基于卷积神经网络与人工神经网络的表面损伤检测方案
计算机视觉与模式识别
2020-10-20 v2 机器学习
摘要
混凝土表面的损伤十分重要，因为损伤会影响结构的结构完整性。本文提出一种使用卷积神经网络（CNN）与人工神经网络（ANN）的两步式表面损伤检测方案。CNN将给定输入图像分为两类：阳性与阴性。阳性类别指图像中存在表面损伤，否则图像被分类为阴性。这是一种基于图像的分类。ANN接收已被CNN分类为阳性的图像输入。这减少了由ANN进一步处理的图像数量。ANN执行基于特征的分类，其中特征从图像中检测到的边缘提取。边缘使用Canny边缘检测进行检测。从检测到的边缘中共提取19个特征。这些特征是ANN的输入。ANN的目的是仅高亮图像中阳性的受损边缘。CNN在图像分类上达到80.7%的准确率，ANN在表面检测上达到98.1%的准确率。CNN中准确率的下降源于假阳性检测，然而假阳性是可容忍的，而假阴性不可容忍。在两步方案中CNN与ANN的假阴性检测均为0%。
引用
@article{arxiv.2003.10760,
title = {Surface Damage Detection Scheme using Convolutional Neural Network and Artificial Neural Network},
author = {Alice Yi Yang and Ling Cheng},
journal= {arXiv preprint arXiv:2003.10760},
year = {2020}
}