CN107403197B - 一种基于深度学习的裂缝识别方法 - Google Patents
一种基于深度学习的裂缝识别方法 Download PDFInfo
- Publication number
- CN107403197B CN107403197B CN201710641562.8A CN201710641562A CN107403197B CN 107403197 B CN107403197 B CN 107403197B CN 201710641562 A CN201710641562 A CN 201710641562A CN 107403197 B CN107403197 B CN 107403197B
- Authority
- CN
- China
- Prior art keywords
- crack
- layer
- layers
- training
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的裂缝识别方法,利用深度卷积神经网络同时实现裂缝位置和裂缝属性的准确识别,提出了带分支的深度卷积神经网络,在网络主干上将卷积层和反卷积层进行组合实现端到端的裂缝位置预测,在网络分支上,实现对其属性的识别;为了克服裂缝样本标注费时费力的难题,设计了仿真裂缝绘制算法实现了仿真裂缝的自动绘制和标注,从而大大减轻了人工标注的工作量,并且为深度学习提供了大数据量的训练样本,避免深度网络模型的过拟合,提高了真实裂缝训练时的收敛性和收敛效率;其识别正确率大幅提升,通用性更强,可靠性更高,能够满足工业检测的需求。
Description
技术领域
本发明涉及图像线状目标识别领域,具体涉及一种基于深度学习的裂缝识别方法。
技术背景
裂缝是一种线状目标,在公路路面、建筑墙面、隧道顶面、金属表面等位置经常出现。一方面,裂缝作为一种初期的损害,及时修补或修复不仅能减小安全隐患,还能节约维修的成本;另一方面,传统的人工识别方法识别裂缝费时费力,不能满足现代化的工业需求。因此裂缝的自动化识别和及时修补具有重要的经济意义。通常使用光学摄像或激光扫描的方式获取裂缝光学图像或距离图像,然后利用图像处理算法识别图像中的裂缝。然而,当裂缝图像中包含较强的噪声时,裂缝目标在图像中将呈现较差的连续性和较低的对比度,传统的裂缝识别方法提取的裂缝往往不完整,裂缝识别的错误率较高,不能满足工业检测的需求。因此,如何提高裂缝识别的准确度是一个亟待解决的问题。
发明内容
本发明针对现有技术的不足,提供了一种基于深度学习的裂缝识别方法,用于更准确地裂缝定位和属性估计。
为了实现上述目的,本发明所设计的一种基于深度学习的裂缝识别方法,其特征在于,包括以下步骤:
s1构建仿真裂缝数据集;
s2构建真实裂缝数据集;
s3构建深度卷积神经网络模型;
s4利用步骤s1构建的仿真裂缝数据集对步骤s3所构建的深度卷积神经网络进行训练;
s5将步骤s4训练所得参数作为深度卷积神经网络模型的初始化参数,利用步骤s2构建的真实裂缝数据集对深度卷积神经网络模型继续进行训练;
s6利用步骤s5所训练的深度神经网络模型和初始化参数对待识别的影像进行裂缝识别。
进一步地,所述步骤s1中具体包括:
s11构建仿真裂缝数据集Dataset1,即利用计算机生成一定数量的空白图像,利用线条绘制算法在空白图像上绘制裂缝线和噪声;
s12构建仿真裂缝数据集Dataset2,选取一定数量的路面影像,路面影像中不包含裂缝,利用线条绘制算法在每一幅路面图像上绘制裂缝线条;
所述步骤s4中具体包括:
s41利用步骤s11构建的仿真裂缝数据集Dataset1对步骤s3所构建的深度卷积神经网络进行训练;
s42将步骤s41训练所得参数作为本步骤的初始化参数,利用步骤s12构建的仿真裂缝数据集Dataset2对所构建的深度卷积神经网络模型继续进行训练。
更进一步地,所述步骤s3中构建的深度卷积神经网络模型包含一个主干网络和一个分支网络两部分;所述主干网络由一个输入层、若干个卷积层、池化层和反卷积层构成,所述分支网络由若干个卷积层、池化层、全连接层和一个输出层构成,其中主干网络的最后一个卷积层输出两个特征图。
再进一步地,所述主干网络由14层组成,具体为:第1层是输入层,第2、4、6、9、11、13、14层是卷积层,第3、5、7是三个池化层,第8、10、12是三个反卷积层,其中,第7层为分支网络的输入层,第14层输出裂缝的位置。
