基于深度学习SCNet的钢筋混凝土锈蚀裂缝识别

许颖 张天瑞 金淦

摘 要：为提高钢筋混凝土锈蚀裂缝检测分类的效率和精度，提出了一种基于深度学习卷 积神经网络（Convolutional Neural Network，CNN）的钢筋混凝土锈蚀裂缝识别模型 SCNet（Steel Corrosion Net）.首先通过原始数据采集和数据增强构建了39 000 张图片的裂缝数据集，然后利 用TensorFlow 学习框架和Python构建神经网络模型并进行训练测试，根据模型的训练精度和测试精度进行网络结构和网络参数的优化，最终将 SCNet识别模型与两种传统检测方法进行对比.结果表明：文中所建立的SCNet 三分类神经网络模型达到了96.8%的分类准确率，可以有效识别分类钢筋混凝土锈蚀裂缝，并且具有较高的准确率和可测性;在图像数据有阴影、扭 曲等噪声干扰的条件下，两种传统检测方法已不能达到理想的分类效果，SCNet模型仍能表现 出相对稳定的分类性能.

关键词：混凝土裂缝;钢筋锈蚀;卷积神经网络;数据增强;神经网络优化

中图分类号：TU375  文献标志码：A

Identification of Corroded Cracks in Reinforced Concrete Based on Deep Learning SCNetmodel

XU Ying?，ZHANG Tianrui，JIN Gan

（Shenzhen Key Lab of Urban Civil Engineering Disaster Prevention & Reduction，Harbin Institute of Technology，Shenzhen，Shenzhen 518055，China）

Abstract：In order to improve the efficiency and accuracy of corroded cracks detection and classification in rein-forced concrete， a corroded cracks identificationmodel Steel Corrosion Net（SCNet）based on deep learning Convolu-tional Neural Network（CNN）is proposed.A data set of39 000 crack figures is firstly built by original data collection and data enhancement， a SCNet three-classification neural networkmodel is then built and tested by TensorFlow learning framework and Python.According to the training and testing accuracies of themodel， the structure and pa-rameters of the SCNet networkmodel are optimized and the result of the SCNet is compared with two traditional test-ingmethods.The result shows that the SCNetmodel established in this paper achieves the classification accuracy of 96.8%， whichmeans the SCNetmodel can effectively identify and classify the corroded cracks in reinforced concrete with high accuracy andmeasurability.Under the conditions of noise interference such as shadows and distortions， those two traditional testingmethods fail to ideally classify， whereas the SCNetmodel shows a relatively stable classi-fication performance.

Key words：concrete cracks;steel corrosion;Convolutional Neural Network;data enhancement;neural network optimization

钢筋混凝土结构的钢筋锈蚀会引起钢筋体积膨 胀，导致混凝土裂缝的开展进而危害结构的安全性[1].传统的裂缝监测需要人工定期定时完成，但是 存在安全性差、成本高、效率低的问题.随着技术发 展，光纤、扫描电镜、热成像、超声波[2]等技术也被运 用到裂缝检测中来，但这些技术也有其局限性且成 本高昂.目前很多比较全面的结构健康监测系统只 配置在大型建筑之中[3-4]，需要安装大量的传感器，收集数据，并作一定的环境补偿.随着计算机的发 展，一些基于计算机视觉的图像处理技术被投入使用[5-6]，可以检测到混凝土表面缺陷，但是截至目前图像处理技术还存在着不足，比如不能对不同原因 导致的缺陷进一步分类，光照和噪声对其结果影响较大等.

深度学习算法属于机器学习，是一种通过大规 模的数据集训练学习神经网络框架，更新权重提取 特 征的学 习 方 式[7].卷 积 神 经 网 络（Convolutional Neural Network，CNN）是利用深度学习构建的神经 网络，它的灵感来源于动物的视觉皮层[8]，能够有效 地捕捉到图像的网格状拓扑结构，作为判断分类的依据[9]，可以高效地进行图像识别.

