混凝土表面裂缝识别的深度学习模型开发

摘要

本文研究了一种基于深度学习的混凝土表面裂缝检测模型。建立了基于卷积神经网络(CNN)的图像分类模型。为了训练和验证CNN模型，我们从现有文献中收集了一个包含4万张混凝土表面(有裂缝和没有裂缝)图像的数据库。混凝土表面的几个条件被考虑在内，如照明和表面光洁度(即，暴露，抹灰和油漆)。各种误差测量标准，如准确性、精密度、召回率、特异性和f1得分被用于访问开发的模型的质量。结果表明，对于训练数据集(占数据库的50%)，准确率、查全率、特异性、f1评分和准确率分别为99.5%、99.8%、99.5%、99.7%和99.7%。另一方面，对于验证数据集，其精密度、召回率、特异性、f1评分和准确率分别为96.5%、98.8%、96.6%、97.7%和97.7%。因此，开发的CNN模型可以被认为是有效的，因为它可以很好地利用测试数据进行裂缝分类。研究还证实，开发的基于dl的模型是稳健和有效的，因为它可以考虑到混凝土表面的不同条件。将本研究建立的CNN模型与文献中的其他作品进行了比较，结果表明，与之前发表的结果相比，CNN模型可以提高图像分类的准确性。 Finally, in further work, such model could be combined with Unmanned Aerial Vehicles (UAVs) to increase the productivity of concrete infrastructure inspection.

1.简介

各种基础设施都使用混凝土材料，如桥梁、核反应堆、水坝和建筑物。然而，这些建筑设施在使用多年后，受到混凝土损毁的影响[1］．值得注意的是，严重影响混凝土和钢筋耐久性的一个重要影响是裂缝的存在[1］．事实上，这些裂缝会给加固带来许多问题，如腐蚀和化学腐蚀[2］．因此，为降低风险，结构损伤识别是不可避免的[3.］．

由于裂缝的识别对于评估混凝土损伤是至关重要的，已经提出了各种各样的技术来维护这种基础设施。结构健康监测主要包括利用传感器检测基础设施刚度的变化和腐蚀的初始化[4- - - - - -6］．然而，这种监测技术通常被集成到现代建筑设施中。对于现有的基础设施，特别是20世纪60年代的混凝土结构，该技术仍然具有挑战性[7］．此外，目前维持大量混凝土基础设施的费用很高;例如，正如欧洲HEALCON项目所提到的，欧洲平均每年使用的预算为50亿欧元[8]，以进行保养及维修活动。因此，开发更强大和有效的技术至关重要，旨在节省大量混凝土基础设施的维护时间和成本，特别是那些可能超过预期使用寿命的基础设施[2］．

有限元法是用于裂纹检测和扩展的传统方法之一。关于这一问题，已有许多文献进行了研究。例如，在Nahvi和Jabbari的作品中[9，作者将试验模态数据与有限元方法相结合，研究了悬臂梁内部的裂纹检测问题。在李等人的另一篇文章中。10，采用波长有限元法(wfem)研究了结构内部的裂纹位置。使用有限元法检测梁和结构裂缝的其他工作可在[11- - - - - -16］．此外，有限元还可以与机器学习算法相结合进行裂纹检测。例如，在He等人的工作中。17，采用基于遗传算法的有限元优化模型对转子轴承模型进行了裂纹检测。采用有限元法进行裂纹检测的主要困难是模型通常非常复杂，计算时间也非常昂贵。事实上，用FEM来处理裂纹，即使是很小的裂纹也需要非常精细的网格，这导致了高自由度的问题。