再进一步地,所述分支网络由8层组成,依次包括两个卷积层、一个池化层、两个卷积层和三个全连接层,且分支网络的卷积层采用64个卷积核,卷积核的尺寸大小为3,池化层采用2×2邻域的最大池化法,三个全连接层分别采用4096,4096和11个节点,其中最后一个全连接层对应输出的特征向量,由11个特征值组成,其中第1到4个特征值表示裂缝类型,第5到8个特征值表示裂缝宽度,第9到11个特征值表示裂缝严重程度。
再进一步地,所述步骤s3中所构建的卷积神经网络的激活函数采用RectifiedLinear Units函数。
再进一步地,所述步骤s11和步骤s12中裂缝线条绘制均采用样条曲线绘制算法或贝塞尔曲线绘制算法,步骤s11中噪声的绘制采用随机数生成算法。
再进一步地,所述步骤s41、步骤s42和步骤s5中训练过程停止的条件分为两种,一种是损失函数的值小于设定的阈值,另一种是训练达到一定次数。
优选地,所述阈值取值为0.01,所述一定次数取值为100000次。
优选地,所述步骤s11的数据集Dataset1、步骤s12中的数据集Dataset2中的样本数量均大于105。
本发明的优点在于:
1、本发明利用深度卷积神经网络同时实现裂缝位置和裂缝属性的识别,在网络主干上将卷积层和反卷积层进行组合实现端到端的裂缝位置预测,在网络分支上,实现对其属性的识别;
2、深度学习通常需要有大数据量的样本作为支撑,样本不足容易造成网络的过拟合,为了克服裂缝样本标注费时费力的难题,设计了仿真裂缝绘制算法实现了仿真裂缝的自动绘制,从而大大减轻了人工标注的工作量,为深度学习提供了足够的样本,利用大量仿真数据对所设计的深度神经网络进行训练,使其得到了可靠的初始参数值,从而可以避免深度网络模型的过拟合,提高了真实裂缝训练时的收敛性和收敛效率;
3、相对于传统的基于特征的裂缝识别方法,本发明方法由于采用大数据量裂缝样本进行端到端的深度学习,其识别正确率大幅提升,通用性更强,可靠性更高。
附图说明
图1为本发明一种基于深度学习的裂缝识别方法网络结构示意图。
图中:网络的1到14层构成主干网络,15到22层构成分支网络;1是主干网络的输入层,2、4、6、9、11、13、14是卷积层,3、5、7是池化层,8、10、12是反卷积层;7是分支网络的输入层,15、16、18、19是卷积层,17是池化层、两个卷积层和20、21、22是全连接层。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细描述:
一种基于深度学习的裂缝识别方法,包括以下步骤:
步骤1:构建仿真裂缝数据集Dataset1,即利用计算机生成106个空白图像,利用线条绘制算法在空白图像上绘制裂缝线和噪声。优选地,线条绘制采用样条曲线绘制算法或贝塞尔曲线绘制算法,绘制的线条包括连续的和断续的,线条的宽度取1到4之间的随机值,噪声的绘制采用随机数生成算法,在每一幅图像上确定一定数量的随机点坐标,在每一个随机点上绘制长度介于1到10像素长度的短线段,短线段的方向取0°到180°之间的随机值,短线条的宽度取1到4之间的随机值。
步骤2:构建仿真裂缝数据集Dataset2,选取106个路面影像,路面影像中不包含裂缝,利用线条绘制算法在每一幅路面图像上绘制裂缝线条;优选地,线条绘制采用样条曲线绘制算法或贝塞尔曲线绘制算法等,线条的宽度取1到4之间的随机值。
步骤3:构建真实裂缝数据集Dataset3,选取5000个真实裂缝图像,其来源可以是路面裂缝、桥梁裂缝、其他物体表面裂缝等,对每一幅图像标注其裂缝线,得到真实的裂缝图像数据集及裂缝标注图和裂缝属性值。
优选地,裂缝的属性值包括裂缝宽度,裂缝类型和严重程度值。
步骤4:构建深度卷积神经网络模型,其网络模型结构包含一个主干网络和一个分支网络两部分,主干网络由一个输入层、若干个卷积层、池化层和反卷积层构成,分支网络由若干个卷积层、池化层、全连接层和一个输出层构成。其中主干网络的最后一个卷积层输出两个特征图。
优选地,主干部分的网络由14层组成,其中,第1层是输入层,由样本图像组成,第2,4,6,9,11,13,14层是卷积层,卷积层采用一定数量和一定大小的卷积核进行卷积操作得到,卷积操作定义为
其中f为卷积核,r是卷积核的尺寸大小,f(i,j)表示卷积核在坐标(i,j)处的值,I为卷积输入,一般称作特征图,g(s,t)表示在对I进行卷积操作在点(s,t)处得到的输出值,优选地,卷积层采用128个卷积核,卷积核的尺寸大小为3;第3,5,7是三个池化层,所谓的池化,是指对每个特征图进行下采样,在一定的邻域范围内选取一个值作为采样值,优选地,池化采用2×2邻域的最大池化法;第8,10,12是三个反卷积层,利用上采样计算得到,优选地,上采样使用双线性插值法或特征点索引法,所谓的特征点索引是将池化时选取特征点的位置作为上采样时特征点安置的位置;将第14个卷积层作为输出的结果,它由两个特征图构成,其中一个对应裂缝目标,另一个对应背景,特征图的尺寸与输入图像的尺寸一致。
