深度卷积神经网络在SHCC薄裂缝自动快速识别与表征中的应用
图像与视频处理
2021-05-04 v1 应用统计
摘要
既往研究表明，表面裂缝表征是理解应变硬化水泥基复合材料（SHCCs）耐久性的关键步骤之一。在实验室条件下，可通过人工检查或图像处理技术从试件表面图像获取表面裂缝统计。由于这些技术需要最佳光照条件、适当表面处理以及事先（人工）选取正确区域以进行正确推断，它们繁琐且耗时。通过本工作，我们探索并定制了深度卷积网络（DCCNs）用于从各类照片中快速表征SHCC中的裂缝。受控研究的结果表明，定制DCCN（TDCNN）的推断能力相当良好，对认知不确定性具有韧性，并可针对完全独立但不利的观察进行调整。利用TDCCN计算的裂缝图样，可求得平均裂缝宽度（ACW）与裂缝密度（CD），以在实际环境中辅助耐久性设计与状态评估。
引用
@article{arxiv.2105.00230,
title = {Application of Deep Convolutional Neural Networks for automated and rapid identification and characterization of thin cracks in SHCCs},
author = {Avik Kumar Das and Chrisopher K. Y. Leung and Kai Tai Wan},
journal= {arXiv preprint arXiv:2105.00230},
year = {2021}
}