基于深度神经网络的材料粘接裂缝识别

针对传统裂缝识别方法准确率低的问题,研究基于深度神经网络,设计一个Crack-CNN裂缝识别模型。根据CNN神经网络结构,利用CNN的特征提取和学习能力特性,将CNN应用于材料粘接裂缝识别中,然后将裂缝定位和CNN网络相结合,构建Crack-CNN模型,将裂缝图像输入至该模型中,通过CNN网络提取裂缝特征,并进行卷积、池化操作,再利用激活函数和全连接层进行特征分类,最终输出裂缝分类结果。结果表明,相较于传统裂缝识别模型,模型的训练和测试精度均保持在95%以上,模型的训练时间为3 825 s,远远低于VGG-13和ResNet模型。由此证明该模型性能好,可在材料粘接裂缝中取得较好的识别效果。