一种用于自动检测探地雷达数据中钢筋的改进卷积神经网络系统
计算机视觉与模式识别
2019-07-24 v1
摘要
作为一种成熟的技术，探地雷达（GPR）目前被广泛用于检测混凝土结构中的钢筋及其他埋入构件。从GPR数据中人工识别钢筋是一项耗时且易出错的过程。尽管已有若干自动检测钢筋的方法，但对于不同的钢筋排布（尤其是紧密间距的钢筋网），寻找一种高分辨率且高效的方法仍具挑战性。作为改进型卷积神经网络（CNN），AlexNet在图像识别领域展现出优于传统方法的性能。因此，本文引入AlexNet作为自动检测GPR数据中钢筋的替代方案。为展示所提方法的效率，构建了一个传统CNN作为对比选项。此外，本研究评估了不同钢筋排布和不同窗口尺寸对结果精度的影响。结果表明：（1）AlexNet优于传统CNN方法，且当钢筋网密集分布时其优势更为显著；（2）检测精度随分割窗口尺寸的变化而显著变化，合适的窗口应包含足够的钢筋信息；（3）由于信号干扰概率较低，均匀且稀疏分布的钢筋网比密集或不均匀分布的对象更易识别。
引用
@article{arxiv.1907.09997,
title = {An Improved Convolutional Neural Network System for Automatically Detecting Rebar in GPR Data},
author = {Zhongming Xiang and Abbas Rashidi and Ge and Ou},
journal= {arXiv preprint arXiv:1907.09997},
year = {2019}
}