CN107316064A - 一种基于卷积神经网络的沥青路面裂缝分类识别方法 - Google Patents
一种基于卷积神经网络的沥青路面裂缝分类识别方法 Download PDFInfo
- Publication number
- CN107316064A CN107316064A CN201710495290.5A CN201710495290A CN107316064A CN 107316064 A CN107316064 A CN 107316064A CN 201710495290 A CN201710495290 A CN 201710495290A CN 107316064 A CN107316064 A CN 107316064A
- Authority
- CN
- China
- Prior art keywords
- crack
- mrow
- neural networks
- convolutional neural
- msubsup
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的沥青路面裂缝分类识别方法,通过依据不同宽度与形状裂缝的修补策略不同,将道路裂缝分类,对样本图片做相应标记并预处理,训练搭建好的卷积神经网络,运用训练好的卷积神经网络分类出图片裂缝信息,依据裂缝宽度和形状划分裂缝严重等级,按照预先的分类的方式将图像中的裂缝信息自动分类出来,并且进行严重等级划分,不仅提高了裂缝识别的效率,而且极大的方便了道路养护与维修工作,利用卷积神经网络算法作为分类器对道路裂缝进行分类;卷积神经网络是分层神经网络,由卷积层和采样层交替组成,能够隐式的从训练数据中学习特征,对于无规律、无显著特征的裂缝做分类时,具有较大优势。
Description
技术领域
本发明属于道路裂缝分类识别技术领域,具体涉及一种基于卷积神经网络的沥青路面裂缝分类识别方法。
背景技术
近年来我国道路建设大规模发展,与此同时道路的养护也成为了重要的工作内容,并且裂缝的检测与分类识别在养护中占很大一部分。在道路使用过程中,路面的寿命会随着车辆载荷以及周围环境的影响逐渐减少,造成道路使用效率以及车辆行驶安全性大大降低。引起道路出现裂缝的原因有很多,不同原因生成裂缝的不同形状,并且对于不同宽度与形状的裂缝,修补策略有很大的区别。现如今我国公路的消耗不断增加,道路裂缝的识别主要依靠人工或者半自动方式,但是这种方式不仅需要消耗大量人力和物力,而且工作效率大大降低,识别的精度和可靠性远远不能满足我国公路的发展需求。
发明内容
本发明的目的在于提供一种基于卷积神经网络的沥青路面裂缝分类识别方法,解决了目前主要依靠人力识别道路裂缝的弊端,运用深度学习算法训练卷积神经网络提高了裂缝分类精度与可靠性,并且划分裂缝严重等级,直观反映出图像中裂缝的严重程度,对于道路损害程度的研究以及裂缝修补策略的制定提供了很大的方便。
为达到上述目的,本发明采用如下技术方案:
一种基于卷积神经网络的沥青路面裂缝分类识别方法,具体包括以下步骤:
1)、首先采集道路路面视频信息;
2)、将裂缝的宽度和形状进行类别划分;
3)、然后建立裂缝图片样本集;
4)、根据步骤3)取得的图片样本集建立卷积神经网络结构模型;
5)、将采集到的道路信息图片传入步骤4)建立的采集道路路面视频信息,经卷积神经网络分类后得出该图片裂缝宽度标签和形状标签;
6)、用分类器将图片划分之后,将裂缝宽度与形状均赋予权重,用两者共同确定此裂缝的严重等级;
7)、最终根据得到的裂缝严重等级与对应道路信息生成图像裂缝信息。
进一步的,步骤1)中,使用带有高分辨率面阵相机和GPS的道路检测车采集不同路段、不同时间段和不同天气条件下的沥青路面视频,并且实时记录视频图片对应的桩号和车道号,桩号用“k”表示,车道号用“#”表示。
进一步的,步骤2)中,分别将裂缝的宽度和形状进行类别划分,将无裂缝信息、宽度信息、形状信息分别标记为N、P和Q;将不含有道路裂缝图像的宽度和形状信息分别标记为NP与NQ;将宽度范围分别为w≤2mm,2<w≤5mm,5<w≤10mm,w>10mm的裂缝依次称为微裂缝、小裂缝、中裂缝和大裂缝,依次标记为P1、P2、P3、P4;对裂缝的形状进行划分为横向裂缝、纵向裂缝、块状裂缝和龟裂裂缝,将其分别标记为Q1、Q2、Q3、Q4。
进一步的,步骤3)中,利用视频软件逐帧截取图片,选取若干张裂缝的图片分为样本集的训练集和测试集;根据实际测量的裂缝信息标记图片裂缝的宽度和形状类别信息,分别作为图片样本的训练类别标签和测试类别标签。
进一步的,然后对选取的样本集图片进行灰度化、直方图均衡、对比度增强的预处理操作。
