基于Faster-RCNN神经网络桥梁结构识别方法

基于faster-rcnn神经网络桥梁结构识别方法
技术领域
1.本发明涉及桥梁结构识别技术领域，具体涉及基于faster-rcnn神经网络桥梁结构识别方法。


背景技术：

2.近些年来基于深度学习的目标检测算法有了很大的效率提升，但基于桥梁结构图像的处理还存在着一系列问题。随着我国经济的高速发展，人们的生活水平日益提高，城市建设越来越完善，中国桥梁总长度位居世界第一。而传统的桥梁结构检测多依靠人工，不仅效率和准确率得不到保证，而且工作量巨大，因此一种可靠稳定并且高效的重要桥梁结构目标检测算法是必不可少的。
3.当前，使用深度学习进行图像目标检测的常用模型分为单阶段和两阶段两大类。其中，单阶段目标检测模型主要包括yolo系列模型、ssd模型、retinanet模型等，这类模型由于只有单阶段，速度较快，但精度有所损失；两阶段目标检测模型主要包括rcnn模型、fast-rcnn模型、faster-rcnn模型及其改进模型，这类模型将目标检测和分类分两个阶段进行处理，精度较高，但速度受一定影响。
4.faster-rcnn是一种两阶段目标检测算法，由fast-rcnn网络基础上改进而来，其使用rpn网络自动生成roi特征，极大的提升了预选框生成的效率。通过训练，在保证准确率的同时，可以实现接近实时的目标检测效果，
5.但是，faster-rcnn主干网络设计中由于卷积核大小和残差块设计不合理，导致处理过程中损失了较多信息，同时参数量较多，导致训练得到的模型体积较大，不适合部署在生产场景中。可以通过调整优化第一卷积块网络结构、更换激活函数、使用分组卷积替代传统卷积方法解决以上缺点。因此，提出了一种基于faster-rcnn神经网络桥梁结构识别方法。


技术实现要素：

6.本发明的目的在于，提供基于faster-rcnn神经网络桥梁结构识别方法，通过调整第一卷积块网络结构、更换激活函数和使用分组卷积改进faster-rcnn神经网络，并将获取的图像输入至训练后的faster-rcnn神经网络中进行桥梁结构识别，使其在识别桥梁结构时能够使用更小的模型，实现更高的精确度，更快的收敛速度和更强的鲁棒性。
7.为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
8.基于faster-rcnn神经网络桥梁结构识别方法，通过调整第一卷积块网络结构、更换激活函数和使用分组卷积改进faster-rcnn神经网络，并将获取的图像输入至训练后的faster-rcnn神经网络中进行桥梁结构识别；
9.其中，在faster-rcnn网络模型的第一卷积块中使用三层3*3的卷积替代原有单层卷积，通过多个小卷积核替代原有大卷积核，减少计算量和信息损失；
10.其中，将faster-rcnn网络模型残差块中原有的传统卷积更换为分组卷积；
11.其中，将faster-rcn网络模型的relu激活函数更换为leakyrelu激活函数。
12.基于faster-rcnn神经网络桥梁结构识别方法，包括以下步骤：
13.s1：图像获取及数据集划分；
14.s2：针对桥梁结构特征，对faster-rcnn网络模型进行改进；
15.s3：将所述s1预处理后的图像信息输入至s2改进faster-rcnn网络模型中进行训练；
16.s4：利用s3训练好的模型对桥梁结构进行快速检测。
17.进一步的，所述s2对faster-rcnn网络模型进行改进，具体包括：调整第一卷积块网络结构、更换faster-rcnn的激活函数为leakyrelu和在残差块中使用分组卷积代替传统卷积。
18.进一步的，所述调整第一卷积块的网络结构，包括：
19.构建三个卷积层c1、c2、c3，其中卷积层c1、c2的卷积核大小为3*3，卷积步长为1，卷积层c3卷积核大小为3*3，卷积步长为2；
20.将三个卷积层按c1输出为c2输入，c2输出为c3输入的方式相串联；
21.构建一个池化层p，使用最大池化法，设置池化窗口大小为3*3，移动步长为2；
22.将池化层p添加在卷积层c3后，使得c3输出为p输入，至此第一卷积块调整完成；
23.使用新的第一卷积块替换faster-rcnn原始网络使用7*7的第一卷积块，减少计算量和信息损失。
