52、基于深度学习的结构损伤识别与软件定义网络容错数据平面模型

基于深度学习的结构损伤识别与软件定义网络容错数据平面模型

结构损伤识别的深度学习方法

在结构图像识别领域，深度学习模型的应用面临着数据和计算资源的挑战。通常，深度学习模型需要大量数据集和显著的计算资源才能有效运行，但结构领域往往缺乏用于有效训练深度学习模型的大型视觉数据集。为了减轻深度学习准确性对可用数据大小的依赖，并最大限度地利用较小的数据集，迁移学习成为了一种重要工具。

模型架构

• Mini VGGNet ：该网络结构包含多个卷积块和全连接层。输入图像大小为 (N, 3, 224, 224)，经过多个卷积层和最大池化层处理后，输出特征维度逐渐变化。例如，在卷积块 1 中，经过两个 3×3（64）的卷积层后，输出形状仍为 (N, 64, 224, 224)，再经过最大池化层，输出变为 (N, 64, 112, 112)。全连接层经过扁平化处理后，最终输出为 (N, 2/3/4)。
  | Block | Layer | Filter size | Output shape |
  | — | — | — | — |
  | Input | Input image | – | (N, 3, 224, 224) |
  | Conv block 1 | Convolutional | 3 × 3 (64) | (N, 64, 224, 224) |
  | | Convolutional | 3 × 3 (64) | (N, 64, 224,224) |
  | | Max pooling | – | (N, 64, 112, 112) |
  | Conv block 2 | Conv