基于深度學習SCNet的鋼筋混凝土銹蝕裂縫識別

許穎 張天瑞 金淦

摘 要：為提高鋼筋混凝土銹蝕裂縫檢測分類的效率和精度，提出了一種基于深度學習卷 積神經網絡（Convolutional Neural Network，CNN）的鋼筋混凝土銹蝕裂縫識別模型 SCNet（Steel Corrosion Net）.首先通過原始數據采集和數據增強構建了39 000 張圖片的裂縫數據集，然后利 用TensorFlow 學習框架和Python構建神經網絡模型并進行訓練測試，根據模型的訓練精度和測試精度進行網絡結構和網絡參數的優化，最終將 SCNet識別模型與兩種傳統檢測方法進行對比.結果表明：文中所建立的SCNet 三分類神經網絡模型達到了96.8%的分類準確率，可以有效識別分類鋼筋混凝土銹蝕裂縫，并且具有較高的準確率和可測性;在圖像數據有陰影、扭 曲等噪聲干擾的條件下，兩種傳統檢測方法已不能達到理想的分類效果，SCNet模型仍能表現 出相對穩定的分類性能.

關鍵詞：混凝土裂縫;鋼筋銹蝕;卷積神經網絡;數據增強;神經網絡優化

中圖分類號：TU375? 文獻標志碼：A

Identification of Corroded Cracks in Reinforced Concrete Based on Deep Learning SCNetmodel

XU Ying?，ZHANG Tianrui，JIN Gan

（Shenzhen Key Lab of Urban Civil Engineering Disaster Prevention & Reduction，Harbin Institute of Technology，Shenzhen，Shenzhen 518055，China）

Abstract：In order to improve the efficiency and accuracy of corroded cracks detection and classification in rein-forced concrete， a corroded cracks identificationmodel Steel Corrosion Net（SCNet）based on deep learning Convolu-tional Neural Network（CNN）is proposed.A data set of39 000 crack figures is firstly built by original data collection and data enhancement， a SCNet three-classification neural networkmodel is then built and tested by TensorFlow learning framework and Python.According to the training and testing accuracies of themodel， the structure and pa-rameters of the SCNet networkmodel are optimized and the result of the SCNet is compared with two traditional test-ingmethods.The result shows that the SCNetmodel established in this paper achieves the classification accuracy of 96.8%， whichmeans the SCNetmodel can effectively identify and classify the corroded cracks in reinforced concrete with high accuracy andmeasurability.Under the conditions of noise interference such as shadows and distortions， those two traditional testingmethods fail to ideally classify， whereas the SCNetmodel shows a relatively stable classi-fication performance.

Key words：concrete cracks;steel corrosion;Convolutional Neural Network;data enhancement;neural network optimization

鋼筋混凝土結構的鋼筋銹蝕會引起鋼筋體積膨 脹，導致混凝土裂縫的開展進而危害結構的安全性[1].傳統的裂縫監測需要人工定期定時完成，但是 存在安全性差、成本高、效率低的問題.隨著技術發 展，光纖、掃描電鏡、熱成像、超聲波[2]等技術也被運 用到裂縫檢測中來，但這些技術也有其局限性且成 本高昂.目前很多比較全面的結構健康監測系統只 配置在大型建筑之中[3-4]，需要安裝大量的傳感器，收集數據，并作一定的環境補償.隨著計算機的發 展，一些基于計算機視覺的圖像處理技術被投入使用[5-6]，可以檢測到混凝土表面缺陷，但是截至目前圖像處理技術還存在著不足，比如不能對不同原因 導致的缺陷進一步分類，光照和噪聲對其結果影響較大等.

深度學習算法屬于機器學習，是一種通過大規 模的數據集訓練學習神經網絡框架，更新權重提取 特 征的學 習 方 式[7].卷 積 神 經 網 絡（Convolutional Neural Network，CNN）是利用深度學習構建的神經 網絡，它的靈感來源于動物的視覺皮層[8]，能夠有效 地捕捉到圖像的網格狀拓撲結構，作為判斷分類的依據[9]，可以高效地進行圖像識別.

