摘要:为了克服传统数字图像处理方法进行桥梁裂缝识别时面临的效率低、效果不佳等问题，提出了集成深度学习YOLOv5和U-Net3+算法的一体化桥梁裂缝智能检测方法.通过调整算法宽度和深度参数，优化边界框损失函数，构建基于YOLOv5目标检测算法的裂缝识别定位模型，实现桥梁裂缝快速识别与定位；引入结合深度监督策略及预测输出模块的U-Net3+图像分割算法，训练并构建桥梁裂缝高效分割模型，实现像素级裂缝智能化提取；建立结合连通域去噪、边缘检测、形态学处理的八方向裂缝宽度测量法，基于U-Net3+裂缝分割结果实现裂缝形态及宽度高精度测量；利用LabelImg图像标注软件制作包含4 414张图像的裂缝识别定位模型训练数据集；利用LabelImg图像标注软件及CFD数据集制作包含908张图像的裂缝分割模型训练数据集；利用无人机航拍的485张5 280×2 970 pixels桥梁索塔裂缝图像，来制作裂缝智能检测模型的测试对象.将所提出的裂缝检测方法应用于上述裂缝测试对象，其裂缝识别定位准确率91.55%、召回率95.15%、F1分数93.32%，裂缝分割准确率93.02%、召回率92.22%、F1分数92.22%.结果表明，基于YOLOv5与U-Net3+的桥梁裂缝智能检测方法，可实现桥梁裂缝高效率、高精度、智能化检测，具有较强的研究价值和广泛的应用前景.