基于卷积神经网络与区域生长法的建筑裂缝识别

作     者：吴子燕 贾大卫 王其昂 WU Ziyan;JIA Dawei;WANG Qi'ang

作者机构：西北工业大学力学与土木建筑学院陕西西安710129 中国矿业大学力学与建筑工程学院江苏徐州221116 

基　　金：国家自然科学基金项目(51708545) 西北工业大学研究生创意创新种子基金项目(ZZ2019212) 

出 版 物：《应用基础与工程科学学报》 (Journal of Basic Science and Engineering)

年 卷 期：2022年第30卷第2期

页      码：317-327页

摘      要：基于卷积神经网络(CNN)的建筑裂缝识别结果大多为含有裂缝的面元图像,而并非裂缝本身.本文将CNN与区域生长法结合,提出一种两阶段方法用于提取像素级别的裂缝特征.利用数据扩充法建立裂缝图像数据库,选择包括Alexnet、Vgg16、Vgg19、Inception-V3和ResNet50的5种典型CNN用于裂缝识别.综合考虑样本图像的整体准确率,单张图像的裂缝识别精确度及背景图像的置信度,确定精度最高的CNN,得到裂缝面元图像;利用区域生长法对CNN识别的裂缝面元图像进行裂缝特征提取,得到像素级别的裂缝图像.研究表明,Inception-V3网络在裂缝识别中具有较高的识别精度;通过区域生长法进行裂缝特征提取,可以得到精度较高的像素级别裂缝特征图像.该研究提供了一种高精度的建筑裂缝识别方法.

主 题 词：裂缝识别 像素级裂缝 卷积神经网络 区域生长法 精度检验 

学科分类：08[工学] 081402[081402] 081304[081304] 0813[工学-化工与制药类] 0814[工学-地质类] 

核心收录：

D　O　I：10.16058/j.issn.1005-0930.2022.02.006

馆 藏 号：203111596...