在钢结构中基于图像的自主腐蚀检测,使用深度学习
Amrita Das1, Sattar Dorafshan1, Naima Kaabouch2
1Department of Civil Engineering, College of Engineering & Mines, University of North Dakota, Grand Forks, ND 58202, USA.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
这项研究使用神经网络自动检测钢铁腐蚀. EfficientNetB7实现了98.5%的准确性,在识别腐蚀的像素和结构完整性方面的表现优于其他模型.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机视觉 计算机视觉
- 结构工程 结构工程
背景情况:
- 钢结构面临环境腐蚀,造成结构故障的风险.
- 目前的非破坏性测试方法需要手动检查,并且可以忽略隐藏的缺陷.
- 自主腐蚀检测对于主动维护和安全至关重要.
研究的目的:
- 评估不同的编码器-解码器神经网络架构,用于自动化腐蚀细分.
- 确定最佳的培训策略,以准确检测钢结构中腐蚀的像素.
- 为了比较各种深度学习模型在从视觉图像中识别腐蚀的性能.
主要方法:
- 研究了使用DenseNet121,EfficientNetB7,ResNet34和UNet骨干的编码器解码器神经网络.
- 对比转移学习与在细分的腐蚀像素上的完整培训策略.
- 在不同的数据集上使用像素级准确度,真正值和假正值率评估模型性能.
主要成果:
- EfficientNetB7实现了最高的平均像素级精度,达到98.5%.
- ResNet34表现出比原来的UNet更好的性能,特别是在各种腐蚀类型和颜色的外部数据集上.
- 转移学习被证明比深度网络的全面培训更有效,特别是在较小的数据集.
结论:
- 深度学习模型,特别是EfficientNetB7和ResNet34,显示出对自主钢铁腐蚀检测的重大前景.
- ResNet34提供了一个强大而准确的解决方案,用于在各种现实场景中识别腐蚀.
- 优化的培训策略和网络架构是提高自动结构健康监测可靠性的关键.
更多相关视频
07:24Imaging Corrosion at the Metal-Paint Interface Using Time-of-Flight Secondary Ion Mass Spectrometry
Published on: May 6, 2019
8.3K
10:00Experimental Protocol to Determine the Chloride Threshold Value for Corrosion in Samples Taken from Reinforced Concrete Structures
Published on: August 31, 2017
15.4K
