鄒俊志，楊建喜，李昊，帥聰，黃蝶，蔣仕新

(1.重慶交通大學 土木工程學院，重慶 400074；2.重慶交通大學 信息科學與工程學院，重慶 400074）

截止2019年底，我國公路橋梁數(shù)量已達87.83萬座、6 063.46萬m。伴隨大量橋梁建成服役，橋梁管養(yǎng)任務日趨艱巨。受混凝土材料老化、車輛超載嚴重、運營環(huán)境惡劣等多重因素耦合作用，在役橋梁會不可避免地產(chǎn)生開裂、保護層剝落、滲水泛堿、露筋銹蝕等病害[1]，對橋梁結(jié)構(gòu)的安全性和耐久性是極大考驗。傳統(tǒng)的橋梁檢測方法以人工巡檢為主，存在主觀性強、工作量大、效率低等缺點，逐漸不能滿足人們的需求。隨著傳感器采集、信息存儲與分析技術的發(fā)展，基于數(shù)字圖像處理的橋梁病害檢測技術引起了學界的廣泛關注。劉建威等[2]提出一種基于雙目視覺的橋面裂縫檢測方法，對裂縫圖像進行高斯濾波、直方圖均衡化、邊緣檢測、二值化操作，最后經(jīng)雙目視覺系統(tǒng)計算出裂縫尺寸。陳飛飛等[3]提出了基于圖像特征值的混凝土橋梁表面病害分類方法，通過提取病害圖像的灰度直方圖特征、顏色矩特征及紋理特征，運用支持向量機(Support Vector Machine，SVM)實現(xiàn)了病害圖像的分類。韓琨等[4]基于圖像連通域特征，采用SVM進行特征分類檢測裂縫區(qū)域。但這類方法主要依靠人工經(jīng)驗進行樣本特征抽取，且構(gòu)建的仍是沒有層次的單層特征，在橋梁自動化巡檢中應用場景有限。伴隨著無人機[5]、爬壁機器人[6]等智能檢測設備在橋梁結(jié)構(gòu)外觀評估方向的迅速發(fā)展，為進一步分析智能檢測設備采集的大量病害圖像，以卷積神經(jīng)網(wǎng)絡[7](Convolutional Neural Network，CNN)為代表的基于深度學習的方法，正逐漸成為學術界與工業(yè)界的研究熱點。相較于傳統(tǒng)的機器學習算法，CNN能夠自動提取病害結(jié)構(gòu)特征，避免了傳統(tǒng)算法所需的人工經(jīng)驗。且CNN具有很強的濾去背景噪聲能力[8]，能夠克服橋梁結(jié)構(gòu)表面存在的污漬、遮擋、光照不均等多種產(chǎn)生噪聲干擾，足以識別復雜背景下的多種橋梁結(jié)構(gòu)病害。沙愛民等[8]設計了3種CNN神經(jīng)網(wǎng)絡分別應用于路表病害識別、裂縫特征提取、坑槽特征提取，證明了CNN精度足以滿足裂縫、坑槽等病害的復雜形態(tài)特性。韓曉健等[9]將CNN應用于橋梁結(jié)構(gòu)表面病害檢測，通過遷移學習訓練并微調(diào)了AlexNet模型，構(gòu)建了裂縫、銹蝕、缺損3類病害識別模型。然而這類基于CNN的圖像分類方法很難去定義滑動窗口的大小，也難以處理具有不同大小的病害圖像。為進一步提高檢測和定位多種橋梁病害的效率，基于CNN的各種目標檢測算法正獲得持續(xù)關注。CHA等[10]使用Faster R-CNN算法，對混凝土裂縫和不同程度的螺栓、鋼板腐蝕等5種損傷類型進行識別和定位。XU等[11]提出了一種改進的Faster R-CNN方法，用于檢測鋼筋混凝土柱地震后不同損傷類型。相比以Faster R-CNN[12]為代表的兩階段目標檢測算法，以SSD[13]和YOLO[14]為代表的單階段目標檢測算法，避免了生成候選區(qū)域這一步驟，實現(xiàn)了更快的檢測速度，更適用于橋梁自動化巡檢場景中。ZHANG等[15]基于YOLO v3算法實現(xiàn)了橋梁表面裂縫、露筋、剝落等多種缺陷的實時檢測。然而現(xiàn)有的基于深度學習的目標檢測算法中，尚未根據(jù)橋梁表面病害特點進行改進，針對復雜背景下橋梁病害的目標檢測算法仍亟需構(gòu)建。在現(xiàn)有研究基礎上，本文對YOLO v3算法進行改進，以解決橋梁病害存在的密集分布、尺度變化較大等問題，提升檢測橋梁病害的精度。其次，本文就復雜背景下的橋梁表觀病害檢測任務制作了相應的數(shù)據(jù)集，將橋梁檢測圖像劃分為露筋、剝落和水侵蝕3種病害類別，并對數(shù)據(jù)進行了人工標注用于訓練模型網(wǎng)絡。最后，通過測試集驗證了本文所提出模型的可行性和準確性。

