斜拉索表观病害图像智能识别综述

张洪; 蒋小刚; 朱志伟; 夏润川; 周建庭

doi:10.3969/j.issn.0258-2724.20220647

斜拉索表观病害图像智能识别综述

doi: 10.3969/j.issn.0258-2724.20220647

张洪^{1, 2,},
蒋小刚²,
朱志伟²,
夏润川¹,
周建庭^1, ,

1.
重庆交通大学省部共建山区桥梁及隧道工程国家重点实验室，重庆 400074
2.
重庆交通大学信息科学与工程学院，重庆 400074

基金项目: 国家自然科学基金项目（52278291，U20A20314）；重庆市自然科学基金项目（CSTB2022NSCQ-LZX0006，CSTB2022TIAD-KPX0205）；中国博士后科学基金项目（2021MD703915）

详细信息

作者简介:
张洪（1987—），男，教授，博士，研究方向为桥梁健康监测及无损检测，E-mail：hongzhang@cqjtu.edu.cn

通讯作者:
周建庭（1972—），男，教授，博士，研究方向为桥梁病害诊断与加固，E-mail：jtzhou@cqjtu.edu.cn

中图分类号: U445.71
计量
- 文章访问数: 359
- HTML全文浏览量: 110
- PDF下载量: 90
- 被引次数: 0
出版历程
- 收稿日期: 2022-09-27
- 修回日期: 2023-01-11
- 网络出版日期: 2024-06-04
- 刊出日期: 2023-01-12

Review on Intelligent Image Recognition of Apparent Diseases of Stay Cable

1.
State Key Laboratory of Mountain Bridge and Tunnel Engineering, Chongqing Jiaotong University, Chongqing 400074, China
2.
School of Information Science and Engineering, Chongqing Jiaotong University, Chongqing 400074, China

摘要

摘要:
斜拉索是斜拉桥的主要承重构件之一，其外层护套病害容易渗透影响索内钢丝健康，采用视频图像法智能识别出拉索表观病害意义重大. 从传统图像检测和深度学习两方面系统地综述了基于图像识别的斜拉索表观损伤识别方法，以及各个方法的基本原理和应用效果，对目前的检测实例进行深入分析；介绍一些前沿深度学习方法，为拉索表观检测提供参考；归纳各类方法的主要特点，对目前检测中存在的问题进行了探讨和展望. 以深度学习模型为主的图像识别方法具有较好的识别准确率和算法鲁棒性、较强的学习能力和适应性，综合图像缺陷识别效果最优，但仍存在检测精度和速度难平衡、图像数据需求大和标注成本高等难点. 为此，可以采取提高图像质量、构建更多半监督和无监督相关的深度学习模型、提升检测模型学习能力等手段改善检测方法.
- 斜拉索 /
- 表观病害 /
- 图像识别 /
- 深度学习
Abstract:
The stay cable is one of the main load-bearing elements of cable-stayed bridges, and the disease of its outer sheath is easy to penetrate inside the cable and affect the health of the steel wire. Therefore, it is significant to use the video image method to intelligently identify the apparent disease of the cable. Based on image recognition, the methods of apparent disease recognition for stay cable were systematically reviewed from two aspects: traditional image detection and deep learning. The basic principles and application effects of each method were introduced, and the current detection examples were analyzed. Some cutting-edge deep learning methods were introduced to provide a reference for the apparent detection of cables. The main features of various methods were summarized, and the problems existing in the current detection were discussed and prospected. The deep learning model-based image recognition method had better recognition accuracy and algorithm robustness, stronger learning ability and adaptability, and optimal comprehensive image defect recognition effect, but there were still difficulties such as the difficult balance between detection accuracy and speed, large image data demand, and high labeling cost. To this end, detection methods could be improved by improving image quality, constructing more semi-supervised and unsupervised deep learning models, and enhancing the learning ability of detection models.
- stay cable /
- apparent disease /
- image recognition /
- deep learning

HTML全文

随着现代交通运输的快速发展，跨海桥梁已成为连接不同城市和地区的重要枢纽，对促进社会和经济的发展具有重要意义^[1-4]. 近年来，随着施工技术的提升以及大型预制件的推广，大型预制钢沉井基础由于其结构强度高、施工周期短、适应性强等特点，已在世界各地的跨海桥梁建设中得到广泛应用^[5]. 然而，我国经常遭受风暴潮、海浪和赤潮等灾害，是世界上遭受海洋灾害影响最为严重的国家之一^[6]. 大型钢沉井基础作为跨海桥梁的关键组成部分，其安全顺利的定位下放对整个桥梁工程的成功建设至关重要. 大型钢沉井的定位下放会受到如波浪、水流、施工技术等多种因素的影响，给钢沉井基础下放过程中的稳定性和安全性带来巨大的挑战.

为保证跨海桥梁沉井基础定位下放过程中的稳定性和安全性，众多学者对沉井的定位下放开展了研究^[7-8]. 李维生等^[9]采用数值模拟与现场实测数据相结合的方式，对大型沉井首次接高下沉期的隔墙钢壳和混凝土的协同工作性能进行研究. Dong等^[10]基于常泰长江大桥主墩沉井基础施工监测，建立并优化了机器学习（ML）模型来预测沉井基础施工过程中的倾斜度. 魏凯等^[5]采用CFD （computational fluid dynamics）方法对某大型沉井在不同水深和不同流速下沉井周围流场特性和湍流特征等进行研究，并分析沉井所受水流力随入水深度的变化规律. 然而，在复杂海洋环境中，大型钢沉井在定位下放过程中可能会遭受到波浪和水流的共同影响. 目前，针对大型钢沉井在波流共同作用下定位下放过程中的稳定性和受力分析尚不充分，亟需对在不同参数波流作用下的大型钢沉井的定位下放过程进行深入分析. 众多学者^[11-14]经过研究得出，考虑流固耦合效应的海上结构所受极端波浪荷载相较于刚性结构能够更合理的反映出结构所受的真实波浪荷载. 然而，目前对考虑了流固耦合效应的大型钢沉井的定位下放过程研究却极为匮乏. 因此，本文将对考虑流固耦合效应的大型钢沉井在波流共同作用下的波流荷载与下放稳定性进行分析，为未来跨海桥梁大型钢沉井的定位下放施工及其技术优化提供理论参考.

本文基于某跨海大桥主塔的大型钢沉井基础，采用LS-DYNA有限元建立波流与钢沉井结构的三维流固耦合模型，并对三维流固耦合模型进行准确性验证，随后分析了锚缆布置形式、波流参数和下放位置对钢沉井定位下放过程中稳定性的影响.

1. 流固耦合模型的建立及验证

1.1 控制方程

在本文三维流固耦合模型中，忽略了空气对钢沉井的影响，水流为不可压缩流体，采用LevelSet方法对两相流界面进行跟踪，其流体运动由RANS方程控制，如式（1）、（2）.

$\frac{{\partial {u_i}}}{{\partial {x_i}}} = 0 ,$

(1)

$\rho \frac{{\partial {u_i}}}{{\partial t}} +\rho { u_j}\frac{{\partial {u_i}}}{{\partial {x_j}}} = - \frac{{\partial P}}{{\partial {x_i}}} + \mu \frac{{{\partial ^2}{u_i}}}{{\partial {x_i}\partial {x_j}}} - \frac{{\partial \rho {u_{ii}}{u_{jj}}}}{{\partial {x_j}}} ,$

(2)

式中：u_i、u_j分别为在i、j方向上的平均速度，u_ii和u_jj分别为沿i、j方向的波动速度，x_i和y_j分别为沿i、j方向的坐标值，μ为流体动态黏度系数，t为时间，ρ为密度，P为压力项.

