使用分类深度神经网络和转移学习识别地下结构的泄漏识别
Wenyang Wang1,2, Qingwei Chen1,2, Yongjiang Shen3,4
1Shandong Zhiyuan Electric Power Design Consulting Co., Ltd., Jinan 250021, China.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
转移学习改进了用于识别地下结构水泄漏的深度学习模型. 与其他模型相比,SqueezeNet在泄漏检测方面表现出优异的性能和稳定性,即使数据有限.
科学领域:
- 土木工程 土木工程是指土木工程.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 地下结构中的水泄漏加快了老化,并影响了安全性.
- 早期发现泄漏对于结构维护和加强至关重要.
- 深度学习模型需要大量的数据,这对于泄漏识别来说是昂贵的.
研究的目的:
- 开发一种深度神经网络方法,使用转移学习来识别地下结构泄漏.
- 为了克服在深度学习中有限的培训数据的挑战,为此应用.
- 为了比较不同深度学习模型的性能,包括转移学习和不转移学习.
主要方法:
- 为深度神经网络模型开发了一个转移学习策略.
- 为培训和评估,创建了一个地下结构泄漏数据集.
- 四个分类模型 (VGG16,AlexNet,SqueezeNet,ResNet18) 被构建和训练.
- 在不同训练数据大小下,对分类性能进行了比较研究.
主要成果:
- 转移学习提高了VGG16,AlexNet和SqueezeNet的分类性能和稳定性.
- 使用转移学习的ResNet18显示了类似的性能,但稳定性有所改善.
- 在所有指标中,SqueezeNet实现了最高和最稳定的表现.
结论:
- 转移学习在改善地下结构泄漏识别的深度学习模型方面是有效的,特别是在有限的数据的情况下.
- SqueezeNet是这个任务的高效模型,提供卓越的性能和稳定性.
- 这些发现为开发强大的泄漏检测系统提供了宝贵的见解.
