基于卷积神经网络的结构损伤识别研究进展

为系统梳理基于卷积神经网络的工程结构损伤识别方法的发展脉络和研究现状,分别从结构损伤的识别目的和在不同类型结构中的应用两方面进行了归类、分析和评价。介绍了卷积神经网络的基本结构和评价指标,回顾了卷积神经网络的研究和应用历程。在损伤的识别目的方面,主要针对混凝土结构损伤的分类、定位和分割,详细介绍了基于不同类型卷积神经网络的结构损伤识别方法,即基于分类的方法、基于回归的方法和像素级的图像分割算法; 分析了各类方法所使用的卷积神经网络模型的结构特点、计算流程、训练方法和损伤识别性能。在不同类型结构的损伤识别方面,分析了卷积神经网络在砌体结构、钢结构桥梁和古建筑木结构裂缝识别中的应用。最后,基于对卷积神经网络优缺点的思考,提出了发展建议和展望。结果表明:训练样本中结构损伤的多样性对模型的损伤识别效果影响较大; 现有基于卷积神经网络的损伤分割方法模型参数较多,计算量大; 采用数据增广和迁移学习方法可有效防止模型过拟合,提高模型训练效率; 针对微小损伤和不同类型结构损伤的识别,此类方法的性能有待提高。     

基于卷积神经网络的混凝土裂缝识别

针对基于图像处理和边缘检测的混凝土裂缝识别方法易受外部环境干扰,且在图像处理过程中会产生大量噪声,从而导致识别效果不佳的问题,提出一种基于卷积神经网络的裂缝识别方法。通过与当前主流卷积神经网络模型进行对比研究以及对真实的混凝土裂缝图像的识别验证,结果表明,文中所建立的CrackNet模型能够有效识别混凝土图像中的裂缝目标,具有高效性和强鲁棒性。     

基于OpenCv的性别识别系统软件的设计

基于OpenCv利用级联分类器和卷积神经网络算法设计完成了一个人脸检测与性别识别软件系统。系统可以对静态图像及视频图像进行人脸检测,若无人脸,提示未检测到人脸;若有人脸图像,框出人脸区域,并进行性别识别。实验结果表明,本系统基本可达到较高的正确识别率和实时识别的要求。     

基于卷积神经网络的图像语义分割技术

本文阐述了卷积神经网络的基本概念,并基于此引出全卷积神经网络和带孔卷积等卷积神经网络,对其含义、优缺点及其在图像语义分割中的应用进行了进一步的介绍和总结。本文阐述了卷积神经网络的基本概念,并基于此引出全卷积神经网络和带孔卷积等卷积神经网络,对其含义、优缺点及其在图像语义分割中的应用进行了进一步的介绍和总结。     

基于全卷积神经网络的桥梁裂缝分割和测量方法

为了提高桥梁病害检测自动化水平,解决当前人工检测耗时费力和传统图像分割方法存在去噪效果不明显、分割后裂缝连续性较差等问题,提出了一种基于全卷积神经网络的BCI-AS(Bridge Crack Image-Automatic Segmentation)桥梁裂缝自动分割模型和一种基于投影技术的最小二乘拟合中心线的裂缝宽度测量算法。基于BCI-AS的模型对桥梁裂缝图像数据集进行了精确的像素级分割,分割准确率达到94.45%。基于投影技术最小二乘拟合中心线的算法对分割的裂缝二值图进行了宽度测量,结果表明相对误差在7%以下,证明了所提出具体算法对裂缝分割和裂缝宽度计算的可行性。     

基于全卷积神经网络的锈蚀钢筋截面检测方法

锈蚀钢筋检测的传统方法对试验仪器的精度要求高、人为因素对检测结果的影响大,不便于应用推广.基于全卷积神经网络提出了一种锈蚀钢筋截面的检测方法,通过对锈蚀钢筋截面图像样本进行像素分割以实现截面区域的检测.神经网络设计时采用了VGG19-FCN及U-Net两种架构,并对二者的识别性能进行了对比分析.图像样本采用从实际工程中...     

