基于深度學(xué)習(xí)YOLOX算法的混凝土構(gòu)件裂縫智能化檢測方法

劉珂鋮 謝群 李雁軍

文章編號：1671-3559（2024）03-0341-09DOI：10.13349/j.cnki.jdxbn.20240024.003

摘要： 針對現(xiàn)有混凝土構(gòu)件裂縫人工檢測操作不僅費時、 費力，而且易出現(xiàn)錯檢、 誤檢、 漏檢，以及部分位置難以開展檢測的問題，提出一種基于深度學(xué)習(xí)YOLOX（You Only Look Once）算法的混凝土構(gòu)件裂縫智能化檢測方法；首先采集、 整理包含各類混凝土構(gòu)件的典型裂縫圖像，并通過圖像數(shù)據(jù)增強建立Pascal VOC數(shù)據(jù)集，然后基于Facebook公司開發(fā)的深度學(xué)習(xí)框架Pytorch，利用數(shù)據(jù)集訓(xùn)練YOLOX算法，并進行裂縫識別和驗證；將訓(xùn)練完成后YOLOX算法移植至搭載安卓系統(tǒng)的手機端，進行現(xiàn)場實時檢測操作。結(jié)果表明：在迭代次數(shù)為700時，混凝土構(gòu)件裂縫識別精度可達88.84%，能有效篩分混凝土構(gòu)件表面裂縫，并排除其他干擾項，證明了所提出的方法對裂縫具有較高的識別精度和廣泛的適用性；經(jīng)試驗測試，移植至手機端的YOLOX算法能在提升便攜性的同時保證高效、準確的檢測效果，具有良好的應(yīng)用前景。

關(guān)鍵詞： 深度學(xué)習(xí)； YOLOX（You Only Look Once）算法； 混凝土構(gòu)件； 裂縫識別

中圖分類號： TV544； TP18； TP391.41

文獻標志碼： A

開放科學(xué)識別碼（OSID碼）：

Intelligent Detection Method for Cracks of Concrete Members Based on

Deep Learning YOLOX Algorithm

LIU Kecheng， XIE Qun， LI Yanjun

（School of Civil Engineering and Architecture， University of Jinan， Jinan 250022， Shandong， China）

Abstract： In view of the problem that the existing artificial detection technology for cracks of concrete members was not only time-consuming and laborious but also prone to misdiagnosis， false detection， miss detection， and difficulties in detecting some locations， an intelligent detection method for cracks of concrete elements based on deep learning YOLOX （You Only Look Once） algorithm was proposed. Typical crack images of various concrete members were firstly collected and sorted out， and a Pascal VOC dataset was established through image data enhancement. On the basis of deep learning framework Pytorch developed by Facebook， YOLOX algorithm was then trained and verified for crack identification by using the dataset. YOLOX algorithm after training was transplanted to the mobile phone terminal with Android system for on-site real-time detection. The results show that the crack identification accuracy concrete members can reach 88.84% when the iteration number is 700. Cracks on the surface of concrete members can be effectively screened out and other interference items can be excluded， which indicates that the proposed method has high identification accuracy and wide applicability for cracks. Through the test， YOLOX algorithm transplanted to mobile phone terminals can not only improve portability but also ensure the efficient and accurate detection effect， which has a good application prospect.

Keywords： deep learning; YOLOX （You Only Look Once） algorithm; concrete member; crack identification

收稿日期： 2022-12-21????????? 網(wǎng)絡(luò)首發(fā)時間：2024-01-24T18：14：34

基金項目： 國家自然科學(xué)基金項目（52108214）； 山東省住房城鄉(xiāng)建設(shè)科技計劃項目（2020-K5-18）； 建筑結(jié)構(gòu)加固改造與地下空間

工程教育部重點實驗室開放課題項目（MEKL202006）

第一作者簡介： 劉珂鋮（1999—），男，福建福州人。碩士研究生，研究方向為圖像識別與智慧建造。E-mail：llwllkc0214@foxmail.com。

通信作者簡介： 謝群（1979—），男，山東聊城人。教授，博士，博士生導(dǎo)師，研究方向為新材料結(jié)構(gòu)、 新型裝配式結(jié)構(gòu)、 工程結(jié)構(gòu)抗災(zāi)。

