深度学习基于图像的融合方法,用于识别混凝土结构中的多种明显疾病
Yongsheng Tang1, Yaomin Wei1, Lengfeng Qian1
1College of Civil and Transportation Engineering, Hohai University, Nanjing 210098, China.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
一种新的深度学习融合方法结合了YOLO和UNet模型,以有效地检测和量化具体的疾病. 这种方法可以准确地识别裂,裂纹和其他缺陷,改善结构健康监测.
科学领域:
- 土木工程 土木工程是指土木工程.
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 传统的具体疾病检测方法在像素级量化和效率方面扎.
- 独立对象检测和语义细分在识别多个具体缺陷方面存在局限性.
研究的目的:
- 提出一种深度学习融合方法,用于在混凝土结构中识别和量化典型的可见疾病.
- 开发一个融合网络,将YOLO和UNet模型结合起来,以快速准确地检测缺陷.
主要方法:
- 开发了一个集YOLO和UNet的深度学习融合网络.
- YOLO模型过了带有可见疾病的图像;UNet细分了疾病像素.
- 为疾病测量 (长度,宽度,面积) 提出了量化方法.
主要成果:
- 聚变网络在1488张图像的数据集上实现了0.72的平均精度和0.82的子得分.
- 这种方法比单独使用UNet的速度快约50%,可以识别疾病.
- 量化显示了令人满意的精度,各种缺陷类型的相对误差低于11.07%.
结论:
- 拟议的深度学习融合网络有效地识别和量化具体疾病.
- 这种方法为混凝土基础设施的结构健康监测提供了强大而高效的解决方案.
- 与独立模型相比,融合方法显著提高了检测速度和量化准确性.
