CN112418266A - 一种基于卷积神经网络的桩基础完整性分类识别方法 - Google Patents
一种基于卷积神经网络的桩基础完整性分类识别方法 Download PDFInfo
- Publication number
- CN112418266A CN112418266A CN202011102111.5A CN202011102111A CN112418266A CN 112418266 A CN112418266 A CN 112418266A CN 202011102111 A CN202011102111 A CN 202011102111A CN 112418266 A CN112418266 A CN 112418266A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- pile foundation
- model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的桩基础完整性分类识别方法,通过低应变采集设备对桩基础进行检测,并分别附上类别标签构建待用数据集;对数据集中的图像进行缩放和归一化预处理;将预处理后的数据集进行数据扩充;按预设的比例分为训练集和测试集;将训练集输入构建的模型中进行分类训练,优化相关参数直至获得全局最优解,得到所需卷积神经网络模型;将测试集输入卷积神经网络模型进行验证,输出识别结果并进行评价。本发明利用卷积神经网络的特征提取能力对低应变波型图像进行识别,解决了人工分析检测存在成本高和主观性强的问题;同时基于神经网络的快速计算能力具有较强的实用性,对桩基础完整性检测有巨大的现实意义和价值。
Description
技术领域
本发明涉及计算机深度学习领域,具体是一种基于卷积神经网络的桩基础完整性分类识别方法。
背景技术
随着我国工程建设行业的发展,桩基工程是建筑工程中应用最广泛的基础形式。桩基属于隐蔽工程,是处理软弱地基、减少建筑物沉降的有效方法之一,在城市高层建筑、厂房、桥梁等与人民生活息息相关的重要工程中被广泛采用。桩基工程的质量好坏直接关系到建筑物的结构、受力安全,更关系到人民生命财产及社会安全。桩基工程位于地下或者水下,使得桩基工程的质量检测、桩身施工等方面往往比上部结构更为复杂困难,施工质量难以控制,易发生质量隐患。灌注桩作为其地基处理的方式之一,灌注桩的成型是在地下完成的,完成混凝土灌注后,人们无法确切知道桩的成型是否完整,是否满足设计所要求的基桩承载力。采用一定的技术手段,对桩基进行诊断是必需的。桩身完整性检测和单桩承载力检测是质量检测标准中两项主控项目。桩身完整性是反映桩身截面尺寸相对变化、桩身材料密实性和连续性的综合定性指标,其类别是按缺陷对桩身结构承载力的影响程度划分的。施工结束后,第一任务是进行工程桩的桩身完整性检测,后进行承载力检测。当前检测其完整性一般采用低应变动力测桩法,低应变应力波反射法以检测快速、方便和经济的优势占据了桩基完整性检测的主导地位,然而动力测桩的正确性很大程度上取决于检测人员的经验,检测成本高、效率低、自动化程度不高和主观性强等问题。
桩基的缺陷辨别是一个非线性的问题,很难用一个准确的函数表达出来。人工神经网作为一种模拟人的神经结构及信息处理过程的人为构造系统,它具有极强的非线性大规模并行处理能力,具有良好的自适应性、自组织性及很强的学习、联想、容错和抗干扰能力,可灵活方便地对多成因的复杂未知系统进行建模、识别、诊断与评估。卷积神经网络属于人工神经网的一种,通过卷积操作提取图像特征,利用下采样操作减少数据量,通过权值共享和局部连接方式减少模型参数数量,这些特性使得卷积神经网络更加适合处理图像,恰好能弥补传统人工识别低应变反射波形图存在精度低和主观性强的缺陷。
发明内容
本发明的目的是针对于上述现有技术的不足,提供一种基于卷积神经网络的桩基完整性分类识别方法,以有效完成完整桩、轻度缺陷桩、较重缺陷桩和严重缺陷多类别的分类任务;本发明方法的卷积神经网络模型层数低,大大降低了模型的参数量,抑制了模型训练过程中的过拟合现象,使得训练速度得到了很大的提升。
为实现上述目的,本发明所用技术方案为:
一种基于卷积神经网络的桩基础完整性分类识别方法,包括以下步骤:
S1.数据收集与标记:利用低应变采集设备获取桩基实测曲线图像或通过一些专门的检测部门和公司进行桩基低应变曲线图像的收集数据,针对不同桩基完整性类别,收集每一个类别的低应变曲线图像,基于这些图像构建数据集,将组建的图像数据集进行人工分类并分别附上标签进行数据预处理;
S2.图像数据集扩充:由于深度学习需要强大的数据量的支持,因而将采集到的图像数据进行数据扩充,使用水平翻转、垂直翻转和镜像翻转扩增数据;
S3.原始数据图像的分类:将原始数据图像分为训练集和测试集两大类,所述训练集占数据图像总数的80%,所述测试集占数据图像总数的20%;;
S4.构建卷积神经网络模型:结合要解决的实际问题构建卷积神经网络目标网络分类模型,利用训练集对模型进行训练,保存训练完毕的卷积神经网络;本发明方法使用Keras中Sequential模型,创建了一个包含3个卷积层、3个池化层和2个完全连接层的模型;该模型层数少,降低了模型参数数量,进一步提高模型的识别精度和速度;
S5:输出图像预测结果及评估:经过步骤四的训练,已经获取了较好的模型权重。加载模型权重,将待分类的测试集图像输入到已训练好的卷积神经网络,对模型进行测试、评估和预测;并计算预测值的准确率、精度和召回率。
