Resumen

La monitorización del estado estructural a gran escala y la detección de daños en estructuras submarinas ocultas son siempre problemas urgentes y de vanguardia que deben resolverse en el campo de la ingeniería civil. Con el desarrollo de la inteligencia artificial, especialmente la combinación de aprendizaje profundo y visión por ordenador, se han aportado mayores ventajas a la detección de grietas en hormigón basada en redes neuronales convolucionales (CNN) respecto a los métodos tradicionales. Sin embargo, estos métodos de aprendizaje automático (ML) todavía tienen algunos defectos, como ser inexactos o no fuertes, tener poca capacidad de generalización, o la precisión aún necesita ser mejorada, y la velocidad de ejecución es lenta. En este artículo, se propone una red totalmente convolucional (FCN) modificada con más robustez y más eficacia, lo que la hace conveniente y de bajo coste para la monitorización e inspección estructural a largo plazo en comparación con otros métodos. Mientras tanto, para mejorar la precisión del reconocimiento y la predicción, en este estudio se realizaron las siguientes innovaciones. Además, a diferencia de la deconvolución simple común, también incluye una capa de convolución de subpíxeles, que puede reducir en gran medida el tiempo de muestreo. A continuación, se verificó la viabilidad del método propuesto, con una precisión de reconocimiento global de hasta el 97,92 con una mejora del 12%.

• Materias:Simulación numérica Controladores Programación bioobjetiva Redes de retransmisión Simulador dinámico
• Subjects:Numerical simulation Controllers Bioobjective programming Relay networks Dynamic simulator
• Palabras claves:deconvolución simple común, detección de grietas en el hormigón, red neuronal convolucional, precisión global de reconocimiento, escasa capacidad de generalización, supervisión de la salud estructural, capa de convolución de subpíxeles, precisión, problemas artísticos, inteligencia artificial
• Keywords:common simple deconvolution, concrete crack detection, convolutional neural network, overall recognition accuracy, poor generalization ability, structural health monitoring, subpixel convolution layer, accuracy, art problems, artificial intelligence