1. 研究目的与意义
从 20 世纪 50 年代初，中国进行了大规模的经济建设，建筑工程的规模越来越大，结构形式也越来越复杂，钢筋混凝土结构工程、钢混组合结构以及砖混结构等组合结构获得迅速的发展。然而，建筑工程的寿命是有限的。以普通民用住宅建筑为例，它的设计使用年限只有 50 年。表面裂缝检测是对于维护城市基础设施来说至关重要。包括桥梁、建筑、道路在内的城市基础设施会由于天气或是一些人为原因而出现裂缝。如果裂纹发展并继续扩展，它们的有效承载表面积会减少，并且随着时间的推移，最终会导致结构失效。裂纹检测的人工过程费时费力，且受检验人员主观判断的影响。在高层建筑和桥梁的情况下，手动检查也可能难以执行。这促使许多研究小组提出了结构健康监测的算法。
20世纪80年代，大多数国家首次意识到铺设控制系统对预测城市基础设施长期性能的重要性。最主要的是，各国一致同意设计一种用于研究建筑物的物理测量对象的方法，这有助于维护建筑物使用寿命。这类系统中有意向重要任务，就是观测数据破坏程度的演变。使用各个机构的数据预测短期和长期条件对于评估长期性能非常重要。当时，大多数国家仍在考虑通过人工拍摄来评估建筑结构的状况。此时，有关当局通过一些方式识别和记录表面损坏，这有些多此一举了。这种方法有时会导致观测结果不准确。由于这些方法太过于依靠个人判断，对于不同的破坏类型或严重程度的判断难免会有所偏差，所以人工测试通常费力，并且结果可能不够准确。这种操作还可能导致安全问题，尤其是在难以到达的地方。许多研究人员认为，通过深度学习的方式进行观测可能是将来的大趋势。
在人工智能领域，训练计算机理解视觉数据及其解释的计算机视觉技术将是评估建筑结构和道路路面外部状况的最静态的有前途的方法。
2. 研究内容与预期目标
本课题主要对基于深度学习的墙体裂缝检测算法的设计与实现进行了深入的研究，研究的内容主要包括卷积神经网络模型的构建、深度学习。
研究内容：
1.使用深度学习的方法，利用残差网络来构建一个简单但非常准确的裂缝检测模型——ResNet50。
3. 研究方法与步骤
研究方法：
使用python语言构建基础网络模型，在红外墙体裂缝数据集上进行调参训练，并对目标检测模型的检测速度和检测精度进行验证。
4. 参考文献
1 B.D.C.N . Prasad,SailajaM.,Suryanarayana V. Analysis on Content Based Image Retrieval Using ImageEnhancement and Deep Learning Convolutional Neural Networks[J]. ElectrochemicalSociety Transactions,2022,107(1).
2 Lei Sida,Cao Hongyou,KangJuntao. Concrete Surface Crack Recognition in Complex Scenario Based on DeepLearning[J]. Journal of Highway and Transportation Research and Development(English Edition),2020,14(4).
3 Qin Zou 0001,ZhengZhang,Qingquan Li,Xianbiao Qi,Qian Wang 0002,Song Wang. DeepCrack: LearningHierarchical Convolutional Features for Crack Detection.[J]. IEEE Trans. ImageProcessing,2019,28(3).
5. 工作计划
3.01--3.20，熟悉课题背景，查阅中英文资料，完成毕设开题。
3.21--4.30，开展课题内容，完成课题的主要实验工作和程序调试。
5.01--5.10，撰写毕设论文初稿并完成中英文翻译。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
