基于卷積神經網絡的預制疊合板多目標智能化檢測方法

姚剛　廖港　楊陽　李青澤　魏伏佳

摘要：在生產過程中，預制構件尺寸不合格問題將導致其在施工現場無法順利安裝，從而影響工期。為推進預制構件智能化生產的進程，以預制疊合板為例，基于卷積神經網絡研究生產過程中的智能檢測方法，在生產流水線上設計并安裝圖像采集系統，建立預制疊合板尺寸檢測數據集。通過YOLOv5算法實現對混凝土底板、預埋PVC線盒及外伸鋼筋的識別，并以固定磁盒作為基準參照物進行尺寸檢測誤差分析，實現混凝土底板尺寸、預埋PVC線盒坐標的檢測，在降低訓練數據集參數規模的工況下保持較高的識別精度。結果表明：該方法可以有效檢測預制疊合板的底板數量和尺寸、預埋PVC線盒數量和坐標，并實現彎折方向不合格的外伸鋼筋檢測，并能降低人工成本，提高檢測精度，加快檢測速度，提高預制疊合板的出廠質量。

關鍵詞：預制疊合板；多目標檢測；卷積神經網絡；預制構件；智能化生產

中圖分類號：TU741.2? ? ?文獻標志碼：A? ? ?文章編號：2096-6717（2024）01-0093-09

Multi-target intelligent detection method of prefabricated laminated board based on convolutional neural network

YAO Gang1， LIAO Gang1， YANG Yang1， LI Qingze1， WEI Fujia2

（1. Key Laboratory of New Technology for Construction of Cities in Mountain Area， Ministry of Education; School of Civil Engineering， Chongqing University， Chongqing 400045， P. R. China； 2.China Machinery China United Engineering Co.， Ltd.， Chongqing 400050， P. R. China）

Abstract： The unqualified size of prefabricated component in the production process will lead to the failure of the installation on the construction site， and affect the construction period. In order to promote the process of intelligent production of prefabricated components. Based on a convolutional neural network， the prefabricated laminated board is used as an example to study the intelligent detection method of the production process. Design and install an image acquisition system on the production line， establish a prefabricated laminated board detection data set， and use the YOLOv5 algorithm to detect the concrete plate， the embedded PVC junction box and the overhanging steel bar. The fixed magnetic box is used as the benchmark to analyze the detection error of the dimension of the concrete plate and the coordinate of the embedded PVC junction box， and maintains a high recognition accuracy with a smaller parameter scale of the training data set. The result shows that the method can effectively detect the number and dimension of the concrete plate， the number and coordinate of the embedded PVC junction box， and detect the overhanging steel bar of unqualified bending direction. The method can reduce labor costs， improve detection accuracy， speed up detection process， and improve the delivery quality of prefabricated laminated board.

Keywords： prefabricated laminated board； multi-target detection； convolutional neural network； prefabricated component； intelligent production

近年來，裝配式建筑發展迅速，2016年中國新開工裝配式建筑面積1.1×109 m2，2020年增長至6.3×109 m2[1]，年平均增長率55.4%。預制構件作為裝配式建筑的基本部件，其生產過程中的質量控制對提高裝配式建筑質量具有重要意義[2-4]。預制疊合板作為目前使用廣泛的預制構件，構造簡單，施工便捷，被廣泛應用于各類裝配式住宅體系[5-7]。

裝配式建筑施工過程中，尺寸不合格的預制疊合板需返廠，不僅造成材料浪費、成本增加，還直接影響現場安裝進度[8]。目前，預制構件廠進行預制疊合板尺寸檢測主要采用人工鋼尺抽查的方法，人工投入量大，檢測速度及精度低，存在漏檢的現象。因此，發展非接觸式預制疊合板智能化檢測方法，對于加快速度、提高精度及降低成本具有重要的現實意義。在非接觸式檢測上，已有部分學者使用激光掃描技術來檢測構件尺寸[9-11]，并通過實際項目建立檢測與評估系統[12]。激光掃描由于需要后期處理數據并生成影像圖，檢測結果反饋較慢，且對于移動目標檢測效果不佳，在工業化的流水線生產中應用受限。