对人工神经网络的研究早已开展，但是将这项 技术应用于图像处理尤其是土木工程裂缝识别的时间不是很长.蔡光明[10]提出的桥梁裂缝视频检测系统使用了视频图像处理技术，弥补了桥梁裂缝检测技术的不足.Landstrom等[11]提出了一种基于钢板 表面三维轮廓数据，利用形态图像处理和逻辑推理的统计分类，实现钢板表面裂纹自动在线检测的方 法.Moon等[12]研究开发了一种能够对混凝土表面进行分析并有效识别可视化裂缝的自动检测系统.通过滤波、改进的减法和形态学运算，将裂纹与背景图像区分开来并识别裂纹.

随着BP 神经网络、深度学习等领域的深入研究，裂缝特征提取的效率也随之提高.Zhang等[13]将 深度学习算法应用于道路的裂缝检测方面，给出了一 种 通过深度学 习 来 实现的裂 缝 检测手段.Cha 等[14]将训练的CNN 网络模型与滑动窗口技术相结合，完成对混凝土裂缝图像的检测识别.

然而，现阶段深度学习 CNN只能识别出混凝土 表面是否存在裂缝，还无法判断此裂缝是否为锈蚀裂 缝.有鉴于此，本文将 CNN应用于钢筋混凝土锈蚀裂 缝识别分类，提出了一种基于深度学习 CNN的钢筋混凝土锈蚀裂缝识别模型 SCNet（Steel Corrosion Net），并將其与两种传统检测方法进行对比，结果验证了该 模型的准确性和可测性.若应用于工程实践中，SCNet可以较好地识别钢筋混凝土结构的锈蚀裂缝.

1CNN理论介绍

CNN 由输入、隐含、输出等结构层组成，其中隐 含层包括卷积、池化、激活、全连接、Softmax和Drop-out层等，图1所示为基 本的用于分类的CNN 框 架图[14-15].

卷积层用来提取模型输入数据的基础特征，每一个卷积层有多个矩阵卷积核，每个矩阵的元素都有相应的权重系数和偏差值用来执行卷积操作，其操作公式为：

式中：Xi，j 是图像的第i 行第j 列元素;Wm，n 是卷积核的第m行第n 列权值;Wb 是卷积核的偏置项;Ai，j 是特征 图的第i 行第j 列元素.

输入数据在卷积层行特征提取后，在池化层进行特征过滤，常用的池化方法有最大池化 yij，max和平均池化yij，avg，操作公式为：

式中：yij为池化输出第i 行第j 列元素;X i，j 是池化输 入第i 行第j 列元素;k 是池化窗口的尺寸;s为池化窗 口移动步长.

输出结果经过激活函数非线性处理和全连接层，由softmax层进行分类类别预测.

本文基于CNN 理论搭建了SCNet 模型，其基本 思路是：首先总结一些分类神经网络的基本设计规 律，即输入— 卷积— 池化— 全连接— 输出这样的排 列顺序;其次对各层的数目进行优化调节，如利用三层卷积层相连，使用小卷积核等手段，增加感受野;最后使用ReLU作为激活函数，使得训练效率和学习 速率显著提高，并利用Dropout层来处理过拟合的问题，使得网络有更好的泛化能力.

2构建数据集

深度学习中，很多高识别率的网络都得益于其庞大真实的样本集，样本图像特征的准确性及优劣 也直接影响到后续模型的训练和检测识别.构建神 经网络数据集包括图像数据的采集和数据增强.本文数据集分为3类：钢筋混凝土锈蚀裂缝、其他原因 引起的混凝土裂缝、完整混凝土.其中钢筋混凝土锈蚀裂缝与其他因素引起的裂缝的主要区别在于：锈蚀裂缝有独特的颜色特征（红褐色锈痕），且钢筋锈蚀裂缝表现为通长的裂缝形状，与沿梁长的钢筋（纵 筋）的走向基本一致.而其他裂缝的特征是不规则龟 裂或网状开裂并伴随透明或淡黄凝胶析出等.数据集包括训练集和测试集，二者的数据比例为4∶1.

