基于MU-net 的混凝土橋裂縫識別方法

梁棟，張偉，于洋

（河北工業(yè)大學(xué)a.土木與交通學(xué)院，b.人工智能與數(shù)據(jù)科學(xué)學(xué)院，天津 300401）

我國的交通工程建設(shè)發(fā)展迅速，對我國的經(jīng)濟(jì)建設(shè)和國防建設(shè)等領(lǐng)域發(fā)揮著至關(guān)重要的推動作用，同時也為人民群眾的生活提供了極大的便利.公路交通建設(shè)作為最基本的交通工程建設(shè)，在里程總量和同行速度上都取得了長足進(jìn)步.截至2019 年底，全國公路橋梁建有87.83 萬座，長度共6 063.46 萬m［1］，數(shù)目龐大.大部分橋梁建設(shè)以混凝土橋梁為主，在其服役過程中，由于荷載和材料性能的退化，橋梁表面會出現(xiàn)裂縫、混凝土剝落、蜂窩麻面、鋼筋銹蝕等病害，從而影響公路運(yùn)輸?shù)陌踩|(zhì)量，危害人民的生命財(cái)產(chǎn)安全.其中，裂縫這一病害對于橋梁安全有著極大的影響.目前常見的混凝土橋梁裂縫人工檢測手段［2］，需要由檢測人員通過梯子和支架或者乘坐橋檢車到達(dá)底板或腹板附近，利用裂縫觀測儀對橋梁的表面病害進(jìn)行檢測、記錄，從而得到病害的寬度、長度、位置等參數(shù).現(xiàn)有的人工檢測方法檢測的精度和全面性易受檢測人員狀態(tài)影響，消耗大量人工和時間成本，具有一定危險(xiǎn)性，影響交通.

隨著圖像采集設(shè)備的不斷升級、計(jì)算機(jī)技術(shù)的快速發(fā)展，對裂縫損傷檢測方法研究得到長足的發(fā)展.Lu等［3］對通過在局部區(qū)域設(shè)置閾值來檢測裂縫，并對峰值閾值選擇方法進(jìn)行了改進(jìn)，在迭代閾值選擇之前進(jìn)行增強(qiáng)、平滑、去噪處理，從而實(shí)現(xiàn)對圖像裂縫的識別.然而該方法只考慮像素點(diǎn)灰度值本身的特征，不考慮空間特征，因此對噪聲比較敏感.Oliveira等［4］提出了一種自動檢測和表征裂紋的系統(tǒng)，通過6 種無監(jiān)督的裂紋檢測方法，對比得出基于高斯模型的方法綜合性能最好，但是難以對細(xì)小裂縫進(jìn)行分析識別.Zhao等［5］針對Canny 邊緣檢測算法不能檢測出弱邊緣，不能識別變化較小的灰度，檢測到的邊緣不連續(xù)的缺陷，在Canny 邊緣算子的基礎(chǔ)上，采用Mallat 小波變換對輸入圖像的弱邊緣進(jìn)行增強(qiáng)，在Canny 算法步驟中通過遺傳算法的二次優(yōu)化來獲得自適應(yīng)標(biāo)準(zhǔn)下的合適閾值，有效消除了噪聲，但對于有涂抹痕跡干擾的情況，不能做到裂縫的準(zhǔn)確識別.Zhang等［6］采用設(shè)計(jì)了匹配路面裂縫特征的濾波器來對路面裂縫進(jìn)行識別，與傳統(tǒng)的邊緣檢測方法相比有更好的性能，但是對設(shè)計(jì)好的濾波器有較弱的裂縫檢測效果不樂觀.由于處在自然環(huán)境的混凝土橋梁裂縫表面的復(fù)雜多樣性，對裂縫檢測技術(shù)提出了更高的要求，為了適應(yīng)這一情況，自動檢測系統(tǒng)必須能夠?qū)W習(xí)各種條件下混凝土表面的圖像信息.