1 YOLO v3算法

YOLO v3算 法是由REDMON等[14]提 出的一種基于回歸的單階段目標檢測算法，由特征提取主干網(wǎng)絡和檢測層2個部分組成。受ResNet[12]殘差網(wǎng)絡啟發(fā)，YOLO v3在主干網(wǎng)絡中加入了殘差單元，組成了特征提取主干網(wǎng)絡darknet53，使得網(wǎng)絡模型準確率增加的同時有效緩解了深度神經(jīng)網(wǎng)絡中的梯度消失問題。YOLO v3在最后3次下采樣中以1/32，1/16和1/8的下采樣率分別輸出13×13，26×26，52×52這3種不同尺度的特征圖。同時借鑒了特征金字塔[16](FPN，feature pyramid networks)的多尺度預測方式，將提供圖像深層語義信息的小尺寸特征圖與提供較大感受野的大尺寸特征圖相融合，增強了對不同大小病害的檢測效果,使得所有尺度下的病害特征細節(jié)更為豐富，其預測方式如圖1所示。

圖1 多尺度預測方式Fig.1 Multi-scale forecasting

在檢測層中，YOLO v3將輸入的病害圖像按照特征圖尺寸大小劃分成S×S個網(wǎng)格，每個單元格負責檢測落入其中心的病害，同時輸出多個預測框和每個預測框的置信度。每個邊界框(bounding box)包含參數(shù)(tc,tx,ty,tw,th)，其中c為置信度變量，采用sigmod函數(shù)，(tx,ty)為候選框的中心坐標，(tw,th)為候選框的中心點。在位置預測上，以每張?zhí)卣鲌D上某單元左上角坐標為(cx,cy)為例，每個錨框(anchor)預測尺寸為(pw,ph)，所生成的預測坐標為(bx,by,bw,bh)，其中(bx,by)為預測邊界框的中心坐標，(bw,bh)為預測框的寬度和高度，具體如圖2所示。輸出多個預測框后，將拋棄置信度低的預測框并通過非極大值抑制最終定位病害位置。

圖2 帶有錨框和預測位置的邊界框Fig.2 Bounding box with anchor and predicted position

YOLO v3算法雖然檢測速度快且精度較高，但直接應用在復雜背景下的橋梁表觀病害檢測中仍存在以下幾點不足。其一，橋梁表面病害存在密集分布且病害尺度變化較大等問題，其特征提取能力仍有待進一步加強；其二，YOLO v3采用了多尺度預測方式，雖然充分利用了感受野及語義特征，但其提取的特征魯棒性較差，無法應用于復雜背景下的橋梁病害檢測；其三，交并比IoU雖然可以反映預測框與病害真實標注框間的檢測效果，但當2框并未相交的時候，IoU無法提供任何調(diào)整梯度，對于病害位置的預測精度也會有所下降。故而針對上述問題，本文結(jié)合橋梁病害特性對YOLO v3算法進行改進。

