深度学习的发展模型在混凝土表面裂缝的识别

文摘

本文致力于发展基于深度学习——(DL)模型来检测混凝土表面裂缝骨折。的开发模型的分类图像是基于DL卷积神经网络(CNN)。CNN模型训练和验证,一个数据库包含40000混凝土表面的图片(有或没有裂缝)收集可用的文学。几个条件的混凝土表面被考虑如光照和表面光洁度(即。、暴露、抹、油漆)。各种误差测量标准如准确性、精密记得,特异性,F1-score用于访问开发模型的质量。结果表明,为训练数据集(数据库)的50%,精度,还记得,特异性,F1-score,和准确性分别为99.5%,99.8%,99.5%,99.7%,和99.7%,分别。另一方面,为验证数据集,精度,还记得,特异性,F1-score,和精度是96.5%,98.8%,96.6%,97.7%,和97.7%,分别。因此,开发了CNN模型可能被认为是有效的,因为它执行裂缝的分类使用的测试数据。也证实,发达DL-based模型健壮和高效,因为它可以考虑不同条件对混凝土表面。CNN模型在这个研究是与其他的文学作品相比,表明CNN模型可以提高图像分类的准确性,与之前相比发表的结果。 Finally, in further work, such model could be combined with Unmanned Aerial Vehicles (UAVs) to increase the productivity of concrete infrastructure inspection.

1。介绍

各种基础设施使用混凝土材料,如桥梁、核反应堆,水坝,和建筑物。然而,这些建筑设施是影响混凝土损伤经过多年的服务1]。值得注意的是,其中一个重大影响,严重影响混凝土的耐久性和钢筋是裂缝的存在1]。实际上,这些钢筋裂缝导致许多问题,如腐蚀和化学攻击2]。因此,结构损伤识别是减少风险(证明是不可避免的3]。

的识别裂缝对混凝土损伤的评估是至关重要的,各种技术都提出了这样的基础设施的维护。结构健康监测主要由使用传感器来检测的刚度变化的基础设施以及腐蚀的初始化4- - - - - -6]。然而,这样的监测技术通常是融入现代建筑设施。对于现有的基础设施,特别是1960年代的混凝土结构,该技术仍然是具有挑战性的(7]。此外,目前大量的混凝土基础设施的维护成本昂贵;例如,平均每年五十亿欧元的预算用在欧洲,欧洲HEALCON如上所述的项目8),保养和维修活动。因此,更加健壮和高效技术的发展是至关重要的,针对节约时间和成本的维护大量的混凝土基础设施,特别是那些可能超过他们的预期使用寿命2]。

的传统方法已被用于裂纹检测和传播是有限元方法(FEM)。许多研究工作已经完成文献中关于这个问题。例如,在Nahvi和Jabbari [9),作者结合实验模态数据和有限元法研究裂纹悬臂梁内检测。在另一个工作的李et al。10),研究了裂纹位置的内部结构使用波长有限元方法(WFEMs)。其他作品在梁裂纹检测和结构使用有限元法可以在[11- - - - - -16]。此外,还可以结合有限元裂纹检测的机器学习算法。例如,在他的作品等。17),由有限元优化的遗传算法模型已经用于裂纹检测转子轴承模型。裂缝检测问题的主要困难使用有限元模型通常是非常复杂的和昂贵的计算时间。事实上,使用有限元法处理裂缝,甚至小的要求极其细化网格,从而导致大量的自由度的问题。