E-mail：cea_xieq@ujn.edu.cn。

網(wǎng)絡(luò)首發(fā)地址： https：//link.cnki.net/urlid/37.1378.N.20240124.1122.006

混凝土構(gòu)件破壞開裂產(chǎn)生的裂縫是構(gòu)件受力和變形最直觀和主要的損傷形式［1］。 在實際工程建筑物的檢測鑒定中， 裂縫損傷屬于可靠性鑒定的主要指標， 在混凝土結(jié)構(gòu)受力性能試驗中， 裂縫也是混凝土結(jié)構(gòu)加載過程中測量的關(guān)鍵指標。 據(jù)美國聯(lián)邦公路管理局2001年公開報道［2］， 公路橋梁工程中人工檢測裂縫損傷存在主觀性強、 精確性差、 定期檢測中易忽略混凝土剪切裂縫等重要裂縫等重大缺陷。 在試驗中對混凝土構(gòu)件裂縫的檢測目前同樣主要由人工進行［3-5］， 但是試驗通常具有往復(fù)加載時間長、 加載級數(shù)多等特點［6］， 因此人工監(jiān)測不僅費時、 費力， 無法實時動態(tài)監(jiān)測， 而且極易因記錄者疲勞等而導(dǎo)致錯檢、 誤檢和漏檢。 探尋一種便捷、 高效的試驗中混凝土構(gòu)件裂縫的檢測方法， 對我國日益增長的建筑抗震性能試驗需求具有重大現(xiàn)實意義。

目前，有關(guān)試驗中混凝土構(gòu)件裂縫檢測的研究匱乏。鑒于傳統(tǒng)的裂縫人工檢測方式在該領(lǐng)域中的諸多缺陷，利用近年來崛起的人工智能是改善現(xiàn)狀的最佳方法。深度學(xué)習(xí)（deep learning， DL）是源于機器學(xué)習(xí)（machine learning， ML）的新興研究方向，深度學(xué)習(xí)的引入使機器學(xué)習(xí)更接近實現(xiàn)人工智能的終極目標。由于深度學(xué)習(xí)具有重現(xiàn)性能良好、處理精度和泛用性廣等諸多優(yōu)點，因此受到施工方和研究者的廣泛關(guān)注與青睞［7-8］。目前，深度學(xué)習(xí)在數(shù)據(jù)模擬、 材料分析、 事故分析及智能檢測等多項土木建筑工程領(lǐng)域中均具有良好的應(yīng)用前景［9-13］。

YOLO（You Only Look Once）系列算法僅瀏覽1次即可識別出圖像中物體的類別和位置，YOLOX算法作為該系列算法的改進版，綜合了系列算法的網(wǎng)絡(luò)的優(yōu)點，使用Focus、 CSPnet網(wǎng)絡(luò)結(jié)構(gòu)進行特征提取，通過Mosaic結(jié)構(gòu)進行數(shù)據(jù)增強，創(chuàng)新地應(yīng)用了新的解耦頭、 Anchor Free思想和SimOTA動態(tài)正樣本匹配方法，大幅改善了YOLO系列算法的識別效果。本文中以各類典型混凝土構(gòu)件為研究對象，提出一種基于深度學(xué)習(xí)YOLOX算法的混凝土構(gòu)件裂縫智能化檢測方法，對混凝土構(gòu)件裂縫進行識別和驗證。

