13、基于深度学习技术的建筑与公路路面病害检测

基于深度学习技术的建筑与公路路面病害检测

1. 引言

在建筑行业，利用新兴数字技术对于提高生产力和优化资源利用至关重要，深度学习便是其中之一。传统的裂缝检测依赖人工检查，受专业人员主观因素影响大，因此需要可靠且高效的裂缝检测方法来提升视觉检查结果的质量。于是，一些自动化或半自动化的计算机辅助裂缝检测方法应运而生，例如直方图变换、阈值分割、边缘检测、区域生长等。

深度学习作为机器学习的延伸和子集，在目标检测和语义分割方面表现出色，成为裂缝检测领域的新研究前沿。随着计算机技术的发展，许多研究都在探索利用深度学习进行裂缝检测。例如，Zhang等人使用残差网络开发了具有不同扩张率的扩张卷积和多分支融合策略，以提高裂缝检测性能；Zhou和Song利用深度卷积神经网络（CNN）和激光扫描距离图像实现了裂缝的像素级分类；Chen和Jahanshahi则结合CNN和朴素贝叶斯分析单个视频帧进行裂缝检测。

深度学习推动了计算机视觉的发展，为自动化裂缝检测提供了可行方法。它通过人工神经网络和其他机器学习算法让计算机从经验中学习，包含多个用于特征提取、转换和模式分析的层，支持由多个处理层组成的计算模型，通过反向传播更新内部参数，无需手动设计特征工程。一般来说，深度学习模型包含输入层、隐藏层和输出层，各层输出作为下一层的输入。

在深度学习中，有多种架构可供选择，其中卷积网络（CNNs/ConvNets）是自动特征学习和监督分类最常用的架构。CNN具有部分连接、共享权重和池化层的能力，能在较少计算量的情况下自动捕捉图像的网格状拓扑结构，生成良好的检测结果。不过，CNN的主要弱点是需要进行参数调整。此外，还有基于区域的CNN（R - CNN）、快速R - CNN和更快R - CNN等变体