GA-PCNN: 提升混凝土桥梁裂缝检测精度与去噪能力的新算法

本文研究了一种新颖的混凝土桥梁裂缝检测方法，名为GA-PCNN，即基于脉冲耦合神经网络(Pulse-Coupled Neural Network, PCNN)与遗传算法(Genetic Algorithm, GA)的结合。在面对混凝土桥梁裂缝图像对比度低、噪声干扰强烈的问题时，作者提出了一种创新的解决方案。 首先，遗传算法在裂缝PCNN模型参数优化中发挥了关键作用。遗传算法作为一种全局优化方法，能够有效地搜索参数空间，找到最优的PCNN模型配置，以提高对裂缝特征的敏感性和识别能力。这种方法旨在提升算法对复杂图像模式的适应性，使得模型能够更准确地识别裂缝信号。 接着，作者提出了一种改进的最小对数误差适应度函数，用于区分裂缝区域和背景。这个函数在评估分割结果时，通过监测适应度值的变化来判断分割是否达到足够精确。当适应度值不再显著变化时，算法停止分割过程，避免过度处理导致的误判。 最后，连通域去噪算法被用来消除分割后的图像中的残留噪声，进一步提高检测的精度和可靠性。这一步骤对于确保裂缝特征的清晰呈现至关重要，有助于减少由噪声引起的检测错误。 为了验证GA-PCNN算法的有效性，作者将其与PCNN算法以及基于熵和动态阈值的两种常见裂缝检测方法进行了比较。通过绘制Precision-Recall (PR)曲线和Receiver Operating Characteristic (ROC)曲线，评估了各方法的分割性能。结果显示，GA-PCNN的PR和ROC曲线下面积分别达到了90.6%和91.6%，相较于PCNN提高了10.1%和6.8%，相比于基于熵和动态阈值的方法分别提高了6.5%和6.7%。这表明GA-PCNN在检测精度和噪声抑制方面具有明显优势。 GA-PCNN的新算法在混凝土桥梁裂缝检测中表现出色，其优势在于结合了PCNN的强大学习能力和遗传算法的全局优化特性，实现了对裂缝的高效、准确检测，尤其在处理复杂环境下的裂缝图像时表现突出。这对于桥梁结构健康监测和维护具有重要的实践价值。