在施工初始缺陷、长期交变荷载和突发事件过载的共同作用下,桥梁结构易出现各种病害,例如表面裂缝,混凝土块剥落,钢筋外露等。这些病害可能导致混凝土分层与开裂、结构构件承载能力降低,甚至可能引发重大安全事故。然而,桥梁结构数量多、体量大,常规的人工检查已较难满足众多桥梁日常检查的需求;同时,桥梁结构的外表面需借助昂贵的辅助设备才能接近检查,致使检查耗时多、费用高且存在一定的人身安全风险。因此,通过无人机拍摄桥梁表观的数字图像,并从图像中自动识别、分类病害成为解决桥梁病害检查的发展方向。本文基于图像处理技术改进病害图像目标多样性不足、轮廓细节不清晰的缺点,结合深度学习目标识别算法,建立基于图像处理和深度学习的钢筋混凝土桥梁表观病害识别方法,为通过无人机拍摄数字图像实现钢筋混凝土桥梁表观病害的自动检测、分类提供技术支撑。本文的主要研究内容及结论如下:(1)采用迁移学习改进YOLOv3目标识别算法。详细研究YOLOv3算法的网络结构以及在目标检测、分类上的原理。针对结构病害图片数量较难满足YOLOv3算法要求的问题,结合迁移学习策略,采用ImageNet图像集对YOLOv3算法进行预训练,以捕获图像边缘、轮廓等图像具有的普遍特征;再利用病害图片训练YOLOv3网络,使其能快速学习各类病害的细节特征。数值算例表明,采用迁移学习改进YOLOv3算法的病害识别精度有所提高。(2)基于图像增强、数据增强的数字图像处理方法。根据拉普拉斯锐化算子能增强图像细节信息的特点,采用该算子对RGB彩色图像进行图像增强,以突出病害目标的轮廓细节,提升表观病害的识别精度;采用基于仿射变换的数据增强算法对原始数据集进行病害目标多样性扩充,在不增加病害图片拍摄工作量的前提下进一步增加病害训练样本数量,提高YOLOv3算法捕获病害特征的能力。(3)提出基于图像处理和深度学习的桥梁表观病害识别算法—Reinforced concrete defects detection-YOLO(RCDD-YOLO)。采用图像增强、数据增强对病害图像进行预处理,并融入采用迁移学习改进后的YOLOv3算法中,以同时解决图像中目标细节不清晰、病害图像数据库中目标多样性不足的问题。计算结果表明,针对常见的7类混凝土表观病害类型,所提方法实现病害识别、分类和定位的精度可达92%。(4)分析RCDD-YOLO算法在图片拍摄噪声、光照条件和不同网络参数设置下的适用性。通过在测试数据中添加高斯白噪声模拟图像数据噪声,改变图像像素值模拟光照变化,结果表明所提算法对噪声和光照均具有一定的鲁棒性;通过对比参数batch不同取值,表明在合理的范围内,增大batch可提高内存利用率,加快计算速率,其收敛的方向更趋近于全局最优;当batch增大到一定程度后,收敛方向基本不变化。