基于DeepLab V3+的无人机航拍绝缘子图像自动化分割方法

绝缘子是输电线路的重要组成部分。为了实现输电线路巡检的智能化，对绝缘子区域的自动化识别是基础性工作之一。笔者提出了一种基于DeepLab V3+的无人机航拍绝缘子图像自动化分割方法，同时将DeepLab V3+的分割性能与现有的主流卷积神经网络U-Net、Residual U-Net、Dilated U-Net进行了比较。结果显示DeepLab V3+方法不但在DICE指标上得到了93.28%的分割精度，在IOU指标、敏感性和Jaccard定量分析中也都表现出最好的性能。实验证明该方法为自动化分割绝缘子区域，提高输电线路巡检的效率和准确性提供了一种潜在的工具。     

基于卷积神经网络的手写数字识别研究

随着科技的不断发展,卷积神经网络被广泛应用于各个领域之中,研究热点之一就是手写数字的识别。文章基于深度学习卷积神经网络,用MNIST数据集作为训练集和测试集,同时对卷积神经网络中的卷积层、池化层和全连接层以及激活函数进行介绍,并在Python的环境下输入手写数字图片,然后通过卷积神经网络经典模型运用到所提供的数据集进行效果识别,将卷积神经网络数据集进行训练,在训练好的卷积神经网络中取得了较好的实验效果,最终该手写数字识别实验准确精度可以达到99.1%。     

卷积神经网络在结构损伤诊断中的应用

对卷积神经网络(CNN)在工程结构损伤诊断中的应用进行了深入探讨; 以多层框架结构节点损伤位置的识别问题为研究对象,构建了可以直接从结构动力反应信号中进行学习并完成分类诊断的基于原始信号和傅里叶频域信息的一维卷积神经网络模型和基于小波变换数据的二维卷积神经网络模型; 从输入数据样本类别、训练时间、预测准确率、浅层与深层卷积神经网络以及不同损伤程度的影响等多方面进行了研究。结果表明:卷积神经网络能从结构动力反应信息中有效提取结构的损伤特征,且具有很高的识别精度; 相比直接用加速度反应样本,使用傅里叶变换后的频域数据作为训练样本能使CNN的收敛速度更快、更稳定,并且深层CNN的性能要好于浅层CNN; 将卷积神经网络用于工程结构损伤诊断具有可行性,特别是在大数据处理和解决复杂问题能力方面与其他传统诊断方法相比有很大优势,应用前景广阔。     

基于深度卷积生成对抗网络的植物图像识别方法的研究

提出使用深度卷积生成对抗网络进行植物图像识别方法.首先,利用生成式对抗网络生成植物图像样本,然后,利用判别网络中的卷积神经网络来提取图像特征,实现对生成网络产生的样本进行判别,以提升模型对图像数据分布的理解,从而达到了通过构建卷积神经网络对生产样本的质量进行测试的目标.实验结果表明,该方法生成的植物图像能够有效的提高卷积神经网络的识别准确率.     

卷积神经网络在心拍类识别中的应用

本文基于卷积神经网络进行心拍类识别中的应用进行处理,可以有效的解决数据不平衡的问题,通过构建CNN模型提取心拍特征,综合各类别CNN模型进行识别与分类处理,其效果显著。基于此,文章主要对卷积神经网络在心拍类识别中的应用分析进行了简单的研究。     

基于卷积神经网络的图像大数据识别

针对现有的图像大数据识别方法具有收敛速度慢和识别精度低的问题,提出了一种基于卷积神经网络的图像大数据识别方法。首先,对传统的卷积网络结合改进的软最大化分类器进行分析,设计了卷积-软最大化分类器模型;对该模型中的卷积层、池化层、全连接层以及分类层均进行了描述。为了验证所提方法的优越性,在MNIST数据集上进行仿真,结果表明:与其它类似算法相比,所提的方法具有更低的误识率,在更短的时间内,能达到更低的分类均方误差。     

基于计算机视觉技术的结构表面裂缝检测方法研究

计算机视觉技术用于混凝土结构表面裂缝检测,具有现场检测方便、效率高、客观性强的特点,但图像数据分析是该技术的核心,其中裂缝提取与定量测量较为复杂。为提高裂缝图像处理效率和准确率,将深度学习和数字图像处理技术相结合,提出一种裂缝检测方法。建立基于深度卷积神经网络的裂缝识别模型,在图像上自动定位裂缝并结合图像局域阈值分割方法提取裂缝。在裂缝宽度定量测量方面,采用双边滤波算法和三段线性变换对裂缝图像进行预处理,提高了裂缝边缘识别的精确度。通过改进边缘梯度法,实现裂缝最大宽度的定位和裂缝最大宽度的自动获取。该研究为全自动识别裂缝图像及高精度测量裂缝宽度提供了一种解决方法。     