24.进一步的，所述残差块中使用分组卷积代替原有卷积，包括：
25.每个残差块中包括三个卷积层b1、b2、b3；
26.其中，b1卷积核大小为1*1，b2卷积核大小为3*3，b3卷积核大小为1*1；
27.在卷积层b2中，使用分组卷积替代传统卷积。原有传统卷积尺寸为w*h*c，使用分组卷积划分为32个filter组，每个filter组包含个filter，每个filter的尺寸为
28.各filter组完成卷积后，将通道进行堆叠，得到最终的卷积结果；
29.三个卷积层按b1输出为b2输入，b2输出为b3输入形式构建；
30.原残差块中的其他层不变，每一层的输入通道数和输出通道数翻倍；
31.通过使用分组卷积替换传统卷积，可以有效减少参数量，简化模型大小，同时提升识别精度。
32.进一步的，所述更换faster-rcnn的激活函数为leakyrelu，包括：
33.将faster-rcnn主干网络中的激活函数更换为leakyrelu；
34.激活函数leakyrelu计算公式如下：
[0035][0036]
式中的x为待进行处理的数据，y为激活函数处理后的结果，a为负坡度的角度，本发明中设置为0.1。
[0037]
通过调整激活函数为leakyrelu，模型的map指标提升了8％，大幅提升了模型的准确率。
[0038]
进一步的，所述s1图像获取及预处理具体包括：
[0039]
通过在线搜集桥梁图像和结构信息，构建数据集；
[0040]
将标签进行格式转换，以适应faster-rcnn网络模型。
[0041]
进一步的，所述数据集分类为：桥梁结构分为支座、节点板连接件和外平面加劲肋；按8:1:1的比例将数据集随机分为训练集、验证集、测试集，同时保证三者之间图像独立不重复。
[0042]
进一步的，将所述s3将s1预处理后的图像信息输入至s2改进faster-rcnn模型中进行训练，包括：
[0043]
将数据集的标签从csv转换为txt以适应faster-rcnn网络模型的要求；
[0044]
采用改进faster-rcnn网络模型加快对桥梁结构的识别速度；
[0045]
输入端使用图像变化将输入图像统一至600*600像素的rgb图像，以适应网络结构的输入需求；
[0046]
训练参数设置为：初始学习率设为0.01，最小学习率设为0.001，动量设为0.9，采用余弦函数法调整学习率；
[0047]
数据在骨干网络的第一卷积块通过三个卷积层进行数据抽取；
[0048]
激活函数使用leakyrelu；
[0049]
输出每5轮训练后得到的精确率、召回率、map@0.5以及训练所需要的时间，观察相关指标是否满足要求，最终保存训练效果最好的一组模型。
[0050]
进一步的，所述训练时采用余弦函数周期法调整学习率，公式为：
[0051][0052]
其中，η
t
为第t轮训练时使用的学习率，η
max
为最大学习率，η
min
为最小学习率，t
cur
为当前训练轮次，t
max
为设置的下降周期数。
[0053]
进一步的，所述输入端使用图像变化将输入图像统一至600*600像素，具体方法如下：
[0054]
计算放缩比例s，值为图片宽、高与目标宽、高比例中较小的值
[0055]
s＝min{ws/wi,hs/hi}
[0056]
其中，ws为目标图标宽度像素数，本专利中为600；wi为输入图片宽度像素数；hs为目标图标高度像素数，本专利中为600；hi为输入图片高度像素数。
[0057]
计算缩放后图片尺寸,缩放后图片宽度为wn＝s*wi，高度为hn＝s*hi。
[0058]
生成一张600*600像素尺寸的空白图片，设置背景色为灰色。
[0059]
计算缩放后图片在600*600像素灰色图片中的位置，以图片的左上角为定位点，有
[0060]
(x,y)＝((w
s-wn)//2,(h
s-hn)//2)
[0061]
将缩放后的图片复制到600*600像素灰色图片的(x,y)位置，完成图像变化。
[0062]
进一步的，所述s4利用s3训练好的模型对桥梁结构进行快速检测，包括：
[0063]
使用相机、无人机拍摄桥梁结构部位，获取待识别图像；
[0064]
统一化图片大小；
[0065]
将待识别图像输入至最优模型中进行快速识别。