进一步的,步骤4)中,其中卷积神经网络包括输入层、输出层、2个用于特征提取的卷积层、2个特征优化选取的采样层和1个全连接层;
1)输入层S:
输入层的输入为一幅图像,尺寸为32×32;
2)卷积层C1:
将输入层输入的特征图进行卷积得到卷积层C1的特征图;其计算按公式:
其中表示卷积层C1中第l个特征图的一个神经元,表示与神经元相连的输入层的点,表示卷积层C1中的点与输入层连接点的权重,即是卷积核的值,表示偏置;
3)采样层S2:
采样层S2的特征图通过对卷积层C1的特征图下采样而得到:采样层S2特征图数目与前一层卷积层中的特征数目相一致,内核为2×2;具体采用如下公式:
其中表示S2层的第个特征图的一个神经元,xij表示卷积层C1中与相连的神经元;f表示激活函数,ωj表示连接权重,bj表示偏置;
4)卷积层C3:
卷积层C3将采样层S2的特征图进行卷积得到卷积层C3的特征图,其计算公式可以表示为:
其中m表示C3每层特征图中一个点和采样层S2层特征图的连接个数;表示C3该层特征和S2该层特征相连接的点;S表示C3中单个特征图中有多少个神经元和S2中单个特征图中一个神经元相连接;表示偏置;
5)采样层S4
采样层S4的特征图是通过对卷积层C3的特征图下采样而得到,采样方式和采样层S2得采样方式相同;
6)全连接层
全连接层对采样层S4的特征与进行全连接方式的卷积,得到一维向量;
7)输出层
输出层包含均与全连接层连接的所有神经元。
进一步的,步骤5)中,将道路检测车采集到的道路裂缝用视频软件逐帧截取图片,同一段视频截取的图片划归为同一段裂缝。
进一步的,步骤6)中,用分类器将图片划分之后,将裂缝宽度标签赋予0.45权重系数、将形状标签赋予0.55权重系数,用两者共同确定此裂缝的严重等级;将无裂缝信息的图片严重系数记为0;在宽度分类中,微裂缝、小裂缝、中裂缝和大裂缝的严重等级分别为1-4,记为ωp;在形状分类中,横向裂缝、纵向裂缝、块状裂缝和龟裂裂缝严重等级分别为1-4,记为ωq;则该裂缝严重系数为:
ω=0.45ωp+0.55ωq (4)
将严重系数采用min-max标准化进行归一化处理,其公式为:
根据道路裂缝严重等级划分标准确定出该裂缝的严重等级。
进一步的,将得到的该裂缝图像所对应的桩号、车道号、宽度范围、形状、危险等级五项信息经过数据处理形成一维数组。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种基于卷积神经网络的沥青路面裂缝分类识别方法,通过首先采集道路路面视频信息;然后将裂缝的宽度和形状进行类别划分;然后建立裂缝图片样本集;根据取得的图片样本集建立卷积神经网络结构模型;将采集到的道路信息图片传入建立的采集道路路面视频信息,经卷积神经网络分类后得出该图片裂缝宽度标签和形状标签;用分类器将图片划分之后,将裂缝宽度与形状均赋予权重,用两者共同确定此裂缝的严重等级,最终根据得到的裂缝严重等级与对应道路信息生成图像裂缝信息,本发明依据不同宽度与形状裂缝的修补策略不同,将道路裂缝分类,然后对样本图片做相应标记并预处理,训练搭建好的卷积神经网络,运用训练好的卷积神经网络分类出图片裂缝信息,并且依据裂缝宽度和形状划分裂缝严重等级,以便制定更加完善的维修策略,按照预先的分类的方式将图像中的裂缝信息自动分类出来,并且进行严重等级划分,不仅提高了裂缝识别的效率,而且极大的方便了道路养护与维修工作。
进一步的,通过道路图像采集系统获取沥青道路表面图片,利用卷积神经网络算法作为分类器对道路裂缝进行分类;卷积神经网络是分层神经网络,由卷积层和采样层交替组成,能够隐式的从训练数据中学习特征,对于无规律、无显著特征的裂缝做分类时,具有较大优势。
附图说明
图1为本发明系统流程图。
图2为本发明道路裂缝分类方法图。
图3为本发明卷积神经网络结构图。
图4为本发明道路裂缝图像信息表示方法图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1至图4所示,一种基于卷积神经网络的沥青路面裂缝分类识别方法,具体包括以下步骤:
1)、首先采集道路路面视频信息;
2)、将裂缝的宽度和形状进行类别划分;
3)、然后建立裂缝图片样本集;
4)、根据步骤3)取得的图片样本集建立卷积神经网络结构模型;
5)、将采集到的道路信息图片传入步骤4)建立的采集道路路面视频信息,经卷积神经网络分类后得出该图片裂缝宽度标签和形状标签;
6)、用分类器将图片划分之后,将裂缝宽度与形状均赋予权重,用两者共同确定此裂缝的严重等级;
7)、最终根据得到的裂缝严重等级与对应道路信息生成图像裂缝信息。
