基于单阶段检测器与现场巡检图像的桥梁损伤检测
计算机与社会
2019-02-26 v2
摘要
检测混凝土表面损伤是维护公路桥梁结构健康与可靠性的重要任务。目前，此类任务大多由人工完成，繁琐且耗时。卷积神经网络的近期快速发展使得基于深度学习的视觉检测技术得以开发，用于检测多种结构损伤。然而，大多数基于深度学习的技术构建于两阶段、提案驱动的检测器并使用较不复杂的图像数据，这不利于在实际应用中的推广以及在与智能自主巡检系统的集成。在本研究中，提出一种基于 YOLOv3 的更快速、更简单的单阶段检测器，用于检测公路桥梁的多种混凝土损伤。为此，构建了一个由现场巡检图像组成的桥梁损伤数据集。这些图像在损伤外观与监测场景上具有较大差异，并标注了四类混凝土损伤：裂缝、爆裂、剥落与露筋。通过对原始 YOLOv3 引入一种新颖的迁移学习方法、Batch Renormalization 与 Focal Loss 予以改进。改进后的 YOLOv3 在平均精度与速度方面进行评估。结果表明改进后的 YOLOv3 检测精度高达 80%。其性能比原始 YOLOv3 约好 13%。
引用
@article{arxiv.1812.10590,
title = {Bridge Damage Detection using a Single-Stage Detector and Field Inspection Images},
author = {Chaobo Zhang and C. C. Chang and Maziar Jamshidi},
journal= {arXiv preprint arXiv:1812.10590},
year = {2019}
}
备注
12 pages, 7 figures