摘要
土木基础设施是体现国家综合国力及科学技术发展水平的重要标志，其安全服役关乎国计民生。结构检测评估和结构健康监测是当前桥梁结构管养进行决策的主要依据，不管是结构检测评估还是结构健康监测，都会产生大量的数据，传统的数据分析手段难以对检、监测数据进行高效的分析处理。如何快速的分析海量数据、挖掘数据深层特征以及将分析结果反馈应用到后续桥梁运维管理中，成为土木领域当下研究的前沿热点。基于此研究背景，本文从结构外观检测数据和结构健康监测数据两方面出发，以数据挖掘中的分类问题为重点，利用深度学习技术深入挖掘大量外观检测数据和健康监测数据的内在特征。在依托海量检测数据的研究方面，本文主要研究了基于检测图像的裂缝自动分割方法，分为三个阶段逐步深入。在依托海量健康监测数据的研究方面，本文侧重于研究大数据问题处理框架中的前两个阶段，即数据预处理和数据存储阶段。论文的主要创新点如下： （1）提出了基于深度学习和Zernike正交矩的裂缝分割及宽度测量方法。针对传统方法适用性差的缺点，将深度学习算法和传统的基于数字图像处理的算法结合起来，在深度学习定性分类能力的基础上将图像中裂缝的检测分为“判断有无”、“自动勾画”和“宽度测量”三个层次。采用多个尺度的深度学习缩小裂缝的范围，并在传统方法初步分割出裂缝的基础上，再次利用深度学习筛选初步分割的裂缝，从而大大提高了裂缝分割的精度以及复杂环境下的抗噪性。在宽度测量方面，针对传统的“数像素”方法对于5像素以内细微裂缝测量误差大的缺点，提出了基于Zernike正交矩的细微裂缝宽度测量方法，直接利用裂缝的灰度信息计算裂缝的宽度，提高图像中细微裂缝的宽度测量精度。 （2）提出了基于多尺度特征融合网络的像素级裂缝分割方法，实现完全依靠深度学习本身提取特征的裂缝分割。提出框架可以分为特征提取和特征融合两大块，而特征融合又可以分为不同尺度特征简单的像素级融合和不同尺度特征不同维度之间的深层次融合。在特征提取和像素级融合方面，采用自下而上和自上而下两种策略设计了不同的特征融合网络，基于不同裂缝测试集详细分析了高、低阶特征对最终裂缝分割结果的影响。发现低阶特征主要表征裂缝的形态信息，对于裂缝的细节描述更加有效，而高阶特征对于图像中裂缝的语义特征描述更加有效，需要把高低阶特征同时考虑到裂缝分割的框架中。 （3）基于对抗深度学习增强的轻量级裂缝检测网络。前两章提出的裂缝分割方法虽然能高精度的分割出裂缝，但是其检测效率并不能够满足自动化检测的实时性要求。因此，本章提出了一种轻量级的裂缝检测框架，并提出了基于对抗深度学习的轻量级网络增强算法。提出框架从两方面对网络进行优化，一方面是深度学习特征提取模块的优化，采取更加轻型、高效的框架；另一方面，针对网络的训练策略提出算法创新，引入了生成对抗距离来衡量相似性，使轻量级网络的输出分布和人工标记的分布相逼近，从而提高轻量级网络的检测效果。最后，将本章提出的算法应用到新华路桥的桥墩裂缝检测中。 （4）针对海量监测数据预处理的自动化异常检测需求，提出了基于一维卷积网络的健康监测异常数据识别方法，可以将健康监测系统采集数据直接输入到网络中，利用深度学习挖掘异常数据的本质特征，实现对异常数据的自动识别。随后将提出的方法应用到了江阴大桥吊杆监测数据的异常识别中，与人工检测的结果相对比，发现提出方法可以高精度的识别出健康监测系统采集的异常数据。相比传统的基于数学模型的异常数据识别方法，本文提出方法适用性广泛，可以高精度检测出各种类型的异常数据。相比于基于长短记忆网络的异常识别算法，提出方法不需要人工设定阈值。而相比于基于图像识别的异常检测方法，提出的方法不需要小心调整观测数据的尺度，不需要担心图像中超高维压缩带来的异常信息损失。 （5）针对海量监测数据存储的问题，提出了基于卷积自编码网络的长期监测数据压缩方法。提出数据压缩方法可以分为数据压缩网络和数据重建网络两个部分，其中数据压缩网络用于将输入的原始数据压缩到指定的大小，数据数据重建网络用于将压缩后的数据进行还原。本文将提出方法和传统的基于DCT变换的数据压缩方法及压缩感知方法进行对比，发现在较低的压缩率下，本章提出的方法相对传统方法具有更小的重建误差和更高的相关系数。并将提出方法在江阴大桥长期吊杆监测数据下进行验证，发现对于识别为异常的数据，其压缩后重建的精度较低，而对于识别为正常的数据，能够在较低的压缩率下实现高精度的数据重建。
NETL