1? YOLOX算法結(jié)構(gòu)及裂縫識別流程

目前學(xué)者們已提出一些基于深度學(xué)習(xí)的裂縫檢測方法［14-16］，并證明了這些方法在裂縫檢測和識別中的良好可行性。這些方法通常應(yīng)用于建成一段時間的道路和橋梁，裂縫尺寸較大，對識別精度要求較低，同時這些裂縫圖像的像素點與灰度值存在重疊，并且與背景和噪聲的形態(tài)存在差異，因此研究者后續(xù)選用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）［17］，或區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（region-based CNN， R-CNN）［18］等改進算法。在試驗過程中，構(gòu)件開裂最先形成的裂縫多為細小裂縫，這些裂縫在圖像中的像素點較小，因此應(yīng)用于道路和橋梁的深度學(xué)習(xí)方法泛用性不足，無法直接應(yīng)用于試驗中混凝土構(gòu)件裂縫的檢測。更重要的是，傳統(tǒng)的神經(jīng)元網(wǎng)絡(luò)系統(tǒng)在裂縫識別時對設(shè)備要求高，訓(xùn)練周期長，通常需要訓(xùn)練上萬次才能達到較高的識別精度［19-20］，無法滿足低成本、易操作和高效檢測混凝土構(gòu)件裂縫的實際需求。

針對混凝土構(gòu)件裂縫檢測面臨的實際問題，本文中提出一種兼具識別快、 運行效率高、 準確率較高等特性［21］的基于深度學(xué)習(xí)YOLOX算法的混凝土構(gòu)件裂縫智能化檢測方法。圖1所示為YOLOX算法與其他最先進的物體探測算法的速度與精度均值對比［21］。由圖可知，相對于作為工業(yè)應(yīng)用最廣泛的探測器之一的YOLOv3算法，YOLOX算法在COCO數(shù)據(jù)集上的精度均值（average precision）更高，在圖像處理器（GPU）Tesla V100上以每秒68.9幀的速率實現(xiàn)精度均值50%，識別效果優(yōu)于同期發(fā)布的YOLOv5算法［21］。

按照網(wǎng)絡(luò)深度和特征圖深度的大小，YOLOX算法可分為輕量級和標準2種類型，YOLOX-s算法是標準網(wǎng)絡(luò)中深度最小、運行最快的算法，能夠?qū)崿F(xiàn)端對端的目標檢測，該算法選用單個神經(jīng)網(wǎng)絡(luò)直接預(yù)測圖像中物品的類別和邊界概率［21］，更適用于現(xiàn)場實際應(yīng)用環(huán)境，因此本文中將YOLOX-s算法應(yīng)用于混凝土構(gòu)件裂縫識別。

用于混凝土構(gòu)件裂縫識別的YOLOX算法的結(jié)構(gòu)如圖2所示，其中CSPDarknet是主干特征提取網(wǎng)絡(luò)，輸入的圖像首先在該網(wǎng)絡(luò)中進行特征提取，提取

到的特征稱為特征層，是輸入圖像的特征集合；特征金字塔網(wǎng)絡(luò)（feature pyramid network， FPN）是加強特征提取網(wǎng)絡(luò)，特征層在該網(wǎng)絡(luò)中進行特征融合，從而結(jié)合不同尺度的特征信息；Yolo Head是分類器和回歸器，經(jīng)由前2個結(jié)構(gòu)產(chǎn)出的加強特征層，具有寬度、 高度和通道個數(shù)等尺度，此時可將特征圖看作多個特征點的集合，而每個特征點都有等同于通道個數(shù)的特征，分類器和回歸器Yolo Head的作用即為判斷是否有物體與這些特征點相對應(yīng)。圖3所示為YOLOX算法中分類器和回歸器Yolo Head與舊版本YOLO算法的區(qū)別［21］。由圖2、 3可知，與舊版本YOLO算法不同，在YOLOX算法結(jié)構(gòu)中，分類器和回歸器Yolo Head分成兩大部分，分別實現(xiàn)對應(yīng)功能，直到最后進行預(yù)測時才進行整合。綜上所述，整個YOLOX算法的工作流程可以概括為特征提取—特征加強—預(yù)測特征點對應(yīng)的物體類別。

利用YOLOX算法識別裂縫的主要步驟如下： 1）混凝土構(gòu)件裂縫檢測模塊根據(jù)輸入的裂縫圖像進行識別和標注； 2）裂縫識別模塊對檢測到的混凝土構(gòu)件裂縫區(qū)域裁剪出子圖像，根據(jù)子圖像中是否存在裂縫進行圖像二分類； 3）預(yù)測得出裂縫的識別結(jié)果。

