CN106548182A - 基于深度学习和主成因分析的路面裂纹检测方法及装置 - Google Patents
基于深度学习和主成因分析的路面裂纹检测方法及装置 Download PDFInfo
- Publication number
- CN106548182A CN106548182A CN201610945848.0A CN201610945848A CN106548182A CN 106548182 A CN106548182 A CN 106548182A CN 201610945848 A CN201610945848 A CN 201610945848A CN 106548182 A CN106548182 A CN 106548182A
- Authority
- CN
- China
- Prior art keywords
- crackle
- subgraph
- neural networks
- convolutional neural
- pavement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习和主成因分析的路面裂纹检测方法,采集路面图像;将路面图像进行灰度化处理;再将每个路面图像裁剪为W×V个大小为K×K像素的子图像;人工挑选包含裂纹的子图像和不包含裂纹的子图像,分别作为正样本和负样本,共同作为训练卷积神经网络的训练集;建立卷积神经网络,用训练集训练这个卷积神经网络,利用训练好的卷积神经网络对经过预处理的待分析路面图像进行检测,自动提取包含裂纹的子图像;裂纹类型分析:通过对裂纹子图像的分布进行PCA计算,求得特征值和特征向量,判断裂纹种类。本发明利用卷积神经网络,对路面图像进行自动提取裂纹,实现道路裂纹检测和裂纹种类判断,为后续检测道路裂纹类型提供判断依据。
Description
技术领域
本发明涉及模式识别领域,具体涉及一种基于深度学习和主成因分析的路面裂纹检测方法及装置。
背景技术
近年来,随着公路特别是高速公路的建设不断加快,道路维护尤其是道路裂纹病害的问题也日益严峻,其中,道路裂纹主要分为横向裂纹、纵向裂纹和网状裂纹,三种裂纹的形成机理不同,因此需要用不同的方法进行修复,通过检测裂纹的类型,能够提供有针对性的修复意见,同时为路面进一步的维护提供参考。目前,人工检测是道路裂纹检测的主流手段,不仅耗时长,效率低而且受检测者的主观感受影响,容易导致误检和漏检。随着计算机视觉技术的发展,通过深度学习进行图像识别已广泛的应用到计算机视觉中,相比于传统图像识别技术,利用深度学习识别图像,该方法具有识别率高,鲁棒性强。利用深度学习检测道路裂纹,该方法适用于复杂路面的裂纹识别,检测出的裂纹具有较高的可信度。
目前,在道路裂纹检测方面以有了一些成果,例如已申请的专利CN102912714A,申请日2013年2月6日,专利名为“一种用于路面裂纹图像采集与处理的机器视觉系统”,公开了一种利用图像增强,阈值分割和图像特征匹配的道路裂纹检测预方法。已申请的专利CN104392224A,申请日2014年12月4日,专利名为“一种公路路面裂纹检测方法”,公开了一种利用梯度直方图和支持向量机进行道路裂纹识别的方法。
发明内容
本发明要解决的技术问题是:提供一种基于深度学习和主成因分析的路面裂纹检测方法及装置,为后续检测道路裂纹类型提供判断依据。
本发明为解决上述技术问题所采取的技术方案为:一种基于深度学习和主成因分析的路面裂纹检测方法,其特征在于:它包括以下步骤:
S1、采集路面图像;
S2、对路面图像进行预处理:
将路面图像进行灰度化处理;再将每个路面图像裁剪为W×V个大小为K×K像素的子图像;
S3、建立训练集:
人工挑选包含裂纹的子图像和不包含裂纹的子图像,分别作为正样本和负样本,共同作为训练卷积神经网络的训练集;
S4、训练卷积神经网络和检测裂纹:
建立一个多层结构的卷积神经网络,并用训练集训练这个卷积神经网络,利用训练好的卷积神经网络对经过预处理的待分析路面图像进行检测,自动提取包含裂纹的子图像;
S5、裂纹类型分析:
通过对裂纹子图像的分布进行PCA计算,求得特征值和特征向量,判断裂纹种类。
按上述方法,S4中的卷积神经网络为6层,其中前4层依次为卷积层C1、池化层S1、卷积层C2和池化层S2,后2层为全连接层,其中C1为16个5×5的卷积核,S1为3×3的区域的最大池化,C2为16个5×5的卷积核,S2为4×4的区域最大池化,最后两层为全连接层;
输入为标记好的裁剪后的子图像,通过随机下降法对卷积神经网络的参数进行调整,从而完成卷积神经网络的训练。
按上述方法,S4中利用训练好的卷积神经网络检测待分析路面图像裁剪后的子图像中的裂纹,分别得到属于裂纹和不属于裂纹的概率,比较两个概率的大小,进而判断子图像中是否包含裂纹,1表示包含裂纹,0表示不包含裂纹,最后输出M×N的二值矩阵。
