基于深度学习SCNet的钢筋混凝土锈蚀裂缝识别

• 作者: 许颖 张天瑞 金淦
• 来源期刊: 湖南大学学报（自然科学版）
• 关键词: 混凝土裂缝 钢筋锈蚀 卷积神经网络 数据增强 神经网络优化
• 年，卷（期）: 2022,（3）
• 页码范围: 101-110
• 页数: 9页
• 分类号: TU375
• 语种: 中文
• DOI: 10.16339/j.cnki.hdxbzkb.2022031

摘要

为提高钢筋混凝土锈蚀裂缝检测分类的效率和精度，提出了一种基于深度学习卷积神经网络（Convolutional Neural Network，CNN）的钢筋混凝土锈蚀裂缝识别模型 SCNet（SteelCorrosion Net）. 首先通过原始数据采集和数据增强构建了39 000张图片的裂缝数据集，然后利用 TensorFlow 学习框架和 Python构建神经网络模型并进行训练测试，根据模型的训练精度和测试精度进行网络结构和网络参数的优化，最终将 SCNet识别模型与两种传统检测方法进行对比 . 结果表明：文中所建立的 SCNet三分类神经网络模型达到了 96.8%的分类准确率，可以有效识别分类钢筋混凝土锈蚀裂缝，并且具有较高的准确率和可测性；在图像数据有阴影、扭曲等噪声干扰的条件下，两种传统检测方法已不能达到理想的分类效果，SCNet模型仍能表现出相对稳定的分类性能.