小样本条件下混凝土桥面裂缝图像分类方法比较
工程与管理科学 · 30.06.2026 · 8 (6) · 76
DOI: 10.32629/ems.v8i6.20532 ↗Kurz gefasst
Fachartikel in der Zeitschrift 工程与管理科学, online erschienen am 30.06.2026. Verfasst von 胜文 唐 und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).
Abstract (Originalsprache)
针对小样本条件下混凝土桥面裂缝图像分类问题,本文以 SDNET2018 数据集中的桥面图像为研究对象,构建裂缝与无裂缝二分类任务,对 HOG+SVM、LBP+SVM、基础 CNN、MobileNetV2 和 ResNet18 五种模型进行了实验比较,并分析了不同参数设置对模型性能的影响。结果表明,传统机器学习方法中 HOG+SVM 优于 LBP+SVM;深度学习方法整体优于传统方法,其中迁移学习模型表现较好。在本文实验条件下,ResNet18 取得最高测试准确率 97.5%,裂缝类别 F1 值为 0.9751;MobileNetV2 的测试准确率达到 97.0%,表现出较好的轻量化应用潜力。实验结果表明,迁移学习方法在小样本混凝土桥面裂缝图像分类任务中表现较好,合理的参数设置有助于提升模型性能。
Zitieren
APA
唐, 胜., & 黄, 达. (2026). 小样本条件下混凝土桥面裂缝图像分类方法比较. 工程与管理科学, 8(6), 76. https://doi.org/10.32629/ems.v8i6.20532
Vancouver
唐 胜, 黄 达. 小样本条件下混凝土桥面裂缝图像分类方法比较. 工程与管理科学. 2026;8(6):76. doi:10.32629/ems.v8i6.20532
BibTeX
@article{2026,
author = {唐, 胜文 and 黄, 达燕},
title = {小样本条件下混凝土桥面裂缝图像分类方法比较},
journal = {工程与管理科学},
year = {2026},
volume = {8},
number = {6},
pages = {76},
doi = {10.32629/ems.v8i6.20532}
}
EUVIMED