2.1原始图像数据采集

采集原始图像数据使用了网络查找、自行拍摄、锈蚀试验3种方法.其中网络查找图片 210 张，自行拍摄图片 540 张，锈蚀试验拍摄图片 780 张，共1530 张.网络查找的210张照片中，有90张为钢筋锈蚀引 起混凝土开裂的照片，60 张为其他原因引起混凝土开裂照片，60 张为完整混凝土照片;现场拍摄的540 张照片中，100 张为钢筋锈蚀引起照片，300 张为其他原因导致混凝土开裂照片，140张为完整混凝土照 片.为使图片数据的特征清晰、明确，本文统一了图片的拍摄标准，设定了图像采集规范.首先相机要垂 直于混凝土表面进行拍摄，如图2（b）所示，这样不会 产生几何畸变，保证所有的图片数据特征是在同一个拍摄环境下得到的.

拍摄距离也是影响图像质量的一个重要因素，距离远近决定着图像的视野范围的大小.在实际拍 摄中，本文采用20 cm的拍摄距离.离得太近会拍摄 到一些干扰因素的图像特征，如混凝土表面缺陷等，导致识别率与准确率的降低;离得太远则会无法清 晰拍摄裂缝特征.光照方面，自然光下图像的背景变化较大，会有非均匀的背景亮度，故本文拍摄时加入一个均匀的辅助光照，来减小图像的背景变化.

此外，本文还使用自行拍摄与网络查找的方法.自行拍摄可以按照拍摄规范拍摄，直接用于构建数据集，网络查找图片可能不符合采集规范，因此需要进行图片的缩放或亮度调节和矫正，使网络查找图片符合图片采集规范，也保证了数据的多样性，如图3和图4所示.

2.2钢筋加速锈蚀试验数据采集

为得到钢筋锈蚀引起混凝土裂缝数据，需进行钢筋加速锈蚀试验，共制备 60个钢筋混凝土试件.混凝 土 强 度等 级为C30，试件尺寸为100mm×100mm×200mm，在中心位置放置250mm长钢筋.

采用半浸泡恒电流通电加速试验法，首先用打 磨机打磨钢筋外露部分，除去表面杂质，然后利用环 氧树脂对外露钢筋和导线粘连处进行封闭处理，消 除外露部分钢筋锈蚀对加速锈蚀试验产生的额外影 响.然后将电源正极连接待锈蚀钢筋，电源负极连接不锈钢片，把混凝土浸泡在浓度为5%的氯化钠溶液中，接好电路后开始通电.钢筋锈蚀产物积累会导致 电流强度减小，所以每隔12 h需要对通电线路进行一次检查和调整，以保持电流的稳定.图5所示为加快试验进度，采用并联电路接法进行批量钢筋加速锈蚀试验.一段时间后混凝土表面有钢筋锈蚀产物生成，混凝土开裂，拍摄混凝土开裂后的照片作为数据集的部分原始数据.

2.3 数据增强

在上 述 方 法 获 得 数据的基 础 上，本文利 用OpenCV的随机裁剪、旋转以及随机色彩变换的方式 实现数据增强，以满足训练对数据集大小的要求，其中旋转操作的效果如圖6所示.

经过上述数据增强的方法达到了扩充数据量的效果，一张原始图片可以产生30 张图片数据，剔除一些裂缝占比不够大、明暗度不满足要求的噪音图片，并进行统一尺寸和重命名处理就得到了最终数据集，共计39 000 张，其中3个分类各13000 张.将所有图片数据的80%作为训练集样本，共31200张，20%作为测试集样本，共 7 800张.