近年來，深度學(xué)習(xí)的創(chuàng)新與發(fā)展為解決這一問題提供了可能.深度學(xué)習(xí)區(qū)別于傳統(tǒng)方法中的特征提取，不依賴于人工設(shè)計(jì)的提取器［7］，以數(shù)據(jù)作為驅(qū)動，經(jīng)過大量樣本的學(xué)習(xí)實(shí)現(xiàn)更高效準(zhǔn)確的特征表達(dá).柴雪松等［8］優(yōu)化了SLIC 超像素分割算法并將ResNet18應(yīng)用于隧道襯砌裂縫識別中，結(jié)果表現(xiàn)良好.李良福等［9］利用滑動窗口算法將橋梁裂縫圖像分成16×16 的面元，搭建了一種基于CNN 深度學(xué)習(xí)的DBCC分類模型用于識別橋梁裂縫面元和背景面元，進(jìn)而實(shí)現(xiàn)對完整裂縫的識別.沙愛民等［10］搭建了3 種不同的CNN 模型先后進(jìn)行道路裂縫與坑槽的識別與提取，對路面病害進(jìn)行測量.Xu等［11］提出了一種基于CNN的端到端裂縫檢測模型，利用atrous 卷積在不降低分辨率的情況下獲得更大的感受野，與傳統(tǒng)分類模型相比，所提出的模型具有更好的性能.Kim等［12］提出了一種基于CCRS 的分類框架，并基于加速魯棒特征和卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建分類模型，可以有效排除噪聲，對裂縫進(jìn)行識別.Babikir等［13］使用SVM 方法執(zhí)行分類以減少混凝土結(jié)構(gòu)裂縫分類錯誤，并且進(jìn)一步使用CNN 方法實(shí)現(xiàn)了網(wǎng)絡(luò)訓(xùn)練和特征提取，相比單一類型分類器和圖像分割類型的處理方法有更好的準(zhǔn)確性.Cao等［14］對混凝土裂縫圖像進(jìn)行灰度自適應(yīng)閾值分割，并基于形態(tài)學(xué)梯度和局部灰度值不同進(jìn)行處理，最后利用DenseNet對混凝土構(gòu)件表面裂縫進(jìn)行快速分類，識別準(zhǔn)確率在90%以上.孟詩喬等［15］提出一種Grid-Deeplab 模型實(shí)現(xiàn)對裂縫的語義分割，通過對網(wǎng)格化后裂縫圖像的不同子區(qū)域進(jìn)行建模，使模型具有區(qū)別圖像有效區(qū)域的能力，從而顯著提升了裂縫檢測模型的檢測效率和準(zhǔn)確率.此外還有很多其他網(wǎng)絡(luò)模型如U-net［16］、SegNet［17］、R-CNN［18］等應(yīng)用于裂縫識別中.雖然各種神經(jīng)網(wǎng)絡(luò)識別精度不斷提高，但是計(jì)算量也在增加，工業(yè)自動化方向的需求并沒有得到滿足，在工業(yè)自動化生產(chǎn)過程中，如何使用較少的計(jì)算代價，又快又準(zhǔn)的完成對裂縫的識別是難點(diǎn)之一.

為解決上述難點(diǎn)，本文對U-net 模型進(jìn)行改進(jìn)，參考Mobile-net 對深度可分離卷積的運(yùn)用，搭建了輕量化的MU-net 網(wǎng)絡(luò).從準(zhǔn)確率、召回率、識別效率3方面對MU-net、U-net、Mobile-net 3種模型分析對比，體現(xiàn)出MU-net 模型在工業(yè)應(yīng)用中的優(yōu)勢，為建立混凝土橋梁病害的智能檢測系統(tǒng)提供了重要技術(shù)參考.

1 網(wǎng)絡(luò)模型設(shè)計(jì)

U-net 網(wǎng)絡(luò)模型具有較高的語義分割精度，在醫(yī)學(xué)圖像分割領(lǐng)域有良好的表現(xiàn)［19］.然而由于U-net 模型參數(shù)較多，計(jì)算量大，占用內(nèi)存多，導(dǎo)致語義分割速度不能滿足工業(yè)實(shí)時監(jiān)測的要求.與U-net 不同，輕量級網(wǎng)絡(luò)Mobile-net 利用深度可分離卷積，可以極大減少參數(shù)量，從而提高運(yùn)行速度.深度可分離卷積是分解卷積的一種形式.由深度卷積和點(diǎn)卷積相結(jié)合而成的深度可分離卷積如圖1 所示.