按上述方法,S5的具体步骤如下:
5.1、建立裂纹子图像坐标:
以待分析路面图像的左下角为原点,水平向右为x方向,垂直向上为y轴方向,建立二维笛卡尔坐标系,以裁剪后的子图像的长度为单位长度,图像方块的中点为子图像的坐标;
根据S4得到的M×N的二值矩阵,记录包含裂纹的子图像的坐标,得到一个M×2的坐标矩阵;
5.2、特征去中心化:
求M×2的坐标矩阵A的每一列的平均值X1和X2,坐标矩阵的元素减去对应列的平均值,得到新的矩阵B,其大小为M×2;
B=[X Y]
其中,X、Y均为M×1的向量;
5.3、协方差矩阵:
求B的协方差矩阵P,其中
5.4、网状裂纹的判定:
提取矩阵B的特征值σ1和σ2以及对应的特征向量ν1和ν2,比较两个特征值的大小,通过求最大特征值σmax和最小特征值σmin的商α
判断裂纹是否属于网状裂纹;若α<80,则裂纹属于非线性裂纹即网状裂纹;若α>80,则裂纹属于线性裂纹;
5.5、横向裂纹和纵向裂纹的判定:
提取最大特征值σmax对应的特征向量ν,其为[w1 w2],该特征向量ν为主方向,根据该特征向量ν求得线性裂纹的方向角度θ
当0°≤θ≤45°,则该裂纹为横向裂纹,当45°≤θ≤90°,则该裂纹为纵向裂纹。
一种基于深度学习和主成因分析的路面裂纹检测装置,其特征在于:它包括机械结构和硬件结构;其中
硬件结构包括图像采集单元、数据传输单元、数据处理单元、以及供电单元,图像采集单元采集的路面图像通过数据传输单元传输至数据处理单元,数据处理单元采用所述的基于深度学习和主成因分析的路面裂纹检测方法进行裂纹检测;供电单元为数据采集单元和数据处理单元供电;
机械结构包括用于在路面上移动的移动平台,数据处理单元和供电模块放置在移动平台中;所述的图像采集单元通过刚性固定机构与移动平台固定连接。
按上述装置,所述的图像采集单元为CMOS图像传感器。
本发明的有益效果为:本发明利用卷积神经网络,能够对路面图像进行自动提取裂纹,并且实现道路裂纹检测和裂纹种类判断,为后续检测道路裂纹类型提供判断依据。
附图说明
图1为本发明一实施例的装置结构示意图。
图2为本发明一实施例的方法流程图。
图3为本发明一实施例的数据采集方式结构图。
图4为本发明一实施例采集的路面图像。
图5为本发明一实施例的实际效果处理图。
图6为裂纹图像坐标系。
图中:1.图像采集单元;2.数据传输模块;3.刚性固定机构;4.数据处理单元;5.供电模块;6.移动平台;7.信号转换模块,8.导线,9.路面。
具体实施方式
下面结合具体实例和附图对本发明做进一步说明。
本发明提供一种基于深度学习和主成因分析的路面裂纹检测方法,如图2所示,它包括以下步骤:
S1、采集路面图像。
S2、对路面图像进行预处理:
将路面图像进行灰度化处理;再将每个路面图像裁剪为W×V个大小为K×K像素的子图像。
S3、建立训练集:
人工挑选包含裂纹的子图像和不包含裂纹的子图像,分别作为正样本和负样本,共同作为训练卷积神经网络的训练集。
S4、训练卷积神经网络和检测裂纹:
建立一个多层结构的卷积神经网络,并用训练集训练这个卷积神经网络,利用训练好的卷积神经网络对经过预处理的待分析路面图像进行检测,自动提取包含裂纹的子图像。
以6层的卷积神经网络为例,前4层依次为卷积层C1、池化层S1、卷积层C2和池化层S2,后2层为全连接层,其中C1为16个5×5的卷积核,S1为3×3的区域的最大池化,C2为16个5×5的卷积核,S2为4×4的区域最大池化,最后两层为全连接层;
输入为标记好的裁剪后的子图像,通过随机下降法对卷积神经网络的参数进行调整,从而完成卷积神经网络的训练。
利用训练好的卷积神经网络检测待分析路面图像裁剪后的子图像中的裂纹,分别得到属于裂纹和不属于裂纹的概率,比较两个概率的大小,进而判断子图像中是否包含裂纹,1表示包含裂纹,0表示不包含裂纹,最后输出M×N的二值矩阵。
S5、裂纹类型分析:
通过对裂纹子图像的分布进行PCA计算,求得特征值和特征向量,判断裂纹种类。
S5的具体步骤如下:
5.1、建立裂纹子图像坐标:
以待分析路面图像的左下角为原点,水平向右为x方向,垂直向上为y轴方向,建立二维笛卡尔坐标系,以裁剪后的子图像的长度为单位长度,图像方块的中点为方块的坐标;
根据S4得到的M×N的二值矩阵,记录包含裂纹的子图像的坐标,得到一个M×2的坐标矩阵A;
5.2、特征去中心化:
求M×2的坐标矩阵A的每一列的平均值X1和X2,坐标矩阵的元素减去对应列的平均值,得到新的矩阵B,其大小为M×2;
B=[X Y]
其中,X、Y均为M×1的向量;
5.3、协方差矩阵:
求B的协方差矩阵P,其中
5.4、网状裂纹的判定:
