Effective Crack Damage Detection Using Multilayer Sparse Feature Representation and Incremental Extreme Learning Machine
Effective Crack Damage Detection Using Multilayer Sparse Feature Representation and Incremental Extreme Learning Machine
复制标题
使用多层稀疏特征表示和增量极限学习机进行有效的裂纹损伤检测
DOI：
10.3390/app9030614
复制
发表时间：
2019-02
期刊：
影响因子：
--
通讯作者：
Wang Zhe
中科院分区：
文献类型：
--
作者：
Wang Baoxian;Li Yiqiang;Zhao Weigang;Zhang Zhaoxi;Zhang Yufeng;Wang Zhe
由于背景噪声的复杂干扰，钢筋混凝土内部的裂缝检测仍然是一个具有挑战性的问题。在这项工作中，我们提出了一种新的混凝土裂缝损伤检测模型，该模型基于多层稀疏特征表示和增量极限学习机（ELM），该模型具有良好的特征学习和分类能力。具体而言，通过裁剪、滑动窗口操作和图像旋转，从采集的具体图像中获得大量的裂缝和非裂缝斑块。利用已有的图像补丁，利用多层稀疏ELM自编码器网络可以快速计算缺陷区域特征。然后，利用在线增量ELM分类网络对裂纹缺陷特征进行识别。与常用的基于深度学习的方法不同，本文提出的基于elm的裂纹检测模型可以有效地训练，而无需对整个网络参数进行繁琐的微调。此外，根据ELM理论，所提出的裂纹检测器在缺陷特征提取和检测方面具有普适性。在实验中，与目前开发的其他混凝土裂缝检测模型相比，所提出的混凝土裂缝检测模型具有突出的训练效率和良好的裂缝检测精度。
Detecting cracks within reinforced concrete is still a challenging problem, owing to the complex disturbances from the background noise. In this work, we advocate a new concrete crack damage detection model, based upon multilayer sparse feature representation and an incremental extreme learning machine (ELM), which has both favorable feature learning and classification capabilities. Specifically, by cropping and using a sliding window operation and image rotation, a large number of crack and non-crack patches are obtained from the collected concrete images. With the existing image patches, the defect region features can be quickly calculated by the multilayer sparse ELM autoencoder networks. Then, the online incremental ELM classified network is used to recognize the crack defect features. Unlike the commonly-used deep learning-based methods, the presented ELM-based crack detection model can be trained efficiently without tediously fine-tuning the entire-network parameters. Moreover, according to the ELM theory, the proposed crack detector works universally for defect feature extraction and detection. In the experiments, when compared with other recently developed crack detectors, the proposed concrete crack detection model can offer outstanding training efficiency and favorable crack detecting accuracy.
登录
查看更多内容
影响因子：
6
作者：
Huang, Guang-Bin;Zhu, Qin-Yu;Siew, Chee-Kheong
通讯作者：
Siew, Chee-Kheong
影响因子：
--
作者：
E. Fathalla;Yasushi Tanaka;K. Maekawa;A. Sakurai
通讯作者：
E. Fathalla;Yasushi Tanaka;K. Maekawa;A. Sakurai
影响因子：
2.4
作者：
Wang, Gaochao;Tse, Peter W.;Yuan, Maodan
通讯作者：
Yuan, Maodan
DOI：
10.1016/j.imavis.2016.04.008
发表时间：
2013-10
期刊：
Image Vis. Comput.
影响因子：
--
作者：
Fayao Liu;Chunhua Shen;I. Reid;A. Hengel
通讯作者：
Fayao Liu;Chunhua Shen;I. Reid;A. Hengel
DOI：
--
发表时间：
2010
期刊：
Journal of Chang'an University
影响因子：
--
作者：
Xu Ting
通讯作者：
Xu Ting