2 改進的YOLO v3算法

算法的具體改進主要可分為4個部分，分別為嵌入SENet的特征提取網(wǎng)絡、空間金字塔池化模塊、采用更好地定位損失函數(shù)以及聚類自己數(shù)據(jù)集的anchor，從而提升算法整體的檢測精度。

千真萬確，對方說，下午我見大媽圍著一棵合歡樹轉(zhuǎn)圈，開始沒在意，后來就見她蹲下來，把樹周圍的草全拔了，然后挖上幾個洞，點上幾粒什么種籽。當時我可不能制止啊，她的年紀比我媽還大……等大媽離開，我上前挖開看，你猜怎么著？她在那棵樹的周圍種上了豆角！說著松開手，呼倫看到他的手心里，躺著幾粒飽滿腫脹的豆粒。

基于以上的論述，信息化建設是鐵路企業(yè)發(fā)展趨勢的必然要求，以成熟的技術和硬件為背景，借鑒中國鐵路沈陽局集團有限公司的成功實施經(jīng)驗，利用新型在線審批模式的平臺在中國鐵路沈陽局集團有限公司企業(yè)的推廣與應用，是符合企業(yè)發(fā)展要求，順應時代發(fā)展的必經(jīng)之路。站在全集團公司角度出發(fā)，如何將《在線審批平臺》進行科學部署與實施，將是工作模式的轉(zhuǎn)換和工作方式改革的重要舉措。平臺的建立與實施，不僅可以完成對內(nèi)部工作機制的改革、創(chuàng)新、升級，確保達到提質(zhì)增效的管理目標，也為企業(yè)的快速迅猛發(fā)展提供必要的手段和技術支撐，同時對企業(yè)的精細化、持續(xù)性、擴張性、穩(wěn)定性發(fā)展具有重大的意義和影響。

2.1 嵌入SENet的特征提取網(wǎng)絡

為解決橋梁病害檢測中存在的病害重疊、密集分布等問題，本文分別在YOLO v3的3個檢測層前嵌入SE注意力機制結(jié)構(gòu)，使網(wǎng)絡生成通道權(quán)重并對通道進行重標定，輸出表達能力更強的特征圖。SENet是由LIN等[16]提出的一種注意力機制結(jié)構(gòu)，其網(wǎng)絡結(jié)構(gòu)如圖3所示[17]。SE模塊主要包括壓縮(squeeze)和激勵(excitation)2種操作。首先輸入特征圖X∈RH′×W′×C′，經(jīng)過Ftr變換后得到特征圖U∈RH×W×C，其中U=[u1,u2,…,uc]。隨后對特征圖U進行全局平均池化計算，得到大小為1×1×C(C為通道數(shù))的特征圖Zc。

其中：N表示病害類別的數(shù)量。FPS是指使用GPU時每秒能夠檢測圖像數(shù)量。本文主要采用mAP@0.5指標和檢測速度FPS來評價模型。

圖3 SE網(wǎng)絡結(jié)構(gòu)Fig.3 Squeeze and excitation networks structure

為進一步提取通道間相關性，將生成的特征圖分別經(jīng)過2個全連接層，對特征圖先降維后升維，壓縮率r設置為16，再使用sigmod激活函數(shù)，得到各通道間對應的權(quán)重S=[s1,s2,…,sc]。

最后將各個通道與對應權(quán)重相乘進行權(quán)值更新，得到更新后的輸出

SE注意力機制使網(wǎng)絡在生成特征圖的過程中更加“關注”不同類型的橋梁病害特征，同時通過網(wǎng)絡自注意力的形式，增強了病害特征的語義信息，有效抑制了混凝土橋面復雜的背景信息，解決了橋梁表觀病害密集分布時識別精度較差的問題。