圖1 深度可分離卷積示意圖Fig.1 Schematic diagram of deeply separable convolution

深度卷積對每個輸入通道應(yīng)用一個單一的濾波器，然后應(yīng)用點(diǎn)卷積來結(jié)合深度卷積的輸出，這是由于深度可分離卷積將普通卷積的空間相關(guān)性和通道相關(guān)性分離，導(dǎo)致通道間沒有信息交流，需要配合1×1 卷積核的點(diǎn)卷積共同使用.

標(biāo)準(zhǔn)卷積的參數(shù)量S1表示為

式中：M為輸入通道數(shù)；N為輸出通道數(shù)；DKDK為卷積核大小；DFDF為特征大小.

深度可分離卷積的參數(shù)量S2表示為

因此相對于標(biāo)準(zhǔn)卷積過程，深度可分離卷積的參數(shù)減少量可以計(jì)算為

標(biāo)準(zhǔn)卷積與深度可分離卷積計(jì)算過程如圖2 所示，深度可分離卷積層由多個分解層組成，其中包含深度卷積、1×1 逐點(diǎn)卷積、批量歸一化和修正性單元（Rectified Linear Unit，ReLU）激活，而不是遵循批量歸一化和ReLU 激活的常規(guī)卷積層.

圖2 兩種卷積計(jì)算過程對比Fig.2 Comparison of the computation process for deep separable convolution and standard convolution

基于Mobile-net 網(wǎng)絡(luò)模型特殊的優(yōu)勢，將深度可分離卷積及其特殊的結(jié)構(gòu)應(yīng)用于U-net 模型中，建立了一種輕量級MU-net 網(wǎng)絡(luò)模型，如圖3 所示.

圖3 MU-net 網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.3 MU-net network model structure

該模型沿用了U-net 模型的基本結(jié)構(gòu)，由“U”型左邊編碼器（下采樣）和右邊解碼器（上采樣）組成.在編碼器中，將傳統(tǒng)的卷積操作以深度可分離卷積代替，用于對圖像特征的提取，然后設(shè)置最大池化層實(shí)現(xiàn)下采樣操作，通過消除非極大值，去除冗余信息，對特征進(jìn)行壓縮，降低下層的計(jì)算復(fù)雜度，減少參數(shù)量，隨著網(wǎng)絡(luò)的加深，特征抽象能力逐漸增強(qiáng)，直到獲得尺寸為32×32×1 024 的特征圖.在解碼器中，設(shè)置上卷積層來完成上采樣操作，設(shè)置有2個3×3 卷積層對圖像特征進(jìn)行提取，將下采樣的特征輸出和上采樣具有相同尺寸的特征輸出進(jìn)行融合，對特征圖進(jìn)行擴(kuò)展，盡可能地保留下采樣過程中一些重要的特征信息，以獲取更好的特征提取效果，特征融合過程中圖片的尺寸變化如表1 所示.隨著層數(shù)加深，逐步將特征圖恢復(fù)至輸入尺寸.

表1 特征融合過程Tab.1 Process of feature fusion

為了增強(qiáng)模型的非線性表達(dá)能力，并在一定程度上緩解訓(xùn)練過程中梯度消失的問題，在網(wǎng)絡(luò)模型的每個卷積層之后，加入ReLU 作為激活函數(shù).ReLU 函數(shù)本質(zhì)上是分段線性模型，前向計(jì)算與反向計(jì)算時無需指數(shù)之類操作，這使得計(jì)算代價小，速度快.ReLU 函數(shù)關(guān)閉了右邊，從而會使得很多的隱層輸出為0，即網(wǎng)絡(luò)變得稀疏，起到了類似正則化作用，可以在一定程度上緩解過擬合.

2 數(shù)據(jù)集的制作

依托于天津市外環(huán)線混凝土橋，搜集了1 200 張混凝土橋梁裂縫照片，像素為1 024×1 024.為了使訓(xùn)練的模型在工業(yè)應(yīng)用中有更好的實(shí)用性和準(zhǔn)確性，對收集到的照片進(jìn)行篩選，除了整潔的混凝土表面的裂縫之外，還應(yīng)包括但不限于有涂抹痕跡影響的裂縫、光照影響的裂縫、含有其他噪聲的裂縫，篩選得到的典型裂縫圖像如圖4 所示，最終篩選得到1 000 張裂縫圖片.取其中200 張作為測試集用于最終模型的測試，800 張圖片用于訓(xùn)練和驗(yàn)證，利用PS軟件將該800 張圖片分割成像素為512×512 的圖片實(shí)現(xiàn)對數(shù)據(jù)集的擴(kuò)充.