基于計算機視覺，有學者通過Canny邊緣檢測算子開展成品預制構件的尺寸檢測研究[13]，實現大尺度構件的尺寸檢測，但是，在實際操作中需要人工設定閾值，泛化能力較低，且對于邊緣較為模糊的小尺度構件檢測精度受限。隨著人工智能技術的發展，智能化檢測方法在土木工程領域獲得廣泛應用[14-15]。其中，卷積神經網絡通過大量的訓練數據提取待檢測目標的深層次特征，并采用多尺度特征融合的結構以適應不同尺度的檢測目標，具備強大的特征提取能力及泛化能力[16]。有學者借助卷積神經網絡算法，通過優化VGG16識別網絡研究建筑物門窗等構件的分類問題[17]，通過DeepLabv3+語義分割算法實現像素級別的混凝土構件表觀裂縫檢測[18-20]與氣泡缺陷檢測[21]。目前，智能化檢測的研究大多針對使用階段的構件，進行健康監測及損傷檢查[22]，針對生產過程中的預制構件進行尺寸檢測的研究較少。

筆者基于卷積神經網絡算法，研究生產流水線上預制構件的數量及尺寸檢測。以預制疊合板為例，進行混凝土底板數量和尺寸、預埋件數量和坐標，以及彎折方向不合格的外伸鋼筋檢測研究，并以固定磁盒作為基準參照物進行尺寸檢測誤差分析，實現非接觸式預制疊合板多目標智能化檢測，降低預制構件廠的人工成本，提高檢測精度，加快檢測速度。

1 預制疊合板多目標檢測系統

1.1 多目標檢測系統原理

目標檢測技術發展較迅速，其主要目的是在圖像中精確標定被檢測物體的類別及位置[23]。而多目標檢測技術主要是針對圖像中存在多個待檢測目標的情況，需要提取不同目標的外觀、尺寸等特征，將其嚴格地與背景或其他目標分離開來。相較于單一目標檢測，多目標檢測存在不同目標間互相干擾、遮擋等問題，檢測過程中的參數規模大，對硬件要求高[24]。

借助智能化檢測的手段，通過圖像實現對生產線上所有預制疊合板的多目標檢測，提高構件生產合格率。多目標檢測內容包括：預制疊合板底板、預埋線盒及不合格外伸鋼筋3類。通過設計預制疊合板多目標檢測系統，并引入基準參照物，進行預制疊合板尺寸檢測誤差分析，實現在生產過程中檢測混凝土底板數量和尺寸，預埋線盒數量和坐標，以及外伸鋼筋的彎折方向，實現多目標智能化檢測。預制疊合板多目標檢測系統原理如圖1所示。

1.2 基于卷積神經網絡的目標檢測算法

基于卷積神經網絡的目標檢測算法相比人工構造特征的傳統目標檢測算法，可以自動提取特征，具有泛化能力強、魯棒性強的優點。常見的基于卷積神經網絡的目標檢測算法有兩類，基于候選區域與基于回歸的目標檢測算法[25]?；诤蜻x區域的目標檢測算法通過在圖像樣本中生成待檢測候選區域，隨后對待檢測區域中的目標進行特征提取并加以識別，以R-CNN（Region with CNN features）[26]、SPP-Net（Spatial Pyramid Pooling）[27]等系列為代表，目標檢測精度較高，但需計算候選區域，檢測速度較慢?；诨貧w的目標檢測算法通過直接對圖像進行全局處理，避免候選區域的計算過程，檢測速度大大提升，以YOLO（You Only Look Once）[28]、SSD（Single Shot Multibox Detector）[29]等系列為代表，在對檢測速度有要求的領域（如實時監測）獲得廣泛應用。

其中，YOLO系列作為兼顧檢測速度與精度的目標檢測算法，可以實現輕量化、多尺度的目標檢測。YOLOv5作為該系列最新的目標檢測算法模型，與上一版本相比，大幅提高了檢測速度，在基準數據集下圖像推理速度最快達到140fps（每秒處理140幀圖像）[30]，可以滿足預制構件廠流水生產線上對預制疊合板檢測速度的要求。因此，基于YOLOv5算法，建立預制疊合板多目標檢測系統，圖2所示為其網絡模型結構。

