您现的位置:首页 > 数据库检索 > 中文期刊 

基于深度学习语义分割的桥梁病害图像像素级识别方法

加收藏
  • 【题名】:基于深度学习语义分割的桥梁病害图像像素级识别方法
  • 【年份】:2020
  • 【作者】:金耀,徐阳,韩飞杨,何少阳,王俊博
  • 【关键词】:深度学习  语义分割  桥梁病害  像素级识别
  • 【摘要】:为了解决如何从背景中把感兴趣的桥梁病害区域以像素级精度识别出来的问题,本文针对混凝土裂缝、钢材锈蚀、表面涂层脱落、混凝土掉块4种桥梁局部病害形式,提出了一种基于深度学习语义分割的桥梁病害图像像素级识别方法,通过构建由一系列功能层组成的深度卷积神经网络(包括卷积层、批归一化层、非线性激活层、最大池化层、反卷积层、全连接层、softmax分类层等),实现像素级的病害区域识别。以考虑不平衡数据处理的像素级交叉熵分类损失为模型训练的损失函数,同时采用数据增强方法,对输入输出图像随机采用逆时针旋转90°、180°、270°、水平翻转、竖直翻转的形式来提高模型的泛化能力。将400张原始病害图像和其像素级分割真实值分别作为输入和输出,80%进行训练,剩余20%作为测试集。随着训练过程的进行,损失不断下降,准确率逐渐上升,最终经过100轮次训练(每轮的批次大小为32),准确率提升至94. 96%。测试结果表明,训练模型基本可以实现对混凝土裂缝、钢材锈蚀、表面涂层脱落、混凝土掉块4种桥梁局部病害区域的像素级识别,其中可以很好地识别出在较简单背景下的混凝土裂缝病害区域,而对于复杂背景下的表面涂层脱落、混凝土掉块、钢材腐蚀耦合发生时的识别结果的准确度则相对降低。可能原因是由于在实际复杂场景下,表面涂层脱落、混凝土掉块具有很大程度上的相似性,并且钢材腐蚀往往伴随着表面涂层脱落、混凝土掉块的发生。
  • 【期刊名】:公路交通科技(应用技术版)
  • 【分类号】:TP391.41;TP183;U446
  • 【期号】:第1期
  • 【资金项目】:国家自然科学基金项目(2019YFC150160)
  • 【作者单位】:中交公路规划设计院有限公司;哈尔滨工业大学土木工程学院
  • 【页码】:183-188
相关文献
基于自回归预测模型深度注意力强化学习方法*
基于深度学习车辆零件缺陷检测方法
基于全卷积神经网络左心室图像分割方法
意见领袖跨圈层传播与“回音室效应”* ——基于深度学习文本分类及社会网络分析方法
基于深度学习交通标志测距方法研究
基于空间序列停车场场景语义分割算法
基于深度学习漏磁检测缺陷识别方法*
基于深度强化学习图像智能识别输电线路在线监测系统
基于深度学习实验设备识别系统开发设计
获取此文方式
CNKI期刊
下载请求:
   

说明:点击”存到网盘“按钮即收取费用,重复点击不收费,如果下载失败,我们会自动转为文献传递方式处理,稍侯请关注您网盘上该文献的信息,从网盘上下载该文献不用重新付费。