Resumen

Las grietas en el hormigón son muy graves y potencialmente peligrosas. Los actuales métodos de aprendizaje automático presentan tres limitaciones obvias: baja tasa de reconocimiento, baja precisión y mucho tiempo. La detección mejorada de grietas basada en redes neuronales convolucionales puede detectar automáticamente si una imagen contiene grietas y marcar la ubicación de las mismas, lo que puede mejorar enormemente la eficacia de la monitorización. Los resultados experimentales muestran que el algoritmo de optimización Adam y el algoritmo de normalización por lotes (BN) pueden hacer que el modelo converja más rápidamente y alcanzar la máxima precisión del 99,71%.

• Materias:Dinámica de fluidos Modelado matemático Análisis mecánico Ecuaciones diferenciales
• Subjects:Fluid dynamics Mathematical modeling Mechanical analysis Differential equations
• Palabras claves:métodos actuales de aprendizaje automático, algoritmo de optimización Adam, redes neuronales convolucionales, baja tasa de reconocimiento, grietas, grietas de hormigón, Resultados experimentales, detección de grietas, mucho tiempo, baja precisión
• Keywords:present machine learning methods, Adam optimization algorithm, convolutional neural networks, low recognition rate, cracks, Concrete cracks, Experimental results, crack detection, long time, low accuracy