2.2 空間金字塔池化模塊

為解決橋梁病害在不同的橋檢人員拍攝圖像中尺度變化較大，難以較好地提取病害特征問題。本文引入空間金字塔池化(Spatial Pyramid Pooling,SPP)模塊進一步豐富特征圖信息。SPP是由HE等[17]提出的一種解決神經(jīng)網(wǎng)絡不同圖像尺寸輸入問題的方法。從主干網(wǎng)絡darknet53輸出的特征圖分別經(jīng)過卷積核大小為5×5，9×9，13×13的3個最大池化層，進一步將病害的局部特征信息與全局特征信息融合獲得更豐富的結(jié)構(gòu)特征表示，尤其針對不同大小病害的檢測任務，提升病害總體識別精度。SPP模塊的結(jié)構(gòu)圖如圖4所示。

圖4 SPP網(wǎng)絡結(jié)構(gòu)圖Fig.4 Spatial pyramid pooling structure

2.3 定位損失函數(shù)

IoU作為目標檢測中最常用性能指標之一，表示真實標注病害框與預測病害框的交并比，其計算如式(5)所示：

其中：Bpred表示橋梁病害預測框；Btrue表示橋梁病害真實標注框，IoU的大小反映了病害的檢測效果。但當病害預測框與真實框并未相交時，IoU為0，無法反映此時兩者間的距離大小，導致無法傳播調(diào)整梯度。為解決此問題，本文引入了最新提出的CIoU[18]定位函數(shù)，相較于IoU，CIoU考慮了病害預測框與真實框間的中心點距離，重疊比以及長寬比，使得在梯度下降時，邊界框回歸更加穩(wěn)定。CIoU的計算如式（6）所示：

但筆者認為：迄今為止，已發(fā)現(xiàn)的位于我國河南安陽（殷墟）小屯村的甲骨文收藏遺址，應是世界上已知最早的圖書館遺址。它的存在比亞述巴尼拔圖書館要早800多年。

平均精度AP和平均精度均值mAP如式(10)～(11)定義：

本文選擇目標檢測中常用的評價指標來進行分析，采用的統(tǒng)計指標為精確率(precision)、查全率(recall)、每類病害的精度均值AP(Average Precision)、病害的平均精度均值mAP(mean AveragePrecision，mAP)及檢測速度FPS進行評價。檢測結(jié)果可分為4種：真正例TP，真反例TN，假正例FP，假反例FN。精確率及查全率如式(8)～(9)定義：

2.4 通過k-means算法聚類錨框

從圖7和圖8中可以看出，改進后的YOLO v3算法具有更高的病害識別精度，既能夠識別出目標尺寸相對較小的橋梁露筋病害，也具有更高的混凝土剝落、水侵蝕病害識別精度，同時在弱光條件下仍具有更好的病害識別精度，能有效改善因背景復雜、密集分布、光照條件和病害尺寸較小等因素造成的病害錯檢、漏檢情況。為了更好地權(quán)衡YOLO v3算法與改進的YOLO v3算法的性能，本文引入了Precison-Recall(P-R)曲線來評價模型的性能，P-R曲線的橫坐標為查全率，縱坐標為精確率，圖9展示的是2種算法的總體P-R曲線對比圖。

融合了上述方法之后組成的改進YOLO v3算法其結(jié)構(gòu)圖如圖5所示，其中SE注意力層分別嵌入3個檢測層中，其具體位置位于darknet53網(wǎng)絡第86，99，112層，SPP模塊具體位于網(wǎng)絡第78~83層。