神經網絡的輸入圖像經過Input、Backbone、Neck、Prediction 4個模塊后得到預測錨框，錨框標示出待檢測目標（預制疊合板底板、預埋PVC線盒及外伸鋼筋）的類別及位置。

Input模塊主要對輸入的圖像進行預處理，本研究中原始圖像像素為5 472×3 648，預處理階段通過letterbox方法對輸入圖像自適應添加最少的黑邊，并將尺寸縮放為640×640，大幅減少計算量，提高檢測速度。

Backbone模塊通過Focus結構進行切片操作，將640×640×3的輸入圖像轉換為320×320×12的特征圖，并經過卷積操作得到320×320×64的特征圖。隨后通過CSP結構對權重參數的梯度變化情況進行傳遞。Neck模塊部分通過上采樣的方式，融合傳輸不同層次特征圖的信息，并通過構造特征金字塔自上而下地提取強語義特征，將其傳送至Prediction模塊。Prediction模塊作為算法網絡的輸出端，采用LGIoU作為預測錨框的損失函數，其數學表達式為 （1）

式中：AC為預測錨框與真實錨框的最小外包面積，I為預測錨框與真實錨框的交集，U為預測錨框與真實錨框的并集，如圖3所示。

LGIoU損失函數通過增強神經網絡對于不同錨框相交尺度的判斷方式，解決預測錨框與真實錨框不重合的優化問題，提高損失函數的收斂性能，提升模型的檢測速度。

神經網絡的訓練過程中，當預測錨框與真實錨框的交并比大于規定閾值（通常取0.5）時，認為該檢測結果是正樣本，反之為負樣本。訓練結束后，通過統計檢測結果的正、負樣本數量，通過混淆矩陣計算精度與召回率，并將其作為判斷訓練效果的主要依據，混淆矩陣如表1所示。

式中：C代表測試集中的樣本類別數；Pj為第j類目標檢測過程中平均精確度，使用精度-召回率曲線的面積進行計算，等式右側為其積分表達形式。

1.3 圖像采集系統設計

預制疊合板的出廠尺寸檢查形式為人工鋼尺抽查，內容包括混凝土底板尺寸、預埋件位置及外伸鋼筋彎折方向。經抽樣檢查不合格的預制疊合板需銷毀，并重新下料生產，造成人力物力的浪費。

借助卷積神經網絡算法，通過圖像實現對預制疊合板的非接觸式尺寸檢測，避免傳統的接觸式鋼尺檢測對生產流水線的影響。研究過程中，針對預制構件廠生產流水線的實際條件，設計圖像采集系統。圖像采集系統如圖4所示，由支架、云臺、工業相機、光源及圖像檢測終端組成。傳送系統通過電動機驅動的滾輪運輸模臺，模臺攜帶預制疊合板通過支架下方，兩臺LED光源設備提供穩定的環境光照亮預制疊合板的細部構造。三維云臺具備角度、俯仰的姿態調整功能，為工業相機提供靈活、穩定的拍攝條件。工業相機對通過的預制疊合板進行圖像采集，并將圖像傳送至檢測終端。

圖像采集系統設計過程中，為保證獲取所需圖像的全部特征信息，需計算工業相機拍攝高度。工業相機焦距f計算公式為

經調焦及拍攝測試，確定工業相機拍攝高度H為8 000 mm。采集得到518張預制疊合板圖像，單張圖像分辨率5 472×3 648，采集圖片時，盡量保證每塊疊合板位于圖片中央位置，使得成像清晰無暗角。部分圖像如圖5所示，圖5（a）為單張圖片包含一塊疊合板，圖5（b）為單張圖像同時包含兩塊疊合板。研究過程中，通過增加圖片中目標數量，可以增強神經網絡在復雜環境下的檢測效果。

2 基于卷積神經網絡的多目標識別

2.1 圖像樣本數據集建立

為了增強神經網絡的泛化能力，防止出現訓練過擬合的現象，考慮對原始圖像進行樣本擴充。研究過程中通過Opencv組件對圖像進行旋轉、水平翻轉、噪聲擾動和顏色轉換，以提高神經網絡對不同方向、不同光線下預制疊合板圖像的適應性，如圖6所示。518張預制疊合板圖像經過樣本擴充，得到總數為2 072張圖像的數據集，其中共包括預制疊合板3 156塊，預埋PVC線盒6 284個。

