Las redes neuronales profundas y las tecnologías de visión por computadora han desempeñado un papel cada vez más importante en el monitoreo de la salud estructural en los últimos años. Utilizando datos de imágenes de daños en los cables de los puentes capturados mediante drones, se investigó un método de reconocimiento de daños en la cubierta de PE de los cables basado en tecnologías de aprendizaje profundo. Para lograr un reconocimiento inteligente y rápido de daños locales en la superficie de cables de gran luz en dispositivos con baja capacidad de cómputo, y solucionar los problemas de eficiencia computacional relativamente baja y tamaño de parámetros de modelo grande de las redes neuronales convolucionales profundas tradicionales, se propuso un modelo de red neuronal convolucional regional recomendada y ligera. Se presentan las bases teóricas de la red de recomendación regional y su método de mejora ligera, analizando la necesidad de un modelo ligero que pueda reducir la demanda de rendimiento del equipo para el entrenamiento y predicción del modelo garantizando la precisión de reconocimiento, con el objetivo de ahorrar recursos computacionales y tiempo; mediante la ampliación de datos y otros métodos se resolvió el problema de la insuficiencia de datos de muestras de daños, se establecieron experimentos comparativos, el análisis estadístico de los resultados confirmó la superioridad del modelo ligero de red neuronal. Los resultados muestran que la red ligera puede mejorar en gran medida la complejidad del modelo y el volumen computacional con una pequeña pérdida en la precisión de reconocimiento, expandiendo eficazmente la aplicabilidad práctica de las redes neuronales en aplicaciones de ingeniería.

cables de puente; reconocimiento inteligente de daños; red neuronal ligera; visión por computadora; aprendizaje profundo