[0066]
本发明的有益效果：
[0067]
本发明实现的基于faster-rcnn神经网络桥梁结构识别方法，通过调整第一卷积块网络结构、更换激活函数和使用分组卷积改进faster-rcnn神经网络，并将获取的图像输入至训练后的faster-rcnn神经网络中进行桥梁结构识别，使其在识别桥梁结构时能够使用更小的模型，实现更高的精确度，更快的收敛速度和更强的鲁棒性。
[0068]
本发明实现的基于faster-rcnn神经网络桥梁结构识别方法，在faster-rcnn网络模型第一卷积块中使用三层3*3的卷积替代原有单层卷积，通过多个小卷积核替代原有大卷积核，减少计算量和信息损失；将faster-rcnn网络模型残差块中原有的传统卷积更换为分组卷积，有效减少参数量，简化模型大小，同时提升识别精度；将faster-rcn网络模型的relu激活函数更换为leakyrelu激活函数，增强特征表达效果，提升了模型的准确率。
[0069]
本发明的基于faster-rcnn神经网络桥梁结构识别方法，在进行识别预测时，可以直接使用相机、无人机等常见设备进行图像采集，无需专业设备，也可以完成识别预测。
[0070]
本发明的基于faster-rcnn神经网络桥梁结构识别方法，不仅具有较高的正确识别率，并且模型体积相对较小，可以在配置较低的计算机上稳定高效运行，因此可以被快速、大量地应用于桥梁检修和维保工作中，可以有效提高桥梁检修维保工作的智能化水平，提升工作效率。
[0071]
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0072]
图1为本发明实施例所述基于faster-rcnn神经网络桥梁结构识别方法的技术流程图；
[0073]
图2为本发明实施例所述改进的深度卷积神经网络结构示意图；
[0074]
图3为本发明实施例所述对图像中桥梁结构检测结果的示意图。。
具体实施方式
[0075]
为了更清楚地说明本发明实施例的技术方案，下面将结合附图对实施例对本发明进行详细说明。
[0076]
实施例1
[0077]
如图1所示：
[0078]
基于faster-rcnn神经网络桥梁结构识别方法，包括以下步骤：
[0079]
s1：图像获取及数据集划分；
[0080]
s2：针对桥梁结构特征，对faster-rcnn网络模型进行改进；
[0081]
s3：将所述s1预处理后的图像信息输入至s2改进faster-rcnn网络模型中进行训练；
[0082]
s4：利用s3训练好的模型对桥梁结构进行快速检测。
[0083]
其中，所述s2对faster-rcnn网络模型进行改进，具体包括：
[0084]
调整第一卷积块的网络结构、更换faster-rcnn的激活函数为relu和在残差块中使用分组卷积代替传统卷积。
[0085]
本实施例中，建立桥梁结构自动检测的神经网络架构，损失函数，超参数：
[0086]
本实施例建立一个基于faster-rcnn神经网络桥梁结构识别方法，能够实现对桥梁重要结构进行快速识别和分类。faster-rcnn算法在目标检测领域具有较好的精确度，适合对桥梁结构这一类形状不规则的目标进行检测，同时可以降低检测成本。
[0087]
本实施例中，对图像获取及预处理包括：
[0088]
数据集分类：
[0089]
本实施例中，通过对桥梁结构件类型进行统计，发现支座、节点板连接件和外平面加劲肋三类桥梁结构件起到的作用和重要性较大，如果发生问题，会极大影响桥梁的安全和稳定。因此，选择支座、节点板连接件和外平面加劲肋三个较重要的桥梁结构件作为分类依据。
[0090]
调整模型第一卷积块网络结构：
[0091]
本实施例中，使用新的第一卷积块替换faster-rcnn原始网络使用7*7的第一卷积块，减少计算量和信息损失，具体替换方法为：
[0092]
第一步：构建三个卷积层c1、c2、c3，其中卷积层c1、c2的卷积核大小为3*3，卷积步长为1，卷积层c3卷积核大小为3*3，卷积步长为2；(如图2所示：(其中conv_1-conc_3对应第一卷积块中的c1-c3))
[0093]
第二步：将三个卷积层按c1输出为c2输入，c2输出为c3输入的方式相串联：
[0094]
