图像噪声对深度卷积神经网络裂缝检测性能的影响

利用深度学习技术分析图像数据是一个不断扩展的新兴领域。从图像数据中追踪、识别、测量和分类感兴趣特征的优势，在节省成本、时间和提高安全性方面有着无尽的应用。已有大量研究致力于使用深度卷积神经网络从图像数据中分类裂缝；然而，针对使用含噪图像时网络性能有效性的研究却很少。本文将解决这一问题，并致力于研究图像噪声对网络准确性的影响。所采用的方法包括使用一个基准图像数据集，该数据集被故意用两种类型的噪声劣化，随后用图像增强预处理技术进行处理。这些图像，连同其原始对应图像，随后被用于训练和验证两个不同的网络，以研究准确性和性能的差异。本研究的结果揭示，尽管应用了图像预处理，含噪图像对网络准确分类图像的能力仍有中度到高度的影响。我们开发了一个新的指标，用于在计算时间和准确性方面寻找最高效的分类方法。基于所提出的指标，AlexNet 被选为最高效的模型。