针对钢桥病害识别效率低、精度不高的现状,提出了一种基于深度学习的钢结构表观病害识别方法.该方法将卷积神经网络Inception-v4和迁移学习相结合,分别采用迁移学习中特征提取和微调2种训练方式获得2种模型,并与全新训练的Inception-v4模型进行对比.首先,收集656幅钢桥病害图像,包括涂层劣化176幅,腐蚀173幅,焊缝开裂151幅,完好156幅,对其进行旋转、翻转、调整对比度等预处理,使数据集扩充至3 742幅,按照8∶1∶1的比例,划分训练集、验证集和测试集;然后,采用3 365幅钢桥病害图像分别对特征提取模型、微调模型与全新训练模型进行训练和验证,对比了批大小(batch-size)和学习率对模型训练效果的影响,并对这2个参数进行了优选;最后,采用377幅病害图像进行测试,得到特征提取模型、微调模型和全新训练模型训练一个时期(epoch)的时间分别为47.2、119.2、121.8 s,测试正确率分别为89.39％、97.88％与91.25％.结果表明:迁移学习的2种模型较全新训练模型,减少了数据的需求量,提高了运行效率和病害识别准确率;微调模型经历较少的epoch,便可达到较高的测试准确率,更适于钢桥病害识别的实际应用.
NETL
NSTL
万方数据
维普