本文采用Stokes二阶波浪作为入射波来模拟实际海洋环境中的典型波浪，其理论式如下：

$\begin{split} & \eta = \frac{H}{2}\cos (kx - \omega t) + \frac{{{H^2}k}}{{16}}\frac{{\cosh \; kh}}{{{{\sinh }^3}kh}} \times \\ &\quad (2 + \cosh \; 2kh)\cos 2(kx - \omega t) , \end{split}$

(3)

$\begin{split} & u = \frac{H}{2}\frac{{gk}}{\omega }\frac{{\cosh \; k(h + {\textit{z}})}}{{\cosh \; kh}}\cos (kx - \omega t)+ \\ &\quad \frac{{3{H^2}\omega k}}{{16}} \frac{{\cosh \; 2k(h + {\textit{z}})}}{{{{\sinh }^4}(kh)}}\cos \; 2(kx - \omega t), \end{split}$

(4)

$\begin{split} & v = \frac{H}{2}\frac{{gk}}{\omega }\frac{{\sinh \; k(h + {\textit{z}})}}{{\cosh \; kh}}\sin (kx - \omega t)+ \\ &\quad \frac{{3{H^2}\omega k}}{{16}} \frac{{\sinh \; 2k(h + {\textit{z}})}}{{{{\sinh }^4}(kh)}}\sin \; 2(kx - \omega t), \end{split}$

(5)

$c = \sqrt {\frac{g}{k}\tanh \; kh} ,$

(6)

式中：η为波面轮廓；H为波浪高度；k为波数；ω为波频率；h为静水深度；u和v分别为x、z轴方向的水质点速度；z为距静水面的距离（z轴），与重力加速度方向相同时为负值；x为距入口边界的距离；c为波速.

本文采用拉格朗日单元对钢沉井进行模拟，然后采用关键字 *ICFD_BOUNDARY_FSI来实现固体模型和流体模型之间数据的交换. 同时，钢沉井在波流共同作用下的位移和倾斜等大变形问题通过网格更新技术来解决，避免了由于大变形而造成的网格畸变和计算效率低下等问题.

1.2 耦合模型的建立

基于上述控制方程建立三维数值水槽以及流固耦合模型，以模拟波流的生成和传播以及波流与沉井结构的相互作用. 为确保波流的充分发展，数值水槽长750 m，宽120 m，高75 m，沉井结构中心距离水槽入口118 m，如图1所示. 水槽入口处采用速度入口以产生Stokes二阶波浪和水流，出口处采用压力出口，水槽四周为滑移边界，流体与结构的耦合面为非滑移边界，为防止波流在水槽出口发生反射，在水槽末端100 m范围内设置了消波区，为提高三维流固耦合模型计算效率，本文将远离结构区域的网格大小设置为3.0 m×3.0 m×3.0 m，而靠近结构附近的流域网格则加密至1.5 m×1.5 m×1.5 m.

图 1 耦合模型示意（单位：m）

Figure 1. Schematic diagram of coupling model (unit: m)

下载: 全尺寸图片幻灯片

根据某跨海大桥主塔基础所采用的大型钢沉井设计资料，确定钢沉井结构尺寸如图2所示，其整体质量m = 9 740 t. 其中，钢沉井高37 m，外径58 m，内径36 m，钢沉井外井壁厚2.0 m，内井壁厚1.5 m，钢沉井结构整体被分为20个井孔（包括16个8边形井孔和4个扇形井孔）.

图 2 钢沉井示意

Figure 2. Schematic diagram of steel caisson

下载: 全尺寸图片幻灯片

1.3 耦合模型的验证

为验证本文三维流固耦合模型造波准确性，本文将无结构时波浪数值模拟结果与Stokes二阶波浪解析解进行对比，其中，H = 5.000 m，周期T = 10.00 s，水深d = 27 m，如图3所示. 从图中可以看出，波浪面数值结果与解析解吻合较好，且平均波高与解析解误差约为2.36%，在合理范围内，证明本数值模型可以很好地模拟Stokes二阶波浪的产生和传播.

图 3 波浪面时程对比

Figure 3. Comparison of time history of wave profile

下载: 全尺寸图片幻灯片

基于Li等^[15]在大型波浪水槽中的实验结果，验证本文三维流固耦合模型对模拟结构所受波浪力的准确性. 波浪水槽长100 m，宽1 m，箱型结构长、宽、高分别为0.40、1.00、0.16 m，水深0.70 m，结构中心距造波入口55 m，H=0.260 m，T=1.84 s. 结构所受波流力数值结果与实验结果如图4所示，图中结构所受水平力和垂直力时程曲线及其峰值与实验结果吻合较好，数值水平力和垂直力最大值与实验结果的误差分别为3.06%和4.68%，在可接受范围内，表明本文三维流固耦合模型可以很好地模拟结构所受的波浪力.

图 4 结构波浪力时程对比

Figure 4. Comparison of time histories of structural wave force

下载: 全尺寸图片幻灯片

随后，为确保本文三维耦合模型在波流作用下动力响应的准确性，基于Rahman等^[16]的实验结果进行对比验证. 此实验在名古屋大学的波浪水槽中开展，对丙烯酸板制成的浮动防波堤的运动响应进行实验，其中，水槽长、宽、深分别为30、0.7、0.9 m，防波堤长、宽、高分别为0.304、0.680、0.137 m. 对比工况为：H = 0.031 m，d = 0.65 m，锚定在水槽底部的系泊缆与水槽底部夹角θ = 60°. 防波堤x向位移、y向位移和倾角的数值模拟结果与实验结果对比如图5所示. 从图中可以看出，数值结果与实验结构吻合较好，其最大值与实验结果的误差分别为4.77%、7.82%和1.25%，能够有效地模拟出结构在极端波浪下的运动响应. 证明本三维数值模型在模拟结构运动响应方面具有较高的准确性.

图 5 结构位移时程对比

Figure 5. Comparison of time histories of structural displacementt

下载: 全尺寸图片幻灯片

综上，在上述波浪验证、结构所受波流力验证和结构位移验证中，由于三维流固耦合模型中波流的非线性性质以及结构和边界导致波流的反弹等影响，使数值结果与实验结果产生了一些误差，但这些误差都在合理范围内，表明本文所建立的三维流固耦合模型可以较为准确地模拟结构在极端波流作用下的动力响应.

2. 锚缆布置形式、波流以及下放位置的参数化研究

基于上述已验证的三维流固耦合模型，开展不同锚缆布置形式、波高、水流速度以及下放位置对钢沉井动力响应影响的参数化研究. 根据某跨海大桥主塔基础区域实测资料，选取5个水流流速（V = 1，2，3，4，5 m/s）、3个波高（H = 3.000，4.000，5.000 m）、1个波浪周期（T = 10.00 s）、1个水深（d = 27.00 m）、3种锚缆布置形式和钢沉井底部距离海底距离S = 7 ，5，3 m下放位置.

2.1 锚缆布置形式对钢沉井的影响

根据某跨海大桥主塔钢沉井基础资料，钢沉井下放阶段施工中采用锚缆布置形式1，如图6（a）所示. 此定位系统主要由重力式锚碇、锚缆系统及张拉锚缆的液压连续千斤顶等组成. 沿波流传播方向在钢沉井前后各布置4个重力锚，其各自相距70 m，且各重力锚在x方向距钢沉井200 m；在钢沉井两侧各布置2个重力锚，重力锚相距150 m，且各重力锚在y方向上距钢沉井150 m. 钢沉井采用注水下沉的方式进行下放，本文将指定位置钢沉井的注水重量通过均布荷载的方式加载在钢沉井中的注水区域，且本文所建立的三维流固耦合模型不考虑锚缆的初始张拉力. 本节重点针对钢沉井底部距离海底7 m时在不同流速作用下的稳定性进行分析，且在没有考虑液压连续千斤顶给锚缆提供初始张拉力的情况下，提出了另外2种锚缆布置形式（即布置形式2、3）并分析锚缆布置形式对钢沉井稳定性的影响，如图6（b）、（c）所示.

