单位：中交第一公路勘察设计研究院有限公司，陕西 西安 710075
关键词：桥梁工程；光线不良；裂缝检测；图像翻译；计算机视觉；生成对抗网络模型；检测算法
针对光线不良情形下现有桥梁裂缝检测方法精度不足、人工标注存在高成本及重复标注等问题，提出一种基于生成对抗网络（CycleGAN）模型的计算机视觉裂缝检测算法。该算法利用生成对抗网络的非成对训练特性，通过构建包含对抗损失、循环一致性损失和身份损失的图像翻译模型，实现正常光线与光线不良桥梁图像的双向转换并保持图像中的裂缝结构不变。以某桥实地采集的昼夜裂缝图像数据集为例，训练CycleGAN模型以生成夜间风格图像并共享原始标注数据，进而扩充UNet语义分割模型的训练集，从而实现光线不良下桥梁裂缝的准确识别与检测。结果表明：在光线不良测试集上，相较传统算法采用扩充前数据集训练的模型，该算法采用扩充后数据集训练的模型，其语义分割模型关键指标均显著提高，裂缝长度与宽度测量误差显著降低。该方法在不需要成对样本与额外标注的情况下，可提高在光线不良情形下的裂缝检测精度和效率，为复杂光照条件下的桥梁裂缝智能检测提供实用解决方案。
来源：2025年第5期
《桥梁建设》期刊编辑部
查看桥梁建设杂志2025年第5期