Tiefe neuronale Netze und Computer-Vision-Technologien spielen in den letzten Jahren eine zunehmend wichtige Rolle bei der Strukturüberwachung. Mit Bilddaten von Schäden an PE-Mantel der Brückenseile, die durch Drohnenluftaufnahmen gesammelt wurden, wurde eine Methode zur Erkennung von Schäden am PE-Mantel von Brückenseilen basierend auf Deep-Learning-Technologien untersucht. Um eine intelligente und schnelle Erkennung lokaler Schäden an der Oberfläche von Brückenseilen großer Spannweiten auf Geräten mit geringer Rechenleistung zu realisieren und die Probleme der relativ niedrigen Rechenleistung herkömmlicher tiefer CNNs und der großen Modellparameter zu lösen, wurde ein leichtgewichtiges regionales Empfehlungskonvolutionsneurales Netzwerk vorgeschlagen. Die theoretische Grundlage des regionalen Empfehlungsnetzwerks und seiner leichtgewichtigen Verbesserungsmethode wird vorgestellt, die Notwendigkeit des leichtgewichtigen Modells analysiert, das bei gleichbleibender Erkennungsgenauigkeit die Anforderungen an die Geräteleistung für Training und Vorhersage senken kann, um Rechenressourcen und Zeit zu sparen; durch Datenaugmentierung und weitere Maßnahmen wird das Problem des Mangels an Schadensstichprobendaten gelöst, Vergleichsexperimente werden eingerichtet und die Ergebnisse statistisch analysiert, wodurch die Überlegenheit des leichtgewichtigen neuronalen Netzwerkmodells bestätigt wird. Die Ergebnisse zeigen, dass das leichtgewichtige Netzwerk bei geringem Verlust an Erkennungsgenauigkeit die Modellkomplexität und den Rechenaufwand erheblich verbessern und die Anwendbarkeit neuronaler Netzwerke in der Ingenieurpraxis effektiv erweitern kann.

Brückenseile; intelligente Schadens­erkennung; leichtgewichtige neuronale Netze; Computer Vision; Deep Learning