图 6 锚缆布置形式示意

Figure 6. Schematic diagram of anchor cable arrangement

下载: 全尺寸图片幻灯片

图7给出了钢沉井在不同流速作用下的最大位移（x向、y向、z向）和最大倾角. 由图7 （a）、（b）、（d）可知，在不同锚缆布置形式下，钢沉井的x向位移、z向位移和倾角基本符合与水流速度呈正相关的规律. 根据某主塔钢沉井基础设计资料，要求钢沉井倾角不得超过6°，然而，图7 （d）中布置形式1下的钢沉井在较大流速下的倾角却超过了13°，远远超出了钢沉井倾角的安全范围. 当V超过3 m/s后，锚缆布置形式1下的钢沉井x向位移、z向位移和倾角都达到最大值且不再增加. 这是由于在锚缆布置形式1下的钢沉井在水流作用下发生了较大倾斜并发生触底，如图8所示. 下放施工中钢沉井发生触底可能对结构完整及施工安全产生不可逆的影响，因此，在实际施工过程中，采用锚缆布置形式1时，应实时监控钢沉井的稳定，根据钢沉井的状态通过液压连续千斤顶进行实时的锚缆张拉和缆力调节，以确保钢沉井的下放稳定性.

图 7 不同锚缆布置形式下结构位移对比

Figure 7. Comparison of structural displacements with different anchor cable arrangements

下载: 全尺寸图片幻灯片

图 8 钢沉井触底示意（V=5 m/s）

Figure 8. Schematic diagram of a steel caisson in contact with the seabed (V=5 m/s)

下载: 全尺寸图片幻灯片

如图7 （c）可知，钢沉井的y向位移在3种锚缆布置形式下的差距较小，且最大y向位移不超过0.4 m，表明不同锚缆布置形式对钢沉井的y向位移影响不显著，相较于直径58 m的大型钢沉井，钢沉井的横向位移很小. 因此，本文后续将不讨论y向位移. 从图7 （a）、（b）、（d）中还可以观察到，相较于锚缆布置形式1，采用所提出的锚缆布置形式2、3可以大大降低钢沉井的x向位移、z向位移和倾角，其最大降幅分别约为96.76%、97.49%和97.50%. 但值得注意的是，采用锚缆布置形式2、3的钢沉井在不同流速下的x向位移和倾角几乎一致，但是相较于锚缆布置形式2，锚缆布置形式3对降低钢沉井的z向位移具有更好的效果，最大降低了71.02%. 这可能是由于锚缆布置形式3中钢沉井底部的4根对称锚缆在限制钢沉井的z向位移中发挥了重要作用.

综上，本文所提出的锚缆布置形式3可以大大降低钢沉井在不同流速下的位移和倾角，为钢沉井下放施工提供安全保障. 因此，本文将对采用锚缆布置形式3的钢沉井在不同下放位置时受波流共同作用的影响进行深入研究.

2.2 波流共同作用对钢沉井的影响

在实际跨海桥梁主塔基础施工区域中，通常伴随着波浪和水流的同时出现，波流共同作用对钢沉井的下放稳定性产生严重的威胁. 本节主要针对波流稳定后钢沉井底部距离海底7 m时波流共同作用对钢沉井动力特性的影响. 图9给出了水流单独作用和波流共同作用下钢沉井的受力时程对比. 图9 （a）是钢沉井所受水平力时程对比，从中可以看出，水流单独作用对钢沉井产生最大水平力为409 32.6 kN，而波流共同作用下钢沉井受到的水平力呈周期性变化，其最大水平力为654 37.6 kN，比水流单独作用下水平力增大了约59.87%. 图9 （b）是钢沉井所受垂直力时程对比，其中水流单独作用下钢沉井所受最大垂直力为130 310 kN，波流共同作用下钢沉井所受最大垂直力为130 610 kN，增大了约0.23%. 造成这样的原因可能是钢沉井所受垂直力中，海水产生的浮力占据主导作用，波浪对钢沉井所受垂直力影响较小.

图 9 钢沉井受力时程对比

Figure 9. Comparison of time histories of forces on steel caisson

下载: 全尺寸图片幻灯片

图10 （a）、（b）、（c）分别给出了钢沉井在水流单独作用和波流共同作用下的x向位移、z向位移和倾角时程对比. 由图可知：由于波浪的存在，波流作用下钢沉井位移呈周期性变化，其最大x向位移、z向位移和倾角分别为1.305、0.457 m和1.277°；水流单独作用下钢沉井的最大x向位移、Z向位移和倾角分别为0.736 、0.167 m和0.717°；波流共同作用下钢沉井的最大x向位移、z向位移和倾角比水流单独作用分别增加了约77.32%、174.01%和78.11%.

图 10 钢沉井位移时程对比

Figure 10. Comparison of time histories of steel caisson displacements

下载: 全尺寸图片幻灯片

不同波流作用下钢沉井所受最大水平力、x向位移和倾角对比分别如图11（a）、（b）、（c）所示. 由图可知，钢沉井在波流共同作用下所产生的最大水平力、x向位移和倾角总是大于水流单独作用所产生的最大水平力、x向位移和倾角，且与波高呈正相关. 结果表明，在实际钢沉井下放施工过程中考虑波流共同作用的情况则更为合理. 值得注意的是，相较于水流单独作用，波流共同作用对钢沉井所受最大水平力、x向位移和倾角的影响随着流速的减小而增大. 以H = 5.000 m为例，随着流速从5 m/s减小到1 m/s，波流共同作用下钢沉井所受的最大水平力较水流单独作用分别增加了86.34%、152.42%、265.07%、516.31%和1104.42%；钢沉井所受x向位移分别增加了25.15%、61.86%、151.69%、394.36%和1270.39%；钢沉井所受倾角分别增加112.96%、131.35%、165.48%、435.33%和1298.92%，与流速呈负相关. 还可以注意到，钢沉井在不同波流共同作用下最大倾角约为1.61°，完全满足下放过程中钢沉井倾角不超过6° 的施工要求，证明了在不同波流共同作用下钢沉井采用所提出锚缆布置形式3的可行性，大大降低了钢沉井定位下放施工的风险.

图 11 不同工况下钢沉井所受水平力和位移峰值对比

Figure 11. Comparison of peak horizontal force and displacement of steel caisson under different conditions

下载: 全尺寸图片幻灯片

综上，相较于只考虑水流单独作用，波流共同作用对钢沉井的定位下放施工稳定性会产生更大的威胁. 因此，在钢沉井实际定位下放施工过程中，应充分考虑水流速度和波高的共同影响，为钢沉井的定位下放施工提供安全保障.