具体的,步骤1)中,使用带有高分辨率面阵相机和GPS的道路检测车采集不同路段、不同时间段和不同天气条件下的沥青路面视频,并且实时记录视频图片对应的桩号和车道号,桩号用“k”表示,车道号用“#”表示。
具体的,步骤2)中,分别将裂缝的宽度和形状进行类别划分,将无裂缝信息、宽度信息、形状信息分别标记为N、P和Q;将不含有道路裂缝图像的宽度和形状信息分别标记为NP与NQ;因为不同宽度和形状的裂缝维修策略有很大区别,裂缝的宽度与油渍,阴影部分相比,宽度明显要小,因此依据修补策略对裂缝的宽度进行范围性划分,将宽度范围分别为w≤2mm,2<w≤5mm,5<w≤10mm,w>10mm的裂缝依次称为微裂缝、小裂缝、中裂缝和大裂缝,这四种裂缝宽度依次标记为P1、P2、P3、P4;对裂缝的形状进行划分,沥青路面裂缝类型通常为横向裂缝、纵向裂缝、块状裂缝和龟裂裂缝,将其分别标记为Q1、Q2、Q3、Q4;如表1所示:
表1
标签 | 无宽度(NP) | 微裂缝(P1) | 小裂缝(P2) | 中裂缝(P3) | 大裂缝(P4) |
无形状(NQ) | NPNQ | X | X | X | X |
横向裂缝(Q1) | X | P1Q1 | P2Q1 | P3Q1 | P4Q1 |
纵向裂缝(Q2) | X | P1Q2 | P2Q2 | P3Q2 | P4Q2 |
块状裂缝(Q3) | X | P1Q3 | P2Q3 | P3Q3 | P4Q3 |
龟裂裂缝(Q4) | X | P1Q4 | P2Q4 | P3Q4 | P4Q4 |
具体的,步骤3)中,利用视频软件逐帧截取图片,选取若干张裂缝的图片分为样本集的训练集和测试集;根据实际测量的裂缝信息标记图片裂缝的宽度和形状类别信息,分别作为图片样本的训练类别标签和测试类别标签;然后对选取的样本集图片进行灰度化、直方图均衡、对比度增强的预处理操作。
具体的,步骤4)中,用步骤3)所得样本数据训练并测试调整卷积神经网络模型,将误差控制到最小。其中卷积神经网络包括输入层、输出层、2个用于特征提取的卷积层、2个特征优化选取的采样层和1个全连接层;
1)输入层S:
输入层的输入为一幅图像,尺寸为32×32;
2)卷积层C1:
将输入层输入的特征图进行卷积得到卷积层C1的特征图;采用8个大小为5×5的可训练卷积核进行卷积,卷积层C1的每个特征图中的每个神经元和输入特征图像中的25个点相连接;其计算按公式:
其中表示卷积层C1中第l个特征图的一个神经元,表示与神经元相连的输入层的点,表示卷积层C1中的点与输入层连接点的权重,即是卷积核的值,表示偏置;
3)采样层S2:
采样层S2的特征图是通过对卷积层C1的特征图下采样而得到:采样层S2特征图数目与前一层卷积层中的特征数目相一致,内核为2×2;
其中表示S2层的第个特征图的一个神经元,xij表示卷积层C1中与相连的神经元。f表示激活函数,ωj表示连接权重,bj表示偏置;
4)卷积层C3:
卷积层C3将采样层S2的特征图进行卷积得到卷积层C3的特征图:卷积层C3中的每个神经元连接采样层S2中8个特征图的任意4个特征图,共有个神经元与S2连接,因此卷积层C3采用70个大小为5×5的可训练卷积核进行卷积运算:其计算公式可以表示为:
其中m表示C3每层特征图中一个点和S2层特征图的连接个数;表示C3该层特征和S2该层特征相连接的点;S表示C3中单个特征图中有多少个神经元和S2中单个特征图中一个神经元相连接;表示偏置;
5)采样层S4
采样层S4的特征图是通过对卷积层C3的特征图下采样而得到,采样方式和S2得采样方式相同;
6)全连接层
全连接层对采样层S4的特征与进行全连接方式的卷积,得到一维向量;
7)输出层
本发明对道路裂缝做分类,共有17个分类结果,因此输出层包含17个神经元,均与全连接层的所有神经元连接。输出层输出实际类别,与样本类别标签对比,反向调整权值,直至实际输出与类别标签接近。
步骤5)中,将道路检测车采集到的道路裂缝用视频软件逐帧截取图片,同一段视频截取的图片划归为同一段裂缝;
步骤6)中,用分类器将图片划分之后,将裂缝宽度标签赋予0.45权重系数、将形状标签赋予0.55权重系数,用两者共同确定此裂缝的严重等级;将无裂缝信息的图片严重系数记为0;在宽度分类中,微裂缝、小裂缝、中裂缝和大裂缝的严重等级分别为1-4,记为ωp;在形状分类中,横向裂缝、纵向裂缝、块状裂缝和龟裂裂缝严重等级分别为1-4,记为ωq;则该裂缝严重系数为:
ω=0.45ωp+0.55ωq (4)
将严重系数采用min-max标准化进行归一化处理,其公式为:
根据道路裂缝严重等级划分标准确定出该裂缝的严重等级,如表2所示:
表2
步骤7)中,将得到的该裂缝图像所对应的桩号、车道号、宽度范围、形状、危险等级五项信息经过数据处理形成一维数组,例如