2? 數(shù)據(jù)集建立

2.1? 圖像采集及擴增

由于國內(nèi)尚沒有混凝土構(gòu)件裂縫的公開數(shù)據(jù)集，因此以濟南大學(xué)存有的試驗用混凝土構(gòu)件、 實際工程混凝土構(gòu)件作為研究對象，構(gòu)件類型涵蓋鋼筋-混凝土梁、 柱、 板、 剪力墻、 基礎(chǔ)、 外墻等，采集這些構(gòu)件表面裂縫的圖像。

為了提高混凝土構(gòu)件裂縫識別的準確性， 對采集到的圖像通過圖像旋轉(zhuǎn)、 翻轉(zhuǎn)、 模糊、 增加噪點、 改變亮度等方式進行圖像數(shù)據(jù)擴增， 增加數(shù)據(jù)集的樣本量， 有效緩解算法的過擬合， 提高算法的泛化能力。 裂縫原圖及原圖增強樣例如圖4所示。 處理后的數(shù)據(jù)集中圖像數(shù)據(jù)擴增至702個，建立基于Pascal VOC格式的混凝土構(gòu)件裂縫數(shù)據(jù)集， 然后按照訓(xùn)練用數(shù)據(jù)集與驗證用數(shù)據(jù)集中數(shù)據(jù)個數(shù)之比為9∶1， 將所建立的混凝土構(gòu)件數(shù)據(jù)集劃分為訓(xùn)練用數(shù)據(jù)集和驗證用數(shù)據(jù)集。

2.2? 數(shù)據(jù)處理

在建立數(shù)據(jù)集后，進行圖像裂縫標注時需要考慮混凝土構(gòu)件裂縫的實際特性，正確判斷圖像中的裂縫是否為構(gòu)件開裂破壞時產(chǎn)生的裂縫，同時區(qū)分其他干擾項，例如辨別風(fēng)干開裂的漆面褶皺、 構(gòu)件上標注的人工筆跡等。

選用Labelimg系統(tǒng)對數(shù)據(jù)集圖像進行標注， 混凝土構(gòu)件裂縫標注樣例如圖5所示。 標注完成后， Labelimg系統(tǒng)生成含有裂縫標注信息的擴展名為txt的文本文件， 包含標注的裂縫個數(shù)和坐標等信息。

3? YOLOX算法訓(xùn)練及識別效果分析

3.1? 訓(xùn)練配置

選用華碩品牌飛行堡壘系列GL502VML型便攜式計算機進行訓(xùn)練， 硬件配置為英偉達品牌精視系列GTX 1060 3GB型GPU， 英特爾品牌酷睿系列i7-6700HQ型中央處理器（CPU）；操作系統(tǒng)為Windows 10 21H1版本，開發(fā)平臺選用Pycharm，軟件環(huán)境為Python 3.6；深度學(xué)習(xí)框架選用Facebook公司開發(fā)的Pytorch 1.2.0；根據(jù)建立的Pascal VOC格式的混凝土構(gòu)件裂縫數(shù)據(jù)集訓(xùn)練YOLOX-s算法。

3.2? 訓(xùn)練方案

選取標注的數(shù)據(jù)集中的裂縫圖像庫作為訓(xùn)練樣本。 初始權(quán)重文件為yolox_s.pth； 使用單GPU加速訓(xùn)練； 算法的最大、 最小學(xué)習(xí)率分別設(shè)定為0.01、 0.000 1， 學(xué)習(xí)率下降方式選為余弦退火（cosine annealing）； 選用隨機梯度下降（stochastic gradient descent， SGD）優(yōu)化器，為了防止過擬合，設(shè)置權(quán)值衰減系數(shù)為0.000 5。

3.3? 損失計算

YOLOX算法的檢測頭主要分為Cls、 Reg和Obj這3個部分，其中Cls用于判斷每個特征點包含物體的種類，Reg用于判斷特征點的回歸參數(shù)，Obj用于判斷特征點是否包含物體。YOLOX算法在訓(xùn)練迭代中的損失L由分類損失Lcls、 定位損失Lreg和置信度損失Lobj這3個部分組成，其中Lcls和Lreg只計算正樣本的損失，Lobj中對正、 負樣本的損失均進行計算。損失L的計算公式［21］為