對人工神經網絡的研究早已開展，但是將這項 技術應用于圖像處理尤其是土木工程裂縫識別的時間不是很長.蔡光明[10]提出的橋梁裂縫視頻檢測系統使用了視頻圖像處理技術，彌補了橋梁裂縫檢測技術的不足.Landstrom等[11]提出了一種基于鋼板 表面三維輪廓數據，利用形態圖像處理和邏輯推理的統計分類，實現鋼板表面裂紋自動在線檢測的方 法.Moon等[12]研究開發了一種能夠對混凝土表面進行分析并有效識別可視化裂縫的自動檢測系統.通過濾波、改進的減法和形態學運算，將裂紋與背景圖像區分開來并識別裂紋.

隨著BP 神經網絡、深度學習等領域的深入研究，裂縫特征提取的效率也隨之提高.Zhang等[13]將 深度學習算法應用于道路的裂縫檢測方面，給出了一 種 通過深度學 習 來 實現的裂 縫 檢測手段.Cha 等[14]將訓練的CNN 網絡模型與滑動窗口技術相結合，完成對混凝土裂縫圖像的檢測識別.

然而，現階段深度學習 CNN只能識別出混凝土 表面是否存在裂縫，還無法判斷此裂縫是否為銹蝕裂 縫.有鑒于此，本文將 CNN應用于鋼筋混凝土銹蝕裂 縫識別分類，提出了一種基于深度學習 CNN的鋼筋混凝土銹蝕裂縫識別模型 SCNet（Steel Corrosion Net），并將其與兩種傳統檢測方法進行對比，結果驗證了該 模型的準確性和可測性.若應用于工程實踐中，SCNet可以較好地識別鋼筋混凝土結構的銹蝕裂縫.

1CNN理論介紹

CNN 由輸入、隱含、輸出等結構層組成，其中隱 含層包括卷積、池化、激活、全連接、Softmax和Drop-out層等，圖1所示為基 本的用于分類的CNN 框 架圖[14-15].

卷積層用來提取模型輸入數據的基礎特征，每一個卷積層有多個矩陣卷積核，每個矩陣的元素都有相應的權重系數和偏差值用來執行卷積操作，其操作公式為：

式中：Xi，j 是圖像的第i 行第j 列元素;Wm，n 是卷積核的第m行第n 列權值;Wb 是卷積核的偏置項;Ai，j 是特征 圖的第i 行第j 列元素.

輸入數據在卷積層行特征提取后，在池化層進行特征過濾，常用的池化方法有最大池化 yij，max和平均池化yij，avg，操作公式為：

式中：yij為池化輸出第i 行第j 列元素;X i，j 是池化輸 入第i 行第j 列元素;k 是池化窗口的尺寸;s為池化窗 口移動步長.

輸出結果經過激活函數非線性處理和全連接層，由softmax層進行分類類別預測.

本文基于CNN 理論搭建了SCNet 模型，其基本 思路是：首先總結一些分類神經網絡的基本設計規 律，即輸入— 卷積— 池化— 全連接— 輸出這樣的排 列順序;其次對各層的數目進行優化調節，如利用三層卷積層相連，使用小卷積核等手段，增加感受野;最后使用ReLU作為激活函數，使得訓練效率和學習 速率顯著提高，并利用Dropout層來處理過擬合的問題，使得網絡有更好的泛化能力.

2構建數據集

深度學習中，很多高識別率的網絡都得益于其龐大真實的樣本集，樣本圖像特征的準確性及優劣 也直接影響到后續模型的訓練和檢測識別.構建神 經網絡數據集包括圖像數據的采集和數據增強.本文數據集分為3類：鋼筋混凝土銹蝕裂縫、其他原因 引起的混凝土裂縫、完整混凝土.其中鋼筋混凝土銹蝕裂縫與其他因素引起的裂縫的主要區別在于：銹蝕裂縫有獨特的顏色特征（紅褐色銹痕），且鋼筋銹蝕裂縫表現為通長的裂縫形狀，與沿梁長的鋼筋（縱 筋）的走向基本一致.而其他裂縫的特征是不規則龜 裂或網狀開裂并伴隨透明或淡黃凝膠析出等.數據集包括訓練集和測試集，二者的數據比例為4∶1.