连同传感器设备,提出了许多计算机视觉技术检测混凝土表面裂缝的18- - - - - -20.]。这些视觉技术主要是基于深度学习(DL)算法用于图像处理,例如,卷积神经网络(cnn)。的确,DL-based算法可以提供许多优点来克服传统图像处理技术的局限性(19),尤其是对裂纹检测(21]。作为一个例子,奥利维拉和专题22)已经开发出一种基于DL自动裂纹检测技术在葡萄牙道路系统对损失进行评估。此外,Chen等人。23)提高了裂缝的识别图像使用CNN模型。此外,Nhat-Duc和阮Quoc-Lam [24提出了一个使用支持向量机分类模型对沥青路面裂缝的检测。裂缝的检测桥梁基础设施已经成功地研究了徐et al。25使用一个CNN模型)。在另一项研究中,Nhat-Duc et al。26CNN)提出了一种混合模型的基础上,使用metaheuristic技术培训DL算法和应用程序在路面表面裂缝识别。显然,DL-based技术检测混凝土裂缝损伤强劲表现出一个重要的能力和可靠的27,28]。此外,pretrained图像识别DL模型可以帮助开发一个自动破坏检查员,促进损伤的检测。在Gonenc-Sorguc [29日),比较几种pretrained CNN模型研究裂缝的检测建筑使用AlexNet ResNet, GoogleNet, VGG。事实上,这种pretrained DL模型可以用于快速分类收集的图像视觉捕捉设备。在一些情况下桥梁等大型基础设施的甲板或高建筑物,无人机(uav)可能是一个适当的选择视觉捕捉设备30.,31日]。最近随着无人机的发展高度增加,无人机和pretrained DL模型的结合能够有效地应对困难时维护大型混凝土基础设施,节约时间和成本32,33]。

为了克服困难的传统方法如有限元法或其他机器学习模型,需要复杂的输入数据和成本在计算时间方面,目前的研究主要集中在开发基于图像的CNN识别模型的混凝土表面裂缝的检测。这一目标,一个数据库包含40000张图片是充当了发达DL模型的训练和测试。各种质量评估标准如准确性、精密召回,特异性,F1-score用于检查和验证开发模型。本文的结构组织如下。图像数据库,以及研究方法,提出了部分2。基于图像的CNN的优化模型中描述的部分3,紧随其后的是结果与该模型的预测能力。最后一部分总结本研究的讨论。开发模型代表一个高潜在技术用作混凝土裂缝检测工具,可以结合自动工作流涉及无人机等许多类型的高效设备。

2。材料和方法

2.1。数据库

在这工作,与裂缝图像数据库收集的可用文献[29日,34]。来自几个混凝土建筑物的墙壁和地板中东技术大学的数据库包含两类混凝土表面,没有裂缝和裂缝。混凝土表面和相机之间的距离大约是1米。无裂纹和裂纹类别包含20000张图片,每张图片展览227227 RGB像素。几个样本数据库如图1。捕获的图像是在同一天与类似的照明。然而,随着各种混凝土表面(即调查。,exposed, plastering, and paint) at different buildings, the variation in terms of surface finish and lighting conditions exists in these images. It should be noticed that this final database was generated from 458 high-resolution images (i.e., 4032作为数据增强技术(3024像素)35]。数据集随机分为训练数据集和验证以50/50的比例。摘要信息数据库的表指示1。

2.2。卷积神经网络(CNN)

CNN可分为多层神经网络的主要目标是处理二维输入数据,如文本或图像。作为神经网络的定义,CNN由多个层;每一层是由几个神经节点都有自己的功能。值得注意的是,同一层中的节点模型的相互联系。在这部作品中,CNN算法选择一个映像的DL模型的发展,激励通过各种成功的CNN对图像分类的文学作品。提出了一种图像分割方法基于CNN Arbelaez et al。(36]。在另一项研究中,自动驾驶汽车的道路检测系统成功开发的摄影师et al。37]。最后但并非最不重要,Camilo et al。38]提出了太阳能光伏利用空中CNN-based映射图像。