L=Lcls+λLreg+LobjNpos ，（1）

式中： λ為定位損失Lreg的平衡系數(shù)，設(shè)置為5； Npos為正樣本的錨點個數(shù)。

3.4? 評價指標

通常采用廣泛應(yīng)用于目標檢測算法模型的識別效果評估［22-24］的平均精度均值（mean average precision）作為衡量模型性能的評價指標；但本文所提出的方法僅對混凝土構(gòu)件裂縫進行目標檢測，因此本文中YOLOX算法可以直接選用精度均值作為裂縫識別的評價指標。精度均值能有效反映模型識別的效果優(yōu)劣，數(shù)值越大則結(jié)果越好。根據(jù)精度P與召回率R的關(guān)系建立P-R曲線，精度均值Pa在對P-R曲線下方區(qū)域的面積進行積分后得出，具體公式［22-24］為

P=TpTp+Fp ，（2）

R=TpTp+Fn ，（3）

Pa=∫10PRdR ，（4）

式中： Tp為被正確識別為含有裂縫的正樣本數(shù)量； Fp為被正確識別為未含有裂縫的負樣本數(shù)量； Fn為未被正確識別為含有裂縫的正樣本的個數(shù)。

3.5? 訓(xùn)練結(jié)果

YOLOX算法共進行1 000次訓(xùn)練，算法訓(xùn)練的迭代次數(shù)與損失、 平均精度均值的關(guān)系如圖6所示，算法訓(xùn)練時的損失如表1所示。

訓(xùn)練損失、 驗證損失—YOLOX算法在

訓(xùn)練用數(shù)據(jù)集、 驗證用數(shù)據(jù)集中的損失。

由圖6、 表1可知，當(dāng)?shù)螖?shù)為700時，YOLOX算法在訓(xùn)練用數(shù)據(jù)集中的損失（簡稱訓(xùn)練損失）和驗證用數(shù)據(jù)集中的損失（簡稱驗證損失）相近，表明此時精度已相對較高，同時驗證損失與后續(xù)迭代次數(shù)為800～1 000時差別較小，可見YOLOX算法在迭代次數(shù)為700時即可滿足現(xiàn)實場景中的泛化誤差，因此綜合考慮時間成本，選取迭代次數(shù)為700時的權(quán)值文件作為YOLOX算法訓(xùn)練結(jié)果。

由于YOLOX算法的精度和召回率隨門限值的變化而變化， 因此通常定義門限值為0.5。 YOLOX算法訓(xùn)練后的精度、 召回率、 精度均值、 精度與召回率的調(diào)和均值F1的評估曲線如圖7所示。 由圖可知， 裂縫識別的精度、 召回率分別為88.84%、 85.27%， 精度均值為88.4%， 精度與召回率的調(diào)和均值F1達到87%， 說明此時YOLOX算法的裂縫識別能力和準確性均較高。

3.6? 訓(xùn)練后YOLOX算法的裂縫識別效果測試

為了進一步驗證算法精度，選取其他混凝土構(gòu)件圖像，裂縫識別效果測試結(jié)果見圖8。由圖8（a）、 （b）可知，訓(xùn)練完成后的YOLOX算法能夠較好地區(qū)分裂縫和人工筆跡等其他干擾項，識別出測試圖中存在的裂縫；由圖8（c）可知，在表面粗糙的構(gòu)件基礎(chǔ)上，復(fù)雜背景中的細小裂縫仍能被正確識別；由圖8（d）可知，未存有裂縫的圖像不進行標注。綜上所述，訓(xùn)練后的YOLOX算法整體標注效果與傳統(tǒng)人工標注水平相近。

4? YOLOX算法移植至安卓系統(tǒng)

