对建筑物中裂检测深度学习模型的比较分析
S Siva Rama Krishnan1, M K Nalla Karuppan2, Adil O Khadidos3
1School of Computer Science and Information Systems, Vellore Institute of Technology, Katpadi, Vellore, 632014, Tamilnadu, India.
Scientific reports
|January 17, 2025
概括
这项研究引入了一种新的深度学习方法,用于在工中自动检测裂,达到99.98%的准确性. 该研究解决了数据稀缺问题,并通过精确的裂识别提高了建筑物的安全性.
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:
- 建筑结构容易受到环境因素和材料退化造成的裂的影响.
- 准确的评估和维护对于建筑物的安全和寿命至关重要.
- 使用人工智能 (AI) 的自动裂检测为土木工程挑战提供了有效的解决方案.
研究的目的:
- 开发和策划一种新的深度学习图像处理方法,用于检测墙上的裂.
- 解决自动化裂识别方面的研究缺口和数据短缺问题.
- 训练和验证深度学习模型,用于将墙图像分类为破裂或正常.
主要方法:
- 一个数据集的24,000画图像被策划和分类成裂和非裂类别.
- 一些深度学习模型,包括Inception V3,VGG-16,RESNET-50,VGG-19,Inception ResNetV2和CNN-RES MLP,进行了培训和验证.
- 模型性能被评估使用参数,如批量大小,聚合,激活函数,学习率,内核大小,规范化和优化器.
主要成果:
- 发明V3实现了最高的准确率99.98%.
- 发明V3表现出最好的精度在99.99%.
- RESNET-50实现了最高的召回率99.98%,而Inception V2显示了最好的趋同区域 (0.9999).
结论:
- 深度学习模型,特别是Inception V3,对于在工中自动检测裂非常有效.
- 开发的方法解决了数据稀缺问题,并为识别结构表面裂提供了可靠的解决方案.
- 这项研究通过精确和自动化裂评估,有助于提高建筑安全和维护.