在结构方面,CNN模型由5层主要如下如图2(39- - - - - -42]:(我)输入层:这一层包含图像的输入数据。(2)卷积层:这一层的节点作为过滤器的主要目的是检测功能使用卷积算子在图像输入。这种类型的过滤结果的地图激活特性图。(3)池层:这一层的主要目的是downsample从卷积层获得的特征图谱。从技术上讲,卷积的结果层可以直接给分类器。然而,这个过程可能是非常昂贵的计算资源,尤其是高分辨率图像输入数据。池层提供了一个将采样的方法总结特性的存在特征图的补丁。卷积的结果层转移到池层通过非线性激活函数。(iv)完全连接层:这一层的主要目的是将前一层的输出(即。,汇聚层),然后应用权重预测正确的标签。(v)输出层:这一层包含问题的预测结果。

许多研究显示,CNN展品几个优势相比传统的反向传播神经网络(40,43]。CNN也可以降低模型的复杂度。更准确地说,CNN的重量参数之间可以共享附近地区。因此,加速训练过程中可以获得。对于图像的应用程序,这个特性是至关重要的,因为附近地区通常认为点携带相关信息(44,45]。此外,CNN暴露更高比传统神经网络特征提取能力,特别是对于捕捉本地信息(例如,邻居像素在图像)。此外,CNN可能需要更少的样本学习阶段以及较低的机会比传统神经网络过度拟合。最后,完成了CNN的描述可以发现在Nhat-Duc et al。26)和Dorafshan et al。46]。

2.3。质量评估标准

在这部作品中,误差的测量图的分类任务的设计3,在那里(我)TP(即。,true positive) explores the number of cracked images that are correctly identified as cracks(2)TN(即。,true negative) presents the number of no-cracked images that are correctly found as no cracks(3)FP(即。,false positive) shows the number of cracked images that are incorrectly classified as no cracks(iv)FN(即。,false negative) exposes the number of no-cracked images that are incorrectly ranked as cracks

根据这些定义,可以计算一些质量评估标准,如以下(25]:(我)准确定义如下: (2)精确定义如下: (我(二)召回的定义如下: (我v)特异性定义如下: (v)F1-score定义如下:

3所示。结果与讨论

3.1。CNN模型的训练

在这项工作中,CNN模型与10层被训练使用Windows专业戴尔T5610 Xeon e5 - 2680 v2 40个线程128 g内存。随机梯度下降法与动量申请培训DL神经网络(47,48]。参数在培训进展表表示2。模型评估每次迭代使用验证数据集。

表3细节提出了CNN的架构,包括10层,如输入层,卷积层,ReLU图层1,完全连接图层1,完全连接层2批标准化层,ReLU层2,完全连接层3,softmax层、输出层和分类。大小的激活、权重和偏置参数也表示在表3每一层。应该注意到这样一个架构是基于深层网络设计师应用程序(48]。

数据4和5显示方面的培训进展准确性和损失,分别。相应的值的准确性和损失使用验证数据集也会高亮显示。它是在数字4和5训练阶段大约1200次迭代后达到收敛。此外,好的结果的准确性和损失也获得验证数据集。

3.2。模型的性能

在本节中,训练有素的CNN模型的性能。的能力模型在检测裂缝如图6几个样品。看到,模型可以检测裂缝的基础上,对比背景和裂缝。数据7(一)和7 (b)显示的混淆矩阵训练和测试数据,分别。其他质量评价标准表突出显示4。看到,为训练数据集,精度,还记得,特异性,F1-score,和精度是99.5%,99.8%,99.5%,99.7%,和99.7%,分别。另一方面,测试数据集,精度,还记得,特异性,F1-score,和精度是96.5%,98.8%,96.6%,97.7%,和97.7%,分别。因此,CNN模型可能被认为是有效的,因为它执行裂缝的分类使用验证数据。也证实,发达DL-based模型是健壮和高效,因为它可以考虑不同条件下混凝土表面如照明、表面光洁度和湿度。

