Глубокие нейронные сети и технологии компьютерного зрения в последние годы играют все более важную роль в мониторинге состояния конструкций. Используя данные изображений повреждений PE оболочки вантовых канатов мостов, собранные с помощью съемки дронами, исследован метод распознавания повреждений PE оболочки вантовых канатов на основе технологий глубокого обучения. Для реализации интеллектуального и быстрого распознавания локальных повреждений поверхности вантовых канатов мостов большого пролета на устройствах с низкой вычислительной мощностью и решения проблемы относительно низкой вычислительной эффективности традиционных глубоких сверточных нейронных сетей и большого объема параметров модели предложена облегченная зональная рекомендательная сверточная нейронная сеть. Представлена теоретическая база зональной рекомендательной сети и методов ее облегченной модификации, проанализирована необходимость облегченной обработки модели, которая при сохранении точности распознавания снижает требования к производительности оборудования для обучения и предсказания модели, что экономит вычислительные ресурсы и время; посредством аугментации данных и других методов решена проблема недостатка данных о повреждениях, проведены сравнительные эксперименты и статистический анализ результатов, подтверждающий превосходство облегченной нейронной сети. Результаты показывают, что облегченная сеть при незначительной потере точности распознавания значительно улучшает сложность модели и объем вычислений, эффективно расширяя применимость нейронных сетей в инженерных приложениях.

вантовые канаты мостов; интеллектуальное распознавание повреждений; облегченные нейронные сети; компьютерное зрение; глубокое обучение