与传感器设备一起，许多计算机视觉技术被提出用于检测混凝土表面的裂缝[18- - - - - -20.］．这些视觉技术主要是基于图像处理的深度学习(DL)算法开发的，例如卷积神经网络(CNNs)。事实上，基于dl的算法可以提供许多优势来克服传统图像处理技术的局限性[19]，尤其用于裂纹检测[21］．举个例子，Olivera和Correia [22他们开发了一种基于DL技术的自动裂缝检测系统，用于评估葡萄牙道路系统的损害。此外，陈等人。[23已经改进了使用CNN模型对图像裂缝的识别。此外，草德及阮国林[24]提出了一种基于支持向量机的沥青路面裂缝检测分类模型。Xu等人已经成功地研究了桥梁基础设施裂缝的检测。[25使用CNN模型。在另一项研究中，Nhat-Duc等人。26]提出了一种基于元启发式技术的混合CNN模型，用于训练DL算法并应用于路面裂缝识别。显然，基于dl的技术在稳健可靠地检测混凝土裂缝损伤方面具有显著的能力[27，28］．此外，预训练的基于图像的识别DL模型可以帮助开发自动损伤检查器，促进损伤的检测。在Gönenç-Sorguç [29]，研究了几种预先训练的CNN模型的比较，用于使用AlexNet、ResNet、GoogleNet和VGG检测建筑裂缝。事实上，这种预先训练的DL模型可以用于快速分类从视觉捕获设备收集的图像。在一些大型基础设施，如桥面或高层建筑的情况下，无人驾驶飞行器(uav)可作为视觉捕捉设备的适当选择[30.，31］．随着无人机的发展，无人机与预先训练的DL模型相结合，可以有效、高效地应对大型混凝土基础设施维护的困难，节省时间和成本[32，33］．

为了克服传统方法如有限元法或其他机器学习模型需要复杂的输入数据和计算时间昂贵的困难，本研究重点开发了一种基于图像的CNN识别模型，用于混凝土表面裂缝的检测。为了实现这一目标，一个包含40,000张图像的数据库被用于训练和测试所开发的DL模型。采用准确性、精密度、召回率、特异性、f1评分等多种质量评价标准对所建立的模型进行检验和验证。本文的结构组织如下。在第一部分中介绍了图像数据库和研究方法2．基于图像的CNN模型的优化在第一部分中介绍3.，其次是与模型预测能力相关的结果。最后一节以几个讨论结束本研究。所开发的模型代表了一种极具潜力的技术，可作为混凝土裂缝检测工具，与涉及多种高效设备(如无人机)的自动工作流相结合。

2.材料与方法

2.1.数据库

在本研究中，我们从现有文献中收集了含有裂缝的图像数据库[29，34］．该数据库来源于中东技术大学的几栋混凝土建筑的墙壁和地板，包含两类混凝土表面，无裂缝和有裂缝。混凝土表面与摄像机之间的距离约为1米。无裂纹和有裂纹两类都包含2万张图片，每张图片展示227张227 RGB像素。图中显示了该数据库的几个示例1．这些图像是在同一天拍摄的，光照相似。然而，由于研究了不同建筑的各种混凝土表面(即暴露的、抹灰和油漆)，这些图像中存在着表面光洁度和照明条件的变化。需要注意的是，这个最终的数据库是由458张高分辨率图像(即4032张3024像素)作为数据增强技术[35］．数据集按50/50的比例随机分为训练数据集和验证数据集。数据库的汇总信息见表1．

2.2.卷积神经网络(CNN)

CNN可以被归为一个多层神经网络，其主要目标是处理二维输入数据，如文本或图像。CNN作为神经网络的定义，包含多个层次;每一层都由几个具有各自功能的神经节点组成。值得注意的是，模型的同一层中的节点没有相互连接。在本工作中，受文献中CNN在图像分类方面的各种成功作品的启发，选择了CNN算法来开发基于图像的DL模型。Arbelaez等人提出了一种基于CNN的图像分割方法。36］．在另一项研究中，Teichmann等人成功开发了一种自动驾驶汽车道路检测系统。[37］．最后但同样重要的是，卡米洛等人。38]提出了一种基于cnn的利用航空图像进行太阳能光伏测绘的方法。