(k350.500 #2 P2 Q3 D级)
即在公路350公里再过500米处的第2车道上有一段裂缝区域,该裂缝是宽度在2-5mm的块状裂缝,裂缝严重等级D级,即将该图像的裂缝信息提取出来,以便后续道路修补工作。
Claims (9)
1.一种基于卷积神经网络的沥青路面裂缝分类识别方法,其特征在于,具体包括以下步骤:
1)、首先采集道路路面视频信息;
2)、将裂缝的宽度和形状进行类别划分;
3)、然后建立裂缝图片样本集;
4)、根据步骤3)取得的图片样本集建立卷积神经网络结构模型;
5)、将采集到的道路信息图片传入步骤4)建立的采集道路路面视频信息,经卷积神经网络分类后得出该图片裂缝宽度标签和形状标签;
6)、用分类器将图片划分之后,将裂缝宽度与形状均赋予权重,用两者共同确定此裂缝的严重等级;
7)、最终根据得到的裂缝严重等级与对应道路信息生成图像裂缝信息。
2.根据权利要求1所述的一种基于卷积神经网络的沥青路面裂缝分类识别方法,其特征在于,步骤1)中,使用带有高分辨率面阵相机和GPS的道路检测车采集不同路段、不同时间段和不同天气条件下的沥青路面视频,并且实时记录视频图片对应的桩号和车道号,桩号用“k”表示,车道号用“#”表示。
3.根据权利要求1所述的一种基于卷积神经网络的沥青路面裂缝分类识别方法,其特征在于,步骤2)中,分别将裂缝的宽度和形状进行类别划分,将无裂缝信息、宽度信息、形状信息分别标记为N、P和Q;将不含有道路裂缝图像的宽度和形状信息分别标记为NP与NQ;将宽度范围分别为w≤2mm,2<w≤5mm,5<w≤10mm,w>10mm的裂缝依次称为微裂缝、小裂缝、中裂缝和大裂缝,依次标记为P1、P2、P3、P4;对裂缝的形状进行划分为横向裂缝、纵向裂缝、块状裂缝和龟裂裂缝,将其分别标记为Q1、Q2、Q3、Q4。
4.根据权利要求1所述的一种基于卷积神经网络的沥青路面裂缝分类识别方法,其特征在于,步骤3)中,利用视频软件逐帧截取图片,选取若干张裂缝的图片分为样本集的训练集和测试集;根据实际测量的裂缝信息标记图片裂缝的宽度和形状类别信息,分别作为图片样本的训练类别标签和测试类别标签。
5.根据权利要求4所述的一种基于卷积神经网络的沥青路面裂缝分类识别方法,其特征在于,然后对选取的样本集图片进行灰度化、直方图均衡、对比度增强的预处理操作。
6.根据权利要求1所述的一种基于卷积神经网络的沥青路面裂缝分类识别方法,其特征在于,步骤4)中,其中卷积神经网络包括输入层、输出层、2个用于特征提取的卷积层、2个特征优化选取的采样层和1个全连接层;
1)输入层S:
输入层的输入为一幅图像,尺寸为32×32;
2)卷积层C1:
将输入层输入的特征图进行卷积得到卷积层C1的特征图;其计算按公式:
<mrow>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中表示卷积层C1中第l个特征图的一个神经元,表示与神经元相连的输入层的点,表示卷积层C1中的点与输入层连接点的权重,即是卷积核的值,表示偏置;
3)采样层S2:
采样层S2的特征图通过对卷积层C1的特征图下采样而得到:采样层S2特征图数目与前一层卷积层中的特征数目相一致,内核为2×2;具体采用如下公式:
<mrow>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msub>
<mi>&omega;</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中表示S2层的第个特征图的一个神经元,xij表示卷积层C1中与相连的神经元;f表示激活函数,ωj表示连接权重,bj表示偏置;
4)卷积层C3:
卷积层C3将采样层S2的特征图进行卷积得到卷积层C3的特征图,其计算公式可以表示为:
<mrow>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>S</mi>
</munderover>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<msubsup>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中m表示C3每层特征图中一个点和采样层S2层特征图的连接个数;表示C3该层特征和S2该层特征相连接的点;S表示C3中单个特征图中有多少个神经元和S2中单个特征图中一个神经元相连接;表示偏置;
5)采样层S4
采样层S4的特征图是通过对卷积层C3的特征图下采样而得到,采样方式和采样层S2得采样方式相同;
6)全连接层
全连接层对采样层S4的特征与进行全连接方式的卷积,得到一维向量;
