典型文献
基于深度学习的钢桥病害分割与量化
文献摘要：
为解决传统钢桥表面病害难以量化的难题,提出了一种基于深度学习的钢桥病害分割与量化方法.该方法以SOLOv2实例分割网络为基础,将其原ResNet骨干网络替换为VoVNet57网络进行检测与分割.依据分割的病害掩码,增添检测框,计算病害像素值,并转化为实际面积,完成量化.采集涂层劣化、腐蚀、焊缝开裂等钢桥病害图像共计314幅,数据增强后,得到3 241幅病害图像,按4∶1划分训练集和测试集,用Labelme软件进行人工标注.经20 000次训练后,得到63.45％的平均精度(mAP),而TensorMask、BlendMask、未改进SOLOv2的训练mAP值分别为55.89％、56.67％、58.25％.同时,将网络输出的病害尺寸量化值和病害尺寸实际值进行对比得到,涂层劣化和腐蚀病害面积相对误差集中在10％以内,焊缝开裂长度相对误差集中在8％以内.所提出的方法可实现钢桥多病害快速、精确的分割与量化,为钢桥智能检测评估提供了技术支撑.
文献关键词：
钢桥;病害分割;病害量化;实例分割;深度学习
中图分类号：
作者姓名：
朱劲松;李欢
作者机构：
天津大学建筑工程学院,天津300072;天津大学滨海土木工程结构与安全教育部重点实验室,天津300072
文献出处：
引用格式：
[1]朱劲松;李欢-.基于深度学习的钢桥病害分割与量化)[J].东南大学学报（自然科学版）,2022(03):516-522
A类：
VoVNet57,TensorMask,BlendMask,病害量化
B类：
钢桥,病害分割,表面病害,量化方法,SOLOv2,实例分割网络,ResNet,骨干网络,掩码,像素,劣化,焊缝开裂,病害图像,数据增强,训练集,测试集,Labelme,mAP,未改,比得,腐蚀病害,差集,多病,智能检测,检测评估
AB值：
0.323664
相似文献
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。