结合单目标多窗口检测器和AlexNet的螺母检测

工业生产中螺母的漏装会导致严重的安全隐患,因此螺母的识别与检测有着重要意义。螺母可提取特征单一,使用传统方法检测时对光照、噪声等变化极为敏感,准确率较低。研究提出一种基于卷积神经网络的螺母检测算法,利用单目标多窗口检测器(single shot multibox detector,SSD)快速检测图像中可能的目标窗口,使用AlexNet对这些窗口进行分类以获得更高的分类精确度,使用基于面积比的非极大值抑制算法去除重复窗口得到最终检测结果。实验表明,该算法检测图像速度快且准确率高,可对螺母漏装进行高精度检测。     

一种基于孔洞填充的路面裂缝识别方法

本文提及一种基于孔洞填充路面裂缝识别方法,通过图像分割、去阴影算法,增强图像,使得在光照强度不佳的环境条件下拍摄的路面照片也能得到较好的识别效果;通过最大类间方差法,将图像进行较好的分割;通过孔洞填充算法去除较小面积区域的像素点,识别裂缝大小。提高了裂缝病害的识别精度,对公路养护部门的决策起到一定的作用。     

墙体浅层裂缝检测的数字化图像处理方法

数字图像处理技术应用于墙体浅层裂缝测量可获取数字化的裂缝信息,具有操作灵活、测量精度高等优点,可以克服传统墙体裂缝宽度测量技术的费时费力、精度不高等不足,具有广泛的应用前景。该文提出了一种新的基于神经网络进行图像分割的方法,对墙体裂缝图像进行提取,一定程度上克服了传统分割方法对背景图像的依赖性,减少了伪点和伪区域,降低了采用形态学算法带来的不准确性,提高了测量准确性;同时介绍了对墙体裂缝图像进行数字化处理的具体方法和流程。结合工程实例进行实验,结果表明该技术测量精确,操作方便,具有明显的工程意义和一定的实用价值。     

基于深度学习的人脸识别系统

本文设计描述了三种人脸识别技术:(1)通过肤色模型训练的图像变化技术对图像的人脸区域进行识别并分割出来。(2)Eigenface人脸识别算法的图像表示技术通过输入已知人脸图片,可视化特征脸,与系统相似脸匹配并计算识别准确率。(3)全连接神经网络技术和卷积神经网络技术实现对对输入人脸的识别分析和匹配测试,从系统库里找到与之最相近的的脸,并可视化展示。     

基于卷积神经网络的图像分割算法

本文介绍了传统卷积神经网络的基本原理和存在的问题,然后针对存在的问题,提出了一种基于图分割技术的全卷积神经网络算法。经实验验证可知,本文所提出算法在分割精度、平均精确度、全局精确度、计算效率和存储空间占用方面均优于传统算法,同时本算法具备一定的推广和应用价值。     

基于深度学习的外物入侵检测方法

本文提出了基于深度学习的外物入侵检测方法。首先,利用单目摄像头收集录像视频,其次,人工把视频转换成一帧一帧的图像,分为无外物入侵和有外物入侵两种,并标注。最后,将数据集放入构建的卷积神经网络模型中训练学习。在数据集充足的情况下,通过大量实验表明:基于卷积神经网络的外物入侵检测方法的准确率能够达到99%,相对于原始的帧差法和光流法。有了很大的提升。     

基于PCNN模型的区域生长图像分割

提出了一种结合区域生长算法和脉冲耦合神经网络进行图像分割的方法.该方法将待分割图像的像素点映射为PCNN模型中的神经元,把改进的脉冲耦合神经网络模型的点火频率同区域生长的理论结合起来进行图像分割.实验表明该方法分割的图像与传统的分割法相比具有边缘信息更加完整,区域划分更加准确,分割效果更能符合人眼视觉的识别特征.