3锈蚀裂缝识别分类

本文利用卷积神经网络进行混凝土裂缝图像分类，根据锈蚀裂缝具有红褐色锈痕的独特颜色以及 产生沿纵筋的通长裂缝这两个特征，将数据集分为3 类.具体分类方法是首先根据3种不同分类给训练 集样本添加相对应的标签 0、1、2，再通过监督学习将 这些已知数据和其对应的输出标签进行训练，调整 参数，得到一个最优模型.再利用这个模型将未知数据的所有输入映射到相应输出，输出对应标签，得到分类结果，从而达到分类的目的.在得到网络输入之后，接着定义神经网络框架结构，反复修改参数训练 模型，逐步减小结果误差，最后测试模型在未知数据上的表现.

本文将深度学习 CNN的文件输入、前向传播过程、训练部分、测试部分拆分成了4个独立的程序.这样解耦合可以更加方便地对每一个部分进行独立 修改而不影响后续程序，而且也使整个流程更加灵活.

3.1构建网络框架

经过优化调整，本文基于经典分类神经网络 VGG 设计了一种 SCNet 模型，其网络框架如图7所示.模型由输入层、6个大卷积层、3个全连接层、Soft-max层及输出层组成，其中大卷积层包括卷积层和池化层，第六个大卷积层只包括一次卷积作用.所有的卷积核大小都是3×3，步长设置为1，池化操作的池化窗口大小都是 2×2，步长设置为2.输入大小为224×224×3的图片，经过6层大卷积层的处理，变成了3×3×512的尺寸作为全连接层的输入，接着传输 到 Softmax层判别图片数据的分类.

SCNet 模型各层的尺寸参数及运行后的图片尺寸变化如表1所示.SCNet 模型优点主要有：使用3×3的小卷积核和2×2的池化窗口，增加了神经网络的感 受野，并减少参数数量和计算量;25层的网络深度较深，可以适当提高识别精度;相比于VGG16，降低了一些卷积核数目及全连接层的通道数目，提高了网 络运行速率，也比较适合本文的三分类问题;在卷积层和全连接层后面通过ReLU 激活函数增加非线性，并在全连接层引入了Dropout，提高了网络测试精度.

3.2神经网络的训练和测试

神经网络的训练过程包括定义损失函数的内容 表达形式、挑选反向传播优化算法、在网络框架上一 直输入数据并运行反向传播算法直到误差降到一定范围.如图8所示，第一个阶段是前向传播阶段即输 入数据的计算，统计最终误差;第二个阶段是反向传 播阶段，是将实际输出和理论输出的误差从高层次传播到低层次的过程.

本文为了提高模型的训练精度，优化模型，在构建神经网络框架时加入了激活函数和Dropout层，在训练过程中使用了滑动平均、正则化损失、反向传播 优化算法、指数衰减学习率等优化手段，从而提高SCNet 模型对锈蚀裂缝识别的准确率.

神经网络模型的测试过程也就是让模型去判断数据集样本里的图片数据属于0、1、2 哪一个分类标 签，然后把判断的标签和真正的分类标签比较，统计标签判断正确的图片数，得到正确率.训练集的正确率就是训练精度，测试集的正确率就是测试精度.本文将测试程序与前几个程序独立开来，这样就可以在训练过程中将测试程序作为一个子程序调用.每 训练一个epoch 之后，先停止训练，利用测试程序和最新的模型进行训练集和测试集的测试，分别得到当前模型的训练精度和测试精度，接着在原先的模型上继续训练下一个epoch.

3.3 结果分析

为了方便神经网络的调试与优化，本文使用了TensorBoard来清晰、高效地展示神经网络的训练过程中计算图的构成和一些指标随时间变化的趋势.

一个神经网络的效果是通过其在测试数据上的表现来判断的，因为其最终目的是判断未知数据的分类结果.本文在神经网络每训练一个epoch并保存 现有模型之后，都会验证这个模型在训练集样本和测试集样本上的准确率并记录下来.