圖4 數(shù)據(jù)集圖像Fig.4 Dataset images

用于模型訓(xùn)練的數(shù)據(jù)集除了原始照片之外，還需制作標(biāo)簽并與原始照片一一對應(yīng)，采用labelme 軟件制作標(biāo)簽，生成json 文件，然后將json 文件轉(zhuǎn)化可以使用的png 格式的標(biāo)簽，數(shù)據(jù)集制作過程如圖5 所示.最終得到3 400 張裂縫照片和與之對應(yīng)的標(biāo)簽，用于訓(xùn)練和驗(yàn)證的裂縫照片為3 200 張，像素為512×512，其中訓(xùn)練集包含2 880 張照片，驗(yàn)證集包含320 張照片，用于最終模型測試的測試集包含200 張裂縫照片，像素為1 024×1 024.

圖5 數(shù)據(jù)集制作Fig.5 Production of datasets

3 模型訓(xùn)練

考慮到訓(xùn)練數(shù)據(jù)集大，模型在服務(wù)器中運(yùn)行訓(xùn)練，利用Anaconda 建立虛擬Python 環(huán)境，使用的語言為 Python3.7.3，由開源的深度學(xué)習(xí)框架Tensorflow-gpu2.0.0 和Keras2.3.1 進(jìn)行搭建.服務(wù)器操作系統(tǒng)為Windows 10 專業(yè)版64 位，處理器為Intel? Core ?i7-8700 CPU @ 3.20 GHz，RAM 為16G DDR4-2400.測試時利用CUDA 和CUDNN 來進(jìn)行GPU 加速訓(xùn)練計(jì)算，所用GPU 為NVIDIA Ge-Force GTX 1080.

語義分割通過對每個像素進(jìn)行密集地預(yù)測、推斷標(biāo)簽來實(shí)現(xiàn)細(xì)粒度的推理，從而實(shí)現(xiàn)圖像像素級識別.由于每張圖片的像素量是龐大的，并且卷積神經(jīng)網(wǎng)絡(luò)對訓(xùn)練量的要求較高，這導(dǎo)致模型計(jì)算量較大.因此設(shè)置合理的網(wǎng)絡(luò)參數(shù)，可以更快更平滑地達(dá)到理想精度.在訓(xùn)練過程中使用卷積神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用的交叉熵?fù)p失函數(shù)計(jì)算每次迭代的向前計(jì)算結(jié)果與真實(shí)值的差距，從而指導(dǎo)下一步的訓(xùn)練向正確的方向進(jìn)行，交叉熵?fù)p失函數(shù)的損失率L為

式中：y為真實(shí)值，取0（非裂縫）或1（裂縫）為預(yù)測值，取值范圍為［0，1］.

學(xué)習(xí)率決定著目標(biāo)函數(shù)能否收斂到局部最小值以及何時收斂到最小值，學(xué)習(xí)率過大可能會導(dǎo)致參數(shù)在最小值兩側(cè)來回?cái)[動，學(xué)習(xí)率過小可能會導(dǎo)致收斂速度過慢.采用Adam 算法優(yōu)化網(wǎng)絡(luò)模型，Adam 優(yōu)化算法兼顧Momentum 和RMSProp 算法的優(yōu)點(diǎn)，既有解決參數(shù)擺動幅度過大的功能，又具有使得模型收斂速度更快的能力.Adam 優(yōu)化算法的權(quán)重更新過程可表示為

式中：t為時間步；gt為梯度向量；mt和vt分別為梯度的第一（均值）和第二（非中心方差）有偏矩估計(jì)和分別為梯度的第一（均值）和第二（非中心方差）有偏矩估計(jì)的偏差修正值；β1和β2為矩估計(jì)的指數(shù)衰減率；α為學(xué)習(xí)率；wt為模型權(quán)重；ε 為10-8倍的單位向量.