3.3。讨论

混淆矩阵表明,有几种情况下,CNN模型不能检测裂缝的图像。错误的检测跟踪,和相应的图像如图8分为三个主要类别,包括与裂缝图像的角落,与低分辨率图像,分别与图像太小了裂缝。在这些情况下,CNN模型不能执行识别任务因为裂缝之间的对比和背景差23]。在第一个配置中,裂缝图像的只占一小部分。因此,检测任务的机会减少。另一方面,尽管所有捕获的图像是在同一天照明条件的目的,然而,许多建筑进行调查,获得图像的变化是不可避免的。此外,小裂纹的检测,特别是那些在像素级别,通过使用基于图像的DL技术仍然是具有挑战性的(49]。

尽管如此,没有解决复杂的方程式,CNN模型优化了图像分类效率,节约时间,避免高计算成本。开发了CNN模型性能的量化是基于各种质量评估标准。先前的研究涉及到引用的一大亮点,训练函数,和数量的数据,图像的大小,培训/测试比率,并给出质量评估标准的值在表5。的质量评估标准的价值,提出了CNN模型在研究中提高了图像的分类,使其比以前公布的结果更准确。然而,不同类型的裂缝都没有考虑在这些作品。

3.4。未来在实际应用工作

作为介绍,揭示pretrained CNN模型可以帮助开发一个自动伤害检查员混凝土基础设施(32]。设想自动化系统的工作过程如图9。首先,图像的混凝土基础设施(即。,bridge, building, etc.) are collected as large datasets by drones, as this equipment could increase the productivity for image capturing. Second, all images are sent to the treatment center for processing and classification using the pretrained CNN model. Finally, the AI-assisted damage inspector gives an evaluation and feedback. As the developed CNN model could work with large datasets, it is expected that the algorithm could be helpful for experts in damage assessment by increasing yielding, saving time, and cost. However, it should be noticed that such a system should have the ability to be corrected by experts because human expertise is always crucial.

4所示。结论和展望

这项工作是致力于发展DL模型对混凝土裂缝的分类和no-cracked图像捕获的表面。40000数据集包含图像的裂纹和noncrack标签样本提取可用的文学训练并验证该模型。CNN模型训练申请227×227像素的图像。模型取得了良好的分类性能,为训练数据集,精度,还记得,特异性,F1-score,和准确性分别为99.5%,99.8%,99.5%,99.7%,和99.7%,分别,然而,测试数据集,精度,还记得,特异性,F1-score,和准确性分别为96.5%,98.8%,96.6%,97.7%,和97.7%,分别。各种混凝土表面在不同的建筑进行了研究。,exposed, plastering, and paint), thus the error measurements of the CNN model were in an accepted range.

