学术论文粘接智能设计检测����年�月第��卷第�期����������������������������������������������������Academicpapers研究报告专论基于深度神经网络的材料粘接裂缝识别何小华（烟台汽车工程职业学院，山东烟台265500）摘要：针对传统裂缝识别方法准确率低的问题，研究基于深度神经网络，设计一个Crack-CNN裂缝识别模型。根据CNN神经网络结构，利用CNN的特征提取和学习能力特性，将CNN应用于材料粘接裂缝识别中，然后将裂缝定位和CNN网络相结合，构建Crack-CNN模型，将裂缝图像输入至该模型中，通过CNN网络提取裂缝特征，并进行卷积、池化操作，再利用激活函数和全连接层进行特征分类，最终输出裂缝分类结果。结果表明，相较于传统裂缝识别模型，模型的训练和测试精度均保持在95%以上，模型的训练时间为3825s，远远低于VGG-13和ResNet模型。由此证明该模型性能好，可在材料粘接裂缝中取得较好的识别效果。关键词：材料粘结；裂缝识别；深度学习；神经网络；Crack-CNN中图分类号：TG492文献标志码：A文章编号：1001-5922（2023）03-0021-04IdentificationofmaterialbondcracksbasedondeepneuralnetworksHEXiaohua（YantaiAutomobileEngineeringProfessionalCollege，Yantai265500,ShandongChina）Abstract:Forthelowaccuracyofthetraditionalcrackrecognitionmethod，wedesignaCrack-CNNcrackrecogni⁃tionmodelbasedonthedeepneuralnetwork.AccordingtotheCNNneuralnetworkstructure，bymeansofthefea⁃tureextractionandlearningabilityofCNN，CNNwasappliedtotheidentificationofadhesivecrack.Aftercombin⁃ingthecracklocationwithCNNnetworktoconstructtheCRACK-CNNmodel，thecrackimagewasinputintothemodel，thecrackfeaturewasextractedbyCNNnetwork，andconvolutionandpoolingwereperformed.Then，theac⁃tivationfunctionandfull-connectionlayerwereusedtoclassifythefeatures，andfinallytheresultsoffractureclas⁃sificationwereoutput.Theexperimentalresultsshowthatcomparedwiththetraditionalcrackrecognitionmodel，thetrainingandtestaccuracyofthismodelremainsmorethan95%，andthetrainingtimeofthemodelis3825s，farlowerthantheVGG-13andResNetmodels，whichthusprovesthatthemodelhassuperiorperformanceandachievesgoodrecognitioneffectinmaterialbondcrac...
