1990年到现在,随着我国经济的蓬勃发展,桥梁的建设也进入了高速发展的时期,汽车的数量的快速增加,使得桥梁长期处于高负荷状态,导致桥梁坍塌事故屡屡发生,不但对经济造成了不可挽回的损失,而且对生命安全构成巨大的威胁。因此,对桥梁健康监测是保障基础设施安全的最重要措施。混凝土桥梁由于荷载条件的变化、腐蚀、老化等因素,容易发生开裂、露筋等病害,这些病害严重威胁到桥梁的安全运行和整体寿命。混凝土桥梁最普遍的病害就是混凝土的裂缝,每年损坏桥梁中有九成是由裂缝导致的。传统的桥梁病害检测主要是以人工检测为主,不仅需要大量的人力成本、资金成本,而且存在一定的安全隐患,已远不能满足新时代的桥梁病害检测的新要求。近年来,深度学习在图像识别、目标检测等方面的效果已经超越了传统的图像处理效果。因此,本文通过结合一种基于深度学习的检测技术来适应当前复杂繁重的检测任务是十分迫切的,这种方法不仅能够实现高效、精确的病害检测,同时能有效的保障技术人员的安全,减小工作难度,降低工作成本,为积累病害检测经验,促进我国桥梁养护水平,保护国家财产和公民人身安全做出巨大贡献。本文的主要研究内容如下:1、基于CNN对桥梁裂缝的识别效果研究。拍摄得到的原始图像的质量参差不齐。针对桥梁裂缝图像数据在采集过程中可能出现的问题,为了测试神经网络的检测能力,直接将采用的原图像作为样本输入到神经网络中,测试神经网络的识别效果。2、基于图像增强和卷积神经网络的桥梁裂缝检测研究。由于原图像的质量参差不齐,所以原图像进行图像增强是提高裂缝识别效果的方法之一。本文使用多种方法对原图像进行预处理,然后将预处理后的图像输入到神经网络中,测试神经网络的识别效果。3、研究基于生成对抗神经网络GAN的裂缝生成效果。虽然上述基于CNN的裂缝检测方法取得了理想的效果,但通常需要大量的训练样本。GAN可以生成大量与现实世界图像相似的虚拟图像。本文提出了一种新的裂缝检测方法,该方法基于GAN生成大量的裂缝图像,将生成的图像用于训练CNN,然后利用真实的裂缝图像评估网络的检测效果,并通过在图像中添加噪声来研究CNN的抗噪声能力。4、研究采用YOLO＿v2和YOLO＿v3对桥梁裂缝进行检测,并对检测精度和速度进行比较。然后,通过引入迁移学习对YOLO＿v3进行改进,提高特征提取器的性能;此外,将数据增强技术引入到网络的训练过程中,提高了YOLO＿v3的鲁棒性,并对改进效果进行了评价。同时,将结果与Faster R-CNN的结果进行比较,发现YOLO＿v3的速度比Faster R-CNN快了103倍。