然而,在进一步的研究中,不同类型的裂缝应分类(即。排名的厚度或裂缝密度)。因此,会出现更多的类的分类问题。因此,有效的训练算法应该调查,包括metaheuristic技术。然而,一个有效的工具,裂缝的分类和不同大小对维修过程可能有用。此外,检测应该考虑像素级的裂缝进一步研究。之间的耦合结构健康监测和DL-based技术应该进一步追究每个方法的结合特性。最后,其他深度学习方法可以进一步应用于提高预测的性能问题。例如,在Ieracitano等的工作。50),作者使用了一个模型,该模型结合了非监督学习autoencoder和监督学习多层感知器缺陷检测的纳米材料。结果已经证明是非常有前途,优于其他经典的机器学习方法。然后有趣的将该模型应用到裂纹检测的问题。盛奇et al。(在另一个工作51),深度学习模型使用功能已经引入了可视化和质量评价的钢表面缺陷识别问题。这个模型也可以是一个很好的候选人裂纹检测问题为我们的未来的工作。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. 杨x Xi和美国,“时间表面开裂和钢筋混凝土结构的裂缝宽度在多个钢筋的腐蚀下,“建筑和建筑材料卷,155年,第125 - 114页,2017年。视图:谷歌学术搜索
2. h . c . Phan T.-T。勒:d Bui et al .,“实证模型弯曲叛逃管结合轴向载荷的能力,”国际期刊的压力容器和管道文章ID 104368卷,191年,2021年。视图:出版商的网站|谷歌学术搜索
3. m . Zemann n·赫尔曼,f . Dehn“方解石形成蒸密封裂缝,混凝土表面及其潜力”建筑和建筑材料卷,203年,页1 - 8,2019。视图:出版商的网站|谷歌学术搜索
4. 真主安拉和s . s . Asadi”集成方法的民用建筑,结构健康监测”今天材料:诉讼,27卷,2020年。视图:出版商的网站|谷歌学术搜索
5. 和h . g .粉丝,j . Li,”为结构健康监测振动信号去噪残卷积神经网络,”测量文章ID 107651卷,157年,2020年。视图:出版商的网站|谷歌学术搜索
6. h . Thanh Duong h .气表象,T.-T。勒,n . Duc中方“优化设计矩形钢管混凝土短柱的平衡优化和复合运动数据驱动模型,”结构28卷,第765 - 757页,2020年。视图:出版商的网站|谷歌学术搜索
7. T.-T。勒”,实际机器上优于预测模型对轴向方钢管混凝土柱的能力,”先进的材料和结构力学,10卷,硕士论文,2020页。视图:出版商的网站|谷歌学术搜索
8. d . v . Hemelrijck s Vanlanduit a . Anastasopoulos和t . Philippidis“新兴技术在无损检测VI,”学报第六届国际会议在无损检测的新兴技术,CRC出版社,布鲁塞尔,比利时,2015年5月。视图:谷歌学术搜索
9. h . Nahvi和m . Jabbari裂纹检测梁用实验模态数据和有限元模型,”国际机械科学杂志》上,38卷,第548 - 537页,2002年。视图:谷歌学术搜索
10. j·b·李x f . Chen x, z . j .他,“检测裂纹位置和大小的结构使用小波有限元方法,”杂志的声音和振动,卷285,不。4 - 5,767 - 782年,2005页。视图:出版商的网站|谷歌学术搜索
11. G.-L。钱,S.-N。顾,js。江,”梁的动态行为和裂纹检测裂缝,“杂志的声音和振动,卷138,不。2、233 - 243年,1990页。视图:出版商的网站|谷歌学术搜索
12. T.-T。勒,”概率建模nano-reinforced材料中的表面效应,”计算材料科学文章ID 109987卷,186年,2021年。视图:出版商的网站|谷歌学术搜索
13. b . h . b .董x f . Chen Li刘贤气,他和z . j .,“转子裂纹检测基于高精度模态参数识别方法和小波有限元模型,”机械系统和信号处理,23卷,不。3、869 - 883年,2009页。视图:出版商的网站|谷歌学术搜索
14. T.-T。勒”,实际的混合机器学习方法估计的极限载荷椭圆钢管混凝土柱在轴向载荷下,“土木工程的发展卷,2020篇文章ID 8832522, 19页,2020。视图:出版商的网站|谷歌学术搜索
