机构名称：
¥ 1.0
摘要：沥青路面裂缝构成了表面材料的普遍和严重的困扰，在选择适当的维修策略之前，必须对劣化的类型进行分类以识别根本原因。有效的检测和分类最大程度地减少伴随成本，并同时增加路面服务寿命。这项研究采用了使用Crack500数据集和GitHub提供的其他数据集可用的辅助数据，采用卷积神经网络（CNN）进行沥青路面裂纹检测。此数据集具有四种类型的裂纹。：水平，垂直，对角线和鳄鱼。还对ImageNet训练的五个预训练的CNN模型也接受了培训和评估以进行转移学习。紧急结果表明，有效网络B3是最可靠的模型，并获得了94％F1_SCORE和94％精度的结果。通过对ImageNet预先训练的权重进行转移学习和对CNN进行微调，通过在同一数据集上进行了培训。结果表明，修改模型以96％的F1_SCORE和96％的精度显示出更好的分类性能。通过将ImageNet重量的有效传输和对有效网络B3架构的顶层进行微调以满足分类要求的有效转移，可以实现这种高分类的精度。最后，混乱矩阵表明，某些类别的裂纹在概括方面的性能要比其他裂纹更好。因此，需要进一步的进一步进步，以微调的预训练模型。这项研究表明，高分类结果是由于使用ImageNet权重的成功转移学习和微调而产生的。
沥青路面上的自动破解分类...
主要关键词
相关文件推荐