圖5 改進的YOLO v3結(jié)構(gòu)Fig.5 Improved YOLO v3 architecture

3 橋梁病害數(shù)據(jù)集與超參數(shù)設置

3.1 橋梁病害圖像數(shù)據(jù)集

實驗采用開源的Pytorch1.6.0深度學習框架，CPU配置為Intel?Core?i9-9900KF，顯卡為Ge-Force RTX 2080Ti，內(nèi)存大小為64GB，系統(tǒng)為ubuntu18.04 LTS，Python3.7.7，CUDA 10.2，cu DNN 7.6.5，OpenCV 4.4.0環(huán)境。

圖6 橋梁表觀病害標注示例Fig.6 Bridge apparent damage ground truth

3.2 實驗環(huán)境介紹

針對橋梁檢測報告中最為常見的混凝土剝落(spall)、露筋(rebar)和滲水(corrosion)3種病害，篩選出總計1 363張橋梁檢測照片，共標注了2 603個目標病害真實值。這些橋梁病害圖像由不同的橋梁巡檢人員拍攝，篩選圖片的原則是病害區(qū)域清晰且圖像分辨率較高。采用開源的labelimg工具對每張圖像病害區(qū)域進行標注，部分標注真實值(ground-truth)示例如圖6所示。

3.3 實驗參數(shù)設置

網(wǎng)絡訓練采用帶動量的隨機梯度下降算法，動量因子為0. 9；初始學習率設置為0.01，最終學習率設置為0.000 5，學習率衰減策略為余弦退火策略[19]，則學習率ηt可表示為如式(7)所示，其中t為batch大小，T為整個epoch輪數(shù)。

batch size大小設置為16，訓練輪數(shù)為300輪。模型輸入圖像尺寸為416×416，將其中80%的圖像作為訓練集，20%的圖像作為測試集。在訓練過程中，對訓練集進行數(shù)據(jù)增強，分別采用隨機裁剪、平移、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)等方式，提升模型的泛化能力，增強后的訓練集共計5 455張。為進一步增強小目標識別效果，本文采用了mosaic[20]數(shù)據(jù)增強方式。將4張圖片進行隨機裁剪，再拼接到一起，極大豐富了待檢測物體的背景，提升了小目標識別的效果。

由于林芝市特殊氣候的影響，每年降雨量特別大，導致青稞倒伏以及發(fā)生銹病等農(nóng)作物病蟲害。對此，要采取切實可行的方法加以應對，如選育抗倒伏品種、適合林芝市的青稞優(yōu)良品種，采用科學技術進行統(tǒng)防統(tǒng)治，做好病蟲害的預測預報及防治指導工作，將災害造成的損失降至最低。

4 實驗結(jié)果分析

4.1 性能評價指標

巡回法院從《1930年關稅法》第303節(jié)的內(nèi)容開始著手，試圖找出相關法規(guī)對本案的適用性?！暗?03節(jié)”賦予了當局采取反補貼措施的權(quán)力，其規(guī)定如下：

式中：b和bgt分別代表病害預測框和真實框的中心點；ρ2(b,bgt)代表病害預測框與中心框間的歐式距離；c表示能夠同時包含病害預測框與真實框的最小區(qū)域的對角線距離；α為權(quán)衡參數(shù)；β則用來衡量長寬比的一致性。

1) 假定房間外墻為定溫壁面，其溫度取實測數(shù)值的平均數(shù).在實際測量期間，為保證測量數(shù)值的準確性，測量墻體溫度時，均勻布置測點(圖2)，測量時間間隔為5 min.考慮到正午墻體壁面溫度較高，利于驗證側(cè)送風方式下辦公室內(nèi)熱環(huán)境的舒適合理性，故以12：00—13：00為測量時間段.選取天氣炎熱，溫度相差不大的5 d進行測量，用熱電偶溫度傳感器共測得300組數(shù)據(jù)，取其平均值，求得走廊和南墻溫度為28 ℃，西墻溫度為31 ℃.