由于外伸鋼筋在豎向平面內進行彎折，若產生過大平面外彎折，則視為不合格外伸鋼筋。為統一外伸鋼筋平面外彎折的評價標準，通過BIM系列軟件Autodesk Revit對預制疊合板進行建模，并使用Revit軟件的圖像渲染引擎模擬拍攝時的幾何投影關系，如圖7（a）、（b）所示。邊緣處的外伸鋼筋在拍攝投影過程中會由于拍攝偏角產生平面外的彎折，且鋼筋位置越偏離畫面中央，平面外彎折程度越明顯。預制疊合板長邊尺寸為L，故在標注過程中，取模擬圖像中距離畫面中央L/2處外伸鋼筋的彎折程度為合格標準。在示例中L最大為3 500 mm，取L/2=1 750 mm處的外伸鋼筋為合格標準，大于該彎折程度的，判斷為不合格外伸鋼筋，需對其進行標注，如圖7（c）所示。

使用標注軟件labelme對待檢測目標進行標注，包括預制疊合板底板、預埋PVC線盒及不合格外伸鋼筋，如圖8所示。為保證后期預埋PVC線盒定位精確，圖8中針對預埋PVC線盒中部的八角盒部分進行標注。

2.2 訓練過程及結果分析

為了保證訓練過程中數據分布的一致性，避免因數據劃分引入偏差而對最終結果產生影響，將2 072張原始圖片按照70%與30%的比例隨機劃分為訓練集與測試集。其中訓練集用于訓練神經網絡各層的權重參數，測試集用于測試訓練結果的準確性。采用Ubuntu操作系統，Intel（R） Xeon（R） Gold 6142 @ 2.60 GHz CPU，Tesla V100-FHHL-16 G顯卡進行訓練。通過預訓練進行超參數調整，以加快模型訓練速度，最終選擇訓練批次大小為32，學習率0.001，最大迭代次數7 000次。

使用TensorBoard獲得迭代訓練日志，繪制訓練過程中損失函數曲線如圖9（a）所示，平均精度曲線如圖9（b）所示。

迭代到1 000次后，損失函數開始呈現收斂趨勢，迭代至7 000次時，損失函數曲線已不再明顯波動，損失函數值穩定在0.13左右。預制疊合板底板平均精度穩定在99.10%，預埋線盒平均精度穩定在98.00%，彎折方向不合格的外伸鋼筋平均精度穩定在87.20%。隨著權重參數的迭代，損失函數與平均精度不再變化，保存神經網絡訓練過程中實際最優的權重參數。

使用最優權重參數對測試集圖像進行測試，單張圖像檢測時間少于40 ms，且可以實現30 fps的視頻檢測，滿足預制構件廠生產流水線檢測的速度需求。圖像檢測結果如圖10所示，預制疊合板混凝土底板及預埋PVC線盒檢測效果好，錨框可以精確地表示混凝土底板及預埋PVC線盒的數量及位置，且在一張圖像同時包含兩塊疊合板的情況下，也可以順利完成檢測。測試集上多目標檢測平均精度為94.10%，召回率為96.40%。其中，預制疊合板底板平均精度達到99.60%，預埋線盒平均精度97.20%，彎折方向不合格的外伸鋼筋平均精度83.20%。測試集的結果表明，通過訓練后的神經網絡對預制疊合板檢測具有速度快，精度高的優勢。

3 預制疊合板尺寸檢測結果分析

3.1 基準參照物選取

固定磁盒在預制構件的生產過程中被用于固定模具，其型號尺寸統一，通用性強，是預制構件生產過程中的必要組件，如圖11所示。以固定磁盒作為基準參照物，計算預制疊合板的混凝土底板尺寸和預埋PVC線盒的坐標信息，并進行尺寸檢測誤差分析。

