基于双卷积神经网络的灾后钢筋混凝土建筑图像损伤检测与修复成本估算
计算机视觉与模式识别
2021-11-19 v1 计算机与社会
摘要
钢筋混凝土建筑在世界范围内被广泛使用。随着近期全球范围内的地震，快速结构损伤检查与修复成本评估对于建筑所有者和政策制定者做出明智的风险管理决策至关重要。为提高此类检查的效率，近期研究已采用基于卷积神经网络的先进计算机视觉技术来快速量化结构损伤状态。本文实现了一种名为 YOLO-v2 的先进目标检测神经网络，在训练与测试中分别达到 98.2% 和 84.5% 的平均精度。所提出的 YOLO-v2 与分类神经网络结合使用，将钢筋混凝土结构关键损伤状态的识别准确率提高了 7.5%。改进的分类流程使工程师能够快速且更准确地量化结构损伤状态，并定位关键损伤特征。识别出的损伤状态可随后与最先进的性能评估框架集成，以量化关键钢筋混凝土建筑的财务损失。结果可被建筑所有者和决策者在强震后立即用于做出明智的风险管理决策。因此，可快速调配资源以提升社区韧性。
引用
@article{arxiv.2111.09862,
title = {Postdisaster image-based damage detection and repair cost estimation of reinforced concrete buildings using dual convolutional neural networks},
author = {Xiao Pan and T. Y. Yang},
journal= {arXiv preprint arXiv:2111.09862},
year = {2021}
}
备注
16 pages, 21 figures