3.3.1不同结构框架网络模型结果对比

网络的结构框架对深度学习 CNN 至关重要，隐 含层数目的多少、卷积层池化层的位置、全连接层的大小都会影响模型精度的高低.如图9所示，将 SC-Net模型与经典分类神经网络模型 VGG16在其他基 本参数和训练超参数一致的情况下进行对比.

对比两个模型在数据集上的表现，可以看出虽 然趋势基本一致，但是本文设计的SCNet 模型在训 练集和测试集上精度相较VGG16模型更高，训练精 度达到了98.5%，测试精度达到了96.8%.

3.3.2不同优化方法网络模型结果对比

在训练过程中，本文使用了滑动平均、激活函 数、指数衰减学习率、正则化损失等优化手段.为了判断这些优化方法所起到的作用，用控制变量法对比使用所有优化方法的模型和不使用其中一项优化 方法的模型.图10所示是几个神经网络模型在其他 网络参数和超参数一致的情况下，在裂缝数据集上 训练 25个epoch之后的训练精度和测试精度.

可以明显看出，由于在卷积层和全连接层使用了激活函数去线性化，相当于对网络结构进行了调 整，最终模型的正确率有很大变化.不使用激活函数的正确率只有91.45%，远低于最终结果 96.83%，这 说明神经网络的结构对模型的效果有本质影响.由于模型在裂缝数据集上收敛速度较快，所以滑动平均和指数衰减学习率这两种优化方法起到的作用不是很明显.是否使用正则化损失的模型正确率相差 也较大，在前文中已经提到，正则化可以有效防止过拟合.只要有交叉熵损失就不能很好地拟合数据特 征去分类测试数据，所以使用了正则化和交叉熵损失之和的优化模型在测试集上准确率更高.

3.3.3不同训练超参数网络模型结果对比

模型超参数由试验者手动指定，神经网络不能直接从内部数据估计得到.对于模型超参数的最优 值没有确切理论，只有大量的试验加上经验判斷，根据模型的分类准确结果来进行调整.本文构建的SC-Net模型超参数主要有：指数衰减学习率的初始学习 率、批次大小batchsize、反向传播优化器、训练 epoch次数.

神经网络模型在其他网络参数和超参数一致的情况下，改变某一个超参数，在裂缝数据集上训练 25个epoch 之后得到的训练精度和测试精度如图11所示.

按照经验分别取初始学习率为0.8、0.1、0.05、0.01、0.005，对比发现初始学习率取0.01模型的正确 率最高;分别取 batchsize为24、32、48、56、64，对比发 现 batchsize 取32模型的正确率最高;分别取反向传 播优化器为梯度下降法和Adam优化算法，对比训练结果发现梯度下降法在数据集上正确率较高;分别 取训练 epoch次数为10、15、20、25、30，对比发现训练 25个epoch 之后正确率已经达到峰值，后续只是不断波动，所以本文采取训练 epoch次数为25.

4 可测性研究

为了研究光照强度、明暗变化和图像扭曲等各种问题及噪音对本方法可测性影响，将本文构建的SCNet 模型与两种传统的检测方法 Sobel 边缘检测方 法和Canny 边缘检测方法进行对比.分析3种方法在不同环境下的检测结果，对比讨论本文构建的SCNet 模型在不同环境条件下的可测性.

像素点周围灰度有巨大变化的叫作边缘，而图片边缘包含着图像的重要特征，图片的边缘是其最基础特征，所以确定并提取图像边缘对于整个场景的识别和分类至关重要.对图片的灰度变化的测量、检测和定位就叫作边缘检测.初级阶段中视觉系统 先会把图片背景和边缘分离出来，然后才是图像细节的感知[16].