7)输出层
输出层包含均与全连接层连接的所有神经元。
7.根据权利要求1所述的一种基于卷积神经网络的沥青路面裂缝分类识别方法,其特征在于,步骤5)中,将道路检测车采集到的道路裂缝用视频软件逐帧截取图片,同一段视频截取的图片划归为同一段裂缝。
8.根据权利要求1所述的一种基于卷积神经网络的沥青路面裂缝分类识别方法,其特征在于,步骤6)中,用分类器将图片划分之后,将裂缝宽度标签赋予0.45权重系数、将形状标签赋予0.55权重系数,用两者共同确定此裂缝的严重等级;将无裂缝信息的图片严重系数记为0;在宽度分类中,微裂缝、小裂缝、中裂缝和大裂缝的严重等级分别为1-4,记为ωp;在形状分类中,横向裂缝、纵向裂缝、块状裂缝和龟裂裂缝严重等级分别为1-4,记为ωq;则该裂缝严重系数为:
ω=0.45ωp+0.55ωq (4)
将严重系数采用min-max标准化进行归一化处理,其公式为:
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&omega;</mi>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
根据道路裂缝严重等级划分标准确定出该裂缝的严重等级。
9.根据权利要求1所述的一种基于卷积神经网络的沥青路面裂缝分类识别方法,其特征在于,将得到的该裂缝图像所对应的桩号、车道号、宽度范围、形状、危险等级五项信息经过数据处理形成一维数组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710495290.5A CN107316064B (zh) | 2017-06-26 | 2017-06-26 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710495290.5A CN107316064B (zh) | 2017-06-26 | 2017-06-26 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107316064A true CN107316064A (zh) | 2017-11-03 |
CN107316064B CN107316064B (zh) | 2020-07-14 |
Family
ID=60179511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710495290.5A Active CN107316064B (zh) | 2017-06-26 | 2017-06-26 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316064B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
CN108364278A (zh) * | 2017-12-21 | 2018-08-03 | 中国石油大学(北京) | 一种岩心裂缝提取方法和系统 |
CN108711150A (zh) * | 2018-05-22 | 2018-10-26 | 电子科技大学 | 一种基于pca的端到端路面裂缝检测识别方法 |
CN108985363A (zh) * | 2018-07-03 | 2018-12-11 | 长安大学 | 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 |
CN109001211A (zh) * | 2018-06-08 | 2018-12-14 | 苏州赛克安信息技术有限公司 | 基于卷积神经网络的长输管道焊缝检测系统及方法 |
CN109443542A (zh) * | 2018-11-06 | 2019-03-08 | 中国矿业大学 | 一种基于红外热成像技术的压风机在线监测装置及监测方法 |
CN109658383A (zh) * | 2018-11-22 | 2019-04-19 | 杭州电子科技大学 | 基于卷积神经网络和卡尔曼滤波的道路损伤识别方法 |
CN109685124A (zh) * | 2018-12-14 | 2019-04-26 | 斑马网络技术有限公司 | 基于神经网络的道路病害识别方法及装置 |
CN109949290A (zh) * | 2019-03-18 | 2019-06-28 | 北京邮电大学 | 路面裂缝检测方法、装置、设备及存储介质 |
CN110333325A (zh) * | 2019-08-02 | 2019-10-15 | 中南大学 | 一种大气污染环境下列车运行防护方法及系统 |