在结构上，CNN模型由5个主要层组成，如图所示2［39- - - - - -42]：(我)输入层:该层包含图像输入数据。(2)卷积层:该层中的节点作为过滤器，其主要目的是使用卷积算子检测图像输入中的特征。这种类型的过滤器会产生激活映射，称为特征映射。(3)池化层:该层的主要目的是对从卷积层获得的特征映射进行下采样。在技术上，卷积层的结果可以直接给分类器。然而，这一过程在计算资源方面可能非常昂贵，特别是在高分辨率图像输入数据时。池化层提供了一种通过汇总补丁中存在的特征来对特征映射进行下采样的方法。卷积层的结果通过非线性激活函数传递到池化层。(iv)全连接层:该层的主要目标是获取前一层(即池化层)的输出，然后应用权重来预测正确的标签。(v)输出层:该层包含问题的预测结果。

许多研究表明，与传统的反向传播神经网络相比，CNN具有以下几个优势[40，43］．CNN还可以降低模型的复杂性。更精确地说，CNN的权重参数可以在相邻区域之间共享。因此，可以加速训练过程。对于图像应用，这一特性是至关重要的，因为邻域区域通常携带相关信息到考虑点[44，45］．此外，CNN在特征提取方面比传统神经网络具有更高的能力，特别是在捕获局部信息(如图像中的邻居像素)方面。此外，与传统神经网络相比，CNN在学习阶段需要的样本可能更少，过拟合的几率也更低。最后，Nhat-Duc等人对CNN进行了完整的描述。[26和Dorafshan等人。[46］．

2.3.品质评估准则

在这项工作中，分类任务的误差测量设计如图所示3.,在那里(我)TP(即真阳性)探究被正确识别为裂缝的裂缝图像的数量(2)TN(即真负)表示被正确发现为无裂纹的无裂纹图像的数量(3)FP(即假阳性)显示被错误分类为无裂纹的裂纹图像的数量(iv)FN(即假阴性)暴露了被错误排列为裂缝的未裂缝图像的数量

根据这些定义，可计算出若干质素评估准则，例如:[25]：(我)精度定义如下: (2)精度定义如下: (我ii)召回定义如下: (我v)特异性定义如下: (v)F1-score定义如下:

3.结果与讨论

3.1.CNN模型的训练

在本研究中，使用Windows 10 Professional DELL T5610 Xeon E5-2680V2 40 Threads 128G RAM训练具有10层的CNN模型。采用带动量的随机梯度下降训练DL神经网络[47，48］．训练过程中的参数见表2．使用验证数据集对模型进行每次迭代评估。

表格3.详细介绍了CNN的结构，包括输入层、卷积层、ReLU层1、全连接层1、全连接层2、批归一层、ReLU层2、全连接层3、softmax层、分类输出层等10层。激活的大小、权重和偏置参数也列于表中3.对于每一层。需要注意的是，这样的架构是基于深度网络设计器应用程序设置的[48］．

数据4而且5分别用准确率和损失来表示训练进度。使用验证数据集的精度和损失的对应值也被突出显示。如图所示4而且5训练阶段在大约1200次迭代后达到收敛。必威2490此外，对验证数据集也取得了良好的精度和损失效果。

3.2.模型的性能

本节介绍训练后的CNN模型的性能。模型检测裂缝的能力如图所示6几个样本。可以看出，该模型可以根据背景与裂纹的对比来检测裂纹。数据7(一)而且7 (b)分别给出训练数据和测试数据的混淆矩阵。其他质素评估准则列于表内4．可以看出，对于训练数据集，准确率、召回率、特异性、F1-score和准确率分别为99.5%、99.8%、99.5%、99.7%和99.7%。另一方面，对于测试数据集，其精密度、召回率、特异性、f1评分和准确率分别为96.5%、98.8%、96.6%、97.7%和97.7%。因此，CNN模型可以被认为是有效的，因为它使用验证数据很好地进行了裂缝分类。研究还证实，开发的基于dl的模型是稳健和有效的，因为它可以考虑到混凝土表面的不同条件，如光照、表面光洁度和湿度。