15. T.-T。勒,”概率调查随机不完美的在纳米复合材料界面的影响,“材料力学文章ID 103608卷,151年,2020年。视图:出版商的网站|谷歌学术搜索
16. T.-T。勒和h . c .表象”预测极限载荷的矩形钢管混凝土柱使用可翻译的机器学习方法,“土木工程的发展卷,2020篇文章ID 8855069, 16页,2020年。视图:出版商的网站|谷歌学术搜索
17. 郭y, d, f·楚,“使用遗传算法和有限元方法来检测轴裂纹转子-轴承系统,”数学和计算机模拟卷,57号1 - 2、95 - 108年,2001页。视图:出版商的网站|谷歌学术搜索
18. N.-D。黄平君Q.-L。阮:“沥青路面裂缝自动识别基于图像处理和机器学习方法:对分类器性能的比较研究,“数学问题在工程卷,2018篇文章ID 6290498, 16页,2018年。视图:出版商的网站|谷歌学术搜索
19. d·张,李,y, m .曹l .他和张,“一个有效的和可靠的沥青路面裂缝检测,而且方法”图像和视觉计算57卷,第146 - 130页,2017年。视图:出版商的网站|谷歌学术搜索
20. n . x Ho和T.-T。勒,”变化的影响在实验数据库machine-learning-based预测极限载荷的圆形钢管混凝土钢管,”测量文章ID 109198卷,176年,2021年。视图:出版商的网站|谷歌学术搜索
21. d·拉比诺维奇、d . Givoli和s . Vigdergauz”XFEM-based裂纹检测方案利用遗传算法”,国际期刊工程中的数值方法,卷71,不。9日,第1080 - 1051页,2007年。视图:出版商的网站|谷歌学术搜索
22. h·奥利维拉和p . l .专题”自动道路裂缝检测和表征IEEE智能交通系统,14卷,不。1,第168 - 155页,2013。视图:出版商的网站|谷歌学术搜索
23. a . k . Chen Yadav, a .汗et al .,“改善裂纹检测和识别基于卷积神经网络,”建模和模拟在工程卷,2020篇文章ID 8796743、8页,2019。视图:出版商的网站|谷歌学术搜索
24. h . Nhat-Duc和t·b·d·阮Quoc-Lam”提供基于图像处理沥青路面裂缝分类,使用支持向量机优化通过人工蜜蜂殖民地,“计算机在土木工程杂志》上32卷,文章ID 4018037, 2018。视图:出版商的网站|谷歌学术搜索
25. h . h .许苏x, y . Wang Cai, k .崔和x陈,“自动桥裂纹检测使用卷积神经网络,”应用科学,9卷,不。14,2867年,页2019。视图:出版商的网站|谷歌学术搜索
26. h . Nhat-Duc Q.-L。阮,V.-D。Tran,“沥青路面裂缝自动识别使用metaheuristic优化边缘检测算法和卷积神经网络”自动化建设卷,94年,第213 - 203页,2018年。视图:出版商的网站|谷歌学术搜索
27. t·a·卡尔·m·d·詹金斯m·i·伊格莱西亚斯et al .,“道路裂缝检测使用一个单级探测器基于深层神经网络,”学报2018年IEEE车间环境、能源、和结构监测系统(EESMS),页1 - 5,萨勒诺,意大利,2018年6月。视图:谷歌学术搜索
28. c . v .粪便和l·d·安”自治混凝土裂缝检测使用深完全卷积神经网络,”自动化建设卷。99年,52-58,2019页。视图:出版商的网站|谷歌学术搜索
29. a . Gonenc-Sorguc“Ozgenel cf性能比较pretrained卷积神经网络在建筑、裂纹检测”学报35自动化和机器人技术在建设国际研讨会(2018年ISARC),柏林,德国,2018年7月。视图:谷歌学术搜索
30. s . Dorafshan r . j .托马斯·m·马奎尔,“基准图像处理算法对无人机system-assisted裂纹检测在混凝土结构中,“基础设施,4卷,不。2,p。19日,2019年。视图:出版商的网站|谷歌学术搜索
31. f·c·佩雷拉和c·e·佩雷拉嵌入式图像处理系统使用无人机的自动识别裂缝,“IFAC-PapersOnLine,48卷,不。10月16,2015页。视图:出版商的网站|谷歌学术搜索
32. 美国太阳和b . Wang”低空无人机三维建模技术在古建筑保护的应用情况评估,”能源Procedia卷,153年,第324 - 320页,2018年。视图:出版商的网站|谷歌学术搜索