在訓(xùn)練中設(shè)置Adam 算法的初始學(xué)習(xí)率為10-3，當(dāng)損失函數(shù)3 次不下降時，對學(xué)習(xí)率進(jìn)行階層性下降，系數(shù)取0.5.β1為0.9，β2為0.999.批量大小為4，周期設(shè)置為200 輪.為增加模型的泛化能力，訓(xùn)練時將3 200 張像素為512×512 的裂縫原圖像順序打亂，90%用于訓(xùn)練，10%用于驗(yàn)證，訓(xùn)練過程及結(jié)果如圖6 所示.根據(jù)模型訓(xùn)練結(jié)果可以看出，當(dāng)模型訓(xùn)練到30 輪時，訓(xùn)練損失函數(shù)以及訓(xùn)練準(zhǔn)確率趨于平緩，對應(yīng)的驗(yàn)證損失函數(shù)以及驗(yàn)證準(zhǔn)確率也趨于平緩.驗(yàn)證精度最高為99.48%，對應(yīng)的損失值為0.006.

圖6 模型訓(xùn)練結(jié)果Fig.6 Results of model training

4 模型效果評估

4.1 準(zhǔn)確率分析

準(zhǔn)確率是卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行語義分割的重要評價指標(biāo).準(zhǔn)確率是分類正確的樣本數(shù)占樣本總數(shù)的比例.對于一個有m個樣本的驗(yàn)證集Z，用訓(xùn)練好的模型f（x）對每個樣本進(jìn)行預(yù)測，預(yù)測結(jié)果為準(zhǔn)確率A計(jì)算公式為

式中：f（x）為模型函數(shù)；θi為樣本；為樣本預(yù)測值；m為樣本數(shù)量；I為樣本預(yù)測正確的概率.

在準(zhǔn)確率的計(jì)算中分類正確的樣本數(shù)指的不僅是正例分類正確的個數(shù)還有反類分類正確的個數(shù)，因此在總樣本中正類與反類的樣本數(shù)相差不大的情況下，準(zhǔn)確率是評價一個模型識別效果好壞的合理指標(biāo).針對混凝土裂縫的識別，正類為裂縫，反類為其他.裂縫所占的像素?cái)?shù)約為總樣本的10%，即使裂縫完全沒有識別出來，準(zhǔn)確率也能約達(dá)90%.所以基于準(zhǔn)確率本身的計(jì)算原理，其實(shí)并不能很好地反映混凝土裂縫的識別效果，需要一個更為合理的評價指標(biāo)對裂縫識別算法進(jìn)行評價.

4.2 召回率分析

引入機(jī)器學(xué)習(xí)另一重要的評價指標(biāo)召回率來對裂縫識別效果評價比準(zhǔn)確率更為客觀.首先對于裂縫識別這一二分類問題需要構(gòu)建混淆矩陣，在混淆矩陣中，預(yù)測結(jié)果和實(shí)際結(jié)果兩兩結(jié)合可以對樣本數(shù)據(jù)分為4 類：真正例（True Positive，TP）指樣本（即像素）在原圖像中為裂縫，并被模型正確地檢測出來為裂縫；真反例（True Negative，TN）指樣本在原圖像中不為裂縫，被模型正確地檢測出來為非裂縫；假正例（False Positive，F(xiàn)P）指樣本在原圖像中不為裂縫，但被模型錯誤地檢測出來為裂縫；假反例（False Negative，F(xiàn)N）指樣本在原圖像中不為裂縫，被模型正確地檢測出來為裂縫.對于混凝土裂縫圖片，召回率R是指在所有的裂縫像素中被模型正確檢測出來的裂縫像素所占的比值，表示為

為了驗(yàn)證MU-net 模型對混凝土裂縫的識別效果，建立了U-net 模型與Mobile-net 模型，用相同的訓(xùn)練集進(jìn)行訓(xùn)練，利用測試集中的200 張裂縫照片（1 024×1 024）對3 個模型進(jìn)行驗(yàn)證，各自的召回率對比結(jié)果如圖7 所示.結(jié)果表明，MU-net 模型對裂縫的識別效果優(yōu)于其他兩種模型.

圖7 召回率對比圖Fig.7 Comparison chart of recall rate

對驗(yàn)證得出的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析如表2 所示，MU-net 的平均準(zhǔn)確率比U-net 高0.29%，比Mobile-net 高3.53%；在平均召回率方面，MU-net比U-net 高1.86%，比Mobile-net 高6.73%；MU-net的識別效率雖然比Mobile-net 低，但是相對于U-net的平均識別時間縮短了68.5%.