提取矩阵B的特征值σ1和σ2以及对应的特征向量ν1和ν2,比较两个特征值的大小,通过求最大特征值σmax和最小特征值σmin的商α
判断裂纹是否属于网状裂纹;若α<80,则裂纹属于非线性裂纹即网状裂纹;若α>80,则裂纹属于线性裂纹;
5.5、横向裂纹和纵向裂纹的判定:
提取最大特征值σmax对应的特征向量ν,其为[w1 w2],该特征向量ν为主方向,根据该特征向量ν求得线性裂纹的方向角度θ
当0°≤θ≤45°,则该裂纹为横向裂纹,当45°≤θ≤90°,则该裂纹为纵向裂纹。
一种基于深度学习和主成因分析的路面裂纹检测装置,如图1所示,它包括机械结构和硬件结构;其中硬件结构包括图像采集单元1、数据传输单元、数据处理单元4、以及供电单元5,图像采集单元1采集的路面图像通过数据传输单元传输至数据处理单元4,数据处理单元4采用所述的基于深度学习和主成因分析的路面裂纹检测方法进行裂纹检测;供电单元5为数据采集单元1和数据处理单元4供电;机械结构包括用于在路面9上移动的移动平台6,数据处理单元4和供电模块5放置在移动平台6中;所述的图像采集单元1通过刚性固定机构3与移动平台6固定连接。
本实施例中,所述的图像采集单元1为CMOS图像传感器,分辨率为3264×2448,焦距为29mm,光圈为f2.0。数据传输单元由数据传输模块2和信号转换模块7组成,其传输速度为47.8M/s,通过lighting接口和USB接口分别与图像采集单元1和数据处理单元4连接;数据传输模块2实现信号在图像采集单元1和数据处理单元4传输。信号转换模块7实现lighting接口信号与USB接口信号转换。
数据处理单元4为一台下位机,其CPU主频为2.2GHz,内存为4GB,还可以包括显示单元,该下位机用于根据移动平台6的移动速度,控制CMOS图像传感器以一定的频率采集路面图像,并对CMOS图像传感器采集的路面图像进行处理,从而得到最终结果并显示最终结果。
所述的供电单元5由蓄电池和逆变器组成。蓄电池提供12V直流电,通过逆变器将12V直流电转换为220V交流电,并通过导线8进行电力传输,为整套设备提供电力支持。
移动平台6以固定速度沿路面9前进,刚性固定机构3保证图像采集单元1与移动平台6相对静止。
实施例:
1.数据采集
图像采集单元1的主要部件CMOS图像传感器与地面平行,其与地面的距离保持一定距离(1.2m-1.5m),通过刚性固定机构3固定于移动平台6上,使CMOS图像传感器不与移动平台6发生相对位移,由移动平台6搭载所有设备沿道路方向以一定速度前进,如图3所示,根据前进速度,由数据处理单元4控制CMOS图像传感器的图像采集频率,从而使路面信息被充分采集。其中CMOS图像传感器的分辨率为3264×2448,焦距为29mm,光圈为f2.0,采集的路面图像如图4(a)、(b)、(c)所示。
2.数据传输
CMOS图像传感器和下位机之间的数据传输是通过数据传输模块2和信号转换模块7实现,其具体为:采集的数据通过CMOS图像传感器的Lighting接口传出数据,通过信号转换模块7实现数据在lighting接口与USB接口转换,之后通过USB接口将数据传入下位机,实现数据接收。下位机发送控制数据的传输过程与接收数据的接受过程相反,由下位机将数据通过USB接口传输,再通过信号转换模块处理后,通过Lighting接口传送给CMOS图像传感器,实现控制命令传送。其中Lighting接口、USB接口、信号转换模块、CMOS图像传感器和下位机之间通过数据传输模块2相连接,实现数据传输。
3.图像预处理
将所有通过CMOS图像传感器采集得到的3264×2448图片进行图像预处理,其具体为:首先将图片大小调整至960×768,并进行灰度化处理,将一张图片裁剪成W×V个K×K像素的子图像,用同样方法处理所有图片,实现图像预处理。
4.训练集的建立
在所有图片中人工挑选出若干张包含裂纹的图片,经过图像预处理后,用人工挑选的方法在这些图片中挑选Q个(N>30000)大小为K×K的包含裂纹的子图像和Q个大小为K×K的不包含裂纹的子图像,并对每个子图像进行标记,将包含裂纹的图像标记为正样本,不包含裂纹的图像标记为负样本,用1表示正样品,0为负样品,在本实施例中Q=50000,K=64。
5.训练卷积神经网络和检测裂纹
本次以6层卷积神经网络为例,通过建立一个6层神经网络,前四层分别为卷积层C1,池化层S1,卷积层C2,池化层S2,后两层为全连接层,卷积神经网络的具体结构为:C1为16个5×5的卷积核,S1为3×3的区域的最大池化,C2为16个5×5的卷积核,S2为4×4的区域最大池化,最后两层为全连接层。训练卷积神经网络的输入是标记好的裁剪子图像,通过随机下降法对卷积神经网络的参数进行调整,从而完成卷积神经网络的训练。通过训练好的卷积神经网络检测道路图片,具体为:输入一张经过图像预处理后的图片,利用训练好的卷积神经网络检测图片中子图像中裂纹,分别得到属于裂纹和不属于裂纹的概率,比较两个概率的大小,进而判断块中是否包含裂纹,1表示包含裂纹,0表示不包含裂纹,最后输出为M×N的二值矩阵。
