大数据技术在桥梁管养中的应用案例( 六 )_截至2018年底

图4 改进的Faster R-cnn网络结构

课题组以Faster R-CNN为基础模型（见图4），结合多尺度训练和难负样本挖掘策略优化RPN网络，引入残差结构和Center Loss监督信号，利用自制车型数据集训练深度神经网络模型，并进行合理的参数调节，在小幅度影响检测速度前提下进一步提高了精确度。

基于检测数据的服役状态评价

课题组对某省39989座中小跨径梁桥进行数据预处理，得到数据相对完整的7963座桥梁。数据统计特征如下：

1.技术状况：以1、2类桥梁为主，其中1类桥3856座（48.42%）， 2类桥3419座（42.94%）， 3类桥582座（7.31%）， 4类桥67座（0.84%）， 5类桥39座（0.49%）。

图5 技术状况分布

2.结构类型;以实心板梁、T梁、空心板梁、整体现浇板梁为主其中实心板梁3468座(43.55%)T梁1677座(21.06%)空心板梁1401座(17.59%)整体现浇板1240座(15.57%)箱形梁61座(0.77%) ， II形梁42座（0.53%）， I形梁12座（0.15%），其他桥型62座（0.78%）。