步骤S1中所述不同桩基完整性类别分为四个类别:
I类:完整桩,桩身结构完整,无明显缺陷;
II:轻度缺陷桩,桩身有轻微缺陷,但对桩身整体结构不构成较大影响;
III:较重缺陷桩,桩身结构受较大影响,力学性能显著降低;
IV:严重缺陷或断桩,桩身有严重缺陷,桩身结构不完整。
步骤S2为提升网络的检测速度,实现对数据集的实时检测,防止后续模型训练过程中出现过拟合,在进行数据扩充前,统一将数据集中所有图片尺寸变换成64×64,并对图像进行均值规整化处理。
步骤S3为了充分利用测试集中的数据,在后续模型训练过程中,将测试集作为验证集使用。
步骤S4中利用训练集对模型进行训练的具体过程为:将训练集图像输入到构建的卷积神经网络模型中进行分类训练,计算损失函数,通过随机梯度下降法,利用反向传播更新网络参数,直至获得全局最优解,得到所需卷积神经网络的训练模型并保存。
步骤S5中对预测值准确率、精度和召回率的计算过程如下:
1)输入一张大小为64×64×3的图像,经过大小为3×3的32个卷积核的两次卷积操作后,进行一次最大池化操作;然后经过两次大小为3×3的64个卷积核的二次卷积计算后,进行一次最大池化操作;然后经过三次大小为3×3的128个卷积核的卷积计算后,进行一次最大池化操作;然后经过丢弃层Dropout,随机使一半的神经元失活,避免过拟合;然后经过一展平层;再经过第一全连接层、批量规范化层、第二全连接层、批量规范化层;最后输出预测结果;
2)为了提高模型性能,模型网络中的卷积操作的激活函数都选择Relu函数,最后一层的激活函数使用Softmax逻辑回归;所有卷积核的大小、步长相同,均为3×3,步长为1,同时加入1个像素外衬;最大池化层主要用于降维和提高模型的容错性,其大小和步长都为2;
3)模型训练过程中采用梯度下降法;
4)网络模型对桩基完整性进行分类识别,采用精度precision、召回率recall和F1-score综合评价指标对预测结果进行评价,具体计算公式如下:
本发明的有益效果:
1.通过前期大量的调查数据,结合机器学习、深度学习的深度卷积神经网络方法,构建桩基础完整性分类识别模型;所得网络模型层数和复杂度低,训练参数少,加速了训练过程,节省计算资源。
2.传统人工检测识别精度与工人的注意力和熟练程度等相关,存在成本高,效率低,主观性强等缺点;本发明方法利用训练模型对桩基完整性分类实现自动化,减轻了工人的劳动强度,分类效率和准确率相对于现在人工识别有很大的提高。
附图说明
图1是桩基础完整性类别;
图2是本发明方法的流程示意图;
图3是模型训练过程中训练和验证的损失率和正确率;
图4是本发明卷积神经网络的结构示意图;
图5是卷积神经网络结构参数示意图。
具体实施方式
为了使本发明的目的、内容和优点更加清楚,下面结合附图对本发明具体实施步骤作进一步详细的说,但本发明的实施方式不限于此。
实施例:参见图1-5。
如图2所示,一种基于卷积神经网络的桩基础完整性分类识别方法,包括以下步骤:
S1.数据收集与标记:通过低应变采集设备对桩基础检测获取图像数据集,将组建的图像数据集按照完整桩、轻度缺陷桩、较重缺陷桩和严重缺陷四类数据做人工分类,分别附上相对应的标签;
S2.图像数据集扩充:将采集到的图像数据进行数据扩充,使用水平翻转、垂直翻转和镜像翻转扩增数据,统一调整图片为64×64,以确保输入的图片长宽一致;
S3.原始数据图像的分类:将原始数据图像分为训练集和测试集两大类,所述训练集占数据图像总数的80%,所述测试集占数据图像总数的20%;
S4.构建卷积神经网络模型:结合要解决的实际问题构建卷积神经网络目标分类网络模型,利用训练集对模型进行训练,保存训练完毕的卷积神经网络,卷积神经网络结构如图4所示;
试验环境为Windows10 X64操作系统,计算机的CPU为Intel(R)Core(TM)i9-9900KCPU@3.60GHz,32GB内存;Python编程环境;keras深度学习框架;
神经网络的结构为:输入层、卷积层(RELU)、最大池化层、卷积层(RELU)、最大池化层、卷积层(RELU)、最大池化层、Dropout、第一全连接层、第二全连接层、Softmax分类器。
卷积神经网络结构参数如图5所示:网络结构中的卷积核均为3×3的小卷积核,步长为1,同时加入1个像素外衬;池化尺寸2×2,步长为2;为防止网络过拟合,在每一层的激活函数之前采用批量归一化处理;模型网络中的卷积操作的激活函数都选择Relu函数,最后一层的激活函数使用Softmax逻辑回归;
激活函数Relu:
Softmax激活函数:
模型训练过程为:将网络的权值初始化,权重分布服从均值为0,方差为0.01的正态分布。训练神经网络中的超参数设置如下:总迭代次数为100,初始学习率0.0001,动量为0.9,批次训练样本数量为32,dropout为0.5。
训练中使用交叉熵损失函数:
上式中:C为损失,m为样本总数,y为真实值,a表示网络的输出值,x为输入样本个数。
如图3所示为训练和验证的损失率和正确率,采用随机梯度下降算法,通过不断降低损失函数的函数值学习建立网络模型的参数,将训练集图像输入构建的卷积神经网络模型进行分类训练,通过计算损失函数,随机梯度下降法,迭代更新权值,不断调整网络参数,直至获得网络模型参数的最佳状态,得到所需神经网络的训练模型并保存。
S5:输出图像预测结果及评估:将测试集输入训练后的卷积神经网路模型,输出图像预测结果,并计算预测值的准确率、精度和召回率:
1)输入一张大小为64×64×3的图像,经过大小为3×3的32个卷积核的两次卷积操作后,进行一次最大池化操作;然后经过两次大小为3×3的64个卷积核的二次卷积计算后,进行一次最大池化操作;然后经过三次大小为3×3的128个卷积核的卷积计算后,进行一次最大池化操作;然后经过丢弃层Dropout,随机使一半的神经元失活,避免过拟合;然后经过一展平层;再经过第一全连接层、批量规范化层、第二全连接层、批量规范化层;最后输出预测结果;
2)为了提高模型性能,模型网络中的卷积操作的激活函数都选择Relu函数,最后一层的激活函数使用Softmax逻辑回归;所有卷积核的大小、步长相同,均为3×3,步长为1,同时加入1个像素外衬;最大池化层主要用于降维和提高模型的容错性,其大小和步长都为2;
3)模型训练过程中采用梯度下降法;
4)网络模型对桩基完整性进行分类识别,采用精度precision、召回率recall和F1-score综合评价指标对预测结果进行评价,具体计算公式如下:
本发明通过前期大量的调查数据,结合机器学习、深度学习的深度卷积神经网络方法,构建桩基础完整性分类识别模型。所得网络模型层数和复杂度低,训练参数少,加速了训练过程,节省计算资源,分类准确率达到98.5%。传统人工检测识别精度与工人的注意力和熟练程度等相关,存在成本高,效率低,主观性强等缺点;利用训练模型对桩基完整性分类实现自动化,减轻了工人的劳动强度,分类效率和准确率相对于现在人工识别有很大的提高。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换或直接或间接运用在相关的技术领域,均应包括在本发明的专利保护范围内。
Claims (6)
1.一种基于卷积神经网络的桩基础完整性分类识别方法,其特征在于,包括以下步骤:
S1.数据收集与标记:利用低应变采集设备获取桩基实测曲线图像,针对不同桩基完整性类别,收集每一个类别的低应变曲线图像,基于这些图像构建数据集,包括桩基图像集和对应的桩基完整性类别标注集;
S2.图像数据集扩充:通过图像变换方式对图像数据集进行数据扩充,对曲线图形进行翻转、平移和旋转,得到图片扩充数据集;
S3.原始数据图像的分类:将原始数据图像分为训练集和测试集两大类,所述训练集占数据图像总数的80%,所述测试集占数据图像总数的20%;
S4.构建卷积神经网络模型:利用训练集对模型进行训练,保存训练完毕的卷积神经网络;
S5:输出图像预测结果及评估:将测试集输入训练后的卷积神经网路模型,输出图像预测结果,并计算预测值的准确率、精度和召回率。
2.根据权利要求1所述的一种基于卷积神经网络的桩基础完整性分类识别方法,其特征在于,步骤S1中所述不同桩基完整性类别分为四个类别:
I类:完整桩,桩身结构完整,无明显缺陷;
II:轻度缺陷桩,桩身有轻微缺陷,但对桩身整体结构不构成较大影响;
III:较重缺陷桩,桩身结构受较大影响,力学性能显著降低;
IV:严重缺陷或断桩,桩身有严重缺陷,桩身结构不完整。
3.根据权利要求1所述的一种基于卷积神经网络的桩基础完整性分类识别方法,其特征在于,步骤S2为提升网络的检测速度,实现对数据集的实时检测,在进行数据扩充前,统一将数据集中所有图片尺寸变换成64×64。
4.根据权利要求1所述的一种基于卷积神经网络的桩基础完整性分类识别方法,其特征在于,步骤S3为了充分利用测试集中的数据,在后续模型训练过程中,将测试集作为验证集使用。
5.根据权利要求1所述的一种基于卷积神经网络的桩基础完整性分类识别方法,其特征在于,步骤S4中利用训练集对模型进行训练的具体过程为:将训练集图像输入到构建的卷积神经网络模型中进行分类训练,计算损失函数,通过随机梯度下降法,利用反向传播更新网络参数,直至获得全局最优解,得到所需卷积神经网络的训练模型并保存。
6.根据权利要求1所述的一种基于卷积神经网络的桩基础完整性分类识别方法,其特征在于,步骤S5中对预测值准确率、精度和召回率的计算过程如下:
1)输入一张大小为64×64×3的图像,经过大小为3×3的32个卷积核的两次卷积操作后,进行一次最大池化操作;然后经过两次大小为3×3的64个卷积核的二次卷积计算后,进行一次最大池化操作;然后经过三次大小为3×3的128个卷积核的卷积计算后,进行一次最大池化操作;然后经过丢弃层Dropout,随机使一半的神经元失活,避免过拟合;然后经过一展平层;再经过第一全连接层、批量规范化层、第二全连接层、批量规范化层;最后输出预测结果;
2)为了提高模型性能,模型网络中的卷积操作的激活函数都选择Relu函数,最后一层的激活函数使用Softmax逻辑回归;所有卷积核的大小、步长相同,均为3×3,步长为1,同时加入1个像素外衬;最大池化层主要用于降维和提高模型的容错性,其大小和步长都为2;
3)模型训练过程中采用梯度下降法;
4)网络模型对桩基完整性进行分类识别,采用精度precision、召回率recall和F1-score综合评价指标对预测结果进行评价,具体计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011102111.5A CN112418266A (zh) | 2020-10-15 | 2020-10-15 | 一种基于卷积神经网络的桩基础完整性分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011102111.5A CN112418266A (zh) | 2020-10-15 | 2020-10-15 | 一种基于卷积神经网络的桩基础完整性分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112418266A true CN112418266A (zh) | 2021-02-26 |