第三步：构建一个池化层p，使用最大池化法，设置池化窗口大小为3*3，移动步长为2。
[0095]
第四步：将池化层p添加在卷积层c3后，使得c3输出为p输入，至此第一卷积块调整完成。
[0096]
构建残差块：
[0097]
本实施例中，使用分组卷积替代传统卷积构建残差块，可以有效减少参数量，简化模型大小，同时提升识别精度，其具体构建方法为：
[0098]
每个残差块中包括三个卷积层b1、b2、b3；
[0099]
其中，b1卷积核大小为1*1，b2卷积核大小为3*3，b3卷积核大小为1*1；
[0100]
在卷积层b2中，使用分组卷积替代传统卷积。原有传统卷积尺寸为w*h*c，使用分组卷积划分为32个filter组，每个filter组包含个filter，每个filter的尺寸为
[0101]
各filter组完成卷积后，将通道进行堆叠，得到最终的卷积结果；
[0102]
三个卷积层按b1输出为b2输入，b2输出为b3输入形式构建；
[0103]
原残差块中的其他层不变，每一层的输入通道数和输出通道数翻倍。
[0104]
选择激活函数：
[0105]
本实施例中，使用leakyrelu激活函数替代原有relu激活函数，以增强特征的表达效果，提升模型准确率。
[0106]
激活函数leakyrelu计算公式如下：
[0107][0108]
式中的x为待进行处理的数据，y为激活函数处理后的结果，a为负坡度的角度，本发明中设置为0.1。
[0109]
本实施例中，建立数据集包括：
[0110]
数据集选取：
[0111]
本实施例采用的数据来自于互联网公开的coco-bridge数据集。数据集包含无人机拍摄以及人工拍摄形成的图片；数量约833张。
[0112]
标签格式转换：
[0113]
利用python脚本，将数据集格式转换为faster-rcnn网络可以使用的txt格式，以支持网络训练。
[0114]
建立训练集、测试集、验证集：
[0115]
按照8:1:1的比例划分训练集、测试集、验证集，保证三者图像独立不重复。
[0116]
本实施例中，模型训练包括：
[0117]
设置超参数init_lr＝0.01，min_lr＝0.001，momentum＝0.9，weight_decay＝0，anchors_size＝[8,16,32]，input_size＝[600,600]，freeze_epoch＝50，freeze_batch_size＝3，unfreeze_epoch＝300，unfreeze batch szie＝2。
[0118]
设置训练参数：
[0119]
初始学习率设置为0.01，优化器使用sgd，学习率调整方式使用余弦函数法调整。
[0120]
计算激活函数：
[0121]
主干网络激活函数使用leakyrelu；
[0122]
模型保存：
[0123]
使用精确率，召回率，map@0.5作为评估指标。网络训练时每进行五轮训练就进行一次验证集测试，通过在验证集中的精确率、召回率、map@0.5，最终保存效果最好的一组模型。
[0124]
本实施例中，模型预测包括：
[0125]
如图3所示：图片处理：
[0126]
首先利用相机和无人机收集桥梁结构图像，然后将图像大小统一，缩放成600*600像素尺寸，调整色彩为rgb模式。
[0127]
进行预测：
[0128]
输出包含预测框的图片和特征向量，完成模型预测；图3中横坐标为训练轮次；
[0129]
本实施例中，对于模型的训练，将数据集的标签从csv转换为txt以适应faster-rcnn网络模型的要求；
[0130]
采用改进faster-rcnn网络模型加快对桥梁结构的识别速度；
[0131]
输入端使用图像变化将输入图像统一至600*600像素的rgb图像，以适应网络结构的输入需求，具体方法如下：
[0132]
第一步：计算放缩比例s，值为图片宽、高与目标宽、高比例中较小的值
[0133]
s＝min{ws/wi，hs/hi}
[0134]
其中，ws为目标图标宽度像素数，本专利中为600；wi为输入图片宽度像素数；hs为目标图标高度像素数，本专利中为600；hi为输入图片高度像素数。
[0135]
第二步：计算缩放后图片尺寸。缩放后图片宽度为wn＝s*wi，高度为hn＝s*hi。
