資訊內容
/
研究亮點
一種基于改進的Unet的混凝土裂縫檢測算法研究
發布時間： 2022-09-20 點擊數量：8924研究背景：
在混凝土結構的服役周期內，表面裂縫是一種評價混凝土結構健康狀態的重要指標。但是無論是在實驗室中還是在實際工程中，識別裂縫都是一項非常復雜的任務。而人工識別裂縫存在著各種缺陷，包括耗費時間長、評估主觀等。隨著計算機視覺技術的發展，使用計算機視覺技術自動話地識別混凝土裂縫成為當下研究的熱點。但是計算機視覺識別裂縫依然存在一些問題，包括無法實現像素級的檢測，檢測精度不高等問題。
創新點：
本文提出了一種基于改進的Unet的混凝土裂縫像素級檢測算法，主要包括以下三個創新點：1）提出了一種可以實現對混凝土裂縫的像素級檢測模型Crack_Unet；2）改善了模型，提高了模型的訓練速度和檢測精度3）研究了數據集規模及模型規模對裂縫檢測模型的性能的影響。本文所提方法的實現流程如圖1所示。所使用的深度學習模型如圖2所示。
研究結果表明，在使用較小數據集訓練的前提下，本文所提方法檢測精度相比較于現有方法依然有明顯提升。本文方法還在開源數據集CFD上進行了驗證，檢測結果進一步證明了本文所提方法的優越性,如圖3所示。最后，通過對比分析發現，對于裂縫檢測這種任務而言，檢測精度并不會隨著模型規模的增大而無限制的提高，如圖4所示。因此，需要針對不同的任務選擇不同體量的模型，以達到精度與效率的平衡。
該成果在結構健康監測領域的國際權威期刊《Structural Health Monitoring-An International Journal》發表。(Zhang Lingxin, Shen Junkai*, Zhu Baijie. A research on an improved Unet-based concrete crack detection algorithm [J]. Structural Health Monitoring, 2021, 20(4): 1864-1879. DOI: https://doi.org/10.1177/1475921720940068) (IF: 5.929, *通訊作者)
圖1 方法實現流程圖
圖2 Crack_Unet模型結構示意圖
圖3 本文方法與其他方法對比
圖4 本文模型性能驗證