作为一个离散一阶差分算子，Sobel算子的重要作用是获得亮度函数的一阶梯度近似值.Sobel算子的主要计算方法是灰度线性加权算法，是将需要计算的像素点的周围像素点进行加权，在图像边缘处 取得极值，利用这种特征进行边缘检测.Sobel算子 也会将噪音误测成图像边缘，有着较低的边缘定位精度.Canny 边缘检测方法于1986 年由Canny[17]提 出，这是一种提取不同视觉系统中的有效信息，同时削减了分析数据量的边缘检测方法，已经得到广泛 应用.

选取4 幅不同环境下的裂缝照片，第一张照片 使用正常均匀照明，第二张照片局部有强光，第三张 照片有阴影，第四张存在图像扭曲.对4 张照片分别进行SCNet 模型识别、Canny 边缘检测识别和Sobel 边缘检测识别.分析3种方法在不同环境下的检测结果，对比讨论本文构建的SCNet 模型在不同环境 条件下的可测性.

图12和图13所示是在均匀光照、局部有强光的情况下3种方法的处理结果，可以看出本文提出的SCNet 模型方法正确输出了钢筋混凝土锈蚀裂缝对应的标签，可以很好地分类图像;而 Canny 边缘检测方法受到极大干扰，将大量噪音也识别为边缘，无法 提供有效信息;Sobel 边缘检测方法可以提供一些裂 缝信息，但同样受到噪音严重干扰.

图14和图15所示，在裂缝照片有阴影、扭曲的情况下，SCNet 模型方法可以不受干扰，正确输出钢筋混凝土锈蚀裂缝所对应的标签;而 Canny 边缘检测方法在受到阴影和扭曲干扰时完全失去了边缘特 征，不能作为分类手段;Sobel 边缘检测方法也极大地受到了阴影和扭曲的干扰，判断不了黑暗区域是 由图像损坏还是由噪音引起，不能很好地对混凝土 照片进行分类.

这几种情况的分类结果表明，在正常均匀光照的情况下两种传统检测方法可以提供一些裂缝信息和边缘特征，但是在受到局部强光、阴影、扭曲等干 扰的情况下，两种传统方法很难达到识别效果.所以传统方法的性能受到图像条件的制约和影响，而本文所提出的SCNet 模型分类方法则不受图像条件的干扰，在各种情况下都能表现出相对稳定的分类性能.

但目前SCNet 模型识别裂缝仍有局限性，如对拍摄的图片要求比较高，光照不能太亮或太暗等;混凝土不能有干扰颜色或者类似裂缝的物体;图片分割后每张图片仅能识别单个裂缝等.

5结论

本文基于深度学习 CNN 提出一种用于钢筋混凝 土锈蚀 裂 缝 识 别的SCNet 三分类 模型，主要 结论如下：

1）设定了统一的图片数据采集流程和拍摄标 准，使图片数据的特征清晰、明确，方便后续神经网 络进行训练和测试分类.

2）利用TensorFlow和Python构建了一个混凝土锈蚀图像识别分类的CNN 模型 SCNet，并具有较高的识别率.

3）以往将卷积神经网络应用于混凝土裂缝识 别只能实现对裂缝的二分类，本文提出的SCNet 模型可以识别完整混凝土、混凝土锈蚀裂缝、其他原因 引起的混凝土裂缝，实现了对钢筋混凝土裂缝的三分类.

4）比较了SCNet 模型与两种传统边缘检测方法 在不同环境下的检测效果，结果表明 SCNet 模型方 法相对于两种传统检测方法在不同环境条件下都有更好的稳定性与可测性，受图像噪音干扰较小.

参考文献

[1]陈春华，赵羽习，金伟良.锈蚀钢筋混凝土保护层锈胀开裂时间的预测模型[J].建筑结构学报，2010，31（2）：85-92.

LU C H，ZHAO Y X，JIN W L.modeling of time to corrosion-induced cover cracking in reinforced concrete structures[J].Jour-nal of Building Structures，2010，31（2）：85-92.（In Chinese）

[2]徐晓东.超声波无损检测技术在桥梁健康状况评定中的应用研究[D].长春：吉林大学，2008：8-13.

