为了及时有效地发现桥梁病害,克服目前人工目测方法固有的费时、费力且易受主观因素影响的缺陷,提出一种基于卷积神经网络的轻量化桥梁病害智能识别方法。在保持原MobileNetV2网络模型宽度不变的情况下,通过减少网络中瓶颈模块的数量,...为了及时有效地发现桥梁病害,克服目前人工目测方法固有的费时、费力且易受主观因素影响的缺陷,提出一种基于卷积神经网络的轻量化桥梁病害智能识别方法。在保持原MobileNetV2网络模型宽度不变的情况下,通过减少网络中瓶颈模块的数量,并在其中嵌入Squeeze and Excitation通道注意力机制,使新网络能够更有效地学习和利用特征通道之间的关系,以提升网络识别性能。结果表明:经过缩减瓶颈模块和嵌入通道注意力机制两次改进的网络模型,实现了98.78%的识别准确率,较改进前提高了2.85%,计算量也较改进前减少了23.02 M;将改进后的网络模型引入Matlab的GUI界面,将代码可视化为可以独立使用的桥梁病害识别系统,为风化、钢筋锈蚀、开裂和孔洞四种桥梁病害的高效识别提供便利。展开更多
文摘为了及时有效地发现桥梁病害,克服目前人工目测方法固有的费时、费力且易受主观因素影响的缺陷,提出一种基于卷积神经网络的轻量化桥梁病害智能识别方法。在保持原MobileNetV2网络模型宽度不变的情况下,通过减少网络中瓶颈模块的数量,并在其中嵌入Squeeze and Excitation通道注意力机制,使新网络能够更有效地学习和利用特征通道之间的关系,以提升网络识别性能。结果表明:经过缩减瓶颈模块和嵌入通道注意力机制两次改进的网络模型,实现了98.78%的识别准确率,较改进前提高了2.85%,计算量也较改进前减少了23.02 M;将改进后的网络模型引入Matlab的GUI界面,将代码可视化为可以独立使用的桥梁病害识别系统,为风化、钢筋锈蚀、开裂和孔洞四种桥梁病害的高效识别提供便利。
