为将桥梁表观病害图像进行多标签分类,部署在嵌入式设备和移动终端中以实现智能化桥梁病害检测,采用优化的轻量化卷积神经网络MobileNet-V2 构建桥梁表观病害图像识别模型.将收集到的 8000 张桥梁表观病害图像按 8∶1∶1 建立训练集、验证集和测试集,为解决数据集样本过少的情况,对训练集进行数据增强处理.通过将MobileNet-V2 模型与迁移学习相结合,设计了递进式分类器和跨局部连接的网络骨干对模型进行优化,并对比不同学习率下其与原始的MobileNet-V2 模型对分类结果准确率,选出最优学习率及最佳模型.通过与 3 种传统卷积神经网络模型进行对比分析,优化的MobileNet-V2 模型和ResNet50 模型均有较高的准确率,并且优化的MobileNet-V2 模型相比ResNet50 模型,参数量和计算量分别降低了92.39%、97.44%,训练时间降低了 60.56%,该模型在拥有较低参数量和模型计算量的同时可以得到较高的准确率及训练速度.将该模型用于某桥梁进行表观病害图像的分类,其准确率为95%,与ResNet50 模型相比识别耗时降低了 82.6%.实例研究表明:与传统的神经网络模型相比,优化的MobileNet-V2 模型能够准确识别桥梁表观病害.