典型文献
基于特征金字塔网络的超大尺寸图像裂缝识别检测方法
文献摘要：
基于图像分析的裂缝自动检测识别一直是桥梁结构健康检测的热点问题之一.深度学习作为裂缝检测的重要解决方法,需要大量数据支持.公开数据集提供的小尺寸裂缝图像不足以解决超大尺寸细长裂缝图像的检测问题.提出一个基于特征金字塔深度学习网络的超大尺寸图像中细长裂缝的检测方法.通过对编码器提取的4个不同层次的特征图分别进行预测,网络能够实现对细小裂缝的高精度分割.试验使用120张大小为3264×4928像素的桥钢箱梁表面裂缝图像对特征金字塔网络进行训练、测试;并将获得的训练模型与通过双线性插值方法缩放图像至1600×2400像素和2112×3168像素两种规格生成的数据集训练后的模型进行对比.结果 表明:该方法在对比测试中能够获得最高的裂缝检测交并比(IoU)为0.78,最低的Dice Loss为0.12.测试中,裂缝检测图像显示,缩放图像会导致部分裂缝信息的丢失,该方法能稳定地保留裂缝信息,并实现复杂背景下超大尺寸图像中细长裂缝的高精度自动检测.
文献关键词：
裂缝检测;深度学习;超大尺寸图像;特征金字塔网络
中图分类号：
作者姓名：
舒江鹏;李俊;马亥波;段元锋;赵唯坚
作者机构：
浙江大学建筑工程学院,杭州310058;浙江大学平衡建筑研究中心,杭州310058;浙江大学建筑设计研究院有限公司,杭州310058
文献出处：
引用格式：
[1]舒江鹏;李俊;马亥波;段元锋;赵唯坚-.基于特征金字塔网络的超大尺寸图像裂缝识别检测方法)[J].土木与环境工程学报（中英文）,2022(03):29-36
A类：
超大尺寸图像
B类：
特征金字塔网络,裂缝识别,识别检测,图像分析,裂缝自动检测,检测识别,桥梁结构,结构健康检测,习作,裂缝检测,公开数据集,小尺寸,裂缝图像,细长,检测问题,深度学习网络,编码器,不同层次,特征图,细小,张大,像素,钢箱梁,表面裂缝,训练模型,双线性插值,插值方法,缩放,集训,对比测试,交并比,IoU,Dice,Loss,复杂背景
AB值：
0.282986
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。
