基于改进 VGG- 16 卷积神经网络的混凝土表面裂缝智能检测研究

一、研究背景

混凝土结构安全关键，裂缝常见且引发问题，超 60% 失效源于裂缝未处理[1]。传统检测方法效率低、主观、难覆盖复杂结构。深度学习如 CNN 提供解决方案；VGG-16 表现优异但面临挑战：纹理复杂导致特征提取难、过拟合、ReLU 死神经元问题，准确率仅 82%-85% ，训练慢，实时性不足。研究从传统机器学习（准确率低）到 CNN 主流，仍存在计算复杂、部署难、细粒度分类不足问题。因此，优化CNN 模型架构，构建高效精准裂缝识别算法具有重要价值。

二、研究目的

本研究旨在通过优化 VGG-16 架构，构建高性能的混凝土裂缝智能检测模型，核心目标包括：提升检测性能，实现准确率 ⩾95% 和分类准确率 ⩾92% ，并缩短训练时间 50% 以上；优化计算效率，减少模型参数 30% 并降低复杂度 40% ，使其适配 GPU 及边缘设备部署；构建多维评估体系以量化优化策略的有效性；最终通过验证模型鲁棒性，支撑工程智能运维，推动智能精准检测技术的实际工程应用。

三、研究方法

（一）数据准备与预处理

本研究采用 MendeleyData-CrackDetection 公开数据集，该数据集包含 40000 张 RGB 图像，正负样本（有裂缝 / 无裂缝）各 20000 张，涵盖四种典型裂缝类型。为增强模型泛化能力，首先对所有图像通过随机旋转（ ±15^∘ ）、水平翻转、亮度调整（ ±20% ）等操作，将数据集扩充至80000 张，有效缓解小样本学习问题。然后，对图像像素值使用如下公式1 进行归一化处理

公式 1

其中 μ 和 σ 分别为训练集像素值的均值和标准差，确保输入数据符合零均值、单位方差分布。最后，按 7:1 比例划分训练集和测试集，并从训练集中抽取 10% 作为验证集，用于模型训练过程中的性能评估。

（二）改进VGG-16 网络架构设计

1. 网络结构优化

针对原始 VGG-16 在裂缝检测中的梯度消失问题，在每组卷积操作后添加批量归一化（BatchNormalization,BN）层，计算公式为：

公式 2

其中 E[x]_F[|Var[x] 为批次数据的均值和方差，γ和 β 为可学习参数，ò 为极小值（1e-5），用于数值稳定性。BN 层的引入使数据分布保持稳定，有效加速网络收敛。同时，简化全连接层结构，将原始VGG-16 的 3 层全连接层（ 4096×4096×1000 ）调整为2 层（ 2048×512 ），并在全连接层后添加 Dropout（比率 0.5），减少过拟合风险。对于裂缝分类任务，将最后一层 Softmax 分类器输出维度从 1000 调整为 4，对应四类裂缝分类。

2. 激活函数改进

采用 P-ReLU（Parametric ReLU）激活函数替代传统 ReLU，其数学表达式如下为：PReLU ) = 

公式 3

其中 α 为可学习参数，通过反向传播自动优化。相比ReLU，P-ReLU解决了负区间神经元“死亡”问题，增强了神经元多样性。实验中，α 的初始值设为0.25，通过训练动态调整。

3. 优化算法选择与超参数调优

对比 SGD、Adam、RMSprop 等优化算法在裂缝检测任务中的表现，最终选定 Adam 算法，其更新规则如下 :

其中为当前梯度， β₁=0.9 、 β₂=0.999 为动量参数， η 为学习率，。通过网格搜索确定最优超参数组合：初始学习率η=0.001 ，批量大小 BatchSize=32 ，训练轮数 Epoch=50 。

（三）模型性能评估体系

本研究针对改进的 VGG-16 模型构建了多维度评估指标体系，具体如下：

准确率（Accuracy）： Accuracy =

F1 值： F1 = 2× Precision× Recall

其中 TP（真正例）、TN（真反例）、FP（假正例）、FN（假反例）。同时，记录损失函数（交叉熵损失）下降曲线和模型收敛时间，通过对比改进前后的性能曲线，量化分析其改进策略的有效性。

四、研究结果

本研究评估了改进VGG-16 模型在MendeleyData 数据集上的性能。引入 BN 层和 P-ReLU 加速收敛，改进模型损失降至 0.15（原 0.32），降低 53% ；准确率 95% 在第 20 周期（原需 35 周期），周期缩短43% 。检测性能显示，总体准确率 96.2% ，提升 10.5% ，F1 值 0.94；温度裂缝识别 93.5% ，优于 YOLOv3 和 Faster R-CNN。计算效率方面，参数量减少 33.3% ，FLOPs 降低 40.6% ；推理速度 20fps ，提升 66.7% ，满足实时需求。泛化能力测试中，在 200 张桥梁图像上准确率 94.5% ，鲁棒性好于复杂环境。综合表明，优化策略在训练效率、检测精度、计算效能和工程适用性上取得突破。

五、研究总结

本研究针对混凝土裂缝检测，改进VGG - 16 网络构建高性能模型。创新点有：1) 提出BN层 +P-ReLU 组合，缓解梯度消失和死神经元问题，收敛速度提升 53% ；2) 优化全连接层实现轻量化，参数量减少 33.3% ，推理速度提升 66.7% ；3) 构建四类裂缝分类模型，准确率达 96.2% ，提升 10.5 个百分点；4) 建立多维度评估体系验证有效性与鲁棒性。该模型已应用于市政桥梁检测，效率提升 20 倍，成本降低 60% ，漏检率<3% ，预计可降低维护成本 30%-40% ，延长桥梁寿命。未来，将优化注意力机制提升细裂缝识别，部署嵌入式设备实现实时检测，结合三维扫描量化裂缝，拓展水下 / 高温等特殊场景数据集。该技术可推广至路面破损、隧道渗漏等土木工程病害检测领域，应用前景广阔。

参考文献

[1] 刘哲宁，王腾，李华等 , 基于深度学习的混凝土裂缝检测研究进展 [J]. 建筑结构学报，2023, 44 (5): 189- 201.

本文系 2024 年校级科研项目《基于改进卷积神经网络模型的混凝土表面裂缝检测方法》，项目编号：2024005，研究成果之一。