3.3.讨论

从混淆矩阵中可以看出，CNN模型在一些情况下无法检测到图像中的裂缝。对误检进行了跟踪，对应图像如图所示8，主要分为三大类，分别是角处有裂纹的图像、分辨率低的图像和裂缝太小的图像。在这些情况下，CNN模型不能很好地执行识别任务，因为裂缝和背景之间的对比度很差[23］．在第一种配置中，裂缝只占图像的一小部分。因此，减少了检测任务的机会。另一方面，尽管所有的图像都是在同一天拍摄的，以照明条件为目的，但是，由于调查了许多建筑，获得的图像的变化是不可避免的。此外，利用基于图像的DL技术检测小裂纹，特别是像素级的小裂纹仍然具有挑战性[49］．

尽管如此，在无需求解复杂方程的情况下，CNN模型被优化为能够有效地对破碎图像进行分类，节省时间，并避免了高昂的计算成本。基于各种质量评估标准对所开发的CNN模型的性能进行量化。表中列出了以往研究的重点，包括参考文献、训练功能、数据数量、图像大小、训练/测试比和质量评价标准的值5．在质量评价标准的价值方面，本文提出的CNN模型改进了裂纹图像的分类，比以往发表的结果更加准确。然而，在这些工作中还没有考虑到不同类型的裂缝。

3.4.未来工作的实际应用

正如导言中所揭示的，预训练的CNN模型可以帮助开发混凝土基础设施的自动损伤检查器[32］．所设想的自动系统的工作过程如图所示9．首先，混凝土基础设施(如桥梁、建筑等)的图像由无人机作为大型数据集收集，因为该设备可以提高图像捕获的生产率。其次，将所有图像通过预先训练好的CNN模型发送到治疗中心进行处理和分类。最后，人工智能辅助损伤检查器给出评估和反馈。由于所开发的CNN模型可以处理大型数据集，预计该算法可以通过提高产量、节省时间和成本来帮助专家进行损伤评估。然而，应该注意的是，这样的系统应该有专家纠正的能力，因为人类的专业知识总是至关重要的。

4.结论与展望

这项工作致力于开发一个DL模型，用于对捕捉到的混凝土表面上的裂缝和无裂缝图像进行分类。从现有文献中提取了包含40,000个裂纹和非裂纹标签图像样本的数据集，用于训练和验证所提出的模型。训练CNN模型适用于227 × 227像素的图像。该模型对训练数据集的分类精度、查全率、特异性、f1评分和准确率分别为99.5%、99.8%、99.5%、99.7%和99.7%，对测试数据集的分类精度、查全率、特异性、f1评分和准确率分别为96.5%、98.8%、96.6%、97.7%和97.7%。由于研究了不同建筑的各种混凝土表面(即裸露、抹灰和油漆)，因此CNN模型的误差测量在可接受的范围内。

但是，在进一步的研究中，需要对不同类型的裂纹进行分类(即根据裂纹的厚度或密度进行排序)。因此，在分类问题中会出现更多的类。因此，应该研究有效的训练算法，包括元启发式技术。尽管如此，对不同大小的裂缝进行分类的有效工具可能对维护和修理程序有用。此外，在像素水平上的裂纹检测也需要进一步研究。应进一步研究结构健康监测与基于dl的技术之间的耦合，以结合两种方法的特点。最后，可以进一步应用其他深度学习方法来提高预测问题的性能。例如，在Ieracitano等人的工作中。50]，作者使用了一种结合无监督学习自编码器和监督学习多层感知器的模型来进行纳米材料的缺陷检测。实验结果表明，该方法的性能优于其他经典的机器学习方法。因此，将这种模型应用于裂纹检测问题是很有意义的。在盛奇等人的另一篇作品中。51，针对钢表面缺陷识别问题，提出了一种基于特征可视化和质量评价的深度学习模型。该模型也可以作为我们今后工作中裂纹检测问题的一个很好的候选模型。

