傳統的圖像處理算法不能很好（hǎo）地對橋梁裂縫（féng）進（jìn）行檢測，而經典的深度學習模型直接用於橋梁裂（liè）縫的檢測，效果不甚理想（xiǎng）.針對這些問題，本文提出了一（yī）種基於深度學習的橋梁（liáng）裂縫（féng）檢測（cè）算法.首先（xiān），利用滑動窗口算法將橋梁裂縫圖像切分為較小的橋梁裂縫麵元圖像和橋梁背景麵（miàn）元圖（tú）像，並根據對（duì）麵元圖像的分析，提出一種基（jī）於卷積神經網絡（Convolutional neural networks，CNN）的（de）DBCC （Deep bridge crack classify）分類模型，用於橋梁背景麵元和橋梁裂縫麵元（yuán）的識別.然後，基於DBCC分（fèn）類模型結合改進的窗口滑動（dòng）算法對橋梁裂縫進行檢測（cè）.最後，采用圖像金字塔和感興趣區域（Region of interest，ROI）結合的搜索策略對（duì）算法進行加速.實驗（yàn）結果表（biǎo）明（míng）：與傳統算（suàn）法相比，本文算（suàn）法具有更好的識別效果和更強的泛化能力.
本文提出了一種基於深度學習的橋梁（liáng）裂縫檢測算（suàn）法.討論了橋梁裂縫數（shù）據集的人工（gōng）擴增方法, 詳細介紹了本文提出的DBCC模型和對窗口滑動算（suàn）法的改進, 同時采用一定的加速策略對橋梁裂縫檢測算法的（de）執行時間（jiān）進行了（le）一定的優化.實驗結果表明, 和傳（chuán）統的裂縫檢測（cè）算法相比, 本（běn）文提出的算法具有更好的識別（bié）效果和更強的泛化（huà）能力.
圖1 本文算法（fǎ）的檢測流程示意（yì）圖
未（wèi）來（lái）進一步研究的重點是:在不（bú）斷提高算法的抗幹擾能力和檢測準確率的情況下, 進一步提高算法的處理速度, 以便算法在實際（jì）的應（yīng）用過程中, 表現出更（gèng）好的性能.針對這（zhè）一問題, 可以使用CUDA、MMX、SSE、SSE2等策略對算法進行優化.
圖2 主流裂縫檢測算法和本（běn）文算法對於橋梁裂縫（féng）檢測的效果圖
為了推（tuī）動本文（wén）算法的進一步改進和方便其他（tā）研究（jiū）者使用（yòng）本文算法進行（háng）對比和實驗, 本文對論文中所使用的橋梁裂（liè）縫圖像數據集合（hé）、DBCC模（mó）型的網絡配（pèi）置文件、超參數配置文件進行開源.相應的數據集和文件可在如下的鏈接中得到, 具體的鏈接為: https://github.com/maweifei/Bridge_Crack_Imag\\e_Data.
圖3 基於本文算法進行橋梁裂縫檢測的部分結（jié）果