4.1? 基于ncnn框架的移植

將訓(xùn)練完成后的YOLOX算法運用于裂縫識別時， 通常需要采用計算機結(jié)合拍攝設(shè)備的協(xié)同方式進行， 實施流程比傳統(tǒng)人工檢測和計算機圖像處理方法有所改進， 但是仍過于繁瑣， 并且專業(yè)拍攝設(shè)備便攜性欠佳。 為了便于實際裂縫檢測操作， 基于ncnn框架和Open CV-mobile編譯庫將訓(xùn)練完成后的YOLOX算法移植至手機端。

Open CV-mobile是基于跨平臺的計算機視覺和機器學(xué)習(xí)的Open CV軟件庫改進開發(fā)的最小化編譯庫， 包含大部分常用的圖像處理功能。ncnn框架是一個專為手機端極致優(yōu)化的高性能神經(jīng)網(wǎng)絡(luò)前向計算依賴框架， 也是業(yè)界首個專精于手機端優(yōu)化的開源神經(jīng)網(wǎng)絡(luò)推斷庫， 2017年7月由騰訊優(yōu)圖實驗室開源發(fā)布。ncnn框架與傳統(tǒng)手機端編譯框架caffe-android-lib、 mini-caffe在YOLOX算法運行過程中內(nèi)存使用量、 CPU使用率和得出基準結(jié)果所需時間對比如圖9所示。由圖可知：相較于傳統(tǒng)手機端編譯框架， ncnn框架在YOLOX算法運行前、 后內(nèi)存使用量更小， 運行YOLOX算法時CPU占用率相對更低， 得出基準結(jié)果更快?；趎cnn框架， 開發(fā)者無須依賴第三方庫就能將深度學(xué)習(xí)算法封裝產(chǎn)出人工智能應(yīng)用的手機軟件（mobile application，

APP），以提升算法的便攜性。

4.2? YOLOX算法移植方案

在目前全球范圍內(nèi)的三大主流手機系統(tǒng)中，Apple公司開發(fā)的iOS系統(tǒng)用戶人數(shù)超過17億，占比為34%，Google公司開源開發(fā)的安卓（Android）系統(tǒng)用戶人數(shù)超過30億，占比為60%，華為公司開發(fā)的鴻蒙系統(tǒng)用戶人數(shù)為3.2億，占比為6%，大多數(shù)用戶持有的智能手機均搭載安卓系統(tǒng)，因此優(yōu)先考慮將YOLOX算法移植至安卓系統(tǒng)。

采用Android Studio、 Visual Studio 2019軟件平臺進行算法移植。在配置protobuf、 ncnn框架后， 修改YOLOX算法結(jié)構(gòu)中的部分參數(shù)以適配手機軟件的開發(fā)， 由YOLOX算法中提供的工具包export_onnx.py生成開放神經(jīng)網(wǎng)絡(luò)交換（open neural network exchange， ONNX）格式文件，存儲訓(xùn)練完成的算法并便于算法在不同框架間進行轉(zhuǎn)移，命名為yolox.onnx；然后由onnx2ncnn代碼產(chǎn)出參數(shù)文件yolox-nano.param和編譯后的二進制文件yolox-nano.bin，將其中部分參數(shù)修正后導(dǎo)入Android Studio軟件中的ncnn框架，連接搭載基于安卓系統(tǒng)定制的MIUI系統(tǒng)的Redmi K50 Ultra型智能手機，生成集成訓(xùn)練完成的YOLOX算法的手機軟件，命名為yolox_demo。

4.3? YOLOX算法移植前、 后裂縫識別效果對比測試

測試手機軟件文件yolox_demo完整，確認未發(fā)生閃退等故障后，設(shè)計一根鋼筋-混凝土柱用于實際裂縫檢測。采用伺服作動器對鋼筋-混凝土柱施加水平往復(fù)荷載，構(gòu)件屈服前由力控制加載，屈服后選用位移控制加載，每級加載循環(huán)3次。鋼筋-混凝土柱檢測現(xiàn)場如圖10所示。