使用Camera Measure作為測量工具，從不同的圖像中選取100個靠近畫面中央且無遮擋的固定磁盒，測量其長邊尺寸，如圖12所示。

對測量結果繪制箱型圖，如圖13所示，固定磁盒在圖片中的最小測量值為226.042 px，最大值為226.992 px，平均值為226.487 px。實際長度與像素長度的轉換系數D計算公式為

式中：lr為固定磁盒標準長邊的實際長度；lm為固定磁盒在圖像中的平均像素長度。根據固定磁盒型號，其實際長度lr為200 mm，像素長度lm為226.487px。則轉換系數D為0.883。通過選取固定磁盒作為基準參照物，實現圖片尺寸到實際尺寸的檢測誤差分析。

3.2 尺寸檢測誤差分析

利用Opencv模塊加載預制疊合板檢測網絡，對圖像進一步處理得到各檢測目標的錨框尺寸及中心點坐標，信息提取過程如圖14所示。

將檢測數據通過轉換系數D進行尺寸檢測數據分析，得到最終的混凝土底板尺寸和預埋PVC線盒的坐標信息，并計算誤差。其中，預制疊合板底板尺寸檢測誤差ρ_d考慮長寬方向相對誤差

式中：Δx、Δy為預埋線盒坐標的絕對誤差值。隨機選取100塊預制疊合板底板，測量其實際尺寸，并按照式（8）計算混凝土底板尺寸檢測誤差ρ_d，結果如圖15（a）所示。選取的疊合板中包含預埋PVC線盒186個，通過測量其實際坐標，按照式（9）計算預埋線盒坐標檢測誤差ρ_h，如圖15（b）所示。

通過預制疊合板混凝土底板尺寸及預埋線盒坐標檢測誤差分析，混凝土底板尺寸檢測平均誤差0.53%，最大誤差0.68%；預埋PVC線盒坐標檢測平均誤差11.90 mm，最大誤差15.61 mm。

4 結論

結合預制構件廠的實際生產需求，通過YOLOv5目標檢測算法，實現了基于卷積神經網絡的預制疊合板多目標智能化檢測。

1）在預制疊合板生產線上建立了預制構件多目標檢測系統，可以在混凝土初凝前發現不合格預制疊合板構件，并及時進行處理，提高構件的合格率，避免二次生產造成的材料、人力浪費。

2）通過拍攝圖像實現了多目標同時檢測，單張圖像即可完成混凝土底板數量及尺寸檢測，預埋線盒數量及坐標檢測，彎折方向不合格的外伸鋼筋檢測。檢測速度快，單張圖像檢測時間少于40 ms，可以滿足生產流水線實時檢測需求。

3）以固定磁盒作為基準參照物進行檢測誤差分析，可以在降低訓練數據集參數規模的工況下保持較高的識別精度。

4）混凝土底板、預埋PVC線盒、外伸鋼筋等3種目標的識別精度上，對混凝土底板識別最精準。其中底板數量檢測平均精度99.60%，尺寸檢測平均誤差0.53%；預埋PVC線盒數量檢測平均精度97.20%，坐標檢測平均誤差11.90 mm；彎折方向不合格的外伸鋼筋檢測平均精度83.20%。

參考文獻

[1]? 中華人民共和國住房和城鄉建設部. 住房和城鄉建設部標準定額司關于2020年度全國裝配式建筑發展情況的通報[EB/OL]. （2021-03-11）[2022-04-18]. https：//www.mohurd.gov.cn/gongkai/fdzdgknr/tzgg/202103/20210312_249438.html.

Ministry of Housing and Urban-Rural Development of the People's Republic of China. Circular of the Standard and Quota Division of the Ministry of Housing and Urban-Rural Development on the Development of National Prefabricated Buildings in 2020 [EB/OL]. （2021-03-11）[2022-04-18].https：//www.mohurd.gov.cn/gongkai/fdzdgknr/tzgg/202103/20210312_249438.html.（in Chinese）

[2]? 徐照， 占鑫奎， 張星. BIM技術在裝配式建筑預制構件生產階段的應用[J]. 圖學學報， 2018， 39（6）： 1148-1155.

XU Z， ZHAN X K， ZHANG X. Application of BIM technology in the manufacturing stage of precast elements of prefabricated construction [J]. Journal of Graphics， 2018， 39（6）： 1148-1155. （in Chinese）

[3]? 周垚， 李希勝. 基于BIM的預制構件生產質量控制[J]. 建設科技， 2019（21）： 61-64， 75.