如图5所示,(1)、(4)、(7)为待分析路面图像,经卷积神经网络检测出裂纹后的图像对应为(2)、(5)、(8),最后比较判断之后得到的图像为(3)、(6)、(9)。
6.裂纹类型分析
通过卷积神经网络检测后得到M×N的二值矩阵,利用PCA对该矩阵进行分析,进而得到道路裂纹的类型。其具体步骤如下:
(1)建立裂纹子图像坐标
以待分析路面图像的左下角为原点,水平向右为x方向,垂直向上为y轴方向,建立二维笛卡尔坐标系,以裁剪后的子图像的长度为单位长度,子图像的中点为子图像的坐标,如图6所示,方块1的坐标为(1.5,0.5),记录包含裂纹子图像的坐标,得到一个M×2的坐标矩阵A。
(2)特征去中心化
求M×2坐标矩阵A的每一列的平均值X1和X2,坐标矩阵的元素减去对应列的平均值,得到新的矩阵B,其大小为M×2。
B=[X Y]
其中,X,Y为M×1的向量。
(3)协方差矩阵
求B协方差矩阵P,其中
(4)网状裂纹的判定
提取矩阵B的特征值σ1和σ2以及对应的特征向量ν1和ν2,比较两个特征值的大小,通过求最大特征值σmax和最小特征值σmin的商α
判断裂纹是否属于网状裂纹。若α<80,则裂纹属于非线性裂纹即网状裂纹,若α>80,则裂纹属于线性裂纹,在下一步进一步判断该裂纹是横向裂纹还是纵向裂纹。
(5)横向裂纹和纵向裂纹的判定
提取最大特征值σmax对应的特征向量ν,其为[w1 w2],该特征向量为主方向,根据该特征向量求得线性裂纹的方向角度θ
当0°≤θ≤45°,则该裂纹为横向裂纹,当45°≤θ≤90°,则该裂纹为纵向裂纹。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习和主成因分析的路面裂纹检测方法,其特征在于:它包括以下步骤:
S1、采集路面图像;
S2、对路面图像进行预处理:
将路面图像进行灰度化处理;再将每个路面图像裁剪为W×V个大小为K×K像素的子图像;
S3、建立训练集:
人工挑选包含裂纹的子图像和不包含裂纹的子图像,分别作为正样本和负样本,共同作为训练卷积神经网络的训练集;
S4、训练卷积神经网络和检测裂纹:
建立一个多层结构的卷积神经网络,并用训练集训练这个卷积神经网络,利用训练好的卷积神经网络对经过预处理的待分析路面图像进行检测,自动提取包含裂纹的子图像;
S5、裂纹类型分析:
通过对裂纹子图像的分布进行PCA计算,求得特征值和特征向量,判断裂纹种类。
2.根据权利要求1所述的基于深度学习和主成因分析的路面裂纹检测方法,其特征在于:S4中的卷积神经网络为6层,其中前4层依次为卷积层C1、池化层S1、卷积层C2和池化层S2,后2层为全连接层,其中C1为16个5×5的卷积核,S1为3×3的区域的最大池化,C2为16个5×5的卷积核,S2为4×4的区域最大池化,最后两层为全连接层;
输入为标记好的裁剪后的子图像,通过随机下降法对卷积神经网络的参数进行调整,从而完成卷积神经网络的训练。
3.根据权利要求1或2所述的基于深度学习和主成因分析的路面裂纹检测方法,其特征在于:S4中利用训练好的卷积神经网络检测待分析路面图像裁剪后的子图像中的裂纹,分别得到属于裂纹和不属于裂纹的概率,比较两个概率的大小,进而判断子图像中是否包含裂纹,1表示包含裂纹,0表示不包含裂纹,最后输出M×N的二值矩阵。
4.根据权利要求3所述的基于深度学习和主成因分析的路面裂纹检测方法,其特征在于:S5的具体步骤如下:
5.1、建立裂纹子图像坐标:
以待分析路面图像的左下角为原点,水平向右为x方向,垂直向上为y轴方向,建立二维笛卡尔坐标系,以裁剪后的子图像的长度为单位长度,图像方块的中点为子图像的坐标;
根据S4得到的M×N的二值矩阵,记录包含裂纹的子图像的坐标,得到一个M×2的坐标矩阵A;
5.2、特征去中心化:
求M×2的坐标矩阵A的每一列的平均值X1和X2,坐标矩阵的元素减去对应列的平均值,得到新的矩阵B,其大小为M×2;
B=[X Y]
其中,X、Y均为M×1的向量;
5.3、协方差矩阵:
求B的协方差矩阵P,其中
5.4、网状裂纹的判定:
提取矩阵B的特征值σ1和σ2以及对应的特征向量ν1和ν2,比较两个特征值的大小,通过求最大特征值σmax和最小特征值σmin的商α;
判断裂纹是否属于网状裂纹;若α<80,则裂纹属于非线性裂纹即网状裂纹;若α>80,则裂纹属于线性裂纹;
5.5、横向裂纹和纵向裂纹的判定:
提取最大特征值σmax对应的特征向量ν,其为[w1w2],该特征向量ν为主方向,根据该特征向量ν求得线性裂纹的方向角度θ
