Resumen

La mayoría de las estructuras de puentes en el mundo están construidas de hormigón armado. Con el aumento de la vida útil y el incremento del tráfico urbano y otros factores, la mayoría de los puentes que entran en servicio tienen más o menos daños. Los métodos tradicionales de detección de daños en puentes incluyen el método de inspección manual y el método de inspección vehicular de puentes, los cuales tienen muchas deficiencias. Además, la detección de grietas en puentes es crítica para la seguridad del transporte debido al gran número de puentes construidos en las redes viales de todo el mundo. Con este fin, este artículo utiliza la CNN más ampliamente utilizada en el aprendizaje profundo para identificar y clasificar imágenes de grietas, y propone una técnica de aprendizaje por transferencia para resolver el problema de la gran cantidad de datos de entrenamiento requeridos para entrenar la CNN. Se introducen técnicas de aumento de datos y de ventana deslizante para dividir los datos de grietas recopilados en un conjunto de entrenamiento y un conjunto de pruebas

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Estructuras de puentes; Hormigón armado; Métodos de detección de daños; Grietas; Aprendizaje profundo; CNN
• Keywords:Bridge structures; Reinforced concrete; Damage detection methods; Cracks; Deep learning; CNN