ZHOU Y， LI X S. Roduction quality control of prefabricated components based on BIM [J]. Construction Science and Technology， 2019（21）： 61-64， 75. （in Chinese）

[4]? CHEN Y， ZHANG Q， FENG J， et al. Experimental study on shear resistance of precast RC shear walls with novel bundled connections [J]. Journal of Earthquake and Tsunami， 2019， 13（3）： 1940002.

[5]? GONG Y， FANG J， CHEN X H. Implementation of lean construction under the new-type building industrialization background in China [C]//International Conference on Construction and Real Estate Management 2016. September 29-October 1， 2016， Edmonton， Canada. Reston， VA， USA： American Society of Civil Engineers， 2016： 169-178.

[6]? 黃煒， 羅斌， 李斌， 等. 不同構造形式綠色混凝土疊合板受彎性能試驗[J]. 湖南大學學報（自然科學版）， 2019， 46（7）： 35-44.

HUANG W， LUO B， LI B， et al. Experiment on flexural behavior of green concrete composite slab with different structural forms [J]. Journal of Hunan University （Natural Sciences）， 2019， 46（7）： 35-44. （in Chinese）

[7]? YAO G， WANG M P， YANG Y， et al. Development and analysis of prefabricated concrete buildings in Chengdu， China [J]. International Journal of Sustainable Development and Planning， 2020， 15（3）： 403-411.

[8]? 趙秋萍. 裝配式結構施工深化設計要點[J]. 施工技術， 2017， 46（4）： 21-24.

ZHAO Q P. Key points of precast structure construction deep design [J]. Construction Technology， 2017， 46（4）： 21-24. （in Chinese）

[9]? LIU J D， ZHANG Q L， WU J， et al. Dimensional accuracy and structural performance assessment of spatial structure components using 3D laser scanning [J]. Automation in Construction， 2018， 96： 324-336.

[10]? KIM M K， SOHN H， CHANG C C. Localization and quantification of concrete spalling defects using terrestrial laser scanning [J]. Journal of Computing in Civil Engineering， 2015， 29（6）： 04014086.

[11]? SUN M S， XU A Q， LIU J. Line shape monitoring of longspan concrete-filled steel tube arches based on three-dimensional laser scanning [J]. International Journal of Robotics and Automation， 2021， 36（10）： 1-13.

[12]? BARAZZETTI L， PREVITALI M， RONCORONI F. The use of terrestrial laser scanning techniques to evaluate industrial masonry chimney verticality [J]. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences， 2019， 42（2）： 173-178.

[13]? 楊陽， 李青澤， 姚剛. 預制疊合板構件智能化識別與檢測方法[J]. 土木與環境工程學報（中英文）， 2022， 44（1）： 87-93.

YANG Y， LI Q Z， YAO G. Intelligent identification and detection method of prefabricated laminated slab [J]. Journal of Civil and Environmental Engineering， 2022， 44（1）： 87-93. （in Chinese）

[14]? 鮑躍全， 李惠. 人工智能時代的土木工程[J]. 土木工程學報， 2019， 52（5）： 1-11.

BAO Y Q， LI H. Artificial intelligence for civil engineering [J]. China Civil Engineering Journal， 2019， 52（5）： 1-11. （in Chinese）

[15]? AMEZQUITA-SANCHEZ J， VALTIERRA-RODRI-GUEZ M， ADELI H. Machine learning in structural engineering [J]. Scientia Iranica， 2020， 27（6）： 2645-2656.

[16]? 魏伏佳. 基于卷積神經網絡的清水混凝土表面氣泡檢測與評價[D]. 重慶： 重慶大學， 2020.

WEI F J. Bughole detection and evaluation of fairfaced concrete surface based on convolutional neural network [D]. Chongqing： Chongqing University， 2020. （in Chinese）

[17]? 熊朝陽， 王婷. 基于卷積神經網絡的建筑構件圖像識別[J]. 計算機科學， 2021， 48（Sup 1）： 51-56.