数据可用性

用于支持本研究结果的数据可根据要求从通讯作者处获得。

利益冲突

作者声明没有利益冲突。

参考文献

1. 建筑及建筑材料， vol. 155, pp. 114-125, 2017。视图:谷歌学者
2. 潘h。c。Le, N. D. Bui等，“结合轴向载荷的缺陷管道弯曲能力的经验模型，”国际压力容器和管道杂志，第191卷，ID 104368, 2021。视图:出版商的网站|谷歌学者
3. M. Zemann, N. Herrmann和F. Dehn，“蒸混凝土表面方解石的形成及其对密封裂缝的潜力，”建筑及建筑材料， 2019年，第203卷，第1-8页。视图:出版商的网站|谷歌学者
4. S.真主安拉和S. S. Asadi，“土木结构健康监测的综合方法”，今日资料:会议记录， 2020年第27卷。视图:出版商的网站|谷歌学者
5. 范国强，李建军，郝浩，“基于残差卷积神经网络的结构健康监测振动信号去噪，”测量， vol. 157, Article ID 107651, 2020。视图:出版商的网站|谷歌学者
6. H.清阳，H.池潘，t . t。Le和N. Duc Bui，“基于平衡组合运动优化和数据驱动模型的矩形钢管混凝土短柱优化设计”，结构， vol. 28, pp. 757-765, 2020。视图:出版商的网站|谷歌学者
7. T.-T。基于实用机器学习的方形钢管混凝土柱轴向承载力预测模型，先进材料与结构力学“，2020年，第10卷，第1-16页。视图:出版商的网站|谷歌学者
8. D. V. Hemelrijck, S. Vanlanduit, A. Anastasopoulos和T. Philippidis，“无损检测中的新兴技术VI”，载第六届无损检测新兴技术国际会议论文集， CRC出版社，布鲁塞尔，比利时，2015年5月。视图:谷歌学者
9. H. Nahvi和M. Jabbari，“基于试验模态数据和有限元模型的梁裂纹检测”，国际机械科学杂志， vol. 38, pp. 537-548, 2002。视图:谷歌学者
10. 李斌，陈晓峰，马建新，何振军，“基于小波有限元方法的结构裂纹位置和尺寸检测”，声音与振动学报，第285卷，no。4-5，第767-782页，2005。视图:出版商的网站|谷歌学者
11. G.-L。钱,S.-N。和j - s。“含裂纹梁的动力特性及裂纹检测”，声音与振动学报第138卷第1期。2，第233-243页，1990年。视图:出版商的网站|谷歌学者
12. T.-T。Le，“纳米增强材料表面效应的概率建模”，计算材料科学， vol. 186, Article ID 109987, 2021。视图:出版商的网站|谷歌学者
13. 董海波，陈晓峰，李斌，齐克勇，何振军，“基于高精度模态参数识别方法和小波有限元模型的转子裂纹检测，”机械系统与信号处理“，第23卷第3期。3, pp. 869-883, 2009。视图:出版商的网站|谷歌学者
14. T.-T。“椭圆钢管混凝土柱在轴向荷载作用下极限荷载估计的实用混合机器学习方法，”土木工程的进展， vol. 2020, Article ID 8832522, 19页，2020。视图:出版商的网站|谷歌学者
15. T.-T。“纳米复合材料中随机不完美界面效应的概率研究”，材料力学， vol. 151, Article ID 103608, 2020。视图:出版商的网站|谷歌学者
16. T.-T。Le和H. C. Phan，“基于可解释机器学习方法的矩形钢管混凝土柱极限荷载预测”，土木工程的进展， vol. 2020, Article ID 8855069, 16页，2020。视图:出版商的网站|谷歌学者
17. 何勇，郭东，朱峰，“利用遗传算法和有限元方法检测转子轴承系统的轴裂纹，”数学与计算机仿真“，第57卷，no。1-2页，95-108,2001。视图:出版商的网站|谷歌学者
18. N.-D。黄和q - l。基于图像处理和机器学习方法的沥青路面裂缝自动识别:分类器性能的比较研究，工程数学问题， vol. 2018, Article ID 6290498, 16页，2018。视图:出版商的网站|谷歌学者
