基于全卷积神经网络的锈蚀钢筋截面检测方法

摘要：

锈蚀钢筋检测的传统方法对试验仪器的精度要求高、人为因素对检测结果的影响大,不便于应用推广.基于全卷积神经网络提出了一种锈蚀钢筋截面的检测方法,通过对锈蚀钢筋截面图像样本进行像素分割以实现截面区域的检测.神经网络设计时采用了VGG19-FCN及U-Net两种架构,并对二者的识别性能进行了对比分析.图像样本采用从实际工程中搜集到的2000个锈蚀钢筋截面图像(单钢筋截面),并对其进行人工标注.结果表明:①采用小批量子集随机梯度下降法对神经网络进行训练,其效果等同于小批量随机梯度下降法,可解决训练神经网络时小批量数量需求大而显存不足的问题;②VGG19-FCN及U-Net两种网络架构在验证集上的最终精确度分别达到96.59％和95.06％,可说明其对本文锈蚀钢筋截面识别切实可行;③在以5％相对误差为识别容差的条件下,锈蚀钢筋截面采样时待检测钢筋截面尺寸占全图的比例范围有限值,对VGG19-FCN网络架构为28.23％～71.95％、对U-Net网络架构为39.32％～71.95％.综合存储空间、训练时间、识别精度,采用U-Net网络架构对锈蚀钢筋截面识别的效果更优.

关键词：锈蚀钢筋;截面检测;全卷积神经网络;像素分割

所属期刊栏目：29

分类号：TU192(建筑基础科学)

在线出版日期：2022-02-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：85-90