当0°≤θ≤45°,则该裂纹为横向裂纹,当45°≤θ≤90°,则该裂纹为纵向裂纹。
5.一种基于深度学习和主成因分析的路面裂纹检测装置,其特征在于:它包括机械结构和硬件结构;其中
硬件结构包括图像采集单元、数据传输单元、数据处理单元、以及供电单元,图像采集单元采集的路面图像通过数据传输单元传输至数据处理单元,数据处理单元采用权利要求1至4中任意一项所述的基于深度学习和主成因分析的路面裂纹检测方法进行裂纹检测;供电单元为数据采集单元和数据处理单元供电;
机械结构包括用于在路面上移动的移动平台,数据处理单元和供电模块放置在移动平台中;所述的图像采集单元通过刚性固定机构与移动平台固定连接。
6.根据权利要求5所述的基于深度学习和主成因分析的路面裂纹检测装置,其特征在于:所述的图像采集单元为CMOS图像传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610945848.0A CN106548182B (zh) | 2016-11-02 | 2016-11-02 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610945848.0A CN106548182B (zh) | 2016-11-02 | 2016-11-02 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106548182A true CN106548182A (zh) | 2017-03-29 |
CN106548182B CN106548182B (zh) | 2020-02-18 |
Family
ID=58393784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610945848.0A Active CN106548182B (zh) | 2016-11-02 | 2016-11-02 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106548182B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480679A (zh) * | 2017-04-20 | 2017-12-15 | 北京工业大学 | 基于卷积神经网络的分类和连通区域分析的路网提取方法 |
CN107704837A (zh) * | 2017-10-19 | 2018-02-16 | 千寻位置网络有限公司 | 道路网拓扑和几何信息的提取方法 |
CN107862249A (zh) * | 2017-10-18 | 2018-03-30 | 太原理工大学 | 一种分叉掌纹识别方法及装置 |
CN107871133A (zh) * | 2017-12-27 | 2018-04-03 | 中公高科养护科技股份有限公司 | 边缘检测网络的优化方法、路面病害的识别方法及系统 |
CN108197655A (zh) * | 2018-01-03 | 2018-06-22 | 重庆亲禾智千科技有限公司 | 基于主成分分析与神经网络的路面破损病害图像分类方法 |
CN108765381A (zh) * | 2018-05-15 | 2018-11-06 | 南水北调东线山东干线有限责任公司 | 一种水利工程裂纹提取方法及系统、信息处理终端 |
CN109029381A (zh) * | 2018-10-19 | 2018-12-18 | 石家庄铁道大学 | 一种隧道裂缝的检测方法、系统及终端设备 |
CN109460738A (zh) * | 2018-11-14 | 2019-03-12 | 吉林大学 | 一种基于无损失函数的深度卷积神经网络的路面类型估算方法 |
CN110044905A (zh) * | 2019-03-27 | 2019-07-23 | 北京好运达智创科技有限公司 | 一种双块式轨枕的裂纹检测方法 |
WO2019148729A1 (zh) * | 2018-02-01 | 2019-08-08 | 平安科技(深圳)有限公司 | 奢侈品辨别方法、电子装置及存储介质 |
CN110335255A (zh) * | 2019-06-14 | 2019-10-15 | 华南农业大学 | 一种基于深度学习的水坝斜坡裂缝检测方法及仿生壁虎爬行检测装置 |
CN111241994A (zh) * | 2020-01-09 | 2020-06-05 | 中国交通通信信息中心 | 一种深度学习的遥感影像农村公路砂化路段的提取方法 |