19. 张东，李强，陈赟，曹明，何磊，“一种高效、可靠的沥青路面从粗到细的裂缝检测方法，”图像与视觉计算， vol. 57, pp. 130-146, 2017。视图:出版商的网站|谷歌学者
20. N. X. Ho和t . t。“基于机器学习的圆形钢管混凝土极限荷载预测的实验数据库变异性的影响”，测量， vol. 176, Article ID 109198, 2021。视图:出版商的网站|谷歌学者
21. D. Rabinovich, D. Givoli和S. Vigdergauz，“使用遗传算法的基于xfem的裂纹检测方案”，国际工程数值方法杂志第71卷第1期。9，第1051-1080页，2007。视图:出版商的网站|谷歌学者
22. H. Oliveira和P. L. Correia，“自动道路裂缝检测和表征”，IEEE智能交通系统汇刊第14卷第4期。1, pp. 155-168, 2013。视图:出版商的网站|谷歌学者
23. K. Chen, A. Yadav, A. Khan等，“改进的基于卷积神经网络的裂纹检测和识别”，工程建模与仿真“，， vol. 2020, Article ID 8796743, 8页，2019。视图:出版商的网站|谷歌学者
24. H. Nhat-Duc和T. B. D. Nguyen Quoc-Lam，“基于图像处理的沥青路面裂缝分类与人工蜂群优化支持向量机，”土木工程计算学报， vol. 32, Article ID 4018037, 2018。视图:出版商的网站|谷歌学者
25. 徐海辉，苏晓霞，王赟，蔡海辉，崔凯，陈晓，“基于卷积神经网络的桥梁裂缝自动检测方法，”应用科学第9卷第1期。14, p. 2867, 2019。视图:出版商的网站|谷歌学者
26. H. Nhat-Duc, Q.-LNguyen和v . d。“基于元启发式优化边缘检测算法和卷积神经网络的沥青路面裂缝自动识别，”建筑自动化， vol. 94, pp. 203-213, 2018。视图:出版商的网站|谷歌学者
27. T. a . Carr, M. D. Jenkins, M. I. Iglesias等人，“基于深度神经网络的单阶段检测器的道路裂缝检测”，在2018年IEEE环境、能源和结构监测系统(EESMS)研讨会论文集，第1-5页，意大利萨莱诺，2018年6月。视图:谷歌学者
28. C. V. Dung和L. D. Anh，“基于深度全卷积神经网络的自主混凝土裂缝检测”，建筑自动化《中国科学》，第99卷，第52-58页，2019。视图:出版商的网站|谷歌学者
29. A. Gönenç-Sorguç，“预训练卷积神经网络在建筑物裂缝检测上的Ozgenel cf性能比较”，在第35届建筑自动化和机器人国际研讨会论文集(ISARC 2018)2018年7月，德国柏林。视图:谷歌学者
30. S. Dorafshan, R. J. Thomas和M. Maguire，“无人机系统辅助混凝土结构裂缝检测的基准图像处理算法，”基础设施，第4卷，no。2, 2019年第19页。视图:出版商的网站|谷歌学者
31. F. C. Pereira和C. E. Pereira，“利用无人机自动识别裂缝的嵌入式图像处理系统”，IFAC-PapersOnLine，第48卷，no。10, pp. 16-21, 2015。视图:出版商的网站|谷歌学者
32. 孙松、王斌，“低空无人机三维建模技术在古建筑保护态势评估中的应用”，能源Procedia， vol. 153, pp. 320-324, 2018。视图:出版商的网站|谷歌学者
33. T.-T。Le和M. V. Le，“基于核的高斯过程回归模型在方形钢管混凝土构件承载力预测中的应用”，材料与结构，第54卷，第59页，2021年。视图:出版商的网站|谷歌学者
34. CF。Özgenel，“混凝土裂缝分类图像”，2018。视图:谷歌学者
