دانلود مقاله انگلیسی رایگان:طبقه بندی مبتنی بر بینایی کامپیوتری شدت پاشش بتن با استفاده از ماشین تقویت کننده گرادیان قویا بهینه شده فراابتکاری و شبکه عصبی پیچیده عمیق - 2022
دانلود بهترین مقالات isi همراه با ترجمه فارسی 2
دانلود مقاله انگلیسی بینایی ماشین رایگان
  • Computer vision-based classification of concrete spall severity using metaheuristic-optimized Extreme Gradient Boosting Machine and Deep Convolutional Neural Network Computer vision-based classification of concrete spall severity using metaheuristic-optimized Extreme Gradient Boosting Machine and Deep Convolutional Neural Network
    Computer vision-based classification of concrete spall severity using metaheuristic-optimized Extreme Gradient Boosting Machine and Deep Convolutional Neural Network

    دسته بندی:

    بینایی ماشین - Machine vision


    سال انتشار:

    2022


    عنوان انگلیسی مقاله:

    Computer vision-based classification of concrete spall severity using metaheuristic-optimized Extreme Gradient Boosting Machine and Deep Convolutional Neural Network


    ترجمه فارسی عنوان مقاله:

    طبقه بندی مبتنی بر بینایی کامپیوتری شدت پاشش بتن با استفاده از ماشین تقویت کننده گرادیان قویا بهینه شده فراابتکاری و شبکه عصبی پیچیده عمیق


    منبع:

    ScienceDirect- Elsevier- Automation in Construction, 140 (2022) 104371: doi:10:1016/j:autcon:2022:104371


    نویسنده:

    Hieu Nguyen


    چکیده انگلیسی:

    This paper presents alternative solutions for classifying concrete spall severity based on computer vision ap- proaches. Extreme Gradient Boosting Machine (XGBoost) and Deep Convolutional Neural Network (DCNN) are employed for categorizing image samples into two classes: shallow spall and deep spall. To delineate the properties of a concrete surface subject to spall, texture descriptors including local binary pattern, center sym- metric local binary pattern, local ternary pattern, and attractive repulsive center symmetric local binary pattern (ARCS-LBP) are employed as feature extraction methods. In addition, the prediction performance of XGBoost is enhanced by Aquila optimizer metaheuristic. Meanwhile, DCNN is capable of performing image classification directly without the need for texture descriptors. Experimental results with a dataset containing real-world concrete surface images and 20 independent model evaluations point out that the XGBoost optimized by the Aquila metaheuristic and used with ARCS-LBP has achieved an outstanding classification performance with a classification accuracy rate of roughly 99%.
    keywords: شدت ریزش بتن | دستگاه افزایش گرادیان | الگوی باینری محلی | فراماسونری | یادگیری عمیق | Concrete spall severity | Gradient boosting machine | Local binary pattern | Metaheuristic | Deep learning


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 14
    حجم فایل: 3018 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 1062 :::::::: بازدید دیروز: 9785 :::::::: بازدید کل: 24980 :::::::: افراد آنلاین: 32