CN111583229A (zh) * | 2020-05-09 | 2020-08-25 | 江苏野马软件科技有限公司 | 一种基于卷积神经网络路面故障检测方法 |
CN111781208A (zh) * | 2020-07-24 | 2020-10-16 | 河南省交通规划设计研究院股份有限公司 | 一种道路裂缝检测装置 |
CN112327165A (zh) * | 2020-09-21 | 2021-02-05 | 电子科技大学 | 一种基于无监督迁移学习的电池soh预测方法 |
CN113607546A (zh) * | 2021-08-10 | 2021-11-05 | 西北工业大学 | 一种裂纹测量方法 |
CN113706472A (zh) * | 2021-07-30 | 2021-11-26 | 中国公路工程咨询集团有限公司 | 公路路面病害检测方法、装置、设备及存储介质 |
CN114414660A (zh) * | 2022-03-18 | 2022-04-29 | 盐城工学院 | 一种铁路车辆轮对的轴号和裂纹识别方法 |
US20220254169A1 (en) * | 2019-06-28 | 2022-08-11 | Nec Corporation | Road surface inspection apparatus, road surface inspection method, and program |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048329A (zh) * | 2012-12-11 | 2013-04-17 | 北京恒达锦程图像技术有限公司 | 一种基于主动轮廓模型的路面裂缝检测方法 |
CN104392224A (zh) * | 2014-12-04 | 2015-03-04 | 西南交通大学 | 一种公路路面裂纹检测方法 |
CN104504388A (zh) * | 2014-12-17 | 2015-04-08 | 长安大学 | 一种路面裂缝识别和特征提取算法及系统 |
CN105719283A (zh) * | 2016-01-18 | 2016-06-29 | 苏州科技学院 | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 |
-
2016
- 2016-11-02 CN CN201610945848.0A patent/CN106548182B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048329A (zh) * | 2012-12-11 | 2013-04-17 | 北京恒达锦程图像技术有限公司 | 一种基于主动轮廓模型的路面裂缝检测方法 |
CN104392224A (zh) * | 2014-12-04 | 2015-03-04 | 西南交通大学 | 一种公路路面裂纹检测方法 |
CN104504388A (zh) * | 2014-12-17 | 2015-04-08 | 长安大学 | 一种路面裂缝识别和特征提取算法及系统 |
CN105719283A (zh) * | 2016-01-18 | 2016-06-29 | 苏州科技学院 | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 |
Non-Patent Citations (2)
Title |
---|
LEI ZHANG ET AL.: "Road crack detection using deep convolutional neural network", 《2016 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
刘德超: "基于图像处理的路面裂纹识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480679A (zh) * | 2017-04-20 | 2017-12-15 | 北京工业大学 | 基于卷积神经网络的分类和连通区域分析的路网提取方法 |
CN107480679B (zh) * | 2017-04-20 | 2021-08-17 | 北京工业大学 | 基于卷积神经网络的分类和连通区域分析的路网提取方法 |
CN107862249A (zh) * | 2017-10-18 | 2018-03-30 | 太原理工大学 | 一种分叉掌纹识别方法及装置 |
CN107862249B (zh) * | 2017-10-18 | 2021-08-17 | 太原理工大学 | 一种分叉掌纹识别方法及装置 |
