裂缝是混凝土桥梁最重要和最常见的病害之一。准确、及时发现裂缝是桥梁日常养护工作的重要内容。传统的检测方法费时费力,效率低下,检测结果精度差,检测不全面。因此,提出一种自动的检测方法对于现代桥梁健康评估势在必行,具有很高的研究价值。随着计算机硬件的飞速发展,促进了人工智能的发展,为我们解决这一问题提供了新的思路,本文提出了一种基于双网络模型的图像识别方法,对混凝土桥梁图像进行裂缝特征的提取,具体工作如下:1、对图像进行裂缝区域的识别。首先建立了一个卷积神经网络模型(Convolutional neural network,CNN),然后根据网络模型特点,建立了一个包含11200张照片的训练集1,对CNN模型进行了训练并取得了较好的验证精度。2、对图像进行图像分割。通过一个全卷积神经网络模型(Fully convolutional networks,FCN)实现了对图像的分割,根据FCN模型的特点建立了一个包含2068张照片的训练集2和一个虚拟训练集,首先应用虚拟训练集对FCN模型进行预训练,然后通过训练集2对模型进一步训练,最终获得了较好的验证精度。3、对分割后的图像进行特征提取。通过算法实现对分割后的图像进行滑窗采样,滑窗大小为32×32像素,由于采样窗口很小,可以只考虑采样窗口中仅包含单条裂缝、形态为直线的情况。通过统计像素数量提取出裂缝的宽度及长度等信息。4、通过CAD的二次开发,自动生成裂缝分布的三维模型,实现桥梁病害的可视化。利用数字图像进行病害识别的方法具有精度高、人为主观影响小、再现性好等特点,获得了广泛的关注,本文提出的由CNN和FCN组成的双网络模型在混凝土桥梁裂缝识别过程中较好地兼顾了高精度与低噪声,较单一的神经网络模型有效降低了计算量,具有很高的实用价值及应用前景。