优选地,分支网络由8层组成,将主干网络的第7层作为输入层,然后依次是两个卷积层、一个池化层、两个卷积层和三个全连接层;优选地,卷积层采用64个卷积核,卷积核的尺寸大小为3,池化层采用2×2邻域的最大池化法,三个全连接层分别采用4096,4096和11个节点,其中最后一个全连接层对应输出的特征向量,由11个特征值组成,其中第1到4个特征值表示裂缝类型,第5到8个特征值表示裂缝宽度,第9到11个特征值表示裂缝严重程度。
优选地,所构建的卷积神经网络的激活函数采用Rectified Linear Units函数。
步骤5:利用步骤1构建的仿真裂缝数据集Dataset1对步骤4所构建的深度卷积神经网络进行训练,训练过程停止的条件为两种,一种是损失函数的值小于设定的阈值T,另一种是训练达到一定次数N,保存训练好的模型及参数;
优选地,整个网络的损失函数定义为
H0=λH1+(1-λ)H2
其中H1是主干网络的损失值,H2是主干网络的损失值,总的损失函数值H0是H1和H2的线性组合,λ是调节参数,λ取值0.8。优选地,主干网络和分支网络,其损失函数采用交叉熵进行计算,其定义为
其中,p和q分别代表真实标签和预测标签,p(x)和q(x)分别对应x的统计概率值和预测概率值;优选地,T取值0.01,N取值100000。
步骤6:将步骤5训练所得参数作为本步骤的初始化参数,利用步骤2构建的仿真裂缝数据集Dataset2对所构建的深度卷积神经网络模型继续进行训练,训练过程停止的条件为两种,一种是总的损失函数值小于设定的阈值T,另一种是训练达到一定次数N,保存训练好的模型参数。优选地,T取值0.01,N取值100000。
步骤7:将步骤6训练所得参数作为本步骤的初始化参数,利用步骤3构建的真实裂缝数据集Dataset3对所构建的深度卷积神经网络模型继续进行训练,训练过程停止的条件为两种,一种是损失函数的值小于设定的阈值T,另一种是训练达到一定次数N,保存训练好的模型参数。优选地,T取值0.01,N取值100000。
步骤8:利用步骤4构建的深度卷积神经网络模型和步骤7所得的参数对待识别的影像进行裂缝识别,将主干网络最后一个卷积层的两个特征图作为裂缝位置和图像背景,分支网络的最后一个全连接层对应的输出作为裂缝的属性,得到裂缝类型、裂缝宽度、裂缝严重程度值。
本发明的优点在于:(1)本发明利用深度卷积神经网络同时实现裂缝位置和裂缝属性的识别,在网络主干上将卷积层和反卷积层进行组合实现端到端的裂缝位置预测,在网络分支上,实现对其属性的识别;(2)深度学习通常需要有大数据量的样本作为支撑,样本不足容易造成网络的过拟合,为了克服裂缝样本标注费事费力的难题,设计了仿真裂缝绘制算法实现了仿真裂缝的自动绘制,从而大大减轻了人工标注的工作量,为深度学习提供了足够的样本,利用大量仿真数据对所设计的深度神经网络进行训练,使其得到了可靠的初始参数值,从而可以避免深度网络模型的过拟合,提高了真实裂缝训练时的收敛性和收敛效率;(3)相对于传统的基于特征的裂缝识别方法,本发明方法由于采用大数据量裂缝样本的端到端深度学习,其识别正确率大幅提升,通用性更强,可靠性更高。
Claims (7)
1.一种基于深度学习的裂缝识别方法,其特征在于,包括以下步骤:
s1构建仿真裂缝数据集,具体包括:
s11构建仿真裂缝数据集Dataset1,即利用计算机生成一定数量的空白图像,利用线条绘制算法在空白图像上绘制裂缝线和噪声;
s12构建仿真裂缝数据集Dataset2,选取一定数量的路面影像,路面影像中不包含裂缝,利用线条绘制算法在每一幅路面图像上绘制裂缝线条;
s2构建真实裂缝数据集;
s3构建深度卷积神经网络模型,所述构建的深度卷积神经网络模型包含一个主干网络和一个分支网络两部分;所述主干网络由一个输入层、若干个卷积层、池化层和反卷积层构成,所述分支网络由若干个卷积层、池化层、全连接层和一个输出层构成,其中主干网络的最后一个卷积层输出两个特征图,其中,所述主干网络由14层组成,具体为:第1层是输入层,第2、4、6、9、11、13、14层是卷积层,第3、5、7是三个池化层,第8、10、12是三个反卷积层,其中,第7层为分支网络的输入层,第14层输出裂缝的位置;
s4利用步骤s1构建的仿真裂缝数据集对步骤s3所构建的深度卷积神经网络进行训练;
s5将步骤s4训练所得参数作为深度卷积神经网络模型的初始化参数,利用步骤s2构建的真实裂缝数据集对深度卷积神经网络模型继续进行训练;
s6利用步骤s5所训练的深度神经网络模型和初始化参数对待识别的影像进行裂缝识别。
