基于深度残差反向传播神经网络的钢筋腐蚀检测

针对小样本数据下浅层神经网络模型拟合能力不足，而加深网络层数出现网络性能退化问题，提出一种双跳跃深度残差BP神经网络模型，每个残差块堆叠三个同维度网络层，在网络的一、二层和一、三层之间加入双跳跃连接，增强浅层低非线性度特征信息向深层网络的直接传递和重复利用，且在反向传播过程中避免了梯度消失，提升模型分类准确率。同时引入一阶矩估计梯度指数加权平均因子对Adam算法中影响学习率的二阶矩估计梯度进行调整，优化网络的收敛能力。将改进后的算法模型用于钢筋腐蚀样本数据训练及测试，仿真结果表明，改进后的算法模型具有更好的分类性能。