研究文章
民用基础设施破坏识别使用整体转移学习模型
|
| 美国没有 |
裁判 |
模型使用 |
优点 |
缺点 |
|
| 1 |
(1] |
CNN模型 |
这个模型检测损伤位置和损伤程度与验证的准确性为89.06% |
(我),但该模型实现静态条件 |
| (2)桥暂时关闭,确定使用静态加载条件 |
| (3)这可以扩展动态加载条件 |
|
| 2 |
(2] |
快R-CNN |
数据增加了更好的意思F1-Score 6.174 6.255与R-CNN相比 |
给出多weightage预处理技术模型评估培训不是讨论 |
|
| 3 |
(14] |
神经网络损伤检测方法 |
模式检测的有效方法 |
(我)大量的假警报 |
| (2)桥梁结构破坏的不能正常识别 |
|
| 4 |
(19] |
FCN-based路面异常检测模型 |
道路异常和位置检测可约 |
但异常的深度不能确定该模型 |
|
| 5 |
(27] |
一个黑盒子相机是用来检测的隐忧 |
(我)凹坑检测 |
(我)黑盒相机使用有限的计算环境。光的强度影响的错误检测 |
| (2)适用于路面管理系统 |
|
| 6 |
(28] |
决策树启发式算法 |
路面裂缝检测 |
(我)由于预处理的图像处理时间 |
| (2)水平和垂直分类的图片需要进一步裂纹检测 |
|
| 7 |
(29日] |
SSD初始V2和SSD MobileNet |
为八种分类开发道路损害 |
(我)可以达到77%的精度和召回仅71% |
| (2)数据集由相对较少的壶穴图像 |
|
| 8 |
(30.] |
振动传感器的方法 |
它可以使用智能手机和传感器来实现 |
(我)结果精度较低 |
| (2)车辆的悬架和速度影响振幅振动和准确性 |
|
| 9 |
(24] |
机器学习(ML)的方法 |
更少的计算和时间复杂度相比,深度学习模型 |
(我)精选的特征提取使用传统的图像处理方法 |
| (2)机器学习模型产生不准确的结果比深度学习模型 |
|
| 10 |
(20.] |
提供基于图像处理裂纹检测 |
有成本效益的和快速的 |
(我)发现只有一种形式的破坏 |
| (ii)这导致高错误率的可怜的照明和失真 |
|
| 11 |
(25] |
机器学习(ML)的方法 |
更少的计算和时间复杂度相比,深度学习模型 |
(我)只壶穴检测 |
| (2)机器学习模型的结果相对低于深度学习模型 |
|
| 12 |
(26] |
编码器译码器的架构SegNet DeepCrack |
这可以用于边缘检测和图像和容器检测视网膜图像 |
能够提高准确率;它产生一个0.87F测量 |
|
|