2.3 不同下放深度对钢沉井的影响

本节针对不同下放位置下钢沉井在不同波流作用下的动力特性进行探究. 不同下放深度钢沉井所受峰值水平力、x向位移和倾角对比如图12所示. 钢沉井所受水平力、x向位移和倾角与波高和流速呈正相关，其由于波高和流速的影响而造成钢沉井所受水平力、x向位移和倾角的最大增幅分别约为138.44%、133.22%和100.18%. 因此，在实际工程中，应尽量避免在波高和流速较大的极端海况下进行钢沉井的定位下放施工作业. 从图12 （a）和图12（b）中可以看出，S越小（即钢沉井结构淹没深度越深），钢沉井总体上所受波流水平力和x向位移越大. S从7 m下降到3 m时，所受最大水平力和x向位移最大分别增加了41.90%和50.62%. 其原因可能是由于随着钢沉井淹没深度的增加，钢沉井结构阻水面积增大、井孔的复杂影响、复杂水动力学的影响以及钢沉井底部水流流向的改变等多种因素的共同影响，导致了钢沉井结构所受的最大水平力和x向位移也随之增大.

图 12 不同下放深度钢沉井所受水平力和位移峰值对比

Figure 12. Comparison of peak horizontal forces and displacements of steel caisson at different lowering depths

下载: 全尺寸图片幻灯片

值得注意的是，图12 （c）中钢沉井所受最大倾角随着S的减小而减小，S从7 m下降到3 m时，其所受最大倾角最大减小了约31.06%，与S呈正相关，与图12 （a）、（b）中所观察到的规律恰恰相反. 造成这样的原因可能由于钢沉井在定位下放过程中，随着S的减小，钢沉井结构体内的注水体积和质量越大，使得钢沉井结构整体质量增加，增加了钢沉井结构的稳定性. 此外，由于钢沉井结构的下沉以及结构底部注水质量的增加，还导致了钢沉井整体结构重心相较于海平面在逐渐下降，从而也增加了钢沉井结构在不同波流作用下的稳定性. 随着钢沉井的持续下放，其结构最大倾角虽有减小，但其所受到的水平力和x向位移却大大增加. 因此，在研究钢沉井的定位下放过程时，充分考虑结构在不同下放位置时的动力特性、结构所受水平力、x向位移以及倾角给钢沉井结构所带来的影响更为合理，为钢沉井在复杂海况下的定位下放提供可靠的理论参考.

图13 （a）、（b）、（c）分别为S = 3，5，7 m时，钢沉井结构在H = 5.000 m，V = 3 m/s作用下的迎浪面和背浪面应力图. 图 ①、② 分别为时间t = 48.5 s时钢沉井迎浪面局部应力和时间t = 52.3 s时钢沉井背浪面局部应力达到最大时的应力图. 如图所示，处于不同下放深度时的钢沉井结构会在锚缆和钢沉井连接部位附近产生巨大的应力，造成这样的原因是锚缆在限制钢沉井结构在波流共同作用下的位移方面发挥了重要作用，锚缆和钢沉井连接部位受到较大拉力而致结构发生形变，导致锚缆和钢沉井连接部位产生了巨大的局部应力. 因此，在实际工程中，应重点对锚缆与钢沉井的连接部位附近进行结构加强处理，避免在复杂海况下钢沉井结构下放时由于局部应力过大造成锚缆与井壁连接部位的损伤，从而造成施工安全事故.

图 13 不同下放深度钢沉井应力图

Figure 13. Stress diagrams for steel caissons at different lowering depths

下载: 全尺寸图片幻灯片

从图13中还可以明显观察到：1）钢沉井结构迎浪侧锚缆与井壁连接部位附近局部最大应力明显大于背浪面局部最大应力，S = 7，5，3 m时迎浪面局部最大应力分别比背浪面局部最大应力大了约191.38%、251.17%和367.40%. 2）随着钢沉井的下放（即S的减小），钢沉井所受局部最大应力呈先减小后增大的规律，从S = 7 m减小到 5 m时，其结构局部最大应力减小了约12.12%，S = 5 m减小到 3 m时，结构局部最大应力增加了约23.93%. 造成这样的原因可能是相较于S = 5 m，S = 7 m时钢沉井结构重心较高，结构的阻水区域主要集中在结构表面中下部，造成钢沉井中下部遭受较大偏心波流力，导致以迎浪面底部锚缆为主承受了较大的拉力以限制钢沉井的位移，从而造成底部锚缆与井壁连接部位的较大局部应力，如图13 （a）、（b）所示. 然而，随着S的减小，钢沉井所受水平波流力增大，钢沉井整体重心降低，从而造成结构所受波流力而产生的位移主要由迎浪面底部和顶部锚缆共同限制，导致锚缆和井壁连接部位最大局部应力也随之增大，如图13 （b）、（c）所示. 钢沉井结构最大局部应力都出现在迎浪面底部锚缆与井壁连接部位，这可能是由于偏心波流力作用造成的结果. 因此，在实际工程中，应重点加强锚缆与井壁连接部位尤其是迎浪侧底部锚缆与井壁连接部位的强度，避免由于过大波流荷载作用而造成的钢沉井结构连接部位甚至结构自身的破坏.

3. 结　论

本文基于LS-DYNA有限元构建波流共同作用下的三维钢沉井流固耦合模型，探究不同锚缆布置形式对钢沉井稳定性的影响，分析波流共同作用下钢沉井的动力特性，并开展波流下作用钢沉井结构波流荷载与动力特性的参数化分析，结果如下：

1）本文基于LS-DYNA有限元，构建三维钢沉井流固耦合模型，通过与水槽中系泊防波堤的运动响应实验以及箱型结构波浪力实验结果进行对比，验证所提出的三维流固耦合模型可以准确的模拟波流共同作用下钢沉井定位下放过程中的动力特性.

2）本文所提出的钢沉井定位下放过程中的锚缆布置形式3可以有效降低钢沉井结构在不同波流作用下的位移和倾角，其最大倾角不超过2°，将钢沉井倾角控制在非常安全的范围内，为复杂海况下钢沉井定位下放的锚缆布置提供了理论参考.

3）波流共同作用较水流单独作用对钢沉井定位下放过程中的稳定性产生更严重的威胁，在本文研究范围内，钢沉井在波流共同作用下产生的最大水平力、x向位移和倾角较水流单独作用最少分别增加了86.34%、25.15%和112.96%. 因此，在研究钢沉井定位下放过程时考虑波流的共同作用则更为合理.

4）水流速度和波高大小对钢沉井结构的动力特性有着显著的影响，钢沉井所受水平力、x向位移和倾角几乎是与流速和波高呈正相关. 在本研究范围内，随着水流速度和波高的增加，钢沉井所受水平力、x向位移和倾角最大分别增加了约138.44%、137.46%和150.09%，过大流速和波高可能会对钢沉井的施工安全造成影响. 因此，在施工前应充分了解桥址区水文情况，避免在波高较大时以及水流湍急时期进行施工.

5）随着钢沉井下放深度的增加，结构所受水平力和x向位移逐渐增大，然而结构的倾角却逐渐减小. 因此，对钢沉井定位下放过程的研究，应综合考虑水平力、x向位移以及倾角对钢沉井定位下放过程的影响，充分考虑钢沉井结构不同位置时的动力特性更为合理.

6）波流共同作用下钢沉井自身局部应力多集中于锚缆与井壁的连接部位附近，且迎浪面局部最大应力明显大于背浪面局部最大应力. 随着钢沉井的持续下放，锚缆与井壁连接部位附近局部最大应力呈先减小后增大的趋势，且局部最大应力都出现在迎浪面底部锚缆与井壁的连接部位. 因此，在实际工程中，应重点针对锚缆与钢沉井结构的连接部位及其附近进行结构强度加强，避免在复杂海况下钢沉井受到过大波流荷载导致结构连接部位的破坏而引起施工安全事故.

