典型文献
基于融合卷积神经网络的多种类管道病害检测方法
文献摘要：
地下管道是城市的血脉,年久失修将会导致管道服役性能降低,引发各种环境问题.因此,应当按时检测地下管道的病害类型及数量,为管道维修提供数据支持.但是,人工检测的方法费时费力,传统的计算机检测方法准确度和泛化能力较低.为了解决这一问题,该文提出了一种基于融合卷积神经网络的多种类地下管道病害分类算法.该算法结合了Inception网络构架和残差网络构架,提高了检测的准确度.对比现有的检测模型发现,该模型的平均准确率和Macro-F1分数分别达到了93.15％和0.932,检测评估指标最优,证明该模型具有准确、全面、误检率低的检测特点.对测试集实际检测结果分析可知,该模型在不同光照、不同障碍物、整体和局部的场景下,均检测无误,结果准确,证明了该模型具有鲁棒性高、泛化能力强的特点.
文献关键词：
融合卷积神经网络;地下管道;多种类病害分类;深度学习;Inception网络;残差网络
中图分类号：
作者姓名：
方宏远;马铎;王念念;胡浩帮;董家修
作者机构：
郑州大学水利科学与工程学院,郑州 450000;国家地方重大基础设施检测与修复技术联合工程实验室,郑州 450000;南方工程检测修复技术研究院,广东 惠州 516000
文献出处：
引用格式：
[1]方宏远;马铎;王念念;胡浩帮;董家修-.基于融合卷积神经网络的多种类管道病害检测方法)[J].北京工业大学学报,2022(06):561-571
A类：
多种类病害分类
B类：
融合卷积神经网络,管道病害,病害检测,地下管道,血脉,年久失修,服役性能,按时,测地,病害类型,管道维修,费时费力,泛化能力,分类算法,Inception,构架,残差网络,检测模型,模型发现,平均准确率,Macro,检测评估,误检率,测试集,障碍物,无误
AB值：
0.320021
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。
