基于深度学习SCNet的钢筋混凝土锈蚀裂缝识别

作     者：许颖 张天瑞 金淦 XU Ying;ZHANG Tianrui;JIN Gan

作者机构：哈尔滨工业大学(深圳)深圳市城市与土木工程防灾减灾重点实验室广东深圳518055 

出 版 物：《湖南大学学报（自然科学版）》 (Journal of Hunan University:Natural Sciences)

年 卷 期：2022年第49卷第3期

页      面：101-110页

核心收录：

学科分类：0710[理学-生物学] 08[工学] 081304[工学-建筑技术科学] 0813[工学-建筑学] 0814[工学-土木工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(51778191,52078173) 深圳市重点实验室筹建启动项目(ZDSYS20200810113601005)。 

主　　题：混凝土裂缝 钢筋锈蚀 卷积神经网络 数据增强 神经网络优化 

摘      要：为提高钢筋混凝土锈蚀裂缝检测分类的效率和精度,提出了一种基于深度学习卷积神经网络(Convolutional Neural Network,CNN)的钢筋混凝土锈蚀裂缝识别模型SCNet(Steel CorrosionNet).首先通过原始数据采集和数据增强构建了39000张图片的裂缝数据集,然后利用TensorFlow学习框架和Python构建神经网络模型并进行训练测试,根据模型的训练精度和测试精度进行网络结构和网络参数的优化,最终将SCNet识别模型与两种传统检测方法进行对比.结果表明:文中所建立的SCNet三分类神经网络模型达到了96.8%的分类准确率,可以有效识别分类钢筋混凝土锈蚀裂缝,并且具有较高的准确率和可测性;在图像数据有阴影、扭曲等噪声干扰的条件下,两种传统检测方法已不能达到理想的分类效果,SCNet模型仍能表现出相对稳定的分类性能.