圓通不僅僅人力資源流失嚴重，復合型人才也較為缺失?？爝f行業(yè)屬于勞動密集型行業(yè)，部分營業(yè)網(wǎng)點為了降低勞動成本，聘用專業(yè)素質(zhì)較低的人員，這種人員往往服務水平不高，處理問題和緊急事件的能力有限，而圓通也在人才培育的上也沒有制定完善的方案，這些種種原因?qū)е聢A通的競爭力下降。

4.2 實驗結(jié)果分析

4.2.1 本文算法與YOLO v3算法實驗結(jié)果對比

YOLO v3與改進后的YOLO v3算法性能對比如表1所示，其中混凝土剝落和露筋病害取得了較高的檢測精度，而滲水病害檢測精度相對較低。這是因為剝落和露筋與背景差異性相對較大，提取的特征魯棒性較好，而水侵蝕病害在梁底分布不均勻且與背景差異性相對較小，故而整體檢測的分類精度相對較低。同時本文所提出的改進YOLO v3算法在橋梁表觀病害檢測中取得了更佳的性能，在mAP值上提升了5.5%。

表1 YOLO v3與改進的YOLO v3性能對比Table 1 Comparison of YOLO v3 and improved YOLO v3

接下來，本文將具體展示復雜背景下混凝土剝落、水侵蝕和露筋3種病害的實際檢測效果，YOLO v3與改進YOLO v3的檢測效果如圖7～8所示。

圖7 YOLO v3算法識別病害結(jié)果Fig.7 Detect disease results by using YOLO v3 algorithm

YOLO v3通過使用anchor boxs對邊界框進行定位預測。然而在自建的橋梁數(shù)據(jù)集上，病害間尺度變化較大，且長寬比存在顯著不同，故而需要聚類自己的anchor boxes，經(jīng)K-means聚類后總共生成了9組先驗框，分別為(11×34)，(33×15)，(16×72)，(41×52)，(88×25)，(25×163)，(67×175)，(120×70)，(190×161)。

圖8 改進的YOLO v3算法識別病害結(jié)果Fig.8 Detect disease results by using improved YOLO v3 algorithm

圖9 2種算法的P-R曲線對比Fig.9 Comparison of P-R curves between two algorithms

從圖9可以看出，改進后的YOLO v3算法的P-R曲線面積完全大于YOLO v3的曲線面積，其精確率和查全率均優(yōu)于YOLO v3算法，具備更強的特征提取能力，更加適用于復雜背景下的橋梁病害檢測場景中。

4.2.2 消融實驗結(jié)果分析

為進一步分析所加入的每種網(wǎng)絡結(jié)構(gòu)分支對于模型整體的影響，將本文所提出的改進YOLO v3算法劃分成5組不同的網(wǎng)絡模型進行消融實驗。實驗總共可以分為5組，其中第1組代表YOLO v3算法，第2組對訓練集數(shù)據(jù)進行了mosaic數(shù)據(jù)增強，第3組在第2組基礎上采用了CIoU定位損失函數(shù)，第4組加入了SPP空間金字塔池化模塊，最后一組在第4組基礎上嵌入了SE注意力機制，即第5組為本文所提出的改進的YOLO v3算法，具體實驗結(jié)果如表2所示。

從表2消融實驗的結(jié)果可知，第1組原有版本的YOLO v3取得了74.3%的mAP值，檢測速度FPS為 86；第2組采用了mosaic數(shù)據(jù)增強，豐富了檢測圖像背景，提高了模型的泛化能力，其mAP值整體提升了1.2%；對于第3組模型，由于采用了CIoU定位損失函數(shù)，更好地描述了預測框與真實病害標注框的距離，進一步加速了模型的收斂速度，故提升了檢測精度和檢測速度；而第4組實驗嵌入了空間金字塔池化模塊，進一步解決了病害在不同檢測圖像中尺度變化較大的問題，尤其是針對水侵蝕病害，其AP值提升了3.3%，同時檢測速度也隨著網(wǎng)絡模塊的引入略有下降；最后一組即本文所提的改進YOLO v3算法，通過嵌入了SENet注意力機制，進一步增強了病害特征的語義信息，達到了79.8%的mAP值，同時也增加了模型參數(shù)量，故最終檢測速度為84 fps。

