第七届全国防灾减灾工程学术会议

在利用数字图像进行的桥梁检测任务中，由无人机拍摄的图像通常既包含关键区域（ROI）也包含背景。然而，在含有背景信息的混凝土表面图像中准确识别裂缝是一个难题。为了提升无人机桥梁检测的效率，本研究提出了一种新的图像处理和裂缝检测方法。首先，训练并测试了一种名为RandLA-BridgeNet的深度学习语义分割网络，它专门用于处理大规模桥梁点云数据，从而简化了3D关键区域的提取过程。其次，介绍了一种基于3D到2D映射的图像关键区域提取方法，该方法能够生成只包含关键区域的图像。最后，我们使用了一种数据驱动的深度学习卷积神经网络（CNN），即网格分类与框选检测融合模型（GCBD），来识别处理后的图像中的裂缝。在公路桥梁图像上进行了实验，以验证这一方法的有效性。实验结果显示，整体语义分割和图像关键区域提取的准确率分别达到了97.0%和98.9%。在关键区域提取后，有47.9%的网格单元被过滤掉，这些单元原本是被错误识别为背景的，这一过程显著提高了裂缝识别的准确率。

无人机桥检;运动恢复结构SfM;点云语义分割;投影;裂缝识别;深度学习