基于图像的混凝土表面裂缝量化高效识别方法

卷积神经网络(convolutional neural network,CNN)算法是目前进行裂缝图像识别的常用方法。但目前仍存在卷积神经网络过于复杂、训练参数多、设备配置要求高和检测实时性低等问题。针对以上问题,本文提出一种基于轻量化CNN的混凝土表面裂缝识别方法。通过搭建轻量化全卷积神经网络(light-weight full convolutional neural network,LFNet)解决目前经典的卷积神经网络中训练参数过多的问题;采用基于高斯梯度变化的阈值分权法,对存在裂缝的图像进行分析,提取裂缝特征;最后采用基于欧氏距离的裂缝宽度算法实现对裂缝宽度分析计算。实验结果表明,本文所提的LFNet优于目前经典的卷积神经网络,其精确率、召回率和综合评价函数值三个参数分别达到97.944%、98.277%、98.108%,裂缝宽度特征参数的计算误差可控制在0.5 mm以内。

人工智能算法在桥梁总体风险评估中的应用

为实现桥梁风险评估的快速评估决策和最小风险指标的求解,以平益高速南阳湘江特大桥为研究对象,建立了基于分权阈值的风险评估求解模型,使用径向对称解析的反距离褶积神经网络联合改进遗传算法对风险层次指标进行了求解,得到了最小风险指标,其最小值为0.1952。