2.1原始圖像數據采集

采集原始圖像數據使用了網絡查找、自行拍攝、銹蝕試驗3種方法.其中網絡查找圖片 210 張，自行拍攝圖片 540 張，銹蝕試驗拍攝圖片 780 張，共1530 張.網絡查找的210張照片中，有90張為鋼筋銹蝕引 起混凝土開裂的照片，60 張為其他原因引起混凝土開裂照片，60 張為完整混凝土照片;現場拍攝的540 張照片中，100 張為鋼筋銹蝕引起照片，300 張為其他原因導致混凝土開裂照片，140張為完整混凝土照 片.為使圖片數據的特征清晰、明確，本文統一了圖片的拍攝標準，設定了圖像采集規范.首先相機要垂 直于混凝土表面進行拍攝，如圖2（b）所示，這樣不會 產生幾何畸變，保證所有的圖片數據特征是在同一個拍攝環境下得到的.

拍攝距離也是影響圖像質量的一個重要因素，距離遠近決定著圖像的視野范圍的大小.在實際拍 攝中，本文采用20 cm的拍攝距離.離得太近會拍攝 到一些干擾因素的圖像特征，如混凝土表面缺陷等，導致識別率與準確率的降低;離得太遠則會無法清 晰拍攝裂縫特征.光照方面，自然光下圖像的背景變化較大，會有非均勻的背景亮度，故本文拍攝時加入一個均勻的輔助光照，來減小圖像的背景變化.

此外，本文還使用自行拍攝與網絡查找的方法.自行拍攝可以按照拍攝規范拍攝，直接用于構建數據集，網絡查找圖片可能不符合采集規范，因此需要進行圖片的縮放或亮度調節和矯正，使網絡查找圖片符合圖片采集規范，也保證了數據的多樣性，如圖3和圖4所示.

2.2鋼筋加速銹蝕試驗數據采集

為得到鋼筋銹蝕引起混凝土裂縫數據，需進行鋼筋加速銹蝕試驗，共制備 60個鋼筋混凝土試件.混凝 土 強 度等 級為C30，試件尺寸為100mm×100mm×200mm，在中心位置放置250mm長鋼筋.

采用半浸泡恒電流通電加速試驗法，首先用打 磨機打磨鋼筋外露部分，除去表面雜質，然后利用環 氧樹脂對外露鋼筋和導線粘連處進行封閉處理，消 除外露部分鋼筋銹蝕對加速銹蝕試驗產生的額外影 響.然后將電源正極連接待銹蝕鋼筋，電源負極連接不銹鋼片，把混凝土浸泡在濃度為5%的氯化鈉溶液中，接好電路后開始通電.鋼筋銹蝕產物積累會導致 電流強度減小，所以每隔12 h需要對通電線路進行一次檢查和調整，以保持電流的穩定.圖5所示為加快試驗進度，采用并聯電路接法進行批量鋼筋加速銹蝕試驗.一段時間后混凝土表面有鋼筋銹蝕產物生成，混凝土開裂，拍攝混凝土開裂后的照片作為數據集的部分原始數據.

2.3 數據增強

在上 述 方 法 獲 得 數據的基 礎 上，本文利 用OpenCV的隨機裁剪、旋轉以及隨機色彩變換的方式 實現數據增強，以滿足訓練對數據集大小的要求，其中旋轉操作的效果如圖6所示.

經過上述數據增強的方法達到了擴充數據量的效果，一張原始圖片可以產生30 張圖片數據，剔除一些裂縫占比不夠大、明暗度不滿足要求的噪音圖片，并進行統一尺寸和重命名處理就得到了最終數據集，共計39 000 張，其中3個分類各13000 張.將所有圖片數據的80%作為訓練集樣本，共31200張，20%作為測試集樣本，共 7 800張.

