桥梁病害是各类桥梁普遍存在的问题,而桥梁病害检测是解决桥梁病害的必要条件。本文细致地研究了桥梁病害检测的研究现状,发现目前的桥梁病害检测方法仍以人工临检为主。随着深度学习的发展,目标检测模型被用于设计自动化的桥梁病害检测模型,但是这些模型仍存在如下几个问题:(1)对待检测图像的要求较高,在图像分辨率低或图像受光照影响发生颜色变化时,不能很好地处理;(2)现有方法仅仅是将现有的目标检测模型用于桥梁病害检测,没有针对桥梁病害检测任务和数据特点来研究和设计具体算法,存在检测效果差、速度慢问题。本文使用计算机视觉、深度学习、图像处理等相关技术改进现有的目标检测算法,并对图像中存在的“受光照影响发生色彩变化”和“分辨率低”的问题做了针对性研究,主要工作如下:(1)图像光照估计模型。本文提出基于分离卷积的深度神经网络用于提取图像中的光照,该模型实现了端到端的解决方法,其有11个卷积层,除第一个和最后一个外均为分离卷积层,并在网络最后使用“全局平均池化层”代替“全连接层”来降低网络的参数量。在公开数据集Color Checker Dataset上的光照估计误差比现有最优算法降低了约60%,同时将模型的大小由35.62MB降低到0.62MB,使模型可以很好地应用到移动设备。(2)图像超分辨率重构模型。本文在现有RCAN模型的基础上提出一个基于小波损失的多尺度RCAN神经网络,主要改进有两点:1、在网络主体的残差模块中加入多尺度特征提取分支,该分支使用5?5的卷积核提取特征,与原有的3?3卷积核构成多尺度特征提取;2、设计出小波损失函数。小波损失计算输出图像与真实图像小波变换后高频系数的差值作为损失值,其与感知损失相似,可以更好地恢复出高清图像的边缘细节。在公开数据集Set5、Set14、B100和Urban100上与RCAN相比均有所提高。(3)新的目标检测模型。本文在现有RetinaNet的基础上提出一个基于Attention机制和小波变换的目标检测模型,主要改进有两点:1、将待检测图像转换为灰度图像并进行一级非下采样小波变换,得到4个小波系数图作为网络的输入;2、在主干网络的残差模块中引入特征通道间的Attention机制,该机制可以使网络关注对病害检测更有用的特征,比如病害的边缘特征等。为了验证上述模型的有效性,本文在自建的桥梁病害数据集中与现有的目标检测模型Faster RCNN、RetinaNet、SSD、YOLOv3等作了对比,使用本文模型得到的最终mAP为81.92%,远远高于RetinaNet、SSD、YOLOv3等模型,与Faster RCNN的85.62%相当,但是模型的检测速度只有Faster RCNN的50%左右。