典型文献
基于卷积神经网络与区域生长法的建筑裂缝识别
文献摘要：
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.
文献关键词：
裂缝识别;像素级裂缝;卷积神经网络;区域生长法;精度检验
中图分类号：
作者姓名：
吴子燕;贾大卫;王其昂
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
文献出处：
引用格式：
[1]吴子燕;贾大卫;王其昂-.基于卷积神经网络与区域生长法的建筑裂缝识别)[J].应用基础与工程科学学报,2022(02):317-327
A类：
Vgg19,像素级裂缝
B类：
区域生长法,建筑裂缝,裂缝识别,元图像,两阶段方法,裂缝特征,数据扩充,裂缝图像,图像数据库,Alexnet,Vgg16,Inception,V3,ResNet50,单张,背景图,置信度,裂缝面,识别精度,特征图像,精度检验
AB值：
0.226228
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。
