基于深度学习的水工混凝土结构表面缺陷检测

曹国金; 苏超; 王文君

doi:10.20040/j.cnki.1000-7709.2023.20221615

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于深度学习的水工混凝土结构表面缺陷检测

水利水电工程 | 更新时间：2026-02-25

- 基于深度学习的水工混凝土结构表面缺陷检测
- 基于深度学习的水工混凝土结构表面缺陷检测
- 水电能源科学 2023年第6期页码：137-141
- 作者机构：
  
  1. 广州市流溪河灌区管理中心
  2. 河海大学水利水电学院
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2023.20221615
  中图分类号： TV331;TP391.41;TP18
- 纸质出版：2023
- 稿件说明：
移动端阅览
曹国金, 苏超, 王文君. 基于深度学习的水工混凝土结构表面缺陷检测[J]. 水电能源科学, 2023,(6):137-141.

曹国金, 苏超, 王文君. 基于深度学习的水工混凝土结构表面缺陷检测[J]. 2023, (6): 137-141.
曹国金, 苏超, 王文君. 基于深度学习的水工混凝土结构表面缺陷检测[J]. 水电能源科学, 2023,(6):137-141. DOI： 10.20040/j.cnki.1000-7709.2023.20221615.

曹国金, 苏超, 王文君. 基于深度学习的水工混凝土结构表面缺陷检测[J]. 2023, (6): 137-141. DOI： 10.20040/j.cnki.1000-7709.2023.20221615.

摘要

早期和及时的缺陷检测对于保证水工混凝土结构的安全运行至关重要。基于深度学习的计算机视觉方法无需复杂的手工特征工程，可以在远程图像中自动判定结构缺陷类别，克服了传统人工视觉劳动强度大、主观性强且易出错的缺点。受此启发，提出了一种基于深度学习的缺陷检测方法，在ResNeXt50网络中引入注意力机制，以自适应地重新校准通道级特征响应，使模型更加关注图像中的缺陷信息，增强特征提取能力。测试结果表明，所提方法可以实现88.0%的F1分数，对于常见混凝土缺陷可以实现较好的分类效果。

Abstract

关键词

Keywords

references

Multi-classifier for reinforced concrete bridge defects[J]. Philipp Hüthwohl;Ruodan Lu;Ioannis Brilakis.Automation in Construction,2019

Adam: A Method for Stochastic Optimization.[J]. Diederik P. Kingma;Jimmy Ba.CoRR,2014

图像分类的深度卷积神经网络模型综述[J]. 张珂;冯晓晗;郭玉荣;苏昱坤;赵凯;赵振兵;马占宇;丁巧林.中国图象图形学报,2021(10)

基于卷积神经网络的混凝土裂缝图像识别方法[J]. 孟庆成;万达;吴浩杰;李明健;齐欣.沈阳建筑大学学报(自然科学版),2021(05)

基于深度学习的三维路面裂缝类病害检测方法[J]. 郎洪;温添;陆键;丁朔;陈圣迪.东南大学学报(自然科学版),2021(01)

基于数字图像的混凝土道路裂缝检测方法综述[J]. 蒋文波;罗秋容;张晓华.西华大学学报(自然科学版),2018(01)

浏览量

254

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于注意力卷积神经网络的水轮机健康状态评估研究

基于STFT-SE-CNN多通道特征融合的水电机组故障诊断

基于ACNN-VAR的特高拱坝变形深度学习预测模型

基于深度学习的水工混凝土结构表面缺陷边框级检测方法研究

基于多因素的短期风电功率组合预测研究