2023.7电脑编程技巧与维护1概述随着交通系统的不断完善，桥梁的使用时间和频次都不断提高[1]。桥梁耐久性和安全性非常重要，桥梁检测[2]和维护是不可或缺的工作。桥梁最普遍的早期可预测的损害是可见裂缝[3]，但传统的检测方法成本高、精度小，随着计算机性能的不断进步和机器学习的飞速发展，完全可以用基于深度学习的卷积神经网络的方法[4]进行检测。2桥梁裂缝识别系统原理2.1MobileNetV2针对MobileNetV1版进行升级，开发了V2版本，V1版本的闪光点是深度可分离卷积。在MobileNetV2[5]版本中，它在深度可分离卷积的基础上引入了残差结构及线性瓶颈结构。MobileNetV1与MobileNetV2对比图如图1所示。如图1所示，线性瓶颈层就是从普通瓶颈层中去掉了最后一个非线性激活函数。传统残差结构在通道维数的设定上，先减小后增大。MobileNetV2在设定通道维数时，选择先增大后减小的方式。通过增大通道数，确保可以提取到更多的特征，使模型在参数量、计算时间和性能之间达到了平衡。深度可分离卷积在计算量上与标准卷积是有很大差别的。在输入与输出图像尺寸相同的前提下，输入与输出的特征图的高度和宽度为DF，输入特征图的通道数为M，输出特征图的通道数为N，DK表示卷积核的长和宽。假设输入特征图的大小是DF×DF×M，而输出特征图的大小是DF×DF×N，其中，DF为宽度和高度，提前假定两个是相同的。对于标准的卷积DK×DK，其计算量如公式（1）所示：C1=DK×DK×M×N×DF×DF（1）而对于深度卷积，其计算量如公式（2）所示：a=DK×DK×M×DF×DF（2）逐点卷积计算量如公式（3）所示：b=M×N×DF×DF（3）所以深度可分离卷积总的计算量如公式（4）所示：C2=a+b=DK×DK×M×DF×DF+M×N×DF×DF（4）可以比较深度可分离卷积和标准卷积，如公式（5）所示：（5）如果用3×3的卷积核，深度可分离卷积可以比标准卷积的计算量降低约9倍，且N比较大，减少的参数量会更多。2.2迁移学习迁移学习的提出主要是基于神经网络的学习，是在监督学习和强化学习之后一种新的机器学习方式。相比基于深度学习的桥梁裂缝识别系统邓悦，孙源，汪骁虎（西藏大学信息科学技术学院，拉萨850032）摘要：随着桥梁基础设施建设逐年发展，桥梁裂缝的检测愈发重要。近年来，卷积神经网络的出现能够弥补传统检测方法的缺陷，大大提高了工作效率。针对以上问题，分析并搭建了基于深度学习的桥梁裂缝识别系统。通过清洗数据、调整参数、提高图片分类识别的准确率、降低损失函数，最终准确率...