图 1 斜拉索分割检测效果

Figure 1. Detection results of stay cable segmentation

下载: 全尺寸图片幻灯片

图 2 斜拉索检测系统示意

Figure 2. Stay cable detection system

下载: 全尺寸图片幻灯片

图 3 基于深度学习的图像识别框架

Figure 3. Image recognition framework based on deep learning

下载: 全尺寸图片幻灯片

图 4 分类神经网络结构示例

Figure 4. Classification neural network structure

下载: 全尺寸图片幻灯片

图 5 Faster R-CNN网络结构

Figure 5. Faster R-CNN structure

下载: 全尺寸图片幻灯片

图 6 U-Net语义分割模型

Figure 6. Semantic segmentation model based on U-Net

下载: 全尺寸图片幻灯片

图 7 缺陷识别方法流程

Figure 7. Process of defect recognition method

下载: 全尺寸图片幻灯片

图 8 斜拉索表观病害图像识别方法

Figure 8. Image recognition method for apparent disease of stay cable

下载: 全尺寸图片幻灯片

表 1 基于传统方法的图像病害识别对比

Table 1. Comparison of image disease recognition based on traditional methods

文献	方法类别	具体方法	贡献	局限性	应用场景	缺陷特征
[18]	缺陷特征统计	去噪、增强、分割、特征统计识别	方法简单有效	存在误判、检测样本少、步骤较多、实时性差	斜拉索表观检测	开裂类缺陷
[19]	缺陷特征统计	特征统计、模式识别	从灰度和纹理 2 个角度划分缺陷，提高检测效率；设计缺陷面积获取算法	噪声影响大、分类简单、面积有一定误判、实时性不足	斜拉索表观检测	粗糙和光滑 2 类缺陷
[22]	传统图像分割	有效区域提取、阈值图像差分	有效解决光照不均匀，针对断丝、变形和磨损等缺陷效果较好	检测效果不够全面，鲁棒性不足	斜拉索表观检测
[24]	传统图像分割	Sobel 边缘检测	有效改善检测速度	微观缺陷难检测（孔洞、裂缝）	斜拉索表观检测	损伤面积大于10⁻⁴ m²
[27]	传统图像分割	边缘检测、伪缺陷去除算法、区域生长	区域生长提高检测精度	表皮杂质较多的情况下误差较大	斜拉索表观检测	像素灰度特征类似的缺陷
[28]	传统图像分割	图像裁剪、区域生长	有效提高检测速度	应用场景较单一	钢板波纹检测
[30]	无监督学习	图像增强、PCA	无需人为标注缺陷样本	存在误报率，需要人工检查核验	斜拉索表观检测	划伤类缺陷
[33]	无监督学习	密度峰值聚类、谱多流形聚类	实现表面相互干扰的不同缺陷分离，改善多种缺陷自适应检测	没有明显密度分布的大面积生锈情况难检测，鲁棒性差	直线导轨表面检测	复杂缺陷相互干扰
[36]	有监督学习	粒子群优化、SVM	有效识别多种类型缺陷	人工提取大量特征，实时性难度大	斜拉索表观检测	开裂、表面腐蚀和凹坑类缺陷
[40]	有监督学习	基于改进粒子群优化的缺陷分割、随机森林	引入多种评价指标进行评价，提高鲁棒性	皮革本身纹理易误判为缺陷、多阶段检测时间复杂度较高	皮革表观检测	纹理类特征明显的缺陷

下载: 导出CSV

表 2 基于深度学习的图像病害识别对比

Table 2. Comparison of image disease recognition based on deep learning

文献	研究领域	具体方法	贡献	局限性	应用场景	缺陷特征
[45]	图像分类	分类神经网络、集成学习	多模型融合有效提升鲁棒性和准确率	需大量标注样本、多方法集成实时性难实现	斜拉索表观检测	深度学习算法通过自主学习图像的有利特征，大多数方法能识别复杂情况下的多类缺陷
[47]	图像分类	迁移学习、GoogLeNet	迁移学习解决小样本问题	针对大面积下的微观缺陷难分类	塑料垫片缺陷检测
[48]	图形分类	改进 Alexnet 卷积网络	利用传统图像处理技术完成缺陷目标自动标注	算法抗干扰能力有待提升	隧道裂缝识别
[50]	目标检测	Faster R-CNN	检测精度极高	速度仍有待改善	斜拉索表观检测
[56]	目标检测	YOLOv3、TensorRT 优化推理	检测速度极快，完全满足实时性	检测精度受影响，有误差	斜拉索表观检测
[58]	目标检测	改进的 YOLOv4	保证速度的基础上提升检测精度	针对尺寸类检测需求不足	内燃机缸套表面缺陷检测
[62]	图像分割	语义分割	获取缺陷目标边界	影响速度，且同一类多个缺陷未分离	钢轨表面检测
[67]	图像分割	Cascade Mask R-CNN、图像骨架提取算法	准确度较高且获取单个目标准确边界，获得单个缺陷尺寸	速度难以实时检测，尺寸估计存在误差	斜拉索表观检测
[69]	图像分割	YOLACT 实例分割	有效分割出划痕类低语义缺陷、满足检测速度实时性	标注工作过于繁重	金属螺丝表面缺陷检测
[70]	其他深度学习	半监督生成对抗网络	节省标注成本、具有较好鲁棒性和灵活性	有一定误差	钢表面缺陷检测
[72]	其他深度学习	自特征重构与提炼模型、无监督学习	仅少数无缺陷样本训练，精确度较高	所检测缺陷类型单一，应用领域扩展性不高	纺织品表面缺陷检测
[74]	其他深度学习	三维重建和仿真、图像风格迁移	节省图像成本，提高模型适应性	应用场景存在局限	污水管内部表观检测

下载: 导出CSV

表 3 各类方法优缺点总结

Table 3. Advantages and disadvantages of various methods

方法类别	优点	缺点	适用场景	备注
传统图像处理技术	算法严格、不需要人工标注数据、无需大量样本	利用特征较少、需人工分析提取特征、算法鲁棒性和适用性差、检测效果单一	适用于外界环境干扰小和缺陷特征明显的任务，可设计简单快速的检测算法	各类算法在检测速度上均存在参差不齐的现象，综合检测效果以深度学习表现最优
传统机器学习	利用更多的图像特征、同种注重算法、分类效果更丰富、小样本也可、无监督无需标注数据	需人工统计特征、识别效果较单一、算法适用性有限、泛化能力不强	抗干扰能力有限、面对不同检测任务需分析对比多个算法后选择合适的模型
深度学习	不需要人工统计特征、算法鲁棒性和适应性较强、检测效果丰富（分类、定位、分割）、功能强大（缺陷图像生成、半监督减少人工标注等）	检测速度和精度难平衡、一些效果好的检测模型离不开大量标注数据的训练、硬件配置要求高且训练周期长、可解释性低	深度学习具有较强的学习能力和泛化能力，适合大多数检测任务