[0136]
第三步：生成一张600*600像素尺寸的空白图片，设置背景色为灰色。
[0137]
第四步：计算缩放后图片在600*600像素灰色图片中的位置，以图片的左上角为定位点，有
[0138]
(x,y)＝((w
s-wn)//2,(h
s-hn)//2)
[0139]
第五步：将缩放后的图片复制到600*600像素灰色图片的(x,y)位置，完成图像缩放变化。
[0140]
训练时使用余弦函数周期法调整学习率：
[0141][0142]
其中，η
t
为第t轮训练时使用的学习率，η
max
为最大学习率，η
min
为最小学习率，t
cur
为当前训练轮次，t
max
为设置的下降周期数；
[0143]
数据在骨干网络的第一卷积块通过三个卷积层进行数据抽取；
[0144]
激活函数使用leakyrelu；
[0145]
输出每5轮训练后得到的精确率、召回率、map@0.5以及训练所需要的时间，观察相关指标是否满足要求，最终保存训练效果最好的一组模型。
[0146]
通过调整第一卷积块的网络结构、更换激活函数和在残差块中使用分组卷积代替传统卷积改进faster-rcnn神经网络，并将获取的图像输入至训练后的faster-rcnn神经网络中进行桥梁结构识别。
[0147]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

技术特征：
1.基于faster-rcnn神经网络桥梁结构识别方法，其特征在于：通过调整第一卷积块网络结构、更换激活函数和使用分组卷积改进faster-rcnn神经网络，并将获取的图像输入至训练后的faster-rcnn神经网络中进行桥梁结构识别；其中，在faster-rcnn网络模型的第一卷积块中使用三层3*3的卷积替代原有单层卷积，通过多个小卷积核替代原有大卷积核，减少计算量和信息损失；其中，将faster-rcnn网络模型残差块中原有的传统卷积更换为分组卷积；其中，将faster-rcn网络模型的relu激活函数更换为leakyrelu激活函数。2.如权利要求1所述的基于faster-rcnn神经网络桥梁结构识别方法，其特征在于，包括以下步骤：s1：图像获取及数据集划分；s2：针对桥梁结构特征，对faster-rcnn网络模型进行改进；s3：将所述s1预处理后的图像信息输入至s2改进faster-rcnn网络模型中进行训练；s4：利用s3训练好的模型对桥梁结构进行快速检测。3.如权利要求2所述的基于faster-rcnn神经网络桥梁结构识别方法，其特征在于，所述s2对faster-rcnn网络模型进行改进，包括：调整第一卷积块网络结构、更换faster-rcnn的激活函数为leakyrelu和在残差块中使用分组卷积代替传统卷积。4.如权利要求3所述的基于faster-rcnn神经网络桥梁结构识别方法，其特征在于，所述调整第一卷积块的网络结构，包括：构建三个卷积层c1、c2、c3，其中卷积层c1、c2的卷积核大小为3*3，卷积步长为1，卷积层c3卷积核大小为3*3，卷积步长为2；将三个卷积层按c1输出为c2输入，c2输出为c3输入的方式相串联；构建一个池化层p，使用最大池化法，设置池化窗口大小为3*3，移动步长为2；将池化层p添加在卷积层c3后，使得c3输出为p输入，至此第一卷积块调整完成；使用新的第一卷积块替换faster-rcnn原始网络使用7*7的第一卷积块，减少计算量和信息损失。5.如权利要求3所述的基于faster-rcnn神经网络桥梁结构识别方法，其特征在于，所述残差块中使用分组卷积代替原有卷积，包括：每个残差块中包括三个卷积层b1、b2、b3；其中，b1卷积核大小为1*1，b2卷积核大小为3*3，b3卷积核大小为1*1；在卷积层b2中，使用分组卷积替代传统卷积，原有传统卷积尺寸为w*h*c，使用分组卷积划分为32个filter组，每个filter组包含个filter，每个filter的尺寸为各filter组完成卷积后，将通道进行堆叠，得到最终的卷积结果；三个卷积层按b1输出为b2输入，b2输出为b3输入形式构建；原残差块中的其他层不变，每一层的输入通道数和输出通道数翻倍；通过使用分组卷积替换传统卷积，可以有效减少参数量，简化模型大小，同时提升识别精度。6.如权利要求3所述的基于faster-rcnn神经网络桥梁结构识别方法，其特征在于，所述更换faster-rcnn的激活函数为leakyrelu，包括：