Family
ID=74854662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011102111.5A Pending CN112418266A (zh) | 2020-10-15 | 2020-10-15 | 一种基于卷积神经网络的桩基础完整性分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418266A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113092531A (zh) * | 2021-03-18 | 2021-07-09 | 西北工业大学 | 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法 |
CN113127806A (zh) * | 2021-04-19 | 2021-07-16 | 上海工程技术大学 | 一种基于机器学习的回归分析模型选择方法 |
CN114358091A (zh) * | 2022-03-03 | 2022-04-15 | 中山大学 | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 |
CN114821178A (zh) * | 2022-05-05 | 2022-07-29 | 中国科学院水生生物研究所 | 一种基于深度学习的模块化图像识别分类系统的处理方法 |
CN117493858A (zh) * | 2023-12-29 | 2024-02-02 | 湖北神龙工程测试技术有限公司 | 基于人工智能的基桩完整性识别方法 |
CN117809228A (zh) * | 2024-02-27 | 2024-04-02 | 四川省川建勘察设计院有限公司 | 一种穿心锤锤击数统计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
CN109447026A (zh) * | 2018-11-09 | 2019-03-08 | 北京智博联科技股份有限公司 | 一种基于支持向量机的桩身完整性类别自动识别方法 |
CN109522924A (zh) * | 2018-09-28 | 2019-03-26 | 浙江农林大学 | 一种基于单张照片的阔叶林树种识别方法 |
-
2020
- 2020-10-15 CN CN202011102111.5A patent/CN112418266A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
CN109522924A (zh) * | 2018-09-28 | 2019-03-26 | 浙江农林大学 | 一种基于单张照片的阔叶林树种识别方法 |
CN109447026A (zh) * | 2018-11-09 | 2019-03-08 | 北京智博联科技股份有限公司 | 一种基于支持向量机的桩身完整性类别自动识别方法 |
Non-Patent Citations (1)
Title |
---|
鄢泰宁等: "人工神经网络方法在桩基检测中的应用", 《地质科技情报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113092531A (zh) * | 2021-03-18 | 2021-07-09 | 西北工业大学 | 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法 |
CN113092531B (zh) * | 2021-03-18 | 2023-06-23 | 西北工业大学 | 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法 |
CN113127806A (zh) * | 2021-04-19 | 2021-07-16 | 上海工程技术大学 | 一种基于机器学习的回归分析模型选择方法 |
CN114358091A (zh) * | 2022-03-03 | 2022-04-15 | 中山大学 | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 |
CN114358091B (zh) * | 2022-03-03 | 2022-06-10 | 中山大学 | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 |
CN114821178A (zh) * | 2022-05-05 | 2022-07-29 | 中国科学院水生生物研究所 | 一种基于深度学习的模块化图像识别分类系统的处理方法 |
CN117493858A (zh) * | 2023-12-29 | 2024-02-02 | 湖北神龙工程测试技术有限公司 | 基于人工智能的基桩完整性识别方法 |
CN117493858B (zh) * | 2023-12-29 | 2024-03-26 | 湖北神龙工程测试技术有限公司 | 基于人工智能的基桩完整性识别方法 |