CN110378335A (zh) * | 2019-06-17 | 2019-10-25 | 杭州电子科技大学 | 一种基于神经网络的信息分析方法及模型 |
CN110503637A (zh) * | 2019-08-13 | 2019-11-26 | 中山大学 | 一种基于卷积神经网络的道路裂缝自动检测方法 |
CN110929387A (zh) * | 2019-11-05 | 2020-03-27 | 长安大学 | 一种低温路面的裂缝预测方法 |
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 |
CN113379717A (zh) * | 2021-06-22 | 2021-09-10 | 山东高速工程检测有限公司 | 一种适用于道路修补的图形识别装置及识别方法 |
CN115049640A (zh) * | 2022-08-10 | 2022-09-13 | 国网山西省电力公司大同供电公司 | 一种基于深度学习的道路裂缝检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0342242A1 (en) * | 1987-10-26 | 1989-11-23 | Kabushiki Kaisha Komatsu Seisakusho | Method of processing image data on road surface cracks |
CN1563891A (zh) * | 2004-04-20 | 2005-01-12 | 长安大学 | 一种识别路面裂缝的系统和方法 |
WO2007065221A1 (en) * | 2005-12-07 | 2007-06-14 | Commonwealth Scientific And Industrial Research Organisation | Linear feature detection method and apparatus |
CN201126427Y (zh) * | 2007-12-07 | 2008-10-01 | 长安大学 | 一种桥梁裂缝检测装置 |
CN204882391U (zh) * | 2015-08-11 | 2015-12-16 | 江西省公路工程检测中心 | 一种基于图像处理的车载式路面破损自动识别装置 |
WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN106248712A (zh) * | 2016-07-07 | 2016-12-21 | 中国石油大学(华东) | 岩心中微裂缝的造缝方法、微裂缝密度的测量方法和模型建立方法及微裂缝岩心的制备方法 |
CN106446930A (zh) * | 2016-06-28 | 2017-02-22 | 沈阳工业大学 | 基于深层卷积神经网络的机器人工作场景识别方法 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
-
2017
- 2017-06-26 CN CN201710495290.5A patent/CN107316064B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0342242A1 (en) * | 1987-10-26 | 1989-11-23 | Kabushiki Kaisha Komatsu Seisakusho | Method of processing image data on road surface cracks |
CN1563891A (zh) * | 2004-04-20 | 2005-01-12 | 长安大学 | 一种识别路面裂缝的系统和方法 |
WO2007065221A1 (en) * | 2005-12-07 | 2007-06-14 | Commonwealth Scientific And Industrial Research Organisation | Linear feature detection method and apparatus |
CN201126427Y (zh) * | 2007-12-07 | 2008-10-01 | 长安大学 | 一种桥梁裂缝检测装置 |
WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN204882391U (zh) * | 2015-08-11 | 2015-12-16 | 江西省公路工程检测中心 | 一种基于图像处理的车载式路面破损自动识别装置 |