3銹蝕裂縫識別分類

本文利用卷積神經網絡進行混凝土裂縫圖像分類，根據銹蝕裂縫具有紅褐色銹痕的獨特顏色以及 產生沿縱筋的通長裂縫這兩個特征，將數據集分為3 類.具體分類方法是首先根據3種不同分類給訓練 集樣本添加相對應的標簽 0、1、2，再通過監督學習將 這些已知數據和其對應的輸出標簽進行訓練，調整 參數，得到一個最優模型.再利用這個模型將未知數據的所有輸入映射到相應輸出，輸出對應標簽，得到分類結果，從而達到分類的目的.在得到網絡輸入之后，接著定義神經網絡框架結構，反復修改參數訓練 模型，逐步減小結果誤差，最后測試模型在未知數據上的表現.

本文將深度學習 CNN的文件輸入、前向傳播過程、訓練部分、測試部分拆分成了4個獨立的程序.這樣解耦合可以更加方便地對每一個部分進行獨立 修改而不影響后續程序，而且也使整個流程更加靈活.

3.1構建網絡框架

經過優化調整，本文基于經典分類神經網絡 VGG 設計了一種 SCNet 模型，其網絡框架如圖7所示.模型由輸入層、6個大卷積層、3個全連接層、Soft-max層及輸出層組成，其中大卷積層包括卷積層和池化層，第六個大卷積層只包括一次卷積作用.所有的卷積核大小都是3×3，步長設置為1，池化操作的池化窗口大小都是 2×2，步長設置為2.輸入大小為224×224×3的圖片，經過6層大卷積層的處理，變成了3×3×512的尺寸作為全連接層的輸入，接著傳輸 到 Softmax層判別圖片數據的分類.

SCNet 模型各層的尺寸參數及運行后的圖片尺寸變化如表1所示.SCNet 模型優點主要有：使用3×3的小卷積核和2×2的池化窗口，增加了神經網絡的感 受野，并減少參數數量和計算量;25層的網絡深度較深，可以適當提高識別精度;相比于VGG16，降低了一些卷積核數目及全連接層的通道數目，提高了網 絡運行速率，也比較適合本文的三分類問題;在卷積層和全連接層后面通過ReLU 激活函數增加非線性，并在全連接層引入了Dropout，提高了網絡測試精度.

3.2神經網絡的訓練和測試

神經網絡的訓練過程包括定義損失函數的內容 表達形式、挑選反向傳播優化算法、在網絡框架上一 直輸入數據并運行反向傳播算法直到誤差降到一定范圍.如圖8所示，第一個階段是前向傳播階段即輸 入數據的計算，統計最終誤差;第二個階段是反向傳 播階段，是將實際輸出和理論輸出的誤差從高層次傳播到低層次的過程.

本文為了提高模型的訓練精度，優化模型，在構建神經網絡框架時加入了激活函數和Dropout層，在訓練過程中使用了滑動平均、正則化損失、反向傳播 優化算法、指數衰減學習率等優化手段，從而提高SCNet 模型對銹蝕裂縫識別的準確率.

神經網絡模型的測試過程也就是讓模型去判斷數據集樣本里的圖片數據屬于0、1、2 哪一個分類標 簽，然后把判斷的標簽和真正的分類標簽比較，統計標簽判斷正確的圖片數，得到正確率.訓練集的正確率就是訓練精度，測試集的正確率就是測試精度.本文將測試程序與前幾個程序獨立開來，這樣就可以在訓練過程中將測試程序作為一個子程序調用.每 訓練一個epoch 之后，先停止訓練，利用測試程序和最新的模型進行訓練集和測試集的測試，分別得到當前模型的訓練精度和測試精度，接著在原先的模型上繼續訓練下一個epoch.

3.3 結果分析

為了方便神經網絡的調試與優化，本文使用了TensorBoard來清晰、高效地展示神經網絡的訓練過程中計算圖的構成和一些指標隨時間變化的趨勢.

一個神經網絡的效果是通過其在測試數據上的表現來判斷的，因為其最終目的是判斷未知數據的分類結果.本文在神經網絡每訓練一個epoch并保存 現有模型之后，都會驗證這個模型在訓練集樣本和測試集樣本上的準確率并記錄下來.