CN117809228A (zh) * | 2024-02-27 | 2024-04-02 | 四川省川建勘察设计院有限公司 | 一种穿心锤锤击数统计方法 |
CN117809228B (zh) * | 2024-02-27 | 2024-04-30 | 四川省川建勘察设计院有限公司 | 一种穿心锤锤击数统计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418266A (zh) | 一种基于卷积神经网络的桩基础完整性分类识别方法 | |
Nash et al. | A review of deep learning in the study of materials degradation | |
CN113096088B (zh) | 一种基于深度学习的混凝土结构检测方法 | |
CN110045015A (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
Dong et al. | Innovative method for pavement multiple damages segmentation and measurement by the Road-Seg-CapsNet of feature fusion | |
CN107704883A (zh) | 一种菱镁矿矿石的品级的分类方法及系统 | |
CN114034334B (zh) | 岩溶管道污染源和流量的识别方法 | |
Gonthina et al. | Deep CNN-based concrete cracks identification and quantification using image processing techniques | |
Wang et al. | Automatic identification and location of tunnel lining cracks | |
Bruno et al. | Decay detection in historic buildings through image-based deep learning | |
Lee et al. | Predicting Concrete Compressive Strength Using Deep Convolutional Neural Network Based on Image Characteristics. | |
CN108765391A (zh) | 一种基于深度学习的平板玻璃异物影像分析方法 | |
Ojeda et al. | Convolutional Neural Network for Predicting Failure Type in Concrete Cylinders During Compression Testing | |
Xu et al. | Identification of corroded cracks in reinforced concrete based on deep learning SCNet model | |
CN115222684A (zh) | 一种基于多任务增量学习的表面缺陷检测方法 | |
Yan et al. | Research on application of data mining technology in risk assessment process of audit | |
Guo et al. | Crack and noncrack damage automatic classification from concrete surface images using broad network architecture | |
CN114627333A (zh) | 一种改进深度主动学习的锌浮选泡沫图像分类算法及系统 | |
CN113902695A (zh) | 一种针对色织物裁片缺陷区域的检测方法 | |
CN112036403A (zh) | 基于注意力机制的输电塔螺栓销子缺失的智能检测方法 | |
Chao | Training a Neural Network to Predict House Rents Using Artifical Intelligence and Deep Learning | |
Tiwari et al. | A Surface Crack Detection System Based on Image Input: The CNN Approach | |
Cai et al. | Enhancing Architectural Information Extraction Using DHAM-based Segmentation Network | |
Zhu et al. | Ash Content Detection in Coal Slime Flotation Tailings Based on Neural Architecture Search | |
Celik et al. | Applications of deep learning techniques to wood anomaly detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |