摘要
由于桥梁水下桩墩结构长期遭受荷载、水流冲击等不利因素作用，容易产生裂缝、孔洞等表观病害，从而降低结构的强度与耐久性，应及时对其进行检测。而相较于传统检测方法，声呐成像技术扫描范围大，且穿透性强，克服了水下光线不足、水质浑浊等障碍。但是，由于声呐图像上的信息是基于声波强弱所形成的，没有丰富的颜色，且受噪声干扰大。若采用人工识别或简单的病害特征提取技术，其效率与准确率将会是巨大的问题。随着智能化技术的不断发展，基于深度学习的目标识别方法在各个领域中已有所成就。因此，本文开展了基于 SSD检测模型的桥梁水下桩墩表观病害声呐图像智能识别研究。而为了进一步增强检测模型对裂缝的识别能力，样本数据量极为关键，但是桥梁水下病害的声呐图像数据库总量不足，且采集的难度大、成本高。因此，本文开展了基于 GAN 生成模型的水下裂缝病害声呐图像生成研究。主要研究内容与结论如下： （1）构建了常见的桥梁水下桩墩表观病害声呐图像样本库。分别在实际桥梁现场与实验室构件模拟对常见病害的声呐图像进行数据采集，通过对比不同去噪算法，验证了NLM算法的性能最优，并对采集的声呐图像做了降噪预处理。 （2）开展了基于深度学习的 SSD算法对桥梁水下桩墩表观病害声呐图像智能识别的研究。首先设计了基于 SSD 目标检测模型的网络结构，包括为其选择最优参数、对其进行了损失函数替换的适应性修正等，然后通过实验验证其病害识别效果，最后对不同病害的识别准确率差异进行分析。结果表明，本文 SSD目标检测模型的性能与声呐图像中病害目标的检测精度效果理想，对病害的平均识别精度（mAP）达到了87.32%，验证了该方法的优越性与可行性。 （3）开展了基于深度学习的GAN算法对桥梁水下裂缝病害声呐图像数据增强的研究。通过归纳常见的数据增强方式存在的问题，建立了基于对抗神经网络的 WGAN与 CycleGAN两种图像生成机制不同的模型，接着根据真实裂缝声呐图像的特点，对不符合条件的生成图像建立了筛选机制，并整合两个模型生成的裂缝声呐图像共同作为数据扩增的样本，最后使用 SSD 目标检测模型对生成图像的有效性进行验证。结果表明，在使用两个模型生成的图像对数据集进行扩增时，其裂缝病害识别准确率，分别比没有扩增前和使用单模型生成的图像进行扩增时要高，验证了该方法的有效性与可行性。
NETL