下载: 导出CSV

表 4 斜拉索表观病害识别效果

Table 4. Recognition effect of apparent disease of stay cable

文献	采用方法	检测效果	不足之处
[18]	纹理特征统计	完全识别病害图像且正常图像识别率为89.23%，简单有效	存在误判、图像质量要求高
[19]	灰度特征统计、模式识别	不同缺陷的检测准确率均高于 90% 且缺陷面积误差低于 20%.	易受噪声影响、分类简单、难以区分附着物与真实缺陷、缺陷深度难检测
[21]	形态学、阈值分割	病害图像漏检率 0%，正常图像漏检率 22.22%，有效实现缺陷形状表征	正常图像误判率较高，分类效果简单
[22]	大津法阈值分割	图像缺陷识别精确度达到 90%以上	检测效果单一
[29]	Sobel 边缘检测、阈值分割	检测出面积大于 10⁻⁴ m² 的斜拉索缺陷，且检测速度为 0.025 m/s	适用性较低，微小缺陷难识别
[24]	基于 Sobel 的边缘检测算法	有效地检测出面积大于 10⁻⁴ m² 的缺陷，检测效率达 0.05 m/s	微小缺陷难检测
[25]	基于 Scharr 的边缘检测算法	检测结果达到 96.6% 的准确率和 0.6% 的漏检率	存在对易错检的磨损干扰等图像的误判，造成准确率低的问题
[30]	PCA	有效检测出病害的大小和位置	需大量高质量训练图像，不能适应复杂检测环境
[36]	改进 SVM	有效识别纵向开裂、横向开裂、表面腐蚀和凹坑4 种缺陷，分类准确率高达 96.25%	存在缺陷不能完整识别现象、缺陷类别识别不全
[37]	阈值分割、PCA、SVM	实时性较好，满足拉索缺陷检测需求	采用模拟样本、可信度不足且样本数量不足
[45]	集成学习、图像分类	实现缺陷图像精准分类，准确率高达 97.83%	集成 3 个分类网络、推理速度较低造成检测效率不高
[50]	Faster R-CNN	该模型检测准确率超过 99%，检测速度相较与传统检测技术提高 300%	训练图像单一、不能达到实时检测
[55]	改进 YOLOv3	mAP 指标为 93.7%，FPS 指标达 17 帧/s，满足实时检测要求	检测精度低于双阶段检测模型
[56]	YOLOv3、TensorRT	检测准确率超过 80% 且检测一张图像仅需 0.012 s	高速的检测速度造成检测精度下降
[57]	YOLOv5	能够准确识别斜拉索表观病害，解决人工检测中高成本与风险、低效率、低精度等问题	精度有待提高
[66]	Mask R-CNN	一定程度上解决识别精度低、效率低等问题	实时性仍旧不足
[67]	改进 Cascade Mask R-CNN	通过实验对比，评估中获得了最佳 IoU 为 0.743，F1 得分 85.1%，准确度高达 99.6%，总平均像素长度误差为 6.1%，总平均像素宽度误差为 7.3%	FPS 仅为 7.8 帧/s，较低

下载: 导出CSV

参考文献(74)