2.根据权利要求1所述的基于深度学习的裂缝识别方法,其特征在于:所述步骤s4中具体包括:
s41利用步骤s11构建的仿真裂缝数据集Dataset1对步骤s3所构建的深度卷积神经网络进行训练;
s42将步骤s41训练所得参数作为本步骤的初始化参数,利用步骤s12构建的仿真裂缝数据集Dataset2对所构建的深度卷积神经网络模型继续进行训练。
3.根据权利要求2所述的基于深度学习的裂缝识别方法,其特征在于:所述分支网络由8层组成,依次包括两个卷积层、一个池化层、两个卷积层和三个全连接层,且分支网络的卷积层采用64个卷积核,卷积核的尺寸大小为3,池化层采用2×2邻域的最大池化法,三个全连接层分别采用4096,4096和11个节点,其中最后一个全连接层对应输出的特征向量,由11个特征值组成,其中第1到4个特征值表示裂缝类型,第5到8个特征值表示裂缝宽度,第9到11个特征值表示裂缝严重程度。
4.根据权利要求3所述的基于深度学习的裂缝识别方法,其特征在于:所述步骤s3中所构建的卷积神经网络的激活函数采用Rectified Linear Units函数。
5.根据权利要求4所述的基于深度学习的裂缝识别方法,其特征在于:所述步骤s11和步骤s12中裂缝线条绘制均采用样条曲线绘制算法或贝塞尔曲线绘制算法,步骤s11中噪声的绘制采用随机数生成算法。
6.根据权利要求5所述的基于深度学习的裂缝识别方法,其特征在于:所述步骤s41、步骤s42和步骤s5中训练过程停止的条件分为两种,一种是损失函数的值小于设定的阈值,另一种是训练达到一定次数。
7.根据权利要求1所述的基于深度学习的裂缝识别方法,其特征在于:所述步骤s11的数据集Dataset1、步骤s12中的数据集Dataset2中的样本数量均大于105。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710641562.8A CN107403197B (zh) | 2017-07-31 | 2017-07-31 | 一种基于深度学习的裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710641562.8A CN107403197B (zh) | 2017-07-31 | 2017-07-31 | 一种基于深度学习的裂缝识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107403197A CN107403197A (zh) | 2017-11-28 |
CN107403197B true CN107403197B (zh) | 2020-01-24 |
Family
ID=60401186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710641562.8A Active CN107403197B (zh) | 2017-07-31 | 2017-07-31 | 一种基于深度学习的裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403197B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944505A (zh) * | 2017-12-19 | 2018-04-20 | 青岛科技大学 | 一种金属失效类型自动化判断方法 |
CN108229461B (zh) * | 2018-01-16 | 2021-12-28 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
CN108288038A (zh) * | 2018-01-19 | 2018-07-17 | 东华大学 | 基于场景分割的夜间机器人运动决策方法 |
CN108346144B (zh) * | 2018-01-30 | 2021-03-16 | 哈尔滨工业大学 | 基于计算机视觉的桥梁裂缝自动监测与识别方法 |
CN108764263A (zh) * | 2018-02-12 | 2018-11-06 | 北京佳格天地科技有限公司 | 遥感影像的地物标注装置及方法 |
CN108764250B (zh) * | 2018-05-02 | 2021-09-17 | 西北工业大学 | 一种运用卷积神经网络提取本质图像的方法 |
CN108765386A (zh) * | 2018-05-16 | 2018-11-06 | 中铁科学技术开发公司 | 一种隧道裂缝检测方法、装置、电子设备及存储介质 |
