Глубокие нейронные сети и технологии компьютерного зрения в последние годы играют все более важную роль в мониторинге состояния конструкций. Используя данные изображений повреждений стальных канатов мостов, собранные с помощью беспилотных летательных аппаратов, исследован метод распознавания повреждений PE оболочек стальных канатов на основе технологий глубокого обучения. Для реализации интеллектуального и быстрого распознавания локальных повреждений на поверхности стальных канатов мостов с большим пролетом на устройствах с низкой вычислительной мощностью и решения проблем относительно низкой вычислительной эффективности традиционных глубоких сверточных нейронных сетей и большого объема параметров модели предложена облегченная региональная рекомендательная сверточная нейронная сеть. Представлены теоретические основы региональной рекомендательной сети и ее облегченного варианта, проанализирована необходимость облегченной модели, которая позволяет снизить требования к производительности оборудования для обучения и прогнозирования модели при сохранении точности распознавания, что помогает экономить вычислительные ресурсы и время; посредством увеличения данных и других методов решена проблема недостатка данных о повреждениях, проведены сравнительные эксперименты, статистический анализ результатов подтвердил превосходство облегченной модели нейронной сети. Результаты показывают, что облегченная сеть при незначительном снижении точности распознавания может значительно улучшить сложность модели и объем вычислений, эффективно расширяя практическое применение нейронных сетей в инженерных задачах.

стальные канаты мостов; интеллектуальное распознавание повреждений; облегченная нейронная сеть; компьютерное зрение; глубокое обучение