基于CNN的深度架构通过热成像进行钢筋混凝土脱层分割
图像与视频处理
2019-04-12 v1 计算机视觉与模式识别
摘要
桥面脱层评估在桥梁健康监测中起着至关重要的作用。热成像作为脱层检测的无损技术之一，具有数据采集高效的优点。但在准确刻画脱层形状轮廓的数据解译方面存在挑战。由于环境变化以及脱层尺寸与深度的不规则分布，基于温度对比度的常规处理方法难以准确分割脱层。受近期图像分割深度学习架构发展的启发，研究了基于卷积神经网络（CNN）的框架在温度对比度与形状扩散变化下脱层分割的适用性。模型基于密集卷积网络（DenseNet）开发，并在实验装置下采集的不同深度混凝土板模拟脱层热图像上训练。结果表明其在准确勾勒脱层形状方面具有令人满意的性能。
引用
@article{arxiv.1904.05509,
title = {CNN-Based Deep Architecture for Reinforced Concrete Delamination Segmentation Through Thermography},
author = {Chongsheng Cheng and Zhexiong Shang and Zhigang Shen},
journal= {arXiv preprint arXiv:1904.05509},
year = {2019}
}
备注
Accepted for the 2019 ASCE International Conference on Computing in Civil Engineering