XIONG Z Y， WANG T. Image recognition for building components based on convolutional neural network [J]. Computer Science， 2021， 48（Sup 1）： 51-56. （in Chinese）

[18]? 李良福， 馬衛飛， 李麗， 等. 基于深度學習的橋梁裂縫檢測算法研究[J]. 自動化學報， 2019， 45（9）： 1727-1742.

LI L F， MA W F， LI L， et al. Research on detection algorithm for bridge cracks based on deep learning [J]. Acta Automatica Sinica， 2019， 45（9）： 1727-1742. （in Chinese）

[19]? 趙珊珊， 何寧. 基于卷積神經網絡的路面裂縫檢測[J]. 傳感器與微系統， 2017， 36（11）： 135-138.

ZHAO S S， HE N. Road surface crack detection based on CNN [J]. Transducer and Microsystem Technologies， 2017， 36（11）： 135-138. （in Chinese）

[20]? WANG J J， LIU Y F， NIE X， et al. Deep convolutional neural networks for semantic segmentation of cracks [J]. Structural Control and Health Monitoring， 2022， 29（1）： 1-18.

[21]? SUN Y J， YANG Y， YAO G， et al. Autonomous crack and bughole detection for concrete surface image based on deep learning [J]. IEEE Access， 2021， 9： 85709-85720.

[22]? FAN W Y， CHEN Y， LI J Q， et al. Machine learning applied to the design and inspection of reinforced concrete bridges： Resilient methods and emerging applications [J]. Structures， 2021， 33： 3954-3963.

[23]? 黃健， 張鋼. 深度卷積神經網絡的目標檢測算法綜述[J]. 計算機工程與應用， 2020， 56（17）： 12-23.

HUANG J， ZHANG G. Survey of object detection algorithms for deep convolutional neural networks [J]. Computer Engineering and Applications， 2020， 56（17）： 12-23. （in Chinese）

[24]? 王旭辰， 韓煜祺， 唐林波， 等. 基于深度學習的無人機載平臺多目標檢測和跟蹤算法研究[J]. 信號處理， 2022， 38（1）： 157-163.

WANG X C， HAN Y Q， TANG L B， et al. Multi target detection and tracking algorithm for UAV platform based on deep learning [J]. Journal of Signal Processing， 2022， 38（1）： 157-163. （in Chinese）

[25]? LIANG F T， ZHOU Y， CHEN X， et al. Review of target detection technology based on deep learning [C]//CCEAI 2021： Proceedings of the 5th International Conference on Control Engineering and Artificial Intelligence. 2021： 132-135.

[26]? GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation [C]//2014 IEEE Conference on Computer Vision and Pattern Recognition. June 23-28， 2014， Columbus， OH， USA. IEEE， 2014： 580-587.

[27]? HE K M， ZHANG X Y， REN S Q， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（9）： 1904-1916.

[28]? 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. June 27-30， 2016， Las Vegas， NV， USA. IEEE， 2016： 779-788.

[29]? LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot MultiBox detector [EB/OL]. 2015： arXiv： 1512.02325. https：//arxiv.org/abs/1512.02325

[30]? 談世磊， 別雄波， 盧功林， 等. 基于YOLOv5網絡模型的人員口罩佩戴實時檢測[J]. 激光雜志， 2021， 42（2）： 147-150.

TAN S L， BIE X B， LU G L， et al. Real-time detection for mask-wearing of personnel based on YOLOv5 network model [J]. Laser Journal， 2021， 42（2）： 147-150. （in Chinese）

（編輯? 胡玲）

收稿日期：2021?11?08

基金項目：國家重點研發計劃（2019YFD1101005）

作者簡介：姚剛（1963- ），男，教授，博士生導師，主要從事土木工程施工研究，E-mail：yaocqu@vip.sina.com。

通信作者：楊陽（通信作者），女，博士，E-mail：yy20052710@163.com。

Received： 2021?11?08

Foundation item： National Key R & D Program of China（No. 2019YFD1101005）

Author brief： YAO Gang （1963- ）， professor， doctorial supervisor， main research interest： building construction and information technology， E-mail： yaocqu@vip.sina.com.

corresponding author：YANG Yang （corresponding author）， PhD， E-mail： yy20052710@163.com.