随着中国道路、桥梁大规模的建设,混凝土结构越来越多,针对混凝土结构的裂纹损伤检测是一个急需解决的问题。传统混凝土结构裂纹的检测有人工检测、机器视觉等,这类检测方法在提取混凝土裂纹特征方面效果一般,且其识别精度达不到预期的效果。随着计算机硬件设备的发展,深度学习大放光彩,2016年,AlphaGo击败围棋世界冠军,使得深度学习的影响力从学术界迅速扩展到工业界。深度学习在图像处理方面迅速应用,因为神经网络有其独有的优势,提取图片特征远超过传统机器视觉。本文将深度学习应用到混凝土裂纹分类和检测,主要有如下三部分内容。(1)裂纹数据采集。通过相机、手机等设备采集了一些裂纹图片数据,人工进行了切割、分类等操作,构建了训练的数据集;对图片数据进行了增强,具体措施有:旋转、缩放、剪切、平移、夹噪声等一系列操作。(2)裂纹分类模型搭建。采用了三种经典网络AlexNet、VGG13、ResNet18,为了防止过拟合采取了正则化、dropout、图片增强、批归一化等措施;通过实验验证,ResNet18要比其他两个网络好,各个指标均优于AlexNet、VGG13;进行了实际图片的测试,采用滑动窗口的方式,进行了高分辨率图片的分类。(3)裂纹检测模型搭建。对裂纹图片进行了标注,构建了裂纹模型的训练数据集;选择YOLO系列中最新模型YOLO v3,并且为了防止过拟合采取了一系列措施;实验结果表明模型最终收敛了,测试若干张图片,裂纹检测效果很好;采集了裂纹视频,用训练好的模型检测,可以准确无误的检测出裂纹区域。