面向极端事件下基础设施损伤自动检测的深度学习工程方法
计算机视觉与模式识别
2022-05-05 v1
摘要
本文针对极端事件中利用深度学习方法处理二维图像的结构损伤检测（SDD）给出了若干综合实验研究。第一项研究中，利用 152 层残差网络（ResNet）对八项 SDD 任务中的多类别进行分类，包括场景级别、损伤级别、材料类型等识别。所提 ResNet 在各任务上均取得高准确率，但无法定位损伤位置。第二项研究中，将现有 ResNet 与分割网络（U-Net）组合为级联网络这一新流程，用于结构损伤的分类与定位。结果表明，相较于仅使用分割网络，损伤检测准确率显著提升。第三与第四项研究中，开发并测试了端到端网络，作为直接检测近期大地震图像集中裂缝与剥落的新方案。其中一个所提网络在所有测试图像的各种尺度与分辨率下准确率均超过 67.6%，并展现出此类无人工检测任务的鲁棒性。作为初步现场研究，我们将所提方法应用于某混凝土结构损伤检测，该结构曾为研究其渐进式倒塌性能而受试验。实验表明，这些基于深度学习的自动结构损伤检测方案可行且具前景。训练数据集与代码将在本文发表后向公众开放。
引用
@article{arxiv.2205.02125,
title = {Engineering deep learning methods on automatic detection of damage in infrastructure due to extreme events},
author = {Yongsheng Bai and Bing Zha and Halil Sezen and Alper Yilmaz},
journal= {arXiv preprint arXiv:2205.02125},
year = {2022}
}
备注
Thanks for the revivers' help for improving this paper. Structural Health Monitoring (2022)