我国作为桥梁大国,桥梁拥有量非常巨大,但我国桥梁界长期以来“重建设、轻养护”的问题较为突出。桥梁因长期受到行人车辆的载荷及极端天气等的综合作用会产生疲劳,进而引发桥梁产生病害,例如裂纹、麻面、剥落、露筋、腐蚀等。目前桥梁病害巡检主要靠人工观测,检测速度慢、准确率低,且对检测人员存在一定的安全隐患。因此,研究一种全面快速安全准确的桥梁病害检测方法具有十分重要的现实意义。本文对基于无人机视频图像的桥梁病害检测方法进行研究,实现对桥梁病害的全面、准确、安全的检测。论文主要研究内容如下:1.针对无人机拍摄到的视频图像质量普遍不高的问题,提出一种基于无人机视频图像的预处理方法。首先采用分量法灰度化桥梁图像,然后采用中值滤波对图像进行降噪,同时采用非线性灰度增强法和直方图均衡化方法对图像进行对比度增强,有效解决了桥梁图像中光线分布不均的问题,最后采用模型法去除运动模糊,从而有效增强图像的质量。2.采用传统图像处理的分割算法对桥梁图像进行检测。在研究和分析图像分割算法的基础上,给出一种基于阈值分割与形态学结合的分割方法。该方法的思想是,首先采用最大类间方差法获取分割阈值,使用取得的阈值对图像进行二值化,然后再采用形态学处理方法对阈值分割后的二值图像进行闭运算,最后将图像输入到HOG特征和SVM分类器中,对病害进行检测和分类。实验结果表明,该方法对桥梁病害的检测具有一定的成效。3.针对基于深度学习的桥梁病害检测算法存在的小尺度病害漏检和精度不高的问题,本文提出一种改进的Yolov3网络用以桥梁病害的检测算法。首先,利用K-means算法对本文扩充后的CODEBRIM数据集进行聚类分析,获得新的9个anchors;其次,将Yolov3网络的三个特征尺度增加到四个,使得网络的特征尺度从52×52提升到104×104;最后,采用加入Gaussian loss和使用DIOU取代IOU的两种方式对Yolov3网络的损失函数进行改进。实验结果表明,改进后的Yolov3网络对桥梁病害的检测精度高,网络性能提升明显。4.为验证本文改进算法对桥梁病害检测的优越性能,与Faster-RCNN网络、SSD网络、Yolov3网络及Yolov4网络进行对比实验。对比各网络在不同场景下的检测效果及其对各病害的PR曲线、m AP值、FPS值等,其中本文改进的网络的m AP值相比于Yolov3网络提升了23.7%,FPS提升4.4,表明本文改进的Yolov3网络性能提升显著。5.结合本文研究基础和实际需求,设计并实现桥梁病害检测系统,实现了无人机视频图像预处理、桥梁病害检测、手动标记病害、病害图像保存等功能。