onexming / crack-detection

Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks

Cha_et_al-2017-Computer-Aided_Civil_and_Infrastructure_Engineering.pdf

工具,以及资源

1. tensorflow

2. PIL

3. numpy

4. 数据:https://data.mendeley.com/datasets/5y9wdsg2zt/1

网络结构 model.py

超参数

1. learn rate: 1e-4
2. learn decay: 0.99
3. batch normalization momentum: 0.9
4. dropout rate: 0.5
5. Optimizer: SGD/adam

   使用adam优化是速度快于SGD

数据处理 raw_to_tfrecoder.py

将图片数据处理为tfrecoder, 将大图处理为相同格式的小图,

将小图送入模型中得出值, 根据返回值画出大图中损坏的位置

测试函数 evalution.py

正确率 loss

运行效果

在训练图片中缝隙的颜色大多数为黑色, 在缝隙颜色和墙面颜色区分比较明显的时候,识别效果较好

在墙面颜色为比较暗的颜色时, 与缝隙的区分度不是那么高时,识别效果明显变差