CN107704837A (zh) * | 2017-10-19 | 2018-02-16 | 千寻位置网络有限公司 | 道路网拓扑和几何信息的提取方法 |
CN107871133A (zh) * | 2017-12-27 | 2018-04-03 | 中公高科养护科技股份有限公司 | 边缘检测网络的优化方法、路面病害的识别方法及系统 |
CN108197655A (zh) * | 2018-01-03 | 2018-06-22 | 重庆亲禾智千科技有限公司 | 基于主成分分析与神经网络的路面破损病害图像分类方法 |
WO2019148729A1 (zh) * | 2018-02-01 | 2019-08-08 | 平安科技(深圳)有限公司 | 奢侈品辨别方法、电子装置及存储介质 |
CN108765381A (zh) * | 2018-05-15 | 2018-11-06 | 南水北调东线山东干线有限责任公司 | 一种水利工程裂纹提取方法及系统、信息处理终端 |
CN108765381B (zh) * | 2018-05-15 | 2022-04-15 | 南水北调东线山东干线有限责任公司 | 一种水利工程裂纹提取方法及系统、信息处理终端 |
CN109029381B (zh) * | 2018-10-19 | 2021-04-06 | 石家庄铁道大学 | 一种隧道裂缝的检测方法、系统及终端设备 |
CN109029381A (zh) * | 2018-10-19 | 2018-12-18 | 石家庄铁道大学 | 一种隧道裂缝的检测方法、系统及终端设备 |
CN109460738A (zh) * | 2018-11-14 | 2019-03-12 | 吉林大学 | 一种基于无损失函数的深度卷积神经网络的路面类型估算方法 |
CN110044905A (zh) * | 2019-03-27 | 2019-07-23 | 北京好运达智创科技有限公司 | 一种双块式轨枕的裂纹检测方法 |
CN110335255B (zh) * | 2019-06-14 | 2023-04-18 | 华南农业大学 | 一种水坝斜坡裂缝检测方法及仿生壁虎爬行检测装置 |
CN110335255A (zh) * | 2019-06-14 | 2019-10-15 | 华南农业大学 | 一种基于深度学习的水坝斜坡裂缝检测方法及仿生壁虎爬行检测装置 |
US20220254169A1 (en) * | 2019-06-28 | 2022-08-11 | Nec Corporation | Road surface inspection apparatus, road surface inspection method, and program |
CN111241994B (zh) * | 2020-01-09 | 2024-02-20 | 中国交通通信信息中心 | 一种深度学习的遥感影像农村公路砂化路段的提取方法 |
CN111241994A (zh) * | 2020-01-09 | 2020-06-05 | 中国交通通信信息中心 | 一种深度学习的遥感影像农村公路砂化路段的提取方法 |
CN111583229B (zh) * | 2020-05-09 | 2024-01-05 | 江苏野马软件科技有限公司 | 一种基于卷积神经网络路面故障检测方法 |
CN111583229A (zh) * | 2020-05-09 | 2020-08-25 | 江苏野马软件科技有限公司 | 一种基于卷积神经网络路面故障检测方法 |
CN111781208B (zh) * | 2020-07-24 | 2023-03-31 | 河南省交通规划设计研究院股份有限公司 | 一种道路裂缝检测装置 |
CN111781208A (zh) * | 2020-07-24 | 2020-10-16 | 河南省交通规划设计研究院股份有限公司 | 一种道路裂缝检测装置 |
CN112327165A (zh) * | 2020-09-21 | 2021-02-05 | 电子科技大学 | 一种基于无监督迁移学习的电池soh预测方法 |
CN112327165B (zh) * | 2020-09-21 | 2021-07-13 | 电子科技大学 | 一种基于无监督迁移学习的电池soh预测方法 |
CN113706472A (zh) * | 2021-07-30 | 2021-11-26 | 中国公路工程咨询集团有限公司 | 公路路面病害检测方法、装置、设备及存储介质 |
CN113607546A (zh) * | 2021-08-10 | 2021-11-05 | 西北工业大学 | 一种裂纹测量方法 |