3.3.1不同結構框架網絡模型結果對比

網絡的結構框架對深度學習 CNN 至關重要，隱 含層數目的多少、卷積層池化層的位置、全連接層的大小都會影響模型精度的高低.如圖9所示，將 SC-Net模型與經典分類神經網絡模型 VGG16在其他基 本參數和訓練超參數一致的情況下進行對比.

對比兩個模型在數據集上的表現，可以看出雖 然趨勢基本一致，但是本文設計的SCNet 模型在訓 練集和測試集上精度相較VGG16模型更高，訓練精 度達到了98.5%，測試精度達到了96.8%.

3.3.2不同優化方法網絡模型結果對比

在訓練過程中，本文使用了滑動平均、激活函 數、指數衰減學習率、正則化損失等優化手段.為了判斷這些優化方法所起到的作用，用控制變量法對比使用所有優化方法的模型和不使用其中一項優化 方法的模型.圖10所示是幾個神經網絡模型在其他 網絡參數和超參數一致的情況下，在裂縫數據集上 訓練 25個epoch之后的訓練精度和測試精度.

可以明顯看出，由于在卷積層和全連接層使用了激活函數去線性化，相當于對網絡結構進行了調 整，最終模型的正確率有很大變化.不使用激活函數的正確率只有91.45%，遠低于最終結果 96.83%，這 說明神經網絡的結構對模型的效果有本質影響.由于模型在裂縫數據集上收斂速度較快，所以滑動平均和指數衰減學習率這兩種優化方法起到的作用不是很明顯.是否使用正則化損失的模型正確率相差 也較大，在前文中已經提到，正則化可以有效防止過擬合.只要有交叉熵損失就不能很好地擬合數據特 征去分類測試數據，所以使用了正則化和交叉熵損失之和的優化模型在測試集上準確率更高.

3.3.3不同訓練超參數網絡模型結果對比

模型超參數由試驗者手動指定，神經網絡不能直接從內部數據估計得到.對于模型超參數的最優 值沒有確切理論，只有大量的試驗加上經驗判斷，根據模型的分類準確結果來進行調整.本文構建的SC-Net模型超參數主要有：指數衰減學習率的初始學習 率、批次大小batchsize、反向傳播優化器、訓練 epoch次數.

神經網絡模型在其他網絡參數和超參數一致的情況下，改變某一個超參數，在裂縫數據集上訓練 25個epoch 之后得到的訓練精度和測試精度如圖11所示.

按照經驗分別取初始學習率為0.8、0.1、0.05、0.01、0.005，對比發現初始學習率取0.01模型的正確 率最高;分別取 batchsize為24、32、48、56、64，對比發 現 batchsize 取32模型的正確率最高;分別取反向傳 播優化器為梯度下降法和Adam優化算法，對比訓練結果發現梯度下降法在數據集上正確率較高;分別 取訓練 epoch次數為10、15、20、25、30，對比發現訓練 25個epoch 之后正確率已經達到峰值，后續只是不斷波動，所以本文采取訓練 epoch次數為25.

4 可測性研究

為了研究光照強度、明暗變化和圖像扭曲等各種問題及噪音對本方法可測性影響，將本文構建的SCNet 模型與兩種傳統的檢測方法 Sobel 邊緣檢測方 法和Canny 邊緣檢測方法進行對比.分析3種方法在不同環境下的檢測結果，對比討論本文構建的SCNet 模型在不同環境條件下的可測性.

像素點周圍灰度有巨大變化的叫作邊緣，而圖片邊緣包含著圖像的重要特征，圖片的邊緣是其最基礎特征，所以確定并提取圖像邊緣對于整個場景的識別和分類至關重要.對圖片的灰度變化的測量、檢測和定位就叫作邊緣檢測.初級階段中視覺系統 先會把圖片背景和邊緣分離出來，然后才是圖像細節的感知[16].

