基于图像处理和改进的卷积神经网络的桥梁明显缺陷识别方法.

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:

• 目前,桥梁外观缺陷检测的准确性和效率都很低.
• 需要自动化方法来可靠地监测桥梁健康状况.

研究的目的:

• 开发一个先进的桥梁外观缺陷识别模型.
• 提高检测和分析桥梁缺陷的准确性和效率.

主要方法:

• 利用图像处理和改进的卷积神经网络 (CNN).
• 员工转移学习以进行缺陷分类和识别.
• 集成了一个改进的快速基于地区的CNN,用于裂本地化和细分.
• 应用形态理论用于裂大小提取.

主要成果:

• 实现了98.2%的检测准确度,0.6%的错误检测率和0.5%的错误检测率.
• 展示了1.9秒的响应时间和97.8%的裂大小计算精度.
• 与以前的方法相比,显示定位精度增加了5.46%,接收器操作曲线下的面积增加了0.11.

结论:

• 拟议的模型提供了精细的缺陷识别功能.
• 为常规桥梁维护和健康状况监测提供可靠的基础.