CN106446930A (zh) * | 2016-06-28 | 2017-02-22 | 沈阳工业大学 | 基于深层卷积神经网络的机器人工作场景识别方法 |
CN106248712A (zh) * | 2016-07-07 | 2016-12-21 | 中国石油大学(华东) | 岩心中微裂缝的造缝方法、微裂缝密度的测量方法和模型建立方法及微裂缝岩心的制备方法 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
LEI ZHANG ET AL;: "《ROAD CRACK DETECTION USING DEEP CONVOLUTIONAL NEURAL NETWORK》", 《IEEE》 * |
刘洪公 等;: "《基于卷积神经网络的桥梁裂缝检测与识别》", <河北科技大学学报> * |
姜献东: "《高等级公路沥青路面裂缝的成因研究》", <辽宁省交通高等专科学校学报> * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
CN108364278B (zh) * | 2017-12-21 | 2020-08-11 | 中国石油大学(北京) | 一种岩心裂缝提取方法和系统 |
CN108364278A (zh) * | 2017-12-21 | 2018-08-03 | 中国石油大学(北京) | 一种岩心裂缝提取方法和系统 |
CN108711150A (zh) * | 2018-05-22 | 2018-10-26 | 电子科技大学 | 一种基于pca的端到端路面裂缝检测识别方法 |
CN108711150B (zh) * | 2018-05-22 | 2022-03-25 | 电子科技大学 | 一种基于pca的端到端路面裂缝检测识别方法 |
CN109001211A (zh) * | 2018-06-08 | 2018-12-14 | 苏州赛克安信息技术有限公司 | 基于卷积神经网络的长输管道焊缝检测系统及方法 |
CN108985363A (zh) * | 2018-07-03 | 2018-12-11 | 长安大学 | 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 |
CN109443542A (zh) * | 2018-11-06 | 2019-03-08 | 中国矿业大学 | 一种基于红外热成像技术的压风机在线监测装置及监测方法 |
CN109658383A (zh) * | 2018-11-22 | 2019-04-19 | 杭州电子科技大学 | 基于卷积神经网络和卡尔曼滤波的道路损伤识别方法 |
CN109658383B (zh) * | 2018-11-22 | 2023-01-17 | 杭州电子科技大学 | 基于卷积神经网络和卡尔曼滤波的道路损伤识别方法 |
CN109685124A (zh) * | 2018-12-14 | 2019-04-26 | 斑马网络技术有限公司 | 基于神经网络的道路病害识别方法及装置 |
CN109949290A (zh) * | 2019-03-18 | 2019-06-28 | 北京邮电大学 | 路面裂缝检测方法、装置、设备及存储介质 |
CN110378335A (zh) * | 2019-06-17 | 2019-10-25 | 杭州电子科技大学 | 一种基于神经网络的信息分析方法及模型 |
CN110378335B (zh) * | 2019-06-17 | 2021-11-19 | 杭州电子科技大学 | 一种基于神经网络的信息分析方法及模型 |
CN110333325A (zh) * | 2019-08-02 | 2019-10-15 | 中南大学 | 一种大气污染环境下列车运行防护方法及系统 |
CN110503637A (zh) * | 2019-08-13 | 2019-11-26 | 中山大学 | 一种基于卷积神经网络的道路裂缝自动检测方法 |
CN110503637B (zh) * | 2019-08-13 | 2022-12-06 | 中山大学 | 一种基于卷积神经网络的道路裂缝自动检测方法 |
CN110929387A (zh) * | 2019-11-05 | 2020-03-27 | 长安大学 | 一种低温路面的裂缝预测方法 |
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 |
