Resumen

Como enfermedad común de la estructura de hormigón en la ingeniería, las grietas conducen principalmente a problemas de durabilidad como la corrosión del acero, la erosión de la lluvia y el desprendimiento de la capa de protección, y luego el edificio se destruye. Para detectar a tiempo las grietas de la estructura de hormigón, se lleva a cabo la prueba de flexión del hormigón reforzado con fibra de acero y se obtienen las imágenes de las grietas del hormigón. Además, la base de datos de grietas se amplía mediante el método de aprendizaje por migración y la base de datos de grietas se comparte en el disco online de Baidu. Finalmente, se establece un modelo de identificación de grietas de hormigón basado en YOLOv4 y Mask R-CNN. Además, se propone el método R-CNN de máscara mejorado para mejorar la precisión de la predicción basada en la R-CNN de máscara. Los resultados muestran que la precisión media de la predicción de la identificación de grietas en el hormigón es de 82,60 según el método YOLO v4. La precisión media de la predicción de la identificación de grietas de hormigón es de 90,44 según el método Mask R-CNN. La precisión media de la predicción de la identificación de grietas en el hormigón es de 96,09 según el método mejorado Mask R-CNN.

• Materias:Análisis de suelos Hormigón Construcciones de hormigón Asfalto
• Subjects:Soil testing Concrete Concrete construction Asphalt
• Palabras claves:identificación de grietas en el hormigón, precisión media de la predicción, métodos cnn, base de datos de grietas, máscara mejorada, estructura de hormigón, métodos de aprendizaje de migración, métodos yolo v4, prueba del acero, disco en línea baidu
• Keywords:concrete crack identification, average prediction accuracy, cnn methods, crack database, improved mask, concrete structure, migration learning methods, yolo v4 methods, test of steel, baidu online disk