作為一個離散一階差分算子，Sobel算子的重要作用是獲得亮度函數的一階梯度近似值.Sobel算子的主要計算方法是灰度線性加權算法，是將需要計算的像素點的周圍像素點進行加權，在圖像邊緣處 取得極值，利用這種特征進行邊緣檢測.Sobel算子 也會將噪音誤測成圖像邊緣，有著較低的邊緣定位精度.Canny 邊緣檢測方法于1986 年由Canny[17]提 出，這是一種提取不同視覺系統中的有效信息，同時削減了分析數據量的邊緣檢測方法，已經得到廣泛 應用.

選取4 幅不同環境下的裂縫照片，第一張照片 使用正常均勻照明，第二張照片局部有強光，第三張 照片有陰影，第四張存在圖像扭曲.對4 張照片分別進行SCNet 模型識別、Canny 邊緣檢測識別和Sobel 邊緣檢測識別.分析3種方法在不同環境下的檢測結果，對比討論本文構建的SCNet 模型在不同環境 條件下的可測性.

圖12和圖13所示是在均勻光照、局部有強光的情況下3種方法的處理結果，可以看出本文提出的SCNet 模型方法正確輸出了鋼筋混凝土銹蝕裂縫對應的標簽，可以很好地分類圖像;而 Canny 邊緣檢測方法受到極大干擾，將大量噪音也識別為邊緣，無法 提供有效信息;Sobel 邊緣檢測方法可以提供一些裂 縫信息，但同樣受到噪音嚴重干擾.

圖14和圖15所示，在裂縫照片有陰影、扭曲的情況下，SCNet 模型方法可以不受干擾，正確輸出鋼筋混凝土銹蝕裂縫所對應的標簽;而 Canny 邊緣檢測方法在受到陰影和扭曲干擾時完全失去了邊緣特 征，不能作為分類手段;Sobel 邊緣檢測方法也極大地受到了陰影和扭曲的干擾，判斷不了黑暗區域是 由圖像損壞還是由噪音引起，不能很好地對混凝土 照片進行分類.

這幾種情況的分類結果表明，在正常均勻光照的情況下兩種傳統檢測方法可以提供一些裂縫信息和邊緣特征，但是在受到局部強光、陰影、扭曲等干 擾的情況下，兩種傳統方法很難達到識別效果.所以傳統方法的性能受到圖像條件的制約和影響，而本文所提出的SCNet 模型分類方法則不受圖像條件的干擾，在各種情況下都能表現出相對穩定的分類性能.

但目前SCNet 模型識別裂縫仍有局限性，如對拍攝的圖片要求比較高，光照不能太亮或太暗等;混凝土不能有干擾顏色或者類似裂縫的物體;圖片分割后每張圖片僅能識別單個裂縫等.

5結論

本文基于深度學習 CNN 提出一種用于鋼筋混凝 土銹蝕 裂 縫 識 別的SCNet 三分類 模型，主要 結論如下：

1）設定了統一的圖片數據采集流程和拍攝標 準，使圖片數據的特征清晰、明確，方便后續神經網 絡進行訓練和測試分類.

2）利用TensorFlow和Python構建了一個混凝土銹蝕圖像識別分類的CNN 模型 SCNet，并具有較高的識別率.

3）以往將卷積神經網絡應用于混凝土裂縫識 別只能實現對裂縫的二分類，本文提出的SCNet 模型可以識別完整混凝土、混凝土銹蝕裂縫、其他原因 引起的混凝土裂縫，實現了對鋼筋混凝土裂縫的三分類.

4）比較了SCNet 模型與兩種傳統邊緣檢測方法 在不同環境下的檢測效果，結果表明 SCNet 模型方 法相對于兩種傳統檢測方法在不同環境條件下都有更好的穩定性與可測性，受圖像噪音干擾較小.

參考文獻

[1]陳春華，趙羽習，金偉良.銹蝕鋼筋混凝土保護層銹脹開裂時間的預測模型[J].建筑結構學報，2010，31（2）：85-92.

LU C H，ZHAO Y X，JIN W L.modeling of time to corrosion-induced cover cracking in reinforced concrete structures[J].Jour-nal of Building Structures，2010，31（2）：85-92.（In Chinese）

[2]徐曉東.超聲波無損檢測技術在橋梁健康狀況評定中的應用研究[D].長春：吉林大學，2008：8-13.

