基于全卷积神经网络的锈蚀钢筋截面检测方法

• 作者: 过民龙 张凯 杨厚易
• 来源期刊: 广东土木与建筑
• 学科: 工学
• 关键词: 锈蚀钢筋 截面检测 全卷积神经网络 像素分割
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 建材与检测|Building Materials and Testing
• 页码范围: 85-90
• 页数: 6页
• 分类号: TU192
• 语种: 中文
• DOI: 10.19731/j.gdtmyjz.2022.01.022

摘要

锈蚀钢筋检测的传统方法对试验仪器的精度要求高、人为因素对检测结果的影响大,不便于应用推广.基于全卷积神经网络提出了一种锈蚀钢筋截面的检测方法,通过对锈蚀钢筋截面图像样本进行像素分割以实现截面区域的检测.神经网络设计时采用了VGG19-FCN及U-Net两种架构,并对二者的识别性能进行了对比分析.图像样本采用从实际工程中搜集到的2000个锈蚀钢筋截面图像(单钢筋截面),并对其进行人工标注.结果表明:①采用小批量子集随机梯度下降法对神经网络进行训练,其效果等同于小批量随机梯度下降法,可解决训练神经网络时小批量数量需求大而显存不足的问题;②VGG19-FCN及U-Net两种网络架构在验证集上的最终精确度分别达到96.59％和95.06％,可说明其对本文锈蚀钢筋截面识别切实可行;③在以5％相对误差为识别容差的条件下,锈蚀钢筋截面采样时待检测钢筋截面尺寸占全图的比例范围有限值,对VGG19-FCN网络架构为28.23％～71.95％、对U-Net网络架构为39.32％～71.95％.综合存储空间、训练时间、识别精度,采用U-Net网络架构对锈蚀钢筋截面识别的效果更优.