典型文献
基于深度学习SCNet的钢筋混凝土锈蚀裂缝识别
文献摘要：
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 Corrosion Net).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.
文献关键词：
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
中图分类号：
作者姓名：
许颖;张天瑞;金淦
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
文献出处：
引用格式：
[1]许颖;张天瑞;金淦-.基于深度学习SCNet的钢筋混凝土锈蚀裂缝识别)[J].湖南大学学报（自然科学版）,2022(03):101-110
A类：
SCNet
B类：
钢筋混凝土,裂缝识别,裂缝检测,检测分类,Convolutional,Neural,Network,识别模型,Steel,Corrosion,原始数据,数据增强,TensorFlow,Python,测试精度,网络参数,终将,三分类,类神经网络,分类准确率,识别分类,可测性,图像数据,阴影,噪声干扰,分类效果,分类性能,混凝土裂缝,钢筋锈蚀,神经网络优化
AB值：
0.33396
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
