桥梁安全是公共交通安全中最重要的部分之一。桥梁定期检测是对桥梁安全最有效的评价方法,其检测的标准性和准确性直接关系到民生安全。目前公路桥梁定期检测主要以人工检测为主,桥梁检测人员在检测桥梁的时候,需要先判断桥梁病害的类型,再对各种病害做出定位、定因和定性判断,并在此基础上对桥梁病害做出结论。由于检测现场环境复杂,加之检测人员需要做出各种判断,所以对于检测人员来说,对其业务水平要求很高,同时其工作量也相当繁杂。为了解决该现状,论文首先对桥梁裂缝病害特征数据进行分析、抓取并形成病害特征和成因规则库,接着从检测现场拍摄的病害图片着手,提出一种基于桥梁裂缝病害图片自动识别卷积模型(BCDP-AR),对桥梁的裂缝病害图片进行深度学习,并根据病害特征和成因规则库进行比对,达到病害自动识别和成因预判的效果,以便检测人员在检测现场快速准确的做出判断并得出合理的结论建议。该课题的研究主要解决了桥梁裂缝病害自动识别和标识的关键问题,为桥梁定期检测提供了极大的便利,有很好的实用价值和推广前景,并且在具体工程应用中取得了极大的肯定。本文具体研究内容如下:(1)论文在卷积神经网络(Convolutional Neural Networks,CNN)的基础上来构建BCDP-AR卷积模型,在该模型构建中采用ReLU和LRN来约束目标函数,既可以很好的提高模型数据的稀疏性和防止模型过拟合,也可以提高模型的准确率预测。通过与相应论文模型的比对和在具体工程应用数据集上的实验表明,模型的准确率和数据的稀疏性都有很大的优越性和工程效果。(2)在BCDP-AR卷积模型训练过程中先通过前向传播算法得到一个预测值;再通过目标函数去量化模型输出的预测值和训练数据给出的标签值之间的差异;最后根据该差异使用反向传播算法对模型的参数进行更新,在反向传播的过程使用SGD优化算法去寻找模型训练最优解的方向,大大的增加了模型的收敛性和提高了裂缝病害图片的识别效果。(3)由于在实际的工业应用中缺少数据集,所以本文将从工程应用系统中提取数百座桥梁的裂缝图片作为训练对象,并将部分裂缝原图和通过处理的训练集与测试集图片贡献出来作为工程应用方面的研究。(4)为了使BCDP-AR卷积模型更健壮,本文将训练好的模型放入具体的工程应用中,结合“公路桥梁定检系统”对定期检测的桥梁做了实际工程应用并呈现其效果图。