XU X D.Application study of ultrasonic nondestructive testing technique in bridge health condition assessment[D].Changchun： Jilin University，2008：8-13.（In Chinese）

[3]KURATAm，KImJ，LYNCH J P，et al.Internet-enabled wireless

structuralmonitoring systems：development and permanent deploy-ment at the new Carquinez suspension bridge[J].Journal of Structural Engineering，2013，139（10）：1688-1702

[4]JANG S，JO H，CHO S，et al.Structural healthmonitoring of a

cable-stayed bridge using smart sensor technology ：deployment and evaluation[J].Smart Structures and Systems，2010，6（5-6）：

439-459.

[5]CHA Y J，CHEN J G，B?Y?K?ZT?RK O.Output-only computer

vision based damage detection using phase-based optical flow and unscented Kalman filters[J].Engineering Structures，2017，132：300-313.

[6]薛亚东，李宜城.基于深度学习的盾构隧道衬砌病害识别方法[J].湖南大学学报（自然科学版），2018，45（3）：100-109.  XUE Y D，LI Y C.Amethod of disease recognition for shield tun-nel lining based on deep learning[J].Journal of Hunan University（Natural Sciences），2018，45（3）：100-109.（In Chinese）

[7]LECUN Y，BENGIO Y，HINTON G.Deep learning[J].Nature，2015，521（7553）：436-444.

[8]CIRESAN D C，MEIER U，MASCI J.Flexible，high performance convolutional neural networks for image Classification[C]//In Pro-ceedings of International Joint Conference on Artificial Intelli-gence.Barcelona：AAAI，2011，15（6）：1234-1242.

[9]KRIZHEVSKY A，SUTSKEVER I，HINTON G E.ImageNet clas-sification with deep convolutional neural networks[J].Communi-cations of the ACM，2017，60（6）：84-90.

[10] 蔡光明.高速鐵路桥梁底面裂缝的视频检测系统研究[D].北京：北京交通大学，2011：8-10.

CAI Gm.Study on the video detection systemof crack on the bot-tomof high-speed rail bridge[D].Beijing：Beijing Jiaotong Uni-versity，2011：8-10.（In Chinese）

[11] LANDSTROmA，THURLEYmJ.morphology-based crack detec-tion for steel slabs[J].IEEE Journal of Selected Topics in Signal Processing，2012，6（7）：866-875.

[12]mOON H G，KImJ H.Intelligent crack detecting algorithmon the

concrete crack image using neural network[C]//28th International Symposiumon Automation and Robotics in Construction（ISARC 2011）.Seoul：International Association for Automation and Robot-ics in Construction（IAARC），2011：1461-1467.

[13] ZHANG L，YANG F，DANIEL ZHANG Y，et al.Road crack de-tection using deep convolutional neural network[C]//2016 IEEE International Conference on Image Processing（ICIP）.Phoenix，AZ：IEEE，2016：3708-3712.

[14] CHA Y J，CHOI W，B?Y?K?ZT?RK O.Deep learning-basedcrack damage detection using convolutional neural networks[J].Computer-Aided Civil and Infrastructure Engineering，2017，32（5）：361-378.

[15] 宋青松，张超，田正鑫，等.基于多尺度卷积神经网络的交通标志 识 别[J].湖 南 大学 学 报（自然 科 学 版），2018，45（8）：131-137.

SONG Q S，ZHANG C，TIAN Z X，et al.Traffic sign recognition based onmulti-scale convolutional neural network[J].Journal of Hunan University（Natural Sciences），2018，45（8）：131-137.（In Chinese）

[16] 章毓晋.图象处理和分析[M].北京：清华大学出版社，1999：59-64.

ZHANG Y J.Image processing and analysis[M].Beijing：Tsing-hua University Press，1999：59-64.（In Chinese）

[17] CANNY J.A computational approach to edge detection[J].IEEE

Transactions on Pattern Analysis andmachine Intelligence，1986，8（6）：679-698.