表2 不同模型的驗(yàn)證集數(shù)據(jù)統(tǒng)計(jì)Tab.2 Data statistics for the validation set of different models

對于在實(shí)際情況下拍攝的混凝土裂縫部分特征提取效果如圖8 所示.結(jié)果表明，MU-net 與U-net識別效果比Mobile-net 好，對一些細(xì)小的裂縫也能做出正確地識別.

圖8 混凝土裂縫部分特征提取效果對比Fig.8 Comparison of partial feature extraction effect for concrete cracks

5 應(yīng)用實(shí)例

為了將MU-net 網(wǎng)絡(luò)模型更好地應(yīng)用于實(shí)際的工業(yè)自動化生產(chǎn)中，實(shí)現(xiàn)對混凝土橋裂縫實(shí)時自動地識別，在實(shí)驗(yàn)室條件下配置了一套針對實(shí)驗(yàn)梁的集成檢測系統(tǒng)，系統(tǒng)硬件設(shè)備如圖9 所示，該系統(tǒng)包括工業(yè)相機(jī)、控制器、無線通信和自行走支架裝置.

圖9 自行走支架裝置Fig.9 Self-propelled walking support device

首先通過定位裝置將工業(yè)相機(jī)調(diào)整到合適的位置，該過程需要人工對相機(jī)進(jìn)行前后、上下方向的調(diào)節(jié)，然后控制器在移動端接受指令并控制定位裝置沿軌道滑行，定位裝置每滑動一段距離將停下來啟動工業(yè)相機(jī)進(jìn)行拍照，所得圖像由無線通信系統(tǒng)傳回移動端進(jìn)行裂縫特征提取，直至遍歷整個混凝土梁.移動端控制界面如圖10 所示，定位裝置滑動的速度及距離可由移動端設(shè)置控制.

圖10 計(jì)算機(jī)控制界面Fig.10 Computer control interface

在移動端搭建MU-net 模型作為該集成檢測系統(tǒng)的處理后端，將自行走裝置拍攝的照片進(jìn)行裂縫特征識別并保存.混凝土梁裂縫的部分識別結(jié)果如圖11 所示.結(jié)果表明，MU-net 模型在經(jīng)過豐富的數(shù)據(jù)集的訓(xùn)練學(xué)習(xí)后，可以有效排除噪聲、光照的干擾，對混凝土裂縫圖像的識別表現(xiàn)良好.

圖11 自行走裝置采集識別效果Fig.11 Self-walking device collection and recognition effect

該裝置在混凝土橋梁裂縫檢測外業(yè)中可節(jié)省大量人力物力，通過在橫橋向及縱橋向規(guī)則移動，可對主梁實(shí)現(xiàn)網(wǎng)格化的100%全面檢測，同時內(nèi)業(yè)上通過MU-net 模型實(shí)時進(jìn)行圖像裂縫特征提取，滿足了工業(yè)自動化生產(chǎn)中實(shí)時準(zhǔn)確的要求.

6 結(jié)論

1）基于U-net 網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合輕量化模型Mobile-net 中深度可分離卷積的優(yōu)點(diǎn)，設(shè)計(jì)了一種可快速實(shí)現(xiàn)裂縫特征提取的輕量化網(wǎng)絡(luò)模型MUnet，通過訓(xùn)練，MU-net 模型的最高準(zhǔn)確率為99.48%，對應(yīng)損失值為0.006，表明該模型合理有效.

2）采用Mobile-net 模型與U-net 模型、Mobilenet 模型分別對200 張混凝土裂縫圖像進(jìn)行識別對比，結(jié)果顯示MU-net 的平均召回率比U-net 提高了1.86%，比Mobile-net 提高了6.73%；平均識別時間相較于U-net 縮短了68.5%，滿足工業(yè)生產(chǎn)精確、實(shí)時的要求.

3）在實(shí)驗(yàn)室條件下搭建了一套集成檢測系統(tǒng)，對實(shí)驗(yàn)梁的裂縫損傷進(jìn)行自動化檢測.結(jié)果表明，模型可以有效排除噪聲、光照的干擾，對混凝土裂縫圖像的識別表現(xiàn)良好.