35. 张丽娟，杨峰，张永东，朱友军，“基于深度卷积神经网络的道路裂缝检测方法”，中国2016年IEEE图像处理国际会议论文集，页3708-3712，安克雷奇，阿拉斯加，美国，2016年9月。视图:谷歌学者
36. P. Arbeláez, M. Maire, C. Fowlkes，和J. Malik，“轮廓检测和分层图像分割，”模式分析与机器智能汇刊，第33卷，no。5, pp. 898-916, 2011。视图:出版商的网站|谷歌学者
37. M. Teichmann, M. Weber, M. Zöllner等，“多项网络:自动驾驶的实时联合语义推理”，在2018年IEEE智能汽车研讨会论文集，第四卷，第1013-1020页，中国苏州常熟，2018年6月。视图:谷歌学者
38. J. Camilo, R. Wang, L. M. Collins等，“语义分割卷积神经网络在航空图像中太阳能光伏阵列精确自动检测和映射的应用”，2018。视图:谷歌学者
39. G. Bayar和T. Bilir，“使用机器学习算法估计混凝土裂缝扩展的新研究”，建筑及建筑材料《中国科学院学报》，第215卷，第670-685页，2019。视图:出版商的网站|谷歌学者
40. D.-X。周，“深度卷积神经网络理论:下采样”，神经网络， vol. 124, pp. 319-327, 2020。视图:出版商的网站|谷歌学者
41. K. Khan, M. Attique, R. U. Khan, I. Syed和t . s。Chung说:“通过端到端人脸解析和深度卷积神经网络，一个人脸属性分类的多任务框架。”传感器，第20卷，no。2, p. 328, 2020。视图:出版商的网站|谷歌学者
42. 张磊，吴建军，范赟，高宏，邵勇，“基于改进掩模R-CNN的高分辨率遥感影像建筑提取方法，”传感器，第20卷，no。5，第1465页，2020年。视图:出版商的网站|谷歌学者
43. T.-T。“利用实用机器学习方法预测聚合物碳纳米管复合材料的抗拉强度”，复合材料学报第55卷第5期。6、2020。视图:出版商的网站|谷歌学者
44. 胡彦杰，李伟，陈赟，“基于深度卷积神经网络的复杂背景下密封与非密封裂缝检测”，建筑自动化， vol. 107, Article ID 102946, 2019。视图:出版商的网站|谷歌学者
45. 吕霞，段峰，段建军。傅晓霞，蒋磊，“基于深度主动学习的表面缺陷检测”，传感器，第20卷，no。6，第1650页，2020年。视图:出版商的网站|谷歌学者
46. S. Dorafshan, R. J. Thomas，和M. Maguire，“基于图像的混凝土裂缝检测的深度卷积神经网络和边缘检测器的比较”，建筑及建筑材料2018年，中国科学院学报(自然科学版)，vol 186, pp 1031-1045。视图:出版商的网站|谷歌学者
47. “梯度下降学习算法中的动量项”，神经网络，第12卷，no。1，页145-151,1999。视图:出版商的网站|谷歌学者
48. MathWorks,MATLAB， SDC出版社，纳蒂克，MA，美国，2018。
49. 张a，王金平，李斌等，“基于深度学习网络的三维沥青表面像素级路面裂缝自动检测”，计算机辅助土木和基础设施工程“，，第32卷，no。10, pp. 805-819, 2017。视图:出版商的网站|谷歌学者
50. C. Ieracitano, A. Paviglianiti, M. Campolo等人，“基于混合无监督和有监督机器学习的静电纺丝纳米纤维自动分类系统”，自动化学报第8卷第1期。1，第64-76页，2021年。视图:谷歌学者
51. G. Shengqi, M. Lei和H. Lu，“基于改进深度学习网络模型的基于特征可视化和质量评估的钢铁表面缺陷识别算法，”IEEE访问， 2020年第8卷。视图:谷歌学者

betway赞助

betway赞助版权所有©2021 Tien-Thinh Le et al.。这是一篇开放获取的文章创作共用授权协议该法律允许在任何媒体上不受限制地使用、分发和复制，前提是必须正确引用原著。