33. T.-T。勒和m . v .勒”,开发用户友好的基于高斯过程回归模型预测方钢管混凝土承载力的成员,“材料和结构卷。54,59页,2021年。视图:出版商的网站|谷歌学术搜索
34. CF。混凝土裂缝图像分类、“Ozgenel 2018。视图:谷歌学术搜索
35. l . Zhang f·杨,y . d . Zhang和y . j .朱”道路裂缝检测使用深卷积神经网络,”学报2016年IEEE国际会议上图像处理(ICIP)安克雷奇,页3708 - 3712年,阿拉斯加,美国,2016年9月。视图:谷歌学术搜索
36. p . Arbelaez m . Maire c . Fowlkes和j·马利克,“轮廓检测和分级图像分割,”IEEE模式分析与机器智能,33卷,不。5,898 - 916年,2011页。视图:出版商的网站|谷歌学术搜索
37. m .摄影师m·韦伯m .松奈et al .,“MultiNet:实时自动驾驶的共同语义推理,”学报2018年IEEE智能车辆研讨会,第四卷,页1013 - 1020,常熟、苏州,中国,2018年6月。视图:谷歌学术搜索
38. l . j .卡米洛·r . Wang m·柯林斯et al .,”应用程序的语义分割卷积神经网络精确的自动检测和太阳能光伏阵列在航拍图像的映射,”2018年。视图:谷歌学术搜索
39. 巴亚尔和t . Bilir”,小说研究混凝土裂纹扩展的评估使用机器学习算法,”建筑和建筑材料卷,215年,第685 - 670页,2019年。视图:出版商的网站|谷歌学术搜索
40. D.-X。周,”深卷积神经网络理论:将采样,”神经网络卷,124年,第327 - 319页,2020年。视图:出版商的网站|谷歌学术搜索
41. k .汗m .顶层r .汗,即赛义德·t·s·艾。钟”,通过端到端面对多任务框架面部属性分类解析和深卷积神经网络,”传感器,20卷,不。2,p。328年,2020年。视图:出版商的网站|谷歌学术搜索
42. y l . (j . Wu粉丝,h·高和y . Shao,“一个有效的建筑物提取方法从高空间分辨率遥感图像基于改进面具R-CNN”传感器,20卷,不。5,1465年,页2020。视图:出版商的网站|谷歌学术搜索
43. T.-T。勒”,预测聚合物碳纳米管复合材料的抗拉强度使用实际的机器学习方法,“复合材料学报,55卷,不。6、2020。视图:出版商的网站|谷歌学术搜索
44. j . Huyan w·李,s . Tighe j .翟z徐,和y陈,“检测密封和启封使用深卷积神经网络具有复杂背景的裂缝,“自动化建设文章ID 102946卷,107年,2019年。视图:出版商的网站|谷歌学术搜索
45. x Lv, f段,j j。傅姜,x, l . Gan“深度对表面缺陷检测、主动学习”传感器,20卷,不。6,1650年,页2020。视图:出版商的网站|谷歌学术搜索
46. s . Dorafshan r . j .托马斯·m·马奎尔,“比较深卷积神经网络和基于图像的裂纹检测混凝土边缘探测器,“建筑和建筑材料卷,186年,第1045 - 1031页,2018年。视图:出版商的网站|谷歌学术搜索
47. n .钱”动量梯度下降学习算法,”神经网络,12卷,不。1,第151 - 145页,1999。视图:出版商的网站|谷歌学术搜索
48. MathWorks,MATLAB署的出版物,纳蒂克,妈,美国,2018年。
49. a . Zhang k·c·p·王,李b . et al .,“自动进行像素级沥青路面裂缝检测3 d表面使用深度学习网络,”计算机辅助土木与基础设施工程,32卷,不。10日,805 - 819年,2017页。视图:出版商的网站|谷歌学术搜索
50. c . Ieracitano A . Paviglianiti m·坎波洛et al .,”一个新颖的基于混合无监督自动分类系统和监督机器学习对静电纺丝,”IEEE / CAA自动化杂志》上,8卷,不。1,第76 - 64页,2021。视图:谷歌学术搜索
51. 陆和h . g .盛奇m . Lei,“钢铁表面缺陷识别算法基础上改进的深度学习网络模型使用特性可视化和质量评价,“IEEE访问,8卷,2020年。视图:谷歌学术搜索

版权

版权©2021 Tien-Thinh Le et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。