鋼筋-混凝土柱開始加載后，啟動yolox_demo手機軟件調(diào)用手機攝像頭，該軟件可選用GPU模式和CPU模式，其中GPU模式識別裂縫效果更佳，因此選用GPU模式與移植前的計算機端共同對檢測過程中的鋼筋-混凝土柱實時拍攝識別，檢測同一構(gòu)件相同表面處的裂縫進行對比，移植前、后YOLOX算法檢測效果對比如圖11所示，其中左、 右圖分別為手機端、計算機端識別結(jié)果，2種終端

對同一區(qū)域的裂縫識別結(jié)果以雙向箭頭標示。以圖11（b）為例，使用手機端識別2處裂縫的概率分別為88.0%、 78.8%，而計算機端識別對應(yīng)區(qū)域的概率則為94.0%、 83.0%，分別相差6.0%、 4.2%。原因是手機端設(shè)備的硬件配置弱于計算機端設(shè)備的，并且當(dāng)前技術(shù)尚無法解決［25-26］，但是整體來看，移植前、 后識別效果相近，同時相對于計算機端，手機端具有更高的便攜性和更多的應(yīng)用場景［26］，證明本文所提出的方法中YOLOX算法的移植在提升YOLOX算法便攜性的同時仍然保證了較高的識別精度。

5? 結(jié)論

本文中通過采集各類典型混凝土構(gòu)件圖像，提出基于深度學(xué)習(xí)YOLOX算法的混凝土構(gòu)件裂縫智能化檢測方法，得到如下結(jié)論：

1）經(jīng)采集的圖像數(shù)據(jù)集訓(xùn)練迭代后，混凝土構(gòu)件裂縫識別精度可達88.84%，本文所提出的方法具有識別準確率高、 易于從業(yè)人員操作、 對訓(xùn)練樣本數(shù)量要求少等眾多優(yōu)點，相較現(xiàn)有的人工檢測，保障了檢查人員的人身安全，同時解決了人工檢測時易因記錄者主觀原因錯檢、 誤檢和漏檢等技術(shù)難題，在試驗和工程中兼具廣泛應(yīng)用前景和實際工程價值。

2）將訓(xùn)練后的YOLOX算法經(jīng)由ncnn框架和Open CV-mobile編譯庫封裝，移植至搭載安卓系統(tǒng)的智能手機，并檢測鋼筋-混凝土柱實際受力產(chǎn)生的裂縫，識別效果良好，并且移植前、 后識別精度相近，移植方法在保證識別精度的同時有效提升了算法的便攜性和實時性。

參考文獻：

［1］? 中國建筑科學(xué)研究院. 混凝土結(jié)構(gòu)試驗方法標準： GB/T 50152—2012［S］. 北京： 中國建筑工業(yè)出版社， 2014： 6-7， 31-32.

［2］? GRAYBEALBA，PHARESBM，ROLANDER D D，et al.Visual inspection of highway bridges［J］. Journal of Nondestructive Evaluation， 2002， 21（3）： 67.

［3］? 徐文靖， 邵曉東， 馬骉， 等. 采用UHPC連接的預(yù)制拼裝橋墩構(gòu)造及試驗研究［J］. 土木工程學(xué)報， 2022， 55（12）： 105.

［4］? 付波， 李梓捷， 林晨豪， 等. 考慮豎向荷載的外包裝飾層鋼板剪力墻抗震性能試驗研究［J］. 工業(yè)建筑， 2022， 52（11）： 49.

［5］? 楊丹， 賈彬， 郭瑞. GFRP筋混凝土梁柱組合體抗震性能試驗研究［J］. 建筑結(jié)構(gòu)學(xué)報， 2022， 43（10）： 225.

［6］? 中國建筑科學(xué)研究院. 建筑抗震試驗規(guī)程： JGJ/T 101—2015［S］. 北京： 中國建筑工業(yè)出版社， 2015： 10.

［7］? 孫志軍， 薛磊， 許陽明， 等. 深度學(xué)習(xí)研究綜述［J］. 計算機應(yīng)用研究， 2012， 29（8）： 2806.

［8］? 周飛燕， 金林鵬， 董軍. 卷積神經(jīng)網(wǎng)絡(luò)研究綜述［J］. 計算機學(xué)報， 2017， 40（6）： 1229.

