基于DenseNet分类的隧道裂缝检测研究

• 作者: 李帅青 金邦洋 高新闻
• 来源期刊: 计算机测量与控制
• 关键词: 裂缝检测 深度学习 DenseNet
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 测试与故障诊断
• 页码范围: 58-61,87
• 页数: 5页
• 分类号: TP934
• 语种: 中文
• DOI: 10.16526/j.cnki.11-4762/tp.2020.08.012

摘要

针对隧道裂缝人工识别低效、检修不便以及隧道环境复杂多变、检测易受噪声干扰等问题,文中提出一种基于深度学习的裂缝检测算法;通过神经网络对原始图像进行非裂缝区域过滤,减少无关背景信息的干扰,同时在分割算法基础上通过多维分类器将误识别的裂缝区域剔除;实验结果表明,密集连接卷积网络(DenseNet)在裂缝分类中最高可达99.95％的准确率,有效提升了隧道裂缝自动检测精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李帅青	上海大学机电工程与自动化学院	2	0	0.0	0.0
2	金邦洋	上海大学机电工程与自动化学院	1	0	0.0	0.0