[1]	《中国公路学报》编辑部. 中国桥梁工程学术研究综述•2021[J]. 中国公路学报,2021,34(2): 1-97. doi: 10.3969/j.issn.1001-7372.2021.02.002 Editorial Department of China Journal of Highway and Transport. Review on China’s bridge engineering research: 2021[J]. China Journal of Highway and Transport, 2021, 34(2): 1-97. doi: 10.3969/j.issn.1001-7372.2021.02.002
[2]	苑仁安,张明金,郑清刚,等. 超大跨斜拉桥横桥向恒载非对称力学行为[J]. 西南交通大学学报,2023,58(3): 527-534. doi: 10.3969/j.issn.0258-2724.20210279 YUAN Renan, ZHANG Mingjin, ZHENG Qinggang, et al. Mechanical characteristics of super-long-span cable-stayed bridge with transverse asymmetrical load[J]. Journal of Southwest Jiaotong University, 2023, 58(3): 527-534. doi: 10.3969/j.issn.0258-2724.20210279
[3]	LIU S W, SUN Y H, JIANG X Y, et al. A review of wire rope detection methods, sensors and signal processing techniques[J]. Journal of Nondestructive Evaluation, 2020, 39: 1-18. doi: 10.1007/s10921-019-0643-0
[4]	钱骥,孙利民,蒋永. 桥梁拉索损伤声发射监测研究进展[J]. 应用声学,2016,35(4): 369-376. QIAN Ji, SUN Limin, JIANG Yong. Advances in acoustic emission technique to cables health monitoring[J]. Journal of Applied Acoustics, 2016, 35(4): 369-376.
[5]	中华人民共和国交通运输部. 在用公路桥梁现场检测技术规程:JTG/T 5214—2022[S]. 北京:人民交通出版社,2022.
[6]	刘倩倩,徐程,韩勇涛,等. 一种用于斜拉桥拉索套管的喷涂装置:CN211051767U[P]. 2020-07-21.
[7]	WANG Z P, HE B, ZHOU Y M, et al. Design and implementation of a cable inspection robot for cable-stayed bridges[J]. Robotica, 2021: 1-17.
[8]	LI J, YIN C Y, SHI Y D, et al. Circumferentially rotatable inspection robot with elastic suspensions for bridge cables[J]. Industrial Robot: the International Journal of Robotics Research and Application, 2022, 49(5): 981-993. doi: 10.1108/IR-11-2021-0261
[9]	马晔,邹露鹏,张理轻. 无人机加载光学摄像及红外成像系统对海上特大桥塔索质量检测的运用技术[J]. 公路交通科技,2018,35(8): 89-93,105. MA Ye, ZOU Lupeng, ZHANG Liqing. Application technology of UAV equipped with optical camera and digital infrared imagery in inspecting quality of pylon and stay cable of sea-crossing bridge[J]. Journal of Highway and Transportation Research and Development, 2018, 35(8): 89-93,105.
[10]	杨传礼,张修庆. 基于机器视觉和深度学习的材料缺陷检测应用综述[J]. 材料导报,2022,36(16): 226-234. YANG Chuanli, ZHANG Xiuqing. Survey of applications of material defect detection based on machine vision and deep learning[J]. Materials Reports, 2022, 36(16): 226-234.
[11]	赵朗月,吴一全. 基于机器视觉的表面缺陷检测方法研究进展[J]. 仪器仪表学报,2022,43(1): 198-219. ZHAO Langyue, WU Yiquan. Research progress of surface defect detection methods based on machine vision[J]. Chinese Journal of Scientific Instrument, 2022, 43(1): 198-219.
[12]	黄梦涛,连一鑫. 基于改进Canny算子的锂电池极片表面缺陷检测[J]. 仪器仪表学报,2021,42(10): 199-209. HUANG Mengtao, LIAN Yixin. Lithium battery electrode plate surface defect detection based on improved Canny operator[J]. Chinese Journal of Scientific Instrument, 2021, 42(10): 199-209.
[13]	DHIVYA, M, RENUKA D M. Detection of structural defects in fabric parts using a novel edge detection method[J]. The Computer Journal, 2019, 62(7): 1036-1043. doi: 10.1093/comjnl/bxy121
[14]	WANG S, LIU X Q, YANG T F, et al. Panoramic crack detection for steel beam based on structured random forests[J]. IEEE Access, 2018, 6: 16432-16444. doi: 10.1109/ACCESS.2018.2812141
[15]	SINGH, S A, DESAI K A. Automated surface defect detection framework using machine vision and convolutional neural networks[J]. Journal of Intelligent Manufacturing, 2023, 34(4): 1995-2011. doi: 10.1007/s10845-021-01878-w
[16]	郭继昌,岳惠惠,张怡,等. 图像增强对显著性目标检测的影响研究[J]. 中国图象图形学报,2022,27(7): 2129-2147. doi: 10.11834/j.issn.1006-8961.2022.7.zgtxtxxb-a202207005 GUO Jichang, YUE Huihui, ZHANG Yi, et al. The analysis of image enhancement on salient object detection[J]. Journal of Image and Graphics, 2022, 27(7): 2129-2147. doi: 10.11834/j.issn.1006-8961.2022.7.zgtxtxxb-a202207005
[17]	王田,邹子龙,乔美娜. 基于图像特征分析的物体轮廓提取[J]. 北京航空航天大学学报,2016,42(8): 1762-1768. WANG Tian, ZOU Zilong, QIAO Meina. Object contour extraction based on image feature analysis[J]. Journal of Beijing University of Aeronautics and Astronautics, 2016, 42(8): 1762-1768.
[18]	刘朝涛,杜子学,武维,等. 基于图像处理的桥梁缆索检测系统研制[J]. 重庆交通大学学报(自然科学版),2014,33(2): 5-9. LIU Chaotao, DU Zixue, WU Wei, et al. Development of cable inspection system based on image processing[J]. Journal of Chongqing Jiaotong University (Natural Science), 2014, 33(2): 5-9.
[19]	蔡步文. 基于图像处理的斜拉桥缆索表面缺陷检测的研究[D]. 重庆:重庆大学,2010.
[20]	王建林,潘建平. 一种桥梁拉索表面缺陷图像的背景分割方法研究[J]. 测绘工程,2018,27(7): 24-29. WANG Jianlin, PAN Jianping. A method of background segmentation for surface defect of bridge cables[J]. Engineering of Surveying and Mapping, 2018, 27(7): 24-29.
[21]	阳振宇. 基于MATLAB的桥梁拉索表面缺陷视频检测[D]. 重庆:重庆交通大学,2019.
[22]	CHEN J N, WANG H, TU C L, et al. Surface defect detection of cable based on threshold image difference[C]//2021 IEEE Far East NDT New Technology & Application Forum (FENDT). Kunming: IEEE, 2022: 185-190.
[23]	高潮,任可,郭永彩,等. 基于DSP和图像识别的拉索表面缺陷检测技术[J]. 重庆大学学报(自然科学版),2007,30(9): 36-38. GAO Chao, REN Ke, GUO Yongcai, et al. Detecting technology of cabel surface defect based on DSP and image recognition[J]. Journal of Chongqing University (Natural Science Edition), 2007, 30(9): 36-38.
[24]	李新科,高潮,郭永彩,等. 桥梁拉索表面缺陷的分布式机器视觉检测[J]. 光学技术,2013,39(5): 424-428. LI Xinke, GAO Chao, GUO Yongcai, et al. The inspection method based on distributed machine vision for surface defects of bridge cables[J]. Optical Technique, 2013, 39(5): 424-428.
[25]	刘淑敏. 基于机器视觉的桥梁裂纹检测算法研究[D]. 重庆:重庆大学,2019.
[26]	LIU X M, TIAN H, WANG Y, et al. Research on image segmentation algorithm and performance of power insulator based on adaptive region growing[J]. Journal of Electrical Engineering & Technology, 2022, 17(6): 3601-3612.
[27]	蔡步文,周忆,申超. 斜拉桥缆索表面缺陷提取方法研究[J]. 微计算机信息,2010,26(32): 188-190. CAI Buwen, ZHOU Yi, SHEN Chao. Crack detection algorithm design for cable’s protective layer surface on cable-stayed bridge[J]. Microcomputer Information, 2010, 26(32): 188-190.
[28]	LI L Y, HAO P F. Steel plate corrugation defect intelligent detection method based on picture cropping and region growing algorithm[C]//2019 14th IEEE Conference on Industrial Electronics and Applications (ICIEA). Xi’an: IEEE, 2019: 587-590.
[29]	ZOU G F, LI T T, LI G Y, et al. A visual detection method of tile surface defects based on spatial-frequency domain image enhancement and region growing[C]//2019 Chinese Automation Congress (CAC). Hangzhou: IEEE, 2020: 1631-1636.
[30]	HO H N, KIM K D, PARK Y S, et al. An efficient image-based damage detection for cable surface in cable-stayed bridges[J]. NDT & E International, 2013, 58: 18-23.
[31]	周兆逸,张亚南,王肖锋,等. 基于改正二维主成分分析的焊缝表面缺陷检测[J]. 焊接学报,2021,42(11): 70-76,101. ZHOU Zhaoyi, ZHANG Yanan, WANG Xiaofeng, et al. Weld surface defect detection based on improved twodimensional principal component analysis[J]. Transactions of the China Welding Institution, 2021, 42(11): 70-76,101.
[32]	王欣,高炜欣,王征,等. 基于并行计算的PCA在缺陷检测中的应用[J]. 计算机工程与设计,2016,37(10): 2810-2815,2850. WANG Xin, GAO Weixin, WANG Zheng, et al. Application of PCA in defect detection based on parallel computing[J]. Computer Engineering and Design, 2016, 37(10): 2810-2815,2850.
[33]	ZHOU Y H, MA Z X, SHI X W, et al. An adaptive clustering method detecting the surface defects on linear guide rails[J]. International Journal of Computer Integrated Manufacturing, 2019, 32(8): 798-808. doi: 10.1080/0951192X.2019.1636409
[34]	LI X G, ZHU J A, SHI H R, et al. Surface defect detection of seals based on K-means clustering algorithm and particle swarm optimization[J]. Scientific Programming, 2021(1): 3965247.1-3965247.12.
[35]	YANG H, CHEN Y F, SONG K Y, et al. Multiscale feature-clustering-based fully convolutional autoencoder for fast accurate visual inspection of texture surface defects[J]. IEEE Transactions on Automation Science and Engineering, 2019, 16(3): 1450-1467. doi: 10.1109/TASE.2018.2886031
[36]	LI X K, GUO Y C, LI Y M. Particle swarm optimization-based SVM for classification of cable surface defects of the cable-stayed bridges[J]. IEEE Access, 2019, 8: 44485-44492.