表2 消融實驗結(jié)果分析Table 2 Comparison of experimental results of ablation

綜上所述，所提出的每種改進策略均具有一定效果，在剝落、水侵蝕和露筋3種不同的橋梁結(jié)構(gòu)病害上，與原有的YOLO v3算法相比，其AP值分別提升了6.5%，5.0%，5.0%，mAP值提升了5.5%，整體提升效果顯著。而在檢測速度上，隨著SPPNet和SENet等模塊的加入也帶來了更多的模型參數(shù)，檢測速度FPS稍有下降，但仍保持在84FPS，能夠做到實時且更加精準地檢測橋梁病害。

4.2.3 本文算法與其他目標檢測算法結(jié)果對比

霜降前,將成熟的鮮辣椒（青紅椒均可）采摘下來，選擇未受霜凍、無蟲、無病、無傷害的好青辣椒（不能太嫩），晾干表面水分，根據(jù)數(shù)量確定貯藏工具（筐，簍，鐵桶均可），裝具底面先鋪一層70毫米厚的干草木灰（去粗的）然后在灰上擺一層辣椒，辣椒之間要有空隙，其四周用灰隔開，辣椒上邊覆灰厚70毫米，依次類推，最后上面再覆蓋70毫米厚的干草木灰，置于室內(nèi)陰涼處貯存，勿翻動，吃時用一層扒一層，可貯至立春前后。

為了更全面地評測本文所提出的改進YOLO v3算法，本文使用Faster R-CNN檢測算法和SSD檢測算法進行對比實驗，實驗結(jié)果具體如表3所示。從表3可以看出，兩階段的Faster R-CNN方法取得了70.9%的mAP值，但其檢測速度受限于需要產(chǎn)生目標候選區(qū)域而只達到了15FPS。而單階段的SSD和YOLO算法由于省去了生成候選區(qū)域這一中間步驟，通過直接預測對象而獲得了更快的檢測速度，其中YOLO v3算法在精度及速度上表現(xiàn)得更好。而本文所提出的改進YOLO v3算法在平均檢測精度上有較大提升，其mAP值整體提升了5.5%，更加適合應用于復雜場景下的橋梁表觀病害檢測，同時其檢測速度fps相較于原有YOLO v3只減少了2 fps，仍能保持高速且更加精準地識別橋梁病害。

表3 改進的YOLO v3與其他目標檢測算法對比Table 3 Comparison of improved YOLO v3 with other target detection algorithms

5 結(jié)論

1)提出了基于改進YOLO v3的橋梁表觀病害識別方法，通過引入SE注意力機制和SPP模塊來生成更豐富信息的特征圖，有效地抑制了復雜場景下混凝土橋梁表面的背景信息，同時選用更好的定位損失函數(shù)和錨框來訓練網(wǎng)絡，有效改善了因背景復雜、密集分布、光照條件、病害尺寸較小等因素造成的橋梁病害漏檢情況。

閘機端和手機端都無需聯(lián)網(wǎng)，閘機通過藍牙回寫技術，把進出站信息寫入二維碼。雙脫機回寫方案采用脫機安全認證技術，車站網(wǎng)絡沒有要求，整個進出站時間控制在半秒以內(nèi)。支持地鐵復合消費，解決“一碼多進”、“一碼多出”的難點，避免產(chǎn)生單邊交易，是一種等同于刷卡的過閘方式。目前該技術已在上海地鐵全網(wǎng)實現(xiàn)應用，長沙、武漢也采用這種方式。

2)改進的YOLO v3算法的mAP值達到了79.8%。相比原有的YOLO v3算法，其mAP值提升了5.5%，同時其檢測速度保持在84FPS，能做到快速且更加精準地識別復雜背景下的橋梁病害。