基于无人机影像和深度学习的桥梁典型病害识别算法研究
文献类型：学位论文
| 作者 | 何正龙 |
| 答辩日期 | 2025-06 |
| 文献子类 | 专业学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 王勇 ; 曾俊铖 |
| 关键词 | 无人机 桥梁典型病害 深度学习 有监督 无监督 |
| 学位名称 | 硕士 |
| 学位专业 | 资源与环境 |
| 英文摘要 | 桥梁钢筋外露、桥梁结构裂缝等典型病害严重威胁着桥梁安全，甚至会引发交通事故。利用无人机平台和深度学习技术进行桥梁病害数据的获取和识别是当前桥梁智慧管养的重要课题之一。然而，现阶段尚未深入探究无人机飞行参数与病害成像质量的辩证关系，难以确保桥梁病害数据的高质量和可用性。同时，现有基于深度学习的病害识别模型存在效率低、精度差、泛化性不强等问题，无法直接投入工程实践。基于此，本研究围绕“高质量高可用性数据集构建—高效率高精度有监督模型研究—无标注泛化能力提升无监督模型探索”主线，开展了基于理论计算和实地验证的无人机飞行参数研究、基于空间增强和语义感知机制的模型效率和性能提升策略研究以及基于随机掩码和对抗约束的模型泛化能力增强方案研究，可为病害数据构建以及模型精度、效率、泛化性提升提供可行的研究思路和方法支持。本文的研究结果和结论如下： （1）针对桥梁典型病害数据一致性低、质量差、可用性不强的问题，通过理论计算和实地验证方式，获取不同无人机飞行参数组合的桥梁病害图像，综合考虑图像质量及数据采集效率，优选一组飞行参数作为桥梁病害数据采集标准，并以该参数构建一批兼具稳定性和实用价值的桥梁典型病害数据集，为后续桥梁病害识别模型研究提供良好的数据基础和支撑。 （2）针对病害识别模型空间感知能力弱、上下文信息理解不足、模型推理速度慢的问题，构建了空间感知和语义增强的实时病害提取网络（Real-time Spatial Contextual Network, RSCNet）。该模型基于“空间-语义”双路径范式，在空间路径中通过方向卷积单元敏锐感知桥梁病害的固有线性特征，并精准捕获病害复杂的空间关系和延展模式，完成空间信息的适应性建模。在语义路径中通过轻量化语义单元有效弱化无关信息的干扰，并深度挖掘病害信息的语义知识，实现上下文信息的重点表达。此外，通过建立高效的特征融合结构，不断弥合和重构双路径的病害特征，使有益知识得以及时共享和快速传播，最后获得完整、准确的病害识别结果。本研究在自建和开源的桥梁典型病害数据集上开展大量实验并进行对比分析。结果表明，RSCNet在自主构建的桥梁钢筋外露病害数据集、桥梁结构裂缝病害数据集以及开源的DeepCrack和CFD数据集上分别取得了87.52%、72.92%、87.84%和74.30%的MIOU值，且相比于次优模型，RSCNet减少了54.35%的参数量，并提高了20.08%的推理速度，表现出可观的识别精度和提取效率。 （3）在研究（2）的基础上，针对有监督模型过度依赖标签和泛化能力不足的问题，发展了随机掩码和对抗约束的无监督病害识别模型（Unsupervised Adversarial RSCNet, UA-RSCNet）。该模型基于图像重建学习范式，首先通过多尺度随机掩码方法扰动桥梁病害图像的特征分布关系，增强模型上下文信息编码和远距离特征关联能力。其次，通过对抗约束策略，迫使模型在博弈训练中不断提高图像重建质量和病害定位准确度。最后，设计的“像素—结构—风格”联合损失函数，提升了模型对局部细节和全局信息感知敏锐度。本研究在自建和开源的无监督病害数据集上开展大量实验和讨论分析。结果表明，UA-RSCNet在U-BERD、U-BCD以及U-Crack500数据集上获得了75.90%、52.79%和62.37%的F1分数，该模型不仅在无标注条件下实现了病害区域的精准定位，而且在迁移应用中完成了不同分布病害信息的有效捕捉，表现出强大的准确性和泛化能力。 |
| 学科主题 | 资源与环境 |
| 语种 | 中文 |
| 页码 | 105 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/215675]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 何正龙. 基于无人机影像和深度学习的桥梁典型病害识别算法研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2025. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。