声呐成像检测水下桩墩表观病害时,其图像与光学图像的病害特征存在较大差异,病害的位置和类型需要人工识别且易出错.为解决这个问题,提出基于声呐成像的水下桩墩表观病害深度学习与智能检测方法.首先对水下实桥桩墩以及试验模型进行声呐扫描获取大量图像,并分析声呐图像中的病害特征;然后对Faster　R-CNN框架下VGG16网络模型进行改进,采用水平、垂直等线性变换实现原始声呐图像的数据增强,对深度学习模型进行近似联合优化训练,用一定概率保证率的矩形识别框实现水下桩墩多类病害的分类定位;最后选取150幅未参与训练的声呐图像进行识别,验证所提出方法的有效性,并通过混淆矩阵、精确率、召回率、准确率以及F1值等评价指标对识别方法性能进行研究.研究结果发现,桩墩孔洞、剥落和位移等病害以及无病害类型的识别结果的总体准确率为88.3％,F1值分别为90.1％、84.9％、78.7％和94.6％,平均F1值为87％.这说明该方法在水下桩墩表观病害识别、定位以及自动化处理方面是可行、有效的,为桥梁水下桩墩表观病害的图像处理、智能化检测与桥梁安全评估提供技术支撑.