融合改进ResNet-14和Swin-Unet模型的混凝土桥梁裂缝识别监测

摘要

【目的】为了在恶劣环境中实现对混凝土桥梁裂缝的高效识别，并解决复杂背景下细微裂缝(物理宽度小于0.1 mm)检测精度不足、效果不佳的问题，该文开发了一种创新的远程智能监测系统.【方法】在裂缝图像识别中，提出并采用改进的轻量化ResNet-14模型(基于ResNet-18优化，卷积核统一为3×3,减少网络层数),有效滤除划痕、剥落、水渍等背景噪声；随后，引入集成多头注意力机制和移位窗口(SW-MSA)的RS-Unet模型(在Swin-Unet基础上构建),对裂缝区域进行像素级精确分割与提取；同时，设计基于改进Alpha Shapes算法的边缘线最短距离宽度计算方法(添加八连通约束，无须骨架线提取),并结合像素标定与透视校正实现物理宽度量化.在此基础上，融合上述神经网络模型与算法，构建一套依托物联网(阿里云)平台的桥梁裂缝远程监测系统.该系统分为设备端(工业相机、补光LED、主控单元等)、数据传输系统和用户端软件三部分，通过远程无线控制实现裂缝图像采集、识别分割、参数计算、信息显示与存储.【结果】实验结果表明，改进ResNet-14模型在裂缝识别任务中平均精确率达95.6%、召回率达96.7%(高于ResNet-18的94.2%);RS-Unet模型分割性能优异，平均Dice系数达0.813、Jaccard系数达0.686(优于Swin-Unet的0.747和0.596,以及MU-Net、CNN+FCN等对比模型);裂缝宽度计算误差控制在0.04 mm以内，计算时间较传统骨架线方法缩短约40%.以天津市某运营超40年的混凝土桥梁为实际工程案例，系统成功采集桥底细微裂缝图像，实现远程自动识别、分割与宽度/长度计算，并支持长期监测对比，验证了其在复杂潮湿阴暗环境下的有效性和实用性.【结论】该远程智能监测系统为恶劣环境下的混凝土桥梁裂缝检测提供了高效、精确的技术方案，显著提升了细微裂缝的识别精度与监测自动化水平，可有效延长桥梁使用寿命、降低安全风险，为桥梁健康监测的科学化和智能化提供重要借鉴与创新实践.

关键词

桥梁工程 / 裂缝检测 / 远程监测 / 深度学习 / 裂缝识别 / 宽度计算

基金资助

国家自然科学基金项目(52478310); 天开高等教育科技创新园企业研发专项(23YFZXYC00026)