CN109034369A (zh) * | 2018-06-26 | 2018-12-18 | 陕西师范大学 | 一种基于深度卷积生成式对抗网络的桥梁裂缝图像生成模型 |
CN108961270B (zh) * | 2018-06-26 | 2023-03-17 | 陕西师范大学 | 一种基于语义分割的桥梁裂缝图像分割模型 |
CN108932713A (zh) * | 2018-07-20 | 2018-12-04 | 成都指码科技有限公司 | 一种基于深度学习的焊缝气孔缺陷自动检测方法 |
CN110852001A (zh) * | 2018-07-25 | 2020-02-28 | 浙江大学 | 一种基于图像处理的桥梁结构安全评估方法 |
CN109360232B (zh) * | 2018-09-10 | 2021-04-06 | 南京邮电大学 | 基于条件生成对抗网络的室内场景布局估计方法和装置 |
US11600006B2 (en) * | 2018-10-26 | 2023-03-07 | Here Global B.V. | Deep neural network architecture for image segmentation |
CN109472272A (zh) * | 2018-11-05 | 2019-03-15 | 四川长虹电器股份有限公司 | 一种基于自编码卷积网络的线条检测方法 |
CN109614883A (zh) * | 2018-11-21 | 2019-04-12 | 瑾逸科技发展扬州有限公司 | 一种基于卷积神经网络的致密砂岩裂缝智能识别方法 |
CN109949290B (zh) * | 2019-03-18 | 2021-02-26 | 北京邮电大学 | 路面裂缝检测方法、装置、设备及存储介质 |
CN110197477A (zh) * | 2019-05-07 | 2019-09-03 | 北京邮电大学 | 路面裂缝检测的方法、装置及系统 |
CN110197203B (zh) * | 2019-05-08 | 2022-06-10 | 湖北民族大学 | 基于宽度学习神经网络的桥梁路面裂缝分类识别方法 |
CN110349122A (zh) * | 2019-06-10 | 2019-10-18 | 长安大学 | 一种基于深度卷积融合神经网络的路面裂缝识别方法 |
CN110645899B (zh) * | 2019-09-10 | 2021-07-27 | 中国船舶重工集团公司第七一五研究所 | 一种结构裂缝分布式光纤监测方法及装置 |
CN114467121A (zh) * | 2019-11-27 | 2022-05-10 | 华为技术有限公司 | 一种感知网络及图像处理方法 |
CN111046936A (zh) * | 2019-12-05 | 2020-04-21 | 湖北民族大学 | 基于级联宽度神经网络桥梁裂缝分类识别方法 |
CN111626092B (zh) * | 2020-03-26 | 2023-04-07 | 陕西陕北矿业韩家湾煤炭有限公司 | 一种基于机器学习的无人机影像地裂缝识别及提取方法 |
CN112016622B (zh) * | 2020-08-28 | 2024-08-13 | 中移(杭州)信息技术有限公司 | 模型训练的方法、电子设备和计算机可读存储介质 |
CN113822880A (zh) * | 2021-11-22 | 2021-12-21 | 中南大学 | 一种基于深度学习的裂缝识别方法 |
CN115100173B (zh) * | 2022-07-11 | 2024-02-27 | 西北工业大学 | 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法 |
CN116500682B (zh) * | 2023-03-31 | 2024-01-23 | 成都捷科思石油天然气技术发展有限公司 | 一种基于深度域自适应的裂缝预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228137A (zh) * | 2016-07-26 | 2016-12-14 | 广州市维安科技股份有限公司 | 一种基于关键点定位的atm机异常人脸检测方法 |
CN106503393A (zh) * | 2016-11-15 | 2017-03-15 | 浙江大学 | 一种利用仿真生成样本实现无人车自主行进的方法 |