[37]	李鑫. 桥梁拉索护套表面缺陷视觉检测及智能识别研究[D]. 长沙:湖南大学,2019.
[38]	ZHANG K B, YAN Y D, LI P F, et al. Fabric defect detection using salience metric for color dissimilarity and positional aggregation[J]. IEEE Access, 2018, 6: 49170-49181. doi: 10.1109/ACCESS.2018.2868059
[39]	CHANG Z Y, CAO J, ZHANG Y Z. A novel image segmentation approach for wood plate surface defect classification through convex optimization[J]. Journal of Forestry Research, 2018, 29(6): 1789-1795. doi: 10.1007/s11676-017-0572-7
[40]	JAWAHAR M, CHANDRA BABU N K, VANI K, et al. Vision based inspection system for leather surface defect detection using fast convergence particle swarm optimization ensemble classifier approach[J]. Multimedia Tools and Applications, 2021, 80(3): 4203-4235. doi: 10.1007/s11042-020-09727-3
[41]	夏毅敏,李清友,邓朝辉,等. 基于轻量级模型的隧道岩性快速识别方法[J]. 西南交通大学学报,2021,56(2): 420-427. XIA Yimin, LI Qingyou, DENG Chaohui, et al. Rapid identification method for lithology of tunnel based on lightweight model[J]. Journal of Southwest Jiaotong University, 2021, 56(2): 420-427.
[42]	范新南,汪杰,史朋飞,等. 基于头脑风暴优化的PCNN路面裂缝分割算法[J]. 西南交通大学学报,2021,56(3): 572-578. FAN Xinnan, WANG Jie, SHI Pengfei, et al. Pavement crack segmentation algorithm based on pulse coupled neural network with brainstorming optimization[J]. Journal of Southwest Jiaotong University, 2021, 56(3): 572-578.
[43]	THAKUR M, PILLAI S K. A review on various methods for classification of massive noisy image[C]//2019 International Conference on Intelligent Sustainable Systems (ICISS). Palladam: IEEE, 2019: 525-528.
[44]	HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE, 2016: 770-778.
[45]	董斌. 斜拉桥拉索外套表观病害与索力时变识别方法研究[D]. 南京:东南大学,2020.
[46]	JIANG X Z, WANG X F, CHEN D F. Research on defect detection of castings based on deep residual network[C]//2018 11th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI). Beijing: IEEE, 2019: 1-6.
[47]	CHEN X Y, WANG D Y, SHAO J J, et al. Plastic gasket defect detection based on transfer learning[J]. Scientific Programming, 2021(1): 5990020.1-5990020.11.
[48]	王耀东,朱力强,余祖俊,等. 基于样本自动标注的隧道裂缝病害智能识别研究[J]. 西南交通大学学报,2023,58(5):1-8. WANG Yaodong, ZHU Liqiang, YU Zhujun, et al. Research of tunnel cracks recognition based on automatic sample labeling[J]. Journal of Southwest Jiaotong University,2023,58(5):1-8.
[49]	REN S Q, HE K M, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149. doi: 10.1109/TPAMI.2016.2577031
[50]	余朝阳. 斜拉索检测机器人的智能表观检测研究[J]. 公路交通技术,2020,36(2): 86-92. YU Chaoyang. Research on intelligent apperance algorithm of stay cable detection robot[J]. Technology of Highway and Transport, 2020, 36(2): 86-92.
[51]	晏班夫,徐观亚,栾健,等. 基于Faster R-CNN与形态法的路面病害识别[J]. 中国公路学报,2021,34(9): 181-193. doi: 10.3969/j.issn.1001-7372.2021.09.015 YAN Banfu, XU Guanya, LUAN Jian, et al. Pavement distress detection based on faster R-CNN and morphological operations[J]. China Journal of Highway and Transport, 2021, 34(9): 181-193. doi: 10.3969/j.issn.1001-7372.2021.09.015
[52]	李东洁,李若昊. 基于改进Faster RCNN的马克杯缺陷检测方法[J]. 激光与光电子学进展,2020,57(4): 353-360. LI Dongjie, LI Ruohao. Mug defect detection method based on improved faster RCNN[J]. Laser & Optoelectronics Progress, 2020, 57(4): 353-360.
[53]	LI L, JIANG Z J, LI Y N. Surface defect detection algorithm of aluminum based on improved faster RCNN[C]//2021 IEEE 9th International Conference on Information, Communication and Networks (ICICN). Xi’an: IEEE, 2022: 527-531.
[54]	REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE, 2016: 779-788.
[55]	李运堂,谢梦鸣,王鹏峰,等. 基于改进YOLOV3算法的斜拉桥拉索表面缺陷检测方法[J]. 传感技术学报,2021,34(11): 1509-1517. doi: 10.3969/j.issn.1004-1699.2021.11.014 LI Yuntang, XIE Mengming, WANG Pengfeng, et al. Defects inspection method for cable surface of cable-stayed bridge based on improved YOLOV3 algorithm[J]. Chinese Journal of Sensors and Actuators, 2021, 34(11): 1509-1517. doi: 10.3969/j.issn.1004-1699.2021.11.014
[56]	张可惠. 桥梁斜拉索表观缺陷视觉检测系统研究[D]. 长沙:湖南大学,2021.
[57]	周朗明,万智,胡帅花,等. 一种斜拉桥缆索表面多类型病害智能检测和识别方法:CN113313107A[P]. 2021-08-27.
[58]	LI J Y, SU Z F, GENG J H, et al. Real-time detection of steel strip surface defects based on improved YOLO detection network[J]. IFAC-PapersOnLine, 2018, 51(21): 76-81. doi: 10.1016/j.ifacol.2018.09.412
[59]	CHEN Y B, FU Q S, WANG G T. Surface defect detection of nonburr cylinder liner based on improved YOLOv4[J]. Mobile Information Systems, 2021, 2021: 1-13.
[60]	RONNEBERGER O, FISCHER P, BROX T. U-net: convolutional networks for biomedical image segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham: Springer, 2015: 234-241.
[61]	QIAN K. Automated detection of steel defects via machine learning based on real-time semantic segmentation[C]//Proceedings of the 3rd International Conference on Video and Image Processing. Shanghai: ACM, 2019: 42-46.
[62]	李忠海,白秋阳,王富明,等. 基于语义分割的钢轨表面缺陷实时检测系统[J]. 计算机工程与应用,2021,57(12): 248-256. doi: 10.3778/j.issn.1002-8331.2004-0101 LI Zhonghai, BAI Qiuyang, WANG Fuming, et al. Real-time detection system of rail surface defects based on semantic segmentation[J]. Computer Engineering and Applications, 2021, 57(12): 248-256. doi: 10.3778/j.issn.1002-8331.2004-0101
[63]	LIANG Z C, ZHANG H, LIU L, et al. Defect detection of rail surface with deep convolutional neural networks[C]//2018 13th World Congress on Intelligent Control and Automation (WCICA). Changsha: IEEE, 2019: 1317-1322.
[64]	TANG C W, FENG X X, WEN H T, et al. Semantic segmentation network for surface defect detection of automobile wheel hub fusing high-resolution feature and multi-scale feature[J]. Applied Sciences, 2021, 11(22): 10508.1-10508.20. doi: 10.3390/app112210508
[65]	HE K M, GKIOXARI G, DOLLÁR P, et al. Mask R-CNN[C]//2017 IEEE International Conference on Computer Vision (ICCV). Venice: IEEE, 2017: 2980-2988.
[66]	王兴松,李杰,田梦倩. 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法:CN112101138A[P]. 2020-12-18.
[67]	HOU S T, DONG B, WANG H C, et al. Inspection of surface defects on stay cables using a robot and transfer learning[J]. Automation in Construction, 2020, 119: 103382.1-103382.14. doi: 10.1016/j.autcon.2020.103382
[68]	余加勇,李锋,薛现凯,等. 基于无人机及Mask R-CNN的桥梁结构裂缝智能识别[J]. 中国公路学报,2021,34(12): 80-90. doi: 10.3969/j.issn.1001-7372.2021.12.007 YU Jiayong, LI Feng, XUE Xiankai, et al. Intelligent identification of bridge structural cracks based on unmanned aerial vehicle and mask R-CNN[J]. China Journal of Highway and Transport, 2021, 34(12): 80-90. doi: 10.3969/j.issn.1001-7372.2021.12.007
[69]	CHEN W Y, TSAO Y R, LAI J Y, et al. Real-time instance segmentation of metal screw defects based on deep learning approach[J]. Measurement Science Review, 2022, 22(3): 107-111. doi: 10.2478/msr-2022-0014
[70]	ZHANG G W, PAN Y, ZHANG L M. Semi-supervised learning with GAN for automatic defect detection from images[J]. Automation in Construction, 2021, 128: 103764.1-103764.14. doi: 10.1016/j.autcon.2021.103764
[71]	ZHAO Z X, LI B, DONG R, et al. A surface defect detection method based on positive samples[C]//Pacific Rim International Conference on Artificial Intelligence. Cham: Springer, 2018: 473-481.
[72]	PENG Z R, GONG X Y, WEI B G, et al. Automatic unsupervised fabric defect detection based on self-feature comparison[J]. Electronics, 2021, 10(21): 2652.1-2652.12. doi: 10.3390/electronics10212652
[73]	MATUSZCZYK, D, TSCHORN N, WEICHERT F. Deep learning based synthetic image generation for defect detection in additive manufacturing industrial environments[C]//2022 7th International Conference on Mechanical Engineering and Robotics Research (ICMERR). Krakow: IEEE, 2022: 209-218.
[74]	YUN J P, SHIN W C, KOO G, et al. Automated defect inspection system for metal surfaces based on deep learning and data augmentation[J]. Journal of Manufacturing Systems, 2020, 55: 317-324. doi: 10.1016/j.jmsy.2020.03.009