Resumen

La detección automática de grietas con la menor cantidad de mano de obra se ha convertido en una tarea crucial en la inspección y evaluación de las prestaciones de la estructura de hormigón en ingeniería civil. Recientemente, aunque se han desarrollado muchos modelos de detección de grietas de hormigón basados en redes neuronales convolucionales (CNN), la precisión de los modelos propuestos varía. Hasta la fecha, la cuestión relativa a la arquitectura de la red neuronal convolucional con mejor rendimiento para la detección de grietas en el hormigón sigue siendo objeto de debate en muchos estudios anteriores. En este trabajo, elegimos tres modelos de CNN de código abierto establecidos (Modelo1, Modelo2 y Modelo3) que han sido bien ilustrados y verificados en estudios anteriores y los probamos para la detección de grietas en estructuras de hormigón. Los tres modelos elegidos se entrenan utilizando un conjunto de datos de grietas de hormigón que contiene 40.000 imágenes de 227 × 227 píxeles. A continuación, se evaluó el rendimiento de los tres modelos de redes neuronales convolucionales (CNN). El resultado de la comparación exhaustiva indica que el Modelo2, que utilizó la normalización por lotes, es capaz de obtener el mejor rendimiento entre los tres modelos seleccionados para la detección de grietas de hormigón, registrando la mayor precisión de clasificación y una baja pérdida. En conclusión, recomendamos el Modelo2 para una tarea de detección de grietas en el hormigón.

• Materias:Análisis de suelos Hormigón Construcciones de hormigón Asfalto
• Subjects:Soil testing Concrete Concrete construction Asphalt
• Palabras claves:red neuronal convolucional, detección de grietas en el hormigón, mejor rendimiento, estructura de hormigón, detección automática de grietas, modelo2, conjunto de datos de grietas en el hormigón, cantidad de mano de obra, mayor precisión de clasificación, propósito de la grieta
• Keywords:convolutional neural network, concrete crack detection, best performance, concrete structure, automatic crack detection, model2, concrete crack dataset, amount of workforce, highest classification accuracy, purpose of crack