CN114414660A (zh) * | 2022-03-18 | 2022-04-29 | 盐城工学院 | 一种铁路车辆轮对的轴号和裂纹识别方法 |
CN114414660B (zh) * | 2022-03-18 | 2024-01-12 | 盐城工学院 | 一种铁路车辆轮对的轴号和裂纹识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106548182B (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106548182A (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
CN108171184B (zh) | 基于Siamese网络的用于行人重识别的方法 | |
CN102855622B (zh) | 一种基于显著性分析的红外遥感图像海面船只检测方法 | |
CN103886308B (zh) | 一种使用聚合通道特征和软级联分类器的行人检测方法 | |
CN109800736A (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN101271514B (zh) | 一种快速目标检测和目标输出的图像检测方法及装置 | |
CN107292343A (zh) | 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法 | |
CN104008551B (zh) | 一种基于可见光图像的柑橘黄龙病检测方法 | |
CN102621150A (zh) | 基于灰度共生矩阵和支持向量机的飞机蒙皮损伤识别方法 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN107978110A (zh) | 基于图像匹配的电子围栏智能在位识别系统及识别方法 | |
CN103390164A (zh) | 基于深度图像的对象检测方法及其实现装置 | |
CN111640101A (zh) | 基于Ghost卷积特征融合神经网络实时车流量检测系统及方法 | |
CN111368690A (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
CN103413145A (zh) | 基于深度图像的关节点定位方法 | |
CN115862073B (zh) | 一种基于机器视觉的变电站危害鸟种目标检测和识别方法 | |
CN106874902A (zh) | 一种车牌信息识别方法及装置 | |
CN108038424A (zh) | 一种适用于高空作业的视觉自动化检测方法 | |
CN103440035A (zh) | 一种三维空间中的手势识别系统及其识别方法 | |
Yusof et al. | Automated asphalt pavement crack detection and classification using deep convolution neural network | |
US20220315243A1 (en) | Method for identification and recognition of aircraft take-off and landing runway based on pspnet network | |
CN103971106A (zh) | 多视角人脸图像性别识别方法及装置 | |
CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
CN105069451A (zh) | 一种基于双目摄像头的车牌识别与定位方法 | |
CN105718964A (zh) | 一种输电线防振锤的视觉检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230614 Address after: No. 1 Fenghuangyuan Third Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430202 Patentee after: Wuhan Guangyu Mingsheng Intelligent Technology Co.,Ltd. Address before: 430070 Hubei Province, Wuhan city Hongshan District Luoshi Road No. 122 Patentee before: WUHAN University OF TECHNOLOGY |