Tiefe neuronale Netze und Computer-Vision-Technologien spielen in den letzten Jahren eine zunehmend wichtige Rolle bei der Strukturüberwachung. Unter Nutzung von durch Drohnen aufgenommenen Bilddaten von Schäden an Brücken-Hängeseilen wurde eine Methode zur Schadenskennung an PE-Mänteln von Hängeseilen basierend auf Deep-Learning-Technologien untersucht. Um eine intelligente und schnelle Erkennung lokaler Schäden an der Oberfläche von Hängeseilen großer Spannweiten auf Geräten mit geringer Rechenleistung zu ermöglichen und die relativ niedrige Rechenleistung sowie den großen Modellparameterumfang traditioneller tiefer Faltungsnetzwerke zu überwinden, wurde ein leichtgewichtiges, regionenbasiertes Faltungsneuronales Netzwerk-Modell vorgeschlagen. Die theoretischen Grundlagen des Regions-Empfehlungsnetzwerks und seiner leichtgewichtigen Verbesserungsmethoden werden vorgestellt, die Notwendigkeit des leichtgewichtigen Modells analysiert, das die Leistungsanforderungen für Training und Vorhersage bei gleichbleibender Erkennungsgenauigkeit senkt und dadurch Rechenressourcen und Zeit spart; durch Datenaugmentation und andere Methoden wurde das Problem unzureichender Schadensprobendaten gelöst, Vergleichsexperimente wurden eingerichtet, die statistische Analyse der Ergebnisse bestätigte die Überlegenheit des leichtgewichtigen neuronalen Netzmodells. Die Ergebnisse zeigen, dass das leichtgewichtige Netzwerk bei geringem Genauigkeitsverlust die Modellkomplexität und den Rechenaufwand erheblich verbessern kann und die Praktikabilität neuronaler Netze in ingenieurtechnischen Anwendungen effektiv erweitert.

Brücken-Hängeseile; intelligente Schadenskennung; leichtgewichtiges neuronales Netzwerk; Computer-Vision; Deep Learning