［9］? 王琛， 樊健生. 基于深度學(xué)習(xí)的土木工程結(jié)構(gòu)全過程響應(yīng)智能計算框架［J］. 建筑結(jié)構(gòu)學(xué)報， 2023， 44（1）： 259.

［10］? 李瀟睿， 班曉娟， 袁兆麟， 等. 工業(yè)場景下基于深度學(xué)習(xí)的時序預(yù)測方法及應(yīng)用［J］. 工程科學(xué)學(xué)報， 2022， 44（4）： 757.

［11］ ?胡媛媛. 依賴深度學(xué)習(xí)算法的建筑工程管理項目最優(yōu)化控制［J］. 貴陽學(xué)院學(xué)報（自然科學(xué)版）， 2021， 16（4）： 92.

［12］? 李巖， 楊豪杰， 劉輝， 等. 基于深度學(xué)習(xí)的混凝土裂縫檢測研究［J］. 信息技術(shù)與信息化， 2021（12）： 233.

［13］? 劉婷， 張社榮， 王超， 等. 水利施工事故文本智能分析的BERT-BiLSTM混合模型［J］. 水力發(fā)電學(xué)報， 2022， 41（7）： 1.

［14］? 曹錦綱， 楊國田， 楊錫運. 基于注意力機制的深度學(xué)習(xí)路面裂縫檢測［J］. 計算機輔助設(shè)計與圖形學(xué)學(xué)報， 2020， 32（8）： 1324.

［15］? 王琨. 基于深度學(xué)習(xí)的路面破損檢測研究及應(yīng)用［D］. 武漢： 武漢理工大學(xué)， 2019.

［16］? 楊杰文， 章光， 陳西江， 等. 基于深度學(xué)習(xí)的較復(fù)雜背景下橋梁裂縫檢測［J］. 鐵道科學(xué)與工程學(xué)報， 2020， 17（11）： 2722.

［17］? 吳向東， 趙健康， 劉傳奇. 基于CNN與CRF的橋梁裂縫檢測算法［J］. 計算機工程與設(shè)計， 2021， 42（1）： 51.

［18］? 肖力煬， 李偉， 袁博， 等. 一種基于改進實例分割模型的路面裂縫檢測方法［J］. 武漢大學(xué)學(xué)報（信息科學(xué)版）， 2023， 48（5）： 765.

［19］? 李太文， 范昕煒. 基于Faster R-CNN的道路裂縫識別［J］. 電子技術(shù)應(yīng)用， 2020， 46（7）： 53.

［20］? 楊文偉， 楊霞， 蒙卉恩. 基于壓電陶瓷的PVA-ECC混凝土柱裂縫損傷監(jiān)測［J］. 沈陽建筑大學(xué)學(xué)報（自然科學(xué)版）， 2020， 36（4）： 628.

［21］? GEZ，LIUST，WANGF，etal.YOLOX：exceedingYOLOseries in 2021［EB/OL］. （2021-08-06）［2022-10-09］. https：//doi.org/10.48550/arXiv.2107.08430.

［22］? REDMON J， FARHADI A. YOLOv3： an incremental improvement［EB/OL］. （2018-04-08） ［2022-10-09］. https：//doi.org/10.48550/arXiv.1804.02767.

［23］? 李健偉， 曲長文， 彭書娟， 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標檢測［J］. 系統(tǒng)工程與電子技術(shù)， 2018， 40（9）： 1957.

［24］? CAO G，XIE X，YANG W，et al.Feature-fused SSD：fast detection for small objects［EB/OL］. （2018-11-27） ［2022-10-09］. https：//doi.org/10.48550/arXiv.1709.05054.

［25］? 《電腦迷》編輯部. 手機CPU與電腦CPU的性能究竟差多少［J］. 電腦迷， 2015（8）： 55.

［26］? 劉九如， 尹茗. 我國智能終端產(chǎn)業(yè)發(fā)展研究及政策建議［J］. 產(chǎn)業(yè)經(jīng)濟評論， 2022（6）： 11， 15-16.

（責(zé)任編輯：王? 耘）