桥梁养护与管理
（二）智能识别方法
基于智能检测获得的图像及信息数据开展智能识别方法研究，是计算机视觉
和人工智能研究领域中一项非常有意义且富有挑战性的工作。考虑更大参数空间
的新算法为解决图像识别及数据分析中的低效、鲁棒性差等问题提供了新的解决
方案。
在图像处理及识别方面，Mohammed AbdeLkader 等采用了自适应的两层
方法，基于飞蛾优化算法设计了混合图像过滤协议，该算法可用于检测噪声和恢
复桥梁缺陷图像。Asjod 等提出了一种基于图像的裂纹宽度和裂纹长度特征的提
取方法——弧长法，识别了裂缝宽度、裂缝长度和裂缝模式角度等特征，能有效
地跟踪桥梁裂纹的形状。Li 等提出了一种利用全卷积网络和朴素贝叶斯数据融
合（NB-FCN）模型的桥梁裂纹提取算法，实现了对裂纹的骨架和边界的识别。
Pham 等提出了基于图像识别和深度学习的桁架桥螺栓松动智能检测技术，主要
基于区域卷积神经网络，通过霍夫变换估计图像中的螺栓角度，以螺栓的旋转自
动识别出松动螺栓。樊健生等提出了多视角几何三维重建法，解决了结构表面裂
缝识别、损伤定位和变形识别等问题，该方法精度高、速度快及对设备要求低，
可高效识别结构表面缺损与变形。邵旭东等针对采集到的桥梁结构形变视频图像，
采用基于 Fourier 变换的互相关整像素匹配算法与反向组合高斯牛顿迭代亚像素
匹配算法，提出了基于数字图像相关（DIC）技术与正则化平滑技术的结构形变
测试方法，提升了结构形变计算速度。杨杰文等提出了一种结合 U-net 和 Haar-
Like 算法的卷积神经网络深度学习算法，可以对桥梁裂缝的面积、长度和平均宽
度进行定量计算。
计算机视觉技术是图像处理、人工智能和模式识别等技术的综合，具有感受
环境能力和人类视觉功能的技术。计算机视觉技术的最新趋势有深度学习、点云
物体识别、语义实例分割等。传统的二维图像检测已不能满足桥梁全空间检测的
需求，结合智能识别的三维重构技术得到了更多的应用。kiM 等采用 3D 地面激
光扫描仪生成了三维点云，结合深度学习在每个子空间中进行了 3D 点分类来识
别桥梁组件。kalfarisi 等提出了基于深度学习的裂纹检测和识别方法，将基于区
域的快速卷积神经网络（FRCNN）与结构化随机森林边缘检测（SRFED）集成，
检测了带有边界框的裂缝并实现了框内裂缝识别。Narazaki 等基于语义分割算法，
提出了利用复杂场景的图像进行基于视觉的桥梁构件自动识别技术，该技术对于
122