将faster-rcnn主干网络中的激活函数更换为leakyrelu；激活函数leakyrelu计算公式如下：式中的x为待进行处理的数据，y为激活函数处理后的结果，a为负坡度的角度，本发明中设置为0.1；通过调整激活函数为leakyrelu，模型的map指标提升了8％，大幅提升了模型的准确率。7.如权利要求2所述的基于faster-rcnn神经网络桥梁结构识别方法，其特征在于，所述s1图像获取及预处理具体包括：通过在线搜集桥梁图像和结构信息，构建数据集；将标签进行格式转换，以适应faster-rcnn网络模型；其中，数据集分类为：桥梁结构分为支座、节点板连接件和外平面加劲肋；按8:1:1的比例将数据集随机分为训练集、验证集、测试集，同时保证三者之间图像独立不重复。8.如权利要求2所述的基于faster-rcnn神经网络桥梁结构识别方法，其特征在于，将所述s3将s1预处理后的图像信息输入至s2改进faster-rcnn模型中进行训练，包括：将数据集的标签从csv转换为txt以适应faster-rcnn网络模型的要求；采用改进faster-rcnn网络模型加快对桥梁结构的识别速度；输入端使用图像变化将输入图像统一至600*600像素的rgb图像，以适应网络结构的输入需求；训练参数设置为：初始学习率设为0.01，最小学习率设为0.001，动量设为0.9，采用余弦函数法调整学习率；数据在骨干网络的第一卷积块通过三个卷积层进行数据抽取；激活函数使用leakyrelu；输出每5轮训练后得到的精确率、召回率、map@0.5以及训练所需要的时间，观察相关指标是否满足要求，最终保存训练效果最好的一组模型。9.如权利要求8所述的基于faster-rcnn神经网络桥梁结构识别方法，其特征在于，所述训练时采用余弦函数周期法调整学习率，公式为：其中，η
t
为第t轮训练时使用的学习率，η
max
为最大学习率，η
min
为最小学习率，t
cur
为当前训练轮次，t
max
为设置的下降周期数；所述输入端使用图像变化将输入图像统一至600*600像素，具体方法如下：计算放缩比例s，值为图片宽、高与目标宽、高比例中较小的值s＝min{w
s
/w
i
,h
s
/h
i
}其中，w
s
为目标图标宽度像素数，本专利中为600；w
i
为输入图片宽度像素数；h
s
为目标图标高度像素数，本专利中为600；h
i
为输入图片高度像素数；计算缩放后图片尺寸,缩放后图片宽度为w
n
＝s*w
i
，高度为h
n
＝s*h
i
；
生成一张600*600像素尺寸的空白图片，设置背景色为灰色；计算缩放后图片在600*600像素灰色图片中的位置，以图片的左上角为定位点，有(x,y)＝((w
s-w
n
)//2,(h
s-h
n
)//2)将缩放后的图片复制到600*600像素灰色图片的(x,y)位置，完成图像变化。10.如权利要求2所述的基于faster-rcnn神经网络桥梁结构识别方法，其特征在于，所述s4利用s3训练好的模型对桥梁结构进行快速检测，包括：使用相机、无人机拍摄桥梁结构部位，获取待识别图像；统一化图片大小；将待识别图像输入至最优模型中进行快速识别。

技术总结
本发明公开基于Faster-RCNN神经网络桥梁结构识别方法，涉及桥梁结构识别技术领域。本发明通过调整第一卷积块网络结构、更换激活函数和使用分组卷积改进Faster-RCNN神经网络，并将获取的图像输入至训练后的Faster-RCNN神经网络中进行桥梁结构识别，使其在识别桥梁结构时能够使用更小的模型，实现更高的精确度，更快的收敛速度和更强的鲁棒性。本发明不仅具有较高的正确识别率，并且模型体积相对较小，可以在配置较低的计算机上稳定高效运行，因此可以被快速、大量地应用于桥梁检修和维保工作中，可以有效提高桥梁检修维保工作的智能化水平，提升工作效率。提升工作效率。提升工作效率。


技术研发人员：张晓博 李永乐 张欣傲雪 季敬皓 倪盼盼
受保护的技术使用者：西南交通大学
技术研发日：2023.02.02
技术公布日：2023/9/23