基于U-net神经网络算法和改进的细化算法的水坝混凝土裂缝测量

摘要：

以水坝裂缝的视觉识别与计算为目标,融合U-net神经网络算法和改进图像细化算法,提出大坝裂缝识别和宽度计算的方法.首先,采用U-net处理1500张水坝裂缝图像样本,得到裂缝预分割模型;接着,采用改进的细化算法提取裂缝骨架分割模型;最后,结合预分割结果和骨架分割模型得到水坝裂缝的准确信息.结果表明,使用U-net神经网络算法作为裂缝检测的预处理算法,可显著提高算法的鲁棒性.改进的细化算法在应对细小裂缝时,骨架提取的命中率在80.17％以上.基于U-net神经网络算法和改进的细化算法分割裂缝的平均准确率、召回率和F1分数分别为92.75％、73.45％和81.86,视觉测量裂缝宽度的误差平均值为8.7％.与主流深度学习方法相比,本研究不依赖于大量训练样本且避免了设置过多的人工阈值,具有显著的实用性和稳定性.本文所述方法可以迁移应用到更多的类似场景中,为实现基础设施智能自动监测与预警提供数据和技术支撑.

关键词：图像细化、骨架提取、深度学习、裂缝尺寸

所属期刊栏目：37

分类号：V211.7(基础理论及试验)

资助基金：国家自然科学基金;国家自然科学基金;广西自然科学基金面上项目;中国博士后科学基金面上项目

在线出版日期：2022-05-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：209-220