CN106910185A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的dbcc分类模型及构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015047323A1 (en) * | 2013-09-27 | 2015-04-02 | Hewlett-Packard Development Company, L. P. | Notifying a user of critical emails via text messages |
-
2017
- 2017-07-31 CN CN201710641562.8A patent/CN107403197B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228137A (zh) * | 2016-07-26 | 2016-12-14 | 广州市维安科技股份有限公司 | 一种基于关键点定位的atm机异常人脸检测方法 |
CN106503393A (zh) * | 2016-11-15 | 2017-03-15 | 浙江大学 | 一种利用仿真生成样本实现无人车自主行进的方法 |
CN106910185A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的dbcc分类模型及构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107403197A (zh) | 2017-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403197B (zh) | 一种基于深度学习的裂缝识别方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
CN108038409A (zh) | 一种行人检测方法 | |
CN108428248B (zh) | 车窗定位方法、系统、设备及存储介质 | |
CN107564009B (zh) | 基于深度卷积神经网络的室外场景多目标分割方法 | |
CN110751195B (zh) | 一种基于改进YOLOv3的细粒度图像分类方法 | |
JP7150468B2 (ja) | 構造物劣化検出システム | |
CN111462140B (zh) | 一种基于区块拼接的实时图像实例分割方法 | |
CN111353396A (zh) | 一种基于SCSEOCUnet的混凝土裂缝分割方法 | |
CN111696079A (zh) | 一种基于多任务学习的表面缺陷检测方法 | |
CN115294541A (zh) | 一种局部特征增强Transformer道路裂缝检测方法 | |
CN116051473A (zh) | 焊缝缺陷识别模型建立方法及装置、识别方法及装置 | |
CN115880553A (zh) | 一种基于空时建模的多尺度变化目标检索方法 | |
CN112597996B (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 | |
CN116778346B (zh) | 一种基于改进自注意力机制的管线识别方法及系统 | |
CN114022865A (zh) | 基于车道线识别模型的图像处理方法、装置、设备和介质 | |
CN113744185A (zh) | 一种基于深度学习和图像处理的混凝土表观裂缝分割方法 | |
CN113706705B (zh) | 用于高精地图的图像处理方法、装置、设备以及存储介质 | |
EP3930306A2 (en) | Method and apparatus for stabilizing image, roadside device and cloud control platform | |
CN114463734A (zh) | 文字识别方法、装置、电子设备及存储介质 | |
CN114581890A (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN111488882A (zh) | 一种用于工业零件测量的高精度图像语义分割方法 | |
CN118279567B (zh) | 目标检测模型的构建方法和道路裂缝检测方法 | |
CN115063770B (zh) | 车道线检测方法、模型训练方法、装置、设备及存储介质 |
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 |