XU X D.Application study of ultrasonic nondestructive testing technique in bridge health condition assessment[D].Changchun： Jilin University，2008：8-13.（In Chinese）

[3]KURATAm，KImJ，LYNCH J P，et al.Internet-enabled wireless

structuralmonitoring systems：development and permanent deploy-ment at the new Carquinez suspension bridge[J].Journal of Structural Engineering，2013，139（10）：1688-1702

[4]JANG S，JO H，CHO S，et al.Structural healthmonitoring of a

cable-stayed bridge using smart sensor technology ：deployment and evaluation[J].Smart Structures and Systems，2010，6（5-6）：

439-459.

[5]CHA Y J，CHEN J G，B?Y?K?ZT?RK O.Output-only computer

vision based damage detection using phase-based optical flow and unscented Kalman filters[J].Engineering Structures，2017，132：300-313.

[6]薛亞東，李宜城.基于深度學習的盾構隧道襯砌病害識別方法[J].湖南大學學報（自然科學版），2018，45（3）：100-109.? XUE Y D，LI Y C.Amethod of disease recognition for shield tun-nel lining based on deep learning[J].Journal of Hunan University（Natural Sciences），2018，45（3）：100-109.（In Chinese）

[7]LECUN Y，BENGIO Y，HINTON G.Deep learning[J].Nature，2015，521（7553）：436-444.

[8]CIRESAN D C，MEIER U，MASCI J.Flexible，high performance convolutional neural networks for image Classification[C]//In Pro-ceedings of International Joint Conference on Artificial Intelli-gence.Barcelona：AAAI，2011，15（6）：1234-1242.

[9]KRIZHEVSKY A，SUTSKEVER I，HINTON G E.ImageNet clas-sification with deep convolutional neural networks[J].Communi-cations of the ACM，2017，60（6）：84-90.

[10] 蔡光明.高速鐵路橋梁底面裂縫的視頻檢測系統研究[D].北京：北京交通大學，2011：8-10.

CAI Gm.Study on the video detection systemof crack on the bot-tomof high-speed rail bridge[D].Beijing：Beijing Jiaotong Uni-versity，2011：8-10.（In Chinese）

[11] LANDSTROmA，THURLEYmJ.morphology-based crack detec-tion for steel slabs[J].IEEE Journal of Selected Topics in Signal Processing，2012，6（7）：866-875.

[12]mOON H G，KImJ H.Intelligent crack detecting algorithmon the

concrete crack image using neural network[C]//28th International Symposiumon Automation and Robotics in Construction（ISARC 2011）.Seoul：International Association for Automation and Robot-ics in Construction（IAARC），2011：1461-1467.

[13] ZHANG L，YANG F，DANIEL ZHANG Y，et al.Road crack de-tection using deep convolutional neural network[C]//2016 IEEE International Conference on Image Processing（ICIP）.Phoenix，AZ：IEEE，2016：3708-3712.

[14] CHA Y J，CHOI W，B?Y?K?ZT?RK O.Deep learning-basedcrack damage detection using convolutional neural networks[J].Computer-Aided Civil and Infrastructure Engineering，2017，32（5）：361-378.

[15] 宋青松，張超，田正鑫，等.基于多尺度卷積神經網絡的交通標志 識 別[J].湖 南 大學 學 報（自然 科 學 版），2018，45（8）：131-137.

SONG Q S，ZHANG C，TIAN Z X，et al.Traffic sign recognition based onmulti-scale convolutional neural network[J].Journal of Hunan University（Natural Sciences），2018，45（8）：131-137.（In Chinese）

[16] 章毓晉.圖象處理和分析[M].北京：清華大學出版社，1999：59-64.

ZHANG Y J.Image processing and analysis[M].Beijing：Tsing-hua University Press，1999：59-64.（In Chinese）

[17] CANNY J.A computational approach to edge detection[J].IEEE

Transactions on Pattern Analysis andmachine Intelligence，1986，8（6）：679-698.