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 |
CN113379717A (zh) * | 2021-06-22 | 2021-09-10 | 山东高速工程检测有限公司 | 一种适用于道路修补的图形识别装置及识别方法 |
CN115049640A (zh) * | 2022-08-10 | 2022-09-13 | 国网山西省电力公司大同供电公司 | 一种基于深度学习的道路裂缝检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107316064B (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316064A (zh) | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 | |
Tran et al. | One stage detector (RetinaNet)-based crack detection for asphalt pavements considering pavement distresses and surface objects | |
CN103955923B (zh) | 一种快速的基于图像的路面病害检测方法 | |
CN103995952B (zh) | 一种改进的矿业废弃地复垦适宜性模糊综合评价方法 | |
CN108960198A (zh) | 一种基于残差ssd模型的交通标志检测与识别方法 | |
CN104880389B (zh) | 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统 | |
CN103440657B (zh) | 一种在线道路裂缝筛查方法 | |
CN112561903B (zh) | 一种适用于寒冷地区沥青路面抗温缩裂缝的方法 | |
CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
CN104599280A (zh) | 一种道路裂缝交叉点提取方法及系统 | |
CN108346144A (zh) | 基于计算机视觉的桥梁裂缝自动监测与识别方法 | |
CN106087679B (zh) | 一种沥青路面病害识别与自动绘图系统及其方法 | |
CN103034863A (zh) | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 | |
CN101814138B (zh) | 基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法 | |
CN108109378A (zh) | 一种对路网规划方案进行交通安全评价的方法 | |
CN110222593A (zh) | 一种基于小规模神经网络的车辆实时检测方法 | |
CN111241994A (zh) | 一种深度学习的遥感影像农村公路砂化路段的提取方法 | |
EP3851799A3 (en) | Determine traffic checkpoint method and apparatus, electronic device, and medium | |
CN109082984A (zh) | 一种基于窗口划分以及动态时间规整的道路异常检测模型 | |
CN106682699A (zh) | 一种基于聚类分析的车辆尾气排放特征分析处理方法 | |
Li et al. | Automated classification and detection of multiple pavement distress images based on deep learning | |
CN116543303A (zh) | 一种基于深度学习的桥梁板式橡胶支座病害识别检测方法 | |
CN112726360B (zh) | 一种机场混凝土道面裂缝修补方法 | |
CN110532872A (zh) | 一种基于卷积支持向量神经网络的滑坡分级系统及方法 | |
Staniek | Repeatability of road pavement condition assessment based on three-dimensional analysis of linear accelerations of vehicles |
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 |