桥梁作为交通系统的重要组成部分,对其进行定期检测以确保其安全性及可靠性是一项十分重要的工作。传统人工检测方法效率低,精度差,成本高,难以满足当前桥梁检测的巨大需求。随着计算机及图像处理技术的迅速发展,基于机器视觉的桥梁检测系统逐渐成熟。针对目前桥梁裂缝图像检测系统中裂缝识别率不高,裂缝宽度测量精度不足等问题,本文提出了一种基于卷积神经网络的裂缝识别算法以及裂缝宽度亚像素测量算法。论文的主要工作如下:1)提出了一种基于卷积神经网络与条件随机场的裂缝识别算法。针对桥梁图片背景复杂、噪声干扰多且裂缝特征不明显等问题,引入卷积神经网络,利用其特征提取能力强,抗干扰性好,识别准确率高的特点,对存在裂缝的图片进行识别,并对裂缝位置进行初步提取。为提高裂缝识别的准确率,引入了条件随机场,对裂缝的空间特征进行建模分析。将本文提出的算法与目前裂缝识别中常用的滑窗扫描法及Faster-RCNN算法进行对比,实验结果表明本文提出的算法识别准确率和召回率较高。2)设计了适用于桥梁环境的裂缝图像处理算法。算法首先对原图进行中值滤波,以解决传感器及环境噪声带来的图片质量下降问题。其次利用形态学处理对图片进行亮度校正,避免光照不均匀对后续裂缝阈值分割产生影响。接着对图像进行二值化,并利用裂缝识别的结果以及裂缝本身的形态特征对桥底环境中的划痕,水渍,斑点等干扰进行去除。最后对图像进行细化处理提取骨架,并消除骨架上的毛刺,得到裂缝的主干,为裂缝宽度测量做好准备。3)提出了一种桥梁裂缝宽度亚像素测量算法。算法首先利用图像预处理算法得到的裂缝主干计算裂缝的方向,并在该方向上找到裂缝的左右边缘点。接着采用亚像素边缘检测算法得到两边缘点的亚像素信息。最后,计算两边缘点的欧式距离得到裂缝的亚像素宽度。本文对比分析了不同的亚像素边缘检测算法,根据实验结果选择了最适合桥梁裂缝特性的亚像素检测算法。最终实验结果表明,算法达到了亚像素精度,证实了算法的有效性。